晶圆表面定点识别异常缺陷检测与定位技术

　　晶圆表面定点识别异常缺陷的核心流程为“缺陷发现→精确定位→分类判定→根因追溯”，需通过光学检测、电子束检测、3D轮廓测量与AI图像识别等多技术协同，并结合缺陷空间分布模式(如环形、弧形、线性、簇状)反推故障工艺环节，z终形成从检测到根因定位的完整闭环。

　　缺陷检测与定位技术

　　光学检测(AOI)

　　自动光学检测(AOI)是晶圆缺陷检测的基础手段，由工业相机、光源系统和图像采集卡组成，通过采集晶圆表面图像并利用算法识别缺陷。

　　明场检测：适用于划痕、颗粒、脏污等表面缺陷

　　暗场检测：对微小颗粒和浅层缺陷灵敏度更高

　　预扫描+精扫描：先通过预扫描获取晶圆高度信息，再根据预扫描坐标和反射面高度关系确定精扫描坐标，实时调节运动模块路径，避免晶圆翘曲、弯曲导致的检测定位偏差

　　电子束检测(E-beam)

　　对光学检测无法分辨的纳米级缺陷(如微桥接、微短路)进行补充检测，分辨率可达亚10nm级别，但检测速度较慢，通常用于抽检或关键层检测。

　　3D白光干涉仪

　　用于纳米级缺陷的三维轮廓重建与参数提取：

　　垂直分辨率：可达0.1nm，缺陷深度测量误差≤0.5nm，宽度测量误差≤2nm

　　适用缺陷尺寸：5nm~500nm范围内的划痕、凹陷、凸起、残留颗粒等

　　优势：非接触、非破坏，适配大气环境快速检测，12英寸晶圆局部重点区域测量时间≤10s

　　单像素成像技术(前沿)

　　弘润半导体2026年3月公开的新专利方案，通过四步相移锁相解调获取缺陷全局坐标，规避图像重建过程，降低计算开销并提升定位精度。

　　缺陷分类与识别方法

　　缺陷空间分布模式识别

　　缺陷在晶圆上的分布形态是判断根因的关键线索。基于Voronoi图的点分布模式识别算法可将缺陷分为以下几类：

　　环形(Ring)：多与边缘气流不均、温度梯度相关

　　弧形(Arc)：常指向旋转工艺中的局部异常

　　线性(Line)：通常由机械划伤、导轨偏差引起

　　簇状(Cluster)：多为颗粒污染、局部工艺失控

　　随机分布(Random)：一般与环境洁净度或随机事件相关

　　实测验证中，环形和弧形模式识别正确率达93.3%，线性模式正确率达95.1%。

　　基于机器视觉的全流程检测

　　北京工业大学提出的全流程方法涵盖三个关键阶段：

　　Die分割：基于候选框拟合与坐标插值算法，将每个die从晶圆图中精确分割，即使严重损坏的die也能通过坐标关系推算定位，分割准确率达100%

　　图像增强：通过HSV空间亮度校正消除光照不均影响

　　缺陷检测：基于区域缺陷特征聚类(无监督学习)，无需标准模板即可识别缺陷die，检测准确率超过97%

　　AI深度学习与在线检测

　　深度学习：利用Faster R-CNN、YOLO等目标检测网络进行缺陷分类，结合ResNet等特征提取网络，简单电路结构的die缺陷检测准确率可达98.57%

　　PCA+贝叶斯概率模型：提取Hu不变矩、HOG、SIFT特征后降维建模，在线检测准确率达87.2%，单幅图像检测时间40.5ms，满足产线实时性要求

　　缺陷分布→故障设备自动匹配

　　晶芯半导体2026年2月公开的新专利方案，通过构建缺陷点云数据的拓扑骨架特征和空间频率域特征，从预设的机械运动库中匹配候选运动方程，逆向拟合后自动定位具体的故障机台组件，实现从缺陷识别到根因设备定位的全自动闭环。

　　典型缺陷类型与对应检测手段

来源：网络