一种基于AI图像识别的半导体缺陷识别方法与流程

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。

技术特征：

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。

技术总结
本发明提供一种基于AI图像识别的半导体缺陷识别方法，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；若未达到初级阈值，则寻找缺陷偏移量，并进行调整；再根据缺陷最终坐标，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，则进一步识别缺陷的类型，进行分类，并排序。其优点在于不改造或升级设备硬件本身的情况下，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。

技术研发人员：马巍,郑潜丰,张尚龙
受保护的技术使用者：上海哥瑞利软件股份有限公司
技术研发日：
技术公布日：2024/1/15