基于深度学习的晶圆缺陷检测算法研究

• 作 者: 李洋
• 机 构: 西安工业大学
• 出 处: 西安工业大学
• 发表日期: 2022年01期
• 关键词: 半导体晶圆 深度学习 缺陷检测 特征提取网络 后处理算法

晶圆缺陷检测作为目标检测的一个重要应用受到了广泛关注。对于半导体行业来说,晶圆图缺陷检测已经成为一个主要的缺陷检测问题。半导体的制造过程涉及数十个复杂步骤,由于众多原因皆会导致表面产生缺陷。可视化及识别缺陷模式对于防止缺陷产生至关重要。缺陷模式检测通过识别晶圆表面缺陷,为工程师处理制造相关问题提供了参考。目前,随着晶圆尺寸的逐渐减小和生产工艺复杂度的增加,结合了多个基本缺陷的混合复杂缺陷的数量不断增加。当产生混合缺陷时,缺陷检测变得更加复杂,特别是工业生产中检测数千万张晶圆图时,对检测精度和速度要求很高。因此一种准确性高、效率快的晶圆缺陷检测具有其必然性和重要性。主要研究工作如下:1)建立晶圆缺陷样本库。为了确定晶圆缺陷成因,对混合模型晶圆缺陷识别至关重要。而混合模式晶圆缺陷数据集是本文相关实验的基础。由于目前还没有开放的完整实用的数据集,本文根据现有样本库,筛选并制作了晶圆缺陷样本库。其次,介绍了所使用的数据增强以及归一化方法。在训练前进行在线数据增强,随着训练次数增加,样本数量也随之扩充,有效的解决网络因数据量过少产生的过拟合问题。2)基于晶圆缺陷检测的特征提取算法研究。特征提取是晶圆缺陷识别的关键。由于晶圆缺陷图具有特征丰富、种类繁多的特点,传统算法难以应对这些特点,因此,需要优化传统算法,使其能够适用于晶圆缺陷特征提取。在特征提取算法的研究中,以Res Net残差网络为基础,构建一种融合多尺度特征金字塔网络的结构,在残差块上增加分组卷积,来提高识别准确率。该算法将特征图分为不同的子空间,减少了超参数的数量。在数据集上进行对比实验,对结果的量化分析表明,相较于传统算法,该算法在较浅层可以充分提取特征,提升了准确率,其分类准确率可达到98.5%。3)基于晶圆缺陷检测的区域提取算法研究。在区域提取后会生成大量候选框,候选框间会有重叠现象,为了有效地消除冗余候选框以及解决目标重叠的问题,本文设计了一种后处理算法,通过优化传统后处理算法的惩罚项分布模型来更新候选框的得分,进而提升推理阶段检测效率。该算法能够应对于混合晶圆缺陷的定位问题,并解决了由于提取目标产生重叠使得被遮挡目标难以检测的问题;在不同的单级检测器和两级检测器上,分别进行对比实验,在推理阶段,单级检测器效率平均提升达到9.63%,两级检测器提升21.72%。4)设计及实现晶圆缺陷检测算法。系统化进行晶圆缺陷检测实验,运用构建好的检测网络对晶圆缺陷进行训练及测试,根据训练及测试结果调整每部分的结构,并进行网络性能的评估。在测试集上的实验表明,对比于传统算法,基于深度学习的方法更有效率,该算法成功的检测了六种类型的晶圆缺陷,目标定位精度可达到0.604,相较于改进前提升了1.9%,推理阶段检测效率提升25.8%。