TW202200985A - 檢測晶圓的裝置及方法以及非暫時性計算機可讀媒體 - Google Patents

檢測晶圓的裝置及方法以及非暫時性計算機可讀媒體 Download PDF

Info

Publication number
TW202200985A
TW202200985A TW110101476A TW110101476A TW202200985A TW 202200985 A TW202200985 A TW 202200985A TW 110101476 A TW110101476 A TW 110101476A TW 110101476 A TW110101476 A TW 110101476A TW 202200985 A TW202200985 A TW 202200985A
Authority
TW
Taiwan
Prior art keywords
semiconductor wafer
edge
damaged
wafer
image
Prior art date
Application number
TW110101476A
Other languages
English (en)
Inventor
林鎮民
陳弦澤
Original Assignee
台灣積體電路製造股份有限公司
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 台灣積體電路製造股份有限公司 filed Critical 台灣積體電路製造股份有限公司
Publication of TW202200985A publication Critical patent/TW202200985A/zh

Links

Images

Classifications

    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
    • H01L21/67—Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere
    • H01L21/67005—Apparatus not specifically provided for elsewhere
    • H01L21/67242—Apparatus for monitoring, sorting or marking
    • H01L21/67271—Sorting devices
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B07—SEPARATING SOLIDS FROM SOLIDS; SORTING
    • B07C—POSTAL SORTING; SORTING INDIVIDUAL ARTICLES, OR BULK MATERIAL FIT TO BE SORTED PIECE-MEAL, e.g. BY PICKING
    • B07C5/00—Sorting according to a characteristic or feature of the articles or material being sorted, e.g. by control effected by devices which detect or measure such characteristic or feature; Sorting by manually actuated devices, e.g. switches
    • B07C5/02—Measures preceding sorting, e.g. arranging articles in a stream orientating
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B07—SEPARATING SOLIDS FROM SOLIDS; SORTING
    • B07C—POSTAL SORTING; SORTING INDIVIDUAL ARTICLES, OR BULK MATERIAL FIT TO BE SORTED PIECE-MEAL, e.g. BY PICKING
    • B07C5/00—Sorting according to a characteristic or feature of the articles or material being sorted, e.g. by control effected by devices which detect or measure such characteristic or feature; Sorting by manually actuated devices, e.g. switches
    • B07C5/34—Sorting according to other particular properties
    • B07C5/342—Sorting according to other particular properties according to optical properties, e.g. colour
    • B07C5/3422—Sorting according to other particular properties according to optical properties, e.g. colour using video scanning devices, e.g. TV-cameras
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B07—SEPARATING SOLIDS FROM SOLIDS; SORTING
    • B07C—POSTAL SORTING; SORTING INDIVIDUAL ARTICLES, OR BULK MATERIAL FIT TO BE SORTED PIECE-MEAL, e.g. BY PICKING
    • B07C5/00—Sorting according to a characteristic or feature of the articles or material being sorted, e.g. by control effected by devices which detect or measure such characteristic or feature; Sorting by manually actuated devices, e.g. switches
    • B07C5/36—Sorting apparatus characterised by the means used for distribution
    • B07C5/361—Processing or control devices therefor, e.g. escort memory
    • B07C5/362—Separating or distributor mechanisms
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • G01N21/9501—Semiconductor wafers
    • G01N21/9503—Wafer edge inspection
    • 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
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
    • H01L21/67—Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere
    • H01L21/67005—Apparatus not specifically provided for elsewhere
    • H01L21/67242—Apparatus for monitoring, sorting or marking
    • H01L21/67288—Monitoring of warpage, curvature, damage, defects or the like
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
    • H01L21/67—Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere
    • H01L21/67005—Apparatus not specifically provided for elsewhere
    • H01L21/67242—Apparatus for monitoring, sorting or marking
    • H01L21/67294—Apparatus for monitoring, sorting or marking using identification means, e.g. labels on substrates or labels on containers
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
    • H01L22/10—Measuring as part of the manufacturing process
    • H01L22/12—Measuring as part of the manufacturing process for structural parameters, e.g. thickness, line width, refractive index, temperature, warp, bond strength, defects, optical inspection, electrical measurement of structural dimensions, metallurgic measurement of diffusions
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
    • H01L22/20—Sequence of activities consisting of a plurality of measurements, corrections, marking or sorting steps
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
    • 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

Abstract

一種裝置可檢測要從源晶圓載體轉移到目標晶圓載體的半導體晶圓，且可使光源照亮半導體晶圓。所述裝置可在光源照亮半導體晶圓之後使照相機捕獲半導體晶圓的圖像，且可對半導體晶圓的圖像實行圖像識別以判斷半導體晶圓的邊緣是否被損壞。當確定半導體晶圓的邊緣被損壞時，所述裝置可使半導體晶圓被提供給源晶圓載體，且當確定半導體晶圓的邊緣未被損壞時，所述裝置可使半導體晶圓被提供給目標晶圓載體。

Description

利用自動化材料搬運系統的半導體晶圓分選機工具檢測損壞的半導體晶圓
半導體製造行業的新的、快節奏的發展及技術突破增加了資源最佳利用的重要性。較新的半導體晶圓製作廠強調增加良率及減少循環時間。自動化材料搬運系統（automated material handling system）是幫助半導體晶圓製作廠實現這些目標的有用工具。
以下公開內容提供用於實施所提供主題的不同特徵的許多不同的實施例或實例。以下闡述組件及佈置的具體實例以簡化本公開。當然，這些僅為實例而非旨在進行限制。舉例來說，在以下說明中，在第二特徵之上或第二特徵上形成第一特徵可包括其中第一特徵與第二特徵被形成為直接接觸的實施例，且也可包括其中第一特徵與第二特徵之間可形成附加特徵從而使得第一特徵與第二特徵可不直接接觸的實施例。另外，本公開在各種實例中可重複使用參考編號和/或字母。此種重複使用是為了簡明及清晰起見，且自身並不表示所論述的各個實施例和/或配置之間的關係。
此外，為易於說明，本文中可能使用例如“在...之下”、“在...下方”、“下部的”、“在...上方”、“上部的”等空間相對性用語來闡述圖中所示一個元件或特徵與另一（其他）元件或特徵的關係。所述空間相對性用語旨在除圖中所繪示的取向外還囊括裝置在使用或操作中的不同取向。設備可另外取向（旋轉90度或處於其他取向），且本文中所用的空間相對性描述語可同樣相應地進行解釋。
在一些情況下，利用自動化材料搬運系統來運輸半導體晶圓、分選半導體晶圓和/或類似操作。自動化材料搬運系統中使用的機械設備包括分揀機、輸送機、機械臂、掃描儀、半導體晶圓載體和/或類似元件。在自動化材料搬運系統中利用的一個此種工具是分選及運輸半導體晶圓的半導體晶圓分選機工具。半導體晶圓容易損壞，尤其是在半導體晶圓的邊緣上。然而，在運送半導體晶圓之前，目前由人檢查半導體晶圓的損壞。此外，當前自動化材料搬運系統僅搬運及運輸半導體晶圓，而不檢查半導體晶圓的損壞。這導致用於檢測損壞的半導體晶圓的耗時、乏味且容易出錯的過程，這會浪費資源（例如，人力資源、工具資源、製造資源和/或類似資源），並且產生不靈活的生產需求。
根據本文闡述的一些實作方式，自動化光學檢查工具可與自動化材料搬運系統的半導體晶圓分選機工具一起使用，以在半導體晶圓分選機工具搬運半導體晶圓的同時自動地檢測損壞的半導體晶圓。例如，自動化光學檢查工具可檢測要從源晶圓載體轉移到目標晶圓載體的半導體晶圓，且可使光源照亮半導體晶圓。自動化光學檢查工具可在光源照亮半導體晶圓之後使照相機捕獲半導體晶圓的圖像，且可對半導體晶圓的圖像實行圖像識別以判斷半導體晶圓的邊緣是否被損壞。自動化光學檢查工具可基於判斷半導體晶圓的邊緣是否被損壞，使半導體晶圓被選擇性地提供給源晶圓載體或目標晶圓載體。當確定半導體晶圓的邊緣被損壞時，可將半導體晶圓提供給源晶圓載體，且當確定半導體晶圓的邊緣未被損壞時，可將半導體晶圓提供給目標晶圓載體。
以此種方式，自動化光學檢查工具可與自動化材料搬運系統的半導體晶圓分選機工具一起使用，以在所述系統搬運半導體晶圓的同時自動地檢測損壞的半導體晶圓。例如，自動化光學檢查工具可捕獲半導體晶圓的圖像，並且可對所捕獲的圖像實行圖像識別，以辨識損壞的半導體晶圓。因此，自動化光學檢查工具可在半導體晶圓被提供用於運送之前辨識損壞的半導體晶圓，可增加半導體晶圓生產的生產量，可保存資源（例如，人力資源、工具資源和/或製造資源），和/或類似情況。
圖1A到圖1G是本文闡述的一個或多個示例性實作方式的圖100。如圖1A所示，源晶圓載體（例如，具有多個半導體晶圓）及目標晶圓載體（例如，沒有任何半導體晶圓）可與半導體晶圓分選機工具105、自動化光學檢查（automated optical inspection，AOI）工具110、半導體晶圓分選機工具105的分選機對準器115、AOI工具110的高速照相機120以及AOI工具110的同軸光源125相關聯。
半導體晶圓分選機工具105可包括分選及運輸半導體晶圓的自動化材料搬運系統工具。例如，半導體晶圓分選機工具105可自動地分選半導體晶圓，將半導體晶圓分成組，將半導體晶圓從源晶圓載體轉移到目標晶圓載體，將半導體晶圓從目標晶圓載體轉移到源晶圓載體，將半導體晶圓轉移到自動化材料搬運系統的其他工具，和/或類似情況。在一些實作方式中，一旦半導體晶圓被分選（例如，在源晶圓載體與目標晶圓載體之間），半導體晶圓分選機工具105使源晶圓載體及目標晶圓載體被提供到製造設施的其他位置。例如，半導體晶圓分選機工具105可使源晶圓載體和/或目標晶圓載體（例如，具有損壞的半導體晶圓）被提供用於品質控制檢查，可使源晶圓載體和/或目標晶圓載體（例如，具有未損壞的半導體晶圓）被提供給其他工具用於進一步處理，可使源晶圓載體和/或目標晶圓載體（例如，具有未損壞的半導體晶圓）被準備用於運送，和/或類似情況。
半導體晶圓分選機工具105可將半導體晶圓轉移到不同的晶圓載體（例如，不同的目標晶圓載體），這是因為不同的晶圓載體可被指定用於不同的半導體製程、運送、測試製程、和/或類似情況。例如，半導體晶圓分選機工具105可將要分切的半導體晶圓提供給被指定用於分切操作的對應的晶圓載體。在一些實作方式中，半導體晶圓在半導體晶圓的頂表面和/或底表面上包括辨識數據（例如，數字代碼、字母數字代碼、條形碼、二維（QR）碼、和/或類似代碼），並且半導體晶圓分選機工具105可基於所述辨識數據來辨識半導體晶圓。
在一些實作方式中，半導體晶圓分選機工具105可利用分選機對準器115來辨識半導體晶圓的凹口或平面。直徑小於兩百（200）毫米的半導體晶圓具有切入一側內的平面。所述平面允許半導體晶圓精確對準，以便由半導體晶圓分選機工具105（例如，由半導體晶圓分選機工具105的機械組件）搬運。直徑大於或等於兩百（200）毫米的半導體晶圓使用凹口而非平面。半導體晶圓的邊緣上的凹口也允許半導體晶圓精確對準，但佔用少得多的晶圓表面。在一些實作方式中，分選機對準器115包括旋轉半導體晶圓的可旋轉卡盤。為了對準半導體晶圓，分選機對準器115可實行預對準，所述預對準包括將分選機對準器115的可旋轉卡盤的中心位置與半導體晶圓的中心位置對中。在預對準之後，分選機對準器115可實行對準，所述對準包括使可旋轉卡盤旋轉半導體晶圓，以辨識（例如，對準）半導體晶圓的平面或凹口（例如，使用電荷耦合裝置（charge coupled device，CCD）傳感器的檢測方法）。在對準之後，分選機對準器115可使可旋轉卡盤再次旋轉半導體晶圓，以重新查核半導體晶圓的平面或凹口。
AOI工具110可包括提供半導體晶圓的自動化視覺檢查的工具，其中照相機自動地掃描被測試的半導體晶圓的災難性故障（例如，缺失組件）、品質缺陷（例如，半導體晶圓的損壞的邊緣）和/或類似情況。因此，AOI工具110為半導體晶圓提供非接觸測試方法。AOI工具110可包括高速照像機120及同軸光源125。高速照相機120可包括每秒捕獲至少六十幀圖像的照相機。在一些實作方式中，高速照相機120可包括每秒捕獲至少二百五十幀圖像的照相機。高速照相機120可包括0.3百萬像素（megapixel）、一百萬像素、兩百萬像素和/或類似像素。高速照相機120可捕獲位於分選機對準器115上的半導體晶圓的圖像。在一些實作方式中，AOI工具110的照相機可為高速照相機，因為分選機對準器115旋轉半導體晶圓，並且高速照相機可用於準確地捕獲旋轉的半導體晶圓的圖像。高速照相機120可位於半導體晶圓上方一定距離處，使得高速照相機120在單幀中捕獲整個半導體晶圓，在一定距離處，使得高速照相機120在單幀中捕獲半導體晶圓的一部分（例如，百分比）和/或類似情況。在一些實作方式中，高速照相機120可位於半導體晶圓正上方、相對於半導體晶圓的頂表面成一定角度以減少來自同軸光源125的光的反射和/或類似情況。在一些實作方式中，如果同軸光源125沒有被利用或者位於半導體晶圓下方，則高速照相機120可位於半導體晶圓正下方，相對於半導體晶圓的底表面成一定角度，和/或類似情況。
同軸光源125可從半導體晶圓（例如，位於分選機對準器115上）的頂表面上方（例如，頂表面正上方或與之成一定角度）的位置提供一片光的漫射照明（diffuse illumination）。在一些實作方式中，同軸光源125可位於半導體晶圓的底表面下方（例如，底表面正下方或與之成一定角度）。在其中同軸光源125位於半導體晶圓底表面下方的此種實作方式中，高速照相機120也可位於半導體晶圓的底表面下方。在一些實作方式中，可利用同軸光源125，因為半導體晶圓的表面具有高度的反射率，並且同軸光可用於此種表面。在一些實作方式中，同軸光源125可用從半導體晶圓上方的位置照亮半導體晶圓的光源代替。在一些實作方式中，高速照相機120可能夠在不使用例如同軸光源125等專用光源的情況下捕獲圖像。在此種實作方式中，高速照相機120可位於半導體晶圓的上方或下方。
如圖1A且通過參考編號130進一步所示，半導體晶圓分選機工具105可接收具有多個半導體晶圓的源晶圓載體、及目標晶圓載體。例如，半導體晶圓分選機工具105可從一個或多個自動化材料搬運系統工具（例如，機器人、輸送機和/或類似工具）接收源晶圓載體和/或目標晶圓載體。在一些實作方式中，半導體晶圓分選機工具105從源晶圓載體取回（例如，用機械臂）半導體晶圓。
如圖1B且通過參考編號135所示，半導體晶圓分選機工具105可將（例如，從源晶圓載體獲得的）多個半導體晶圓中的半導體晶圓提供給分選機對準器115。例如，半導體晶圓分選機工具105可從源晶圓載體獲得半導體晶圓，並且可將半導體晶圓提供到分選機對準器115的可旋轉卡盤上。可旋轉卡盤的大小及形狀可被設計成容納及保持半導體晶圓。可旋轉卡盤可包括將半導體晶圓保持在可旋轉卡盤的表面上的真空，可包括將半導體晶圓保持在可旋轉卡盤的表面上的表面摩擦，和/或類似情況。
如圖1B且通過參考編號135進一步所示，半導體晶圓分選機工具105可使分選機對準器115旋轉半導體晶圓。例如，分選機對準器115的可旋轉卡盤可旋轉，並且將半導體晶圓保持在可旋轉卡盤上的真空、表面摩擦和/或類似物可使半導體晶圓隨著可旋轉卡盤旋轉。在一些實作方式中，分選機對準器115可以每秒兩轉、每秒三轉、和/或類似轉數的速度旋轉半導體晶圓。在一些實作方式中，AOI工具110與分選機對準器115集成，使得AOI工具110可在分選機對準器115旋轉半導體晶圓時檢查半導體晶圓。
如圖1C且通過參考編號140所示，當分選機對準器115旋轉半導體晶圓時，AOI工具110可使同軸光源125照亮半導體晶圓。例如，AOI工具110可接收指示分選機對準器115正在旋轉或將要旋轉半導體晶圓的第一信號，並且可基於第一信號向同軸光源125提供指令同軸光源125對半導體晶圓供能並照亮半導體晶圓的第二信號。在一些實作方式中，同軸光源125可從半導體晶圓（例如，在分選機對準器115上旋轉）上方的位置提供一片光的漫射照明，使得高速照相機120可捕獲圖像。
如圖1C中且通過參考編號140進一步所示，在同軸光源125照亮半導體晶圓之後，AOI工具110可使高速照相機120捕獲半導體晶圓的圖像。例如，AOI工具110可接收指示分選機對準器115正在旋轉或將要旋轉半導體晶圓的第一信號，並且可基於第一信號向高速照相機120提供指令高速照相機120對半導體晶圓供能並捕獲半導體晶圓的圖像的第二信號。在一些實作方式中，高速照相機120每秒捕獲半導體晶圓的圖像至少六十幀、至少一百二十幀、至少二百四十幀和/或類似幀。在一些實作方式中，高速照相機120捕獲半導體晶圓的圖像，直到分選機對準器115將半導體晶圓旋轉至少一轉。例如，如果分選機對準器115每秒旋轉半導體晶圓兩轉，則高速照相機120可在0.5秒時或之後、一秒時或之後和/或類似時間捕獲半導體晶圓的圖像。AOI工具110可指令高速照相機120何時捕獲半導體晶圓的圖像以及何時停止捕獲半導體晶圓的圖像。
如圖1D且通過參考編號145所示，AOI工具110可對半導體晶圓的圖像（例如，由高速照相機120捕獲）實行圖像識別，以判斷半導體晶圓的邊緣是否被損壞。例如，AOI工具110可用圖像識別模型來處理半導體晶圓的圖像，以判斷半導體晶圓的邊緣是否被損壞（例如，包括一個或多個缺失部分）。在一些實作方式中，圖像識別模型包括卷積神經網路模型、分類模型、支援向量機模型和/或類似模型，所述這些模型用歷史圖像數據進行訓練以辨識具有損壞的邊緣的半導體晶圓、具有未損壞的邊緣的半導體晶圓和/或類似晶圓。例如，卷積神經網路模型可通過實行特徵提取及分類來訓練。在另一實例中，可手動提取圖像的特徵，並且可利用所述特徵來訓練支援向量機模型。在又一實例中，可跳過卷積神經網路模型的分類層，並且可利用從不同神經網路層提取的特徵來訓練支援向量機模型。
在一些實作方式中，AOI工具110可用歷史數據（例如，辨識具有損壞的邊緣的半導體晶圓、具有未損壞的邊緣的半導體晶圓和/或類似晶圓的歷史數據）來訓練圖像識別模型，以產生能夠判斷半導體晶圓的邊緣是否被損壞的經訓練的圖像識別模型。AOI工具110可將歷史數據分成訓練集、驗證集、測試集和/或類似集。訓練集可用於訓練圖像識別模型。驗證集可用於驗證經訓練圖像識別模型的結果。測試集可用於測試經訓練圖像識別模型的操作。
在一些實作方式中，AOI工具110可使用例如無監督的訓練程序並基於歷史數據來訓練圖像識別模型。例如，AOI工具110可實行降維以將歷史數據減少到最小特徵集，從而減少訓練圖像識別模型的資源（例如，處理資源、記憶體資源和/或類似資源），並且可對最小特徵集應用分類技術。
在一些實作方式中，AOI工具110可使用邏輯回歸分類技術來確定分類結果（例如，半導體晶圓的邊緣是否被損壞）。另外或作為另一選擇，AOI工具110可使用單純貝葉斯分類器技術（naïve Bayesian classifier technique）。在這種情況下，AOI工具110可實行二進制遞歸分區（binary recursive partitioning），以將歷史數據分成分區和/或分支，並使用分區和/或分支來確定結果（例如，半導體晶圓的邊緣是否被損壞）。基於使用遞歸分區，AOI工具110可相對於數據點的手動、線性分選及分析減少計算資源的利用，從而使得能夠使用數千、數百萬或數十億個數據點來訓練圖像識別模型，相較於使用更少的數據點，這可產生更準確的模型。
另外或作為另一選擇，AOI工具110可使用支援向量機（support vector machine，SVM）分類器技術來產生訓練集中的數據點之間的非線性邊界。在這種情況下，使用非線性邊界將測試數據分類成特定類別。
另外或作為另一選擇，AOI工具110可使用監督的訓練程序來訓練圖像識別模型，所述監督的訓練程序包括從主題專家接收對圖像識別模型的輸入，這相對於無監督的訓練程序可減少訓練圖像識別模型的時間量、處理資源量和/或類似量。
在一些實作方式中，AOI工具110可使用一種或多種其他模型訓練技術，例如潛在語意索引技術（latent semantic indexing technique）和/或類似技術。例如，AOI工具110可實行人工神經網路處理技術（例如，使用兩層式前饋神經網路架構、三層式前饋神經網路架構和/或類似架構）來實行關於歷史數據的模式的模式識別。在這種情況下，使用人工神經網路處理技術可通過使由AOI工具110產生的經訓練圖像識別模型對有噪聲的、不精確或不完全數據更加魯棒（Robust）以及通過使AOI工具110能夠使用不太複雜的技術檢測人類分析師或系統無法檢測的模式和/或趨勢，來提高所述模型的準確性。
在一些實作方式中，不同於訓練圖像識別模型，AOI工具110可從已對圖像識別模型進行訓練而產生經訓練圖像識別模型的另一系統或裝置獲得經訓練圖像識別模型。在這種情況下，AOI工具110可向其他系統或裝置提供用於訓練圖像識別模型的歷史數據，並且可向其他系統或裝置提供更新的歷史數據以重新訓練圖像識別模型，從而更新經訓練圖像識別模型。
在一些實作方式中，AOI工具110可在以下情況下對半導體晶圓的圖像實行圖像識別，以判斷半導體晶圓的邊緣是否被損壞：在從源晶圓載體運輸半導體晶圓的同時、在分選半導體晶圓的同時、在分選機對準器115旋轉半導體晶圓的同時和/或類似情況。AOI工具110可對半導體晶圓的圖像實行圖像識別，以實時地或近乎實時地（例如，少於兩到三秒）判斷半導體晶圓的邊緣是否被損壞。當對半導體晶圓的圖像實行圖像識別時，當半導體晶圓的所捕獲的圖像包括顏色比半導體晶圓的表面顏色更暗的圖像時，AOI工具110可確定（例如，通過圖像識別）半導體晶圓的邊緣的一個或多個部分缺失。例如，半導體晶圓可包括第一顏色（例如，灰色或白色），並且半導體晶圓的缺失部分（例如，缺口邊緣）可包括不同於第一顏色的第二顏色（例如，黑色）。當所述一個或多個部分的數量滿足部分的閾值數量（例如，一個部分、兩個部分、三個部分和/或類似情況）時，AOI工具110可確定半導體晶圓的邊緣被損壞。
當對半導體晶圓的圖像實行圖像識別時，AOI工具110可確定半導體晶圓的邊緣的一個或多個部分缺失，並且可計算與半導體晶圓的邊緣的所述一個或多個部分相關聯的一個或多個近似大小（例如，長度、寬度、面積和/或類似大小）。例如，如果缺失部分包括如上所述的第二顏色，則AOI工具110可通過逼近表示缺失部分的n邊不規則多邊形的面積（例如，通過坐標幾何、確定任何多邊形的面積的模型和/或類似方式）來計算缺失部分的近似大小。當與所述一個或多個部分相關聯的所述一個或多個大小中的至少一個大小滿足閾值大小（例如，特定長度、特定寬度、特定面積和/或類似大小）時，AOI工具110可確定半導體晶圓的邊緣被損壞。當對半導體晶圓的圖像實行圖像識別時，AOI工具110可確定半導體晶圓的邊緣的一個或多個部分缺失，可計算與半導體晶圓的邊緣的所述一個或多個部分相關聯的一個或多個大小，並且當所述一個或多個部分的數量滿足部分的閾值數量時和/或當與所述一個或多個部分相關聯的所述一個或多個大小中的至少一個大小滿足閾值大小時，可確定半導體晶圓的邊緣被損壞。
如圖1D進一步所示，半導體晶圓可包括圓形晶圓，並且半導體晶圓的邊緣可包括圓形晶圓的周界。因此，具有損壞的邊緣的半導體晶圓缺失圓形晶圓的周界的一個或多個部分（例如，和/或具有一個或多個大小，以黑色示出），並且具有未損壞的邊緣的半導體晶圓沒有缺失圓形晶圓的周界的任何部分，沒有缺失超過閾值數量的部分，沒有缺失滿足閾值大小的至少一個大小，和/或類似情況。
如圖1E且通過參考編號150所示，AOI工具110可向半導體晶圓分選機工具105提供辨識半導體晶圓的辨識數據及指示半導體晶圓的邊緣是被損壞還是未被損壞的損壞數據。例如，AOI工具110可在實行圖像識別期間，在半導體晶圓的頂表面（例如，當高速照相機120位於半導體晶圓上方時）和/或底表面（例如，當高速照相機120位於半導體晶圓下方時）上捕獲辨識半導體晶圓的辨識數據（例如，數字代碼、字母數字代碼、條形碼、QR碼和/或類似代碼），並且可將辨識數據提供給半導體晶圓分選機工具105。作為另一選擇或另外，分選機對準器115可確定辨識數據，並且可將辨識數據提供給半導體晶圓分選機工具105。AOI工具110可基於實行圖像識別來確定損壞數據，並且可將損壞數據提供給半導體晶圓分選機工具105。
如圖1F且通過參考編號155所示，半導體晶圓分選機工具105可基於辨識數據並且當損壞數據指示半導體晶圓的邊緣被損壞時，將半導體晶圓返回到源晶圓載體。例如，半導體晶圓分選機工具105可使分選機對準器115及半導體晶圓停止旋轉，並且可利用機器人從分選機對準器115移除半導體晶圓。半導體晶圓分選機工具105可利用機器人將半導體晶圓從分選機對準器運輸到源晶圓載體，並且可利用機器人將半導體晶圓放置在源晶圓載體中。如果確定半導體晶圓被損壞，則半導體晶圓可不被提供給目標晶圓載體，這是因為目標晶圓載體可被指定用於需要進一步處理、運送和/或類似情況的未損壞的半導體晶圓。此外，損壞的半導體晶圓可返回到源晶圓載體，這是因為源晶圓載體可被指定用於需要品質控制測試的半導體晶圓。因此，半導體晶圓分選機工具105可將損壞的半導體晶圓返回到源晶圓載體。在一些實作方式中，半導體晶圓分選機工具105可基於辨識數據並且當損壞數據指示半導體晶圓的邊緣被損壞時，將半導體晶圓提供給目標晶圓載體（而不是源晶圓載體）。
如圖1F且通過參考編號160進一步所示，半導體晶圓分選機工具105可基於辨識數據並且當損壞數據指示半導體晶圓的邊緣未被損壞時，將半導體晶圓提供給目標晶圓載體（例如，以與上述將半導體晶圓提供給源晶圓載體類似的方式）。例如半導體晶圓可被提供給目標晶圓載體，這是因為目標晶圓載體可被指定用於需要進一步處理、運送和/或類似情況的未損壞的半導體晶圓。因此，半導體晶圓分選機工具105可將未損壞的半導體晶圓返回到目標晶圓載體。在一些實作方式中，半導體晶圓分選機工具105可基於辨識數據並且當損壞數據指示半導體晶圓的邊緣未被損壞時，將半導體晶圓提供給源晶圓載體（而不是目標晶圓載體）。
如圖1G且通過參考編號165所示，半導體晶圓分選機工具105可使具有一個或多個損壞的半導體晶圓的源晶圓載體被提供用於品質控制檢查。例如，半導體晶圓分選機工具105可使源晶圓載體被提供給自動化材料搬運系統，所述自動化材料搬運系統將源晶圓載體運輸到與損壞的半導體晶圓的品質控制檢查相關聯的位置。在一些實作方式中，當確定半導體晶圓的邊緣被損壞時，半導體晶圓分選機工具105可提供半導體晶圓的圖像中的至少一者用於顯示（例如，顯示給半導體晶圓分選機工具105的用戶和/或AOI工具110的用戶）、用於儲存在儲存裝置中以供稍後分析和/或類似情況。
如圖1G且通過參考編號170進一步所示，半導體晶圓分選機工具105可使具有一個或多個未損壞的半導體晶圓的目標晶圓載體被提供用於運送、進一步處理和/或類似情況。例如，半導體晶圓分選機工具105可使目標晶圓載體被提供給自動化材料搬運系統，所述自動化材料搬運系統將目標晶圓載體運送到與未損壞的半導體晶圓的運送相關聯的位置、與未損壞的半導體晶圓的進一步處理相關聯的位置和/或類似位置。
以此種方式，AOI工具110可與半導體晶圓分選機工具105一起用於在半導體晶圓分選機工具105搬運半導體晶圓的同時自動地判斷半導體晶圓是被損壞還是未被損壞。例如，在半導體晶圓分選機工具105的分選機對準器115旋轉半導體晶圓的同時，AOI工具110可捕獲半導體晶圓的圖像。AOI工具110可對所捕獲的圖像實行圖像識別，以判斷半導體晶圓是否被損壞。如果半導體晶圓被損壞，則半導體晶圓可被運輸到品質控制檢查，以判斷半導體晶圓是否可被補救。如果半導體晶圓未被損壞，則半導體晶圓可被運輸用於進一步處理。因此，AOI工具110可在半導體晶圓被提供用於運送之前辨識損壞的半導體晶圓，可增加半導體晶圓生產的生產量、可保存資源（例如，人力資源、工具資源和/或製造資源）和/或類似情況。
如上所指示，圖1A到圖1G僅被提供作為實例。其他實例可不同於關於圖1A到1G所闡述的內容。圖1A到1G中所示的裝置和/或組件的數量及佈置被提供作為實例。實際上，與圖1A到1G中所示者相比，可存在附加裝置和/或組件、更少的裝置和/或組件、不同的裝置和/或組件、或者不同佈置的裝置和/或組件。此外，圖1A到1G中所示的兩個或更多個裝置可在單個裝置內實作，或者圖1A到1G中所示的單個裝置可被實作為多個分布式裝置。另外或作為另一選擇，圖1A到1G的一組裝置（例如，一個或多個裝置）可實行被闡述為由圖1A到1G的另一組裝置實行的一個或多個功能。
圖2是其中可實作本文闡述的系統和/或方法的示例性環境200的圖。如圖2所示，示例性環境200可包括半導體晶圓分選機工具105、AOI工具110及網路210。示例性環境200的裝置和/或網路可經由有線連接、無線連接或有線連接與無線連接的組合來內連。
半導體晶圓分選機工具105包括分選及運輸半導體晶圓的工具。例如，半導體晶圓分選機工具105可自動地將半導體晶圓從任何晶圓載體（例如，塑料運輸晶圓載體、塑料製程晶圓載體、金屬運輸晶圓載體、金屬製程晶圓載體）分選、劃分和/或轉移到任何其他晶圓載體，而無論晶圓載體中的狹槽的數量如何。在一些實作方式中，半導體晶圓分選機工具105經由網路210與AOI工具110進行通信，包括AOI工具110作為組件和/或類似情況。上面結合圖1A到圖1G中的一者或多者提供了半導體晶圓分選機工具105及分選機對準器115的進一步的細節。
AOI工具110包括提供半導體晶圓的自動化視覺檢查的工具，其中照相機（例如，每秒捕獲至少六十（60）幀圖像的高速照相機120）自動地掃描被測試的半導體晶圓的災難性故障（例如，缺失組件）、品質缺陷（例如，半導體晶圓的損壞的邊緣）和/或類似情況。在一些實作方式中，AOI工具110包括光源（例如，同軸光源125），所述光源在照相機捕獲半導體晶圓的圖像的同時從半導體晶圓上方的位置提供一片光的漫射照明。在一些實作方式中，AOI工具110對由照相機捕獲的半導體晶圓的圖像實行圖像識別，以判斷半導體晶圓的邊緣是否被損壞。在一些實作方式中，AOI工具經由網路210與半導體晶圓分選機工具105進行通信，被包括作為半導體晶圓分選機工具105的組件，和/或類似情況。上面結合圖1A到圖1G中的一者或多者提供了AOI工具110、高速照相機120、同軸光源125的進一步的細節。
網路210包括一個或多個有線網路和/或無線網路。例如，網路210可包括區域網路（local area network，LAN）、廣域網路（wide area network，WAN）、都會網路（metropolitan area network，MAN）、專用網路、自組織網路（ad hoc network）、內聯網、互聯網、基於光纖的網路和/或類似網路和/或這些的組合或其他類型的網路。
提供圖2中所示的裝置及網路的數量及佈置作為實例。實際上，與圖2所示者相比，可存在附加裝置和/或網路、更少的裝置和/或網路、不同的裝置和/或網路或者不同佈置的裝置和/或網路。此外，圖2中所示的兩個或更多個裝置可在單個裝置內實作，或者圖2中所示的單個裝置可被實作為多個分布式裝置。另外或作為另一選擇，示例性環境200的一組裝置（例如，一個或多個裝置）可實行被闡述為由示例性環境200的另一組裝置實行的一個或多個功能。
圖3是裝置300的示例性組件的圖。裝置300可對應於半導體晶圓分選機工具105和/或AOI工具110。在一些實作方式中，半導體晶圓分選機工具105和/或AOI工具110可包括一個或多個裝置300和/或裝置300的一個或多個組件。如圖3所示，裝置300可包括匯流排310、處理器320、記憶體330、儲存組件340、輸入組件350、輸出組件360及通信接口370。
匯流排310包括允許裝置300的組件之間進行通信的組件。處理器320以硬體、韌體或硬體與軟體的組合來實作。處理器320是中央處理器（central processing unit，CPU）、圖形處理單元（graphics processing unit，GPU）、加速處理單元（accelerated processing unit，APU）、微處理器、微控制器、數位信號處理器（digital signal processor，DSP）、場域可編程邏輯閘陣列（field-programmable gate array，FPGA）、特殊應用積體電路（application-specific integrated circuit，ASIC）或另一種類型的處理組件。在一些實作方式中，處理器320包括能夠被編程以實行功能的一個或多個處理器。記憶體330包括儲存供處理器320使用的信息和/或指令的隨機存取記憶體（random access memory，RAM）、唯讀記憶體（read only memory，ROM）和/或另一種類型的動態或靜態儲存裝置（例如閃存、磁記憶體和/或光學記憶體）。
儲存組件340儲存與裝置300的操作及使用相關的信息和/或軟體。例如，儲存組件340可包括硬碟（例如，磁碟、光碟（optical disk）、磁光碟和/或固態硬碟）、壓縮光碟（compact disc，CD）、數位多功能光盤（digital versatile disc，DVD）、磁片、盒式磁帶、磁帶和/或另一種類型的非暫時性計算機可讀媒體以及對應的驅動器。
輸入組件350包括允許裝置300例如經由用戶輸入（例如，觸摸屏顯示器、鍵盤、小鍵盤、鼠標、按鈕、開關和/或麥克風）接收信息的組件。另外或作為另一選擇，輸入組件350可包括用於感測信息的傳感器（例如，全球定位系統（global positioning system，GPS）組件、加速度計、陀螺儀和/或致動器）。輸出組件360包括從裝置300提供輸出信息的組件（例如，顯示器、揚聲器和/或一個或多個發光二極體（light emitting diode，LED））。
通信接口370包括類似收發器的組件（例如，收發器和/或單獨的接收器及發射器），所述組件使裝置300能夠例如經由有線連接、無線連接或有線連接與無線連接的組合與其他裝置進行通信。通信接口370可允許裝置300從另一裝置接收信息和/或向另一裝置提供信息。例如，通信接口370可包括乙太網接口、光接口、同軸接口、紅外接口、射頻（radio frequency，RF）接口、通用序列匯流排（universal serial bus，USB）接口、無線區域網路接口、蜂巢式網路接口和/或類似接口。
裝置300可實行本文闡述的一個或多個過程。裝置300可基於處理器320執行由例如記憶體330和/或儲存組件340等非暫時性計算機可讀媒體儲存的軟體指令來執行這些過程。計算機可讀媒體在本文中被定義為非暫時性記憶體裝置。記憶體裝置包括單個物理儲存裝置內的記憶體空間或跨多個物理儲存裝置的記憶體空間。
軟體指令可經由通信接口370從另一計算機可讀媒體或從另一裝置讀取到記憶體330和/或儲存組件340。當被執行時，儲存在記憶體330和/或儲存組件340中的軟體指令可使處理器320實行本文闡述的一個或多個過程。另外或作為另一選擇，硬連線電路系統可代替軟體指令或與軟體指令組合使用，以實行本文闡述的一個或多個過程。因此，本文闡述的實作方式不限於硬體電路系統與軟體的任何特定組合。
提供圖3所示組件的數量及佈置作為實例。實際上，與圖3所示者相比，裝置300可包括附加組件、更少的組件、不同的組件或者以不同方式佈置的組件。另外或作為另一選擇，裝置300的一組組件（例如，一個或多個組件）可實行被闡述為由裝置300的另一組組件實行的一個或多個功能。
圖4是用於利用自動化光學檢查工具以及自動化材料搬運系統的半導體晶圓分選機工具檢測損壞的半導體晶圓的示例性過程400的流程圖。在一些實作方式中，圖4的一個或多個過程塊可由裝置（例如，AOI工具110）來實行。在一些實作方式中，圖4的一個或多個過程塊可由與所述裝置（例如半導體晶圓分選機工具（例如，半導體晶圓分選機工具105））分開或包括所述裝置的另一裝置或一群組裝置來實行。另外或作為另一選擇，圖4的一個或多個過程塊可由裝置300的一個或多個組件（例如處理器320、記憶體330、儲存組件340、輸入組件350、輸出組件360、通信接口370和/或類似元件）來實行。
如圖4所示，過程400可包括檢測要從源晶圓載體轉移到目標晶圓載體的半導體晶圓（區塊410）。例如，如上所述，所述裝置可檢測要從源晶圓載體轉移到目標晶圓載體的半導體晶圓。
如圖4進一步所示，過程400可包括使光源照亮半導體晶圓（區塊420）。例如，如上所述，所述裝置可使光源照亮半導體晶圓。
如圖4進一步所示，過程400可包括在光源照亮半導體晶圓之後，使照相機捕獲半導體晶圓的圖像（區塊430）。例如，如上所述，在光源照亮半導體晶圓之後，所述裝置可使照相機捕獲半導體晶圓的圖像。
如圖4進一步所示，過程400可包括對半導體晶圓的圖像實行圖像識別，以判斷半導體晶圓的邊緣是否被損壞（區塊440）。例如，如上所述，所述裝置可對半導體晶圓的圖像實行圖像識別，以判斷半導體晶圓的邊緣是否被損壞。
如圖4進一步所示，過程400可包括：基於判斷半導體晶圓的邊緣是否被損壞，使半導體晶圓被選擇性地提供給源晶圓載體或目標晶圓載體，其中當確定半導體晶圓的邊緣被損壞時，將半導體晶圓提供給源晶圓載體，並且其中當確定半導體晶圓的邊緣未被損壞時，將半導體晶圓提供給目標晶圓載體（區塊450）。例如，如上所述，基於判斷半導體晶圓的邊緣是否被損壞，所述裝置可使半導體晶圓被選擇性地提供給源晶圓載體或目標晶圓載體。在一些實作方式中，當確定半導體晶圓的邊緣被損壞時，將半導體晶圓提供給源晶圓載體。在一些實作方式中，當確定半導體晶圓的邊緣未被損壞時，將半導體晶圓提供給目標晶圓載體。
過程400可包括附加實作方式，例如下面和/或結合本文別處闡述的一個或多個其他過程闡述的任何單個實作方式或實作方式的任何組合。
在第一實作方式中，過程400包括旋轉半導體晶圓，並且在光源照亮半導體晶圓之後使照相機捕獲半導體晶圓的圖像包括在光源照亮半導體晶圓之後且在半導體晶圓旋轉的同時使照相機捕獲半導體晶圓的圖像。
在第二實作方式中，單獨或與第一實作方式結合，對半導體晶圓的圖像實行圖像識別以判斷半導體晶圓的邊緣是否被損壞包括：在從源晶圓載體運輸半導體晶圓的同時，對半導體晶圓的圖像實行圖像識別以判斷半導體晶圓的邊緣是否被損壞；在分選半導體晶圓的同時，對半導體晶圓的圖像實行圖像識別，以判斷半導體晶圓的邊緣是否被損壞；或者在半導體晶圓旋轉的同時，對半導體晶圓的圖像實行圖像識別，以判斷半導體晶圓的邊緣是否被損壞。
在第三實作方式中，單獨或與第一實作方式及第二實作方式中的一者或多者結合，光源包括同軸光源，所述同軸光源從半導體晶圓上方的位置提供一片光的漫射照明。
在第四實作方式中，單獨或與第一實作方式到第三實作方式中的一者或多者結合，照相機包括每秒捕獲至少六十幀圖像的高速照相機。
在第五實作方式中，單獨或與第一實作方式到第四實作方式中的一者或多者結合，對半導體晶圓的圖像實行圖像識別以判斷半導體晶圓的邊緣是否被損壞包括：對半導體晶圓的圖像實行圖像識別以近乎實時地判斷半導體晶圓的邊緣是否被損壞。
在第六實作方式中，單獨或與第一實作方式到第五實作方式中的一者或多者結合，對半導體晶圓的圖像實行圖像識別以判斷半導體晶圓的邊緣是否被損壞包括：確定半導體晶圓的邊緣的一個或多個部分缺失，以及當所述一個或多個部分的數量滿足閾值時確定半導體晶圓的邊緣被損壞。
在第七實作方式中，單獨或與第一實作方式到第六實作方式中的一者或多者結合，過程400包括確定半導體晶圓的邊緣的一個或多個部分缺失；計算與半導體晶圓的邊緣的所述一個或多個部分相關聯的一個或多個大小；以及當與所述一個或多個部分相關聯的所述一個或多個大小中的至少一個大小滿足閾值時，確定半導體晶圓的邊緣被損壞。
在第八實作方式中，單獨或與第一實作方式到第七實作方式中的一者或多者結合，過程400包括使具有至少一個損壞的半導體晶圓的源晶圓載體被提供用於品質控制檢查；以及使具有至少一個未損壞的半導體晶圓的目標晶圓載體被提供用於進一步處理。
在第九實作方式中，單獨或與第一實作方式到第八實作方式中的一者或多者結合，過程400包括：確定半導體晶圓的邊緣的一個或多個部分缺失；計算與半導體晶圓的邊緣的所述一個或多個部分相關聯的一個或多個大小；以及當所述一個或多個部分的數量滿足第一閾值時，或者當與所述一個或多個部分相關聯的所述一個或多個大小中的至少一個大小滿足第二閾值時，確定半導體晶圓的邊緣被損壞。
在第十實作方式中，單獨或與第一實作方式到第九實作方式中的一者或多者結合，半導體晶圓是圓形晶圓，並且半導體晶圓的邊緣是圓形晶圓的周界。
在第十一實作方式中，單獨或與第一實作方式到第十實作方式中的一者或多者結合，過程400包括：當半導體晶圓的邊緣未被損壞時，將半導體晶圓提供給一個或多個工具用於進一步處理；或者當確定半導體晶圓的邊緣被損壞時，提供半導體晶圓的圖像中的至少一者用於顯示。
在第十二種實作方式中，單獨或與第一實作方式到第十一實作方式中的一者或多者結合，判斷半導體晶圓的邊緣是否被損壞是在檢測到半導體晶圓後不到三秒內發生。
儘管圖4示出過程400的示例性區塊，但是在一些實作方式中，與圖4中繪示者相比，過程400可包括附加區塊、更少的區塊、不同的區塊或者不同佈置的區塊。另外或作為另一選擇，過程400的區塊中的兩者或更多者可並行實行。
以此種方式，AOI工具110可與自動化材料搬運系統的半導體晶圓分選機工具105一起使用，以在所述系統搬運半導體晶圓的同時自動地檢測損壞的半導體晶圓。例如，AOI工具110可捕獲半導體晶圓的圖像，並且可對所捕獲的圖像實行圖像識別，以辨識損壞的半導體晶圓。因此，AOI工具110可在半導體晶圓被提供用於運送之前辨識損壞的半導體晶圓，可增加半導體晶圓生產的生產量，可保存資源（例如，人力資源、工具資源和/或製造資源），和/或類似情況。
如上文更詳細闡述的，本文闡述的一些實作方式提供一種用於檢測損壞的半導體晶圓的方法。所述方法可包括：檢測要從源晶圓載體轉移到目標晶圓載體的半導體晶圓，以及使光源照亮半導體晶圓。所述方法可包括：在光源照亮半導體晶圓之後使照相機捕獲半導體晶圓的圖像，以及對半導體晶圓的圖像實行圖像識別以判斷半導體晶圓的邊緣是否被損壞。所述方法可包括：基於判斷半導體晶圓的邊緣是否被損壞，使半導體晶圓被選擇性地提供給源晶圓載體或目標晶圓載體，其中當確定半導體晶圓的邊緣被損壞時，將半導體晶圓提供給源晶圓載體，並且其中當確定半導體晶圓的邊緣未被損壞時，將半導體晶圓提供給目標晶圓載體。
如上文更詳細闡述的，本文闡述的一些實作方式提供一種用於檢測損壞的半導體晶圓的裝置。所述裝置可包括一個或多個記憶體及一個或多個處理器，以檢測要從源晶圓載體轉移到目標晶圓載體的半導體晶圓，並使半導體晶圓隨著裝置的分選機對準器組件旋轉。所述一個或多個處理器可使裝置的自動化光學檢查組件的同軸光源照亮半導體晶圓，並且在同軸光源照亮半導體晶圓之後，可使自動化光學檢查組件的高速照相機捕獲半導體晶圓的圖像。所述一個或多個處理器可對半導體晶圓的圖像實行圖像識別，以判斷半導體晶圓的邊緣是否被損壞，並且可基於判斷半導體晶圓的邊緣是否被損壞，使半導體晶圓被選擇性地提供給源晶圓載體或目標晶圓載體。當確定半導體晶圓的邊緣被損壞時，可將半導體晶圓提供給源晶圓載體，且當確定半導體晶圓的邊緣未被損壞時，可將半導體晶圓提供給目標晶圓載體。
如上文更詳細闡述的，本文闡述的一些實作方式提供一種用於檢測損壞的半導體晶圓的非暫時性計算機可讀媒體。所述非暫時性計算機可讀媒體可儲存一個或多個指令，當由半導體晶圓分選機工具的一個或多個處理器執行時，所述一個或多個指令可使所述一個或多個處理器接收半導體晶圓，並且使半導體晶圓隨著半導體晶圓分選機工具的分選機對準器組件旋轉。所述一個或多個指令可使所述一個或多個處理器使半導體晶圓分選機工具的自動化光學檢查組件的照相機捕獲半導體晶圓的圖像，並且由自動化光學檢查組件對半導體晶圓的圖像實行圖像識別，以判斷半導體晶圓的邊緣是否被損壞。當確定半導體晶圓的邊緣被損壞時，所述一個或多個指令可使所述一個或多個處理器選擇性地提供半導體晶圓用於品質控制檢查，或者當確定半導體晶圓的邊緣未被損壞時，將半導體晶圓提供給一個或多個工具用於進一步處理。
以上概述了若干實施例的特徵，以使所屬領域中的技術人員可更好地理解本公開的各個方面。所屬領域中的技術人員應理解，其可容易地使用本公開作為設計或修改其他製程及結構的基礎來施行與本文中所介紹的實施例相同的目的和/或實現與本文中所介紹的實施例相同的優點。所屬領域中的技術人員還應認識到，這些等效構造並不背離本公開的精神及範圍，而且所屬領域中的技術人員可在不背離本公開的精神及範圍的條件下對其作出各種改變、代替及變更。
100:圖 105:半導體晶圓分選機工具 110:自動化光學檢查（AOI）工具 115:分選機對準器 120:高速照相機 125:同軸光源 130、135、140、145、150、155、160、165、170:參考編號 200:環境 210:網路 300:裝置 310:匯流排 320:處理器 330:記憶體 340:儲存組件 350:輸入組件 360:輸出組件 370:通信接口 400:過程 410、420、430、440、450:步驟
結合附圖閱讀以下詳細說明，會最好地理解本公開的各個方面。應注意，根據本行業中的標準慣例，各種特徵並非按比例繪製。事實上，為論述清晰起見，可任意增大或減小各種特徵的尺寸。 圖1A到圖1G是本文闡述的一個或多個示例性實作方式的圖。 圖2是其中可實作本文闡述的系統和/或方法的示例性環境的圖。 圖3是圖2的一個或多個裝置的示例性組件的圖。 圖4是用於利用自動化光學檢查工具以及自動化材料搬運系統的半導體晶圓分選機工具檢測損壞的半導體晶圓的示例性過程的流程圖。
400:過程
410、420、430、440、450:步驟

Claims (20)

  1. 一種方法，包括： 檢測要從源晶圓載體轉移到目標晶圓載體的半導體晶圓； 使光源照亮所述半導體晶圓； 在所述光源照亮所述半導體晶圓之後，使照相機捕獲所述半導體晶圓的圖像； 對所述半導體晶圓的所述圖像實行圖像識別，以判斷所述半導體晶圓的邊緣是否被損壞；及 基於判斷所述半導體晶圓的所述邊緣是否被損壞，使所述半導體晶圓被選擇性地提供給所述源晶圓載體或所述目標晶圓載體， 其中當確定所述半導體晶圓的所述邊緣被損壞時，將所述半導體晶圓提供給所述源晶圓載體，且 其中當確定所述半導體晶圓的所述邊緣未被損壞時，將所述半導體晶圓提供給所述目標晶圓載體。
  2. 如請求項1所述的方法，還包括： 旋轉所述半導體晶圓， 其中在所述光源照亮所述半導體晶圓之後，使所述照相機捕獲所述半導體晶圓的所述圖像包括： 在所述光源照亮所述半導體晶圓之後且在所述半導體晶圓旋轉的同時使所述照相機捕獲所述半導體晶圓的所述圖像。
  3. 如請求項1所述的方法，其中對所述半導體晶圓的所述圖像實行所述圖像識別以判斷所述半導體晶圓的所述邊緣是否被損壞包括以下中的一者或多者： 在從所述源晶圓載體運輸所述半導體晶圓的同時，對所述半導體晶圓的所述圖像實行所述圖像識別以判斷所述半導體晶圓的所述邊緣是否被損壞； 在分選所述半導體晶圓的同時，對所述半導體晶圓的所述圖像實行所述圖像識別以判斷所述半導體晶圓的所述邊緣是否被損壞；或者 在旋轉所述半導體晶圓的同時，對所述半導體晶圓的所述圖像實行所述圖像識別，以判斷所述半導體晶圓的所述邊緣是否被損壞。
  4. 如請求項1所述的方法，其中所述光源包括同軸光源，所述同軸光源從所述半導體晶圓上方的位置提供一片光的漫射照明。
  5. 如請求項1所述的方法，其中所述照相機包括每秒捕獲至少六十幀圖像的高速照相機。
  6. 如請求項1所述的方法，其中對所述半導體晶圓的所述圖像實行所述圖像識別以判斷所述半導體晶圓的所述邊緣是否被損壞包括： 對所述半導體晶圓的所述圖像實行所述圖像識別，以近乎實時地判斷所述半導體晶圓的所述邊緣是否被損壞。
  7. 如請求項1所述的方法，其中對所述半導體晶圓的所述圖像實行所述圖像識別以判斷所述半導體晶圓的所述邊緣是否被損壞包括： 確定所述半導體晶圓的所述邊緣的一個或多個部分缺失；及 當所述一個或多個部分的數量滿足閾值時，確定所述半導體晶圓的所述邊緣被損壞。
  8. 一種裝置，包括： 一個或多個記憶體；及 一個或多個處理器，以通信方式耦合到所述一個或多個記憶體，所述一個或多個處理器被配置成： 檢測要從源晶圓載體轉移到目標晶圓載體的半導體晶圓； 使所述半導體晶圓隨著所述裝置的分選機對準器組件旋轉； 使所述裝置的自動化光學檢查組件的同軸光源照亮所述半導體晶圓； 在所述同軸光源照亮所述半導體晶圓之後，使所述自動化光學檢查組件的高速照相機捕獲所述半導體晶圓的圖像； 對所述半導體晶圓的所述圖像實行圖像識別，以判斷所述半導體晶圓的邊緣是否被損壞；及 基於判斷所述半導體晶圓的所述邊緣是否被損壞，使所述半導體晶圓被選擇性地提供給所述源晶圓載體或所述目標晶圓載體， 其中當確定所述半導體晶圓的所述邊緣被損壞時，將所述半導體晶圓提供給所述源晶圓載體，且 其中當確定所述半導體晶圓的所述邊緣未被損壞時，將所述半導體晶圓提供給所述目標晶圓載體。
  9. 如請求項8所述的裝置，其中當對所述半導體晶圓的所述圖像實行所述圖像識別以判斷所述半導體晶圓的所述邊緣是否被損壞時，所述一或多個處理器被配置成： 確定所述半導體晶圓的所述邊緣的一個或多個部分缺失； 計算與所述半導體晶圓的所述邊緣的所述一個或多個部分相關聯的一個或多個大小；及 當與所述一個或多個部分相關聯的所述一個或多個大小中的至少一個大小滿足閾值時，確定所述半導體晶圓的所述邊緣被損壞。
  10. 如請求項8所述的裝置，其中所述一個或多個處理器還被配置成： 使具有至少一個損壞的所述半導體晶圓的所述源晶圓載體被提供用於品質控制檢查；及 使具有至少一個未損壞的所述半導體晶圓的所述目標晶圓載體被提供用於進一步處理。
  11. 如請求項8所述的裝置，其中當對所述半導體晶圓的所述圖像實行所述圖像識別以判斷所述半導體晶圓的所述邊緣是否被損壞時，所述一或多個處理器被配置成： 確定所述半導體晶圓的所述邊緣的一個或多個部分缺失； 計算與所述半導體晶圓的所述邊緣的所述一個或多個部分相關聯的一個或多個大小；及 當所述一個或多個部分的數量滿足第一閾值時，或者當與所述一個或多個部分相關聯的所述一個或多個大小中的至少一個大小滿足第二閾值時，確定所述半導體晶圓的所述邊緣被損壞。
  12. 如請求項8所述的裝置，其中所述半導體晶圓是圓形晶圓，且所述半導體晶圓的所述邊緣是所述圓形晶圓的周界。
  13. 如請求項8所述的裝置，其中所述一個或多個處理器還被配置成以下中的一者： 當所述半導體晶圓的所述邊緣未被損壞時，將所述半導體晶圓提供給一個或多個工具用於進一步處理；或者 當確定所述半導體晶圓的所述邊緣被損壞時，提供所述半導體晶圓的所述圖像中的至少一者用於顯示。
  14. 如請求項8所述的裝置，其中所述判斷所述半導體晶圓的所述邊緣是否被損壞是在檢測到所述半導體晶圓之後不到三秒的時間內發生。
  15. 一種儲存指令的非暫時性計算機可讀媒體，所述指令包括： 一個或多個指令，當由半導體晶圓分選機工具的一個或多個處理器執行時，使所述一個或多個處理器： 接收半導體晶圓； 使所述半導體晶圓隨著所述半導體晶圓分選機工具的分選機對準器組件旋轉； 使所述半導體晶圓分選機工具的自動化光學檢查組件的照相機捕獲所述半導體晶圓的圖像； 由所述自動化光學檢查組件對所述半導體晶圓的所述圖像實行圖像識別，以判斷所述半導體晶圓的邊緣是否被損壞；及 選擇性地： 當確定所述半導體晶圓的所述邊緣被損壞時，提供所述半導體晶圓用於品質控制檢查；或者 當確定所述半導體晶圓的所述邊緣未被損壞時，將所述半導體晶圓提供給一個或多個工具用於進一步處理。
  16. 如請求項15所述的非暫時性計算機可讀媒體，其中使所述一個或多個處理器對所述半導體晶圓的所述圖像實行所述圖像識別以判斷所述半導體晶圓的所述邊緣是否被損壞的所述一個或多個指令使所述一個或多個處理器： 判斷所述半導體晶圓的所述邊緣的一個或多個部分是否缺失；及 當所述一個或多個部分的數量滿足閾值時，確定所述半導體晶圓的所述邊緣被損壞。
  17. 如請求項15所述的非暫時性計算機可讀媒體，其中使所述一個或多個處理器對所述半導體晶圓的所述圖像實行所述圖像識別以判斷所述半導體晶圓的所述邊緣是否被損壞的所述一個或多個指令使所述一個或多個處理器： 確定所述半導體晶圓的所述邊緣的一個或多個部分缺失； 計算與所述半導體晶圓的所述邊緣的所述一個或多個部分相關聯的一個或多個大小；及 當與所述一個或多個部分相關聯的所述一個或多個大小中的至少一個大小滿足閾值時，確定所述半導體晶圓的所述邊緣被損壞。
  18. 如請求項15所述的非暫時性計算機可讀媒體，其中當由所述一個或多個處理器實行時，所述一個或多個指令還使所述一個或多個處理器： 當確定所述半導體晶圓的所述邊緣被損壞時，提供所述半導體晶圓的所述圖像中的至少一者用於顯示。
  19. 如請求項15所述的非暫時性計算機可讀媒體，其中使所述一個或多個處理器對所述半導體晶圓的所述圖像實行所述圖像識別以判斷所述半導體晶圓的所述邊緣是否被損壞的所述一個或多個指令使所述一個或多個處理器： 確定所述半導體晶圓的所述邊緣的一個或多個部分缺失； 計算與所述半導體晶圓的所述邊緣的所述一個或多個部分相關聯的一個或多個大小；及 當所述一個或多個部分的數量滿足第一閾值時，或者當與所述一個或多個部分相關聯的所述一個或多個大小中的至少一個大小滿足第二閾值時，確定所述半導體晶圓的所述邊緣被損壞。
  20. 如請求項15所述的非暫時性計算機可讀媒體，其中使所述一個或多個處理器對所述半導體晶圓的所述圖像實行所述圖像識別以判斷所述半導體晶圓的所述邊緣是否被損壞的所述一個或多個指令使所述一個或多個處理器： 對所述半導體晶圓的所述圖像實行所述圖像識別，以實時地或近乎實時地判斷所述半導體晶圓的所述邊緣是否被損壞。
TW110101476A 2020-06-29 2021-01-14 檢測晶圓的裝置及方法以及非暫時性計算機可讀媒體 TW202200985A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US16/915,273 2020-06-29
US16/915,273 US11600504B2 (en) 2020-06-29 2020-06-29 Detecting damaged semiconductor wafers utilizing a semiconductor wafer sorter tool of an automated materials handling system

Publications (1)

Publication Number Publication Date
TW202200985A true TW202200985A (zh) 2022-01-01

Family

ID=77467657

Family Applications (1)

Application Number Title Priority Date Filing Date
TW110101476A TW202200985A (zh) 2020-06-29 2021-01-14 檢測晶圓的裝置及方法以及非暫時性計算機可讀媒體

Country Status (3)

Country Link
US (2) US11600504B2 (zh)
CN (1) CN113333307A (zh)
TW (1) TW202200985A (zh)

Family Cites Families (31)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO1996039619A1 (en) * 1995-06-06 1996-12-12 Kla Instruments Corporation Optical inspection of a specimen using multi-channel responses from the specimen
US5880479A (en) * 1996-10-25 1999-03-09 Vanguard International Semiconductor Corporation Wafer aligner apparatus using different diameter rollers
JP3058615B2 (ja) * 1998-04-10 2000-07-04 株式会社山武 ウエハ検出装置
US6324298B1 (en) * 1998-07-15 2001-11-27 August Technology Corp. Automated wafer defect inspection system and a process of performing such inspection
JP3723954B2 (ja) * 1998-11-16 2005-12-07 株式会社山武 ウエハ検出装置
US6407373B1 (en) * 1999-06-15 2002-06-18 Applied Materials, Inc. Apparatus and method for reviewing defects on an object
JP3620641B2 (ja) 1999-10-15 2005-02-16 三菱住友シリコン株式会社 半導体ウェーハの検査方法
KR100389129B1 (ko) * 2001-03-06 2003-06-25 삼성전자주식회사 멀티 펑션 웨이퍼 얼라이너
CN1260800C (zh) 2001-09-19 2006-06-21 奥林巴斯光学工业株式会社 半导体晶片检查设备
KR20050061462A (ko) * 2002-08-22 2005-06-22 인티그레이티드 다이나믹스 엔지니어링, 인크. 기판 처리 공정 시스템
CN100472743C (zh) 2002-11-21 2009-03-25 奥林巴斯株式会社 晶片检验设备
DE10303459A1 (de) * 2003-01-29 2004-08-19 Infineon Technologies Ag Verfahren und Vorrichtung zum Kontrollieren des Randes eines scheibenförmigen Gegenstandes
DE10352936A1 (de) 2003-05-19 2004-12-30 Micro-Epsilon Messtechnik Gmbh & Co Kg Verfahren und Vorrichtung zur optischen Qualitätsprüfung von Objekten mit vorzugsweise kreisförmig umlaufendem Rand
DE10343148A1 (de) * 2003-09-18 2005-04-21 Leica Microsystems Verfahren und Vorrichtung zur Inspektion eines Wafers
DE102004004761A1 (de) * 2004-01-30 2005-09-08 Leica Microsystems Semiconductor Gmbh Vorrichtung und Verfahren zur Inspektion eines Wafers
CN100583407C (zh) 2005-04-27 2010-01-20 奥林巴斯株式会社 外观检查装置、外观检查方法以及可安装在外观检查装置上的边缘部检查单元
JP2007184529A (ja) 2005-12-06 2007-07-19 Eibisu:Kk 半導体ウエハの検査装置
JP4847128B2 (ja) 2005-12-21 2011-12-28 日本エレクトロセンサリデバイス株式会社 表面欠陥検査装置
WO2007120491A2 (en) * 2006-04-03 2007-10-25 Rudolph Technologies, Inc. Wafer bevel inspection mechanism
JP2008091476A (ja) 2006-09-29 2008-04-17 Olympus Corp 外観検査装置
US8094924B2 (en) * 2008-12-15 2012-01-10 Hermes-Microvision, Inc. E-beam defect review system
SG164292A1 (en) 2009-01-13 2010-09-29 Semiconductor Technologies & Instruments Pte System and method for inspecting a wafer
CN102575993B (zh) * 2009-08-14 2015-07-22 Bt成像股份有限公司 半导体材料内不连续性的探测
JP5614326B2 (ja) 2010-08-20 2014-10-29 東京エレクトロン株式会社 基板搬送装置、基板搬送方法及びその基板搬送方法を実行させるためのプログラムを記録した記録媒体
DE102012101301B4 (de) * 2012-02-17 2014-11-06 Kocos Automation Gmbh Vorrichtung zur berührungslosen Kantenprofilbestimmung an einem dünnen scheibenförmigen Objekt
CN104634792B (zh) 2013-11-07 2018-07-13 沈阳芯源微电子设备有限公司 Pss良率在线监测方法
JP6486757B2 (ja) 2015-04-23 2019-03-20 株式会社荏原製作所 基板処理装置
CN109427609B (zh) 2017-08-30 2022-03-01 台湾积体电路制造股份有限公司 半导体晶片在线检验的系统及方法
KR102606115B1 (ko) 2018-02-23 2023-11-29 에이에스엠엘 네델란즈 비.브이. 패턴의 시맨틱 분할을 위한 딥 러닝
CN110399815B (zh) * 2019-07-12 2023-09-26 淮阴工学院 一种基于vgg16的cnn-svm手写签名识别方法
CN214201194U (zh) * 2021-01-19 2021-09-14 嘉兴阿特斯光伏技术有限公司 硅片激光切割热损伤探测装置

Also Published As

Publication number Publication date
US20230207357A1 (en) 2023-06-29
US11600504B2 (en) 2023-03-07
US20210407832A1 (en) 2021-12-30
CN113333307A (zh) 2021-09-03

Similar Documents

Publication Publication Date Title
Chen et al. A light-weighted CNN model for wafer structural defect detection
US10974394B2 (en) Robot assisted object learning vision system
US11756182B2 (en) Pattern grouping method based on machine learning
KR102138347B1 (ko) 자동화된 검사 툴
US9337071B2 (en) Automated wafer defect inspection system and a process of performing such inspection
TWI546879B (zh) 自動檢驗從膜片架正確移除晶粒之系統及其方法
CN113302728A (zh) 利用自动产生缺陷特征检验半导体结构的方法及系统
JP6576059B2 (ja) 情報処理、情報処理方法、プログラム
TWI833034B (zh) 用於半導體晶圓中之缺陷之分類及檢測之電腦實施方法及系統、相關的運算單元以及分類半導體晶圓中之缺陷之方法
US20170161888A1 (en) Reducing registration and design vicinity induced noise for intra-die inspection
CN112150439A (zh) 注塑件的自动分拣设备及分拣方法
JP2017076169A (ja) 撮像装置、生産システム、撮像方法、プログラム及び記録媒体
US11158040B2 (en) Method for identifying robot arm responsible for wafer scratch
JP2019184305A (ja) 学習装置、製品検査システム、プログラム、学習方法、製品検査方法
TW202200985A (zh) 檢測晶圓的裝置及方法以及非暫時性計算機可讀媒體
Chetoui et al. Object detection model-based quality inspection using a deep CNN
KR102572968B1 (ko) 딥러닝을 이용한 웨이퍼 검사방법과 이것을 구현하기 위한 웨이퍼 검사장치
JP2021039457A (ja) 画像処理方法、エッジモデル作成方法、ロボットシステム、および物品の製造方法
Sweeney et al. Deep learning for semiconductor defect classification
You et al. Die-Level Defects Classification using Region-based Convolutional Neural Network
TWI802496B (zh) 用於檢測應用的自動正確取像及校準系統
US11922368B1 (en) Object classification exception handling via machine learning
CN115532620B (zh) 一种纸浆模塑制品质检装置和方法
KR102122446B1 (ko) 미드솔 검사 장치 및 방법
US20220207877A1 (en) Method for detecting objects and their state, apparatus and storage medium applying method, and electronic device