Wafer Defect Detection using Pixel Shifting and Deep Learning

Abstract

세계의 글로벌 기업들이 앞다투어 전자제품을 출시하고 있다. 전자 제품의 소형화, 고밀도화에 따라 반도체가 정교화 되고 있다. 또한 정교한 과정에서 wafer에 오염이 흡착되지 않도록 진공에서 wafer를 제작한다. 이렇게 wafer는 고가의 전자제품의 핵심이므로 wafer의 결함을 검출하는 일 또한 매우 중요하다. 사람이 모든 wafer를 목시검사하여 불량을 검사하기에는 시간, 비용적으로 비효율적이기 때문에 wafer 불량 검출의 자동화가 요구된다. 기존 wafer, PCB의 불량 검출 알고리즘은 reference가 되는 양품 이미지와 검사 이미지의 비교를 통하여 불량 여부를 검사한다. 기존 방법은 reference 영상과 검사 영상을 각각 이진화하여 노이즈를 제거한 후 exclusive OR 을 하고 난 영상에서 일정 픽셀 개수 이상이 남아 있는 경우, 불량으로 판정하는 방법이다. 각 영상에 노이즈가 남아 있을 경우 노이즈를, 검사 영상과 reference 영상 간의 차영상에 잔상이 남을 경우 잔상을, 불량으로 검출하는 오류가 발생한다. 따라서 본 논문에서는 노이즈와 정합을 함께 고려하기 위하여, 정합을 위한 전처리 후에 딥러닝 시스템을 이용한 방식을 제안한다. 제안하는 방법은 픽셀을 상향, 하향, 좌향, 우향으로 한 픽셀에서 세 픽셀까지 이동한 13 가지의 reference영상과 검사 영상의 Mean Squared Error가 가장 작은 reference 영상과 검사 영상의 차영상을 결과 영상으로 사용한다. 나아가 기존의 방법의 정확도 저하 원인이 잔상이라는 가설을 확인하기 위하여 픽셀 이동 방법을 상향과 좌향, 상향과 우향, 하향과 좌향, 하향과 우향의 조합을 이용하여 총 49가지의 reference 영상과 검사 영상의 MSE를 구하고 감산한 결과 영상을 사용하였다. 이 영상을 입력으로 기계 학습을 진행한다. 차영상을 입력으로 한 기계 학습 방법과 비교함으로써 이를 검증하였다. ATI사에서 제작한 테스트를 위한 wafer 영상을 이용하여 이를 검증하였다. 실제로 분류 정확도가 89%에서 94.42%로 향상되었음을 확인할 수 있었다.;As electronic devices are getting smaller and more highly integrated, the demand for highly integrated semiconductor is increasing. For quality assurance, it is inevitable to detect defect on a wafer. In addition, the defect detection process needs to be automated since it is time consuming and cost ineffective to manually detect defects on a wafer. In this paper, we propose wafer defect detection using pixel shifting and deep learning to deal with miss-registration error in conventional method which affects the misclassification of original wafer defect detection method using golden image subtraction method. In the paper using golden image subtraction method, the reference image and the inspected image are binarized and go through the XOR operation. The logical XOR operation would yield image that has non-zero pixel value where defect exists, while not to have any pixel if the inspected image does not have any defect. However, due to alignment error, the resultant image may often have non-zero pixels where no defect exists. To overcome the problem, we propose wafer defect detection using pixel shifting and deep learning. We find the best aligned resultant image and then use the resultant image as the input of deep learning structure. To determine the best aligned image, we use mean squared error between the reference image and the inspected. We demonstrate the enhanced performance of the proposed method using real semiconductor. In the experiment, the proposed method showed improved accuracy and precision comparing to the conventional method.