摘要
晶圆制造是半导体产业链的上游核心环节，对半导体产业的发展起着重要的支撑作用。为了减少不合格晶圆继续加工带来的成本负担，提高集成电路等产业的产品性能，对晶圆表面进行快速高效的缺陷检测以提高晶圆出厂良率非常必要。基于视觉的晶圆表面缺陷检测技术近年来在半导体的缺陷检测中引起了广泛重视，并在相关领域取得不少成果。然而基于深度学习的晶圆表面缺陷检测方法在算法模型和实际工程应用中仍有较大的研究空间。 本文以搭建晶圆表面缺陷检测AOI系统的检测平台为基础，对晶圆表面缺陷检测算法进行改进和研究，结合实际工程项目中的检测难点，着重进行算法模型改进以提高系统缺陷检测的速度和精度。本文的主要研究内容在于首先分析检测算法的理论基础和检测机制，比对不同模型的结构差异，并结合同一个数据集下各模型的检测效果分析模型性能，为后续模型改进提供思路；然后分析来自实际项目的缺陷确定晶圆缺陷的成因和类型，根据不同视觉方案下的缺陷成像效果搭建系统的机器视觉系统以便在检测过程中获取高质量样本；分析晶圆AOI系统的常规检测流程并搭建检测系统的机械结构模型；针对现有模型存在的体积过大不易部署、对晶圆表面缺陷的整体检测精度不高等问题进行算法改进，通过对骨干网络进行轻量化、采用高效的特征融合机制、给特征添加注意力等方式完成算法改进；最后为了验证算法的有效性建立样本数据集，通过样本扩充避免由数据集过小引起的过拟合现象，另外为了便于操作设计了基于PyQt5的人机交互界面。本文工作丰富了晶圆表面缺陷视觉检测中的检测方法，主要成果和创新如下： （1）通过对现有目标检测算法的性能对比，分析模型检测性能不佳的可能原因，为模型改进提供思路。对基于区域选择的双阶段目标检测算法和基于回归的单阶段目标检测算法进行详细分析，在同一个数据集VOC-2007上进行模型训练与测试，综合比对模型的检测精度与速度，实验表明YOLOv5网络模型具有更好的表现性能，因此选取YOLOv5网络作为本文算法改进的基本结构。 （2）为了获得更高质量的检测样本，进行晶圆检测平台的搭建。分析晶圆生产工艺流程，对常见的晶圆表面缺陷进行分类；综合考虑四类晶圆表面缺陷在不同光源条件下的成像情况、晶圆尺寸和成本等因素，完成视觉方案设计和对光源、相机和镜头等的选型；根据晶圆表面缺陷视觉检测过程的工艺需求，完成包括Z轴模组、上料三轴和U轴承片台等机械结构设计，搭建完整的检测平台模型。 （3）为了提高模型对晶圆表面缺陷的检测精度和速度，基于当前深度学习在目标检测领域取得的一系列成果，提出针对晶圆表面缺陷特征的算法改进。首先针对模型体积过大导致现场部署困难和检测速度低等问题提出对模型骨干网络的轻量化处理，改进后模型的参数量降低30%；其次针对模型对小目标检测精度不佳的问题提出一种高效的特征融合机制，在不增加参数的前提下实现更多特征的融合，提升了小目标的表达；最后向模型中添加注意力机制，从空间维度和通道维度分别赋予特征不同权重以提高模型对待检测目标的关注度。上述改进使得模型参数量降为原来的90%，计算量减少9.4%，推理速度约有23%的提升，检测精度为92.3%，对四种缺陷的检测性能均有较好表现，整体有9.8%的提升。 （4）数据集建立和GUI界面设计。通过数据增强和数据平衡等方式对现有晶圆数据样本进行扩充，最终获得总数据量为7510的数据集，有效解决因数据量过小导致的过拟合问题，同时降低了样本不均衡对模型精度的影响。另外基于PyQt5完成包括登录注册、模型训练及结果查询等功能的人机交互界面设计。 综上所述，本文以晶圆生产制造过程中对其表面进行缺陷视觉检测的实际需求为导向搭建视觉检测系统，提出了用于晶圆表面缺陷检测的方法并验证其有效性，具有一定的理论价值和工程意义。
NETL