基于CNN的晶圓SEM圖像缺陷檢測與分類研究.pdf

1、隨著半導體行業(yè)的高速發(fā)展，芯片上晶體管不斷縮小的關鍵尺寸給制造帶來巨大的困難。為了應對晶圓表面越來越多的各類缺陷，研究更加準確、快速的晶圓缺陷檢測和分類算法十分必要。
　　基于掃描電子顯微鏡(Scanning Electron Microscope，SEM)對晶圓表面的高分辨率成像，晶圓缺陷分類問題成為SEM圖像分類問題，而晶圓缺陷檢測問題成為對象檢測問題。本論文介紹了卷積神經網絡(Convolutional Neural Net

2、works，CNN)的基本結構和原理，ZFNet圖像分類算法，以及對象檢測算法從Region-CNN到Fast-RCNN，再到Faster-RCNN的改進和發(fā)展。
　　針對晶圓SEM圖像的缺陷分類問題，本論文采用了一種名為“ZFNet”的卷積神經網絡來對SEM圖像缺陷區(qū)域進行分類。SEM圖像數據包含9種缺陷類型以及非缺陷類型，總共10種類型，測試的F-score達到了97％。本論文提出的ZFNet缺陷分類算法準確、具有較強數據適應

3、能力。
　　針對晶圓SEM圖像的缺陷檢測問題，本論文基于ZFNet缺陷分類器實現(xiàn)了一種“patch-based CNN”缺陷檢測算法，該算法能夠從SEM圖像中檢測出缺陷的位置和類型。為了提高缺陷檢測算法的準確率和速度，本論文針對缺陷檢測問題的特殊性，通過改動“FasterRCNN”中的RPN網絡結構實現(xiàn)了另一種缺陷檢測算法。SEM圖像包含9種缺陷類型，對其進行檢測測試的F-score為92％，并且其耗時僅為patch-based檢