半导体芯片表面缺陷检测方法及系统

本发明涉及半导体缺陷检测，尤其是指一种半导体芯片表面缺陷检测方法及系统。

背景技术：

1、半导体芯片作为现代电子技术的核心组件，其生产过程中的表面质量直接影响到芯片的性能和可靠性。在半导体制造过程中，由于环境因素、材料缺陷及工艺问题，芯片表面不可避免地会出现各种缺陷，这些缺陷不仅包括剥离缺陷、金属缺陷、位移缺陷和有机物粘附缺陷等单一类型，还往往是多种缺陷的复杂组合。

2、传统的检测方法通常依赖于人工视觉检查或简单的图像处理技术，这些方法不仅效率低下，而且容易受到检测人员主观因素的影响，难以保证检测的准确性和一致性。此外，针对多样化和复杂性的缺陷类型，传统的检测方法如基于阈值的图像分割和模板匹配等方法，往往难以适应变化多端的缺陷特征，导致检测漏检和误检的现象频繁发生，影响了最终产品的质量。

3、近年来，基于深度学习的检测方法逐渐成为解决此类问题的研究热点。深度学习模型凭借其强大的特征提取和表示能力，有潜力提高缺陷检测的准确性。然而，现有深度学习检测方法仍然面临许多挑战：首先，深度学习模型通常需要大量标注数据进行训练，而真实生产环境中的缺陷样本往往稀少且难以获取，导致模型的泛化能力不足。其次，缺陷的多样性和复杂性使得单一模型难以有效区分不同类型的缺陷，特别是在出现多重缺陷时，模型的表现常常不尽如人意，检测准确率难以达到工业标准。

技术实现思路

1、为此，本发明所要解决的技术问题在于克服现有技术中半导体芯片表面缺陷检测准确率达不到要求，提供一种半导体芯片表面缺陷检测方法及系统，显著提高表面缺陷检测的准确性、准确率和可靠性。

2、第一方面，为解决上述技术问题，本发明提供了一种半导体芯片表面缺陷检测方法，包括以下步骤，

3、采集半导体芯片的红外图像，获得红外图像数据集；

4、对所述红外图像进行图像增强，获得增强红外图像数据集；

5、基于神经网络模型学习所述增强红外图像数据集，获得所述半导体芯片的表面缺陷检测结果；

6、其中，所述基于神经网络模型学习所述增强红外图像数据集，获得所述半导体芯片的表面缺陷检测结果包括，

7、接收所述增强红外图像数据集；

8、对接收的所述增强红外图像数据集进行第一级卷积操作，输出第一图像特征；

9、对所述第一图像特征进行第二级卷积操作，输出第二图像特征；

10、对所述第二图像特征进行第三级卷积操作，输出第三图像特征；

11、根据分层冻结信号将所述第一图像特征、所述第二图像特征和所述第三图像特征三者中择一展平，获得展平特征；

12、根据所述展平特征分类输出所述半导体芯片的表面缺陷；

13、以及，分配学习率训练所述神经网络模型，且根据所述分层冻结信号修正所述学习率。

14、在本发明的一个实施例中，还包括分析表面缺陷类型与所述第一图像特征、所述第二图像特征和所述第三图像特征的相关性；

15、根据所述相关性的分析结果，对所述第一级卷积操作、第二级卷积操作和第三级卷积操作分别配置一个对应权重；

16、根据所述对应权重生成所述分层冻结信号。

17、在本发明的一个实施例中，分析表面缺陷的类型与所述第一图像特征、所述第二图像特征和所述第三图像特征的相关性包括，

18、根据所述第一图像特征识别表面缺陷类型的准确率，获得第一类型准确率，比较所述第一类型准确率与准确率阈值，若所述第一类型准确率大于等于准确率阈值，则该表面缺陷类型与所述第一图像特征相关；否则，该表面缺陷类型与所述第一图像特征不相关；

19、根据所述第二图像特征识别表面缺陷类型的准确率，获得第二类型准确率，比较所述第二类型准确率与准确率阈值，若所述第二类型准确率大于等于准确率阈值，则该表面缺陷类型与所述第一图像特征相关；否则，该表面缺陷类型与所述第一图像特征不相关；

20、根据所述第三图像特征识别表面缺陷类型的准确率，获得第三类型准确率，比较所述第三类型准确率与准确率阈值，若所述第三类型准确率大于等于准确率阈值，则该表面缺陷类型与所述第一图像特征相关；否则，该表面缺陷类型与所述第一图像特征不相关。

21、在本发明的一个实施例中，所述表面缺陷类型包括剥离缺陷、金属缺陷、位移缺陷和有机物粘附缺陷中的至少一种。

22、在本发明的一个实施例中，采集半导体芯片的红外图像时，加热测试环境至33℃~36℃，且确定测试环境温度后维持所述测试环境温度恒定。

23、在本发明的一个实施例中，采集半导体芯片的红外图像时，加热测试环境至35℃，且维持35℃恒定。

24、在本发明的一个实施例中，所述采集半导体芯片的红外图像还包括，

25、采集所述半导体芯片的表面温度t1；

26、采集所述半导体芯片的红外图像，获得红外图像的原始像素值p0；

27、根据所述半导体芯片的表面温度对所述半导体芯片的红外图像进行热补偿，获得热补偿后的红外图像；

28、其中，热补偿公式为：

29、p1=p0-k(t1-t0)；

30、p1为红外图像的热补偿后像素值；k为补偿系数；t0为基准温度。

31、在本发明的一个实施例中，通过配置于测试环境内的温度传感器采集所述半导体芯片的表面温度t1；其中，所述温度传感器距离所述半导体芯片表面的垂直距离小于1mm。

32、在本发明的一个实施例中，所述基于神经网络模型学习所述增强红外图像数据集，获得所述半导体芯片的表面缺陷检测结果还包括，

33、对一批次的所述半导体芯片对应输出的特征图进行归一化。

34、第二方面，为解决上述技术问题，本发明还提供了一种半导体芯片表面缺陷检测系统，包括，

35、数据采集模块，用于采集半导体芯片的红外图像，获得红外图像数据集；

36、数据增强模块，用于对所述红外图像进行图像增强，获得增强红外图像数据集；

37、深度学习模块，其基于神经网络模型学习所述增强红外图像数据集，获得所述半导体芯片的表面缺陷检测结果；

38、其中，所述神经网络模型包括，

39、输入层，其接收所述增强红外图像数据集；

40、一级卷积网络，其对所述输入层接收的所述增强红外图像数据集进行卷积操作，输出第一图像特征；

41、二级卷积网络，其对所述第一图像特征进行卷积操作，输出第二图像特征；

42、三级卷积网络，其对所述第二图像特征进行卷积操作，输出第三图像特征；

43、全连接层，其同时连接所述一级卷积网络、所述二级卷积网络和所述三级卷积网络，将接收的图像特征展平；其中，所述全连接层根据分层冻结信号择一接收所述第一图像特征、所述第二图像特征和所述第三图像特征；

44、输出层，其连接所述全连接层，用于所述半导体芯片的表面缺陷的分类输出；

45、优化器，其用于分配所述神经网络模型的学习率，且根据所述分层冻结信号修正所述学习率。

46、本发明的上述技术方案相比现有技术具有以下有益效果：

47、本发明所述的半导体芯片表面缺陷检测方法及系统，通过对红外图像增强处理，有效提升了红外图像的清晰度和对比度，使神经网络模型能够识别到更多细微的表面缺陷，从而提高检测结果的准确性；采用多级卷积操作（第一级、第二级和第三级卷积）使得神经网络模型在不同层次上提取图像特征。每一层的卷积操作能够学习到不同的抽象特征，进而更好地捕捉到各种类型的表面缺陷，提高对缺陷特征的捕捉能力；通过分层冻结信号，选择性的展平不同层次的图像特征，允许在训练过程中根据特定需求选择不同层的特征，从而分阶段训练，逐步调整神经网络模型，使其更好地适应不同复杂性的缺陷类型，在处理各种缺陷时能够获得更优的特征表示，从而进一步提高分类的准确性；通过分配学习率并根据分层冻结信号进行修正，增强模型训练过程的自适应性，确保了模型训练时学习速度与模型的收敛性之间达到良好平衡，有助于提升训练效率并防止过拟合现象的发生；以上，本发明所述的半导体芯片表面缺陷检测方法及系统，充分考虑半导体芯片表面缺陷多样性和复杂性，并通过一系列技术手段显著提高了检测的准确性、准确率和可靠性。