《Knowledge-Based Systems》：Real-Time Edge Micro-defect Detection for Semiconductor Wafers under Complex Backgrounds: A Hybrid Approach Combining Optical Topography and Deep Learning
编辑推荐：
半导体晶圆二次边倒角缺陷检测中，提出融合高分辨率光学成像系统与SiED-YOLO模型的方法。通过双CCD同步成像解决768×1,520,000像素超长宽比图像采集难题，构建SWED数据集（含Chip/Crack/Dirty三类缺陷）。改进YOLOv8架构，引入双轴注意力机制抑制条纹背景干扰，动态卷积特征金字塔提升多尺度缺陷表征能力，结合内聚IoU损失优化微缺陷定位精度。实验表明模型mAP@0.5达95.6%，较YOLOv8n提升3.7pp，参数量减少23.5%，推理速度1.62ms/片，已在12英寸晶圆产线部署验证，有效降低误检漏检率。
焦婷阳|吴晨燕|张青|杨伟|李玉军|张友民|辛静
中国西安西北工业大学自动化学院，710072。
摘要
在半导体晶圆边缘进行二次倒角处理是制造大直径晶圆的关键步骤。然而，在这一工艺阶段，边缘图像常常受到复杂条纹背景、多尺度缺陷分布以及微缺陷特征丢失的挑战。为了解决这些问题，本研究提出了一种结合高分辨率光学成像和深度学习算法的集成解决方案。开发了一种专门的成像系统，该系统采用环形光源和双CCD相机配合使用，有效解决了反射干扰和弧面成像中特征丢失的问题。利用该系统获取了二次倒角处理后的缺陷图像，构建了SWED数据集，该数据集包括三种缺陷类型：芯片缺陷（Chip）、裂纹（Crack）和污垢（Dirty）。在YOLOv8基线的基础上，开发了一种新的SiED-YOLO模型。该模型加入了双轴注意力机制（Dual-Axis Attention）以抑制方向性条纹背景的干扰，引入了DyC-C2f模块的动态卷积特征金字塔来增强多尺度缺陷的表示能力，并采用了Inner-IoU损失函数来优化微缺陷定位的准确性。实验结果表明，SiED-YOLO模型的mAP@0.5达到了95.6%，比YOLOv8n提高了3.7个百分点，推理速度为1.62毫秒/片。模型的参数数量和计算复杂度分别降低了23.5%和20.9%。该解决方案已在12英寸半导体晶圆的生产线上部署并得到了验证，与传统方法相比，显著减少了假阴性和假阳性的数量，为半导体制造中的实时高精度缺陷检测提供了可靠的技术解决方案。
引言
硅晶圆的边缘倒角处理是制造大尺寸半导体晶圆的关键步骤，其质量直接影响后续的封装过程和设备的可靠性。该过程使用金刚石倒角轮精确地倒角晶圆边缘，形成特定的斜面或圆角轮廓，以消除应力集中点并提高机械强度。边缘缺陷主要来源于晶圆成型阶段进行的初次和二次倒角操作，倒角边缘的特性直接决定了边缘缺陷检测的难度。
第一次倒角是在将硅锭切割成晶圆后进行的，目的是去除锋利边缘并减少后续处理或加热处理过程中的应力集中。此时，边缘图像具有清晰的背景和可辨别的缺陷特征，可以使用灰度阈值分割算法进行有效的缺陷检测。
二次倒角是在高精度抛光之后进行的，进一步优化应力分布，抑制薄膜沉积缺陷，并减少离子注入过程中的散射。然而，此阶段的边缘图像通常包含交叉条纹和类似缺陷的纹理，使得检测变得更加困难。图1展示了两种倒角工艺下的晶圆边缘图像对比。具体来说，图1(a)显示了第一次倒角后的边缘图像，背景清晰，缺陷轮廓明显；图1(b)显示了二次倒角后的边缘图像，背景中的交叉条纹干扰了检测，缺陷呈现出多尺度分布特征。鉴于二次倒角后的边缘图像具有复杂的背景和微小的、多尺度分布的缺陷，因此在这一阶段的边缘缺陷检测已成为当前半导体质量检测的核心技术瓶颈。因此，研究二次倒角后的边缘缺陷检测方法具有重要意义。
目前，硅晶圆制造中的边缘缺陷检测主要依赖于人工视觉检查或传统的机器视觉技术。人工检测受到操作员疲劳、技能差异和主观判断的限制，导致假检测率高达15%–30% [1]。传统机器视觉依赖于手动设计的特征提取器，如局部二值模式 [2]、灰度共生矩阵 [3] 和形态学梯度 [4]。尽管这些方法在某些应用中显示出有效性，例如PCB电路缺陷检测 [5] 和金属表面划痕分类 [6]，但它们难以处理硅晶圆边缘复杂的倒角纹理和不均匀的反射，其检测效率无法满足12英寸晶圆的高吞吐量生产需求。
随着传感器技术 [7]、计算机视觉框架 [8]、机器学习算法 [9] 和人工智能系统 [[10], [11]] 的不断发展，基于深度学习的缺陷检测在工业自动化检测中展现出巨大潜力。基于卷积神经网络（CNN）的深度学习目标检测模型大致可以分为两阶段和单阶段检测。两阶段方法首先生成候选区域，然后进行分类和细化，例如R-CNN [12]、Fast R-CNN [13] 和Faster R-CNN [14]。单阶段算法直接预测目标类别的概率和位置坐标，例如SSD [15] 和YOLO [16] 系列算法。与两阶段方法相比，单阶段算法具有更快的推理速度，因此更适合工业实时检测。YOLO系列 [[17], [18], [19], [20]] 因其速度快、鲁棒性和简单性而广受认可。它在检测各种领域的小型密集目标方面表现尤为出色，如民用基础设施裂纹检测 [21]、锂电池钢壳和表面缺陷检测 [22]、中期细胞抗核抗体图像检测 [23]、螺栓和螺母检测 [24] 以及番茄病虫害检测 [25]。
虽然已经开发了许多基于深度学习的工业缺陷检测解决方案，但针对硅晶圆边缘缺陷检测的研究仍然有限，特别是对于经过二次倒角处理的晶圆，这带来了多重技术挑战。首先，斜面上存在多尺度微缺陷，高反射的抛光表面进一步增加了成像难度。其次，捕获的晶圆边缘图像具有超长的条带结构（768×1,520,000像素，宽高比1984:1），使得传统算法难以直接应用。第三，检测模型必须轻量化和高效，以便在生产线上实时部署。最后，复杂的背景纹理与缺陷特征具有高度相似性，增加了漏检和误检的风险，对模型的鲁棒性和精度提出了更高要求。
为了解决这些挑战，本研究提出了一种用于检测硅晶圆边缘缺陷的自动化系统，包括识别、定位和分类二次倒角后的边缘缺陷。开发了一种高分辨率成像系统来捕捉晶圆上下倒角弧面的图像。通过分析缺陷特征，构建了名为SWED的硅晶圆二次倒角缺陷数据集。在YOLOv8深度学习网络的基本架构基础上，提出了一种新的深度学习方法SiED-YOLO，以实现复杂背景下的多尺度微缺陷的精确快速检测。本研究的主要贡献如下：
1)设计了一种用于12英寸硅晶圆边缘的高分辨率图像采集系统。为了解决地面弧面成像的挑战并减轻晶圆反射干扰，该系统采用了暗室环境、环形光源照明、晶圆吸附模块、自动晶圆旋转平台和图像采集模块。
2)开发了一种双CCD线扫描相机同步成像方案，可以精确捕捉上下倒角边缘的超长窄带图像（宽高比1984:1）。设计了凹槽对齐机制以实现晶圆的角度定位，为后续的缺陷定位提供坐标参考。
3)通过收集和预处理成像系统获取的图像，构建了一个高质量的硅晶圆边缘缺陷数据集（SWED），其中包含三种不同的缺陷类型：芯片缺陷（Chip）、裂纹（Crack）和污垢（Dirty）。
4)为了解决半导体晶圆边缘检测中的挑战，如复杂背景纹理干扰、多尺度缺陷分布以及微缺陷特征容易丢失的问题，提出了一种新的深度学习方法SiED-YOLO。该方法基于YOLOv8基线模型，加入了双轴注意力机制（Dual-Axis Attention）以抑制方向性条纹背景干扰，引入了DyC-C2f模块的动态卷积特征金字塔来增强多尺度缺陷的表示能力，并采用了Inner-IoU损失函数来优化微缺陷定位的准确性。系统和算法的有效性已通过工程应用得到验证。
本文的其余部分组织如下。第2节回顾了相关工作。第3节描述了晶圆边缘缺陷图像采集系统和SWED数据集的构建。第4节描述了YOLOv8模型结构及其在晶圆边缘缺陷检测中的局限性，随后介绍了提出的SiED-YOLO模型。第5节提供了详细的实验细节。第6节总结了本文并讨论了未来的研究方向。
相关研究
基于深度学习的对象检测算法在检测精度和推理速度之间取得了有效的平衡，能够很好地适应复杂场景。这些算法已广泛应用于工业表面缺陷检测，并比人工检测和传统机器视觉方法具有显著优势 [26]。
如前所述，对象检测算法通常可以分为两类：两阶段和单阶段方法。
硅晶圆边缘图像采集系统
本文设计了一种高分辨率光学成像系统，用于捕捉硅晶圆边缘倒角后上方和下方45°处的两个倾斜平面。这样得到了两张尺寸为768×1,520,000像素的条形图像。对于每张图像，应用了重叠裁剪方法提取边缘区域，生成了1,976张尺寸为768×768像素的子图像。通过定义缺陷特征并进行物理验证，
方法论
本节详细介绍了本研究中采用的YOLOv8基线模型的理论背景，讨论了其在复杂背景和小尺寸硅晶圆缺陷方面的局限性，并重点分析了本文提出的SiED-YOLO方法的改进之处。
实验环境
本文的实验环境基于Linux操作系统。实验硬件条件为：i9-12900K CPU、NVIDIA GeForce RTX 4090 GPU。实验使用PyTorch深度学习框架实现，PyTorch版本为1.13.1，CUDA版本为11.6。
评估指标
为了全面评估模型的准确性，本研究采用的主要指标包括精确度（precision）、召回率（recall）、平均精确度（AP）和平均精度均值（mean average precision）
结论
针对半导体大尺寸硅晶圆二次倒角后边缘图像中复杂背景、多尺度缺陷分布以及微缺陷特征丢失的问题，本研究提出了一种协作智能检测框架，该框架结合了高精度的晶圆边缘弧面成像系统和基于YOLOv8n基线的改进型SiED-YOLO模型，实现了光学成像系统之间的创新设计
资助
本项目得到了中国国家自然科学基金（项目编号62371388）、秦创原创新平台（项目编号23TSPT0002）和科学家+工程师团队（项目编号23KGDW0011,2024QCY-KXJ-014）的支持。
数据可用性
当前研究期间的实验数据可应要求向通讯作者索取。
作者贡献声明
焦婷阳：撰写 – 审稿与编辑、可视化、验证、软件、资源、方法论、调查。
吴晨燕：撰写 – 原始草案、验证、软件、资源、项目管理、方法论、调查、形式分析、数据整理、概念化。
张青：可视化、资源。
杨伟：资源、数据整理、概念化。
李玉军：调查、资金获取。
张友民：验证、监督。
辛静：监督。
利益冲突声明
作者声明他们没有已知的财务利益或个人关系可能影响本文报告的工作。
