下载掌阅APP，畅读海量书库
立即打开
近年来，随着半导体产业飞速发展，半导体元器件的生产工艺也不断进步，为保证半导体元器件的产品质量和生产效率，晶圆表面缺陷检测技术也在迅速发展。在实际生产过程中，半导体制造商会在光刻前对晶圆进行缺陷检测，防止不合格的晶圆流入光刻环节，及时发现并改进生产工艺上的问题。工业生产过程中，往往需要缺陷检测与识别满足高精度和实时性要求，但是晶圆表面缺陷形状复杂，存在与背景融合的崩边缺陷，这些问题会影响检测精度，晶圆表面图像尺寸较大，影响检测实时性，这些问题导致晶圆表面缺陷高精度、实时检测与识别的实现非常困难。
针对以上难点问题，本课题搭建了基于GPU并行计算的晶圆表面缺陷高精度、实时检测与识别系统，集成了晶圆表面图像采集平台以及缺陷检测与实时识别软件，实现晶圆表面缺陷的高精度、实时检测与识别。
自动光学检测技术（Automatic Optical Inspection，AOI）是一种集成光学传感技术、信号处理技术和运动控制技术的新型科学技术，通常在工业生产过程中执行测量、检测、识别和引导等任务。利用该方法可以实现晶圆表面缺陷的高精度、实时检测。基于自动光学检测的晶圆表面缺陷检测方法使用光束照射晶圆表面，收集反射光信息进行缺陷检测。自动光学检测系统由数据获取模块、数据处理模块、待测区域识别模块和缺损状态检测模块组成。首先，通过数据获取模块获取晶圆表面图像；然后，将采集到的图像传至数据处理模块，该模块通过数字处理技术增强检测目标；接下来，待测区域识别模块通过图像处理算法、机器学习算法等算法进行特征提取，得到感兴趣区域；最后，由缺陷分类模块对检测到的缺陷进行识别和分类。
GPU并行计算（Parallel Computing）是指将一个主任务拆分成多个子任务，并将其分配给多个处理单元同时处理的计算方式。该方法可以使工作效率成倍增加。与传统的CPU串行计算，即内核每次执行一条指令的计算方式相比，GPU并行计算将计算任务分配给多个内核，同时执行多项计算。这种技术使得计算平台有更快的处理速度和更充分的资源利用，使其成为需要大量数据处理的应用的理想任务处理方式，如科学模拟、机器学习以及图像和视频处理。
在分析晶圆表面缺陷特征和实际生产需求的基础上，设计并搭建了晶圆表面图像采集平台，完成了图像采集平台的关键部件如相机、镜头、光源、运动模组的选型，实现了晶圆表面高分辨率图像自动化采集。
算法包括缺陷检测和图像拼接两个模块。缺陷检测模块分别通过动态掩膜制作算法及动态阈值分割算法得到动态掩膜图像和动态阈值分割图像，将两张图进行按位与操作得到缺陷图像，再通过缺陷特征提取算法提取出所有晶圆表面缺陷，计算缺陷参数并保存缺陷区域图像。图像拼接模块对晶圆图像进行压缩，通过测量晶圆弦长完成图像拼接，并进行亮度均衡化，最后进行缺陷坐标转换与可视化。利用GPU并行计算技术对算法进行优化加速，实现了晶圆表面缺陷高精度、实时检测。
针对ResNet网络模型的缺点以及晶圆表面缺陷的特点，对网络结构进行了相应的优化，改进了传统ResNet残差块结构，用Leaky ReLU函数替代了ReLU激活函数，并且引入CBAM注意力模块。设计了合适本课题实际情况的网络训练方法，采用K折交叉验证和迁移学习的模型训练方法，并设计了适合的训练参数。进行了消融试验和对比试验，验证了算法的准确性和高效性，实现了晶圆表面缺陷高准确率、实时分类。
系统集成了晶圆表面图像采集平台和晶圆表面缺陷检测与识别软件。其中，软件部分不仅集成了缺陷检测算法和缺陷分类算法，还实现了对硬件平台的控制以及与用户的交互。经过测试，该系统能实现晶圆表面缺陷高精度、实时检测与识别的完整流程，能满足实际生产需求。
（1）设计了一种基于GPU并行计算的晶圆表面缺陷检测算法，实现了晶圆表面缺陷高精度、实时检测，缺陷检测平均时间为 2.085 s，缺陷检测灵敏度 10 μm，检测成功率 100%。
（2）设计了一种基于ResNet网络的晶圆表面缺陷分类算法，实现了晶圆表面缺陷高准确率、实时分类，缺陷分类成功率达到 99.75%，平均分类用时为 0.0065 s。
（3）搭建了晶圆表面缺陷检测与识别系统，包括晶圆表面图像采集平台和晶圆表面缺陷检测与识别软件，实现了晶圆表面缺陷高精度、实时检测与识别。
（1）解决了晶圆表面缺陷特征复杂，尺度大小不一导致的检测难点。
（2）解决了部分崩边缺陷与背景融合导致的检测难点。
（3）解决了晶圆表面图像尺寸大导致的检测速度慢的问题。
（4）解决了晶圆表面缺陷种类复杂，导致的分类难点。
晶圆表面图像采集平台总体结构模型如图 1 所示，晶圆表面图像采集平台实物如图 2 所示。
图 1 晶圆表面图像采集平台总体结构模型图
图 2 晶圆表面图像采集平台实物图
高校指导教师：杨将新；企业指导教师：张孝庆