基于视觉检测的半导体晶圆缺陷识别方法及系统与流程

本发明涉及视觉检测，尤其涉及基于视觉检测的半导体晶圆缺陷识别方法及系统。

背景技术：

1、随着集成电路制造工艺向高集成度和精细化发展，半导体晶圆表面缺陷的尺寸逐渐减小，缺陷形态更加复杂，晶圆视觉检测已成为晶圆制造和质量控制中的重要检测手段。现有技术通常利用工业相机、显微成像设备或自动光学检测设备采集晶圆表面图像，经图像校正、晶粒分割、特征提取和缺陷识别完成检测。由于晶圆表面规则分布大量结构相近的晶粒，部分方法采用模板匹配、相邻晶粒比较或同位置图像差分，对灰度异常、纹理异常、边缘破损、划痕及局部结构缺失进行识别。卷积神经网络和语义分割网络也逐渐用于晶圆缺陷检测，通过编码和解码提取缺陷特征，获得缺陷区域及对应类别。

2、现有基于视觉检测的半导体晶圆缺陷识别方法仍存在一定不足。传统模板比较或相邻晶粒差分多以单一晶粒或局部区域作为参考，对多个晶粒的同位位置、邻接关系和边界对应关系利用不足，晶粒位置偏移及正常纹理波动容易干扰缺陷判断。轻量化语义分割网络经过连续降采样后，微小缺陷的特征响应容易衰减，点状缺陷、细裂纹和窄划痕的信息可能丢失。对于跨越多个晶粒的连续缺陷，现有方法多在各晶粒区域内独立识别，缺少对缺陷延展方向和相邻晶粒边界位置连续关系的处理，容易将同一缺陷分割为多个独立区域。现有区域合并方法还多依据面积、重叠程度或简单距离进行判断，对缺陷轮廓延伸关系和结构形态差异利用不足，容易出现缺陷重复记录、范围确定不准确及类别判断不稳定的问题。

3、因此，如何提供基于视觉检测的半导体晶圆缺陷识别方法及系统是本领域技术人员亟需解决的问题。

技术实现思路

1、本发明的一个目的在于提出基于视觉检测的半导体晶圆缺陷识别方法及系统，本发明利用晶圆视觉图像校正与晶粒对应格构建、同位晶粒结构距离分析、改进pp-liteseg模型、异常核心扩展以及缺陷区域归并技术，详细描述了晶圆视觉检测、晶粒对应关系构建、缺陷特征提取、微缺陷保留、缺陷延展判别、跨晶粒连续恢复及缺陷识别结果生成的实现过程，实现了半导体晶圆表面微小缺陷、细长缺陷及跨晶粒连续缺陷的识别、定位和分类。相比传统基于单晶粒模板比对或独立区域分割的晶圆缺陷检测方式，本发明具备晶粒同位结构差异表征稳定、微缺陷特征保留完整、跨晶粒缺陷连续关系恢复准确、缺陷区域归并合理以及晶圆缺陷定位和类别判定准确性高的优点。

2、根据本发明实施例的基于视觉检测的半导体晶圆缺陷识别方法，包括：

3、采集晶圆视觉图像和晶粒位置数据，校正晶圆视觉图像并进行晶圆坐标映射，依晶粒位置数据划分晶粒区域，生成晶圆视觉检测集；

4、根据晶圆视觉检测集配准晶粒区域，按晶粒区域同位位置建立同位节点，按晶粒行列关系连接邻接节点并建立边界对应边，构成晶粒对应格；

5、沿晶粒对应格汇集同位节点的局部视觉区域，计算结构距离并按节点连接关系排列，生成晶圆缺陷分析样本；

6、将晶圆缺陷分析样本输入改进pp-liteseg模型，经晶粒差异校验单元、微缺陷保留单元、缺陷延展判别单元和跨晶粒恢复单元处理，生成晶圆缺陷视觉特征包；

7、根据晶圆缺陷视觉特征包确定异常核心，沿异常特征衰减方向扩展，合并相交区域，生成晶圆缺陷候选区域；

8、提取晶圆缺陷候选区域轮廓，计算主轴方向和结构偏离量，按主轴延伸关系和结构偏离量归并晶圆缺陷候选区域，生成晶圆缺陷识别记录；

9、根据晶圆缺陷识别记录确定缺陷晶粒、晶圆坐标、缺陷范围和缺陷类别，生成半导体晶圆缺陷识别结果。

10、可选的，所述晶圆视觉图像具体包括晶圆表面灰度图像、晶粒边缘图像和晶粒局部纹理图像；所述晶粒位置数据具体包括晶粒编号、晶粒行列坐标、晶粒中心坐标、晶粒边界坐标和晶粒区域尺寸。

11、可选的，所述生成晶圆视觉检测集，包括：

12、根据晶圆视觉图像拟合晶圆边缘，确定晶圆圆心和有效半径，校正晶圆表面灰度图像、晶粒边缘图像和晶粒局部纹理图像的旋转偏差及尺度偏差，生成校正晶圆视觉图像；

13、以晶圆圆心为坐标原点，将校正晶圆视觉图像中的像素位置按有效半径转换为晶圆坐标，建立像素位置与晶圆坐标的映射关系，生成晶圆坐标图像；

14、根据晶粒编号、晶粒行列坐标、晶粒中心坐标、晶粒边界坐标和晶粒区域尺寸，在晶圆坐标图像中定位晶粒边界并划分晶粒区域，生成晶粒区域集；

15、按晶粒编号汇集晶粒区域集中的晶圆表面灰度图像、晶粒边缘图像和晶粒局部纹理图像，保留对应晶圆坐标和晶粒行列坐标，生成晶圆视觉检测集。

16、可选的，所述构成晶粒对应格，包括：

17、按晶粒中心坐标平移晶粒区域至统一局部坐标系，并依据晶粒边界校正晶粒区域尺度，得到配准晶粒区域；

18、按配准晶粒区域内的相同局部坐标确定对应位置，将不同晶粒对应位置的局部视觉区域建立为同位节点；

19、依据晶粒行列坐标确定相邻晶粒，将相邻晶粒对应位置的同位节点确定为邻接节点并连接；

20、对齐相邻晶粒的边界位置，按局部坐标配对边界位置，并在配对边界位置对应的同位节点间建立边界对应边；

21、按晶粒行列关系组织同位节点、邻接节点和边界对应边，构成晶粒对应格。

22、可选的，所述生成晶圆缺陷分析样本，包括：

23、沿晶粒对应格按同位节点汇集局部视觉区域；

24、分别计算同位节点局部视觉区域之间的灰度差、边缘位置差和纹理特征差，并汇总灰度差、边缘位置差和纹理特征差得到结构距离；

25、将结构距离对应至参与计算的同位节点组合，按节点连接关系确定局部视觉区域的排列次序；

26、按照排列次序组合局部视觉区域及对应结构距离，生成晶圆缺陷分析样本。

27、可选的，所述生成晶圆缺陷视觉特征包，包括：

28、构建改进pp-liteseg模型，所述改进pp-liteseg模型包括晶粒差异校验单元、微缺陷保留单元、缺陷延展判别单元和跨晶粒恢复单元；

29、晶粒差异校验单元接收晶圆缺陷分析样本，将同位节点的局部视觉区域经pp-liteseg编码器转换为局部视觉特征，将同位节点间的结构距离排列为结构距离矩阵，对结构距离执行负指数变换并按行归一化得到一致性权重，按一致性权重聚合局部视觉特征形成一致基准，将局部视觉特征与一致基准逐位置作差，生成晶粒差异特征；

30、微缺陷保留单元接收晶粒差异特征，按编码位置划分局部窗口，对局部窗口内晶粒差异特征的绝对值求和得到降采样前异常能量，将局部窗口按下采样比例映射至下一编码层并换算降采样后异常能量，对降采样前异常能量与降采样后异常能量作差并截取非负部分，将非负部分按局部响应占比分配至对应编码位置，生成微缺陷保留特征；

31、缺陷延展判别单元接收微缺陷保留特征，以微缺陷保留特征响应值为权重计算局部窗口响应质心，分别计算局部窗口内的横向梯度和纵向梯度，将横向梯度平方和、横纵梯度乘积和及纵向梯度平方和排列为2×2结构张量，取结构张量最小特征值对应的特征向量作为延展向量，以响应质心为起点沿延展向量与晶粒边界求交得到边界出口，生成缺陷延展特征；

32、跨晶粒恢复单元接收缺陷延展特征，按缺陷延展特征的排列次序确定相邻晶粒，以相邻晶粒对应边界的同序端点作为边界起点，分别计算边界起点至边界出口的边界距离，将边界距离与对应晶粒边界长度的比值作为边界参数，计算相邻晶粒对应边界的边界参数差并执行负指数变换得到连接权重，按连接权重融合边界出口两侧的缺陷延展特征，生成跨晶粒恢复特征，经pp-liteseg逐级解码生成晶圆缺陷视觉特征包；

33、对改进pp-liteseg模型进行训练，以晶圆缺陷区域标注作为监督信息，将缺陷分割误差、同位节点一致性误差、微缺陷能量保持误差、缺陷延展方向误差和跨晶粒边界连续误差组合作为联合损失函数，分别约束晶圆缺陷分割、晶粒差异特征、相邻编码层异常能量、缺陷延展向量及跨晶粒恢复特征，基于联合损失函数反向传播更新改进pp-liteseg模型参数，当连续6轮训练的联合损失值相对变化率均不大于0.002时，完成改进pp-liteseg模型训练。

34、可选的，所述生成晶圆缺陷候选区域，包括：

35、对晶圆缺陷视觉特征包中各特征位置的通道响应绝对值求和，得到异常响应值，将局部邻域内异常响应值最大的特征位置确定为异常核心；

36、以异常核心为中心，计算相邻特征位置相对异常核心的异常响应差值，将异常响应值递减的相邻特征位置对应方向按异常响应差值加权，确定异常特征衰减方向；

37、沿异常特征衰减方向逐级选取与当前特征位置邻接且异常响应值递减的特征位置，将选取的特征位置与异常核心连续连接，直至不存在满足异常响应值递减条件的邻接位置，形成异常扩展区域；

38、比较不同异常扩展区域的覆盖位置，将存在相交位置的异常扩展区域合并，并保留未相交异常扩展区域，生成晶圆缺陷候选区域。

39、可选的，所述生成晶圆缺陷识别记录，包括：

40、提取各晶圆缺陷候选区域的外轮廓，按轮廓坐标计算区域质心，并以区域质心为原点转换轮廓坐标；

41、根据转换后的轮廓坐标构建坐标协方差矩阵，将最大特征值对应的特征向量确定为晶圆缺陷候选区域的主轴方向，并沿主轴方向确定轮廓两端的投影端点；

42、计算各轮廓坐标至主轴的垂直距离，将垂直距离均值与最大垂直距离之比确定为结构偏离量，并将主轴由投影端点向外延伸，确定与其他晶圆缺陷候选区域轮廓相交的主轴延伸关系；

43、按主轴延伸关系确定待归并晶圆缺陷候选区域，计算对应结构偏离量之间的绝对差，对每个晶圆缺陷候选区域选取绝对差最小的对应区域，将互为绝对差最小且具有主轴延伸关系的晶圆缺陷候选区域归并形成归并区域，将未归并晶圆缺陷候选区域作为独立归并区域，并记录归并区域的区域坐标及对应晶粒，生成晶圆缺陷识别记录。

44、可选的，所述生成半导体晶圆缺陷识别结果，包括：

45、按晶圆缺陷识别记录中归并区域的对应晶粒确定缺陷晶粒；

46、将归并区域的区域坐标按照像素位置与晶圆坐标的映射关系转换至晶圆坐标系，确定各归并区域的晶圆坐标；

47、分别提取各归并区域在晶圆坐标系中的横向坐标极值和纵向坐标极值，根据横向坐标跨度和纵向坐标跨度确定缺陷范围；

48、根据归并区域的面积、横向坐标跨度、纵向坐标跨度及跨晶粒覆盖数量计算区域形态特征，按区域形态特征确定缺陷类别，并汇集缺陷晶粒、晶圆坐标、缺陷范围和缺陷类别，生成半导体晶圆缺陷识别结果。

49、根据本发明实施例的基于视觉检测的半导体晶圆缺陷识别系统，包括如下模块：

50、晶圆视觉处理模块，用于采集并处理晶圆视觉图像和晶粒位置数据，生成晶圆视觉检测集；

51、晶粒结构构建模块，用于配准晶粒区域并构建晶粒对应格；

52、缺陷样本生成模块，用于组织同位节点的局部视觉区域并计算结构距离，生成晶圆缺陷分析样本；

53、缺陷特征提取模块，用于通过改进pp-liteseg模型处理晶圆缺陷分析样本，生成晶圆缺陷视觉特征包；

54、候选区域生成模块，用于确定并扩展异常核心，合并相交区域，生成晶圆缺陷候选区域；

55、缺陷区域归并模块，用于根据轮廓、主轴方向和结构偏离量归并晶圆缺陷候选区域，生成晶圆缺陷识别记录；

56、识别结果生成模块，用于确定缺陷晶粒、晶圆坐标、缺陷范围和缺陷类别，生成半导体晶圆缺陷识别结果。

57、本发明的有益效果是：

58、本发明提出的基于视觉检测的半导体晶圆缺陷识别方法，通过晶圆视觉图像校正、晶粒对应格构建、晶圆缺陷分析样本生成及晶圆缺陷视觉特征提取，形成面向晶圆重复结构的缺陷识别流程。通过将不同晶粒的同位位置组织为同位节点，并结合邻接节点和边界对应边建立晶粒对应格，能够统一表征晶粒之间的同位结构关系、邻接关系及边界对应关系，减少晶粒位置偏移和正常纹理波动对缺陷判断的干扰，提高晶圆重复结构条件下异常区域识别的稳定性。

59、本发明通过改进pp-liteseg模型中的晶粒差异校验单元、微缺陷保留单元、缺陷延展判别单元和跨晶粒恢复单元，对晶圆缺陷特征进行分层处理。晶粒差异校验单元利用同位节点结构距离形成一致基准并提取晶粒差异特征，微缺陷保留单元对相邻编码层之间的异常能量损失进行补偿，降低微小缺陷在连续降采样过程中的特征衰减；缺陷延展判别单元确定缺陷延展向量和边界出口，跨晶粒恢复单元依据相邻晶粒边界位置关系融合缺陷延展特征，使跨越晶粒边界的细裂纹、划痕及连续污染区域能够保持连续的特征表达，提高微小缺陷和跨晶粒连续缺陷的识别完整性。

60、本发明根据晶圆缺陷视觉特征包确定异常核心，并沿异常特征衰减方向形成晶圆缺陷候选区域，再结合候选区域轮廓、主轴方向和结构偏离量完成缺陷区域归并，能够减少同一连续缺陷被重复分割和重复记录的问题。通过统一确定缺陷晶粒、晶圆坐标、缺陷范围和缺陷类别，实现晶圆缺陷从特征提取、区域形成、连续关系恢复到最终识别结果输出的完整闭环，提升半导体晶圆缺陷定位、范围确定和类别判定的准确性，增强对微小缺陷、细长缺陷及跨晶粒连续缺陷的识别能力。