CN119495587A 一种晶圆贴膜瑕疵检测系统及方法 （星隆科技(江苏)有限公司）

本发明公开了一种晶圆贴膜瑕疵检测系统晶圆表面进行初步扫描；在激光束扫描的过程2在晶圆贴膜瑕疵检测过程中，通过激光扫描仪按照预设光束在激光束扫描的过程中，通过对激光反射信号的强度和一致性进行实对疑似瑕疵区域的反射信号进行特征提取，并对提取到的特征数据进于深度分析后的特征通过预先训练的卷积神经网络评估晶圆贴膜中潜在瑕疵的明显程度，并将疑似瑕疵区域进一步划分为瑕疵明显区域和瑕通过调整后的光束覆盖率在标记的疑似瑕疵区域发射更高密度的激光束进行二次扫激光扫描仪按照预设的光束覆盖率发射激光束，覆盖整个晶圆表邻域内其他点的光强度进行比较，计算局部一致性偏差D(x，y)，计算的表达式为：l应用聚类算法对标记的疑似瑕疵点进行处理，将瑕疵点按照空间分布和密度进行聚神经网络预测生成瑕疵明显系数，通过瑕疵明显系数评估晶圆贴膜中潜在瑕疵的明显程3卷积神经网络对疑似瑕疵区域的潜在瑕疵进行预测生成的瑕疵明显系数与预先设定的瑕若瑕疵明显系数大于等于瑕疵明显系数参考阈值，则将该疑似反射后信号散射的非对称性进行深度分析后生成散射非对称参考在疑似瑕疵区域内，对激光反射信号进行多方向采集，采集到通过比较相邻信号点的向量差异来评估信号的散射不均匀性，定义ijjij是第i个点和第j基于信号差异矩阵，计算散射非对称参考值，散射非对称参考值的异矩阵中的高阶变化信息提取，定义散射非对称参考值为信号差异矩阵的调和增量累积度变化进行深度分析后生成深度变化参考值的具体对于疑似瑕疵区域，获取晶圆表面在该疑似瑕疵区域的三维形貌uu对采集到的三维形貌数据进行三维高度梯度和三维高度曲率计算，用于4高度函数沿着x轴的三维高度梯度变化，表示三维高度函数沿着y轴的三维高度梯度变u通过在晶圆表面二维坐标(xu，yu)处的三维高度梯度DZ(xu,x)和三维高度曲率ĸu率调整因子的计算表达式为：式中，ΔC为覆盖率调整因pp于对疑似瑕疵区域进行更高密度的二次扫描，新光束覆盖率的计算表达式为：8.一种晶圆贴膜瑕疵检测系统，用于实现上述权利要求1_7中任意一项所述的晶圆贴5初步扫描模块，在晶圆贴膜瑕疵检测过程中，通过激光信号分析与标记模块，在激光束扫描的过程中，通过特征提取与分类模块，对疑似瑕疵区域的反射信号进行精细扫描与定位模块，通过调整后的光束覆盖率在标记的疑似瑕疵区域6在后续制造环节中不会因为贴膜瑕疵而导致更大的生产损失和产7[0008]在晶圆贴膜瑕疵检测过程中，通过激光扫描仪按照预设识别出晶圆表面与贴膜之间存在的反射差异区域，并将反射差异区域标记为疑似瑕疵区[0010]对疑似瑕疵区域的反射信号进行特征提取，并对提取到的特征数据进行深度分[0012]通过调整后的光束覆盖率在标记的疑似瑕疵区域发射更高密度的激光束进行二与其邻域内其他点的光强度进行比较，计算局部一致性偏差D(x，y)，计算的表达式为：l8ijij是第i个点[0026]，其中，γ是控制空间衰减的权重参数，rij表示点i和点j之间的欧几里得距离，uu9示三维高度函数沿着x轴的三维高度梯度变化，表示三维高度函数沿着y轴的三维高度[0032]通过在晶圆表面二维坐标(xu，yu)处的三维高度梯度DZ(xa,x)和三维高度曲u=u[0035]计算瑕疵不明显区域中瑕疵明显系数相对于瑕疵明显系数参考阈值的相对性度ppp[0039]将计算得到的覆盖率调整因子ΔC应用于预设光束覆盖率C，以获得新光束覆盖p率，用于对疑似瑕疵区域进行更高密度的二次扫描，新光束覆盖率的计算表达式为：[0053]在晶圆贴膜瑕疵检测过程中，通过激光扫描仪按照预设[0054]在晶圆贴膜瑕疵检测过程中，通过激光扫描仪按照预设识别出晶圆表面与贴膜之间存在的反射差异区域，并将反射差异区域标记为疑似瑕疵区l[0065]对疑似瑕疵区域的反射信号进行特征提取，并对提取到的特征数据进行深度分度分析后得到的散射非对称参考值和深度变化参考值预先训练的卷积神经网络预测生成[0070]对激光在晶圆表面反射后信号散射的非对称性进行深度分析后生成散射非对称ijij是第i个点[0077]，其中，γ是控制空间衰减的权重参数，rij表示点i和点j之间的欧几里得距离，值反映了反射信号在多个方向上的强度差异显著，表明表面可能存在较大的不规则或缺uu维表面高度的方向性变化，三维高度曲率则表示晶圆表面弯曲程度，计算的表达式为：Vz(xu,)表示在晶圆表面二维坐标(xu，yuu[0088]通过在晶圆表面二维坐标(xu，yu)处的三维高度梯度DZ(x.,x)和三维高度曲u=u参考值Depthvar进行综合分析生成瑕疵明潜在瑕疵进行预测生成的瑕疵明显系数的表现值越大，表明该疑似瑕疵区域的瑕疵越明[0094]将通过预先训练的卷积神经网络对疑似瑕疵区域的潜在瑕疵进行预测生成的瑕[0097]针对瑕疵不明显区域，根据卷积神经网络的预测结果对光束覆盖率进行动态扩[0098]计算瑕疵不明显区域中瑕疵明显系数相对于瑕疵明显系数参考阈值的相对性度[0101]瑕疵明显系数Defectsign，通过卷积神经网络预测得出，用于量化瑕疵的明显程ppp[0103]将计算得到的覆盖率调整因子ΔC应用于预设光束覆盖率C，以获得新光束覆盖p率，用于对疑似瑕疵区域进行更高密度的二次扫描，新光束覆盖率的计算表达式为：[0104]通过调整后的