[发明专利]基于融合深度学习模型的集成电路缺陷图像识别分类系统

说明书

本发明公开了一种基于融合深度学习模型的集成电路缺陷图像识别分类系统，提出使用基于深度卷积神经网络(CNN)的融合模型的方式对晶圆的缺陷图像进行在线自动识别分类，及时地侦测晶圆各类缺陷数量的变化；其核心机制是由两种融入学习机制的深度学习模型构建的缺陷图像特征提取方法，该深度CNN融合模型基于SE_Inception_V4、SE_Inception_ResNet_V2两种框架构建了Combined3缺陷图像分类模型，并利用序列模型优化(SMBO)算法对融合深度CNN识别模型进行超参优化，提升模型识别精度。增加了自动化水平。降低了识别成本，原因是AI模型取代工程师，并且工作效率大大提高。基于实时的识别分类结果，工程师可以及时统计缺陷数据，查找原因，进而调整工艺参数，提高良品率。

技术领域

本发明涉及图像识别分类系统领域，具体是一种基于融合深度学习模型的集成电路缺 陷图像识别分类系统。

背景技术

集成电路晶圆制造是在晶圆上制作电路和电子元件(如晶体管、电容、逻辑开关等)， 其处理程序通常与产品种类和所使用技术相关，一般基本步骤包括切片、研磨、抛光、化 学气象沉淀、光刻、蚀刻、离子植入、化学机械研磨等反复步骤，最终在晶圆上完成数层电路及元件的加工和制作。在半导体制造过程中，为监视任何异常缺陷特征并快速响应工艺问题，需要在进入下一生产环节前使用在线量测工具在某一工艺步骤后进行检验，并监测晶粒(dies)上的异常情况，然后根据检测到的异常位置拍摄晶圆缺陷图像，最后利用人工方法或者机器视觉算法(MVA)对传感器图像进行分析。传统的MVA包括几何变换方法、 语义分割方法、滤波方法、图案和纹理匹配方法以及高级形态学方法等。通过应用上述算 法的融合，增强传感器显微图像中的某些特征，获取缺陷的尺寸和形状参数，识别缺陷类 别[1]。

近年来，视觉系统通过结合机器学习算法一些表面缺陷研究，即采用传统的MVA方法 提取图像关键特征，然后利用机器学习方法学习这些关键特征的模式来识别缺陷，在性能 上取得了显著的进步[1]。Di Li等[2]将二值化、边缘检测等MVA技术与主成分分析算法结 合，构建了一种手机防护玻璃表面五种典型缺陷的自动检测系统。Yunwon Park等[3]将该 滤波方法应用于显示面板模块表面形状缺陷图像，采用基于Wrapper特征选择方法，以随 机森林为学习算法，选择重要特征并对缺陷进行分类，有效地解决了表面缺陷分类不明确 的问题。Matthias Demant[4]等通过特征提取技术提取关键缺陷特征，并结合线性回归、 支持向量机回归、弹性网络回归三种模型对多晶硅片进行质量预测。Kwon等[5]将缺陷图 像像素强度的简单方差分布值应用于随机森林机器学习算法，对各种表面类型进行缺陷检 测，有效地减少了错误检测。Naoaki等[6]将图像增强技术、特征提取技术和机器学习算 法结合构建了一个自动缺陷分类系统对晶圆缺陷图像进行分类识别，提高了缺陷识别的准 确率和效率。Chung-Feng Jeffrey Kuo等[7]结合传统MVA技术、特征提取技术和神经网络 模型构建了一种高精度的偏光膜缺陷自动检测分类系统。上述表面缺陷检测研究均包含图 像特征的提取部分和缺陷分类部分。然而，在图像特征建模中，特征提取算法对机器学习 具有重要意义，所提取特征的识别能力决定了缺陷检测系统的可靠性，并且模型性能可能 会受到如何选择最佳特征的限制[8]。