一种基于多模态数据融合的硅抛光片缺陷智能检测与工艺溯源系统及方法与流程

本发明涉及半导体材料生产，尤其涉及一种基于多模态数据融合的硅抛光片缺陷智能检测与工艺溯源系统及方法。

背景技术：

1、在硅抛光片生产过程中，表面质量（如颗粒污染、划伤、dimple等缺陷）是核心质量指标。目前主流质检方式存在以下问题点：

2、1.检测滞后且片面：传统人工抽检或单机版aoi（自动光学检测）设备仅在抛光/清洗后环节进行，属于事后检验，无法实时拦截批量性不良。且仅依赖光学图像，无法将缺陷与产生该缺陷的实时工艺参数（如抛光压力、转速、温度、浆料流量等）直接关联。

3、2.误判率高，依赖经验：对于dimple、浅划伤等与背景对比度弱的缺陷，缺陷判定严重依赖工程师的经验，标准难以统一量化，误报和漏报率高。

4、3.缺陷根因分析困难：当发现缺陷时，工艺工程师需要人工回溯海量的、离散的工艺日志数据，耗时耗力，难以快速精准定位导致缺陷的异常工艺区间（即"工艺窗口漂移"），导致问题重复发生，良率提升缓慢。

5、4.系统柔性不足：现有检测模型固化，当产品规格（如不同晶向、厚度）或工艺配方变更时，适应性较差，部署周期长。

6、综上，现有质检方案已难以满足高精度硅抛光片量产管控需求。

技术实现思路

1、本发明的目的是克服背景技术中的不足，提供一种基于多模态数据融合的硅抛光片缺陷智能检测与工艺溯源系统及方法。

2、本发明提供如下技术方案：

3、一种基于多模态数据融合的硅抛光片缺陷智能检测与工艺溯源系统，包括：

4、同步数据采集模块：包含工业相机和传感器网络，工业相机在预设工位触发采集硅片高清图像，传感器网络按时序采集硅片加工全过程的实际工艺数据流；同步数据采集模块通过绑定同一硅片的图像数据与实际工艺数据流；

5、ai视觉检测模型：基于硅片的图像数据识别硅片缺陷并输出缺陷判定结果；

6、缺陷工艺溯源分析引擎：预存硅片标准工艺数据流，在缺陷判定结果为存在缺陷时，通过waferid调取硅片对应的实际工艺数据流，与标准工艺数据流进行比对，通过异常检测算法识别并定位异常工艺数据；

7、工艺自适应反馈单元：汇总多片缺陷硅片对应的异常工艺数据，识别共性工艺偏差并生成工艺调整建议参数集推送至控制系统；控制系统自动调整工艺参数，或经人工确认后完成工艺参数调整，形成感知-诊断-优化的闭环控制。

8、进一步的方案中，还包括边缘计算服务器，所述 ai 视觉检测模型、缺陷工艺溯源分析引擎、工艺自适应反馈单元均内置部署于所述边缘计算服务器中。

9、进一步的方案中，所述边缘计算服务器配置本地存储单元，用于存储硅片标准工艺数据流、绑定后的图像与实际工艺数据流、缺陷判定结果、异常工艺数据、工艺调整建议参数集中的至少一种；和/或，所述边缘计算服务器将上述数据上传至所述控制系统归档保存。

10、进一步的方案中，所述异常工艺数据包括发生偏离的工艺参数、偏离时间点以及偏离量。

11、进一步的方案中，所述缺陷工艺溯源分析引擎配置分级报警模块，识别并定位异常工艺数据后，根据偏离量划分异常等级,输出对应等级的报警信号。

12、进一步的方案中，还包括与缺陷工艺溯源分析引擎通信连接的人机交互终端；异常检测算法识别并定位异常工艺数据后，生成异常工艺根因图表并推送至人机交互终端进行展示；

13、人机交互终端还用于接收人工确认指令，并下发至控制系统完成工艺参数调整。

14、进一步的方案中，所述工业相机包含高速全局快门面阵相机、tdi 线扫相机、短波红外相机、3d 轮廓相机中的至少一种。

15、进一步的方案中，所述传感器网络包含压力传感器、温度传感器、流量传感器、转速传感器中的至少一种。

16、第二方面，本发明提供一种基于多模态数据融合的硅抛光片缺陷智能检测与工艺溯源方法，包括以下步骤：

17、s1、同步数据采集绑定：对硅片抛光加工全过程进行连续时序数据采集，得到完整时序的实际工艺数据流；当硅片流转至预设工位时采集其高清图像，以唯一waferid为关联主体，结合统一时间戳完成同一硅片的图像数据与其全程实际工艺数据流的关联绑定；

18、s2、图像缺陷识别：对硅片的图像数据进行特征提取与缺陷判别分析，输出缺陷判定结果；

19、s3、工艺异常溯源比对：预存硅片标准工艺数据流；若硅片的缺陷判定结果为存在缺陷，则通过对应waferid调取该硅片的实际工艺数据流并与标准工艺数据流进行比对，通过异常检测算法识别并定位异常工艺数据；

20、如异常检测算法未识别到异常工艺数据，则对该硅片进行标记并将其图像数据及其全程实际工艺数据流存入案例库，转为人工分析；

21、s4、共性偏差闭环优化：汇总多片缺陷硅片对应的异常工艺数据，通过工艺贡献度分析量化各工艺参数对硅片缺陷的影响权重，基于参数影响权重筛选关键异常参数、识别共性工艺偏差，根据共性工艺偏差生成工艺调整建议参数集，推送至控制系统；控制系统自动调整工艺参数，或经人工确认后完成工艺参数调整，形成感知-诊断-优化闭环控制。

22、进一步的方案中，步骤 s3 中，通过异常检测算法识别并定位异常工艺数据后，输出可视化的异常工艺根因图表。

23、本发明的有益效果是：

24、本发明将ai视觉检测与生产线的实时工艺参数深度耦合，构建一个"感知-诊断-优化"的闭环系统，不仅实现缺陷检测，更能追溯缺陷成因并自适应调整工艺参数，从"事后检验"转变为"事中控制与预防"。

25、1、实现多模态数据精准绑定，数据溯源可靠性高

26、本发明采用全程时序工艺数据连续采集、工位图像定点采集的方式，通过waferid结合统一时间戳完成单硅片图像与全工序工艺数据的精准关联，解决了传统方案图像与工艺数据割裂、无法精准对应的问题，为工艺溯源提供准确的数据支撑。

27、2、实现缺陷工艺根因精准定位，突破单纯表象检测局限

28、区别于传统视觉检测仅能识别表面缺陷的短板，本发明可通过缺陷硅片匹配时序工艺数据，与标准工艺比对后精准定位异常工艺参数、偏离时间及偏离量，实现从“缺陷检出”到“工艺根因溯源”的升级，减轻工艺工程师的负担。

29、3、支持批量共性偏差分析，实现工艺闭环自适应优化

30、本发明可汇总多片缺陷硅片的异常数据，挖掘产线批次性共性工艺偏差，自动生成工艺调整参数建议，通过自动或人工确认方式完成工艺优化，形成检测-溯源-调参的闭环控制，有效提升产线工艺稳定性与硅片成品良率。

31、4、分级预警结合可视化，提升运维处置效率

32、本发明可根据工艺偏离量实现分级报警，同时生成可视化根因图表，直观展示工艺异常趋势与时段，方便人工快速复核校准，降低运维难度，提升故障处置效率。

33、5、双存储架构和边缘部署，系统实时性与安全性优

34、核心功能部署于边缘服务器，响应延迟低、实时性强；搭配边缘本地存储与控制系统云端归档的双存储模式，既满足现场高速调取需求，又实现数据备份留存，保障数据完整可追溯。

35、6、适配性广，工程落地性强

36、本发明可兼容多种图像采集设备与工艺传感器，适配硅片抛光多工况生产场景，模块化架构通用性强，可快速落地各类生产产线，有效降低质检与工艺优化成本。

37、7、模型泛化性强，新品新工艺无需大量数据重训练

38、不同于传统ai质检依赖大规模标注数据、场景迁移需重新训练的固有模式，本发明依托时序工艺数据比对与共性偏差统计分析实现溯源优化，并非依赖模型专属训练特征。当产品规格、抛光工艺配方更换时，仅需更新对应标准工艺数据流即可完成适配，无需开展大量样本标注与模型迭代训练，大幅降低产线迭代升级成本，场景适配灵活性强。

39、本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。