一种缺陷图像自动分析的装置及方法制造方法及图纸

本发明专利技术公开了一种缺陷图像自动分析的方法，包括如下步骤：S01：训练得出卷积神经网络模型，S02：将上述卷积神经网络模型配置到自动分析装置中，所述自动分析装置包括数据收集模块和数据库；所述数据收集模块将所收集到的图像自动分析装置将数据收集模块收集到的图像输入所述卷积神经网络模型中进行识别和分类，并将分类之后的图像及对应的缺陷类型传输至数据库中。本发明专利技术提供的一种缺陷图像自动分析的装置及方法，采用基于卷积神经网络模型的深度学习方法实现产线缺陷图像数据的自动分类功能，并将自动分类结果实时输入缺陷数据库，为失效机制的深入分析提供准确的数据保障。

A Device and Method for Automatic Analysis of Defect Image

【技术实现步骤摘要】
一种缺陷图像自动分析的装置及方法
本专利技术涉及集成电路制造领域，具体涉及一种缺陷图像自动分析的装置及方法。
技术介绍
在半导体集成电路制造领域，缺陷数据是生产线中的一类重要数据，其典型数据形式是由扫描电镜(SEM)所拍摄的一系列图片，缺陷数据与生产线的制造能力及晶圆制造的良率息息相关。产线所收集的缺陷数据通常表现为各种不同的缺陷类型，这些不同的缺陷类型通常反映了不同的失效机制，因此缺陷数据分析和利用的基础首先是要对缺陷类型进行准确判断和分类。目前对于缺陷数据的分类主要依赖工程师的经验进行人为判断，即采用人工分类方式，如附图1所示：当在线(In-line)检测设备完成缺陷数据的量测和收集后，将数据传入已有的缺陷数据库，然后工程师从数据库中调取缺陷图像数据进行人工分析，按照缺陷图像的不同特征结合制造工艺划分为不同的缺陷类型(defectcode)，这种人工分类方式在有限的数据规模下的确具有较高的准确度，但是不难看出，这种分析模式主要依赖工程师的行业经验，对人力资源占用巨大，分析效率十分低下，且因为生产效率的限制很难对产线的所有数据做出全面分析。在先进工艺节点的生产线中，细分的缺陷类型不断增加，甚至多达成百上千种，缺陷数据的数据量也显著增加，人工分类方式已经难以完成全部数据规模的分析和分类，目前很多缺陷数据量测的设备厂商都在积极研发能够自动进行缺陷数据分析的工具或方法，也在一些在线检测设备初步集成了相关分析功能，但是这些设备功能在研发时很难覆盖到复杂多变的实际制造工艺数据，因此相关功能在实际生产线应用时虽然能在一定程度上提升效率但是准确性比较低，仍然需要大量的人力资源投入进行人工校验和检查，因此实际应用比例很低。在实际工艺制造的生产线上仍然迫切需要一种有效的缺陷图像分析工具或方法，在保证缺陷数据分析准确性的同时提高分析效率，从而为提升晶圆制造良率提供有效帮助。
技术实现思路
本专利技术的目的是提供一种缺陷图像自动分析的装置及方法，采用基于卷积神经网络模型的深度学习方法实现产线缺陷图像数据的自动分类功能，并将自动分类结果实时输入缺陷数据库，为失效机制的深入分析提供准确的数据保障。为了实现上述目的，本专利技术采用如下技术方案：一种缺陷图像自动分析的方法，包括如下步骤：S01：训练得出卷积神经网络模型，具体包括：S011：建立M个数据集，并将M个数据集分为N个训练数据集和M-N个测试数据集；其中，每个数据集中包括一个缺陷图像和该缺陷图像对应的缺陷类型，M和N均为整数，M≥2，M>N≥1；S012：标注出每个数据集中缺陷图像中的缺陷区域，提取该缺陷区域中的缺陷特征，保证所述缺陷特征与缺陷类型一一对应；S013：采用卷积神经网络算法对N个训练数据集进行迭代训练；S014：采用测试数据集对训练后的卷积神经网络算法进行测试，若测试结果满足缺陷图像分类准确性要求，则将训练和测试之后的卷积神经网络算法输出，即为卷积神经网络模型；若测试结果不满足缺陷图像分类准确性要求，则继续对卷积神经网络算法进行迭代训练；S02：将上述卷积神经网络模型配置到自动分析装置中，所述自动分析装置包括数据收集模块和数据库；所述数据收集模块将所收集到的图像输入所述卷积神经网络模型中进行识别和分类，并将分类之后的图像及对应的缺陷类型存储在所述数据库中。进一步地，所述卷积神经网络算法为Alexnet、Inception、Xception、ResNet和VGG中的一种或多种。进一步地，所述步骤S02将上述卷积神经网络模型配置到所述数据收集模块中；所述数据收集模块将所收集到的图像传输至所述卷积神经网络模型中进行识别和分类，并将分类之后的图像及对应的缺陷类型传输至数据库中进行存储。进一步地，所述步骤S02将上述卷积神经网络模型配置到所述数据库中；所述数据收集模块将所收集到的图像传输至所述卷积神经网络模型中进行识别和分类，并将分类之后的图像及对应的缺陷类型存储在数据库中。进一步地，所述自动分析装置还包括位于所述数据收集模块和数据库之间的自动分析模块；所述步骤S02将上述卷积神经网络模型配置到所述自动分析模块中；所述数据收集模块将所收集到的图像传输至所述卷积神经网络模型中进行缺陷识别和分类，并将分类之后的图像及对应的缺陷类型传输至所述数据库中进行存储。进一步地，所述数据收集模块收集的图像被存储为Klarf文件和TIFF文件，其中，所述Klarf文件记录该图像的缺陷信息，所述TIFF文件记录该图像；当图像对应的Klarf文件和TIFF文件输入所述自动分析模块时，所述自动分析模块对TIFF文件中的图像进行分类，并将分类结果写入对应的Klarf文件中，再将更新后的Klarf文件和相应的TIFF文件传输至所述数据库中进行存储。进一步地，所述神经网络算法包括输入层、A层卷积层和A层池化层、全连接层以及输出层，其中，A为大于1的整数。本专利技术提供的一种缺陷图像自动分析的装置，包括数据收集模块和数据库，所述装置中配置有经过训练和测试的卷积神经网络模型，所述卷积神经网络模型用于对图像进行缺陷分类；所述数据收集模块将所收集到的图像传输至所述卷积神经网络模型中进行缺陷识别和分类，并将分类之后的图像及对应的缺陷类型存储在所述数据库中。本专利技术的有益效果为：本专利技术所提出的缺陷图像自动分析装置，对产线缺陷数据量测设备所收集的在线缺陷图像进行自动分类，并将分类结果实时传输至数据库进行存储。本专利技术装置可配置在产线缺陷数据量测设备端或数据库服务器端，完全替代了传统的人工分类模式，在线实现了缺陷图像数据的自动分类，大大提高了数据分析效率。系统核心功能的实现采用了基于卷积神经网络模型的深度学习方法，充分利用了卷积神经网络模型在图像分类方面的算法特点和优势，具有非常高的分类准确性。本专利技术的装置简单，具有非常高的可移植性，可适用于不同工艺节点的集成电路制造产线，具有非常重要的应用前景。附图说明附图1为现有技术中的缺陷图像分类模式示意图。附图2为本专利技术一种缺陷图像自动分析的装置图。附图3为本专利技术卷积神经网络模型的生成流程图。附图4为实施例中采用Xception卷积神经网络模型的混淆矩阵示意图。附图5为实施例中采用Xception卷积神经网络模型的柱状分布图。附图6为实施例中缺陷图像自动分析装置的应用示意图。具体实施方式为使本专利技术的目的、技术方案和优点更加清楚，下面结合附图对本专利技术的具体实施方式做进一步的详细说明。请参阅附图2，本专利技术提供的一种缺陷图像自动分析的装置，包括数据收集模块、自动分析模块和数据库，自动分析模块位于数据收集模块和数据库之间，自动分析模块中包含卷积神经网络模型，卷积神经网络模型用于对图像进行缺陷分类；数据收集模块收集到的图像传输至自动分析模块中进行缺陷识别和分类，并将分类之后的图像及对应的缺陷类型传输至数据库中进行存储。本专利技术所提出的缺陷图像自动分析的装置的核心功能是实现缺陷图像的自动分类，即对输入的缺陷图像数据根据预先设定的不同缺陷类型进行自动分类和标定，这里所述预先设定的缺陷类型是根据集成电路产线的工艺特征或失效机制已经确定的不同缺陷类型，例如图2实施例所述的STIVoid,BallDefect,AADamage,StickPD等缺陷类型，当然对于先进工艺节点，产线缺陷类型已多达上本文档来自技高网...

【技术保护点】
1.一种缺陷图像自动分析的方法，其特征在于，包括如下步骤：S01：训练得出卷积神经网络模型，具体包括：S011：建立M个数据集，并将M个数据集分为N个训练数据集和M‑N个测试数据集；其中，每个数据集中包括一个缺陷图像和该缺陷图像对应的缺陷类型，M和N均为整数，M≥2，M>N≥1；S012：标注出每个数据集中缺陷图像中的缺陷区域，提取该缺陷区域中的缺陷特征，保证所述缺陷特征与缺陷类型一一对应；S013：采用卷积神经网络算法对N个训练数据集进行迭代训练；S014：采用测试数据集对训练后的卷积神经网络算法进行测试，若测试结果满足缺陷图像分类准确性要求，则将训练和测试之后的卷积神经网络算法输出，即为卷积神经网络模型；若测试结果不满足缺陷图像分类准确性要求，则继续对卷积神经网络算法进行迭代训练；S02：将上述卷积神经网络模型配置到自动分析装置中，所述自动分析装置包括数据收集模块和数据库；所述数据收集模块将所收集到的图像输入所述卷积神经网络模型中进行识别和分类，并将分类之后的图像及对应的缺陷类型存储在所述数据库中。

【技术特征摘要】
1.一种缺陷图像自动分析的方法，其特征在于，包括如下步骤：S01：训练得出卷积神经网络模型，具体包括：S011：建立M个数据集，并将M个数据集分为N个训练数据集和M-N个测试数据集；其中，每个数据集中包括一个缺陷图像和该缺陷图像对应的缺陷类型，M和N均为整数，M≥2，M>N≥1；S012：标注出每个数据集中缺陷图像中的缺陷区域，提取该缺陷区域中的缺陷特征，保证所述缺陷特征与缺陷类型一一对应；S013：采用卷积神经网络算法对N个训练数据集进行迭代训练；S014：采用测试数据集对训练后的卷积神经网络算法进行测试，若测试结果满足缺陷图像分类准确性要求，则将训练和测试之后的卷积神经网络算法输出，即为卷积神经网络模型；若测试结果不满足缺陷图像分类准确性要求，则继续对卷积神经网络算法进行迭代训练；S02：将上述卷积神经网络模型配置到自动分析装置中，所述自动分析装置包括数据收集模块和数据库；所述数据收集模块将所收集到的图像输入所述卷积神经网络模型中进行识别和分类，并将分类之后的图像及对应的缺陷类型存储在所述数据库中。2.根据权利要求1所述的一种缺陷图像自动分析的方法，其特征在于，所述卷积神经网络算法为Alexnet、Inception、Xception、ResNet和VGG中的一种或多种。3.根据权利要求1所述的一种缺陷图像自动分析的方法，其特征在于，所述步骤S02将上述卷积神经网络模型配置到所述数据收集模块中；所述数据收集模块将所收集到的图像传输至所述卷积神经网络模型中进行识别和分类，并将分类之后的图像及对应的缺陷类型传输至数据库中进行存储。4.根据权利要求1所述的一种缺陷图像自动分析的方法，其特...

【专利技术属性】
技术研发人员：郭奥，王鹏飞，李琛，
申请(专利权)人：上海集成电路研发中心有限公司，
类型：发明
国别省市：上海,31