基于人工智能的LDI對位靶標(biāo)精確識別方法探討

方 林 董 帥 鄭 超 曲魯杰

（合肥芯碁微電子裝備股份有限公司，安徽 合肥 230601）

1 緒論

隨著5G通信設(shè)備、智能手機(jī)及個人電腦、VR/AR（虛擬現(xiàn)實(shí)技術(shù)/增強(qiáng)現(xiàn)實(shí)技術(shù)）及可穿戴設(shè)備、高級輔助駕駛及無人駕駛汽車等電子信息產(chǎn)業(yè)的快速發(fā)展，推動了全球高多層板、HDI（高密度互連）板、IC（集成電路）封裝基板、多層撓性板等高附加值基板，F(xiàn)PD（平板顯示），LED（發(fā)光二極管）產(chǎn)品的快速發(fā)展。從而行業(yè)的快速發(fā)展帶來光刻行業(yè)對位靶標(biāo)工藝的不斷發(fā)展和工藝種類不斷增加，這也給對位靶標(biāo)的精確識別帶來不斷的挑戰(zhàn)。

迄今為止，國外在激光直接成像（直寫）設(shè)備領(lǐng)域已取得突破性的進(jìn)展[1]-[6]。國內(nèi)中科院，中國科技大學(xué)等國家重點(diǎn)實(shí)驗室和機(jī)構(gòu)也在進(jìn)行激光直寫技術(shù)的研究，使用激光直寫技術(shù)制作了多種光刻掩膜[7][8]。而對于激光直寫設(shè)備來說使用靶標(biāo)進(jìn)行精確對位是保證和提高精度的核心，隨著人工智能技術(shù)的發(fā)展，我們結(jié)合人工智能相關(guān)技術(shù)和傳統(tǒng)圖像處理技術(shù)對靶標(biāo)精確識別方法進(jìn)行相關(guān)探討。

2 常用靶標(biāo)類型

LDI（激光直接成像）設(shè)備是通過精確抓取不同類型的靶標(biāo)將需要曝光的圖形和待曝光的基板建立映射關(guān)系，從而實(shí)現(xiàn)將待曝光的圖像精確曝光到基板對應(yīng)位置。所以靶標(biāo)的精確識別是LDI設(shè)備精度的保證，是直寫曝光技術(shù)的重要組成部分。

現(xiàn)階段LDI使用的定位靶標(biāo)以形狀分類主要以圓形、梅花孔、圓環(huán)、孔矩陣、矩形、十字靶標(biāo)為主，還有部分是多種形狀組合而成的復(fù)合型靶標(biāo)。多層電路板或者芯片載板多是由多層基板壓合而成，不同層的基板由于制作工藝不同，會使用不同的工藝制作不同類型的對位靶標(biāo)。常用的制作工藝有機(jī)械鉆孔、激光[9]等，使用不同的感光材料[10]技術(shù)，CCD（工業(yè)相機(jī)）成像出的圖像。

2.1 圓形靶標(biāo)

圓形靶標(biāo)出現(xiàn)的頻率最高，種類最多?，F(xiàn)階段多種曝光光刻制程中出現(xiàn)頻率最高的靶標(biāo)感光材料主要有干膜，油墨和其他液態(tài)感光材料（如圖1所示）。

圖1 圓形靶標(biāo)例圓

2.2 圓環(huán)靶標(biāo)

圓環(huán)靶標(biāo)和圓形靶標(biāo)類似（如圖2所示）。

圖2 圓環(huán)靶標(biāo)例圓

2.3 孔矩陣靶標(biāo)

孔矩陣靶標(biāo)是指若干個靶點(diǎn)成矩陣式排布的靶標(biāo)。由多個小圓靶標(biāo)成矩陣排布而成。一般2×2至5×5規(guī)格情況較多（如圖3所示）。

圖3 孔矩陣靶標(biāo)例圓

2.4 梅花孔靶標(biāo)

梅花孔靶標(biāo)類型較多，特征較為明顯。多個小圓組成的環(huán)形靶標(biāo)，多為偶數(shù)分布（如圖4所示）。

圖4 梅花孔靶標(biāo)例圓

2.5 復(fù)合靶標(biāo)

復(fù)合靶標(biāo)類型較多，工藝也較多。從形狀上大體上可以分為矩形靶標(biāo)，環(huán)形靶標(biāo)，盤通孔和圓環(huán)組合靶標(biāo)等。此類靶標(biāo)特征較多，大部分識別抓取均可以成功（如圖5所示）。

圖5 復(fù)合靶標(biāo)例圓

2.6 其他類型靶標(biāo)

還有部分靶標(biāo)出現(xiàn)較少，這里一起歸納總結(jié)（如圖6所示）。

圖6 其他類靶標(biāo)例圓

3 檢測難點(diǎn)

LDI工藝對位靶標(biāo)由于制作工藝、感光材料、成像系統(tǒng)不同，各廠家的工藝水準(zhǔn)參差不齊，造成了靶標(biāo)制作存在多樣性。這對靶標(biāo)的高精度識別造成了較大的困難。

3.1 靶標(biāo)制作工藝問題

受限于不同廠家工藝水平，靶標(biāo)的邊緣時常會出現(xiàn)破損，是因為機(jī)械鉆孔的精度不夠、激光能量不穩(wěn)定、壓膜貼合度低等問題造成的。從而造成靶標(biāo)邊緣出現(xiàn)破損毛刺、靶標(biāo)深淺不均勻，邊緣變形等問題，如圖7所示。

圖7 破損變形靶標(biāo)圖

3.2 材料顯色性，感光性問題

部分型號的感光材料存在顯色性不佳，感光性不好等問題。有的液態(tài)感光材料由于顯色性問題，使用大功率激光制作靶標(biāo)依然會出現(xiàn)靶標(biāo)模糊的現(xiàn)象。

3.3 光學(xué)成像問題

不同材料使用合適的光學(xué)系統(tǒng)進(jìn)行準(zhǔn)確成像一直都是行業(yè)發(fā)展的聚集點(diǎn)。直寫曝光工藝的靶標(biāo)識別中受不同的材料工藝影響，光學(xué)成像系統(tǒng)的穩(wěn)定成像會對精確抓取產(chǎn)生直接影響，例如成像反光，打光方向產(chǎn)生陰影，光源波段不匹配，光照穿透性，成像模糊等問題，如圖8所示。

圖8 靶標(biāo)問題圖

由相機(jī)、成像系統(tǒng)以及照明光源[11]組成的圖像識別硬件系統(tǒng)通過對光的利用，可以實(shí)現(xiàn)在多種環(huán)境下采集高清的圖像。適當(dāng)利用反射光、透射光、均勻光，不同角度光、特定波長，能夠?qū)崿F(xiàn)最佳的圖像采集效果。

4 精確識別算法

由于實(shí)際生產(chǎn)中會出現(xiàn)很多問題，很難使用一種檢測算法兼容所有情況，故在實(shí)際生產(chǎn)中我們會采用多種方案解決上述問題，從而做到高精度檢測對位靶標(biāo)的目的。現(xiàn)階段為了處理上述難點(diǎn)，在檢測算法方面我們主要采用傳統(tǒng)圖像處理算法和深度學(xué)習(xí)圖像處理算法相結(jié)合的方案，如圖9所示。

4.1 粗定位算法

如圖9所示，首先在靶標(biāo)粗定位使用傳統(tǒng)模板匹配算法和深度學(xué)習(xí)的目標(biāo)檢測算法可以有效地獲取目標(biāo)靶標(biāo)的感興趣區(qū)域。

圖9 靶標(biāo)識別流程圖

4.1.1 模板匹配粗定位

目前模板匹配[12]主要有基于灰度的模板匹配和基于形狀的模板匹配，主要的匹配算法是NCC算法[13]。此算法對于噪聲和光照變化存在較好的穩(wěn)健性，顏色匹配時直接將模板圖與待檢測圖片通過此算法進(jìn)行匹配檢測，形狀匹配時先使用亞像素輪廓提取算法處理待檢測圖像后再進(jìn)行匹配。

4.1.2 基于Yolo目標(biāo)檢測粗定位

考慮到產(chǎn)能和小目標(biāo)檢測準(zhǔn)確性情況，目前對于粗定位目標(biāo)檢測使用YOLOv5[14]算法進(jìn)行目標(biāo)檢測，YOLOv5主要由Input（輸入端）、Backone（主干網(wǎng)絡(luò)）、Neck（混合傳遞特征）以及Prediction/Head（預(yù)測輸出網(wǎng)絡(luò)）四部分組成。

數(shù)據(jù)前處理方面，YOLOv5 算法集成了MOSAIC[15]數(shù)據(jù)增強(qiáng)算法，使用四張圖片通過隨機(jī)縮放，隨機(jī)剪裁，隨機(jī)排布的方式進(jìn)行拼接。這種算法可以有效地豐富數(shù)據(jù)集數(shù)量，增加了小樣本的數(shù)據(jù)量，使網(wǎng)絡(luò)的穩(wěn)健性更好。同時這種算法有效地減少GPU顯存的容量，使得Mini-batch大小并不需要很大就可以達(dá)到很好的訓(xùn)練效果，有效地規(guī)避了梯度消失或梯度爆炸的情況發(fā)生。

4.2 圖像預(yù)處理

圖像預(yù)處理是圖像處理領(lǐng)域里面的重要組成部分，在光刻生產(chǎn)工藝中，由于不同材質(zhì)的基板，感光材料，工藝成像會存在較大差異，部分基板自身存在較大紋理特征會對靶標(biāo)識別產(chǎn)生干擾。故使用圖像預(yù)處理相關(guān)算法是很有必要的步驟。現(xiàn)階段預(yù)處理算法主要是濾除噪聲和對于模糊圖像進(jìn)行增強(qiáng)對比度處理。

4.2.1 濾波

現(xiàn)階段對于圖像的濾波[16]主要是使用雙邊濾波和中值濾波[17]相結(jié)合的方式進(jìn)行。中值濾波可以有效去除椒鹽噪聲，此濾波算法對于去除基板銅板表面部分高頻噪聲點(diǎn)有著顯著效果。

雙邊濾波[18]是一種可以保住高頻邊緣同時去除噪聲的濾波器，采用此算法可以有效磨除基板靶標(biāo)表面紋理，而保留靶標(biāo)高頻邊緣信息。雙邊濾波同時考慮空間域和像素域信息，結(jié)合兩個域的權(quán)值獲取最終結(jié)果。

4.2.2 圖像增強(qiáng)

目前使用最多的圖像增強(qiáng)算法是直方圖統(tǒng)計圖像增強(qiáng)[19][20]，此算法可以有效地對指定直方圖區(qū)域進(jìn)行拉升增強(qiáng)，對于很多感光性不佳的材料成像有著較好的處理效果。

如對于顯色不佳的靶標(biāo)使用圖像增強(qiáng)的算法增強(qiáng)靶標(biāo)對比度，如圖10所示。之后使用迭代篩選剔除錯誤的輪廓點(diǎn)獲取最終檢測結(jié)果。

圖10 靶標(biāo)預(yù)處理圖片圖

4.3 精確定位

對于不同成像的靶標(biāo)圖片采用不同的精確檢測算法。對于邊緣銳利的靶標(biāo)圖片可以直接使用輪廓篩選檢測算法直接檢測靶標(biāo)相關(guān)信息；對于邊緣模糊的靶標(biāo)圖片采用深度學(xué)習(xí)語義分割算法可以較為精確地分割靶標(biāo)和背景區(qū)域；對于邊緣存在破損的靶標(biāo)，使用卡尺檢測算法可以有效地篩選剔除錯誤的邊緣點(diǎn)，最后檢測出靶標(biāo)的相關(guān)參數(shù)。

4.3.1 語義分割

UNet語義分割[21][22]是一個淺層網(wǎng)絡(luò)接口，提出的初衷是用于醫(yī)學(xué)圖像分割，此網(wǎng)絡(luò)是一種U型網(wǎng)絡(luò)結(jié)構(gòu)。

Unet網(wǎng)絡(luò)非常的簡單，前半部分就是特征提取，后半部分是上采樣。在一些文獻(xiàn)中把這種結(jié)構(gòu)叫作編碼器-解碼器結(jié)構(gòu)，由于網(wǎng)絡(luò)的整體結(jié)構(gòu)是一個大些的英文字母U，所以叫作U-net。

圖11是使用UNet網(wǎng)絡(luò)進(jìn)行語義分割后的靶標(biāo)檢測效果圖，可以看出通過語義分割的方式可以有效地分割圖片的靶標(biāo)和背景區(qū)域，之后再通過邊緣擬合的方式獲取準(zhǔn)確的靶標(biāo)中心點(diǎn)坐標(biāo)。

圖11 語義分割圖

4.3.2 灰度卡尺檢測算法

卡尺算法是將待檢測區(qū)域劃分成多個感興趣區(qū)域。每一個感興趣區(qū)域單獨(dú)計算像素值，使用最大梯度變化準(zhǔn)則，或者尺度變化，梯度方向等多種方案進(jìn)行刪選獲取一個最佳像素點(diǎn)作為每一個感興趣區(qū)域的返回值。使用卡尺劃分成多個感興趣的區(qū)域，每一個區(qū)域獲取一個最佳像素點(diǎn)，之后通過最小二乘算法將篩選出的像素點(diǎn)按照圓公式擬合獲取中心點(diǎn)坐標(biāo)值。通過此算法將靶標(biāo)劃分成多個區(qū)域單獨(dú)檢測輪廓點(diǎn)像素，對于部分邊緣梯度變化不明顯的靶標(biāo)圖片可以有效地檢測出靶標(biāo)邊緣點(diǎn)坐標(biāo)。

4.4 結(jié)果校驗

靶標(biāo)檢測出結(jié)果后需要根據(jù)先驗信息對檢測結(jié)果進(jìn)行校驗。對于類圓型靶標(biāo)可以使用圓度校驗的方案進(jìn)行校驗；對于矩形，十字和拐角類靶標(biāo)可以使用直角度校驗的方式進(jìn)行校驗；對于由多個圖形組成的復(fù)合型靶標(biāo)，由于會檢測出多個中心參數(shù)，所以可以使用歐氏距離或者馬氏距離檢驗中心點(diǎn)坐標(biāo)的方式進(jìn)行校驗。此類校驗可以有效地規(guī)避錯誤檢測情況，對于復(fù)合型靶標(biāo)檢測中心點(diǎn)歐氏距離可以有效地剔除破損嚴(yán)重的靶標(biāo)，從而避免偏位情況的發(fā)生。

5 檢測結(jié)果

5.1 測試結(jié)果

按照第二章的靶標(biāo)類型建立樣本庫，使用前面所述的算法進(jìn)行抓取檢測。測試靶標(biāo)類型圓、孔矩陣、梅花孔、矩形，圓環(huán)、十字；分別測試抓取精度，重復(fù)抓取穩(wěn)定性，抓取時間等指標(biāo)。

由表1測試統(tǒng)計表可以看出總體來說使用傳統(tǒng)卡尺算法進(jìn)行精確計算檢測準(zhǔn)確率和重復(fù)抓取穩(wěn)定性較好，使用語義分割算法運(yùn)行速度較快。但是對于部分邊緣較為銳利，背景相對簡單的靶標(biāo)樣本，如圖12所示，使用基于語義分割的算法檢測可以得到精確并且高效地獲得檢測結(jié)果。

表1 測試統(tǒng)計表

圖12 語義分割靶標(biāo)圖

5.2 結(jié)論分析

（1）光刻工藝種類較多，現(xiàn)階段很難使用一種算法可以解決所有問題，根據(jù)不同的工藝情況設(shè)置不同的檢測算法是一種較為合理的處理模式。單獨(dú)的基于深度學(xué)習(xí)的圖像算法和傳統(tǒng)圖像處理算法均很難單獨(dú)解決所有問題，故根據(jù)不同情況使用深度學(xué)習(xí)圖像算法和傳統(tǒng)圖像處理算法相結(jié)合的方式是比較合理的處理方案。

（2）靶標(biāo)粗定位中在數(shù)據(jù)量足夠的情況下使用基于深度學(xué)習(xí)的目標(biāo)檢測算法可以得到較好的檢測結(jié)果。但是行業(yè)的特殊性決定收集數(shù)據(jù)和訓(xùn)練數(shù)據(jù)往往花費(fèi)大量的時間和人力成本，故傳統(tǒng)模板匹配算法雖然穩(wěn)健性低于深度學(xué)習(xí)算法，但是往往在時間和人力成本方面可以更為高效地處理特定問題。

（3）在精確定位方面基于深度學(xué)習(xí)的算法現(xiàn)階段在亞像素級的檢測中精度和抓取穩(wěn)定性方面低于傳統(tǒng)算法。