EEPW论坛

１ 引言

由于硅圆片上沉积任何不必要的物质都可能造成IC连接关系的错误，导致成品率的下降［１］。局域缺陷引起电气连接关系的错误主要有三种形式：开路、短路和形成新的有源器件［２］，研究和生产表明，引起成品率下降主要是冗余物缺陷和丢失物缺陷、氧化物针孔缺陷和结泄漏缺陷［３］。生产过程的质量检测需对这些缺陷进行识别与分类，以确定芯片的失效形式及缺陷的来源。据估计，８０％的芯片电学失效是由玷污引起的［４］。冗余物和丢失物缺陷是主要原因之一。冗余物缺陷主要由加工过程中硅片表面的灰尘颗粒、空气中的尘埃以及加工过程中化学试剂中的颗粒所引起。它们起到了遮挡光线的作用，因此导致光刻和腐蚀中形成各种IC结构缺陷。这些缺陷引起多晶硅、有源区和金属条的多余和丢失，从而引起成品率的下降。丢失物缺陷由光刻工艺中灰尘颗粒引起，如发生在一条线段上，则使线路断开形成开路错误［５］。本文在光学显微系统和图像采集系统下获取了有图形硅片经过相关处理后图像［６］，提出了一种基于提取骨架特征的IC晶片冗余物和丢失物缺陷短路电路失效形式识别方法，并通过实验证明了该方法的可行性。

２ 识别算法选择

骨架可以理解为图像的中轴，是描述图像几何拓扑性质的重要特征之一。如直线及孤立点的骨架是它自身；长方形的骨架是它的长方向上的中轴线；正方形的骨架是它的中心线；圆的骨架是它的圆心等［７］。图１，２和３是随机抽取的两幅IC晶片显微图像及其骨架图。图１是不存在缺陷的电路及其骨架图；图２是存在丢失物缺陷的电路及其骨架图，引起电路开路；图３是冗余物缺陷引起的电路及其骨架。当电路断路时，一条导线被截成了两条导线，根据骨架的性质，一条导线的骨架是一条直线，该导线被截后，提取的骨架则变成了两条线段。如果电路短路时，导线间发生短接，交叉在一起，骨架也就交接在一起。因此，可通过检测图像的骨架特征来实现对IC晶片缺陷的检测。识别过程如图４所示。

图像采集数字化后往往会产生误差，同时不均匀的光照、噪声干扰也会损坏图像质量，因此，一般都需要通过图像预处理来提高图像质量。缺陷的骨架是描述缺陷形状及识别缺陷的重要特征，在骨架特征提取前需进行图像分割，得到二值化的图像。受到骨架抽取算法的性质及图像质量的影响，初次提取的图像骨架一般存在噪声、多余端枝等，需要优化骨架。然后，采用基于骨架特征的识别方法实现缺陷的识别及电路失效形式的确定。

３ 骨架特征提取与优化

通常情况下，图像骨架的抽取过程被称为对图像“细化”的过程。其思想是通过像素的邻域特性来删除边缘点，最后得到单像素的连通边界［８］。下面分两种方法对图像细化的过程算法进行讨论：一种是先提取再优化骨架；另一种是先通过膨胀和腐蚀等算法处理后再细化。

３.１ 特征提取及骨架优化

抽取图像骨架的算法很多，本文采用了索引表细化算法。算法原理是：根据骨架点判断依据设计表；根据当前像素点的８邻域点情况查表，以确定该点是否为骨架点。

设（ｉ，ｊ）是图像要处理的某像素点（即中心点），要根据该点的８个邻域点的情况来判断它是否为骨架点，该像素的８个邻域点如图５所示。

第（１），（２）种情况（ｉ，ｊ）是孤立点，其骨架是本身；第（３）种情况（ｉ，ｊ）是连接点，若被删除则连通部分将断开；第（６），（７）种情况（ｉ，ｊ）是内部点，如其被删除则骨架将被掏空，因此在以上几种情况中（ｉ，ｊ）点不能删除。而在第（４），（５）种情况中，（ｉ，ｊ）是三交叉点［５］，被删除后不会破坏原来的连通性，则可以删除。根据骨架点判断依据，按照一定的规则设计表，由于骨架抽取前，图像已进行了阈值分割，因此，每个元素的取值只有两种情况：０或１。设１表示白点，０表示黑点，且当前像素点的８个邻域点与表中８位数的对应关系如图６所示。

根据图６的查表规则，处理图像从左到右，从上到下进行扫描，计算每个非边界点在表中对应的索引，如果是０，则保留，否则删除该点。如果某次扫描没有像素点被删除，则结束循环，得到骨架，否则重复以上操作。

图７，８，９是三幅随机抽取的工艺等级为０.１８μｍ的IC晶片显微图像，经过图像分割得到二值图，如图７（ｂ），８（ｂ），９（ｂ）所示，用该方
法提取的骨架见图７（ｃ），８（ｃ），９（ｃ）。

从图７（ｃ），８（ｃ）和９（ｃ）可知，由于待处理图像的质量及骨架抽取算法的性质，使得抽取的骨架存在一些多余像素及多余枝端，因此需要去除骨架存在的多余点及多余枝端。

①多余像素点删除

根据前述中的骨架点判断原则可知，在当前像素的８个邻域中只有第（４），（５）种情况的中心点可以删除，把这两种情况分别旋转９０°，１８０°，
２７０°，得到各个方向情况如图１０所示。

如果中心点像素与它８个邻域点的组合为图１０所示的８种情况之一，删除该点不会影响原来的连通性。

对图７（ｃ）及８（ｃ）采用多余点删除原则处理后，得到的图像如图１１。

②多余端枝删除

骨架中多余端枝的存在会影响骨架跟踪的速度与准确性，因此，必须去除偶然出现的端枝。通常情况下，多余端枝存在于骨架的三交叉点处，如图５的第（４）种情况。本文的处理原则是：给定计算像素个数的初始阈值Ｔ０；从当前端点出发，统计经过的像素值为０（黑点）的像素个数Ｔ；如果Ｔ＞Ｔ０时没有遇到一个三交叉点，则认为该端点没有多余端枝并改从其他端点出发；反之，如果Ｔ＜Ｔ０时发现存在三交叉点，则原路返回并把原来经过的黑像素点的像素值置０（白点）。

初始阈值Ｔ０根据研究对象的性质取不同值，本文取值范围为５～８个像素。对图１１取Ｔ０＝５，采用多余点删除原则处理后，得到的图像如图１２所示。从图１２可知，多余像素点和多余端枝去除后的骨架图干净利落，为骨架跟踪提供了单像素、单方向码的连通曲线，减少了骨架搜索的计算量，提高了丢失物开路故障识别的效率。

３.２ 先作膨胀腐蚀运算加骨架提取

优化骨架的另外一种方法先利用域值分割算法分割原ＩＣ图像，然后用数学形态学开运算消除背景噪声，对开运算的结果再进行形态学的膨胀和腐蚀算法，消除多余物缺陷中的小洞噪声，获得从复杂背景中分离和抽取多余物缺陷，对分离后的缺陷用形态学算子提取轮廓，流程如图１３所示。

由于不同冗余物原始图像的噪声大小形状各不相同，滤波工作有较大困难，故对分离出的冗余物缺陷内部的小洞噪声采用形态学连续膨胀运算来填补。膨胀运算的结构元素选取Ｅ＝３×３方形结构元素，膨胀后使冗余物成为无噪声的封闭图像。

为使膨胀后的缺陷与原始缺陷形状尺寸相等，对膨胀后的结果图像再进行相同次数的腐蚀运算

式中：Ｘ是经数字图像相关算法处理的图像；ＸＤ为膨胀ｎ次的图像，ＸＥ为ＸＤ腐蚀ｎ次的图像。

４ 缺陷故障识别

对开路缺陷应用索引表细化算法抽取图像的骨架，采用基于三交叉点的多余点去除原则去掉骨架的多余像素点，并采用阈值法删除骨架的多余枝端，从而得到单像素单方向码的连通曲线（骨架）。

对短路缺陷的情况按照第二种处理方法后获得的效果如图１４所示，由图可知得到的单像素曲线的多余端枝比图９（ｃ）少很多。因为处理方法二对小洞噪声有特殊的作用，所以识别采用先用膨胀和腐蚀算法处理图像，然后再应用细化算法提取骨架，得到单像素曲线。

根据缺陷故障的骨架特征，本文采用邻域跟踪法进行判断［８］，即在图像骨架点的８个邻域内进行搜索。如当前像素点在任一个邻域都不存在像素点则跟踪结束，并认为电路开路，否则继续搜索；如果是在当前像素点的领域内同时存在两个或两个方向以上的像素点，则认为是短路，并作出标识，以便判断是否电路中存在的交叉连线。骨架跟踪结果如图１５所示。具体步骤如下：

（１）对骨架图从上到下从左到右进行行扫描，找出第一个且未被标志的像素点（黑点）作为跟踪的始端，记为Ｐ０继续搜索；

（２）设Ｐｉ是当前像素点，在该点的８个邻域内寻找下一个未被标志的像素点标志为Ｐｉ＋１；

（３）如未扫描完骨架图时跟踪停止，认为该条线段是断开的，反映到原始图像则该条导线开路；

（４）如在扫描骨架的时候发现当前像素点存在两个方向以上的领域像素点，则认为是短路，并作出标识，否则重复步骤（２）；

（５）重复步骤（１），直到不存在未被标志的像素点，则结束跟踪。对图７（ｃ）和图８（ｃ）采用该方法识别结果分别如图１１（ａ）与图１１（ｂ）所示。

５ 结论

本文研究了ＩＣ晶片丢失物和冗余物缺陷故障的识别方法。该方法应用索引表细化算法提取图像骨架，提供了针对三交叉点采用多余点与多余端枝删除原则得到单像素、单方向码的骨架和用数学形态学处理图像再细化骨架的两种方法，指出两种方法分别用于开路和短路缺陷电路，最后采用邻域跟踪法实现电路开路失效形式的识别。实验结果表明了该方法的有效性，从而为IC晶片丢失物缺陷检测提供了一个新途径。