基于圖像傳感器與機器學習的劃片機對準算法

汪忠偉，張紫薇

(沈陽儀表科學研究院有限公司，遼寧沈陽 110043)

0 引言

激光劃片機廣泛應(yīng)用于包括半導體材料、硅、鍺、砷化鎵和其他襯底材料以及LED基片、太陽能電池片、晶圓、陶瓷片和其他產(chǎn)品的劃槽和切割加工過程。由于采用激光作為切割工具，其切割面平整、破損率低，且精度極高，應(yīng)用范圍越來越廣泛。

應(yīng)用于晶圓切割的激光劃片機工作過程通常包含上片、對準、切割、下片等過程。其中，對準過程主要進行激光刀具或運動平臺的運動路徑與晶圓劃切“軌道”的對齊和定位校準以保證切割過程一直沿著預定“軌道”進行。其精度直接影響劃片機切割的整體精度，是激光劃片機進行晶圓切割的關(guān)鍵步驟。

1 劃片機晶圓對準方法

如圖1所示，劃片機在切割晶圓以前，必須進行對準操作。目前，對準操作通用的技術(shù)是采用帶放大功能的鏡組搭配圖像傳感器，多次采集晶圓圖像，并結(jié)合相應(yīng)的算法提取圖像中晶圓的幾何特征，從而分析出晶圓偏差狀態(tài)。根據(jù)偏差狀態(tài)，控制運動平臺產(chǎn)生相應(yīng)的運動動作，以使晶圓完成對準操作。

圖1 晶圓對準示意圖

對準精度通常以角度來衡量。根據(jù)切割對象尺寸與工藝要求的不同，所需要的對準精度有所不同。一般來說，要完成晶圓切割，對準誤差應(yīng)不能高于±0.1°。若一次對準無法達到該精度要求，這時會先進行“粗對準”，粗對準過程將晶圓對準到誤差±0.5°以下。再進行一次“細對準”，將角度誤差降低到±0.1°以下。

1.1 基于霍夫變換的對準方法

霍夫變換是一種特征檢測算法，在圖像分析、機器視覺等領(lǐng)域廣泛應(yīng)用。其作用是辨別找出圖像中物體的幾何特征，如：線條、圓等。在晶圓劃片機中，可以對晶圓圖像進行霍夫變換計算，從而分析出晶圓中晶格的邊界直線或“軌道”邊界線，以該邊界直線來計算晶圓的偏差角度。從而完成晶圓對準過程[1]。

使用單幅圖像的霍夫變換，一般只能完成晶圓粗對準過程，其對準精度主要取決于圖像傳感器分辨率限制，如一個480×480分辨率的圖像傳感器，使用其單幅圖像進行對準，精度極限約為±0.2°。使用多幅圖像的霍夫變換，可以完成晶圓細對準過程。精度取決于具體算法。

霍夫變換算法參數(shù)數(shù)量較多，常見的OpenCV圖像庫中霍夫變換函數(shù)需要調(diào)節(jié)的閾值參數(shù)數(shù)量多達3個[2]。這些參數(shù)受切割對象、現(xiàn)場光照、圖像傳感器采集狀態(tài)等影響較大，同樣一組參數(shù)，在有時能夠檢測到目標特征，有時則可能完全檢測不到。這使得該算法在晶圓對準過程中魯棒性不佳。

1.2 基于模板匹配的對準方法

模板匹配算法是一種用于在源圖像S中尋找定位給定目標圖像T(即模板圖像)的技術(shù)。其主要過程是通過一些相似度準則來衡量2個圖像塊之間的相似度Similarity(S,T)，再利用該相似度判斷目標圖像與特定模板的匹配程度，從而得出目標圖像偏差角度，進而完成粗對準。晶圓對準中常用的相似度準則有：平方差匹配法，相關(guān)匹配法，相關(guān)系數(shù)匹配法等[3]。

使用單幅圖像的模板匹配算法，能夠完成晶圓粗對準過程，這時一般需要建立多個不同角度的模板，進行最優(yōu)匹配。其性能受模板影響明顯，即使是同一個晶圓，同一種標識之間的相似性也不同，對準結(jié)果受模板、切割對象潔凈程度、光照條件等因素干擾較大。

使用多幅圖像的模板匹配，可以完成晶圓細對準過程。這時一般模板圖像選取為晶圓上特定的特征，如光刻套準標識，劃片定位標識等。也有將晶粒輪廓作為特征的方法[4]。

1.3 其他對準方法

文獻[5]中先采用模板匹配的方式找到晶圓邊緣，然后利用特定算法搜索“軌道”中心線，使用“軌道”中心線進行角度偏差校正，從而完成對準操作。文獻[6]中用前饋神經(jīng)網(wǎng)絡(luò)，根據(jù)機器視覺檢測到的偏差來確定運動部件的運動。同時建立自動學習規(guī)則來收集數(shù)據(jù)和訓練網(wǎng)絡(luò)，取得一定效果。文獻[7]中使用基于重心索引的算法進行“軌道”跟蹤的方式進行晶圓對準。

1.4 基于機器學習的對準新方法

近年來，隨著人工智能的快速發(fā)展，其核心技術(shù)——機器學習也取得了進步。卷積神經(jīng)網(wǎng)絡(luò)正是在傳統(tǒng)多層神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上發(fā)展起來的針對圖像處理而特別設(shè)計的一種機器學習方法。考慮到晶圓對準過程本質(zhì)即為圖像處理過程。因而采用卷積神經(jīng)網(wǎng)絡(luò)來進行晶圓粗對準。此外，針對晶圓細對準，在傳統(tǒng)模板匹配方式的基礎(chǔ)上加以改進，添加線性回歸模型，在不計算中間參數(shù)的情況下得出角度偏差，完成對準操作。

通過卷積神經(jīng)網(wǎng)絡(luò)和線性回歸這兩次機器學習過程，省略了傳統(tǒng)方法中特征提取、閾值選取等繁瑣耗時的工作。提高了面對不同工作對象時，劃片機對準算法的效率。

2 使用卷積神經(jīng)網(wǎng)絡(luò)實現(xiàn)晶圓粗對準

目前，在IC裝備領(lǐng)域，卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用主要是分類，如進行晶圓表面特征檢測、晶圓缺陷檢測等[8]。而在回歸問題上的應(yīng)用則較少，晶圓粗對準是本質(zhì)是一個計算角度連續(xù)量的問題，是使用卷積神經(jīng)網(wǎng)絡(luò)完成一個回歸問題。

晶圓粗對準要求的精度為±0.5°，滿足該精度要求后，就可以滿足細對準環(huán)節(jié)準確找到對準標志，達到粗對準的預期目的，也達到細對準的輸入精度要求。

2.1 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)通常包含輸入圖像層，若干個卷積層與池化層，以及全連接層與輸出層等。不同的結(jié)構(gòu)組成將直接決定網(wǎng)絡(luò)的擬合能力。經(jīng)分析與實驗，晶圓粗對準過程選定的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。

圖2 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意圖

該網(wǎng)絡(luò)共包含3層卷積層，用于特征提取，2層池化層用于特征壓縮，以及2層全連接層完成特征到輸出的映射。網(wǎng)絡(luò)結(jié)構(gòu)如表1所示。

表1 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)詳表

2.2 數(shù)據(jù)采集與模型訓練

2.2.1 數(shù)據(jù)采集與預處理

因為使用的激光劃片機設(shè)計的上片環(huán)節(jié)已保持一定方向性，使得角度偏差處于0～45°范圍內(nèi)，故這里只在0～45°范圍內(nèi)采集圖像傳感器數(shù)據(jù)。使用自主研發(fā)的紫外激光劃片機平臺，采集圖像數(shù)據(jù)480組。其中隨機選取訓練數(shù)據(jù)432組，確認數(shù)據(jù)30組，預留測試數(shù)據(jù)18組。使用訓練數(shù)據(jù)及確認數(shù)據(jù)進行卷積神經(jīng)網(wǎng)絡(luò)訓練，最后使用測試數(shù)據(jù)評估模型效果。實驗設(shè)備和采集的圖像如圖3所示。

圖3 實驗設(shè)備和采集結(jié)果圖示

如圖3(a)所示，使用的自研實驗設(shè)備配備x、y、z、w四軸運動控制，和放大鏡組及圖像傳感器，圖像傳感器為AISYS ALTAIR U130H2型單通道傳感器，分辨率為1 280×1 024，采集圖像為灰度圖像。

對于該圖像傳感器采集的數(shù)據(jù)，做以下預處理：為排除圖像邊緣的誤差，將圖像中心裁剪至800×800分辨率；為降低卷積神經(jīng)網(wǎng)絡(luò)復雜度同時滿足2的指數(shù)次方，將圖像下采樣至224×224分辨率；為保證后續(xù)模型盡快收斂，對圖像灰度值做歸一化處理。

2.2.2 模型訓練與確認

以上數(shù)據(jù)采集與預處理完成后，首先使用訓練數(shù)據(jù)和確認數(shù)據(jù)進行模型訓練。模型訓練使用的計算機軟硬件配置如表2所示。

表2 所用計算機配置

使用該計算機，經(jīng)過分析與實驗，采用表3所示的參數(shù)進行卷積神經(jīng)網(wǎng)絡(luò)模型訓練。

表3 卷積神經(jīng)網(wǎng)絡(luò)訓練參數(shù)

使用以上參數(shù)訓練模型，模型很快收斂。圖4為模型訓練過程的訓練誤差與確認誤差曲線。

2.3 模型應(yīng)用與粗對準

為驗證訓練得到的卷積神經(jīng)網(wǎng)絡(luò)模型泛化能力，使用與訓練過程同一批采集但未在訓練環(huán)節(jié)使用的18組數(shù)據(jù)做測試，并比較模型預測角度值與實測角度之間關(guān)系，其結(jié)果如圖5所示。

圖5 模型測試結(jié)果

由圖5可以看出，在全部18個測試點處，卷積神經(jīng)網(wǎng)絡(luò)模型預測結(jié)果與真實角度值吻合較好。所得模型泛化能力滿足要求。

在0～45°范圍內(nèi)，大致均勻并隨機選取8個角度值，控制上片過程，將晶圓初始偏差分別進行設(shè)置。并作為對準的初始狀態(tài)，使用以上模型在實驗設(shè)備上進行實際對準實驗。并在每次粗對準結(jié)束后，檢測對準誤差。結(jié)果如表4所示。

表4 粗對準實驗角度誤差 (°)

從表11可以看出，經(jīng)過粗對準，已將角度偏差控制在±0.5°范圍內(nèi)，粗對準過程有效?？梢栽诖嘶A(chǔ)上進行細對準操作。

3 使用回歸分析實現(xiàn)晶圓細對準

經(jīng)過粗對準，晶圓角度偏差已縮小到±0.5°范圍內(nèi)。在該范圍內(nèi)，進行細對準操作。細對準難以通過單幅圖像進行，必須依賴2張以上的晶圓圖像。其核心是比較晶圓某特征點在兩幅圖像上的細微差別，根據(jù)差別反推出晶圓偏差角度。

3.1 細對準特征選擇

在細對準中常采用的特征包括：劃切“軌道”輪廓，劃切“軌道”十字對準線，光刻套準標識等。這里采用光刻套準標識作為特征點。如圖6所示，光刻套準標識分布于晶圓上左右兩點，特征清晰、明顯、唯一，且便于提取，是合適的特征點。

圖6 細對準特征選擇

考察圖6中A、B兩點處，晶圓特征點在圖像傳感器視野中成像情況如圖7所示，在該圖中，根據(jù)特征點的不同分布情況即可計算出實際偏差角度。

圖7 A,B位置處視野圖像

在圖像中，選取標記點在x、y方向上與視野中心的偏移距離(單位為像素)，作為特征。即特征為：x1、x2、y1、y2。

3.2 細對準過程分析

3.2.1 理論公式

要以x1、x2、y1、y2作為特征，進行細對準，考慮二維平面剛體運動變換公式如下[10]：

(1)

式中：Tt為將晶圓對準所要進行的變換；R為旋轉(zhuǎn)矩陣；T為平移矩陣；θ為旋轉(zhuǎn)角度，°；tx、ty分別為x、y軸平移距離，mm。

假設(shè)粗對準后晶圓上某一點位置坐標矩陣為P*，細對準后其位置坐標矩陣為P。則若要實現(xiàn)細對準，需保證：

Tt×P*-P=0

(2)

因而，如何求出Tt是進行細對準的關(guān)鍵?？紤]到Tt是θ、tx、ty的函數(shù)，而θ、tx、ty都是x1、x2、y1、y2的函數(shù)。則只要能夠以x1、x2、y1、y2表示θ、tx、ty即可進行細對準操作。

在劃片機運動控制中，無論是距離，還是角度，都是以伺服電機脈沖數(shù)量的形式進行表示。暫以G表示由距離(單位為mm)到x,y軸控制脈沖(單位為脈沖數(shù)量)的函數(shù)關(guān)系。以F表示由角度(單位為°)到w軸控制脈沖(單位為脈沖數(shù)量)的函數(shù)關(guān)系。并將圖像中偏移距離(單位為像素)到實際距離(單位為mm)的函數(shù)關(guān)系表示為E。則細對準操作中x軸的運動脈沖可以表示為

(3)

y軸的運動脈沖可以表示為

(4)

需要注意的是，對于劃片機細對準過程，主要關(guān)注的是其角度偏差校正情況。對于x、y方向平移誤差，可通過多種方式解決，且精度遠高于角度誤差。故這里只討論角度偏差的校正情況。旋轉(zhuǎn)軸w軸在細對準中校正的脈沖數(shù)量可以表示為

(5)

式中D為兩個特征點的絕對距離，該值與晶圓設(shè)計有關(guān)，也可以通過顯微鏡測試得到。

轉(zhuǎn)換關(guān)系E則較難獲得，特別是其精確值。F取決于伺服驅(qū)動器分辨率，但要注意的是，若驅(qū)動器未經(jīng)校準或誤差較大，該值對細對準也會有較大影響?？梢?，E與F的精確獲取對于細對準來說意義重大。其準確性很容易影響最終對準效果。故直接采取該式進行細對準誤差較大。

3.2.2 模型選擇與數(shù)據(jù)采集

考察式(5)，并考慮arcsin()函數(shù)在0附近的泰勒展開式[11]，不難發(fā)現(xiàn)，當角度偏差比較小時，該式近似于y1,y2的線性函數(shù)。而前述粗對準過程，恰使目前角度誤差處于0附近范圍。因而，可將δω視為y1、y2的線性函數(shù)。則細對準過程則轉(zhuǎn)變?yōu)槿绾吻蠼庖粋€多元線性回歸問題。

δω=α0+α1y1+α2y2

(6)

式中：α0為常數(shù)值；α1和α2分別為y1、y2的系數(shù)值。

確定了要使用的模型后，進行相關(guān)數(shù)據(jù)采集。使用前述實驗平臺，采集了48組圖像如圖8所示。

圖8 圖像傳感器采集的圖像

3.2.3 模型訓練與測試

該48組數(shù)據(jù)中的30組作為訓練數(shù)據(jù)，利用該30組數(shù)據(jù)進行多元線性回歸參數(shù)計算。

用最小二乘法作為優(yōu)化算法，對多元線性回歸參數(shù)進行估計，得參數(shù)如表5所示。

表5 多元線性回歸參數(shù)結(jié)果

估計殘差如圖9所示。

圖9 多元線性回歸估計殘差

利用剩下的18組數(shù)據(jù)進行誤差測試，測試結(jié)果如圖10所示。

圖10 多元線性回歸結(jié)果對比

由該圖可以看出，線性回歸結(jié)果與真實角度值擬合精度很高。線性模型滿足要求。

3.3 模型應(yīng)用與細對準

使用該多元線性回歸模型，以粗對準結(jié)束狀態(tài)作為初始狀態(tài)，以實驗設(shè)備進行了16次細對準實驗，具體誤差結(jié)果如表6所示。

表6 細對準實驗角度誤差 (°)

已將晶圓角度偏差對準到±0.05°范圍內(nèi)。

4 結(jié)束語

根據(jù)劃片機圖像傳感器實測數(shù)據(jù)，構(gòu)建了卷積神經(jīng)網(wǎng)絡(luò)模型，利用訓練好的模型，反演出晶圓與劃切“軌道”偏離誤差角度，進而實現(xiàn)粗對準，角度誤差范圍在±0.5°范圍內(nèi)。在粗對準基礎(chǔ)上，對左右光刻套準標識圖像提取特征。并利用多元線性回歸方法擬合回歸表達式。利用回歸表達式反演精確偏離誤差角度，進而實現(xiàn)細對準。經(jīng)過實際實驗驗證，最終細對準誤差在±0.05°以下。達到晶圓劃切要求。

該對準算法相對于傳統(tǒng)算法來說，在保證對準精度的前提下，配置更簡單，只要針對不同工作對象訓練不同的模型即可，將以往算法中調(diào)參工作，交給機器學習模型來自主學習。顯著簡化了對準算法的開發(fā)過程和后續(xù)維護過程，也提高了在面對不同切割對象時，算法的魯棒性。