本發(fā)明涉及光掩模版的，尤其涉及一種光掩模版清洗后的缺陷檢測分類方法和系統(tǒng)。

背景技術(shù)：

1、光掩模版是半導(dǎo)體制造過程中用于將電路設(shè)計圖案精確轉(zhuǎn)移到硅片上的關(guān)鍵工具，其質(zhì)量直接影響光刻精度和集成電路的性能。在清洗過程中，掩模表面容易受到顆粒污染、化學(xué)殘留等影響，產(chǎn)生劃痕、顆粒、材料損失等缺陷。這些缺陷不僅縮短了掩模的使用壽命，還可能降低生產(chǎn)質(zhì)量。因此，光掩模清洗后的缺陷檢測成為確保半導(dǎo)體生產(chǎn)良率的重要步驟。傳統(tǒng)的光掩模缺陷檢測通常采用單一波長的光源照射，并通過人工光學(xué)檢測或圖像處理算法進(jìn)行缺陷識別。然而，這種方法存在明顯的局限性。不同波長的光源對不同類型的缺陷具有不同的敏感性，導(dǎo)致在單一波長下可能無法檢測到所有缺陷，尤其是微小劃痕、顆粒和材料缺失。此外，依賴人工檢測不僅效率低下，還容易導(dǎo)致漏檢或誤檢。隨著半導(dǎo)體制造技術(shù)的進(jìn)步，業(yè)界對掩模檢測的精度、效率和自動化程度提出了更高的要求。因此，亟需一種能夠解決這些問題的高效自動化缺陷檢測系統(tǒng)，以確保光掩模質(zhì)量并提升生產(chǎn)良率。

技術(shù)實現(xiàn)思路

1、有鑒于此，本發(fā)明提供一種光掩模版清洗后的缺陷檢測分類方法和系統(tǒng)，目的在于通過多波段圖像融合與智能化的缺陷分類，實現(xiàn)了更高精度、更高效率的缺陷檢測。

2、實現(xiàn)上述目的，本發(fā)明提供的一種光掩模版清洗后的缺陷檢測分類方法，包括以下步驟：

3、s1：多波長的光源照射光掩模版；

4、s2：對多波長拍攝的標(biāo)注樣本圖像進(jìn)行預(yù)處理；

5、s3：獲取已標(biāo)注好缺陷類別的光掩模版圖像樣本訓(xùn)練defect?-cnn算法；

6、s4：采用訓(xùn)練后的defect-cnn模型對待分類的光掩模圖像進(jìn)行缺陷檢測和分類，并生成檢測報告；

7、作為本發(fā)明的進(jìn)一步改進(jìn)方法：

8、可選地，所述s1步驟中多波長的光源照射光掩模版，包括：

9、對光掩模版進(jìn)行多波長光源照射，包括365nm的紫外光、450nm的藍(lán)光、550nm的綠光、650nm的紅光和850nm的近紅外光；不同波長的光源能夠激發(fā)掩模表面不同類型的缺陷，從而獲取豐富的表面特征信息，為后續(xù)的圖像處理和缺陷分類提供多維度的數(shù)據(jù)支持。

10、攝像頭與光源同步工作，在每個波長下，對樣本進(jìn)行拍攝，獲取對應(yīng)的圖像數(shù)據(jù)，分別記為p1、p2、p3、p4和p5；

11、步驟s1通過選擇不同波長的光源進(jìn)行組合照射，能夠有效激發(fā)和識別掩模表面與材料中的多種缺陷，獲取更加豐富的表面特征信息，為后續(xù)的圖像處理和缺陷分類提供多維度的數(shù)據(jù)支持；紫外光具有較高的能量，適合揭示非常微小的顆粒和極細(xì)微的表面缺陷；藍(lán)光波長較短，能較清晰地表現(xiàn)表面上較小的劃痕、顆粒、污染物和表面不規(guī)則性；綠光能提供清晰的對比度，便于觀察中等尺寸的缺陷；紅光有助于揭示較粗的劃痕或表面紋理變化；紅外光具有較長的波長，能夠穿透一定深度的材料層，因此有助于檢測掩模表面下的潛在缺陷或隱性材料損失，例如表面下的氣泡、裂紋或材料缺陷。通過多波長光源的組合照射，結(jié)合高分辨率攝像頭的同步拍攝，為后續(xù)的圖像處理和缺陷檢測提供了豐富的多維度數(shù)據(jù)支持，顯著提高了檢測的全面性、準(zhǔn)確性和效率。

12、可選地，所述s2步驟中對多波長拍攝的標(biāo)注樣本圖像進(jìn)行預(yù)處理，包括：

13、s21：對于每個波長下的圖像pi(x,y)進(jìn)行預(yù)處理，得到去噪后的圖像pi′(x,y)，具體為：

14、；

15、；

16、其中i∈｛1，5｝，(x,y)為圖像像素位置，ni(x,y)為圖像中的噪聲，αi為去噪?yún)?shù)，不同波長下的去噪?yún)?shù)不同。

17、此步驟根據(jù)不同波長的圖像，應(yīng)用不同強度的去噪處理，保證去除噪聲的同時保留細(xì)節(jié)特征。不同的αi值適應(yīng)不同波長下的噪聲特性和圖像內(nèi)容。

18、s22：將去噪后的圖像pi′(x,y)進(jìn)行加權(quán)融合，得到融合圖像pfuse(x,y)，具體為：

19、；

20、；

21、其中，wi為各波長圖像的權(quán)重值；為了確保所有波長的圖像貢獻(xiàn)相互平衡，wi滿足約束條件：5個波長下的去噪后的圖像pi′(x,y)的權(quán)重加起來為1；

22、此步驟通過設(shè)定合理的權(quán)重wi，可以根據(jù)具體應(yīng)用需求調(diào)整各波長圖像的貢獻(xiàn)度，確保得到具有高質(zhì)量信息的融合圖像pfuse(x,y)。

23、s23：對融合圖像pfuse(x,y)進(jìn)行直方圖均衡化，得到第一增強圖像penhanced(x,y)，具體為:

24、；

25、其中pmin和pmax分別為融合圖像的最小和最大像素值，通過歸一化處理將圖像對比度增強；

26、此步驟通過直方圖均衡化處理，融合圖像pfuse(x,y)轉(zhuǎn)換為第一增強圖像penhanced(x,y)，有效增強了圖像的亮度和對比度，細(xì)節(jié)更清晰，為后續(xù)的缺陷檢測提供更好的輸入圖像。

27、步驟s2通過去噪、融合和直方圖均衡化三個關(guān)鍵步驟，為缺陷檢測系統(tǒng)提供了高質(zhì)量的圖像輸入，為后續(xù)的圖像分析和分類提供了堅實的基礎(chǔ)，進(jìn)而顯著提升了整體檢測的精度和效率。

28、s24：根據(jù)365nm的紫外光與450nm藍(lán)光拍攝采集得到的光掩模版圖像，計算顆粒缺陷增強圖像，計算方式為：

29、；

30、；

31、；

32、；

33、其中，為灰度差異圖像，為紫外光波段圖像，為藍(lán)光波段圖像，為取絕對值操作，為紫外光特征圖像，為中位數(shù)池化卷積神經(jīng)網(wǎng)絡(luò)，為藍(lán)光特征圖像，為顆粒缺陷特征圖像，為通道疊加操作；

34、紫外光能夠揭示微小顆粒，而藍(lán)光則能增強表面細(xì)節(jié)，兩者結(jié)合可以更清晰地顯示顆粒缺陷的形態(tài)和位置；s24步驟通過計算紫外光和藍(lán)光圖像之間的灰度差異絕對值，并以其和作為歸一化因子，能夠突出顯示兩個波段圖像之間的差異區(qū)域，使得顆粒缺陷表現(xiàn)得更加明顯，而歸一化因子有助于減少不同光照條件對檢測結(jié)果的影響，提高方法的通用性和穩(wěn)定性；通過通道疊加操作將不同波段和特征提取方法得到的信息整合在一起，形成更全面的顆粒缺陷特征圖像，有助于實現(xiàn)更準(zhǔn)確的缺陷檢測和定位；

35、中位數(shù)池化卷積神經(jīng)網(wǎng)絡(luò)與傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)的區(qū)別在于，中位數(shù)池化卷積神經(jīng)網(wǎng)絡(luò)采用中位數(shù)池化方式代替平均池化，中位數(shù)池化的計算方式為：

36、；

37、；

38、；

39、；

40、其中，為池化區(qū)域中位數(shù)，為中位數(shù)計算操作，為池化區(qū)域最大值與池化區(qū)域中位數(shù)的距離， h n為池化區(qū)域中的第n個像素的值，為池化區(qū)域最大值，為池化區(qū)域最小值與池化區(qū)域中位數(shù)的距離，為池化區(qū)域最小值，為池化區(qū)域計算結(jié)果；

41、中位數(shù)池化的核心思想是選擇池化區(qū)域內(nèi)的最大值或最小值作為該區(qū)域的代表值，以放大圖像中的像素差異；中位數(shù)池化根據(jù)池化區(qū)域最大值和中位數(shù)m之間的距離以及池化區(qū)域最小值和中位數(shù)m之間的距離，來決定池化結(jié)果，若大于，則選擇作為池化結(jié)果，否則選擇；在顆粒缺陷檢測中，像素之間異常的差異代表顆粒缺陷的存在，通過中位數(shù)池化放大這種差異，能夠使得顆粒缺陷特征更明顯，檢測更準(zhǔn)確；

42、s25：根據(jù)650nm紅光與850nm近紅外光拍攝采集得到的光掩模版圖像，計算開口缺陷特征圖像，計算方式為：

43、；

44、；

45、；

46、；

47、其中，為對比增強圖像，為紅光波段圖像，為近紅光波段圖像，為紅光特征圖像，為近紅外光特征圖像，為開口缺陷特征圖像；

48、開口缺陷是掩模圖案中缺失的部分，即掩模上的微小孔洞；這類缺陷在圖像上通常表現(xiàn)為與周圍區(qū)域不同的亮度或?qū)Ρ榷?；紅光能夠突出開口缺陷的邊緣，近紅外光則能穿透材料層，兩者結(jié)合可以準(zhǔn)確識別開口缺陷的位置和深度；通過計算紅光波段和近紅外波段圖像像素值的比值，能夠突出在兩個波段下表現(xiàn)差異較大的區(qū)域；此外，由于背景區(qū)域在兩個波段下的表現(xiàn)相對一致，通過比值運算，還可以在一定程度上抑制背景噪聲的影響；

49、s26：將第一增強圖像penhanced(x,y)、顆粒缺陷特征圖像、開口缺陷特征圖像進(jìn)行通道疊加，得到第二增強圖像，計算方式為：

50、；

51、其中，為第二增強圖像。

52、由于顆粒缺陷和開口缺陷對光刻工藝和最終半導(dǎo)體器件性能的影響尤為顯著且它們的檢測具有一定的挑戰(zhàn)性，通常被認(rèn)為是需要優(yōu)先檢測出來的缺陷類型；顆粒缺陷的尺寸通常很小，使得顆粒缺陷在傳統(tǒng)光學(xué)檢測中難以被準(zhǔn)確識別；開口缺陷通常很小且形狀不規(guī)則，特別是在復(fù)雜圖案的掩模中，開口缺陷與圖案細(xì)節(jié)具有一定相似性，難以被準(zhǔn)確檢測；

53、可選地，s21步驟中噪聲ni(x,y)是通過中值濾波的方法計算，包括：

54、；

55、；

56、其中，median(pi(x,y))是在像素位置(x,y)為中心的3×3?窗口內(nèi)的9個像素值的中值，然后將該中值用于估計噪聲。

57、可選地，所述s3步驟中獲取已標(biāo)注好缺陷類別的光掩模版圖像樣本訓(xùn)練defect?-cnn算法，包括：

58、s31：對已知缺陷類別的光掩模版樣本進(jìn)行步驟s1?和?s2操作，生成增強后的樣本圖像；

59、s32：將增強后的樣本圖像輸入到defect?-cnn模型中，經(jīng)過卷積層、池化層和全連接層和分類層進(jìn)行特征提取和分類，得到特征向量fcombined；

60、s33：利用特征向量fcombined通過softmax函數(shù)計算每個缺陷類別的概率分布，具體為：

61、；

62、其中，j∈{1,2,3,…,8}表示每類缺陷的類別，分別對應(yīng)顆粒、劃痕、污染、開口、不規(guī)則圖形、沉積、氣泡和材料缺失8個類別；

63、顆粒缺陷是光掩模表面上的微小顆粒或灰塵，這些顆粒可能會影響光刻工藝中的光傳輸和圖案轉(zhuǎn)移，進(jìn)而導(dǎo)致半導(dǎo)體器件的缺陷；劃痕缺陷是掩模表面上的機械劃痕或損傷，可能是由于清洗或操作過程中的接觸導(dǎo)致的；污染缺陷是化學(xué)物質(zhì)或其他異物沉積在掩模表面，通常是清洗不徹底或操作環(huán)境不干凈導(dǎo)致的；開口缺陷是掩模圖案中缺失的部分，即掩模上的微小孔洞，導(dǎo)致電路圖案無法正確轉(zhuǎn)移；不規(guī)則圖形缺陷是掩模版上的電路圖案形狀偏差或圖案失真，可能是由于光刻工藝中的對齊誤差或掩模的損傷造成的；沉積缺陷是掩模清洗后，表面殘留的化學(xué)物質(zhì)或光刻膠殘留，這類缺陷通常會在后續(xù)的光刻步驟中引起電路功能問題；氣泡缺陷是掩模表面下或材料中的氣泡，通常會影響光的傳播，導(dǎo)致光刻不均勻；材料缺失缺陷是掩模材料中的微小區(qū)域丟失，可能導(dǎo)致圖案傳輸錯誤。

64、s34：計算分類誤差ldetect，具體為：

65、；

66、其中，tj是實際類別的標(biāo)簽，是模型預(yù)測的類別概率；

67、此步驟度量預(yù)測概率與真實標(biāo)簽之間的差異，指導(dǎo)模型調(diào)整權(quán)重，從而在每次迭代中逐步減小分類誤差，提升模型對不同類別缺陷的分類準(zhǔn)確性；

68、s35：計算分類誤差ldetect對每個波長下的權(quán)重wi的梯度，具體為：

69、；

70、其中，為偏導(dǎo)數(shù)計算，

71、s36：更新每個波長的權(quán)重wi，具體為：

72、；

73、其中，η是學(xué)習(xí)率，控制每次更新的步長；

74、此步驟通過反向傳播逐步優(yōu)化不同波長下的特征融合效果，使得模型可以自適應(yīng)于缺陷特征的復(fù)雜性，從而更好地識別不同類別的缺陷；

75、s37：迭代訓(xùn)練，直到損失函數(shù)的變化值小于閾值時停止訓(xùn)練，具體為：

76、。

77、本實施例的閾值為0.0001，是為了平衡計算效率和訓(xùn)練結(jié)果的穩(wěn)定性，確保模型在損失函數(shù)變化非常小的時候停止訓(xùn)練，以避免過度訓(xùn)練和計算資源浪費；

78、步驟s3不僅具備高效的特征提取和分類能力，還能夠自動調(diào)整波長權(quán)重，提高分類準(zhǔn)確性。

79、可選地，所述s4步驟中采用訓(xùn)練后的defect-cnn模型對待分類的光掩模圖像進(jìn)行缺陷檢測和分類，并生成檢測報告，包括：

80、s41：對待分類的光掩模版，執(zhí)行步驟s1和s2，生成增強后的待分類圖像；

81、s42：將當(dāng)前生成增強后的待分類圖像輸入到訓(xùn)練好的defect-cnn模型中，計算每個缺陷類別的概率分布，并選擇概率最高的類別作為最終的缺陷分類結(jié)果；

82、s43：生成檢測報告，報告內(nèi)容包括每個缺陷的類別。

83、步驟s4通過利用訓(xùn)練好的defect-cnn模型進(jìn)行缺陷分類，確保了分類過程的自動化和高精度；通過計算缺陷類別的概率分布，并選擇概率最高的類別作為最終結(jié)果；同時，生成的檢測報告使得生產(chǎn)人員可以更有針對性地優(yōu)化清洗工藝，從而提高光掩模的清洗效果和使用壽命。

84、本發(fā)明還提供了一種光掩模版清洗后的缺陷檢測分類系統(tǒng)，包括：

85、光源照射與圖像采集模塊：對光掩模版進(jìn)行多波長照射，包括365nm的紫外光、450nm的藍(lán)光、550nm的綠光、650nm的紅光和850nm的近紅外光源，同時采集多波長照射下的光掩模圖像；

86、圖像預(yù)處理模塊：對采集到的多波長圖像進(jìn)行去噪、加權(quán)融合和直方圖均衡化處理，以提升圖像的質(zhì)量和對比；

87、defect-cnn訓(xùn)練模塊：使用標(biāo)注好的樣本圖像訓(xùn)練defect-cnn模型；

88、缺陷檢測與報告生成模塊：使用訓(xùn)練好的defect-cnn模型對新采集的光掩模圖像進(jìn)行缺陷檢測和分類，輸出缺陷類別的預(yù)測結(jié)果，并生成包含缺陷類別及相關(guān)清洗建議的檢測報告；

89、本發(fā)明的有益效果為：

90、本發(fā)明提供了一種光掩模版清洗后的缺陷檢測分類方法和系統(tǒng)，利用多波長光源照射獲取豐富的表面特征信息，結(jié)合去噪、加權(quán)融合和直方圖均衡化等圖像預(yù)處理手段，有效提升了圖像的清晰度和細(xì)節(jié)表現(xiàn)。通過訓(xùn)練defect-cnn模型實現(xiàn)了高效、自動化的缺陷檢測與分類，并且在訓(xùn)練過程中動態(tài)調(diào)整不同波長圖像的權(quán)重，增強了模型對復(fù)雜和微小缺陷的敏感性和識別能力。此外，系統(tǒng)能夠自動生成包含缺陷類別，提高光掩模的清洗效果和使用壽命。相比傳統(tǒng)單波長、人工光學(xué)檢測方法，該系統(tǒng)在減少環(huán)境影響和人為誤差方面具有顯著優(yōu)勢，極大地提升了檢測精度、生產(chǎn)穩(wěn)定性和整體生產(chǎn)良率，為光刻工藝和半導(dǎo)體制造提供了更高的可靠性和生產(chǎn)力支持。

91、針對顆粒缺陷，本發(fā)明利用紫外光能夠揭示微小顆粒、藍(lán)光則能增強表面細(xì)節(jié)的特性，結(jié)合紫外光與藍(lán)光波段圖像，通過計算灰度差異與歸一化因子，突出顯示兩個波段圖像之間的差異區(qū)域，使得顆粒缺陷表現(xiàn)得更加明顯；針對開口缺陷，本發(fā)明結(jié)合紅光能夠突出開口缺陷的邊緣、近紅外光則能穿透材料層的特性，通過計算紅光波段和近紅外波段圖像像素值的比值，突出在兩個波段下表現(xiàn)差異較大的區(qū)域同時降低背景噪聲，使得開口缺陷更加明顯；

92、本發(fā)明采用通道疊加的方式，融合第一增強圖像、顆粒缺陷特征圖像、開口缺陷特征圖像，得到第二增強圖像，使得輸入后續(xù)defect-cnn模型的數(shù)據(jù)缺陷特征更加明顯，提升了缺陷檢測的精度；

93、本發(fā)明提出了一種中位數(shù)池化方式，相較于傳統(tǒng)的最大值池化與平均池化，能夠放大圖像中的像素差異，使得多波段圖像中的缺陷更加明顯，有助于提升檢測效果；