[发明专利]晶圆缺陷分类方法及其装置、系统、电子设备和存储介质

说明书

本发明涉及一种晶圆缺陷分类方法，该方法包括步骤：获取预先扫描待检测晶圆样本得到的所述待检测晶圆样本中每个缺陷的缺陷特征参数；所述缺陷特征参数包括：缺陷大小和信号强度值；获取预先采集到的所述待检测晶圆样本的样本图像；根据所述样本图像和所述缺陷特征参数进行缺陷分类，得到所述待检测晶圆样本中每个缺陷的类型。本发明的分类方法降低了对人工操作依赖性，确保了分类的准确性和可靠性，在一定程度上降低了生产成本，并且能够应用于大批量的产品检测。

技术领域

本发明涉及半导体缺陷分类技术领域，尤其涉及一种晶圆晶缺陷分类方法及其装置、系统、电子设备和计算机可读存储介质。

背景技术

随着半导体器件技术的发展，用于制造半导体器件的工艺越来越多，并且每个工艺都有一定的复杂度，而每个工艺流程对晶圆的处理都可能会产生一些不符预期的结构，其中，会造成芯片上电路无法正常工作的称之为晶圆缺陷。芯片制造流程中通常会在众多关键工序后都安排晶圆缺陷检测的步骤，用于监控关键工艺，确保其准确性。

由于芯片制造的工艺流程极其复杂，所以晶圆缺陷类型繁多，而且目前没有一个统一的分类方式。通常，是由工程师结合实际情况，例如，晶圆检测前经过的工序以及检测的方式等因素，来对晶圆缺陷进行分类。

目前，最常用的检测方法包括两种：第一种是人工检测，即首先通过缺陷扫描设备扫描待测晶圆，从而得到该待测晶圆上的可能出现缺陷的位置，并进行相应的标记，然后，再通过描电子显微镜(SEM)、光学显微镜或电子束显微镜等设备根据缺陷扫描设备所标记的位置，进行自动摄影而获得晶圆缺陷的一幅或多幅图像，然后由工作人员基于晶圆缺陷的一幅或多幅图像进行缺陷分类；第二种是基于各种晶圆缺陷分类模型，例如CNN分类器等来分类，即将SEM等设备所拍摄到的晶圆缺陷图像输入预先训练好的分类器，然后由该分类器进行自动分类。然而，上述两种检测方法各自都存在一定的问题：

1)工人检测方法，只能够针对待检测的晶圆缺陷，且每个晶圆上的缺陷种类不多的情况；并且，工作人员对缺陷进行分类的准确度或可靠性与该工作人员识别缺陷的经验呈正相关，即其经验越丰富，相应地，其准确的和可靠性则增加，也即是说，这种分类方法对工作人员的专业度要求高。另一方面，若工作人员长时间进行缺陷识别，可能引起累积疲劳，从而降低了其准确性和可靠性，并且由于是人工分类，并不能够广泛适用于晶圆生产工艺过程中的晶圆缺陷的实时监测和分类。

2)分类模型分类，对于晶圆缺陷种类较多的情况，则需要采用卷积神经网络算法(CNN)对缺陷进行分类，传统的CNN算法都是基于缺陷区域提取缺陷特征参数进行分类，比如纹理特征、灰度特征、形态学特征等等组成特征向量，再将其输入分类器进行处理便得到分类结果。典型的分类方法主要包括监督分类和无监督分类，比较常用的无监督分类法有ISODATA法和t-均值法；监督分类法有最小距离法、马氏距离法、最大似然法。由于是直接根据通过描电子显微镜(SEM)、光学显微镜或电子束显微镜等设备自动摄影而获得图像进行缺陷分类，因此，这类算法主要局限在于直接从拍摄图像中提取的缺陷特征参数是否能有效表达不同缺陷类型的差异，良好的缺陷特征表达十分重要，但针对特定缺陷类型提取的缺陷特征参数很难广泛适用于其它缺陷类型的分类，这使得缺陷检测和分类变得更加困难。

有鉴于此，本发明提供一种新的晶圆缺陷分类方法及其装置。

发明内容

针对上述技术问题，本发明的目的在于提供一种晶圆缺陷分类方法及其装置、系统、电子设备和存储介质，在一定程度克服或缓解了现有技术中的上述缺陷。

本发明的第一方面在于，提供了一种晶圆缺陷分类的方法，包括步骤：

获取预先扫描待检测晶圆样本得到的所述待检测晶圆样本中每个缺陷的缺陷特征参数；所述缺陷特征参数包括：缺陷大小和信号强度值；

获取预先采集到的所述待检测晶圆样本的样本图像；

根据所述样本图像和所述缺陷特征参数进行缺陷分类，得到所述待检测晶圆样本中每个缺陷的类型。