[发明专利]一种缺陷图像自动分析的装置及方法

说明书

本发明公开了一种缺陷图像自动分析的方法，包括如下步骤：S01：训练得出卷积神经网络模型，S02：将上述卷积神经网络模型配置到自动分析装置中，所述自动分析装置包括数据收集模块和数据库；所述数据收集模块将所收集到的图像自动分析装置将数据收集模块收集到的图像输入所述卷积神经网络模型中进行识别和分类，并将分类之后的图像及对应的缺陷类型传输至数据库中。本发明提供的一种缺陷图像自动分析的装置及方法，采用基于卷积神经网络模型的深度学习方法实现产线缺陷图像数据的自动分类功能，并将自动分类结果实时输入缺陷数据库，为失效机制的深入分析提供准确的数据保障。

技术领域

本发明涉及集成电路制造领域，具体涉及一种缺陷图像自动分析的装置及方法。

背景技术

在半导体集成电路制造领域，缺陷数据是生产线中的一类重要数据，其典型数据形式是由扫描电镜(SEM)所拍摄的一系列图片，缺陷数据与生产线的制造能力及晶圆制造的良率息息相关。产线所收集的缺陷数据通常表现为各种不同的缺陷类型，这些不同的缺陷类型通常反映了不同的失效机制，因此缺陷数据分析和利用的基础首先是要对缺陷类型进行准确判断和分类。目前对于缺陷数据的分类主要依赖工程师的经验进行人为判断，即采用人工分类方式，如附图1所示：当在线(In-line)检测设备完成缺陷数据的量测和收集后，将数据传入已有的缺陷数据库，然后工程师从数据库中调取缺陷图像数据进行人工分析，按照缺陷图像的不同特征结合制造工艺划分为不同的缺陷类型(defect code)，这种人工分类方式在有限的数据规模下的确具有较高的准确度，但是不难看出，这种分析模式主要依赖工程师的行业经验，对人力资源占用巨大，分析效率十分低下，且因为生产效率的限制很难对产线的所有数据做出全面分析。

在先进工艺节点的生产线中，细分的缺陷类型不断增加，甚至多达成百上千种，缺陷数据的数据量也显著增加，人工分类方式已经难以完成全部数据规模的分析和分类，目前很多缺陷数据量测的设备厂商都在积极研发能够自动进行缺陷数据分析的工具或方法，也在一些在线检测设备初步集成了相关分析功能，但是这些设备功能在研发时很难覆盖到复杂多变的实际制造工艺数据，因此相关功能在实际生产线应用时虽然能在一定程度上提升效率但是准确性比较低，仍然需要大量的人力资源投入进行人工校验和检查，因此实际应用比例很低。在实际工艺制造的生产线上仍然迫切需要一种有效的缺陷图像分析工具或方法，在保证缺陷数据分析准确性的同时提高分析效率，从而为提升晶圆制造良率提供有效帮助。

发明内容

本发明的目的是提供一种缺陷图像自动分析的装置及方法，采用基于卷积神经网络模型的深度学习方法实现产线缺陷图像数据的自动分类功能，并将自动分类结果实时输入缺陷数据库，为失效机制的深入分析提供准确的数据保障。

为了实现上述目的，本发明采用如下技术方案：一种缺陷图像自动分析的方法，包括如下步骤：

S01：训练得出卷积神经网络模型，具体包括：

S011：建立M个数据集，并将M个数据集分为N个训练数据集和M-N个测试数据集；其中，每个数据集中包括一个缺陷图像和该缺陷图像对应的缺陷类型，M和N均为整数，M≥2，M>N≥1；

S012：标注出每个数据集中缺陷图像中的缺陷区域，提取该缺陷区域中的缺陷特征，保证所述缺陷特征与缺陷类型一一对应；

S013：采用卷积神经网络算法对N个训练数据集进行迭代训练；

S014：采用测试数据集对训练后的卷积神经网络算法进行测试，若测试结果满足缺陷图像分类准确性要求，则将训练和测试之后的卷积神经网络算法输出，即为卷积神经网络模型；若测试结果不满足缺陷图像分类准确性要求，则继续对卷积神经网络算法进行迭代训练；

S02：将上述卷积神经网络模型配置到自动分析装置中，所述自动分析装置包括数据收集模块和数据库；所述数据收集模块将所收集到的图像输入所述卷积神经网络模型中进行识别和分类，并将分类之后的图像及对应的缺陷类型存储在所述数据库中。