基于单像素的非成像晶圆表面缺陷检测方法及存储介质

1.本发明涉及晶圆缺陷检测
技术领域：
：，具体涉及一种基于单像素的非成像晶圆表面缺陷检测方法及存储介质。
背景技术：
：：2.传统的晶圆表面缺陷检测领域，晶圆的表面缺陷检测是先成像后再结合复杂的图像处理算法进行缺陷检测工作，检测质量受图像本身成像质量的限制，因而对图像分辨率和机器算力有很高要求。此外，高分辨率的图像对成像环境要求更加严格，而且成像方式受到光学系统、噪声、图像畸变等因素的影响，可能导致缺陷检测的准确性和可靠性下降。本发明提出的非成像晶圆表面缺陷检测方案，无需事先成像，因此不受物体成像质量的限制，特别是避免了由于晶圆表面过于光滑而导致的成像局部高亮和成像过程中晶圆表面因反射周围物体而形成的虚像问题，极大地提高了晶圆表面缺陷检测的鲁棒性。3.另外，传统成像晶圆表面缺陷检测系统通常需要使用高分辨率相机和复杂的光学元件来完成系统构建，获取高质量的图像，系统成本大大增加；传统成像系统生成的图像数据量庞大，需要进行大规模的数据采集和存储，对这些图像数据进行处理和分析也需要耗费大量的计算资源和时间；传统成像系统通常需要使用复杂的图像处理算法，这增加了系统设计和开发的复杂性。本发明提出的非成像晶圆表面缺陷检测系统，不依赖于复杂的成像设备，大大降低了晶圆表面缺陷检测系统的成本；采用单像素探测器完成对晶圆相关信息的收集，使系统设计和实现更加简化，减少了光学组件的复杂性和维护成本，提高了系统的可靠性；由于剔除了冗余数据，采用数据更加简洁，更为直接的特征抽取与分类手段对系统算力没有较高要求，进一步精简系统设计与开发复杂性。技术实现要素：4.本发明提出的一种基于单像素的非成像晶圆表面缺陷检测方法、系统及设备，可至少解决
背景技术：
：中的技术问题之一。5.为实现上述目的，本发明采用了以下技术方案：一种基于单像素的非成像晶圆表面缺陷检测方法，包括以下步骤，将预设编码照明图案投射到待测晶圆表面，以使所述编码照明图案经待测晶圆表面得到反射图案；采集所述反射图案的光强值，将光强值与缺陷图案进行数据分割与标签化处理；通过特征选择算法选取高相关性k个特征，并反推得到新的编码照明图案组合；将新的编码照明图案组合投射至其他待测晶圆表面之后采集反射光强值并进行特征抽取，把抽取的特征通过随机森林算法实现对晶圆缺陷的检测。6.进一步地，所述将预设编码照明图案投射到待测晶圆表面，以使所述编码照明图案经待测晶圆表面得到反射图案，具体包括，预设的编码照明图案由以下公式构建，首先由公式生成哈达玛基底图案：其中，表示哈达玛的逆变换，而：其中是哈达玛域的坐标；采用差分，获得一个系数，需要两次测量；一个测量是通过投影基编码照明图案获得的，另一个是通过它的逆]获得的；将预设编码照明图案]投影至待测晶圆表面，并使用单像素检测器来测量产生的光强度，单像素光强测量在数学上等同于哈达玛基图与物体之间的内积；由此可以得到相应哈达玛系数：其中,和是对应于和光照的测量值，系数是实值，系数的数量与图像像素的数量相同；使用差分对像素的图像进行完全采样需要次测量。7.进一步地，所述通过特征选择算法选取高相关性k个特征，具体根据卡方检验得到的强关联性来确定最有效的k个对应点，具体如下：通过比较观察值与期望值之间的差异来评价分类变量之间的关联度；计算该列联表的卡方统计量：其中是观测频数，是期望频数，根据列联表中各类别的样本数和总样本数计算得到；具体地：其中为指定行的总计数，是指定列的总计数，是所有观察值的总计数；通过对卡方统计量进行归一化，将卡方得分限制在一个固定的范围内，使得可以在不同特征之间进行比较，而不会受到特征取值数量的影响；将得到的卡方得分按照从高到低的顺序排列，并选择前k个与目标变量具有最强关联的特征作为选取结果，并根据哈达玛系数与编码照明图案的对应关系反推出新的编码照明图案组合。8.进一步地，应用新的编码照明图案进行投影后，采集数据并进行特征抽取，特征抽取之前需要对得到的信号进行归一化处理，以消除数据本身的影响，克服过拟合问题，使得特征具有相同的尺度和分布，以便于不同特征之间进行比较，其中，归一化处理如下：其中是归一化的特征值，、分别是每个特征值的最大值和最小值。9.进一步地，所述应用新的编码照明图案进行投影后，采集数据并进行特征抽取，包括将标准化后的数据特征做抽取计算，如下：峰值-peakvalue(pk)：；最小值-minimum(min)：；峰峰值-peak-to-peakvalue(pk-pk)：；平均能量-energy(e)：；均值-mean(a)：；平均整流值-averagerectifiedvalue(arv)：；均方根能量-rootmeansquare(rms)：；方差-variance(var)：；峭度-kurtosis(kur)：；偏度-skewness(skew)：；间隙系数-clearancefactor(cl)：；形状因子-shapefactor(sf)：；裕度因子-crestfactor(cf)：；冲激因子-impulsefactor(if)：。10.又一方面，本发明还公开一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如上述方法的步骤。11.再一方面，本发明还公开一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如上方法的步骤。12.由上述技术方案可知，本发明的关键是将一种筛选照明编码图案的策略应用在数据前处理过程，结合单像素可以通过非成像获得信息的优势，应用在晶圆缺陷检测方向，并提出一种非成像晶圆缺陷检测系统。所提出方案无需任何先验成像，就可以完成对待测晶圆信息的获取。其中筛选策略的应用可以达到欠采样的效果，在获得待测晶圆信息的同时减少冗余数据，相比传统成像式晶圆缺陷检测大大减少所需数据量；非成像的方式可以有效避免由于晶圆表面过于光滑而导致的成像局部高亮和成像过程中晶圆表面因反射周围物体而形成的虚像问题，这是传统成像方式无法直接避免的难题；非成像晶圆缺陷检测系统的构建不依赖于复杂的成像设备，采用单像素探测器完成对晶圆信息的收集，使系统设计和实现更加简化，减少了光学组件的复杂性和维护成本，这是传统成像方式无法做到的。13.则与传统成像式晶圆缺陷检测方法对比，本发明提出的非成像晶圆缺陷检测方案，无需事先成像，可以直接获取待测晶圆表面的信息，因此不受物体成像质量的限制，减少光学系统、噪声、图像畸变等因素的影响，特别是避免了由于晶圆表面过于光滑而导致的成像局部高亮和成像过程中晶圆表面因反射周围物体而形成的虚像问题，极大地提高了晶圆表面缺陷检测的鲁棒性。另外，所提出的方案在检测过程中筛除了冗余数据，所需数据量更小，检测更高效，而传统成像系统生成的图像数据量庞大，需要进行大规模的数据采集和存储。同时，检测过程中的所需总参数与模型大小相比传统成像式晶圆缺陷检测模型更小精简，算力要求更低。传统成像式晶圆缺陷检测系统需要使用高分辨率相机和复杂的光学元件来完成系统构建，以获取高质量的图像，系统成本大大增加，所提出非成像晶圆缺陷检测系统结构更加简单，减少了光学组件的复杂性和维护成本，提高了系统可靠性。附图说明14.图1为本发明实施例流程框图；图2是本发明实施例原理图；图3是本发明实施例的部分晶圆图案，其中（a）表示无缺陷（b）表示不同类型缺陷；图4是本发明实施例的实验装置示意图；图5是本发明实施例的不同k值下的分类效果比较示意图。具体实施方式15.为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。16.如图1所示，本发明实施例提出的非成像晶圆检测方法基于单像素，包括以下步骤：首先将预设得到的编码照明图案投射到待测晶圆表面，完成对晶圆表面的信息获取工作；同时本发明利用单像素探测器收集由反射图案反射回的光强值作为数据样本，采集部分样本并与相应晶圆缺陷类型匹配，将这部分数据分割并作标签化处理，以便后续特征选择工作的进行；利用特征选择算法取标签化的数据进行筛选，其中筛选后的数据值是对预测模型的性能和可解释性最相关的特征。本发明通过压缩编码后的数据与编码照明图案的联系筛选得到一组新的编码照明图案。此后，本发明用筛选出的编码照明图案组合对其他待测晶圆表面进行投射，同理收集反射回的光强值，并做特征抽取，最后通过随机森林算法完成对晶圆缺陷的分类工作。值得注意的是，筛选出的编码照明图案对同类型缺陷均是敏感的，即本发明通过一次筛选策略的执行，可以应用到以后的投影工作，这也保证了系统的检测效率。17.具体的说包括以下步骤，将预设编码照明图案投射到待测晶圆表面，以使所述编码照明图案经待测晶圆表面得到反射图案；采集所述反射图案的光强值，将光强值与缺陷图案进行数据分割与标签化处理；通过特征选择算法选取高相关性k个特征，并反推得到新的编码照明图案组合；将新的编码照明图案组合投射至其他待测晶圆表面之后采集反射光强值并进行特征抽取，把抽取的特征通过随机森林算法实现对晶圆缺陷的检测。18.以下分别具体说明：如图2所示，本发明所提出的非成像晶圆检测方法充分利用单像素的特性，即压缩编码后的数据与编码照明图案的对应关系，通过应用一种新的筛选策略对编码照明图案进行前处理工作，筛选出新的编码照明图案组合后来实现欠采样效果，实现初步的数据简化，收集压缩编码后的一维信号直接做特征提取，更加简化特征工程复杂性，其中通过简单计算得到14个特征点，最后结合随机森林算法完成分类。19.预设的编码照明图案由以下公式构建，首先由公式（1）生成哈达玛基底图案：其中，表示哈达玛德逆变换，而：其中是哈达玛域的坐标；为抑制噪声,保证本发明进行筛选编码照明图案前得到更加稳定的特征信息。我们采用差分，获得一个系数，需要两次测量。一个测量是通过投影基编码照明图案获得的，另一个是通过它的逆]获得的。20.将预设编码照明图案]投影至待测晶圆表面，并使用单像素检测器来测量产生的光强度。单像素光强测量在数学上等同于哈达玛基图与物体之间的内积。21.由此可以得到相应哈达玛系数：其中,和是对应于和光照的测量值，系数是实值，系数的数量与图像像素的数量相同。使用差分对像素的图像进行完全采样需要次测量。22.尽管全采样状态下得到的一维光强信号包含相当多的数据，但由于缺陷分布的稀疏性，这种状态并不是特别有利，较多冗余数据存在其中，影响检测效率。本发明以重建图像前的压缩编码数据入手，由于压缩编码过后的哈达玛系数与编码照明图案存在对应关系,这给本发明在欠采样处理模块提供了一个不错的思路。本发明通过特征筛选的方式来完成欠采样，与特征提取相比，特征选择的重点是通过应用评分和排名方法来优化特征选择，以保留代表基本数据特征的最合适的特征。23.卡方检验是selectkbest中用来评估分类变量之间关系的一种统计方法，它从原始特征集中选择k个最相关的特征，提高预测模型的性能和可解释性。通过比较观察到的频率和预期频率来衡量两个分类变量之间的关联性或独立性。通过计算卡方统计量并将其与卡方分布中的临界值相比较，确定变量之间是否存在显著关系。根据卡方检验得到的强关联性来确定最有效的k个对应点。其原理可以表达如下：首先，卡方统计量通过列联表（contingencytable）计算，本发明所涉及到的列联表分布如下：在这个表格中，a_0、a_1、b_0、b_1、c_0、c_1等表示特征取值与目标变量取值的交叉频数,用于后续观测与期望频数的计算。24.通过比较观察值与期望值之间的差异来评价分类变量之间的关联度。计算该列联表的卡方统计量：其中是观测频数，是期望频数，根据列联表中各类别的样本数和总样本数计算得到。具体地：其中为指定行的总计数，是指定列的总计数，是所有观察值的总计数。25.通过对卡方统计量进行归一化，将卡方得分()限制在一个固定的范围内，使得可以在不同特征之间进行比较，而不会受到特征取值数量的影响。26.将得到的卡方得分按照从高到低的顺序排列，并选择前k个与目标变量具有最强关联的特征作为选取结果。为了获得与最优化的k特征值相一致的编码照明图案，对得到的每个数据进行特征索引。在对这些编码照明图案进行过滤后，将其作为一种新的编码照明图案的混合体加以利用。用新的编码照明图案组合代替之前的编码照明图案组合进行投影工作，在获得高相关性特征信息的同时达到欠采样的效果。值得一提的是，筛选得到的新编码照明图案组合对类似的目标图案（包括晶圆片与其相应表面缺陷）同样敏感，得到的数据有很强的相关性，这与特征增强的作用相同。当然，本发明也可以把这个过程理解成一个数据前处理的降维过程，可以更高效地压缩编码得到一维数据，方便本发明后续进行特征抽取。27.应用新的编码照明图案进行投影后，采集数据并进行特征抽取，特征抽取之前需要对得到的信号进行归一化处理，以消除数据本身的影响，克服过拟合问题，使得特征具有相同的尺度和分布，以便于不同特征之间进行比较：其中是归一化的特征值，、分别是每个特征值的最大值和最小值。28.因此，本发明可以得到标准化后的特征数据，相比图片等高维度的特征数据，这些特征表示更为简洁，相关特征抽取也可以更加高效的完成。最后本发明将标准化后的数据特征做抽取计算，得到包括能量、偏度、峭度、峰值因子、形状因子等相关14个特征点，如下表所示。29.通过上述特征点的计算，将高维度的数据转化为低维度的表示形式，这种数据抽象过程有助于捕获数据中的重要特征，减少冗余和不相关的信息，突出数据的本质属性，为后续分类器提供更加精炼和有效的输入；与原始特征数据相比，这些特征点更加关注数据的重要特征，对数据间的变化和噪声具有较好的抵抗能力，减少噪声和过拟合问题，并提升模型的泛化能力和解释性；而且特征点的数量更少使得分类器在大规模数据集和实时应用场景中的计算效率得到提升，并节省了计算资源和存储成本。30.进而经过不同分类效果的对比，分类器最终采用随机森林分类器进行分类工作。随机森林分类算法是一种集成学习方法，它成功地解决了过拟合的难题，并能够处理以非线性变量为特征的数据集的特征选择和分类。该算法具有明显的通用性和包容性，能更好地适应所审查的数据。此外，随机森林模型表现出卓越的准确性和概括能力，使其处于机器学习分类器的前列。其中本发明采用交叉验证的方式来进行结果评估，交叉验证的实施允许对结果进行评估，提高数据的利用率，最大限度地减少过拟合的可能性，并提高各种应用中的可靠性和概括能力。31.需要特别说明的，本发明实施例所卷积的单像素成像基模式可以是hadamard、fourier和wavelet等基图案；特征选择也可以采取其他筛选策略，特征抽取与分类算法也可以用其他方法代替；投影设备可以使用投影仪，lcd，dmd等多种空间光调制器来代替进行投影图案的调制；光电探测器可以使用光电池，光电二极管等对光强信息产生响应的光电器件代替。本发明实施例的非成像晶圆缺陷检测系统系统装置可以采用被动式的结构成像方式。32.如图3所示，本发明从某半导体公司获取了真实硅晶圆片图像数据，这些数据属于无图案晶圆的范畴。为了增强数据集的效果，对收集到的数据进行裁剪和旋转处理。每张尺寸为64*64像素，无缺陷和有缺陷均匀分布，作为后续处理的目标图案。本发明抽出五张无缺陷和五张有缺陷的真实硅片数据图像作为范例。33.本发明的非成像晶圆缺陷检测系统装置如图4所示，筛选后的编码照明图案经投影仪投射到待测晶圆表面，从物体反射（或透射）的一维光强信号由单像素探测器探测并转化为电信号，由数据采集卡将采集到的信号输入至计算机，经上述步骤完成数据处理与分类工作。34.为了证明拟议方案在筛选编码照明模式方面的可行性，本发明进行了一系列实验，从不同方向随机分配k值。在本文中，本发明将k设为1000，以此为例进行说明。本发明的方法首先关注频率方面。本发明观察到，普通信号的能量往往集中在低频范围。此外，这些信号在经过哈达玛变换后会进一步集中在低频区域。本发明发现，能量水平较高的频率成分在捕捉信号特征信息方面发挥着重要作用。因此，本发明从差分哈达玛编码照明图案中提取了1000个低频编码照明图案，记为k''。同样，本发明考虑到硅晶片中存在缺陷，从而得出结论，高频成分在捕捉信号细节和快速变化方面更为有效。在哈达玛频谱中，高频区域的能量集中表明在这些频率成分中存在更详细的信息。因此，本发明提取了1000个高频编码照明模式，也称为k''。最后，为了确保信息的全面性，本发明选择了1000个覆盖低、中、高混合频率的投影模式，记为k'''。35.如表所示，本发明选择了三个评估指标，即总准确率、召回率和误报率，来比较不同组合在检测真实硅片缺陷方面的效果。结果表明，利用高频、混频和低频编码照明模式实现的分类结果被认为是微不足道的。根据数据，高频、混频和低频编码照明模式组合的总准确率和召回率分别约为80%、85%和89%。另一方面，所述方法在这两个评估指标上都达到了约96%。在误报率方面，高频、混频和低频编码照明模式的组合分别为23%、17%和10.6%，而所述程序的误报率为6.4%。这些发现证明了所提出的筛选和过滤策略的可行性，进一步支持了之前的说法，即筛选后的编码照明模式对同类缺陷表现出同等的敏感性，可以更有效地获取与这些缺陷相关的特征信息，以便进行后续处理。36.本发明的分析发现，使用k=1000时可以提供有关晶片表面的可靠信息。随机森林分类器对这些信息提取出的特征进行处理后，识别准确率达到96%。换句话说，通过实施这种筛选策略，本发明大大减少了所需编码照明图案的数量，同时保留了目标图案的基本信息。这就达到了欠采样的效果，简化了信息获取过程。将k值设为1000，与差分编码照明模式相比，相当于12.2%的低采样率，使本发明能够保留目标模式的有效信息。为了进一步探索减少投射照明编码模式的局限性，本发明使用不同的k值进行了对比实验。37.如图5所示，通过仔细的选择过程，图5的a、b、c使用不同的k值，即k取1000、500和250进行了个别验证的比较分析。本发明对这些选定案例均一致地应用特征提取，并使用随机森林模型评估它们的性能。如图所示，本发明的研究结果表明，不同的k值对训练集几乎没有影响，因为准确率在所有案例中都保持接近1。然而，当使用交叉验证方法评估验证集时，不同的k值之间出现了显著差异。具体而言，当k值设定为1000时，验证集的平均准确率约为95%，而对于k值为500的情况，准确率在89%至92%之间，对于k值为250的情况，准确率为85%。这些结果表明了本发明提出的筛选策略的适应性，通过调整k值能够达到多样化的分类结果。这符合特征提取的原则，即通过特征提取后获得更多的数据有助于更有效的分析。值得注意的是，即使在k值为250的情况下，代表采样状态较低的3%，本发明仍然实现了令人称赞的85%的识别准确率，达到了成功识别检测的范畴。总体而言，本发明的研究结果表明，较高的k值可以提高分类性能，表明提取和整合更多的数据特征，符合随机森林分类器的吞吐要求。38.综上所述，本发明实施例提供了一种基于单像素（spi）的非成像晶圆表面缺陷检测方法及其检测系统。该方法通过提出一种编码照明图案的筛选策略，有效的降低检测所需数据量，而且非成像的单像素检测方案通过获得反射光信号的强度来进行特征获取，相比传统的成像晶圆表面检测方法对图片高分辨率和图像处理算法的苛刻要求，在低欠采样状态下实现了对硅片缺陷的高效检测。此外，本发明不需要对晶圆表面进行成像，从而避免了晶圆表面过于光滑而导致的成像高亮问题，以及因反射周围物体而产生的虚像，大大提高了晶圆表面缺陷检测的鲁棒性。另外，本发明提出的非成像晶圆表面检测系统，采用单像素探测器收集信息，消除了传统高分辨率相机中可能存在的感光元件间互相干扰所引起的误差，从而提高了缺陷检测的精确度，同时采用单像素探测器的系统结构使系统设计和实现更加简化，减少了光学组件的复杂性和维护成本，提高了系统的可靠性。本发明在半导体制造业和光学元件生产等领域具有广泛的应用潜力。39.总的来说，传统的成像晶圆表面检测方法是先通过高分辨率相机对晶圆进行拍摄成像，然后采用复杂图像处理算法或深度学习算法进行特征提取与进一步分析。本发明提出的晶圆表面检测方法无需对晶圆进行任何事先成像，可以直接通过单像素探测器完成信息获取。本发明通过数据前处理的方式，筛选出对同类晶圆缺陷敏感的相应编码照明图案，用于后续晶圆信息的获取与分类工作。同时，相比复杂的图像处理算法与高算力要求的深度学习算法，本发明采取最简单的特征抽取方式与分类算法。40.又一方面，本发明还公开一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如上述方法的步骤。41.再一方面，本发明还公开一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如上方法的步骤。42.在本技术提供的又一实施例中，还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述实施例中任一基于单像素的非成像晶圆表面缺陷检测方法。43.可理解的是，本发明实施例提供的系统与本发明实施例提供的方法相对应，相关内容的解释、举例和有益效果可以参考上述方法中的相应部分。44.本技术实施例还提供了一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信，存储器，用于存放计算机程序；处理器，用于执行存储器上所存放的程序时，实现上述基于单像素的非成像晶圆表面缺陷检测方法。45.上述电子设备提到的通信总线可以是外设部件互连标准（英文：peripheralcomponentinterconnect，简称：pci）总线或扩展工业标准结构（英文：extendedindustrystandardarchitecture，简称：eisa）总线等。该通信总线可以分为地址总线、数据总线、控制总线等。46.通信接口用于上述电子设备与其他设备之间的通信。47.存储器可以包括随机存取存储器（英文：randomaccessmemory，简称：ram），也可以包括非易失性存储器（英文：non-volatilememory，简称：nvm），例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。48.上述的处理器可以是通用处理器，包括中央处理器（英文：centralprocessingunit，简称：cpu）、网络处理器（英文：networkprocessor，简称：np）等；还可以是数字信号处理器（英文：digitalsignalprocessing，简称：dsp）、专用集成电路（英文：applicationspecificintegratedcircuit，简称：asic）、现场可编程门阵列（英文：field-programmablegatearray，简称：fpga）或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。49.在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本技术实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线（例如同轴电缆、光纤、数字用户线（dsl））或无线（例如红外、无线、微波等）方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，dvd)、或者半导体介质（例如固态硬盘solidstatedisk(ssd)）等。50.需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。51.本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。52.以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。当前第1页12当前第1页12
技术特征：
1.一种基于单像素的非成像晶圆表面缺陷检测方法，其特征在于，包括以下步骤，将预设编码照明图案投射到待测晶圆表面，以使所述编码照明图案经待测晶圆表面得到反射图案；采集所述反射图案的光强值，将光强值与缺陷图案进行数据分割与标签化处理；通过特征选择算法选取高相关性k个特征，并反推得到新的编码照明图案组合；将新的编码照明图案组合投射至其他待测晶圆表面之后采集反射光强值并进行特征抽取，把抽取的特征通过随机森林算法实现对晶圆缺陷的检测。2.根据权利要求1所述的基于单像素的非成像晶圆表面缺陷检测方法，其特征在于：所述将预设编码照明图案投射到待测晶圆表面，以使所述编码照明图案经待测晶圆表面得到反射图案，具体包括，预设的编码照明图案由以下公式构建，首先由公式生成哈达玛基底图案：其中，表示哈达玛的逆变换，而：其中是哈达玛域的坐标；采用差分，获得一个系数，需要两次测量；一个测量是通过投影基编码照明图案获得的，另一个是通过它的逆]获得的；将预设编码照明图案]投影至待测晶圆表面，并使用单像素检测器来测量产生的光强度，单像素光强测量在数学上等同于哈达玛基图与物体之间的内积；由此可以得到相应哈达玛系数：其中,和是对应于
ꢀꢀ
和光照的测量值， 系数是实值，系数的数量与图像像素的数量相同；使用差分 对 像素的图像进行完全采样需要次测量。3.根据权利要求1所述的基于单像素的非成像晶圆表面缺陷检测方法，其特征在于：所述通过特征选择算法选取高相关性k个特征，具体根据卡方检验得到的强关联性来确定最有效的k个对应点，具体如下：通过比较观察值与期望值之间的差异来评价分类变量之间的关联度；计算该列联表的卡方统计量：其中是观测频数，是期望频数，根据列联表中各类别的样本数和总样本数计算得到；具体地：
其中
ꢀꢀ
为指定行的总计数，是指定列的总计数，是所有观察值的总计数；通过对卡方统计量进行归一化，将卡方得分限制在一个固定的范围内，使得可以在不同特征之间进行比较，而不会受到特征取值数量的影响；将得到的卡方得分按照从高到低的顺序排列，并选择前k个与目标变量具有最强关联的特征作为选取结果，并根据哈达玛系数与编码照明图案的对应关系反推出新的编码照明图案组合。4.根据权利要求1所述的基于单像素的非成像晶圆表面缺陷检测方法，其特征在于：应用新的编码照明图案进行投影后，采集数据并进行特征抽取，特征抽取之前需要对得到的信号进行归一化处理，以消除数据本身的影响，克服过拟合问题，使得特征具有相同的尺度和分布，以便于不同特征之间进行比较，其中，归一化处理如下：其中是归一化的特征值，、分别是每个特征值的最大值和最小值。5.根据权利要求4所述的基于单像素的非成像晶圆表面缺陷检测方法，其特征在于：所述应用新的编码照明图案进行投影后，采集数据并进行特征抽取，包括将标准化后的数据特征做抽取计算，如下：峰值-peak value (pk)：；最小值-minimum (min)：；峰峰值-peak-to-peak value (pk-pk)：；平均能量-energy (e)：；均值-mean (a)：；平均整流值-average rectified value (arv)：；均方根能量-root mean square (rms)：；方差-variance (var)：；峭度-kurtosis (kur)：；偏度-skewness (skew)：；
间隙系数-clearance factor(cl)：；形状因子-shape factor (sf)：；裕度因子-crest factor (cf)：；冲激因子-impulse factor (if)：。6.一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如权利要求1至5中任一项所述方法的步骤。

技术总结
本发明的一种基于单像素的非成像晶圆表面缺陷检测方法及存储介质，包括将预设编码照明图案投射到待测晶圆表面，以使所述编码照明图案经待测晶圆表面得到反射图案；采集所述反射图案的光强值，将光强值与缺陷图案进行数据分割与标签化处理；通过特征选择算法选取高相关性K个特征，并反推得到新的编码照明图案组合；将新的编码照明图案组合投射至其他待测晶圆表面之后采集反射光强值并进行特征抽取，把抽取的特征通过随机森林算法实现对晶圆缺陷的检测。本发明无需事先成像，可以直接获取待测晶圆表面的信息，因此不受物体成像质量的限制，减少光学系统、噪声、图像畸变等因素的影响，特别是避免了虚像问题，提高了晶圆表面缺陷检测的鲁棒性。陷检测的鲁棒性。陷检测的鲁棒性。


技术研发人员：钟翔 孙宇 曹翰昱 谷家霖 马孟超
受保护的技术使用者：合肥工业大学
技术研发日：2023.08.22
技术公布日：2023/10/20