WO2012172073A1 - Verfahren zur bereitstellung eines vorhersagemodells für eine rissdetektion und verfahren zur rissdetektion an einer halbleiterstruktur - Google Patents

Verfahren zur bereitstellung eines vorhersagemodells für eine rissdetektion und verfahren zur rissdetektion an einer halbleiterstruktur Download PDF

Info

Publication number
WO2012172073A1
WO2012172073A1 PCT/EP2012/061496 EP2012061496W WO2012172073A1 WO 2012172073 A1 WO2012172073 A1 WO 2012172073A1 EP 2012061496 W EP2012061496 W EP 2012061496W WO 2012172073 A1 WO2012172073 A1 WO 2012172073A1
Authority
WO
WIPO (PCT)
Prior art keywords
crack
semiconductor structure
descriptor
point
measurement
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Ceased
Application number
PCT/EP2012/061496
Other languages
English (en)
French (fr)
Inventor
Matthias DEMANT
Stefan Rein
Jonas KRISCH
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Albert Ludwigs Universitaet Freiburg
Fraunhofer Gesellschaft zur Foerderung der Angewandten Forschung eV
Original Assignee
Albert Ludwigs Universitaet Freiburg
Fraunhofer Gesellschaft zur Foerderung der Angewandten Forschung eV
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 Albert Ludwigs Universitaet Freiburg, Fraunhofer Gesellschaft zur Foerderung der Angewandten Forschung eV filed Critical Albert Ludwigs Universitaet Freiburg
Priority to DE112012002509.1T priority Critical patent/DE112012002509B4/de
Priority to CN201280038885.3A priority patent/CN103733322B/zh
Priority to HU1400302A priority patent/HUP1400302A1/hu
Publication of WO2012172073A1 publication Critical patent/WO2012172073A1/de
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

Links

Classifications

    • 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
    • G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
    • G01N21/63—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light optically excited
    • G01N21/64—Fluorescence; Phosphorescence
    • G01N21/6489—Photoluminescence of semiconductors
    • 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
    • G01N21/93—Detection standards; Calibrating baseline adjustment, drift correction
    • 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 OR CALCULATING; 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
    • G06T7/001—Industrial image inspection using an image reference approach
    • H—ELECTRICITY
    • H10—SEMICONDUCTOR DEVICES; ELECTRIC SOLID-STATE DEVICES NOT OTHERWISE PROVIDED FOR
    • H10P—GENERIC PROCESSES OR APPARATUS FOR THE MANUFACTURE OR TREATMENT OF DEVICES COVERED BY CLASS H10
    • H10P74/00—Testing or measuring during manufacture or treatment of wafers, substrates or devices
    • H10P74/20—Testing or measuring during manufacture or treatment of wafers, substrates or devices characterised by the properties tested or measured, e.g. structural or electrical properties
    • H10P74/203—Structural properties, e.g. testing or measuring thicknesses, line widths, warpage, bond strengths or physical defects
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10048—Infrared image
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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 OR CALCULATING; 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

Definitions

  • the invention relates to a method for providing a predictive model for a crack detection on a semiconductor structure according to claim 1 and a method for crack detection on a semiconductor structure according to claim 2,
  • the semiconductor structure is a photovoltaic solar cell, a precursor of a photovoltaic solar cell in the manufacturing process or in particular semiconductor material for Production of such a photovoltaic solar cell,
  • Photovoltaic solar cells constructed of semiconductor material have long been used to convert electromagnetic radiation into electrical energy.
  • the semiconductor material represents a significant proportion of the total costs for producing the solar cell. Therefore, more cost-effective materials, such as multicrystalline silicon, are increasingly used and, moreover, one objective of solar cell research is to increase the thickness of the semiconductor used. wafer in the production of the photovoltaic solar cell to reduce, thus reducing the cost of materials.
  • Such cracks can arise, for example, due to material defects in a silicon ingot, due to burdens in the production of the wafer raw material, due to defects and mechanical stress during sawing of the wafers and due to mechanical stress during transport and handling.
  • the semiconductor material is exposed to mechanical and thermal stresses in the manufacturing process. If the semiconductor material breaks down in the manufacturing process, high costs arise because, among other things, production must be stopped. But also such semiconductor material, which passes through the entire manufacturing process despite a crack, can lead to a considerable loss of performance when using the photovoltaic solar cell in later use.
  • infrared transmitted light images It is known to detect cracks by means of so-called infrared transmitted light images.
  • the semiconductor structure is subjected to transmitted light measurement by means of radiation in the infrared range and measured by means of an imaging method, such as a CCD camera. Due to the different absorption in the I R region, a user can see cracks with the eye in the image thus obtained.
  • the crack detection by means of photoluminescence is known:
  • photoluminescent radiation is generated in the semi-fairlead structure and measured by means of an imaging method, such as a CCD camera with spatial resolution.
  • the application of photoluminescence measurements is basically known and described, for example, in Trupke, T. Progress with luminescence imaging for the characterization of silicon wafers and solar cells. in Proceedings of the 22nd European Photovoltaic Solar Energy Conference. 2007. Milan, Italy.
  • the invention is based on the object, a reliable and in particular industrially applicable method for crack detection in a semiconductor structure, which is a photovoltaic solar cell, a precursor in Hersgnacsrata a photovoltaic solar cell or raw material for the production of the photovoltaic solar cell is to provide
  • the invention is based on the Applicant's finding that learning algorithms are suitable for creating a predictive model for crack detection on a semiconductor structure, so that crack detection takes place on the basis of the predictive model.
  • the method according to the invention and the device according to the invention therefore fundamentally differ from the methods for crack detection hitherto used in the photovoltaic field, since for the first time machine learning by means of a learning algorithm for crack detection is used.
  • the methods and apparatus of the invention for crack detection relate to the photovoltaic region.
  • semiconductor structure is used herein and hereinafter to refer to raw material such as silicon wafers and in particular multicrystalline silicon wafers for producing a solar cell, as well as the precursor of a photovoltaic solar cell at any point in the manufacturing price and the finished solar cell.
  • the inventive method for providing a predictive model for a crack detection on a semiconductor structure comprises the following method steps;
  • a reference semiconductor structure which reference semiconductor structure has at least one crack.
  • crack data are provided for the at least one crack.
  • the crack data comprise geometric location data with respect to the position of the crack on the reference semiconductor structure.
  • the semiconductor structure typically represents a planar element, so that the crack typically with respect to the position of the front or Rear side of the semiconductor structure can be described, that is typically by means of two-dimensional geometric data.
  • the crack data comprise a multiplicity of points and / or lines which describe the extent of the crack, and / or that the crack data comprise a crack center at which at least two lines of a star-shaped crack intersect.
  • the reference hatch structure prefferably be a semiconductor structure which has a crack, which crack was measured by means of a further measurement method with regard to the geometric position.
  • a spatially resolved measurement of the reference semiconductor structure takes place.
  • a spatially resolved measurement of photoluminescence radiation generated in the semiconductor structure and / or spatially resolved measurement of the infrared absorption (IR absorption) of the semiconductor structure is carried out for a plurality of local measurement points.
  • imaging methods known measuring apparatuses and in particular CCD cameras for spatially resolved surveying can be used. It is essential that a spatially resolved survey for a variety of local measurement points takes place.
  • the measuring points cover at least a region on the surface of the semiconductor structure which comprises the crack.
  • a learning algorithm is trained on the basis of the spatially resolved measurement data determined in method step C and the crack data provided in method step B.
  • a physical model is not used in order to distinguish those measuring points, which are assigned to a crack, from the other measuring points on the basis of the measuring signals.
  • the specifications and criteria ie the characteristics of these descriptions, which characterize the crack and differ with respect to the measurement signals from other elements, such as recombination-active geometric structures, are thus not predefined, but formed by training the learning algorithm.
  • the training of the learning algorithm comprises the following method steps:
  • a method step D1 at least one descriptor is created for at least one local descriptor point.
  • a test region is specified or determined for the descriptor point, and based on the measurement data within the test region, the descriptor is created, which descriptor is a feature vector and / or a feature distribution and / or a feature histogram.
  • test region thus comprises at least a subset of the measuring points from method step C. It is also within the scope of the invention that the test region comprises all measuring points from method step C.
  • the descriptor point is a local point for which the named descriptor is formed, so that a description for the local descriptor point taking into account the test region is formed on the basis of the feature vector and / or the feature distribution and / or the feature histogram.
  • the features of the feature vector and / or the feature distribution and / or the feature histogram are based on the measured data determined in method step C. It is within the scope of the invention that the features emerge directly from the measured data. In particular, however, it is advantageous for the features to be a further processing and / or correlation, in particular a structural description of a plurality of measured data.
  • the learning algorithm is trained by means of the descriptor and the crack data
  • the training can be carried out in a conventional manner with a learning algorithm known per se.
  • a learning algorithm known per se.
  • the training is carried out with a plurality of descriptor points and corresponding descriptors.
  • the training of the learning algorithm can, as already described, take place in a manner known per se. What is important here is that it is known on the basis of the given crack data whether there is a crack at the descriptor point or not. This information is critical to the formation of a classification performed by the learning algorithm during training.
  • each reference semiconductor structure it is not absolutely necessary for each reference semiconductor structure to have a crack, since for training also descriptor points and descriptors in which there is no crack make sense.
  • at least one reference semiconductor structure must have at least one crack, as described above.
  • the method according to the invention for crack detection on a semiconductor structure comprises the following method steps:
  • a method step A the semiconductor structure is provided.
  • a prediction model is provided.
  • the prediction model was created by training a learning algorithm, preferably by means of a method according to claim 1 or an advantageous embodiment thereof,
  • a spatially resolved measurement of the semiconductor structure is carried out by spatially resolved measurement for a plurality of local measurement points of photoluminescence radiation generated in the semiconductor structure and / or spatially resolved measurement of the I R absorption of the semiconductor structure.
  • Method step C can therefore be identical to method step C according to claim 1 or an advantageous embodiment thereof.
  • it is advantageous to carry out the same type of measurement ie in each case a spatially resolved measurement of photoluminescence radiation or in each case a spatially resolved measurement of the I R absorption in the generation of the predictive model and in the crack detection.
  • the local test point represents a point on a surface of the semiconductor structure and preferably corresponds to one of the measurement points according to method step C.
  • the determination comprises the following process steps:
  • a method step D1 at least one descriptor for the checkpoint is created, in which a check region is specified and determined for the checkpoint and the descriptor creates the descriptor based on the measured data, which descriptor is a feature vector and / or a feature distribution and / or a Feature histogram is.
  • Method step D1 in the crack detection is thus analogous to method step D1 in the preparation of the predictive model according to claim 1, wherein in claim 1, the descriptor for a corresponding descriptor point and in claim 2, the descriptor for a corresponding checkpoint is created. All previous and subsequent explanations of descriptor production can thus - at least by analogy - both with regard to Step D1 according to claim 1, as well as method step D1 according to claim 2 are used.
  • a descriptor is created for the checkpoint, which thus represents features in the form of a feature vector and / or a feature distribution and / or a feature histogram, so that properties for the checkpoint are taken into account in step C of FIG obtained measurement data within the test region in the descriptor are mapped.
  • the method according to the invention for crack detection is therefore distinguished by the fact that only one predictive model has to be made available, for example by carrying out a method according to claim 1, and then a measurement according to method step C is carried out in a manner known per se as photoluminescence measurement or measurement of I R absorption and, by creating a descriptor, it is possible to determine by means of the predictive model whether there is a crack at the checkpoint.
  • step D2 it is within the scope of the invention to carry out the aforementioned determination according to method step D2 only at one test point.
  • the determination is performed at a plurality of test points.
  • successively each of the local measuring points at which a measurement takes place in method step C is selected as the test point.
  • a learning algorithm can be trained by the manufacturer with high accuracy by exact preparation of a reference semiconductor structure and / or training on the basis of a multiplicity of cracks and crack data, and the prediction model designed in this way can be made available to the user. It is thus not absolutely necessary to also carry out a training of the learning algorithm on the user side.
  • the user can also apply the manufacturer-trained predictive model directly to crack detection.
  • a crack reconstruction takes place, in which the geometric data of the crack characteristic are determined.
  • a reconstruction is carried out in order to determine at least the partial, preferably the complete geometric expression of a crack.
  • a local reconstruction region around the checkpoint it is advantageous in method step E for a local reconstruction region around the checkpoint to have an orientation for each measurement point within the reconstruction region determine and determine the measurement points associated with the crack by means of a similarity comparison with a star-shaped and / or linear pattern by pattern recognition.
  • the above-mentioned preferred embodiments are advantageous in particular when using photouminance measuring methods and in particular when using multicrystalline silicon semiconductor structures.
  • This preferred embodiment of the method according to the invention is based on the Applicant's knowledge that cracks in semiconductor structures typically have a star-shaped pattern.
  • a crack reconstruction can be carried out with a combination of methods known per se for the detection and reconstruction of a star-shaped and / or linear pattern.
  • method step D it is within the scope of the invention in method step D when the predictive model is generated and / or during the crack detection.
  • all the local measuring points measured in the respective method steps G may be used, for example, as successive determination of a multiplicity of loci as descriptor points or test points.
  • the key points it is within the scope of the invention to determine the key points within the entire range, in particular starting from all measuring points. Likewise, it is within the scope of the invention to specify restricted geometric regions on the surface of the semiconductor structure and / or a subset of the measurement points measured in method step C, within which key points are determined.
  • filters are Sobel, Prewitt, Gaussian, Difference-of-Gaussian, Laplacian-of-Gaussian.
  • tensors such as Harris detector, determinant of Hessian in the invention or the use of controllable filters
  • wavelets such as Gabor and Haarwavelets.
  • the use of the SUSAN corner detector or the Canny edge detector is within the scope of the invention.
  • the positive filter responses are correlated with different spatial orientation of the filter, preferably added up.
  • the rotation group SO (2) As described, for example, in H. Schulz-Mirbach. Use of invariance principles for feature extraction in pattern recognition. Dissertation, Hamburg University of Technology, feb 1995. Series 10, No. 372, VDI-Verlag.
  • the identification of key points has the advantage that the number of potential fracture regions can be limited to a significantly smaller set of key points, thus accelerating the process.
  • the detection result of an I R measurement can be used in a conventional manner in order to determine key points.
  • different measurement methods can be combined: For example, the determination of key points based on an I R measurement within the scope of the invention, whereupon a Photolumi- neszenzflop for the previously obtained by means of I R measurement key points for crack detection is evaluated.
  • the descriptor in method step D1 according to claim 1 and / or claim 2 according to at least one of the methods SIFT, GLOH, HOG, LESH and / or SURF and / or a variant of these methods, in which a descriptor is generated based on the characteristics of a test region determined.
  • a calibratable and rotatable filter preferably a bar filter as described above, is used to construct the descriptor.
  • the LESH method is known per se and described for example in Sarfraz, S. , Hellwich, O .: "Head Pose Estimation in Face Recognition Across Pose Scenes rios ", Proceedings of VISAPP 2008, Inf. Conference on Computer Vision Theory and Applications, Madeira, Portugal, pp, 235-242, January 2008 (Best Student Paper Award).
  • a method step D 1 .1 the determination of an amplitude and an orientation for each location point of the test region, for example for each measurement point within the test region, preferably by determining a characteristic for each measurement point of the test region, which characteristic more preferably the gradient of the measured value for the respective measuring point or the maximum filter response and orientation of a controllable filter for the respective measuring point.
  • a feature histogram is generated for at least selected key points of the test region.
  • a main crack orientation is determined and that a correction of the feature histogram is performed on the basis of the main crack orientation in order to obtain a rotationally invariant feature histogram.
  • a description of the test region is thus made about the descriptor point or test point on the basis of features.
  • This feature description can, for. B. consist of one or more features, a feature distribution or their characteristics or histograms of certain characteristics of these features.
  • known feature descriptions according to the descriptors can be used under the known algorithms SIFT, G LOH, HOG, LESH or SURF.
  • the basis for determining the descriptors are in each case the measured data ascertained in method step C.
  • the main crack orientation is determined between method steps D1.1 and D1 .2, and in method step D1 .2 the feature histogram is generated by scanning the measuring points within the test region by means of a Sampling algorithm.
  • a Sampling algorithm is particularly advantageous here.
  • known per se sampling algorithms according to GLON and / or SI FT or variants thereof.
  • a specific sampling and / or division of the image section can thus be used.
  • known per se samples according to the aforementioned algorithms are applicable.
  • pre- or post-process the feature description when creating the descriptors can be achieved by a correction of the descriptor according to the determined main orientation of the crack rotational invariance as described above. Furthermore, by scaling and / or smoothing the descriptor robustness against contrast changes or noise can be achieved.
  • test region D1 is comprehensively determined by the following method steps:
  • the measurement points within the test region are determined, in which a geometric extension and shape is specified for the test region.
  • a geometric extension and shape is specified for the test region.
  • a rectangular, elliptical or circular region whose center is the key point is specified for the test region.
  • the geometric position of grain boundaries is predefined as grain boundary data within the semiconductor structure and / or determined by means of a spatially resolved measurement method, and a weighting is performed depending on the grain boundary data
  • such location points which are located on a grain boundary, are not selected as a key point or are provided in determining the key point with respect to the other local points lower weighting and / or
  • step D When creating a descriptor in step D in creating the prediction model and / or in the crack detection such location points that are not on a grain boundary or taken into account with a lower weighting compared to the other location points and / or
  • This preferred embodiment is thus used in particular when applying the method according to the invention to multicrystalline silicon wafers. If the geometric position of the grain boundaries is previously known or can easily be determined on the basis of the available measuring apparatuses, the susceptibility to error in the crack detection can thus be further reduced by using the information about the position of the grain boundaries in the inventive method as described above.
  • the learning algorithm used to create the predictive model or to carry out the crack detection can be a learning algorithm known per se.
  • the use of a neural network, or a Bayes classifier or a kernel machine is within the scope of the invention.
  • Applicant's investigations have shown that, in particular, the use of a support vector machine algorithm is advantageous. This is in it justified » that the support vector machine determines the optimal hyperplane for the separation of the feature descriptions of the classes" crack "and” no crack "to solve the classification task. This results in a considerable advantage, because the interface is optimally located between the classes. Feature descriptions that are not at the class boundary have no negative impact on the course of the boundary.
  • kernel trick In order to be able to solve the classing task by means of a separation plane, the data is mapped into a higher-dimensional space by the so-called "kernel trick.” This procedure is known per se and described, for example, in Bernhard Schölkopf, Alex Smola: Learning with Kernels: Support Vector Machines, Regularization, Optimization, and Beyond (MIT), MIT Press, Cambridge, MA, 2002, ISBN 0-262-19475-9.
  • the crack structures can be reconstructed on the basis of structural properties of the region around the corresponding checkpoint in the considered test region.
  • the structural properties of the location points belonging to the crack hereby differ from structural properties which do not belong to the crack.
  • Structural properties can be position, intensity values, gradients and filter responses.
  • the filtering with the previously described anistropic bar filters in various orientations has proven to be advantageous for calculating the orientation.
  • the maximum filter response and its orientation are used as information about the structure.
  • Silicon wafer which has a crack approximately in the middle, wherein in Teiibild b) an enlarged detail of the region is shown around the crack;
  • Figure 2 is an illustration of a maximum filter response using a bar filter for the crack containing region;
  • FIG. 3 in partial image a) an unsmoothed orientation histogram of the surroundings of the crack and in partial image b) the orientation histogram after smoothing
  • Figure 4 shows the result after crack reconstruction.
  • the reference semiconductor structure is a multicrystalline silicon wafer, which is approximately square, with an edge length of about 1 5.6 cm and a thickness of about 1 80 pm.
  • Such microcrystalline silicon wafers are a typical starting material for the production of photovoltaic solar cells.
  • this semiconductor structure As a reference semiconductor structure, a metal tip, a so-called ram, has been dropped approximately centrally from the semiconductor structure by means of a plunger automaton, so that a crack is formed and beyond that the geometric position, that is, the X and Y coordinates of the crack center, which coincides with the impact point of the metal tip on the wafer is known.
  • the thus prepared reference semiconductor structure is provided in a method step A. Moreover, as described above, the location coordinates of the crack center are known and are thus provided in a method step B as crack data.
  • a method step C the spatially resolved measurement of the reference semiconductor structure takes place.
  • an apparatus known per se for photoluminescence measurement is used: by optical excitation of the semiconductor by means of irradiation with electromagnetic radiation, electron-hole pairs are generated. Due to the recombination processes, photoluminescence radiation is emitted from the reference semiconductor structure, which is spatially resolved is measured by means of a silicon CCD camera.
  • a measured value is thus available for a plurality of measuring points distributed in a grid pattern over the surface of the reference semiconductor structure, which measurement value corresponds to the intensity of the emitted photoluminescence radiation for this measuring point or at least correlates with intensity.
  • FIG. 1a The measurement result is shown in FIG. 1a.
  • the high spatial resolution of (1,024x1,024) points is clearly recognizable.
  • a star-shaped crack structure can already be seen.
  • the region around the crack structure was marked by a black rectangle.
  • FIG. 1 b shows an enlarged detail of this rectangle, in which the crack structure (within the drawn black circle) can be seen more clearly.
  • FIGS. 1a and 1b it can be seen in FIGS. 1a and 1b that a multiplicity of other structures have similar measured values, and it thus places a high demand on the method used to separate the measuring points belonging to a crack from the other measuring points on the basis of the measuring signals.
  • a prediction model is created by training a learning algorithm on the basis of the spatially resolved measurement data determined in method step C and the crack data provided in step B:
  • the positive filter responses of the individual bar filters are added up. This results in a high filter response, in particular in the crack center, that is to say in this point or area in which cracks intersect.
  • those measurement points are extracted whose summed filter responses exceed a predetermined threshold, preferably in accordance with formula 1 below:
  • a (x, y) represents the sum of the positive filter responses of the image with the bar filter at different orientations for the measuring point with coordinates (x, y).
  • Each measuring point is thus assigned a binary value, which is 1, provided the filter response for this measurement point is greater than or equal to a threshold multiplied by the maximum filter response of all measurements. In the remaining cases the value 0 is assigned.
  • the threshold value c is determined empirically, preferably in such a way that all cracking centers are contained. It has been shown that crack centers generally have very high values.
  • FIG. 2 shows a processing of the measurement data in which the respective accumulated filter responses for each pixel are shown.
  • each key point For each key point, the creation of a descriptor now takes place in a method step D1.
  • Each key point is thus successively selected as the descriptor point, in each case a test region for the descriptor point is specified and a descriptor is created.
  • GLOH method gradient orientations are considered. However, since noise in the measured values has a strong influence on the gradients, first of all the measured values are smoothed by connecting a Gaussian filter. This procedure is known per se. By folding the measured data with the derivative of the Gaussian filter in the x and y directions, the measured data are smoothed and the gradients in the x and y directions are determined simultaneously. From this, the orientation and amplitude of the gradient vector for the desired position (x, y) is determined. The orientation in two-dimensional space can be represented by the values [0,2 ⁇ ].
  • a test region is thus initially defined for each key point. This is defined in the present example as a circle around the key point with a radius of 40 pixels (measuring points). Subsequently, for each measuring point which lies within the test region, as described above, the gradient orientation and the gradient amplitude are determined in a method step B1 .1. To align the gradient orientations according to the structure around the key point, the orientation of the structure around the key point is first determined as follows; The previously determined gradient orientations within the test region are mapped in an orientation histogram which has, for example, 36 bins, ie 36 individual categories which each cover a uniform orientation range. The result of such a classification is shown in FIG. 3a.
  • the key point descriptor is determined for the key point, which was determined in particular as a function of the measurement data of the measurement points within the test region. So far, the key points have been determined, their orientation calculated and rotated the test region according to the key point orientation. This approach is known per se and described, for example, in (Lowe, D.G., Distinctive Image features from scale-invariant keypoints, International Journal of Computer Vision, 2004: p, 91-10).
  • descriptor creation is, for example, the creation of a feature vector based on the gradient orientations. Every Orien The characteristic of a particular orientation results from the sum of the gradient amplitudes with this orientation,
  • Polar sampling in particular is advantageous in this case since the cracks to be examined typically have higher gradient amplitudes close to the crack center compared to the measuring points located farther away. Therefore, a polar sampling » whose center coincides with the key point, in particular advantageous.
  • a further advantage is that the above-mentioned rotation of the test region according to the key point orientation can be easily implemented in polar coordinates,
  • a learning algorithm is finally trained in a method step D2 by means of the descriptors created and the crack data provided in method step B,
  • the result of this embodiment of the method according to the invention is thus a prediction model created by training the support vector machine
  • a semiconductor structure is provided and in a method step B, the prediction model described above is provided.
  • a spatially resolved measurement of the semiconductor structure takes place. This is preferably carried out analogously to the spatially resolved photoluminescence measurement described in the first embodiment in accordance with method step C.
  • measured data are thus present for a multiplicity of local measuring points of the semiconductor structure which correlate with the respective local intensity of the photoluminescence radiation produced.
  • the determination for at least one local test point is made as to whether there is a crack at this test point.
  • a descriptor is created in which a test region is specified or determined for the test point. This descriptor setting is the same as previously described in the first embodiment.
  • the prediction model is applied in such a way that it is determined by means of the descriptor and the prediction model whether there is a crack at the checkpoint.
  • a classification is possible in which corresponding key points are classified as points belonging to a crack or not belonging to a crack.
  • a crack reconstruction is then carried out for the key points classified as belonging to a crack in method step D;
  • the crack construction is done with the well-known method of hysteresis: starting at the key point, which is typically the crack center, the measurement point for measurement point is reconstructed the crack in its original form.
  • the reconstruction is based on the assumption that the crack propagates in a star shape and on this basis the similarity of the crack environment with a star-shaped pattern is determined.
  • a measuring point in the vicinity of the crack center thus probably belongs to the crack, if this measuring point lies on a beam structure, which starts from the Crack center spreads. It is therefore advantageous to calculate the orientation and filter response of a bar filter as described above for each location point.
  • the orientations of the measurement points in the vicinity of the crack center are compared with the orientations of a star pattern.
  • the cosine between the angle differences can preferably be calculated as a measure of similarity and weighted with the amplitude of the respective filter response.
  • the resulting image, which results from the hysteresis is checked for its morphological properties.

Landscapes

  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Biochemistry (AREA)
  • Pathology (AREA)
  • Immunology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Analytical Chemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • Theoretical Computer Science (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

Die Erfindung betrifft ein Verfahren zur Bereitstellung eines Vorhersagemodells für eine Rissdetektion an einer Halbleiterstruktur, welche Halbleiterstruktur eine photovoltaische Solarzelle, eine Vorstufe einer photovoltaischen Solarzelle im Herstellungsprozess, insbesondere Halbleitermaterial zur Herstellung einer Solarzeile, ist, welche folgende Verfahrensschritte umfasst: A. Bereitstellen einer Referenz-Halbleiterstruktur, welche Referenz-Halbleiterstruktur mindestens einen Riss aufweist; B. Bereitstellen von Rissdaten zu dem mindestens einen Riss, welche Rissdaten geometrische Ortsdaten hinsichtlich der Lage des Risses auf der Referenz-Halbleiterstruktur umfassen; C. Ortsaufgelöste Vermessung der Referenz-Halbleiterstruktur durch ortsaufgelöste Messung für eine Mehrzahl von örtlichen Messpunkten von in der Halbleiterstruktur erzeugter Photolumineszenzstrahlung und/oder ortsaufgelöster Messung der IR-Absorption der Halbleiterstruktur, und D. Erstellen eines Vorhersagemodells mittels Trainieren eines Lernalgorithmus anhand der in Verfahrensschritt C ermittelten ortsaufgelösten Messdaten und der in Verfahrensschritt B bereitgestellten Rissdaten, wobei das Tratnieren des Lernalgorithmus folgende Verfahrensschritte umfasst: D1) Ersteilen mindestens eines Deskriptors für mindestens einen örtlichen Deskriptorpunkt, indem für den Deskriptorpunkt eine Prüfregion vorgegeben oder ermittelt wird und anhand der Messdaten innerhalb der Prüfregion der Deskriptor erstellt wird, weicher Deskriptor ein Merkmalsvektor und/oder eine Merkmalsverteilung und/oder ein Merkmalshistogramm ist, und D2) Trainieren des Lernalgorithmus mittels des Deskriptors und der Rissdaten. Die Erfindung betrifft weiterhin ein Verfahren und eine Vorrichtung zur Rissdetektion.

Description

Verfahren zur Bereitstellung eines Vorhersagemodells für eine Rissdetektion und Verfahren zur Rissdetektion an einer Halbleiterstruktur
Beschreibung
Die Erfindung betrifft ein Verfahren zur Bereitstellung eines Vorhersagemodells für eine Rissdetektion an einer Halbleiterstruktur gemäß Anspruch 1 sowie ein Verfahren zur Rissdetektion an einer Halbleiterstruktur gemäß Anspruch 2, Die Halbleiterstruktur ist eine photovoltaische Solarzelle, eine Vorstufe einer photo- voltaischen Solarzelle im Herstellungsprozess oder insbesondere Halbleitermaterial zur Herstellung einer solchen photovoltaischen Solarzelle,
Photovoltaische Solarzellen, welche aus Halbleitermaterial aufgebaut sind, werden seit langem zur Umwandlung von elektromagnetischer Strahlung in elektrische Energie verwendet. Bei typischen photovoltaischen Solarzellen stellt d.as Halbleitermaterial einen erheblichen Anteil an den Gesamtkosten zur Herstel- lung der Solarzelle dar. Daher finden verstärkt kostengünstigere Materialien, wie beispielsweise multikristallines Silizium Anwendung und darüber hinaus besteht ein Ziel der Solarzellenforschung darin, die Dicke der verwendeten Halbleiter- wafer bei der Herstellung der photovoltaischen Solarzelle zu verringern, um somit die Materialkosten zu verringern .
Hierdurch erhöht sich jedoch das Risiko, dass aufgrund von Rissen die Stabilität des Halbleitermaterials beeinträchtigt wird . Solche Risse können beispielsweise aufgrund von Materialdefekten in einem Silizium-Rohblock entstehen, aufgrund von Belastungen bei der Produktion des Wafer-Rohmaterials, durch Defekte und mechanische Spannung beim Sägen der Wafer sowie durch mechanische Beanspruchung bei Transport und Handhabung. Zusätzlich wird das Halbleitermaterial im Herstellungsprozess mechanischen und thermischen Belastungen ausgesetzt. Sofern das Halbleitermaterial im Herstellungsprozess zerbricht, entstehen hohe Kosten, da unter anderem die Produktion gestoppt werden muss. Doch auch solches Halbleitermaterial, weiches trotz eines Risses den gesamten Hersteilungsprozess durchläuft, kann bei späterer Verwendung zu einem erheblichen Leistungsverlust bei Einsatz der photovoltaischen Solarzelle führen.
Aus diesem Grund besteht ein hoher Bedarf an Verfahren zur Detektion von Rissen in einer Halbleiterstruktur, welche Halbleiterstruktur das vorgenannte Halbleiter-Rohmaterial, wie beispielsweise ein Halbleiter-Wafer zur Herstellung einer Solarzelle, die Vorstufe einer Solarzelle im Hersteilungsprozess oder die fertig produzierte Solarzelle ist. Da die Risse typischerweise Ausdehnungen im Mikrometerbereich aufweisen, werden sie auch als Mikrorisse bezeichnet.
Es ist bekannt, mittels so genannter IR-Durchlicht-Auf nahmen Risse zu detektie- ren. Hierzu wird die Halbleiterstruktur mittels Strahlung im Infrarotbereich einer Durchlicht-Messung unterzogen und mittels eines bildgebenden Verfahrens, wie beispielsweise einer CCD-Kamera vermessen. Aufgrund der unterschiedlichen Absorption im I R-Bereich kann in dem derart erhaltenen Bild ein Benutzer mit dem Auge Risse erkennen. Ebenso ist die Rissdetektion mittels Photolumineszenz bekannt: Hierzu wird in der Halbletterstruktur Photoluminiszenzstrahlung erzeugt und mittels eines bildgebenden Verfahrens, wie beispielsweise einer CCD-Kamera ortsaufgelöst vermessen . Die Anwendung von Photolumineszenzmessungen ist grundsätzlich bekannt und beispielsweise in Trupke, T. Progress with luminescence imaging for the characterisation of Silicon wafers and solar cells. in Proceedings of the 22nd European Photovoltaic Solar Energy Conference. 2007. Mailand, Italien, beschrieben. Hierbei ist es jedoch häufig nicht möglich, Risse von anderen Effekten wie beispielsweise rekombinationsaktiven Störstellen zu unterscheiden.
Darüber hinaus ist die Rissdetektion mittels Resonance Ultrasonic Vibration (RUV) bekannt und beispielsweise in Monastyrskyi, A., et ai. Resonance Ultrasonic Vibrations for In-iine Crack Detection in Silicon Wafers and Solar Cells. in Proceedings of 33rd PVSC. 2008. beschrieben.
Der Erfindung liegt die Aufgabe zugrunde, ein zuverlässiges und insbesondere industriell einsetzbares Verfahren zur Rissdetektion bei einer Halbleiterstruktur, welche eine photovoltaische Solarzelle, eine Vorstufe im Hersteilungsprozess einer photovoltaischen Solarzelle oder Rohmaterial zur Herstellung der photovoltaischen Solarzelle ist, zu schaffen,
Gelöst ist diese Aufgabe durch ein Verfahren zur Bereitstellung eines Vorhersagemodells für eine Rissdetektion an einer Halbleiterstruktur gemäß Anspruch 1 sowie durch ein Verfahren zur Rissdetektion an einer Halbleiterstruktur gemäß Anspruch 2. Vorteilhafte Ausgestaltungen der erfindungsgemäßen Verfahren finden sich in den Ansprüchen 3 bis 13. Die Erfindung ist weiterhin gelöst durch eine Vorrichtung zur Rissdetektion an einer Halbleiterstruktur gemäß Anspruch 14. Hiermit wird der Wortlaut sämtlicher Ansprüche per Referenz in die Beschreibung eingebunden.
Die Erfindung ist in der Erkenntnis des Anmelders begründet, dass Lernalgorithmen geeignet sind, ein Vorhersagemodell für eine Rissdetektion an einer Halbleiterstruktur zu erstellen, so dass anhand des Vorhersagemodells eine Rissdetektion erfolgt. Die erfindungsgemäßen Verfahren und die erfindungsgemäße Vorrichtung unterscheidet sich somit grundsätzlich von den bisher im Pho- tovoltaikbereich verwendeten Verfahren zur Rissdetektion, da erstmalig maschinelles Lernen mittels eines Lernalgorithmus zur Rissdetektion verwendet wird.
Wie vorhergehend beschrieben beziehen sich die erfindungsgemäßen Verfahren und die erfindungsgemäße Vorrichtung zur Rissdetektion auf den Photovoltalkbereich. Entsprechend wird der Begriff Halbleiterstruktur hierbei und im Folgenden verwendet, um Rohmaterial wie beispielsweise Siliziumwafer und insbesondere multikristalline Siliziumwafer zur Herstellung einer Solarzelle zu bezeichnen, ebenso die Vorstufe einer photovoltaischen Solarzelle an einem beliebigen Punkt im Herstellungspreise sowie die fertiggestellte Solarzelle.
Das erfindungsgemäße Verfahren zur Bereitstellung eines Vorhersagemodells für eine Rissdetektion an einer Halbleiterstruktur umfasst folgende Verfahrensschritte;
In einem Verfahrensschritt A wird eine Referenz-Halbleiterstruktur bereitgestellt, weiche Referenz-Halbleiterstruktur mindestens einen Riss aufweist. In einem Verfahrensschritt B werden Rissdaten bereitgestellt zu dem mindestens einen Riss, Die Rissdaten umfassen geometrische Ortsdaten hinsichtlich der Lage des Risses auf der Referenz-Halbleiterstruktur, Die Halbleiterstruktur stellt typischerweise ein flächiges Element dar, so dass der Riss typischerweise hinsichtlich der Lage der Vorder- oder Rückseite der Halbleiterstruktur beschrieben werden kann, das heißt typischerweise mittels zweidimensionaler geometrischer Daten. Hierbei liegt es im Rahmen der Erfindung, dass die Rissdaten eine Vielzahl von Punkten und/oder Linien, welche die Ausdehnung des Risses beschreiben, umfassen und/oder dass die Rissdaten ein Risszentrum , an welchem sich mindestens zwei Linien eines sternförmigen Risses kreuzen, umfassen.
Ebenso liegt es im Rahmen der Erfindung , dass die Referenz-Hatbleiterstruktur eine Halbleiterstruktur ist, welche einen Riss aufweist, welcher Riss mittels einer weiteren Messmethode hinsichtlich der geometrischen Lage vermessen wurde. Alternativ oder zusätzlich ist es ebenso möglich, den Riss durch Kratzen oder ähnliche Verfahren der Referenz-Halbleiterstruktur an einer vorgegebenen geometrischen Position zuzufügen.
I n einem Verfahrensschritt C erfolgt die ortsaufgelöste Vermessung der Referenz-Halbleiterstruktur. Hierzu wird für eine Mehrzahl von örtlichen Messpunkten eine ortsaufgelöste Messung von in der Halbleiterstruktur erzeugter Photolumineszenzstrahlung und/oder ortsaufgelöster Messung der Infrarot-Absorption (IR- Absorption) der Halbleiterstruktur durchgeführt. Zur Durchführung dieser ortsaufgelösten, bildgebenden Verfahren sind an sich bekannte Messapparaturen und insbesondere CCD-Kameras zur ortsaufgelösten Vermessung verwendbar. Wesentlich ist, dass eine ortsaufgelöste Vermessung für eine Vielzahl von örtlichen Messpunkten erfolgt. Die Messpunkte überdecken zumindest einen Be- reich auf der Oberfläche der Halbleiterstruktur, welcher den Riss umfasst.
I n einem Verfahrensschritt D erfolgt die Erstellung eines Vorhersagemodells. Hierzu wird ein Lernalgorithmus trainiert, anhand der in Verfahrensschritt C ermittelten ortsaufgelösten Messdaten und der in Verfahrensschritt B bereitge- stellten Rissdaten. Im Unterschied zu vorbekannten Verfahren zur Rissdetektion wird insbesondere nicht ein physikalisches Modell zugrunde gelegt, um anhand der Messsignale diejenigen Messpunkte, welche einem Riss zugeordnet sind, von den anderen Messpunkten zu unterscheiden. Stattdessen erfolgt anhand der Messdaten und der Rissdaten, das heißt der hinsichtlich der Referenz-Halbleiterstruktur bekannten Beschreibung zu dem vorhandenen Riss, ein Trainieren eines Lernalgorithmus. Die Spezifikationen und Kriterien (d.h. die Ausprägungen dieser Beschreibungen), welche den Riss kennzeichnen und hinsichtlich der Messsignale von anderen Elementen, wie beispielsweise rekombinationsaktiven geometri- sehen Strukturen unterscheiden, werden somit nicht vorgegeben, sondern durch Trainieren des Lernalgorithmus ausgebildet.
Das Trainieren des Lernalgorithmus umfasst hierbei folgende Verfahrensschritte:
In einem Verfahrensschritt D1 wird mindestens ein Deskriptor für mindestens einen örtlichen Deskriptorpunkt erstellt. Hierbei wird für den Deskriptorpunkt eine Prüfregion vorgegeben oder ermittelt und anhand der Messdaten innerhalb der Prüfregion wird der Deskriptor erstellt, welcher Deskriptor einen Merkmas- vektor und/oder eine Merkmalsverteilung und/oder ein Merkmalshistogramm ist.
Die Prüfregion umfasst somit zumindest eine Teilmenge der Messpunkte aus Verfahrensschritt C. Ebenso liegt es im Rahmen der Erfindung , dass die Prüfregion sämtliche Messpunkte aus Verfahrensschritt C umfasst.
Der Deskriptorpunkt ist ein örtlicher Punkt für den der genannte Deskriptor gebildet wird, so dass anhand des Merkmalsvektors und/oder der Merkmalsverteilung und/oder des Merkmalshistogramms eine Beschreibung für den örtlichen Deskriptorpunkt unter Berücksichtigung der Prüfregion ausgebildet wird . Die Merkmale des Merkmalsvektors und/oder der Merkmalsverteilung und/oder des Merkmalshistogramms basieren auf den in Verfahrensschritt C ermittelten Messdaten. Hierbei liegt es im Rahmen der Erfindung , dass die Merkmale unmittelbar aus den Messdaten hervorgehen. Insbesondere ist es jedoch vorteilhaft, dass die Merkmale eine Weiterverarbeitung und/oder Korrelation , insbesondere eine Strukturbeschreibung mehrer Messdaten sind. In einem Verfahrensschritt D2 erfolgt ein Trainieren des Lernalgorithmus mittels des Deskriptors und der Rissdaten,
Das Trainieren kann in an sich bekannter Weise mit einem an sich bekannten Lernalgorithmus durchgeführt werden. Ebenso liegt es im Rahmen der Erfindung, den Lernalgorithmus lediglich mittels eines Deskriptorpunktes und zugeordnetem Deskriptor und/oder mittels lediglich eines Risses und den zugeordneten geometrischen Daten zu trainieren. Vorteilhafterweise erfolgt das Training jedoch mit einer Vielzahl von Deskriptorpunkten und entsprechend erstellten Deskriptoren. Alternativ und insbesondere zusätzlich ist es vorteilhaft, mit einer Mehrzahl von Rissen und jeweils zugeordneten Rissdaten das genannte Verfahren durchzuführen .
Das Trainieren des Lernalgorithmus kann, wie bereits beschrieben in an sich bekannter Weise erfolgen. Wesentlich hierbei ist, dass aufgrund der vorgegebenen Rissdaten bekannt ist, ob an dem Deskriptorpunkt ein Riss vorliegt oder nicht. Diese Information ist entscheidend für die durch den Lernalgorithmus während des Trainierens durchgeführte Ausbildung einer Klassifizierung.
Es liegt im Rahmen der Erfindung , mehrere Referenz-Halbleiterstrukturen zum Trainieren des Lernalgorithmus zu verwenden. Es ist hierbei nicht zwingend notwendig , dass jede Referenz-Halbleiterstruktur einen Riss aufweist, da zum Trainieren auch Deskriptorpunkte und Deskriptoren, an denen kein Riss vorliegt, sinnvoll sind. Mindestens eine Referenz-Halbleiterstruktur muss jedoch mindestens einen Riss aufweisen, wie zuvor beschrieben.
Das erfindungsgemäße Verfahren zur Rissdetektion an einer Halbleiterstruktur umfasst folgende Verfahrensschritte:
In einem Verfahrensschritt A erfolgt ein Bereitstellen der Halbleiterstruktur.
Im Unterschied zu der Referenz-Halbleiterstruktur ist bei der Halbleiterstruktur zur Durchführung der Rissdetektion selbstverständlich die geometrische Lage des Risses bzw. die Information, ob überhaupt die Halbleiterstruktur ein Riss aufweist, nicht vorbekannt. In einem Verfahrensschritt B wird ein Vorhersagemodell bereitgestellt, Das Vorhersagemodell wurde durch Trainieren eines Lernalgorithmus erstellt, vorzugsweise mittels eines Verfahrens gemäß Anspruch 1 bzw. einer vorteilhaften Ausführungsform hiervon,
In einem Verfahrensschritt C erfolgt eine ortsaufgelöste Vermessung der Halbleiterstruktur durch ortsaufgelöste Messung für eine Mehrzahl von örtlichen Messpunkten von in der Halbleiterstruktur erzeugter Photolumineszenzstrahlung und/oder ortsaufgelöster Messung der I R-Absorption der Halbleiterstruktur. Ver- fahrensschritt C kann somit identisch zu Verfahrensschritt C gemäß Anspruch 1 bzw. einer vorteilhaften Ausführungsform hiervon ausgebildet sein. I nsbesondere ist es vorteilhaft, bei der Erstellung des Vorhersagemodells und bei der Rissdetektion die gleiche Messart, das heißt jeweils eine ortsaufgelöste Messung von Photolumineszenzstrahlung oder jeweils eine ortsaufgelöste Messung der I R-Absorption durchzuführen.
In einem Verfahrensschritt D erfolgt für mindestens einen örtlichen Prüfpunkt eine Bestimmung, ob sich an diesem Prüfpunkt ein Riss befindet. Der örtliche Prüfpunkt stellt einen Punkt auf einer Oberfläche der Halbleiterstruktur dar und entspricht vorzugsweise einem der Messpunkte gemäß Verfahrensschritt C.
Die Bestimmung umfasst folgende Verfahrensschritte:
In einem Verfahrensschritt D1 wird mindestens ein Deskriptor für den Prüfpunkt erstellt, in dem für den Prüfpunkt eine Prüfregion vorgegeben und ermittelt wird und anhand der Messdaten innerhalb der Prüfregion der Deskriptor erstellt, wird, welcher Deskriptor einen Merkmalsvektor und/oder eine Merkmalsverteilung und/oder ein Merkmalshistogramm ist. Verfahrensschritt D1 bei der Rissdetektion ist somit analog ausgebildet zu Verfahrensschritt D1 bei der Erstellung des Vorhersagemodells gemäß Anspruch 1 , wobei in Anspruch 1 der Deskriptor für einen entsprechenden Deskriptorpunkt und in Anspruch 2 der Deskriptor für einen entsprechenden Prüfpunkt erstellt wird. Sämtliche vorangehenden und nachfolgenden Ausführungen zur Deskripto- rerstellung können somit - zumindest in Analogie - sowohl hinsichtlich Verfah- rensschritt D1 gemäß Anspruch 1 , als auch hinsichtlich Verfahrensschritt D1 gemäß Anspruch 2 herangezogen werden.
Auch bei der Rissdetektion ist somit wesentlich, dass für den Prüfpunkt ein De- skriptor erstellt wird, welcher somit Merkmaie in Form eines Merkmalsvektors und/oder einer Merkmalsverteilung und/oder eines Merkmalshistogramms darstellt, so dass Eigenschaften für den Prüfpunkt unter Berücksichtigung der in Verfahrensschritt C erhaltenen Messdaten innerhalb der Prüfregion in dem Deskriptor abgebildet sind.
In einem Verfahrensschritt D2 erfolgt mittels des Deskriptors und des Vorhersagemodells eine Bestimmung, ob sich an dem Prüfpunkt ein Riss befindet.
Das erfindungsgemäße Verfahren zur Rissdetektion zeichnet sich somit dadurch aus, dass lediglich ein Vorhersagemodell beispielsweise mittels Durchführung eines Verfahrens gemäß Anspruch 1 zur Verfügung gestellt werden muss und anschließend eine Messung gemäß Verfahrensschritt C in an sich bekannter Weise als Photolumineszenzmessung oder Messung der I R-Absorption durchgeführt wird und durch Deskriptorbildung eine Bestimmung mittels des Vorher- sagemodells möglich ist, ob sich an dem Prüfpunkt ein Riss befindet.
Hierbei liegt es im Rahmen der Erfindung , die vorgenannte Bestimmung gemäß Verfahrensschritt D2 lediglich an einem Prüfpunkt durchzuführen. Vorzugsweise wird die Bestimmung an einer Vielzahl von Prüfpunkten durchgeführt. So liegt es im Rahmen der Erfindung , das sukzessive jeder der örtlichen Messpunkte, an den in Verfahrensschritt C eine Messung erfolgt, als Prüfpunkt ausgewählt wird.
Im Ergebnis ist som it sowohl die Bestimmung, ob die Halbleiterstruktur einen Riss aufweist als auch die Bestimmung der geometrischen Lage und/oder Aus- dehnung des Risses mittels des erfindungsgemäßen Verfahrens zur Rissdetektion gewährleistet, ohne dass durch Hypothesen, Vorgaben oder Ableitungen aus einem physikalischen Modell ein Zusammenhang zwischen den Messdaten gemäß Verfahrensschritt C und abstrakten Risseigenschaften vorgegeben werden muss. Untersuchungen des Anmelders haben gezeigt, dass die Ausbildung eines Vorhersagemodells gemäß Anspruch 1 und die Anwendung gemäß Anspruch 2 hervorragend zur Detektion von Rissen in einer Haibieiterstruktur geeignet ist. Das erfindungsgemäße Verfahren zur Rissdetektion steift somit eine erhebliche Ver- besserung gegenüber vorbekannter Verfahren zur Rissdetektion dar. Insbesondere kann anhand des Trainieren des Lernalgorithmus bei Durchführung des Verfahrens gemäß Anspruch 1 auch bei Verwendung einer Photolumineszenz- Messmethode in den jeweiligen Verfahrensschritten C eine Unterscheidung mit hoher Treffergenauigkeit zwischen einem Riss einerseits und anderen geometri- sehen Strukturen wie beispielsweise rekombinationsaktiven Strukturen getroffen werden, wobei die Kriterien zur Unterscheidung einer Rissstruktur von anderen Strukturen nicht vorgegeben werden müssen, sondern lediglich durch Trainieren des Lernalgorithmus ausgebildet werden. Die erfindungsgemäßen Verfahren weisen weiterhin den Vorteil auf, dass eine Aufteilung zwischen Erstellen des Vorhersagemodeiis einerseits und Anwenden des Vorhersagemodells zur Rissdetektion möglich ist:
So kann beispielsweise herstellerseitig ein Lernalgorithmus mit hoher Genauig- keit durch exakte Präparation einer Referenz-Halbleiterstruktur und/oder Trainieren anhand einer Vielzahl von Rissen und Rissdaten trainiert werden und das derart ausgebildete Vorhersagemodell dem Benutzer zur Verfügung gestellt werden. Es ist somit nicht zwingend notwendig, auch benutzerseitig ein Trainieren des Lernalgorithmus durchzuführen. Der Benutzer kann ebenso das herstellerseitig trainierte Vorhersagemodell direkt zur Rissdetektion anwenden.
Vorzugsweise erfolgt bei dem erfindungsgemäßen Verfahren zur Rissdetektion in einem Verfahrensschritt E eine Rissrekonstruktion, in dem die geometrischen Daten der Rissausprägung ermittelt werden. Hiermit wird somit ausgehend von einem Prüfpunkt, welcher einem Riss zugeordnet wurde, eine Rekonstruktion durchgeführt, um zumindest die teilweise, vorzugsweise die vollständige geometrische Ausprägung eines Risses zu ermitteln. Insbesondere ist es vorteilhaft, in Verfahrensschritt E für eine örtliche Rekonstruktionsregion um den Prüfpunkt für jeden Messpunkt innerhalb der Rekonstruktionsregion eine Orientierung zu erm itteln und mittels eines Ähnlichkeitsvergleiches mit einem sternförmigen und/oder Iinienförmigen Muster durch Mustererkennung die dem Riss zugehörigen Messpunkte zu ermitteln. Vorgenannte vorzugsweise Ausführungsformen sind insbesondere bei Verwendung von Photoiumineszenz-Messverfahren und insbesondere bei Verwendung von multikristallinen Silizium-Halbleiterstrukturen vorteilhaft.
Diese vorzugsweise Ausführungsform des erfindungsgemäßen Verfahrens ist in der Erkenntnis des Anmelders begründet, dass typischerweise Risse in Halb- leiterstrukturen ein sternförmiges Muster aufweisen. Hierdurch kann mit einer Kombination von an sich bekannten Verfahren zur Erkennung und Rekonstruktion eines sternförmigen und/oder Iinienförmigen Musters eine Rissrekonstruktion erfolgen, Wie vorhergehend beschrieben, liegt es im Rahmen der Erfindung, in Verfahrensschritt D bei Erstellung des Vorhersagemodells und/oder bei der Rissdetek- tion eine Vielzahl von Ortspunkten sukzessive als Deskriptorpunkte bzw. Prüfpunkte zugrundezulegen, Hierbei können beispielsweise sämtliche in den jeweiligen Verfahrensschritten G vermessenen örtlichen Messpunkte verwendet wer- den.
Vorteilhaft ist es jedoch, die Menge der Deskriptorpunkte und/oder Prüfpunkte einzuschränken, mittels Verfahren zur Schlüsselpunktbestimmung. Solche Verfahren sind auch als Verfahren zur Ermittlung eines Point of Interest (POI) be- kannt. Insbesondere ist es vorteilhaft, zur Festlegung des Deskriptorpunktes und/oder des Prüfpunktes ein Verfahren zum Auffinden von Schlüsselpunkten zu verwenden, vorzugsweise die Schlüsselpunktbestimmung gemäß mindestens einem der Verfahren SI FT, GLOH und/oder SURF oder bekannten Verfahren zur Merkmalsdetektion wie dem Canny- oder Harris-Detektor oder hierzu ähnlicher, abgeleiteter oder analoger Verfahren zu verwenden. Die vorgenannten Verfahren sind an sich bekannt und beispielsweise beschrieben in:
- GLOH: Krystian Mikolajczyk and Cordelia Schmid "A Performance evaluation of local descriptors", IEEE Transactions on Pattern Analysis and Machine Intelligence, 10, 27, pp 1615—1630. 2005. - SIFT; Lowe, David G. (1999), "Object recognition from local scale-invariant features". Proceedings of the International Conference on Computer Vision. 2. pp. 1 150-1 157. doi: 10.1109/ICCV.1999.790410. http://dot.ieeecs.Org/10.1109/ICCV.1999.790410.
- SURF: Bay, H., Tuytelaars, T„ Gool, L.V., "SURF: Speeded Up Robust Features", Proceedings of the ninth European Conference on Computer Vision, May 2006.
- Harris: C. Harris and M. Stephens: A combined corner and edge detector. In: Proceedings of the 4th Alvey Vision Conference. 1988, S. 147-151 . Untersuchungen des Anmelders haben ergeben, dass es zur Schlüsselpunktbestimm ung insbesondere vorteilhaft ist, den mindestens einen Schlüsselpunkt mittels eines orientierungssteuerbaren Filters zu bestimmen. Vorteilhafterweise erfolgt die Bestimmung mittels eines Filters, insbesondere zur Berechnung einer Ableitung der Messdaten, bevorzugt der zweiten Ableitung. Untersuchungen des Anmelders haben ergeben, dass insbesondere ein Balkenfilter, der aus der zweiten Ableitung eines Gaussfilters gebildet wird, zur Schlüsselpunktbestimmung geeignet ist.
Zur Auswahl der Schlüsselpunkte liegt es im Rahmen der Erfindung , die Schlüs- seipunkte innerhalb des gesamten Bereiches, insbesondere ausgehend von sämtlichen Messpunkten zu bestimmen. Ebenso liegt es im Rahmen der Erfindung, eingeschränkte geometrische Bereiche auf der Oberfläche der Halbleiterstruktur und/oder eine Teilmenge der in Verfahrensschritt C vermessenen Messpunkte vorzugeben, innerhalb derer Schlüsselpunkte bestimmt werden.
Bei der Bestimmung der Schlüsselpunkte können zur Bestimmung relevanter Bildausschnitte unterschiedliche Eigenschaften und Merkmale eine örtlichen Region oder eines Messpunktes dienen, wie beispielsweise die Ausprägung von Intensitäten des Messsignals, oder die Verteilung der Intensitätswerte des Messsignals. Diese Merkmale können beispielsweise über die Bestimmung von Momenten wie Varianz, Mittelwert, Symmetrie oder anderer an sich bekannte Momente abgebildet und zur Bestimmung des Schlüsselpunktes verwendet werden. Ebenso ist die Verwendung der Ausprägung von Merkmalen wie beispielsweise Ecken , Kanten , Linien oder runden Strukturen hinsichtlich der geometrischen Ausprägung möglich . Solche Merkmale können beispielsweise aus Filterantwor- ten bei Verwendung von Filtern und/oder aus der Kombination mehrerer Filtern - gegebenenfalls mit Vor- und Weiterverarbeitung der Ergebnisse - ermittelt werden. Beispiele für anwendbare Filter sind Sobel-, Prewitt-, Gaussfilter, Diffe- rence-of-Gaussian, Laplacian-of-Gaussian. Ebenso liegt die Verwendung von Tensoren wie beispielsweise Harris-Detektor, Determinant of Hessian im Rahmen der Erfindung oder die Verwendung steuerbarer Filter, die Verwendung von Wavelets wie beispielsweise Gabor- und Haarwavelets. Weiterhin liegt die Verwendung des SUSAN-Eckendetektors oder des Canny-Kantendetektors im Rahmen der Erfindung .
Untersuchungen des Anmelders ergaben, dass insbesondere vorteilhaft die Filterung mit anisotropen Balkenfiltern ist, welche die zweite Ableitung des Gauss- filters darstellen und beispielsweise in J . Malik, Contour and Texture Analysis for Image Segmentation. I nternational Journal of Computer Vision 43(1 ), pp. 7-27, 2001 beschrieben sind.
Hierbei ist es insbesondere vorteilhaft, diese Filter mit unterschiedlichen Raumorientierungen zu verwenden . Hierbei werden die positiven Filterantworten bei unterschiedlicher räumlicher Orientierung des Filters korreliert, vorzugsweise aufsummiert. Es erfolgt somit eine Form der Haar-Integration über die Rotationsgruppe SO(2) , wie beispielsweise beschrieben in H . Schulz-Mirbach. Anwendung von Invarianzprinzipien zur Merkmalgewinnung in der Mustererkennung. Dissertation, Technische Universität Hamburg-Harburg, feb 1995. Reihe 10, Nr. 372, VDI-Verlag.
U ntersuchungen des Anmelders ergaben, dass der hieraus resultierende Wert insbesondere im Zentrum eines Risses erhöht ist und darüber hinaus rotationsinvariant ist. Hierdurch kann somit in einfacher Weise ein Risszentrum unabhängig von der Rotation, das heißt des aktuellen Verlaufs der Risslinien auf dem jeweiligen Messbild ermittelt werden. Hierdurch wird der vorteilhafte Effekt erzielt, dass unabhängig von der Rotation der Risse oder der Halbleiterstruktur bei der Messung gleichermaßen hohe Werte bei der Analyse erhalten und somit gleichermaßen detektiert werden. Weiterhin liegt die Verwendung von Filtern mit verschiedenen Skalen im Rahmen der Erfindung. Hierdurch wird ein robustes Ergebnis gegenüber Größenveränderungen der Risse erhalten. Insbesondere vorteilhaft dabei ist es, die Auswertung der Ergebnisse auf verschiedenen Skalenniveaus zur Abschätzung der Größe des zu berücksichtigenden Bereiches heranzuziehen: Entsprechend hohe Ergebnisse auf einem hohen Skalenniveau deuten somit auf einen größeren Riss hin, so dass vorteilhafterweise ein größerer Bildausschnitt zur Bestimmung der Schlüsselpunkte, zur Rissdetektion und/oder zur Rissrekonstruktion zugrunde gelegt wird, verglichen mit Ergebnissen , bei denen auf niedrigeren Skalenniveaus Ergebnisse vorliegen.
Generell ergibt sich durch die Ermittlung von Schlüsselpunkten der Vorteil, dass die Zahl der potentiellen Rissregionen auf eine deutlich geringere Menge von Schlüsselpunkten eingeschränkt werden kann und somit eine Beschleunigu ng des Verfahrens erzielt wird.
Ebenso liegt es im Rahmen der Erfindung, zunächst Schlüsselpunkte mittels anderer Messmethoden zu bestimmen. Hierbei kann beispielsweise das Detekti- onsergebnis einer I R-Messung in herkömmlicher Weise verwendet werden, um Schlüsselpunkte zu bestimmen. Ebenso können unterschiedliche Messmethoden kombiniert werden: So liegt beispielsweise die Bestimmung von Schlüsselpunkten anhand einer I R-Messung im Rahmen der Erfindung , worauf eine Photolumi- neszenzmessung für die zuvor mittels der I R-Messung erzielten Schlüsselpunkte zur Rissdetektion ausgewertet wird.
Vorzugsweise wird der Deskriptor in Verfahrensschritt D1 gemäß Anspruch 1 und/oder Anspruch 2 gemäß mindestens einem der Verfahren SIFT, GLOH , HOG, LESH und/oder SURF und/oder einer Variante dieser Verfahren, bei denen ein Deskriptor anhand der Merkmale einer Prüfregion erzeugt wird ermittelt. Alternativ oder zusätzlich ist es vorteilhaft, dass zur Erstellung des Deskriptors die maximale Filterantwort eines kalibrierbaren und rotierbaren Filters, vorzugsweise eines wie zuvor beschriebenen Balkenfilters verwendet wird. Auch das LESH-Verfahren ist an sich bekannt und beispielsweise beschrieben in Sarfraz, S . , Hellwich , O. :"Head Pose Estimation in Face Recognition across Pose Scena- rios", Proceedings of VISAPP 2008, Inf. Conference on Computer Vision Theory and Applications, Madeira, Portugal, pp, 235-242, January 2008 (Best Student Paper Award).
Insbesondere ist es vorteilhaft, dass der Deskriptor folgende Verfahrensschritte umfassend erstellt wird:
In einem Verfahrensschritt D 1 .1 erfolgt die Bestimmung einer Amplitude und einer Orientierung für jeden Ortspunkt der Prüfregion, beispielsweise für jeden Messpunkt innerhalb der Prüfregion, vorzugsweise durch Ermitteln einer Kenngröße für jeden Messpunkt der Prüfregion, welche Kenngröße weiter bevorzugt der Gradient des Messwerts für den jeweiligen Messpunkt oder die maximale Filterantwort und Orientierung eines steuerbaren Filters für den jeweiligen Messpunkt ist.
In einem Verfahrensschritt D1 .2 erfolgt die Erstellung eines Merkmalshistogramms für zumindest ausgewählte Schlüsselpunkte der Prüfregion.
Insbesondere vorteilhaft ist es hierbei, dass zusätzlich eine Risshauptorientierung ermittelt wird und dass eine Korrektur des Merkmalhistogramms anhand der Risshauptorientierung erfolgt, um ein rotationsinvariantes Merkmalshistogramm zu erhalten .
Bei der Deskriptorerstellung erfolgt somit eine Beschreibung der Prüfregion um den Deskriptorpunkt bzw. Prüfpunkt anhand von Merkmalen. Diese Merkmalsbeschreibung kann z. B. aus einem oder mehreren Merkmalen, eine Merkmalsverteilung oder deren Kenngrößen oder Histogrammen von bestimmten Ausprägungen dieser Merkmale bestehen. Hierbei können an sich bekannte Merkmalsbeschreibungen gemäß den Deskriptoren unter den an sich bekannten Algorithmen SIFT, G LOH, HOG, LESH oder SURF Anwendung finden. Basis zur Ermittlung der Deskriptoren sind jeweils die in Verfahrensschritt C ermittelten Messdaten .
Vorteilhafterweise wird in der zuvor genannten vorzugsweisen Ausführungsform die Risshauptorientierung zwischen den Verfahrensschritten D1.1 und D1 .2 ermittelt und in Verfahrensschritt D1 .2 erfolgt die Erstellung des Merkmalhistogramms durch Abtasten der Messpunkte innerhalb der Prüfregion mittels eines Abtastalgorithmus. Vorteilhaft ist hier insbesondere die Verwendung von an sich bekannten Abtastalgorithmen gemäß GLON und/oder SI FT bzw. Varianten hiervon. Zur Erstellung der Deskriptoren kann somit eine bestimmte Abtastung und/oder Einteilung des Bildausschnittes Anwendung finden. Insbesondere sind an sich bekannte Abtastungen gemäß der vorgenannten Algorithmen anwendbar.
Zur Ausbildung der Deskriptoren kann die Wahl der Merkmale wie an sich in den Algorithmen SI FT, G LOH , HOG , LESH oder SURF bekannt erfolgen.
Untersuchungen des Anmelders haben ergeben, dass auch hier insbesondere die Verwendung der maximalen Filterantwort des anisotropen Balkenfilters wie zuvor beschrieben vorteilhaft ist. Statt Verwendung der Gradientenorientierung und Gradientenamplitude wie aus SI FT und GLOH bekannt, wird somit vorteilhafterweise die Orientierung und Am plitude des Balkenfilters mit maximaler Filterantwort verwendet.
Es liegt im Rahmen der Erfindung, bei Erstellung der Deskriptoren die Merk- malsbeschreibung vor- oder nachzubearbeiten. Insbesondere kann durch eine Korrektur des Deskriptors entsprechend der ermittelten Hauptorientierung des Risses Rotationsinvarianz wie zuvor beschrieben erzielt werden. Weiterhin kann durch eine Skalierung und/oder Glättung des Deskriptors Robustheit gegenüber Kontrastveränderungen oder Rauschen erzielt werden.
Vorzugsweise wird in Verfahrensschritt D1 gemäß Anspruch 1 und/oder gemäß Anspruch 2 die Prüfregion folgende Verfahrensschritte umfassend bestimmt:
Zunächst erfolgt die Bestimmung mindestens eines örtlichen Schlüsselpunktes wie zuvor insbesondere zu den Ansprüchen 5 und 6 beschrieben.
Anschließend werden die Messpunkte innerhalb der Prüfregion ermittelt, in dem für die Prüfregion eine geometrische Ausdehnung und Form vorgegeben wird. Vorzugsweise wird für die Prüfregion eine rechteckige , elliptische oder kreisför- mige Region vorgegeben, deren Mittelpunkt der Schlüsselpunkt ist. In einer vorteilhaften Ausführungsform der erfindungsgemäßen Verfahren wird die geometrische Lage von Korngrenzen als Korngrenzendaten innerhalb der Halbleiterstruktur vorgegeben und/oder mittels eines ortsaufgelösten Messverfahrens ermittelt und es erfolgt eine Gewichtung abhängig von den Korngrenzdaten, in dem
- bei Bestimmung eines Schlüsselpunktes wie zuvor beschrieben solche Ortspunkte, welche auf einer Korngrenze liegen, nicht als Schlüsselpunkt gewählt werden oder bei Bestimmung des Schlüsselpunktes mit einer gegenüber den übrigen Ortspunkten geringeren Gewichtung versehen werden und/oder
- bei Erstellung eines Deskriptors in Verfahrensschritt D bei Erstellung des Vorhersagemodells und/oder bei der Rissdetektion solche Ortspunkte, welche auf einer Korngrenze liegen nicht oder mit einer gegenüber den übrigen Ortspunkten geringeren Gewichtung berücksichtigt werden und/oder
- bei Rekonstruktion des Risses, wie zuvor beschrieben, solche Ortspunkte, welche auf einer Korngrenze liegen, nicht oder mit einer gegenüber den übrigen Ortspunkten geringeren Gewichtung berücksichtigt werden.
Diese vorzugsweise Ausführungsform findet somit insbesondere bei Anwendung der erfindungsgemäßen Verfahren auf multikristalline Siliziumwafer Anwendung . Sofern die geometrische Lage der Korngrenzen vorbekannt oder aufgrund der zur Verfügung stehenden Messapparaturen einfach zu ermitteln ist, kann die Fehleranfälligkeit bei der Rissdetektion somit nochmals verringert werden, indem die Information über die Lage der Korngrenzen bei den erfindungsgemäßen Verfahren wie zuvor beschrieben verwendet wird.
Der verwendete Lernalgorithmus zur Erstellung des Vorhersagemodells bzw. zur Durchführung der Rissdetektion kann ein an sich bekannter Lernalgorithmus sein . Insbesondere liegt die Verwendung eines neuronalen Netzes, oder eines Bayes-Klassifikators oder einer Kernel-Maschine im Rahmen der Erfindung . Untersuchungen des Anmelders haben gezeigt, dass insbesondere die Verwendung einer Support- Vektor-Maschine-Algorithmus vorteilhaft ist. Dies ist darin begründet» dass die Support-Vektor-Maschine zur Lösung der Klassifikationsaufgabe die optimale Hyperebene zur Trennung der Merkmalsbeschreibungen der Klassen„Riss" und„Kein Riss" ermittelt. Hierdurch ergibt sich ein erheblicher Vorteil, denn die Trennfläche liegt optimal zwischen den Klassen. Merkmalsbeschreibungen, die nicht an der Klassengrenze liegen, haben keinen negativen Einfluss auf den Verlauf der Grenze. Um die Klassieraufgabe durch eine Trennebene lösen zu können, werden die Daten durch den sogenannten „Kernel-Trick" in einen höher dimensionalen Raum abgebildet. Dieses Vorgehen ist an sich bekannt und beispielsweise beschrieben in Bernhard Schölkopf, Alex Smola: Learning with Kernels: Support Vector Machines, Regularization, Opti- mization, and Beyond (Adaptive Computation and Machine Learning), MIT Press, Cambridge, MA, 2002, ISBN 0-262-19475-9.
Wie zuvor beschrieben, wird mittels des Lernalgorithmus der Zusammenhang zwischen der Merkmalsbeschreibung der Deskriptoren und der bekannten I nformationen, ob an dem gegebenen Ortspunkt ein Riss vorliegt oder nicht zur Ausbildung des Vorhersagemodells verwendet. Anhand des Vorhersagemodells können dann anschließend bei der Rissdetektion unbekannte Bildausschnitte bzw. die hierfür gebildeten Deskriptoren als Riss oder Nicht-Riss klassifiziert werden .
Bei dem erfindungsgemäßen Verfahren zur Rissdetektion ist es wie zuvor beschrieben vorteilhaft, in Verfahrensschritt E eine Risskonstruktion durchzuführen. Hierbei können die Rissstrukturen auf Basis von Struktureigenschaften der Region um den entsprechenden Prüfpunkt in der betrachteten Prüfregion rekonstruiert werden. Die Struktureigenschaften der zu dem Riss gehörenden Ortspunkte grenzen sich hierbei von Struktureigenschaften ab, welche nicht zu dem Riss gehören. Struktureigenschaften können hierbei Position, Intensitätswerte, Gradienten und Filterantworten sein.
Untersuchungen des Anmelders haben ergeben, dass vorteilhafterweise eine Mustererkennung unter Annahme einer stern- oder linienförmigen Struktur des Risses durchgeführt wird.
I nsbesondere ist es vorteilhaft, bei linien- oder sternförmigen Rissen die Rekonstruktion derart auszubilden, dass zunächst ein Risszentrum vorzugsweise wie zuvor bei der Beschreibung des Auffindens von Schlüssetpunkten erläutert, ermittelt und als Mittelpunkt einer Prüfregion definiert wird.
Anschließend werden Struktureigenschaften der Messpunkte der Prüfregion ex- trahiert. Die Beschreibung der um den Schlüsselpunkt liegenden Messpunkte wird mit der Beschreibung eines korrespondierenden Punktes eines sternförmigen Musters gemäß der an sich bekannten Mustererkennung verglichen. Strukturen, die eine ähnliche Struktur wie beispielsweise Orientierung wie die Bereiche des sternförmigen Musters zeigen, gehören somit mit hoher Wahrschein- lichkeit zum Riss und können entsprechend als zum Riss gehörig gewertet werden. Zur Berechnung der Ähnlichkeit der Struktureigenschaft kann vorteilhafterweise eine zusätzliche Gewichtung, beispielsweise über die Intensitätwerte des jeweiligen Ortspunktes, Gradienten oder einer entsprechenden Filterantwort erfolgen. Bei einer hohen Ähnlichkeit wird entschieden, ob der Ortspunkt zu einem Riss gehört. Diese Entscheidung kann beispielsweise mit dem an sich bekannten Verfahren der Hysterese ausgehend vom Risszentrum geschehen,
Untersuchungen des Anmelders haben ergeben, dass zur Beschreibung der Struktureigenschaft insbesondere die Orientierung und Intensität der Struktur geeignet ist.
Auch hier hat sich zur Berechnung der Orientierung die Filterung mit den zuvor beschriebenen anistropen Balkenfiltern in verschiedenen Orientierungen als vorteilhaft erwiesen, Vorteil hafterweise wird hierbei die maximale Filterantwort und dessen Orientierung als Information über die Struktur verwendet.
Weitere Merkmale und vorzugsweisen Ausgestaltungen der Erfindung werden im Folgenden anhand von Figuren und Ausführungsbeispielen erläutert. Dabei zeigt:
Figur 1 in Teilbild a) eine Photolumineszenzaufnahme eines multikristallinen
Siliziumwafers, welcher in etwa mittig einen Riss aufweist, wobei in Teiibild b) eine Ausschnittsvergrößerung der Region um den Riss abgebildet ist; Figur 2 eine Darstellung einer maximalen Filterantwort bei Anwendung eines Balkenfilters für die den Riss enthaltende Region;
Figur 3 in Teilbild a) ein ungeglättetes Orientierungshistogramm der Umgebung des Risses und in Teilbild b) das Orientierungshistogramm nach Glättung und
Figur 4 das Ergebnis nach Rissrekonstruktion.
Anhand der Figuren werden Ausführungsbeispiele des erfindungsgemäßen Verfahrens zur Bereitstellung eines Vorhersagemodells für eine Rissdetektion und des erfindungsgemäßen Verfahrens zur Rissdetektion erläutert.
Als Referenz-Halbleiterstruktur dient ein multikristalliner Siliziumwafer, der in etwa quadratisch ausgebildet ist, mit einer Kantenlänge von etwa 1 5,6 cm und einer Dicke von etwa 1 80 pm. Solche mikrokristallinen Siliziumwafer stellen ein typisches Ausgangsmaterial zur Herstellung photovoltaischer Solarzellen dar.
Zur Ausbildung dieser Halbleiterstruktur als Referenz-Halbleiterstruktur wurde etwa mittig eine Metallspitze, ein so genannter Stößel mittels eines Stößelautomaten aus einer vorgegebenen Fallhöhe in etwa mittig auf die Halbleiterstruktur fallengelassen, so dass sich ein Riss ausbildet und darüber hinaus die geometrische Lage, das heißt, die X- und Y-Koordinaten des Risszentrums, welches mit dem Auftreffpunkt der Metallspitze auf den Wafer übereinstimmt, bekannt ist.
Die derart präparierte Referenz-Halbleiterstruktur wird in einem Verfahrensschritt A bereitgestellt. Darüber hinaus sind wie zuvor beschrieben die Ortskoordinaten des Risszentrums bekannt und werden somit in einen Verfahrensschritt B als Rissdaten bereitgestellt.
In einem Verfahrensschritt C erfolgt die ortsaufgelöste Vermessung der Referenz-Halbleiterstruktur. Hierbei wird eine an sich bekannte Apparatur zur Photolumineszenz-Messung verwendet: Durch optische Anregung des Halbleiters mittels Bestrahlen mit elektromagnetischer Strahlung werden Elektronen-Loch- Paare generiert. Aufgrund der Rekombinationsprozesse wird von der Referenz- Halbleiterstruktur Photolumineszenzstrahlung emittiert, welche ortsaufgelöst mittels einer Silizium-CCD-Kamera vermessen wird. Als Ergebnis des Verfahrensschrittes C liegt somit für eine Vielzahl von rasterartig über die Oberfläche der Referenz-Halbleiterstruktur verteilten Messpunkte jeweils ein Messwert vor, welcher der Intensität der emittierten Photolumineszenzstrahlung für diesen Messpunkt entspricht oder zumindest mit der I ntensität korreliert.
Das Messergebnis ist in Figur 1 a dargestellt. Deutlich ist die hohe Ortsauflösung von ( 1 024x1 024) Punkten zu erkennen. Etwa mittig ist bereits ansatzweise eine sternförmige Rissstruktur zu erkennen. Die Region um die Rissstruktur wurde durch ein schwarzes Rechteck gekennzeichnet. Figur 1 b zeigt eine Ausschnittsvergrößerung dieses Rechtecks, bei welcher die Rissstruktur (innerhalb des eingezeichneten schwarzen Kreises) deutlicher zu erkennen ist.
Ebenso ist jedoch in den Figuren 1 a und 1 b ersichtlich, dass eine Vielzahl ande- rer Strukturen ähnliche Messwerte aufweist und es somit eine hohe Anforderung an das verwendete Verfahren stellt, die einem Riss zugehörigen Messpunkte anhand der Messsignale von den übrigen Messpunkten zu trennen.
Daher wird in dem Ausführungsbeispiel des erfindungsgemäßen Verfahrens in einem Verfahrensschritt D ein Vorhersagemodell mittels Trainieren eines Lernalgorithmus anhand der in Verfahrensschritt C ermittelten ortsaufgelösten Messdaten und der in Schritt B bereitgestellten Rissdaten erstellt:
Hierbei wäre es möglich, wie vorhergehend beschrieben für jeden Messpunkt jeweils einen Deskriptor zu erstellen und anschließend den Lernalgorithmus zu trainieren.
I n dem hier beschriebenen Ausführungsbeispiel erfolgt jedoch zunächst eine Detektion potentieller Risszentren zum Auffinden von Schlüsselpunkten, so dass die Bearbeitungsdauer und der Bearbeitungsaufwand erheblich eingeschränkt wird, da die nachfolgenden Schritte lediglich für die Schlüsselpunkte durchgeführt werden.
Hierbei sind grundsätzlich die zuvor beschriebenen Verfahren zum Auffinden von Schlüsselpunkten (so genannte Points-of-Interest, POI) anwendbar. Untersuchungen des Anmelders haben jedoch gezeigt, dass aufgrund der sternförmi- gen Struktur eines Risses insbesondere die Verwendung anisotroper Balkenfilter zum Auffinden von Schlüsselpunkten vorteilhaft ist. In dem vorliegenden Ausführungsbeispiel wird die zweite Ableitung des anisotropen Gaussfilters verwendet. Dieser Filter wird in verschiedenen Orientierungen erstellt, vorliegend in den
Orientierungen
Figure imgf000023_0001
Nach der Filterung der Messwerte werden die positiven Filterantworten der einzelnen Balkenfilter aufsummiert. H ierdurch ergibt sich insbesondere im Risszentrum , das heißt in diesem Punkt oder Bereich, in dem sich Risslinien kreu- zen, eine hohe Filterantwort. Um die potentiellen Risszentren weiter einzuschränken, werden solche Messpunkte extrahiert, deren aufsummierte Filterantworten einen vorgegebenen Schwellwert überschreiten, vorzugsweise gemäß nachfolgender Formel 1 :
Figure imgf000023_0002
Hierbei stellt A(x,y) die Summe der positiven Filterantworten des Bildes mit dem Balkenfilter bei verschiedenen Orientierungen für den Messpunkt mit Koordina- ten (x, y) dar. Jedem Messpunkt wird somit ein binärer Wert zugeordnet, welcher 1 gewählt ist, sofern die Filterantwort für diesen Messpunkt größer oder gleich eines Schwellwerts multipliziert mit der maximalen Filterantwort aller Messwerte ist. In den übrigen Fällen wird der Wert 0 zugeordnet. Durch die Wahl des Schwellwerts c wird somit die Empfindlichkeit reguliert, je größer c gewählt wird umso weniger Schlüsselpunkte ergeben sich und umgekehrt. Der Schwellwert c wird wird empirisch ermittelt, vorzugsweise so, dass alle Risszentren enthalten sind. Es hat sich gezeigt, dass Risszentren in der Regel sehr hohe Werte aufweisen, I n Figur 2 ist eine Bearbeitung der Messdaten dargestellt, in dem die jeweils aufsummierten Filterantworten für jeden Pixel dargestellt sind . Deutlich ist zu sehen , dass sich ein besonders hoher Wert im Risszentrum ergibt. Anschließend werden vorzugsweise zusammenhängende Strukturen auf einen Ortspunkt reduziert. Dies geschieht in an sich bekannter Weise mittels einer morphologischen Operation, bei der Objekte gelocht zu Punkten geschrumpft werden. Das Ergebnis, das heißt die dann verbleibenden Punkte, stellen
Schlüsselpunkte dar, wobei jeder dieser Schlüsselpunkte potentiell ein Risszentrum ist.
Für jeden Schlüsselpunkt erfolgt nun in einem Verfahrensschritt D1 jeweils die Erstellung eines Deskriptors. Sukzessive wird somit jeder Schlüsselpunkt als Deskriptorpunkt ausgewählt, jeweils eine Prüfregion für den Deskriptorpunkt vorgegeben und ein Deskriptor erstellt.
Im Folgenden werden zwei Varianten der Deskriptorerstellung beschrieben: Zum einen die Deskriptorerstellung mittels Gradienten und zum anderen die De- skriptorerstellung mittels Balkenfilter.
Bei der Deskriptorerstellung in einer ersten Variante des Ausführungsbeispiels mittels Gradienten erfolgt die Erstellung analog zu der an sich bekannten
GLOH-Methode. Zunächst werden Gradientenorientierungen betrachtet. Da aber ein Rauschen in den Messwerten einen starken Einfluss auf die Gradienten aufweist, erfolgt zunächst eine Glättung der Messwerte durch Anbinden eines Gauss-Filters. Dieses Vorgehen ist an sich bekannt. Durch die Faltung der Messdaten mit der Ableitung des Gauss-Filters in x- sowie in y-Richtung werden die Messdaten geglättet und gleichzeitig die Gradienten in x- und y- Richtung ermittelt. Hieraus wird die Orientierung und Amplitude des Gradientenvektors für die gewünschte Position (x, y) ermittelt. Die Orientierung im zweidimensionalen Raum kann mit den Werten [0,2 ττ] dargestellt werden.
In Verfahrensschritt D1 des Ausführungsbeispiels wird somit für jeden Schlüs- selpunkt zunächst eine Prüfregion definiert. Diese wird in dem vorliegenden Beispiel als Kreis um den Schlüsselpunkt mit einem Radius von 40 Pixeln (Messpunkten) definiert. Anschließend wird für jeden Messpunkt, welcher innerhalb der Prüfregion liegt, wie zuvor beschrieben die Gradientenorientierung und die Gradientenamplitude in einem Verfahrensschritt B1 .1 ermittelt. Zur Ausrichtung der Gradientenorientierungen entsprechend der Struktur um den Schlüsselpunkt wird zunächst die Orientierung der Struktur um den Schlüsselpunkt wie folgt bestimmt; Die zuvor ermittelten Gradientenorientierungen innerhalb der Prüfregion werden in einem Orientierungshistogramm abgebildet, welches beispielsweise 36 Bins aufweist, das heißt 36 einzelne Kategorien die jeweils einen gleichmäßigen Orientierungsbereich abdecken. Das Ergebnis solch einer Einteilung ist in Figur 3a dargestellt. Hierbei kann der Fall auftreten, dass zwischen zwei Bins mit maxi- malen Wert ein Bin mit niedrigem Wert liegt. Vorzugsweise wird ei ne solche Orientierung mit niedrigem Wert nicht zur Berechnung der Keypointorientierung mit einbezogen. Es ist daher vorteilhaft, das Histogramm zu glätten mit an sich bekannten Methoden. Das Ergebnis solch einer Glättung ist in Figur 3b dargestellt. Um nun ein rotationsinvariantes Ergebnis, das heißt einen rotationsinvarianten Deskriptor für den Schlüsselpunkt zu erhalten , wird die Prüfregion um die zuvor bestimmte Orientierung am Schlüsselpunkt gedreht. Je nach Art der Deskriptorerstellung kann dies indirekt durch eine Korrektur der Gradientenorientierung und des Deskriptors entsprechend der Schlüsselpunktorientierung erfolgen.
Hiervon ausgehend wird für den Schlüssetpunkt-Deskriptor für den Schlüsselpunkt, welcher insbesondere abhängig von den Messdaten der Messpunkte innerhalb der Prüfregion bestimmt wurde. Es wurden bisher somit die Schlüsselpunkte bestimmt, deren Orientierung berechnet und die Prüfregion entsprechend der Schlüsselpunktorientierung gedreht. Dieses Vorgehen ist an sich bekannt und beispielsweise in (Lowe, D. G., Distinctive Image features from scale-invariant keypoints. International Journal of Computer Vision, 2004: p, 91- 1 10. ) beschrieben.
Anschließend wird nun für jeden Schlüsselpunkt ein Deskriptor erstellt: Dies kann analog zu der an sich bekannten GLOH-Methode erfolgen. Eine einfache Möglichkeit der Deskriptorerstellung ist zum Beispiel die Erstellung eines Merkmalsvektors anhand der Gradientenorientierungen. Jeder Orien- tierung oder Orientierungsbereich stellt ein Merkmal dar. Die Ausprägung des Merkmals einer bestimmten Orientierung ergibt sich aus der Summe der Gradientenamplituden mit dieser Orientierung,
Ergänzend zu dieser vorgenannten Erstellung des Deskriptors sind auch an sich bekannte Sampling-Verfahren anwendbar. Hierbei ist insbesondere das polare Sampling vorteilhaft, da die zu untersuchenden Risse typischerweise höhere Gradientenamplituden nahe des Risszentrums gegenüber den weiter entfernt liegenden Messpunkten aufweisen. Daher ist ein polares Sampling» dessen Zentrum mit dem Schlüsselpunkt übereinstimmt, insbesondere vorteilhaft. Ein weiterer Vorteil ist, dass die oben erwähnte Drehung der Prüfregion entsprechend der Schlüsselpunktorientierung in polaren Koordinaten einfach umgesetzt werden kann,
Eine zusätzliche Verbesserung der Deskiptorerstellung erfolgt analog zu GLOH durch die Einteilung der Prüfregion in unterschiedliche Gebiete, Für jedes Teilgebiet wird ein Merkmalsvektor erstellt. Der Deskriptor ergibt sich dann aus einer Kombination der Merkmalsvektoren der verschiedenen Teilgebiete. Hieraus ergeben sich zusätzliche Informationen über die Struktur der Region, welche von großem Vorteil für die Unterscheidung von Rissen und anderen Strukturen sind.
Untersuchungen des Anmelders haben ergeben, dass es vorteilhaft ist, in einer Variante zu der zuvor beschriebenen Verwendung der Gradienten zur Erstellung der Deskriptoren die Filterantworten des zuvor beschriebenen Balkenfilters zur Berechnung der Deskriptoren zu verwenden. Hierzu wird anstelle der Gradientenorientierung die Orientierung des Balkenfilters gewählt, welches die maximale Filterantwort erzeugt.
Analog zu dem zuvor beschriebenen Vorgehen wird anstelle der Gradientenamplitude die entsprechende Intensität der maximalen Filterantwort gewählt. Der Unterschied dieser Variante zu der Variante bei Verwendung von Gradienten zeigt sich insbesondere in der Amplitudenmatrix: Während bei der Variaten unter Verwendung der Gradienten die Ränder der Risse maximale Werte aufweisen, weist bei der Variante mit Verwendung der Filterantwort des Balkenfilters der Riss selber den maximalen Wert auf. Grundsätzlich unterscheidet sich diese Variante der Deskriptorenbildung von der zuvor beschriebenen lediglich in der Wahl der Eingabe: Statt der Gradientenwerte der den Schlüsselpunkt umgebenden Prüfregion wird nun die Filterantwort des anisotropen Balkenfilters verwendet. Der restliche Ablauf erfolgt analog.
Unabhängig von der gewählten Variante wird abschließend in einem Verfahrensschritt D2 ein Lernalgorithmus mittels der erstellten Deskriptoren und der in Verfahrensschritt B bereitgestellten Rissdaten trainiert,
Untersuchungen des Anmelders haben ergeben, dass insbesondere eine Support-Vektor-Maschine zuverlässig einsetzbar ist.
Ergebnis dieses Ausführungsbeispiels des erfindungsgemäßen Verfahrens ist somit ein mittels Trainieren der Support-Vektor-Maschine erstelltes Vorhersagemodell,
In einem zweiten Ausführungsbeispiel wird nun ein Ausführungsbeispiel eines erfindungsgemäßen Verfahrens zur Rissdetektion beschrieben.
Hierzu wird das zuvor beschriebene Vorhersagemodell verwendet.
In einem Verfahrensschritt A erfolgt ein Bereitstellen einer Halbleiterstruktur und in einem Verfahrensschritt B wird das zuvor beschriebene Vorhersagemodell bereitgestellt.
Anschließend erfolgt im Verfahrensschritt C eine ortsaufgelöste Vermessung der Halbleiterstruktur. Diese erfolgt vorzugsweise analog zu der bei der ersten Ausführungsform beschriebenen ortsaufgelösten Photolumineszenzmessung gemäß dem dort beschriebenen Verfahrensschritt C.
I m Ergebnis liegen somit für eine Vielzahl von örtlichen Messpunkten der Halbleiterstruktur Messdaten vor, welche mit der jeweils örtlichen Intensität der erzeugten Photolumineszenzstrahlung korrelieren. In einem Verfahrensschritt D erfolgt die Bestimmung für mindestens einen örtlichen Prüfpunkt, ob sich an diesem Prüfpunkt ein Riss befindet.
Auch hierbei ist es grundsätzlich möglich, beispielsweise für jeden der Mess- punkte eine solche Bestimmung durchzuführen.
Besonders vorteilhaft ist es jedoch, wie zuvor beschrieben auch bei der Rissde- tektion zunächst Schlüsselpunkte zu bestimmen und die vorgenannte Prüfung lediglich für die ermittelten Schlüsselpunkte durchzuführen. Die Bestimmung der Schlüsselpunkte kann dabei wie zu dem ersten Ausführungsbeispiel beschrieben erfolgen.
Für jeden Prüfpunkt erfolgt in einem Verfahrensschritt D1 das Erstellen eines Deskriptors, in dem für den Prüfpunkt eine Prüfregion vorgegeben oder ermittelt wird. Diese Deskriptorerstellung erfolgt gleich wie zuvor bei dem ersten Ausführungsbeispiel beschrieben.
Im Unterschied zum ersten Ausführungsbeispiel erfolgt bei der Rissdetektion in einem Verfahrensschritt D2 ein Anwenden des Vorhersagemodells derart, dass mittels des Deskriptors und des Vorhersagemodells bestimmt wird, ob sich an dem Prüfpunkt ein Riss befindet. Mittels des Vorhersagemodells ist somit eine Klassifizierung möglich, in dem entsprechende Schlüsselpunkte als einem Riss zugehörige oder nicht einem Riss zugehörige Punkte klassifiziert werden. In dem hier beschriebenen zweiten Ausführungsbeispiel des erfindungsgemäßen Verfahrens erfolgt anschließend eine Rissrekonstruktion für die in Verfahrensschritt D als einem Riss zugehörig klassifizierten Schlüsselpunkte;
Die Risskonstruktion erfolgt mit der an sich bekannten Methode der Hysterese: Beginnend bei dem Schlüsselpunkt, welcher typischerweise das Risszentrum ist, wird Messpunkt für Messpunkt der Riss in seiner ursprünglichen Form rekonstruiert. Der Rekonstruktion liegt die Annahme zugrunde, dass sich der Riss sternförmig ausbreitet und hierauf basierend wird die Ähnlichkeit der Rissumgebung mit einem sternförmigen Muster ermittelt. Ein Messpunkt in der Umgebung des Risszentrums gehört somit mit hoher Wahrscheinlichkeit zu dem Riss, falls dieser Messpunkt auf einer Balkenstruktur liegt, welche sich ausgehend vom Risszentrum ausbreitet. Es ist daher vorteilhaft, zur Rekonstruktion für jeden Ortspunkt die Orientierung und Filterantwort eines Balkenfilters wie zuvor beschrieben zu berechnen, Die Orientierungen der Messpunkte in der Umgebung des Risszentrums werden mit den Orientierungen eines Sternmusters verglichen. Hierbei kann vorzugsweise als Ähnlichkeitsmaß der Kosinus zwischen den Winkeldifferenzen berechnet und mit der Amplitude der jeweiligen Filterantwort gewichtet werden. Vorzugsweise wird zusätzlich das sich ergebende Bild, welches durch die Hysterese entsteht, auf seine morphologischen Eigenschaften überprüft. Insbesondere ist es vorteilhaft, die Fläche, die Orientierung sowie die Länge des Risses für eine Korrelation mit der Stabilität der Wafer heranzuziehen. Das Ergebnis einer solchen Rissrekonstruktion ist in Figur 4 dargestellt.

Claims

Ansprüche
1 . Verfahren zur Bereitstellung eines Vorhersagemodells für eine Rissdetektion an einer Halbleiterstruktur, welche Halbleiterstruktur eine photovoltaische Solarzelle, eine Vorstufe einer photovoitaischen Solarzelle im HersteNungs- prozess, insbesondere Halbleitermaterial zur Herstellung einer Solarzelle, ist,
folgende Verfahrensschritte umfassend:
A. Bereitstellen einer Referenz-Halbleiterstruktur, welche Referenz- Halbleiterstruktur mindestens einen Riss aufweist;
B. Bereitstellen von Rissdaten zu dem mindestens einen Riss, welche Rissdaten geometrische Ortsdaten hinsichtlich der Lage des Risses auf der Referenz-Halbleiterstruktur umfassen;
C. Ortsaufgelöste Vermessung der Referenz-Halbleiterstruktur durch ortsaufgelöste Messung für eine Mehrzahl von örtlichen Messpunkten von in der Halbleiterstruktur erzeugter Photolumineszenzstrahlung und/oder ortsaufgeiöster Messung der I R-Absorption der Halbleiterstruktur und
D. Erstellen eines Vorhersagemodells mittels Trainieren eines Lernalgorithmus anhand der in Verfahrensschritt C ermittelten ortsaufgelösten Messdaten und der in Verfahrensschritt B bereitgestellten Rissdaten, wobei das Trainieren des Lernalgorithmus folgende Verfahrensschritte umfasst:
D1 Erstellen mindestens eines Deskriptors für mindestens einen örtlichen Deskriptorpunkt, indem für den Deskriptorpunkt eine Prüfregion vorgegeben oder ermittelt wird und anhand der Messdaten innerhalb der Prüfregion der Deskriptor erstellt wird, welcher Deskriptor ein Merkmalsvektor und/oder eine Merkmalsverteilung und/oder ein Merkmalshistogramm ist und
D2 Trainieren des Lernalgorithmus mittels des Deskriptors und der Rissdaten.
2. Verfahren zur Rissdetektion an einer Halbieiterstruktur, weiche Halbleiterstruktur eine photovoltaische Solarzelle, eine Vorstufe einer photovolta- ischen Solarzelle im Herstellungsprozess, insbesondere Haibieitermaterial zur Herstellung einer Solarzelle, ist,
folgende Verfahrensschritte umfassend:
A. Bereitstellen der Halbleiterstruktur;
B. Bereitstellen eines Vorhersagemodells, welches Vorhersagemodell durch Trainieren eines Lernalgorithmus erstellt wurde, vorzugsweise gemäß Anspruch 1 ;
C. Ortsaufgelöste Vermessung der Halbleiterstruktur durch ortsaufgelöste Messung für eine Mehrzahl von örtlichen Messpunkten von in der Halbleiterstruktur erzeugter Photolumineszenzstrahlung und/oder orstaufgelöster Messung der iR-Absorption der Halbleiterstruktur;
D. Bestimmung für mindestens einen örtlichen Prüfpunkt, ob sich an diesem Prüfpunkt ein Riss befindet, folgende Verfahrensschritte umfassend:
D1 Ersteilen mindestens eines Deskriptors für den Prüfpunkt, indem für den Prüfpunkt eine Prüfregion vorgegeben oder ermittelt wird und anhand der Messdaten innerhalb der Prüfregion der Deskriptor erstellt wird, welcher Deskriptor ein Merkmalsvektor und/oder eine Merkmalsverteilung und/oder ein Merkmalshistogramm ist und
D2 Bestimmung mittels des Deskriptors und des Vorhersagemodeiis, ob sich an dem Prüfpunkt ein Riss befindet.
3. Verfahren nach Anspruch 2,
dadurch gekennzeichnet,
dass bei Detektion eines Risses gemäß Verfahrensschritt D in einem Verfahrensschritt E eine Rissrekonstruktion erfoigt, indem die geometrischen Daten der Rissausprägung ermittelt werden.
4. Verfahren nach Anspruch 3,
dadurch gekennzeichnet,
dass in Verfahrensschritt E für eine örtliche Rekonstruktionsregion um den Prüfpunkt für jeden Messpunkt innerhalb der Rekonstruktionsregion eine Orientierung ermittelt wird und mittels eines Ähnlichkeitsvergleiches mit einem sternförmtgen Muster durch Mustererkennung die dem Riss zugehörige Messpunkte ermittelt werden.
5. Verfahren nach einem der vorangegangenen Ansprüche,
dadurch gekennzeichnet,
dass in Verfahrensschritt D1 gemäß Anspruch 1 der mindestens eine Deskriptorpunkt und/oder in Verfahren gemäß Anspruch 2 der mindestens ein Prüfpunkt mittels eines Verfahrens zur Auffindung von Schlüsselpunkten bestimmt wird, vorzugsweise gemäß mindestens einem der Verfahren SI FT, GLOH und/oder SURF.
6. Verfahren nach Anspruch 5,
dadurch gekennzeichnet,
dass das Bestimmen des mindestens einen Schlüsselpunktes mittels eines orientierungssteuerbaren Filters erfolgt, vorzugsweise mittels eines Baikenfilters insbesondere unter Verwendung einer Ableitung, bevorzugt der zweiten Ableitung, eines Gaussfilters.
7. Verfahren nach einem der vorangegangenen Ansprüche,
dadurch gekennzeichnet,
dass der Deskriptor in Verfahrensschritt D1 gemäß Anspruch 1 und/oder Anspruch 2 ermittelt wird gemäß mindestens einem der Verfahren SIFT, GLOH HOG, LESH und/oder SURF und/oder
dass zur Erstellung des Deskriptors die maximale Filterantwort und Orientierung eines skalierbaren und rotierbaren Filters, vorzugsweise eines Balkenfilters verwendet wird.
8. Verfahren nach Anspruch 7,
dadurch gekennzeichnet,
dass der Deskriptor folgende Verfahrensschritte umfassend erstellt wird:
D1 .1 Bestimmung einer Amplitude und einer Orientierung für jeden Orts punkt der Prüfregion, vorzugsweise durch ermittein einer Kenngröße für jeden Messpunkt der Prüfregion, welche Kenngröße weiter bevorzugt der Gradient des Messwertes für den jeweiligen Messpunkt oder die maximale Filterantwort und Orientierung eines steuerbaren Filters für den jeweiligen Messpunkt ist;
D1 .2 Erstellung eines Merkmalhistogramms für zumindest ausgewählte Schlüsselpunkte der Prüfregion.
9. Verfahren nach Anspruch 8,
dadurch gekennzeichnet,
dass zusätzlich eine Risshauptorientierung ermittelt wird und
dass eine Korrektur des Merkmalhistogramms anhand der Risshauptorientierung erfolgt, um ein rotaionsinvariantes Merkmalhistogramm zu erhalten.
10. Verfahren nach einem der Ansprüche 8 bis 9,
dadurch gekennzeichnet,
dass die Risshauptorientierung zwischen Verfahrensschritt D1 .1 und D1 .2 ermittelt wird und
dass in Verfahrensschritt D1 .2 das Merkmalhistogramm durch Abtasten der Messpunkte innerhalb der Prüfregion mittels eines Abtastalgorithmus gemäß GLOH und/oder SI FT und/oder einer Variante von GLOH oder SI FT erfolgt.
1 1 . Verfahren nach einem der vorangegangenen Ansprüche,
dadurch gekennzeichnet,
dass die Prüfregion in Verfahrensschritt D1 gemäß Anspruch 1 und/oder gemäß Anspruch 2 folgende Verfahrensschritte umfassend bestimmt wird:
- Bestimmung mindestens eines örtlichen Schiüsselpunktes gemäß einem der Ansprüche 5 bis 6,
Bestimmung der Messpunkte innerhalb der Prüfregion anhand einer vorgegebenen geometrischen Ausdehnung der Prüfregion um den Schlüsselpunkt, vorzugsweise einer rechteckigen, elliptischen oder kreisförmigen Prüfregion, deren Mittelpunkt der Schlüsselpunkt ist.
12. Verfahren nach einem der vorangegangenen Ansprüche,
dadurch gekennzeichnet,
dass die geometrische Lage von Korngrenzen als Korngrenzendaten innerhalb der Halbieiterstruktur vorgegeben und/oder mittels eines ortsaufgelös- ten Messverfahrens ermittelt werden und
dass eine Gewichtung abhängig von den Korngrenzendaten erfolgt, indem
- bei Bestimmung eines Schlüsselpunktes gemäß Anspruch 5 solche Ortspunkte, welche auf einer Korngrenze liegen, nicht als Schlüsselpunkt gewählt werden oder bei Bestimmung des Schlüsselpunktes mit einer gegenüber den übrigen Ortspunkten geringeren Gewichtung versehen werden und/oder
- bei Erstellung eines Deskriptors in Verfahrensschritt D gemäß An- spruchl und/oder 2 solche Ortspunkte, welche auf einer Korngrenze liegen nicht oder mit einer gegenüber den übrigen Ortspunkten geringeren Gewichtung berücksichtigt werden und/oder
- bei Rekonstruktion des Risses gemäß Anspruch 3 solche Ortspunkte, welche auf einer Korngrenze liegen, nicht oder mit einer gegenüber den übrigen Ortspunkten geringeren Gewichtung berücksichtigt werden.
13, Verfahren nach einem der vorangegangenen Ansprüche,
dadurch gekennzeichnet,
dass der Lernalgorithmus ein Neuronales Netz oder ein Bayes-Klassifikator oder ein auf einer Kernel-Maschine beruhenden Lernalgorithmus, insbesondere bevorzugt ein Support-Vektor-Maschine-Algorithmus ist.
14. Vorrichtung zur Rissdetektion an einer Halbleiterstruktur, welche Halbleiterstruktur eine photovoltaische Solarzelle oder eine Vorstufe einer photo- voitaischen Solarzelle im Herstellungsprozess, einschließlich des Halbleiter- Rohmaterials, ist,
umfassend eine Messeinheit zur ortsaufgelöster Messung von in der Halb- ieiterstruktur erzeugter Lumineszenzstrahlung und/oder ortsaufgelöster Messung der IR-Absorption der Halbleiterstruktur und eine Auswerteeinheit zur Rissdetektion anhand von mittels der Messeinheit ermittelter ortsaufgelöster Messdaten,
dadurch gekennzeichnet,
dass die Auswerteeinheit ausgebildet ist zur Rissdetektion gemäß einem der Ansprüche 2 bis 13.
PCT/EP2012/061496 2011-06-17 2012-06-15 Verfahren zur bereitstellung eines vorhersagemodells für eine rissdetektion und verfahren zur rissdetektion an einer halbleiterstruktur Ceased WO2012172073A1 (de)

Priority Applications (3)

Application Number Priority Date Filing Date Title
DE112012002509.1T DE112012002509B4 (de) 2011-06-17 2012-06-15 Verfahren zur Bereitstellung eines Vorhersagemodells für eine Rissdetektion, Verfahren zur Rissdetektion an einer Halbleiterstruktur und Vorrichtung zur Rissdetektion an einer Halbleiterstruktur
CN201280038885.3A CN103733322B (zh) 2011-06-17 2012-06-15 提供裂纹检测用预测模型的方法和检测半导体结构上的裂纹的方法
HU1400302A HUP1400302A1 (hu) 2011-06-17 2012-06-15 Eljárás repedésdetektálásra szolgáló prediktív modell létrehozására, valamint eljárás félvezetõszerkezeten való repedésdetektálásra

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102011105182A DE102011105182A1 (de) 2011-06-17 2011-06-17 Verfahren zur Bereitstellung eines Vorhersagemodells für eine Rissdetektion und Verfahren zur Rissdetektion an einer Halbleiterstruktur
DE102011105182.5 2011-06-17

Publications (1)

Publication Number Publication Date
WO2012172073A1 true WO2012172073A1 (de) 2012-12-20

Family

ID=46384360

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/EP2012/061496 Ceased WO2012172073A1 (de) 2011-06-17 2012-06-15 Verfahren zur bereitstellung eines vorhersagemodells für eine rissdetektion und verfahren zur rissdetektion an einer halbleiterstruktur

Country Status (4)

Country Link
CN (1) CN103733322B (de)
DE (2) DE102011105182A1 (de)
HU (1) HUP1400302A1 (de)
WO (1) WO2012172073A1 (de)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102015119360A1 (de) 2015-11-10 2017-05-11 Albert-Ludwigs-Universität Freiburg Verfahren und Vorrichtung zur Prüfung der Kontaktierungsgüte eines elektrischen Kontaktes zwischen einer Solarzelle und einer Kontaktierungseinheit

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105869164A (zh) * 2016-03-28 2016-08-17 国网浙江省电力公司宁波供电公司 一种开关分合状态检测方法及系统
CN106814086B (zh) * 2016-12-07 2019-12-27 青岛海尔股份有限公司 内胆开裂分析方法
EP3367166A1 (de) * 2017-02-24 2018-08-29 ASML Netherlands B.V. Verfahren zur messung einer variation, inspektionssystem, computerprogramm und computersystem
CN110431395A (zh) * 2017-03-13 2019-11-08 通用电气公司 疲劳裂纹增长预测
CN107389697B (zh) * 2017-07-10 2019-08-30 北京交通大学 一种基于半交互式的裂缝检测方法
EP3569147B1 (de) * 2018-05-16 2021-07-21 Siemens Healthcare GmbH Verfahren und vorrichtung zum bestimmen einer geometriekalib-rierung für eine bildgebende vorrichtung sowie verfahren zum bestimmen von zuordnungsdaten für die geometriekalibrierung
CN108986086A (zh) * 2018-07-05 2018-12-11 福州大学 印刷显示面板喷墨打印像素缺陷检测与分类方法及其装置
EP3627568B1 (de) * 2018-09-21 2024-03-27 Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V. Verfahren zur verarbeitung von abbildungen von halbleiterstrukturen, sowie zur prozesscharakterisierung und prozessoptimierung mittels semantischer datenkompression

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH07201946A (ja) * 1993-12-28 1995-08-04 Hitachi Ltd 半導体装置等の製造方法及びその装置並びに検査方法及びその装置
DE19914115A1 (de) * 1998-04-20 1999-11-04 Gfai Ges Zur Foerderung Angewa Verfahren und System zur Fehleranalyse bei polykristallinen Wafern, Solarzellen und Solarmodulen, insbesondere zur Bestimmung der prozeß- und strukturbedingten mechanischen Spannungen
US6539106B1 (en) * 1999-01-08 2003-03-25 Applied Materials, Inc. Feature-based defect detection
US7096207B2 (en) * 2002-03-22 2006-08-22 Donglok Kim Accelerated learning in machine vision using artificially implanted defects

Non-Patent Citations (13)

* Cited by examiner, † Cited by third party
Title
BAY, H.; TUYTELAARS, T.; GOOL, L.V.: "SURF: Speeded Up Robust Features", PROCEEDINGS OF THE NINTH EUROPEAN CONFERENCE ON COMPUTER VISION, May 2006 (2006-05-01)
BERNHARD SCHÖLKOPF; ALEX SMOLA: "Learning with Karnels: Support Vector Machines, Regutarization, Optimization, and Beyond (Adaptive Computation and Machine Learning", 2002, MIT PRESS, CAMBRIDGE. MA
C. HARRIS; M. STEPHENS: "A combined corner and edge detector", PROCEEDINGS OF THE 4TH ALVEY VISION CONFERENCE, 1988, pages 147 - 151
DAVID G.: "Object recognition from local scale-invariant features", PROCEEDINGS OF THE INTERNATIONAL CONFERENCE ON COMPUTER VISION, vol. 2, 1999, pages 1150 - 1157
DEMANT M ET AL: "Analysis of luminescence images applying pattern recognition techniques", EU PVSEC PROCEEDINGS : 25TH EUROPEAN PHOTOVOLTAIC SOLAR ENERGY CONFERENCE AND EXHIBITION / 5TH WORLD CONFERENCE ON PHOTOVOLTAIC ENERGY CONVERSION, 6-10 SEPTEMBER 2010, VALENCIA, SPAIN, WIP-RENEWABLE ENERGIES, DE, 1 September 2010 (2010-09-01), pages 1078 - 1082, XP009162280, ISBN: 978-3-936338-26-3 *
H. SCHULZ-MIRBACH: "Dissertation", February 1995, VDI-VERLAG, article "Anwendung von Invarianzprinzipien zur Merkmalgewinnung in der Mustererkennung"
J.MALIK: "Contour and Texture Analysis for Image Segmentation", INTERNATIONAL JOURNAL OF COMPUTER VISION, vol. 43, no. 1, 2001, pages 7 - 27, XP009039552, DOI: doi:10.1023/A:1011174803800
KRYSTIAN MIKOLAJCZYK; CORDELIA SCHMID: "A performance evaluation of local descriptors", IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE, vol. 10, no. 27, 2005, pages 1615 - 1630
LI BIN ET AL: "Automatic inspection of surface crack in solar cell images", CONTROL AND DECISION CONFERENCE (CCDC), 2011 CHINESE, IEEE, 23 May 2011 (2011-05-23), pages 993 - 998, XP031909684, ISBN: 978-1-4244-8737-0, DOI: 10.1109/CCDC.2011.5968329 *
LÖWE, D.G.: "Distinctive image features from scate-invariant keypoints", INTERNATIONAL JOURNAL OF COMPUTER VISION, 2004, pages 91 - 110
MONASTYRSKYI, A. ET AL.: "Resonance Ultrasonic Vibrations for ln-Line Crack Detection in Silicon Wafers and Solar Cells", PROCEEDINGS OF 33RD PVSC, pages 2008
SARFRAZ, S.; HELLWICH, O.: "Head Pose Estimation in Face Recognition across Pose Scena rios", PROCEEDINGS OF VISAPP 2008, INT. CONFERENCE ON COMPUTER VISION THEORY AND APPLICATIONS, MADEIRA, PORTUGAL, January 2008 (2008-01-01), pages 235 - 242
TRUPKE, T.: "Progress with luminescence imaging for the characterisation of silicon wafers and soler cells", PROCEEDINGS OF THE 22ND EUROPEAN PHOTOVOLTAIC SOLAR ENERGY CONFERENCE, pages 2007

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102015119360A1 (de) 2015-11-10 2017-05-11 Albert-Ludwigs-Universität Freiburg Verfahren und Vorrichtung zur Prüfung der Kontaktierungsgüte eines elektrischen Kontaktes zwischen einer Solarzelle und einer Kontaktierungseinheit

Also Published As

Publication number Publication date
CN103733322A (zh) 2014-04-16
DE102011105182A1 (de) 2012-12-20
DE112012002509B4 (de) 2024-12-24
HUP1400302A1 (hu) 2014-10-28
CN103733322B (zh) 2017-11-24
DE112012002509A5 (de) 2014-12-04

Similar Documents

Publication Publication Date Title
DE112012002509B4 (de) Verfahren zur Bereitstellung eines Vorhersagemodells für eine Rissdetektion, Verfahren zur Rissdetektion an einer Halbleiterstruktur und Vorrichtung zur Rissdetektion an einer Halbleiterstruktur
DE2823490C2 (de)
Marcos et al. Automated pollen identification using microscopic imaging and texture analysis
DE202022101590U1 (de) Ein System zur Klassifizierung von Fernerkundungsbildern unter Verwendung fusionierter Faltungsmerkmale mit maschinellem Lernen
DE112020005932T5 (de) Systeme und verfahren zur segmentierung von transparenten objekten mittels polarisationsmerkmalen
DE19521346C2 (de) Bilduntersuchungs/-Erkennungsverfahren, darin verwendetes Verfahren zur Erzeugung von Referenzdaten und Vorrichtungen dafür
DE60307583T2 (de) Auswertung der Schärfe eines Bildes der Iris eines Auges
Li et al. Soft measurement of wood defects based on LDA feature fusion and compressed sensor images
DE102013005489B4 (de) Verfahren und Vorrichtung zur automatischen Fehlerstellenerkennung bei biegeschlaffen Körpern
DE102009051826A1 (de) Verfahren zum Vergleichen der Ähnlichkeit von 3D-bildlichen Objekten
DE69322095T2 (de) Verfahren und gerät zur identifizierung eines objekts mittels eine geordneten folge von grenz-pixel-parametern
DE112019005143T5 (de) System zur co-registrierung medizinischer bilder unter verwendung eines klassifikators
CN108765412A (zh) 一种带钢表面缺陷分类方法
DE102016120775A1 (de) System und Verfahren zum Erkennen von Linien in einem Bild mit einem Sichtsystem
CN107230203A (zh) 基于人眼视觉注意机制的铸件缺陷识别方法
CN106651856A (zh) 一种泡沫镍表面缺陷的检测方法
DE202009013865U1 (de) Konzept zum Auswählen eines optimierten Bewertungsmerkmalsteilsatzes für eine Inspektion von Freiformoberflächen und Konzept zum Inspizieren einer Freiformoberfläche
CN105931225A (zh) 一种基于实时图像检测技术分析晶体生长形状和尺寸分布的方法
DE102015122116A1 (de) System und Verfahren zur Ermittlung von Clutter in einem aufgenommenen Bild
CN108364011A (zh) PolSAR图像多级特征提取与无监督分类方法
CN115953352A (zh) 基于网络模型的花生种子精选评估与分级方法
Patki et al. A review: Cotton leaf disease detection
EP3663976A1 (de) Verfahren zur erfassung von fingerabdrücken
DE112015006015T5 (de) Zellanalysevorrichtung und Verfahren
Joshi et al. Detection and classification of plant diseases using soft computing techniques

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 12729944

Country of ref document: EP

Kind code of ref document: A1

WWE Wipo information: entry into national phase

Ref document number: 112012002509

Country of ref document: DE

Ref document number: 1120120025091

Country of ref document: DE

122 Ep: pct application non-entry in european phase

Ref document number: 12729944

Country of ref document: EP

Kind code of ref document: A1

REG Reference to national code

Ref country code: DE

Ref legal event code: R225

Ref document number: 112012002509

Country of ref document: DE

Effective date: 20141204