本申请提供了晶圆缺陷分类检测方法、系统、电子设备及存储介质。该方法包括：首先获取晶圆的三维点云数据和单像素图像；然后根据三维点云缺陷分类检测模型对三维点云数据进行缺陷分类检测，得到点云分类结果；其中，点云分类结果包括晶圆的缺陷类别、缺陷位置和缺陷尺寸；接着对单像素图像进行特征检索，得到特征检索结果；其中，特征检索结果包括晶圆的缺陷类别；再根据晶圆多标签分类检测模型对单像素图像进行缺陷分类检测，得到多标签分类结果；其中，多标签分类结果包括晶圆的多类别缺陷和概率；最后将点云分类结果、特征检索结果和多标签分类结果进行加权，得到晶圆缺陷分类检测结果，能够提高晶圆缺陷分类的精度和效率。
1、在实际生产中，晶圆表面的缺陷种类繁多，且形状不均匀，增加了晶圆缺陷检测的难度。在晶圆缺陷的类型中，无图案晶圆缺陷和图案化晶圆缺陷是晶圆缺陷的两种主要形式，这两类缺陷是芯片故障的主要原因。晶圆表面的缺陷不仅影响产品的美观和舒适度，而且也会对其使用性能带来不良影响。因此，晶圆产品的表面缺陷检测受到高度的重视，通过精准预测晶圆成品率对于改进生产工艺和减少晶圆制造损失具有重要意义。
2、然而，目前晶圆的质检环节仍需要依赖大量的人工进行，且需要长时间在高光下观察并找出表面的缺陷，导致质检效率和质检质量低，成本也较高。此外，考虑到缺陷概率密度的分布，相关技术也指出可以使用图像检测算法对晶圆进行缺陷检测，但传统的图像检测算法一般采用ccd或cmos传感器对晶圆的信息进行采集，并不能满足当下缺陷的智能质检的需求，且准确度也较低。
>5、对所述单像素图像进行特征检索，得到特征检索结果；其中，所述特征检索结果包括晶圆的缺陷类别；6、根据晶圆多标签分类检测模型对所述单像素图像进行缺陷分类检测，得到多标签分类结果；其中，所述多标签分类结果包括晶圆的多类别缺陷和概率；
7、将所述点云分类结果、所述特征检索结果和所述多标签分类结果进行加权，得到晶圆缺陷分类检测结果。
8、在一些实施例中，所述获取晶圆的三维点云数据和单像素图像，包括以下步骤：
9、根据三维相机对晶圆进行采集，得到三维点云数据；
10、对所述三维点云数据进行归一化和投影转换，得到单像素图像。
11、在一些实施例中，所述获取晶圆的三维点云数据和单像素图像，包括以下步骤：
12、根据三维相机对晶圆进行采集，得到三维点云数据；
13、对所述三维点云数据进行归一化和投影转换，得到单像素图像。
14、在一些实施例中，所述晶圆多标签分类检测模型，通过以下步骤获得：
15、获取晶圆的信息集；其中，所述晶圆的信息集包括晶圆的物理特性和工艺参数；
16、根据所述晶圆的信息集构建卷积神经网络模型；其中，所述卷积神经网络模型用于对晶圆进行缺陷分类检测；
17、根据第四数据集对所述卷积神经网络模型进行参数调优，直到所述卷积神经网络模型收敛，得到晶圆多标签分类检测模型。
18、在一些实施例中，所述第四数据集，通过以下步骤获得：
19、根据多标签分类标注标准对单像素图像进行缺陷类别标注，分别得到各个晶圆的缺陷类别标记；
20、将所述单像素图像和所述各个晶圆的缺陷类别标记构成第一数据集，并将三维点云数据构成第二数据集；
21、选取一定数量的第一数据集和第二数据集，并通过对抗生成网络将选取的第一数据集和第二数据集生成新的数据集；
22、更新合成新的数据集的缺陷类别标记，并将新的数据集和更新的缺陷类别标记构成第三数据集；
23、合并所述第一数据集和所述第三数据集，得到第四数据集。
24、在一些实施例中，所述对所述单像素图像进行特征检索，得到特征检索结果，包括以下步骤：
25、根据晶圆多标签分类检测模型中的骨干网络对所述单像素图像进行特征提取，得到晶圆的模态特征；
26、根据所述模态特征在缺陷模板库进行检索，得到特征检索结果。
27、在一些实施例中，所述根据所述模态特征在缺陷模板库进行检索，得到特征检索结果，包括以下步骤：
28、获取所述模态特征的第一关键词和所述缺陷模板库的第二关键词；
29、取出若干个第一关键词和第二关键词，并合并所述第一关键词和所述第二关键词，得到特征集合；
30、分别计算所述模态特征和所述缺陷模板库在所述特征集合中的词频，得到所述模态特征对应的第一词频向量和所述缺陷模板库对应的第二词频向量；
31、计算所述第一词频向量和所述第二词频向量的余弦相似度，得到特征检索结果。
32、在一些实施例中，所述将所述点云分类结果、所述特征检索结果和所述多标签分类结果进行加权，得到晶圆缺陷分类检测结果，包括以下步骤：
33、获取所述点云分类结果的第一权重参数、所述特征检索结果的第二权重参数和所述多标签分类结果的第三权重参数；
34、根据所述点云分类结果和所述第一权重参数，得到第一分类检测结果；
35、根据所述特征检索结果和所述第二权重参数，得到第二分类检测结果；
36、根据所述多标签分类结果和所述第三权重参数，得到第三分类检测结果；
37、将所述第一分类检测结果、所述第二分类检测结果和所述第三分类检测结果进行相加，得到晶圆缺陷分类检测结果。
38、为实现上述目的，本申请实施例的另一方面提出了一种晶圆缺陷分类检测系统，包括：
39、第一模块，用于获取晶圆的三维点云数据和单像素图像；
40、第二模块，用于根据三维点云缺陷分类检测模型对所述三维点云数据进行缺陷分类检测，得到点云分类结果；其中，所述点云分类结果包括晶圆的缺陷类别、缺陷位置和缺陷尺寸；
41、第三模块，用于对所述单像素图像进行特征检索，得到特征检索结果；其中，所述特征检索结果包括晶圆的缺陷类别；
42、第四模块，用于根据晶圆多标签分类检测模型对所述单像素图像进行缺陷分类检测，得到多标签分类结果；其中，所述多标签分类结果包括晶圆的多类别缺陷和概率；
43、第五模块，用于将所述点云分类结果、所述特征检索结果和所述多标签分类结果进行加权，得到晶圆缺陷分类检测结果。
44、为实现上述目的，本申请实施例的另一方面提出了一种电子设备，所述电子设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现前面所述的方法。
45、为实现上述目的，本申请实施例的另一方面提出了一种计算机可读存储介质，所述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实现前面所述的方法。
46、本申请实施例至少包括以下有益效果：本申请提供一种晶圆缺陷分类检测方法、系统、电子设备及存储介质,该方案通过结合晶圆多标签分类检测模型、三维点云缺陷分类检测模型以及特征检索对晶圆进行缺陷分类检测，能够提本文档来自技高网...
【技术保护点】
1.一种晶圆缺陷分类检测方法，其特征在于，所述方法包括以下步骤：
2.根据权利要求1所述的方法，其特征在于，所述获取晶圆的三维点云数据和单像素图像，包括以下步骤：
3.根据权利要求1所述的方法，其特征在于，所述晶圆多标签分类检测模型，通过以下步骤获得：
4.根据权利要求3所述的方法，其特征在于，所述第四数据集，通过以下步骤获得：
5.根据权利要求1所述的方法，其特征在于，所述对所述单像素图像进行特征检索，得到特征检索结果，包括以下步骤：
6.根据权利要求5所述的方法，其特征在于，所述根据所述模态特征在缺陷模板库进行检索，得到特征检索结果，包括以下步骤：
7.根据权利要求1所述的方法，其特征在于，所述将所述点云分类结果、所述特征检索结果和所述多标签分类结果进行加权，得到晶圆缺陷分类检测结果，包括以下步骤：
8.一种晶圆缺陷分类检测系统，其特征在于，包括：
9.一种电子设备，其特征在于，包括：
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法。
...
【技术特征摘要】
1.一种晶圆缺陷分类检测方法，其特征在于，所述方法包括以下步骤：
2.根据权利要求1所述的方法，其特征在于，所述获取晶圆的三维点云数据和单像素图像，包括以下步骤：
3.根据权利要求1所述的方法，其特征在于，所述晶圆多标签分类检测模型，通过以下步骤获得：
4.根据权利要求3所述的方法，其特征在于，所述第四数据集，通过以下步骤获得：
5.根据权利要求1所述的方法，其特征在于，所述对所述单像素图像进行特征检索，得到特征检索结果，包括以下步骤：
6.根据权利要求5所述的方法...
【专利技术属性】
技术研发人员：彭广德，王睿，李卫铳，李卫燊，
申请(专利权)人：广州里工实业有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。