sea Software Engineering and Applications 2325-2286 2325-2278 beplay体育官网网页版等您来挑战! 10.12677/sea.2024.133043 sea-90985 Articles 工程技术 基于机器视觉的微观表面缺陷检测技术研究
Research on Microscopic Surface Defect Detection Technology Based on Machine Vision
毛海军 1 2 3 刘文军 3 浙江管卫建设有限公司,浙江 衢州 衢州市城投建设有限公司,浙江 衢州 衢州职业技术学院机电工程学院,浙江 衢州 19 06 2024 13 03 416 423 24 5 :2024 21 5 :2024 21 6 :2024 Copyright © 2024 beplay安卓登录 All rights reserved. 2024 This work is licensed under the Creative Commons Attribution International License (CC BY). http://creativecommons.org/licenses/by/4.0/ 本文研究了一种高速三维微观表面缺陷检测技术,特别针对氮化镓(GaN)硅片在经过薄化研磨后的表面凸起问题。通过发展全域硅片瑕疵侦测法,能够有效避免电性点测时探针撞击凸起导致的损坏。该技术包括三维重建算法和影像校正与细部纹理叠合两部分。利用条纹反射架构,结合相位移及相位展开算法,实现硅片表面的三维形貌重建。通过影像旋转校正和亚像素重建核心图(die map),准确定位硅片凸点并标记警示区域。该方法具有高效率、高精度和高重复精度的特点,能够满足在线量产设备的检测需求。
This paper studies a high-speed 3D microscopic surface defect detection technology, especially for the surface bulge of gallium nitride (GaN) silicon wafer after thinning and grinding. By developing the global silicon wafer defect detection method, the damage caused by the probe bump during the electrical point measurement can be effectively avoided. The technique consists of a 3D reconstruction algorithm and image correction overlapping with a fine texture. Three-dimensional morphology reconstruction is realized by using the stripe reflection architecture, combined with phase shift and phase expansion algorithm. The core map (die map) is reconstructed by image rotation correction and sub-pixel reconstruction to accurately locate the wafer bumps and mark the warning area. This method has the characteristics of high efficiency, high precision and high repetition accuracy, which can meet the detection requirements of online mass production equipment.
条纹反射法,三维缺陷检测,全域测量,亚像素重建
Stripe Reflection Method
3D Defect Detection Global Measurement Sub-Pixel Reconstruction
1. 引言

GaN作为一种新兴的半导体材料,近年来受到了广泛关注,并展现出了广泛的应用潜力。其出色的电子特性,如高电子迁移率、高电子饱和迁移率和高电场饱和速度,使得GaN在高功率、高频率等领域具有独特的优势。然而,在GaN工艺中,缺陷问题一直困扰着研究者们,这些缺陷不仅影响器件的性能,还可能对器件的可靠性造成不良影响。因此,GaN缺陷检测成为了当前研究的热点之一 [1] - [3]

在GaN缺陷检测方面,传统的人工检测方式虽然直观,但存在着诸多弊端。首先,人工检测需要耗费大量的人力与时间,这不仅增加了生产成本,还可能因为人为因素导致检测结果的误差。其次,长时间的目视检测容易使检测人员产生视觉疲劳,导致检测质量的下降。此外,人眼观察的细致度有限,且存在肉眼误判的风险,这也影响了检测的准确性 [4] - [6]

除了人工检测外,还有一些自动化检测方法被应用于GaN缺陷检测中。其中,彩色共焦法是一种常用的方法。这种方法利用宽带光源经色散透镜将不同波长聚焦至不同焦点位置,通过测量反射光的波长来得知硅片表面的形貌信息。这种方法具有同时获得硅片的上下表面形貌以及厚度信息的优势,但缺点在于测量方式为单点测量,需要逐点扫描整个硅片表面,导致测量时间长且数据量大,不适合作为在线量产设备使用。

为了缩短测量时间,有些在线测量机台采用米字型测量取代全域测量。虽然这种方法可以缩短测量时间,但牺牲了大多数区域的硅片表面形貌的信息,从而降低了检测的全面性和准确性 [7]

倾斜角干涉仪是另一种用于GaN缺陷检测的方法。与传统的干涉仪不同,倾斜角干涉仪的准直光束并非垂直入射量测表面,而是以一定的角度入射。这种设计旨在增加等效波长,降低干涉条纹的灵敏度,从而使得在测量硅片翘曲时干涉条纹的空间密度不会过密而无法解析。通过调整入射角度,倾斜角干涉仪的测量范围可以从数微米扩展至100微米。然而,对于斜率变化较大的凸点缺陷,倾斜角干涉仪仍然可能面临条纹过密的问题,导致无法准确解析缺陷信息。

为了解决这些问题,研究者们正在探索更加先进的GaN缺陷检测方法。其中,基于深度学习和机器视觉的检测方法受到了广泛关注 [8] - [10] 。这些方法通过训练模型来识别和分析GaN材料中的缺陷,具有自动化程度高、检测速度快、准确率高等优点。随着技术的不断发展,相信未来会有更多高效、准确的GaN缺陷检测方法问世,为GaN材料的应用提供有力保障。

综上所述,GaN作为一种具有广泛应用潜力的新兴半导体材料,其缺陷检测问题亟待解决。传统的检测方法存在诸多弊端,而自动化检测方法虽然在一定程度上提高了检测效率和准确性,但仍存在局限性。因此,需要不断探索和研究新的检测方法,以提高GaN材料的质量和可靠性,推动其在各个领域的应用和发展 [11] [12]

为了解决测量速度及全域缺陷检测的问题,本文提出以条纹反射技术(Fringe Reflection, FR)为基础的硅片翘曲测量系统 [13] [14] ,以相机撷取多张(八张)硅片条纹影像,一次分析全域硅片表面形貌,使得每片硅片可于30秒内完成缺陷检测,应用相位移及相位展开算法提升测量准确度及精度,使得测量准确度小于2 μm或小于2%误差,重复精度小于1 μm。

2. 条纹反射法 2.1. 条纹反射法原理

条纹反射法,作为一种测量物体表面梯度(斜率)的先进技术手段,近十年来在科技领域中得到了飞速的发展。这一方法的显著特点在于其架构简单、高Z轴分辨率、高重复精度以及快速的测量速度,并且对环境震动并不敏感。这些优点使得条纹反射法在多个领域,特别是光学镜片测量以及硅片表面形貌测量中,得到了广泛的应用。

条纹反射法是一种三维面形测量技术,它通过投射特定的条纹图案到物体表面,并利用相机捕捉反射回来的条纹图像,来获取物体表面的形状信息,条纹反射法的测量系统通常包括一个投影系统来产生条纹图案,一个或多个相机来捕捉反射图像,以及相应的计算设备来处理图像数据,并计算出物体的三维形状。

Figure 1. Architecture diagram of the stripe reflection method--图1. 条纹反射法架构图--

条纹反射法其架构如 图1 所示,液晶显示器置放于硅片上方,并显示横向一维灰阶弦波条纹影像,因硅片表面具镜面之特性,相机撷取硅片影像的同时亦可同时撷取液晶显示器之条纹影像,当晶圆表面有斜率变化θ时,会使得光偏折2θ,使得撷取到的条纹影像产生偏折δh,硅片表面斜率变化与影像偏折量之关系如式(1)。L为硅片与液晶显示器的垂直距离; θ ( x , y ) 为晶圆表面斜率变化,α为影像撷取角度。式(1) δh可以由相位移及相位展开算法获得,因此硅片表面斜率 θ ( x , y ) 可表示为式(2)。其中,p为条纹周期; Δ ϕ ( x , y ) 为条纹相位变化量。若显示器显示直向条纹影像,可得到硅片X轴的斜率变化如式(3)。将晶圆表面斜率变化作二维积分,可重建硅片表面形貌,如式(4)、(5)所示,其中H(x, y)为硅片表面高度。

δ h = 2 L θ ( x , y ) sec 2 α (1)

θ ( x , y ) = Δ ϕ ( x , y ) p 4 π sec 2 α (2)

β ( x , y ) = Δ ϕ ( x , y ) p 4 π sec α (3)

H y = θ ( x , y ) d y (4)

H x = β ( x , y ) d x (5)

系统的空间分辨率为0.12毫米,这表明系统能够识别非常细小的特征和变化,影像的拍摄角度为11度,这可能是用来优化条纹图案的投影和接收,以获得更清晰的影像,条纹显示装置距离参考光学平面镜610 mm,测量6寸薄化GaN硅片,测量结果如 图2 所示, 图2(a) 展示了正弦条纹的影像,这是测量过程中最初投射到硅片上的图案。 图2(b) 展示了包裹相位的影像,这是通过分析条纹图案变形得到的相位信息,其中相位被包裹在−π到+π的范围内。 图2(c) 展示了绝对相位的影像,这是经过相位展开处理后得到的,能够提供更精确的相位信息,对于后续的高度计算至关重要。 图2(d) 展示了高度分布的影像,这是根据绝对相位信息计算得到的硅片表面的高度变化,可以直观地反映出硅片的三维形貌。

注:(a) 正弦条纹,(b) 包裹相位,(c) 绝对相位,(d) 高度分布。--Figure 2. Stripe reflection method measurement results--
2.2. 系统校正

条纹反射法主要通过对条纹变形前后的偏移量进行深入分析,实现对相关参数的校正。在此过程中,校正的核心在于获取初始状态下未发生变形的参考条纹影像。为此,本系统特别引入一光学平面镜,作为理想的参考平面,其表面高度波动极小,严格控制在1/10λ以内(λ = 633 nm)。在正式测量硅片之前,系统会预先捕获并保存参考平面的条纹影像,这些影像包括垂直和水平方向各四张相位移影像,为后续的数据处理和分析提供精确的基准。

3. 高度误差补偿算法

条纹反射法系统中使用的CCTV定焦镜头在硅片与镜头的距离发生变化时,会影响影像的放大倍率。当平面镜表面与硅片表面存在高度差异时,捕获的条纹影像会出现微小差异,导致条纹的变形。这种由高度差异引起的条纹变形量可以用公式(5)表示,其中Δz代表由高度差异积分后产生的高度误差;L表示平面镜与条纹显示器之间的距离;ΔL表示平面镜表面与待测物表面之间的高度差异;x表示积分轴向位置。根据公式,积分高度误差呈现抛物线分布,且随着积分距离的增加,误差也会增大。例如,对于四寸硅片,如果硅片与平面镜之间的高度误差为0.1毫米,平面镜与条纹显示装置的距离为510毫米,积分距离为±50毫米,则可能产生0.48微米的高分布误差,这将导致在测量硅片的Bow和Warp时出现0.48微米的偏差。在相同条件下,如果六寸硅片的积分距离为±75毫米,则Bow和Warp的偏差将达到1.8微米。这表明,为了确保测量的准确性,需要对系统进行精确校准,以减少由于镜头放大倍率变化和高度差异引起的测量误差。由式(6)可以得知此高度误差为一个抛物面的误差,若高度差异视为一个固定值,可以软件模拟一抛物面 Δ z ( x , y , z ) ,并与测量结果相减作高度误差的补偿,如式(7)所示:

Δ z = Δ L x 2 2 L 2 (6)

H ( x , y , z ) = h ( x , y , z ) Δ z ( x , y , z ) (7)

4. 翘曲验证片

在系统准确度验证过程中,我们将采用四片具有不同翘曲高度的球面镜作为标准翘曲验证片,其详细规格参见 表1 。为确保验证结果的准确性,我们将使用Panasonic UA3P表面轮廓仪进行翘曲高度的测量验证。该仪器具备精准的测量性能,其中X、Y两轴的测量行程达到95.5 mm,而在Z轴方向上的量测准确度更是高达0.05 μm。通过这一严谨而科学的验证方法,我们将确保系统准确度的可靠性与稳定性。

<xref></xref>Table 1. Measurement results of Panasonic UA3PTable 1. Measurement results of Panasonic UA3P 表1. Panasonic UA3P测量结果

编号

直径(inch)

厚度(mm)

翘曲高度(μm)

1

4

6.02

28.2

2

4

5.98

86.4

3

4

6.03

108.3

4

4

6.01

183.5

5. 缺陷检测流程

缺陷检测流程旨在识别和分类硅片缺陷( 图3 ),具体步骤如下:

硅片固定:将硅片固定在PCB载板上以确保稳定。

真空吸平:利用真空吸平载台凸显瑕疵,有助于更精准检测。

影像获取与预处理:

1) 影像旋转校正:校正硅片位置不一致导致的旋转偏差,控制误差在1度内。

2) 屏蔽影像生成:忽略不影响缺陷检测的区域。

相位展开分析:采用独立路径式相位展开算法提高检测准确度。

三维形貌与图案重建:重建硅片的三维形貌和图案。

缺陷分类与对位:对硅片进行缺陷分类并与实际硅片对位。

缺陷分类定义:

1) Good Die:无缺陷硅片。

2) Protrusion Die:有缺陷硅片。

3) Ink of Die:与探针卡类型相关,不进行电性点测的区域。

结果输出:输出缺陷影像图、统计表和分类报告。

整个流程结合机械固定、真空吸平、影像处理、相位分析、三维重建和分类对位等步骤,确保高效准确检测硅片缺陷。

Figure 3. Defect detection process--图3. 缺陷检测流程--
6. 3D缺陷检测结果

在硅片缺陷检测流程中,测量前的准备工作是至关重要的,它确保了测量结果的准确性和可靠性。以下是测量前准备工作的详细步骤:

1) 硅片对位校正:在实际测量之前,需要对硅片进行精确的对位校正,以确保硅片的位置与测量系统预期的位置一致。这通常涉及到调整硅片的位置,使其与测量设备对齐。

2) 系统参数设定:设定测量系统所需的各种参数,这可能包括光源强度、相机分辨率、测量范围等。这些参数的设定对于获取高质量的测量数据至关重要。

3) 缺陷定义和高度阀值设定:明确定义什么是缺陷,并设定一个高度阀值。任何超过这个高度阀值的点都将被判定为凸点,即缺陷。

4) 3D缺陷结果绘制和统计:根据系统参数的定义,绘制3D缺陷结果图,并进行统计分析。这通常涉及到将测量得到的高度数据转换为3D模型,并在该模型上标出所有被识别为缺陷的点。

5) 缺陷分类:将测量结果按照缺陷的类型进行分类,如 图4(a) 所示,可能是一张缺陷分类后的二维结果图。

6) 高度分布信息处理:如 图4(b) 所示,将高度分布信息重新演算并进行分类,这有助于更精确地识别和区分不同类型的缺陷。

7) 亚像素重建:使用亚像素级别的精度重建硅片的die map。亚像素重建技术可以提供比标准像素更高的空间分辨率,从而更精确地定位缺陷。

8) 输出分类后的缺陷结果图:在重建后的die map中,输出分类后的缺陷结果图。通常,不同的颜色代表不同类型的区域:

1) 绿色区域:定义为无缺陷区域(Pass Die)。

2) 红色区域:定义为缺陷区域(Protrusion Die)。

3) 蓝色区域:定义为Ink of Die,这通常与探针卡的类型有关,表示不进行电性点测的区域。

(a) 缺陷检测结果--(b) 缺陷检测统计表--Figure 4. Defect detection results and statistical plot--图4. 缺陷检测结果与统计图--图4. 缺陷检测结果与统计图 (a) 缺陷检测结果--(b) 缺陷检测统计表--Figure 4. Defect detection results and statistical plot--图4. 缺陷检测结果与统计图--图4. 缺陷检测结果与统计图

图4. 缺陷检测结果与统计图

7. 结论

本文应用条纹反射法检测GaN硅片缺陷,利用真空吸平载台和相位独立算法,实现高精度测量(<1微米)和高效率(全域测量 < 30秒)。该技术经过校正,确保高精度,与Panasonic UA3P比对误差小于2微米或2%。在6寸硅片Bow/Warp测量中,重复性高(3倍标准差分别为0.09和0.21微米)。该技术不仅用于快速高精度缺陷检测,还可监控制程凸点,反馈制程参数,提升生产良率。

基金项目

2023年度指导性科技攻关项目(2023ZD131)。

References 文斌, 胡晖, 杨超. 基于LWN-Net的印刷电路板缺陷检测算法[J]. 计算机集成制造系统, 2024, 30(2): 496-507. 伍济钢, 梁谋, 曹鸿, 张源, 杨康. 基于改进YOLOv5的PCB小目标缺陷检测研究[J]. 光电子.激光, 2024, 35(2): 155-163. 许皓翔, 殳国华. 基于轻量化的YOLOv5的PCB缺陷检测算法[J]. 电气自动化, 2024, 46(2): 95-97. 李娟. 基于机器学习的PCB缺陷检测与分类方法研究[J]. 印制电路信息, 2024, 32(3): 57-59. 代文征, 杨勇. 基于改进高斯——拉普拉斯算子的噪声图像边缘检测方法[J]. 计算机应用研究, 2019, 36(8): 2544-2547+2555. 郑彬, 刘创. 基于机器视觉的连杆表面缺陷检测系统[J]. 制造业自动化, 2020, 42(11): 44-46. Baareh, A.K.M., Al-Jarrah, A., Smadi, A.M. and Shakah, G.H. (2018) Performance Evaluation of Edge Detection Using Sobel, Homogeneity and Prewitt Algorithms. Journal of Software Engineering and Applications, 11, 537-551. >https://doi.org/10.4236/jsea.2018.1111032 王方超, 张旻, 宫丽美. 改进的Roberts图像边缘检测算法[J]. 探测与控制学报, 2016, 38(2): 88-92. 朱虎成, 孙大为, 陆文渊, 沈瑾, 孔谅. 采用机器视觉的汽车活塞最终质量自动检测系统[J]. 现代制造工程, 2012(5): 105-108. 刘好洁, 杨建玺, 赵远方, 白连胜. 基于ROI的银触点模板匹配缺陷的检测法[J]. 机械设计与制造, 2020(2): 195-198+202. 徐杰, 施鹏飞. 基于相位一致与区域生长的自然彩色图像分割[J]. 电子学报, 2004, 32(7): 1203-1205. 祝钊, 苏真伟, 夏心怡. 活塞包胶组件表面缺陷的机器视觉检测研究[J]. 科学技术与工程, 2012, 20(6): 1425-1427. Wang, Z., Kong, D.-Q., Zhang, H.-B., Su, Y., Zhu, X.-Y., Wang, C.-S. and Liu, Y.-C. (2024) Reflector Deformation Measurement and Correction Methodology of Large Antenna Based on Phased Array Feed. Research in Astronomy and Astrophysics, 24, 297-308. >https://doi.org/10.1088/1674-4527/ad2ac2 Wen, Y.F., Cheng, H.B., Gao, Y. and Zhang, H.J. (2012) Phase-Error Restraint with the Empirical Mode Decomposition Method in Phase Measurement Profilometry. Chinese Science Bulletin, 57, 1648-1654. >https://doi.org/10.1007/s11434-012-5057-7
Baidu
map