CN117788452A - 用于检测晶圆背侧上的缺陷的方法和装置 - Google Patents
用于检测晶圆背侧上的缺陷的方法和装置 Download PDFInfo
- Publication number
- CN117788452A CN117788452A CN202410017544.2A CN202410017544A CN117788452A CN 117788452 A CN117788452 A CN 117788452A CN 202410017544 A CN202410017544 A CN 202410017544A CN 117788452 A CN117788452 A CN 117788452A
- Authority
- CN
- China
- Prior art keywords
- image
- sub
- wafer
- images
- backside
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 91
- 230000007547 defect Effects 0.000 title claims abstract description 65
- 238000012545 processing Methods 0.000 claims abstract description 32
- 230000004044 response Effects 0.000 claims abstract description 17
- 230000008569 process Effects 0.000 claims description 29
- 230000002950 deficient Effects 0.000 claims description 16
- 238000012706 support-vector machine Methods 0.000 claims description 16
- 238000001914 filtration Methods 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 11
- 230000002708 enhancing effect Effects 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 230000000877 morphologic effect Effects 0.000 claims description 4
- 238000005311 autocorrelation function Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 14
- 208000037516 chromosome inversion disease Diseases 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 3
- 238000007635 classification algorithm Methods 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 239000004065 semiconductor Substances 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 230000010076 replication Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000011179 visual inspection Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000003467 diminishing effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000012467 final product Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000000047 product Substances 0.000 description 1
Landscapes
- Image Processing (AREA)
Abstract
提供了一种用于检测晶圆背侧上的缺陷的方法和装置。根据本发明的实施例,所述方法包括:对获得的所述晶圆背侧的图像进行增强处理,以获得增强图像(Is5)的估计信噪比(ESNR)和峰值响应(PR);以及将所述估计信噪比和所述峰值响应作为输入特征提供给分类器模型,以确定所述晶圆背侧上是否存在缺陷。
Description
技术领域
本发明总体上涉及半导体技术领域,以及更具体地,涉及一种用于检测晶圆背侧上的缺陷的方法和装置。
背景技术
晶圆背侧上的诸如划痕、异物、裂纹等缺陷对半导体芯片制造具有很大的影响。因此,在半导体芯片制造过程中,需要对晶圆背侧上的缺陷进行检测。
通常,利用基于光学的视觉检测系统来检测晶圆背侧上是否存在各种缺陷。在晶圆背侧上的缺陷尺寸较大的情况下,利用这种视觉检测系统能够准确地检测到晶圆背侧上的各种缺陷。然而,当晶圆背侧上的缺陷尺寸较小时,如果不使用具有更高分辨率和更高灵敏度的相机对晶圆背侧进行拍照,利用现有的视觉检测系统可能难以检测到这种尺寸较小的缺陷。
因此,需要一种用于检测晶圆背侧上的缺陷的方法和装置,其能够利用现有视觉检测系统快速且精确地检测到晶圆背侧上的各种缺陷,即使这些缺陷的尺寸较小。
发明内容
鉴于上述问题,本发明提供了一种用于检测晶圆背侧上的缺陷的方法和装置。利用该方法和装置,不需要使用具有更高分辨率和更高敏感度的相机对晶圆背侧进行拍照,就能够利用现有的视觉检测系统快速且精确地检测到晶圆背侧上的尺寸较小的缺陷。
根据本公开的实施例,提供了一种用于检测晶圆背侧上的缺陷的方法,包括:对获得的所述晶圆背侧的图像进行增强处理,以获得增强图像(Is5)的估计信噪比(ESNR)和峰值响应(PR);以及将所述估计信噪比和所述峰值响应作为输入特征提供给分类器模型,以确定所述晶圆背侧上是否存在缺陷。
在一些实施例中,所述分类器模型是支持向量机(SVM)分类器模型。
在一些实施例中,所述SVM分类器模型是利用多个样本图像训练获得的,每个样本图像包括用于指示所述样本图像是否包含缺陷的标签值、以及作为输入特征的所述估计信噪比和所述峰值响应。
在一些实施例中,在利用多个样本图像训练的过程中,通过设置不平衡权重来使得在训练集上的损失函数最小化。
在一些实施例中,在对所述图像进行所述增强处理之前,所述方法还包括:对所述图像进行边缘滤波处理;以及对经过所述边缘滤波处理之后的图像进行形态学闭操作处理。
在一些实施例中,使用Sobel算子和Scharr算子对所述图像进行边缘滤波。
在一些实施例中,在对所述图像进行边缘滤波处理之前,所述方法还包括对所述图像进行极性反转处理以及边缘裁剪处理。
在一些实施例中,对所述图像进行增强处理包括:利用具有不同核大小的三个卷积核K1、K2、K3对所述图像进行卷积处理,以分别获得三幅图像O1、O2、O3;通过以下公式(1)-(2)对所述三幅图像O1、O2、O3两次执行图像求差处理,以获得两幅差分图像D1、D2,
D1(x,y)=[O1(x,y)-O3(x,y)]2 (1)
D2(x,y)=[O2(x,y)-O3(x,y)]2 (2)
Di(x,y)表示差分图像Di中位置(x,y)处的像素值,其中i∈{1,2},以及;
通过以下公式(3)对所述两幅差分图像D1、D2执行取最大值处理,以获得所述增强图像Is5,
IS5(x,y)=max[D1(x,y),D2(x,y)] (3)
IS5(x,y)表示所述增强图像Is5中位置(x,y)处的像素值。
在一些实施例中,获得所述增强图像Is5的所述估计信噪比ESNR包括:利用感兴趣(ROI)窗口在所述增强图像Is5中滑动,以获得具有相同大小的一系列子图像Isub;计算每幅子图像的估计信噪比ESNRi;以及通过公式ESNR=max(ESNRi)对全部ESNRi取最大值来获得所述增强图像Is5的所述估计信噪比ESNR,其中,针对子图像/>计算所述估计信噪比ESNRi包括:通过分别沿水平方向和垂直方向将所述子图像/>移动一个像素,以分别获得图像Rx、Ry;通过以下公式(4)-(5)对所述子图像/>执行自相关函数处理,以分别获得参数Cx、Cy;
通过以下公式(6)-(7)对所述子图像进行处理,以分别获得变量C、μ;
通过以下公式(8)获得所述估计信噪比ESNRi,
其中,Wsub和Hsub分别为所述子图像的宽度和高度。
在一些实施例中,获得所述增强图像Is5的所述峰值响应PR包括:通过公式PR=max({Is5(x,y)})对所述增强图像Is5执行取最大值处理,以获得所述峰值响应PR。
在一些实施例中,所述方法还包括:如果确定所述晶圆背侧上存在缺陷,则对所述缺陷进行标记。
在一些实施例中,对所述缺陷进行标记是通过对所述增强图像Is5执行二值化处理进行的。
在一些实施例中,执行所述二值化处理包括:将所述增强图像Is5中的像素值大于阈值的像素点确定为缺陷像素并且设置所述缺陷像素的像素值为1;以及将所述增强图像Is5中的像素值小于所述阈值的像素点确定为无缺陷像素并且设置所述无缺陷像素的像素值为0。
根据本公开的实施例,提供了一种用于检测晶圆背侧上的缺陷的装置,包括:存储器;以及控制单元,所述控制单元与所述存储器耦合并且被配置为用于执行根据本发明的方法。
根据本公开的实施例,提供了一种计算机可读介质,其存储包括指令的计算机程序,所述指令在由控制单元执行时使得所述控制单元被配置为执行根据本发明的方法。
根据本公开的实施例,提供了一种用于检测晶圆背侧上的缺陷的计算机程序产品,包括处理器可执行的计算机程序代码,所述计算机程序代码用于执行根据本发明的方法。
附图说明
附图被并入本文并形成说明书的一部分,例示了本公开的实施例并与说明书一起进一步用以解释本公开的原理,并使相关领域的技术人员能够做出和使用本公开。
图1示出了根据本发明实施例的用于检测晶圆背侧上的缺陷的方法的流程图;
图2(a)-2(b)示出了根据本发明实施例的对图像进行极性反转处理的示意图;
图3(a)-3(b)示出了根据本发明实施例的对图像进行边缘裁剪处理的示意图;
图4(a)-4(b)示出了根据本发明实施例的对图像进行边缘滤波处理的示意图;
图5(a)-5(c)示出了根据本发明实施例的对图像进行增强处理时使用的卷积核;
图6示出了根据本发明实施例的对图像进行卷积滤波处理时使用的边缘复制的示意图;
图7示出了根据本发明实施例的经过增强处理之后的增强图像的示意图;
图8示出了根据本发明实施例的通过滑动感兴趣(ROI)窗口获得子图像的示意图;
图9(a)-9(b)示出了根据本发明实施例的用于计算估计信噪比(ESNR)时使用的图像移动的示意图;以及
图10示出了根据本发明实施例的经训练得到的SVM分类器模型的决策面的示意图。
将参考附图描述各实施例。
具体实施方式
现在将参考示例实施方式讨论本文描述的主题。应该理解,讨论这些实施方式只是为了使得本领域技术人员能够更好地理解从而实现本文描述的主题,并非是对权利要求书中所阐述的保护范围、适用性或者示例的限制。可以在不脱离本公开内容的保护范围的情况下,对所讨论的元素的功能和排列进行改变。各个示例可以根据需要,省略、替代或者添加各种过程或组件。例如,所描述的方法可以按照与所描述的顺序不同的顺序来执行,以及各个步骤可以被添加、省略或者组合。另外,相对一些示例所描述的特征在其它例子中也可以进行组合。
要指出的是,在说明书中提到“一个实施例”、“实施例”、“一些实施例”等表示所述的实施例可包括特定的特征、结构或特性,但未必每个实施例都包括该特定的特征、结构或特性。此外,这样的措辞用语未必是指相同的实施例。另外,在结合实施例描述特定的特征、结构或特性时,结合明确或未明确描述的其它实施例实现此类特征、结构或特性应在相关领域技术人员的知识范围之内。
现在将结合附图来描述根据本发明的用于检测晶圆背侧上的缺陷的方法和装置的实施例。
图1示出了根据本发明实施例的用于检测晶圆背侧上的缺陷的方法100的流程图。现在将结合图2(a)-图10来描述方法100。应当理解,方法100中所示的操作并不具有排他性,并且可以在所示操作中的任何操作之前、之后或之间执行其他操作。此外,所述操作中的一些可以是同时执行的或者可以是按照不同于图1中所示的顺序执行的。
如图1中所示,方法100开始于步骤S1,在这里获得晶圆背侧的图像Is1。根据本发明的实施例,可以利用现有视觉检测系统中的(例如)相机对晶圆背侧进行拍照。可以通过方法100接下来的步骤对所获得的图像Is1进行处理,以确定在晶圆的背侧上是否存在诸如划痕、异物、裂纹等缺陷。如果确定在晶圆的背侧上存在缺陷(例如,异物),应及时通知相关人员进行处理,以避免这些缺陷影响接下来的工艺流程或最终的产品质量。
接下来,方法100进行至步骤S2,在这里对步骤S1中获得的图像Is1进行预处理和边缘裁剪。通常,在利用包括各种相机和照明配置的不同光学系统来获得晶圆背侧的图像Is1时,晶圆背侧上的缺陷可能看起来是不同的。在对所获得的晶圆背侧的图像Is1进行进一步处理之前,需要对所获得的图像Is1进行预处理。
在一些情景中,缺陷可能看起来是黑的或暗的,而晶圆表面看起来更亮一些。在这种情况下,需要对图像Is1进行极性反转处理。例如,对于8比特灰度级图像来说,可以根据以下公式(1)来执行这种极性反转处理,其中Rx,y是图像Is1中坐标(x,y)处的像素值(灰度),并且Ix,y是执行极性反转处理之后的图像中坐标(x,y)处的像素值(灰度)。
Ix,y=255-Rx,y (1)
图2(a)-2(b)示出了这种极性反转处理的示意图。在图2(a)所示的原始图像Is1中,晶圆上的缺陷由看起来更暗的五角星表示,而在执行上述极性反转处理之后,缺陷由看起来更亮的五角星表示。对于本领域技术人员来说,如果原始图像Is1满足这种要求,即图像中的缺陷看起来更亮,可以省略这种极性反转处理。
在执行极性反转处理之后,需要裁剪掉围绕图像边缘的不相关区域,这些不相关区域的存在可能影响接下来要执行的边缘滤波处理,图3(a)-3(b)示出了这种边缘裁剪处理的示意图。如图3(a)中所示,图像边缘存在不相关区域,因此需要将这些不相关区域裁剪掉,裁剪后的图像如图3(b)中所示。同样地,如果所获得的原始图像Is1不存在这种不相关区域,可以省略边缘裁剪处理。
接下来,方法100进行至步骤S3,在这里对步骤S2输出的图像Is2进行边缘滤波处理。在一个实施例中,可以通过例如Sobel算子和Scharr算子对图像Is2进行边缘滤波。图4(a)-4(b)示出了根据本发明实施例的边缘滤波处理的示意图,通过进行这种边缘滤波处理,图像Is2中的缺陷图案可以得到增强并且能够降低不均匀照明导致的影响。
接下来,方法100进行至步骤S4,在这里对步骤S3输出的图像Is3执行形态学闭操作。在一个实施例中,可以利用例如5×5的结构核来执行形态学闭操作,以填充图像Is3中的可能例如由边缘滤波处理生成的小孔。
接下来,方法100进行至步骤S5,在这里对步骤S4输出的图像Is4进行增强处理。根据本发明的一个实施例,可以提供三个卷积核K1、K2、K3,其大小分别为(3,3)、(5,5)和(7,7),并且三个卷积核K1、K2、K3的值可以例如如图5(a)-5(c)中所示。
分别利用卷积核K1、K2、K3中的每一个对图像Is4进行卷积处理,以分别获得三幅图像O1、O2、O3,该过程可以由以下公式(2)-(4)表示:
在执行卷积滤波操作时,为了获得与被处理图像Is4维度相同的矩阵,在对图像Is4的边缘(例如,最右一列)进行处理时,需要进行边界填充。例如,在利用卷积核K1对图像Is4的边缘(例如,最右一列)进行卷积处理时,需要增加两列,增加的方法例如可以包括补零、边界复制、镜像、块复制等。图6示出了利用边界复制来进行这种边界填充的示意图。
在获得图像O1、O2、O3之后,对图像O1、O2、O3两次执行图像求差处理,以获得两幅差分图像D1、D2,其中,差分图像D1、D2中每个像素点的像素值(例如,灰度)可以由以下公式(4)-(5)来限定:
D1(x,y)=[O1(x,y)-O3(x,y)]2 (4)
D2(x,y)=[O2(x,y)-O3(x,y)]2 (5)
Di(x,y)表示差分图像Di中位置(x,y)处的像素值,其中i∈{1,2}。
最后,通过以下公式(6)对差分图像D1、D2执行取最大值处理,以获得增强图像Is5,
IS5(x,y)=max[D1(x,y),D2(x,y)] (6)
IS5(x,y)表示增强图像Is5中位置(x,y)处的像素值。
观察经过上述增强处理之后的图像Is5,可以发现图像Is4中的一些小的、弱的目标被放大了,如图7中所示。
接下来,方法100进行至步骤S6,在这里对步骤S5输出的增强图像Is5执行估计信噪比ESNR计算。
首先,如图8中所示,利用感兴趣(ROI)窗口在增强图像Is5中滑动,可以获得具有相同大小的一系列子图像Isub。当滑动ROI窗口时,可以选择适当的步长以确保相邻的ROI窗口具有足够的重叠,以避免图像中的大缺陷被分成小缺陷,否则这将导致估计信噪比ESNR偏小。在实际中,可以将相邻ROI窗口的重叠率设置为50%。此外,可以将子图像Isub的宽度Wsub和高度Hsub设置为512,但本公开不以此为限。
对于每一子图像计算其估计信噪比ESNRi。用于针对子图像/>估计信噪比ESNRi的方法如下:
首先,通过分别沿水平方向和垂直方向将子图像移动一个像素,以分别获得图像Rx、Ry。在这里,以如何通过子图像/>生成图像Rx为例,图像Ry可以通过类似的方法形成,只不过将子图像/>沿垂直方向移动一个像素。根据本发明的实施例,在沿水平方向将子图像/>移动一个像素获得图像Rx时,可以向左或向右移动子图像/>此外,移出子图像/>边缘的像素应该滚动复制到其相对的边缘,图9(a)-9(b)示出了这种操作的示意图。图9(a)示出了作为输入的一幅子图像,当将该子图像向左移动一个像素时,最左一列像素移出到该子图像之外,此时将最左一列像素滚动复制到最右侧一列,以保持该子图像的大小不变。
接下来,通过以下公式(7)-(8)对子图像执行自相关函数处理,以分别获得参数Cx、Cy;
其中,Wsub和Hsub分别为子图像的宽度和高度,并且(x,y)是在子图像/>坐标系中的相对坐标。
在获得Cx、Cy之后,可以通过以下公式(9)-(10)对子图像进行处理,以分别获得变量C、μ;
接下来,通过以下公式(11)获得针对子图像的估计信噪比ESNRi,
重复上述步骤,可以获得针对每幅子图像的估计信噪比ESNRi。
最后,通过对全部ESNRi取最大值来获得增强图像Is5的估计信噪比,即:
ESNR=max(ESNRi)
接下来,方法100进行至步骤S7,在这里对步骤S5输出的增强图像Is5执行峰值响应PR计算。在一个实施例中,可以通过对增强图像Is5执行取像素值的最大值来获得峰值响应PR,即:
PR=max({Is5(x,y)})
接下来,方法100进行至步骤S8,在这里将在步骤S7中计算获得的估计信噪比ESNR和峰值响应PR作为输入特征提供给分类器模型,以确定晶圆背侧上是否存在缺陷。在一个实施例中,分类器模型可以为例如支持向量机(SVM)分类器模型,但本公开不以此为限。根据本发明的实施例,分类器模型所采用的分类算法也可以包括基于神经网络的分类算法,例如多层感知器(MLP);以及基于决策树的分类算法,例如XGBoost或随机森林(RandomForest)。
根据本公开的实施例,SVM分类器模型是利用多个样本图像训练获得的,每个样本图像包括用于指示所述样本图像是否包含缺陷的标签值、以及作为输入特征的所述样本图像的估计信噪比和峰值响应。
如本领域技术人员所公知的,机器学习过程中的损失函数是用以衡量实际值和预测值在当前位置的差值或误差,训练的过程希望损失函数越来越小。根据本公开的实施例,在利用样本图像进行训练以获得SVM分类器模型时,通过设置不平衡权重来使得在训练集上的损失函数最小化。例如,在训练过程中,将有缺陷的晶圆识别为无缺陷的晶圆的代价设置为远高于将无缺陷的晶圆识别为有缺陷的晶圆的代价。
图10示出了根据本发明实施例的经训练得到的SVM分类器模型的决策面的示意图。如图10中所示,每个点对应一幅图像,横坐标和纵坐标分别为针对该图像获得的经归一化的估计信噪比ESNR和峰值响应PR,并且训练得到的该SVM分类器模型的决策面如虚线圆形所示,根据每个点相对于决策面的位置,可以确定该图像中是否存在缺陷。例如,如图10中所示,落入圆形以内的所有点表示其对应的晶圆背侧上没有缺陷,并且落入圆形之外的所有点表示其对应的晶圆背侧上存在缺陷。对于本领域技术人员显而易见的是,通过对不同产品训练得到的SVM分类器模型的决策面可能是不同的,例如,通过训练得到的SVM分类器模型的决策面可能不是圆形,而是一条直线,位于直线一侧的所有点表示其对应的晶圆背侧上没有缺陷,而位于该直线另一侧的所有点表示其对应的晶圆背侧上存在缺陷。
根据本公开的实施例,利用大量样本图像数据训练得到的SVM分类器模型可以输出指示当前输入是否是具有缺陷的图像的布尔值。如果当前图像被划分为具有缺陷的图像,则方法100进行至步骤S9,否则方法100结束。
在步骤S9中,对晶圆背侧上的缺陷进行标记,通过对晶圆背侧上的缺陷进行标记,可以获悉缺陷的位置和尺寸信息。在一个实施例中,对晶圆背侧上的缺陷进行标记可以是通过对增强图像Is5执行二值化处理进行的。例如,将增强图像Is5中的像素值大于阈值的像素点确定为缺陷像素并且设置所述缺陷像素的像素值为1;以及将增强图像Is5中的像素值小于所述阈值的像素点确定为无缺陷像素并且设置所述无缺陷像素的像素值为0。对于本领域技术人员来说,上述阈值可以通过试验获得。此外,对于本领域技术人员来说,对晶圆背侧上的缺陷进行标记也可以是通过对原始图像Is1执行二值化处理进行的,这取决于最后缺陷显示的需要。
根据本发明实施例的方法,不需要对现有视觉检测系统进行硬件上的改进,仅通过算法改进就能够快速且精确地检测到晶圆背侧上的各种缺陷,即使这些缺陷的尺寸较小。
根据本发明的实施例,还提供了一种用于检测晶圆背侧上的缺陷的装置,包括:存储器;以及控制单元,所述控制单元与所述存储器耦合并且被配置为用于执行根据本发明所述的方法。根据本发明实施例的控制单元可以使用电子硬件、计算机软件或其任意组合来实施。所述控制单元是实施为硬件还是软件将取决于具体的应用。作为示例,根据本发明的控制单元可以实施为微处理器、微控制器、数字信号处理器(DSP)、现场可编程门阵列(FPGA)、可编程逻辑器件(PLD)、状态机、门逻辑、分立硬件电路、以及配置用于执行在本公开中描述的各种功能的其它适合的处理部件。根据本发明实施例的控制单元也可以实施为由微处理器、微控制器、DSP或其它适合的平台所执行的软件。
根据一个实施例,提供了一种计算机可读存储介质,在其上存储有程序代码,当所述程序代码由处理器执行时,使得所述处理器能够执行本说明书结合图1-10描述的各个实施例中的各种操作和功能。具体地,可以提供配有可读存储介质的系统或者装置,在该可读存储介质上存储着实现上述实施例中任一实施例的功能的软件程序代码,且使该系统或者装置的计算机或处理器读出并执行存储在该可读存储介质中的指令。
本公开内容的上述描述被提供来使得本领域任何普通技术人员能够实现或者使用本公开内容。对于本领域普通技术人员来说,对本公开内容进行的各种修改是显而易见的,并且,也可以在不脱离本公开内容的保护范围的情况下,将本文所定义的一般性原理应用于其它变型。因此,本公开内容并不限于本文所描述的示例和设计,而是与符合本文公开的原理和新颖性特征的最广范围相一致。
Claims (16)
1.一种用于检测晶圆背侧上的缺陷的方法,包括:
对获得的所述晶圆背侧的图像进行增强处理,以获得增强图像(Is5)的估计信噪比(ESNR)和峰值响应(PR);以及
将所述估计信噪比和所述峰值响应作为输入特征提供给分类器模型,以确定所述晶圆背侧上是否存在缺陷。
2.根据权利要求1所述的方法,其中,所述分类器模型是支持向量机(SVM)分类器模型。
3.根据权利要求2所述的方法,其中,所述SVM分类器模型是利用多个样本图像训练获得的,每个样本图像包括用于指示所述样本图像是否包含缺陷的标签值、以及作为输入特征的所述估计信噪比和所述峰值响应。
4.根据权利要求3所述的方法,其中,在利用多个样本图像训练的过程中,通过设置不平衡权重来使得在训练集上的损失函数最小化。
5.根据权利要求1所述的方法,在对所述图像进行所述增强处理之前,所述方法还包括:
对所述图像进行边缘滤波处理;以及
对经过所述边缘滤波处理之后的图像进行形态学闭操作处理。
6.根据权利要求5所述的方法,其中,使用Sobel算子和Scharr算子对所述图像进行边缘滤波。
7.根据权利要求5所述的方法,其中,在对所述图像进行边缘滤波处理之前,所述方法还包括对所述图像进行极性反转处理以及边缘裁剪处理。
8.根据权利要求1-7中的任一项所述的方法,其中,对所述图像进行增强处理包括:
利用具有不同核大小的三个卷积核K1、K2、K3对所述图像进行卷积处理,以分别获得三幅图像O1、O2、O3;
通过以下公式(1)-(2)对所述三幅图像O1、O2、O3两次执行图像求差处理,以获得两幅差分图像D1、D2,
D1(x,y)=[O1(x,y)-O3(x,y)]2 (1)
D2(x,y)=[O2(x,y)-O3(x,y)]2 (2)
Di(x,y)表示差分图像Di中位置(x,y)处的像素值,其中i∈{1,2},以及;
通过以下公式(3)对所述两幅差分图像D1、D2执行取最大值处理,以获得所述增强图像Is5,
IS5(x,y)=max[D1(x,y),D2(x,y)] (3)
IS5(x,y)表示所述增强图像Is5中位置(x,y)处的像素值。
9.根据权利要求8所述的方法,其中,获得所述增强图像Is5的所述估计信噪比ESNR包括:
利用感兴趣(ROI)窗口在所述增强图像Is5中滑动,以获得具有相同大小的一系列子图像Isub;
计算每幅子图像的估计信噪比ESNRi;以及
通过公式ESNR=max(ESNRi)对全部ESNRi取最大值来获得所述增强图像Is5的所述估计信噪比ESNR,
其中,针对子图像计算所述估计信噪比ESNRi包括:
通过分别沿水平方向和垂直方向将所述子图像移动一个像素,以分别获得图像Rx、Ry;
通过以下公式(4)-(5)对所述子图像执行自相关函数处理,以分别获得参数Cx、Cy;
通过以下公式(6)-(7)对所述子图像进行处理,以分别获得变量C、μ;
通过以下公式(8)获得所述估计信噪比ESNRi,
其中,Wsub和Hsub分别为所述子图像的宽度和高度。
10.根据权利要求8所述的方法,其中,获得所述增强图像Is5的所述峰值响应PR包括:
通过公式PR=max({Is5(x,y)})对所述增强图像Is5执行取最大值处理,以获得所述峰值响应PR。
11.根据权利要求1-7中的任一项所述的方法,还包括:如果确定所述晶圆背侧上存在缺陷,则对所述缺陷进行标记。
12.根据权利要求11所述方法,其中,对所述缺陷进行标记是通过对所述增强图像Is5执行二值化处理进行的。
13.根据权利要求12所述的方法,执行所述二值化处理包括:
将所述增强图像Is5中的像素值大于阈值的像素点确定为缺陷像素并且设置所述缺陷像素的像素值为1;以及
将所述增强图像Is5中的像素值小于所述阈值的像素点确定为无缺陷像素并且设置所述无缺陷像素的像素值为0。
14.一种用于检测晶圆背侧上的缺陷的装置,包括:
存储器;以及
控制单元,所述控制单元与所述存储器耦合并且被配置为用于执行根据权利要求1-13中的任一项所述的方法。
15.一种计算机可读介质,其存储包括指令的计算机程序,所述指令在由控制单元执行时使得所述控制单元被配置为执行根据权利要求1-13中的任一项所述的方法。
16.一种用于检测晶圆背侧上的缺陷的计算机程序产品,包括处理器可执行的计算机程序代码,所述计算机程序代码用于执行根据权利要求1-13中的任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410017544.2A CN117788452A (zh) | 2024-01-05 | 2024-01-05 | 用于检测晶圆背侧上的缺陷的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410017544.2A CN117788452A (zh) | 2024-01-05 | 2024-01-05 | 用于检测晶圆背侧上的缺陷的方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117788452A true CN117788452A (zh) | 2024-03-29 |
Family
ID=90385020
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410017544.2A Pending CN117788452A (zh) | 2024-01-05 | 2024-01-05 | 用于检测晶圆背侧上的缺陷的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117788452A (zh) |
-
2024
- 2024-01-05 CN CN202410017544.2A patent/CN117788452A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7087397B2 (ja) | 基板の欠陥検査装置、基板の欠陥検査方法及び記憶媒体 | |
JP4792109B2 (ja) | 画像特徴を意識した画像欠陥除去 | |
JP4160258B2 (ja) | 勾配ベースの局部輪郭線検出のための新しい知覚的しきい値決定 | |
CN109671078B (zh) | 一种产品表面图像异常检测方法及装置 | |
CN111325717B (zh) | 手机缺陷位置识别方法及设备 | |
US20210195154A1 (en) | Method and system for inspecting display image | |
CN111311556A (zh) | 手机缺陷位置识别方法及设备 | |
US11769248B2 (en) | Image processing device, image processing method, and image processing non-transitory computer readable medium for verifying detectable range of defect image | |
CN113066088A (zh) | 工业检测中的检测方法、检测装置和存储介质 | |
JP2005165387A (ja) | 画面のスジ欠陥検出方法及び装置並びに表示装置 | |
JP2008014842A (ja) | シミ欠陥検出方法及び装置 | |
CN117788452A (zh) | 用于检测晶圆背侧上的缺陷的方法和装置 | |
CN115131355B (zh) | 利用电子设备数据检测防水布异常的智能方法 | |
JP2005283197A (ja) | 画面のスジ欠陥検出方法及び装置 | |
CN116402771A (zh) | 缺陷检测方法、装置和模型训练方法、装置 | |
CN115861259A (zh) | 一种基于模板匹配的引线框架表面缺陷检测方法及装置 | |
JP4771887B2 (ja) | 受動式及びインタラクティブ式の即時影像認識方法 | |
JP2008171142A (ja) | シミ欠陥検出方法及び装置 | |
JP7258509B2 (ja) | 画像処理装置、画像処理方法、及び画像処理プログラム | |
CN114120343A (zh) | 证件图像质量评估方法及终端 | |
CN110349133B (zh) | 物体表面缺陷检测方法、装置 | |
JP2023551696A (ja) | 自動外観検査用の画像拡張技術 | |
KR20230036650A (ko) | 영상 패치 기반의 불량 검출 시스템 및 방법 | |
JP4491922B2 (ja) | 表面欠陥検査方法 | |
KR102199572B1 (ko) | 딥러닝 기반의 역방향 사물 검사 방법 |
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 |