TWI642126B - 半導體晶圓檢測系統及其方法 - Google Patents
半導體晶圓檢測系統及其方法 Download PDFInfo
- Publication number
- TWI642126B TWI642126B TW106122149A TW106122149A TWI642126B TW I642126 B TWI642126 B TW I642126B TW 106122149 A TW106122149 A TW 106122149A TW 106122149 A TW106122149 A TW 106122149A TW I642126 B TWI642126 B TW I642126B
- Authority
- TW
- Taiwan
- Prior art keywords
- wafer
- image
- classification
- semiconductor wafer
- tested
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 81
- 239000004065 semiconductor Substances 0.000 title claims abstract description 56
- 239000011159 matrix material Substances 0.000 claims abstract description 79
- 238000012545 processing Methods 0.000 claims abstract description 29
- 238000007689 inspection Methods 0.000 claims abstract description 24
- 238000012549 training Methods 0.000 claims description 32
- 230000008569 process Effects 0.000 claims description 30
- 230000005484 gravity Effects 0.000 claims description 15
- 238000013473 artificial intelligence Methods 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 150000004706 metal oxides Chemical class 0.000 claims description 6
- 230000000295 complement effect Effects 0.000 claims description 5
- 229910044991 metal oxide Inorganic materials 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000007405 data analysis Methods 0.000 claims description 4
- 238000003066 decision tree Methods 0.000 claims description 4
- 230000001537 neural effect Effects 0.000 claims description 2
- 238000003384 imaging method Methods 0.000 claims 1
- 239000000284 extract Substances 0.000 abstract description 3
- 235000012431 wafers Nutrition 0.000 description 103
- 238000001514 detection method Methods 0.000 description 11
- 238000004519 manufacturing process Methods 0.000 description 9
- 238000004458 analytical method Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 8
- 230000000704 physical effect Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 230000007547 defect Effects 0.000 description 6
- 238000005520 cutting process Methods 0.000 description 4
- GNPVGFCGXDBREM-UHFFFAOYSA-N germanium atom Chemical compound [Ge] GNPVGFCGXDBREM-UHFFFAOYSA-N 0.000 description 4
- 230000015572 biosynthetic process Effects 0.000 description 3
- 239000013078 crystal Substances 0.000 description 3
- 238000007418 data mining Methods 0.000 description 3
- 229910052732 germanium Inorganic materials 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000010354 integration Effects 0.000 description 2
- 238000005498 polishing Methods 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 230000003746 surface roughness Effects 0.000 description 2
- KJTLSVCANCCWHF-UHFFFAOYSA-N Ruthenium Chemical compound [Ru] KJTLSVCANCCWHF-UHFFFAOYSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000010224 classification analysis Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000000151 deposition Methods 0.000 description 1
- 238000011161 development 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
- 230000008676 import Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000003340 mental effect Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 229910052707 ruthenium Inorganic materials 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006748 scratching Methods 0.000 description 1
- 230000002393 scratching effect Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 229910052715 tantalum Inorganic materials 0.000 description 1
- GUVRBAGPIYLISA-UHFFFAOYSA-N tantalum atom Chemical compound [Ta] GUVRBAGPIYLISA-UHFFFAOYSA-N 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 239000011800 void material Substances 0.000 description 1
Landscapes
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本發明提供一種半導體晶圓檢測之系統包含:輸送裝置及瑕疵辨識裝置,瑕疵辨識裝置包含影像擷取模組與處理模組,其中輸送裝置將待測晶圓移動至瑕疵辨識裝置,影像擷取模組擷取待測晶圓位於輸送裝置上的原始影像,處理模組進行瑕疵辨識,瑕疵辨識包含:對原始影像進行去背景與定位程序,之後進行區塊化程序及參數化程序以產生特性矩陣,比對特性矩陣與標準矩陣後得到參數差值並依據分類資料庫分類該參數差值,最後匯出瑕疵辨識結果。本發明同時提供一種半導體晶圓檢測之方法。
Description
本發明是有關一種半導體晶圓檢測系統及其方法,尤其是關於一種能提高半導體晶圓檢測效率與準確度的檢測系統及其方法。
半導體晶圓製造過程可概分為:形成單晶矽晶圓棒(Ingot)、矽晶圓棒區塊切斷分離、外圍研磨、區塊切離、研磨晶圓等幾個步驟。而矽晶圓為構成各種半導體元件的基本,因此唯有良好及穩定的晶圓處理製程才能使後續的半導體元件生產穩定。另外,更重要的是近年來隨著技術高度的發展而且半導體元件最小特徵尺寸不斷縮小但是晶圓的尺寸卻持續增大,其所代表的意義為所投入及耗費的資金及技術更是日趨龐大及複雜,因此,半導體晶圓製程中的檢測技術更顯得漸趨重要。
傳統半導體相關製程的標準瑕疵檢測大多仰賴作業人員以各種角度目測方式觀察晶圓表面執行檢測。其中,以肉眼可以觀察到的瑕疵類型通常為晶格紋路異常、晶體顏色深淺有明顯差異等狀況居多,但是其更困難複雜是即使在不同半導體晶圓上的同種瑕疵類型也會呈現不同特性,故較難掌握其相對應之特性。由於如前述之傳統標準檢測需仰賴人力執行,故因此也面臨許多問題:(1)人員檢測速度直接影響生產速度,(2)新進人員訓練時間長(需對瑕疵有相關知識),(3)人員長時間工作出現疲勞問題(視線
模糊、精神渙散等)以致工作速度下降、誤判及意外的發生率增加,(4)人工成本高等。
因此,本發明之目的在於使半導體晶圓的瑕疵檢測過程變成自動化程序而不再需仰賴人力以提供有效之改善方法使半導體晶圓製造良率再提升。
本發明提供一種半導體晶圓檢測系統,其包含:輸送裝置及瑕疵辨識裝置,而瑕疵辨識裝置還包含影像擷取模組與處理模組,並且彼此電性連接。其中,輸送裝置將待測晶圓移動至瑕疵辨識裝置後,影像擷取模組擷取待測晶圓位於輸送裝置上之原始影像,則處理模組依據原始影像進行瑕疵辨識。而瑕疵辨識包含:對原始影像進行去背景與定位程序並產生晶圓影像,再將晶圓影像進行區塊化程序,以將晶圓影像分割成複數個區塊,之後對任一區塊進行參數化程序,以產生能描述每個晶圓特性的特性矩陣對應上述區塊。比對特性矩陣與標準矩陣後得到參數差值,之後依據分類資料庫(包含智慧型分類演算法則,如資料庫、人工智慧技術)來分類參數差值,匯出瑕疵辨識結果。
在本發明的較佳實施例中,影像擷取模組為電荷耦合攝影機(CCD)或是互補式金屬氧化物(CMOS)半導體影像感測器,但不以此為限。
在本發明的較佳實施例中,處理模組為中央處理單元(CPU),例如可以包含於個人電腦、嵌入式系統或任意形式的硬體計算平台。
在本發明的較佳實施例中,分類資料庫儲存於記錄媒體中,並且記錄媒體與瑕疵辨識裝置電性連接。
在本發明的較佳實施例中,參數差值依據智慧型分類法進行分類,而其智慧型分類法包含:人工智慧、類神經、深度計算、大數據分析、資料探勘以及決策樹(CART)分類法中之任一或多個。
在本發明的較佳實施例中,輸送裝置將待測晶圓移動至瑕疵辨識裝置之影像擷取模組下方,而影像擷取模組由待測晶圓上方的適當角度之位置向下擷取原始影像。
在本發明的較佳實施例中,去背景與定位程序是利用創新的指定範圍型Otsu演算法對原始影像進行去背景後,計算出待測晶圓的重心後,依據重心位置定位待測晶圓,以產生定位後的待測晶圓影像。
在本發明的較佳實施例中,半導體晶圓檢測系統預設有多個物理特性(可針對不同待測晶圓、可能的多個物理特性),並且預設有對應該些物理特性的多個標準矩陣,而晶圓的標準矩陣的參數化程序是依據上述多個物理特性進行轉換,使所選區塊產生對應不同物理特性的特性矩陣,比對上述特性矩陣與標準矩陣後得到對應的參數差值;分類資料庫存有至少一個瑕疵類型以及對應瑕疵類型的至少一檢測門檻值;並且瑕疵辨識結果是依據分類資料庫的門檻值分類參數差值後匯出,以顯示不同區塊對應的不同瑕疵類型。
在本發明的較佳實施例中,分類資料庫具有整合的特性矩陣,以定義出多個可能的瑕疵類別。
本發明還提供一種半導體晶圓檢測方法,進行於半導體晶圓製作完成之後,其包含以下步驟:步驟(S1)利用輸送裝置移動待測晶圓至瑕疵辨識裝置中;步驟(S2)瑕疵辨識裝置中的影像擷取模組擷取待測晶圓位於輸送裝置上之原始影像;步驟(S3)瑕疵辨識裝置中的處理模組對原始影像進行去背景與定位程序,產生晶圓影像;步驟(S4)對晶圓影像進行區塊化
程序,以將晶圓影像分割成複數個區塊;步驟(S5)對一區塊進行參數化程序,以產生對應上述區塊的特性矩陣;步驟(S6)判斷是否存在訓練完成的分類資料庫,若是,進入步驟(S7),若否,進入步驟(S10);步驟(S7)比對特性矩陣與標準矩陣,得到參數差值;步驟(S8)依據分類資料庫與上述參數差值進行瑕疵辨識與分類分類參數差值;步驟(S9)判斷是否對另一區塊進行瑕疵辨識與分類,若是,進入步驟(S5),若否,匯出瑕疵辨識結果;步驟(S10)將上述特性矩陣存入並建立分類資料庫;步驟(S11)判斷是否對另一區塊進行參數化程序,若是,進入步驟(S5),若否,進入步驟(S12);步驟(S12)利用智慧型分類法分類上次分類資料庫中的特性矩陣,以完成對分類資料庫的訓練;以及步驟(S13)判斷是否輸入另一晶圓,若是,進入步驟(S1),若否則結束。
在本發明的較佳實施例中,影像擷取模組為電荷耦合攝影機(CCD)、互補式金屬氧化物(CMOS)半導體影像感測器,或是其他可擷取影像的裝置。並且舉例來說可以設置於避光環境中。
在本發明的較佳實施例中,其中步驟(S2)為輸送裝置將待測晶圓移動至瑕疵辨識裝置之影像擷取模組下方,而影像擷取模組由待測晶圓上方適當角度位置向下擷取原始影像。
在本發明的較佳實施例中,步驟(S12)的智慧型分類法選自人工智慧、類神經、深度計算、大數據分析、資料探勘以及決策樹(CART)分類法中的任一或多個。
在本發明的較佳實施例中,步驟(S3)包含:步驟(S31)處理模組接收該原始影像;步驟(S32)利用指定範圍型Otsu演算法對原始影像進行多值化影像切割;步驟(S33)排除落在預設數值範圍外的部分原始影像以定義出待測晶圓之第一範圍;步驟(S34)填滿該第一範圍使第一範圍為完整圓形,
定義完整圓形為第二範圍;步驟(S35)計算第二範圍的重心;以及步驟(S36)以重心為基準向外擴張以定位出晶圓影像。
在本發明的較佳實施例中,於步驟(S31)之後、(S32)之前,還包含:(S31-1)利用知覺色彩模式技術優化原始影像,以提升辨識率。
在本發明的較佳實施例中,於步驟(S34)之後、(S35)之前,還包含:(S34-1)排除面積小於第二範圍的部分第一範圍。
在本發明的較佳實施例中,步驟(S5)中的特性矩陣為多個,分別對應多個物理特性,而步驟(S6)中的標準矩陣也為多個,分別對應特性矩陣。將特性矩陣與標準矩陣比對後得到多個分別對應物理特性的參數差值。
在本發明的較佳實施例中,步驟(S12)包含:步驟(S121)利用智慧型分類法建立並分析分類資料庫、步驟(S122)整合特性矩陣以及步驟(S123)依據整合後的特性矩陣定義瑕疵類型及對應瑕疵類型的門檻值以完成對分類資料庫的訓練(即,產生訓練完成的分類資料庫)。
在本發明的較佳實施例中,步驟(S8)是依據門檻值分類參數差值以分類區塊的瑕疵結果。
因此,本發明提供一種利用一種基於影像瑕疵特徵參數化模型之方法(Image Parameterized Reference Model,簡稱IPRM)的檢測系統及方法,以針對產出之晶圓進行瑕疵檢測,除了能有效辨識半導體晶圓本身瑕疵種類與進行分析之外,由於使用參數化資料的方式來儲存於分類資料庫及儲存媒體中,因此具備可節省儲存空間、提高處理效率,尤其同時可以提供晶圓製造過程之回饋分析等優勢,並結合智慧型分類技術,如大數據資料探勘等技巧,追溯製程中造成瑕疵的可能原因與發生點;另外,本發明也可搭配並有效整合不同技術、機台、系統(如自動化機台與系統)以達到產線
智慧製造,以實現工業4.0的自動化趨勢。
1‧‧‧輸送裝置
2‧‧‧瑕疵辨識裝置
21‧‧‧影像擷取模組
22‧‧‧處理模組
W‧‧‧晶圓
S1~S13、S31-S36、S31-1、S34-1、S121-S123、S9-1‧‧‧步驟
為讓本發明之上述和其他目的、特徵和優點能更明顯易懂,下文特舉數個較佳實施例,並配合所附圖示,做詳細說明如下:圖1係依據本發明概念所提供之半導體晶圓檢測系統之示意圖;圖2係依據本發明提供之一種半導體晶圓檢測方法的主要步驟流程示意圖;圖3係依據本發明提供之一實施例所繪製,本發明上述方法中步驟(S3)的詳細步驟流程示意圖;圖3a~3d係依據本發明之一實施例提供所繪製,半導體晶圓原始影像進行步驟(S3)時不同階段的示意圖;圖4係依據本發明之一實施例所繪製,建模規則的流程示意圖;圖5係依據本發明之一實施例所繪製,執行規則程序之流程示意圖;以及圖6係依據本發明之一實施例所繪製,瑕疵辨識結果示意圖。
本發明是在提供一種半導體晶圓檢測之系統與方法,適用於Macro級檢測,並且利用參數化模型(IPRM)及自動檢測與分類技術,以改善傳統標準檢測需仰賴人力執行的種種上述問題。為讓本發明之上述和其他目的、特徵和優點能更明顯易懂,下文以實施例配合所附圖示,同時以揭示本發明實施例相關系統執行步驟來做詳細說明,以使本發明之結構與步驟能更容易理解。
如圖1所示為依據本發明所提供之半導體晶圓檢測系統,包含:輸送裝置1及瑕疵辨識裝置2,輸送裝置1與瑕疵辨識裝置2間彼此通訊或電性
連接。其中,瑕疵辨識裝置2包含影像擷取模組21與處理模組22,彼此電性連接。當系統開始作用,輸送裝置1將待測晶圓W移動至瑕疵辨識裝置2,影像擷取模組21擷取位於輸送裝置1上的待測晶圓W之原始影像,並且傳輸至處理模組22進行瑕疵辨識。上述瑕疵辨識包含:對原始影像進行去背景與定位程序並產生晶圓影像,隨後藉由區塊化程序將上述晶圓影像分割成複數個等面積之區塊,接著對任一區塊進行參數化程序,以產生特性矩陣對應上述區塊的物理特性。藉由比對上述特性矩陣與標準矩陣後得到參數差值,依據分類資料庫分類所述參數差值,最後匯出瑕疵辨識結果。為避免干擾瑕疵辨識的進行,待測晶圓W的原始影像的需要在光源均勻,更或是在無光源干擾下或避光環境中進行影像擷取,因此本發明的一實施例中,瑕疵辨識裝置2為一暗箱,架設於輸送裝置1上,待測晶圓W被輸送至暗箱中,得以使影像擷取模組21在無光源干擾下進行影像擷取。另外,影像擷取模組21可以任一影像擷取裝置,例如電荷耦合攝影機(CCD)或互補式金屬氧化物半導體(CMOS)影像感測器;處理模組22可以為中央處理器(CPU);而上述的分類資料庫可儲存於記錄媒體(未繪示於圖中)中,記錄媒體與瑕疵辨識裝置2通訊或電性連接,上述的記錄媒體例如是嵌入式或內建於中央處理器的記憶體,又或例如是外接硬碟、雲端資料庫等。
本發明同時提供一種半導體晶圓檢測之方法,其主要步驟流程如圖2(瑕疵建模與辨識分類系統流程圖)所示,並且為使本發明更容易理解,以下配合圖1所示系統示意圖中的元件標號進行說明。本發明提供的半導體晶圓檢測之方法包含:(S1)利用輸送裝置1移動待測晶圓W至瑕疵辨識裝置2;(S2)瑕疵辨識裝置2中的影像擷取模組21擷取待測晶圓W位於輸送裝置1上之原始影像;(S3)瑕疵辨識裝置2中的處理模組22對原始影像進行去背景與定位程序,產生晶圓影像;(S4)對晶圓影像進行區塊化程序,以將晶圓
影像分割成複數個區塊;(S5)對晶圓影像的一區塊進行參數化程序,以產生特性矩陣對應上述區塊;(S6)判斷是否存在訓練完成的分類資料庫,若是,進入步驟(S7),若否,進入步驟(S10);(S7)比對特性矩陣與標準矩陣,得到參數差值;(S8)依據上述訓練完成的分類資料庫與參數差值進行瑕疵辨識與分類;(S9)判斷是否對另一區塊進行瑕疵辨識與分類,若是,進入步驟(S5),若否,匯出瑕疵辨識結果;(S10)將上述特性矩陣存入並建立分類資料庫(此時的分類資料庫還在訓練階段);(S11)判斷是否對另一區塊進行參數化程序,若是,進入步驟(S5),若否,進入步驟(S12);(S12)利用智慧型分類法分類上述分類資料庫中的特性矩陣,以完成對分類資料庫的訓練(此步驟會產生訓練完成的分類資料庫);以及(S13)判斷是否輸入另一晶圓,若是,進入步驟(S1),若否則結束。
其中,上述步驟(S2),輸送裝置1將待測晶圓W移動至瑕疵辨識裝置2之影像擷取模組21下方,影像擷取模組21由待測晶圓W上方適當角度位置向下擷取上述原始影像;而上述步驟(S3),如圖3所示,包含:(S31)影像擷取模組21接收原始影像;(S32)利用指定範圍型Otsu演算法,對原始影像進行多值化(影像切割);(S33)排除落在預設數值範圍外的部分原始影像,定義保留的部分原始影像為第一範圍;(S34)填滿第一範圍中的空洞,使第一範圍包含一完整圓形,定義完整圓形為第二範圍;(S35)計算第二範圍之重心;以及(S36)以上述重心為基準,定位出晶圓影像。其中,步驟(S34)之後、步驟(S35)之前,還可以選擇性包含(S34-1)去除完整圓形以外的保留部分;另外,為使後續辨識更為準確,步驟(S31)與(S32)之間可以選擇性包含(S31-1)利用知覺色彩模式技術(perceptual color space,簡稱HSV技術)優化原始影像。
為使本發明的步驟(S3)與其包含的去背景與定位程序更容易理解,以本發明的一實施例為例說明,如圖3a~3e所示。影像擷取模組21接收原始影像後,利用HSV技術優化原始影像,如圖3a所示(優化可以使後續辨識更為準確,但依需求不同於其他實施例中可以省略優化步驟;並且於其他實施例中,優化步驟亦可以為灰階化步驟),圖3a中不同的填滿效果(如格紋、點紋)代表本實施例原始影像中的不同顏色。接著利用指定範圍型Otsu演算法,對原始影像進行多值化之影像切割,之後排除落在預設數值範圍外的部分該原始影像,以定義出待測晶圓W的第一範圍,如圖3b所示。假設一般正常晶圓的顏色範圍介於50~150,將此範圍定義為預設範圍(5~150的範圍可以定義出二值化門檻),而多值化後數值落在此範圍的部分原始影像被保留,落在此範圍外的部分會被排除,而在原始影像中的待測晶圓W由於數值範圍與預設數值範圍接近,因此大部分會被保留,但待測晶圓W的邊緣區塊由於拍攝關係會有部分區塊數值不符合範圍而被排除,或是晶圓中有缺陷的部分由於顏色落差而被排除。圖3b所示的範圍被定義為第一範圍,之後接著填滿第一範圍中的空洞,使第一範圍包含一完整圓形,定義上述完整圓形為第二範圍,如圖3c所示。並且為了之後計算重心更為準確,因此本實施例中會排除面積小於第二範圍的部分第一範圍,亦即排除位於待測晶圓W外之保留的部分原始影像。最後,計算第二範圍的重心,以重心為基準定位出晶圓影像,如圖3d所示,完成去背景與定位程序並產生準確的晶圓影像。由於待測晶圓W的精確尺寸在半導體製程與瑕疵檢測之前能得知,因此依據精確計算出重心後,以重心為基準像外拉出晶圓的實際大小,即能準確定位出晶圓位置,產生無背景的晶圓影像以進行接下來進一步分析。
步驟(S3)所產生之無背景晶圓影像則接著進入圖2所示的步驟(S4)~(S5),以進行區塊化與參數化程序,將影像轉為代表區塊特徵的參數,方便之後比對、分析、瑕疵辨識與智慧型分類資料庫的建立與訓練。由於晶圓表面不同區塊會受到晶圓形成的方式、速度等不同而有不一樣的品質,晶圓形成時的參數條件與環境的微小變化也可能造成單一晶圓的不同區塊具有不同品質。因此為了更精確分析其不同區塊品質之差異,將步驟(S3)中所產生的無背景晶圓影像先進行步驟(S4),對晶圓影像進行區塊化程序,將晶圓影像劃分成複數個區塊,以本發明之一實施例為例,以長寬相等間距的正方形網狀方式將晶圓影像分割成多個區塊。將完成區塊化程序後進行步驟(S5),對任一區塊進行參數化程序,以產生對應上述區塊的特性矩陣。特性矩陣代表的是物理特性,將所選區塊的物理特性進行參數化即為上述的特性矩陣。而物理特性舉例來說可以為晶圓中該區塊的影像強度、顏色、色塊大小、表面粗度、紋理等等,物理特性的類別與數量不限,內建於瑕疵辨識裝置2中,也能經由人工方式修改、新增或刪除物理特性,並且藉由參數化程序,每一物理特性具有對應的特性矩陣,因此依據預設的物理特性的數量不同,每一區塊可以具有一或多個特性矩陣。因此藉由此說明可以理解當一選定之區塊經過參數分析後會隨著所分析物理特性種類數量而產生相對應數量的特性矩陣。
依據本發明的上述方法與系統可以理解,本發明的系統與其方法,在獲得上述之特性矩陣後,接下來即進一步依據訓練完成的分類資料庫來分類分析系統所收集到晶圓上之特性。因此,系統首先會判斷系統中是否存有訓練完成的分類資料庫可以進一步用來作特性分類分析之工具。而當此系統是在初次使用時,或是未預先存有預設的訓練完成的分類資料庫可以提供作為分類工具時,系統先進行分類資料庫的建立與訓練(稱為建模規
則)。因此以未建有訓練完成的分類資料庫的本發明一實施例為例說明,如圖4(瑕疵建模系統流程圖)所示之步驟流程圖為本發明方法與系統中的建模規則,進行完前述步驟(S1)~(S5)後,系統因不存在有訓練完成的分類資料庫,步驟(S6)判斷要進行分類資料庫的建立與訓練,系統下一步將會選擇執行步驟(S10)。此時,前述步驟(S5)所產生之特性矩陣會被儲存至指定資料庫中,以建立分類資料庫,並且系統可以依據使用者所預設的瑕疵分類需求而決定所需較佳分類資料庫大小而累積所需要資料數目。接著,步驟(S11)判斷是否對另一區塊進行參數化程序,一般來說,系統會重複前述步驟(S5)、(S6)、(S10)直到訓練中的分類資料庫所累積足夠的資料數量以產生訓練完成的分類資料庫,或是待測晶圓W上的所有區塊都進行過參數化程序後,進入步驟(S12)。接著,步驟(S12)會將訓練中的分類資料庫中的特性矩陣利用智慧型分類法來分類與分析,以完成對分類資料庫的訓練。智慧型分類法包含人工智慧、類神經、深度計算、大數據、資料探勘、決策數(CART)等,或是其他習知的智能分類技術。並且步驟(S12)包含:(S121)利用該智慧型分類法計算上述訓練中的分類資料庫;(S122)整合該些參數差值;(S123)依據整合後的該些參數差值,定義至少一瑕疵類型及對應該瑕疵類型的至少一個門檻值,以產生上述訓練完成的分類資料庫。步驟(S121)中,套用上述一或多種智慧型分類法,將存有多個參數差值的訓練中的分類資料庫進行計算,例如是轉換表示方式使資料能更直覺性的瞭解,以使訓練中的分類資料庫中的數據更容易分析與整合。之後步驟(S122)會將計算過的特性矩陣整合,例如一個區塊是否具有「表面損傷」,可以經由該區塊中對應「顏色」的特性矩陣、對應「色塊大小」的特性矩陣、對應「表面粗度」的特性矩陣以及對應「紋理」的特性矩陣,這四個特性矩陣的整合而得到,因此在步驟(S122)中,特性矩陣會被整合,以利步驟(S123)的進
行。最後,步驟(S123)會依據整合後的特性矩陣進行瑕疵類型與分類門檻值的定義,以產生訓練完成的分類資料庫。例如上述「表面損傷」依據損傷範圍大小、深度等不同,可以被定義為「刮痕」或是「破損」兩個不同的瑕疵類型,因此即使是對應相同物理特性的特性矩陣,依據數值範圍的不同也可能被分類為不同的瑕疵類型。因此依據整合後的特性矩陣,能定義出至少一個瑕疵類型,以及每一瑕疵類型對應的門檻值。於本發明部分實施例中,依據使用的智慧型分類法與其設定,還可以判斷是否可能造成破片機率、瑕疵可能導致的製程問題或產品問題等,以作為日後產品管控與製程改善的依據。另外,本發明的分類資料庫一旦訓練完成後,就可以供以後的瑕疵辨識使用,同時還可以依據瑕疵辨識的執行次數增加來擴充訓練完成的分類資料庫的數據量。
另一方面,於步驟(S6)中判斷存在訓練完成的分類資料庫,則可以直接對待測晶圓W進行瑕疵辨識(稱為執行規則)。依據本發明存在有訓練完成的分類資料庫的實施例為例說明,如圖5(瑕疵辨識分類系統流程圖)所示的步驟流程圖為本發明方法與系統中的執行規則,進行完前述步驟(S1)~(S5)後,因系統已存在有訓練完成的分類資料庫,步驟(S6)判斷要使用訓練完成的分類資料庫進行瑕疵辨識與分類,接著系統會選擇執行步驟(S7),計算並比對特性矩陣與標準矩陣兩者間之差異,得到參數差值(依據不同實施例,參數差值可以為一差異矩陣,前述的「參數差值」不限制為單一數值,可以為一矩陣)。另外如同上述的特性矩陣,每一物理特性具有對應的一個標準矩陣,標準矩陣代表對應的物理特性的標準值,例如正常晶圓具有的「顏色」具有對應的一個標準矩陣,將該區塊中對應「顏色」這個物理特性的參數矩陣與標準矩陣比對,可以得到該區塊「顏色」與標準值的差異值,即為上述的參數差值。並且標準矩陣如同上述物理特性,
內建於瑕疵辨識裝置2中,也可以經由人工方式修改、新增或刪除。由於目前半導體產業使用晶圓做為原料已經是行之有年的技術,因此可以依據不同客戶與製程需求,定義出晶圓應該具有的顏色、紋理等物理特性的標準矩陣。之後進行步驟(S8),匯入訓練完成的分類資料庫,並依據此分類資料庫中定義的門檻值,將上述區塊中具有的對應多個物理特性的多個參數差值進行分析,因此能分類並歸納每一區塊的瑕疵報告。而當一區塊之參數差值分類完後,系統會進入步驟(S9),判斷是否重複進入上述步驟(S5)以對另一區塊進行瑕疵辨識與分類。當待測晶圓W的所有區塊都已經辨識/分類完成後,系統會選擇性進行步驟(S9-1),判斷是否匯入另一晶圓,若否則直接匯出瑕疵辨識結果,若是則回到步驟(S1)。依據不同實施例,步驟(S9-1)可以選擇進行或跳過,例如預設是分別匯出每一晶圓的瑕疵辨識結果,則不需要進行步驟(S9-1),若預設是希望分別匯出每批晶圓的瑕疵辨識結果,則會進行步驟(S9-1)。
匯出的瑕疵辨識結果的格式不限,圖6所示為本發明之一實施例,其中x代表非晶圓部分(即,上述步驟(S3)中去除的背景部分),N代表正常區塊,S代表刮傷,U代表晶格顏色不正常。於其他實施例中,瑕疵辨識結果的格式可以以顏色或是其他方式來顯示,在此不做限制,並且區塊的大小與切割方式亦不限。
依據上述各實施例說明可了解,本發明所提供的半導體檢測系統與其方法可以與現有晶圓製程機台整合,不需要更換機台,大幅降低成本花費,並且分類資料庫可以儲存於嵌入式或是雲端記憶體,方便直接套用於既有的系統與機台。再者,本發明之半導體晶圓檢測系統可以有效檢測、智慧型分析及分類製造出的晶圓瑕疵,以有效提升半導體晶圓製程的良率。另一方面,此系統可針對個別半導體晶圓作基準比對並產生分類標準,
可以取代人工作業,並且無需須採用標準模板比對。本系統採用基於影像特性的參數化模型方法分析,能將各種特性以更精準之參數描述並存置於分類資料庫,以節省大量人力、時間、物力成本,並且資訊的存取與讀取也更加便利。因此,此方法能同時具有快速處理能力、運算簡潔之特性。更進一步,上述之資料庫可回朔作分類資料探勘並進行大數據分析,以分析檢討生產製程中常造成瑕疵之原因而利於整體生產製程之不斷改進或將瑕疵進行不同之分類與資料匯整與匯出,以供相關人員作後續處理而達到品質監控的有效管理。
雖然本發明已以實施例揭露如上,然其並非用以限定本發明。任何該領域中具有通常知識者,在不脫離本發明之精神和範圍內,當可作些許之更動與潤飾。因此本發明之保護範圍當視後附之申請專利範圍所界定者為準。
Claims (19)
- 一種半導體晶圓檢測系統,其包含:一輸送裝置;以及一瑕疵辨識裝置,包含一影像擷取模組與一處理模組,彼此電性連接,其中該輸送裝置將一待測晶圓移動至該瑕疵辨識裝置,該影像擷取模組擷取該待測晶圓位於該輸送裝置上之一原始影像,該處理模組進行一瑕疵辨識,該瑕疵辨識包含:對該原始影像進行一去背景與定位程序,產生一晶圓影像,將該晶圓影像進行一區塊化程序,以將該晶圓影像分割成複數個區塊,對一區塊進行一參數化程序,以產生一特性矩陣對應該區塊,比對該特性矩陣與一標準矩陣後得到一參數差值,依據訓練完成的一分類資料庫與該參數差值進行瑕疵辨識與分類,匯出一瑕疵辨識結果;其中該去背景與定位程序是利用一指定範圍型Otsu演算法對該原始影像進行去背景後,計算出該待測晶圓的一重心後,依據該重心位置定位該待測晶圓,以產生該晶圓影像。
- 一種半導體晶圓檢測系統,其包含:一輸送裝置;以及一瑕疵辨識裝置,包含一影像擷取模組與一處理模組,彼此電性連接,其中該輸送裝置將一待測晶圓移動至該瑕疵辨識裝置,該影像擷取模組擷取該待測晶圓位於該輸送裝置上之一原始影像,該處理模組進行一瑕疵辨識,該瑕疵辨識包含:對該原始影像進行一去背景與定位程序,產生一晶圓影像,將該晶圓影像進行一區塊化程序,以將該晶圓影像分割成複數個 區塊,對一區塊進行一參數化程序,以產生一特性矩陣對應該區塊,比對該特性矩陣與一標準矩陣後得到一參數差值,依據訓練完成的一分類資料庫與該參數差值進行瑕疵辨識與分類,匯出一瑕疵辨識結果;其中該半導體晶圓檢測系統預設有多個物理特性,並且預設有對應該些物理特性的多個標準矩陣,該參數化程序是依據該些物理特性,使該區塊產生對應該些特性之多個特性矩陣,比對該些特性矩陣與該些標準矩陣後得到對應的多個參數差值;該分類資料庫存有至少一瑕疵類型以及對應該瑕疵類型的至少一門檻值;並且該瑕疵辨識結果是依據該分類資料庫的該門檻值分類該些參數差值後匯出。
- 一種半導體晶圓檢測系統,其包含:一輸送裝置;以及一瑕疵辨識裝置,包含一影像擷取模組與一處理模組,彼此電性連接,其中該輸送裝置將一待測晶圓移動至該瑕疵辨識裝置,該影像擷取模組擷取該待測晶圓位於該輸送裝置上之一原始影像,該處理模組進行一瑕疵辨識,該瑕疵辨識包含:對該原始影像進行一去背景與定位程序,產生一晶圓影像,將該晶圓影像進行一區塊化程序,以將該晶圓影像分割成複數個區塊,對一區塊進行一參數化程序,以產生多個特性矩陣對應該區塊,比對該些特性矩陣與一標準矩陣後得到一參數差值,依據訓練完成的一分類資料庫與該參數差值進行瑕疵辨識與分類,匯出一瑕疵辨識結果; 其中該分類資料庫存有該些特性矩陣,並且該分類資料庫的訓練是藉由對不同的區塊進行該參數化程序,累積足夠數量的該些特性矩陣後,以一智慧型分類法計算該分類資料庫,整合該些特性矩陣,並依據整合後的該些特性矩陣定義至少一瑕疵類型以及對應每一該瑕疵類型的至少一門檻值,以完成對該分類資料庫的訓練。
- 如請求項1至3中任一項所述之系統,其中該影像擷取模組為電荷耦合攝影機(CCD)或是互補式金屬氧化物(CMOS)半導體影像感測器。
- 如請求項1至3中任一項所述之半導體晶圓檢測系統,其中該處理模組為一中央處理單元(CPU)。
- 如請求項1至3中任一項所述之半導體晶圓檢測系統,其中該瑕疵辨識裝置為一暗箱。
- 如請求項1至3中任一項所述之半導體晶圓檢測系統,其中該分類資料庫儲存於一記錄媒體,該記錄媒體與該瑕疵辨識裝置電性連接。
- 如請求項1至3中任一項所述之半導體晶圓檢測系統,其中該輸送裝置將該待測晶圓移動至該瑕疵辨識裝置之該影像擷取模組下方,該影像擷取模組由該待測晶圓上方一預設角度位置向下擷取該原始影像。
- 如請求項3所述之半導體晶圓檢測系統,其中該智慧型分類法為人工智慧、類神經、深度計算、大數據分析、資料探勘以及決策樹(CART)分類法中之任一或多個。
- 一種半導體晶圓檢測方法,其包含以下步驟:(S1)利用一輸送裝置移動一待測晶圓至一瑕疵辨識裝置; (S2)該瑕疵辨識裝置中的一影像擷取模組擷取該待測晶圓位於該輸送裝置上之一原始影像;(S3)該瑕疵辨識裝置中的一處理模組對該原始影像進行一去背景與定位程序,產生一晶圓影像;(S4)對該晶圓影像進行一區塊化程序,以將該晶圓影像分割成複數個區塊;(S5)對該晶圓影像的一區塊進行一參數化程序,以產生對應該區塊的一特性矩陣;(S6)判斷是否存在訓練完成的一分類資料庫,若是,進入步驟(S7),若否,進入步驟(S10);(S7)比對該特性矩陣與一標準矩陣,得到一參數差值;(S8)依據該分類資料庫與該參數差值進行瑕疵辨識與分類;(S9)判斷是否對另一區塊進行瑕疵辨識與分類,若是,進入步驟(S5),若否,匯出一瑕疵辨識結果;(S10)將該特性矩陣存入並建立一分類資料庫;(S11)判斷是否對另一區塊進行該參數化程序,若是,進入步驟(S5),若否,進入步驟(S12);(S12)利用一智慧型分類法分類該分類資料庫中的該特性矩陣,以完成對該分類資料庫的訓練;以及(S13)判斷是否輸入另一晶圓,若是,進入步驟(S1),若否則結束。
- 如請求項10所述之半導體晶圓檢測方法,其中該瑕疵辨識裝置為一暗箱,該影像擷取模組為一電荷耦合攝影機(CCD)或互補式金屬氧化物半導體影像感測器,設置於該暗箱中。
- 如請求項10所述之半導體晶圓檢測方法,其中該步驟(S2),該輸送裝置將該待測晶圓移動至該瑕疵辨識裝置之該影像擷取模組下方,該影像擷取模組由該待測晶圓上方一預設角度位置向下擷取該原始影像。
- 如請求項10所述之半導體晶圓檢測方法,其中該步驟(S12)的智慧型分類法為人工智慧、類神經、深度計算、大數據分析、資料探勘以及決策樹(CART)分類法中的任一或多個。
- 如請求項10所述之半導體晶圓檢測方法,其中步驟(S3)包含:(S31)該處理模組接收該原始影像;(S32)利用一指定範圍型Otsu演算法,對該原始影像進行多值化;(S33)排除落在一預設數值範圍外的部分該原始影像,定義一保留的部分該原始影像為一第一範圍;(S34)填滿該第一範圍中的一空洞,使該第一範圍包含一完整圓形,定義該完整圓形為一第二範圍;(S35)計算該第二範圍之一重心;以及(S36)以該重心為基準,定位出該晶圓影像。
- 如請求項14所述之半導體晶圓檢測方法,於步驟(S31)之後、(S32)之前,還包含:(S31-1)利用知覺色彩模式技術優化該原始影像。
- 如請求項14所述之半導體晶圓檢測方法,於步驟(S34)之後、(S35)之前,還包含:(S34-1)排除面積小於該第二範圍的部分該第一範圍。
- 如請求項10所述之半導體晶圓檢測方法,其中步驟(S5)中的該特性矩陣為多個,分別對應多個物理特性,並且步驟(S6)中的該標準矩陣為 多個,分別對應該些特性矩陣,比對該些特性矩陣與該些標準矩陣後得到該參數差值,且該參數差值為多個,分別對應該些物理特性。
- 如請求項10所述之半導體晶圓檢測方法,其中該特性矩陣為多個,且步驟(S12)包含:(S121)利用該智慧型分類法計算該分類資料庫;(S122)整合該些特性矩陣;以及(S123)依據整合後的該些特性矩陣,定義至少一瑕疵類型及對應該瑕疵類型的至少一個門檻值,以完成對該分類資料庫的訓練。
- 如請求項18所述之半導體晶圓檢測方法,其中步驟(S8)是依據該些門檻值分類該些參數差值,以辨識並分類該區塊的一瑕疵報告。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW106122149A TWI642126B (zh) | 2017-06-30 | 2017-06-30 | 半導體晶圓檢測系統及其方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW106122149A TWI642126B (zh) | 2017-06-30 | 2017-06-30 | 半導體晶圓檢測系統及其方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
TWI642126B true TWI642126B (zh) | 2018-11-21 |
TW201906038A TW201906038A (zh) | 2019-02-01 |
Family
ID=65034357
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW106122149A TWI642126B (zh) | 2017-06-30 | 2017-06-30 | 半導體晶圓檢測系統及其方法 |
Country Status (1)
Country | Link |
---|---|
TW (1) | TWI642126B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112884697A (zh) * | 2019-11-29 | 2021-06-01 | 力晶积成电子制造股份有限公司 | 晶圆图的辨识方法与计算机可读取记录介质 |
CN113298864A (zh) * | 2021-04-16 | 2021-08-24 | 威盛电子股份有限公司 | 检测面板线段瑕疵的设备及方法 |
CN113743447A (zh) * | 2021-07-15 | 2021-12-03 | 上海朋熙半导体有限公司 | 半导体瑕疵识别方法、装置、计算机设备和存储介质 |
TWI765364B (zh) * | 2020-09-29 | 2022-05-21 | 財團法人工業技術研究院 | 人工智慧瑕疵影像分類方法與其系統 |
CN116525517A (zh) * | 2023-06-19 | 2023-08-01 | 苏州鸿安机械股份有限公司 | 一种半导体晶圆输送的定位控制方法及系统 |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111551555A (zh) * | 2019-02-12 | 2020-08-18 | 微精科技股份有限公司 | 一种布料瑕疵线上自动辨识系统 |
TWI710920B (zh) * | 2019-12-03 | 2020-11-21 | 國家中山科學研究院 | 人工智慧技術估測產品良率的系統與方法 |
CN113552130A (zh) * | 2020-04-08 | 2021-10-26 | 台达电子工业股份有限公司 | 瑕疵检测方法及瑕疵检测装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW471016B (en) * | 1999-11-12 | 2002-01-01 | Applied Materials Inc | Defect detection using gray level signatures |
TW201210056A (en) * | 2010-08-20 | 2012-03-01 | Chroma Ate Inc | Solar wafer position calibration device and inspection machine having inspection device |
-
2017
- 2017-06-30 TW TW106122149A patent/TWI642126B/zh not_active IP Right Cessation
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW471016B (en) * | 1999-11-12 | 2002-01-01 | Applied Materials Inc | Defect detection using gray level signatures |
TW201210056A (en) * | 2010-08-20 | 2012-03-01 | Chroma Ate Inc | Solar wafer position calibration device and inspection machine having inspection device |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112884697A (zh) * | 2019-11-29 | 2021-06-01 | 力晶积成电子制造股份有限公司 | 晶圆图的辨识方法与计算机可读取记录介质 |
TWI765364B (zh) * | 2020-09-29 | 2022-05-21 | 財團法人工業技術研究院 | 人工智慧瑕疵影像分類方法與其系統 |
CN113298864A (zh) * | 2021-04-16 | 2021-08-24 | 威盛电子股份有限公司 | 检测面板线段瑕疵的设备及方法 |
CN113743447A (zh) * | 2021-07-15 | 2021-12-03 | 上海朋熙半导体有限公司 | 半导体瑕疵识别方法、装置、计算机设备和存储介质 |
CN113743447B (zh) * | 2021-07-15 | 2024-05-17 | 上海朋熙半导体有限公司 | 半导体瑕疵识别方法、装置、计算机设备和存储介质 |
CN116525517A (zh) * | 2023-06-19 | 2023-08-01 | 苏州鸿安机械股份有限公司 | 一种半导体晶圆输送的定位控制方法及系统 |
CN116525517B (zh) * | 2023-06-19 | 2023-10-13 | 苏州鸿安机械股份有限公司 | 一种半导体晶圆输送的定位控制方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
TW201906038A (zh) | 2019-02-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI642126B (zh) | 半導體晶圓檢測系統及其方法 | |
CN107064170B (zh) | 一种检测手机外壳轮廓度缺陷方法 | |
WO2021135300A1 (zh) | 一种产品缺陷检测方法、装置与系统 | |
CN110402487B (zh) | 对从晶片检测的缺陷进行分类的方法和装置 | |
CN110619620B (zh) | 导致表面缺陷的异常定位方法、装置、系统及电子设备 | |
US9293298B2 (en) | Defect discovery and inspection sensitivity optimization using automated classification of corresponding electron beam images | |
US9607233B2 (en) | Classifier readiness and maintenance in automatic defect classification | |
CN112036755B (zh) | 一种建筑工程质量检测的监管方法及系统 | |
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 | |
TWI833854B (zh) | 用於多模式半導體檢測的光學模式選擇 | |
CN110473201A (zh) | 一种刹车片表面缺陷的自动检测方法及装置 | |
CN110889838A (zh) | 一种织物疵点检测方法及装置 | |
US10157457B2 (en) | Optical measurement of opening dimensions in a wafer | |
CN117115148B (zh) | 基于5g技术的芯片表面缺陷智能识别方法 | |
CN102915432A (zh) | 一种车载微机图像视频数据提取方法及装置 | |
CN111160451A (zh) | 一种柔性材料检测方法及其储存介质 | |
TWM550465U (zh) | 半導體晶圓檢測系統 | |
CN110689524A (zh) | 一种无参考在线图像清晰度评价方法与系统 | |
CN117541483B (zh) | 一种扩散板的结构性能评估方法及系统 | |
CN109685756A (zh) | 影像特征自动辨识装置、系统及方法 | |
US20240046617A1 (en) | Machine Learning-Based Generation of Rule-Based Classification Recipes for Inspection System | |
US8358831B2 (en) | Probe mark inspection | |
CN107924850A (zh) | 自定向计量和图案分类 | |
KR102022494B1 (ko) | 비전 이미지 검출을 이용한 문서 자동 작성 시스템 및 그 방법 | |
Danajitha et al. | Detection of Cracks in High Rise Buildings using Drones |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
MM4A | Annulment or lapse of patent due to non-payment of fees |