【技术实现步骤摘要】
本专利技术涉及晶圆检测，尤其涉及一种半导体芯片图案晶圆缺陷检测方法、设备及存储介质。
技术介绍
1、集成电路产业是全球竞争的焦点，对国家经济繁荣和安全稳定至关重要，因此占据着重要的战略地位。随着亚10nm集成电路芯片逐渐应用于消费电子、互联网硬件和电子医疗设备等领域，半导体制造设备引入的晶圆缺陷对集成电路的良率和价格影响日益明显。这使得对典型缺陷进行快速识别、定位和分类等制造过程控制环节面临越来越大的挑战。因此，进行高效的缺陷检测对于保证半导体晶圆产品质量至关重要。
2、自动光学检测（aoi）系统在近年来由于其成本效益高且具备统一的控制标准，而日益受到广泛关注。在aoi系统中，所采用的检测算法主要分为两大类：一类是基于传统数字图像处理的方法，另一类则是基于深度学习的新兴技术。先进封装晶圆自动光学检测提供了一种非接触式检测技术，可以识别受影响的晶圆并及时剔除有缺陷的样品，从而可以降低加工成本并提高生产效率。在此之前，晶圆表面缺陷检测通常需要人眼手动进行检测或采用传统的晶粒到晶粒（die-to-die）、晶粒到模板（die-to-golden）等技术，这些技术可实现缺陷区域的快速定位与分割。然而，面对图案复杂化时，现有方法在区分缺陷与图案化背景的过程中存在一定局限性，对于过大的die只用一个模板可能导致定位不够精确，影响检测效果。随着工业智能化的兴起，采用机器学习（ml）或深度学习（dl）来处理机器视觉系统拍摄的晶圆表面图像，以推断样品是否存在真实晶圆表面缺陷图。
3、尽管已有多种优秀的深度学习算法，但这些算
技术实现思路
1、本专利技术的目的在于：为了解决深度学习模型中缺陷检测样本数据难以获取、现有技术处理复杂图案的晶圆图像精度不足的问题，本专利技术提供了一种半导体芯片图案晶圆缺陷检测方法、设备及存储介质。方法主要包括以下步骤：
2、s1、获取晶圆表面图像集；
3、s2、预处理晶圆表面图像集，后划分为缺陷样本数据集与正常样本数据集；
4、s3、建立晶圆缺陷生成网络，并使用缺陷样本数据集与正常样本数据集训练，训练结束后生成混合晶圆图像；
5、s4、利用混合晶圆图像对缺陷样本数据集进行增广，预处理后划分数据集；
6、s5、构建晶圆表面缺陷检测网络，利用数据集进行训练；
7、s6、将待测晶圆表面图像输入训练好的晶圆表面缺陷检测网络，得到晶圆表面缺陷检测结果。
8、进一步地，步骤s2具体为：
9、s21、将晶圆表面图像集中样本图像划分为两种类型，具体为：样本图像视野内晶圆表面存在缺陷为真实晶圆表面缺陷图，否则为真实晶圆表面无缺陷图；
10、s22、分别对两种类型的样本图像执行图像分块处理，处理后的真实晶圆表面无缺陷图构建正常样本数据集，处理后的真实晶圆表面缺陷图构建缺陷样本初始集；
11、s23、基于几何变换对缺陷样本初始集进行数据增强，得到缺陷样本数据集。
12、进一步地，晶圆缺陷生成网络由wd-pix2pix模型以及wd-cyclegan模型两部分组成；
13、wd-pix2pix模型包含一个生成器与一个判别器，模型训练结束后以正常样本数据集中正常样本图像为基底，绘制基于专家经验知识的缺陷掩模图像，将其输入训练好的wd-pix2pix模型中，输出定向约束的晶圆表面缺陷图；
14、wd-cyclegan模型包含两个生成器，区分为g1、g2，和两个判别器，区分为d1，d2，其中g1、d1分别对应x域，处理真实晶圆表面无缺陷图，g2、d2对应y域处理真实晶圆表面缺陷图，模型训练结束后将晶圆正常样本数据集输入训练好的wd-cyclegan模型中，输出不受定向约束的晶圆表面缺陷图；
15、将定向约束的晶圆表面缺陷图以及不受定向约束的晶圆表面缺陷图作为混合晶圆缺陷图像。
16、进一步地，晶圆缺陷生成网络的训练为wd-pix2pix模型和wd-cyclegan模型先后进行训练；
17、wd-pix2pix模型的训练过程具体为：
18、s31、将缺陷样本数据集中的真实晶圆表面缺陷图的真实缺陷区域进行标注，得到特征先验的缺陷掩模图像，并将二者对应匹配；
19、s32、将真实晶圆表面缺陷图及其匹配的缺陷掩模图像输入wd-pix2pix模型的生成器中，得到缺陷生成图像；
20、s33、提取缺陷掩模图像的真实缺陷区域的像素，得到裁剪的缺陷掩模图像，并提取真实晶圆表面缺陷图、缺陷生成图片中相同图片位置的区域中的像素，得到裁剪的真实晶圆表面缺陷图以及缺陷生成图像；
21、s34、将裁剪的缺陷掩膜图像和真实晶圆表面缺陷图配对，作为正样本，将裁剪的缺陷掩膜图像和缺陷生成图像配对，作为负样本，二者输入wd-pix2pix模型判别器，设置wd-pix2pix模型的总损失函数进行对抗训练：固定生成器参数，优化判别器参数，再固定判别器参数，优化生成器参数；
22、s35、损失函数反向传播，更新模型参数，重复对抗训练，完成预设训练轮数则训练结束，输出最终的wd-pix2pix模型；
23、wd-cyclegan模型的训练过程为：
24、s36、利用所述定向约束的晶圆表面缺陷图对缺陷样本数据集进行扩充；
25、s37、将正常样本数据集输入wd-cyclegan模型中x域，将扩充后的缺陷样本数据集输入wd-cyclegan模型中y域，设定wd-cyclegan模型的混合损失函数，对wd-cyclegan模型进行训练；
26、s38、重复迭代训练直至到达预设训练轮数，训练结束输出最终的wd-cyclegan模型。
27、进一步地，wd-pix2pix模型的总损失函数由对抗损失和l1损失两个部分组成，数学表示如下：
28、
29、其中，为wd-pix2pix模型的总损失函数，g代表生成器，d代表判别器；arg为取值函数；为对抗损失函数；为l1损失函数，为其损失权重；
30、wd-cyclegan模型的总损失函数由跨域对抗损失、循环一致性损失和identity损失组成，数学表达式如下：
31、
32、其中，为wd-cyclegan模型的总损失函数；为x域到y域的对抗损失函数， fg1为生成器g1的映射函数， fd2为判别器d2对应的映射函数；为y域到x域的对抗损失函数， fg2为生成器g2的映射函数， 本文档来自技高网...
【技术保护点】
1.一种半导体芯片图案晶圆缺陷检测方法，其特征在于，具体步骤包括：
2.如权利要求1所述的一种半导体芯片图案晶圆缺陷检测方法，其特征在于，步骤S2具体为：
3.如权利要求1所述的一种半导体芯片图案晶圆缺陷检测方法，其特征在于，所述晶圆缺陷生成网络由WD-Pix2Pix模型以及WD-CycleGAN模型两部分组成；
4.如权利要求3所述的一种半导体芯片图案晶圆缺陷检测方法，其特征在于，所述晶圆缺陷生成网络的训练过程具体为：所述WD-Pix2Pix模型和所述WD-CycleGAN模型先后进行训练；
5.如权利要求4所述的一种半导体芯片图案晶圆缺陷检测方法，其特征在于，WD-Pix2Pix模型的总损失函数由对抗损失和L1损失两个部分组成，数学表示如下：
6.如权利要求1所述的一种半导体芯片图案晶圆缺陷检测方法，其特征在于，步骤S4具体为：
7.如权利要求1所述的一种半导体芯片图案晶圆缺陷检测方法，其特征在于，所述图案化晶圆表面缺陷检测网络由主干网络，颈部网络和检测头三部分组成，主干网络从真实晶圆表面缺陷图中提取不同
8.如权利要求7所述的一种半导体芯片图案晶圆缺陷检测方法，其特征在于，所述图案化晶圆表面缺陷检测网络的训练基于混合损失函数进行，混合损失函数包含矩形框损失、置信度损失和分类损失，计算公式如下：
9.一种存储介质，其特征在于：所述存储介质存储指令及数据用于实现权利要求1~8任一项所述的一种半导体芯片图案晶圆缺陷检测方法。
10.一种计算机设备，其特征在于：包括：处理器及存储介质；所述处理器加载并执行存储介质中的指令及数据用于实现权利要求1~8任一项所述的一种半导体芯片图案晶圆缺陷检测方法。
...【技术特征摘要】
1.一种半导体芯片图案晶圆缺陷检测方法，其特征在于，具体步骤包括：
2.如权利要求1所述的一种半导体芯片图案晶圆缺陷检测方法，其特征在于，步骤s2具体为：
3.如权利要求1所述的一种半导体芯片图案晶圆缺陷检测方法，其特征在于，所述晶圆缺陷生成网络由wd-pix2pix模型以及wd-cyclegan模型两部分组成；
4.如权利要求3所述的一种半导体芯片图案晶圆缺陷检测方法，其特征在于，所述晶圆缺陷生成网络的训练过程具体为：所述wd-pix2pix模型和所述wd-cyclegan模型先后进行训练；
5.如权利要求4所述的一种半导体芯片图案晶圆缺陷检测方法，其特征在于，wd-pix2pix模型的总损失函数由对抗损失和l1损失两个部分组成，数学表示如下：
6.如权利要求1所述的一种半导体芯片图案晶圆缺陷检测方法，其特征在于，步骤s4具体为：
<...【专利技术属性】
技术研发人员：刁兆磊，梅爽，程江涛，文国军，
申请(专利权)人：中国地质大学武汉，
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。