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通信設備、智能手機及個人電腦、VR/AR（虛擬現(xiàn)實技術(shù)/增強現(xiàn)實技術(shù)）及可穿戴設備、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)對位靶標工藝的不斷發(fā)展和工藝種類不斷增加，這也給對位靶標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）設備領域已取得突破性的進展[1]-[6]。國內(nèi)中科院，中國科技大學等國家重點實驗室和機構(gòu)也在進行激光直寫技術(shù)的研究，使用激光直寫技術(shù)制作了多種光刻掩膜[7][8]。而對于激光直寫設備來說使用靶標進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)對靶標精確識別方法進行相關(guān)探討。

2 常用靶標類型

LDI（激光直接成像）設備是通過精確抓取不同類型的靶標將需要曝光的圖形和待曝光的基板建立映射關(guān)系，從而實現(xiàn)將待曝光的圖像精確曝光到基板對應位置。所以靶標的精確識別是LDI設備精度的保證，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、十字靶標為主，還有部分是多種形狀組合而成的復合型靶標。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。常用的制作工藝有機械鉆孔、激光[9]等，使用不同的感光材料[10]技術(shù)，CCD（工業(yè)相機）成像出的圖像。

2.1 圓形靶標

圓形靶標出現(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 圓形靶標例圓

2.2 圓環(huán)靶標

圓環(huán)靶標和圓形靶標類似（如圖2所示）。

圖2 圓環(huán)靶標例圓

2.3 孔矩陣靶標

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

圖3 孔矩陣靶標例圓

2.4 梅花孔靶標

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

圖4 梅花孔靶標例圓

2.5 復合靶標

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

圖5 復合靶標例圓

2.6 其他類型靶標

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

圖6 其他類靶標例圓

3 檢測難點

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

3.1 靶標制作工藝問題

受限于不同廠家工藝水平，靶標的邊緣時常會出現(xiàn)破損，是因為機械鉆孔的精度不夠、激光能量不穩(wěn)定、壓膜貼合度低等問題造成的。從而造成靶標邊緣出現(xiàn)破損毛刺、靶標深淺不均勻，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依然會出現(xiàn)靶標模糊的現(xiàn)象。

3.3 光學成像問題

不同材料使用合適的光學系統(tǒng)進行準確成像一直都是行業(yè)發(fā)展的聚集點。直寫曝光工藝的靶標識別中受不同的材料工藝影響，光學成像系統(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 靶標問題圖

由相機、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，可以實現(xiàn)在多種環(huán)境下采集高清的圖像。適當利用反射光、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的目的?，F(xiàn)階段為了處理上述難點，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習圖像處理算法相結(jié)合的方案，如圖9所示。

4.1 粗定位算法

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

圖9 靶標識別流程圖

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行匹配。

4.1.2 基于Yolo目標檢測粗定位

考慮到產(chǎn)能和小目標檢測準確性情況，目前對于粗定位目標檢測使用YOLOv5[14]算法進行目標檢測，YOLOv5主要由Input（輸入端）、Backone（主干網(wǎng)絡）、Neck（混合傳遞特征）以及Prediction/Head（預測輸出網(wǎng)絡）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)增強算法，使用四張圖片通過隨機縮放，隨機剪裁，隨機排布的方式進行拼接。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到很好的訓練效果，有效地規(guī)避了梯度消失或梯度爆炸的情況發(fā)生。

4.2 圖像預處理

圖像預處理是圖像處理領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識別產(chǎn)生干擾。故使用圖像預處理相關(guān)算法是很有必要的步驟。現(xiàn)階段預處理算法主要是濾除噪聲和對于模糊圖像進行增強對比度處理。

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表面紋理，而保留靶標高頻邊緣信息。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

目前使用最多的圖像增強算法是直方圖統(tǒng)計圖像增強[19][20]，此算法可以有效地對指定直方圖區(qū)域進行拉升增強，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使用圖像增強的算法增強靶標對比度，如圖10所示。之后使用迭代篩選剔除錯誤的輪廓點獲取最終檢測結(jié)果。

圖10 靶標預處理圖片圖

4.3 精確定位

對于不同成像的靶標圖片采用不同的精確檢測算法。對于邊緣銳利的靶標圖片可以直接使用輪廓篩選檢測算法直接檢測靶標相關(guān)信息；對于邊緣模糊的靶標圖片采用深度學習語義分割算法可以較為精確地分割靶標和背景區(qū)域；對于邊緣存在破損的靶標，使用卡尺檢測算法可以有效地篩選剔除錯誤的邊緣點，最后檢測出靶標的相關(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)絡接口，提出的初衷是用于醫(yī)學圖像分割，此網(wǎng)絡是一種U型網(wǎng)絡結(jié)構(gòu)。

Unet網(wǎng)絡非常的簡單，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)絡進行語義分割后的靶標檢測效果圖，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和背景區(qū)域，之后再通過邊緣擬合的方式獲取準確的靶標中心點坐標。

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)域單獨計算像素值，使用最大梯度變化準則，或者尺度變化，梯度方向等多種方案進行刪選獲取一個最佳像素點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，之后通過最小二乘算法將篩選出的像素點按照圓公式擬合獲取中心點坐標值。通過此算法將靶標劃分成多個區(qū)域單獨檢測輪廓點像素，對于部分邊緣梯度變化不明顯的靶標圖片可以有效地檢測出靶標邊緣點坐標。

4.4 結(jié)果校驗

靶標檢測出結(jié)果后需要根據(jù)先驗信息對檢測結(jié)果進行校驗。對于類圓型靶標可以使用圓度校驗的方案進行校驗；對于矩形，十字和拐角類靶標可以使用直角度校驗的方式進行校驗；對于由多個圖形組成的復合型靶標，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坐標的方式進行校驗。此類校驗可以有效地規(guī)避錯誤檢測情況，對于復合型靶標檢測中心點歐氏距離可以有效地剔除破損嚴重的靶標，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

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

由表1測試統(tǒng)計表可以看出總體來說使用傳統(tǒng)卡尺算法進行精確計算檢測準確率和重復抓取穩(wěn)定性較好，使用語義分割算法運行速度較快。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)不同的工藝情況設置不同的檢測算法是一種較為合理的處理模式。單獨的基于深度學習的圖像算法和傳統(tǒng)圖像處理算法均很難單獨解決所有問題，故根據(jù)不同情況使用深度學習圖像算法和傳統(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）靶標粗定位中在數(shù)據(jù)量足夠的情況下使用基于深度學習的目標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)和訓練數(shù)據(jù)往往花費大量的時間和人力成本，故傳統(tǒng)模板匹配算法雖然穩(wěn)健性低于深度學習算法，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習的算法現(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。