1.本发明涉及有图形晶圆的缺陷检测领域，尤其涉及一种电子束晶圆缺陷复检设备的复检准备方法和复检方法。
背景技术：
：：2.大规模集成电路(ic)制造前道工序中包含晶圆缺陷检测，主要是在线(inline)检测，速度要求高，用于有图形晶圆(patternedwafer)检测的相关设备包括用亮场(brightfiled，简称bf)光学缺陷检测设备和暗场(darkfiled，简称df)光学缺陷检测设备，以及电子束晶圆缺陷检测(e-beaminspection,简称为ebi)设备等。参考图1，晶圆100中的许多晶粒(die)中都含有例如来自bf或df,或ebi初检设备所获缺陷(不同的标识表示不同的初检缺陷分类类型)。随后需对初检结果中的缺陷进行复检(review)，用更高分辨率的图像，例如可达2nm附近，并对初检的缺陷区域进行检测，并进行特征提取和分类，以帮助ic制造厂商及时发现问题，优化工艺，提升良率。所述复检主要用电子束晶圆复检(e-beamreview,简称为ebr)设备。3.复检设备4.参考图2a，电子束扫描晶圆缺陷复检设备例如为ebr设备200，其部件包括核心的扫描电镜(sem)，扫描电镜中有电子光学镜筒(column)211也就是一种扫描电镜(scanningelectronmicroscope,简称为sem)系统，和与其平行的普通光学显微成像系统(opticalmicroscope,即om)212，om系统212用于初级晶圆对准(waferalignment，简称为wa),可有不同放大倍率的物镜。ebr设备200还包括机械运动平台(stage)213，用于放置晶圆214，晶圆搬运系统前端模组(efem)215，其中有机械手(robot)2151和预对准器(pre-aligner)2152，其外可放置晶圆盒(cassette)2153。efem215和包括机械运动平台213的主腔体之间还有真空过渡室216，主腔体内还有机械手217用于真空过渡室216和机械运动平台213之间的晶圆搬运。晶圆214上片后是放置在机械运动平台213上的静电托盘(e-chuck)上的。另外ebr设备200还有工业计算机218，其上运行软件219，包括图形用户界面(gui)软件，系统软件，数据库，算法软件，和底层硬件驱动、通讯软件等。5.电子光学镜筒(column)211即sem系统较初检设备ebi中的有更高的分辨率，例如束斑尺寸在2nm–10nm范围，较初检用的bf或df设备的分辨率更要高出一或二个量级。参考图2b,一所述ebr设备中sem系统结构示意图，其主要部件包括电子源、聚光透镜、限束光阑、扫描线圈、电磁物镜和探测器，负责电子束的产生、聚焦、扫描,以及从样品上产生的二次电子(secondaryelectron)和其他电子包括反射电子(backscattedelectron,bse)的探测，然后经信号放大和模数转换(a/d)，及信号处理等步骤，最终产生sem图像。6.复检准备方法7.假定所述ebr设备各部均经过校准，也包括应用中所需工作参数的校准，包括入射能量(landingenergy),束斑尺寸(beamsize),视场(fov)等。和绝大部分半导体设备一样，所述ebr设备在进行所述复检时，需要创建工作菜单(recipe)，其下包括子recipe以确定其工作(往往是inline)时的步骤，其中包括其本职工作即复检工作，也包括其实施本职工作前的准备工作。上述创建的recipe中还包括提供对该类待复检晶圆的在复检中即执行所述recipe时所需的参数，例如晶粒尺寸/周期(diepitch)，如果要复检内存(memory)类晶圆的话也包括内存尺寸/周期(cellpitch),以及所述复检所需准备工作例如晶圆对准(waferalignment，简称wa),图像灰度优化(imagegrayscaleoptimization,简称igo)，快速自动聚焦(quickautofocus,简称qaf)等，以及复检准备工作中所需的相关参数/内容,例如进行wa所需要的各级模板和匹配位置，igo和qaf需要的工作位置的确定。8.所述ebr设备在产线上工作，就是执行所述recipe。当然此时不言而喻，设备要处于正常状态。下面是ebr设备工作的主要步骤：9.晶圆上片的步骤10.参考图2a，efem将晶圆从晶圆盒取出，进行预对准，经真空过渡室，将晶圆放置于机械运动平台上，其取向(由周期排列的晶粒决定)和中心位置有一定的不确定性，例如分别在±1°和200μm之内(高端部件的误差范围或略小),因此需要wa，往往是多级的wa将其取向和位置纠正到本职工作即缺陷复检所需的精度。11.晶圆对准的步骤12.这里指的是有图形晶圆(patternedwafer)的对准。这是所有有图形晶圆上片后必做的第一步。13.参考图3，在创建warecipe时，通常在靠近晶圆中心处采集模板图像300，从中选取模板例如301或302，它在图中具有唯一性，且亮度、对比度都须达到既定要求，然后移动晶圆/机械运动平台1或多个晶粒的距离(不会相隔太远)，采集目标图像310，用模板例如301到其中进行模板匹配，搜寻获最佳匹配位置311。不管是用各种放大倍率的om图像还是sem图像的wa皆用此类方法。例如到高放大倍率的sem图像时，有模板图像320，其中有模板321，该模板到目标图像330中获得相应的匹配位置331。模板匹配常用算法很多，例如图像相似度算法，包括互相关(normalizedcrosscorrelation，ncc)算法或是基于特征(feature-based)的模板匹配方法，且在亚像素精度。另外晶圆上晶粒排列在x,y方向上都有周期，晶粒之间为street，业内有标准的尺寸。通常wa有多级,最常见的是3级，最初级用om，中间级用低放大倍率的sem图像，最高级用高放大倍率的sem图像。参考图4a，各级wa中都是用沿同一行(列)多个die位置匹配位置结果，依次逐步获取更多远离晶圆中心模板匹配位置，如匹配位置411，412，413，414，415，416，共同参与，例如取其中匹配成功的点拟合直线，来获得晶圆取向角θ，并予以纠正，例如反方向转动晶圆/机械运动平台或在晶圆坐标系和机械运动平台坐标系之间建立一个对应关系(根据具体系统而定)，然后切换到下一级wa,以同样的方法做，直至完成全部各级wa。晶圆对准时晶圆上目标图像采集位置的选择方式有多种，不限于图4a中那样都在水平方向的位置，但都是基于晶粒的周期性来选择。例如参考图4b，晶圆上位置421，422，423，424，425(在x,y方向都有匹配点)也都可以作为目标图像采集位置用于采集目标图像，然后进行模板匹配也可以实现晶圆对准，方法原理上类似，后文中就用图4a来帮助阐述。在完成当前级wa后，过渡到下一级wa,然后以同样方法，用分辨率更高的图像进行下一级的wa,例如用高放大倍率的om图像或tdi/sem图像进行，直至完成最后一级晶圆对准，通常是用高放大倍率sem图像，以保障所述ebr设备本职工作的精度。图4a和4b中的晶圆对准方法，以后就用图4a中的为例。14.定参考点的步骤15.晶圆对准后就可以确定晶圆上的参考点位置，用于定义晶圆坐标系原点。通常是在创建recipe时已经确定了其位置和模板图像,例如用晶圆中心附近street上特制的标识(alignmentmark，简称am)或事先确定的图案的图像，通常是高放大倍率的sem图像，做模板匹配就可以确定所述参考点位置，随后建立晶圆坐标系。16.自动聚焦的步骤17.所述ebr设备在执行本职工作前还需快速自动聚焦(qaf)。这通常因为每个晶圆厚度变化且sem系统工作参数也会随时间渐渐漂移(在同样的工作变量设置聚焦度变差,也部分因为晶圆厚度/高度，也即晶圆表面到sem系统的工作距离的改变)。图5a中显示sem的焦深范围501。所谓快速，指通常只改变sem电磁物镜中的电流im控制变量，适合于小范围内(失焦不严重时且无明显散光)的焦距调优，无机械运动因此速度快，直接在待检测晶圆上做的。它不同于设备工作前的全面的、较大变化范围的聚焦度校准，即calibrationautofocus(简称caf)也是自动的,其中还包括校准散光(astigmatism,即不同方向上聚焦程度不同，此时电子束的束斑呈非圆状)的校准,因此还涉及一对控制电压，校准结果使三者同时达到最佳。对其中任一变量，所谓最佳就是使得其聚焦度focus达到峰值，相比上述qaf,控制变量变化搜寻范围更广。聚焦度的具体量称为focusmetric，简称fm，通常是测量图像中的某种特征例如边缘(包括用不同的边缘提取算子/核和尺度提取的边缘)考察其多寡，算法很多，由于它是广延量，不同测量对象的fm通常不具可比性，不同的fm算法的结果之间也不具可比性。caf通常不是在晶圆而是在机械运动平台上装置的高强度耐用的金属目标上做的，如图5a中的目标502所示。caf只是系统校准，在设备对晶圆工作时，仍需要对晶圆表面做聚焦。另外还有更粗略的晶圆高度/z方向的校准(calibration)，可以假定在此没有问题。18.回到qaf的细节，如果是聚焦度控制变量较大范围搜寻最佳fm，其结果如曲线503所示。大范围搜寻耗时，严重影响设备吞吐量(throughout)，也容易损坏晶圆。而如果是小范围搜寻最佳fm，如曲线504所示，只需要少数几个点，例如最少需要3点(对应于在晶圆上同一位置，最少采集不同控制变量下3帧图像)就可以确定曲线峰值，在假定系统聚焦度改变/漂移不大的情况下，即获得最佳焦距度对应的控制变量，例如前述的电磁物镜的线圈电流im。但如果电子光学系统(指所述ebr设备上sem系统包括软硬件和固件)偏移相对于im搜寻步长过大的话，通常3点(对应于在晶圆上同一位置采集3帧图像)不够，其中可能不包括峰值，而如果控制变量改变的步长过大则qaf结果精度差，系统未能达到最佳的聚焦度。19.业内通常选择在晶圆上包含x和y方向特征(边缘)的区域做qaf,参考图5b，其中有多个晶粒510，wa匹配点(位置)511和512，如同图4中匹配位置411，412，qaf图像采集位置515或516(图中图像采集位置517是用于图像灰度优化的位置，暂先不用管它)，可以用wa中匹配位置511或512来确定qaf(也包括后文中要讲的igo)所需图像采集的相对位置(offset)。20.所述聚焦度fm的计算，大多是考察图像清晰度/锐度(sharpness),也和目标形状相对应，例如计算图像的一维(1d)梯度/边缘提取:[0021][0022]其中▽代表一阶梯度运算，也可以是阶梯度运算即二阶拉普拉斯运算，或其他梯度运算，g为高斯函数,为卷积运算的符号，i为sem图像。灰度图像梯度/边缘提取算法很多，不再赘述。[0023]另外由于本文中只涉及qaf,为方便起见，今后文字上不区分自动聚焦和快速自动聚焦，均指所述的qaf。[0024]图像灰度优化的步骤[0025]在所述ebr设备对晶圆上缺陷进行复检前，要进行图像灰度优化(imagegrayscaleoptimization,简称igo)，否则，参考图6a，以8位(bit)图像数据类型为例，就会出现sem图像的灰度直方图过窄(如曲线601)即灰度分辨率低，高端灰度饱和(如曲线602)，低端灰度饱和(如曲线603)，都不利于缺陷的探测，即难以探测到缺陷和/或容易产生误判，理想的sem图像的灰度直方图应该是像曲线604那样的。通常即使是同类晶圆，不同晶圆在同样位置的sem图像灰度分布可能不同。所述图像灰度优化不是简单的纯软件的图像直方图操纵(histogrammanipulation)，因为这会严重影响缺陷灰度阈值的设定和增加图像噪声，业内通常都是通过优化信号放大器(参考图2b)中的工作参数，例如gain和offset来进行的，因为最终图像像素的灰度值i和二者有这样的关系：[0026]i∝(gainv+offset)[0027]通常都是在晶圆上选择图像灰度优化位置，例如图5中的位置517，使得在其上采集的sem图像代表灰度最高的材料，其次包括灰度最低的材料，如图6b，示意了在一个图像采集位置采集的sem图像，该图像中代表灰度最高的区域621和灰度最低的区域622，在晶圆上同一个图像采集位置，否则需要2个不同的图像采集位置，这都是可行的。然后设置灰度优化目标包括最低灰度lo,最高灰度ho,对比度co＝ho–lo。然后和图像中测量的实际l,h,或/和c＝h-l建立评价函数，例如可以是w1(c–co)2+w2(h–ho)2+w3(l–lo)2，其中权重因子w1,w2,w3取值在[0,1]之中，其和为1。其中用迭代回归的方法例如梯度下降法，获得最接近目标的gain和offset值。这也是现有技术，不再赘述。[0028]当前问题[0029]上述方法均为现有技术。有下列明显的问题，特别是所述ebr设备在其本职工作前的准备工作中有下列问题，包括：[0030]1.上述各部准备部分相互独立，不仅浪费时间，且次序混乱可能导致效果不佳。例如qaf有时在semwa开始前做，有时在做semwa之后做,又有时在做semwa前后都做，又有时先不在晶圆上做，而是在机械运动平台上专门的样品(chip)上做qaf,然后再回到晶圆上做。另外做igo的时机也一样不确定，且常常不合理。总之现有技术中的上述各部准备部分步骤冗余重复，效率低下，不仅降低了设备吞吐量(throughput)，且常常因效果不佳，影响工作精度。[0031]2.尤其是在做快速自动聚焦(qaf)时，现有技术都在晶圆上待复检区域进行，过程中需要采集多帧图像，例如qaf至少需要采集3帧图像，且如果控制变量改变步长选择不当的话(非小概率事件，因为往往仅凭经验)，需要更多次采集图像，才能判断相对最佳聚焦状况。因此，不仅降低了设备吞吐量(throughput)，也增加损坏晶圆的风险(固定位置重复扫描可极化介质材料导致局部荷电即charging)；[0032]3.另外现有技术中还有其他较小的问题，包括：无论是在做qaf或igo时，均未注意避开缺陷，特别是能够干扰结果的大缺陷,导致在某些情况下qaf或igo结果欠准从而影响所述ebr设备本职工作的精度。技术实现要素：[0033]本发明的目的在于提供一种电子束晶圆缺陷复检设备的复检准备方法和复检方法，用以解决现有技术中所述ebr设备在其本职工作前的准备工作中的问题1和问题2。[0034]为达此目的，本发明实施例采用以下技术方案：[0035]一方面，公开了一种电子束晶圆缺陷复检设备的复检准备方法，包括：在晶圆上片并获取初检信息和完成光学显微系统下的晶圆对准后，进行扫描电镜的图像灰度优化；在所述扫描电镜下的多级晶圆对准的实施中判断是否进行扫描电镜的自动聚焦，根据判断结果完成该级晶圆对准或所述自动聚焦，完成该级晶圆对准和其余更高级的晶圆对准；确定晶圆坐标系的参考点。[0036]进一步地，该方法包括依次执行的以下步骤：。[0037]s1、将晶圆上片并获取初检信息；[0038]s2、完成光学显微系统下的晶圆对准；[0039]s3、对所述扫描电镜完成图像灰度优化；[0040]s4、进行所述扫描电镜下的晶圆对准和聚焦度检验，包括：[0041]s4.1、开始进行所述扫描电镜下的第一级晶圆对准；[0042]s4.2、并在其中检验所述扫描电镜的聚焦度，判断是否实施自动聚焦，根据判断结果实施自动聚焦或进入下一步；[0043]s4.3、完成所述扫描电镜的第一级晶圆对准；[0044]s4.4、完成所述扫描电镜的余下更高级晶圆对准；[0045]s5、确定晶圆坐标系的参考点。[0046]进一步地，当进行所述图像灰度优化和/或自动聚焦时，使用无缺陷或缺陷尺寸小于等于预设尺寸的位置采集图像。[0047]进一步地，在创建晶圆对准工作菜单中不仅保留扫描电镜对准所用的模板和在晶圆上的匹配位置即目标图像采集位置，也保留完整的包含所述模板的模板图像。[0048]进一步地，在步骤4.1中，在第一匹配位置采集第一目标图像；在步骤4.2中，在采集所述第一目标图像后开始所述聚焦度的检验，在检验所述聚焦度时，使用晶圆对准中最先遇到的成功匹配的且和模板图像重叠区域满足既定条件的目标图像即聚焦工作目标图像，比较所述目标图像和模板图像的重叠区域的聚焦度，根据所述比较的结果以及既定阈值判断是否实施自动聚焦。[0049]进一步地，在步骤s4.4中，使用与步骤s4.2相同的聚焦度的检验方法判断是否实施所述自动聚焦，根据判断结果实施自动聚焦或完成当前一级晶圆对准。[0050]进一步地，当创建工作菜单时，在所述工作菜单中保存主模板图像、位于主模板图像周边设定距离的模板图像以及形成的多帧模板图像中各自的模板；当执行所述工作菜单时，在步骤4.1中，在第一匹配位置采集第一目标图像，在步骤4.2中，在采集所述第一目标图像后开始所述聚焦度的检验，此时若所述主模板图像中的模板与第一目标图像匹配失败或二者的重叠区域不满足既定阈值条件，用所述主模板图像周边的模板图像和第一目标图像进行匹配，选择重叠区域面积最大的成功匹配的模板图像，比较其和所述第一目标图像的重叠区域的聚焦度，根据所述比较的结果以及既定阈值判断是否实施自动聚焦。[0051]进一步地，在所述重叠区域中选择局部区域，比较在所述局部区域获得的模板图像和目标图像的聚焦度，根据所述比较的结果以及既定阈值判断是否实施自动聚焦。[0052]进一步地，所述局部区域为缩小的重叠区域，以使得该局部区域的图像特征占比更高。[0053]进一步地，所述局部区域为分别在所述重叠区域中选择二独立的区域，分别用于计算正交的x,y方向的聚焦度fx,fy。[0054]进一步地，基于所述模板图像在x方向的聚焦度fx1和y方向的聚焦度fy1获得第一聚焦度比值s1，基于所述目标图像在x方向的聚焦度fx2和y方向的聚焦度fy2获得第二聚焦度比值s2，比较所述第一聚焦度比值s1和第二聚焦度比值s2，并根据比较结果产生警告信息。[0055]进一步地，所述自动聚焦包括：基于模板图像、扫描电镜的当前级晶圆对准中成功匹配且与模板图像重叠区域满足既定条件的目标图像即所述聚焦工作目标图像、该聚焦工作目标图像在晶圆上的采集位置即聚焦工作位置，以当前执行晶圆对准工作菜单中的初始聚焦度控制变量i0为起点，按既定搜寻步长改变聚焦度控制变量值并采集1或多帧搜寻图像，在所述模板图像与搜寻图像的重叠区域进行聚焦度的比较，搜寻所述比较的结果满足阈值条件时所对应的聚焦度控制变量值，并以其设置所述扫描电镜，从而完成所述自动聚焦。[0056]进一步地，使用所述模板图像和重叠区域满足所述既定条件的成功匹配的目标图像的在重叠区域内聚焦度差别δf，并结合经验公式确定所述搜寻步长，并以该搜寻步长搜寻所述最佳聚焦度。[0057]进一步地，按既定方向在所述初始聚焦度控制变量i0一侧开始搜寻，以一个所述步长改变所述控制变量，获控制变量i1，采集相应的第一搜寻图像，直接比较所述第一搜寻图像和模板图像在重叠区域的聚焦度，如满足所述阈值条件则以控制变量i1设置扫描电镜，完成所述自动聚焦，否则基于当前目标图像和第一搜寻图像的聚焦度差别来确定控制变量改变的方向，再以一个所述步长改变聚焦度控制变量，获控制变量i2，采集相应的第二搜寻图像，直接比较其和所述模板图像在重叠区域的聚焦度，如满足所述阈值条件则以控制变量i2设置扫描电镜，完成所述自动聚焦，否则用所述初始聚焦度控制变量i0、聚焦度控制变量i1和聚焦度控制变量i2和相应的聚焦度值拟合二次曲线获得最佳聚焦度对应的聚焦度控制变量，并以其设置所述扫描电镜，完成自动聚焦。[0058]另一方面，公开了一种电子束晶圆缺陷复检设备的复检方法，包括：使用上述的方法对有图形晶圆进行缺陷复检准备，然后执行所述复检设备的本职工作。[0059]有益效果：[0060]本发明实施例优化了ebr设备复检准备流程，将判断是否执行快速自动聚焦qaf的内容穿插到wa之中，除去了现有技术中的步骤紊乱和冗余,降低了现有技术中不当地过多采集sem图像导致的损坏晶圆的风险，提升了复检准备工作的效率和精准度，也提升了ebr设备的吞吐量，即解决了上述的问题1和问题2。[0061]此外，当进行所述图像灰度优化和/或自动聚焦时，使用无缺陷或缺陷尺寸小于等于预设尺寸的位置采集图像，故本发明实施例还解决了上述的问题3。附图说明[0062]图1为现有技术中有初检缺陷的待复检晶圆的示意图；[0063]图2a为现有技术中一例电子束扫描晶圆缺陷复检设备的示意图；[0064]图2b为现有技术中一例电子束扫描晶圆缺陷复检设备中sem系统的结构示意图；[0065]图3为现有技术中晶圆对准中的模板选取方式的示意图；[0066]图4a为现有技术中一种某级晶圆对准中匹配位置的示意图；[0067]图4b为现有技术中另一种某级晶圆对准中匹配位置的示意图；[0068]图5a为现有技术中电子束扫描晶圆缺陷复检设备聚焦相关原理和方法的示意图；[0069]图5b为现有技术中在晶圆上选择用于自动聚焦或图像优化的图像采集位置的示意图；[0070]图6a为现有技术中sem图像的问题灰度直方图和正确灰度直方图的示意图；[0071]图6b为现有技术中在晶圆上代表性区域中选取图像优化位置的示意图；[0072]图7为现有技术中ebr设备主要复检方法的示意图；[0073]图8为本发明实施例中电子束扫描晶圆缺陷复检设备复检准备的流程的示意图；[0074]图9a为本发明实施例中模板图像和一目标图像匹配后重叠区域的示意图；[0075]图9b为本发明实施例中晶圆对准模板图像和不同匹配位置上的目标图像的重叠区域的示意图；[0076]图9c为本发明实施例中在重叠区域中进一步选择缩小子区域的示意图；[0077]图9d为本发明实施例中在重叠区域中进一步选择二独立子区域的示意图；[0078]图9e为本发明实施例中在晶圆上多个位置采集多帧模板图像的示意图；[0079]图10a-图10b为现有技术中不同情况下聚焦度控制变量和聚焦度之间关系的示意图；[0080]图10c-图10f为本发明实施例中不同情况下聚焦度控制变量和聚焦度之间关系的示意图。具体实施方式[0081]下面结合附图对本发明实施例中的技术方案进行清楚、完整地描述。[0082]本发明均涉及应用中最普遍的有图形晶圆(patternedwafer)。晶圆对准(waferalignment,简称wa)是晶圆上片后的第一个步骤，是所述ebr设备本职工作的前置条件，也是必经之路，因此本发明中主要思路就是尽可能利用wa，在实现wa过程中尽可能使所述ebr设备为其本职工作做好准备。这样可以节省时间即提高设备吞吐量，还可以保障精度。[0083]此时所述ebr设备应该处于正常状态，即各部皆已经过校准，可以执行其工作菜单(recipe)状态，且此时已确定了具体工作菜单，涵盖设备所述准备工作和所述本职工作各步骤。[0084]本发明实施例提供了一种电子束晶圆缺陷复检设备的复检准备方法,包括：[0085]在晶圆上片并获取初检信息和完成光学显微系统下的晶圆对准后，进行扫描电镜的图像灰度优化；在所述扫描电镜下的多级晶圆对准的实施中判断是否进行扫描电镜的自动聚焦，根据判断结果完成该级晶圆对准或所述自动聚焦，完成该级晶圆对准和其余更高级的晶圆对准；确定晶圆坐标系的参考点。[0086]在一实施例中，参考图8，所述复检准备方法包括依次执行的以下步骤：[0087]s1将晶圆上片并获取初检信息。[0088]所述ebr设备按recipe中流程对待复检晶圆上片，放置于机械运动平台213上。同时所述ebr设备系统软件打开该晶圆对应的初检结果文件，获取初检信息，包括相关晶圆信息和初检结果，其中包括初检缺陷位置，是后续复检/本职工作所需，在一实施例中，当前准备工作中也需要知悉初检缺陷位置，因为在后面igo和qaf中的图像采集都需要避开缺陷，主要是要避开面积超过既定阈值和强度超过既定阈值的大缺陷的干扰，具体地，当进行所述图像灰度优化和/或自动聚焦时，使用无缺陷或缺陷尺寸小于等于预设尺寸的位置采集图像，故本发明实施例解决了上述的问题3。[0089]s2完成光学显微系统下的晶圆对准即完成omwa。[0090]所述ebr设备的晶圆对准(waferalignment,wa)均始于omwa。不同的设备，可能包括1或多级不同放大倍率下的omwa,在一实施例中，至少1级最多3级，1或2级最常见。omwa过程本身和现有技术中的也相同,也如
背景技术：
：中描述的，包括在每一级omwa中，到晶圆上匹配位置(即目标图像采集位置)采集目标图像，以创建recipe时确定并保存的模板，进行模板匹配/搜寻，在一实施例中，用多个成功匹配位置拟合直线，如图4a中所示，最终确定晶圆取向并予以矫正，例如转动机械运动平台，并验证通过；在另一实施例中，根据成功匹配位置获取晶圆坐标系和机械运动平台坐标系的坐标转换矩阵，保存该坐标转换矩阵，以便于ebr设备知悉当前一级晶圆对准时的坐标转换矩阵，ebr设备后续执行本职工作时可基于该坐标转换矩阵进行缺陷复检。[0091]s3对扫描电镜完成图像灰度优化即完成igo。[0092]由于igo对图像位置的要求不高，在omwa后就可以进行了。在omwa完成后,移动晶圆到recipe中既定的igo位置，例如图5中的位置517，它相对semwa位置(例如图5中hmsemwa位置511有固定的相对关系即offset，其中，hm即高放大倍率)采集图像，首先根据既定对比度和/或灰度要求(c,h,l的要求)检验是否达标，达标的话就算完成igo了,不占用过多时间，否则继续，方法和
背景技术：
：中描述的现有技术中的方法相同，也是优化系统放大电路的gain和offset，故不再赘述。略有不同的是，在本发明一实施例中，如果既定的igo位置包含初检中获得的大缺陷，则应避免之，可以选择相邻晶粒中同样的位置采集图像来进行igo。[0093]s4进行扫描电镜下的晶圆对准和聚焦度检验，即进行semwa和聚焦度检验的复合步骤。[0094]它包括如下子步骤:[0095]s4.1开始进行扫描电镜下的第一级晶圆对准即开始进行lmsemwa。[0096]在全部omwa完成后，系统切换到lmsem图像采集模式，通常semwa有多级，最常见的有2级，例如初级为低放大倍率(lowmagnification,简称lm)sem图像，第2级为高放大倍率(highmagnification,简称hm)sem图像,总是先低后高。下面均以2级semwa为例，适用于多于2级的情况。参考图4，在步骤s4.1中，移动晶圆到lmsemwa的第一匹配位置411，在第一匹配位置411处开始采集该级wa的第一目标图像,用recipe中保留的模板到其中搜寻即进行模板匹配(注意,不同于现有技术,在本发明实施例中,产生该模板的相应的模板图像也保留在recipe中,即在创建晶圆对准工作菜单中不仅保留扫描电镜对准所用的模板和在晶圆上的匹配位置即目标图像采集位置，也保留完整的包含所述模板的模板图像，在后面是有用的),如在图4中的第一匹配位置411处采集第一目标图像，但不急于采集其余目标图像(因为在本发明实施方案中需要将所述ebr设备的聚焦度检验穿插于wa中，以便精简优化流程，提升效率乃至整个设备的吞吐量)来完成当前级的wa，而是从当前的目标图像，例如从第一匹配位置411处采集的第一目标图像开始，进行qaf即系统聚焦相关的工作(包括聚焦度检验和在必要时进行快速自动聚焦即qaf)，尽管最终仍需要和现有技术中的一样，采取一系列目标图像例如在图4中的各匹配位置412，413,…416分别采集目标图像，并分别进行模板匹配，使用匹配成功的匹配位置拟合直线，来完成当前的wa。[0097]s4.2检验扫描电镜的聚焦度，判断是否实施qaf，根据判断结果实施qaf或进入下一步。[0098]在一实施例的步骤s4.2中，然后就用当前目标图像，例如第一目标图像检验聚焦度fm，即在采集所述第一目标图像后开始所述聚焦度的检验。需要说明一下，如果此时第一目标图像不适合(例如模板到其中的匹配失败，或模板图像和目标图像相对位移太大而重叠区域过小，达不到既定阈值)用于检验聚焦度或自动聚焦，直接的对策是，采用下一个目标图像例如到第二匹配位置412处采集目标图像(也最接近第一匹配位置411和晶圆中心),也就是第二目标图像，理论上可依次是第2,3…目标图像，直到重叠区域面积达到既定要求，也就是说使用(且仅用)晶圆对准中最先遇到的成功匹配的且和模板图像重叠区域满足既定条件的目标图像，该目标图像就确定为聚焦工作目标图像，相应的在晶圆上的图像采集位置就确定为聚焦工作位置，比较所述目标图像和模板图像的重叠区域的聚焦度，根据所述比较的结果以及既定阈值判断是否实施自动聚焦。在一实施例中，实际上由于该目标图像采集位置会根据前一次匹配位置的差别适当调整，因此匹配结果不会差(即后文涉及到模板图像和目标图像重叠区域不会小)，通常只需要用到第二目标图像和该图像采集位置即第二匹配位置。需要说明，这里看起来多采集一帧图像，但由于涉及的图像采集仍是wa中的必须的一部分(只是不是第一帧图像而已)且由于如前所述wa本身对聚焦度的要求相对较低，因此总体上完全不增加额外图像采集即无额外耗时。当然后文中还有其他对策，包括在创建recipe时准备多帧模板图像，使用其中和当前目标图像匹配重叠区域最大的。[0099]补充说明上述重叠区域相关内容的意义。重叠区域是指当模板匹配成功时将模板图像中的模板和目标图像中的匹配位置重合在一起时模板图像和目标图像之间的重叠区域。假定某模板在模板图像中的位置(x0,y0)(无论用模板左上角或模板中心位置)，用该模板到某目标图像中搜寻即进行模板匹配，找到满足既定相似度阈值条件的最佳匹配位置(x1,y1)，则模板图像和目标图像有相对位移(wa的单个图像中均不需考虑二图之间的相对转动),dx＝x1–x0,dy＝y1-y0,假定二图尺寸相同宽高分别为(w,h)，重叠区域面积为(w-dx)×(h-dy)，如图9a中阴影部分所示，即模板图像901和第一目标图像902之间有重叠区域903。本发明实施例中对重叠区域面积有既定的阈值要求，包括绝对阈值和/或相对阈值(原图像面积w×h的一个百分比，例如65％)。图9b中显示上述的模板图像和第一目标图像重叠区域不足的情况，其中910为所述模板图像，911为第一目标图像，二者的重叠区域9101面积不满足既定阈值要求，而第二目标图像912和所述模板图像910的重叠区域9102满足既定阈值要求，可以用于聚焦度检验或自动聚焦，此时第二目标图像912就是聚焦工作目标图像，其采集位置即wa中第二匹配位置就是聚焦工作位置。如前所述，理论上讲wa中后续的目标metric，简称fm)。这时也包括在x,y方向分别求1d的聚焦度fx,fy或者求基于这二者的2d的聚焦度f。补充说明，虽然求fm的方法和现有技术中的相同，但这里的意义不同。因为fm值是相对的，没有绝对标准，相同的目标对象也只能给出其中fm最高的，因此现有技术中至少需要3帧图像才能给出其中fm最高的，且不能确定该结果就是最佳的，且控制变量搜寻步长过大的话，结果精度变差。而本发明实施例中，由于在创建recipe时，模板图像是经过聚焦的(无论是自动还是人工)，对应最佳的聚焦度，于是提供了一个绝对参考。在本发明实施例中，由于模板图像和目标图像二者之间并不完全重叠，参与计算fm的对象并不完全相同，不完全具备可比性，因此需要利用所述重叠区域范围，计算所述模板图像和目标图像(例如，第一目标图像)的聚焦度，这样无论是1d的(fx1,fy1)和(fx2,fy2)还是2d的f1,f2均具可比性。而用wa的图像，由于模板匹配本身对x,y方向的特征都有要求，也正好能够保障x,y两个方向的fm即fx,fy的计算。这里(fx1,fy1)和f1可表示模板图像在上述重叠范围内的1d和2d聚焦度，(fx2,fy2)和f2可表示与所述模板图像匹配的目标图像在上述重叠范围内的1d和2d聚焦度。所述聚焦度都用既定的fm来体现。因为创建recipe时的模板图像是清晰的，其聚焦度(fx1,fy1)或f1是良好的参考(标准)，到了此时即在执行recipe时目标图像中相同区域(限于重叠区域)的(fx2,fy2)或f2是可以直接和(fx1,fy1)或f1相比的，不管采用什么fm算法，然后可以根据相比的结果，确定当前聚焦度是否合格，即其变化(变差)是否在既定阈值范围内(sem系统焦深有一定范围，在其中就算达标)。考虑到不同的fm的算法以至于对相同图像的结果不同，所述阈值可以用相对变化的阈值tfr，用于考察聚焦度f的变化[0105][0106]和同理的1d聚焦度fx,fy的变化[0107][0108][0109]这样fx,fy,f可共用一个阈值tfr，无量纲；另外还可以将上述重叠区域进一步优化，包括将其适当缩小得到缩小后的重叠区域，即原重叠区域中的一个子区域，如图9c中将重叠区域903缩小为重叠区域904，使得其中特征(边、角)909相对占比/浓度更高。补充一点，即便在现有技术中用晶圆上同一位置(如图5中515)重复采集多帧(通常3帧以上)获取fm进行比较，也应该优化计算fm的区域，而不是用整个图。前面讲过了，万一wa中的模板和第一目标图像的模板匹配失败或模板图像和第一目标图像的重叠区域不满足既定阈值要求时的对策，包括采用后续目标图像，最终确定聚焦工作目标图像和相应的聚焦工作位置，为后续qaf所用。[0110]可选地，本发明实施例中还进一步包括对所述满足条件的重叠区域的优化，从中选择局部区域，用于所述聚焦度检验/自动聚焦时的聚焦度计算。在一实施例中，在所述重叠区域中选择局部区域，比较在所述局部区域获得的模板图像和目标图像的聚焦度，根据所述比较的结果以及既定阈值判断是否实施自动聚焦。方法之一，所述局部区域为缩小的重叠区域，以使得该局部区域的图像特征占比更高，具体地，参考图像9c,在重叠区域903中进一步选择局部区域904，其中909为图像特征；所述优化选择方法之另一，所述局部区域为分别在所述重叠区域中选择二独立的区域(即两个独立的子区域)，分别用于计算正交的x,y方向的聚焦度fx,fy，参考图9d,在上述重叠区域903中进一步确定x和y方向聚焦度fx和fy的独立测量区域905和906(即两个独立的子区域905和906，相对所述重叠区域，例如相对于其中心或左上角位置，有固定位移关系)，用于分别计算fx和fy。其目的是使用于计算fx/fy的独立测量区域905和906所含所述特征较整个重叠区域时的占比更高，从而使fx,fy的数据精度更高；二者也可有重叠，其中用于计算聚焦度fx的区域905的宽、高分别为dxw,dxh,用于计算聚焦度fy的区域906的宽、高分别为dyw,dyh，均包含图像中垂直/y和水平/x方向的特征所述选择计算fx/fy的独立区域905/906的基本原则是使得在x/y方向上的特征(主要是图像中的边缘即灰度改变大的区域)占比更大或舍弃一些对fx/fy少有贡献的区域。[0111]可选地，在一实施例中，然后还可更进一步，上述聚焦度计算中，无论是否采用了优化的重叠区域和何种优化方式(缩小的或是x,y方向独立的)，当获得fx和fy二者之比s＝fx/fy或者s＝fy/fx(只要选其中之一,今后就只用s＝fy/fx为例)，将模板图像中获得的所述聚焦度之比s1(fy1/fx1)和所述目标图像中获得的s2(fy2/fx2)进行比较，如果二者之差超过既定阈值，即便此时fx,fy各自的改变仍未超出既定阈值，报告给系统，也就给系统发出警告，提醒系统及时进行相关的校准(calibration)，例如校准系统散光度(astigmatism)，因为所述散光本身是和晶圆无关的系统问题，不能通过qaf来解决。具体地，即基于所述模板图像在x方向的聚焦度fx1和y方向的聚焦度fy1获得第一聚焦度比值s1，基于所述目标图像在x方向的聚焦度fx2和y方向的聚焦度fy2获得第二聚焦度比值s2，比较所述第一聚焦度比值s1和第二聚焦度比值s2，并根据比较结果产生警告信息。补充说明，不同区域上获得的s＝fy/fx之间不具可比性，但在相同区域上，例如在上述重叠区域上获得s则具可比性，和上面一样可以有既定的相对阈值tsr[0112][0113]在一实施例中，另外如果重叠区域的fx,fy差别过大，使得二者之比即聚焦度之比s偏离1太多，算法可选择自动地适当调节计算fx,fy的区域的形状，例如将重叠区域903在一个方向适当改变(增减)，或改变独立的聚焦度测量区域905，906的宽度，主要是dxh和dyw，这在已知重叠区域的条件下容易在软件里实现。同上，即便在现有技术中用晶圆上同一位置(如图5b中的图像采集位置515)重复采集多帧(通常3帧以上)获取fm进行比较，也应该优化计算fm的区域，而不是用整个图。[0114]可选地，在所述模板图像中的所述模板可以多于1个(创建recipe时做)，这对于遇到图像质量比较差的情况时对成功匹配有帮助，当然这在lmsemwa图像时比较罕见。另外也可有大于1个模板图像采集位置，采集多个模板图像。这样多个模板图像中共有m个模板，m》1。当创建工作菜单时，在所述工作菜单中保存主模板图像、位于主模板图像周边设定距离的模板图像以及形成的多帧模板图像中各自的模板；当执行所述工作菜单时，在步骤4.1中，在第一匹配位置采集第一目标图像，在步骤4.2中，在采集所述第一目标图像后开始所述聚焦度的检验，此时若所述主模板图像中的模板与第一目标图像匹配失败或二者的重叠区域不满足既定阈值条件，用所述主模板图像周边的模板图像和第一目标图像进行匹配，选择重叠区域面积最大的成功匹配的模板图像(当然后续wa中的匹配也都要用该模板)，比较其和所述第一目标图像的重叠区域的聚焦度，根据所述比较的结果以及既定阈值判断是否实施自动聚焦。此时聚焦工作目标图像就是wa中的第一目标图像，聚焦工作位置就是wa中的第一匹配位置。参考图9e,例如有重叠的九宫格920状的多个模板图像采集位置t1-t9(图中未示意)，在其中心的t1位置采集对应的主模板图像t1(图中央实线部分)，为原模板图像，在t1周边位置t2-t9采集其余对应的模板图像t2-t9(图中虚线表示)，采集的图像t2-t9分别和主模板图像t1有部分重叠，不拼接，总共选择m个模板(图中931)后全部(指模板图像和模板)保存到recipe中。这对于遇到图像质量比较差的情况时对成功匹配有帮助，而有了成功匹配才能有所述重叠区域。当然这在lmsemwa图像时也很罕见。另外创建recipe时多用些时间(采集多帧模板图像)并不特别重要，而重要的是执行recipe时的时间，它关系到设备的吞吐量指标。[0115]可选地，在一实施例中，在上述选择模板图像和目标图像重叠区域进行聚焦度比较时，如果某目标图像在该重叠区域存在大缺陷(复检时，初检结果中已有每个缺陷位置和尺寸，作为参考)，避免使用该目标图像，例如取其相邻且未被使用的晶粒上同样位置的目标图像代之。另外对于任何需要在wa以外做igo或qaf的区域，都应该避开初检结果里给出的大缺陷的位置(简单的方法就是换个邻近的晶粒上同样的位置)。[0116]然后根据检验结果，决定下面步骤，包括实施qaf：[0117]如果聚焦度检验合格,在本发明实施例中则不需要进行任何快速自动聚焦qaf,直接进行后续晶圆对准，即到后续匹配位置采集目标图像，完成本级即lmsemwa,和现有技术中的一样，到匹配位置411,…416采集目标图像进行模板匹配，使用匹配成功的匹配位置拟合直线，在此不再赘述，完成更高级的hmsemwa即全部各级wa。此后正常情况下对该待测晶圆，也不需要进行qaf。[0118]否则，就在当前lmsem状态下进行qaf。所述自动聚焦包括：基于模板图像、扫描电镜的当前级晶圆对准中成功匹配且与模板图像重叠区域满足既定条件的目标图像即所述聚焦工作目标图像、该聚焦工作目标图像在晶圆上的采集位置即聚焦工作位置，以当前执行晶圆对准工作菜单中的初始聚焦度控制变量i0为起点，按既定搜寻步长改变聚焦度控制变量值并采集1或多帧搜寻图像，在所述模板图像与搜寻图像的重叠区域进行聚焦度的比较，搜寻所述比较的结果满足阈值条件时所对应的聚焦度控制变量值，并以其设置所述扫描电镜，从而完成所述自动聚焦。本发明实施例中不需要像现有技术中的那样到晶圆上既定区域采集图像做qaf,而是直接用在当前wa停留的位置，即聚焦工作位置上做。这不仅可以节省步骤包括机械运动，且wa图像采集区域保障了图像中在x,y方向的有足够的特征可用于fx,fy的计算，可以就在第一目标图像位置(通常也就是创建recipe时模板图像采集位置，如前所述，万一该第一目标图像不合适，仍可以采用第二目标图像，其大的重叠区域是可以保证的，且也是wa中必经的一步，对所述准备工作整体而言不增加额外耗时，同时还有上述多模板(固定于第一匹配位置为聚焦工作位置)的选项。[0119]且本发明实施例中在既定位置做qaf时，不像现有技术中那样对控制变量采用事先固定的搜寻步长(那样效率低下且不精确)，而是根据重叠区域中所获聚焦度fm比较来决定的，更精确，更能支持后续优化/高效的对聚焦度控制变量的搜寻。例如，使用所述模板图像和重叠区域满足所述既定条件的成功匹配的目标图像的在重叠区域内聚焦度差别δf，并结合经验公式确定所述搜寻步长，并以该搜寻步长搜寻所述最佳聚焦度。参考图10a-图10f，图10a中曲线1010为现有技术中控制变量im的步长过大的情况，其中i0为当前的聚焦度控制变量值即在创建recipe时采集所述模板图像(保障了聚焦度达标/最佳)时的控制变量值，然而现在经前面的聚焦度检验则不达标(或因系统本身漂移或因晶圆表面到sem系统工作距离发生改变，实际应用中还有步长大的更多即更糟的情况)，ih为需寻找的实际聚焦度最佳位置，δi是控制变量的固定步长，i1,i2,i3为间隔δi的控制变量的值，需要在这些值下获取图像进行搜寻当前最佳位置即ih；曲线1020是现有技术中控制变量im的步长过小的情况，控制变量的值i0和i1之间及i0和i2之间均为步长δi，这样需要采集更多帧图像，尽管最终总能逼近最佳位置ih,但耗时过长不仅能使所述ebr设备的吞吐量超标而且还可能损坏晶圆局部。本发明中实施例中，基于也得益于保留模板图像(不仅仅是模板本身)，已知模板图像的聚焦度达标且对给定晶圆上的目标/图案最佳等条件，利用wa模板图像和目标图像匹配产生的重叠区域，使得在重叠区域范围内模板图像和目标图像的聚焦度具可比性，可以如下方法1)获得合适/更精确的搜寻步长，并进一步2)支持优化的最佳控制变量的搜寻。[0120]参考图10c中的曲线1030，本发明实施例中首先要确定合适的搜寻步长δi，模板图像在重叠区域内的聚焦度fm,代表历史最佳，但其对应的控制变量也就是当前采集目标图像时用的控制变量i0已经不再是最佳了，它在重叠区域内给出fm结果f0,二者之差为δf＝fm–f0,此时根据一个基于实验和经验产生的映射关系，例如分立数据形式的对照表(lookuptable简称lut),可获得合适的控制变量步长δi＝lut(δf)。另外，由于较小范围内改变控制变量所获fm的结果接近于一个二次曲线(注：图10a–图10f中的曲线只是示意，不是严格的二次曲线)，也可以基于实验和经验确定二次曲线函数(func)的参数，于是有δi＝func(δf)。[0121]本发明一实施例中继续用获得的更精确的控制变量步长δi，支持后面的优化的搜寻。考虑到，如果目标图像(重叠区域中)的fm和模板图像的足够接近，即差别在上述阈值之内，在前面检验聚焦度时直接通过了(不会走到这里)即i0仍然合适，不采集任何额外的图像；否则就走到了这里，需要做qaf。在一实施例中，按既定方向在所述初始聚焦度控制变量i0一侧开始搜寻，以一个所述步长改变所述控制变量，获控制变量i1，采集相应的第一搜寻图像，直接比较所述第一搜寻图像和模板图像在重叠区域的聚焦度，如满足所述阈值条件则以控制变量i1设置扫描电镜，完成所述自动聚焦，否则基于当前目标图像和第一搜寻图像的聚焦度差别来确定控制变量改变的方向，再以一个所述步长改变聚焦度控制变量，获控制变量i2，采集相应的第二搜寻图像，直接比较其和所述模板图像在重叠区域的聚焦度，如满足所述阈值条件则以控制变量i2设置扫描电镜，完成所述自动聚焦，否则用所述初始聚焦度控制变量i0、聚焦度控制变量i1和聚焦度控制变量i2和相应的聚焦度值拟合二次曲线获得最佳聚焦度对应的聚焦度控制变量，并以其设置所述扫描电镜，完成自动聚焦。[0122]具体地，qaf过程的步骤包括：1)用上述方法获得合适的控制变量搜寻步长δi后，在当前控制变量i0两侧i0-δi和i0+δi搜寻，具体实施时可以固定一个方向开始，如果固定在i0-δi方向开始，最好的情况，一次控制变量的改变/图像采集就找到ih附近(如前所述，sem系统焦深有一定范围，在其中就算达标),在聚焦工作位置采集图像，其fm直接达标(即和模板图像的fm之差在上述阈值范围之内，注意限于重叠区域，上述阈值例如是相对阈值)，于是完成qaf；2)差点的情况，如果在i0-δi开始，结果差很多即获得的上述fm比f0更小，则到反方向即i0+δi方向(本发明中规定，总是向二者之间聚焦度更高的那个方向改变控制变量δi距离)，此时到ih附近,在聚焦工作位置采集图像获得和模板图像重叠区域内的fm，如果该fm直接达标，那么和1)中情况一样，也完成了qaf，此时有2次图像采集，这种情况如图10d中曲线1040所示，其在i0左侧/更小方向的步长δ1为δi，右侧的步长δ2也可是δi(但也可有在δi基础上根据之前的fm的比较结果适当微调)；3)如果无论在i0左右侧的控制变量给出的fm结果都不直接达标(和模板图像在重叠区域中的差超过上述相对阈值)，则可用这3点,如图10e曲线1050中的i0,i1,i2点的结果拟合一条2次曲线获取最佳控制变量ih，按本发明一实施例中的上述控制变量步长确定方法和搜寻方法，上述3点可以保障最佳聚焦度必在其中。另外还需要注意，此时三帧图像均来自晶圆上同一位置即聚焦工作位置，因此比较聚焦度时无需使用重叠区域，在一实施例中，当然都采用子区域，例如适当缩小计算fm的区域以便提高其中特征占比也可行，然后以其设置sem系统完成qaf。另外之前假定了i0在ih左侧(搜寻都是固定一个方向开始，总是从左侧开始)的情况，为了说明所述方法对各种情况都适用，图10f中曲线1060给出了i0在ih右侧的情况(搜寻方法固定，仍然都是固定一个方向开始，总是从左侧开始，聚焦度控制变量改变方向是向i0-δi和i0对应的聚焦度相对大的那个的方向，在图10f中，δi以δ1示意)，其左侧i0-δi的位置il和右侧i0+δi的位置ir的结果，和上面一样可以拟合3点的结果拟合一条2次曲线获取最佳控制变量ih，进而完成qaf,也可以根据当前的情况，即当il处给出的fm更优于当前i0对应的fm值，则可在靠更优的一方相隔一个步长,即i0-2δi位置il2采集图像，i0-2δi，i0-δi，i0三点的结果也能拟合出一条2次曲线获取最佳控制变量ih。可见上述各种情况通常也就需要采集2帧额外的图像，最好一次完成，均明显优于现有技术。概率统计上讲，本发明一实施例中的方法的效率较现有技术中的提升70％以上，且结果精度更高。需要补充说明，关于搜寻方法，本发明一实施例中给予多种示例但并未有进一步的限定，基于本发明一实施例中的方法获得的步长，搜寻方法可以有多种，都属于本发明的范围之内。[0123]这样在整个必做的lmsemwa过程中顺便完成了qaf，无需任何额外的图像采集，节省了qaf的时间。[0124]s4.3完成扫描电镜的第一级晶圆对准即完成lmsemwa。[0125]lmsemwa本身所需步骤和现有技术中的相同，只是在其中穿插了所述ebr设备的所述准备工作,包括检验所需聚焦度并在必要时进行qaf。完成lmsemwa后，从lmsemwa切换到hmsemwa，主要是电子光学系统211中工作参数的切换，均和现有技术中的相同，然后进入下一步。[0126]s4.4完成扫描电镜的余下更高级晶圆对准。[0127]在一实施例中，在步骤s4.4中，完成hmsemwa。[0128]具体地，在lmsemwa完成后系统切换到hmsem图像采集模式后，就进行hmsemwa。其本身和现有技术中的相同，也是移动晶圆到晶圆上hmsemwa的第一匹配位置(recipe中各级wa都有自己的模板和匹配位置)，开始采集该级wa第一目标图像，如图4a中的411，但当有需要时，可以选择和lmsemwa时一样，不急于采集其余的目标图像，而是开始qaf，包括检验聚焦度状况和必要时实施qaf,也需要将所述ebr设备准备部分工作穿插于其中，尽管最终需要和现有技术中的一样，采取一系列目标图像例如在图4中的匹配位置412，413,…416分别采集目标图像。即在一实施例中，在步骤s4.4中，使用与步骤s4.2相同的聚焦度的检验方法判断是否实施所述自动聚焦，根据判断结果实施自动聚焦或完成当前magnification,简称uhm)的sem图像,然后从中提取缺陷特征并进行缺陷分类,至此完成当前缺陷的复检，ebr设备继续复检下一个待复检缺陷。所述强度可以是上述缺陷图像(differenceimage)，例如来自两个die的图像或来自两个cell的图像区域对准后之差的像素的绝对值。[0142]在本实施例中，使用前文所述的复检准备方法对有图形晶圆进行缺陷复检准备，然后执行所述复检设备的本职工作。复检方法的具体步骤包括：[0143]a.切换sem系统至适当的放大倍率。对检测设备最好选择和hmwa相同的放大倍率/fov,这样方便很多；[0144]b.执行上述ctc,dtd,dtdb缺陷检测方法中的至少一个，逐一访问各待复检缺陷位置，采集图像，用上述方法进行复检；[0145]c.上述复检中包括缺陷像素后处理(postprocessing)，其中包括对其进行过滤、联通、甄别、整合；[0146]d.对每次复检，对图像中主要缺陷采集更高分辨率的sem图像，进行缺陷分类(通常用事先训练过的模型，包括基于选定特征提取的传统机器视觉(machinelearning,ml)方法和/或深度学习(deeplearning,简称dl)方法，现有技术中有许多，不再赘述；[0147]e.结束该晶圆的复检，保存检测结果，下片，准备复检下一片晶圆。[0148]至此可见，上述本发明实施例中的方法，整体上优化了所述ebr设备复检准备流程，特别是将判断是否执行快速自动聚焦qaf穿插于wa之中，除去了现有技术中的步骤紊乱和冗余,降低了现有技术中不当地过多采集sem图像导致的损坏晶圆的风险，提升了所述复检准备工作的效率和精准度，也提升了设备的吞吐量，即解决了上述的问题1和问题2。[0149]此外，当进行所述图像灰度优化和/或自动聚焦时，使用无缺陷或缺陷尺寸小于等于预设尺寸的位置采集图像，故本发明实施例还解决了上述的问题3。[0150]以上实施方式只是阐述了本发明的基本原理和特性，本发明不受上述实施方式限制，在不脱离本发明精神和范围的前提下，基于本发明中的实施方式，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施方式，都属于本发明保护的范围。当前第1页12当前第1页12