[go: up one dir, main page]

CN118379250A - 模型训练方法、晶圆缺陷检测的方法、检测系统、装置及其计算机程序产品 - Google Patents

模型训练方法、晶圆缺陷检测的方法、检测系统、装置及其计算机程序产品 Download PDF

Info

Publication number
CN118379250A
CN118379250A CN202410460618.XA CN202410460618A CN118379250A CN 118379250 A CN118379250 A CN 118379250A CN 202410460618 A CN202410460618 A CN 202410460618A CN 118379250 A CN118379250 A CN 118379250A
Authority
CN
China
Prior art keywords
wafer
detection
image
gray
threshold
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.)
Pending
Application number
CN202410460618.XA
Other languages
English (en)
Inventor
倪赛健
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.)
Jiangling Technology Shanghai Co ltd
Original Assignee
Jiangling Technology Shanghai Co ltd
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 Jiangling Technology Shanghai Co ltd filed Critical Jiangling Technology Shanghai Co ltd
Priority to CN202410460618.XA priority Critical patent/CN118379250A/zh
Publication of CN118379250A publication Critical patent/CN118379250A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • 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
    • G06T7/0008—Industrial image inspection checking presence/absence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30148—Semiconductor; IC; Wafer
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

本发明公开了一种模型训练方法、晶圆缺陷检测的方法、检测系统、装置及其计算机程序产品。其中，所述晶圆检测的模型训练方法，包括：在待测晶圆的检测图像上选中多个检测子单元；在检测子单元中选择多个训练样本；获取训练样本的平均灰度分布；通过待测晶圆的缺陷的物理参数和检测子单元的灰度统计学规律，求取判断缺陷的阈值。使用本发明的技术方案，能够实现自动检测待测晶圆的缺陷的功能，提升晶圆缺陷检测的效率。

Description

模型训练方法、晶圆缺陷检测的方法、检测系统、装置及其计 算机程序产品
技术领域
本发明涉及半导体检测技术领域，特别涉及一种模型训练方法、晶圆缺陷检测的方法、检测系统、装置及其计算机程序产品。
背景技术
半导体、显示以及新能源等测试领域，对晶圆表面缺陷的检测方法的优劣和效率直接关系到生产效率、质量和产品市场竞争力。
在晶圆宏观检测设备对新样品做检测建模的时候，一般都需要人力针对新样品调试不同的光机参数，并测试不同的检测参数以达到最佳的检测效果。
然而人工调试有很大的局限性。比如对于一个有经验的工程师，调试一个结构较复杂的透射电子显微镜图像平均需要十几分钟。而一次完整的检测流程涉及到多个光学参数和检测参数的匹配。且人工调试的结果与工程师的工作经验、工作时长、个人偏好等主观因素有关。即使是同一检测者对同一样品检测的调试得到的多次光学参数和检测参数也会有所差异。
因而，现有的晶圆宏观缺陷检测流程中，需要在建模测试上花费比较长的时间和人力，并且难以确定光学参数和检测参数，且可重复性差。因而高效准确的晶圆检测方法和设备是目前半导体检测行业所急需的。
发明内容
本发明的目的是提供一种模型训练方法、晶圆缺陷检测的方法、检测系统、装置及其计算机程序产品，以解决现有现有的晶圆宏观缺陷检测流程中需要花费比较长的时间和人力，并且难以确定光学参数和检测参数，且可重复性差等问题。
为达到上述目的，本发明所提供的技术方案提出了一种晶圆检测的模型训练方法，包括：
在待测晶圆的检测图像上选中多个检测子单元；
在检测子单元中选择多个训练样本；
获取训练样本的平均灰度分布；
通过待测晶圆的缺陷的物理参数和检测子单元的灰度统计学规律，求取判断缺陷的阈值。
优选地，所述通过待测晶圆的缺陷参数和检测子单元的灰度统计学规律，求取判断缺陷的阈值的步骤包括：
根据训练样本的平均灰度分布设置阈值，所述阈值包括：灰度阈值G和对比度阈值C；
结合检测子单元的灰度统计学规律和阈值判断缺陷，得到缺陷数量的有效缺陷数量Q；
结合物理参数判断有效缺陷数量Q是否符合要求；
若符合，所述灰度阈值为判断缺陷的阈值；
若不符合，将灰度阈值逐次等量增加再进行有效缺陷数量判断，直到第n次判断和第n+1次判断的有效缺陷数量相同，则将第n+1次判断的灰度阈值作为判断缺陷数量的阈值。
优选地，所述获取训练样本的平均灰度分布包括：计算出检测子单元的图像的平均灰度分布图和梯度变化图。
优选地，所述检测子单元的灰度统计学规律为正态分布，设定检测子单元的图像上某个像素的灰度值为Gray；
当时，判断为这个像素为缺陷，其中
Gmin＝GrayM-GrayD*C-G
Gmax＝GrayM+GrayD*C+G
GrayM为平均灰度分布图同像素位置的灰度值，GrayD为梯度变化图同像素位置的灰度值。
优选地，计算
Gmin＝GrayM-GrayD*C-G和Gmax＝GrayM+GrayD*C+G的步骤包括：
计算所述训练样本的平均灰度分布图和梯度变化图的灰度标准差s以及梯度变化图的均值m；
若m>20，则设置C＝1；
若10<m≤20，则设置C＝2；
若m≤10，则设置C＝3，且G＝s。
优选地，包括：根据设置的灰度阈值G和对比度阈值C依次判断出某一检测子单元的图像上的像素点，得到所有疑似缺陷的像素点范围。
优选地，包括：
结合物理参数得到所述检测子单元的有效缺陷数量Q，若Q＝0，则输出此时的灰度阈值G；
若Q>0，每隔a个灰度对待测片做一次检测：
灰度为G时，得到的有效缺陷数量为Q1，
灰度为G+a时，得到的有效缺陷数量为是Q2，
当Q1＝Q2时，输出此时的灰度阈值G；
其中，a为灰度阈值增量，a∈[3，10]。
优选地，所述物理参数为根据待测晶圆的材料光学特性、成像效果而设置的缺陷的图像参数，包括：缺陷尺寸、缺陷长度和/或缺陷面积。
优选地，在待测晶圆的检测图像上选中多个检测子单元的步骤包括：
获取待测晶圆的检测图像；
计算图像内晶圆的外轮廓；
拟合晶圆外轮廓点，得到晶圆的精确圆心和半径；
确定图像中检测子单元的位置分布；
确定晶圆中检测子单元并将所有检测子单元进行编号。
优选地，所述获取所述待测晶圆的检测图像包括计算自动光强的步骤，以适用于自动匹配待测晶圆的光照强度，使得所述检测图像不会太暗也不会太亮。
优选地，所述计算自动光强的步骤包括：
在多个等光源强度间隔的光照条件且固定曝光时间下，对待测晶圆拍摄多张表面图像；
拟合不过曝的待测晶圆的表面图像中平均灰度(y)和光源强度(x)的关系式y＝kx+b，计算出系数k和b；
计算最佳图像灰度y0对应的光源强度x0＝(y0-b)/k，设置为理想光强。
优选地，所述计算图像内晶圆的外轮廓的方法包括：
获取整个待测晶圆的检测图像的灰度直方图曲线；
计算所述直方图曲线梯度最大的三个位置，得到三个可能的边界阈值；
依次用三个边界阈值对待测晶圆的检测图像进行分割，获得分割出来的图像的轮廓；
计算轮廓上的点到到轮廓中心的平均距离，找到圆度大于0.9并且最接近所述待测晶圆半径的外轮廓，即为晶圆的外轮廓。
优选地，所述在待测晶圆的检测图像上选中多个检测子单元的方法还包括：
在检测图像中过滤掉特殊的检测子单元，筛选出剩下的检测子单元，并找到其对应的序号；
其中，特殊的检测子单元包括：边缘的检测子单元或/和不完整的检测子单元。
优选地，所述获取训练样本的平均灰度分布的方法包括：
根据需要检测的检测子单元的位置分布，采用多种选点方式，选择多个检测子单元作为训练样本；
将每个训练样本做精定位，裁切出每个训练样本的图像，并计算出所有训练样本的平均灰度分布图，梯度变化图、不同位置和/或不同训练样本的灰度变化范围。
优选地，所述选点方式包括：以最中心的检测子单元为对称中心，选取晶圆四分之一半径“田”字分布的九个检测子单元。
优选地，所述灰度变换的影响因子包括：待测晶圆经过的工艺、表面图像的色差或采集图像时的光源强度。
优选地，所述检测子单元的位置分布包括：所述检测子单元的周期和坐标信息。
优选地，所述确定图像中检测子单元的位置分布的方法包括：
截取整个待测晶圆的检测图像的中心区域，截取部分所述晶圆外轮廓的最小内接正矩形；
对截取的图像做傅里叶变换，将其转换为频域图像；
计算频域图像沿着X方向和Y方向的最小周期，即为晶圆内检测子单元的横向周期和纵向周期。
优选地，所述检测子单元为所述待测晶圆上的DIE周期。
本发明所提供的技术方案还提供了一种晶圆缺陷检测的方法，包括：
在待测晶圆的检测图像上选中多个检测子单元；
根据待测晶圆的缺陷的物理参数和检测子单元的灰度统计学规律，通过与训练样本的平均灰度分布比较，对每一个检测子单元进行缺陷判断；
其中，所述训练样本通过如上所述的模型训练方法训练。
本发明所提供的技术方案还提供了一种晶圆缺陷检测系统，包括：
选择模块，用于在待测晶圆的检测图像上选中多个检测子单元；
检测模块，用于根据待测晶圆的缺陷的物理参数和检测子单元的灰度统计学规律，通过与训练样本的平均灰度分布比较，对每一个检测子单元进行缺陷判断；
其中，所述训练样本通过如上所述的模型训练方法训练。
本发明所提供的技术方案还提供了一种晶圆缺陷检测装置，包括：
处理器，
存储器，存储计算机程序或指令，所述计算机程序或指令在被处理器执行时实现如上所述的方法的步骤，以对对象进行缺陷检测。
本发明所提供的技术方案还提供了一种计算机程序产品，优选地，所述计算机程序产品存储在计算机可读的存储介质上并包括计算机程序或指令，所述计算机程序或指令在被处理器执行时实现根据如上所述的方法的步骤。
由于上述方案的运用，本发明与现有技术相比具有以下优点和效果：
使用本发明的技术方案，在待测晶圆的检测图像上训练样本，并通过待测晶圆的缺陷的物理参数和检测子单元的灰度统计学规律，求取判断缺陷的阈值，能够实现自动检测待测晶圆的缺陷的功能。
进一步的，使用本发明的技术方案，结合待测晶圆的物理缺陷参数和检测子单元的灰度统计学规律求取判断缺陷的阈值，确保判断缺陷的阈值设置得符合实际应用场景和需求。
进一步的，使用本发明的技术方案，结合灰度阈值增量，判断前后两次判断的缺陷数量是否一致，进一步的撇除了噪音和伪缺陷，确保自动检测的精准。
进一的，使用本发明的技术方案，还包括包括自动光强、自动map、自动训练的功能，能够全面实现整个检测流程的自动化配置和进行。
附图说明
附图1为本发明提供的一种晶圆检测的模型训练方法的流程图；
附图2为本发明提供的在待测晶圆的检测图像上选中多个检测子单元的方法的流程图；
附图3为本发明的实施例中获取的一张待测晶圆的外轮廓的示意图；
附图4为本发明的实施例中所述待测晶圆中检测子单元的排列并编号的示意图；
附图5为本发明的实施例中所述待测晶圆中过滤掉不检测的检测子单元的示意图。
附图6为本发明的实施例中所述待测晶圆中选择的训练样本的示意图；
附图7为本发明的实施例中求取判断缺陷的阈值的实施方法的流程图。
具体实施方式
为使本申请的上述目的、特征和优点能够更加明显易懂，下面结合附图对本申请的具体实施方式做详细的说明。在下面的描述中阐述了很多具体细节以便于充分理解本申请。但是本申请能够以很多不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本申请内涵的情况下做类似改进，因此本申请不受下面公开的具体实施例的限制。
在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系，除非另有明确的限定。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本申请中的具体含义。
在本发明中，术语“中心”、“上”、“下”、“轴向”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置装配关系，仅是为了便于描述本申请和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本申请的限制。
此外，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
本发明所提供的技术方案为在晶圆检测和量测的机台在对一个新的晶圆或者新一批次的晶圆做检测之前，加入一个自动创建Recipe的过程，其中包括调整光机的信息，包括光源强度，相机曝光时间等；包括晶圆信息，DIE(芯元)的尺寸，检测/量测的位置；还包括适应该晶圆的硬件参数和算法参数等。
其中，在本实施例中，Recipe可以理解为配方，是半导体设备在应对不同产品设置的不同程式，通过设置某些关键的参数和流程来应对不同的产品。后续在遇到同类型的产品时候，可以根据这个Recipe自动对产品做出相应的操作(比如说检测，量测等)。
Recipe包括机台应对不同产品需要更改或者初始化的参数，包括光源的颜色，强度；镜头的倍率；扫描的方式以及路径规划；检测算法的参数等等。
一般来说，Recipe内诸多参数的设置需要工程师在有新的产品的时候，通过多次试验逐步调试，这样费时费力。并且，有些参数需要比较丰富的专业经验和能力才能获得。而本发明所提供的技术方案中，通过一些流程/方法来简化Recipe调试的过程，将绝大部分需要调试的重点参数可以自动计算出来。
本发明所提供的技术方案中，可以自动创建晶圆检测的Recipe，将很大一部分需要人工去做大量调试才能获得的信息通过算法自动得到，包括自动光强、自动map、自动训练、自动参数四个自动创建晶圆检测Recipe的步骤。
具体的，以下结合附图详细阐述本发明所提供的技术方案。
参考图1所示，本发明提供了一种晶圆检测的模型训练方法，包括：
步骤S100：在待测晶圆的检测图像上选中多个检测子单元；
步骤S200：在检测子单元中选择多个训练样本；
步骤S300：获取训练样本的平均灰度分布；
步骤S400：通过待测晶圆的缺陷的物理参数和检测子单元的灰度统计学规律，求取判断缺陷的阈值。
本实施例中，所述晶圆检测的模型训练方法的过程如下：
执行步骤S100：在待测晶圆的检测图像上选中多个检测子单元；
进一步的，结合图2所示，本实施例中，所述在待测晶圆的检测图像上选中多个检测子单元的步骤S100包括：
步骤F110：获取待测晶圆的检测图像；
步骤F120：计算图像内晶圆的外轮廓；
步骤F130：拟合晶圆外轮廓点，得到晶圆的精确圆心和半径；
步骤F140：计算图像中检测子单元的周期和分布；
步骤F150：确定晶圆中检测子单元并将所有检测子单元进行编号。
进一步的，以下以具体实施的情况详细阐述上述检测子单元的具体过程。
执行步骤F110：获取待测晶圆的检测图像的方法，包括：
步骤f11：设置理想光强，以适用于自动匹配待测晶圆的光照强度，使得图像不会太暗也不会太亮，即实现“自动光强”的功能。
具体的，所述步骤f11中设置理想光强的方法包括：
步骤A1：在多个等光源强度间隔的光照条件且固定曝光时间下，对待测晶圆拍摄多张图像；
具体的，在一个优选的实施例中，在10-20个不同的光照条件且固定曝光时间的环境下，拍摄10-20张所述待测晶圆的表面图像；每种光照条件下至少拍摄一张所述待测晶圆的表面图像。
其中，在本实施例中，对所述待测晶圆拍摄多张图像的过程中所采用16k的相机，像元大小是5um，确保能完整拍下12寸(300mm)和8寸(200mm)的整个晶圆。
优选地，所选择的相机的靶面大小为80mm，如果要使得拍摄12寸晶圆时有效的面积能占12k-15k的位置，选用的镜头倍率就是12*5/300～15*5/300，也就是镜头倍率在0.2-0.25之间。
步骤A2：拟合不过曝的待测晶圆的表面图像中平均灰度(y)和光源强度(x)的关系式y＝kx+b，计算出系数k和b；
具体的，计算步骤A1中所得到的每一张待测晶圆的表面图像的灰度直方图，以及统计每张图像中过曝像素点，并计算其占图像总像素数的百分比p；
其中，判断过曝像素点的条件为所述像素点的灰度值等于255；
具体的，若是某张待测晶圆的表面图像中过曝像素点占图像总像素数的百分比p＞0.1，则判断该图像过曝，并筛掉该图像，剩下不过曝的所述待测晶圆的表面图像；
步骤A3：选择不过曝的所述待测晶圆的表面图像中的ROI；
具体的，在所述待测晶圆的表面图像中不过曝的图像中设定ROI(regionofinterest，感兴趣区域)。其中，机器视觉、图像处理中，从被处理的图像以方框、圆、椭圆、不规则多边形等方式勾勒出需要处理的区域，称为ROI(region ofinterest，感兴趣区域)。在常用的机器视觉软件上常用到各种算子(Operator)和函数来求得感兴趣区域ROI，并进行图像的下一步处理。
在本实施例中，所述ROI可以是整个所述待测晶圆的表面图像的大小，也可以是所述待测晶圆的表面图像中特定的某个需要重点关注和检测的位置。
步骤A4：计算ROI内的平均灰度(y)，结合ROI所在的所述待测晶圆的表面图像所对应的光源光强(x)，拟合所有所述ROI中平均灰度(y)和对应的光源光强(x)两者的关系y＝kx+b，计算出系数k和b；
步骤A5：通过平均灰度(y)与图像对应的光源光强(x)的关系y＝kx+b，设置图像不暗也不过曝的最佳图像灰度y0。计算最佳图像灰度y0对应的光源强度x0＝(y0-b)/k，设置为理想光强。本实施例中，最佳图像灰度y0在128-150之间，即在255的中间位置。
在本实施例中，设置好理想光强后，本方法后续步骤中对所述待测晶圆的图像采集都自动调配为所述理想光强。
接下来，执行步骤f12：在理想光强的条件下获取待测晶圆的表面图像，以作为检测图像；
具体的，在本实施例中，本步骤包括：根据待测晶圆的材料和尺寸，选择适当的成像设备，如扫描电子显微镜(SEM)或光显场扫描仪(PIXImaging)。并对成像设备进行校准，确保状态良好，可以提供准确的检测结果。将待测晶圆放置在成像设备的载物台上，设置光源强度为理想光强，调整适当的焦距，以确保清晰的图像和良好的对比度。使用成像设备捕获待测晶圆的表面图像，以作为待测晶圆的检测图像。
通过以上步骤，获取了待测晶圆的检测图像，接下来，执行步骤F120：计算所述检测图像中晶圆的外轮廓；
在一种具体实施例中，获取所述待测晶圆的外轮廓的方法包括：
分割所述待测晶圆的检测图像的前景和背景，在上述理想光强的照明环境下，采集的待测晶圆的明场图像(检测图像)中，其前景即为晶圆部分。
计算整个检测图像的灰度直方图曲线。具体的，灰度直方图是一种用于描述图像中每个像素值的分布情况的统计工具。可以通过对每个像素点的灰度值进行排序，并将结果绘制成直方图来实现灰度直方图曲线的计算。通过分析灰度直方图曲线，可以确定图像中的主要颜色区域，以及是否存在特定的颜色模式或边缘。
进一步的，为了找到图像中最显著的颜色区域，需要找到直方图曲线中最陡峭的h个峰值处。具体的，可以通过计算直方图曲线的斜率来确定这些位置，然后可以使用插值或其他方法来估计这些位置的实际灰度范围。其中，h的值越大分割的准确率越高，而h的值过大，又使得整体计算量太大，过多的占用处理器资源，计算速度减缓。在本实施例中，h＝3。在其它实施方式中，h的范围为[1，5]。
使用上述将灰度直方图曲线的h个阈值作为分割阈值，并对分割的轮廓点进行处理。具体的，使用分割阈值对待测晶圆的检测图像进行分割。然后，对每个分割轮廓点计算其到中心点的平均距离，并使用这些距离来确定晶圆的外部轮廓。
进一步的，在处理待测晶圆的检测图像之前，还包括对晶圆检测图像进行预处理，以消除噪声和提高图像质量。具体来说，可以使用各种图像增强技术来减少噪声和改善对比度，例如滤波、中值滤波、高斯模糊等。这些技术可以有效地去除图像中的噪声，并增加图像的可读性。
具体的，在本实施例中，对所述检测图像进行去噪平滑，计算整个检测图像的灰度直方图曲线，计算直方图曲线梯度最大的三个位置，拿到三个可能的分割阈值。依次用三个阈值进行分割，对分割的轮廓点，计算轮廓到轮廓点中心的平均距离D：
D＝(∑||p-pi||)/N
其中，p为轮廓点中心，pi为轮廓上的轮廓点，N为轮廓点数
然后再计算圆度R：
找到圆度R＞0.9并且最接近晶圆半径的外轮廓，即为图像内晶圆的外轮廓。具体的，结合图1至图2，参考图3所示，图3所示为本实施例中获取的一张待测晶圆900的外轮廓。
接下来，执行步骤F130：拟合所述待测晶圆900的外轮廓点，得到晶圆的精确圆心和半径；
在一个具体的实施例中，本步骤中得到晶圆的精确圆心和半径的步骤包括：
首先，从步骤F120中所确定的待测晶圆900的外轮廓中提取出所有外轮廓点的坐标信息；
接下来，将这些外轮廓点的坐标信息输入到数学模型中进行拟合处理。在拟合过程中，可以使用诸如最小二乘法、非线性最小二乘法等算法，以确保拟合结果的精度和准确性。
接下来，在完成外轮廓点的拟合后，可以计算出外轮廓点之间的平均位置，作为所述待测晶圆的几何中心。为了进一步精确圆心的位置，可以使用高斯核函数或者局部线性拟合等方法对几何中心进行拟合，从而提高圆心的定位精度。最后，可以根据计算得到的圆心坐标和半径，绘制出晶圆的轮廓图像。在一种优选的实施例中，还需要考虑晶圆外轮廓还包括对准缺口的轮廓，并将其考虑计算所述待测晶圆的圆心和半径中。
接下来，执行步骤F140：计算检测图像中检测子单元的位置分布；
在本实施例中，所述检测子单元为所述待测晶圆上的DIE。
在本实施例中，所述检测子单元的位置分布包括检测子单元的周期和所述检测子单元的坐标信息；
进一步的，在本实施例中，所述确定检测子单元的位置分布的方法，包括计算检测图像中DIE的周期，具体的包括以下步骤：
步骤f41：截取原始检测图像的中心区域，截取部分的上述计算图像晶圆外轮廓的最小内接正矩形。
步骤f42：对截取的图像做傅里叶变换转换为频域图像，计算频域图像沿着X方向和Y方向的最小周期，即为晶圆内DIE的横向周期和纵向周期。
步骤f43：根据每个DIE中心点的像素坐标确定为每个DIE的位置坐标。
执行步骤F150：确定所述待测晶圆900中检测子单元并将所有检测子单元进行编号。
参考图4所示，确定所述待测晶圆900的DIE map，即确定所述待测晶圆900中DIE的排列，将所有的DIE进行编号并且和输入需要检测的DIE序号对应。将所有DIE中距离晶圆中心点最近的DIE编号为DIE(0，0)，往右分别是DIE(1，0)，DIE(2，0)，...；往左分别为DIE(-1，0)，DIE(-2，0)，...；往上分别是DIE(0，1)，DIE(0，2)，...；往下分别为DIE(0，-1)，DIE(0，-2)，...；以此类推，将所有的DIE标上序号坐标。需要说明的是，图中由于篇幅限制，没法示意所有DIE的编号，但是本实施例并不限于图中所示的DIE的编号。
至此，实现“自动map”的功能，即能够自动识别出所述待测晶圆900的表面图像中的所有检测子单元(DIE)，并自动将其标上序号坐标，形成检测图像中的检测子单元的map(检测地图)。
接下来，执行步骤S200：在检测子单元中选择多个训练样本；
参考图5所示，读取所述待测晶圆900中DIE的检测信息，过滤掉不检测的DIE DW，例如特殊DIE或者不完整的DIE。图5中，不检测的DIE DW为边缘可能不完整的DIE，如图中点状填充所示意的DIE。
筛选出需要检测的DIE的序号，然后对应到晶圆图像内的位置，裁切出需要检测的DIE的图像；
然后，根据需要检测的DIE的位置，采用多种选点方式，获得DIE的训练样本。具体的，参考图5所示，在一种实施情况中，选点方式为选取最中心的DIE(0，0)，以及以其为中心，所述待测晶圆900四分之一半径范围的“田”字分布的九个DIE(如图5所示D1～D9)的图像作为训练样本。
在本实施例中，选取的是9个DIE的位置作为训练样本。
在其它实施例中，也可以选取17个DIE的位置作为训练样本。或者，在算力充足的情况下，也可以选择所有die作为训练样本的。
选择9个DIE的位置或者17个DIE的位置或者少量其他等取点方法是为了取的点少一点并且位置分布更广，这样可以用较少的计算或者处理器资源，并且在各区域都有代表性的训练样本。
接下来，执行步骤S300：获取训练样本的平均灰度分布；
训练的步骤是为了获取DIE(检测子单元)的图像信息，包括：DIE图像的平均灰度分布，灰度梯度分布，不同位置DIE的色差分布，不同晶圆DIE的灰度变化范围等。
具体的，本实施例中，将选中的每个DIE做精定位，裁切出每个DIE的图像，计算出每个DIE图像的平均灰度分布图，灰度梯度变化图，保存训练的结果。
由前面的步骤确定了训练样本的位置分布(包括DIE的周期，DIE map信息)和训练样本图像的灰度信息分布(DIE图像的平均灰度分布，灰度梯度分布)；
至此，步骤S200～步骤300完成了所述“自动训练”的功能，即能够自动从检测子单元中选择训练样本，并得到训练结果。
通过“自动训练”获得的训练结果可以实现晶圆的“自动参数”的功能。
具体的，接下来，执行步骤S400：通过待测晶圆的缺陷的物理参数和检测子单元的灰度统计学规律，求取判断缺陷的阈值。
所述检测子单元的灰度统计学规律可以用正态分布的曲线拟合，也可以去除异常点之后用二阶多项式拟合。本实施例中，所述检测子单元的灰度统计学规律为正态分布；结合图7所示，步骤S400的实施方式包括：
执行步骤F410：根据训练样本的灰度信息分布设置阈值，所述阈值包括：灰度阈值G和对比度阈值C；本实施例中，所述训练样本为如图5所示D1～D9所代表的DIE，具体的，根据训练样本D1～D9的图像的灰度信息分布的平均灰度分布图和梯度变化图。
接下来，执行步骤F420：结合检测子单元的灰度统计学规律和阈值判断缺陷，得到缺陷数量的有效缺陷数量Q；
具体的，如果待测DIE(检测子单元)的图像上某个像素的灰度值为Gray，根据训练样本D1～D9的平均灰度分布图中同像素位置的灰度值GrayM，根据训练样本D1～D9的梯度变化图中同像素位置的灰度值GrayD，以及设定好的灰度阈值G和对比度阈值C来判断这个像素是否为疑似缺陷。其中，该像素被判定为疑似缺陷的判断条件为：
当该像素的灰度值Gray符合：时，判断为这个像素为缺陷。
其中，
Gmin＝GrayM-GrayD*C-G
Gmax＝GrayM+GrayD*C+G
其中，灰度阈值G和对比度阈值C为根据待测晶圆的材料光学特性、成像效果而设置的图像参数。
具体的，计算所述训练样本D1～D9的平均灰度分布中的灰度标准差s以及梯度变化图的均值m；其中s表示该晶圆图像的亮度不均匀性，m表示DIE内图案的复杂程度以及材料的粗糙程度。
本实施例中，若所述训练样本D1～D9的平均灰度分布中梯度变化图的梯度变化图的均值m>20，则设置对比度阈值C＝1；
若所述训练样本D1～D9的平均灰度分布中梯度变化图的梯度变化图的均值m满足：10<m≤20，则设置对比度阈值C＝2；
若所述训练样本D1～D9的平均灰度分布中梯度变化图的梯度变化图的均值m满足：m≤10，则设置对比度阈值C＝3；
且G＝s，s为所述训练样本D1～D9的平均灰度分布中的灰度标准差。
根据以上设置的灰度阈值G和对比度阈值C依次判断出某一待测DIE(检测子单元)的图像上的像素点，得到所有疑似缺陷的像素点范围。
接下来，执行步骤F430：结合物理参数判断所述检测子单元的有效缺陷数量Q是否符合要求；
在本实施例中，我们需要将上述过程得到的灰度阈值G计算出来的有效缺陷数量Q以及位置与实际应用场景中的物理参数进行比较，看其是否能有效地区分正常图像和含有缺陷的图像。如果不能有效区分，则说明灰度阈值G存在问题，需要重新调整。只有在得到的有效灰度阈值G能够满足实际应用需求的情况下，才是合适的灰度阈值G。
具体的，根据缺陷的物理参数对检测出的疑似缺陷的像素点范围做进一步几何方面的筛选，判断所有疑似缺陷的像素点范围中的缺陷的有效缺陷数量Q。其中，所述缺陷的物理参数为缺陷尺寸、缺陷长度、缺陷面积等。
具体的，根据检测需求读入缺陷的物理参数，输入算法参数后运行检测算法流程，会得到该检测参数下的缺陷检测结果得到此时的有效缺陷数量Q，若Q＝0，则表示前面步骤设置的灰度阈值G是合适的，输出此时的灰度阈值G；
若Q>0，每隔a个灰度对待测片做一次检测，再看得到的有效缺陷数量是否跟前一次相同。具体的，比如：
当灰度阈值G为Gi时，得到的有效缺陷数量为Q1；
灰度阈值G为Gi+1＝Gi+a时，得到的有效缺陷数量为是Q2；
其中，a为灰度阈值增量，a∈[3，10]。
当Q1＝Q2时，认为设定的灰度阈值G和对比度阈值C是合适的，这是因为真实的缺陷不会随着灰度阈值的微小变化而改变，而噪声以及伪缺陷会随着阈值的微调而改变。
若符合，接下来执行步骤F440：Gi+1为判断缺陷的阈值；
输出此时的灰度阈值Gi；
若不符合，执行步骤F450：将灰度阈值G逐次等量增加再进行有效缺陷数量判断，直到第n次判断和第n+1次判断的有效缺陷数量相同，则将第n+1次判断的灰度阈值作为判断缺陷数量的阈值。
经过上述步骤，得到合适的灰度阈值G和对比度阈值C，进而得到合适的缺陷判断条件：判断待检测的检测子单元上某像素的灰度值Gray符合：其中
Gmin＝GrayM-GrayD*C-G
Gmax＝GrayM+GrayD*C+G
本实施例中，通过微调灰度阈值所得到检测结果来判定检测结果是否可靠且稳定，从而判断设定的灰度阈值和对比度阈值是否合适。确保通过设置的灰度阈值和对比度阈值来得到准确的检测结果。
综上，本实施例所提供的晶圆检测的模型训练方法包括自动光强、自动map、自动训练、自动参数四个自动创建晶圆检测Recipe的步骤。
接下来可以利用上述模型训练方法建立的Recipe对所述检测图像进行缺陷检测。进一步的，本发明的技术方案还提供了一种晶圆缺陷检测的方法，包括：
在待测晶圆的检测图像上选中多个检测子单元；
根据待测晶圆的缺陷的物理参数和检测子单元的灰度统计学规律，通过与训练样本的平均灰度分布比较，对每一个检测子单元进行缺陷判断；
其中，所述训练样本通过如上所述的模型训练方法训练。
本发明的技术方案所提供的晶圆缺陷检测的方法中，考虑了缺陷尺寸、缺陷长度、缺陷面积的物理参数，以及根据待测晶圆的材料光学特性、成像效果设置的灰度阈值G和对比度阈值C的图像参数。
本发明的技术方案还提供了一种晶圆缺陷检测系统，包括：
选择模块，用于在待测晶圆的检测图像上选中多个检测子单元；
检测模块，用于根据待测晶圆的缺陷的物理参数和检测子单元的灰度统计学规律，通过与训练样本的平均灰度分布比较，对每一个检测子单元进行缺陷判断；
其中，所述训练样本通过如上所述的模型训练方法训练。
本发明的技术方案还提供了一种晶圆缺陷检测装置，包括：
处理器，
存储器，存储计算机程序或指令，所述计算机程序或指令在被处理器执行时实现如上所述的方法的步骤，以对对象进行缺陷检测。
本发明的技术方案还提供了一种计算机程序产品，所述计算机程序产品存储在计算机可读的存储介质上并包括计算机程序或指令，所述计算机程序或指令在被处理器执行时实现根据如上所述的方法的步骤。
上述实施例只为说明本发明的技术构思及特点，其目的在于让熟悉此项技术的人士能够了解本发明的内容并据以实施，并不能以此限制本发明的保护范围。凡根据本发明精神实质所作的等效变化或修饰，都应涵盖在本发明的保护范围之内。

Claims (23)

1.一种晶圆检测的模型训练方法，其特征在于，包括：
在待测晶圆的检测图像上选中多个检测子单元；
在检测子单元中选择多个训练样本；
获取训练样本的平均灰度分布；
通过待测晶圆的缺陷的物理参数和检测子单元的灰度统计学规律，求取判断缺陷的阈值。
2.根据权利要求1所述的模型训练方法，其特征在于，所述通过待测晶圆的缺陷参数和检测子单元的灰度统计学规律，求取判断缺陷的阈值的步骤包括：
根据训练样本的平均灰度分布设置阈值，所述阈值包括：灰度阈值G和对比度阈值C；
结合检测子单元的灰度统计学规律和阈值判断缺陷，得到缺陷数量的有效缺陷数量Q；
结合物理参数判断有效缺陷数量Q是否符合要求；
若符合，所述灰度阈值为判断缺陷的阈值；
若不符合，将灰度阈值逐次等量增加再进行有效缺陷数量判断，直到第n次判断和第n+1次判断的有效缺陷数量相同，则将第n+1次判断的灰度阈值作为判断缺陷数量的阈值。
3.根据权利要求2所述的模型训练方法，其特征在于，所述获取训练样本的平均灰度分布包括：计算出检测子单元的图像的平均灰度分布图和梯度变化图。
4.根据权利要求3所述的模型训练方法，其特征在于，所述检测子单元的灰度统计学规律为正态分布，设定检测子单元的图像上某个像素的灰度值为Gray；
当时，判断为这个像素为缺陷，其中
Gmin＝GrayM-GrayD*C-G
Gmax＝GrayM+GrayD*C+G
GrayM为平均灰度分布图同像素位置的灰度值，GrayD为梯度变化图同像素位置的灰度值。
5.根据权利要求4所述的模型训练方法，其特征在于，计算
Gmin＝GrayM-GrayD*C-G和Gmax＝GrayM+GrayD*C+G的步骤包括：
计算所述训练样本的平均灰度分布图和梯度变化图的灰度标准差s以及梯度变化图的均值m；
若m>20，则设置C＝1；
若10<m≤20，则设置C＝2；
若m≤10，则设置C＝3，且G＝s。
6.根据权利要求5所述的模型训练方法，其特征在于，包括：根据设置的灰度阈值G和对比度阈值C依次判断出某一检测子单元的图像上的像素点，得到所有疑似缺陷的像素点范围。
7.根据权利要求6所述的模型训练方法，其特征在于，包括：
结合物理参数得到所述检测子单元的有效缺陷数量Q，若Q＝0，则输出此时的灰度阈值G；
若Q>0，每隔a个灰度对待测片做一次检测：
灰度为G时，得到的有效缺陷数量为Q1，
灰度为G+a时，得到的有效缺陷数量为是Q2，
当Q1＝Q2时，输出此时的灰度阈值G；
其中，a为灰度阈值增量，a∈[3，10]。
8.根据权利要求1所述的模型训练方法，其特征在于，所述物理参数为根据待测晶圆的材料光学特性、成像效果而设置的缺陷的图像参数，包括：缺陷尺寸、缺陷长度和/或缺陷面积。
9.根据权利要求1所述的模型训练方法，其特征在于，在待测晶圆的检测图像上选中多个检测子单元的步骤包括：
获取待测晶圆的检测图像；
计算图像内晶圆的外轮廓；
拟合晶圆外轮廓点，得到晶圆的精确圆心和半径；
确定图像中检测子单元的位置分布；
确定晶圆中检测子单元并将所有检测子单元进行编号。
10.根据权利要求9所述的模型训练方法，其特征在于，所述获取所述待测晶圆的检测图像包括计算自动光强的步骤，以适用于自动匹配待测晶圆的光照强度，使得所述检测图像不会太暗也不会太亮。
11.根据权利要求10所述的模型训练方法，其特征在于，所述计算自动光强的步骤包括：
在多个等光源强度间隔的光照条件且固定曝光时间下，对待测晶圆拍摄多张表面图像；
拟合不过曝的待测晶圆的表面图像中平均灰度(y)和光源强度(x)的关系式y＝kx+b，计算出系数k和b；
计算最佳图像灰度y0对应的光源强度x0＝(y0-b)/k，设置为理想光强。
12.根据权利要求9所述的模型训练方法，其特征在于，所述计算图像内晶圆的外轮廓的方法包括：
获取整个待测晶圆的检测图像的灰度直方图曲线；
计算所述直方图曲线梯度最大的三个位置，得到三个可能的边界阈值；
依次用三个边界阈值对待测晶圆的检测图像进行分割，获得分割出来的图像的轮廓；
计算轮廓上的点到到轮廓中心的平均距离，找到圆度大于0.9并且最接近所述待测晶圆半径的外轮廓，即为晶圆的外轮廓。
13.根据权利要求9所述的模型训练方法，其特征在于，所述在待测晶圆的检测图像上选中多个检测子单元的方法还包括：
在检测图像中过滤掉特殊的检测子单元，筛选出剩下的检测子单元，并找到其对应的序号；
其中，特殊的检测子单元包括：边缘的检测子单元或/和不完整的检测子单元。
14.根据权利要求9或13所述的模型训练方法，其特征在于，所述获取训练样本的平均灰度分布的方法包括：
根据需要检测的检测子单元的位置分布，采用多种选点方式，选择多个检测子单元作为训练样本；
将每个训练样本做精定位，裁切出每个训练样本的图像，并计算出所有训练样本的平均灰度分布图，梯度变化图、不同位置和/或不同训练样本的灰度变化范围。
15.根据权利要求14所述的模型训练方法，其特征在于，所述选点方式包括：以最中心的检测子单元为对称中心，选取晶圆四分之一半径“田”字分布的九个检测子单元。
16.根据权利要求14所述的模型训练方法，其特征在于，所述灰度变换的影响因子包括：待测晶圆经过的工艺、表面图像的色差或采集图像时的光源强度。
17.根据权利要求9所述的模型训练方法，其特征在于，所述检测子单元的位置分布包括：所述检测子单元的周期和坐标信息。
18.根据权利要求17所述的模型训练方法，其特征在于，所述确定图像中检测子单元的位置分布的方法包括：
截取整个待测晶圆的检测图像的中心区域，截取部分所述晶圆外轮廓的最小内接正矩形；
对截取的图像做傅里叶变换，将其转换为频域图像；
计算频域图像沿着X方向和Y方向的最小周期，即为晶圆内检测子单元的横向周期和纵向周期。
19.根据权利要求1所述的模型训练方法，其特征在于，所述检测子单元为所述待测晶圆上的DIE周期。
20.一种晶圆缺陷检测的方法，其特征在于，包括：
在待测晶圆的检测图像上选中多个检测子单元；
根据待测晶圆的缺陷的物理参数和检测子单元的灰度统计学规律，通过与训练样本的平均灰度分布比较，对每一个检测子单元进行缺陷判断；
其中，所述训练样本通过权利要求1所述的模型训练方法训练。
21.一种晶圆缺陷检测系统，其特征在于，包括：
选择模块，用于在待测晶圆的检测图像上选中多个检测子单元；
检测模块，用于根据待测晶圆的缺陷的物理参数和检测子单元的灰度统计学规律，通过与训练样本的平均灰度分布比较，对每一个检测子单元进行缺陷判断；
其中，所述训练样本通过权利要求1所述的模型训练方法训练。
22.一种晶圆缺陷检测装置，其特征在于，包括：
处理器，
存储器，存储计算机程序或指令，所述计算机程序或指令在被处理器执行时实现根据权利要求1至18或者权利要求20中任一项所述的方法的步骤，以对对象进行缺陷检测。
23.一种计算机程序产品，其特征在于，所述计算机程序产品存储在计算机可读的存储介质上并包括计算机程序或指令，所述计算机程序或指令在被处理器执行时实现根据权利要求1至19或权利要求20中任一项所述的方法的步骤。
CN202410460618.XA 2024-04-17 2024-04-17 模型训练方法、晶圆缺陷检测的方法、检测系统、装置及其计算机程序产品 Pending CN118379250A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410460618.XA CN118379250A (zh) 2024-04-17 2024-04-17 模型训练方法、晶圆缺陷检测的方法、检测系统、装置及其计算机程序产品

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410460618.XA CN118379250A (zh) 2024-04-17 2024-04-17 模型训练方法、晶圆缺陷检测的方法、检测系统、装置及其计算机程序产品

Publications (1)

Publication Number Publication Date
CN118379250A true CN118379250A (zh) 2024-07-23

Family

ID=91907801

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410460618.XA Pending CN118379250A (zh) 2024-04-17 2024-04-17 模型训练方法、晶圆缺陷检测的方法、检测系统、装置及其计算机程序产品

Country Status (1)

Country Link
CN (1) CN118379250A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118710536A (zh) * 2024-08-30 2024-09-27 浪潮通用软件有限公司 一种针对机器视觉的图像降噪方法、设备及介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118710536A (zh) * 2024-08-30 2024-09-27 浪潮通用软件有限公司 一种针对机器视觉的图像降噪方法、设备及介质

Similar Documents

Publication Publication Date Title
TWI750553B (zh) 對樣本的缺陷檢測的方法及其系統
JP4695239B2 (ja) 形状特徴に基づく欠陥検出方法及び装置
CN117495856B (zh) 基于深度学习的晶圆表面检测方法、装置、设备和介质
JP2010527008A (ja) ウエハーの層の検査に用いる候補として検査装置の一つ以上の光学モードを同定するためにコンピューターにより実施する方法、コンピューター可読の媒体、および装置
US20200143099A1 (en) Wafer-to-design image analysis (wdia) system
KR20170139613A (ko) 관심 패턴 이미지 집단에 대한 이상치 검출
CN114862817B (zh) 一种电路板金手指区域缺陷检测方法及系统及装置及介质
CN108416817B (zh) 一种残影校正系数自动获得方法
CN115360116B (zh) 一种晶圆的缺陷检测方法及系统
CN118115496B (zh) 晶圆缺陷检测方法及装置
CN118379250A (zh) 模型训练方法、晶圆缺陷检测的方法、检测系统、装置及其计算机程序产品
CN114387232A (zh) 一种晶圆圆心定位、晶圆缺口定位及晶圆定位校准方法
TW201512649A (zh) 偵測晶片影像瑕疵方法及其系統與電腦程式產品
CN118781104A (zh) 一种食品加工过程中食品包装视觉检测方法
Lee et al. Robust defect detection method for a non-periodic TFT-LCD pad area
CN113039631A (zh) 通过将光学信号拟合到点扩散函数的缺陷分类
JP3431567B2 (ja) 欠陥検査装置及び検査方法
CN113677980B (zh) 用于检验的缺陷候选生成
KR102383577B1 (ko) 스켈러톤 웨이퍼 검사 방법
CN117495846B (zh) 图像检测方法、装置、电子设备及存储介质
CN116563298B (zh) 基于高斯拟合的十字线中心亚像素检测方法
CN115943301B (zh) 设置样本的检验
CN111579572A (zh) 一种材料表面拓扑结构分级定量分析方法及应用
US12100132B2 (en) Laser anneal pattern suppression
JP2002048722A (ja) 欠陥検査装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination