晶圆缺陷检测方法、缺陷检测模型训练方法及装置与流程

所属的技术人员能够理解，本发明的各个方面可以实现为系统、方法或程序产品。因此，本发明的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“平台”。图15展示本发明的电子设备的结构示意图。下面参照图15来描述根据本发明的这种实施方式的电子设备1500。图15显示的电子设备1500仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。如图15所示，电子设备1500以通用计算设备的形式表现。电子设备1500的组件可以包括但不限于：至少一个处理单元1510、至少一个存储单元1520、连接不同平台组件(包括存储单元1520和处理单元1510)的总线1530、显示单元1540等。其中，存储单元存储有程序代码，程序代码可以被处理单元1510执行，使得处理单元1510执行本说明书晶圆缺陷检测方法或缺陷检测模型的训练方法部分中描述的根据本发明各种示例性实施方式的步骤。例如，处理单元1510可以执行图1或10所示的步骤。存储单元1520可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(ram)1521和/或高速缓存存储单元1522，还可以进一步包括只读存储单元(rom)1523。存储单元1520还可以包括具有一组(至少一个)程序模块1525的程序/实用工具1524，这样的程序模块1525包括但不限于：处理系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。总线1530可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。电子设备1500也可以与一个或多个外部设备150(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备1500交互的设备通信，和/或与使得该电子设备1500能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(i/o)接口1550进行。并且，电子设备1500还可以通过网络适配器1560与一个或者多个网络(例如局域网(lan)，广域网(wan)和/或公共网络，例如因特网)通信。网络适配器1560可以通过总线1530与电子设备1500的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备1500使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、raid系统、磁带驱动器以及数据备份存储平台等。本发明实施例还提供一种计算机可读存储介质，用于存储程序，程序被执行时实现的晶圆缺陷检测方法或缺陷检测模型的训练方法的步骤。在一些可能的实施方式中，本发明的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当程序产品在终端设备上运行时，程序代码用于使终端设备执行本说明书上述晶圆缺陷检测方法或缺陷检测模型的训练方法部分中描述的根据本发明各种示例性实施方式的步骤。参考图16所示，描述了根据本公开实施方式的用于实现上述方法的程序产品1600。根据本发明的实施方式的用于实现上述方法的程序产品，其可以采用便携式紧凑盘只读存储器(cd-rom)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本发明的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读存储介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、rf等等，或者上述的任意合适的组合。可以以一种或多种程序设计语言的任意组合来编写用于执行本发明处理的程序代码，程序设计语言包括面向对象的程序设计语言—诸如java、c++等，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(lan)或广域网(wan)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。综上，本发明的目的在于提供晶圆缺陷检测方法、缺陷检测模型训练方法及装置，通过使用训练缺陷图像及训练参考图像的融合图像训练缺陷检测模型，融合图像包含训练缺陷图像和训练参考图像的差异信息，从而将参考图像信息引入到缺陷检测模型中。在这种情况下，缺陷检测模型能够结合待检缺陷图像本身的缺陷信息及其与参考图像的差异信息进行缺陷检测，而不会局限在待检缺陷图像本身，从而即使训练缺陷图像数据量不大时，也能够获得精确的晶圆缺陷检测结果。以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。

背景技术：

1、在相关技术中，可互联、智能、小巧和长待机的电子设备需求的日益增长构成了集成电路趋于更小的关键尺寸(critical dimension)的主要驱动力。然而，随着10纳米(nm)以下的大批量制造正在成为主流，人们越来越意识到，由设备制造商组件引入的缺陷会显著地影响成品率和制造成本。识别、定位和分类这些随机的或系统性的缺陷变得越来越具有挑战性。

2、在相关技术提供的晶圆检测过程中，首先对晶圆缺陷进行初检，以得到缺陷的大致位置坐标并输出到结果文件中。然后，根据缺陷的大致位置坐标采集缺陷图像，进行复检。但是，现有的方法存在误检率高的问题。

技术实现思路

1、针对现有技术中的问题，本发明的目的在于提供一种晶圆缺陷检测方法、缺陷检测模型训练方法及装置，以解决相关技术的晶圆缺陷检测方法准确率低的问题。

2、本发明实施例提供了一种晶圆缺陷检测方法，其包括：

3、获取待检缺陷图像以及对应的参考图像，其中，在参考图像上不包含晶圆缺陷；

4、对待检缺陷图像以及参考图像进行配准，将配准的待检缺陷图像与参考图像进行融合，得到融合图像，融合图像包含了待检缺陷图像信息和参考图像信息；

5、将融合图像输入缺陷检测模型，输出晶圆上的缺陷检测结果；

6、其中，缺陷检测模型由多个训练融合图像训练得到，训练融合图像包含了训练缺陷图像信息和训练参考图像信息。

7、在一些实施例中，获取待检缺陷图像以及对应的参考图像，包括：

8、获取待检缺陷所在目标晶片及其所在目标晶片上的目标位置，并基于目标位置对目标晶片进行成像，得到待检缺陷图像；

9、在晶圆上确定目标晶片的相邻晶片、及相邻晶片上对应目标位置的相应位置，并基于相应位置对相邻晶片进行成像，得到参考图像。

10、在一些实施例中，将配准的待检缺陷图像与参考图像进行融合，得到融合图像，包括：

11、确定配准的待检缺陷图像与参考图像的重叠区域；

12、将配准的待检缺陷图像和参考图像进行通道合并，得到融合图像，其中融合图像包括重叠区域的至少部分区域，至少部分区域是基于待检缺陷的目标位置确定的。

13、在一些实施例中，对待检缺陷图像以及参考图像进行配准，包括：

14、利用转换矩阵对待检缺陷图像进行至少一次变形处理，直到变形处理后的待检缺陷图像与参考图像的相关系数不低于阈值，将变形处理后的待检缺陷图像作为与参考图像配准的待检缺陷图像。

15、本公开实施例还提供一种缺陷检测模型的训练方法，其包括：

16、获取训练集，所述训练集包含未标注的训练融合图像及带标识的训练融合图像，所述训练融合图像包含配准的训练缺陷图像信息和训练参考图像信息，其中，在所述训练参考图像上不包含晶圆缺陷，所述标识为缺陷位置标识；

17、利用所述训练集训练缺陷检测模型。

18、在一些实施例中，获取训练集，包括：

19、获取训练缺陷图像及对应的至少一个训练参考图像；

20、对训练缺陷图像和对应的训练参考图像进行配准；

21、将配准的训练缺陷图像与训练参考图像进行融合，得到所述训练融合图像；

22、利用未标注的训练融合图像和带标识的训练融合图像构建所述训练集。

23、在一些实施例中，获取训练缺陷图像及对应的至少一个训练参考图像，包括：

24、获取缺陷所在第一晶片及其所在第一晶片上的第一位置，并基于第一位置对第一晶片进行成像，得到训练缺陷图像；

25、在晶圆上确定与第一晶片相邻的第二晶片、及第二晶片上对应第一位置的第二位置，并基于第二位置对第二晶片进行成像，得到训练参考图像。

26、在一些实施例中，将配准的训练缺陷图像与训练参考图像进行融合，得到训练融合图像，包括：

27、确定配准的训练缺陷图像与训练参考图像的重叠区域；

28、将配准的训练缺陷图像和训练参考图像进行通道合并，得到训练融合图像，其中训练融合图像包括重叠区域的至少部分区域，至少部分区域是基于缺陷的目标位置确定的。

29、在一些实施例中，对缺陷图像和对应的训练参考图像进行配准，包括：

30、利用转换矩阵对缺陷图像进行变形处理，直到变形图像与训练参考图像的相关系数不低于阈值，将变形图像作为与训练参考图像配准的训练缺陷图像。

31、在一些实施例中，所述利用所述训练集训练缺陷检测模型，包括对所述未标注的训练融合图像和带标识的训练融合图像分别进行如下处理：

32、对训练融合图像进行切片；

33、对每个切片图像进行多特征尺度转换；

34、对每个切片图像的多尺度转换图像进行卷积处理，得到特征向量；

35、根据特征向量进行缺陷检测，得到缺陷检测预测结果；

36、根据缺陷检测结果与对应的真实缺陷信息计算损失函数，并根据损失值调整缺陷检测模型的模型参数，直到达到训练停止条件；其中，所述损失函数至少包括所述训练缺陷图像和训练参考图像的通道差异。

37、本公开实施例还提供一种晶圆缺陷检测装置，其包括：

38、获取模块，获取待检缺陷图像以及对应的参考图像，其中，在参考图像上不包含晶圆缺陷；

39、融合模块，对待检缺陷图像以及参考图像进行配准，将配准的待检缺陷图像与参考图像进行融合，得到融合图像，融合图像包含了待检缺陷图像信息和参考图像信息；

40、预测模块，将融合图像输入缺陷检测模型，输出晶圆上的缺陷检测结果。

41、本发明所提供的晶圆缺陷检测方法、缺陷检测模型训练方法及装置具有如下优点：

42、通过使用训练缺陷图像及训练参考图像的融合图像训练缺陷检测模型，融合图像包含训练缺陷图像和训练参考图像的差异信息，从而将参考图像信息引入到缺陷检测模型中。在这种情况下，缺陷检测模型能够结合待检缺陷图像本身的缺陷信息及其与参考图像的差异信息进行缺陷检测，而不会局限在待检缺陷图像本身，从而即使训练缺陷图像数据量不大时，也能够获得精确的晶圆缺陷检测结果。并且，在不同的应用场景、工况条件下，缺陷检测的准确率高并且稳定。