CBIR在半导体测量中的应用

来源:用户上传      作者:

　　摘要:文章简要讨论了CBIR在半导体测量中的应用。从半导体生产测量的特点入手,阐述了利用CBIR进行半导体某些参数测量的可能性和实际意义,在此基础上提出了下一步工作进展的方向,以实现用数字化指导生产实践的目标。
　　关键词:CBIR;半导体测量;侧壁;SEM图像
　　中图分类号:TP391文献标识码:A文章编号:1009-2374(2010)01-0061-02
　　
　　一、CBIR(Content Based Image Retrieval)的含义
　　
　　目前,以集成电路为核心的电子信息产业成为改造和拉动传统产业迈向数字时代的强大动力,发达国家国民经济总产值增长部分的大约65%与集成电路相关,预计世界集成电路销售额2010年将达到6000~8000亿美元,集成电路技术已成为当今世界经济竞争的焦点。随着电路集成度的不断提高,半导体临界尺寸不断缩小, 使用SEM(Scanning Electron Microscope)通过发射电子束轰击被测量晶片表面,收集到晶片表面发射出的二次电子,并将其转化成相应的图像,再对SEM图像通过一定的图像处理算法进行处理计算,最终得到相应的值,可见,图像处理技术在线宽测量中起着举足轻重的作用。
　　CBIR(Content Based Image Retrieval),即基于内容的图像检索技术,是指直接采用图像形象化内容进行图像信息查询的检索,即在图像数据库中检索与用户所提交样本图像在指定内容上一致或相似的图像集合的过程,通过对图像底层特征的比较来实现检索,主要研究技术包括特征提取、相似度量、图像匹配、用户反馈等。这些便可利用在不必要物理切分器件的情况下而实现一些半导体参数的测量估计。
　　
　　
　　二、方法描述
　　
　　在现行的半导体器件生产环境下,半导体晶片上线宽的测量十分重要,通常由CD-SEM(Critical Dimension Scanning Electron Microscope)获取的top-down图像来实现。现阶段随着集成度越来越高,则线宽尺寸持续下降,使得线宽侧壁这样的细节特征凸显其重要性。而侧壁测量通常的实现方法是物理切分需要测量的器件晶片,然后使用扫描电镜获取它的横截面图像。这样不但花费大量的时间,最重要的是破坏了很多晶片资源,代价昂贵。所以考虑借助CBIR的思想,采用已有的特征图像建立相应的特征库,用模式识别的方法来间接估计半导体的侧壁值。
　　(一)理论基础
　　半导体关键尺寸的测量几乎无一例外的采用SEM图像,获取一种top-down的结构或者轮廓(即从上往下观察半导体线的特征)。但随着线宽这样的关键尺寸持续下降,半导体测量便不再局限于此,侧壁信息越来越重要,因为不同的侧壁情况可能导致测量的top-down图像相似而产生错误,那么需要物理切分晶片后获得一种cross-section图像(即横截信息图像),这种图像中包含有不同侧壁剖面,可以区分所对应的top-down图像相似情况下的侧壁信息。
　　借助已有的相对应的top-down/cross-section图像对,来建立一个图像检索系统,使新获得的top-down图像与系统中已有的top-down图像做特征比较,而系统中每一个top-down图像所对应的cross-section图像都包含有相应的侧壁信息,那么若有相似的top-down图像存在,则可用相对应的cross-section图像中的侧壁信息来估计新top-down图像中包含的侧壁信息。这样在不用切分晶片的情况下就可以获得未知半导体的侧壁等这样的参数信息,用于半导体制造中,可以进行工艺控制和超前工艺控制,以确保芯片质量,降低成产成本,提高芯片成品率。
　　(二)系统框架
　　1.基于SEM的图像受到传感器设置参数、物体表面情况等诸多因素的影响,而这些参数都决定了SEM对于各种表面类型和形状的响应,那么从SEM获得的top-down图像中提取侧壁是困难的,则需借助相应的cross-section图像。相对应的top-down/cross-section图像库的建立通常需要FEM(focus exposure matrix)晶片。这样的晶片可随着变化的曝光与步进的聚焦而产生大量的模式,所以这些模式的变化以及所代表的线宽等参数的变化可产生相当范围内的top-down/cross-section图像对,从而有对应着的侧壁形状。如果只要这个晶片可提供足够范围内的侧壁样本,就使得这个CBIR系统成为可能。
　　系统框图如下:
　　2.top-down图像、cross-section图像处理中的特征提取与计算。如上图所示,系统共分两部分:第一部分为建立数据库阶段,分别对top-down/cross-section图像提取相应特征。由于SEM的top-down图像为二次电子所成灰度图像,这里可采用Gabor滤波器组来提取其二维纹理特征作为主要特征进行存储,后采用合适的降维算法使得特征能更好的区分不同的侧壁情况。这里同时包含有对cross-section图像的边缘提取处理,目的在于提取出该类图像中所包含的侧壁信息。第二部分为数据查询阶段,即对用户所提交的查询top-down图像进行检索。为了对比具有可靠性,这里的查询top-down图像必须采用与库中top-down图像特征提取相同的算法来提取相应的特征。与此同时,应有能查找相似top-down图像所对应cross-section图像的算法,已找到其相对应的侧壁信息作为估计基础。
　　其中,对于cross-section图像中的侧壁提取是建立在晶片切分后,仅在数据库建立阶段出现,而数据查询阶段是没有的,所以系统一旦生成,用户查询是无需知道侧壁是如何提取的。将cross-section图像旋转并选取其中一根线,进行直方图归一化以保证所有用来提取侧壁的cross-section图像处于同一水平,再采用高斯滤波器进行图像预处理,去除边缘粗糙,而后的边缘算子可提取出cross-section图像中携带侧壁信息的边缘数据,至此,一系列能够唯一代表半导体横截面信息的特征即被提取。
　　那么对于top-down图像则应在选取线之前进行一些预处理,比如进行合适的小角度旋转,使每线都垂直于基座,之后即可选取合适的单一线的top-down图像提取特征。为了所提取特征能够适应不同的设计规则,即在不同的物理维数下能够进行比较,我们应采用不随图片尺寸变化的特征来进行计算存储。经验证明采用Gabor滤波器组来分析图像纹理特征是十分有效的,但处理后最终获得特征的维数较高,所以寻找能保留有效信息的数据降维方法也是系统中的重要组成部分。
　　
　　三、结论
　　
　　本文简单的讨论了一种利用CBIR系统实现半导体侧壁估计测量的方法,利用已有的top-down/cross-section图像对的特征训练形成数据库,以实现在不破坏现有器件或晶片的情况下获得半导体的关键参数。但其中图像的特征提取、降维算法、特征匹配以及CD-SEM这样的仪器设置如何达到最好精度则需要进一步讨论。
　　
　　参考文献
　　[1]P.R.Bingham,J.R.Price,K.W.Tobin,andT.P.Karnowski.Semiconductor sidewall shape estimation [J].in Journal of Electronic Imaging,2004,13(3).
　　[2]J.R.Price,P.R.Bingham,K.W.Tobin,and T.P.Karnowski,Estimating cross-section semiconductor structure by comparing top-down SEM images[J].in Machine Vision in Industrial Inspection XI,Proc. SPIE,2003.
　　[3]S.E.Grigorescu,N. Petkov,and P. Kruizinga.Comparison of texture features based on gabor filters[J].IEEE Trans Image Process,2002,(11).
　　
　　作者简介:张健(1981-),女,陕西西安人,西北工业大学明德学院助教,硕士,研究方向:图像处理。

转载注明来源:https://www.xzbu.com/8/view-8727660.htm