【技术实现步骤摘要】
一种基于深度学习的晶圆瑕疵检测方法
[0001]本专利技术涉及晶圆检测
,特别涉及一种基于深度学习的晶圆瑕疵检测方法。
技术介绍
[0002]晶圆是指制作集成电路时所用的晶片,常用的材料有硅、锗、砷化镓、氧化锌、磷化铟、氧化镓、碳化硅、氮化铝等,以硅材料为例,高纯度的多晶硅溶解后掺入硅晶体晶种,然后慢慢拉出,就形成了圆柱形的单晶硅;硅晶棒在经过研磨、抛光、切片后,形成硅晶圆片,也就是晶圆。在晶圆制作过程中,化学气相沉淀、光学显影、化学机械研磨在拉单晶、切片、磨片、抛光、增层、光刻、掺杂、热处理以及划片等一系列过程中可能使晶圆表面产生缺陷;在晶圆的缺陷种类中,晶圆表面冗余物、晶体缺陷、机械损伤(划痕图案)是较为常见缺陷。晶体缺陷的产生往往是由于晶体生长时加热不均所造成的,相较于其它晶圆表面缺陷,由于自身特征的缺陷对晶圆的制作工艺有更大的影响;机械损伤一般产生于晶圆制造过程的抛光、切片等步骤中,由化学机械研磨所致,是一种较为严重的晶圆表面缺陷,能够对集成电路芯片造成极为严重的影响。
[0003]随着我国集成电路制作工艺水平的飞速发展,晶圆的集成度不断提高,工艺的稳定性和可靠性也越来越好,但还是难免会出现有瑕疵的晶圆,这就对晶圆检测技术提出了更高的要求,对晶圆表面缺陷的高精度检测成为制作工艺过程中的重要环节。为了防止存在缺陷的晶圆流入下一步的封装工序,需要借助光学检测设备来识别晶圆表面缺陷并分类、标记,并分析缺陷原因,以改进制造工艺。CN 111982931 A等早期的晶圆光学检测方法,一般是将晶圆置于一个明 ...
【技术保护点】
【技术特征摘要】
1.一种基于深度学习的晶圆瑕疵检测方法,其特征在于,基于现有YOLOv7目标检测算法改进获得教师网络和学生网络,二者组成双通道教师
‑
学生网络;输入图像经教师网络训练获得泛在瑕疵区域,记泛在瑕疵区域概率为PA,图像为正常的概率PN=1
‑
PA;训练过程中教师网络获得的泛在瑕疵信息经蒸馏知识迁移至学生网络;输入图像经学生网络训练获得泛在瑕疵区域内的细分瑕疵,即特定瑕疵的概率Pj,j=1,...,M,M表示泛在瑕疵区域数目;最终测试阶段仅保留训练完成的学生网络,输入图像获得晶圆的正常与否以及晶圆的缺陷类别;教师网络包括现有YOLOv7目标检测算法的主干网络、注意力增强机制、多任务学习机制以及融合模块;学生网络包括改进的YOLOv7目标检测算法的主干网络、注意力增强机制、多任务学习机制以及融合模块;改进的YOLOv7目标检测算法的主干网络为基于现有YOLOv7目标检测算法的主干网络基础上进行精简,仅使用两组CSP瓶颈层模块;多任务学习机制包括泛在瑕疵的检测和细分瑕疵的检测;训练教师网络时仅进行泛在瑕疵的检测任务,训练学生网络时仅进行细分瑕疵的检测任务;融合模块用于将多任务学习机制的输出结果进行拼接,输出瑕疵概率以及瑕疵图像。2.根据权利要求1所述的基于深度学习的晶圆瑕疵检测方法,其特征在于,所述注意力增强机制包括空间注意力和通道注意力;经主干网络输出的特征图为F,空间注意力权重As(F)和通道注意力权重Ac(F)分别如下所示:(F)和通道注意力权重Ac(F)分别如下所示:其中,MLP()表示多层感知器,Conv()表示核尺寸为7*7的卷积操作;表示空间注意力权重下特征图F的平均值;表示空间注意力权重下特征图F的最大值;表示通道注意力权重下特征图F的平均值;表示通道注意力权重下特征图F的最大值;注意力增强机制表示如下:注意力增强机制表示如下:3.根据权利要求1或2所述的基于深度学习的晶圆瑕疵检测方法,其特征在于,所述融合模块融合拼接泛在瑕疵与特定瑕疵的概率,测试阶段时,融合模块将图像为正常的概率PN与特定瑕疵的概率Pj进行融...
【专利技术属性】
技术研发人员:夏新栋,杨彪,戚璐璐,兰昊,姜丰,王睿,杨长春,
申请(专利权)人:常州大学,
类型:发明
国别省市:
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。