一种晶圆缺陷影像快速筛选方法与流程

1.本发明涉及半导体晶圆检测技术领域，特别是涉及一种晶圆缺陷影像快速筛选方法。


背景技术：

2.半导体和材料科学的发展，对材料特性表征，缺陷检测等的要求越来越独特，呈现高分辨率、高精度、专有化、多参量关联化等新的特质需求。半导体晶圆检测对象包括单晶硅和化合物半导体，如碳化硅、蓝宝石、氮化镓等材料为基地的衬底片、外延片以及腐蚀片，缺陷类型涵盖表面缺陷，晶格缺陷大类。
3.高分辨率的光学成像必然带来巨量的影像数据。特别是晶圆缺陷检测要求全检，即所有的生产型晶圆都要检测；而且晶圆缺陷检测是要把整片晶圆覆盖式检测，这些要求对图像的数据处理和数据存储都带来巨大的挑战。
4.缺陷分为系统缺陷和随机缺陷，真实的生产过程中，高纯的半导体晶圆的单晶度高，缺陷密度小。其中只有部分影像包含缺陷目标，而其余影像则只包含背景，是无缺陷信息的数据集。目前的缺陷检测算法采用传统数字图像处理方法或深度学习方法对每张影像进行处理，包括并没有缺陷信息的图像，运算量极大。由于工业制程需要，光学检测后能够进行多次后处理分析，排除在线分析方法的漏检率，需要将所有的原始影像数据进行保存。比如采用10倍光学放大，一张6英寸的晶圆，就可能需要占据5-10gb的存储空间。


技术实现要素：

5.本发明所要解决的技术问题是：本发明针对现有技术存在的不足，提出一种晶圆缺陷影像快速筛选方法，以快速准确地剔除不包含缺陷目标的影像，减少计算和分析图像信息的运算量，提升筛选效率，保证较高的查全率，也能够有效降低原始图像的像素大小，从而降低保存原始图像所需的存储空间。
6.为解决上述技术问题，本发明采用的一个技术方案是：
7.一种晶圆缺陷影像快速筛选方法，包括以下步骤：
8.s10、读入待筛选的晶圆扫描影像；
9.s20、对读入的影像进行预处理以减小背景噪声的影响；
10.s30、将预处理后的影像按预设的二维尺度分割为多张子影像；
11.s40、获得每张子影像的灰度值分布，并分别计算每张子影像的灰度值标准差，获得一个由每张子影像的灰度值标准差组成标准差序列；
12.s50、以子影像的灰度值标准差作为样本值，计算标准差序列的均值μ和标准差σ，构造统计量p表示影像包含缺陷的可能性，其中p＝(μ+3σ)/σ
max
，σ
max
为子影像标准差序列中的最大值；
13.s60、重复步骤s10至步骤s50，构造所有待筛选的晶圆扫描影像所对应的统计量，获得由所有统计量组成的统计量序列；
14.s70、采用最大类间方差法计算得出一个初始阈值ζ，通过统计量序列中各个统计量与初始阈值ζ进行大小比较，将所有待筛选的晶圆扫描图像分为包含缺陷目标和不包含缺陷目标两类；
15.s80、以步骤s70中区分出的不包含缺陷目标所对应的各个统计量作为精化统计量序列的样本值，计算精化统计量序列的均值μ
′
和标准差σ
′
，以ζ
′
＝μ
′‑
2σ
′
为最终阈值，通过精化统计量序列中各个统计量与最终阈值ζ
′
进行大小比较，将精化统计量序列中各个统计量所对应的待筛选的晶圆扫描影像分为包含缺陷目标和不包含缺陷目标两类。
16.进一步的，步骤s20中，对影像的背景噪声的预处理方式为高斯滤波。
17.进一步的，步骤s30中，影像分割采用的方式为纵、横双向等间距分割。
18.进一步的，步骤s50中，统计量p的值越小，表示影像中包含缺陷目标的可能性越大，反之则包含缺陷的可能性越小。
19.进一步的，步骤s70中，小于初始阈值ζ的统计量p对应的影像视为包含缺陷目标。
20.进一步的，步骤s80中，小于最终阈值ζ
′
的统计量p对应的影像视为包含缺陷目标。
21.还提供一种晶圆缺陷影像快速筛选设备，该设备应用所述的一种晶圆缺陷影像快速筛选方法来实现半导体晶圆的检测和筛选。
22.以及一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现所述的一种晶圆缺陷影像快速筛选方法。
23.和一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现所述的一种晶圆缺陷影像快速筛选方法。
24.与现有技术相比较，本发明的有益效果如下：
25.本发明通过分割影像获取数量众多的子影像并通过其灰度标准差构造出用于表征影像包含缺陷可能性大小的统计量，采用最大类间方差法计算得出一个初始阈值，通过统计量序列中各个统计量与初始阈值进行大小比较，可初步筛选出包含缺陷目标的影像。对于剩余图像所对应的统计量序列计算其均值及标准差，并以此计算最终阈值，小于该阈值的统计量所对应的影像即可视为包含缺陷目标，并以此结果对影像进行存储，从而以先粗后细的阈值计算方法达到了很高的筛选效率，且筛选过程的计算简单，能够保证较高的查全率；同时，该方法对影像通道不敏感，对于多个通道的影像均能采用该方法进行筛选，适应面较广。
附图说明
26.图1为本发明的缺陷影像快速筛选方法的流程示意图；
27.图2为本发明的影像分割方式的示意图；
28.图3为本发明的影像分割所得子影像的样例图；
29.图4为与图3中的子影像对应的灰度分布直方图；
30.图5为本发明的筛选阈值计算原理示意图。
具体实施方式
31.下面结合附图对本发明的较佳实施例进行详细阐述，以使本发明的优点和特征能更易于被本领域技术人员理解，从而对本发明的保护范围做出更为清楚明确的界定。
32.本发明提供的一种晶圆缺陷影像快速筛选方法，应用于现有的半导体晶圆检测设备上，通过对晶圆扫描影像进行检测，以筛选出包含缺陷目标的影像，以保证半导体晶圆的品质。半导体晶圆检测对象包括单晶硅和化合物半导体，如碳化硅、蓝宝石、氮化镓等材料为基地的衬底片、外延片以及腐蚀片，缺陷类型涵盖表面缺陷、晶格缺陷大类。
33.请参阅图1，该晶圆缺陷影像快速筛选方法包括以下步骤：
34.s10、读入待筛选的晶圆扫描影像；单个半导体晶圆的尺寸较小，在实际生产个检测中，通常是在芯片衬底上矩形阵列排列形成检测阵列，以便实现批量式转移和检测，因而晶圆扫描影像包括面积较大的芯片衬底影像和多个阵列分布的晶圆影像，芯片衬底影像作为影像背景，是无缺陷信息的数据集，只有部分晶圆影像中可能包含缺陷目标。
35.s20、对读入的影像进行预处理以减小背景噪声的影响；由于晶圆扫描影像中背景噪声水平较高，因此需要进行去噪，本方法采用高斯滤波操作，以获得灰度值更加连续平滑的影像。
36.s30、将预处理后的影像按预设的二维尺度分割为多个子影像。如图2所示，本方法中影像分割采用的方式为纵、横双向等间距分割。设影像尺寸为mpixels
×
npixels，分割尺度为spixels，则一张影像可得到q张子影像，其中q＝m
×
n/s2。本实施例中，经上述分割方式处理后，获得的其中一张子影像样例如图3所示。
37.s40、获得每张子影像的灰度值分布，并分别计算每张子影像的灰度值标准差，获得一个由每张子影像的灰度值标准差组成标准差序列。图3中所示的子影像样例所对应的灰度分布直方图如图4所示。通过通用的标准差计算公式可计算出每张子影像的灰度值标准差，进而可获得长度为q的标准差序列，即该标准差序列的长度与子影像的数量相等。
38.s50、以子影像的灰度值标准差作为样本值，计算标准差序列的均值μ和标准差σ，构构造统计量p表示影像包含缺陷的可能性，其中p＝(μ+3σ)/σ
max
，σ
max
为子影像标准差序列中的最大值；统计量p的值越小，表示影像中包含缺陷目标的可能性越大，反之则包含缺陷的可能性越小。因此，两类影像对应的统计量形成双峰分布，如图5所示。
39.s60、重复步骤s10至步骤s50，构造所有待筛选的晶圆扫描图像所对应的统计量，获得由所有统计量组成的统计量序列{p1，p2，
……
，pq}，其中，q为待筛选的晶圆扫描影像的总数；
40.s70、采用最大类间方差法计算得出一个初始阈值ζ，通过统计量序列中各个统计量pi(i＝1,2,
……
,q)与初始阈值ζ进行大小比较，将所有待筛选的晶圆扫描影像分为包含缺陷目标和不包含缺陷目标两类；小于初始阈值ζ的统计量pi对应的影像视为包含缺陷目标，反之，则视为不含缺陷目标。
41.s80、以步骤s70中区分出的不包含缺陷目标的影像所对应的各个统计量作为精化统计量序列的样本值，计算精化统计量序列的均值μ
′
和标准差σ
′
，以ζ
′
＝μ
′‑
2σ
′
为最终阈值(保守阈值)，通过精化统计量序列中各个统计量与最终阈值ζ
′
进行大小比较，将精化统计量序列中各个统计量所对应的待筛选的晶圆扫描图像分为包含缺陷目标和不包含缺陷目标两类。其中，小于最终阈值ζ
′
的统计量p对应的影像视为包含缺陷目标，则对应的原始图片按原始比例保存，与之前已经保存的包含缺陷目标的部分影像一同进行后续的进一步检测和分析。而其余的不包含缺陷目标的影像则无需进行后续的分析计算，只需进行简单的压缩、合并或舍弃等处理。在一般情况下，不包含缺陷目标的影像占据影像总数的绝大部
分，因此能够为后续的分析计算节省较多的计算资源，并且能为设备节省较大的存储空间。
42.本发明基于数字图像处理方法及基本的统计原理，实现了一种晶圆缺陷影像的快速筛选方法，需要在现有的半导体晶圆检测设备的检测程序中加入相关的程序部分，以实现上述的图像处理和计算筛分方法。
43.因此，本技术的实施例还提供能够实现上述实施例中的方法中全部步骤的一种电子设备的具体实施方式，所述电子设备具体包括如下内容：处理器、存储器、通信接口和总线。其中，所述处理器、存储器、通信接口通过所述总线完成相互间的通信；所述处理器用于调用所述存储器中的计算机程序，所述处理器执行所述计算机程序时实现上述实施例中的方法中的全部步骤。该电子设备可集成于现有的半导体晶圆检测设备中，
44.本技术的实施例还提供能够实现上述实施例中的方法中全部步骤的一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现上述实施例中的方法的全部步骤。
45.以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

技术特征：
1.一种晶圆缺陷影像快速筛选方法，其特征在于，包括以下步骤：s10、读入待筛选的晶圆扫描影像；s20、对读入的影像进行预处理以减小背景噪声的影响；s30、将预处理后的影像按预设的二维尺度分割为多张子影像；s40、获得每张子影像的灰度值分布，并分别计算每张子影像的灰度值标准差，获得一个由每张子影像的灰度值标准差组成的标准差序列；s50、以子影像的灰度值标准差作为样本值，计算标准差序列的均值μ和标准差σ，构造统计量p表示影像包含缺陷的可能性，其中p＝(μ+3σ)/σ
max
，σ
max
为子影像标准差序列中的最大值；s60、重复步骤s10至步骤s50，构造所有待筛选的晶圆扫描影像所对应的统计量，获得由所有统计量组成的统计量序列；s70、采用最大类间方差法计算得出一个初始阈值ζ，通过统计量序列中各个统计量与初始阈值ζ进行大小比较，将所有待筛选的晶圆扫描影像分为包含缺陷目标和不包含缺陷目标两类；s80、以步骤s70中区分出的不包含缺陷目标的影像所对应的各个统计量作为精化统计量序列的样本值，计算精化统计量序列的均值μ
′
和标准差σ
′
，以ζ
′
＝μ
′‑
2σ
′
为最终阈值，通过精化统计量序列中各个统计量与最终阈值ζ
′
进行大小比较，将精化统计量序列中各个统计量所对应的待筛选的晶圆扫描图像分为包含缺陷目标和不包含缺陷目标两类。2.根据权利要求1所述的一种晶圆缺陷影像快速筛选方法，其特征在于：步骤s20中，对影像的背景噪声的预处理方式为高斯滤波。3.根据权利要求1所述的一种晶圆缺陷影像快速筛选方法，其特征在于：步骤s30中，影像分割采用的方式为纵、横双向等间距分割。4.根据权利要求1至3任意一项所述的一种晶圆缺陷影像快速筛选方法，其特征在于：步骤s50中，统计量p的值越小，表示影像中包含缺陷目标的可能性越大，反之则包含缺陷的可能性越小。5.根据权利要求4所述的一种晶圆缺陷影像快速筛选方法，其特征在于：步骤s70中，小于初始阈值ζ的统计量p对应的影像视为包含缺陷目标。6.根据权利要求5所述的一种晶圆缺陷影像快速筛选方法，其特征在于：步骤s80中，小于最终阈值ζ
′
的统计量p对应的影像视为包含缺陷目标。7.一种晶圆缺陷影像快速筛选设备，其特征在于：该设备应用权利要求1至6任意一项所述的一种晶圆缺陷影像快速筛选方法来实现半导体晶圆的检测和筛选。8.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于：所述处理器执行所述程序时实现权利要求1-6任意一项所述的一种晶圆缺陷影像快速筛选方法。9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于：该计算机程序被处理器执行时实现权利要求1-6任意一项所述的一种晶圆缺陷影像快速筛选方法。

技术总结
本发明公开了一种晶圆缺陷影像快速筛选方法，包括以下步骤：读入影像、对读入的影像进行预处理、分割为多张子影像、计算子影像的灰度值标准差、获取标准差序列、根据标准差序列构造单张影像的统计量p、构造由所有影像的统计量组成的统计量序列、采用最大类间方差法计算得出初始阈值ζ并实现影像的初次筛分、阈值精化并筛选缺陷影像。本发明采用先粗后细的阈值计算方法，能够达到很高的筛选效率，可以大大减少设备中用于保存图像所需的存储空间，并且在后续分析过程中也能大大减少运算量，提高分析效率，且筛选过程的计算简单，能够保证较高的查全率；同时，该方法对影像通道不敏感，对于多个通道的影像均能采用该方法进行筛选，适应面较广。应面较广。应面较广。


技术研发人员：亢太波 朱干军 狄非 朱敏 李国红
受保护的技术使用者：中电科风华信息装备股份有限公司
技术研发日：2023.07.14
技术公布日：2023/10/15