Разработка автоматизированной системы визуального контроля качества кристаллов

полупроводниковых приборов

А.И. Шлаузер,

магистрант, andruha-1994@mail.ru,

В.И. Мамычев,

аспир.,
СибиГУТИ, г. Новосибирск

В работе рассматриваются возможности автоматизации процесса разбраковки кристаллов полупроводников по визуальным параметрам. Спроектирован программно-аппаратный комплекс для автоматического визуального контроля качества кристаллов с использованием возможностей машинного зрения. Также рассчитана оценка достоверности результатов контроля образцов продукции и другие метрологические характеристики.

The principal approaches and methods of the presorting of the diodes crystals by visual parameters are discussed in the paper. The hardware-based complex for the automatic visual quality control of the crystals using the opportunities of the computer vision has been developed. The product samples control results evaluating and other metrological characteristics have also been calculated.

Введение

Важную роль в производственных системах, применяемых для контроля качества выпускаемой продукции, играют автоматическое распознавание и классификация объектов. На их основе возможно создание автоматизированных систем распознавания дефектов на производственных объектах.

В процессе производства полупроводниковых приборов образцы также подвергаются контролю по различным параметрам – электрическим, конструктивным, визуальным. Данная работа посвящена созданию автоматизированной системы визуального контроля качества кристаллов на кремниевых пластинах. Такая система позволит ускорить и упростить процесс разбраковки образцов полупроводниковой продукции, исключить из него человеческий фактор.

Данная задача решается с использованием алгоритмов компьютерного зрения и машинного обучения при разработке программного обеспечения, входящего в состав системы.

1. Структура системы

Система спроектирована как совокупность нескольких взаимосвязанных функциональных модулей, выполняющих определенную функцию (рис. 1).

Описание: Неназванная Диаграмма

рис. 1 Структурная схема системы

1. Объект измерения - это кремниевая пластина с полупроводниковых приборов.

2. Зондовый автомат – автомат, осуществляющий позиционирование кремниевой пластины (объекта измерения) относительно поля зрения микроскопа путем перемещения столика и маркировку бракованных кристаллов. Он способен перемещать пластину с заданным заранее шагом в плоскости по осям x и y.

3. Цифровой микроскоп - устройство для получения и передачи изображения исследуемого объекта, оптически увеличенного в несколько раз.

4. Система освещения – лампа накаливания и система зеркал, создающие освещение объекта измерения под прямым углом.

5. Персональный компьютер – «мозг» системы; осуществляет анализ и обработку полученного изображения по заданным алгоритмам, отправляет сигнал маркировки в случае брака, управляет движением столика зондового автомата. Помимо этого на базе ПК, а конкретно с помощью монитора, мыши и клавиатуры, реализован интерфейс взаимодействия с оператором.

2. Принцип действия

Принцип действия описываемой системы визуального контроля качества заключается в последовательном поиске дефектов на каждом отдельном кристалле пластины. Блок-схема общего алгоритма контроля изображена на рис. 2.

рис. 2 Блок-схема общего алгоритма проверки кристаллов

2.1. Алгоритм поиска края пластины

Алгоритм поиска края пластины базируется на пороговом преобразовании [1]. Как известно, изображение — это массив пикселей. Пороговое преобразование заключается в том, что из массива выбираются пиксели выше определённого порогового значения (рис. 3).

рис. 3 Пороговое преобразование

В изображении края пластины все пиксели имеют высокую контрастность, поэтому за порог переходят около 99% пикселей. Количество таких пикселей является индикатором достижения края пластины.

2.2. Предобработка

Предобработка необходима для удаления шума из изображения и уменьшения дальнейших вычислительных затрат. Здесь можно отметить 2 этапа:

1. конвертирование изображения из цветного в градации серого.

2. медианный фильтр [2] с радиусом 3 пикселя; является одним из видов цифровых фильтров, широко используемых в цифровой обработке изображений для уменьшения уровня шума.

Результат предобработки представлен на рис. 4. Уровень шума значительно уменьшен.

$Описание: C:\Users\Андрей\AppData\Local\Microsoft\Windows\INetCache\Content.Word\597.jpg$

рис. 4 Результат предобработки изображения

3.2. Сегментация

Сегментация изображения реализована на базе алгоритма Кэнни. Результат сегментации изображен на рис. 5.

рис. 5 Результат сегментации изображения

Сегментация позволяет выделить «подозрительные» области изображения, которые могут являться браком. Однако окончательное решение о браке или годности принимается на следующем шаге.

3.3. Кластерный анализ

Кластерный анализ (или кластеризация) — это задача разбиения множества объектов на группы, называемые кластерами [3]. Внутри каждой группы должны оказаться «похожие» объекты, а объекты разных группы должны быть как можно более отличны.

Обучающая часть кластеризации произведена с помощью заранее подготовленной выборки. В данном случае выборка представляет собой множество изображений дефектов и «промахов» - ложных дефектов. Пример выборки представлен на рис. 6.

рис. 6 Пример выборки для кластеризации

Вычисление меры «похожести» между объектами осуществляется в соответствии с алгоритмом k-means (k-средних).

Тестовая часть кластерного анализа производится непосредственно во время проверки качества кристаллов. На вход поступают изображения возможных дефектов, полученные в ходе сегментации. Затем они корреляционно сравниваются с центрами кластеров. По тому, к какому кластеру «ближе» располагается тестовый образец, определяется, дефект это или нет.

Результаты

Для испытаний системы была использована методика двухступенчатого контроля, которая описана в статье [4]. На 1 ступени N образцов кристаллов контролируются рабочим средством измерительной техники – непосредственно с помощью созданной системы. В результате контроля кристаллы делятся на годные и бракованные. При этом число ошибочных решений остается неизвестным.

На второй ступени для оценки числа ошибочных решений необходимо проверить годные и бракованные кристаллы, средством измерительной техники, погрешность которого на порядок меньше погрешности рабочего измерителя. Так как такой техники не существует, повторная проверка производится оператором.

Структура двухступенчатого контроля представлена на рис. 7.

рис. 7 Структура двухступенчатого контроля

В ходе двухступенчатого контроля проведено 3 испытания, по которым были рассчитаны значения основных метрологических характеристик - достоверности контроля, вероятности ошибок 1 и 2 рода. Полученные результаты представлены в таблице 1.

Таблица 1: Результаты испытаний

№ испытания	Размер выборки, N	Вероятность ошибки 1 рода, P()	Вероятность ошибки 2 рода, P()	Достоверность контроля, D
1	203	0,17	0,05	0,78
2	77	0,22	0,02	0,76
3	376	0,16	0,09	0,75

По данным испытаний установлено, что достоверность контроля довольно высока. При этом вероятность ошибки 2 рода, которая является наиболее опасной для производителя, довольно низкая. В то же время, показатели достоверности контроля могут быть увеличены, а погрешности измерений снижены. Для этого потребуются дополнительные испытания.

Литература

1. Гонзалес Р., Вудс Р. Цифровая обработка сигналов. — М: Техносфера, 2005. — 1072 с.

2. Павлидис Т. Алгоритмы машинной графики и обработки изображений. — M.: Радио и связь, 1986.

3. Васильев И., Сидоров Д. Приложение кластерного анализа к автоматическому распознаванию дефектов. - Проблемы управления, №4/2007.

4. Фролов В.Я., Стадник В.В. Экспериментальное определение оценки достоверности контроля изделий. – Вестник ХНАДУ, вып. 53, 2011, с.118-121.