[发明专利]一种晶圆表面缺陷模式检测与分析方法

权利要求书

1.一种晶圆表面缺陷模式检测与分析方法，其特征在于，所述方法包括如下几个步骤：

步骤1，利用工业电子显微镜对晶圆上的晶粒逐个扫描，获取晶粒原始图像；

步骤2，提取晶粒图像的颜色直方图特征，并与模板库中标准晶粒图像和背景图特征进行相似性判别，生成晶圆缺陷特征矩阵；

步骤3，扫描结束后，将晶圆缺陷特征矩阵转化为晶圆缺陷模式图，进行中值滤波；

步骤4，基于WM811K晶圆数据集，构建晶圆缺陷模式检测模型并进行训练，利用该模型判断晶圆图是否存在已知缺陷模式类型，如果不存在缺陷模式，则判断为正常晶圆，检测过程结束，如果存在缺陷模式，则进行步骤5；

步骤5，基于WM811K晶圆数据集，构建晶圆缺陷模式分类模型并进行训练，利用该模型判断具体的晶圆缺陷模式类别；

步骤6，基于步骤5构建的缺陷模式分类模型，提取Fc2层输出的晶圆缺陷模式图特征，采用相似性度量算法计算待测样本与数据库中已标记样本的相似性，按照相似性由大到小排序，保留相似性最大的样本，通过分析该样本的缺陷模式成因，进而判断待测样本的具体缺陷成因；

步骤4具体如下：

模型基于Tensorflow框架搭建，由三层卷积层和两层全连接层构成；卷积层使用的卷积核尺寸为3×3，步长为1×1，激活函数为ReLU；每个卷积层后采用3×3的最大池化层进行下采样；全连接层Fcl采用Sigmoid作为激活函数，并加入Dropout防止过拟合，Dropout概率取值为0.5；

训练前，将步骤3处理后的图像作随机旋转和随机裁剪，并对输入图像进行标准化和归一化，标准化即将图像尺寸限制为224×224，归一化将三个通道的像素限制在(0，1)之间；训练时损失函数选用Adam优化算法，学习率η＝0.0001；

步骤5具体如下：

模型基于Tensorflow框架搭建，由七层卷积层和三层全连接层组成；卷积层尺寸为3×3，步长为1×1，激活函数为ReLU；卷积层Conv2、Conv4和Conv7的输出特征均采用3×3的最大池化层下采样；全连接层Fc1和Fc2采用Sigmoid作为激活函数，并加入Dropout防止过拟合，Dropout概率取值为0.5；

训练前对待测样本图像作随机旋转和随机裁剪，并将图像尺寸限制为224×224，将三个通道的像素限制在(0，1)之间；损失函数选用Adam优化算法，学习率η＝0.0001；引入L2正则化对参数加以限制，防止过拟合，如公式(1)所示；

L＝E+λ∑_jω_j² (1)

其中，E为原始代价函数，λ为正则化系数，λ取值为1×10^-6，ω_j为神经网络随机初始化和每轮迭代更新后得到的权重参数，L为引入正则化后的损失函数。

2.如权利要求1所述的一种晶圆表面缺陷模式检测与分析方法，其特征在于，步骤6具体如下：

将待测样本输入到步骤5的分类模型中，提取第Fc2层的输出特征作为原始特征向量a₀；采用同样方法提取数据库中所有样本的原始特征，设数据库中样本数量为N，与待测样本组成原始特征矩阵A_(N+1)×1024；采用PCA算法对特征矩阵降维，降维后的矩阵X_(N+1)×254中每一行为一个样本的特征向量，每个样本具有254维特征；应用公式(2)将向量元素映射至区间[0，1]，构成样本集D＝{μ₀，μ₁，μ₂，…，μ_N}；

其中，x_i为降维后矩阵X的第i行向量，即第i个样本特征，x_i，min和x_i，max分别为该向量的最小值与最大值，μ_i为归一化后的第i个样本特征向量；

将样本集矩阵D中的N+1个特征向量按照公式(3)进行区间映射；利用公式(4)计算映射后待测样本特征向量μ₀^*与数据库中特征向量μ_k^*的汉明距离，其中k∈{1，2，3…，N}；数据库中的样本缺陷模式成因已标记好，将距离按照由小到大排序，保留距离最小的样本作为近似查找结果，通过分析该样本的缺陷模式成因，进而推断待测样本的根本缺陷成因；

其中，μ_i，j为第i个特征向量中的第j个元素；

其中，μ₀^*表示待测样本特征向量，μ_k^*表示数据库中第k个样本特征向量。