【技术实现步骤摘要】
本专利技术属于计算机视觉领域，尤其涉及一种多任务协同的半导体晶圆缺陷视觉检测方法。
技术介绍
1、随着半导体技术的迅速发展，晶圆制造过程中出现的缺陷种类变得越来越复杂和多样化。这些缺陷不仅影响晶圆的生产良率，还对最终产品的性能和可靠性产生了深远的影响。为了确保高质量的晶圆制造，精确的缺陷检测成为了至关重要的环节。然而，随着制程技术的不断进步，传统的检测方法在面对微小、复杂缺陷时，逐渐暴露出难以满足现代制造需求的问题。因此，迫切需要发展更加先进的检测技术，以应对日益增长的检测需求，并保证生产效率和产品质量。
2、现存的pcb半导体晶圆缺陷检测主要涵盖以下三种：基于模板匹配的方法、基于图像分割的方法和基于机器学习的方法：
3、(1)基于模板匹配的方法：
4、该方法通过将待检测晶圆图像与标准无缺陷晶圆图像进行像素级比较来检测缺陷。虽然实现简单，但存在以下缺点：
5、a)对图像对齐要求极高，微小的偏差都可能导致误检；
6、b)对非重复性缺陷的检测能力较差；
7、c)计算复杂度高，难以满足在线检测的实时性要求。
8、(2)基于图像分割的方法：
9、这种方法首先对晶圆图像进行分割，然后分析分割后的区域特征来识别缺陷。其主要缺点包括：
10、a)分割算法的鲁棒性不足，容易受到图像噪声和光照变化的影响；
11、b)对于微小缺陷和低对比度缺陷的检测效果不佳；
12、c)难以有效区分缺陷与正常结构变化。
1
14、这类方法利用传统机器学习算法(如svm、随机森林等)对提取的图像特征进行分类。虽然相比前两种方法有所改进，但仍存在以下问题：
15、a)特征工程依赖于人工设计，难以全面捕捉复杂的缺陷特征；
16、b)泛化能力有限，对未见过的缺陷类型适应性较差；
17、c)难以同时实现高精度和高效率的检测。
18、针对以上现存的半导体晶圆缺陷检测方法的局限性，可以看到它们在处理复杂、多样化的晶圆缺陷时存在精度不足、效率低下、泛化能力弱等问题。特别是在先进制程中，传统方法难以应对日益微小化、多样化的缺陷类型，无法满足现代半导体制造对高精度、高效率缺陷检测的需求。因此，有必要研发一种新型的半导体晶圆缺陷检测方法来克服这些缺点，实现高精度、高效率、强泛化能力的半导体晶圆缺陷检测。
技术实现思路
1、为解决上述问题，本专利技术提出了一种基于计算机处理用视觉识别方法，该方法有效地实现了高精度、高效率的晶圆缺陷检测，特别是在复杂、多样化的缺陷类型面前展现出强大的适应性和鲁棒性。
2、一种基于计算机处理用视觉识别方法，其特征在于，该方法包括：
3、s1基于真实的半导体晶圆生成线采集原始的半导体晶圆图片数据，对于所采集的原始图像数据设计中心裁剪、去噪和数据增强的数据预处理方法，以保证图像数据的平滑性，并进行标签裁定，得到完整的晶圆缺陷检测数据集；
4、s2针对s1所得到的晶圆缺陷检测数据集，构建晶圆缺陷图像动态多尺度特征提取与特征增强网络，得到包含晶圆缺陷图像的局部细节和全局语义信息的多级特征图；
5、s3基于晶圆缺陷的多级特征图，设计多任务协同的晶圆缺陷检测模型，得到晶圆缺陷的分类、回归和圆形边界预测结果，从而实现半导体晶圆缺陷的视觉检测；
6、s4基于半导体晶圆缺陷检测模型，构造结合对抗性协同学习的训练策略，进行多阶段渐进式训练得到最终的晶圆缺陷检测模型；
7、s5模型部署，将s4获得的晶圆缺陷检测模型部署到半导体晶圆生产的过程设备视觉模块上，实时检测并反馈生产的半导体晶圆是否存在缺陷问题。
8、如上所述的视觉识别方法，所述s1中数据集的采集与制作过程包括：
9、(1)原始数据采集
10、半导体晶圆缺陷图像数据的来源与获取方法：原始数据采集是通过在半导体晶圆生产线上安装高精度工业相机进行的。采用德国basler公司的ace系列工业相机(型号：aca4112-20um)，该相机具有4112×3008像素分辨率，最高可达20帧/秒的采集速度。相机安装在晶圆传输轨道上方，与光源系统协同工作，确保捕获清晰的晶圆表面图像。
11、为了保证图像质量，使用led环形光源(型号：ccs ldr2-70sw2-la1)，提供均匀且稳定的照明条件。图像采集过程中，相机与光源的触发由plc(可编程逻辑控制器)精确控制，以确保每片晶圆都能被完整捕获。
12、原始图像数据以16位tiff格式保存，每个像素包含65536个灰度级，以保证图像的高动态范围和细节保留。每张图像的文件大小约为24mb，命名规则为"wafer_yyyymmdd_hhmmss_序号.tiff"，其中yyyymmdd表示日期，hhmmss表示时间，序号为当日采集的顺序编号。
13、数据的多样性与代表性分析：为确保数据集的多样性和代表性，采集不同生产批次、不同工艺阶段的晶圆样本。具体包括：
14、不同尺寸的晶圆：6英寸、8英寸和12英寸；
15、不同工艺节点的晶圆：28nm、14nm和7nm；
16、不同制程阶段的晶圆：光刻后、蚀刻后和抛光后；
17、不同缺陷类型：划痕、裂纹、剥落和异物附着；
18、不同缺陷程度：从轻微到严重的各种程度。
19、总共采集了100,000张原始晶圆图像，其中包含各种缺陷类型和无缺陷样本。通过数据分析，确保各类缺陷在数据集中的分布基本平衡，无缺陷样本占比约为60％，以模拟实际生产中的缺陷出现频率。所采集的原始图像数据记为dataset。
20、(2)数据预处理
21、roi区域裁剪及其对模型精度的影响：考虑到晶圆的圆形特性，设计一个圆形roi(感兴趣区域)裁剪算法：
22、首先使用hough圆变换检测晶圆边缘，得到晶圆中心坐标和半径；其次以检测到的中心为圆心，半径略小于检测半径(取98％)的圆形区域作为roi；最后将roi以外的区域像素值设为0，保留roi内的原始图像信息。这种裁剪方法可以有效去除晶圆边缘的干扰信息，提高模型对中心区域缺陷的关注度。
23、图像降噪处理：在晶圆图像中，由于ace系列工业相机中的传感器读出电路的热噪声以及图像的高频成分影响，通常会存在高斯白噪声和斑点噪声。为了减少这些噪声对图像质量和后续处理的影响，需要进行图像去噪处理。
24、首先，采用高斯滤波来去除高斯白噪声。高斯滤波通过与高斯核进行卷积，可以有效地平滑图像并去除噪声。具体地，高斯滤波器的计算公式为：
25、
26、其中，σ是高斯核的标准差，x和y分别表示图像中的像素位置，用来表示每个像素点到滤波器中心的偏移。这个偏移量用于计算高斯分布函数的值，以确定像素的权重。通过与图像进行卷本文档来自技高网...
【技术保护点】
1.一种基于计算机处理用视觉识别方法，其特征在于，该方法包括：
2.根据权利要求1的视觉识别方法，其特征在于，所述S1中数据集的采集与制作过程包括：
3.根据权利要求1的视觉识别方法，其特征在于，所述S2中的图像动态多尺度特征提取与特征增强网络构建过程过程包括：
4.根据权利要求1的视觉识别方法，其特征在于，所述S3中多任务协同的晶圆缺陷检测模型构建的过程包括：
5.根据权利要求1的视觉识别方法，其特征在于，所述S4中对抗性协同学习训练策略过程包括：
6.根据权利要求1的视觉识别方法，其特征在于，所述S5中晶圆缺陷检测模型部署过程包括：
7.一种基于计算机处理用视觉识别装置，其特征在于，所述视觉识别装置使用权利要求1～6任一项视觉检测方法。
【技术特征摘要】
1.一种基于计算机处理用视觉识别方法，其特征在于，该方法包括：
2.根据权利要求1的视觉识别方法，其特征在于，所述s1中数据集的采集与制作过程包括：
3.根据权利要求1的视觉识别方法，其特征在于，所述s2中的图像动态多尺度特征提取与特征增强网络构建过程过程包括：
4.根据权利要求1的视觉识别方法，其特征在于，所述s3中多任...
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。