[发明专利]晶圆的检测方法、设备及存储介质

说明书

本申请提供了一种晶圆的检测方法，包括：获取晶圆的第一图像，第一图像包含表示晶圆的缺陷信息的整体特征；基于第一图像确定晶圆的第二图像，第二图像包含表示晶圆的缺陷信息的细节特征；将整体特征与细节特征进行融合，以生成融合后的特征；以及通过晶圆缺陷分类模型对融合后的特征进行检测。通过上述方法可在一定程度上提高晶圆缺陷检测的准确率，降低人工成本。

技术领域

本申请涉及半导体领域，更具体地，涉及一种晶圆的缺陷检测方法、设备及存储介质。

背景技术

随着存储器的发展，对存储器的集成程度的要求越来越高，因此晶圆的特征尺寸不断减小，对晶圆的缺陷检测成为提高晶圆良率的重要方法。存储器的生产工艺繁多且复杂，在每一个工艺之后，尤其是刻蚀工艺和沉积工艺之后，都需要对晶圆表面的缺陷进行检测，避免有缺陷的晶圆流向后续制程，影响晶圆的电学性能。

目前主要是利用自动缺陷分类(Auto Defect Classification，简称ADC)系统结合机器学习的方法进行晶圆的缺陷检测。ADC系统主要有两个模块：检测模块和分类模块。检测模块通过扫描晶圆表面，确认可能存在缺陷的区域坐标，然后对缺陷区域利用电子扫描显微镜(scanning electron microscope，简称SEM)得到缺陷区域的图像；分类模块利用机器学习方法，构建分类模型，实现缺陷的分类。然而当前的ADC系统缺陷检测的性能很高，而缺陷分类的准确性很差。因此需要通过人工检查对缺陷分类结果进行确认，需要专业人员对缺陷样本进行大量的标记，因此晶圆检测的正确率与节约人力投入是需要快速解决的问题。

发明内容

本申请实施例提供了一种可至少部分解决现有技术中存在的上述问题的晶圆的检测方法及系统。

根据本申请实施例的一个方面，提供一种晶圆的检测的方法，所述方法可包括：获取晶圆的第一图像，所述第一图像包含表示所述晶圆的缺陷信息的整体特征；基于所述第一图像确定所述晶圆的第二图像，所述第二图像包含表示所述晶圆的缺陷信息的细节特征；将所述整体特征与所述细节特征进行融合，以生成融合后的特征；以及通过晶圆缺陷分类模型对所述融合后的特征进行检测。

在本申请一个实施方式中，基于所述第一图像确定所述晶圆的第二图像的步骤可包括：对所述第一图像中的缺陷特征区域进行定位；以及对所定位出的缺陷特征的区域进行截取，以获得目标图像作为所述第二图像。

在本申请一个实施方式中，基于所述第一图像确定所述晶圆的第二图像的步骤，可包括：对所述目标图像中的缺陷特征的细节区域进行定位；以及对所定位出的细节区域进行截取，以获得细节图像作为所述第二图像。

在本申请一个实施方式中，对所定位出的缺陷特征的区域进行截取，以获得目标图像作为所述第二图像的步骤，可包括：基于深度卷积神经网络提取所述晶圆的第一图像的深度特征图谱；确定所述深度特征图谱上每个位置通道中的特征的平均值和所述深度特征图谱的整体通道中的特征的平均值；确认所述深度特征图谱中位置通道中的特征的平均值大于整体通道中的特征的平均值的区域作为目标缺陷区域；截取所述目标缺陷区域的图像作为所述目标图像。

在本申请一个实施方式中，在确认所述深度特征图谱中位置通道中的特征的平均值大于整体通道中的特征的平均值的区域作为目标缺陷区域之后，可包括：确定所述目标缺陷区域的最小外包矩形并确认其坐标；通过反卷积确定所述目标缺陷区域在所述晶圆的第一图像中的位置坐标；以及根据所述位置坐标截取所述晶圆的第一图像，以作为所述目标图像。

在本申请一个实施方式中，对所定位出的细节区域进行截取以获得细节图像作为所述第二图像的步骤，可包括：基于深度卷积神经网络提取所述目标图像的深度特征图谱；确定所述目标图像的深度特征图谱上每个位置通道的特征的平均值；选取滑动窗口对所述目标图像进行卷积，并根据所述滑动窗口确认至少一个激活窗口，所述激活窗口的深度特征图谱通道的特征的平均值大于所述深度特征图谱上每个位置通道的特征的平均值；以及截取所述至少一个激活窗口对应的所述目标图像作为所述细节图像。