半导体的生产过程中容易出现各种缺陷,生产过程中需要及早发现缺陷,及时排除缺陷原因、丢弃缺陷样本,防止缺陷晶粒继续加工,影响生产效率。在晶圆缺陷检测的方法中,自动光学检测(AOI)是一种速度快、成本低的视觉检测技术。因此,本文主要针对AOI系统展开了研究。本文介绍了晶圆缺陷检测AOI系统的需求以及机械结构,并针对该机械结构制定了检测的工艺方案、视觉方案以及通讯方案。本文使用灰度模板匹配算法提取晶圆上的晶粒图像,对于模板匹配后的映射图像,通过阈值分割和灰度极大值获得候选晶粒位置,并通过非极大值抑制的方法排除误匹配的晶粒。针对污染缺陷,提出用梯度图像提取晶粒特征边界处的污染物,针对相机拍摄的图像中同时存在清晰和模糊的晶粒图像,使用区域生长法正确连接晶粒特征边界。针对划痕缺陷,通过Zhang-Suen细化算法提取划痕骨架,根据骨架交叉点邻接骨架的方向和骨架拟合直线的斜率连接同一道划痕、分割不同划痕。针对墨点缺陷,根据联通区域的面积以及最小外接矩形的长宽比提取该缺陷。针对切割不良缺陷,使用联通区域最小外接矩形的包含关系合并联通区域,根据合并后的联通区域块数获得切割不良分离的块数。针对缺角缺陷,运用霍夫直线提取晶粒图像边缘的直线,并根据直线的长度判断晶粒是否有缺角,再通过直线端点与图像边缘的距离判断缺陷的位置。针对晶圆图像的纹理,通过L0梯度最小化算法,平滑晶圆的纹理,保留缺陷部分和边缘,分析了晶圆纹理平滑的平滑效果。设计晶圆缺陷检测流程并开发相应的软件。传统的机器视觉算法只能针对特定的应用场景、对特征复杂的晶粒和缺陷检测困难,本文基于目前效果较好的深度学习模型YOLO v3对晶粒上比较复杂的划痕、污染缺陷进行目标检测,提取缺陷的位置和尺寸信息。修改网络的参数,使之更适合于晶圆缺陷检测。实验通过实际的样本证明上述模板匹配算法和晶粒墨点、污染、缺角、切割不良缺陷检测算法的可行性。证明YOLO v3模型可以检测晶粒上形状复杂、数量多、尺寸相对较小的缺陷。针对设备通讯需求,本文设计基于SECS/GEM通讯协议的工作流程以及软件,并自定义晶圆缺陷数据格式。