芯片成品缺陷自动检测技术的研究

黎莉

浙江赛摩智能科技有限公司

摘要：由于芯片成品缺陷检测还要求细胞在隐藏或缺失角点和不均匀照明的情况下找到细胞的位置,因此基于灰度值的模式匹配算法无法处理此类干扰,但图像边缘不受光线变化影响。本文对表面缺陷自动检测技术进行分析，以供参考。

关键词：表面缺陷；自动检测技术；研究

引言

作为半导体材料,芯片成品由具有相同结构和电气特性的重复芯片组成。芯片成品缺陷通常是点状,线条,划痕,油,阴影,缺失角等。手动控制是一种传统的表面缺陷检测方法,受采样频率低、实时性能差、人工经验和主观因素的影响,基于人工视觉的检测方法在很大程度上克服了手动控制的缺点。描述了表面检查技术和视觉控制技术作为人类检查的替代方法。美国机器人协会(American Robotics Association)将机器视觉定义为一种使用光学设备和非接触式传感器自动捕获和处理真实物体图像的设备,以获取必要的信息或控制机器人的运动。计算机视觉的使用可以显著提高生产力和自动化。

1研究背景

Wafer是用于生产集成电路的载体。光刻是指可以通过照射紫外线、准分子激光束、X射线、电子束、离子束等来改变溶解度的高分子材料。主要应用于集成电路和小型图形的半导体离散处理。近年来,随着红外技术的不断发展,摄影已逐渐应用于光电子领域的平板显示器生产。目前,客户现场没有自动化设备,工艺流程,如滴管,均匀粘合剂,划痕等。完全是手工完成的。液滴数量和重力精度完全由肉眼决定,精度低,成品合格率低。本文主要探讨了光刻胶的特性及其在红外探测器生产中的具体应用。

2工艺要点

2.1 单一粘合剂

该单元的主要功能是板的清洁,涂层摄影,均匀粘合,板的移动等。机器人将板材放入均匀吸入的吸盘后,首先喷洒EBR清洁溶液清洁板材,然后喷洒氮气清洁空气中的污染物,然后将石墨粘合剂涂抹在均匀的板材上(如果是片材,则在侧面喷洒亚麻制剂)。完成摄影涂层后,关闭均匀的盖子,均匀的平台开始以设定的加速度加速到设定的旋转速度,在设定的旋转时间后,均匀的胶水完成。

2.2 交叉模块

该模块主要针对方板的切割过程。高速均匀粘接板完成后,由于离心力,板边缘的摄影图像将远高于板中心,需要将人造边缘的塑料残留物抛出。当移动式粮食加工机器人在柱上均匀粘贴后放置板材时,站内定位机构首先对板材进行定位,然后将安装在机载机器人的手术刀沿方板周围的划痕路径均匀穿过,完成面罩后,使用安装在机载机器人上的棉签擦拭底板,防止后续干燥块的下部污垢残留物受到污染。

3 CMP工艺芯片成品表面颗粒去除问题的研究

CMP(Chemical Mechanical Alignment)技术结合了化学和机械磨削的优点。化学研磨简单,表面精度高,损伤小,完整性好,不易表面/亚表面损伤,但研磨速度较慢,材料去除效率低,不能纠正表面形状误差,研磨一致性差。机械打磨简单,打磨顺序好,表面粗糙度高,打磨效果高,表面粗糙度低,但容易损坏表面/表面下层。化学力学将两者的优点吸收成对,同时保证材料的去除效率,达到完美的表面,达到比单独使用这两种类型的润滑剂高1或2个数量级的水平,并且可以实现从纳米到原子水平的表面粗糙度。硅片减薄工艺是集成电路制造过程中的一项关键工艺，广泛用于先进封装、3D存储器领域。随着超大规模集成电路的不断发展，化学机械平坦化（CMP）作为一种全局纳米级平坦化工艺在集成电路生产流程中的应用次数逐步增加。在硅减薄工艺流程中，CMP通常用于芯片成品粗磨之后的精加工，主要用于改善芯片成品表面的粗糙度以及TTV，研磨去除量通常在2μm左右。CMP工艺过程主要包括研磨、清洗、干燥等部分，清洗单元主要通过兆声波清洗、刷洗方式，采用SC1、HF化学品对芯片成品表面进行清洗，去除表面研磨颗粒以及研磨副产物。芯片成品表面的颗粒数量即沾污程度直接影响后面的工艺制程，从而影响产品的最终性能，因此CMP后的清洗效果也是工艺能力的关键指标之一。芯片成品表面颗粒的去除受分子间的范德华力和颗粒与芯片成品的表面张力的共同作用。对于范德华力来说，通常采用通过调节静电吸引作用即Zeta电势来控制颗粒残留物与芯片成品表面之间作用力达到颗粒去除的目的。Zeta电势受溶液的酸碱度和溶剂的电解质浓度方面影响，因此可以通过调节CMP后清洗液浓度以及添加表面活性剂方式使颗粒残留物与芯片成品表面之间形成一个相同电性的较大电势，从而使颗粒残留物与芯片成品表面由于静电排斥作用达到较好清洗的效果。

4芯片成品表面缺陷模式识别的二维主成分分析卷积自编码器

PCACAE集成了基于C2DPCA的图像融合核心和基于CAE的学习框架,以更有效地消除不同图像类型之间的冗余信息,并更有效地设计可研究的特征。同时,加快了模型迭代的收敛速度,解决了网络成本高、实现简单等问题,大大提高了模型图像识别的性能。作为生产过程中使用最广泛的零件之一,包括许多复杂的工序,生产过程中任何异常都会导致表面缺陷,除了控制和预测板材生产系统中的各种关键参数外,还可以准确识别板材表面的各种模型缺陷,有助于控制生产线中缺陷的来源。识别生产过程中的异常情况并进行调整和改进,此外还可以提高生产效率,降低IC浪费率,防止大量表面缺陷造成的损失。表面缺陷的早期检测主要通过统计方法进行。A 型 Nae 分布用于评估二进制探针数据的分布, 以检测板的形状、位置和大小。确定局部缺陷的聚类方法用于使用二进制正态分布或基线曲线对缺陷图进行建模。缺陷室的形状是通过比较两个模型中每滴的对数概率来确定的。基于他们使用泊松不均匀空间分布,二元正态分布和基线曲线创建混合模型的工作,我们能够确定曲面误差是曲线,线性还是球形。这些方法侧重于表面缺陷的统计分析,虽然它们可以识别缺陷的形式,但它们不能更好地识别特定的缺陷模式。一些科学家对传统的统计模型进行了改进,例如基于局部连续高斯模型和主曲线模型的混合模型,增加了形状修正并识别了板块中的表面缺陷。晶体表面缺陷检测(WMPR)主要通过机器学习实现。机器学习技术可以检查数据中的模式和逻辑,以更准确地识别特定的错误模式。有一些受控的机器学习方法,如辅助向量机和神经网络,通过收集大量初始数据来创建学习库。将基本成分分析 (PCA) 等非控制算法与局部和非局部线性差分方法相结合,可消除内部输入中的冗余信息。虽然传统的机器学习方法在WMPR中取得了成果,但它们主要侧重于创建模型检测器,而不是从复杂图像中研究各种功能特征。

5雾化喷涂工艺

随着微机电系统(MEMS)和三维(3D)微系统向小型化和高密度集成的不断发展,对半导体制造关键工艺(光刻)的要求越来越高,特别是在一些集成式3D封装架构和MEMS传感器芯片中,需要将电焊盘连接到外部结构,需要在表面上均匀地覆盖具有较大晶粒结构波动的光刻。目前广泛应用于平版印刷机旋转技术领域,主要采用中心滴定法,采用离心式旋转平台进行均匀的胶粘剂和胶粘剂注射,在滴注过程中主要是将其喷射到板材表面,特别是对于超大尺寸的12英寸(1英寸=2.54厘米)板材,胶粘剂利用率低,大大增加了生产成本。另一方面,由于摄影主要是有机材料,它不能自行分解,进入后会对人体和环境造成一定的伤害,预处理成本几乎接近摄影的消费成本。从应用的角度来看,非平面覆盖后的液滴旋转方式差,波动大,透视比高,平版印刷过程中后续的图形一致性差,不能满足要求。超声波喷雾的特点是平均颗粒大小,能耗低,均匀性好。它不仅可以应用于三维形态结构,还可以提高光分子的利用率,因此被认为是绿色轻质塑料的制备技术。研究表明,薄膜的厚度,均匀性和粗糙度主要取决于薄膜浓度稀释,喷嘴扫描速度和片材生产速度等工艺参数。然而, 对于超声波喷涂方法, 很少有研究使用大型芯片成品, 在 12 英寸的结构中具有特定深度, 硅通道宽度 (TSV), 喷涂后大颗粒的粘合剂不利于微纳米图形的制备。

6图像配准的芯片成品表面缺陷检测

近年来,IC技术迅速发展,以检测影响生产的最小缺陷,板材表面缺陷检测系统已经发展到更高的精度和更小的像素。在检测过程中,为了保证图像的高精度,需要提高图像处理速度,因此在越来越小的集成电路制造领域,如何快速准确地检测芯片表面的细微缺陷是一个问题。随着计算机技术的发展,特别是GPU(图形处理单元)技术的出现,工业图像分析工具变得越来越快,越来越便宜,这促使集成电路领域在生产过程中积极应用计算机视觉技术。近年来,研究人员提出了一系列用于表面检测的图像处理和故障分类算法。这些算法通常分为两类:引用和非引用。参考方法需要标准图像来校准测量图像,而非参考方法不需要标准图像。故障检测假设模型图像和要测量的图像在空间中完全对齐。在图像采集过程中,被测图像和模型图像无法在空间中完全对齐,这通常是由于被测图像位置误差,放大倍率和工作台振动等因素造成的。因此,在检测到缺陷之前,必须对两个图像进行校正,以便与检测到的缺陷完全匹配。本文使用基于SURF算法的图像记录方法来校准测量图像和标准图像,以获得其空间对齐。该算法具有保持图像比例,旋转甚至多样性的特性。

7芯片成品表面缺陷检测

7.1 图像采集系统

机器视觉技术可分为前视技术和后视技术。前端图像处理技术包括基于目标形状尺寸和表面光学特性的显示,通常由光源,镜头和相机确定。后端图像处理包括各种图像处理过程的算法,硬件和软件优化技术,硬件处理技术等的研究。图像采集系统根据卡系统的成本、效率和时间要求,选择摄像机、光源和特定的镜头来采集卡片图像。选择 9MP Gigabit 工业相机。最佳分辨率为3384 x 2710px,接口类型为C,全分辨率高达10 fps。四倍放大镜头,焦距为110 mm。视场的宽度为3毫米,精度为1微米。由于板材的高反射表面特性,对光源有很高的要求。通过实验比较,光源选择直径为120mm,水平方向角为30度的白色环。每个图像显示四个完整的小颗粒,克服了图像模糊的问题和不均匀的照明问题,通过大面积的边缘成像。

7.2 错误检测

芯片成品表面最常见的缺陷类型是短路,断裂,缺陷,碎片,多余和孔。本文档根据缺陷部分的数量和材料的变化来识别这些类型的缺陷。从提取故障的特性可以看出,短路,断裂,缺陷,碎片,多余的物体和开口的数量是4,2,2,1,1。识别这些类型常见缺陷的具体方法如下。1) 首先,当存在灰度值为255的像素点时,对缺陷图像进行交叉处理,以确定被测芯片成品表面是否有缺陷,是否存在质量问题,是否为不合格产品,否则为年度产品。2)对于不合格产品,通过图像缺陷特征提取和分类算法来识别不合格产品的缺陷图像。

结束语

总的来说,喷涂工艺可以很好地应用于表面喷射结构,可以有效地促进3D微组装工艺的发展,在微电子和MEMS领域具有广阔的应用前景。

参考文献

[1]许维,王盛凯,徐杨,王英辉,陈大鹏,刘洪刚.表面残留颗粒对芯片成品键合影响机制的研究[J].半导体光电,2016,37(06):809-812+837.

[2]刘西锋.基于图像处理的芯片成品表面缺陷检测[J].通信电源技术,2016,33(05):177-178.

[3]吴斌,卢笑蕾,余建波.芯片成品表面缺陷模式的在线探测与自适应识别研究[J].计算机工程与应用,2016,52(17):261-265+270.

[4]余建波,卢笑蕾,宗卫周.基于局部与非局部线性判别分析和高斯混合模型动态集成的芯片成品表面缺陷探测与识别[J].自动化学报,2016,42(01):47-59.

[5]戴敬,肖朋,杨志家,马继开.芯片成品表面微米级缺陷检测[J].计算机工程与设计,2015,36(06):1671-1675+1681.

[6]张文斌,高岳,张敏杰.芯片成品超精密磨削加工表面层损伤的研究[J].电子工业专用设备,2018,44(05):21-24.

[7]李炎,刘玉岭,牛新环,王傲尘,李洪波.粗糙度和尖峰高度对粗糙铜芯片成品表面化学反应动力学参数的影响[J].中国表面工程,2017,27(04):58-63.

[8]赵乾,曲子濂,余强,路新春,孟永钢.芯片成品表面金属薄膜的纳米精度在线测量方法与实现[J].中国基础科学,2017,15(04):36-43.