本发明涉及一种半导体缺陷识别方法,特别设计一种基于ai图像识别的半导体缺陷识别方法。
背景技术:
1、在半导体行业,缺陷识别设备(sem review扫描电镜检查)目前都是人工操作模式运行的,步骤固定,重复,但其中缺陷识别和分类的环节对人的素质要求高,依赖于操作人员的经验和业务水平。人工操作模式的流程是:线上操作员手动选择参数;设备跑到查找到相关数据后,人工开始介入,观察设备对缺陷的寻找是否准确;如果设备对缺陷的寻找不准确,由人工手动寻找缺陷,并标注位置;再有设备查找相关数据;直到人工确证所有缺陷查找准确;人工再凭经验对缺陷进行分类,并人工进行各项检测。整个上述过程对人员的要求非常高,需要人员有丰富的缺陷识别,分类经验和敏锐的判断力,且对人员的耐心,承压能力,责任心也有很高的要求。实际在过去的工作中,经常出现缺陷位置漏找,误找的情况,以及缺陷类型判断错误,edx操作错误等问题。同时整个行业还面临新招人员困难,已有员工离职率高的问题,进而为企业带来人员培训周期长,难度大,培训成本高企等种种问题。
技术实现思路
1、本发明提出了一种基于ai图像识别的半导体缺陷识别方法;不改造或升级设备硬件本身的情况下,将上述缺陷review过程完全实现了自动化,拜托了对人员的依赖,大大减少了操作过程中的误判断和误操作,提高了生产效率,缺陷review成功率和稳定性,直接降低了人力成本;克服现有技术中的缺陷。
2、本发明提供一种基于ai图像识别的半导体缺陷识别方法,包括以下步骤:
3、步骤s1、获取产品的缺陷信息,缺陷信息包括缺陷原始坐标位置;
4、步骤s2、根据缺陷原始坐标位置,计算初级缺陷准确率,并判断初级缺陷准确率是否到达初级阈值;若达到初级阈值,则进入步骤s5;若未达到初级阈值,则进入步骤s3;
5、步骤s3、寻找缺陷偏移量,并进行调整;包括以下步骤:
6、步骤s3-1、获取未识别到缺陷的位置的周围图像;
7、步骤s3-2、通过ai图像识别判断在周围图像是否存在缺陷;若在周围图像中寻找到缺陷,则记录寻找到缺陷位置的实际坐标,然后进入步骤s3-3;
8、步骤s3-3、计算每个缺陷的实际坐标位置和原始坐标位置的矢量差值,并计算它们的平均数。
9、步骤s3-4、将原始坐标位置,按照上述平均数作为缺陷偏移量,获得缺陷位置的最终坐标;
10、步骤s4、根据缺陷最终坐标,计算次级缺陷准确率,并判断次级缺陷准确率是否到达次级阈值;若达到次级阈值,则进入步骤s5;
11、步骤s-5、进一步识别步骤s2或步骤s4的中缺陷的类型,进行分类,并排序。
12、进一步,本发明提供一种基于ai图像识别的半导体缺陷识别方法,还可以具有以下特征:步骤s2包括以下步骤:
13、步骤s2-1、选取设定数量的缺陷,根据选定的缺陷信息,通过ai图像识别判断产品在选定原始坐标位置是否存在缺陷;
14、步骤s2-2、统计上述步骤判断存在缺陷的数量,计算获得初级缺陷准确率;
15、步骤s2-3、判断初级缺陷准确率是否到达初级阈值;若达到初级阈值,则进入步骤s5;若未达到初级阈值,则进入步骤s3。
16、进一步,本发明提供一种基于ai图像识别的半导体缺陷识别方法,还可以具有以下特征:步骤s2-1中根据获取每个缺陷中心点的原始坐标位置,获取以该坐标位置为中心的图像,采用训练好的模型判断该图像中是否存在缺陷。
17、进一步,本发明提供一种基于ai图像识别的半导体缺陷识别方法,还可以具有以下特征:步骤s4包括以下步骤:
18、步骤s4-1、选取设定数量的缺陷,根据选定的缺陷信息,通过ai图像识别判断产品在最终坐标位置是否存在缺陷;
19、步骤s4-2、统计上述步骤判断存在缺陷的数量,计算获得次级缺陷准确率;
20、步骤s4-3、判断次级缺陷准确率是否到达次级阈值;若达到次级阈值,则进入步骤s5。
21、进一步,本发明提供一种基于ai图像识别的半导体缺陷识别方法,还可以具有以下特征:步骤s4-1中根据获取每个缺陷中心点的最终坐标位置,获取以该坐标位置为中心的图像,采用训练好的模型判断该图像中是否存在缺陷。
22、进一步,本发明提供一种基于ai图像识别的半导体缺陷识别方法,还可以具有以下特征:图像识别采取了基于传统的计算机视觉经典开源库opencv的图像识别和/或基于ai深度学习的图像识别。
23、进一步,本发明提供一种基于ai图像识别的半导体缺陷识别方法,还可以具有以下特征:缺陷的类型可以分为:凸起颗粒、划痕、凹陷中的一种或几种。
24、进一步,本发明提供一种基于ai图像识别的半导体缺陷识别方法,还可以具有以下特征:缺陷的类型包括凸起颗粒;缺陷信息还包括缺陷的尺寸;还包括步骤s-6、选择凸起颗粒中最大的选定数量进行打散处理,并对打散颗粒进行成分采集和分析。
25、进一步,本发明提供一种基于ai图像识别的半导体缺陷识别方法,还可以具有以下特征:步骤s3-1中将步骤s2中未识别出缺陷的原始坐标位置,扩大图像的拍摄范围,或者以该图像为中心获取以该图片为中心的周围8个图片。
26、本发明提供一种基于ai图像识别的半导体缺陷识别方法,将现有设备的操作过程全部实现了自动化,整个过程在不出现异常状况的情况下全程无需人工参与或介入,真正实现了此生产环节的自动化和无人化。具体表现为:实现了对缺陷的寻找及拍照的正确性的判断和统计,根据提前设定的阈值对相应的统计结果进行不同的操作处理;实现了对缺陷类型的自动识别和分类,且可以将分类的结果在后台进行保存,便于后续的人工二次确认及历史记录追溯;实现了将预设的某一特定类型的缺陷自动筛选出来的功能,并自动进行接下来的edx动作;实现了自动保存edx的结果,以及对应的照片;实现了当ga环节机台运行失败后自动报警的功能,通过rcm的界面将错误信息提示给相应人员,进而通过rcm直接采取措施;实现了在run1环节,edx环节根据提前设置好的阈值自动触发相应的动作或报警的功能;备具有接入自动化控制系统的功能,提供自动化生产,提高生产效率,减少生产错误;不改造设备软件,成本小,时间快,相比设备厂商改造设备硬件和设备软件,可行性,实现速度,成本及后期维护,有着绝对的优势。
1.一种基于ai图像识别的半导体缺陷识别方法,其特征在于:包括以下步骤:
2.如权利要求1所述的基于ai图像识别的半导体缺陷识别方法,其特征在于:步骤s2包括以下步骤:
3.如权利要求1所述的基于ai图像识别的半导体缺陷识别方法,其特征在于:步骤s2-1中根据获取每个缺陷中心点的原始坐标位置,获取以该坐标位置为中心的图像,采用训练好的模型判断该图像中是否存在缺陷。
4.如权利要求1所述的基于ai图像识别的半导体缺陷识别方法,其特征在于:步骤s4包括以下步骤:
5.如权利要求1所述的基于ai图像识别的半导体缺陷识别方法,其特征在于:步骤s4-1中根据获取每个缺陷中心点的最终坐标位置,获取以该坐标位置为中心的图像,采用训练好的模型判断该图像中是否存在缺陷。
6.如权利要求3或5所述的基于ai图像识别的半导体缺陷识别方法,其特征在于:图像识别采取了基于传统的计算机视觉经典开源库opencv的图像识别和/或基于ai深度学习的图像识别。
7.如权利要求1所述的基于ai图像识别的半导体缺陷识别方法,其特征在于:其中,缺陷的类型可以分为:凸起颗粒、划痕、凹陷中的一种或几种。
8.如权利要求1所述的基于ai图像识别的半导体缺陷识别方法,其特征在于:缺陷的类型包括凸起颗粒;缺陷信息还包括缺陷的尺寸;
9.如权利要求1所述的基于ai图像识别的半导体缺陷识别方法,其特征在于:步骤s3-1中将步骤s2中未识别出缺陷的原始坐标位置,扩大图像的拍摄范围,或者以该图像为中心获取以该图片为中心的周围8个图片。