基于CNN的晶圓SEM圖像缺陷檢測(cè)與分類研究.pdf

1、隨著半導(dǎo)體行業(yè)的高速發(fā)展，芯片上晶體管不斷縮小的關(guān)鍵尺寸給制造帶來(lái)巨大的困難。為了應(yīng)對(duì)晶圓表面越來(lái)越多的各類缺陷，研究更加準(zhǔn)確、快速的晶圓缺陷檢測(cè)和分類算法十分必要。
　　基于掃描電子顯微鏡(Scanning Electron Microscope，SEM)對(duì)晶圓表面的高分辨率成像，晶圓缺陷分類問(wèn)題成為SEM圖像分類問(wèn)題，而晶圓缺陷檢測(cè)問(wèn)題成為對(duì)象檢測(cè)問(wèn)題。本論文介紹了卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Net

2、works，CNN)的基本結(jié)構(gòu)和原理，ZFNet圖像分類算法，以及對(duì)象檢測(cè)算法從Region-CNN到Fast-RCNN，再到Faster-RCNN的改進(jìn)和發(fā)展。
　　針對(duì)晶圓SEM圖像的缺陷分類問(wèn)題，本論文采用了一種名為“ZFNet”的卷積神經(jīng)網(wǎng)絡(luò)來(lái)對(duì)SEM圖像缺陷區(qū)域進(jìn)行分類。SEM圖像數(shù)據(jù)包含9種缺陷類型以及非缺陷類型，總共10種類型，測(cè)試的F-score達(dá)到了97％。本論文提出的ZFNet缺陷分類算法準(zhǔn)確、具有較強(qiáng)數(shù)據(jù)適應(yīng)

3、能力。
　　針對(duì)晶圓SEM圖像的缺陷檢測(cè)問(wèn)題，本論文基于ZFNet缺陷分類器實(shí)現(xiàn)了一種“patch-based CNN”缺陷檢測(cè)算法，該算法能夠從SEM圖像中檢測(cè)出缺陷的位置和類型。為了提高缺陷檢測(cè)算法的準(zhǔn)確率和速度，本論文針對(duì)缺陷檢測(cè)問(wèn)題的特殊性，通過(guò)改動(dòng)“FasterRCNN”中的RPN網(wǎng)絡(luò)結(jié)構(gòu)實(shí)現(xiàn)了另一種缺陷檢測(cè)算法。SEM圖像包含9種缺陷類型，對(duì)其進(jìn)行檢測(cè)測(cè)試的F-score為92％，并且其耗時(shí)僅為patch-based檢