晶圆的检测方法、设备及存储介质技术

本申请提供了一种晶圆的检测方法，包括：获取晶圆的第一图像，第一图像包含表示晶圆的缺陷信息的整体特征；基于第一图像确定晶圆的第二图像，第二图像包含表示晶圆的缺陷信息的细节特征；将整体特征与细节特征进行融合，以生成融合后的特征；以及通过晶圆缺陷分类模型对融合后的特征进行检测。通过上述方法可在一定程度上提高晶圆缺陷检测的准确率，降低人工成本。成本。成本。

【技术实现步骤摘要】
晶圆的检测方法、设备及存储介质


[0001]本申请涉及半导体领域，更具体地，涉及一种晶圆的缺陷检测方法、设备及存储介质。

技术介绍

[0002]随着存储器的发展，对存储器的集成程度的要求越来越高，因此晶圆的特征尺寸不断减小，对晶圆的缺陷检测成为提高晶圆良率的重要方法。存储器的生产工艺繁多且复杂，在每一个工艺之后，尤其是刻蚀工艺和沉积工艺之后，都需要对晶圆表面的缺陷进行检测，避免有缺陷的晶圆流向后续制程，影响晶圆的电学性能。
[0003]目前主要是利用自动缺陷分类(Auto Defect Classification，简称ADC)系统结合机器学习的方法进行晶圆的缺陷检测。ADC系统主要有两个模块：检测模块和分类模块。检测模块通过扫描晶圆表面，确认可能存在缺陷的区域坐标，然后对缺陷区域利用电子扫描显微镜(scanning electron microscope，简称SEM)得到缺陷区域的图像；分类模块利用机器学习方法，构建分类模型，实现缺陷的分类。然而当前的ADC系统缺陷检测的性能很高，而缺陷分类的准确性很差。因此需要通过人工检查对缺陷分类本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种晶圆的检测方法，其特征在于，所述方法包括：获取晶圆的第一图像，所述第一图像包含表示所述晶圆的缺陷信息的整体特征；基于所述第一图像确定所述晶圆的第二图像，所述第二图像包含表示所述晶圆的缺陷信息的细节特征；将所述整体特征与所述细节特征进行融合，以生成融合后的特征；以及通过晶圆缺陷分类模型对所述融合后的特征进行检测。2.根据权利要求1所述的方法，其特征在于，基于所述第一图像确定所述晶圆的第二图像的步骤包括：对所述第一图像中的缺陷特征区域进行定位；以及对所定位出的缺陷特征的区域进行截取，以获得目标图像作为所述第二图像。3.根据权利要求2所述的方法，其特征在于，基于所述第一图像确定所述晶圆的第二图像的步骤，包括：对所述目标图像中的缺陷特征的细节区域进行定位；以及对所定位出的细节区域进行截取，以获得细节图像作为所述第二图像。4.根据权利要求2所述的方法，其特征在于，对所定位出的缺陷特征的区域进行截取，以获得目标图像作为所述第二图像的步骤，包括：基于深度卷积神经网络提取所述晶圆的第一图像的深度特征图谱；确定所述深度特征图谱上每个位置通道中的特征的平均值和所述深度特征图谱的整体通道中的特征的平均值；确认所述深度特征图谱中位置通道中的特征的平均值大于整体通道中的特征的平均值的区域作为目标缺陷区域；以及截取所述目标缺陷区域的图像作为所述目标图像。5.根据权利要求4所述的方法，其特征在于，在确认所述深度特征图谱中位置通道中的特征的平均值大于整体通道中的特征的平均值的区域作为目标缺陷区域之后，包括：确定所述目标缺陷区域的最小外包矩形并确认其坐标；通过反卷积确定所述目标缺陷区域在所述晶圆的第一图像中的位置坐标；以及根据所述位置坐标截取所述晶圆的第一图像，以作为所述目标图像。6.根据权利要求3所述的方法，其特征在于，对所定位出的细节区域进行截取以获得细节图像作为所述第二图像的步骤，包括：基于深度卷积神经网络提取所述目标图像的深度特征图谱；确定所述目标图像的深度特征图谱上每个位置通道的特征的平均值；选取滑动窗口对所述目标图像进行卷积，并根据所述滑动窗口确认至少一个激活窗口，所述激活窗口的深度特征图谱通道的特征的平均值大于所述深度特征图谱上每个位置通道的特征的平均值；以及截取所述至少一个激活窗口对应的所述目标图像作为所述细节图像。7.根据权利要求6所述的方法，其特征在于，选取滑动窗口对所述目标图像进行卷积，并根据所述滑动窗口确认激活窗口之后，对所定位出的细节区域进行截取以获得细节图像的步骤还包括：采用非极大值抑制的方式选择所述至少一个激活窗口的区域作为晶圆缺陷图像的细
节缺陷区域；通过反卷积确定所述细节缺陷区域在所述晶圆的目标图像中的位置坐标；以及截取所述细节缺陷区域的图像作为所述细节图像。8.根据权利要求1所述的方法，其特征在于，通过晶圆缺陷分类模型对所述融合后的所述特征进行检测，包括：对所述晶圆的缺陷进行分类，以确定所述晶圆的缺陷类型。9.根据权利要求1所述的方法，其特征在于，通过晶圆缺陷分类模型对所述融合后的所述特征进行检测之后，包括：输出检测结果，所述检测结果包括所述晶圆的缺陷类型，与所述晶圆的缺陷类型对应的置信度。10.根据权利要求1所述的方法，其特征在于，所述晶圆缺陷分类模型包括第一分类模型和第二分类模型，所述第一分类模型和所述第二分类模型进行训练的样本不同。11.根据权利要求10所述的方法，其特征在于，所述方法还包括单独训练所述晶圆缺陷分类模型的步骤，包括：将所述晶圆的第一图像和第二图像区分为纯净样本和噪声样本；以及将所述纯净样本输入到所述第一分类模型，所述噪声样本输入到所述第二分类模型，分别对所述第一分类模型和所述第二分类模型进行训练。12.根据权利要求1...

【专利技术属性】
技术研发人员：石强，
申请(专利权)人：长江存储科技有限责任公司，
类型：发明
国别省市：