一种晶圆片外观缺陷的检测分析方法及系统与流程

本发明涉及晶圆片加工，具体涉及一种晶圆片外观缺陷的检测分析方法及系统。

背景技术：

1、硅晶圆片的抛光分为粗抛、细抛、精抛，粗抛的目的是将研磨造成的高损伤和畸变层高效率的去除，并达到一定的平坦度和光洁度；细抛的主要任务是去除粗抛过程中产生的微损伤层，实现表面高光洁度；精抛的作用是进一步精细抛光和化学剥离，仅仅只有纳米级去除量进一步提高了硅晶圆抛光片表面的光洁度。抛光雾的产生原因是细抛/精抛无法在规定的时间内去除硅晶圆片粗抛后存有的损伤层而呈现出来的硅晶圆片表面粗糙度(haze)过大。

2、cn1815205a公开了一种利用cu诱导硅片表面cop的测试装置及其测试方法，属于检测方法技术领域。其主要先将被测试硅片氧化，去除硅片背面氧化膜，将化学反应槽内装满甲醇溶液，并依次放置第一铜板、硅片、二氧化硅薄膜、第二铜板、电极，然后将盖子盖紧，电极与第二铜板连接，电极通过导线接通电源正极端；第一铜板通过导线接通电源负极端；并用直流电源在第一、第二两块铜板之间通直流电；然后从化学反应槽中排出甲醇溶液，取出硅片，经干燥处理后测量硅片缺陷数量；该方法具有较好的灵敏度和伸缩性，但是其检测方法复杂，不利于工业化应用，并且无法检测出缺陷类别，无法进行缺陷处理。

技术实现思路

1、本发明的目的在于提供一种晶圆片外观缺陷的检测分析方法及系统，以解决现有技术中只针对于单一缺陷的检测难以实现对外观重叠缺陷的检测的技术问题。

2、为解决上述技术问题，本发明具体提供下述技术方案：

3、一种晶圆片外观缺陷的检测分析方法，包括以下步骤：

4、步骤s1、将所述晶圆片实体进行强光源投射得到用于外观缺陷检测的晶圆片投影图，将晶圆片投影图进行单点量化得到多个晶圆片投影像素点，并将晶圆片投影像素点进行差异分簇得到多个晶圆片投影像素点簇，其中，同一所述晶圆片投影像素点簇中包含的所有晶圆片投影像素点之间具有相似度高的像素特征，不同所述晶圆片投影像素点簇中包含的晶圆片投影像素点之间具有相似度低的像素特征；

5、步骤s2、利用已人工完成外观缺陷检测的晶圆片实体构建外观重叠缺陷样本，并基于外观重叠缺陷样本构建外观重叠缺陷分类器，其中，所述外观重叠缺陷样本表征为包含至少一种晶圆片的外观缺陷并在晶圆片实体的同一区域产生层次重叠，所述外观重叠缺陷分类器用于识别出重叠在晶圆片实体的同一区域的所述外观缺陷的类别；

6、步骤s3、将所述晶圆片投影像素点簇输入至外观重叠缺陷分类器中识别出晶圆片投影像素点簇对应的外观缺陷类别，并映射至晶圆片实体上得到晶圆片的存在外观缺陷的区域及类别。

7、作为本发明的一种优选方案，所述步骤s1中，所述晶圆片投影图的单点量化方法包括：

8、将所述强光源垂直设置在晶圆片实体的正上方垂直照射得到与晶圆片实体截面一致的晶圆片投影图，并为晶圆片实体和晶圆片投影图设定一致的二维坐标系以构成实体区域和像素区域的映射关系；

9、提取晶圆片投影图中每个像素点的像素特征，并且基于二维坐标系为每个像素点添加坐标特征，将晶圆片投影图由整体转换为具有像素特征和坐标特征的像素点式表征方式以实现将晶圆片投影图的单点量化为晶圆片投影像素点；

10、其中，所述晶圆片投影像素点表征为，所述晶圆片投影图的表征为，表征为晶圆片投影像素点的二维坐标的横、纵坐标数据，表征为晶圆片投影像素点的像素特征数据，表征为晶圆片投影像素点的像素点编号，n表征为晶圆片投影像素点的总数目。

11、作为本发明的一种优选方案，所述像素特征的提取方法包括：

12、分别提取所述晶圆片投影像素点在rgb三通道的r分量值、g分量值和b分量值，并为r分量值、g分量值和b分量值设定组合权重；

13、基于所述组合权重和r分量值、g分量值和b分量值得到所述晶圆片投影像素点的像素特征数据，所述像素特征数据的计算公式为：；

14、式中，表征为晶圆片投影像素点的像素特征数据，、、分别表征为晶圆片投影像素点的r分量值、g分量值和b分量值，、、分别表征r分量值、g分量值和b分量值的组合权重；

15、其中，所述组合权重的确定方法包括：

16、在已人工完成外观缺陷检测的晶圆片实体对应的晶圆片投影图中提取多个只含单一外观缺陷的单一缺陷区域，并将每个单一缺陷区域内的晶圆片投影像素点的r分量值、g分量值和b分量值的进行加权平均得到单一缺陷区域的平均r分量值、平均g分量值和平均b分量值；

17、利用组合权重计算单一缺陷区域的像素特征数据，式中，表征为单一缺陷区域k的像素特征数据，，k表征为单一缺陷区域的区域编号，m表征为单一缺陷区域的总数目，、、分别表征为单一缺陷区域k的平均r分量值、平均g分量值和平均b分量值；

18、设定区分阈值e，依次计算单一缺陷区域k和单一缺陷区域k+1的像素特征数据差值，其中，

19、若单一缺陷区域k和单一缺陷区域k+1中的单一外观缺陷类别相同，则将所述像素特征数据差值小于区分阈值e，构建出第一约束条件：；

20、若单一缺陷区域k和单一缺陷区域k+1中的单一外观缺陷类别不相同，则将所述像素特征数据差值高于区分阈值e，构建出第二约束条件：；

21、基于所述像素特征数据以及第一约束条件：，第二约束条件：求得r分量值、g分量值和b分量值的组合权重、、的取值。

22、作为本发明的一种优选方案，所述步骤s2中，所述外观重叠缺陷样本的构建方法包括：

23、将m个所述单一缺陷区域按单一外观缺陷类别进行分类得到m个单一缺陷类别簇，并将单一缺陷类别簇中包含的所有单一缺陷区域的像素特征数据进行加权平均得到单一外观缺陷类别的像素特征数据，其中，表征为单一外观缺陷类别j的像素特征数据，m为单一缺陷类别簇的总数目，且为单一外观缺陷类别总数目，j表征为单一外观缺陷类别的类别编号，且为单一缺陷类别簇的簇编号；

24、将m个所述单一外观缺陷类别的像素特征数据进行全排列组合得到至少重叠一种单一外观缺陷类别的像素特征数据作为外观重叠缺陷样本，其中，全排列组合的方法包括：

25、在m个所述单一外观缺陷类别任选个单一外观缺陷类别构成一个重叠组合作为一个外观重叠缺陷，将重叠组合中r个单一外观缺陷类别对应的像素特征数据进行像素级融合作为外观重叠缺陷的像素特征数据，并将外观重叠缺陷的像素特征数据作为一个外观重叠缺陷样本；

26、将所述外观重叠缺陷中包含的单一外观缺陷类别编码为外观重叠缺陷样本的样本标签，将外观重叠缺陷的像素特征数据作为所述外观重叠缺陷样本的样本特征。

27、作为本发明的一种优选方案，所述步骤s2中，所述外观重叠缺陷分类器的构建方法包括：

28、将所述外观重叠缺陷样本的样本特征作为卷积神经网络的输入项，将所述外观重叠缺陷样本的样本标签作为卷积神经网络的输出项，实现将卷积神经网络训练成外观重叠缺陷分类器。

29、作为本发明的一种优选方案，所述步骤s3中，所述晶圆片投影像素点簇对应的外观缺陷类别的识别方法包括：

30、将所述晶圆片投影像素点簇中包含的晶圆片投影像素点的像素特征数据进行加权平均得到晶圆片投影像素点簇的像素特征数据；

31、将所述晶圆片投影像素点簇的像素特征数据输入外观重叠缺陷分类器得到外观重叠缺陷的编码值，并将所述标签编码值进行解码得到类别编号，将类别编号对应的单一外观缺陷类别作为晶圆片投影像素点簇的缺陷类别。

32、作为本发明的一种优选方案，所述步骤s3中，晶圆片实体上外观缺陷的区域及类别的确定方法包括：

33、将所述晶圆片投影像素点簇的缺陷类别作为晶圆片投影像素点簇中晶圆片投影像素点的缺陷类别；

34、将具有缺陷类别的所述晶圆片投影像素点通过坐标特征映射到晶圆片实体上，其中，将晶圆片实体上与具有缺陷类别的所述晶圆片投影像素点坐标一致的区域作为晶圆片实体存在外观缺陷的区域，将缺陷类别作为晶圆片实体存在的外观缺陷类别。

35、作为本发明的一种优选方案，所述样本标签的编码是将对应的所有单一外观缺陷类别的类别编号进行十进制编码获得。

36、作为本发明的一种优选方案，本发明提供了一种根据所述的晶圆片外观缺陷的检测分析方法的分析系统，包括：

37、光源投射模块，将所述晶圆片实体进行强光源投射得到用于外观缺陷检测的晶圆片投影图，将晶圆片投影图进行单点量化得到多个晶圆片投影像素点，并将晶圆片投影像素点进行差异分簇得到多个晶圆片投影像素点簇；

38、模型构建模块，利用已人工完成外观缺陷检测的晶圆片实体构建外观重叠缺陷样本，并基于外观重叠缺陷样本构建外观重叠缺陷分类器；

39、缺陷确定模块，将所述晶圆片投影像素点簇输入至外观重叠缺陷分类器中识别出晶圆片投影像素点簇对应的外观缺陷类别，并映射至晶圆片实体上得到晶圆片的存在外观缺陷的区域及类别。

40、本发明与现有技术相比较具有如下有益效果：

41、本发明将晶圆片实体的外观缺陷转化至晶圆片投影图进行图像像素点识别，无需对晶圆片实体进行复杂检测操作，大大降低了检测成本，同时构建外观重叠缺陷分类器对晶圆片投影像素点进行缺陷类别的分类，无需人力视觉进行缺陷识别，有效的提高了缺陷识别的效率和精度。