人工智能辨识的半导体影像量测方法与流程

技术特征：
1.一种人工智能辨识的半导体影像量测方法，其特征在于，前述方法包括以下步骤：提供半导体的原始影像；利用人工智能判断前述原始影像所属的类型和/或种类；导入前述原始影像所属的类型和/或种类所预定的尺寸量测模式，并依照前述预定的尺寸量测模式，扫描前述原始影像，以获得前述原始影像的测量信号；以及从前述原始影像中抽出特定位置的对象，通过对应于前述抽出特定位置的对象的测量信号强度的运算以获得前述半导体中特定的物理参数。2.如权利要求1所述的人工智能辨识的半导体影像量测方法，其特征在于，前述半导体的原始影像是由扫描式电子显微镜sem、穿透式电子显微镜tem、原子力显微镜afm、聚焦离子束显微镜fib、以及x-光绕射结晶分析仪所构成族群其中之一所拍摄提供。3.如权利要求1所述的人工智能辨识的半导体影像量测方法，其特征在于，前述特定位置为前述原始影像中的指定结构处、指定高度、指定距离、指定50％高度、最小处、最大处、最底部、最顶部。4.如权利要求1所述的人工智能辨识的半导体影像量测方法，其特征在于，前述特定的物理参数为前述半导体中特定层的厚度、宽度、厚度平均值、宽度平均值、厚度标准偏差、宽度标准偏差、厚度方均根、宽度方均根其中之一或其组合其中之一或其组合，和/或前述半导体中特定位置的长度、宽度、高度、间距、夹角、弧长其中之一或其组合其中之一或其组合。5.如权利要求1所述的人工智能辨识的半导体影像量测方法，其特征在于，前述测量信号强度的运算为强度差运算、积分差运算或微分差运算。6.如权利要求1至5中任一项所述的人工智能辨识的半导体影像量测方法，其特征在于，前述利用人工智能判断前述原始像所属的类型和/或种类的步骤是由一类神经网络模块所执行。7.如权利要求6所述的人工智能辨识的半导体影像量测方法，其特征在于，前述类神经网络模块为卷积神经网络cnn模块或递归神经网络rnn模块。8.一种人工智能辨识的半导体影像量测方法，其特征在于，其步骤包括：提供半导体的原始影像；优化处理前述原始影像，以获得优化影像；利用人工智能判断前述优化影像所属的类型和/或种类；导入前述优化影像所属的类型和/或种类所预定的尺寸量测模式，并依照前述预定的尺寸量测模式，扫描前述优化影像，以获得前述优化影像的测量信号；以及从前述优化影像中抽出特定位置的对象，通过对应于前述抽出特定位置的对象的测量信号强度的运算以获得前述半导体中特定的物理参数。9.如权利要求8所述的人工智能辨识的半导体影像量测方法，其特征在于，前述半导体的原始影像是由扫描式电子显微镜sem、穿透式电子显微镜tem、原子力显微镜afm、聚焦离子束显微镜fib、以及x-光绕射结晶分析仪所构成族群其中之一所拍摄提供。10.如权利要求8所述的人工智能辨识的半导体影像量测方法，其特征在于，前述优化处理前述原始影像的步骤所优化处理的为前述原始影像的亮度、和/或对比、和/或敏锐度、和/或饱和度、和/或伽马校正、和/或灰阶、和/或色相、和/或色差、和/或色温、和/或焦距、
和/或分辨率、和/或噪声、和/或边缘平坦化。11.如权利要求8所述的人工智能辨识的半导体影像量测方法，其特征在于，前述特定位置为前述优化影像中的指定结构处、指定高度、指定距离、指定50％高度、最小处、最大处、最底部、最顶部。12.如权利要求8所述的人工智能辨识的半导体影像量测方法，其特征在于，前述特定的物理参数为前述半导体中特定层的厚度、宽度、厚度平均值、宽度平均值、厚度标准偏差、宽度标准偏差、厚度方均根、宽度方均根其中之一或其组合，和/或前述半导体中特定位置的长度、宽度、高度、间距、夹角、弧长其中之一或其组合。13.如权利要求8所述的人工智能辨识的半导体影像量测方法，其特征在于，前述测讯号强度的运算为强度差运算、积分差运算或微分差运算。14.如权利要求8至13中任一项所述的人工智能辨识的半导体影像量测方法，其特征在于，前述利用人工智能判断前述优化影像所属的类型和/或种类的步骤是由一类神经网络模块所执行。15.如权利要求14所述的人工智能辨识的半导体影像量测方法，其中前述类神经网络模块为卷积神经网络cnn模块或递归神经网络rnn模块。

技术总结
本发明公开了一种人工智能辨识的半导体影像量测方法，其包括以下步骤：提供半导体的原始影像；利用人工智能判断前述原始影像所属的类型和/或种类；导入前述原始影像所属的类型和/或种类所预定的尺寸量测模式，并依照前述预定的尺寸量测模式，扫描前述原始影像，以获得前述原始影像的测量信号；以及将所获得的特定位置的测量信号输出，并经由计算以获得前述半导体中特定的物理参数。述半导体中特定的物理参数。述半导体中特定的物理参数。


技术研发人员：柳纪纶 陈荣钦 黄邦浩 陈朝炜
受保护的技术使用者：汎铨科技股份有限公司
技术研发日：2020.08.24
技术公布日：2021/12/6