CN117710306A - 用于半导体器件缺陷的定位方法、处理器及存储介质 - Google Patents

Abstract

本申请实施例提供一种用于半导体器件缺陷的定位方法、装置、处理器及存储介质。该方法包括：获取待检测器件的第一器件图像；将第一器件图像输入至粗定位缺陷检测神经网络，以通过粗定位缺陷检测神经网络输出待检测器件中每个缺陷的第一区域图像以及每个缺陷所在的第一位置；将每个第一区域图像采用高清图像装置进行高清放大处理，得到每个缺陷的第二器件图像；依次将每个缺陷的第二器件图像输入至精定位缺陷检测神经网络，以通过精定位缺陷检测神经网络输出待检测器件中每个缺陷的第二区域图像以及每个缺陷所在的第二位置；根据每个缺陷的第二区域图像以及每个缺陷所在的第二位置确定每个缺陷的具体位置。

Description

用于半导体器件缺陷的定位方法、处理器及存储介质

技术领域

本申请涉及半导体技术领域，具体涉及一种用于半导体器件缺陷的定位方法、处理器、存储介质及计算机设备。

背景技术

半导体器件，例如光电探测器、半导体LED芯片、太阳电池等，在晶体生长、工艺制备和组件封装过程中不可避免引入位错、杂质、划痕、裂纹等，这种缺陷将半导体器件的性能降低，例如使得太阳能电池器件的光电转换效率降低等。因此，如何准确地检测出半导体器件存在的缺陷是亟需解决的技术难题。

现有技术中，提供了一种采用光致发光(PL)成像定位缺陷的方法。具体地，该方案是通过滤镜得到PL图像，同样采用灰度算法进行缺陷定位。PL图像呈现的太阳电池发光为黑白图，发光区为白色，栅线不发光区域为黑色。当存在缺陷时，缺陷区域在PL下呈现一定大小的黑色圆斑，此圆斑大小和光亮度的强弱有关。然而，当电池片存在翘曲使得距离光源高度不一或者缺陷大小不一，使得缺陷导致的黑斑大小不一，边缘不明显，因此会导致使用传统算法时对于图像的灰度判断非常不准确，进而导致PL定位不准确。特别地，当多个缺陷叠加在同一片区域，如圆的边缘定位不清晰，进一步定位缺陷大小时(大概10um)将变得十分困难，使得针对于缺陷的定位准确率较低。

发明内容

本申请实施例的目的是提供一种用于半导体器件缺陷的定位方法、处理器、存储介质及计算机设备。

为了实现上述目的，本申请第一方面提供一种用于半导体器件缺陷的定位方法，包括：

获取待检测器件的第一器件图像；

将所述第一器件图像输入至粗定位缺陷检测神经网络，以通过所述粗定位缺陷检测神经网络输出所述待检测器件中每个缺陷的第一区域图像以及每个缺陷所在的第一位置；

将每个第一区域图像采用高清图像装置进行高清放大处理，得到每个缺陷的第二器件图像；

依次将每个缺陷的第二器件图像输入至精定位缺陷检测神经网络，以通过所述精定位缺陷检测神经网络输出所述待检测器件中每个缺陷的第二区域图像以及每个缺陷所在的第二位置；

根据每个缺陷的第二区域图像以及每个缺陷所在的第二位置确定每个缺陷的具体位置。

在本申请实施例中，定位方法还包括：在根据每个缺陷的第二区域图像以及每个缺陷所在的第二位置确定每个缺陷的具体位置之后，根据每个缺陷的第二区域图像以及每个缺陷所在的第二位置确定每个缺陷的缺陷类型；在所述缺陷类型不是预设的功能缺陷类型的情况下，对所述缺陷进行钝化操作，其中，所述钝化操作包括切割，物理局部隔离，化学处理中的至少一者；采用预设的合适波长光源，利用光致发光原理激发钝化后的待检测器件，并采集所述钝化后的待检测器件的第三器件图像；将所述第三器件图像再次输入至所述粗定位缺陷检测神经网络，以通过所述粗定位缺陷检测神经网络检测所述钝化后的待检测器件中是否存在缺陷；在通过所述粗定位缺陷检测神经网络检测到所述钝化后的待检测器件中存在缺陷的情况下，表明钝化操作失败；在通过所述粗定位缺陷检测神经网络未检测到所述钝化后的待检测器件中存在缺陷的情况下，表明钝化操作成功。

在本申请实施例中，根据每个缺陷的第二区域图像以及每个缺陷所在的第二位置确定每个缺陷的缺陷类型包括：获取缺陷类型表，所述缺陷类型表中包括多种类型的缺陷的缺陷参数，所述缺陷参数包括所述缺陷的尺寸大小和所述缺陷相对于所在半导体器件的位置；将每个缺陷的第二区域图像以及每个缺陷所在的第二位置与所述缺陷类型表中的数据进行匹配，以确定每个缺陷所对应的缺陷类型。

在本申请实施例中，第一器件图像为PL图像，所述获取待检测器件的第一器件图像包括：确定所述待检测器件的制造材料；根据所述制造材料确定针对所述待检测器件进行检测的光源的目标波长；使用所述目标波长的光源激发所述待检测器件，并通过图像采集装置获取所述待检测器件通过滤光片的PL图像。

在本申请实施例中，定位方法还包括针对所述粗定位缺陷检测神经网络的训练步骤，所述训练步骤包括：获取多个半导体器件的器件图像，并对每个器件中存在缺陷的位置进行标注，以得到每个半导体器件的样本图像；对所述样本图像进行数据增强处理；将增强处理后的样本图像依次输入至所述粗定位缺陷检测神经网络，以对所述粗定位缺陷检测神经网络进行训练。

在本申请实施例中，待检测器件为薄膜太能电池。

在本申请实施例中，粗定位缺陷检测神经网络与所述精定位缺陷检测神经网络均为YOLOX模型。

本申请第二方面提供一种处理器，被配置成执行上述的用于半导体器件缺陷的定位方法。

本申请第三方面提供一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如上述的用于半导体器件缺陷的定位方法的步骤。

本申请第四方面提供一种机器可读存储介质，该机器可读存储介质上存储有指令，该指令在被处理器执行时使得所述处理器被配置成执行上述的用于半导体器件缺陷的定位方法。

本申请第五方面提供一种用于半导体器件缺陷的定位装置，包括：

粗定位图像采集模块，用于获取待检测器件的第一器件图像；

粗定位缺陷检测模块，用于将所述第一器件图像输入至粗定位缺陷检测神经网络，以通过所述粗定位缺陷检测神经网络输出所述待检测器件中每个缺陷的第一区域图像以及每个缺陷所在的第一位置；

精定位图像采集模块，用于将每个第一区域图像采用高清图像装置进行高清放大处理，得到每个缺陷的第二器件图像；

精定位缺陷检测模块，用于依次将每个缺陷的第二器件图像输入至精定位缺陷检测神经网络，以通过所述精定位缺陷检测神经网络输出所述待检测器件中每个缺陷的第二区域图像以及每个缺陷所在的第二位置；

缺陷定位模块，用于根据每个缺陷的第二区域图像以及每个缺陷所在的第二位置确定每个缺陷的具体位置。

本方案中，将神经网络算法与传统的图像处理的方法结合，以对需要进行缺陷定位的半导体器件进行缺陷检测与定位，可以有效地提高检测与定位的准确率。并且，本方案中可以精确地确定每个缺陷的大小，使得后续对缺陷进行钝化操作时可以实现钝化面积最小化，极大程度上保留了电池的有效收取光的面积。

本申请实施例的其他特征和优点将在随后的具体实施方式部分予以详细说明。

附图说明

附图是用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本申请实施例，但并不构成对本申请实施例的限制。在附图中：

图1示意性示出了根据本申请实施例的用于半导体器件缺陷的定位方法的流程示意图；

图2A示意性示出了根据本申请实施例的第一器件图像的示意图；

图2B示意性示出了根据本申请实施例的粗定位的示意图；

图3A示意性示出了根据本申请实施例的在粗定位下可以检测到的多种类型的缺陷的示意图；

图3B示意性示出了根据本申请实施例的在精定位下可以检测到的多种类型的缺陷的示意图；

图4示意性示出了根据本申请另一实施例的用于半导体器件缺陷的定位方法的流程示意图；

图5A示意性示出了根据本申请实施例的高清放大示意图；

图5B示意性示出了根据本申请实施例的第二位置的示意图；

图6示意性示出了根据本申请实施例的钝化操作前后的图像对比示意图；

图7示意性示出了根据本申请实施例的用于半导体器件缺陷的定位装置的框架示意图；

图8示意性示出了根据本申请实施例的计算机设备的内部结构图。

具体实施方式

现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本申请将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。

此外，所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中，提供许多具体细节从而给出对本申请的实施例的充分理解。然而，本领域技术人员将意识到，可以实践本申请的技术方案而没有特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知方法、装置、实现或者操作以避免模糊本申请的各方面。

附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。

附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解，而有的操作/步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。

需要说明的是：在本文中提及的“多个”是指两个或两个以上。“和/或”描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。

需要注意的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的对象在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在图示或描述的那些以外的顺序实施。

图1示意性示出了根据本申请实施例的用于半导体器件缺陷的定位方法的流程示意图。如图1所示，在本申请一实施例中，提供了一种用于半导体器件缺陷的定位方法，包括以下步骤：

步骤102，获取待检测器件的第一器件图像。

半导体器件，例如光电探测器、半导体LED芯片、太阳电池等，在晶体生长、工艺制备和组件封装过程中不可避免引入位错、杂质、划痕、裂纹等。因此，需要对半导体器件进行质检，以确定出每个半导体器件是否存在缺陷，以及存在的缺陷所对应的缺陷类型是什么。后续可以根据该缺陷的类型对半导体器件进行对应的补救措施。在本实施例中，为了便于描述，可以将需要进行质检的半导体器件称之为待检测器件。针对于任意一个需要检测其是否存在缺陷的待检测器件，可以先通过图像采集模块获取到待检测器件的第一器件图像。具体地，图像采集模块中包括粗定位图像采集设备。粗定位图像采集设备可以是可以摄像机、照相机、摄影机等具备图像采集功能的设备。假设待检测器件为光电探测器或太阳电池，那么第一器件图像则是该光电探测器或太阳电池的整体产品图像，即第一器件图像中包括有整个待检测器件。

在一个实施例中，第一器件图像为PL图像，获取待检测器件的第一器件图像包括：确定待检测器件的制造材料；根据制造材料确定针对待检测器件进行检测的光源的目标波长；使用目标波长的光源激发待检测器件，并通过图像采集装置获取待检测器件通过滤光片的PL图像。

首先，可先对半导体器件进行外观检测，如发现其存在外观不良的问题，可将该半导体器件确定为待检测器件。然后将该待检测器件放入至特殊制备的托盘里，通过自动上下料装置，经传送带传输到达至图像采集模块的位置处。其中，图像采集模块包括可调节光源，以及有特殊滤光片的图像采集设备。具体地，该图像采集设备可以是CCD相机(chargecoupled device)。通过可调节光源调节成与该待检测器件对应的光源，如蓝色光源，用来激发该待检测器件。然后控制执行模块可以控制CCD相机采集待检测器件的第一器件图像，即可得到待检测器件的PL图像。具体地，用来激发待检测器件的光源的波长是可以根据待检测器件的制造材料来设置的。有的制造材料应设置成蓝色光源激发，有的制造材料应设置成红色光源激发。此处不再赘述。因此，可以先确定待检测器件的制造材料，然后根据待检测器件所使用的制造材料确定针对该待检测器件进行检测的光源的目标波长。再将可调节光源的波长设置成该目标波长，后续可以使用目标波长的光源激发待检测器件，并通过图像采集装置获取待检测器件通过滤光片的PL图像。具体地，本实施例中的待检测器件可以是薄膜太能电池。

步骤104，将第一器件图像输入至粗定位缺陷检测神经网络，以通过粗定位缺陷检测神经网络输出待检测器件中每个缺陷的第一区域图像以及每个缺陷所在的第一位置。

进一步地，可以将待检测器件的第一器件图像输入至预先训练好的粗定位缺陷检测神经网络中。其中，粗定位缺陷检测神经网络可以是YOLOX模型。本实施例中使用的YOLOX模型是在YOLOV3基础上进行了改进的模型。针对小尺寸芯片，例如小尺寸芯片尺寸为2mm*4mm或1mm*1mm或者其它尺寸的小芯片，在缺陷定位过程中需要兼顾精度及效率。因此，本申请中将YOLOX-X神经网络以及粗精定位技术运用于PL、El、红外发光等缺陷检测领域。本实施例中，可以通过粗定位缺陷检测神经网络可以输出待检测器件中每个缺陷的第一区域图像以及每个缺陷所在的第一位置。每个缺陷的第一区域图像是基于每个缺陷所占的最小矩形区域在第一器件图像中的区域图像。假设待检测器件中包括有3个缺陷，那么粗定位缺陷检测神经网络可以分别输出这3个缺陷分别所在的最小矩形区域，以及这三个缺陷所在的位置。具体地，该位置可以是指该缺陷所在的最小矩形区域的四个顶点的坐标数据。该坐标数据所对应的坐标系可以是粗定位缺陷检测神经网络基于自身算法建立的坐标系，此处不做限定。

如图2A所示的示意图，示出了某个待检测器件的第一器件图像。可以看出，图中的待检测器件的左下方区域有黑色的阴影。如图2B所示的红色矩形框，则是待检测器件存在的缺陷所在的最小矩形区域。在将图2A所示的图像输入至粗定位缺陷检测神经网络后，粗定位缺陷检测神经网络可以检测出缺陷所在的最小矩形区域，即图2B中所示的红色矩形框。然后将图2B中的红色矩形框截取出来并输出，即粗定位缺陷检测神经网络可以输出该缺陷的第一区域图像。同时粗定位缺陷检测神经网络还可以获取到图2B中的红色矩形框的四个顶点的坐标，并与该第一区域图像同时输出。

步骤106，将每个第一区域图像采用高清图像装置进行高清放大处理，得到每个缺陷的第二器件图像。

进一步地，在得到待检测器件中每个缺陷的第一区域图像以及每个缺陷所在的第一位置后，可以将每个第一区域图像采用高清图像装置进行高清放大处理。具体地，高清图像装置可以是2～10倍的光学显微镜。高清图像装置可以根据每个缺陷的第一区域图像以及每个缺陷所在的第一位置，对每个缺陷所在的位置进行高清放大并拍照，以得到每个缺陷的第二器件图像。

步骤108，依次将每个缺陷的第二器件图像输入至精定位缺陷检测神经网络，以通过精定位缺陷检测神经网络输出待检测器件中每个缺陷的第二区域图像以及每个缺陷所在的第二位置。

步骤110，根据每个缺陷的第二区域图像以及每个缺陷所在的第二位置确定每个缺陷的具体位置。

在对每个缺陷都放大，得到每个缺陷的第二器件图像后，可以依次将每个缺陷的第二器件图像输入至精定位缺陷检测神经网络，然后通过精定位缺陷检测神经网络输出待检测器件中每个缺陷的第二区域图像以及每个缺陷所在的第二位置。可以理解的是，此处针对于每个缺陷的第二区域图像，实际上也是该缺陷所在的最小矩形区域所对应的区域图像。但由于第二器件图像基于显微镜等高清装置放大后得到的图像，因此，精定位缺陷检测神经网络基于第二器件图像输出的第二区域图像以及第二位置，相对于第一区域图像和第二位置会更加的精确。后续，则可以根据每个缺陷的第二区域图像以及每个缺陷所在的第二位置确定每个缺陷的具体位置。

本方案中，将神经网络算法与传统的图像处理的方法结合，以对需要进行缺陷定位的半导体器件进行缺陷检测与定位，可以有效地提高检测与定位的准确率。同时，本方案中采用了最新的YOLOX模型对太阳电池表面进行缺陷检测与定位，不仅有效地缩短了检测与定位所需要耗费的时间，同时还可以精确地定位缺陷位置，准确率较高。并且，本方案中可以精确地确定每个缺陷的大小，使得后续对缺陷进行钝化操作时可以实现钝化面积最小化，极大程度上保留了电池的有效收取光的面积。

在一个实施例中，定位方法还包括：在根据每个缺陷的第二区域图像以及每个缺陷所在的第二位置确定每个缺陷的具体位置之后，根据每个缺陷的第二区域图像以及每个缺陷所在的第二位置确定每个缺陷的缺陷类型；在缺陷类型不是预设的功能缺陷类型的情况下，对缺陷进行钝化操作，其中，钝化操作包括切割，物理局部隔离，化学处理中的至少一者。

在根据每个缺陷的第二区域图像以及每个缺陷所在的第二位置确定每个缺陷的具体位置之后，根据每个缺陷的第二区域图像以及每个缺陷所在的第二位置确定每个缺陷的缺陷类型。如图3A所示，图3A示出了在粗定位下可以检测到的多种类型的缺陷的示意图。如图3B所示，示出了更为高清和清楚的几种类型的缺陷，即在精定位下可以检测到的多种类型的缺陷的示意图。具体地，图中的(a)所示的缺陷类型为主栅上坑状缺陷，图中的(b)、(c)所示的缺陷类型为细栅上坑状缺陷，图中的(d)、(e)所示的缺陷类型为细栅烧毁，图中的(f)所示的缺陷类型为外延层缺陷。

在一个实施例中，根据每个缺陷的第二区域图像以及每个缺陷所在的第二位置确定每个缺陷的缺陷类型包括：获取缺陷类型表，缺陷类型表中包括多种类型的缺陷的缺陷参数，缺陷参数包括缺陷的尺寸大小和缺陷相对于所在半导体器件的位置；将每个缺陷的第二区域图像以及每个缺陷所在的第二位置与缺陷类型表中的数据进行匹配，以确定每个缺陷所对应的缺陷类型。

通过获取大量的历史数据，即大量半导体器件的尺寸数据，以及半导体器件存在的多种类型的缺陷相对于半导体器件所在的位置和每种类型的缺陷的尺寸数据，构建半导体器件的缺陷类型表。针对每个缺陷，在得到每个缺陷所在的第二区域图像和第二位置后，等于已经确定了每个缺陷所在的最小矩形区域的四个顶点的坐标以及每个缺陷所在的面积。由于预先已经知道每个半导体器件的坐标数据，那么根据该缺陷所在的最小矩形区域的四个顶点的坐标，就可以知道该缺陷相对于该半导体器件的相对位置，即，可以知道该缺陷到底是属于什么样的缺陷类型。也就是说，可以将每个缺陷的第二区域图像以及每个缺陷所在的第二位置与预先构建的缺陷类型表中的数据进行匹配，从而就可以确定出每个缺陷所对应的缺陷类型。

进一步地，以半导体器件是电池片为例。针对于位于外延层表面的黑斑单等此类缺陷，由于其一般不会造成电池片的失效。或者，缺陷所占的面积小于5um左右的小黑点也不会造成电池片的失效。那么针对于此类的缺陷，无需对其执行钝化操作。因此，在缺陷类型不是预设的功能缺陷类型的情况下，可以对缺陷进行钝化操作。反之，在缺陷类型是预设的功能缺陷类型的情况下，无需对缺陷进行钝化操作。如上述的位于外延层表面的黑斑单缺陷，或面积小于5um左右的小黑点的缺陷等。其中，钝化操作包括切割，物理局部隔离，化学处理中的至少一者。

进一步地，在一个实施例中，方法还包括：采用合适波长光源，利用光致发光原理激发钝化后的待检测器件，并采集钝化后的待检测器件的第三器件图像；将第三器件图像再次输入至粗定位缺陷检测神经网络，以通过粗定位缺陷检测神经网络检测钝化后的待检测器件中是否存在缺陷；在通过粗定位缺陷检测神经网络检测到钝化后的待检测器件中存在缺陷的情况下，表明钝化操作失败；在通过粗定位缺陷检测神经网络未检测到钝化后的待检测器件中存在缺陷的情况下，表明钝化操作成功。在针对于需要进行钝化操作的半导体器件进行钝化操作之后，可以采用合适波长光源，利用光致发光原理激发钝化后的待检测器件，并再次采集钝化后的待检测器件的器件图像，以得到第三器件图像。为了检验钝化操作是否成功，即，检验该待检测器件上的缺陷是否已经被去除，可以将第三器件图像再次输入至粗定位缺陷检测神经网络，通过粗定位缺陷检测神经网络检测钝化后的待检测器件中是否存在缺陷。如果粗定位缺陷检测神经网络没有检测到缺陷，那就表明钝化操作成功。如果粗定位缺陷检测神经网络检测到了缺陷，且输出了该缺陷所在的区域图像和位置，那就表明钝化操作失败。

在一个实施例中，上述定位方法还包括针对粗定位缺陷检测神经网络的训练步骤，训练步骤包括：获取多个半导体器件的器件图像，并对每个器件中存在缺陷的位置进行标注，以得到每个半导体器件的样本图像；对样本图像进行数据增强处理；将增强处理后的样本图像依次输入至粗定位缺陷检测神经网络，以对粗定位缺陷检测神经网络进行训练。

在将粗定位缺陷检测神经网络正式投入使用之前，可以先对其进行训练。具体地，针对粗定位缺陷检测神经网络的第一训练步骤包括：获取多个半导体器件的器件图像，并对每个器件中存在缺陷的位置进行标注。具体地，可以采用labelImg软件(一种标注软件)所进行人工标注，以得到每个半导体器件的样本图像。进一步地，可以对样本图像进行数据增强处理。如可以采用mosiac的数据增强方式对样本图像进行增强。其中，Mosaic是YOLOV4中提出的新方法，适用于目标检测，主要思想是将四张图片进行拼接到一张图上作为训练样本。由于Mosaic用于目标检测，进行拼接时目标框的坐标也要做相应的变化。然后，可以将增强处理后的样本图像依次输入至粗定位缺陷检测神经网络，以对粗定位缺陷检测神经网络进行训练。同时，在训练过程中，可以增大粗定位缺陷检测神经网络对于黑斑缺陷的置信度权重以尽可能找到所有的黑斑缺陷。在确保粗定位缺陷检测神经网络完全收敛的情况下，可以确定粗定位缺陷检测神经网络训练完毕。在粗定位缺陷检测神经网络的训练阶段，针对于粗定位缺陷检测神经网络的每个预测框，可以通过设置的阈值来确定其是否包含缺陷。预测框的置信度得分用来衡量其是否包含缺陷。在后处理阶段，使用非极大值抑制算法对预测结果进行过滤，以消除重叠的边界框，从而将不影响电池性能的小黑点或者黑斑排除在后续钝化的范围内，从而更准确的进行缺陷的定位。具体地，粗定位缺陷检测神经网络可以采用高斯滤波和Sobel算子检测边缘的方式来定位缺陷。其中，Sobel算子结合了高斯模糊和一阶微分并计算图像明暗程度的近似值，通过比较图像边缘的明暗程度把该区域内超过阈值的特定像素点记为边缘点。在本实施例中，可以采用如下两个滤波算子来检测图像边缘:

S_x为水平滤波算子S_y为垂直滤波算子

图像的每一个像素的梯度值结合了水平部分和垂直部分的梯度估计值，并且可以用以下的公式来计算梯度的大小S和梯度的方向θ：然后进行二值化处理，从而确定每个缺陷所在的最小矩形区域。可以理解的是，精定位缺陷检测神经网络也可以采用上述的高斯滤波和Sobel算子检测边缘的方式来定位缺陷，此处不再赘述。且精定位缺陷检测神经网络的训练过程与上述粗定位缺陷检测神经网络一致，此处同样不再赘述。

本申请提供的用于半导体器件缺陷的定位方法，可以应用于如图4所示的检测系统中。具体地，图4所示的定位方法的示意图。本实施例中的检测系统可以包括传送带，自动上下料装置、图像采集模块、控制执行模块、钝化操作装置以及图像分析模块。首先，可先对半导体器件进行外观检测，如发现其存在外观不良的问题，可将该半导体器件确定为待检测器件。然后将该待检测器件放入至特殊制备的托盘里，通过自动上下料装置，经传送带传输到达至图像采集模块的位置处。其中，图像采集模块包括粗定位采集模块和精定位采集模块。具体地，粗定位采集模块包括可调节光源以及有特殊滤光片的图像采集设备。其中，该图像采集设备可以是CCD相机(charge coupled device)。通过可调节光源调节成与该待检测器件对应的光源，如蓝色光源，用来激发该待检测器件。然后控制执行模块可以控制CCD相机采集待检测器件的第一器件图像，即可得到待检测器件的PL图像。图像分析模块中包括有粗定位缺陷检测神经网络和精定位缺陷检测神经网络。在采集到第一器件图像后，控制执行模块可以通过tcp/ip协议将图像采集模块采集到的第一器件图像发送至图像分析模块。图像分析模块在获取到第一器件图像后可以存储该图像，并将第一器件图像传输至粗定位缺陷检测神经网络，以得到待检测器件中每个缺陷的第一区域图像以及每个缺陷所在的第一位置，并存储该第一区域图像和第一位置。进一步地，图像分析模块可以通过tcp/ip协议将待检测器件中每个缺陷的第一区域图像以及每个缺陷所在的第一位置发送至控制执行模块。传送带继续工作，将特殊制备的托盘里的待检测器件传送至精定位采集模块的下方区域。其中，精定位采集模块中包括高清图像装置。具体地，高清图像装置可以是2～10倍的光学显微镜。控制执行模块可以控制高清图像装置根据每个缺陷的第一区域图像以及每个缺陷所在的第一位置，对每个缺陷所在的位置进行高清放大并拍照，以得到每个缺陷的第二器件图像。具体如图5A示出的高清放大示意图。控制执行模块从高清图像装置获取到每个缺陷的第二器件图像之后，可以通过tcp/ip协议将每个缺陷的第二器件图像发送至图像分析模块。图像分析模块在获取到第二器件图像后可以存储该图像，并将第二器件图像传输至精定位缺陷检测神经网络，以通过精定位缺陷检测神经网络输出待检测器件中每个缺陷的第二区域图像以及每个缺陷所在的第二位置，同时还可以存储该第二区域图像和第二位置。具体如图5B所示的定位出第二位置的示意图。图像分析模块可以将每个缺陷的第二区域图像以及每个缺陷所在的第二位置发送至控制执行模块，控制执行模块则可以根据每个缺陷的第二区域图像以及每个缺陷所在的第二位置准确地得到每个缺陷的具体位置。进一步地，控制执行模块还可以根据每个缺陷的第二区域图像以及每个缺陷所在的第二位置确定每个缺陷的缺陷类型。确定了以后，如果缺陷的缺陷类型不是预设的功能缺陷类型，那么就可以控制传送带可以继续工作，将托盘里的待检测器件传送至钝化操作装置的工作区域。控制执行模块可以根据每个缺陷的第二区域图像和第二位置对缺陷控制钝化操作装置对该待检测器件的每个缺陷进行钝化操作。具体地，钝化可选择切割、物理局部隔离、化学等方法进行缺陷钝化。进一步地，钝化后的待检测器件可以转移到图像采集模块(具体为粗定位采集模块)，采用合适波长光源，利用光致发光激发钝化后的器件的同时，并通过图像采集模块中的CCD相机采集该器件的第三器件图像。控制执行模块在获取到第三器件图像后，可以将其发送至图像分析模块。图像分析模块可以将钝化后采集到的第三器件图像再次传输至粗定位缺陷检测神经网络中进行检测。若粗定位缺陷检测神经网络检测到缺陷，则表明针对该待检测器件的钝化操作不成功。若未检测到缺陷，则表明针对该待检测器件的钝化操作成功。具体地，如图6所示的钝化操作前后的图像对比示意图。可以看出，图6中的左侧附图是半导体器件在钝化操作前的图像，右侧附图为半导体器件在钝化操作后的图像，很明显，钝化操作后，该半导体器件的缺陷已经被去除。

其中，在一个实施例中，上述的待检测器件为薄膜太能电池。更具体地，本实施例中的待检测器件可以是自身研发的GaAs三结薄膜太能电池。GaAs三结薄膜太阳能电池远远超过传统Si基太阳能电池的光电转换效率，其不仅拥有高效光电转化效率，并且其独特的薄膜形态在降低重量的同时，又增加了更多的应用场景。

本方案中将传统的机器视觉与最新的神经网络算法结合起来，通过TCP/IP信息传输方法，可以实时快速的检测以及钝化缺陷。同时，将神经网络算法与传统的图像处理的方法结合，以对需要进行缺陷定位的半导体器件进行缺陷检测与定位，可以有效地提高检测与定位的准确率。另外，本方案中采用了最新的YOLOX模型对太阳电池表面进行缺陷检测与定位，不仅有效地缩短了检测与定位所需要耗费的时间，同时还可以精确地定位缺陷位置，准确率较高。并且，本方案中可以精确地确定每个缺陷的大小，使得后续对缺陷进行钝化操作时可以实现钝化面积最小化，极大程度上保留了电池的有效收取光的面积。

图1为一个实施例中用于半导体器件缺陷的定位方法的流程示意图。应该理解的是，虽然图1的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其他的顺序执行。而且，图1中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

在一个实施例中，如图7所示，提供了一种用于半导体器件缺陷的定位装置，包括：

粗定位图像采集模块702，用于获取待检测器件的第一器件图像；

粗定位缺陷检测模块704，用于将第一器件图像输入至粗定位缺陷检测神经网络，以通过粗定位缺陷检测神经网络输出待检测器件中每个缺陷的第一区域图像以及每个缺陷所在的第一位置；

精定位图像采集模块706，用于将每个第一区域图像采用高清图像装置进行高清放大处理，得到每个缺陷的第二器件图像；

精定位缺陷检测模块708，用于依次将每个缺陷的第二器件图像输入至精定位缺陷检测神经网络，以通过精定位缺陷检测神经网络输出待检测器件中每个缺陷的第二区域图像以及每个缺陷所在的第二位置；

缺陷定位模块710，用于根据每个缺陷的第二区域图像以及每个缺陷所在的第二位置确定每个缺陷的具体位置。

在一个实施例中，用于半导体器件缺陷的定位装置还包括钝化模块(图中未示出)，用于根据每个缺陷的第二区域图像以及每个缺陷所在的第二位置确定每个缺陷的缺陷类型；在缺陷类型不是预设的功能缺陷类型的情况下，对缺陷进行钝化操作，其中，钝化操作包括切割，物理局部隔离，化学处理中的至少一者。粗定位图像采集模块702还用于在采用预设的合适波长光源，利用光致发光原理激发钝化后的待检测器件的同时，采集钝化后的待检测器件的第三器件图像。粗定位缺陷检测模块704还用于将第三器件图像再次输入至粗定位缺陷检测神经网络，以通过粗定位缺陷检测神经网络检测钝化后的待检测器件中是否存在缺陷。缺陷定位模块710还用于在通过粗定位缺陷检测神经网络检测到钝化后的待检测器件中存在缺陷的情况下，表明钝化操作失败；在通过粗定位缺陷检测神经网络未检测到钝化后的待检测器件中存在缺陷的情况下，表明钝化操作成功。

在一个实施例中，钝化模块还用于获取缺陷类型表，缺陷类型表中包括多种类型的缺陷的缺陷参数，缺陷参数包括缺陷的尺寸大小和缺陷相对于所在半导体器件的位置；将每个缺陷的第二区域图像以及每个缺陷所在的第二位置与缺陷类型表中的数据进行匹配，以确定每个缺陷所对应的缺陷类型。

在一个实施例中，粗定位图像采集模块702还用于确定待检测器件的制造材料；根据制造材料确定针对待检测器件进行检测的光源的目标波长；使用目标波长的光源激发待检测器件，并通过图像采集装置获取待检测器件通过滤光片的PL图像。

在一个实施例中，用于半导体器件缺陷的定位装置还包括网络训练模块(图中未示出)，用于执行粗定位缺陷检测神经网络和精定位缺陷检测神经网络的训练步骤。具体地，训练步骤包括：获取多个半导体器件的器件图像，并对每个器件中存在缺陷的位置进行标注，以得到每个半导体器件的样本图像；对样本图像进行数据增强处理；将增强处理后的样本图像依次输入至粗定位缺陷检测神经网络，以对粗定位缺陷检测神经网络进行训练。

在一个实施例中，待检测器件为薄膜太能电池。

在一个实施例中，粗定位缺陷检测神经网络与精定位缺陷检测神经网络均为YOLOX模型。

所述用于半导体器件缺陷的定位装置包括处理器和存储器，上述模块等均作为程序单元存储在存储器中，由处理器执行存储在存储器中的上述程序模块中实现相应的功能。

处理器中包含内核，由内核去存储器中调取相应的程序单元。内核可以设置一个或以上，通过调整内核参数来实现对用于半导体器件缺陷的定位方法。

存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)，存储器包括至少一个存储芯片。

本申请实施例提供了一种存储介质，其上存储有程序，该程序被处理器执行时实现上述用于半导体器件缺陷的定位方法。

本申请实施例提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行上述用于半导体器件缺陷的定位方法。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图8所示。该计算机设备包括通过系统总线连接的处理器A01、网络接口A02、存储器(图中未示出)和数据库(图中未示出)。其中，该计算机设备的处理器A01用于提供计算和控制能力。该计算机设备的存储器包括内存储器A03和非易失性存储介质A04。该非易失性存储介质A04存储有操作系统B01、计算机程序B02和数据库(图中未示出)。该内存储器A03为非易失性存储介质A04中的操作系统B01和计算机程序B02的运行提供环境。该计算机设备的网络接口A02用于与外部的终端通过网络连接通信。该计算机程序B02被处理器A01执行时已实现一种用于半导体器件缺陷的定位方法。

本领域技术人员可以理解，图8中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

本申请实施例提供了一种设备，设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序，处理器执行程序时实现用于半导体器件缺陷的定位方法的步骤。

本申请还提供了一种计算机程序产品，当在数据处理设备上执行时，适于执行初始化有如下用于半导体器件缺陷的定位方法步骤的程序。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例，或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框，以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

还需要说明的是，术语“包括”“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。

以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所做的做的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (10)

1.一种用于半导体器件缺陷的定位方法，其特征在于，所述定位方法包括：

获取待检测器件的第一器件图像；

将所述第一器件图像输入至粗定位缺陷检测神经网络，以通过所述粗定位缺陷检测神经网络输出所述待检测器件中每个缺陷的第一区域图像以及每个缺陷所在的第一位置；

将每个第一区域图像采用高清图像装置进行高清放大处理，得到每个缺陷的第二器件图像；

依次将每个缺陷的第二器件图像输入至精定位缺陷检测神经网络，以通过所述精定位缺陷检测神经网络输出所述待检测器件中每个缺陷的第二区域图像以及每个缺陷所在的第二位置；

根据每个缺陷的第二区域图像以及每个缺陷所在的第二位置确定每个缺陷的具体位置。

2.根据权利要求1所述的用于半导体器件缺陷的定位方法，其特征在于，所述定位方法还包括：

在根据每个缺陷的第二区域图像以及每个缺陷所在的第二位置确定每个缺陷的具体位置之后，根据每个缺陷的第二区域图像以及每个缺陷所在的第二位置确定每个缺陷的缺陷类型；

在所述缺陷类型不是预设的功能缺陷类型的情况下，对所述缺陷进行钝化操作，其中，所述钝化操作包括切割，物理局部隔离，化学处理中的至少一者；

采用预设的合适波长光源，利用光致发光原理激发钝化后的待检测器件，并采集所述钝化后的待检测器件的第三器件图像；

将所述第三器件图像再次输入至所述粗定位缺陷检测神经网络，以通过所述粗定位缺陷检测神经网络检测所述钝化后的待检测器件中是否存在缺陷；

在通过所述粗定位缺陷检测神经网络检测到所述钝化后的待检测器件中存在缺陷的情况下，表明钝化操作失败；

在通过所述粗定位缺陷检测神经网络未检测到所述钝化后的待检测器件中存在缺陷的情况下，表明钝化操作成功。

3.根据权利要求2所述的用于半导体器件缺陷的定位方法，其特征在于，所述根据每个缺陷的第二区域图像以及每个缺陷所在的第二位置确定每个缺陷的缺陷类型包括：

获取缺陷类型表，所述缺陷类型表中包括多种类型的缺陷的缺陷参数，所述缺陷参数包括所述缺陷的尺寸大小和所述缺陷相对于所在半导体器件的位置；

将每个缺陷的第二区域图像以及每个缺陷所在的第二位置与所述缺陷类型表中的数据进行匹配，以确定每个缺陷所对应的缺陷类型。

4.根据权利要求1所述的用于半导体器件缺陷的定位方法，其特征在于，所述第一器件图像为PL图像，所述获取待检测器件的第一器件图像包括：

确定所述待检测器件的制造材料；

根据所述制造材料确定针对所述待检测器件进行检测的光源的目标波长；

使用所述目标波长的光源激发所述待检测器件，并通过图像采集装置获取所述待检测器件通过滤光片的PL图像。

5.根据权利要求1所述的用于半导体器件缺陷的定位方法，其特征在于，所述定位方法还包括针对所述粗定位缺陷检测神经网络的训练步骤，所述训练步骤包括：

获取多个半导体器件的器件图像，并对每个器件中存在缺陷的位置进行标注，以得到每个半导体器件的样本图像；

对所述样本图像进行数据增强处理；

将增强处理后的样本图像依次输入至所述粗定位缺陷检测神经网络，以对所述粗定位缺陷检测神经网络进行训练。

6.根据权利要求1所述的用于半导体器件缺陷的定位方法，其特征在于，所述待检测器件为薄膜太能电池。

7.根据权利要求1所述的用于半导体器件缺陷的定位方法，其特征在于，所述粗定位缺陷检测神经网络与所述精定位缺陷检测神经网络均为YOLOX模型。

8.一种用于半导体器件缺陷的定位装置，其特征在于，包括：

粗定位图像采集模块，用于获取待检测器件的第一器件图像；

粗定位缺陷检测模块，用于将所述第一器件图像输入至粗定位缺陷检测神经网络，以通过所述粗定位缺陷检测神经网络输出所述待检测器件中每个缺陷的第一区域图像以及每个缺陷所在的第一位置；

精定位图像采集模块，用于将每个第一区域图像采用高清图像装置进行高清放大处理，得到每个缺陷的第二器件图像；

精定位缺陷检测模块，用于依次将每个缺陷的第二器件图像输入至精定位缺陷检测神经网络，以通过所述精定位缺陷检测神经网络输出所述待检测器件中每个缺陷的第二区域图像以及每个缺陷所在的第二位置；

缺陷定位模块，用于根据每个缺陷的第二区域图像以及每个缺陷所在的第二位置确定每个缺陷的具体位置。

9.一种处理器，其特征在于，被配置成执行根据权利要求1至7中任意一项所述的用于半导体器件缺陷的定位方法。

10.一种机器可读存储介质，该机器可读存储介质上存储有指令，其特征在于，该指令在被处理器执行时使得所述处理器被配置成执行根据权利要求1至7中任一项所述的用于半导体器件缺陷的定位方法。