芯片缺陷檢測怎么檢

在芯片生產(chǎn)制造過程中，各工藝流程環(huán)環(huán)相扣，技術(shù)復(fù)雜，材料、環(huán)境、工藝參數(shù)等因素的微變常導(dǎo)致芯片產(chǎn)生缺陷，影響產(chǎn)品良率。芯片質(zhì)量檢測作為芯片生產(chǎn)線中的關(guān)鍵環(huán)節(jié)，可以積極地反饋產(chǎn)品質(zhì)量信息，以便人們及時掌控各生產(chǎn)環(huán)節(jié)的健康狀況，促使質(zhì)量檢測技術(shù)在生產(chǎn)線中的作用越來越凸顯。如今，人工目視檢測方法因其存在效率低、精度低、成本高、勞動強度大和標(biāo)準(zhǔn)不統(tǒng)一等缺點，正逐步被自動檢測技術(shù)所取代。早期的自動檢測技術(shù)主要圍繞機器視覺技術(shù)展開。機器視覺技術(shù)以其高效率、高精度、高可靠性、非接觸性和客觀性強等優(yōu)點，得到了廣泛研究和應(yīng)用，經(jīng)典方法為基于人工設(shè)計特征的特征選擇算法與模式識別分類算法的結(jié)合。近年來，以卷積神經(jīng)網(wǎng)絡(luò)為代表的深度學(xué)習(xí)模型在計算機視覺領(lǐng)域的成功應(yīng)用，給缺陷檢測提供了新的發(fā)展方向。鑒于目前國內(nèi)還沒有全面細(xì)致論述半導(dǎo)體芯片表面缺陷檢測方法的綜述文獻，本文通過對2015—2021年相關(guān)文獻進行歸納梳理，旨在幫助研究人員快速和系統(tǒng)地了解該領(lǐng)域的相關(guān)方法與技術(shù)。本文主要回答了“芯片缺陷是什么”“芯片缺陷檢測做什么”和“芯片缺陷檢測怎么做”3個問題，相應(yīng)內(nèi)容包括介紹芯片制造流程及產(chǎn)生的相關(guān)缺陷和芯片缺陷檢測任務(wù)，分析近幾年的相關(guān)研究方法和芯片表面缺陷特性，并進行總結(jié)和歸納。1芯片生產(chǎn)及缺陷介紹1.1芯片制造流程芯片生產(chǎn)需要經(jīng)歷數(shù)道工序，其中各工藝流程環(huán)環(huán)相扣。芯片生產(chǎn)對材料、環(huán)境、工藝參數(shù)等敏感，每個環(huán)節(jié)都有可能產(chǎn)生缺陷。因此，了解制造工藝流程，是進行芯片表面缺陷檢測研究的前提。芯片生產(chǎn)線主要包括芯片設(shè)計、制造、封裝和檢測4大環(huán)節(jié)，流程如圖1所示。芯片檢測主要分為物理性檢測和電性能檢測。物理性檢測主要可分為封裝前的芯片表面缺陷檢測和封裝后的封裝體缺陷檢測。電性能檢測是在不同的電壓、溫度和濕度等條件下進行溫度、電氣和速度測試，目的是檢測芯片的性能是否達標(biāo)。本研究主要聚焦于半導(dǎo)體芯片的物理性缺陷檢測。1.2芯片缺陷介紹封裝前，上述數(shù)道工藝的操作控制、工藝參數(shù)、環(huán)境等因素都會對芯片質(zhì)量產(chǎn)生一定的影響，產(chǎn)生的缺陷表現(xiàn)出類別多樣、形態(tài)各異、背景復(fù)雜等特點。芯片制造過程中產(chǎn)生的表面缺陷示例如圖2所示，大致可劃分為原材料不良、異物、劃傷、Bump元件缺陷（凸起、錯位或缺失）、金屬性污染物和蝕刻液臟污殘留。此外，芯片制造過程中還會產(chǎn)生如蝕刻銹斑、電鍍過多、異色和金屬線損壞等小樣本缺陷。封裝后的封裝體缺陷包括印刷缺陷和引腳缺陷。封裝體表面印刷符號表明了其名稱、規(guī)格、型號和性能等信息，是辨識芯片的重要依據(jù)。清晰的符號是高質(zhì)量芯片的內(nèi)在需求。實際生產(chǎn)中常存在的印刷缺陷包括錯字、偏移、漏印、多印、模糊、傾斜、位移、斷字、雙層印和無字等。引腳缺陷包括引腳缺失、引腳破損和引腳彎曲等。缺陷示例如圖3所示。2芯片缺陷檢測方法2.1機器視覺缺陷檢測方法機器視覺方法基本檢測流程，如圖4所示。隨著機器視覺相關(guān)技術(shù)逐漸受到重視，多種基于人工設(shè)計特征的特征選擇算法和模式識別分類算法被應(yīng)用于表面缺陷檢測領(lǐng)域。2.1.1芯片表面缺陷檢測針對封裝前的芯片表面缺陷檢測，戴敬等通過改進多重中值濾波算法，采用插影法、歸一化互相關(guān)的模板匹配等方法實現(xiàn)晶圓表面缺陷檢測。SU等通過對封裝芯片的表面施加超聲波激發(fā)并結(jié)合測振儀提取了時域和頻域特征，引入遺傳算法進行特征選擇，最后采用BP（BackPropagation）神經(jīng)網(wǎng)絡(luò)進行分類識別。陳凱提取集成電路芯片表面的幾何特征、紋理特征和灰度特征缺陷特征，在特征降維后輸入基于改進的螢火蟲算法的支持向量機實現(xiàn)缺陷識別。付純鶴等提取芯片表面缺陷的Hu不變矩特征和局部二值模式（LocalBinaryPattern，LBP）特征，通過反向傳播神經(jīng)網(wǎng)絡(luò)（BackPropagationNeuralNetwork，BPNN）進行學(xué)習(xí)，最后采用最近鄰算法分類缺陷。2.1.2封裝體缺陷檢測針對封裝后的封裝體存在的印刷缺陷，張靜平提出了一種動態(tài)縮小圖像檢測區(qū)域的加權(quán)模板匹配算法，以判斷QFN芯片表面字符的缺陷。FABIO等結(jié)合卷積神經(jīng)網(wǎng)絡(luò)、k均值聚類算法和k近鄰分類算法，識別食品包裝盒上的符號模糊和符號缺失，對芯片封裝體存在的印刷缺陷檢測具有參考意義。針對封裝后的封裝體存在的引腳缺陷，巢淵提取缺陷的幾何、灰度、紋理特征，提出基于廣義反向粒子群與引力搜索混合算法和高斯核支持向量機RBFSVM分類缺陷。劉琛等提出一種基于方位環(huán)境特征的點模式匹配定位算法，快速準(zhǔn)確定位芯片并識別引腳缺陷。陳文鳳等設(shè)計了一套基于ARM-DSP雙核結(jié)構(gòu)的集成芯片引腳缺陷自動檢測系統(tǒng)。為檢測SOP芯片引腳缺陷，李本紅等采用灰度躍變檢測引腳中點、中點直線擬合和引腳間距統(tǒng)計等方法，實現(xiàn)對SOP芯片引腳缺陷的自動檢測

；李繹鈴以連通像素區(qū)域標(biāo)記法為主要算法，提出基于模板匹配的引腳缺陷識別算法

；金賀楠通過圖像矩來對SOP芯片的整體位置進行定位，同時結(jié)合基于TwoPass的連通域分方法來完善芯片引腳外觀檢測。以上特征提取結(jié)合分類器的方法可以較好地實現(xiàn)缺陷檢測，但同時特征提取存在主觀性、局限性問題和復(fù)雜化問題等，需要依賴經(jīng)驗和專業(yè)知識，有針對性地依據(jù)產(chǎn)品表面缺陷特性提取和選擇特征。隨著芯片愈加集成化和光刻工藝愈加復(fù)雜，產(chǎn)生的缺陷往往類型繁多、特征復(fù)雜、背景多變和位置隨機，傳統(tǒng)的機器視覺技術(shù)難以充分且有效地提取到缺陷特征，效率低下，已難堪重任。2.2深度學(xué)習(xí)缺陷檢測方法近年來，以卷積神經(jīng)網(wǎng)絡(luò)為代表的深度學(xué)習(xí)模型在計算機視覺領(lǐng)域成功應(yīng)用，給表面缺陷檢測帶來了新的啟發(fā)。不少學(xué)者將目標(biāo)檢測相關(guān)算法應(yīng)用于各種工業(yè)場景的表面缺陷檢測。對缺陷模式認(rèn)知的不同，深度學(xué)習(xí)模型可以劃分為有監(jiān)督學(xué)習(xí)、無監(jiān)督學(xué)習(xí)和弱監(jiān)督半監(jiān)督等。有監(jiān)督檢測方法體現(xiàn)在利用標(biāo)記了標(biāo)簽（包括類別、矩形框或逐像素等）的缺陷圖像輸入到網(wǎng)絡(luò)中進行訓(xùn)練，更關(guān)注缺陷特征。無監(jiān)督檢測方法通常只需要正常無缺陷樣本進行網(wǎng)絡(luò)訓(xùn)練，更關(guān)注正常樣本特征。2.2.1有監(jiān)督方法（1）芯片表面缺陷檢測。針對封裝前的芯片表面缺陷檢測，周小萌將經(jīng)典的卷積神經(jīng)網(wǎng)絡(luò)Alexnet應(yīng)用于識別IC芯片外觀缺陷。李明將卷積神經(jīng)網(wǎng)絡(luò)和類激活映射技術(shù)相結(jié)合，提出LaserChipNet網(wǎng)絡(luò)來實現(xiàn)激光芯片缺陷分類識別和缺陷區(qū)域定位。DING等引入多尺度金字塔網(wǎng)絡(luò)改進FasterR-CNN的骨干卷積網(wǎng)絡(luò)，用于檢測PCB表面缺陷。周天宇等提出了一種輕量級卷積神經(jīng)網(wǎng)絡(luò)算法YOLOEfficientnet，應(yīng)用于載波芯片COC缺陷檢測。CHEN等將生成對抗網(wǎng)絡(luò)GAN與YOLOv3算法結(jié)合，應(yīng)用于芯片晶粒的表面缺陷檢測。對于LED芯片的缺陷檢測問題：LIN等提出LEDNet，采用了一種類激活映射技術(shù)來定位LED芯片缺陷（線瑕疵和劃痕）區(qū)域

；劉志提出了ATSSD，采用深度殘差網(wǎng)絡(luò)ResNet作為主干卷積網(wǎng)絡(luò)，并引入注意力機制和多尺度特征融合方法提取特征，提升了檢測精度。（2）封裝體缺陷檢測。針對封裝后的封裝體存在的印刷缺陷和引腳缺陷，唐銘豆等通過選定連通區(qū)域和分割算法定位字符，采用改進的CNN進行字符識別，最終實現(xiàn)芯片印刷標(biāo)識檢測。郭曉峰等利用最小外接圓原理定位和校正圖像，隨后對ROI區(qū)域進行字符分割，最后進行差分識別。肖磊基于AlexNet改進得到一種對壓敏電阻外觀細(xì)微缺陷敏感的卷積神經(jīng)網(wǎng)絡(luò)模型（CNN4VDR），用于識別壓敏電阻主體和針腳的外觀缺陷。2.2.2無監(jiān)督方法有監(jiān)督學(xué)習(xí)模型需要大量人工標(biāo)記數(shù)據(jù)，但是在工業(yè)生產(chǎn)中，部分類型缺陷發(fā)生概率低，樣本數(shù)量少，小樣本訓(xùn)練網(wǎng)絡(luò)模型會導(dǎo)致過擬合問題。此外，還經(jīng)常生成不可預(yù)知的缺陷，難以及時標(biāo)記。無監(jiān)督學(xué)習(xí)方法只需要正常無缺陷樣本進行網(wǎng)絡(luò)訓(xùn)練，具備強大的正常樣本分布重建和判別能力，在近年逐漸受到關(guān)注。CHANG等提出了一種基于自組織神經(jīng)網(wǎng)絡(luò)（Self-OrganizingNeuralNetworks，SONN）的晶圓自動檢測系統(tǒng)，利用SONN的無監(jiān)督自動聚類的能力，識別晶圓上的缺陷區(qū)域。GHOSH等提出了一種基于CNN的有監(jiān)督技術(shù)和兩種基于深度圖和引腳紋理的無監(jiān)督技術(shù)，以識別彎曲和腐蝕的芯片引腳缺陷。羅月童等提出了基于卷積去噪自編碼器的芯片表面弱缺陷檢測方法。MEI等提出了一種利用不同高斯金字塔等級的卷積去噪自編碼器網(wǎng)絡(luò)重構(gòu)圖像，使用重構(gòu)殘差圖進行缺陷檢測。2.3其他方法弱監(jiān)督的方法是指采用圖像級別類別標(biāo)注（弱標(biāo)簽）來獲取分割/定位級別的檢測效果。半監(jiān)督學(xué)習(xí)通常會使用大量的未標(biāo)記數(shù)據(jù)和少部分有標(biāo)簽的數(shù)據(jù)，用于表面缺陷檢測模型的訓(xùn)練。相對于全監(jiān)督和無監(jiān)督方法，雖然目前弱監(jiān)督和半監(jiān)督方法在表面缺陷檢測中的應(yīng)用相對較少，但仍具有參考價值。MARINO等采用一種基于PRM弱監(jiān)督學(xué)習(xí)方法來對馬鈴薯表面缺陷進行分類、定位和分割。ZHAO等提出一種基于GAN的弱監(jiān)督學(xué)習(xí)缺陷檢測方法，通過CycleGAN實現(xiàn)表面缺陷檢測。YU等提出了一種多重訓(xùn)練的半監(jiān)督學(xué)習(xí)方法應(yīng)用于鋼表面缺陷分類，利用cDCGAN和ResNet-18的多訓(xùn)練融合算法用于未標(biāo)記樣本的類別標(biāo)簽預(yù)測及訓(xùn)練。此外，還有其他方法。例如：萬乃嘉設(shè)計了基于領(lǐng)域自適應(yīng)的芯片字符識別系統(tǒng)

；饒永明等提出了面向芯片表面符號的結(jié)構(gòu)缺陷的評估方法；主動紅外熱成像技術(shù)被應(yīng)用于微焊球缺陷檢測

和倒裝芯片缺陷檢測

；空氣耦合超聲激勵應(yīng)用于倒裝芯片（FlipChip，F(xiàn)C）缺陷檢測。3芯片表面缺陷特性分析當(dāng)前表面缺陷檢測中應(yīng)用的算法與通用目標(biāo)檢測算法異曲同工，即視表面缺陷為普通目標(biāo)，忽視了表面缺陷與普通目標(biāo)之間的差異。下面將對比表面缺陷與普通目標(biāo)，分析發(fā)現(xiàn)表面缺陷存在如下特性。3.1缺陷與缺陷之間的互斥性在目標(biāo)檢測中，同類或是異類目標(biāo)之間相互交疊的現(xiàn)象非常常見。如何檢測相互交疊的目標(biāo)是目標(biāo)檢測的重難點。如圖5所示，目標(biāo)檢測結(jié)果中“car”“person”“bicycle”目標(biāo)相互交疊。然而，表面缺陷之間相互交疊的情況并不存在，在某一個位置上有且只有一個缺陷。因此，缺陷檢測應(yīng)該有且只能有一個結(jié)果。如圖5所示，缺陷檢測結(jié)果中標(biāo)注框即是冗余結(jié)果。3.2缺陷與缺陷之間存在重要性差異在通用目標(biāo)檢測中，所有目標(biāo)都是平等的，然而表面缺陷之間存在重要性差異。本研究通過電子顯微鏡采集了25種類別共181590張半導(dǎo)體芯片表面缺陷圖像，通過數(shù)學(xué)統(tǒng)計方法分析發(fā)現(xiàn)，其中14個類別缺陷樣本為主要成分，共178953個樣本，占比98.53%，樣本分布如圖6所示。各類缺陷樣本占比各不相同，意味著各類缺陷的發(fā)生概率各不相同，即存在著重要性差異，因此表面缺陷檢測應(yīng)合理考慮其差異性。芯片表面的缺陷并不是孤立存在的，其產(chǎn)生必然會與周圍環(huán)境相互作用，存在關(guān)聯(lián)性。圖7展示的6種缺陷雖然特征完全不相同，但是存在一個共性，即均與Bump元件相關(guān)。圖7（a）是Bump元件上的局部凸起；圖7（b）是Bump元件上的劃痕；圖7（c）是Bump元件殘缺；圖7（d）是金屬物質(zhì)異常滴漏在Bump元件之間，橋接引起短路；圖7（e）是Bump元件局部表面顏色異常；圖7（f）是Bump元件的漏焊，其具體形態(tài)特征可以參考周圍Bump元件。在分類任務(wù)中，Bump元件可以幫助