机器视觉系统在半导体晶圆缺陷检测中的应用.docxVIP

随着半导体行业的飞速发展，半导体的生产工艺越来越复杂，尤其是5nm工艺的逐步成熟完善，3nm工艺不断突破的情况下，芯片电路单元的尺寸越小，生产过程中就越容易出现各种缺陷。需要在生产过程中及早发现缺陷，及时排除缺陷原因，丢弃缺陷样本，才能防止缺陷晶粒继续加工，影响良率和生产率。一般来说，根据电子系统检测中的“十倍法则”，在基材层面发现的故障传导到芯片级别会造成成本十倍的增加，所以缺陷检测系统在半导体行业极其重要。根据检测目标在工艺流程中的位置，我们可以将缺陷检测系统分为无图案晶圆缺陷检测系统和有图案缺陷检测系统。无图案晶圆缺陷检测系统多用于硅片出厂检测和晶圆制造的前道工艺环节，功能是对硅片进行缺陷检测并定位，帮助找到工艺环节出现的问题。有图案缺陷检测系统需要对已经完成全部或部分工艺的晶圆进行缺陷检测，及时发现工艺异常。半导体缺陷检测系统广泛的应用于各种半导体器件的工艺流程中，包括但不限于CPU，储存器，逻辑集成电路等等。

半导体晶圆的缺陷是多种多样的，如下图所示，包括形貌缺陷（Topography），污染物（Contamination）,晶体缺陷（CrystalDefect）等等。半导体晶圆缺陷的不规则和细微性给晶圆缺陷检测带来了很大的困难。

注：图片来自于陈世炜的“基于明暗场成像的多扫描方式图案化晶圆检测技术研究”

半导体行业对晶圆缺陷检测主要有两个关键需求：1）可以准确识别出晶圆的缺陷，并得到缺陷的具体信息，包括缺陷的位置，面积大小等等。2）满足大规模工业化生产的速度和产能需求，实现实时检测。

半导体行业中缺陷检测的方法目前主要有两种：自动光学检测系统（AutomaticOpticInspection,AOI）以及扫描电子显微镜检测系统（ScanningElectronMicroscope,SEM）。自动光学检测系统基于光学原理，主要方式是通过设计照明系统对被测目标进行照明（分为明场，暗场，透射场等成像方式），利用成像系统对被测物体成像，通过图像传感器（CMOS/CCD）转化为数字图像信号由上位计算机系统做图像分析后实现缺陷检测。扫描电子显微镜检测系统通过汇集能量极高的极窄电子束轰击被测样品表面，通过逐点采集扫描光束与物质间的相互作用产生的微粒，从中获取各种物理信息。

注：图片来自于陈世炜的“基于明暗场成像的多扫描方式图案化晶圆检测技术研究”

比较两种方法，自动光学检测系统的优势在于1）速度快，采用面阵图像传感器拍摄一次图像耗时极短。2）成本低，相机，光源，镜头可以自由组合，有效降低设备成本。3）视场大，成像范围广，选取合适的镜头可以实现晶圆全范围检测（FullScaleScan），显著提升设备的吞吐量（Throughput）。自动光学检测系统的缺点在于成像分辨率较低，晶圆缺陷的特征不明显。扫描电子显微镜检测系统的优势在于分辨率高，精度高，但是因为是逐点检验，速度极慢，价格昂贵，无法满足半导体工业大规模生产的要求。

我们以工业界使用最为广泛的基于面阵图像传感器的晶圆自动光学检测系统为例，下面是在明场和暗场中的系统结构示意图。

注：图片来自于陈世炜的“基于明暗场成像的多扫描方式图案化晶圆检测技术研究”

鉴于晶圆缺陷的不规则性，图像传感器获取图像后晶圆缺陷的目标检测任务在使用传统图像处理算法进行处理时往往无法兼顾所有可能出现的缺陷。而深度学习方法（基于CNN的图像识别方法）对于图像分类和目标检测的高性能表现，可以大大提升不规则的缺陷识别率，提升整体系统的性能和速度。

这里以深度学习中目标检测使用比较广泛的YOLO（YouOnlyLookOnce）算法为例，诠释如何使用深度学习技术在晶圆缺陷检测系统中实现高速和准确的缺陷目标检测。基于深度学习的目标检测最初基本都是基于Two-Stage目标检测算法，需要第一步生成许多候选框，第二步对这些候选框进行分类。以R-CNN算法为代表。但是这类算法往往速度较慢。后来One-stage的目标检测算法逐步登上舞台，有代表性的有YOLO,SSD算法。只需对图像看一遍，就可以实现目标检测，其速度相比较Two-Stage算法有了很大的提升。但是初代算法YOLOV1和V2对于小目标的检测效果不好，YOLOV3针对这些问题做了改进，包括使用了多尺度预测，基于残差网络的Darknet等等，在一定程度上满足了晶圆检测中对于检测速度，小目标检测效果好的要求。YOLOV4在V3基础上做了进一步的改进，主特征网络选取了更大视野更多参数的CSPDarknet53,在最后的特征层中加入了SPP（SpatialPyramidPooling）结构，用四种不同尺度的池化核来做MaxPooling处理，可以在维持速度的同时更好的区分不同尺寸大小