CN117455897B - 一种晶圆划痕检测方法、装置、设备及存储介质 - Google Patents
一种晶圆划痕检测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN117455897B CN117455897B CN202311628882.1A CN202311628882A CN117455897B CN 117455897 B CN117455897 B CN 117455897B CN 202311628882 A CN202311628882 A CN 202311628882A CN 117455897 B CN117455897 B CN 117455897B
- Authority
- CN
- China
- Prior art keywords
- scratch
- wafer
- grains
- detection
- distribution diagram
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 71
- 238000003860 storage Methods 0.000 title claims abstract description 19
- 230000007547 defect Effects 0.000 claims abstract description 72
- 238000009826 distribution Methods 0.000 claims abstract description 52
- 238000010586 diagram Methods 0.000 claims abstract description 46
- 239000013078 crystal Substances 0.000 claims abstract description 44
- 238000000034 method Methods 0.000 claims description 40
- 238000004590 computer program Methods 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 5
- 238000004519 manufacturing process Methods 0.000 abstract description 2
- 238000012545 processing Methods 0.000 abstract description 2
- 239000004065 semiconductor Substances 0.000 abstract description 2
- 235000012431 wafers Nutrition 0.000 description 52
- 238000007689 inspection Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000012937 correction Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000035484 reaction time Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30148—Semiconductor; IC; Wafer
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本申请提供一种晶圆划痕检测方法、装置、设备及存储介质，应用于半导体制造技术领域，晶圆划痕检测方法包括：对输入的晶圆图片进行划痕缺陷检测，得到所述晶圆的晶粒分布图和有划痕缺陷的晶粒分布图；根据所述有划痕缺陷的晶粒分布图拟合划痕晶粒的线段；根据所述划痕晶粒的线段得到划痕缺陷的延伸线段；根据所述延伸线段与所述晶粒分布图确定新增的划痕晶粒。本发明无需大量的标注数据，只需在现有检测到的划痕数据上进一步处理，就可以对划痕两端的晶粒漏检问题有很大改善，显著降低了划痕两端晶粒附近的漏检率，提高划痕检测的准确率。
Description
技术领域
本申请涉及半导体制造技术领域，具体涉及一种晶圆划痕检测方法、装置、设备及存储介质。
背景技术
现有的晶圆划痕检测算法中，通常使用深度学习或者传统图像算法进行检测。对于晶粒图案比较简单的晶圆，一般使用传统图像算法对缺陷进行阈值分割、特征提取等形态学操作就可以将明显的划痕缺陷检测出来。但是当划痕特征不明显以及划痕出现断离的现象时，传统的图像算法就很难区分，检测准确率比较低。
另外，对于晶粒图案比较复杂的晶圆，一般使用深度学习的算法进行检测。这种方法需要采集大量的同类型缺陷图片对模型进行训练才能提升检测效果，但是漏检测的划痕缺陷比较难收集，需要从已检测的晶圆图片中寻找，数量少且找寻的难度大。
基于此，本申请提供一种新的晶圆划痕检测方法。
发明内容
有鉴于此，本说明书实施例提供一种晶圆划痕检测方法、装置、设备及存储介质，应用于晶圆检测中，不需要大量的标注数据，通用性好适用于所有的划痕检测，降低了划痕两端晶粒的漏检率，提高了划痕检测的准确率。
本说明书实施例提供以下技术方案：
本说明书实施例提供一种晶圆划痕检测方法，其特征在于，包括：
对输入的晶圆图片进行划痕缺陷检测，得到所述晶圆的晶粒分布图和有划痕缺陷的晶粒分布图；
根据所述有划痕缺陷的晶粒分布图拟合划痕晶粒的线段；
根据所述划痕晶粒的线段得到划痕缺陷的延伸线段；
根据所述延伸线段与所述晶粒分布图确定新增的划痕晶粒。
本说明书实施例还提供一种晶圆缺陷检测的方法，其特征在于，根据输入的晶圆图片，采用如权利要求1-6中任一项所述的晶圆划痕检测方法，得到新增的划痕晶粒；
根据新增的划痕晶粒得到划痕检测的结果。
本说明书实施例还提供一种晶圆划痕检测方法，其特征在于，所述检测方法包括：
获取训练样本，所述训练样本包括实际晶圆检测中划痕两端的漏检图片和划痕断离的图片，并对所述训练样本进行缺陷数据标注；
基于权利要求1-6中任一项所述的晶圆划痕检测方法构建检测模型；
基于所述训练样本对所述检测模型进行迭代训练，得到优化检测模型。
本说明书实施例还提供一种晶圆划痕检测装置，包括：获取模块、拟合模块、得到模块和确定模块；
所述获取模块，用于获取晶圆的晶粒分布图和有划痕缺陷的晶粒分布图；
所述拟合模块，用于根据所述有划痕缺陷的晶粒分布图拟合划痕晶粒的线段；
所述得到模块，用于根据所述划痕晶粒的线段得到划痕缺陷的延伸线段；
所述确定模块，用于根据所述延伸线段与所述晶粒分布图确定新增的划痕晶粒。
本说明书实施例还提供一种用于晶圆划痕检测的电子设备，包括：存储器、处理器以及计算机程序，所述计算机程序存储在所述存储器中，所述处理器运行所述计算机程序执行权利要求1-6中任一项所述晶圆划痕检测方法。
本说明书实施例还提供一种可读存储介质，其特征在于，所述可读存储介质中存储有计算机程序，所述计算机程序被处理器执行时用于实现权利要求1-6中任一项所述晶圆划痕检测方法。
与现有技术相比，本说明书实施例采用的上述至少一个技术方案能够达到的有益效果至少包括：
本申请利用划痕自身的特征，根据有划痕缺陷的晶粒分布图拟合划痕晶粒的线段，再计算出划痕缺陷的延伸线段，最终找到新增的划痕晶粒。该算法简单易实现且通用性强，无需大量的标注数据，显著降低了划痕两端晶粒附近的漏检率，提高划痕检测的准确率。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
图1是本申请中实施例提供的一种晶圆划痕检测方法流程图；
图2是本申请的算法流程图。
具体实施方式
下面结合附图对本申请实施例进行详细描述。
以下通过特定的具体实例说明本申请的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本申请的其他优点与功效。显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。本申请还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本申请的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
要说明的是，下文描述在所附权利要求书的范围内的实施例的各种方面。应显而易见，本文中所描述的方面可体现于广泛多种形式中，且本文中所描述的任何特定结构及/或功能仅为说明性的。基于本申请，所属领域的技术人员应了解，本文中所描述的一个方面可与任何其它方面独立地实施，且可以各种方式组合这些方面中的两者或两者以上。举例来说，可使用本文中所阐述的任何数目和方面来实施设备及/或实践方法。另外，可使用除了本文中所阐述的方面中的一或多者之外的其它结构及/或功能性实施此设备及/或实践此方法。
还需要说明的是，以下实施例中所提供的图示仅以示意方式说明本申请的基本构想，图式中仅显示与本申请中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
另外，在以下描述中，提供具体细节是为了便于透彻理解实例。然而，所属领域的技术人员将理解，可在没有这些特定细节的情况下实践。
现有技术中对于晶粒图案比较简单的晶圆，一般使用传统图像算法对缺陷进行阈值分割、特征提取等形态学操作将明显的划痕缺陷检测出来，但是当划痕特征不明显以及划痕出现断离的现象时，传统的图像算法就很难区分，检测准确率比较低。
对于晶粒图案比较复杂的晶圆，目前一般使用深度学习的算法进行检测，这种方法需要采集大量的同类型缺陷图片对模型进行训练才能提升检测效果，但是漏检测的划痕缺陷比较难收集，需要从已检测的晶圆图片中寻找，数量少且找寻的难度大。
有鉴于此，发明人通过对晶圆缺陷检测进行深入研究及改进探索，发现：可以利用划痕自身的特征，计算划痕的延伸方向和划痕的端点位置，当划痕两端的缺陷特征不明显或者划痕出现断离现象时，可以通过算法算出端点的位置和划痕的延伸方向，从而延伸划痕的长度连接上断离的划痕，以此降低划痕两端晶粒附近的漏检率，提高划痕检测的准确率。
在针对降低划痕两端晶粒附近的漏检率功能的改进中，进一步发现，该方法只需要在现有检测到的划痕数据上做相应的处理，然后重新训练已有的检测模型也可以降低划痕两端晶粒附近漏检的问题，提高晶圆的检测准确率。
基于此，本说明书实施例提出了一种新的晶圆划痕检测方法，整体思路为：对输入的晶圆图片进行划痕缺陷检测，得到晶圆的晶粒分布图和有划痕缺陷的晶粒分布图；根据有划痕缺陷的晶粒分布图拟合划痕晶粒的线段，模拟划痕的走向；根据划痕晶粒的线段得到划痕缺陷的延伸线段；根据延伸线段与晶粒分布图确定新增的划痕晶粒，该方法算法简单，将新延伸的区域视为划痕的漏检区域，进而改进划痕两端晶粒漏检的问题，显著降低了划痕两端晶粒附近的漏检率，提高划痕检测的准确率。
以下结合附图，说明本申请各实施例提供的技术方案。
如图1所示，本说明书实施例提供一种晶圆划痕检测方法，其包括步骤S101～步骤S104。
步骤S101、对输入的晶圆图片进行划痕缺陷检测，得到晶圆的晶粒分布图和有划痕缺陷的晶粒分布图。
本说明书实施例中利用现有的检测模型对输入的晶圆图片进行正常的缺陷检测，获取整个晶圆的晶粒分布图以及检测到划痕的晶粒分布图。
步骤S102、根据有划痕缺陷的晶粒分布图拟合划痕晶粒的线段。
本说明书实施例中可以将有划痕缺陷的晶粒视为坐标点，根据这些已存在的坐标点通过一些拟合技术，比如最小二乘法、霍夫变换(Hough Transform)或全局优化方法等来拟合划痕晶粒的线段。根据拟合的结果，可以得到划痕晶粒线段的参数化方程式或坐标，可以描述划痕晶粒的位置、方向和长度等信息。
步骤S103、根据所述划痕晶粒的线段得到划痕缺陷的延伸线段。
结合上述实施例，基于划痕晶粒的线段参数，可以利用线段的方向信息和长度信息来进行延伸。
比如可以通过延伸线段至特定边界。
比如可以根据划痕的特性和已知信息确定合适的延伸长度或者延伸方向。
又比如划痕晶粒的线段不是连续的，可以连接相邻的线段以得到完整的划痕。
对延伸的线段进行验证，确保其与划痕晶粒线段的一致性，并进行必要的修正以获得准确的划痕缺陷延伸线段。
步骤S104、根据所述延伸线段与所述晶粒分布图确定新增的划痕晶粒。
结合上述实施例，将延伸线段与整张晶圆的晶粒分布图进行叠加或重叠，在晶粒分布图上显示延伸的线段，从而标出这些划痕晶粒。
一些实施例中，根据所述有划痕缺陷的晶粒分布图拟合划痕晶粒的线段，所述拟合划痕晶粒的线段的方法包括：
拟合直线方程表达式为：y＝ax+b，其中a是斜率，b是截距，基于划痕自身的特征，选择拟合直线，算法简单效率更高，只需考虑两个参数(例如斜率和截距)，较小的计算资源就能找到最佳拟合。
将有划痕缺陷的晶粒坐标记为：(xi,yi)；
根据这些已存在的有划痕缺陷的晶粒坐标点，求解直线方程的参数a和b，得到最佳拟合有划痕缺陷的晶粒坐标点的直线，验证拟合的线段是否合理并进行必要的修正。
一些实施例中，根据有划痕缺陷的晶粒坐标点(xi,yi)，求直线方程参数a,b使得该直线最符合所选点的结果，即等价于问题：mina,b∑[yi-(axi+b)]2，
记：sum＝∑[yi-(axi+b)]2；
对误差函数关于斜率a和截距的偏导数进行计算，找到使误差函数最小化的a和b的值，从而得到最佳拟合直线的斜率和截距，
对a，b求导：
从而计算出拟合直线的斜率a：
以及拟合直线的截距b：
其中，n表示所述有划痕缺陷的晶粒数。
根据拟合的结果，可以得到划痕晶粒线段的参数化方程式，可以描述划痕晶粒的位置、方向和长度等信息，从而获得有划痕缺陷的晶粒坐标点最佳拟合的线段。
一些实施例中，晶圆划痕检测方法还包括：判断所述划痕晶粒的线段是否有交叉，有则获取交叉点；
根据所述交叉点拆分所述划痕晶粒的线段，得到拆分后的划痕晶粒线段。
具体地，根据公式计算出所有的有划痕晶粒的线段，然后检查所有线段，判断是否有交叉点，如果其中包含有交叉点的线段则需要根据交叉点拆分成两条或者多条独立线段，得到拆分后的划痕晶粒线段。
一些实施例中，根据所述划痕晶粒的线段得到划痕缺陷的延伸线段，包括：根据所述划痕晶粒线段得到端点和斜率；根据所述端点和斜率得到划痕缺陷的延伸线段。
其中通过划痕晶粒线段的两个端点坐标可以得到线段的端点，然后通过两个端点坐标计算出斜率，基于合理的延伸规则，根据得到的端点和斜率信息生成划痕缺陷的延伸线段。比如根据给定的斜率以及一定的长度延长线段；比如通过斜率反向延伸至所需位置；比如根据斜率延伸到图像边界。
一些实施例中，根据所述延伸线段与所述晶粒分布图确定新增的划痕晶粒，包括：
获得所述划痕缺陷的延伸线段与所述晶粒分布图相交的晶粒；
所述相交的晶粒为新增的划痕晶粒。
具体地，将延伸线段与晶粒分布图进行叠加或重叠，以便在晶粒分布图上显示延伸的线段，然后分析延伸线段与晶粒分布图的交叉点或区域，识别交叉点处的晶粒特征，例如形状、大小、周围晶粒的分布等。
基于交叉点处的特征分析，确认是否存在新增的划痕晶粒，在晶粒分布图上标出这些划痕晶粒，并对确定的新增划痕晶粒进行验证，确保其准确性。
一些实施例中，如图2所示，对输入的晶圆图片进行划痕缺陷检测，得到晶圆的晶粒分布图和有划痕缺陷的晶粒分布图；根据有划痕缺陷的晶粒分布图拟合划痕晶粒的线段；判断拟合的划痕晶粒线段是否有交叉，若有则获取交叉点，根据交叉点拆分划痕晶粒的线段，得到拆分后的划痕晶粒线段；再计算每条直线(拆分后的划痕晶粒线段和不需要拆分的划痕晶粒线段)的端点和斜率，基于合理的延伸规则，根据得到的端点和斜率延伸线段得到划痕缺陷的延伸线段，延伸直线经过的区域即划痕新增的区域；再根据晶粒分布图与延伸线段确定新增的划痕晶粒，从而改进划痕两端晶粒漏检的问题，显著降低了划痕两端晶粒附近的漏检率，提高划痕检测的准确率。
一些实施例中，根据输入的晶圆图片，采用上述的各种实施方式提供的晶圆划痕检测方法，得到新增的划痕晶粒；再根据新增的划痕晶粒得到划痕检测的结果，该方案使用划痕延伸的方法替代了现有的划痕检测，简化了晶圆检测的步骤，提高了检测效率。
一些实施例中，通过采集实际晶圆检测中划痕两端的漏检图片和划痕断离的图片数据，并对这些图片进行缺陷数据标注，再利用标注好的数据迭代训练检测模型，以此优化检测模型，可以显著改进划痕两端晶粒漏检的问题。
这个优化过程可以基于已有的检测模型，也可以采用上述提供的晶圆划痕检测方法构建的新模型，利用真实数据和标注信息不断训练模型，让模型更好地理解和捕捉划痕两端晶粒的特征，提高检测算法对这些区域的敏感度和准确性，从而改善划痕缺陷的检测性能。该方案具有很强的通用性，适用于不同类型的晶圆，可以重复利用同一个检测模型，不仅能够降低划痕两端晶粒附近的漏检率，还能提升整体检测的精度和检测的效率。
本说明书实施例提供一种晶圆划痕检测装置，该晶圆划痕检测装装置包括：获取模块、拟合模块、得到模块和确定模块；
所述获取模块，用于获取晶圆的晶粒分布图和有划痕缺陷的晶粒分布图；
所述拟合模块，用于根据所述有划痕缺陷的晶粒分布图拟合划痕晶粒的线段；
所述得到模块，用于根据所述划痕晶粒的线段得到划痕缺陷的延伸线段；
所述确定模块，用于根据所述延伸线段与所述晶粒分布图确定新增的划痕晶粒。
本说明书实施例的晶圆划痕检测装置对应地可用于执行图1所示方法实施例中的步骤，其实现原理和技术效果类似，此处不再赘述。
本说明书实施例提供的一种用于晶圆划痕检测的电子设备，该设备包括：处理器、存储器和计算机程序；其中
存储器，用于存储所述计算机程序，该存储器还可以是闪存(flash)。所述计算机程序例如是实现上述方法的应用程序、功能模块等。
处理器，用于执行所述存储器存储的计算机程序，以实现上述方法中设备执行的各个步骤。具体可以参见前面方法实施例中的相关描述。
可选地，存储器既可以是独立的，也可以跟处理器集成在一起。
当所述存储器是独立于处理器之外的器件时，所述设备还可以包括：
总线，用于连接所述存储器和处理器。
本发明还提供一种可读存储介质，所述可读存储介质中存储有计算机程序，所述计算机程序被处理器执行时用于实现上述的各种实施方式提供的方法。
其中，可读存储介质可以是计算机存储介质，也可以是通信介质。通信介质包括便于从一个地方向另一个地方传送计算机程序的任何介质。计算机存储介质可以是通用或专用计算机能够存取的任何可用介质。例如，可读存储介质耦合至处理器，从而使处理器能够从该可读存储介质读取信息，且可向该可读存储介质写入信息。当然，可读存储介质也可以是处理器的组成部分。处理器和可读存储介质可以位于专用集成电路(ApplicationSpecific Integrated Circuits，简称：ASIC)中。另外，该ASIC可以位于用户设备中。当然，处理器和可读存储介质也可以作为分立组件存在于通信设备中。可读存储介质可以是只读存储器(ROM)、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
本说明书中，各个实施例之间相同相似的部分互相参见即可，每个实施例侧重说明的都是与其他实施例的不同之处。尤其，对于后面说明的实施例而言，描述比较简单，相关之处参见前述实施例的部分说明即可。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。
Claims (11)
1.一种晶圆划痕检测方法，其特征在于，包括：
对输入的晶圆图片进行划痕缺陷检测，得到所述晶圆的晶粒分布图和有划痕缺陷的晶粒分布图；
根据所述有划痕缺陷的晶粒分布图拟合划痕晶粒的线段；
根据所述划痕晶粒的线段得到划痕缺陷的延伸线段；
根据所述延伸线段与所述晶粒分布图确定新增的划痕晶粒。
2.根据权利要求1所述的晶圆划痕检测方法，其特征在于，根据所述有划痕缺陷的晶粒分布图拟合划痕晶粒的线段，所述拟合划痕晶粒的线段的方法包括：
拟合直线方程表达式为：y＝ax+b，其中a是斜率，b是截距；
将有划痕缺陷的晶粒坐标记为：(xi,yi)；
根据坐标点，求解直线方程的参数a，b，得到最佳拟合所述坐标点的直线，所述坐标点为有划痕缺陷的晶粒坐标。
3.根据权利要求2所述的晶圆划痕检测方法，其特征在于，使用最小二乘法，找到使误差函数最小化的a和b的值，从而得到最佳拟合直线的斜率和截距，具体步骤包括：
对a，b求导，计算拟合直线的斜率a：
计算拟合直线的截距b：
其中，n表示所述有划痕缺陷的晶粒数；
根据得到的拟合直线方程获得所述坐标点最佳拟合的线段。
4.根据权利要求3所述的晶圆划痕检测方法，其特征在于，所述方法还包括：判断所述划痕晶粒的线段是否有交叉，有则获取交叉点；
根据所述交叉点拆分所述划痕晶粒的线段，得到拆分后的划痕晶粒线段。
5.根据权利要求1或4所述的晶圆划痕检测方法，其特征在于，根据所述划痕晶粒的线段得到划痕缺陷的延伸线段，包括：
根据所述划痕晶粒线段得到端点和斜率；
根据所述端点和斜率得到划痕缺陷的延伸线段。
6.根据权利要求1所述的晶圆划痕检测方法，其特征在于，根据所述延伸线段与所述晶粒分布图确定新增的划痕晶粒，包括：
获得所述划痕缺陷的延伸线段与所述晶粒分布图相交的晶粒；
所述相交的晶粒为新增的划痕晶粒。
7.一种晶圆缺陷检测的方法，其特征在于，根据输入的晶圆图片，采用如权利要求1-6中任一项所述的晶圆划痕检测方法，得到新增的划痕晶粒；
根据新增的划痕晶粒得到划痕检测的结果。
8.一种晶圆划痕检测方法，其特征在于，所述检测方法包括：
获取训练样本，所述训练样本包括实际晶圆检测中划痕两端的漏检图片和划痕断离的图片，并对所述训练样本进行缺陷数据标注；
基于权利要求1-6中任一项所述的晶圆划痕检测方法构建检测模型；
基于所述训练样本对所述检测模型进行迭代训练，得到优化检测模型。
9.一种晶圆划痕检测装置，其特征在于，所述晶圆划痕检测装装置包括：获取模块、拟合模块、得到模块和确定模块；
所述获取模块，用于获取晶圆的晶粒分布图和有划痕缺陷的晶粒分布图；
所述拟合模块，用于根据所述有划痕缺陷的晶粒分布图拟合划痕晶粒的线段；
所述得到模块，用于根据所述划痕晶粒的线段得到划痕缺陷的延伸线段；
所述确定模块，用于根据所述延伸线段与所述晶粒分布图确定新增的划痕晶粒。
10.一种用于晶圆划痕检测的电子设备，其特征在于包括：存储器、处理器以及计算机程序，所述计算机程序存储在所述存储器中，所述处理器运行所述计算机程序执行权利要求1-6中任一项所述晶圆划痕检测方法。
11.一种可读存储介质，其特征在于，所述可读存储介质中存储有计算机程序，所述计算机程序被处理器执行时用于实现权利要求1-6中任一项所述晶圆划痕检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311628882.1A CN117455897B (zh) | 2023-11-30 | 2023-11-30 | 一种晶圆划痕检测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311628882.1A CN117455897B (zh) | 2023-11-30 | 2023-11-30 | 一种晶圆划痕检测方法、装置、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117455897A CN117455897A (zh) | 2024-01-26 |
| CN117455897B true CN117455897B (zh) | 2024-04-30 |
Family
ID=89587616
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311628882.1A Active CN117455897B (zh) | 2023-11-30 | 2023-11-30 | 一种晶圆划痕检测方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117455897B (zh) |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20060118182A (ko) * | 2005-05-16 | 2006-11-23 | 주식회사 하이닉스반도체 | 웨이퍼의 마이크로-스크래치 검출방법 |
| CN110286126A (zh) * | 2019-06-17 | 2019-09-27 | 浙江大学 | 一种基于视觉图像的晶圆表面缺陷分区域检测方法 |
| CN113222967A (zh) * | 2021-05-28 | 2021-08-06 | 长江存储科技有限责任公司 | 晶圆的检测方法及系统 |
| WO2021166161A1 (ja) * | 2020-02-20 | 2021-08-26 | 株式会社日立ハイテク | 欠陥検査システム、欠陥検査方法及び教師データの作成方法 |
| CN113538392A (zh) * | 2021-07-26 | 2021-10-22 | 长江存储科技有限责任公司 | 晶圆的检测方法、设备及存储介质 |
| WO2022052592A1 (zh) * | 2020-09-11 | 2022-03-17 | 长鑫存储技术有限公司 | 晶圆缺陷的溯源方法、装置、电子设备及计算机可读介质 |
| WO2022147966A1 (zh) * | 2021-01-08 | 2022-07-14 | 长鑫存储技术有限公司 | 晶圆检测方法、装置、设备及存储介质 |
| KR20220110961A (ko) * | 2021-02-01 | 2022-08-09 | 에스케이실트론 주식회사 | 실리콘 웨이퍼 결함 분석 방법 |
| CN116228686A (zh) * | 2023-02-06 | 2023-06-06 | 厦门特仪科技有限公司 | 一种基于轻量级网络的划痕缺陷检测方法、装置以及设备 |
| CN116342589A (zh) * | 2023-05-23 | 2023-06-27 | 之江实验室 | 一种跨视场划痕缺陷连续性检测方法和系统 |
| CN116542908A (zh) * | 2023-03-30 | 2023-08-04 | 深圳市格灵精睿视觉有限公司 | 晶圆缺陷的检测方法和装置、电子设备及存储介质 |
| CN116952958A (zh) * | 2023-09-18 | 2023-10-27 | 杭州百子尖科技股份有限公司 | 缺陷检测方法、装置、电子设备及存储介质 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP4050560B1 (en) * | 2021-01-08 | 2023-07-12 | Changxin Memory Technologies, Inc. | Wafer testing method and apparatus, and device and storage medium |
-
2023
- 2023-11-30 CN CN202311628882.1A patent/CN117455897B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20060118182A (ko) * | 2005-05-16 | 2006-11-23 | 주식회사 하이닉스반도체 | 웨이퍼의 마이크로-스크래치 검출방법 |
| CN110286126A (zh) * | 2019-06-17 | 2019-09-27 | 浙江大学 | 一种基于视觉图像的晶圆表面缺陷分区域检测方法 |
| WO2021166161A1 (ja) * | 2020-02-20 | 2021-08-26 | 株式会社日立ハイテク | 欠陥検査システム、欠陥検査方法及び教師データの作成方法 |
| WO2022052592A1 (zh) * | 2020-09-11 | 2022-03-17 | 长鑫存储技术有限公司 | 晶圆缺陷的溯源方法、装置、电子设备及计算机可读介质 |
| WO2022147966A1 (zh) * | 2021-01-08 | 2022-07-14 | 长鑫存储技术有限公司 | 晶圆检测方法、装置、设备及存储介质 |
| KR20220110961A (ko) * | 2021-02-01 | 2022-08-09 | 에스케이실트론 주식회사 | 실리콘 웨이퍼 결함 분석 방법 |
| CN113222967A (zh) * | 2021-05-28 | 2021-08-06 | 长江存储科技有限责任公司 | 晶圆的检测方法及系统 |
| CN113538392A (zh) * | 2021-07-26 | 2021-10-22 | 长江存储科技有限责任公司 | 晶圆的检测方法、设备及存储介质 |
| CN116228686A (zh) * | 2023-02-06 | 2023-06-06 | 厦门特仪科技有限公司 | 一种基于轻量级网络的划痕缺陷检测方法、装置以及设备 |
| CN116542908A (zh) * | 2023-03-30 | 2023-08-04 | 深圳市格灵精睿视觉有限公司 | 晶圆缺陷的检测方法和装置、电子设备及存储介质 |
| CN116342589A (zh) * | 2023-05-23 | 2023-06-27 | 之江实验室 | 一种跨视场划痕缺陷连续性检测方法和系统 |
| CN116952958A (zh) * | 2023-09-18 | 2023-10-27 | 杭州百子尖科技股份有限公司 | 缺陷检测方法、装置、电子设备及存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| 一种快速检测单晶硅亚表面损伤层厚度的方法;徐乐 等;《 机械工程学报 》;20160719;第52卷(第11期);全文 * |
| 基于光散射理论的玻璃晶圆表面缺陷检测方法研究;涂政乾等;《光散射学报 》;20210112;第32卷(第3期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117455897A (zh) | 2024-01-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111640089B (zh) | 一种基于特征图中心点的缺陷检测方法及装置 | |
| AU2020103716A4 (en) | Training method and device of automatic identification device of pointer instrument with numbers in natural scene | |
| CN111444964B (zh) | 一种基于自适应roi划分的多目标快速图像匹配方法 | |
| CN113781391A (zh) | 图像缺陷检测方法以及相关设备 | |
| CN111415330A (zh) | 基于深度学习的铜箔外观缺陷检测方法 | |
| CN105184225A (zh) | 一种多国纸币图像识别方法和装置 | |
| CN113240623A (zh) | 一种路面病害检测方法及装置 | |
| CN112232341A (zh) | 文本检测方法、电子设备及计算机可读介质 | |
| CN109298450A (zh) | 地震采集观测系统属性分析方法及装置 | |
| CN115457277A (zh) | 一种智能化路面病害识别检测方法及系统 | |
| CN113280764A (zh) | 基于多星协同技术的输变电工程扰动范围定量监测方法及系统 | |
| US20230065041A1 (en) | Geometric pattern matching method and device for performing the method | |
| CN110426395B (zh) | 一种太阳能el电池硅片表面检测方法及装置 | |
| CN113705564B (zh) | 一种指针式仪表识别读数方法 | |
| CN117455897B (zh) | 一种晶圆划痕检测方法、装置、设备及存储介质 | |
| CN114511857A (zh) | 一种ocr识别结果处理方法、装置、设备及存储介质 | |
| CN111414903B (zh) | 一种指示牌内容识别方法、装置和设备 | |
| CN115717887B (zh) | 基于灰度分布直方图的星点快速提取方法 | |
| CN111553345A (zh) | 基于Mask RCNN与正交线性回归实现仪表指针读数识别处理的方法 | |
| CN116452826A (zh) | 基于机器视觉的遮挡情况下煤矸石轮廓估计方法 | |
| CN113191351B (zh) | 数字电表的示数识别方法及装置、模型训练方法及装置 | |
| CN115588178A (zh) | 一种高精地图要素自动化提取的方法 | |
| CN112633327B (zh) | 分阶段金属表面缺陷检测方法、系统、介质、设备及应用 | |
| CN113591680B (zh) | 对地质图片钻井经纬度进行识别的方法和系统 | |
| CN113887567B (zh) | 一种蔬菜质量检测方法、系统、介质及设备 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |