论文部分内容阅读
随着半导体行业的高速发展,芯片上晶体管不断缩小的关键尺寸给制造带来巨大的困难。为了应对晶圆表面越来越多的各类缺陷,研究更加准确、快速的晶圆缺陷检测和分类算法十分必要。基于扫描电子显微镜(Scanning Electron Microscope,SEM)对晶圆表面的高分辨率成像,晶圆缺陷分类问题成为SEM图像分类问题,而晶圆缺陷检测问题成为对象检测问题。本论文介绍了卷积神经网络(Convolutional Neural Networks,CNN)的基本结构和原理,ZFNet图像分类算法,以及对象检测算法从Region-CNN到Fast-RCNN,再到Faster-RCNN的改进和发展。针对晶圆SEM图像的缺陷分类问题,本论文采用了一种名为“ZFNet”的卷积神经网络来对SEM图像缺陷区域进行分类。SEM图像数据包含9种缺陷类型以及非缺陷类型,总共10种类型,测试的F-score达到了 97%。本论文提出的ZFNet缺陷分类算法准确、具有较强数据适应能力。针对晶圆SEM图像的缺陷检测问题,本论文基于ZFNet缺陷分类器实现了一种“patch-based CNN”缺陷检测算法,该算法能够从SEM图像中检测出缺陷的位置和类型。为了提高缺陷检测算法的准确率和速度,本论文针对缺陷检测问题的特殊性,通过改动“Faster RCNN”中的RPN网络结构实现了另一种缺陷检测算法。SEM图像包含9种缺陷类型,对其进行检测测试的F-score为92%,并且其耗时仅为patch-based检测算法的5%。本论文提出的“Faster RCNN”缺陷检测算法快速、准确、具有较强数据适应能力。