基于缺陷边界值变化次数的IC缺陷分类方法
技术领域
[0001] 本
发明属于微
电子技术领域,涉及用
图像处理对集成
电路缺陷进行分类方法,用于对集成电路中缺陷的分类并指导工艺。
背景技术
[0002] 随着IC集成度的提高,特征尺寸的缩小和芯片面积的增大,金属连线的宽度减少和连线层数增加,这些都会增加
晶圆缺陷的发生。在生产过程中,生产环境要求超净,但实际环境下的超净工作间中有许多灰尘微粒存在,这就在
硅片表面形成许多缺陷。在不同的工艺过程中,如
刻蚀,淀积,化学机械
抛光等工艺中都会产生缺陷,如何快速、准确的对缺陷分类,判断缺陷对电路的影响是一个很重要的问题。分类缺陷能尽早地
鉴别缺陷类型,可以减少成本,提高成品率。提供用户高可靠性的产品,得到最大的经济收益。自动缺陷分类技术已广泛的应用于集成电路的检测中,已经有很多缺陷分类技术,如Lee,S.H采用推进的方法对缺陷进行了分类,Skumanich A引入了运动的自动缺陷检测技术OTF-ADC(On-The-Fly Automated Defect Classification)。Kameyama K用一种超椭圆体聚类神经网络和模型
开关来对缺陷分类。
[0003] 以上三种缺陷分类方法存在以下不足:
[0004] 1.没有把缺陷放在整个集成电路中去分析,理解缺陷,缺少对整体集成电路背景信息的利用,只是从缺陷的
角度研究缺陷,在分类缺陷时需要从缺陷本身提取大量的信息。
[0005] 2.对缺陷分类不相同,如把缺陷分为微粒,划痕和图形缺陷三类;还有的将缺陷分为外来缺陷,内嵌的外来缺陷,模式失效三类;将缺陷分为在TRET,PADS,GATE和M1ET
位置发生的缺陷。这些分类方法一般是从缺陷的产生原因,缺陷来源,缺陷产生的位置对缺陷分类,没有说明缺陷对电路功能的影响情况,从分类结果看不出缺陷对电路造成的破坏程度。
[0006] 3.分类时需要缺陷的先验知识,缺陷的特征,还要训练分类系统后才能对缺陷分类,所以检测缺陷的速度慢,在产品前期由于缺少缺陷样本,无法分类缺陷或分类准确率很低。
发明内容
[0007] 本发明的目的在于克服原有缺陷分类技术中的缺点,提供一种基于缺陷边界值变化次数的IC缺陷分类方法,以实现在不需要缺陷先验知识和对分类系统的训练情况下,结合缺陷自身和其周围环境特征,在产品各个时期对缺陷进行分类,并从分类结果给出缺陷对电路功能造成的破坏程度。
[0008] 实现本发明目的的技术方案,包括如下步骤
[0009] (1)计算缺陷的灰度值MA,并根据灰度值将缺陷分为多余物缺陷和丢失物缺陷两类;
[0010] (2)对没有缺陷的标准图像进行二值化处理;
[0011] (3)对多余物缺陷和丢失物缺陷同时进行3×3全1矩阵的膨胀运算,并利用标准图像二值化的结果,计算不同缺陷在陷膨胀运算后的边界值变化次数;
[0012] (4)根据缺陷的边界值变化次数对不同缺陷进行细分,即对于丢失物缺陷,当边界值变化次数小于等于2时,为互连线上的孔洞缺陷,否则为断路缺陷;对于多余物缺陷,当边界值变化次数大于2时,为
短路缺陷,否则为背景中的多余物缺陷。
[0013] 所述的将缺陷分为多余物缺陷和丢失物缺陷两类的步骤如下
[0014] (2a)按照 计算方式计算缺陷对应的灰度值MA,其中A是缺陷
像素集合,A中有n个像素,像素的灰度用gi表示,用MA表示缺陷的平均灰度值;
[0015] (2b)计算标准图像的灰度直方图,用该标准图像灰度直方图的互连线灰度峰H1和背景灰度峰H2,并通过该两个峰确定
阈值T;
[0016] (2c)将峰H1对应的峰值记为V1,用缺陷灰度值MA和峰值V1的差值绝对值d与阈值T比较判断缺陷,如果差值d小于阈值T,判断缺陷为多余物缺陷,否则缺陷为丢失物缺陷。
[0017] 所述的利用标准图像二值化的结果,计算不同缺陷的边界值变化次数,按如下过程进行:
[0018] 首先,找出缺陷的边界像素坐标,任选一个像素坐标作为起点,按照顺
时针或逆时针方向将边界像素坐标进行排列;
[0019] 然后,用(xi,yi),i=1,2,3,…,m表示各个边界坐标,f(xi,yi)表示标准图像二值化图像的值,边界值的变化次数用S表示,给出各边界坐标的两个相邻的坐标(xk,yk)和(Xl,yl),当f(xk,yk)≠f(xl,yl),则S就增加1。
[0020] 本发明的优点如下:
[0021] 1.本发明由于在对缺陷分类前,对缺陷进行3×3全1矩阵的膨胀运算,因而能够对致命缺陷有较高的分类优先权,提高产品的可靠性。
[0022] 2.本发明利用缺陷的灰度值和缺陷边界值的变化次数对缺陷分类,由于把缺陷和整个电路环境相结合,得到的信息多,因而对缺陷分类正确率高。
[0023] 3.本发明利用缺陷的灰度值和缺陷边界值的变化次数对缺陷分类,由于不需要提取缺陷的特征信息,因此分类速度快。
[0024] 4.本发明利用缺陷的灰度值和缺陷边界值的变化次数对缺陷分类,由于只需用简单的灰度值判断,和缺陷边界值的变化次数,就能准确分类缺陷,因此本发明对缺陷的分类,不需要复杂的分类技术。
[0025] 5.本发明利用缺陷的灰度值和缺陷边界值的变化次数对缺陷分类,由于不需要缺陷的先验信息,不需要对分类系统训练,就可以直接对缺陷分类,因而能够在产品各个时期对缺陷分类,特别是在产品生产前期,缺少缺陷样本的情况下对缺陷进行分类,分类正确率在产品各个时期稳定。
[0026] 6.本发明由于将缺陷分为短路缺陷,断路缺陷,前景中的孔洞缺陷,背景中的多余物缺陷,这四类缺陷分别给出缺陷对电路功能的影响程度,短路和断路缺陷说明缺陷对电路功能造成严重破坏,电路不能正常工作,前景中的孔洞缺陷对电路功能影响不大,但对电路寿命有影响,背景中的多余物缺陷对电路影响最小。
[0027] 7.本发明由于缺陷的分类结果,而知道缺陷对电路造成的影响,因而可以及时调整工艺参数,减少缺陷,提高成品率,降低成本。
附图说明
[0029] 图2.通过标准图像灰度直方图确定阈值T示意图;
[0030] 图3.定义缺陷边界示意图;
[0031] 图4.典型的四种真实缺陷图像。
具体实施方式
[0032] 参照图1,本发明基于缺陷边界值变化次数的IC缺陷分类,按如下步骤进行:
[0033] 步骤1,计算缺陷的灰度值MA。
[0034] 按照 计算方式计算集成电路中缺陷对应的灰度值MA,灰度值是图像中像素明暗度的度量值,如黑色最暗用0表示,白色最亮用1表示,其余值在黑色和白色之间;A是缺陷像素集合,A中有n个像素,像素的灰度用gi表示,用MA表示缺陷的平均灰度值;
[0035] 步骤2,统计标准图像的灰度直方图。
[0036] 一般用到的灰度图像的灰度为256级,每一级对应一个灰度值;灰度直方图就是统计每一个灰度值有多少个像素的直方图;统计得到的标准图像灰度直方图有两个峰,如图2所示,其中一个是表示互连线灰度峰H1,另一个是表示背景灰度峰H2。
[0037] 步骤3,用标准图像灰度直方图的两个峰H1和H2确定阈值T。
[0038] 利用步骤2中的灰度直方图,通过图2示意图确定阈值T,阈值T的取值范围在大于D2小于D2+D3之间,将阈值T定为D1/2。
[0039] 步骤4,通过灰度值MA,将缺陷分为多余物缺陷和丢失物缺陷两类。
[0040] 根据步骤1中计算的灰度值MA,通过步骤2得到的标准图像灰度直方图,确定互连线灰度峰H1对应的峰值,如图2,用V1表示峰H1对应的峰值;计算灰度值MA和峰值V1的差值绝对值d,如果差值d小于阈值T,判断缺陷为多余物缺陷,否则缺陷为丢失物缺陷。
[0041] 步骤5,对标准图像进行二值化处理。
[0042] 二值化就是将原有灰度图像的灰度用两个灰度表示,一般用0和1两个灰度值表示;通过二值化处理工具对标准图像进行二值化处理。
[0043] 步骤6,对多余物缺陷和丢失物缺陷同时进行3×3全1矩阵的膨胀运算。
[0044] 膨胀运算是对目标进行加粗或加长的操作运算,加粗或加长的程度由结构元素集合控制,这用到的结构元素集合是3×3全1矩阵;用膨胀运算工具对多余物缺陷和丢失物缺陷同时进行3×3全1矩阵的膨胀运算。
[0045] 步骤7,找出缺陷的边界坐标,并对坐标排序。
[0046] 按照图3所示,内层点是缺陷边缘,外层点是缺陷边界,找出缺陷的边界像素坐标,任选一个像素坐标作为起点,按照顺时针或逆时针方向将边界像素坐标进行排序。
[0047] 步骤8,用标准图像二值化的结果,计算缺陷边界的变化次数。
[0048] 设(xi,yi),i=1,2,3,…,m表示步骤7中排序好的边界坐标,f(xi,yi)表示步骤5中的标准图像二值化图像值,边界值的变化次数用S表示,给出两个相邻的坐标(xk,yk)和(xl,yl),当f(xk,yk)≠f(xl,yl),则S就增加l。
[0049] 步骤9,对不同缺陷进行细分
[0050] 根据步骤4将缺陷分为多余物缺陷和丢失物缺陷的结果,结合步骤8计算出的缺陷边界变化次数,即对于丢失物缺陷,当边界值变化次数小于等于2时,为互连线上的孔洞缺陷,否则为断路缺陷;对于多余物缺陷,当边界值变化次数大于2时,为短路缺陷,否则为背景中的多余物缺陷。
[0051] 本发明的分类效果可以对图4中的缺陷用以下仿真进行验证:
[0052] 图4中的四种类型缺陷分别解释如下:图4(a)图是短路缺陷,图4(b)图是断路缺陷,图4(c)图是互连线上的孔洞缺陷,图4(d)图是背景中的多余物缺陷。
[0053] 本发明对缺陷的分类由MATLAB编程进行验证,对图4所示的四种类型缺陷按本发明的分类方法进行分类:
[0054] 1.对图4中四幅缺陷,计算各缺陷的灰度值MA,计算结果如表1,通过统计标准图像灰度直方图,确定判断多余物缺陷和丢失物缺陷的阈值T如表1中阈值T一行所示,分别判断缺陷是多余物缺陷还是丢失物缺陷的结果如表1中间结果一行所示;
[0055] 2.对图4中四幅缺陷的标准图像二值化处理;
[0056] 3.按照本发明中缺陷边界变化次数的计算方式,计算图4中四幅缺陷的边界变化次数如表1中边界变化次数一行所示;
[0057] 4.按照本发明具体实施方式中的步骤9,对图4中四幅缺陷的最终分类结果如表1中分类结果一行所示。
[0058] 表1 图4中各缺陷的分类结果
[0059]图名 a b c d
MA 0.17228 0.31881 0.36379 0.1732
阈值T 0.07231 0.07234 0.08652 0.07315
中间结果 多余物缺陷 丢失物缺陷 丢失物缺陷 多余物缺陷
边界变化次数 4 4 0 0
分类结果 短路缺陷 断路缺陷 互连线上的孔洞缺陷 背景中的多余物缺陷[0060] 由表1分类结果可见本发明的分类方法能准确的对图4中的四种类型缺陷分类。
[0061] 对于本领域的专业人员来说,在了解本发明的内容和原理后,能够在不背离本发明的原理和范围的情况下,根据本发明的方法进行形式和细节上的各种修正和改变,但是这些基于本发明的修正和改变仍在本发明的
权利要求保护范围之内。