[发明专利]半导体芯片结构缺陷检测方法

说明书

本发明涉及一种半导体芯片结构缺陷检测方法，包括：采集无缺陷的模板图，人工选择模板图上的第一个颗粒图，并设置横向和纵向的步长，根据步长实现颗粒自动阵列，获得模板图中所有的颗粒图；人工框选颗粒图中不同检测区域的ROI，并设置每个ROI的前景提取灰度值和特征类型；对ROI进行分区阵列，得到模板图上的所有分区，建立分区模板；所有分区均结合对应的前景提取灰度值，提取前景mask；对前景mask进行特征提取，提取的特征生成训练数据，训练机器学习分类器模型；采集待检测图像，通过分区模板和分类器模型进行结构缺陷检测。本发明具有高检测精度、低检测延时、高通用性等优点。

技术领域

本发明属于半导体缺陷检测与图像处理技术领域，具体涉及一种半导体芯片结构缺陷检测方法。

背景技术

随着大数据、物联网、云计算、自动驾驶技术的飞速发展，同时全球消费电子市场的需求也在不断提高，这对半导体的产能带来了极大的挑战。但是由于高端半导体芯片的工艺的复杂程度高，因此生产良率并不高。尽管目前市面上已经存在一些针对半导体表面缺陷的检测方案，但是还存在检测效率低，检测精度低等问题，并且针对缺陷的检测范围较窄，能覆盖的产品种类也有很大的局限性。因此，为了提高半导体芯片的生产效率和出货良率，更加高效的、高精度、通用的自动化检测方案就显得尤为重要。

目前，在芯片外观检测领域，主要可以分为两大方向：表面缺陷和结构缺陷。表面缺陷包括脏污、划伤、异物、水渍、氧化等类别；结构缺陷包括过蚀、毛刺、连脚、断筋、缺损等类别。而结构缺陷带来的严重性往往高于表面缺陷，连脚会使得芯片短路烧毁，断筋会导致芯片断路无法使用。因此针对结构缺陷检测技术的需求程度更加迫切，并且芯片结构的多样性也给结构缺陷检测技术的通用性带来了极大的挑战。

近些年，得益于图像采集技术和深度学习技术的飞速发展，使得缺陷检测技术在高精密的半导体行业也大有用武之地。但是目前针对半导体芯片的缺陷检测技术任然存在一些亟待解决的问题：

第一，目前的半导体缺陷检测技术，检测范围主要停留在严重程度不高的表面缺陷检测上，对高危的结构缺陷覆盖甚少；

第二，目前的半导体缺陷检测技术主要采用传统图像处理算法、或者深度学习算法、或者两者的结合。但是传统图像处理算法对调参的要求高，现场工人使用门槛高，建模复杂；深度学习技术则依赖于大量的缺陷标注数据，算法迭代周期久；

第三，半导体芯片属于高精密检测场景，为了提高检测精度，采集的图像尺寸会比较大。传统图像处理算法的计算复杂度会平方级增长，深度学习算法受GPU显存的限制，通常会缩小图像大小，因而小缺陷的漏检率较高。

发明内容

本发明的目的在于提供一种半导体芯片结构缺陷检测方法，具有高检测精度、低检测延时、高通用性等优点，可以解决半导体芯片缺陷检测技术中，传统图像处理算法检测效率低、检测范围窄以及深度学习技术漏检率高等问题，提高半导体出货良率。

为实现上述目的，本发明提供如下技术方案：

一种半导体芯片结构缺陷检测方法，其特征在于：

采集无缺陷的模板图，人工选择模板图上的第一个颗粒图，并设置横向和纵向的步长，根据步长实现颗粒自动阵列，获得模板图中所有的颗粒图；人工框选颗粒图中不同检测区域的ROI，并设置每个ROI的前景提取灰度值和特征类型；对ROI进行分区阵列，得到模板图上的所有分区，建立分区模板；

所有分区均结合对应的前景提取灰度值，提取前景mask；对前景mask进行特征提取，提取的特征生成训练数据，训练机器学习分类器模型；

采集待检测图像，通过分区模板和分类器模型进行结构缺陷检测。

进一步地，对ROI进行分区阵列时，同样采用人工设置的所述横向和纵向步长自动阵列。

进一步地，采用二值化运算提取前景mask。