CN117893817A - 晶圆缺陷分类方法及其装置、系统、电子设备和存储介质 - Google Patents
晶圆缺陷分类方法及其装置、系统、电子设备和存储介质 Download PDFInfo
- Publication number
- CN117893817A CN117893817A CN202410073784.4A CN202410073784A CN117893817A CN 117893817 A CN117893817 A CN 117893817A CN 202410073784 A CN202410073784 A CN 202410073784A CN 117893817 A CN117893817 A CN 117893817A
- Authority
- CN
- China
- Prior art keywords
- defect
- sample
- classification
- wafer
- detected
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 298
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000003860 storage Methods 0.000 title claims description 12
- 238000001914 filtration Methods 0.000 claims description 24
- 238000007781 pre-processing Methods 0.000 claims description 13
- 238000004891 communication Methods 0.000 claims description 11
- 238000013145 classification model Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 4
- 238000001514 detection method Methods 0.000 abstract description 8
- 238000004519 manufacturing process Methods 0.000 abstract description 8
- 235000012431 wafers Nutrition 0.000 description 111
- 230000008569 process Effects 0.000 description 12
- 238000013527 convolutional neural network Methods 0.000 description 10
- 230000000875 corresponding effect Effects 0.000 description 8
- 238000012549 training Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 4
- 239000004065 semiconductor Substances 0.000 description 3
- 230000002146 bilateral effect Effects 0.000 description 2
- 239000000470 constituent Substances 0.000 description 2
- 238000010894 electron beam technology Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 239000013078 crystal Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011982 device technology Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000013467 fragmentation Methods 0.000 description 1
- 238000006062 fragmentation reaction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (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
本发明涉及一种晶圆缺陷分类方法,该方法包括步骤:获取预先扫描待检测晶圆样本得到的所述待检测晶圆样本中每个缺陷的缺陷特征参数;所述缺陷特征参数包括:缺陷大小和信号强度值;获取预先采集到的所述待检测晶圆样本的样本图像;根据所述样本图像和所述缺陷特征参数进行缺陷分类,得到所述待检测晶圆样本中每个缺陷的类型。本发明的分类方法降低了对人工操作依赖性,确保了分类的准确性和可靠性,在一定程度上降低了生产成本,并且能够应用于大批量的产品检测。
Description
本申请是基于申请号为CN202110478016.3,申请日为2021年04月30日,发明名称“晶圆缺陷分类方法及其装置、系统、电子设备和存储介质”的中国发明专利申请的分案申请。
技术领域
本发明涉及半导体缺陷分类技术领域,尤其涉及一种晶圆晶缺陷分类方法及其装置、系统、电子设备和计算机可读存储介质。
背景技术
随着半导体器件技术的发展,用于制造半导体器件的工艺越来越多,并且每个工艺都有一定的复杂度,而每个工艺流程对晶圆的处理都可能会产生一些不符预期的结构,其中,会造成芯片上电路无法正常工作的称之为晶圆缺陷。芯片制造流程中通常会在众多关键工序后都安排晶圆缺陷检测的步骤,用于监控关键工艺,确保其准确性。
由于芯片制造的工艺流程极其复杂,所以晶圆缺陷类型繁多,而且目前没有一个统一的分类方式。通常,是由工程师结合实际情况,例如,晶圆检测前经过的工序以及检测的方式等因素,来对晶圆缺陷进行分类。
目前,最常用的检测方法包括两种:第一种是人工检测,即首先通过缺陷扫描设备扫描待测晶圆,从而得到该待测晶圆上的可能出现缺陷的位置,并进行相应的标记,然后,再通过描电子显微镜(SEM)、光学显微镜或电子束显微镜等设备根据缺陷扫描设备所标记的位置,进行自动摄影而获得晶圆缺陷的一幅或多幅图像,然后由工作人员基于晶圆缺陷的一幅或多幅图像进行缺陷分类;第二种是基于各种晶圆缺陷分类模型,例如CNN分类器等来分类,即将SEM等设备所拍摄到的晶圆缺陷图像输入预先训练好的分类器,然后由该分类器进行自动分类。然而,上述两种检测方法各自都存在一定的问题:
1)工人检测方法,只能够针对待检测的晶圆缺陷,且每个晶圆上的缺陷种类不多的情况;并且,工作人员对缺陷进行分类的准确度或可靠性与该工作人员识别缺陷的经验呈正相关,即其经验越丰富,相应地,其准确的和可靠性则增加,也即是说,这种分类方法对工作人员的专业度要求高。另一方面,若工作人员长时间进行缺陷识别,可能引起累积疲劳,从而降低了其准确性和可靠性,并且由于是人工分类,并不能够广泛适用于晶圆生产工艺过程中的晶圆缺陷的实时监测和分类。
2)分类模型分类,对于晶圆缺陷种类较多的情况,则需要采用卷积神经网络算法(CNN)对缺陷进行分类,传统的CNN算法都是基于缺陷区域提取缺陷特征参数进行分类,比如纹理特征、灰度特征、形态学特征等等组成特征向量,再将其输入分类器进行处理便得到分类结果。典型的分类方法主要包括监督分类和无监督分类,比较常用的无监督分类法有ISODATA法和t-均值法;监督分类法有最小距离法、马氏距离法、最大似然法。由于是直接根据通过描电子显微镜(SEM)、光学显微镜或电子束显微镜等设备自动摄影而获得图像进行缺陷分类,因此,这类算法主要局限在于直接从拍摄图像中提取的缺陷特征参数是否能有效表达不同缺陷类型的差异,良好的缺陷特征表达十分重要,但针对特定缺陷类型提取的缺陷特征参数很难广泛适用于其它缺陷类型的分类,这使得缺陷检测和分类变得更加困难。
有鉴于此,本发明提供一种新的晶圆缺陷分类方法及其装置。
发明内容
针对上述技术问题,本发明的目的在于提供一种晶圆缺陷分类方法及其装置、系统、电子设备和存储介质,在一定程度克服或缓解了现有技术中的上述缺陷。
本发明的第一方面在于,提供了一种晶圆缺陷分类的方法,包括步骤:
获取预先扫描待检测晶圆样本得到的所述待检测晶圆样本中每个缺陷的缺陷特征参数;所述缺陷特征参数包括:缺陷大小和信号强度值;
获取预先采集到的所述待检测晶圆样本的样本图像;
根据所述样本图像和所述缺陷特征参数进行缺陷分类,得到所述待检测晶圆样本中每个缺陷的类型。
进一步地,在本发明的一些示例性实施例中,根据所述样本图像和所述缺陷特征参数进行缺陷分类的步骤具体包括:
根据所述缺陷特征参数对所述样本图像进行首次分类,得到至少一组待分类样本图像;
根据预先训练好的分类模型对所述至少一组待分类样本图像进行二次分类,得到所述缺陷的类型。
进一步地,在本发明的一些示例性实施例中,为了保证分类的准确性,进行缺陷分类的步骤之前,还包括步骤:对所述样本图像进行预处理。
进一步地,在本发明的一些示例性实施例中,所述预处理包括:滤波处理。
本发明的第二方面在于,提供了一种缺陷分类装置,该装置包括:
第一数据获取模块,用于获取预先扫描待检测晶圆样本得到的所述待检测晶圆样本中每个缺陷的缺陷特征参数;所述缺陷特征参数包括:缺陷大小和信号强度值;
第二数据获取模块,用于获取预先采集到的所述待检测晶圆样本的样本图像;缺陷分类模块,用于根据所述样本图像和所述缺陷特征参数进行缺陷分类,得到所述待检测晶圆样本中每个缺陷的类型。
进一步地,在本发明的一些示例性实施例中,所述缺陷分类模块具体包括:
第一分类单元,用于根据所述缺陷特征参数对所述样本图像进行首次分类,得到至少一组待分类的所述样本图像;
第二分类单元,用于根据预先训练好的分类模型对所述至少一组待分类的样本图像进行二次分类,得到所述缺陷的类型。
进一步地,在本发明的一些示例性实施例中,该装置还包括:图像预处理模块,用于对所述样本图像进行预处理。
进一步地,在本发明的一些示例性实施例中,所述预处理模块具体包括:滤波单元,用于对所述样本图像进行去滤波处理。
本发明的第三方面在于,提供了一种缺陷分类系统,该系统包括:
扫描设备,用于扫描待检测晶圆样本,以得到所述待检测晶圆样本中每个缺陷的缺陷特征参数;所述缺陷特征参数包括:缺陷大小和信号强度值;
拍照设备,用于对所述待检测晶圆样本进行拍照,以得到所述待检测晶圆样本的样本图像;
以及任一上述的缺陷分类装置,用于根据所述样本图像和所述缺陷特征参数进行缺陷分类,得到所述待检测晶圆样本中每个缺陷的类型。
本发明的第四方面在于,提供了一种可用于缺陷分类的电子设备,该设备包括至少一个处理器、至少一个存储器、通信接口和总线;其中,所述处理器、存储器、通信接口通过所述总线完成相互间的通信;所述存储器用于存储执行任一上述方法的程序;所述处理器被配置为用于执行所述存储器中存储的程序。
本发明的第五方面在于,提供了一种可用于缺陷分类的计算机可读存储介质,其存储有计算机程序,所述计算机程序被处理器执行时实现任一上述方法的步骤。
有益效果
本发明的基于缺陷特征参数的缺陷分类方法包括步骤:获取预先扫描待检测晶圆样本得到的所述待检测晶圆样本中每个缺陷的缺陷特征参数;所述缺陷特征参数包括:缺陷大小和信号强度值;获取预先采集到的所述待检测晶圆样本的样本图像;然后,根据所述缺陷特征参数进行缺陷分类,得到所述待检测晶圆样本中每个缺陷的类型。相较于传统的分类方法,基于缺陷特征参数进行缺陷分类,可以降低对人工的依赖性,一方面,提高了缺陷分类的效率,同时降低了晶圆的工业生产检测成本;另一方面,提高了缺陷分类的准确性和可靠性;由于本发明所提供的技术方案效率和分类结果精度均较高,因此,本发明可用于在生产线上对晶圆缺陷进行实时监控与检测。
进一步地,本发明基于缺陷属性(即缺陷特征参数,例如缺陷大小和信号强度值)将晶圆缺陷进行首次分类,然后再利用预先训练好的分类模型对待分类样本图像进行进一步精准分类;即本发明通过首次分类在一定程度上克服了针对特定缺陷类型提取的缺陷特征参数很难广泛适用于其它缺陷类型的分类这一问题(换句话说,通过晶圆扫描所得缺陷特征的参数的分类让晶圆的分类可以更加标准化、分类标准的应用场景更广、更通用,避免人工分类标准不易统一,容易受人工主观判断的影响);并降低对人工的依赖性,进而提高了分类的效率,降低了生产成本。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍。在所有附图中,类似的元件或部分一般由类似的附图标记标识。附图中,各元件或部分并不一定按照实际的比例绘制。显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其它的附图。
图1是本发明一示例性实施例的晶圆缺陷分类方法的流程示图;
图2是本发明一示例性实施例的晶圆的部分分类结果的示意图;
图3是本发明一示例实施例的晶圆缺陷分类装置的示意图;
图4是本发明一示例性实施例的电子设备组成结构框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述。显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
本文中,使用用于表示元件的诸如“模块”、“部件”或“单元”的后缀仅为了有利于本发明的说明,其本身没有特定的意义。因此,“模块”、“部件”或“单元”可以混合地使用。
实施例一
参见图1,为本发明一示例性实施例的晶圆缺陷分类方法的流程示意图,具体地,本示例性实施例的晶圆缺陷分类方法包括以下步骤:
S101,获取预先扫描待检测晶圆样本得到的待检测晶圆样本中每个缺陷的缺陷特征参数。
在一些实施例中,该缺陷特征参数包括:缺陷大小和信号强度值。
在一些实施例中,首先通过缺陷扫描设备识别出晶圆缺陷,具体地,利用缺陷扫描设备将待检测晶圆样本分成一个个小像素点,然后通过对不同晶圆同一位置的像素点的灰度值或亮度值作比较,将差异较大的一些像素点识别为晶圆缺陷,然后对识别出来的晶圆缺陷作标记,并通过缺陷扫描设备记录晶圆缺陷的缺陷特征参数。
当然,在另一些实施例中,可以选用一些标准晶圆样本(即没有任何缺陷的标准晶圆样本),然后扫描该标准晶圆样本得到这些标准晶圆样本中每个像素点的灰度值或亮度值,并参考这些标准晶圆样本中各个像素点的灰度值或亮度值(例如,依据所选多个标准晶圆样本中相同位置的像素点的灰度值或亮度值的平均值),设定标准情况下(即没有缺陷情况下)晶圆样本中各个像素点的灰度值阈值范围或亮度值阈值范围,然后将该灰度值阈值范围或亮度值阈值范围设定为缺陷扫描设备识别缺陷的标准,例如,当缺陷扫描时将超出该灰度值阈值范围或亮度值阈值范围的像素点识别为晶圆缺陷,然后对识别到的晶圆缺陷作标记,并由缺陷扫描设备记录这些晶圆缺陷的缺陷特征参数。
在一些实施例中,每个缺陷的缺陷特征参数是预先通过各种缺陷扫描设备,如激光扫描设备、红外扫描设备、超声扫描设备等,扫描各个晶圆得到的,优选的,采用激光扫描设备,相应地,可直接从这些缺陷扫描设备中,获取多个待检测晶圆样本的缺陷特征参数,例如,可以通过有线通信或无线通信方式从缺陷扫描设备中获取到多个缺陷特征参数,具体地,该缺陷特征参数包括:缺陷大小和信号强度值,以及标示该缺陷所在的待测晶圆的标识(例如待测晶圆编号Ip,其中,p=1,2,···),得到每个待测晶圆上的各个缺陷的缺陷特征参数:对于待测晶圆样本I1上的N1(N1=1,2,3···)个缺陷的缺陷参数:缺陷(尺寸)大小:A I1,1,A I1,2,A I1,3,…A I1,N1;信号强度值:SI1,1,S I1,2,S I1,3···S I1,N1;对于待测晶圆样本I2上N2(N1=1,2,3···)个缺陷的缺陷参数:缺陷大小:A I2,1,A I2,2,A I2,3,…AI2,N2;信号强度值:SI2,1,S I2,2,S I2,3···S I2,N2···。
S103,获取预先采集到的待检测晶圆样本的样本图像。
在一些实施例中,该样本图像是预先通过各种缺陷拍照设备得到的,具体地,采用扫描电子显微镜扫描各个已标记的缺陷得到样本图像,相应地,可直接从这些缺陷拍照设备中获得多个样本图像。例如,可以通过有线通信或无线通信方式从扫描电子显微镜中获取到多个所述样本图像,即获取到的样本图像集合包括:B1、B2、B3、B4…BN。
S105,根据上述步骤S101中所采集到的缺陷特征参数,以及上述步骤S103中所采集到的样本图像进行缺陷分类,得到待测晶圆样本中每个缺陷的类型。
在一些实施例中,该步骤S105具体包括步骤:
第一步,根据所获取的缺陷特征参数对样本图像进行首次分类,得到至少一组待分类样本图像。
在一些实施例中,可以通过缺陷大小(即,缺陷的尺寸大小)对晶圆缺陷进行首次分类,利用缺陷大小将晶圆缺陷分为一种或多种,例如,通过缺陷扫描设备中的现有的缺陷的尺寸特征值对识别到的晶圆缺陷进行分类,分为大缺陷和小缺陷,分类结果参见图2,其中图a为小缺陷,图b为大缺陷。
当然,在另一些实施例中,可以通过信号强度值对晶圆缺陷进行首次分类,利用信号强度值将晶圆缺陷分为一种或多种,其中,信号强度值与使用的缺陷扫描设备的成像原理有关,有的缺陷扫描设备收集到的信号强度值为反射光强度,有的是散射光强度。具体地,可以预先构建一个以信号强度值为主要参数的分类标准,将信号强度值划分为不同数值区间,由专业人员对不同数值区间进行缺陷类型的标识(如缺陷类别名称,或者标识各种缺陷类别的编码),例如,可将强度信号值划分为不同数值区间:C1、C2、C3…CX,C1被标注为第一缺陷类别标识,即对应于第一种晶圆缺陷;C2被标注为第二缺陷类别标识,即对应于第二种晶圆缺陷;C3被标注为第三缺陷类别标识,即对应于第三种晶圆缺陷;…一共预计由X种晶圆缺陷,且每种晶圆缺陷对应于一个缺陷类别标识。然后,利用缺陷分类设备将样本图像中缺陷的信号强度值与该分类标准的数值区间进行匹配,由此对样本图像进行缺陷的标识与分类。当然,此处的信号强度值也可替换为灰度值或亮度值。
在另一些实施例中,预先根据缺陷大小(即,缺陷的尺寸大小),预先设定多个预设大小阈值范围,且每个预设大小阈值范围对应于至少一个预设信号强度阈值范围,然后,将所获取的每个待测晶圆上的各个缺陷的缺陷大小与该多个预设大小阈值范围进行比较,以及将各个缺陷的信号强度值与该多个预设信号强度阈值进行比较,若判断出缺陷大小属于相应预设大小阈值范围,且信号强度值属于相应预设大小阈值范围,则将该缺陷划分为一组待分类缺陷。
例如,第一类缺陷,其对应的预设缺陷大小阈值范围为X1-X2,预设信号强度阈值范围为Y1-Y2;第二类缺陷,其对应的预设缺陷大小阈值范围为X3-X4,预设信号强度阈值范围为Y3-Y4···;然后,将步骤S101中所获取的待测晶圆I1上N1个缺陷的缺陷特征参数分别与上述各个预设缺陷大小阈值范围和预设信号强度阈值范围进行比较,若判断出A I1,1属于X3-X4,且SI1,1属于Y3-Y4;且判断出A I5,7属于X3-X4,且SI5,7属于Y3-Y4,则将该待测晶圆I1上的该缺陷和待测晶圆I5上的该缺陷划分为同一组待分类缺陷;同理,将得到多组待分类缺陷:M1,M2,M3···。
第二步,根据预先训练好的分类模型对步骤S1051中得到的至少一组待分类样本图像进行二次分类,得到各个缺陷的类型。
在一些实施例中,该分类模型可采用CNN、SVM分类器等常见分类器,且将所选定的分类器提前训练好,具体地,通过预先标记有相应缺陷类型的样本图像作为训练样本来训练所选定的分类器。
在一具体实施例中,采用传统的卷积神经网络(Convolutional NeuralNetworks,CNN)方法进行二次分类,可以用到的卷积神经网络算法有:AlexNet网络、基于AlexNet改进得到的ZFNet网络、VGG网络、GoogleLeNet网络等,例如,在本实施例中,可采用ZFNet进行缺陷分类。在进行二次分类前,首先利用扫描电子显微镜采集多张晶圆材料的样本图像,并预先标记上相应的缺陷类型得到训练集。其中,缺陷类型具体可结合实际情况预先将晶圆缺陷类型根据其形态特征分为冗余物、晶体缺陷、机械损伤等三种(当然,也可将晶圆缺陷分为污损、碎裂、缺角、崩边、残缺、突起等类型;也可分为点缺陷、位错、原生缺陷、杂质等类型,由于在实际生产工作中,晶圆缺陷的种类繁多,因此,缺陷的分类方法也不局限于上述分类,可以依据实际应用场景灵活分类),进一步地,对训练集的样本缺陷的位置和缺陷类型进行标记,同时,为了提高训练集的生成效率,可通过对样本图像进行水平、垂直翻转和对比度随机变化等方法对数据集进行扩张。然后,训练patch-based ZFNet检测器,在训练patch-based ZFNet分类器时,数据集是采用上述多张晶圆材料的样本图像,且样本图像中已包含缺陷位置和类型,通过一系列数据扩张操作,得到多组数据,随机选取60%作为训练集,40%作为测试集。在已训练好的patch-based ZFNet检测器基础上,将待检测的晶圆的样本图像依次送入ZFNet检测器,ZFNet检测器依照设定的缺陷类型对缺陷进行分类。
在一些具体实施例中,可从每组中随机选择一张待分类样本图像,然后由该分类器进行分类,得到该张待分类样本图像的缺陷类型,并该张待分类样本图像当前所在的这一组待分类图像中的所有待分类样本图像全部标记为该缺陷类型。当然,进一步地,为了提高分类的精确率,可从每组中选择至少两张待分类图像进行二次分类。
在另一些具体实施例中,可从每组中选择缺陷(尺寸)大小最大,和/或,信号强度值最大的一张待分类样本图像进行二次分类。更进一步地,为了提高分类的精确率,可将每组中的所有待分类样本图像按照缺陷(尺寸)大小从大到小的顺序进行排序,然后从每组中选择缺陷(尺寸)大小排序前两位,或前三位的待分类样本图像进行二次分类;或者,可将每组中的所有待分类样本图像按照信号强度值从大到小的顺序进行排序,然后从每组中选择信号强度值排序前两位,或前三位的待分类样本图像进行二次分类;或者,从每组中选择缺陷(尺寸)大小和信号强度值排序靠前几位(例如3位)的至少一张待分类样本图像进行二次分类。
进一步地,在一些实施例中,为了去除样本图像中的噪声干扰,提高缺陷分类的准确性,在进行缺陷分类的步骤之前,还将对所述样本图像进行预处理。
在一些实施例中,上述预处理为滤波处理;具体地,该滤波处理包括:中值滤波、均值滤波、方框滤波、高斯滤波、双边滤波。本实施例中,可采用中值滤波对样本图像进行滤波处理,首先将样本图像中的像素点分为孤立噪声点、边缘细节和平坦噪声,其中孤立噪声点和平坦噪声使用中值滤波进行处理,边缘细节无需处理,直接输出,然后得到可用准确分类的样本图像。
实施例二
参见图3,为本发明一示例性实施例的晶圆缺陷分类装置的示意图。具体地,本示例性实施例的晶圆缺陷分类装置包括:
第一数据获取模块14,用于获取预先扫描待检测晶圆样本得到的待检测晶圆样本中每个缺陷的缺陷特征参数;其中,缺陷特征参数包括:缺陷大小和信号强度值;具体地,该第一数据获取模块14可为激光扫描设备、红外扫描设备、超声扫描设备;
第二数据获取模块16,用于获取预先采集到的上述待检测晶圆样本的样本图像;具体地,该第二数据获取模块16采用扫描电子显微镜;
缺陷分类模块18,用于根据上述样本图像、缺陷特征参数进行缺陷分类,得到上述待检测晶圆样本中每个缺陷的类型。
在一些实施例中,该缺陷分类模块18具体包括:第一分类单元,用于根据上述缺陷特征参数对所获取的样本图像进行首次分类,得到至少一组待分类样本图像;第二分类单元,用于根据预先训练好的分类模型对该至少一组待分类样本图像进行二次分类,得到每个缺陷的类型。
在一些实施例中,上述第二分类单元可采用CNN算法对晶圆缺陷进行分类。
在一些实施例中,该装置中还设有图像预处理模块,用于对上述样本图像进行预处理。具体地,上述预处理模块具体包括:
滤波单元,用于对经过背景处理的上述样本图像进行滤波处理;具体地,该滤波单元可以采用中值滤波、均值滤波、方框滤波、高斯滤波、双边滤波等方法中的任一种或多种对样本图像进行去噪处理。
相应地,基于上述的晶圆缺陷分类装置,提供了一种晶圆缺陷分类系统,该系统包括:
扫描设备,用于扫描待检测晶圆样本,以得到待检测晶圆样本的样本图像,以及待检测晶圆样本中每个缺陷的缺陷特征参数;其中,该缺陷特征参数包括:缺陷大小和信号强度值;
拍照设备,用于对上述待检测晶圆样本进行拍照,以得到该待检测晶圆样本的样本图像;
以及上述实施例二中的缺陷分类装置,用于根据该样本图像和缺陷特征参数进行缺陷分类,得到待检测晶圆样本中每个缺陷的类型。
实施例三
本发明的第三方面在于,提供了一种电子设备,包括存储器502、处理器501及存储在存储器502上并可在处理器501上运行的计算机程序,所述处理器501执行所述程序时实现前文所述方法的步骤。为了便于说明,仅示出了与本说明书实施例相关的部分,具体技术细节未揭示的,请参照本说明书实施例方法部分。该电子设备,可以是包括各种电子设备,PC电脑、网络云服务器,甚至手机、平板电脑、PDA(Personal Digital Assistant,个人数字助理)、POS(Point of Sales,销售终端)、车载电脑、台式电脑等任意电子设备。
具体地,图4是本发明一示例性实施例的的电子设备组成结构框图。总线500可以包括任意数量的互联的总线500和桥,其将包括由处理器501代表的一个或多个处理器和存储器代表的存储器的各种电路链接在一起。总线500还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起,这些都是本领域所公知的,因此,本文不再对其进行进一步描述。通信接口503在总线和接收器和/或发送器504之间提供接口,接收器和/或发送器504可以是分开独立的接收器或发送器也504可以是同一个元件如收发机,提供用于在传输介质上与各种其他装置通信的单元。处理器501负责管理总线500和通常的处理,而存储器502可以被用于存储处理器501在执行操作时所使用的数据。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本公开实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个计算机可读存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、或者网络设备等)执行根据本公开实施方式的上述方法。
所述计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了可读程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。可读存储介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、有线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本公开操作的程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被一个该设备执行时,使得该计算机可读介质实现如下功能:获取预先扫描待检检测晶圆样本得到的所述待检测晶圆样本中每个缺陷的缺陷特征参数;所述缺陷特征参数包括:缺陷大小和信号强度值;获取预先采集到的所述待检检测芯片晶圆样本的样本图像;根据所述样本图像和所述缺陷特征参数进行缺陷分类,得到所述待检测晶圆样本中每个缺陷的类型。
本领域技术人员可以理解上述各模块可以按照实施例的描述分布于装置中,也可以进行相应变化唯一不同于本实施例的一个或多个装置中。上述实施例的模块可以合并为一个模块,也可以进一步拆分成多个子模块。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台计算机终端(可以是手机,计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
需要说明的是,在本文中,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、物品或者装置不仅包括那些要素,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、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
上面结合附图对本发明的实施例进行了描述,但是本发明并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本发明的启示下,在不脱离本发明宗旨和权利要求所保护的范围情况下,还可做出很多形式,这些均属于本发明的保护之内。
Claims (10)
1.一种基于缺陷特征参数的缺陷分类方法,其特征在于,包括步骤:获取预先扫描待检测晶圆样本得到的所述待检测晶圆样本中每个缺陷的缺陷特征参数;所述缺陷特征参数包括:缺陷大小和信号强度值;
获取预先采集到的所述待检测晶圆样本的样本图像;
根据所述样本图像和所述缺陷特征参数进行缺陷分类,得到所述待检测晶圆样本中每个缺陷的类型。
2.根据权利要求1所述的方法,其特征在于,根据所述样本图像和所述缺陷特征参数进行缺陷分类的步骤,具体包括:
根据所述缺陷特征参数对所述样本图像进行首次分类,得到至少一组待分类样本图像;
根据预先训练好的分类模型对所述至少一组待分类样本图像进行二次分类,得到所述缺陷的类型。
3.根据权利要求2所述的方法,其特征在于,进行缺陷分类的步骤之前,还包括步骤:
对所述样本图像进行预处理,其中,所述预处理可选地包括:滤波处理。
4.一种缺陷分类装置,其特征在于,包括:
第一数据获取模块,用于获取预先扫描待检测晶圆样本得到的所述待检测晶圆样本中每个缺陷的缺陷特征参数;所述缺陷特征参数包括:缺陷大小和信号强度值;
第二数据获取模块,用于获取预先采集到的所述待检测晶圆样本的样本图像;
缺陷分类模块,用于根据所述样本图像和所述缺陷特征参数进行缺陷分类,得到所述待检测晶圆样本中每个缺陷的类型。
5.根据权利要求4所述的装置,其特征在于,所述缺陷分类模块具体包括:
第一分类单元,用于根据所述缺陷特征参数对所述样本图像进行首次分类,得到至少一组待分类的所述样本图像;
第二分类单元,用于根据预先训练好的分类模型对所述至少一组待分类的样本图像进行二次分类,得到所述缺陷的类型。
6.根据权利要求4所述的装置,其特征在于,还包括:图像预处理模块,用于对所述样本图像进行预处理。
7.根据权利要求6所述的装置,其特征在于,所述预处理模块具体包括:
滤波单元,用于对所述样本图像进行去滤波处理。
8.一种缺陷分类系统,其特征在于,包括:
扫描设备,用于扫描待检测晶圆样本,以得到所述待检测晶圆样本中每个缺陷的缺陷特征参数;所述缺陷特征参数包括:缺陷大小和信号强度值;
拍照设备,用于对所述待检测晶圆样本进行拍照,以得到所述待检测晶圆样本的样本图像;以及
根据权利要求5至7中任一所述的缺陷分类装置,用于根据所述样本图像和所述缺陷特征参数进行缺陷分类,得到所述待检测晶圆样本中每个缺陷的类型。
9.一种电子设备,包括至少一个处理器、至少一个存储器、通信接口和总线;其中,
所述处理器、存储器、通信接口通过所述总线完成相互间的通信;
所述存储器用于存储执行权利要求1至3中任一所述方法的程序;
所述处理器被配置为用于执行所述存储器中存储的程序。
10.一种计算机可读存储介质,其存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至3中任一所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410073784.4A CN117893817A (zh) | 2021-04-30 | 2021-04-30 | 晶圆缺陷分类方法及其装置、系统、电子设备和存储介质 |
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410073784.4A CN117893817A (zh) | 2021-04-30 | 2021-04-30 | 晶圆缺陷分类方法及其装置、系统、电子设备和存储介质 |
CN202110478016.3A CN113095438B (zh) | 2021-04-30 | 2021-04-30 | 晶圆缺陷分类方法及其装置、系统、电子设备和存储介质 |
Related Parent Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110478016.3A Division CN113095438B (zh) | 2021-04-30 | 2021-04-30 | 晶圆缺陷分类方法及其装置、系统、电子设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117893817A true CN117893817A (zh) | 2024-04-16 |
Family
ID=76681461
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110478016.3A Active CN113095438B (zh) | 2021-04-30 | 2021-04-30 | 晶圆缺陷分类方法及其装置、系统、电子设备和存储介质 |
CN202410073784.4A Pending CN117893817A (zh) | 2021-04-30 | 2021-04-30 | 晶圆缺陷分类方法及其装置、系统、电子设备和存储介质 |
Family Applications Before (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110478016.3A Active CN113095438B (zh) | 2021-04-30 | 2021-04-30 | 晶圆缺陷分类方法及其装置、系统、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (2) | CN113095438B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN113610788B (zh) * | 2021-07-27 | 2023-03-07 | 上海众壹云计算科技有限公司 | 图像采集装置的故障监测方法、装置、电子设备及存储介质 |
CN114119472A (zh) * | 2021-10-21 | 2022-03-01 | 东方晶源微电子科技(北京)有限公司 | 缺陷分类方法和装置、设备及存储介质 |
JP2023076992A (ja) * | 2021-11-24 | 2023-06-05 | 東レエンジニアリング株式会社 | 自動欠陥分類装置 |
CN115360116B (zh) * | 2022-10-21 | 2023-01-31 | 合肥晶合集成电路股份有限公司 | 一种晶圆的缺陷检测方法及系统 |
CN115753813B (zh) * | 2022-11-01 | 2023-10-31 | 太原国科半导体光电研究院有限公司 | 检测晶圆缺陷的方法、装置、系统、存储介质及电子设备 |
CN115661136B (zh) * | 2022-12-12 | 2023-03-07 | 深圳宝铭微电子有限公司 | 一种碳化硅材质的半导体缺陷检测方法 |
CN115876823B (zh) * | 2023-01-19 | 2023-07-14 | 合肥晶合集成电路股份有限公司 | 薄膜缺陷的检测方法、薄膜缺陷的检测装置及检测系统 |
CN116130377B (zh) * | 2023-04-17 | 2023-09-29 | 西安奕斯伟材料科技股份有限公司 | 外延晶圆的缺陷检测方法、装置、系统及其制造方法 |
CN117197617B (zh) * | 2023-09-19 | 2024-05-28 | 芯率智能科技(苏州)有限公司 | 一种重复缺陷的缺陷分类方法及系统 |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW535207B (en) * | 2002-05-08 | 2003-06-01 | Powerchip Semiconductor Corp | Method for automatically controlling defect-specification in manufacturing process of semiconductors |
KR101360251B1 (ko) * | 2007-11-23 | 2014-02-11 | 삼성전자 주식회사 | 웨이퍼 디펙트 검사장치 및 그 방법 |
CN101996855B (zh) * | 2009-08-21 | 2012-10-03 | 中芯国际集成电路制造(上海)有限公司 | 一种晶圆缺陷分析方法 |
CN104062305B (zh) * | 2014-07-28 | 2017-10-03 | 上海华力微电子有限公司 | 一种集成电路缺陷的分析方法 |
CN108133900A (zh) * | 2017-12-21 | 2018-06-08 | 上海华力微电子有限公司 | 一种缺陷扫描机台及其缺陷自动分类方法 |
US10599951B2 (en) * | 2018-03-28 | 2020-03-24 | Kla-Tencor Corp. | Training a neural network for defect detection in low resolution images |
CN109242033B (zh) * | 2018-09-21 | 2021-08-20 | 长鑫存储技术有限公司 | 晶片缺陷模式分类方法及装置、存储介质、电子设备 |
US10825650B2 (en) * | 2018-09-28 | 2020-11-03 | Taiwan Semiconductor Manufacturing Co., Ltd. | Machine learning on wafer defect review |
CN109977808B (zh) * | 2019-03-11 | 2020-10-27 | 北京工业大学 | 一种晶圆表面缺陷模式检测与分析方法 |
CN112129772A (zh) * | 2019-06-24 | 2020-12-25 | 杭州元色科技有限公司 | 缺陷检测系统以及方法 |
CN112529873B (zh) * | 2020-12-09 | 2021-11-30 | 深圳市芯汇群微电子技术有限公司 | 一种基于art神经网络的晶圆缺陷检测方法 |
-
2021
- 2021-04-30 CN CN202110478016.3A patent/CN113095438B/zh active Active
- 2021-04-30 CN CN202410073784.4A patent/CN117893817A/zh active Pending
Also Published As
Publication number | Publication date |
---|---|
CN113095438B (zh) | 2024-03-15 |
CN113095438A (zh) | 2021-07-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113095438B (zh) | 晶圆缺陷分类方法及其装置、系统、电子设备和存储介质 | |
US9098891B2 (en) | Adaptive sampling for semiconductor inspection recipe creation, defect review, and metrology | |
CN110148130B (zh) | 用于检测零件缺陷的方法和装置 | |
JP7146857B2 (ja) | ディープラーニングに基づきウェーハ欠陥画像を用いてウェーハの欠陥を分類するための方法およびシステム | |
CN109598698B (zh) | 用于对多个项进行分类的系统、方法和非暂时性计算机可读取介质 | |
CN113169089B (zh) | 用于多模半导体检验的光学模式选择 | |
US11686689B2 (en) | Automatic optimization of an examination recipe | |
CN109285791B (zh) | 设计布局为主的快速在线缺陷诊断、分类及取样方法及系统 | |
TW202044067A (zh) | 基於機器學習之半導體樣本中的缺陷分類 | |
US11321633B2 (en) | Method of classifying defects in a specimen semiconductor examination and system thereof | |
Tang et al. | Anomaly detection of core failures in die casting X-ray inspection images using a convolutional autoencoder | |
KR20190098271A (ko) | 광학 도구에 의해 캡처되는 결함 및 분류기를 위한 진단 방법 | |
KR20210067606A (ko) | 특징 생성 기술을 이용한 머신러닝 기반 결함 분류 장치 및 방법 | |
JP7404817B2 (ja) | 学習装置、検出装置、学習方法、及び学習プログラム | |
US20200226743A1 (en) | Method of classifying defects in a semiconductor specimen and system thereof | |
KR102355997B1 (ko) | 스마트글래스 기반의 콘크리트 구조물 건전도 모니터링 방법 | |
CN113837173A (zh) | 目标对象检测方法、装置、计算机设备和存储介质 | |
CN113610155B (zh) | 基于相似性比对模型的晶圆缺陷分类方法及装置、电子设备和存储介质 | |
CN113096119B (zh) | 晶圆缺陷分类的方法、装置、电子设备以及存储介质 | |
CN111724352B (zh) | 一种基于核密度估计的贴片led瑕疵标注方法 | |
US12007335B2 (en) | Automatic optimization of an examination recipe | |
TWI833854B (zh) | 用於多模式半導體檢測的光學模式選擇 | |
CN113610155A (zh) | 基于相似性比对模型的晶圆缺陷分类方法及装置、电子设备和存储介质 | |
CN117011216A (zh) | 一种缺陷检测方法、装置、电子设备及存储介质 | |
CN117649538A (zh) | 一种工业质检场景与ai模型的匹配方法及装置 |
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 |