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

在芯片生產(chǎn)制造過(guò)程中，各工藝流程環(huán)環(huán)相扣，技術(shù)復雜，材料、環(huán)境、工藝參數等因素的微變常導致芯片產(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(xiàn)中的關(guān)鍵環(huán)節，可以積極地反饋產(chǎn)品質(zhì)量信息，以便人們及時(shí)掌控各生產(chǎn)環(huán)節的健康狀況，促使質(zhì)量檢測技術(shù)在生產(chǎn)線(xiàn)中的作用越來(lái)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(dòng)強度大和標準不統一等缺點(diǎn)，正逐步被自動(dòng)檢測技術(shù)所取代。早期的自動(dòng)檢測技術(shù)主要圍繞機器視覺(jué)技術(shù)展開(kāi)。機器視覺(jué)技術(shù)以其高效率、高精度、高可靠性、非接觸性和客觀(guān)性強等優(yōu)點(diǎn)，得到了廣泛研究和應用 ，經(jīng)典方法為基于人工設計特征的特征選擇算法與模式識別分類(lèi)算法的結合。近年來(lái)，以卷積神經(jīng)網(wǎng)絡(luò )為代表的深度學(xué)習模型在計算機視覺(jué)領(lǐng)域的成功應用，給缺陷檢測提供了新的發(fā)展方向 。

鑒于目前國內還沒(méi)有全面細致論述半導體芯片表面缺陷檢測方法的綜述文獻，本文通過(guò)對 2015—2021 年相關(guān)文獻進(jìn)行歸納梳理，旨在幫助研究人員快速和系統地了解該領(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(gè)問(wèn)題，相應內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(jìn)行總結和歸納。

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、工藝參數等敏感，每個(gè)環(huán)節都有可能產(chǎn)生缺陷。因此，了解制造工藝流程，是進(jìn)行芯片表面缺陷檢測研究的前提。芯片生產(chǎn)線(xiàn)主要包括芯片設計、制造、封裝和檢測 4 大環(huán)節，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(jìn)行溫度、電氣和速度測試，目的是檢測芯片的性能是否達標。本研究主要聚焦于半導體芯片的物理性缺陷檢測。

1.2芯片缺陷介紹

封裝前，上述數道工藝的操作控制、工藝參數、環(huán)境等因素都會(huì )對芯片質(zhì)量產(chǎn)生一定的影響，產(chǎn)生的缺陷表現出類(lèi)別多樣、形態(tài)各異、背景復雜等特點(diǎn)。芯片制造過(guò)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(guò)程中還會(huì )產(chǎn)生如蝕刻銹斑、電鍍過(guò)多、異色和金屬線(xiàn)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(chēng)、規格、型號和性能等信息，是辨識芯片的重要依據。清晰的符號是高質(zhì)量芯片的內在需求。實(shí)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(wú)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(jué)缺陷檢測方法

機器視覺(jué)方法基本檢測流程，如圖 4 所示。隨著(zhù)機器視覺(jué)相關(guān)技術(shù)逐漸受到重視，多種基于人工設計特征的特征選擇算法和模式識別分類(lèi)算法被應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(guò)改進(jìn)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(shí)現晶圓表面缺陷檢測。SU 等通過(guò)對封裝芯片的表面施加超聲波激發(fā)并結合測振儀提取了時(shí)域和頻域特征，引入遺傳算法進(jìn)行特征選擇，最后采用 BP（Back Propagation）神經(jīng)網(wǎng)絡(luò )進(jìn)行分類(lèi)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(jìn)的螢火蟲(chóng)算法的支持向量機實(shí)現缺陷識別。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（Local Binary Pattern，LBP）特征，通過(guò)反向傳播神經(jīng)網(wǎng)絡(luò )（Back Propagation Neural Network，BPNN）進(jìn)行學(xué)習，最后采用最近鄰算法分類(lèi)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(dòng)態(tài)縮小圖像檢測區域的加權模板匹配算法，以判斷 QFN 芯片表面字符的缺陷。FABIO 等結合卷積神經(jīng)網(wǎng)絡(luò )、k 均值聚類(lèi)算法和 k 近鄰分類(lèi)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(lèi)缺陷。劉琛等提出一種基于方位環(huán)境特征的點(diǎn)模式匹配定位算法，快速準確定位芯片并識別引腳缺陷。陳文鳳等設計了一套基于 ARM-DSP 雙核結構的集成芯片引腳缺陷自動(dòng)檢測系統。

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(diǎn)、中點(diǎn)直線(xiàn)擬合和引腳間距統計等方法，實(shí)現對 SOP 芯片引腳缺陷的自動(dòng)檢測 ；李繹鈴以連通像素區域標記法為主要算法，提出基于模板匹配的引腳缺陷識別算法 ；金賀楠通過(guò)圖像矩來(lái)對SOP 芯片的整體位置進(jìn)行定位，同時(shí)結合基于 TwoPass 的連通域分方法來(lái)完善芯片引腳外觀(guān)檢測 。

以上特征提取結合分類(lèi)器的方法可以較好地實(shí)現缺陷檢測，但同時(shí)特征提取存在主觀(guān)性、局限性問(wèn)題和復雜化問(wèn)題等，需要依賴(lài)經(jīng)驗和專(zhuān)業(yè)知識，有針對性地依據產(chǎn)品表面缺陷特性提取和選擇特征。隨著(zhù)芯片愈加集成化和光刻工藝愈加復雜，產(chǎn)生的缺陷往往類(lèi)型繁多、特征復雜、背景多變和位置隨機，傳統的機器視覺(jué)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)習缺陷檢測方法

近年來(lái)，以卷積神經(jīng)網(wǎng)絡(luò )為代表的深度學(xué)習模型在計算機視覺(jué)領(lǐng)域成功應用，給表面缺陷檢測帶來(lái)了新的啟發(fā)。不少學(xué)者將目標檢測相關(guān)算法應用于各種工業(yè)場(chǎng)景的表面缺陷檢測。

對缺陷模式認知的不同，深度學(xué)習模型可以劃分為有監督學(xué)習、無(wú)監督學(xué)習和弱監督半監督等。有監督檢測方法體現在利用標記了標簽（包括類(lèi)別、矩形框或逐像素等）的缺陷圖像輸入到網(wǎng)絡(luò )中進(jìn)行訓練，更關(guān)注缺陷特征。無(wú)監督檢測方法通常只需要正常無(wú)缺陷樣本進(jìn)行網(wǎng)絡(luò )訓練，更關(guān)注正常樣本特征。

2.2.1有監督方法

（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應用于識別 IC 芯片外觀(guān)缺陷。李明將卷積神經(jīng)網(wǎng)絡(luò )和類(lèi)激活映射技術(shù)相結合，提出 Laser Chip Net 網(wǎng)絡(luò )來(lái)實(shí)現激光芯片缺陷分類(lèi)識別和缺陷區域定位。

DING 等引入多尺度金字塔網(wǎng)絡(luò )改進(jìn) Faster R-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 算法結合，應用于芯片晶粒的表面缺陷檢測。

對 于 LED 芯片的缺陷檢測問(wèn)題：LIN 等提出LEDNet，采用了一種類(lèi)激活映射技術(shù)來(lái)定位 LED 芯片缺陷（線(xiàn)瑕疵和劃痕）區域 ；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(guò)選定連通區域和分割算法定位字符，采用改進(jìn)的 CNN 進(jìn)行字符識別，最終實(shí)現芯片印刷標識檢測 。郭曉峰等利用最小外接圓原理定位和校正圖像，隨后對 ROI 區域進(jìn)行字符分割，最后進(jìn)行差分識別。肖磊基于 AlexNet改進(jìn)得到一種對壓敏電阻外觀(guān)細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(guān)缺陷 。

2.2.2無(wú)監督方法

有監督學(xué)習模型需要大量人工標記數據，但是在工業(yè)生產(chǎn)中，部分類(lèi)型缺陷發(fā)生概率低，樣本數量少，小樣本訓練網(wǎng)絡(luò )模型會(huì )導致過(guò)擬合問(wèn)題。此外，還經(jīng)常生成不可預知的缺陷，難以及時(shí)標記。無(wú)監督學(xué)習方法只需要正常無(wú)缺陷樣本進(jìn)行網(wǎng)絡(luò )訓練，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-Organizing Neural Networks，SONN）的晶圓自動(dòng)檢測系統，利用 SONN 的無(wú)監督自動(dòng)聚類(lèi)的能力，識別晶圓上的缺陷區域 。GHOSH 等提出了一種基于 CNN 的有監督技術(shù)和兩種基于深度圖和引腳紋理的無(wú)監督技術(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 )重構圖像，使用重構殘差圖進(jìn)行缺陷檢測。

2.3其他方法

弱監督的方法是指采用圖像級別類(lèi)別標注（弱標簽）來(lái)獲取分割 / 定位級別的檢測效果。半監督學(xué)習通常會(huì )使用大量的未標記數據和少部分有標簽的數據，用于表面缺陷檢測模型的訓練。相對于全監督和無(wú)監督方法，雖然目前弱監督和半監督方法在表面缺陷檢測中的應用相對較少，但仍具有參考價(jià)值。

MARINO 等采用一種基于 PRM 弱監督學(xué)習方法來(lái)對馬鈴薯表面缺陷進(jìn)行分類(lèi)、定位和分割。ZHAO 等提出一種基于 GAN 的弱監督學(xué)習缺陷檢測方法，通過(guò) CycleGAN 實(shí)現表面缺陷檢測 。YU 等提出了一種多重訓練的半監督學(xué)習方法應用于鋼表面缺陷分類(lèi)，利用 cDCGAN 和 ResNet-18 的多訓練融合算法用于未標記樣本的類(lèi)別標簽預測及訓練。

此外，還有其他方法。例如 ：萬(wàn)乃嘉設計了基于領(lǐng)域自適應的芯片字符識別系統 ；饒永明等提出了面向芯片表面符號的結構缺陷的評估方法；主動(dòng)紅外熱成像技術(shù)被應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用于倒裝芯片（Flip Chip，FC）缺陷檢測 。

3芯片表面缺陷特性分析

當前表面缺陷檢測中應用的算法與通用目標檢測算法異曲同工，即視表面缺陷為普通目標，忽視了表面缺陷與普通目標之間的差異。下面將對比表面缺陷與普通目標，分析發(fā)現表面缺陷存在如下特性。

3.1缺陷與缺陷之間的互斥性

在目標檢測中，同類(lèi)或是異類(lèi)目標之間相互交疊的現象非常常見(jiàn)。如何檢測相互交疊的目標是目標檢測的重難點(diǎn)。如圖 5 所示，目標檢測結果中“car”“person”“bicycle”目標相互交疊。然而，表面缺陷之間相互交疊的情況并不存在，在某一個(gè)位置上有且只有一個(gè)缺陷。因此，缺陷檢測應該有且只能有一個(gè)結果。如圖 5 所示，缺陷檢測結果中標注框即是冗余結果。

3.2缺陷與缺陷之間存在重要性差異

在通用目標檢測中，所有目標都是平等的，然而表面缺陷之間存在重要性差異。本研究通過(guò)電子顯微鏡采集了 25 種類(lèi)別共 181 590 張半導體芯片表面缺陷圖像，通過(guò)數學(xué)統計方法分析發(fā)現，其中 14 個(gè)類(lèi)別缺陷樣本為主要成分，共 178 953 個(gè)樣本，占比 98.53%，樣本分布如圖 6 所示。各類(lèi)缺陷樣本占比各不相同，意味著(zhù)各類(lèi)缺陷的發(fā)生概率各不相同，即存在著(zhù)重要性差異，因此表面缺陷檢測應合理考慮其差異性。

芯片表面的缺陷并不是孤立存在的，其產(chǎn)生必然會(huì )與周?chē)h(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(gè)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?chē)?Bump 元件。在分類(lèi)任務(wù)中，Bump 元件可以幫助限定缺陷類(lèi)別的范圍 ；在定位任務(wù)中，Bump 元件的位置可以輔助定位回歸。

雖然表面缺陷檢測技術(shù)已經(jīng)不斷從學(xué)術(shù)研究走向成熟的工業(yè)應用，但是依然有一些需要解決的問(wèn)題?；谝陨戏治隹梢园l(fā)現，由于芯片表面缺陷的獨特性質(zhì)，通用目標檢測算法不適合直接應用于芯片表面缺陷檢測任務(wù)，需要提出新的解決方法。

4結語(yǔ)

對近年來(lái)基于傳統的機器視覺(jué)和基于深度學(xué)習的芯片缺陷檢測方法進(jìn)行梳理與分析，介紹對封裝前的芯片表面缺陷和封裝體存在的印刷缺陷與引腳缺陷檢測的相關(guān)研究，詳細分析了芯片表面缺陷特性，以期為相關(guān)研究人員提供參考。

審核編輯：劉清