一种基于机器视觉的晶圆表面缺陷检测方法技术

一种基于机器视觉的晶圆表面缺陷检测方法属于晶圆生产制造过程中的缺陷检测领域。该方法首先利用工业线阵相机对整个晶圆进行扫描，获取完整晶圆原始图像；其次提取晶圆原始图像的灰度特征，对晶圆图像位姿进行校正；再次利用单样本晶粒图像和完整晶圆图像进行多模板匹配，并利用Kmeans和非线性差值方法筛选出最佳匹配坐标，完成对晶粒样本的分割；最后对分割样本进行图像增强，并对增强图像遍历提取外轮廓特征和轮廓内灰度特征，分别生成一维数组，进行Kmeans和层次聚类分析，筛选出离散样本，将离散样本标记为缺陷样本，生成缺陷晶圆图，完成晶圆缺陷检测。该方法能够应用到晶圆生产制造过程中，代替现在人工目检的方式。代替现在人工目检的方式。代替现在人工目检的方式。

【技术实现步骤摘要】
一种基于机器视觉的晶圆表面缺陷检测方法


[0001]本专利技术属于晶圆生产制造过程中的缺陷检测领域。具体涉及一种对晶圆表面缺陷采用线阵相机扫描采集、芯片样本分割并分析分割样本是否有缺陷的方法。

技术介绍

[0002]集成电路(Integrated Circuit，IC)产业是当今社会信息科技“船舶”的压舱石，关乎国家的信息安全以及科技地位，已然是衡量一个国家现代化进程和综合国力的重要标志，而我国的半导体材料和器件长期依赖进口，芯片设计、制造、质量检测能力薄弱，大量生产环节关键核心技术国产化水平不足，因此加快国产半导体技术革新，提升我国半导体关键生产技术的自主保障能力迫在眉睫。晶圆作为IC制造的主要材料，其缺陷检测技术是提升产品良率的重要保障。目前，晶圆缺陷检测主要分为两类：探针测试晶粒电气性能和人工检测晶圆表面缺陷，晶圆表面缺陷作为影响产品良率的主要问题，采用人工目检的方式效率低、速度慢、劳动强度大，因此亟需一种能够自动采集晶圆表面图像并对采集图像处理分析精确判断缺陷晶粒位置的方法。
[0003]针对晶圆缺陷检测，早期采用的是模板匹配方法，该方法是一种像素层面的图像比较算法，通过建立不同表面缺陷模式的标准模板库，用待检测芯片与模板进行匹配对比，进而判断芯片是否存在缺陷。但这种方法在建立标准库时只能依赖已有的表面缺陷样本，已有表面缺陷样本并不能反应所有的表面缺陷模式，无法完成对新出现缺陷样本的检测，且检测过程中需要多次匹配，检测效率低。近些年来，机器学习方法，如聚类分析、支持向量机、深度学习等，被应用于芯片的缺陷检测中，这些方法主要分为有监督学习和无监督学习。有监督学习需要依靠大量表面缺陷样本来训练分类模型，进而完成表面缺陷检测任务。但这类方法都需要依靠人工完成大量样本标记，劳动强度大且无法完成对新缺陷样本的检测，另外此类方法训练出的模型具有针对性，只能完成对训练样本芯片的缺陷检测，对其它类型芯片进行缺陷检测时，仍需要重新标记样本训练模型，工作量大且无法适应半导体产品的更新迭代。

技术实现思路

[0004]本专利技术主要目的在于提出一种基于机器视觉的晶圆表面缺陷检测方法，该方法能够应用到晶圆生产制造过程中，代替现在人工目检的方式，根据相机扫描采集图像完成样本分割与缺陷检测任务，实现机器自动检测晶圆表面存在缺陷的晶粒。本专利技术旨在解决以下问题：
[0005]1.晶圆表面缺陷检测主要通过人工目检生成晶圆缺陷模式图，效率低、速度慢、劳动强度大；
[0006]2.有监督分类模型依靠人工完成大量样本标记，劳动强度大且无法完成对新缺陷样本的检测；
[0007]3.有监督分类模型具有针对性，只能完成对训练样本芯片的缺陷检测，对其它类
型芯片进行缺陷检测时，仍需要标记样本训练模型。
[0008]为了解决以上问题，本专利技术提出一种基于机器视觉的晶圆表面缺陷检测方法，该方法首先利用工业线阵相机对整个晶圆进行扫描，获取完整晶圆原始图像；其次提取晶圆原始图像的灰度特征，对晶圆图像位姿进行校正；再次利用单样本晶粒图像和完整晶圆图像进行多模板匹配，并利用Kmeans和非线性差值方法筛选出最佳匹配坐标，完成对晶粒样本的分割；最后对分割样本进行图像增强，并对增强图像遍历提取外轮廓特征和轮廓内灰度特征，分别生成一维数组，进行Kmeans和层次聚类分析，筛选出离散样本，将离散样本标记为缺陷样本，生成缺陷晶圆图，完成晶圆缺陷检测。
[0009]本专利技术具体工作流程如下：
[0010]步骤1，利用工业线阵相机对整个晶圆进行扫描，获取完整晶圆原始图像；
[0011]步骤2，提取晶圆原始图像的灰度直方图特征，进行晶圆图像位姿旋转校正；
[0012]步骤3，将单个晶粒样本图像和校正后完整晶圆图像进行多样本模板匹配，利用Kmeans聚类选取最佳匹配坐标，非线性插值补全漏缺匹配坐标，提取出晶圆图中每个晶粒样本图像，保存每个晶粒样本图像坐标；
[0013]步骤4，提取晶粒样本图像特征，对每个晶粒样本图像进行图像增强；
[0014]步骤5，基于步骤4增强的晶粒图像，对图像进行2次阈值分割，遍历提取阈值分割晶粒图像最大外轮廓面积和轮廓内部灰度特征，分别生成对应的一维数组，利用Kmeans和层次聚类对数据聚类分析，根据聚类后离散样本数据，筛选出缺陷晶粒样本，记录缺陷样本坐标；
[0015]步骤6，基于步骤3保存的全部晶粒样本坐标和步骤5生成的缺陷样本坐标，生成缺陷晶圆图。
[0016]在上述技术方案中，步骤1中，所述晶圆图像采集具体过程如下：
[0017]搭建相机采集运动平台，运动平台具有X
‑
Y
‑
Z轴3自由度，在Y
‑
Z平面调节线阵相机高度，使其采集画面包含目标物最宽边界，将相机固定于Y
‑
Z平面。利用公式(1)计算相机线扫描速率，设置相机线扫描速率，使目标物体沿X轴匀速垂直通过线扫相机，使得相机对整个晶圆进行扫描，获取完整晶圆原始图像。
[0018]V
c
＝H
c
*V
o
/L
o
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
[0019]式中，V
c
为线阵相机线扫描速率，单位为Hz；
[0020]H
c
为线阵相机的每线像素数，单位为pixel；
[0021]V
o
为目标物运行速率，单位为m/s；
[0022]L
o
为目标物的宽幅，单位为m。
[0023]在上述技术方案中，步骤2中，所述图像位姿旋转校正具体过程如下：
[0024](1)将原始采集图像转为灰度图像，提取灰度图像的灰度直方图，搜索灰度直方图中第一个山谷，记山谷灰度值为分割阈值进行图像阈值分割。检测分割图像最大外轮廓，提取最大外轮廓图像部分，记录图像为ImgEdge。
[0025](2)搜索ImgEdge最下方角点，记录角点坐标为(X1,Y1)。提取ImgEdge的中心列坐标记为Y2，搜索Y2列中灰度值不为255的行坐标，记搜索行坐标中最大值为X2，(X2‑
X1)/(Y2‑
Y1)求出旋转角度β。当β>0时，对ImgEdge顺时针旋转β度，当β<0时，对ImgEdge逆时针旋转β度，记旋转后图像为ImgRotate。对ImgRotate进行(1)中同样处理，提取出位姿校正晶圆图像。
[0026]在上述技术方案中，步骤3中，所述晶圆样本分割具体过程如下：
[0027](1)读取步骤2校正后的完整晶圆图像，记图像为ImgGray，随意从ImgGray中选取一个晶粒样本记为ImgTemplate。利用ImgTemplate对ImgGray逐行进行模板匹配，设置模板匹配相似度阈值为0.6，记录匹配过程中相似度大于0.6的图像区域左上角坐标。
[0028](2)提取晶本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于机器视觉的晶圆表面缺陷检测方法，其特征在于，具体工作流程如下：步骤1，利用工业线阵相机对整个晶圆进行扫描，获取完整晶圆原始图像；步骤2，提取晶圆原始图像的灰度直方图特征，进行晶圆图像位姿旋转校正；步骤3，将单个晶粒样本图像和校正后完整晶圆图像进行多样本模板匹配，利用Kmeans聚类选取最佳匹配坐标，非线性插值补全漏缺匹配坐标，提取出晶圆图中每个晶粒样本图像，保存每个晶粒样本图像坐标；步骤4，提取晶粒样本图像特征，对每个晶粒样本图像进行图像增强；步骤5，基于步骤4增强的晶粒图像，对图像进行2次阈值分割，遍历提取阈值分割晶粒图像最大外轮廓面积和轮廓内部灰度特征，分别生成对应的一维数组，利用Kmeans和层次聚类对数据聚类分析，根据聚类后离散样本数据，筛选出缺陷晶粒样本，记录缺陷样本坐标；步骤6，基于步骤3保存的全部晶粒样本坐标和步骤5生成的缺陷样本坐标，生成缺陷晶圆图。2.根据权利要求1所述的一种基于机器视觉的晶圆表面缺陷检测方法，其特征在于，步骤1中，所述晶圆图像采集具体过程如下：搭建相机采集运动平台，运动平台具有X
‑
Y
‑
Z轴3自由度，在Y
‑
Z平面调节线阵相机高度，使其采集画面包含目标物最宽边界，将相机固定于Y
‑
Z平面；利用公式(1)计算相机线扫描速率，设置相机线扫描速率，使目标物体沿X轴匀速垂直通过线扫相机，使得相机对整个晶圆进行扫描，获取完整晶圆原始图像；V
c
＝H
c
*V
o
/L
o
ꢀꢀꢀꢀ
(1)式中，V
c
为线阵相机线扫描速率，单位为Hz；H
c
为线阵相机的每线像素数，单位为pixel；V
o
为目标物运行速率，单位为m/s；L
o
为目标物的宽幅，单位为m。3.根据权利要求1所述的一种基于机器视觉的晶圆表面缺陷检测方法，其特征在于，步骤2中，所述图像位姿旋转校正具体过程如下：(1)将原始采集图像转为灰度图像，提取灰度图像的灰度直方图，搜索灰度直方图中第一个山谷，记山谷灰度值为分割阈值进行图像阈值分割；检测分割图像最大外轮廓，提取最大外轮廓图像部分，记录图像为ImgEdge；(2)搜索ImgEdge最下方角点，记录角点坐标为(X1,Y1)；提取ImgEdge的中心列坐标记为Y2，搜索Y2列中灰度值不为255的行坐标，记搜索行坐标中最大值为X2，(X2‑
X1)/(Y2‑
Y1)求出旋转角度β；当β>0时，对ImgEdge顺时针旋转β度，当β<0时，对ImgEdge逆时针旋转β度，记旋转后图像为ImgRotate；对ImgRotate进行(1)中同样处理，提取出位姿校正晶圆图像。4.根据权利要求1所述的一种基于机器视觉的晶圆表面缺陷检测方法，其特征在于，步骤3中，所述晶圆样本分割具体过程如下：(1)读取步骤2校正后的完整晶圆图像，记图像为ImgGray，随意从ImgGray中选取一个晶粒样本记为ImgTemplate；利用ImgTemplate对ImgGray逐行进行模板匹配，设置模板匹配相似度阈值为0.6，记录匹配过程中相似度大于0.6的图像区域左上角坐标；(2)提取晶粒样本图像的宽高，记为w，h；将匹配后的左上角坐标点集合按行坐标排序，
列坐标跟随行坐标排序索引变化；将排序后相邻行坐标差值小于0.1w的行坐标划分...

【专利技术属性】
技术研发人员：于乃功，李洪政，徐乔，
申请(专利权)人：北京工业大学，
类型：发明
国别省市：