3. 晶圆划痕缺陷的物理特征
在SEM图像中准确识别划痕缺陷，首先需要建立对其物理特征的量化认知。划痕的几何形态、材质对比度以及与颗粒/沾污的区分，构成了缺陷识别的三大核心维度。本章将逐一拆解这些特征，为后续的自动检测算法设计提供物理依据。
3.1 划痕的几何形态：宽度、深度与方向
划痕的几何参数是区分其与其它缺陷（如裂纹、凹坑）的首要指标。在SEM图像中，这些参数表现为特定的灰度与形状模式。
3.1.1 宽度与深度的SEM表征
- 宽度（横向尺度）：通常表现为一条暗色或亮色的线性区域。宽度范围从亚微米（<0.5 μm）到数十微米不等，取决于划伤颗粒的大小与压力。在图像中，宽度决定了缺陷所占的像素列数。
- 深度（纵向尺度）：直接影响二次电子（SE）信号的产额。较深的划痕边缘会产生强烈的边缘效应（Edge Effect），表现为高亮白边；而划痕底部因电子束入射角变化，通常呈现为暗区。
- 深宽比（Aspect Ratio）：深度与宽度的比值。高深宽比（>1:3）的划痕在SEM下具有明显的“沟槽”感，而浅划痕则更像表面擦痕。
专家提示： 在自动识别中，宽度通常通过测量划痕区域的最小外接矩形（Minimum Enclosing Rectangle）的短边获得。深度则难以直接测量，但可以通过划痕中心线灰度值与背景灰度的差值（灰度落差）进行间接估算。
3.1.2 方向性特征
划痕的方向并非随机分布，而是与晶圆制造工艺中的机械运动高度相关。方向性特征是区分划痕与随机分布颗粒的关键。
| 工艺阶段 | 典型划痕方向 | 物理成因 |
|---|---|---|
| CMP（化学机械抛光） | 同心圆弧或径向 | 抛光垫旋转与晶圆载盘旋转的复合运动 |
| 晶圆传输（Robot Handling） | 单一方向（直线） | 机械手臂末端夹爪（End Effector）的滑动 |
| 划片（Dicing） | 平行于晶圆平边（Notch） | 划片刀沿晶格方向切割 |
| 湿法清洗（Wet Bench） | 随机或流体方向 | 液体流动携带颗粒摩擦表面 |
下图展示了不同几何形态的划痕在SEM下的典型表现，以及其对应的方向性分类。
3.2 划痕的材质对比度
划痕区域的材质对比度是SEM图像分析的核心。它并非简单的“亮”或“暗”，而是由多种物理机制共同决定的复杂信号。
3.2.1 对比度形成机制
- 形貌衬度（Topographic Contrast）：主要来自二次电子（SE）。划痕的侧壁和底部几何形状改变了电子束的入射角，导致SE产额变化。这是划痕边缘出现高亮白边的主要原因。
- 成分衬度（Compositional Contrast）：主要来自背散射电子（BSE）。如果划痕暴露了底层不同材料（如从SiO₂划入Si衬底），BSE信号的强弱差异会形成明显的灰度跳变。
- 充电效应（Charging Effect）：在绝缘层（如氮化硅）上的划痕，边缘可能因电荷积累而异常发亮，底部则可能因导电性差而发黑。
3.2.2 典型对比度模式
| 划痕类型 | SE图像特征 | BSE图像特征 | 物理含义 |
|---|---|---|---|
| 金属层划痕（Al/Cu） | 边缘极亮，底部暗 | 底部灰度低于周围金属 | 暴露了底层介质，原子序数降低 |
| 介质层划痕（SiO₂） | 边缘亮，底部灰 | 底部灰度与周围接近 | 未暴露Si衬底，成分变化小 |
| 硅衬底划痕 | 边缘亮，底部暗 | 底部灰度略低（晶格损伤） | 表面非晶化导致BSE产额下降 |
关键指标： 在自动识别中，通常使用“局部对比度”（Local Contrast）来量化划痕。定义为：
其中 I_edge 为划痕边缘平均灰度，I_bottom 为划痕底部平均灰度，I_background 为周围无缺陷区域灰度。该值越大，划痕越容易被检测。
Contrast = (I_edge - I_bottom) / I_background其中 I_edge 为划痕边缘平均灰度，I_bottom 为划痕底部平均灰度，I_background 为周围无缺陷区域灰度。该值越大，划痕越容易被检测。
3.3 划痕与颗粒/沾污的区分
在SEM图像中，划痕与颗粒、沾污（如有机残留、水渍）极易混淆。错误的分类会导致工艺根因分析（RCA）方向完全错误。以下是基于物理特征的区分策略。
3.3.1 形态学区分
- 划痕：具有明显的线性延伸特征，长宽比通常大于5:1。边缘平行或近似平行，具有方向一致性。
- 颗粒：呈等轴状或不规则团块，长宽比接近1:1至3:1。边缘不规则，无明显的方向性排列。
- 沾污：通常呈膜状、网状或液滴状，边界模糊，灰度过渡平缓，无尖锐的边缘效应。
3.3.2 灰度与纹理区分
| 特征维度 | 划痕 | 颗粒 | 沾污 |
|---|---|---|---|
| 灰度分布 | 中心暗、边缘亮（双峰） | 整体亮或整体暗（单峰） | 灰度均匀，与背景接近 |
| 内部纹理 | 光滑或平行条纹 | 粗糙、多孔或晶体状 | 无纹理，均匀 |
| 边缘锐度 | 高（边缘效应） | 中（取决于材质） | 低（模糊边界） |
| 尺寸分布 | 宽度稳定，长度可变 | 直径分布范围广 | 面积大，形状不规则 |
3.3.3 决策树：快速区分三类缺陷
以下决策树流程可用于SEM图像分析中的快速分类，也是构建自动识别规则引擎的基础。
常见误判陷阱：
- 划痕 vs 线性排列的颗粒：颗粒链虽然呈线性，但每个颗粒单元仍保持等轴形态，且颗粒之间存在间隙。划痕则是连续的沟槽。
- 划痕 vs 晶界腐蚀：晶界腐蚀呈现网状或沿晶界分布，而划痕通常穿越晶界，不受晶格结构限制。
- 沾污 vs 浅划痕：沾污的边界是扩散性的，而浅划痕即使很浅，其边缘仍存在可测量的灰度梯度变化。
3.4 特征量化总结
为了便于后续章节中机器学习模型的输入特征工程，我们将上述物理特征归纳为以下可量化的指标向量：
| 特征类别 | 具体特征 | 量化方式 | 典型值范围 |
|---|---|---|---|
| 几何形态 | 宽度 | 最小外接矩形短边（像素） | 2 - 50 px |
| 长度 | 骨架化（Skeletonization）后像素计数 | 20 - 2000 px | |
| 方向角 | 主成分分析（PCA）第一主成分角度 | 0° - 180° | |
| 灰度对比 | 局部对比度 | (I_edge - I_bottom) / I_background | 0.2 - 2.5 |
| 边缘锐度 | 边缘处灰度梯度最大值 | 10 - 100 (灰度/像素) | |
| 纹理特征 | 内部均匀性 | 划痕区域灰度方差 | 低（< 50） |
| 方向一致性 | 局部方向直方图熵值 | 低（< 0.5） |
以上量化特征将作为第5章“基于传统图像处理的划痕检测”和第7章“基于深度学习的划痕语义分割”中的核心输入。理解这些物理特征的底层原理，是设计鲁棒检测算法的基石。