TW202318263A - 使用深度類神經網路之基材映射 - Google Patents

使用深度類神經網路之基材映射 Download PDF

Info

Publication number
TW202318263A
TW202318263A TW111134973A TW111134973A TW202318263A TW 202318263 A TW202318263 A TW 202318263A TW 111134973 A TW111134973 A TW 111134973A TW 111134973 A TW111134973 A TW 111134973A TW 202318263 A TW202318263 A TW 202318263A
Authority
TW
Taiwan
Prior art keywords
substrate
substrates
images
carrier
substrate carrier
Prior art date
Application number
TW111134973A
Other languages
English (en)
Inventor
傑森 保羅 雷米拉德
約翰 Ｄ 內文
斯蒂芬 Ｗ 銀圖
Original Assignee
美商昂圖創新公司
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 美商昂圖創新公司 filed Critical 美商昂圖創新公司
Publication of TW202318263A publication Critical patent/TW202318263A/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
    • H01L21/67259—Position monitoring, e.g. misposition detection or presence detection
    • H01L21/67265—Position monitoring, e.g. misposition detection or presence detection of substrates stored in a container, a magazine, a carrier, a boat or the like
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J9/00—Programme-controlled manipulators
    • B25J9/16—Programme controls
    • B25J9/1694—Programme controls characterised by use of sensors other than normal servo-feedback from position, speed or acceleration sensors, perception control, multi-sensor controlled systems, sensor fusion
    • B25J9/1697—Vision controlled systems
    • 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
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/32—Normalisation of the pattern dimensions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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
    • H01L21/677—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 for conveying, e.g. between different workstations
    • H01L21/67763—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 for conveying, e.g. between different workstations the wafers being stored in a carrier, involving loading and unloading
    • H01L21/67766—Mechanical parts of transfer devices
    • 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
    • H01L21/677—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 for conveying, e.g. between different workstations
    • H01L21/67763—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 for conveying, e.g. between different workstations the wafers being stored in a carrier, involving loading and unloading
    • H01L21/67769—Storage means
    • 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
    • G01N2021/8883—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 involving the calculation of gauges, generating models
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color image
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Power Engineering (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Manufacturing & Machinery (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Robotics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Multimedia (AREA)
  • Quality & Reliability (AREA)
  • Mechanical Engineering (AREA)
  • Analytical Chemistry (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Pathology (AREA)
  • Evolutionary Biology (AREA)
  • Immunology (AREA)
  • Biochemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Image Analysis (AREA)
  • Container, Conveyance, Adherence, Positioning, Of Wafer (AREA)
  • Packaging Frangible Articles (AREA)

Abstract

各種實例包括用以映射基材載體內之基材（例如，諸如晶圓盒內之矽晶圓）、及分類各基材以及基材放置於其中之載體之狀態的系統及網路。在本文中提供之各種實例中，影像獲取系統（諸如攝影機）獲取載體內之基材的多個影像。影像或多個影像接著用深度卷積類神經網路處理，以分類包括以下之關於基材槽的基材狀態：空槽、佔用槽（例如，適當載入之槽）、雙載入之槽、交叉入槽者、及突出者（其中基材未完全載入至槽中）。

Description

使用深度類神經網路之基材映射
所揭示之標的大致上係關於使用在半導體及關連產業（例如，平面顯示器及太陽能電池生產設施）中之基材檢驗及度量工具的領域。更具體而言，在各種實施例中，所揭示之標的係關於一種能夠判定基材（例如，晶圓）與基材載體（例如，晶圓盒(wafer cassette)）的分類狀態的映射系統。 ［相關申請案之交互參照］
本申請案主張2021年9月15日申請之美國專利申請案第17/476,195號之優先權，其內容以全文引用方式併入本文中。
各種類型之基材（諸如半導體晶圓）一般係放置於各種類型之基材載體（諸如晶圓盒），以用於在製造設施（例如，諸如積體電路製造設施）內的加工及計量操作。然而，在開始操作之前，所欲的是知道載體內的所有基材是否適當地載入在載體內、及載體內的哪些基材槽係由基材所佔用。
此文件除了其他者外描述一基材載體內之基材的映射，及各基材、以及該基材放置於其中之該載體之一狀態的一分類。在本文中提供之各種實例中，一影像獲取系統（諸如一攝影機）獲取該載體內之該等基材的一或多個影像。該等影像接著用一深度卷積類神經網路處理，以分類包括以下之該載體之該基材槽的一狀態：空槽、佔用槽（例如，適當載入之槽）、雙載入之槽、交叉入槽者(cross-slotted)、及突出者（其中一基材未完全載入至一槽中）。
在各種實施例中，所揭示之標的係一種用於分類在一基材載體中之位置內之數個基材的一狀態的方法。該方法包括偵測該基材載體中之該等基材的至少一部分。該偵測包括：擷取該等基材之該部分、及鄰近於該等基材之該部分的該等位置的一或多個影像；將該一或多個影像轉移至一預訓練深度卷積類神經網路；使用該預訓練深度卷積類神經網路自該等影像，分類該基材載體內之該等位置內的該等基材之該部分的該狀態；及提供鄰近於該複數個基材之該部分的該基材載體內之該複數個位置之各者的一自動標記。
在各種實施例中，所揭示之標的係一種基材映射系統。該基材映射系統包括一攝影機，其用以收集一基材載體中之基材及基材之潛在位置的一或多個影像；及一資料收集及控制系統。該一或多個影像包括該等基材及該等基材相對於該基材載體中之數個基材槽之位置的一關係。該資料收集及控制系統包括一機器之一或多個基於硬體的處理器，其等耦接至該攝影機且經配置以：將該一或多個影像轉移至一深度卷積類神經網路；使用該深度卷積類神經網路自該一或多個影像，分類該基材載體內之該基材之該等位置內的該等基材之該等成像者的該部分的一狀態；及提供鄰近於該等基材之該等成像者之該部分的該基材載體內之該等基材之該等位置之各者的一自動標記。
在各種實施例中，所揭示之標的係一種電腦可讀取媒體，其含有指令，該等指令在由一機器執行時使該機器執行包括偵測該基材載體中之該等基材的至少一部分的操作。該偵測包括：擷取該等基材之該部分、及鄰近於該等基材之該部分的該等位置的一或多個影像；將該一或多個影像轉移至一預訓練深度卷積類神經網路；使用該預訓練深度卷積類神經網路自該等影像，分類該基材載體內之該等位置內的該等基材之該部分的該狀態；及提供鄰近於該複數個基材之該部分的該基材載體內之該複數個位置之各者的一自動標記。
所揭示之標的係關於偵測及映射基材載體（例如，諸如晶圓盒或前開式晶圓傳送盒(FOUP)）中的基材（例如，矽晶圓）。時常，在製造環境（例如，半導體製造廠）中當代基材載體映射解決方案無法良好地運作。例如，化合物製造廠具有廣泛範圍之基材直徑（例如，75 mm、100 mm、125 mm、150 mm、200 mm、及300 mm）、基材類型（例如，矽、藍寶石、砷化鎵(GaAs)、碳化矽(SiC)、及其他III-V及II-VI化合物半導體、接合晶圓等），以及基材厚度（例如，從150 µm或更小至2000 µm或更大）。使用接合基材之後段製程(back-end of line, BEOL)程序亦可在單一基材載體內具有多種不同基材。
目前存在對基材映射解決方案的各種嘗試。然而，基材載體（例如，諸如矽晶圓盒）之目前映射解決方案對於例如前段化合物製造設施（製造廠）及後段製造廠無法良好地運作。
例如，一種方法使用安裝至移除基材並將該等基材放置於載體中之機器人末端執行器的光學感測器。末端執行器安裝的光學感測器在某些情形下確實操作但組態減緩及耗時，因為其等需要額外掃掠步驟以藉由機器人搬運系統(robot handling-system)執行。
某些其他方法使用安裝至載入埠門的光學感測器。然而，載入埠安裝的光學感測器無法處置基材類型及厚度的多樣性，因為(1)光學器件係在固定位置；且(2)光學器件係依賴於一固定波長的光。再者，因為化合物製造廠係受空間限制的，因此大部分該等製造廠係手動載入載體。因此，不存在感測器可安裝至其上的可移動載入埠。
某些其他解決方案使用攝影機以同時觀察基材的整個載體。基於攝影機的系統亦可與手動載入之系統使用，因為攝影機不需要安裝在載入埠上。對於基於攝影機的系統而言燈光需求係最小的，因為例如彩色攝影機可在製造環境中以環境光運作，以及與全部或大部分廣譜(broad-spectrum)專用燈光作用。然而，已嘗試之基於攝影機的解決方案時常不成功，因為基材（諸如矽晶圓）的邊緣偵測可造成典型影像處理演算法不可克服的問題。例如，許多基材係高度鏡面反射，而引起來自載體內之相鄰基材以及製造廠之空間兩者的反射在影像中呈現。進一步，基材之邊緣的形狀可變化。例如，圓化邊緣在影像中將具有相異的閃爍。相對於圓化邊緣，基材之方形邊緣將呈現黑色。進一步，在基材上用以識別基材之結晶定向的基準點可呈現在影像中的任何位置上。再者，如上文所提及，基材載體內之槽具有設計之顯著量的公差（亦即，該等槽通常係生產為過大的）。結果，大的槽使其難以依賴基材之邊緣在每次載入時處於相同位置。
如本文所揭示，深度卷積人工類神經網路（本文識別為深度卷積類型系統、或出於簡潔表示為卷積類神經網路(convnet)）可分類載體類型、以及其中所含之所有基材。下文詳細解釋廣義的深度卷積類型系統。然而，基於閱讀及理解所揭示之標的，所屬技術領域中具有通常知識者將認知到，任何類型之深度卷積類型系統可與本文所述之揭示標的使用。可使用相同或類似類型之深度卷積類型系統，以分類載體內之各槽的狀態（例如，適當載入、雙入槽、交叉入槽、缺失等）。所揭示之標的的各種實施例可在小於兩秒內掃描及特徵化整個基材載體（例如，具有25個晶圓之晶圓盒）。
針對一給定輸入或輸入組，以其最簡單形式使用深度卷積類神經網路產生一給定輸出。在此情況下，由自一載體（例如，盒中的晶圓）中之基材獲取之數個影像組成的輸入將產生顯示基材之各者的分類狀態的輸出。例如，基材的分類狀態可包括在載體內之各基材槽內的基材，其包括空槽、佔用槽（例如，適當載入之槽）、雙載入之槽、交叉入槽者、及突出者（其中基材未完全載入至槽中）。輸入對輸出關係來自訓練該深度卷積類神經網路。此類訓練操作係描述於本文中。
例如，在具體例示性實施例中，深度卷積類神經網路可包含ResNet-18。在ResNet之此實施方案中，在該架構中存在18個殘差方塊，其可在網路之訓練時段期間使用至多數百萬個影像。例如，ResNet可使用較少數目之層（例如，數十個層，相對於其他網路類型中之數百個層），以避免由極深的殘差網路引起的劣化問題。極深殘差網路中的劣化問題常以較高的誤差率收斂，從而使網路模型的效能劣化。使用ResNet，藉由引入殘差方塊來大致補救劣化問題，其中方塊的中間層參考一方塊輸入來學習一殘差功能。大致上，至層之輸入可直接通過至另一層，或作為至另一層的捷徑（「跳躍連接(skip connection)」）。殘差功能可視為一精細化步驟，其中輸入特徵映射針對較高品質特徵而調整。此係相較於其中預期各層學習新的及相異特徵映射的普通網路。在不需要精細化之事件中，中間層可學習以逐漸地調整其等權重朝向零，使得殘差方塊代表一恆等函數(identity function)。
然而，使用ResNet-18僅係一個實例。下文參考圖4A至圖4D詳細描述類神經網路之更廣義的實例。
如上文所提及，所揭示之標的使用深度卷積類神經網路且將各基材視為一分類問題。基材及周圍區域（例如，基材載體）的攝影機影像經裁切、及/或縮放成匹配用以訓練該系統之原始影像大小的經訓練卷積類神經網路大小的影像。在一實施例中，經裁切或縮放之影像被劃分成每個基材槽一個影像、或包括若干槽（例如，三個或更多個槽）的影像。影像或多個影像接著用深度卷積類神經網路處理，以分類包括以下之基材槽狀態：空槽、佔用槽（例如，適當載入之槽）、雙載入之槽、交叉入槽者、及突出者（其中基材未完全載入至槽中）。
例如，現參考圖1A，顯示可與所揭示之標的之各種實施例使用的基材載體100。基材載體100常用以在半導體製造操作期間儲存或輸送基材（例如，矽晶圓），該半導體製造操作諸如基材加工（例如，沉積及蝕刻操作）或計量操作（例如，在基材上製造之所計劃特徵的膜厚度及臨界尺寸(critical dimension, CD)的測量）。基材載體100包括載體本體103、及基材可載入至其中的數個槽101。載體本體103可包含塑膠材料，諸如聚醚醚酮(PEEK)、聚丙烯、或全氟烷氧基烷烴(PFA)。在一具體實例中，基材載體100係一25個槽的盒，至多25個矽晶圓（例如，自75 mm至200 mm之直徑）可載入至其中。
顯示圖1B顯示可與所揭示之標的之各種實施例使用的前開式晶圓傳送盒(FOUP) 150。FOUP 150一般用以儲存或輸送300 mm晶圓。FOUP 150係顯示包括具有數個槽159、一基材門保持器153、一FOUP門155、及一基材中心保持器157的一FOUP載體本體151。基材門保持器153及基材中心保持器157幫助保持載入在FOUP 150內的基材避免過多移動，且從而最小化或預防基材損壞。FOUP係用於類似於圖1A之基材載體100的目的，但由於諸如基材門保持器153及基材中心保持器157之特徵，FOUP 150大致上可預防如用圖2A至圖2D所提及而發生的不當基材放置及載入的許多問題，如圖1A之基材載體100可發生者。
FOUP 150係一特殊化塑膠（例如，聚碳酸酯）外殼，其經設計以在一受控環境中牢固且安全地固持例如300 mm的矽晶圓。FOUP 150一般可藉由一自動化物料搬運系統(automated material-handling system)而允許基材在機器（例如，加工工具及計量工具）之間轉移，以用於加工及測量。
圖2A顯示含有載入於基材載體中之基材205的基材載體（例如，類似於或相同於圖1A之基材載體100）的一橫截面部分200。基材載體之一本體203包括基材可載入至其中的數個基材槽201（在此實例中顯示五對槽）。基材205之三者係載入至基材槽201之各別適當者中。
圖2B顯示含有載入至基材載體之基材205的基材載體的一橫截面部分210。圖2B亦顯示在基材載體中「交叉入槽」的一基材207；亦即，基材207具有安裝至基材載體之左側上的基材槽201的第二者（自最上面的槽）中的左邊緣，且基材207的右邊緣係安裝至基材載體之右側上的基材槽201上的最上面者中。因為基材207之交叉入槽的安裝，機器人（例如，轉移機器人）之末端執行器、或其他自動化基材提取工具將由於基材207所定向之角度而通常無法自載體移除基材207。
圖2C顯示含有載入至基材槽201之各別適當者中的基材205之兩者、及顯示一基材應定位（缺失基材）之區域209的位置的基材載體的一橫截面部分220。因為基材未載入至區域209中，所以經設計以輸送缺失基材的機器人浪費時間及工夫。
圖2D顯示含有雙載入基材211（兩個基材在相同層級載入至單一組之基材槽中的基材載體的一橫截面部分230。基材205之兩者係載入至基材槽201之各別適當者中。然而，如同圖2B之基材載體，機器人之末端執行器、或其他自動化基材提取工具將由於雙載入而通常無法自該載體移除雙載入基材211之任一者，或替代地可能能夠載入雙載入基材211之底部者。雙載入基材211之頂部者可能至少部分地被拉出，或者僅可能不當地載入在加工或計量工具中。在其他情況下，雙載入基材211之頂部者可能至少部分地被拉出，且可能稍後掉落。無論哪一種情況，機器人將無法隨後將雙載入基材211之單一者返回至同一對槽201中。
除了上文所述之可能問題以外，圖2A至圖2D中所示之基材載體的橫截面部分200、210、220、230之任一者可具有未完全載入至基材槽201之各別者中的基材205、207、211之一或多者。亦即，基材205、207、211之一或多者可自基材載體突出（亦即，自圖式頁突出）。因此，即使機器人之末端執行器能夠附接至基材（例如，基材205），末端執行器可能在基材上往回過遠地附接至基材，而使在加工或計量工具上的適當放置變得困難或不可能。所揭示之標的之態樣亦可偵測基材之突出者，如下文所描述。
為了偵測上文所識別之此等及其他問題，所揭示之標的係基於數個影像使用一深度卷積類神經網路，以分類由影像獲取系統擷取的影像。為了避免必須收集數百萬個影像，可使用轉移學習。在實例中，一般用以訓練網路的該數個影像可係自約5000個影像至約50,000個影像。該訓練係以一預訓練之網路開始。在實施例中，使用受限的影像資料量來訓練最後五個至十個層。此一訓練方案限制在更複雜的深度卷積類神經網路系統中頻繁遭遇的運算需求。
該訓練可以實例影像的混合開始—包括在各種類型之載體中的各種類型之基材的影像、及基材對載體中之基材槽的關係。影像可包括給定基材之多個影像、或涵蓋載體之多個槽的多個影像（例如，三個槽以偵測例如交叉入槽的基材，儘管該影像可包括整個基材載體）。載體大小、以及載體內之基材的厚度或多個厚度可經分類。再者，除了本文中所提及之分類狀態以外，可由於基材特性之一或多者而察覺到基材之其他特性（諸如基材厚度、基材彎曲(bow)、基材翹曲、基材下垂（例如，來自一薄化基材）），以調整機器人之末端執行器與基材之間的位置定位（例如，拾取定位）。可由於該等基材特性之一或多者而察覺到該等特性，以例如避免在機器人之末端執行器與基材之間的碰撞。因此，該訓練可以始於影像的概述，再來是具體基材類型，並接著是根據如上文所述之各基材的分類狀態（例如，雙入槽者、缺失者、突出者等）來自動標記基材。各基材之自動標記係基於來自深度卷積類神經網路的輸出。
除了分類狀態以外，自動標記亦可包括與一給定載體中之各基材相關聯的識別（例如，ID編號）、及鄰近於複數個基材之部分的基材載體內之複數個位置之各者的自動標記。
圖3顯示根據所揭示之標的之實施例的基材映射系統300的實例。基材映射系統300可用以執行本文所示及描述之一或多個技術，且包括一系統以偵測例如基材載體（例如，諸如圖1之基材載體100）內之基材的放置（正確及不正確放置兩者）。基材映射系統300包括機器學習網路的至少一部分。
基材映射系統300可首先在一訓練模式下使用以訓練機器學習網路，且接著稍後可在一正常操作模式下使用以偵測例如基材載體內之基材的放置。在各種實例中，訓練模式可由基材映射系統300之製造商執行。接著可在例如一製造設施處使用從訓練模式獲得的資料，以在正常模式下判定實際分類狀態（例如，適當載入之基材、交叉載入之基材、雙載入之基材、或突出之基材，如上文參考圖2A至圖2D所描述）。下文參考圖4A至圖4D描述使用來自基材映射系統300之資料的實例架構。隨後參考圖5A及圖5B描述使用訓練及正常操作模式之方法的實例。
在例示性實施例中，基材映射系統300經顯示以包括一基材載體305、照明基材載體305內之基材的一可選的光源301、及一攝影機303。在各種實施例中，可選的光源301、及攝影機303均耦接至一資料收集及控制系統310。在各種實施例中，攝影機303可包含二或更多個攝影機，例如以偵測自基材載體305的基材突出，第二攝影機可係所欲的。再者，攝影機303可包含多個攝影機以涵蓋不同載入埠。例如，用於載入埠A之一或多個攝影機、及用於載入埠B之第二組之一或多個攝影機。在各種實施例中，亦可使用遠端資料儲存及處理單元330。遠端資料儲存及處理單元330可包含例如通用運算裝置的一或多個實例化，諸如伺服器、雲端處理系統、資料倉庫、膝上型電腦、平板電腦、智慧型手機、桌上型電腦、或類似者。
可選的光源301可包含寬頻光源、數個單色為主（例如，單一波長）光源、或寬頻及單色光源之組合。可選的光源301亦可包括在一或多個入射角下、用不同偏振狀態、輻射強度等衝擊於基材上的光源。可基於基材載體305內之基材的特定反射及/或透射特性，來使用可選的光源301之選擇。可選的光源301亦可經組態以與基材上之各種膜或塗層運作。例如，黃光（例如，具有大約577 nm之波長）可與具有光阻塗層之基材使用，以避免曝光該光阻。在其他實施例中，可選擇光之波長以在影像擷取期間照明基材，以避免引起基材上之一或多個膜的化學反應。然而，在各種實施例中，來自製造廠內的環境光可係足以在基材載體305內照明基材。
攝影機303可包含一或多個透鏡（例如，可存在單一可變焦距透鏡或複數個單一焦距透鏡）、及一影像感測器（例如，CCD陣列、基於CMOS的感測器、主動像素感測器、或其他感測器類型）、及具有促進影像提取之相關電路系統的攝影機板。在一個實例中，攝影機303係彩色攝影機，其亦可幫助偵測載體。彩色攝影機可係所欲的，此係因為由於基材載體常係不同於載入至該載體中之基材的顏色，所以彩色攝影機係有幫助的。再者，常見網路常係在彩色影像上訓練，這將另外引起對於自單色攝影機收集之灰階影像的整合挑戰。然而，在使用使用灰階影像所訓練之網路的已知載體類型的情況下，亦可使用單色攝影機。在實施例中，可使用如上文所提及之多個攝影機。例如，兩個攝影機可用以擷取立體影像，其在作出分類狀態之判定可係有用的，諸如基材是否自基材載體305突出。
資料收集及控制系統310係顯示以包括一中央處理單元(central processing unit, CPU) 311、一圖形處理單元(graphics processing unit, GPU) 319、一場可程式化閘陣列(field programmable gate array, FPGA) 317（或其他合適的硬體，諸如特殊應用積體電路(application-specific integrated circuit, ASIC)或加速器（諸如資料處理單元(data processing unit, DPU)）、人工神經元網路(artificial neuron network, ANN)、及類似者）、一記憶體321、一顯示器313、一輸入裝置323、及一通訊介面315（例如，高效能網路(high-performance network, HPN)）。
資料收集及控制系統310亦可包括前端電路系統，諸如傳輸信號鏈、接收信號鏈、開關電路系統、數位電路系統、類比電路系統等。在實施例中，傳輸信號鏈可提供控制信號至可選的光源301。接收信號鏈可接收來自攝影機303的影像信號。前端電路系統可耦接至一或多個處理器電路（諸如CPU 311、GPU 319、及FPGA 317），並由該一或多個處理器電路控制。CPU 311可實施為一或多個多核心處理器。GPU 319及FPGA 317可如本文所描述般用以加速自攝影機303收集之影像資料的處理、及機器學習網路的效能。本文所示及描述的技術可由與GPU 319協同工作的例如CPU 311執行，以用於更快的處理。
CPU 311及GPU 319以及資料收集及控制系統310之其他組件可耦接至記憶體321，以諸如執行使資料收集及控制系統310執行光源照明、影像獲取（如下文更詳細地描述）、處理、或與該影像獲取有關之資料的儲存的一或多者的指令，或者以其他方式執行如本文所示及描述之技術。資料收集及控制系統310可諸如藉由使用有線或無線版本之通訊介面315通訊地耦接至基材映射系統300的其他部分。
如本文所示及描述之一或多個技術的效能可在資料收集及控制系統310中實現，或使用其他處理或儲存設施，諸如使用遠端資料儲存及處理單元330。例如，可諸如回應於來自資料收集及控制系統310的請求而在遠端（例如，在另外的系統上）執行若在資料收集及控制系統310上執行、或超出資料收集及控制系統310的能力時可係非所欲緩慢的處理任務。類似地，可使用通訊地耦接至資料收集及控制系統310的遠端設施來實現成像資料或中間資料的儲存。資料收集及控制系統310亦可包括顯示器313，諸如用於呈現組態資訊或結果；及輸入裝置323，諸如包括鍵盤、軌道球、功能鍵或軟鍵、滑鼠介面、觸控螢幕、觸控筆、或類似者的一或多者，以用於接收操作員命令、組態資訊、或回應查詢。
如上文所描述，資料收集及控制系統310可接收基材載體305內之基材的一或多個影像，以及基材載體305中之基材及基材的潛在位置（以判定是否存在缺失基材）的影像。該等影像亦包括基材及基材相對於基材載體中之基材槽201之潛在位置（參見圖2A）的關係。資料收集及控制系統310可執行如本文所示及描述之一或多個技術，以分類基材及載體。進一步，可遠端地運行及控制資料收集及控制系統310之一些或所有態樣。
圖4A顯示根據所揭示之標的之各種實施例的可與圖3之基材映射系統使用的預處理系統400的實例。在閱讀及理解所揭示之標的之後，所屬技術領域中具有通常知識者將認知到，可使用數個不同深度卷積類神經網路，諸如殘差類神經網路（ResNet，諸如上文所述之ResNet-18），而非圖4A之實例預處理系統、或下文所述之圖4C或圖4D的實例預處理系統；或者，除了圖4A之實例預處理系統、或下文所述之圖4C或圖4D的實例預處理系統以外，可使用數個不同深度卷積類神經網路，諸如殘差類神經網路（ResNet，諸如上文所述之ResNet-18）。圖3之攝影機303係用以獲得大量基材載體305內之基材的原始影像。接著可同時或依序處理該等影像之各者。例如，可藉由各種技術操縱基材的原始影像401。在一個實例中，原始影像可使用轉換技術操縱，以形成在抽象希柏特空間中的經轉換影像。例如，該轉換可包括傅立葉轉換、拉普拉斯(Laplace)轉換、或其他合適的轉換技術。對於彩色影像而言，此等程序可應用至由攝影機303提供之原始顏色的一者或組合。
接著，原始影像401（或經轉換影像）可由實空間及/或希柏特空間中之一或多個濾波器濾波，包括線性及非線性濾波器。例如，原始影像401（或經轉換影像）可由一第一濾波器421（濾波器1）濾波，以產生第一組中間影像403、405（圖4A之實例僅顯示兩個中間影像，但若需要及按需要，可產生任何數目之中間影像）。第一濾波器421可提供作為在光之例如不同頻寬下的一或多個線性濾波器。接著可組合第一組中間影像403、405，並由一第二濾波器423（濾波器2）濾波以產生一第二中間影像407。第二濾波器423可提供作為一或多個線性濾波器或其他類型之濾波器。第二中間影像407可藉由一第三濾波器425（濾波器3）濾波，以產生一預處理影像409。第三濾波器425可提供作為一或多個非線性濾波器或其他類型之濾波器。預處理可使影像中的對比更明顯、或增加邊緣偵測，因此幫助如本文所述之基材之定位的偵測及分類。
圖4B顯示根據所揭示之標的之各種實施例的從自圖3之基材映射系統所獲得的影像偵測載體中之基材載入錯誤的架構450的實例。如上文所述，架構450可在訓練模式下使用以訓練機器學習網路，且可接著在正常操作模式下使用以在製造環境中分類基材。隨後參考圖5A及圖5B描述訓練及正常操作模式的實例。
如圖4B所示，架構450經顯示以包括一預處理器453及一機器學習網路460。一原始影像451係提供至預處理器453。在此實例中，預處理器453如上文參考圖4A所描述般濾波或以其他方式處理原始影像451以例如裁切、縮放、或以其他方式改變或增強原始影像451，並產生一預處理影像455。
預處理影像455接著可輸入至機器學習網路460中。機器學習網路460可提供作為多層機器學習模型。例如，機器學習網路460可包括四個層，該四個層包括一輸入層459、一特徵提取層461、一特徵關係層463、及一決策層465。來自預處理影像455的像素資訊可發送至輸入層459。輸入層459中的各節點可對應於預處理影像455的像素。機器學習網路460可以迭代方式而可在層459至465的一或多者中訓練。決策層465可輸出關於給定基材之分類的決策。接著產生一分類結果467。分類結果467可自原始影像451提取經偵測之分類類型。分類結果467可提供顯示分類狀態（例如，適當載入之基材、交叉載入之基材、雙載入之基材、或突出之基材）的文字指示。在一實施例中，分類結果467可經輸入作為引導機器人與一潛在錯位或缺失之基材運作的命令（例如，若自基材突出則在施加真空前在基材上更往前地移動、跳過缺失的基材槽等）。
如上文所提及，架構450可首先在訓練模式下使用以訓練機器學習網路460，以分類基材的狀態。接著架構450可在正常操作模式下使用，以在製造環境中分類基材。機器學習網路460的訓練可係一受監督程序，且可在分類程序執行處的場外執行。該訓練可與已知分類狀態使用一組訓練影像（例如，一或多個訓練影像），以訓練機器學習網路460。
圖4C顯示根據所揭示之標的之各種實施例的可與圖3之基材映射系統使用的多網路預處理系統470的實例；在閱讀及理解所揭示之標的之後，所屬技術領域中具有通常知識者將認知到，可使用數個不同深度卷積類神經網路，諸如殘差類神經網路（ResNet，諸如上文所述之ResNet-18），而非圖4C之實例預處理系統；或者，除了圖4C之實例預處理系統以外，可使用數個不同深度卷積類神經網路，諸如殘差類神經網路（ResNet，諸如上文所述之ResNet-18）。多網路預處理系統470經顯示以包括一原始影像輸入方塊472、一濾波方塊474、一卷積類神經網路基材載體大小處理方塊476、一卷積類神經網路基材偵測處理方塊478、及判定何時已處理基材載體內之所有基材槽（例如，25個槽）的一決策方塊480。
圖3之攝影機303係用以獲得基材載體305內之基材的至少一原始影像（若多網路預處理系統470係用於訓練目的，則係大量的原始影像）。接著可依序處理影像之各者（影像同時處理的實例係下文參考圖4D所提供）。例如，基材的原始影像係提供作為原始影像輸入方塊472的輸入。接著可藉由各種技術操縱原始影像。在一個實例中，在一裁切影像方塊471中，原始影像根據基材載體的實體結構裁切至一粗略位置。在一縮放影像方塊473中，經裁切影像經內插或外推至所訓練之卷積類神經網路大小，而相關回到原始機器學習網路中使用的訓練大小。接著在重新縮放方塊475內，經縮放影像在浮點範圍內於0與1之間重新縮放至一整數範圍。該整數範圍可經選擇以具有給定之精確度值（例如，為8位元彩色深度之256個離散階(discrete step)的一者）。
在濾波474內的操作完成之後，經濾波影像經輸入至卷積類神經網路基材載體大小處理方塊476，其作出基材載體之實體大小的一判定（例如，載體內之基材或數個槽之最大直徑的判定）。所屬技術領域中具有通常知識者在閱讀及理解所揭示之標的之後將認知到，基材載體大小的判定僅需每基材之載體的處理執行一次。然而，可在操作的各迴圈上驗證該判定。
接著，卷積類神經網路基材偵測處理方塊478基於原始資料訓練資料作出一判定：基材是否位於各槽中、是否交叉入槽、是否突出、或是否雙入槽、或是否係多網路預處理系統470已針對其訓練之任何其他參數。接著，在決策方塊480內，作出是否已處理基材載體內的所有基材槽（例如，25個槽）的一判定。若存在更多待處理的基材（例如，若25個基材未處理），則該操作返回至原始影像輸入方塊472。若已處理所有基材，則多網路預處理系統470的操作繼續至一結束方塊482。
圖4D顯示根據所揭示之標的之各種實施例的可與圖3之基材映射系統使用的單網路預處理系統490的實例。在閱讀及理解所揭示之標的之後，所屬技術領域中具有通常知識者將認知到，可使用數個不同深度卷積類神經網路，諸如殘差類神經網路（ResNet，諸如上文所述之ResNet-18），而非圖4D之實例預處理系統；或者，除了圖4D之實例預處理系統以外，可使用數個不同深度卷積類神經網路，諸如殘差類神經網路（ResNet，諸如上文所述之ResNet-18）。然而，圖4D之各種組件的各者可係與圖4C之多網路預處理系統470的等效組件（若有）相同或類似。然而，在實例操作中，圖4C之多網路預處理系統470可與如可與單網路預處理系統490使用的大約10%或更少之訓練影像的總數目運作。
圖3之攝影機303係用以獲得基材載體305內之基材的至少一原始影像（若多網路預處理系統490係用於訓練目的，則係大量的原始影像）。接著可同時處理該等影像之各者。例如，基材的原始影像係提供作為原始影像輸入方塊492的輸入。接著可藉由各種技術操縱原始影像。在一個實例中，在一濾波方塊494之一裁切影像方塊491中，原始影像根據基材載體的實體結構裁切至一粗略位置。在一縮放影像方塊493中，經裁切影像經內插或外推至所訓練之卷積類神經網路大小，而相關回到原始機器學習網路中使用的訓練大小。接著在重新縮放方塊495內，經縮放影像在浮點範圍內於0與1之間重新縮放至一整數範圍。該整數範圍可經選擇以具有給定之精確度值（例如，為8位元彩色深度之256個離散階的一者）。
在濾波494內的操作完成之後，經濾波影像經輸入至卷積類神經網路基材載體大小/槽/基材偵測及處理方塊496，其作出基材載體之實體大小的一判定（例如，載體內之基材或數個槽之最大直徑的判定），以及基於原始資料訓練資料作出一判定：基材是否位於各槽中、是否交叉入槽、是否突出、或是否雙入槽、或是否係單網路預處理系統490已針對其訓練之任何其他參數。接著在方塊498處輸出所有槽（例如，所有個25槽）內之所有基材的判定。
現參考圖5A，顯示根據所揭示之標的之各種實施例的用於訓練圖3之基材映射系統的例示性方法500。訓練程序的例示性方法500可用一組訓練影像執行多次。在操作501處，可如上文所描述般接收及預處理訓練影像。訓練影像可對應於在正常操作模式期間遭遇之相同或類似類型之基材分類的影像。可基於存在某些類型之基材分類狀態（例如，適當載入之基材、交叉載入之基材、雙載入之基材、或突出之基材）來選擇訓練影像。預處理可包括一系列濾波操作（該等濾波操作之至少部分係於上文所描述）以協助如上文所述之基材分類的判定。
在操作509處，可接收與預處理影像有關的標示（例如，槽數目）。在實施例中，標示可藉由一手動程序產生。在操作511處，可將預處理影像輸入至機器學習網路（例如，機器學習網路460）中，如本文所描述。在操作513處，可產生基於標示之參考輸出，並提供至機器學習網路。
在操作515處，機器學習網路可執行迭代操作，直到機器學習網路的輸出匹配或實質上匹配基於該等標示之各者的分類類型的參考輸出為止。該等標示可與已知分類類型（例如，適當載入之基材、交叉載入之基材、雙載入之基材、或突出之基材）相關聯。在閱讀及理解所揭示之標的之後，所屬技術領域中具有通常知識者將認知到，可施用多於一種分類類型，諸如自基材載體突出的交叉載入之基材、或亦被雙載入的交叉載入之基材。
可針對一組訓練影像重複例示性方法500，以訓練機器學習網路。訓練影像可包括不同分類類型以訓練機器學習網路，以用該等分類類型偵測不同類型之基材（例如，元素、化合物、接合基材等，各自用不同直徑及/或厚度結合）。在機器學習網路完成訓練程序之後，其可在正常操作模式下使用，以例如在製造或計量程序期間偵測基材的分類類型。
圖5B顯示根據所揭示之標的之各種實施例的用於使用在正常操作模式下之圖3的基材映射系統的例示性方法550。在操作551處，可如上文所描述般接收及預處理檢驗中之裝置的至少一影像。如上文參考圖3所描述，可由攝影機303擷取影像。預處理可數個濾波技術，如上文所描述。
在操作553處，可將預處理影像輸入至機器學習網路中，如本文所描述。在操作555處，機器學習網路（例如，圖4之機器學習網路460）可基於其訓練執行操作以輸出關於來自預處理影像之各基材分類狀態的決策。
可使用如圖3所示之基材映射系統300的一部分或整體、或以其他方式使用如下文關於圖6所論述之機器600，來執行本文中所示及描述的技術。圖6顯示包含本文所論述之技術（例如，方法論）的任一者或多者可執行於其上之機器600的例示性方塊圖。在各種實例中，機器600可操作為一獨立裝置操作，或可連接（例如，網路連接）至其他機器。在一網路連接部署中，機器600可在伺服器用戶端網路環境中以伺服器機器、用戶端機器、或兩者的能力操作。在一實例中，機器600可在點對點(P2P)（或其他分散式）網路環境中充當一同級機器。機器600可係個人電腦(personal computer, PC)、平板裝置、機上盒(set-top box, STB)、個人數位助理(personal digital assistant, PDA)、行動電話、網路電器、網路路由器、開關或橋接器、或能夠執行指定待由彼機器採取之動作的指令（依序或以其他方式）的任何機器。進一步，雖然僅說明單一機器，但用語「機器(machine)」亦應採用以包括個別或共同執行一組（或多組）指令的機器的任何集合，以執行本文論述之方法論的任一者或多者，諸如雲端運算、軟體即服務(software as a service, SaaS)、其他電腦叢集組態。
如本文所描述，實例可包括邏輯、或數個組件、或機制，或可由邏輯、或數個組件、或機制操作。電路系統係實施在包括硬體（例如，簡單電路、閘極、邏輯等）之有形實體中的電路集合。電路系統的資格可隨時間而為彈性，且基於硬體變化性。電路系統包括在操作時可單獨或以組合的方式執行指定操作的構件。在一實例中，電路系統的硬體可一成不變地設計以進行特定操作（例如，固線式）。在一實例中，包含電路系統的硬體可包括可變連接的實體組件（例如，執行單元、電晶體、簡單電路等），其等包括經物理地修改（例如，磁性、電性，諸如經由物理狀態的變化或另一物理特性的轉變等）以編碼特定操作之指令的電腦可讀取媒體。在連接實體組件中，硬體組成的潛在電性質可改變，例如自絕緣特性改變成導電特性，或反之亦然。指令實現嵌入式硬體（例如，執行單元或加載機構）以經由可變連接在硬體中建立電路系統的構件，以在操作中時進行特定操作的部分。因此，當裝置正在操作時，電腦可讀取媒體通訊地耦接至電路系統的其他組件。在一實例中，實體組件的任一者可使用在多於一個電路系統的多於一個構件中。例如，在操作時，執行單元可在一個時間點下使用在第一電路系統的第一電路中，且在一不同時間下由第一電路系統中的第二電路、或由第二電路系統中的第三電路再使用。
機器600（例如，電腦系統）可包括硬體處理器602（例如，中央處理單元(CPU)、圖形處理單元(GPU)、硬體處理器核心、或其任何組合）、一主記憶體604、及一靜態記憶體606，其等的一些或全部可經由一互鏈630（例如，匯流排）通訊。機器600可進一步包括一顯示裝置609、一輸入裝置611（例如，文數字鍵盤）、及一使用者介面(UI)導航裝置613（例如，滑鼠）。在一實例中，顯示裝置609、輸入裝置611、及UI導航裝置613可包含觸控螢幕顯示器之至少部分。機器600可額外地包括一儲存裝置620（例如，驅動單元）、一信號產生裝置617（例如，揚聲器）、一網路介面裝置650、及一或多個感測器615（諸如全球定位系統(GPS)感測器、指南針、加速計、或其他感測器）。機器600可包括一輸出控制器619（諸如序列控制器或介面（例如，通用序列匯流排(USB)））、一平行控制器或介面、或其他有線或無線（例如，紅外線(IR)控制器或介面、近場通訊(near field communication, NFC)等，其經耦接以通訊或控制一或多個周邊裝置（例如，印表機、讀卡機等）。
儲存裝置620可包括一或多組之資料結構或指令624（例如，軟體或韌體）係儲存於其上的一機器可讀媒體，該一或多組之資料結構或指令係由本文所述之技術或功能的任一者或多者所體現或利用。指令624亦可在由機器600執行其之期間完全或至少部分地常駐在主記憶體603內、在靜態記憶體605內、在一大量儲存裝置607內、或在基於硬體的處理器601內。在一實例中，基於硬體的處理器601、主記憶體603、靜態記憶體605、或儲存裝置620的一者或任何組合可構成機器可讀媒體。
雖然將機器可讀取媒體視為單一媒體，但用語「機器可讀取媒體(machine readable medium)」可包括經組態以儲存一或多個指令624的單一媒體或多個媒體（例如，集中式或分布式資料庫、及/或相關聯的快取及伺服器）。
用語「機器可讀取媒體」可包括下列之任何媒體：能夠儲存、編碼、或攜載用於由機器600執行的指令並使機器600執行本揭露之技術中的任一者或多者，或能夠儲存、編碼、或攜載由此類指令使用的資料結構、或與此類指令相關聯的資料結構。非限制性機器可讀取媒體實例可包括固態記憶體及光學及磁性媒體。據此，機器可讀媒體並非暫時性傳播信號。大量的機器可讀媒體的特定實例可包括：非揮發性記憶體，諸如半導體記憶體裝置（例如，電子可程式唯讀記憶體(Electrically Programmable Read-Only Memory, EPROM)、電子可抹除可程式化唯讀記憶體(Electrically Erasable Programmable Read-Only Memory, EEPROM)、及快閃記憶體裝置；磁性或其他相變化或狀態變化記憶體電路；磁碟，諸如內部硬碟及可移除式磁碟；磁光碟；及CD-ROM及DVD-ROM光碟。
指令624可進一步經由利用數個傳送協定（例如，訊框中繼、網際網路協定(IP)、傳輸控制協定(transmission control protocol, TCP)、使用者資料包協定(user datagram protocol, UDP)、超文件傳送協定(hypertext transfer protocol, HTTP)等）之任一者的網路介面裝置650使用一傳輸媒體透過通訊網路621來傳輸或接收。實例通訊網路可包括區域網路(LAN)、廣域網路(WAN)、封包資料網路（例如，網際網路(Internet)）、行動電話網路（例如，蜂巢式網路）、簡易舊式電話(Plain Old Telephone, POTS)網路、及無線資料網路（例如，已知為Wi-Fi ®之電子電機工程師協會(IEEE) 802.22系列標準、已知為WiMax ®之IEEE 802.26系列標準）、IEEE 802.25.4系列標準、點對點(P2P)網路等等。在一實例中，網路介面裝置650可包括一或多個實體插孔（例如，乙太網路(Ethernet)、同軸、或電話插孔）、或一或多個天線以連接至通訊網路626。在一實例中，網路介面裝置650可包括複數個天線以使用單輸入多輸出(single-input multiple-output, SIMO)、多輸入多輸出(multiple-input multiple-output, MIMO)、或多輸入單輸出(multiple-input single-output, MISO)技術中之至少一者而無線通訊。用語「傳輸媒體(transmission medium)」應經採用以包括能夠儲存、編碼、或攜載用於由機器600執行之指令的任何無形媒體，且包括數位或類比通訊信號或其他無形媒體，以促進此類軟體的通訊。
如本文中所使用，用語「或(or)」可解釋為包含性或排他性的意義。進一步，基於閱覽及理解所提供之本揭露，所屬技術領域中具有通常知識者將理解其他實施例。此外，所屬技術領域中具有通常知識者將易於理解，本文所提供之技術及實例的各種組合可全部應用於各種組合中。
本說明書通篇，複數例子可實施經描述為單一實例的組件、操作、或結構。雖然個別操作經說明及描述為單獨操作，但可同時執行個別操作的一或多者，且除非另有陳述，否則不要求操作係必須以所說明之順序執行。在實例組態中呈現為單獨組件的結構及功能性可實施作為一組合結構或組件。類似地，呈現為單一組件的結構及功能性可實施作為單獨組件。這些及其他變化例、修改例、添加例、及改良例落在本文所述之標的的範圍內。
進一步，雖然未明確地顯示但對於具有通常知識之工匠可理解的是，元件之各種配置、數量、及數目的各者可變化（例如，所使用之攝影機、透鏡、及照明源的數目）。再者，各種波長僅係作為幫助理解而提供。此外，本文所顯示及描述之實例的各者僅係代表一個可能的組態，且不應視為限制本揭露之範圍。
雖然各種實施例分開論述，但這些單獨的實施例不意欲視為獨立技術或設計。如上文所指示，各種部分之各者可係相關的，且各自可分開使用、或與本文所論述之其他實施例組合使用。例如，雖然已描述操作、系統、及程序之各種實施例，但這些方法、操作、系統、及程序可分開使用或以各種組合使用。
因此，如對於所屬技術領域中具有通常知識者在閱覽及理解本文所提供之本揭露後將係顯而易見者，可作出許多修改例及變化例。除了本文中所列舉者之外，對於具有通常知識之工匠自前述描述，本揭露之範圍內的功能上等效的方法及裝置將係顯而易見的。一些實施例的部分及特徵可包括在其他實施例中，或者經取代為其他實施例。此類修改例及變化例意欲落在隨附申請專利範圍之範圍內。因此，本揭露僅受限於隨附申請專利範圍之條目，連同此類申請專利範圍經授權之等效例的完整範圍。亦應理解，本文中所使用之用語僅出於描述特定實施例之目的，且不意欲為限制性的。
提供本揭露之摘要以允許讀者快速地探悉本技術揭露的本質。本發明係在理解其將不用以解釋或限制申請專利範圍的情況下所提交。另外，在前述實施方式中可看出，出於簡化本揭露之目的，在單一實施例中可將各種特徵分組在一起。本揭露之方法不應解釋為限制申請專利範圍。因此，以下申請專利範圍特此併入至實施方式中，其中各請求項其自身獨立作為一單獨實施例。
本文提供之說明書包括體現本文件中所述之課題的各種態樣的說明性實例、裝置、及設備。在本說明書中，出於解釋之目的，闡述許多具體細節，以提供對所論述之課題的各種實施例的理解。然而，對所屬技術領域中具有通常知識者將顯而易見的是，在不具有這些具體細節的情況下可實作所揭示之標的的各種實施例。進一步，未詳細地顯示眾所皆知之結構、材料、及技術，以不混淆各種說明實施例。如本文中所使用，用語「約(about)」、「大約(approximately)」、及「實質上(substantially)」可係指例如在一給定值或值範圍之+10%內。 以下經編號之實例係所揭示標的之具體實施例
實例1：一種用於分類在一基材載體中之位置內之數個基材的一狀態的方法。該方法包括偵測該基材載體中之該等基材的至少一部分。該偵測包括：擷取該等基材之該部分、及鄰近於該等基材之該部分的該等位置的一或多個影像；將該一或多個影像轉移至一預訓練深度卷積類神經網路；使用該預訓練深度卷積類神經網路自該等影像，分類該基材載體內之該等位置內的該等基材之該部分的該狀態；及提供鄰近於該複數個基材之該部分的該基材載體內之該複數個位置之各者的一自動標記。
實例2：如實例1之方法，其進一步包含訓練該類神經網路以分類該等基材位置的一狀態。
實例3：如實例1或實例2之方法，其中該自動標記包括將該複數個位置之各者分類為選自包括以下之類型的至少一分類類型：適當載入、交叉入槽、雙載入、突出、及空的。
實例4：如前述實例中任一項之方法，其進一步包含針對包括選自基材厚度、基材彎曲、基材翹曲、及基材下垂之特性的至少一基材特性，來識別該複數個基材之該部分的各者，其中提供該至少一特性以調整一機器人末端執行器與該複數個基材之一或多者的一位置。
實例5：如前述實例中任一項之方法，其中該分類進一步包含自該複數個基材之該部分識別該基材載體內的複數個基材類型。
實例6：如前述實例中任一項之方法，其進一步包含基於該基材載體內之該等基材的一反射特性、該基材載體內之該等基材的一透射特性、及該等基材上的一膜或塗層中之至少一者，來選擇用於擷取該一或多個影像之一光源的一波長。
實例7：如請求項6之方法，其進一步包含選擇該光源之一入射角、一偏振狀態、及一輻射強度。
實例8：如前述實例中任一項之方法，其進一步包含將該一或多個影像之各者縮放成一經訓練卷積類神經網路大小。
實例9：一種基材映射系統包括一攝影機，其用以收集一基材載體中之基材及基材之潛在位置的一或多個影像；及一資料收集及控制系統。該一或多個影像包括該等基材及該等基材相對於該基材載體中之數個基材槽之位置的一關係。該資料收集及控制系統包括一機器之一或多個基於硬體的處理器，其等耦接至該攝影機且經配置以：將該一或多個影像轉移至一深度卷積類神經網路；使用該深度卷積類神經網路自該一或多個影像，分類該基材載體內之該基材之該等位置內的該等基材之該等成像者的該部分的一狀態；及提供鄰近於該等基材之該等成像者之該部分的該基材載體內之該等基材之該等位置之各者的一自動標記。
實例10：如實例9之基材映射系統，其進一步包含一光源，其用以照明該基材載體中之該等基材及該等基材之該等潛在位置的至少一些者。
實例11：如實例10之基材映射系統，其中該光源係一寬頻光源。
實例12：如實例10之基材映射系統，其中該光源係一單色光源。
實例13：如實例10之基材映射系統，其中基於該基材載體內之該等基材的一反射特性、該基材載體內之該等基材的一透射特性、及該等基材上的一膜或塗層中之至少一者，來選擇自該光源發射的光的一波長。
實例14：如實例10之基材映射系統，其中該光源之一或多個特性包括一入射角、一偏振狀態、及一輻射強度的選擇。
實例15：如實例9至14中任一項之基材映射系統，其中該自動標記包括將該複數個位置之各者分類為選自包括以下之類型的至少一分類類型：適當載入、交叉入槽、雙載入、突出、及空的。
實例16：如實例9至15中任一項之基材映射系統，其中該資料收集及控制系統進一步經組態以：針對包括選自基材厚度、基材彎曲、基材翹曲、及基材下垂之特性的至少一基材特性，來識別經成像之該等基材的各者；及將該至少一基材特性傳輸至一轉移機器人，以由於該等基材特性之一或多者調整該轉移機器人之一末端執行器與該等基材之一選定者之間的一位置定位。
實例17：如實例9至16中任一項之基材映射系統，其進一步包含特徵化該基材載體的一大小。
實例18：如實例9至17中任一項之基材映射系統，其中該系統初始地在一訓練模式下基於該一或多個影像訓練以產生一預訓練深度卷積類神經網路，隨後基材映射系統經組態在一製造設施內於一正常操作模式下使用，以基於該預訓練深度卷積類神經網路偵測在該製造設施內之基材載體內之基材的一放置。
實例19：如實例9至18中任一項之基材映射系統，其中該資料收集及控制系統進一步經組態以將該一或多個影像之各者縮放成一經訓練卷積類神經網路大小。
實例20：一種電腦可讀取媒體，其含有指令，該等指令在由一機器執行時使該機器執行包括偵測該基材載體中之該等基材的至少一部分的操作。該偵測包括：擷取該等基材之該部分、及鄰近於該等基材之該部分的該等位置的一或多個影像；將該一或多個影像轉移至一預訓練深度卷積類神經網路；使用該預訓練深度卷積類神經網路自該等影像，分類該基材載體內之該等位置內的該等基材之該部分的該狀態；及提供鄰近於該複數個基材之該部分的該基材載體內之該複數個位置之各者的一自動標記。
實例21：如實例20之電腦可讀取媒體，其進一步包含訓練該類神經網路以分類該等基材位置的一狀態。
實例22：如實例20或實例20之電腦可讀取媒體，其中該自動標記包括將該複數個位置之各者分類為選自包括以下之類型的至少一分類類型：適當載入、交叉入槽、雙載入、突出、及空的。
實例23：如前述實例20至22中任一項之電腦可讀取媒體，其進一步包含針對包括選自基材厚度、基材彎曲、基材翹曲、及基材下垂之特性的至少一基材特性，來識別該複數個基材之該部分的各者，其中提供該至少一特性以調整一機器人末端執行器與該複數個基材之一或多者的一位置。
實例24：如前述實例20至23中任一項之電腦可讀取媒體，其中該分類進一步包含自該複數個基材之該部分識別該基材載體內的複數個基材類型。
實例25：如前述實例20至24中任一項之電腦可讀取媒體，其進一步包含基於該基材載體內之該等基材的一反射特性、該基材載體內之該等基材的一透射特性、及該等基材上的一膜或塗層中之至少一者，來選擇用於擷取該一或多個影像之一光源的一波長。
實例26：如實例25之電腦可讀取媒體，其進一步包含選擇該光源之一入射角、一偏振狀態、及一輻射強度。
實例27：如前述實例20至26中任一項之電腦可讀取媒體，其進一步包含將該一或多個影像之各者縮放成一經訓練卷積類神經網路大小。
100:基材載體 101:槽 103:本體 150:前開式晶圓傳送盒/FOUP 151:FOUP載體本體 153:基材門保持器 155:FOUP門 157:基材中心保持器 159:槽 200:橫截面部分 201:基材槽/槽 203:本體 205:基材 207:基材 209:區域 210:橫截面部分 211:雙載入基材/基材 220:橫截面部分 230:橫截面部分 300:基材映射系統 301:光源 303:攝影機 305:基材載體 310:資料收集及控制系統 311:中央處理單元(CPU) 313:顯示器 315:通訊介面 317:場可程式化閘陣列(FPGA) 319:圖形處理單元(GPU) 321:記憶體 323:輸入裝置 330:遠端資料儲存及處理單元 400:預處理系統 401:原始影像 403:中間影像 405:中間影像 407:中間影像 409:預處理影像 421:濾波器 423:濾波器 425:濾波器 450:架構 451:原始影像 453:預處理器 455:預處理影像 459:輸入層 460:機器學習網路 461:特徵提取層 463:特徵關係層 465:決策層 467:分類結果 470:多網路預處理系統 471:裁切影像方塊 472:原始影像輸入方塊 473:縮放影像方塊 474:濾波方塊 475:重新縮放方塊 476:卷積類網路基材載體大小處理方塊 478:卷積類網路基材偵測處理方塊 480:決策方塊 482:結束方塊 490:單網路預處理系統/多網路預處理系統 491:裁切影像方塊 492:輸入方塊 493:縮放影像方塊 494:濾波方塊 495:重新縮放方塊 496:卷積類網路基材載體大小/槽/基材偵測及處理方塊 498:方塊 500:方法 501:操作 509:操作 511:操作 513:操作 515:操作 550:方法 551:操作 553:操作 555:操作 600:機器 601:基於硬體的處理器 602:硬體處理器 603:主記憶體 604:主記憶體 605:靜態記憶體 606:靜態記憶體 607:儲存裝置 609:顯示裝置 611:輸入裝置 613:使用者介面(UI)導航裝置 615:感測器 617:信號產生裝置 619:輸出控制器 620:儲存裝置 621:通訊網路 624:指令 630:互鏈 650:網路介面裝置
隨附圖式的各種者僅係說明本揭露之實例實施方案，且不應視為限制其範圍。 [圖1A]顯示可與所揭示之標的之各種實施例使用的基材載體； [圖1B]顯示可與所揭示之標的之各種實施例使用的前開式晶圓傳送盒(front-opening unified-pod, FOUP)； [圖2A]顯示含有載入至基材載體中之基材的基材載體的橫截面部分； [圖2B]顯示含有其中一者係交叉入槽於基材載體中之基材的基材載體的橫截面部分； [圖2C]顯示含有基材在其處缺失的基材載體位置、連同適當載入於基材載體中之基材的基材載體的橫截面部分； [圖2D]顯示含有雙載入之基材、連同適當載入於基材載體中之基材的基材載體的橫截面部分； [圖3]顯示根據所揭示之標的之實施例的基材映射系統的實例； [圖4A]顯示根據所揭示之標的之各種實施例的可與圖3之基材映射系統使用的預處理系統的實例； [圖4B]顯示根據所揭示之標的之各種實施例的從自圖3之基材映射系統所獲得的影像偵測載體中之基材載入錯誤的架構的實例； [圖4C]顯示根據所揭示之標的之各種實施例的可與圖3之基材映射系統使用的多網路預處理系統的實例； [圖4D]顯示根據所揭示之標的之各種實施例的可與圖3之基材映射系統使用的單網路預處理系統的實例； [圖5A]顯示根據所揭示之標的之各種實施例的用於訓練圖3之基材映射系統的例示性方法； [圖5B]顯示根據所揭示之標的之各種實施例的用於使用在正常操作模式下之圖3的基材映射系統的例示性方法；及 [圖6]顯示包含本文所論述之技術（例如，方法論）的任一者或多者可執行於其上之機器的實例的方塊圖。
470:多網路預處理系統
471:裁切影像方塊
472:原始影像輸入方塊
473:縮放影像方塊
474:濾波方塊
475:重新縮放方塊
476:卷積類網路基材載體大小處理方塊
478:卷積類網路基材偵測處理方塊
480:決策方塊
482:結束方塊

Claims (20)

  1. 一種用於分類在一基材載體中之複數個位置內之複數個基材的一狀態的方法，該方法包含： 偵測該基材載體中之該複數個基材的至少一部分，該偵測包括：擷取該複數個基材之該部分及鄰近於該複數個基材之該部分的該複數個位置的一或多個影像； 將該一或多個影像轉移至一預訓練深度卷積類神經網路； 使用該預訓練深度卷積類神經網路自該一或多個影像，分類該基材載體內之該複數個位置內的該複數個基材之該部分的該狀態；及 提供鄰近於該複數個基材之該部分的該基材載體內之該複數個位置之各者的一自動標記。
  2. 如請求項1之方法，其進一步包含訓練該類神經網路以分類該等基材的位置的一狀態。
  3. 如請求項1之方法，其中該自動標記包括將該複數個位置之各者分類為選自包括以下之類型的至少一分類類型：適當載入、交叉入槽(cross-slotted)、雙載入、突出、及空的。
  4. 如請求項1之方法，其進一步包含針對包括選自基材厚度、基材彎曲、基材翹曲、及基材下垂之特性的至少一基材特性，來識別該複數個基材之該部分的各者，其中提供該至少一基材特性以調整一機器人末端執行器(robot end-effector)與該複數個基材之一或多者的一位置。
  5. 如請求項1之方法，其中該分類進一步包含自該複數個基材之該部分識別該基材載體內的複數個基材類型。
  6. 如請求項1之方法，其進一步包含基於該基材載體內之該等基材的一反射特性、該基材載體內之該等基材的一透射特性、及該等基材上的一膜或塗層中之至少一者，來選擇用於擷取該一或多個影像之一光源的一波長。
  7. 如請求項6之方法，其進一步包含選擇該光源之一入射角、一偏振狀態、及一輻射強度。
  8. 如請求項1之方法，其進一步包含將該一或多個影像之各者縮放成一經訓練卷積類神經網路大小。
  9. 一種基材映射系統，其包含： 一攝影機，其用以收集一基材載體中之基材及基材之潛在位置的一或多個影像，該一或多個影像包括該等基材及該等基材相對於該基材載體中之複數個基材槽之位置的一關係；及 一資料收集及控制系統，其包括耦接至該攝影機之一機器之一或多個基於硬體的處理器，該資料收集及控制系統用以： 將該一或多個影像轉移至一深度卷積類神經網路； 使用該深度卷積類神經網路自該一或多個影像，分類該基材載體內之該基材之該等位置內的該等基材之該等成像者的該部分的一狀態；及 提供鄰近於該等基材之該等成像者之該部分的該基材載體內之該等基材之該等位置之各者的一自動標記。
  10. 如請求項9之基材映射系統，其進一步包含一光源，其用以照明該基材載體中之該等基材及該等基材之該等潛在位置的至少一些者。
  11. 如請求項10之基材映射系統，其中該光源係一寬頻光源。
  12. 如請求項10之基材映射系統，其中該光源係一單色光源。
  13. 如請求項10之基材映射系統，其中基於該基材載體內之該等基材的一反射特性、該基材載體內之該等基材的一透射特性、及該等基材上的一膜或塗層中之至少一者，來選擇自該光源發射的光的一波長。
  14. 如請求項10之基材映射系統，其中該光源之一或多個特性包括一入射角、一偏振狀態、及一輻射強度的選擇。
  15. 如請求項9之基材映射系統，其中該自動標記包括將該複數個位置之各者分類為選自包括以下之類型的至少一分類類型：適當載入、交叉入槽、雙載入、突出、及空的。
  16. 如請求項9之基材映射系統，其中該資料收集及控制系統進一步經組態以： 針對包括選自基材厚度、基材彎曲、基材翹曲、及基材下垂之特性的至少一基材特性，來識別經成像之該等基材的各者；及 將該至少一基材特性傳輸至一轉移機器人，以由於該等基材特性之一或多者調整該轉移機器人之一末端執行器與該等基材之一選定者之間的一位置定位。
  17. 如請求項9之基材映射系統，其進一步包含特徵化該基材載體的一大小。
  18. 如請求項9之基材映射系統，其中該系統初始地在一訓練模式下基於該一或多個影像訓練以產生一預訓練深度卷積類神經網路，隨後基材映射系統經組態在一製造設施內於一正常操作模式下使用，以基於該預訓練深度卷積類神經網路偵測在該製造設施內之該基材載體內之該基材的一放置。
  19. 如請求項9之基材映射系統，其中該資料收集及控制系統進一步經組態以將該一或多個影像之各者縮放成一經訓練卷積類神經網路大小。
  20. 一種電腦可讀取媒體，其含有指令，該等指令在由一機器執行時使該機器執行包含以下之操作： 偵測一基材載體中之複數個基材的至少一部分，該偵測包括：擷取該複數個基材之該部分及鄰近於該複數個基材之該部分的複數個位置的一或多個影像； 將該一或多個影像轉移至一預訓練深度卷積類神經網路； 使用該預訓練深度卷積類神經網路自該一或多個影像，分類該基材載體內之該等位置內的該複數個基材之該部分的該狀態；及 提供鄰近於該複數個基材之該部分的該基材載體內之該複數個位置之各者的一自動標記。
TW111134973A 2021-09-15 2022-09-15 使用深度類神經網路之基材映射 TW202318263A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US17/476,195 2021-09-15
US17/476,195 US20230085039A1 (en) 2021-09-15 2021-09-15 Substrate mapping using deep neural-networks

Publications (1)

Publication Number Publication Date
TW202318263A true TW202318263A (zh) 2023-05-01

Family

ID=85478786

Family Applications (1)

Application Number Title Priority Date Filing Date
TW111134973A TW202318263A (zh) 2021-09-15 2022-09-15 使用深度類神經網路之基材映射

Country Status (6)

Country Link
US (1) US20230085039A1 (zh)
KR (1) KR20240056594A (zh)
CN (1) CN118202452A (zh)
IL (1) IL311492A (zh)
TW (1) TW202318263A (zh)
WO (1) WO2023044367A1 (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117672928B (zh) * 2023-10-19 2024-06-25 重庆鹰谷光电股份有限公司 一种开盒方法

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10540759B2 (en) * 2016-11-29 2020-01-21 Kla-Tencor Corporation Bonded wafer metrology
TWM543044U (zh) * 2017-02-22 2017-06-11 微星科技股份有限公司 測距裝置
US10387755B2 (en) * 2017-06-28 2019-08-20 Applied Materials, Inc. Classification, search and retrieval of semiconductor processing metrology images using deep learning/convolutional neural networks
CN207398069U (zh) * 2017-11-20 2018-05-22 顶程国际股份有限公司 晶圆侦测装置及晶圆清洗机
EP3623882A1 (en) * 2018-09-13 2020-03-18 Siemens Aktiengesellschaft Identifying type and alignment of a workpiece
US10867108B2 (en) * 2018-09-18 2020-12-15 Taiwan Semiconductor Manufacturing Co., Ltd. Optical mode optimization for wafer inspection
KR102635249B1 (ko) * 2020-08-31 2024-02-08 세메스 주식회사 이미지 획득 방법, 이미지 획득 장치 및 웨이퍼 검사 장치
WO2022055658A1 (en) * 2020-09-08 2022-03-17 Massachusetts Institute Of Technology Prediction of semiconductor device performance

Also Published As

Publication number Publication date
US20230085039A1 (en) 2023-03-16
IL311492A (en) 2024-05-01
KR20240056594A (ko) 2024-04-30
WO2023044367A1 (en) 2023-03-23
CN118202452A (zh) 2024-06-14

Similar Documents

Publication Publication Date Title
TWI809243B (zh) 利用自動產生缺陷特徵檢測半導體結構之方法及系統
US10504006B2 (en) Classification, search and retrieval of semiconductor processing metrology images using deep learning/convolutional neural networks
KR20190073756A (ko) 반도체 결함 분류 장치, 반도체의 결함을 분류하는 방법, 그리고 반도체 결함 분류 시스템
CN111554601B (zh) 晶圆前端传送系统
CN112740021B (zh) 通过生成对抗网络的超分辨率缺陷重检图像生成
KR101570626B1 (ko) 웨이퍼 센터 검색 방법
FR2934911A1 (fr) Systeme automatise de guidage et de reconnaissance et procede pour ledit systeme
JP2008087074A (ja) ワーク取り出し装置
TW202318263A (zh) 使用深度類神經網路之基材映射
CN111542915A (zh) 使用电子束检验及具有实时情报的深度学习以减少妨害的缺陷探索
CN109755165A (zh) 容器运送方法及仓储
JP2015169564A (ja) 画像検査装置及び画像検査方法
TW202201385A (zh) 膜厚度測量系統及膜厚度測量方法
KR20200095799A (ko) 검사 시스템
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
CN110870053A (zh) 重复缺陷检查
TWI735935B (zh) 半導體製造設備及方法
US11740186B2 (en) Image acquiring method, image acquiring apparatus and wafer inspection apparatus
TWI770883B (zh) 影像處理系統及其方法
KR102606069B1 (ko) 웨이퍼 검사 방법
CN112213314A (zh) 晶圆侧面缺陷的检测方法和检测系统
KR101829953B1 (ko) 통합형 시스템, 통합형 시스템의 작동 방법 및 막 처리 방법
US20240062361A1 (en) Substrate defect-detection and comparison
KR20220170366A (ko) 검사 방법 및 에칭 시스템
US11189509B2 (en) System and method for controlling semiconductor manufacturing equipment