一种缺陷分类方法及缺陷分类设备与流程

本技术涉及半导体制造，尤其涉及一种缺陷分类方法及缺陷分类设备。

背景技术：

1、在半导体制造过程中，可以通过扫描电子显微镜(scanning electronmicroscope，sem)采集样品(如晶圆)上缺陷的sem图像，基于sem图像对缺陷进行分类。在现有的缺陷分类方法中，通常是将待分类的一张sem图像输入训练好的分类网络以得到分类结果。但是，由于一张sem图像中的图像信息有限，分类网络是基于图像信息得到分类结果，所以会导致分类结果的准确度较低。因此，有必要提高缺陷分类方法的准确度。

技术实现思路

1、本技术提供了一种缺陷分类方法及缺陷分类设备，可以增加缺陷分类模型对于缺陷的注意力，可以提高缺陷分类的准确度。

2、第一方面，本技术提供了一种缺陷分类方法，该方法包括：

3、获取待分类样品的图像集合，所述图像集合包括至少一组图像，每组图像包括缺陷图像和截取图像，所述缺陷图像是基于图像采集装置对所述待分类样品的至少一个缺陷采集的图像，所述截取图像是对所述缺陷图像中目标缺陷进行图像截取得到的图像，所述目标缺陷是所述至少一个缺陷中的一个；

4、基于所述图像集合输入至缺陷分类模型，得到所述目标缺陷的缺陷类别。

5、在一实施例中，所述缺陷分类模型包括第一神经网络；所述基于所述图像集合输入至缺陷分类模型，得到所述目标缺陷的缺陷类别，包括：

6、将所述图像集合输入至所述第一神经网络，得到对应的第一特征向量；

7、基于所述第一特征向量进行分类处理，得到概率向量；

8、将所述概率向量中最高概率值对应的缺陷类别作为所述目标缺陷的缺陷类别。

9、在一实施例中，所述缺陷分类模型还包括第二神经网络；所述基于所述图像集合输入至缺陷分类模型，得到所述目标缺陷的缺陷类别，还包括：

10、将所述图像集合中的至少一张所述截取图像输入至所述第二神经网络，得到对应的第二特征向量；

11、其中，所述基于所述第一特征向量进行分类处理，得到概率向量，包括：

12、对所述第一特征向量和所述第二特征向量进行特征融合，得到融合特征向量；

13、对所述融合特征向量进行分类处理，得到概率向量。

14、在一实施例中，所述第一神经网络为多通道的神经网络，所述第一神经网络的通道数量与所述图像集合中的图像总数相同；所述图像集合包括多组图像，每组图像包括一张截取图像，所述第二神经网络为多通道的神经网络，所述第二神经网络的通道数量与所述截取图像的总数相同。

15、在一实施例中，所述获取待分类样品的图像集合，包括：

16、基于所述图像采集装置在预设的第一视场下对所述待分类样品的至少一个缺陷进行至少一次图像采集，得到至少一张第一缺陷图像；

17、对每张所述第一缺陷图像进行缺陷检测，得到所述目标缺陷在第一缺陷图像中的位置信息；

18、基于所述位置信息按预设尺寸截取包括所述目标缺陷的图像区域，得到所述第一缺陷图像对应的截取图像；

19、基于每张所述第一缺陷图像和对应的所述截取图像分别得到一组图像，基于与所述目标缺陷对应的所有组图像得到所述图像集合。

20、在一实施例中，所述基于所述位置信息按预设尺寸截取包括所述目标缺陷的图像区域，得到所述第一缺陷图像对应的截取图像，包括：

21、基于所述位置信息从所述第一缺陷图像中按预设尺寸截取包括所述目标缺陷的图像区域，得到所述第一缺陷图像对应的截取图像；

22、其中，所述基于每张所述第一缺陷图像和对应的所述截取图像分别得到一组图像，包括：

23、将每张所述第一缺陷图像以及对应的所述截取图像分别作为一组图像。

24、在一实施例中，所述位置信息为第一位置信息；所述基于所述位置信息按预设尺寸截取包括所述目标缺陷的图像区域，得到所述第一缺陷图像对应的截取图像，包括：

25、基于所述图像采集装置和所述第一位置信息在预设的第二视场下采集所述目标缺陷的第二缺陷图像，所述第二视场小于所述第一视场，一张所述第一缺陷图像对应一张所述第二缺陷图像；

26、对每张所述第二缺陷图像进行缺陷检测，得到所述目标缺陷在第二缺陷图像中的第二位置信息；

27、对每张所述第二缺陷图像，基于所述第二位置信息从所述第二缺陷图像中按所述预设尺寸截取包括所述目标缺陷的图像区域，得到所述第二缺陷图像对应的截取图像；

28、其中，所述基于每张所述第一缺陷图像和对应的所述截取图像分别得到一组图像，包括：

29、将每张所述第一缺陷图像和/或对应的第二缺陷图像，以及与所述第二缺陷图像对应的所述截取图像分别作为一组图像。

30、在一实施例中，所述图像采集装置包括扫描电子显微镜或光学显微镜，所述图像集合包括多组图像，所述图像集合中的所述缺陷图像包括分别采用第一探测器和第二探测器对所述待分类样品的至少一个缺陷采集的图像，所述第一探测器和第二探测器的空间位置不同。

31、在一实施例中，所述图像采集装置包括扫描电子显微镜，所述第一探测器为二次电子探测器，所述第二探测器为背散射电子探测器。

32、在一实施例中，在所述基于所述图像集合输入至缺陷分类模型之前，所述方法还包括：

33、对所述图像集合中的缺陷图像和/或所述截取图像进行图像缩放处理，得到同一尺寸的所述缺陷图像和截取图像；

34、其中，所述缺陷分类模型通过如下方式训练得到：

35、获取多个训练图像集合以及每个训练图像集合对应的标签，每个训练图像集合包括至少一组训练图像，每个训练图像集合中训练图像的组数相同，每组所述训练图像包括缺陷训练图像和截取训练图像，所述缺陷训练图像是基于图像采集装置对样品的至少一个缺陷采集的图像，所述截取训练图像是对所述缺陷训练图像中的一个缺陷进行图像截取得到的图像；

36、基于所述多个训练图像集合以及每个训练图像集合对应的标签训练神经网络，得到所述缺陷分类模型。

37、第二方面，本技术提供了一种缺陷分类设备，所述缺陷分类设备包括：

38、如本技术任一实施例所述的图像采集装置；

39、至少一个处理器；以及与所述至少一个处理器通信连接的存储器；

40、其中，所述存储器存储有被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行本技术任一实施例项所述的缺陷分类方法。

41、第一方面，为了解决背景技术中现有技术的缺陷，本技术实施例提供了一种缺陷分类方法，执行该方法能够带来以下有益效果：相比使用待分类样品的一张图像进行缺陷分类的方法，本技术使用的是待分类样品的图像集合进行缺陷分类，图像集合包括至少一组图像，每组图像包括缺陷图像和截取图像，缺陷图像是基于图像采集装置对待分类样品的至少一个缺陷采集的图像，截取图像是对缺陷图像中目标缺陷进行图像截取得到的图像，目标缺陷是至少一个缺陷。截取图像用于突出显示对缺陷图像关注的区域，在缺陷图像的基础上，增加截取图像作为缺陷分类模型的输入，可以增加缺陷分类模型对于缺陷的注意力，可以提高缺陷分类的准确度。

42、需要说明的是，上述计算机指令可以全部或者部分存储在计算机可读存储介质上。其中，计算机可读存储介质可以与缺陷分类装置的处理器封装在一起，也可以与缺陷分类装置的处理器单独封装，本技术对此不做限定。

43、本技术中第二方面的描述，可以参考第一方面的详细描述；并且，第二方面的描述的有益效果，可以参考第一方面的有益效果分析，此处不再赘述。

44、应当理解，本部分所描述的内容并非旨在标识本技术的实施例的关键或重要特征，也不用于限制本技术的范围。本技术的其他特征将通过以下的说明书而变得容易理解。

45、可以理解的是，在使用本技术各实施例公开的技术方案之前，均应当依据相关法律法规通过恰当的方式对本技术所涉及个人信息的类型、使用范围以及使用场景等告知用户并获得用户的授权。