The invention discloses a microscopic wafer surface defect image detection method. The training set is constructed from the original image of the labeled defect type and its calibrated bounding box of the microcrystalline wafer; the training set is trained by combining the faster regional convolution neural network method with the regional recommendation network to get the final model; the microcrystalline wafer images taken in industrial production are collected and detected by the final model. Get the location of the defect in the image. The method of the invention can identify and locate the surface defects of the micro wafer well, and the recognition efficiency is greatly improved.
【技术实现步骤摘要】
一种微观晶圆表面缺陷图像检测方法
本专利技术涉及了一种微观晶圆表面缺陷图像检测方法,属于图像识别领域。
技术介绍
半导体元器件和集成电路是重要的电子元器件,被广泛应用于通讯、汽车和工业自动化等产品中。在半导体中,晶圆是其中最主要的材料,在市面上90%以上的电子设备是基于晶圆制造而成。微观晶圆表面的缺陷,可能会破坏晶体结构中密排面的正常堆垛顺序,通常会影响晶圆电路的连通性,从而造成集成电路结构上的缺陷。因此晶圆表面的缺陷已经成为影响良率的主要障碍,因此如何精确地检测晶圆的微小缺陷已经成为半导体产业的关键技术。目前工业对于晶圆表面缺陷检测的要求,一般是要求高效准确,能够捕捉有效缺陷,实现实时检测。较为普遍的表面检测技术主要可以分为两大类:针接触法和非接触法,接触法以针触法为代表,因其易损伤被测样品表层,一般不使用;非接触法又可以分为原子力法和光学法,前者设备昂贵难以大规模应用,后者随着近年来计算机视觉技术的不断发展逐渐成为主流的检测方法。传统的视觉检测方法是采用模板匹配来检测晶圆微小缺陷,通过电子显微镜扫略晶圆表面获取图像。为提高检出缺陷的能力,需要一定数量的模板库。这导致生成模板过程较为繁琐,同时在数目众多的模板库中筛选出对应合适项也较为费时。目前该领域技术多聚焦于改进模板匹配的方式来提升检测效率,其中一种改进的方法是以前一帧的图像作为模板,将后一帧的图像做差分,而差分之后图像中包含的像素就作为晶圆的微观缺陷,这种方法是默认前后帧图像是几乎一致的情况下来操作的,但是在很多复杂的晶圆表面图案中并不适用,因为并不是每一帧图像都是相同的,所以对于生产实际,一个鲁棒 ...
【技术保护点】
1.一种微观晶圆表面缺陷图像检测方法,其特征在于:1)由已标记缺陷类型及其标定包围盒的微观晶圆原始图像构建训练集;2)由训练集利用更快速区域卷积神经网络方法和区域建议网络结合进行模型训练,得到最终模型;3)采集工业生产中拍摄的微观晶圆图像,并用最终模型进行检测得到图像中缺陷的位置。
【技术特征摘要】
1.一种微观晶圆表面缺陷图像检测方法,其特征在于:1)由已标记缺陷类型及其标定包围盒的微观晶圆原始图像构建训练集;2)由训练集利用更快速区域卷积神经网络方法和区域建议网络结合进行模型训练,得到最终模型;3)采集工业生产中拍摄的微观晶圆图像,并用最终模型进行检测得到图像中缺陷的位置。2.根据权利要求1所述的一种微观晶圆表面缺陷图像检测方法,其特征在于:所述缺陷类型分为加热不均hump、灰尘颗粒dust、机械损伤injury和液体残留物blot的四种。3.根据权利要求1所述的一种微观晶圆表面缺陷图像检测方法,其特征在于:所述的缺陷类型的标定包围盒为包围缺陷的最小外接矩形。4.根据权利要求1所述的一种微观晶圆表面缺陷图像检测方法,其特征在于:所述步骤1)中,对所有微观晶圆原始图像进行扩充,对图像进行旋转、错切和翻转的操作,构成训练集。5.根据权利要求1所述的一种微观晶圆表面缺陷图像检测方法,其特征在于:所述步骤3)具体为:3.1)将训练集图像输入ZFNet神经网络模型进行训练,获取特征图,具体过程如下:3.1.1)通过卷积层处理得到原始特征图;3.1.2)将步骤3.1.1)获取的原始特征图采用LeakyReLU作为激活函数进行激活,公式为:其中,f(x)为输出特征图的像素值,λ为激活系数,x为输入的原始特征图的像素值;3.1.3)将经过步骤3.1.2)激活获得的特征图做池化处理,池化方式是核为3×3的最大池化,公式为:F(f(x))=max(f(x),0)其中,F(f(x))表示池化处理后的特征图的像素值,当f(x)<0时,F(f(x))=0;当f(x)≥0时,F(f(x))=f(x);3.2)将步骤3.1.2)获得的特征图及其缺陷类别输入区域建议网络(RPN网络)进行训练,输出预测框,具体过程如下:3.2.1)建立大小为3×3的窗口,在特征图上滑动窗口并在每个窗口下生成九个锚区,对于每个锚区,计算锚区与已知的标定包围盒(tBox)之间的重合度p*:其中,IoU表示锚区和标定包围盒的交集与并集之比,anchor表示锚区,tBox表示标定包围盒;3.2.2)采用选择性搜...
【专利技术属性】
技术研发人员:赵昕玥,张树有,何再兴,刘明明,王宏远,谭建荣,
申请(专利权)人:浙江大学,
类型:发明
国别省市:浙江,33
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。