缺陷检测是晶片(芯片)制造过程中不可或缺的一部分。它使缺陷检测与分类沿着这个过程来提高工厂的产量(高质量晶片的数量占总晶片的加工量)。每一个检测到的缺陷都被处理为某种过程故障的指示器。这意味着缺陷本身不能在晶片出现时被修复。过程工程师应该纠正过程本身，以避免这样的缺陷。下面，我们将了解宏观缺陷检测与分类。
典型晶圆缺陷(每个缺陷按其原因分类)：
1.边缘异物去除
2.曝光不均匀性
3.溶剂滴
4.残留物
5.条纹
6.热点
7.划线或阵列放置
8.抵制泡沫
9.倾斜
10.划痕
11.粒子
12.中线外抵抗发放
13.(宏观)剥落
一旦发现缺陷，就需要对其进行分类，以便对制造过程进行修正。分类是基于缺陷的性质，如特定的模式，几何图形和相似。一些缺陷是更大场景的一部分，如晶片划痕。在这种情况下，一组小的局部缺陷形成一个更大的事件(缺陷)。分类前分组对于确保准确报告缺陷至关重要。晶片上出现的缺陷，作为一组局部的小缺陷，被称为宏缺陷。按照这里的定义，它们的大小(差值的大小)比局部的、基于单一发生的缺陷要大。
晶圆缺陷扫描器今天可以买到，是由制造商制造的。这样的设备高精度多学科机器(电光计算机)。他们使用各种显微镜和照明技术来检测当今较具挑战性的技术(小到10纳米)中的晶片缺陷。该检测基于相邻染料或细胞的像素比较。这样的高分辨率设备非常昂贵，而且(由于所使用的高分辨率)扫描整个晶片的过程过于缓慢。这导致基于采样的缺陷检测操作：简单地说，并不是每个晶片都被检查过。
微缺陷(与模具有关)
新型的缺陷检测设备
它们被设计用来处理大型(宏观)缺陷。通常，设备能够在一个单一的视场(视场)中扫描晶片。它们相对便宜，不复杂(相对于缺陷扫描器)，操作简单，操作周期更快(即全晶圆扫描所需的时间要短得多)。它们可以检测到较大的缺陷，但不能检测局部的小缺陷。
宏缺陷扫描的功能和优点
由于扫描速度快，每个晶片都可以检查。通常，操作更简单，不需要复杂的配方。由于其基本结构仅由显微镜、照相机和一些操纵机构组成，因此许多公司进入了这个市场，许多产品也可供选择。
宏(晶片相关)缺陷
进行自动缺陷检测和分类
在这种情况下，可以使用经典的检测方法(参见上面的像素比较)。然而，深度学习技术用于缺陷分类的也可以用于检测过程本身。这是因为，与高分辨率扫描相比，我们拥有完整的FOV：可以训练深度学习分类器，根据它们的图像特征来检测宏缺陷。整个操作，经过深入的学习，更快、更准确。
缺陷类型样本检测。
它们应该包含许多宏缺陷的实例，而不是本地晶圆元素。例如，晶片划痕(一种宏晶片缺陷)正通过晶片元件，如金属磁道、硅间隔物等。在晶片制造的所有中间步骤中包括样品是很重要的。此外，再培训是必不可少的，以确保分类器将与新客户的新设计和运行。基于深度学习的缺陷分类没有人为错误的分类.
Cnn被配置为处理低分辨率图像为了保持合理的性能：例如，300×300像素的图像。CNN由4层线性激活卷积层。跟随FC(完全连接)层的乙状结肠激活。根据需要，还可以添加额外的FC层。后面一层是Softmax这提供了分类。
盈泰德科技是深造技术和晶圆检测方面的专家，我们为VLSI(晶片)设备制造商成功地完成了许多计算机视觉项目，如果您在这方面有需求，欢迎您通过联系方式来咨询。
微信在线咨询
