晶圆表面缺陷特征分析方法、系统、分类方法和系统的制作方法
【专利摘要】一种晶圆表面缺陷特征分析方法，所述方法包括：采集多个晶圆图像；从所述晶圆图像中提取晶圆的感兴趣区域；获取所述感兴趣区域内的所有可疑缺陷；从所述可疑缺陷中选取预设数量的训练样本；提取所述训练样本的特征数据；利用随机森林法对所述特征数据进行特征分析，得到由多个分类模型组成的随机森林。采用该方法，能够减少晶圆表面缺陷错分率，提高分类准确性。此外还提供一种晶圆表面缺陷特征分析系统、分类方法和系统。
【专利说明】晶圆表面缺陷特征分析方法、系统、分类方法和系统
【技术领域】
[0001]本发明涉及半导体制造加工领域，特别是涉及一种晶圆表面缺陷特征分析方法、系统、分类方法和系统。
【背景技术】
[0002]LED晶圆是半导体的基础材料，也是LED的核心部分。晶圆的质量严重影响着LED的波长、亮度、正向电压等主要的光电参数，同时也影响着半导体加工的效率，影响加工效率主要体现在对于有缺陷的部分的晶圆切割，若通过表面缺陷检测得到的数据再判断对晶圆的处理方式会使加工效率有所提高。表面缺陷的存在方式以及缺陷种类是多种多样的。另外，因获取晶圆图像的过程受到外界因素影响，会导致出现较多不属于任何一种缺陷类型的干扰区域。因此晶圆表面缺陷的分类存在分类难度较高、错分率高等问题。
【发明内容】
[0003]基于此，有必要提供一种降低错分率的晶圆表面缺陷特征分析方法、系统、分类方法和系统。
[0004]一种晶圆表面缺陷特征分析方法，所述方法包括:
[0005]采集多个晶圆图像；
[0006]从所述晶圆图像中提取晶圆的感兴趣区域；
[0007]获取所述感兴趣区域内的所有可疑缺陷；
[0008]从所述可疑缺陷中选取预设数量的训练样本；
[0009]提取所述训练样本的特征数据；
[0010]利用随机森林法对所述特征数据进行特征分析，得到由多个分类模型组成的随机森林。
[0011]—种晶圆表面缺陷特征分析系统，所述系统包括:
[0012]第一图像采集模块，用于采集多个晶圆图像；
[0013]第一感兴趣区域提取模块，用于从所述晶圆图像中提取晶圆的感兴趣区域；
[0014]第一可疑缺陷获取模块，用于获取所述感兴趣区域内的所有可疑缺陷；
[0015]训练样本选取模块，用于从所述可疑缺陷中选取预设数量的训练样本；
[0016]第一特征数据提取模块，用于提取所述训练样本的特征数据；
[0017]特征分析模块，用于利用随机森林法对所述特征数据进行特征分析，得到由多个分类模型组成的随机森林。
[0018]一种晶圆表面缺陷分类方法，所述方法包括:
[0019]采集待分类的晶圆图像；
[0020]从所述晶圆图像中提取晶圆的感兴趣区域；
[0021]获取所述感兴趣区域内的所有可疑缺陷；
[0022]提取所述可疑缺陷的特征数据；[0023]将所述特征数据输入至上述晶圆表面缺陷特征分析方法得到的随机森林或者利用代表性特征，得到晶圆缺陷的分类结果。
[0024]一种晶圆表面缺陷分类系统，所述系统包括:
[0025]第二图像采集模块，用于采集待分类的晶圆图像；
[0026]第二感兴趣区域提取模块，用于从所述晶圆图像中提取晶圆的感兴趣区域；
[0027]第二可疑缺陷获取模块，用于获取所述感兴趣区域内的所有可疑缺陷；
[0028]第二特征数据提取模块，用于提取所述可疑缺陷的特征数据；
[0029]分类模块，用于将所述特征数据输入至上述晶圆表面缺陷特征分析方法得到的随机森林或者利用代表性特征，得到晶圆缺陷的分类结果。
[0030]上述晶圆表面缺陷特征分析方法、系统、分类方法和系统，在晶圆感兴趣区域内的获取所有可疑缺陷，并提取训练样本的特征数据，利用随机森林法对特征数据进行特征分析，得到由多个分类模型组成的随机森林。由于训练样本是从每一种已经确定的缺陷中随机选取的，通过训练样本的特征建立起来的由多个分类模型组成的随机森林具有较高的准确度。从而减少了晶圆表面缺陷的错分率，提高了分类准确性。
【专利附图】
【附图说明】
[0031]图1为一个实施例中晶圆表面缺陷特征分析方法的流程图；
[0032]图2为几个晶圆表面缺陷样本的示意图；
[0033]图3为一个实施例中晶圆表面缺陷特征集；
[0034]图4为一个实施例中晶圆表面缺陷样本及对应的特征数据；
[0035]图5为一个实施例中随机森立法对特征数据分析的柱状图；
[0036]图6为一个实施例中分类模型的代表性特征、代表性特征对应的临界值和分类结果的不意图；
[0037]图7为一个实施例中晶圆表面缺陷分类方法的流程图；
[0038]图8为图7中将特征数据输入随机森林，得到晶圆缺陷的分类结果的流程图；
[0039]图9为一个实施例中晶圆表面缺陷分析系统的结构示意图；
[0040]图10为一个实施例中晶圆表面缺陷分类系统的结构示意图；
[0041]图11为图10中分类模块的结构示意图。
【具体实施方式】
[0042]为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
[0043]晶圆的表面缺陷主要包括:针孔、颗粒污染、颗粒缺失以及划痕等，另外在检测出的缺陷中还会存在一种由于图像质量的关系得到的干扰区域。其中，晶圆中的针孔所呈现的状态为白色的小亮点；颗粒污染所呈现的状态为黑色的区域，包括大颗粒污染和小颗粒污染；图像缺失呈现的状态为白色区域；划痕的呈现状态是白色的线型区域，干扰区域呈现的状态是一种临界状态，接近于背景同时也接近于缺陷。
[0044]在一个实施例中，如图1所示，提供了一种晶圆表面缺陷特征分析方法，包括:[0045]步骤102，采集多个晶圆图像。
[0046]本实施例中，可以通过高分辨率的线扫描相机或线阵相机采集多个晶圆的图像。具体的，通过相机采集到晶圆的多个行图像，并将这些行图像拼接成一幅大的晶圆拼接图像。晶圆包括但不限于LED晶圆、LED-PSS(Patterned Sapphire Substrate,图案化蓝宝石基板)晶圆等。
[0047]步骤104，从晶圆图像中提取晶圆的感兴趣区域。
[0048]在一个实施例中，可获取一系列的边宽。具体的，通过图像处理算法中扫描边缘点的方式得到一系列外边缘和内边缘的点，这一系列的两个点之间的距离即为一系列的边宽。位于内边缘内侧的区域即为晶圆的感兴趣区域。
[0049]步骤106，获取感兴趣区域内的所有可疑缺陷。
[0050]在一个实施例中，在晶圆的感兴趣区域，利用图像检测算法得到晶圆表面的可疑缺陷。具体的，利用灰度阈值分割的算法对感兴趣区域进行分割，可得到感兴趣区域内的黑色区域和白色区域。这些白色区域与黑色区域即为有缺陷的区域。如图2所示，提供了三种晶圆表面缺陷的样本。其中，颗粒污染所呈现的状态为黑色区域，颗粒缺失呈现的状态为白色区域，而干扰区域呈现的状态是一种临界状态，接近于背景同时也接近于缺陷。
[0051]步骤108，从可疑缺陷中选取预设数量的训练样本。
[0052]在一个实施例中，对于每一种缺陷，都可以选取预设数量的训练样本。训练样本的数量不受限制，数量越多，分析得到的特征就越可靠，分析所需的时间也相应地越长。
[0053]在选取训练样本时，可进行多次选取，每次选取的训练样本的总数相同，训练样本中的各种缺陷的类型的数量是随机变换的，每次选取的训练样本组成一组训练样本集。一组训练样本集用于生成一个分类模型。
[0054]步骤110，提取训练样本的特征数据。
[0055]在一个实施例中，缺陷特征包括区域特征和灰度特征，其中区域特征又分为根本区域特征和形状特征，灰度特征又分为根本灰度特征和纹理特征。具体的，根据训练样本的图像效果，分别采取相应的滤波、去噪声等处理方式，增强图像的对比度。配合阈值分割的算法，对训练样本进行阈值分割，根据分割的结果利用图像处理的算法来分别计算训练样本的特征数据。
[0056]步骤112，利用随机森林法对特征数据进行特征分析，得到由多个分类模型组成的随机森林。
[0057]在一个实施例中，利用随机森林法，对一个训练样本集进行特征分析，生成一个分类模型。具体的，可采用重采样技术从训练样本集合中抽取训练样本，每次采样抽取的训练样本组成一个训练样本集，对每个训练样本集，采用随机森林法进行特征分析，生成一个分类树(即分类模型)。多个分类模型组成一个随机森林，该随机森林即为高准确度的分类器。
[0058]另外，在获取到的可疑缺陷中，随机选取预设数量的测试样本。根据上述实施例中提供的提取特征数据的方式，分别提取测试样本的上述特征数据。进一步的，根据本实施例中提及的随机森林算法对测试样本的特征数据进行特征分析。然后将提取到的特征输入至本实施例的随机森林中，对该随机森林的精度进行验证。如果精度达到95%以上，则可以将该随机森林推广到其他晶圆表面缺陷的分析和分类。[0059]本实施例中，训练样本是从每一种已经确定的缺陷中随机选取的，通过训练样本的特征建立起来的由多个分类模型组成的随机森林具有较高的准确度。利用该随机森林对晶圆表面缺陷进行分类，可有效减少错分率，提高分类的准确性。
[0060]在一个实施例中，步骤110，包括:特征数据包含区域特征和灰度特征，区域特征包括区域根本特征和形状特征，灰度特征包括灰度根本特征和纹理特征。
[0061]本实施例中，缺陷特征从区域特征和灰度特征两方面进行提取。其中区域特征包括根本特征和形状特征，灰度特征包括根本特征和纹理特征。
[0062]进一步的，在一个实施例中，所提取的特征数据包括25种特征数据。如图3所示，区域特征中的根本特征包括面积(I)、完整性(2)、边缘数量(3)、连续性(4)、孔洞数量(5)和孔洞面积(6)，共6种特征。区域特征中的形状特征包括圆形度(7)、密集度(8)、凸状度(9)、矩形度(10)、各向异性(11)、体积(12)、结构元素(13)、距离均值(14)、距离方差
(15)和欧拉数(16)，共10种特征。灰度特征中的根本特征包括灰度面积(17)、最小灰度值
(18)和最大灰度值(19)，共3种特征。灰度特征中的纹理特征包括灰度均值(20)、灰度方差(21)、轮廓灰度方差(22)、灰度各向异性(23)、灰度熵(24)和灰度模糊熵(25)，共6种特征。
[0063]具体的，可采用如下公式分别计算上述25种特征数据:
[0064](I)面积一area
[0065]
【权利要求】
1.一种晶圆表面缺陷特征分析方法，所述方法包括: 采集多个晶圆图像； 从所述晶圆图像中提取晶圆的感兴趣区域； 获取所述感兴趣区域内的所有可疑缺陷； 从所述可疑缺陷中选取预设数量的训练样本； 提取所述训练样本的特征数据； 利用随机森林法对所述特征数据进行特征分析，得到由多个分类模型组成的随机森林。
2.根据权利要求1所述的方法，其特征在于，所述特征数据包含区域特征和灰度特征，所述区域特征包括区域根本特征和形状特征，所述灰度特征包括灰度根本特征和纹理特征。
3.根据权利 要求1所述的方法，其特征在于，所述利用随机森林法对所述特征数据进行特征分析，得到由多个分类模型组成的随机森林的步骤之后，还包括: 利用随机森林法分析出所述分类模型中各特征的比重，根据所述比重提取代表性特征、与所述代表性特征对应的临界值和分类结果。
4.一种晶圆表面缺陷分类方法，所述方法包括: 采集待分类的晶圆图像； 从所述晶圆图像中提取晶圆的感兴趣区域； 获取所述感兴趣区域内的所有可疑缺陷； 提取所述可疑缺陷的特征数据； 将所述特征数据输入至权利要求1至3中任一项所述的晶圆表面缺陷特征分析方法得到的所述随机森林或者利用所述权利要求3得到的代表性特征，得到晶圆缺陷的分类结果O
5.根据权利要求4所述的方法，其特征在于，所述将特征数据输入至所述随机森林，得到晶圆缺陷的分类结果的步骤，包括: 利用所述随机森林对所述待分类的晶圆进行预测分类； 根据预测分类的分类结果对所述待分类晶圆进行投票； 根据投票的分数确定所述待分类的晶圆的缺陷类别。
6.根据权利要求4所述的方法，其特征在于，所述利用所述代表性特征得到晶圆缺陷的分类结果的步骤为: 提取可疑缺陷的所述代表性特征； 根据所述代表性特征对应的临界值和分类结果，比较提取的可疑缺陷的代表性特征对应的值与所述临界值的大小，根据所述大小确定晶圆缺陷的分类结果。
7.一种晶圆表面缺陷特征分析系统，其特征在于，所述系统包括: 第一图像采集模块，用于采集多个晶圆图像； 第一感兴趣区域提取模块，用于从所述晶圆图像中提取晶圆的感兴趣区域； 第一可疑缺陷获取模块，用于获取所述感兴趣区域内的所有可疑缺陷； 训练样本选取模块，用于从所述可疑缺陷中选取预设数量的训练样本； 第一特征数据提取模块，用于提取所述训练样本的特征数据；特征分析模块，用于利用随机森林法对所述特征数据进行特征分析，得到由多个分类模型组成的随机森林。
8.根据权利要求7所述的系统，其特征在于，所述第一特征数据提取模块提取到的特征数据包含区域特征和灰度特征，所述区域特征包括区域根本特征和形状特征，所述灰度特征包括灰度根本特征和纹理特征。
9.根据权利要求7所述的系统，其特征在于，所述特征分析模块还用于利用随机森林法分析出所述分类模型中各特征的比重，根据所述比重提取代表性特征、与所述代表性特征对应的临界值和分类结果。
10.一种晶圆表面缺陷分类系统，其特征在于，所述系统包括: 第二图像采集模块，用于采集待分类的晶圆图像； 第二感兴趣区域提取模块，用于从所述晶圆图像中提取晶圆的感兴趣区域； 第二可疑缺陷获取模块，用于获取所述感兴趣区域内的所有可疑缺陷； 第二特征数据提取模块，用于提取所述可疑缺陷的特征数据； 分类模块，用于将所述特征数据输入至权利要求1至3中任一项所述的晶圆表面缺陷特征分析方法得到的所述随机森林或者利用所述权利要求3得到的代表性特征，得到晶圆缺陷的分类结果。
11.根据权利要求10所述的系统，其特征在于，所述分类模块包括: 预测分类模块，用于利用所述随机森林对所述待分类的晶圆进行预测分类； 投票模块，根据预测分类的分类结果对所述待分类晶圆进行投票； 类别确定模块，用于根据投票的分数确定所述待分类的晶圆的缺陷类别。
12.根据权利要求10所述的系统，其特征在于，所述分类模块还包括: 可疑缺陷代表性特征提取模块，用于提取可疑缺陷的所述代表性特征； 代表性特征分类模块，用于根据所述代表性特征对应的临界值和分类结果，比较提取的可疑缺陷的代表性特征对应的值与所述临界值的大小，根据所述大小确定晶圆缺陷的分类结果。
【文档编号】G06T7/00GK104008550SQ201410247994
【公开日】2014年8月27日 申请日期:2014年6月5日 优先权日:2014年6月5日
【发明者】舒远, 李玉廷, 王光能, 周蕾, 米野, 丁兵, 高云峰 申请人:深圳市大族激光科技股份有限公司, 深圳市大族电机科技有限公司