一种LED晶圆良率检测方法

技术领域

本发明涉及晶圆良率检测技术领域，尤其涉及一种LED晶圆良率检测方法。

背景技术

晶圆是指硅半导体集成电路制作所用的硅晶片，由于其形状为圆形，故称为 晶圆，在晶圆上，包含多个晶粒(d ie)，其中部分晶粒为具有缺陷即无法使用的 不合格晶粒，其余部分为合格晶粒，而晶圆的良率则定义为：良率＝合格的晶粒 /晶粒总数，作为晶圆代工厂商，往往需要为客户提供良率达到85％甚至90％以 上的晶圆产品，否则就会被客户判定为废片。

为了避免给客户提供的晶圆产品中产生废片，工厂在生产晶圆的过程中就会 设立一个个检测站，这些检测站设置在一些关键层次的工艺之后，工厂端对每片 晶圆分析给出一个预测的良率值，如果某片晶圆的预测良率值低于客户要求，则 在厂内进行报废，以防止流出对工厂造成更大的损失。

现有的晶圆良率检测方法通常是在晶圆生产结束后，将晶圆切割，通过人工 目视判断晶圆良率，然而，由于人工目视检查效率跟不上制造速度且容易疏漏， 故常常是晶圆切割封装好之后才发现有良率异常，造成封装浪费。

发明内容

为了解决上述背景技术中所提到的问题，而提出的一种LED晶圆良率检测方 法。

为了实现上述目的，本发明采用了如下技术方案：

一种LED晶圆良率检测方法，其特征在于，包括人工智能检测系统，所述人 工智能检测系统包括工艺缺陷特征模块、机器视觉捕捉模块、晶圆缺陷处理模块、 晶圆良率计算模块和结果显示模块：

所述工艺缺陷特征模块中记录有多种晶圆缺陷特征；

所述机器视觉捕捉模块用来捕捉待检测晶圆上的缺陷特征；

所述晶圆缺陷处理模块用来记录晶圆缺陷特征位置及缺陷数目；

所述晶圆良率计算模块用来计算晶圆预判良率值大小；

所述结果显示模块显示待检测晶圆的预判良率结果；

通过所述人工智能检测系统检测晶圆良率的方法，包括以下步骤：

S1、利用机器视觉捕捉模块捕捉待检测晶圆上与工艺缺陷特征模块中相同的 晶圆缺陷特征，通过部分晶圆水平、垂直方向像素平均最小值获取整体图片旋转 角度，旋转时四周填充黑像素保证图像完整性；

S2、通过晶圆缺陷处理模块，局部阈值分割、膨胀收缩获取检测部分，根据 特征挑选来剔除与晶圆相似的非检测区域，只留下晶圆检测区域；

通过水平、垂直方向像素平均最小值确定每个晶圆方框位置，卡尺工具检测 四边判断是否存在缺陷；

统计并记录下待检测晶圆的缺陷特征位置及缺陷数目，并用红框和绿框区分 有无缺陷的位置，红框表示晶圆存在缺陷特征的位置，绿框表示晶圆无缺陷特征 的位置；

S3、通过晶圆良率计算模块计算得到预判良率值：

其中，预判良率值计算公式为：

具体的，不合格晶粒数—缺陷数目，晶粒总数为已知量；

S4、通过结果显示模块显示待检测晶圆的预判良率结果。

作为上述技术方案的进一步描述：

多种所述晶圆的缺陷特征来自于各个测试基站的缺陷特征统计总和。

作为上述技术方案的进一步描述：

各个所述测试基站设置于主要层次的工艺之后，该主要层次包括：场氧化物、 源漏光刻、源漏掺杂、栅区光刻、栅氧化、接触孔光刻、金属层沉积、金属层光 刻、合金金属层、钝化层沉积和钝化层光刻。

作为上述技术方案的进一步描述：

所述晶圆缺陷特征包括晶圆表面冗余物、晶体缺陷和机械损伤。

作为上述技术方案的进一步描述：

所述冗余物包括纳米级的微小颗粒、微米级的灰尘和相关工艺的残留物。

作为上述技术方案的进一步描述：

所述预判良率结果是数值、柱状图或者饼状图中的一种或者多种。

作为上述技术方案的进一步描述：

所述晶圆缺陷处理模块中记录待检测晶圆的晶粒总数、合格晶粒以及不合格 晶粒的统计模块。

作为上述技术方案的进一步描述：

所述晶粒总数＝合格晶粒数+不合格晶粒数，所述不合格晶粒数＝缺陷数目。

综上所述，由于采用了上述技术方案，本发明的有益效果是：

1、本发明中，相较于现有的需要切割晶圆后再通过人工目视检查晶圆的良 率检测方法而言，通过机器视觉捕捉模块捕捉待检测晶圆上的缺陷特征，与工艺 缺陷特征模块中的晶圆缺陷特征对比后，通过晶圆缺陷处理模块记录晶圆缺陷特 征位置和缺陷数目，通过晶圆良率计算模块对缺陷数目进行计算处理，得到晶圆 预判良率值，在切割晶圆前即可预判晶圆良率，减小封装浪费，且可以避免晶圆 切割封装才发现良率异常的情况发生，提高晶圆检查效率，使得晶圆检查效率可 以紧跟制造速度。

2、本发明中，通过晶圆缺陷处理模块记录下待检测晶圆的缺陷特征位置及 缺陷数目，并用红框和绿框区分有无缺陷的位置，红框表示晶圆存在缺陷特征的 位置，绿框表示晶圆无缺陷特征的位置，根据红框显示区域，判断异常集中在哪 一区域，在前端制程可以做设备调整，以降低晶圆异常缺陷产生，借以提高生产 良率。

附图说明

图1示出了根据本发明实施例提供的一种LED晶圆良率检测方法的预判良率 结果柱状示意图；

图2示出了根据本发明实施例提供的一种LED晶圆良率检测方法的预判良率 结果饼状示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清 楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全 部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳 动前提下所获得的所有其它实施例，都属于本发明保护的范围。

实施例一

请参阅图1和图2，本发明提供一种技术方案：一种LED晶圆良率检测方法， 包括人工智能检测系统，人工智能检测系统包括工艺缺陷特征模块、机器视觉捕 捉模块、晶圆缺陷处理模块、晶圆良率计算模块和结果显示模块：

工艺缺陷特征模块中记录有多种晶圆缺陷特征；

机器视觉捕捉模块用来捕捉待检测晶圆上的缺陷特征；

晶圆缺陷处理模块用来记录晶圆缺陷特征位置及缺陷数目；

晶圆良率计算模块用来计算晶圆预判良率值大小；

结果显示模块显示待检测晶圆的预判良率结果；

通过人工智能检测系统检测晶圆良率的方法，包括以下步骤：

S1、利用机器视觉捕捉模块捕捉待检测晶圆上与工艺缺陷特征模块中相同的 晶圆缺陷特征，通过部分晶圆水平、垂直方向像素平均最小值获取整体图片旋转 角度，旋转时四周填充黑像素保证图像完整性；

S2、通过晶圆缺陷处理模块，局部阈值分割、膨胀收缩获取检测部分，根据 特征挑选来剔除与晶圆相似的非检测区域，只留下晶圆检测区域；

通过水平、垂直方向像素平均最小值确定每个晶圆方框位置，卡尺工具检测 四边判断是否存在缺陷；

统计并记录下待检测晶圆的缺陷特征位置及缺陷数目，并用红框和绿框区分 有无缺陷的位置，红框表示晶圆存在缺陷特征的位置，绿框表示晶圆无缺陷特征 的位置；

根据红框显示区域，判断异常集中在哪一区域，在前端制程可以做设备调整， 以降低晶圆异常缺陷产生，借以提高生产良率；

S3、通过晶圆良率计算模块计算得到预判良率值：

其中，预判良率值计算公式为：

具体的，不合格晶粒数—缺陷数目，晶粒总数为已知量；

S4、通过结果显示模块显示待检测晶圆的预判良率结果。

具体的，多种晶圆的缺陷特征来自于各个测试基站的缺陷特征统计总和，各 个测试基站设置于主要层次的工艺之后，该主要层次包括：场氧化物、源漏光刻、 源漏掺杂、栅区光刻、栅氧化、接触孔光刻、金属层沉积、金属层光刻、合金金 属层、钝化层沉积和钝化层光刻。

具体的，晶圆缺陷特征包括晶圆表面冗余物、晶体缺陷和机械损伤，冗余物 包括纳米级的微小颗粒、微米级的灰尘和相关工艺的残留物。

请参阅图1和图2，预判良率结果是数值、柱状图或者饼状图中的一种或者 多种。

具体的，晶圆缺陷处理模块中记录待检测晶圆的晶粒总数、合格晶粒以及不 合格晶粒的统计模块，其中，晶粒总数＝合格晶粒数+不合格晶粒数，不合格晶粒 数＝缺陷数目；

通过预判良率值结果可行性证明实验来论证本发明中晶圆良率检测结果的 可行性：

具体的，首先，选取多个待检测晶圆通过本发明中的检测方法检测各待检测 晶圆的预判良率值，其次，切割待检测的晶圆并计算出该待检测晶圆的实际良率 值，并与本发明中检测方法得到的预判量良率值比较，比较后得到的结果如以下 表1：

其中，差值＝实际良率值-预判良率值；

表1待检测晶圆预判良率值和实际良率值差值统计表

通过表1可知，待检测晶圆的预判良率值与实际良率值的差值范围是 -1.2％-3.8％，即假设待检测晶圆的不合格晶粒数为10个，则待检测晶圆的实际 不合格晶粒数为8-14个，该不合格晶粒数属于允许范围内，因此，本发明提供 的晶圆良率检测方法得到的预判良率值可以作为判断晶圆实际良率的数值；

相较于现有的需要切割晶圆后再通过人工目视检查晶圆的良率检测方法而 言，本发明在切割晶圆前即可预判晶圆良率，减小封装浪费，且可以避免晶圆切 割封装才发现良率异常的情况发生，提高晶圆检查效率，使得晶圆检查效率可以 紧跟制造速度。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限 于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明 的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之 内。