晶圆缺陷分类方法、装置、系统、电子设备和存储介质

技术领域

本发明涉及半导体制造技术领域，尤其涉及一种基于无监督学习的晶圆缺陷分类方法及装置、系统、电子设备和计算机可读存储介质。

背景技术

在半导体晶圆制作中，拉单晶、切片、磨片、抛光、增层、光刻、掺杂、热处理、针测以及划片……一系列过程中，化学气相沉淀、光学显影、化学机械研磨在这一过程中都可能使晶圆表面产生缺陷，而晶圆上缺陷会直接影响工作寿命和可靠性。晶圆缺陷识别通常分为缺陷检测和缺陷分类两个步骤。传统的缺陷检测算法通过对比待检测图案和参考图案，选取两者差异区域作为图案缺陷。传统的缺陷分类算法需要先在晶圆图案中提取特征，再将提取的特征作为分类器的输入，从而进行模式识别。上述方法主要存在以下2个问题：1)传统缺陷检测算法提取出的局部特征无法有效表示特定问题中的不同类型缺陷；2)传统缺陷检测分类算法的鲁棒性弱，需要根据新的问题重新设计整个识别模型。

随着机器学习技术的发展，各种识别器被广泛用于晶圆图缺陷识别并获得了较好的效果，例如，监督识别分类方法：反向传播网络(back-propagation network，BPN)[6]、广义回归神经网络(general regression neural network，GRNN)[7]、支持向量机(SVM)[8-9]、随机化广义回归网络(randomized general regression network)[10]、K-临近算法(K-nearest-neighbor，KNN)[11]、决策树(CART4.5)[12]、高斯混合模型[13]、多特征决策树集成[14]、均值标准集成方法[15]等；以及基于深度学习的特征提取方法：卷积神经网络(CNN)。由于卷积神经网络通过引入卷积核结构，有效解决了不同领域的图案分类和目标识别问题，因此，卷积神经网络是目前较为常用的晶圆缺陷分类方法之一。

然而，将卷积神经网络模型，如CNN算法，广泛应用到晶圆缺陷检测和分类领域还存在以下问题：

1)训练模型的样本数据量难以达到。在卷积神经网络进行芯片缺陷识别的过程中，需要先对卷积神经网络模型进行训练，从而得到能够进行缺陷识别的模型。然而，在训练过程中，需要大量的缺陷图案以及对应的缺陷类型，数据集样本量通常达到几万甚至几十万。但实际生产中，由于线上产生的缺陷图片数量有限，以及晶圆缺陷检测问题的特殊性，因此，训练模型的缺陷数量样本量很难达到万级，并且各个工厂之间并不会共享各自的缺陷数据，也会产生不同类型的缺陷，故而，难以满足深度卷积神经网络训练数据需求量大的特点。若用于训练的缺陷图案数量不足，则会影响模型的准确性。

2)大量数据集自然会带来标注的困难，据统计，标记单张图案中的单个物体类别大约需要2到3秒的时间，但实际应用中的数据集往往包含上千上万张图片，整个标注过程就会变得格外漫长。尤其是在涉及到细粒度分类和多标签分类任务时，标注成本会随着目标数量、可辨识难度呈指数级增长。

3)由于不同工厂所产生的缺陷类型不尽相同，因此，即时根据已知缺陷类型的数据集进行训练得到相应的分类器，该分类器也没有通用性，也即是说，不同的工厂需要构建不同的数据集，从而训练不同的分类器以进行缺陷分类，进一步上增加了生产制造成本。

4)整个深度神经网络架构训练过程不易拟合，需要大量的时间资源和计算资源。

基于上述的问题，目前无法广泛地将卷积神经网络模型，如CNN算法，等应用到晶圆缺陷检测和分类领域。有鉴于此，为了避免涉及大量的样本量的获取和模型训练，本公开文本提出一种新的晶圆缺陷分类方法。

发明内容

本发明的目的在于提供一种晶圆缺陷分类方法、装置、系统、电子设备和存储介质，以缓解或部分地解决上述技术问题，从而避免涉及大量的样本量的获取和模型训练。

本发明的第一方面在于，提供一种基于无监督学习的晶圆缺陷分类方法，包括步骤：

获取多个待分类晶圆缺陷图案；

将多个所述待分类晶圆缺陷图案进行无监督学习聚类，得到多组待分类晶圆缺陷组；

将每组中预设阈值数量的所述待分类晶圆缺陷图案与预存的至少一个晶圆缺陷图案参考样本进行匹配，若匹配成功，则将当前待分类晶圆缺陷图案所在的所述待分类晶圆缺陷组标记相应的缺陷类别标识，所述缺陷类别标识为当前所匹配到的所述晶圆缺陷图案参考样本的缺陷类别标识；

其中，每个所述晶圆缺陷图案参考样本预先被标注有一缺陷类别标识，且至少一个所述晶圆缺陷图案参考样本被标注相同的缺陷类别标识。

在本发明的一些示例性实施例中，所述方法还包括：若匹配不成功，将当前待分类晶圆缺陷图案自动存储为新一类晶圆缺陷对应的新晶圆缺陷图案参考样本。

在本发明的一些示例性实施例中，所述方法还包括：根据预存的缺陷类别标识自定义方式，生成对应于所述新晶圆缺陷图案参考样本的自定义类别标识。

在本发明的一些示例性实施例中，将匹配不成功的所述当前待分类晶圆缺陷图案当前所在的所述待分类晶圆缺陷组的晶圆缺陷类别标记为所述自定义类别标识。

在本发明的一些示例性实施例中，进行无监督学习聚类时，采用的无监督聚类模型包括clustering算法模型。

本发明第二方面在于，提供一种基于无监督学习的晶圆缺陷分类装置，所述装置包括：

数据获取模块，用于获取多个待分类晶圆缺陷图案；

数据处理模块，用于将所述数据获取模型所获取的多个所述待分类晶圆缺陷图案进行无监督学习聚类，得到多组待分类晶圆缺陷组；

缺陷分类模块，用于将每组所述待分类晶圆缺陷组中预设阈值数量的所述待分类晶圆缺陷图案与预存的至少一个晶圆缺陷图案参考样本进行匹配，若匹配成功，则为当前待分类晶圆缺陷图案所在的晶圆缺陷图案组标记相应的缺陷类别标识，所述缺陷类别标识为当前所匹配到的所述晶圆缺陷图案参考样本的缺陷类别标识；

其中，每个晶圆缺陷图案参考样本预先被标注有一缺陷类别标识，且至少一个所述晶圆缺陷图案参考样本被标注相同的缺陷类别标识。

在本发明的一些示例性实施例中，所述装置还包括：自定义模块，用于当所述缺陷分类模块匹配不成功时，将当前待分类晶圆缺陷图案自动存储为新一类晶圆缺陷对应的新晶圆缺陷图案参考样本。

在本发明的一些示例性实施例中，所述自定义模块还用于按照预存的缺陷类别标识自定义方式，生成对应于所述新晶圆缺陷图案参考样本的自定义类别标识。

在本发明的一些示例性实施例中，所述缺陷分类模块还用于为未匹配成功的所述当前待分类晶圆缺陷图案所在的待分类晶圆缺陷组的晶圆缺陷类别标记所述自定义类别标识。

进一步地，在本发明上述的一些示例性实施例中，进行无监督学习聚类时采用的无监督聚类模型包括clustering算法模型。

本发明的第三方面在于，提供了一种晶圆缺陷分类系统，所述系统包括：

至少一个晶圆缺陷检测装置，用于检测多个晶圆，得到多个待分类晶圆缺陷图案；

至少一个上述示例性实施例中的晶圆缺陷分类装置，用于从所述晶圆缺陷检测装置中获取多个所述待分类晶圆缺陷图案，并进行无监督学习聚类，得到多组待分类晶圆缺陷组；

然后，将每组中预设阈值数量的所述待分类晶圆缺陷图案与预存的至少一个晶圆缺陷图案参考样本进行匹配，若匹配成功，则将当前待分类晶圆缺陷图案所在的所述待分类晶圆缺陷组标记相应的缺陷类别标识，所述缺陷类别标识为当前所匹配到的所述晶圆缺陷图案参考样本的缺陷类别标识；

其中，每个所述晶圆缺陷图案参考样本预先被标记有一缺陷类别标识，且至少一个所述晶圆缺陷图案参考样本被标记相同的缺陷类别标识。

本发明第四方面在于，提供了一种电子设备，包括至少一个处理器、至少一个存储器、通信接口和总线；

其中，所述处理器、存储器、通信接口通过所述总线完成相互间的通信；所述存储器用于存储执行上述示例性实施例中任一所述方法的程序；所述处理器被配置为用于执行所述存储器中存储的程序。

本发明第五方面在于，提供了一种计算机可读存储介质，其存储有计算机程序，所述计算机程序被处理器执行时实现上述示例性实施例中任一所述方法的步骤。

有益技术效果

本发明的晶圆缺陷分类方法基于无监督学习(Unsupervised learning)方法将待分类晶圆缺陷图案进行分组(或聚类)，得到多组待分类晶圆缺陷组；然后，从每组中选择相应数量的待分类晶圆缺陷图案与预先已经分类好的至少一个晶圆缺陷图案参考样本进行匹配，若匹配到相应的类型的晶圆缺陷图案参考样本，则将对应组内所有的待分类晶圆缺陷图案均标注所匹配到的晶圆缺陷图案参考样本对应的缺陷类别标识，整个分类过程中无需采集并手动标注上万级的训练样本数量，也无需进行模型训练，相较于传统的基于监督学习的晶圆缺陷分类方法，节省了大量的时间资源和计算资源，并且由于无需进行模型训练，只需提供相应的缺陷样本图案即可进行分类，可适用于不同工厂进行缺陷分类。

进一步地，当匹配不成功，即没有匹配到相应的晶圆缺陷图案参考样本时，则将该待分类晶圆缺陷图案作为新晶圆缺陷图案参考样本，从而丰富了数据库中的参考样本，使得即使出现同类型的晶圆缺陷图案时，也可直接匹配到相应的晶圆缺陷图案参考样本，从而使得可直接根据该新晶圆缺陷图案参考样本来标注相应的缺陷类别标识，即识别缺陷类型即可，而无需针对无法识别的所有待分类晶圆缺陷图案再次进行模型训练，进一步节省了计算资源和时间资源，提高了分类效率。

进一步地，将匹配不成功的待分类晶圆缺陷图案作为新晶圆缺陷图案参考样本，并根据预存的自定义方式为该新晶圆缺陷图案参考样本生成相应的自定义晶圆缺陷类型，使得可自定在数据库中添加新的晶圆缺陷类型，而无需人工手动添加新的晶圆缺陷类型，也无需为新的晶圆缺陷类型人工手动添加对应的晶圆缺陷图案参考样本，也即无需人工手动对新增加的晶圆缺陷图案参考样本标注相应的晶圆缺陷类型，更无需重新训练模型，大大降低了工作人员的劳动强度，提高了生产效率。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍。在所有附图中，类似的元件或部分一般由类似的附图标记标识。附图中，各元件或部分并不一定按照实际的比例绘制。显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。

图1是本发明一示例性实施例的一种晶圆缺陷分类方法的流程图；

图2是本发明一示例性实施例的一种晶圆缺陷分类装置的实施例结构示意图；

图3是本发明的一示例性实施例的电子设备的结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，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他实施例，都属于本发明保护的范围。

本文中，使用用于表示元件的诸如“模块”、“部件”或“单元”的后缀仅为了有利于本发明的说明，其本身没有特定的意义。因此，“模块”、“部件”或“单元”可以混合地使用。

名词释义：

.“晶圆缺陷图案”：在半导体制造流程中，通常会采用缺陷检测设备，如自动光学检测(Automatic Optic Inspection，AOI)、X射线检测以及扫描电子显微镜(ScanningElectron Microscope，SEM)等来扫描/检测各个晶圆，从而得到晶圆图案，以及晶圆上各种缺陷的图案(包括缺陷的形状、位置和尺寸等特征参数)。由于整个制造流程中涉及到不同工艺，而不同的工艺将会在晶圆上形成不同类型的缺陷，因此，扫描后将得到各种类型的缺陷的图案，本文中将检测设备扫描晶圆后得到的缺陷的图案统称为晶圆缺陷图案。

“缺陷类别标识”：众所周知，晶圆缺陷的种类(或类型)有多种，因此，为了区分不同种类的晶圆缺陷，需要对各种晶圆缺陷定义不同的标识，而这种标识即为本文中的缺陷类别标识。例如，缺陷种类名称(如行业通用的短路缺陷、断路缺陷或小岛缺陷等等)，或者唯一标识缺陷种类的编码(如数字编号、字母编码，或者数字与字母相结合的编码等各种形式的编码)。

实施例一

参见图1，为本发明一示例性实施例的晶圆缺陷分类方法的流程图。具体地，本示例性实施例的晶圆缺陷分类方法包括以下步骤：

S101，获取多个待分类晶圆缺陷图案。

在一些实施例中，该待分类晶圆缺陷图案是预先通过各种缺陷检测设备，如SEM等，扫描各个晶圆得到的，相应地，可直接从这些缺陷检测设备中获取到多个待分类晶圆缺陷图案。例如，可通过有线通信或无线通信方式从缺陷检测设备中获取到的多个待分类晶圆缺陷图案，即获取到的待分类晶圆缺陷集包括：A1、A2、A3、A4、A5···AN。

S103，将步骤S101中所获取的多个待分类晶圆缺陷图案进行无监督学习聚类，得到多组待分类晶圆缺陷组。

众所周知，晶圆缺陷的类型有多种，例如，短路缺陷、断路缺陷、小岛缺陷等，而同一类型晶圆缺陷对应的各个晶圆缺陷图案都具有相同或相似的特征，因此，在一些实施例中，采用无监督学习方法对获取到的多个待分类晶圆缺陷图案进行聚类(或分组)，从而将相同或相似的晶圆缺陷图案划分到同一组中。具体地，可采用clustering算法等无监督聚类模型进行聚类/分组。例如，采用clustering算法对上述待分类晶圆缺陷集进行聚类，得到多个待分类晶圆缺陷组：组1{A1，A4，A6···}，组2{A2，A5，A7···}，组3{A3，A10，A11···}···。

在一些实施例中，为了提高聚类的准确性，执行步骤S103之前，可对步骤S101所获取的每个待分类晶圆缺陷图案进行预处理，具体地，预处理包括滤波，锐化，直方图均衡，超分处理，亮度及对比度调节等。

S105，从每组待分类晶圆缺陷组中选定预设阈值数量的待分类晶圆缺陷图案，与预存的至少一个晶圆缺陷图案参考样本进行匹配，若匹配，执行步骤S107，否则，执行步骤S109。

在一些实施例中，可预先构建一晶圆缺陷图案参考样本库(以下简称参考样本库)，用于存储当前已有或已知的各类型晶圆缺陷各自对应的至少一个缺陷图案参考样本，即该参考样本库中预先存储有多个晶圆缺陷图案参考样本(以下简称参考样本)，而每个参考样本预先都被标记了相应的缺陷类型标识。具体地，可预先由专业人员对该参考样本库中的每幅参考样本标记/标注相应的缺陷类别标识(如缺陷类别名称，或者标识各种缺陷类别的编码)，且至少一个参考样本被标注相同的缺陷类别标识，即每种晶圆缺陷对应至少一个晶圆缺陷图案参考样本。例如，该参考样本库中有：参考样本C1、C2、C3···Cm被标注有第一缺陷类别标识，即对应于第一种晶圆缺陷；参考样本Cm+1、Cm+2、Cm+3、···Cm+p被标注有第二缺陷类别标识，即对应于第二种晶圆缺陷；参考样本Cm+p+1、Cm+p+2、Cm+p+3、···Cm+p+q被标注第三缺陷类别标识，即对应于第三种晶圆缺陷···一共预计X种晶圆缺陷，且每种晶圆缺陷对应于一个缺陷类别标识。

在一些实施例中，采用预先训练好的图像分类模型来完成待分类晶圆缺陷图案与晶圆缺陷图案参考样本之间的匹配。具体地，该图像分类模型的训练是根据预存的至少一个晶圆缺陷图案参考样本进行学习得到。

在一些实施例中，该晶圆缺陷图案参考样本(即参考样本)的选取原则是：图像分类模型，如CNN算法，能从该参考样本中提取出分类的关键特征参数(如缺陷本身的特征和属性信息，如图案中缺陷的光信号强度、缺陷所处位置、缺陷尺寸等)及其权重关系，从而能让不同背景(即缺陷周边的图案)的影响降到最低，也即使得训练后的图像分类模型，在对待分类晶圆缺陷图案进行分类时，其能够基于图中缺陷本身进行分类，而其忽略周边图案，即不受背景的干扰，例如，当CNN学习该参考样本库中的各个参考样本后，得到的是一个能够基于缺陷本身进行分类的图像分类模型。因此，当将所选定的待分类晶圆缺陷图案进行学习时，CNN算法能够提取出每个待分类晶圆缺陷图案的的分类关键特征参数及其权重关系，然后将其与参考样本的关键特征参数及其权重关系进行匹配，从而的相应的匹配结果。也即是说，本实施例基于待分类晶圆缺陷图案中缺陷本身进行分类，而不考虑该缺陷周边的图案，从而避免了缺陷周边图案或不同背景对缺陷分类的影响，进而提高了聚类的准确性。例如，将上述多个待分类晶圆缺陷图案进行CNN学习，以提取到分类关键特征参数和权重关系，从而将不同背景(如缺陷周边的图案)的影响降到最低。

在一些实施例中，如前所述，由于每个参考样本的分类关键特征参数及其权重关系是已知的，且可利用训练好的图像分类模型对待分类晶圆缺陷图案进行学习，以提取该待分类晶圆缺陷图案的分类关键特征参数和权重关系，因此，将提取到的待分类晶圆缺陷图案的分类关键特征参数和权重关系与参考样本的分类关键特征参数和权重关系进行匹配即可，一旦匹配成功(例如，可根据分类关键特征参数及其权重关系之间的匹配度得到一个匹配评分，若该匹配评分，或者匹配度超过预设阈值即被认为匹配成功)，则停止匹配，执行步骤S107，否则，执行步骤S109。

优选地，针对每种晶圆缺陷存储一个对应的晶圆缺陷图案参考样本，也即该参考样本库中的每个晶圆缺陷图案对应一个缺陷类别标识。例如，该参考样本库中：参考样本C1被标注有第一种晶圆缺陷对应的第一缺陷类别标识X1；参考样本Ci被标注有第二种晶圆缺陷对应的第二缺陷类别标识X2；参考样本Cj被标注有第三种晶圆缺陷对应的第三缺陷类别标识X3···。

在一些实施例中，该预设阈值通常为2幅，即通常，从每组待分类晶圆缺陷组中选择两幅待分类晶圆缺陷图案与预存的晶圆缺陷图案参考样本进行匹配。具体地，可随机地从每组待分类晶圆缺陷组中选取两幅待分类晶圆缺陷图案，例如，从上述的组1中{A1，A4，A6···}中随机选择A4和A6，然后将其与预存的每种晶圆缺陷对应的至少一个晶圆缺陷图案参考样本进行匹配；同理，从上述的组2{A2，A5，A7···}中随机选择A5和A7与预存的每种晶圆缺陷对应的至少一个晶圆缺陷图案参考样本进行匹配；从上述的组3{A3，A10，A11···}中随机选择A3和A11与预存的每种晶圆缺陷对应的至少一个晶圆缺陷图案参考样本进行匹配···。

当然，上述预设阈值也可以根据实际需要进行调整，例如，选择1幅或3幅。

在一些实施例中，为了提高缺陷分类的准确度，进一步细化待分类晶圆缺陷图案，待分类晶圆缺陷图案的选取规则可以使用clustering簇中心的数据(可使用KNN算法)，随机选取。

在另一些实施例中，由于参考样本库中存储有多种晶圆缺陷对应的参考样本，因此，将一个待分类晶圆缺陷样本与参考样本进行匹配时，可采用遍历的方式将当前待分类晶圆缺陷图案与该参考样本库中每种晶圆缺陷对应的至少一个参考样本进行匹配，直至匹配到一个参考样本，则执行步骤S107；当然，若将其与所有晶圆缺陷图案参考样本进行匹配之后，都没有匹配到相应的参考样本，则执行步骤S109。

S107，将匹配成功的当前待分类晶圆缺陷图案所在的待分类晶圆缺陷组中所有待分类晶圆缺陷图案标记相应的缺陷类别标识。

在一些实施例中，由于步骤S103中，经过无监督学习聚类已经将相似的多个待分类晶圆缺陷图案划分到一个晶圆缺陷组中，那么相应地，当每组中任意一幅或几幅待分类晶圆缺陷图案匹配到相应的晶圆缺陷图案参考样本，即找到相应的缺陷类别标识(也即找到相应的晶圆缺陷种类)时，这一组内所有的待分类晶圆缺陷图案自然也对应相同的缺陷种类，即这一组中所有待分类晶圆缺陷图案的缺陷类型与所匹配到的晶圆缺陷图案参考样本对应的缺陷类别相同，相应为这组中所有的待分类晶圆缺陷图案都标注上相同的缺陷类别标识，且该缺陷类别标识是当前所匹配到的晶圆缺陷图案参考样本所对应的缺陷类别标识。例如，从上述的组1中随机选择A6，并将其与参考样本库中的各个晶圆缺陷图案参考样本C1、C2、C3···进行匹配，并从中匹配到相应的晶圆缺陷图案参考样本Cm+3，则相应地，将组1中所有的待分类晶圆缺陷图案全部标记上第二缺陷类别标识X2，也即将组1中所有的待分类晶圆缺陷图案全部判定为第二种晶圆缺陷；同理，从组2中随机选择A2，并将其与参考样本库中的各个晶圆缺陷图案参考样本C1、C2、C3···进行匹配，并从中匹配到相应的晶圆缺陷图案参考样本Cm+p+2，则相应地，将组2中所有的待分类晶圆缺陷图案全部判定为第三种晶圆缺陷，并标注上相应的第三缺陷类别标识X3···。

本示例性实施例的晶圆缺陷分类方法，通过无监督学习聚类将多个待分类晶圆缺陷图案进行聚类之后，只需要可从每组中选择相应数量的待分类晶圆缺陷图案完成匹配操作，即可识别出相应组中所有待分类晶圆缺陷图案的晶圆缺陷种类(本文中的晶圆缺陷类型和晶圆缺陷类别都是指晶圆上缺陷的种类)，从而无需将所有待分类晶圆缺陷图案进行相应的计算，例如将所有的待分类晶圆缺陷图案输入分类器进行分类，节省了大量的计算资源和时间资源，同时提高了晶圆缺陷类型识别的效率。

S109，将匹配不成功的当前待分类晶圆缺陷图案存储为新一类晶圆缺陷对应的新晶圆缺陷图案参考样本，并按照预存的缺陷类别标识自定义方式，生成对应于该新缺陷图案参考样本的自定义类别标识。

在一些实施例中，当该待分类晶圆缺陷图案未匹配到相应的晶圆缺陷图案参考样本时，说明该参考样本库中并没有存储这一类晶圆缺陷对应的晶圆缺陷图案参考样本，因此，自动将未匹配成功的该待分类晶圆缺陷图案存储为新一类晶圆缺陷对应的新晶圆缺陷图案参考样本，并根据预存的缺陷类别标识自定义方式，生成对应于该新晶圆缺陷图案的自定义类别标识，即进行晶圆缺陷类别的自动标识，从而将其与参考样本库中的其他种类的晶圆缺陷进行区分，并且无需人工手动添加新的晶圆缺陷参考样本，并手动进行缺陷类别标注，进而使得后续可直接根据该新晶圆缺陷参考样本来识别出相应的待分类晶圆缺陷组，进一步地提高了晶圆缺陷分类的效率。例如，自动将未匹配成功的组2中的待分类晶圆缺陷图案Cm+p添加至上述参考样本库中作为新一类晶圆缺陷对应的新缺陷图案参考样本，并采用预存的缺陷类别标识自定义方式自动生成对应于该新晶圆缺陷图案参考样本的自定义类别标识Y1。

在一些实施例中，为了使得该缺陷类型标识具备的通用性(如可与其他系统或设备相兼容)，该预存的缺陷类别标识自定义方式可以是用于标识一种晶圆缺陷的数字编码，例如，结合该待分类晶圆缺陷图案对应的分组编号和晶圆生产批次、时间和随机校验码等自动生成的数字编码，当然，该数字编码对应的晶圆缺陷的种类与上述参考样本库中已有的其他晶圆缺陷的种类不同。当然，也可采用其他自定义方式，例如基于该待分类晶圆缺陷图案所在分组的共有特性或相似特征进行自定义等。

当然，在另一些实施例中，当上述步骤S105匹配不成功后，将未匹配成功的当前待分类晶圆缺陷图案作为新晶圆缺陷图案参考样本时，也可不按照预存的缺陷类别标识自定义方式来生成相应的自定义类别标识，而是通过消息提醒等方式提醒用户为该新晶圆缺陷图案参考样本标注相应的缺陷类别标识，然后，响应于用户输入的操作指令，生成相应的自定义缺陷类别标识。当然，根据用户输入的操作指令所生成的该缺陷类别标识可以是该用户自定义的，也可以是行业公知的缺陷类别，也可采用上述编码方式。

S110，将匹配不成功的当前待分类晶圆缺陷图案当前所在的晶圆缺陷组的晶圆缺陷类别标记为上述步骤S109中生成的自定义类别标识。

在一些实施例中，由于已经将当前未匹配成功的当前待分类晶圆缺陷图案作为新晶圆缺陷图案参考样本，并为其自定义了新的晶圆缺陷种类，如上述的Y1，因此，可将其当前所在的待分类晶圆缺陷图案组中所有的待分类晶圆缺陷图案的晶圆缺陷类别全部标记为新缺陷图案参考样本所对应的缺陷类型，即将该组中所有的待分类晶圆缺陷图案的晶圆缺陷类别判定为该自定义类别标识对应的新一类晶圆缺陷。例如，为该组内所有的待分类晶圆缺陷图案标记上述自动生成的数字编码Y1(标识一种缺陷类型)。

实施例二

参见图2，为本发明一示例性实施例的晶圆缺陷分类装置的示例性结构示意图。具体地，本示例性实施例的晶圆缺陷分类装置包括：

数据获取模块11，用于获取多个待分类晶圆缺陷图案；

数据处理模块12，用于将该数据获取模块11所获取的多个待分类晶圆缺陷图案进行无监督学习聚类，得到多组待分类晶圆缺陷组；

缺陷分类模块13，用于从数据处理模块12得到的每组待分类晶圆缺陷组中预设阈值数量的待分类晶圆缺陷图案，与预存的至少一个晶圆缺陷图案参考样本进行匹配，若匹配成功，将匹配成功的当前待分类晶圆缺陷图案所在的晶圆缺陷组中所有待分类晶圆缺陷图案标记相应地的缺陷类别标识；具体地，所标记的缺陷类别标识为所匹配到的该晶圆缺陷图案参考样本对应的缺陷类别标识。

在一些实施例中，上述待分类晶圆缺陷图案是预先通过各种缺陷检测设备，如SEM等，扫描各个晶圆得到的，相应地，上述数据获取模块11可通过无线或有线的方式直接这些缺陷检测设备中获取到多个待分类晶圆缺陷图案。

在一些实施例中，为了提高聚类的准确性，上述数据处理模块12还具有预处理功能，具体地，上述数据处理模块可以通过滤波、锐化、直方图均衡、超分处理、亮度以及对比度调节等方式对上述待分类晶圆缺陷图案进行预处理。

在一些实施例中，上述数据处理模块12采用无监督学习方法对获取到的多个待分类晶圆缺陷图案进行聚类(或分组)，从而将相同或相似的晶圆缺陷图案划分到同一组中。具体地，可采用clustering算法等无监督聚类模型进行聚类/分组。

在一些实施例中，该缺陷分类模块13具体包括：晶圆缺陷图案参考样本库(以下简称参考样本库)，用于预先存储当前已有或已知的各类型晶圆缺陷各自对应的至少一个缺陷图案参考样本，即该参考样本库中预先存储有多个晶圆缺陷图案参考样本(以下简称参考样本)，而每个参考样本预先都被标记了相应的缺陷类型标识；具体地，可预先由专业人员对该参考样本库中的每幅参考样本标记/标注相应的缺陷类别标识(如缺陷类别名称，或者标识各种缺陷类别的编码)，且至少一个参考样本被标注相同的缺陷类别标识，即每种晶圆缺陷对应至少一个晶圆缺陷图案参考样本。优选地，针对每种晶圆缺陷存储一个对应的晶圆缺陷图案参考样本，也即该参考样本库中的每个晶圆缺陷图案对应一个缺陷类别标识。

在一些实施例中，上述缺陷分类模块13还包括：模型训练单元、图像选取单元和图像分类单元，其中，模型训练单元用于根据上述样本参考库中的样本参考训练图像分类模型；具体地，该图像分类模型可采用CNN算法；其中，图像选取单元用于从每组待分类晶圆缺陷组中选定预设阈值数量的待分类晶圆缺陷图案；其中，图像分类单元用于基于训练好的图像分类模型对所选定的待分类晶圆缺陷图案进行图像分类，即将所选待分类所选定的待分类晶圆缺陷图案与预存的至少一个晶圆缺陷图案参考样本进行匹配。

在一些实施例中，上述参考样本库中的每个该晶圆缺陷图案参考样本(即参考样本)的选取原则是：图像分类模型，如CNN算法，能从该参考样本中提取出分类的关键特征参数(如缺陷本身的特征和属性信息，如图案中缺陷的光信号强度、缺陷所处位置、缺陷尺寸等)及其权重关系，从而能让不同背景(即缺陷周边的图案)的影响降到最低，也即使得训练后的图像分类模型，在对待分类晶圆缺陷图案进行分类时，其能够基于图中缺陷本身进行分类，而其忽略周边图案，即不受背景的干扰，例如，当CNN学习该参考样本库中的各个参考样本后，得到的是一个能够基于缺陷本身进行分类的图像分类模型。

在一些具体实施例中，上述缺陷分类模块13是基于待分类晶圆缺陷图案相关联的属性信息(如图案中缺陷的光信号强度、缺陷所处位置、缺陷尺寸等)进行图像分类。在一些实施例中，当将所选定的待分类晶圆缺陷图案输入该缺陷分类模块13后，该缺陷分类模块13可提取出每个待分类晶圆缺陷图案中的分类关键特征及其权重关系，并其与上述样本库中的至少一个参考样本(已知)的分类关键特征及其权重关系进行匹配，一旦匹配成功，则为当前待分类晶圆缺陷图案所在的晶圆缺陷图案组标记该参考样本相应的缺陷类别标识。

在一些实施例中，该缺陷分类装置还包括：自定义模块14，用于当上述缺陷分类模块13匹配不成功时，将未匹配成功的当前待分类晶圆缺陷图案自动存储为新一类晶圆缺陷对应的新晶圆缺陷图案参考样本。

在一些实施例中，该自定义模块14还用于按照预存的缺陷类别标识自定义方式，生成对应于该新晶圆缺陷图案参考样本的自定义类别标识。在一些实施例中，该预存的缺陷类别标识自定义方式可以是用于标识一种晶圆缺陷的数字编码，例如，结合该待分类晶圆缺陷图案对应的分组编号和晶圆生产批次、时间和随机校验码等自动生成的数字编码，当然，该数字编码对应的晶圆缺陷的种类与上述参考样本库中已有的其他晶圆缺陷的种类不同。当然，也可采用其他自定义方式。

在一些实施例中，该缺陷分类模块13还用于将未匹配成功的上述当前待分类晶圆缺陷图案所在的待分类晶圆缺陷组中所有待分类晶圆缺陷图案的晶圆缺陷类别全部标记为该自定义类别标识。

相应地，基于上述的晶圆缺陷分类装置，提供了一种晶圆缺陷分类系统，其包括至少一个缺陷检测装置，以及上述的晶圆缺陷分类装置，其中，该缺陷检测装置用于检测多个晶圆，得到多个待分类晶圆缺陷图案；该晶圆缺陷分类装置用于从该晶圆缺陷检测装置中获取多个待分类晶圆缺陷图案，并进行无监督学习聚类，得到多组待分类晶圆缺陷组；然后，将每组中预设阈值数量的待分类晶圆缺陷图案与预存的至少一个晶圆缺陷图案参考样本进行匹配，若匹配成功，则将当前待分类晶圆缺陷图案所在的待分类晶圆缺陷组标注相应的缺陷类别标识，即将该待分类晶圆缺陷组(中每个待分类晶圆缺陷图案)的缺陷类别标记为当前所匹配到的晶圆缺陷图案参考样本的缺陷类别标识。

实施例三

基于上述的晶圆缺陷分类装置，本发明的第三方面，还提供了一种晶圆缺陷分类系统，其包括：

至少一个晶圆缺陷检测装置，用于检测多个晶圆，得到多个待分类晶圆缺陷图案；具体地，该晶圆缺陷检测装置可采用SEM等设备；

至少一个上述实施例二中的晶圆缺陷分类装置，其可与该晶圆缺陷检测装置进行数据通信(基于无线通信或有线通信方式)，以从该晶圆缺陷检测装置中获取多个待分类晶圆缺陷图案，并进行无监督学习聚类，得到多组待分类晶圆缺陷组；然后，将每组中预设阈值数量的待分类晶圆缺陷图案与预存的至少一个晶圆缺陷图案参考样本进行匹配，若匹配成功，则将当前待分类晶圆缺陷图案所在的待分类晶圆缺陷组标记相应的缺陷类别标识，则该缺陷类别标识为当前所匹配到的晶圆缺陷图案参考样本的缺陷类别标识。

在一些实施例中，每个晶圆缺陷图案参考样本预先被标记有一缺陷类别标识，且至少一个晶圆缺陷图案参考样本被标记相同的缺陷类别标识。

实施例四

本发明的第四方面，提供了一种电子设备，包括存储器502、处理器501及存储在存储器502上并可在处理器501上运行的计算机程序，所述处理器501执行所述程序时实现前文所述方法的步骤。为了便于说明，仅示出了与本说明书实施例相关的部分，具体技术细节未揭示的，请参照本说明书实施例方法部分。该电子设备，可以是包括各种电子设备，PC电脑、网络云服务器，甚至手机、平板电脑、PDA(Personal Digital Assistant，个人数字助理)、POS(Point of Sales，销售终端)、车载电脑、台式电脑等任意电子设备。

具体地，图3示出的与本说明书实施例提供的技术方案相关的电子设备组成结构框图，总线500可以包括任意数量的互联的总线和桥，其将包括由处理器501代表的一个或多个处理器和存储器502代表的存储器的各种电路链接在一起。总线500还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。通信接口503在总线500和接收器和/或发送器504之间提供接口，接收器和/或发送器504可以是分开独立的接收器或发送器也可以是同一个元件如收发机，提供用于在传输介质上与各种其他装置通信的单元。处理器501负责管理总线500和通常的处理，而存储器502可以被用于存储处理器501在执行操作时所使用的数据。

通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个计算机可读存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、或者网络设备等)执行根据本公开实施方式的上述方法。

所述计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读存储介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言的任意组合来编写用于执行本公开操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。

上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该设备执行时，使得该计算机可读介质实现如下功能：获取多个待分类晶圆缺陷图案；将多个所述待分类晶圆缺陷图案进行无监督学习聚类，得到多组待分类晶圆缺陷组；将每组中预设阈值数量的所述待分类晶圆缺陷图案与预存的至少一个缺陷图案参考样本进行匹配，若匹配成功，则将匹配成功的当前待分类晶圆缺陷图案所在的晶圆缺陷组的晶圆缺陷类别标记为当前所匹配到的所述缺陷图案参考样本的缺陷类别标识。

本领域技术人员可以理解上述各模块可以按照实施例的描述分布于装置中，也可以进行相应变化唯一不同于本实施例的一个或多个装置中。上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台计算机终端(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。

需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。

上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，这些均属于本发明的保护之内。