CN117894702A - 一种用于检测晶圆表面缺陷的设备和方法 - Google Patents

Abstract

本公开提供了一种用于检测晶圆表面缺陷的设备，包括：图像采集装置，其包括：安装框架；多个并排布置的第一线扫相机；移动平台，被配置为固定第一线扫相机，并且在高度方向上移动；检测站，位于移动平台下方；第一传感器，被配置为在待测晶圆移动到检测站上时，触发第一线扫相机对待测晶圆的拍摄；以及第一光路，包括照明光源和反射镜，被配置成为第一线扫相机的拍摄提供明场环境。设备还包括：数据处理装置，与图像采集装置通信耦合，并且被配置为根据第一线扫相机所拍摄的图像，使用混合图像处理方法来识别晶圆表面上的缺陷以及缺陷的特征，其中，混合图像处理方法包括深度学习方法与计算机视觉算法的组合。

Description

一种用于检测晶圆表面缺陷的设备和方法

技术领域

本公开总体上涉及半导体技术领域，并且更具体地，涉及一种用于检测晶圆表面缺陷的设备和方法。

背景技术

在半导体制造技术中，在从晶圆制备单片的裸晶片的过程中，通常需要对晶圆进行表面处理，例如晶圆背面减薄处理工艺，之后再对晶圆进行划片切割，从而得到单片式裸晶片。

晶圆背面减薄工艺通常包括晶圆背面研磨、抛光、水洗和切割膜安装。背面研磨能够大幅减薄晶圆的整体厚度，抛光工艺使得晶圆背面表面平整，水洗能够冲掉晶圆表面上由于研磨和抛光而产生的粉末碎屑等，切割膜的安装能够保护晶圆在切割过程中免受外部损伤。然而，在这一系列过程中，每一工艺步骤都会不可避免地对晶圆表面造成污染。例如，在研磨过程中会产生研磨纹、裂纹、碎屑、边缘崩边，在抛光过程中会产生粉末、划伤、异物颗粒等，水洗过程会留下污水、污渍、残余物，而切割膜的安装则可能带来气泡、褶皱、胶带残余等污染，并且切割膜也可能存在安装位置偏差的缺陷。在上述这些缺陷中，有一些是规模较大的缺陷(即，面积大，分布广)，例如研磨纹、裂纹等，而还有一些缺陷虽然尺寸较小，但数量可能较多，例如凹痕、小的污渍异物等。这些缺陷都极大地影响了划片后的裸晶片的质量。

然而，由于生产过程通常都是在研磨、抛光、水洗之后直接安装切割膜，然后对整个晶圆工件进行检测以检查缺陷，这导致在研磨、抛光、水洗过程中产生的缺陷被切割膜遮挡，以至于不能被检测出来。这样，有缺陷的晶圆就被送到下游进行划片、封装，导致生产出的裸晶片也是有缺陷的，降低了良率。同时，由于不能及时检查出晶圆的缺陷，使得有缺陷的晶圆被送到下游进行进一步处理，这也导致浪费了大量的生产时间和原材料，提高了生产成本。

因此，在本领域中需要一种能够实时地、准确地检查出晶圆表面上的缺陷以及安装有切割膜后的晶圆工件的缺陷，并且发出警报以防止有缺陷的晶圆进入下游生产线，同时不影响晶圆生产效率的在线检测技术方案。

发明内容

鉴于上述问题，本公开提供了一种用于检测晶圆表面缺陷的设备，包括：图像采集装置，其包括：安装框架；多个并排布置的第一线扫相机；移动平台，被配置为固定所述第一线扫相机，并且在高度方向上移动；检测站，位于所述移动平台下方；第一传感器，被配置为在待测晶圆移动到所述检测站上时，触发所述第一线扫相机对所述待测晶圆的拍摄；以及第一光路，包括照明光源和反射镜，被配置成为所述第一线扫相机的拍摄提供明场环境。

在实施例中，所述设备还包括：数据处理装置，与所述图像采集装置通信耦合，并且被配置为根据所述第一线扫相机所拍摄的图像，使用混合图像处理方法来识别所述晶圆表面上的缺陷以及所述缺陷的特征，其中，所述混合图像处理方法包括深度学习方法与计算机视觉算法的组合。

在实施例中，所述图像采集装置还包括：第二线扫相机，被所述移动平台固定在所述检测站上方；第二传感器，被配置为在待测工件移动到所述检测站上时，触发所述第二线扫相机对所述待测工件的拍摄，以及第二光路，包括照明光源和反射镜，被配置成为所述第二线扫相机的拍摄提供暗场环境，其中，所述待测工件包括所述晶圆、金属框架以及切割膜，并且所述金属框架固定所述晶圆，并且所述切割膜贴附到所述晶圆表面上，其中，所述数据处理装置还被配置为根据所述第二线扫相机所拍摄的图像，使用所述混合图像处理方法来识别所述工件表面上的缺陷以及所述缺陷的特征。

在实施例中，所述第一线扫相机为高清晰度线扫相机，所述多个并排布置的第一线扫相机为三个第一线扫相机，并且所述第二线扫相机为低清晰度线扫相机。

在实施例中，所述数据处理装置包括多个单独的计算单元，每个计算单元被配置为对所述多个第一线扫相机和所述第二线扫相机中的一者输出的图像执行所述混合图像处理方法。

在实施例中，所述数据处理装置利用所述计算机视觉算法来识别缺陷的存在以及所述晶圆的放置位置。

在实施例中，所述数据处理装置利用所述深度学习方法来识别缺陷的类型和特征，所述特征包括尺寸、位置、形貌和对比度。

在实施例中，所述数据处理装置还使用缺陷分级算法，所述缺陷分级算法按照多种预设条件对通过所述混合图像处理方法获取的缺陷数据进行处理，使得在所述缺陷的类型和特征满足相应预设条件时，发出警报。

在实施例中，所述预设条件包括缺陷类型、缺陷尺寸、缺陷位置分布、以及多晶圆间的缺陷共同性。

在实施例中，所述数据处理装置在执行所述混合图像处理方法前，还包括图像分割算法和感兴趣区域识别算法。

在另一方面，提出了一种用于检测晶圆表面缺陷的方法，包括：提供图像采集装置，其包括：提供安装框架；提供多个并排布置的第一线扫相机；提供移动平台，所述移动平台被配置为固定所述第一线扫相机，并且在高度方向上移动；提供检测站，所述检测站位于所述移动平台下方；提供第一传感器，所述第一传感器被配置为在待测晶圆移动到所述检测站上时，触发所述第一线扫相机对所述待测晶圆的拍摄；以及提供第一光路，所述第一光路包括照明光源和反射镜，并且被配置成为所述第一线扫相机的拍摄提供明场环境；以及使用所述图像采集装置的所述多个并排布置的第一线扫相机来采集待测晶圆表面的图像。

在实施例中，所述方法还包括：通过与所述图像采集装置通信耦合的数据处理装置，根据所述第一线扫相机所拍摄的图像，使用混合图像处理方法来识别所述晶圆表面上的缺陷以及所述缺陷的特征，其中，所述混合图像处理方法包括深度学习方法与计算机视觉算法的组合。

在实施例中，提供所述图像采集装置还包括：提供第二线扫相机，所述第二线扫相机被所述移动平台固定在所述检测站上方；提供第二传感器，所述第二传感器被配置为在待测工件移动到所述检测站上时，触发所述第二线扫相机对所述待测工件的拍摄，以及提供第二光路，所述第二光路包括照明光源和反射镜，并且被配置成为所述第二线扫相机的拍摄提供暗场环境，其中，所述待测工件包括所述晶圆、金属框架以及切割膜，并且所述金属框架固定所述晶圆，并且所述切割膜贴附到所述晶圆表面上，所述方法还包括：使用所述图像采集装置的所述第二线扫相机来采集待测晶圆表面的图像；以及通过所述数据处理装置，根据所述第二线扫相机所拍摄的图像，使用所述混合图像处理方法来识别所述工件表面上的缺陷以及所述缺陷的特征。

在实施例中，通过所述数据处理装置，利用所述计算机视觉算法来识别缺陷的存在以及所述晶圆的放置位置。

在实施例中，通过所述数据处理装置，利用所述深度学习方法来识别缺陷的类型和特征，其中，所述特征包括尺寸、位置、形貌和对比度。

在实施例中，所述方法还包括：通过所述数据处理装置，按照多种预设条件对通过所述混合图像处理方法获取的缺陷数据进行分级处理，使得在所述缺陷的类型和特征满足相应预设条件时，发出警报。

在实施例中，所述分级处理依次包括：判断是否属于致命缺陷类型，针对所述致命缺陷类型的缺陷发出警报；根据与缺陷尺寸相关的预设条件进行判断，针对达到所述预设条件的缺陷发出警报；根据与缺陷位置分布相关的预设条件进行判断，针对达到所述预设条件的缺陷发出警报；针对连续多个晶圆出现的具有相似类型、相同位置、相似形貌、相似尺寸的缺陷，发出警报。

在实施例中，所述的方法还包括：在执行所述混合图像处理方法前，通过所述数据处理装置执行图像分割算法和感兴趣区域识别算法，从而将通过所述第一线扫相机获得的图像分割成多个子图像块，并且然后将图像的边缘部分排除。

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示出了根据本公开的实施例的图像采集装置。

图2示出了根据本公开的实施例的图像数据处理流程的示意图。

图3示出了根据本公开的实施例的图像分割。

图4示出了根据本公开的实施例的图像数据处理的示意图。

图5示出了根据本公开的实施例的感兴趣区域的识别。

图6示出了根据本公开的实施例的晶圆和工件的缺陷图。

图7示出了根据本公开的实施例的晶圆表面缺陷分布。

图8示出了根据本公开的实施例的多个晶圆的缺陷示意图。

将参考附图描述各实施例。

具体实施方式

现在将参考示例性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。

为了解决前述的晶圆表面缺陷识别问题，本领域已经提出了一些识别缺陷的方法。例如，一种传统解决方案是采用裸眼观察方式来抽样检查缺陷。尽管这种检测方式能够实现在生产线上实时检测，然而，人眼的观察能力有限，只能识别出一些晶圆规模的较大缺陷，而不能识别出诸如凹痕等微小缺陷，并且在晶圆被安装切割膜后，这些缺陷也会被切割膜遮挡，此外，裸眼观察方式也不适用于大规模生产。另一种解决方案是在下游的划片切割工艺之后，采用机器视觉来检测裸晶片的缺陷。然而，这种对切割后的裸晶片进行检测的方案具有滞后性，其不能直接检测出晶圆减薄工艺中产生的缺陷，导致有缺陷的晶圆流入下游生产线，最终降低了产品良率，并且浪费了时间，也提高了成本。又一种解决方案是采用单个面阵相机，在晶圆停留在卡盘上时，拍摄整个晶圆的图像，然后对该单个图像进行图像处理，以检测缺陷。然而，这种方案所采用的面阵相机只能拍摄处于静态的晶圆，这导致晶圆生产效率变慢。此外，面阵相机的分辨率有限，不能很好地识别出微小缺陷。

针对本发明的发明人所发现的上述以及其他问题，提出了一种能够在生产线上实时地直接检测晶圆表面缺陷，并且针对缺陷情况及时发出警报的设备。所述设备采用一种新颖的图像采集装置，该装置能够插入现有的生产线上的其他生产加工设备中，或者安装在生产线上的现有设备上，从而在晶圆经过研磨、抛光、水洗等背面处理后，直接对晶圆表面进行拍摄，而无需将晶圆从生产线上取下，即，能够在晶圆处于动态运动时进行图像采集。此外，在对晶圆表面进行拍摄后，在安装切割膜后还能够再次对整个晶圆工件进行拍摄，其同样不需要将晶圆从生产线上取下。所提供的图像采集装置利用了高分辨率的相机进行图像采集，因而能够获得能够显示出微小缺陷的高分辨率图像。另一方面，所提出的设备利用了一种混合图像处理方法，其根据由上述图像采集装置所获取的图像，分别采用深度学习方法和计算机视觉算法，执行针对不同类型缺陷的识别，其在识别出缺陷的存在的同时，还能够获得缺陷的特征信息，例如，缺陷的类型、尺寸、形状、位置、数量等。此外，本发明的设备还能够利用一种新颖的缺陷分级算法，根据由混合图像处理所获得的缺陷特征信息，分析缺陷是否致命，并且从尺寸、分布、多个晶圆间的缺陷共同性等多个维度的判断规则来分析缺陷是否不可容忍，然后根据预设判断条件发出警报。

图1示出了根据本公开的实施例的图像采集装置100。在实施例中，如图1所示，图像采集装置100包括安装框架101，安装框架用于固定装置100所需的各个部件，并且可以被固定到晶圆生产线上的其他现有装置或设备，使得能够在生产线上实时地对晶圆进行检测，而不用将晶圆取下来，从而提高了生产效率。

在图1所示的实施例中，图像采集装置100还包括一组第一线扫相机107，以及单个第二线扫相机103。在实施例中，所述一组第一线扫相机可以包括三个并排布置的第一线扫相机。在其他实施例中，所述一组第一线扫相机可以包括更多的并排布置的第一线扫相机。在本文后面的描述中，以三个第一线扫相机为例进行说明。在实施例中，第一线扫相机是高清晰度线扫相机，其具有的分辨率为16k、32k或更高。在实施例中，第二线扫相机为低清晰度线扫相机，其分辨率可以为8k。在本公开的实施方式中，采用具有高分辨率的第一线扫相机来直接拍摄晶圆表面的图像，并且每个第一线扫相机拍摄晶圆的一部分。也就是说，完整的晶圆表面被分成多个条带区域，例如，针对三个第一线扫相机的情况，晶圆被分成三个条带区域，每个第一线扫相机拍摄一个条带区域的图像，这样使得每个图像都足够清晰并且带有足够的信息，使得后续图像处理能够识别出诸如凹痕等的微小的缺陷。在这种实例中，多个第一线扫相机所拍摄的条带区域可以有一定程度的交叠，以确保晶圆的每个位置都被拍摄到。同时，在本公开的实施方式中，采用具有低分辨率的第二线扫相机来拍摄晶圆工件的表面的图像。在实施例中，晶圆工件是通过将晶圆放置在金属框架上，然后在晶圆表面上安装切割膜来制作的。如此得到的晶圆工件，在通过缺陷检测之后，就可以被输送到下游生产线进行划片处理，从而得到单片的裸晶片。在图1的实施例中，由于针对晶圆工件的检测通常涉及切割膜安装带来的气泡、褶皱、以及放置位置偏差等缺陷，其并不属于微小缺陷，因而采用单个低分辨率的线扫相机拍摄整个工件的图像就可以适用于表面缺陷检测。

在图1所示的实施例中，图像采集装置100还包括移动平台102，其可以用于固定第一线扫相机107和第二线扫相机103，并且能够在高度方向上移动，即，在图1所示的z方向上上下移动，使得其上的线扫相机能够在拍摄时进行对焦。

在图1所示的实施例中，图像采集装置100还包括第一光路和第二光路，他们中的每者分别包括反射镜104a和104b，以及照明光源105a和105b，从而分别为晶圆的图像采集提供明场环境，并为工件的图像采集提供暗场环境。在实施例中，明场环境能够提供更多信息，例如，使得晶圆表面上的微小缺陷能够清晰地呈现在相机所拍摄的图像上，而暗场环境使得能够更容易识别出诸如气泡、异物等较大缺陷。在实际实施中，明场环境和暗场环境可以根据需要进行选择。

在图1所示的实施例中，图像采集装置100还包括检测站108。在本公开的实施方式中，检测站108是晶圆和工件的载物台，既是晶圆的检测站，又是工件的检测站。在实施例中，图像采集装置100还包括一对光电传感器106，其被配置为感测待检测物体的移动，并且分别触发第一线扫相机和第二线扫相机对检测站上的物体的图像拍摄。如前所述，图像采集装置100被固定到生产线上的现有设备上，因此，在生产线上的经历了背面减薄工艺的晶圆被传送时，所述一对光电传感器106中的一个能够检测该晶圆何时移动到检测站108上，并且在该晶圆移动到检测站108时，触发一组第一线扫相机107的图像采集动作。这样一来，晶圆的传送不需要停止，也不需要将晶圆从生产线取下来，就能够完成图像采集操作。同样地，在第一线扫相机107的图像采集完成后，该晶圆继续经历切割膜安装操作，形成了如前所述的晶圆工件。随后，在该工件再次被输送到检测站108上时，所述一对光电传感器106中的另一个感测到该移动并且触发第二线扫相机103的图像采集动作。

通过本文所述的图像采集装置100，由于使用了线扫相机来进行图像采集，并且装置100能够被安装到生产线上的现有设备，因而能够实现在晶圆保持被传送的同时，动态地直接对晶圆表面进行高清晰度的图像采集，使得这种图像采集操作既不需要将晶圆取下来，也不需要将生产线停止下来再进行静态的图像采集。同时，由于分别采用了一组高分辨率的线扫相机和单个的低分辨率的线扫相机，使得本文的图像采集装置100既能够直接采集晶圆表面的图像，以识别晶圆表面的微小缺陷，又能够在晶圆被安装切割膜后采集整个工件的图像，以识别安装位置和气泡等缺陷。

图2示出了根据本公开的实施例的图像数据处理流程的示意图。如本领域技术人员应当理解的，在图1所示的图像采集装置100的图像采集操作之后，需要进一步对图像数据进行图像处理，从而通过一系列图像处理操作来判断出晶圆表面是否存在缺陷，以及缺陷的特征，并且最终根据预设的条件来发出警报。

在本公开的实施方式中，从第一线扫相机107和第二线扫相机103输出的图像数据被传输到与图像采集装置100通信连接的数据处理装置以进行进一步处理。如图2所示，针对一组第一线扫相机107所输出的图像数据，首先进行图像分割处理。如本领域技术人员应当理解的，由于第一线扫相机107为高分辨率的线扫相机，因而其输出的图像数据非常大，通常为几千兆字节，这使得图像处理的计算量显著增大，并且也增加了处理时间，降低了效率。因此，为了提高实时处理的处理速度，需要对每个线扫相机输出的图像进行分割。

如图3所示，左侧的图示出了由三个线扫相机输出的三列图像，并且其中每一列图像又被进一步分割成多个子块，分割可以是沿着线扫的方向进行的。如前所述，三个线扫相机彼此之间有一定程度的交叠，使得输出的三列图像不会遗落任何晶圆区域。在实施例中，可以根据实际的计算单元的处理能力来划分每个子块的大小，使得单次计算量能够得到减小，整体处理时间也随之减少，从而提高效率。例如，在图3中，这三个线扫相机输出的图像分别被分割成16个子块。另一方面，由于采用低清晰度的第二线扫相机103对整个晶圆工件进行图像采集，其整体分辨率较低，因而不需要进行图像分割处理。如图3的右侧的图所示，其示出了整体的工件表面的图像，其中，图像分别显示出减薄的晶圆、金属框架和切割膜。

然后，在本公开的实施方式中，从每个线扫相机输出的图像数据由单独的计算单元进行处理，如图4所示。如图4的实施例中所示，相机A、B、C分别为具有高分辨率的第一线扫相机，其输出的图像已被沿扫描方向分割成若干子块，在图4所示的实施例中为8个子块。随后，相机A、B、C输出的图像分别由计算单元A、B、C进行处理，处理后分别得到每一列或每一条带区域图像的晶圆缺陷数据。类似地，相机D对应于具有低分辨率的第二线扫相机，其输出的图像不被分割，并且直接被传送到计算单元D进行处理，最后得到工件的缺陷数据。

返回参考图2，针对第一线扫相机107输出的图像数据，计算单元首先分别对三个相机的图像数据进行感兴趣区域(ROI)识别，从而检测出晶圆的边缘，并且从图像数据中去掉不感兴趣的背景区域的数据。如图5所示，其示出了ROI识别的结果。如图所示，虚线框中的部分为不感兴趣的背景区域，将这部分剔除，可以节约计算资源，加快计算速度，从而提高处理效率。

返回参考图2，在对第一线扫相机的图像进行自动ROI识别操作之后，计算单元分别对第一线扫相机和第二线扫相机的图像数据执行本文公开的混合图像处理方法。在本公开的实施方式中，将深度学习处理与计算机视觉(CV)算法处理结合使用，分别利用二者的优势来执行缺陷检测。例如，通常情况下，CV算法更适合于快速地识别出某些面积较大、分布较广/特征明显的缺陷的存在，例如，通常位于晶圆的中心区域中的诸如研磨纹的缺陷，以及位于边缘区域中的诸如崩边的缺陷，以及晶圆工件的放置位置等缺陷。对于这些缺陷，通常仅需要判断其存在与否，而不需要进一步获知其特征，例如类型、尺寸、位置、形状等，因而适合使用CV算法来识别。另一方面，对于晶圆表面上的诸如碎屑、粉末、污渍、划伤等微小缺陷以及晶圆工件表面上的诸如气泡、褶皱的缺陷，则需要使用深度学习处理来加以识别，同时给出这些缺陷的相应特征，例如，类型、尺寸、位置、形状、分布、对比度以及缺陷图像、缺陷严重程度，等等。在本公开的实施方式中，经过训练的深度学习缺陷模型能够识别各种缺陷，并且后续也可以学习新的缺陷类型和特征，并且也可以部署到其他的生产线以进行缺陷识别。

在实施例中，在根据需要分别使用深度学习处理和CV算法对第一线扫相机和第二线扫相机的图像数据执行处理之后，将被分割的图像合并，重新形成完整的晶圆表面图像，如图6所示。图6示出了已识别出缺陷的完整晶圆和工件的缺陷图，图中标记了微小缺陷的存在和位置、形状、尺寸等。

在本公开的实施方式中，由于晶圆和工件上存在很多缺陷，因而在得到如图6所示的缺陷图之后，需要进一步对这些数据进行处理，根据一系列的判断规则，利用所得到的缺陷特征来逐级判断缺陷的严重性，并且最终针对故障晶圆或工件发出警报，将其及时地移除生产线。

在本公开的实施方式中，通过执行一种缺陷分级算法来执行这种判断。在本公开所提出的缺陷分级算法中，首先判断致命缺陷的存在。例如，致命缺陷类型包括研磨纹、裂纹等严重性高的缺陷。一旦识别出这些类型的缺陷，就发出警报。

接下来，在排除了这些致命类型的缺陷之后，依据量化规则再次进行判断。在实施例中，检查经由深度学习处理所获得的缺陷尺寸特征信息，例如，异物的占地面积、划伤的长度、气泡的宽度等，随后根据人为预设的尺寸量化规则，对于缺陷尺寸大于预设条件的晶圆或工件，判断为故障晶圆或工件并发出警报。

接下来，在通过了量化规则检验之后，根据微小缺陷的位置和分布情况，依据分布规则再次进行判断。在实施例中，如果微小的缺陷在晶圆或工件上的某一区域的分布较为集中或密集，如图7所示，也将其判断为故障晶圆或工件并发出警报。在实施例中，这种集中或密集的程度也可以通过人为预设的分布规则来判断。

最后，对于通过了量化规则和分布规则检验的微小缺陷，再次依据所谓的连续时间规则来进行判断。如本领域技术人员将理解的，在实际生产过程中，可能由于传送带或其他装置上存在小的突起，而导致其上的晶圆表面产生凹痕，一旦不能及时发现，就可能导致连续多片晶圆都具有这种凹痕缺陷。因此，除了如上所述检测并分析单片晶圆上的缺陷尺寸和分布之外，还要检查连续多片晶圆是否存在相同或相似的缺陷，例如，缺陷是否具有相似的缺陷类型、在晶圆上的相同位置、相似的形貌以及相似的尺寸。如图8所示，示出了5片晶圆，它们在相同的位置处具有类型相似、形貌相似、尺寸相似的缺陷，因而判断存在问题，并发出警报。因此，通过这种连续时间规则，能够及时地发现生产线上的故障并做出处理，以免检测的滞后造成更大的损失。

因此，本公开提出了一种用于检测晶圆表面缺陷的设备，其一方面使用能够插入现有的生产线上的其他设备中或者安装在生产线上的现有设备上的图像采集装置，在晶圆经过研磨、抛光、水洗等背面处理后，直接对晶圆表面进行拍摄，而无需将晶圆从生产线上取下或将生产线停止。另一方面，所提出的设备使用将深度学习方法和计算机视觉算法相结合的混合图像处理方法，在识别出缺陷的存在的同时，还能够获得缺陷的特征信息，例如，缺陷的类型、尺寸、形状、位置、数量等，并且同时还使用一种缺陷分级算法，根据这些缺陷特征信息，分析缺陷是否致命，并且从尺寸、分布、多晶圆之间的缺陷共同性等多个维度对缺陷进行分级判断，然后根据预设条件发出警报。

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 (21)

1.一种用于检测晶圆表面缺陷的设备，包括：

图像采集装置，包括：

安装框架；

多个并排布置的第一线扫相机；

移动平台，被配置为固定所述第一线扫相机，并且能够在高度方向上移动；

检测站，位于所述移动平台下方；

第一传感器，被配置为在待测晶圆移动到所述检测站上时，触发所述第一线扫相机对所述待测晶圆的拍摄；以及

第一光路，包括照明光源和反射镜，被配置成为所述第一线扫相机的拍摄提供明场环境。

2.根据权利要求1所述的设备，还包括：

数据处理装置，与所述图像采集装置通信耦合，并且被配置为根据所述第一线扫相机所拍摄的图像，使用混合图像处理方法来识别所述晶圆表面上的缺陷以及所述缺陷的特征，

其中，所述混合图像处理方法包括深度学习方法与计算机视觉算法的组合。

3.根据权利要求2所述的设备，其中，所述数据处理装置被配置为在执行所述混合图像处理方法前，执行图像分割算法和感兴趣区域识别算法。

4.根据权利要求2所述的设备，其中，所述图像采集装置还包括：

第二线扫相机，被所述移动平台固定在所述检测站上方；

第二传感器，被配置为在待测工件移动到所述检测站上时，触发所述第二线扫相机对所述待测工件的拍摄，以及

第二光路，包括照明光源和反射镜，被配置成为所述第二线扫相机的拍摄提供暗场环境，

其中，所述待测工件包括所述晶圆、金属框架以及切割膜，并且所述金属框架固定所述晶圆，并且所述切割膜贴附到所述晶圆表面上，

其中，所述数据处理装置还被配置为根据所述第二线扫相机所拍摄的图像，使用所述混合图像处理方法来识别所述工件表面上的缺陷以及所述缺陷的特征。

5.根据权利要求1所述的设备，其中，所述第一线扫相机为高清晰度线扫相机，其中，所述高清晰度线扫相机包括具有16k或更高的清晰度的线扫相机。

6.根据权利要求1所述的设备，其中，所述多个并排布置的第一线扫相机为三个第一线扫相机。

7.根据权利要求4所述的设备，其中，所述第二线扫相机为低清晰度线扫相机，其中，所述低清晰度线扫相机包括具有8k的清晰度的线扫相机。

8.根据权利要求4所述的设备，其中，所述数据处理装置包括多个单独的计算单元，每个计算单元被配置为对所述多个第一线扫相机和所述第二线扫相机中的一者输出的图像执行所述混合图像处理方法。

9.根据权利要求8所述的设备，其中，所述多个计算单元包括第一计算单元和第二计算单元，所述第一计算单元被配置为对所述多个第一线扫相机中的一个第一线扫相机输出的第一图像执行所述混合图像处理方法以输出第一缺陷数据，所述第二计算单元被配置为对所述第二线扫相机输出的第二图像执行所述混合图像处理方法以输出第二缺陷数据，其中，所述第一缺陷数据和所述第二缺陷数据共同用于缺陷识别。

10.根据权利要求2或4所述的设备，其中，所述数据处理装置被配置为利用所述计算机视觉算法来识别缺陷的存在以及所述晶圆的安装精度。

11.根据权利要求2或4所述的设备，其中，所述数据处理装置被配置为利用所述深度学习方法来识别缺陷的类型和特征，所述特征包括尺寸、位置、形貌和对比度。

12.根据权利要求2或4所述的设备，其中，所述数据处理装置还被配置为执行缺陷分级算法，所述缺陷分级算法按照多种预设条件对通过所述混合图像处理方法获取的包含所识别的缺陷的类型和特征的缺陷数据进行处理，使得在所述缺陷的类型和特征满足相应预设条件时，发出警报。

13.根据权利要求12所述的设备，其中，所述预设条件包括缺陷类型、缺陷尺寸、缺陷位置分布、以及多晶圆间的缺陷共同性。

14.一种用于检测晶圆表面缺陷的方法，包括：

提供图像采集装置，包括：

提供安装框架；

提供多个并排布置的第一线扫相机；

提供移动平台，所述移动平台被配置为固定所述第一线扫相机，并且能够在高度方向上移动；

提供检测站，所述检测站位于所述移动平台下方；

提供第一传感器，所述第一传感器被配置为在待测晶圆移动到所述检测站上时，触发所述第一线扫相机对所述待测晶圆的拍摄；以及

提供第一光路，所述第一光路包括照明光源和反射镜，并且被配置成为所述第一线扫相机的拍摄提供明场环境；以及

使用所述图像采集装置的所述多个并排布置的第一线扫相机来采集待测晶圆表面的图像。

15.根据权利要求14所述的方法，还包括：

通过与所述图像采集装置通信耦合的数据处理装置，根据所述第一线扫相机所拍摄的图像，使用混合图像处理方法来识别所述晶圆表面上的缺陷以及所述缺陷的特征，

其中，所述混合图像处理方法包括深度学习方法与计算机视觉算法的组合。

16.根据权利要求15所述的方法，还包括：在执行所述混合图像处理方法前，通过所述数据处理装置执行图像分割算法和感兴趣区域识别算法，从而将通过所述第一线扫相机获得的图像分割成多个子图像块，并且然后将图像的边缘部分排除。

17.根据权利要求15所述的方法，其中，提供所述图像采集装置还包括：

提供第二线扫相机，所述第二线扫相机被所述移动平台固定在所述检测站上方；

提供第二传感器，所述第二传感器被配置为在待测工件移动到所述检测站上时，触发所述第二线扫相机对所述待测工件的拍摄，以及

提供第二光路，所述第二光路包括照明光源和反射镜，并且被配置成为所述第二线扫相机的拍摄提供暗场环境，

其中，所述待测工件包括所述晶圆、金属框架以及切割膜，并且所述金属框架固定所述晶圆，并且所述切割膜贴附到所述晶圆表面上，

所述方法还包括：

使用所述图像采集装置的所述第二线扫相机来采集待测晶圆表面的图像；以及

通过所述数据处理装置，根据所述第二线扫相机所拍摄的图像，使用所述混合图像处理方法来识别所述工件表面上的缺陷以及所述缺陷的特征。

18.根据权利要求15或17所述的方法，其中，通过所述数据处理装置，利用所述计算机视觉算法来识别缺陷的存在以及所述晶圆的安装精度。

19.根据权利要求15或17所述的方法，其中，通过所述数据处理装置，利用所述深度学习方法来识别缺陷的类型和特征，其中，所述特征包括尺寸、位置、形貌和对比度。

20.根据权利要求15或17所述的方法，还包括：通过所述数据处理装置，按照多种预设条件对通过所述混合图像处理方法获取的包含所识别的缺陷的类型和特征的缺陷数据进行分级处理，使得在所述缺陷的类型和特征满足相应预设条件时，发出警报。

21.根据权利要求19所述的方法，其中，所述分级处理依次包括：

判断是否属于致命缺陷类型，针对所述致命缺陷类型的缺陷发出警报；

根据与缺陷尺寸相关的预设条件进行判断，针对达到所述预设条件的缺陷发出警报；

根据与缺陷位置分布相关的预设条件进行判断，针对达到所述预设条件的缺陷发出警报；

针对连续多个晶圆出现的具有相似类型、相同位置、相似形貌、相似尺寸的缺陷，发出警报。