混凝土缺陷测试系统

近日，中国工程建设标准化协会发布公告，根据中国工程建设标准化协会《关于印发的通知（建标协字〔2018〕015号）的要求，由上海市建筑科学研究院有限公司等单位编制的《相控阵超声法检测混凝土结合面缺陷技术规程》，经协会混凝土结构专业委员会组织审查，现批准发布，编号为T/CECS1056-2022，自2022年8月1日起施行。标准详细信息标准状态现行标准编号T/CECS 1056—2022中文标题 相控阵超声法检测混凝土结合面缺陷技术规程英文标题国际标准分类号91.010.01 建筑工业综合中国标准分类号 国民经济分类E4710 住宅房屋建筑发布日期2022年03月31日实施日期2022年08月01日起草人李向民 高润东 张富文 王卓琳 孙彬 姚利君 许海岩 薄卫彪 龙莉波 张东波 田坤 陈霞 陈宁 宋杰 孙静 许清风 黄科锋 马海英 赵勇 王建 刘华波 薛雨春 武猛 刘辉 李新华 李华良 郑乔文起草单位上海市建筑科学研究院有限公司、中国建筑科学研究院有限公司、中国二十冶集团有限公司、上海建科预应力工程技术有限公司、标龙建设集团有限公司、山东建科特种建筑工程技术中心有限公司、上海建工二建集团有限公司、上海建科工程咨询有限公司、上海中森建筑与工程设计顾问有限公司、上海劳瑞仪器设备有限公司、博势商贸（上海）有限公司、上海星欣科技发展有限公司、上海建科工程项目管理有限公司范围主要技术内容主要内容包括：总则、术语、检测仪器、现场检测、检测报告等。是否包含专利信息否标准文本不公开

大桥垮塌致43人死亡还记震惊中外的意大利热那亚莫兰迪公路桥垮塌事故吗？事故造成43人死亡，多人受伤，600多名居民被迫撤离，据悉造成公路桥突然坍塌的原因，主要是对桥梁的维护保养不善，养护的缺陷直接缩短了桥梁的使用寿命。当时央视新闻报道在基础设施的建设中以高速公路为代表，混凝土结构安全非常重要在经济高速增长的情况下混凝土结构的建设得到了进一步的推动然而，随着时间的推移这些结构会老化和腐烂当混凝土和其他建筑材料脱落成碎片并散落时它们就会开始妨碍安全因此，各大部门需要对混凝土结构进行定时检测传统混凝土检测弊端明显之前传统的维护对策，是对高速公路桥梁和其他混凝土结构的整个表面进行锤击试验。在此类工作中，检查员使用锤子在现场检查是否存在问题，特别是钢筋锈蚀导致混凝土构件脱落的迹象。但这种测试方法有缺点，包括由于高空作业设置、搭建和移动脚手架所需的时间以及检查员数量的不足而产生的安全问题。随着社会基础设施系统老化成为一个紧迫的问题，日本一家高速公路工程公司依托FLIR A6701sc红外热像仪，开发了一种名为“IrBAS”的技术。目前，包括Matsuda先生、Hashimoto先生和hayashi先生在内的团队，正在使用IrBAS作为维护混凝土结构，发现老化并提供对策。红外热成像技术的优势红外热成像技术用于远程检测混凝土结构中的缺陷，无需直接访问建筑物。使用该方法，可以将缺陷导致的内部结构差异显示为混凝土表面的温差，并对温差拍摄记录。“IrBAS能够通过热成像技术一次拍摄和诊断大面积区域，这大大减少了检查的时间和精力，”Hashimoto先生说。在检测时，将所有的检查点逐一锤击在混凝土表面（覆盖数千到数万平方米）非常耗时。而IrBAS在锤击前可以大致分辨结构的健康部位和异常部位，只对诊断为异常的部位进行锤击试验。这一程序大大减少了检查点的数量。另外，拍照后的数据可以保留，以备后期的老化检查。检测重点红外图像分析图像观察注意警告有了IrBAS，即使目标很远，检查员也可以站在地面上用长焦镜头进行拍摄。这种机制减少了高空作业的数量，大大提高了检查员的安全性。“IrBAS将异常部位分为三个阶段——警告、注意和观察，这三个阶段用三种不同的颜色来区分，”Hashimoto先生说。“通过一种独特的算法，对图像数据进行温差、形状、区域和其他因素的分析，以确定问题所在。”选择：FLIR红外热像仪为了寻求检测方法，研究小组研究了非制冷和制冷热成像仪之间的差异、用于测量的波长差异以及不同类型硬件（如探测器和镜头）之间的参数差异对诊断结果的影响，这些检查结果是对热成像本身的研究。从对非制冷型的实证研究开始，继而研究小组研究了制冷型量子阱探测器QWIP，选择了对中波长敏感的锑化铟型。同一波段下，制冷型比非制冷型更敏感。在长波波段，同一制冷类型的某些装置比其他非制冷装置受到来自天空或相对表面的反射的影响更大，这些反射会对采集的图像数据造成干扰，从而影响诊断结果。天空反射的比较可见光图像红外图像Insb(1.5-5.1μm)红外图像QWIP(8-9μm)温差（A-B）1.0°CFLIR A6700中波红外锑化铟热像仪FLIR A6700中波红外热像仪能在3.0–5.0µm波段（另有1.0–5.0µm宽波段可选）工作，能生成细节丰富的327,680像素热图像，同时它也是敏感型红外热像仪，可探测物体间最细微的温差，因此这款热像仪非常适合执行各种各样的无损测试。

2009年6月23日，MTS 2009岩石及混凝土测试技术研讨会在中科院武汉岩土所圆满召开。 这是MTS公司首次在中国地区召开的关于岩石及混凝土测试方面的技术讲座，共有来自中国地震局、北京科技大学、清华大学、上海交通大学等近70位岩石及混凝土测试方面的专家参加了本次技术研讨会。 会上，MTS中国区销售经理王爽先生代表MTS致辞，对大家长期以来对MTS的支持和厚爱表示衷心的感谢，并期待MTS在今后与广大用户能够共同发展，成为大家可信赖的试验帮手。 会上，中科院寒区旱区环境与工程研究所、成都理工大学、武汉理工大学，武汉岩土所的专家们就青藏铁路冻土路基稳定性试验、5.12特大地震中公路隧道的破坏特征及防震启示、先进土木工程材料的研究与进展、新型岩石力学测试方法等课题与广大用户进行了探讨交流。MTS系统公司的林志强先生，Greg Pence 先生也介绍了MTS最新的岩石力学及混凝土测试方面的技术和方法，并和与会的技术人员进行了交流。会后，与会人员参观了武汉岩土所的MTS设备试验室，整个研讨会反响热烈，取得了预期的效果。 在今后的工作中，MTS公司将继续致力于把优异的测试技术带给中国客户。 MTS中国公司

近日，国网天津市电力公司电力科学研究院(以下简称电科院)研发的全国首台钢纤维混凝土无损检测仪器在天津宝坻地区电网混凝土制品检测中率先试应用，以不破坏制品结构的方式成功检测出钢纤维混凝土内部制造质量，实现检测时间的大幅缩短和检测可靠性的有效提升。　　在首次现场应用中，电力工作人员手持检测仪器，在不破坏制品内部结构的情况下，顺利对宝坻电网某区域水泥电杆等电网混凝土制品的内部钢筋直径、抗压强度进行了测量。“该仪器具有无损、全检、便携、直观等优势，它的研发应用成功解决了国内钢纤维混凝土制品检测难、监管难、评价难的问题。”电科院技术人员陈韶瑜介绍说。　　近年来，随着我国电网能源网架加快建设，钢纤维混凝土制品使用量逐年递增，但质量管控和制品安全性检测手段较为落后，构建新型质检模式迫在眉睫。电科院针对以上问题，结合电力系统内外钢纤维混凝土产品在运期间质量情况，进行电力混凝土无损全检的可行性论证，对钢筋直径、分布、腐蚀情况、保护层厚度、混凝土强度、内部裂纹等开展测量试验，进行破坏比对和结果修正，并完善试验数据库，以开发钢纤维混凝土无损检测仪。　　电科院技术团队在仪器研发中攻克了钢纤维混凝土内部钢筋直径测量技术，实现在不破坏钢纤维混凝土制品的情况下，精准测量出制品内部钢筋数量及直径，达到国际领先水平 首创了钢纤维混凝土抗压强度测量技术，适用于钢筋、纤维、钢丝网等不同类型的钢纤维混凝土，填补了国际空白。同时在业内率先打造钢纤维混凝土制品全寿命周期检测方式，实现了钢纤维混凝土制品数字化质量管控，具有检测效率高、缺陷检出率高、检测投入成本低等优点。　　未来，钢纤维混凝土无损检测仪将广泛推广应用在我国能源、水利、交通、通讯、建筑等领域的工程建设中，通过快速检测钢纤维混凝土制品存在的隐患及质量问题，提高钢纤维混凝土领域整体产品质量，减少隐患工程发生，降低事故率，保障能源电力和通讯设施、公共和民用建筑、桥梁安全，为质量强国贡献国网智慧和天津力量。　　下一步，电科院将充分积累钢纤维混凝土无损检测仪试用经验，提高检测效率和稳定性，将仪器积极推广至电网企业的各级物资检测中心及发电企业、通信、水利、交通、建筑等行业中，并为用户提供“个性化装置、软件和运维指导方案”。

青岛盛瀚色谱混凝土，简称为“砼（TóNG）”，混凝土材料在建筑工程中发挥着重要作用。混凝土外加剂是混凝土的重要组成部分，已经成了现代混凝土必不可缺的主要材料之一，对提升混凝土性能和质量起到了很大的作用，为混凝土工程的质量做出了巨大贡献，可以说是大功臣一个。而建筑工程中经常出现的一种现象就与混凝土添加剂有关——钢筋锈蚀。原因在于：为了有效提升混凝土的强度，人们会在混凝土中加入大量的钢筋，而混凝土中的氯离子（主要来源于外加剂）会与钢筋发生化学反应，造成钢筋锈蚀并释放气体，最终促使混凝土发生膨胀而出现裂纹，影响混凝土的外观与强度。混凝土外加剂，想说爱你还真是不容易。 因此，对混凝土外加剂中的氯离子的检测具有十分重要的意义。GB/T 8077-2012《混凝土外加剂匀质性试验方法》中提出两种检测氯离子含量的方法：电位滴定法、离子色谱法。因离子色谱法操作较简单，本文主要介绍后者。离子色谱法是液相色谱分析方法的一种，样品溶液经阴离子色谱柱分离，溶液中的阴离子F－、CL－、SO４２－、NO３－被分离，同时被电导池检测，从而测定溶液中氯离子峰面积或峰高。离子色谱法优势：? 仲裁法，数据结果更权威? 操作简单：过滤、进样即可? 一针进样，可以同时分离多种离子：氯离子、硫酸根等GB 8076-2008 《混凝土外加剂》中指出，氯离子含量检测不超过生产厂控制值（生产厂应在相应的技术资料中明示产品匀质性指标的控制值）。标准中没有明确界定氯离子含量，具体指标由生产厂商自定。由青岛盛瀚自主研发生产的CIC-D100型离子色谱仪，抑制型电导法测定混凝土外加剂中的氯离子，方法简单，数据准确。实验结果显示：混凝土外加剂共进样217针，阴离子抑制器仍保持运行正常。确定该方法测试对抑制器等耗材无损伤。建议现阶段所使用的部分混凝土减水剂、防水剂、防冻泵送剂等都或多或少含有氯离子，所以为了消除或降低含氯外加剂对混凝土造成的不良影响，建议在使用含氯外加剂后及时向混凝土中掺入适量的阻锈剂。依据化学原理可知，氯离子在氧气、水分充足的环境下与铁的化学反应更加激烈，所以应当避免在露天混凝土中掺入含有氯离子的外加剂，如此方能最为有效地保障混凝土的质量。

会议邀请 第十四届高性能混凝土学术研讨会将于 2021 年 7 月 29 日至 31 日在贵州省贵阳市召开。 第十四届高性能混凝土学术研讨会秉持引领技术创新、面向所有相关行业、面向所有技术人员和面向所有创新成果的原则，诚邀从事高性能混凝土理论研究及应用技术领域的专家、同行参加会议，充分研讨、交流有关高性能混凝土的学术思想、应用技术、先进成果和工程经验，力争充分反映高性能混凝土技术的新进展。本次会议旨在努力推动高性能混凝土技术的进步与发展，提高相关从业人员的学术和技术水平，促进高性能混凝土新理论、新方法、新设备、性能测试与评价新技术在建设工程中的应用和发展。会议时间：2021 年 7 月 29 日 - 31 日会议地点：中国 贵阳市 贵阳盘江诺富特饭店 飞纳台式扫描电镜大样品室卓越版 Phenom XL 扫描电镜 混凝土测试解决方案 混凝土是典型多孔块体材料，测试过程中样品会释放气体。将规格为 40 x 40 x 10 的混凝土块体用砂纸和抛光粉打磨平整，充分干燥。 如图 1 所示，将 4 块混凝土同时放入 Phenom XL 中，飞纳电镜独特先进的 “三仓分离” 真空技术，30 秒就可以抽好真空。 图 1 样品仓同时放入 4 块混凝土 如图 2 所示，背散射电子图像（BSE）清晰地展示了不同填料在混凝土中的分布以及与裂纹的位置关系。 图 2 混凝土中的裂纹 此外，我们把混凝土块体掰开，进行喷金处理，还可以得到高清的断口图，如图 3 所示。图 3 左图和右图条状物为混凝土截面中水化硅酸钙，右图方形块体为水化氢氧化钙。 图 3 混凝土截面形貌二次电子图（SE）

近日，由中国建筑科学研究院主编的行业标准《混凝土热物理参数测定仪》编制工作正式启动。 　　《混凝土热物理参数测定仪》标准的制定可以规范混凝土热物理参数测定仪的性能、生产和使用，充分保障该仪器产品的先进性、准确性、可靠性，进而确保混凝土热物理参数试验测定的一致性和可信性。该标准对大体积混凝土温度裂缝控制和研究、充分利用材料的绝热能力降低能耗以及推进节能环保和绿色建筑的应用将起到积极的作用。

梅特勒托利多参加&ldquo 2009中国国际混凝土技术及装备展览会&rdquo 。 2009年2月26-28日，&ldquo 2009中国国际混凝土技术及装备展览会&rdquo 在北京中国国际展览中心成功举办。中国国际混凝土技术及装备展览会是中国中国促进委员会主办的建筑与建材行业最成功、最重要的专业展览会之一。 在本次展会上，梅特勒托利多重点展示了混凝土机械中经典的称重传感器和称重仪表，同时展出了针对该行业的特殊需求推出的称重新品，受到了众多参观者的关注并获取了多份意向性的合作协议。 通过本次展会，我们认识到了工程机械行业对称重解决方案的巨大需求。梅特勒托利多作为称重行业的开拓者，将会不断地研发和推出新的产品，以满足未来市场的潜在需求！

当拉曼光谱技术遇上混凝土的水合过程，会发生什么？麻省理工学院的这一研究成果，给你惊喜！拉曼光谱需要将高强度激光照射到材料上，并测量其被构成材料的分子散射时的强度和波长，来创建出一幅特殊的图像。由于不同的分子和分子键，都具有各自独特的散射“指纹”，因而这项技术也可用于制作有关创建材料内部分子结构和动态化学反应的图像。有关报告指出，混凝土中使用的水泥，占据了全球二氧化碳排放总量的8%左右，已经与大多数国家产生的排放量不相上下，降低碳排放是当今时代及未来的发展趋势。今年两会上，“碳达峰”、“碳中和”被首次写入政府工作报告。“碳达峰”是指我国承诺2030年前，二氧化碳的排放不再增长，达到峰值之后逐步降低。“碳中和”是指通过各种节能减排的形式，抵消自身产生的二氧化碳排放量，实现二氧化碳“零排放”。随着对水泥化学性质的深入了解，科学家们就能够改进生产流程或配方成分，从而让混凝土产生更少的排放，或者添加其它能够主动吸收二氧化碳的成分。为达成这一目标，麻省理工学院使用了显微拉曼光谱技术，来仔细观察混凝土在水合期间发生的特定化学反应的动态过程。研究期间，MIT科学家们使用这套装置观察了一个放置在水下的普通混凝土样品，并努力模拟了真实世界的环境条件。该团队总结道：通常情况下，混凝土的水合过程，是从硅酸盐水合产物的无序相开始的，之后它会渗透到整个材料并产生结晶。此前，科学家们只能研究具有平均体积特征、或某个时间节点的混凝土水合快照。但在拉曼光谱仪新技术的加持下，他们几乎可以连续地观察所有变化，并提升了他们的时间和空间尺度上的图像分辨率。如上图所示，水合作用期间，白色的硅酸三钙（alite）形成了蓝色的水合硅酸钙（CSH）与红色的硅酸盐（portlandite）。剩余绿色部分为二钙硅酸盐（belite），而黄色部分则是方解石（calcite）。

万测机器人全自动混凝土压力试验机鉴定会顺利召开 6月29日，万测机器人全自动混凝土压力试验机鉴定会在深圳万测公司召开。会议由全自动事业部总经理宋友明主持。宋总对该产品和技术进行了详细的介绍与汇报。鉴定专家们仔细审阅了产品资料，认真听取了宋总对该设备的核心技术及创新性的报告，并经过实地考察，现场演示和试验操作，对产品功能进行了全面的验证。会上，专家们展开了热烈的讨论，并提出了宝贵的建议。最后专家们一致认为，万测的机器人全自动混凝土压力试验机结构设计合理，性能稳定可靠。该设备达到国内先进水平，其中设备采用的压力机主机上置油缸、全封闭球头、静音油源、机器人送样定位等技术达到国内杰出水平。同时专家们还表示，万测作为试验机行业的标杆企业，要以更高标准、更高要求，积极研发，助推行业发展。 专家们正在热烈讨论 专家们现场考察设备 万测机器人全自动混凝土压力试验机可连续完成混凝土的抗压强度试验。该试验机主要由微控制油电混合压力试验机、六自由度机械手、气抓、托盘、扫码装置、废料回收装置、控制系统等组成。整个试验过程无需人员参与，可自动完成抓样、试样信息自动扫码识别、试样自动找正、自动上下料以及试验结束后对合格与不合格试块通过输送带分拣至相应的样品回收框或机器人直接抓取到样品回收筐等过程，实现了试验机自动化与智能化，极大的提高了工作效率。 本次鉴定会的成功召开是对万测产品及试验技术自动化、智能化发展成果的巨大肯定，充分体现了万测的自主研发实力及精良工艺。未来，万测将继续加大科技创新投入，充分发挥人才优势和技术优势，以新技术、新产品为公司发展提供新动能。 鉴定会专家合影

近日，湖南省科技厅作出批复，同意以三一重工为依托单位，组建湖南省混凝土机械工程技术研究中心，并列入2009年度湖南省工程技术研究中心组建计划。三一重工由此又添一项省级科技创新平台，将获得资金和政策等支持。三一重工申报的湖南省混凝土机械工程技术研究中心先后通过湖南省科技厅组织的前期调研、专家技术评审和综合评审，并最终获批组建。研究中心的建设期为2年，组建完成后，湖南省科技厅将组织专家评估验收，合格后再予以正式挂牌。

p 　　近日，首都科技条件平台北京建材总院基地5名专家，应雄安金隅混凝土公司邀请，来到雄安建设集团，开展高性能混凝土配合比设计与质量控制技术交流。雄安建设集团以及雄安金隅区域混凝土公司15位技术负责人参加了此次技术交流活动。 /p p style=" text-align: center" img style=" max-width:100% max-height:100% " src=" https://img1.17img.cn/17img/images/202007/uepic/1d466c99-2cb1-42fb-857d-d2945b588549.jpg" title=" 1、照片_副本1.png" alt=" 1、照片_副本1.png" / /p p 　　交流会上，北京建材总院基地专家陈旭峰介绍了混凝土生产和质量控制方面的相关技术，专家李俊亮介绍了检验研究院在混凝土等方面的检测技术能力，专家刘艳军作了适用于现代高性能混凝土材料创新设计与质量控制的《骨料悬浮拌合物配合比设计方法》技术交流报告，双方就相关技术问题进行了交流和探讨。陈永胜总经理对北京建材总院基地开展的此次技术交流表示感谢，希望北京建材总院基地高水平科技队伍今后继续为雄安基础设施建设用混凝土材料提供技术支持，为雄安基础设施建设“百年大计”保驾护航。 /p p 　　此次技术交流会，彰显首都科技条件平台北京建材总院基地的科研、检测等对外服务能力，进一步提升了北京建材总院基地的影响力。 /p

由中国硅酸盐学会主办，中国建筑材料科学研究总院和济南大学承办的第七届水泥与混凝土国际会议（ISCC2010）和第十一届混凝土技术可持续发展国际会议将于2010年5月9日至12日在山东济南南郊宾馆召开。 我司届时将携HELOS仪器至现场展示，HELOS干法分散系统RODOS，可对水泥等干粉物料进行彻底的分散，并获得样品在原始状态下的粒度大小与分布结果。 同时，我司将请全球销售经理A.Pankewitz在大会发表论文介绍，论文时间为5月11日上午09：45-10：00，题目为《State of the art off- and on-line particle size analysis using laser diffraction and dry power dispersion》-《使用激光衍射与干法分散的最先进的实验室与在线粒度分析技术》 欢迎各位参会人士与行业人员莅临交流与指导。

根据我部标准化工作的总体安排，现将申请立项的《互联网数据中心数据安全保护要求》等370项行业标准、《锡球》等7项行业标准外文版项目和《工业互联网平台 生产设备物联信息模型管理规范》等2项推荐性国家标准计划项目予以公示（见附件1、2、3），截止日期为2024年9月30日。如对拟立项标准项目有不同意见，请在公示期间填写《标准立项反馈意见表》（见附件4）并反馈至我司，电子邮件发送至KJBZ@miit.gov.cn（邮件主题注明：第十一批标准立项公示反馈）。联系电话：010-68205241地址：北京市西长安街13号 工业和信息化部科技司邮编：100804附件：1.《混凝土减水剂分子量测试方法 凝胶渗透色谱法 》等370项行业标准制修订计划（征求意见稿）.pdf2.《锡球》等7项行业标准外文版计划（征求意见稿）.pdf3.《工业互联网平台 生产设备物联信息模型管理规范》等2项推荐性国家标准制修订计划（征求意见稿）.pdf4.标准立项反馈意见表.doc工业和信息化部科技司2024年8月30日相关标准如下：序号项目编号项目名称制修订代替标准项目周期(月)技术委员会或技术归口单位1. QBCPZT1892-2024蒸馏酒冲灌旋一体机制定24 全国轻工机械标准化技术委员会制酒饮料机械分技术委员会2. QBCPXT1893-2024坚果类罐头修订QB/T 1410-201718 全国食品工业标准化技术委员会3. QBCPXT1894-2024食用芦荟制品 芦荟类罐头修订QB/T 2843-2007QB/T 2844-200718 全国食品工业标准化技术委员会4. QBCPZT1895-2024地龙蛋白制定24 全国食品工业标准化技术委员会工业发酵分技术委员会5. QBCPZT1896-2024甘油二酯油（酶法）制定24 全国食品工业标准化技术委员会工业发酵分技术委员会6. QBCPZT1897-2024甘蔗多酚制定24 全国食品工业标准化技术委员会工业发酵分技术委员会7. QBCPZT1898-2024工业发酵微生物操作规程第 1 部分：技术指南制定24 全国食品工业标准化技术委员会工业发酵分技术委员会8. QBCPZT1899-2024工业发酵微生物操作规程第 2 部分：发酵产品中 DNA检测方法制定24 全国食品工业标准化技术委员会工业发酵分技术委员会9. QBCPXT1900-2024壳寡糖修订QB/T 5503-202018 全国食品工业标准化技术委员会工业发酵分技术委员会10. QBCPZT1901-2024食用发酵微藻 第 3 部分：盐藻及提取物制定24 全国食品工业标准化技术委员会工业发酵分技术委员会11. QBCPZT1902-2024食用微生态制剂 第 2 部分：合生制剂制定24 全国食品工业标准化技术委员会工业发酵分技术委员会12. QBCPZT1921-2024钛制器皿制定24 全国金属餐饮及烹饪器具标准化技术委员会13. QBCPZT1936-2024草本酒制定24 全国酿酒标准化技术委员会14. QBCPZT1937-2024莲子酒制定24 全国酿酒标准化技术委员会15. QBCPZT1938-2024配制酒 第 1 部分：调香白酒制定24 全国酿酒标准化技术委员会16. QBCPZT1939-2024葡萄酒感官鉴评导则制定24 全国酿酒标准化技术委员会17. QBCPZT1940-2024青稞酒制定24 全国酿酒标准化技术委员会18. QBCPZT1941-2024预调鸡尾酒制定24 全国酿酒标准化技术委员会19. QBCPXT1951-2024聚酯（PET）瓶装饮料冲瓶灌装拧（旋）盖机修订QB/T 2869-200718 全国轻工机械标准化技术委员会制酒饮料机械分技术委员会20. QBCPXT1952-2024饮料灌装拧盖机修订QB/T2372-199818 全国轻工机械标准化技术委员会制酒饮料机械分技术委员会21. QBCPXT1953-2024饮料混合机修订QB/T 2571-201218 全国轻工机械标准化技术委员会制酒饮料机械分技术委员会22. QBCPZT1954-2024制酒机械 装甑机制定24 全国轻工机械标准化技术委员会制酒饮料机械分技术委员会23. QBCPXT1955-2024制酒饮料机械 码箱垛机修订QB/T 4226-201118 全国轻工机械标准化技术委员会制酒饮料机械分技术委员会

根据中国混凝土与水泥制品协会标准化工作安排，现将拟立项的《水泥基材料中重金属浸出试验方法》等5项协会标准计划项目予以公示（见附件1）。如对拟立项标准项目有不同意见，请在公示期间填写《协会标准立项反馈意见表》（见附件2）并反馈至中国混凝土与水泥制品协会标准质量部。标准质量部电子邮箱：xuxi@ccpa.com.cn联系人：徐曦联系电话：010-57811203 18511990125公示时间：2023年8月4日-2023年9月3日 中国混凝土与水泥制品协会2023年8月4日附件1 协会标准立项汇总表公示稿.pdf附件2 协会标准立项反馈意见表.doc

p 2020年7月20日KLA公司宣布推出革命性的eSL10& #8482 电子束图案化晶圆缺陷检查系统。该系统具有独特的检测能力，能够检测出常规光学或其他电子束检测平台无法捕获的缺陷，从而加速了高性能逻辑和存储芯片的上市时间（包括那些依赖于极端紫外线（EUV）光刻技术的芯片）。eSL10的研发是始于最基本的构架，针对研发生产存在多年的问题而开发出了多项突破性技术，可提供高分辨率，高速检测功能，这是市场上任何其他电子束系统都难以比拟的。 /p p KLA电子束部门总经理Amir Azordegan表示：“利用单一的高能量电子束，eSL10系统将电子束检测性能提升到了一个新水平。在此之前，电子束检测系统不能兼顾灵敏度和产能，严重限制了实际的应用。我们优秀的研发工程团队采用了全新的方法来设计电子束架构以及算法，研制出的新系统可以解决现有设备无法解决的问题。目前，KLA将电子束检测列入对制造尖端产品至关重要的设备清单。” /p p img style=" max-width:100% max-height:100% " src=" https://www.semi.org.cn/img/news/sdfffdsffsd.jpg" / /p p 图：针对先进的逻辑、DRAM和3D NAND器件，KLA革命性的eSL10& #8482 电子束图案化晶圆缺陷检测系统利用独特的技术发现甄别产品中的关键缺陷。 /p p eSL10电子束检测系统具有多项革命性技术，能够弥补对关键缺陷检测能力的差距。独特的电子光学设计提供了在业界相对比较广泛的操作运行范围，能够捕获各种不同制程层和器件类型中的缺陷。Yellowstone& #8482 扫描模式每次可以扫描收集100亿像素的信息，支持高速运行的同时不会影响分辨率，以在较大区域内也能高效地研究潜在弱点，实现缺陷发现。Simul-6& #8482 传感器技术可以通过一次扫描同时收集表面、形貌、材料对比度和深沟槽信息，从而减少了在具有挑战性的器件结构和材料中识别不同缺陷类型所需的时间。凭借其先进的人工智能（AI）系统，eSL10运用了深度学习算法，能满足IC制造商不断发展的检测要求，杜绝了对器件性能影响最关键的缺陷。 /p p 三维器件结构，例如用于内存应用的3D NAND和DRAM，以及用于逻辑器件的FinFET和GAA（Gate-All-Around）结构，都要求晶圆厂重新考虑传统的缺陷控制策略。eSL10与KLA的旗舰39xx（“ Gen5”）和29xx（“ Gen4”）宽光谱晶圆缺陷检测系统的结合，为先进的IC技术提供了强大的缺陷发现和监测解决方案。这些系统共同合作，提高了产品的良率和可靠性，将更快地发现关键缺陷，并能够更快地解决从研发到生产的缺陷问题。 /p p 新推出的eSL10系统平台具有独特的扩展性，可以延申到整个电子束检测和量测应用中。全球范围内先进的逻辑器件、存储器和制程设备制造商都在使用eSL10系统，利用该系统帮助研发生产过程，提升和监测下一代产品制程和器件的制造。为了保持其高性能和生产力表现，eSL10系统拥有KLA全球综合服务网络的支持。更多关于全新电子束缺陷检测系统的其他信息，请参见eSL10产品页面。 /p

作者：荆淮侨 来源：中国科学报受SCIE期刊《极端制造》极端制造编辑部邀请，华中科技大学教授刘世元团队近日在该刊上发表了《10nm及以下技术节点晶圆缺陷光学检测》的综述文章，对过去十年中与光学晶圆缺陷检测技术有关的新兴研究内容进行了全面回顾。随着智能终端、无线通信与网络基础设施、智能驾驶、云计算、智慧医疗等产业的蓬勃发展，先进集成电路的关键尺寸进一步微缩至亚10nm尺度，图形化晶圆上制造缺陷的识别、定位和分类变得越来越具有挑战性。传统明场检测方法虽然是当前晶圆缺陷检测的主流技术，但该方法受制于光学成像分辨率极限和弱散射信号捕获能力极限而变得难以为继，因此亟需探索具有更高成像分辨率和更强缺陷散射信号捕获性能的缺陷检测新方法。据了解，晶圆缺陷光学检测方法的最新进展包含了缺陷可检测性评估、光学缺陷检测方法、后处理算法等三个方面。其中，缺陷可检测性评估，包含了材料对缺陷可检测性的影响、晶圆缺陷拓扑形貌对缺陷可检测性的影响两个方面。在多样化的光学缺陷检测方法上，目前，晶圆缺陷光学检测系统可根据实际使用的光学检测量进行分类。在后处理算法方面，根据原始检测图像来识别和定位各类缺陷，关键在于确保后处理图像中含缺陷区域的信号强度应明显大于预定义的阈值。在该综述研究中，也总结了代表性晶圆缺陷检测新方法。具体可划分为明/暗场成像、暗场成像与椭偏协同检测、离焦扫描成像、外延衍射相位显微成像、X射线叠层衍射成像、太赫兹波成像缺陷检测、轨道角动量光学显微成像。研究人员认为，基于深度学习的缺陷检测方法的实施流程非常简单。首先，捕获足够的电子束检测图像或晶圆光学检测图像。其次，训练特定的神经网络模型，从而实现从检测图像中提取有用特征信息的功能。最后，用小样本集测试训练后的神经网络模型，并根据表征神经网络置信水平的预定义成本函数决定是否应该重复训练。据介绍，尽管图形化晶圆缺陷光学检测一直是一个长期伴随IC制造发展的工程问题，但通过与纳米光子学、结构光照明、计算成像、定量相位成像和深度学习等新兴技术的融合，其再次焕发活力。该团队介绍，这一研究领域的前景主要包含以下方面：首先，为了提高缺陷检测灵敏度，需要从检测系统硬件与软件方面协同创新。同时，为了拓展缺陷检测适应性，需要更严谨地研究缺陷与探测光束散射机理。此外，为了改善缺陷检测效率，需要更高效地求解缺陷散射成像问题。除了IC制造之外，上述光学检测方法对光子传感、生物感知、混沌光子等领域都有广阔的应用前景。相关研究人员表示，通过对上述研究工作进行评述，从而阐明晶圆缺陷检测技术的可能发展趋势，将为该领域的新进入者和寻求在跨学科研究中使用该技术的研究者提供有益参考。华中科大机械学院研究员朱金龙、博士后刘佳敏为该文共同第一作者，华中科大教授刘世元以及朱金龙为共同通讯作者。相关论文信息：https://doi.org/10.1088/2631-7990/ac64d7

日立暗场晶圆缺陷检测系统DI46002023年12月6日，日立高新宣布推出日立暗场晶圆缺陷检测系统DI4600，这是一种用于检测半导体生产线上图案化晶圆上颗粒和缺陷的新工具。DI4600 增加了一个专用服务器，该服务器提供了检测颗粒和缺陷所需的显著增强的数据处理能力，从而提高了检测能力。与之前的型号相比，通过缩短晶圆转移时间和改进晶圆检测期间的操作，系统的吞吐量也提高了约 20%。DI4600将实现半导体生产线中高精度的缺陷监测，这将有助于提高产量和更好的拥有成本，促进半导体产量持续扩大。发展背景在当前的社会环境中，DRAM和FLASH等存储器半导体设备，MPU和GPU等逻辑半导体不仅用于智能手机、笔记本电脑和PC，还用于生成人工智能（AI）计算和自动驾驶。随着半导体器件的萎缩和复杂性的发展，对制造过程清洁度和检测能力的要求也变得更加严格。半导体制造商不断努力提高竞争力，尤其是在性能和制造成本方面。图案化晶圆检查工具通过检查生产晶圆的表面是否有颗粒和缺陷，有助于产量管理，使工程师能够监测半导体处理工具的清洁度变化和趋势，因此对半导体器件的性能和制造成本有很大影响。关键技术1.高通量与现有型号相比，通过减少晶圆转移时间、改善晶圆检测期间的操作和优化数据处理顺序，吞吐量提高了约 20%。2.高精度检测由于增加了专用服务器，因此提高了检测精度，该服务器提供了检测颗粒和缺陷所需的显着增强的数据处理能力。

“扬尘是一种十分复杂的尘源，目前国内外尚没有对扬尘统一的定义。”当前，扬尘的治理和监管已成为城市空气质量改善的重要工作领域。但我国扬尘监测跟不上治理需求，存在监测指标、监管系统和监控机制等方面的短板。　　当前，扬尘的治理和监管已成为城市空气质量改善的重要工作领域。但据悉，目前监测设备、指标设定还跟不上治理需求 单侧点监管系统也存在不少缺陷 在监管方式上，没有安装在线扬尘监测设备的施工场地，工地施工人员与环境监管人员“躲猫猫”，依靠执法人员人工巡查，很难抓住现行。　　工地与环境监管“躲猫猫”　　工地多，监管人力有限不能全覆盖　　在没有安装扬尘监测系统的工地，常发生施工人员与环境监管执法人员“躲猫咪”现象，严重影响了扬尘污染监管。　　据介绍，上海环保局环境监察总队日前在暗访检查工地过程中，发现浦东新区原世博园区有一个施工工地，在平整道路时，露天作业 也没有设置洒水池等有效防护措施，进出渣土车辆驶过，尘土飞扬，路过工地的人们纷纷掩鼻而过，扬尘污染严重。　　同日，在上海徐汇区龙华寺附近的一建筑工地，也发现在开挖地面时没有任何防护，大门有一个冲洗水池，水比较浅，起不到冲洗的作用，渣土车辆进出大门，掀起一股气浪，尘土满天飞扬。　　或许是工地管理人员发现了暗访执法人员，当第二天再到工地时，工地环境发生了一些改观，虽有扬尘污染的痕迹，但并不严重。　　当环境监察人员进入工地查询时，工地管理人员却矢口否认昨天有扬尘污染情况发生，工地保持宁静，停止施工，也不见车辆进出。由于没有安装监控系统，没有抓个现行，环境监察部门无法处理，工地逃过处罚。　　据了解，目前上海市很多地区对扬尘的监控，主要依靠环境执法人员去工地现场巡检，因人力有限，不仅难以全覆盖，也缺乏时效性。　　据上海市环保部门人士介绍，工地扬尘在时间上具有偶发性、在地点上具有不固定性，要达到控制污染源的效果，采取全面、有效的监控手段极为重要。　　扬尘单测点监管系统有天然“缺陷”　　监测结果不全面、真实性差、难通用　　据了解，扬尘污染是上海大气污染治理的一大顽症。根据上海市大气细颗粒物来源解析最新结果，扬尘已成为仅次于移动源、工业生产和燃煤的第四大污染源。　　近年来，上海开始实施工地扬尘在线监测试点工作，取得了一定成效，比如“泥头车”现象显着减少、施工企业的扬尘控制意识有所加强等。但相关人士坦言，这种监管也暴露出许多问题。　　首先，现有系统难以保证监测结果的全面性。相关环保人士透露，目前所采用的扬尘监测系统在每个施工工地(不论面积多大)仅设置一个测点，由于工地面积范围较大，且城市区域风向等气象参数多变，扬尘发生的位置不可能仅仅局限在一处，因此，单点监测既无法判断扬尘产生的位置，也无法确定扬尘落点的位置。　　其次，现有系统难以反映监测数据的真实性。现有系统采集的数据一般都经由自有平台进行修正后再显示在终端上，数据的准确性受修正方法的影响，导致显示数据与真实值始终存在较大误差。　　另外，现有系统难以实现数据传输的通用性。不同企业生产的扬尘在线监测系统使用各自的通信协议，虽然能满足设备到各自监控平台的数据传输，但彼此之间的数据传输标准不统一，互相之间无法形成有效的信息共享，也增加了环保部门的监管难度，不利于形成标准化、规范化的扬尘监管体系。　　业内人士认为，单测点监管系统有天生缺陷，不能很好地起到监管威慑作用，已不适应目前扬尘整治工作新要求，更何况只安装在试点工地。　　扬尘监测跟不上治理需求　　大部分是事后监测，技术不太成熟、设备不足　　“扬尘是一种十分复杂的尘源，目前国内外尚没有对扬尘统一的定义。”CTI华测检测认证集团环境事业部华北区经理文唤成说。　　在环保领域，《防治城市扬尘污染技术规范》(HJ/T393-2007)指出，扬尘是地表松散颗粒物质在自然力或人力作用下进入到环境空气中形成的一定粒径范围的空气颗粒物，主要分为土壤扬尘、施工扬尘、道路扬尘和堆场扬尘。　　文唤成介绍说，通过对颗粒物监测，可以为大气污染防治以及污染源解析提供数据支撑。目前，国内对扬尘的手工监测结果大部分是以小时均值、日均值等形式体现，不能全面反映瞬时污染或者实时污染。特别是一些瞬时高污染，手工监测容易受采样时空的限制而未采到代表性的样品，属于事后监测。　　目前反映扬尘的环境监测指标有：总悬浮颗粒物、PM10、PM2.5、降尘等，针对这些指标，其中有些监测技术不太成熟、缺乏专业设备，影响检测结果的准确性。　　比如《防治城市扬尘污染技术规范》(HJ/T393-2007)中的道路积尘负荷指标，是衡量道路扬尘排放的重要指标，需要用到带收集装置的真空吸尘器、封闭的摇床等设备，生产厂家很少，市场上很难采购到，给道路扬尘监测带来困难。　　文唤成说，CTI华测检测作为第三方监测机构，对扬尘监测有所涉足，但企业主动委托监测需求量不多。　　他认为，应重视扬尘监测，加强立法以及标准和技术指南的制定工作，同时要加大监测技术研发力度，推动扬尘污染防治。

1连铸坯质量及内部典型缺陷类型 连铸坯质量决定着最终钢铁产品的质量。从广义来说所谓连铸坯质量是得到合格产品所允许的连铸坯缺陷的严重程度，连铸坯存在的缺陷在允许范围以内，叫合格产品。 连铸坯的质量缺陷主要为内部质量缺陷和表面质量缺陷,因其成因不同,控制,抑制缺陷的产生及提高质量的措施和方法也不尽相同。 连铸坯内部缺陷主要有中心疏松、中心缩孔、夹杂物、气孔、裂纹、氢脆等，连铸坯质量是从以下几个方面进行评价的：(1)连铸坯的纯净度：指钢中夹杂物的含量，形态和分布。 (2)连铸坯的表面质量：主要是指连铸坯表面是否存在裂纹、夹渣及皮下气泡等缺陷。连铸坯这些表面缺陷主要是钢液在结晶器内坯壳形成生长过程中产生的，与浇注温度、拉坯速度、保护渣性能、浸入式水口的设计，结晶式的内腔形状、水缝均匀情况，结晶器振动以及结晶器液面的稳定因素有关。(3)连铸坯的内部质量：是指连铸坯是否具有正确的凝固结构，以及裂纹、偏析、疏松、夹杂、气孔等缺陷程度。二冷区冷却水的合理分配、支撑系统的严格对中是保证铸坯质量的关键。 只有提供高质量的连铸坯，才能轧制高品质的产品。因此在钢生产流程中，生产无缺陷或不影响终端产品性能的可容忍缺陷铸坯，生产无缺陷或不影响结构件安全可靠性能的可容忍缺陷的钢材是冶金工作者的重要任务。随着科学技术的不断发展以及传统物理学、材料学的不断完善，连铸钢缺陷检测已经进入了纳米检测时代。扫描电镜以其高分辨率、高放大倍数及大景深的特点为连铸钢缺陷分析与对策研究提供了无限可能，使得材料分析变得更加具有科学性和实用性。扫描电镜广泛用于材料的形貌组织观察、材料断口分析和失效分析、材料实时微区成分分析、元素定量、定性成分分析、快速的多元素面扫描和线扫描分布测量、晶体/晶粒的相鉴定、晶粒与夹杂物尺寸和形状分析、晶体、晶粒取向测量等领域。电子显微镜已经成为钢铁行业在产品研发、质量检验、缺陷分析、产品失效分析等方面强有力的工具和检测手段。2连铸坯典型内部缺陷宏观和微观特征及形成机理简介2.1 缩孔缺陷特征 在横向酸浸低倍试片上存在于铸坯中心区域、形状不规则、孔壁粗糙并带有枝晶状的孔洞，孔洞暗黑。一般出现于铸坯最后凝固部位，在铸坯纵向轴线方向呈现的是间断分布的孔洞。形成机理 连铸圆坯在凝固冷却过程中由于温度梯度大、冷却速度快和结晶生长的不规则性，局部优先生长的树枝晶产生“搭桥”现象，把正在凝固中的铸坯分隔成若干个小区域，造成钢水补充不足，钢液完全凝固时引起体积收缩，在铸坯最后凝固的中心区域形成缩孔。另外，拉坯速度过快，浇注温度高，钢水过热度大等都将影响铸坯中心缩孔的大小。因连铸时钢水不断补充到液相，故连铸圆坯中纵向无连续的集中缩孔，只是间断出现缩孔。微观特征 缩孔内壁呈现自由凝固光滑枝晶特征，见图1。图1 连铸坯心部断口中不致密的疏松和缩孔2.2 疏松缺陷特征 在横向酸浸低倍试片的中心区域呈现出的分散小黑点、不规则多边形或圆形小孔隙组成的不致密组织。较严重时，有连接成海绵状的趋势。形成机理 连铸过程中浇注温度过高，中包钢水过热度较大，铸坯在二冷区冷却凝固过程中由于温度梯度作用，柱状晶强烈向中心方向生长。中心疏松的产生可看成是铸坯中心的柱状晶向中心生长，碰到一起造成了“搭桥”阻止了桥上面的钢液向桥下面钢液凝固收缩的补充，当桥下面钢液全部凝固后就留下了许多小孔隙；或钢液以枝状晶凝固时，枝晶间富集杂质的低熔点钢液在最后凝固过程中产生收缩，与此同时，脱溶气体逸出而产生孔隙；或是钢中的非金属夹杂物在热酸浸时被腐蚀掉而留下孔隙。钢中含有较多的气体和夹杂时，会加重疏松程度。疏松对钢材性质的影响程度取决于疏松点的大小、数量和密集程度。微观特征 不致密的自由凝固枝晶特征，常有夹杂物伴生，见图2、图3。图2 连铸坯心部断口中疏松与枝晶状硫化物图3 连铸坯心部断口中不致密的疏松缺陷图4 连铸坯中部断口中柱状晶及小气孔缺陷2.3柱状晶发达缺陷特征 在横向酸浸低倍试片上，铸坯的上半弧枝晶发达至中心，下半弧枝晶相对细小。形成原因 连铸结晶器内钢液的凝固热传导对铸坯表面质量有非常大的影响。研究发现随着结晶器冷却强度（热流）的增加，坯壳的不均匀程度提高。如果冷却水冷却不均匀，上弧冷却强，就可能造成上弧柱状晶发达穿透至中心；下弧冷却弱，柱状晶就相对比较细小。微观特征 发达的枝晶状柱状晶其上常有小气孔或夹杂物存在，见图4。2.4 非金属夹杂物缺陷特征 在横向酸浸低倍试片上的连铸坯内弧侧、皮下1/4—1/5半径部位分布有不同形状的孔隙或空洞（夹杂被酸浸掉）。在硫印图片上能观察到随机分布的黑点。形成机理 按夹杂物来源，非金属夹杂物分为内生夹杂和外来夹杂。内生夹杂是指冶炼时脱氧产物和浇注过程中钢水的二次氧化所生成的产物未能排出而残留在钢中的夹杂物。外来夹杂是指冶炼和浇注过程中由外部混入钢中的耐火材料、保护渣、未融化的合金料等外来产物。这些内生或外来夹杂在连铸上浮过程中被内弧侧捕捉而不能上浮到结晶器液面是造成内弧夹杂物聚集的原因。微观特征 连铸坯中夹杂物多呈球状、块状、颗粒状，分布在疏松、气孔、晶界等部位，见图5、图6 图5 连铸坯心部断口晶界上的颗粒状碳氮化物图6 连铸坯心部断口中光滑气孔及枝晶状硫化物2.5 氢致裂纹缺陷特征 在横向酸浸低倍试片上氢致裂纹的分布形态是距铸坯周边一定距离的细短裂纹，有的裂纹呈锯齿状。在纵向试样上，氢致裂纹与纤维方向大致平行或成一定角度，裂缝的锯齿状特征更明显。在纵向断口上呈现的是椭圆形的银灰色斑点，一般称之为铸态白点。形成机理 氢致裂纹是由于熔于钢液中的氢原子在连铸坯凝固冷却过程中脱熔并析集到夹杂、疏松等空隙中化合成分子氢产生巨大的压力并与钢相变时产生的热应力、组织应力叠加，在局部缺陷区域产生巨大的气体压力，当超过钢的强度极限时，导致钢坯内部产生裂纹。微观特征 断口呈氢脆解理或准解理特征，见图7、图8。图7 连铸坯断口上的氢脆解理特征（H 5.4PPm）图8 连铸坯断口上的氢脆解理及颗粒状氧化物2.6连铸坯正常

上接：晶圆表面缺陷检测方法综述【上】4. 基于机器学习的晶圆表面缺陷检测机器学习主要是将一个具体的问题抽象成一个数学模型，通过数学方法求解模型，求解该问题，然后评估该模型对该问题的影响。根据训练数据的特点，分为监督学习、无监督学习和半监督学习。本文主要讨论这三种机器学习方法在晶圆表面缺陷检测中的应用。机器学习模型比较如表2所示。表 2.机器学习算法的比较。分类算法创新局限监督学习KNN系列对异常数据不敏感，准确率高。复杂度高，计算强度高。决策树-Radon应用Radon以形成新的缺陷特征。过拟合非常熟练。SVMSVM 可对多变量、多模态和不可分割的数据点进行高效分类。它对多个样本不友好，内核函数难以定位。无监督学习多层感知器聚类算法采用多层感知器增强特征提取能力。取决于激活函数的选择。DBSCAN可以根据缺陷模式特征有选择地去除异常值。样本密度不均匀或样本过大，收敛时间长，聚类效果差。SOM高维数据可以映射到低维空间，保持高维空间的结构。目标函数不容易确定。半监督学习用于增强标记的半监督框架将监督集成学习与无监督SOM相结合，构建了半监督模型。培训既费时又费时。半监督增量建模框架通过主动学习和标记样本来增强模型性能，从而提高模型性能。性能取决于标记的数据量。4.1. 监督学习监督学习是一种学习模型，它基于该模型对所需的新数据样本进行预测。监督学习是目前晶圆表面缺陷检测中广泛使用的机器学习算法，在目标检测领域具有较高的鲁棒性。Yuan，T等提出了一种基于k-最近邻（KNN）的噪声去除技术，该技术利用k-最近邻算法将全局缺陷和局部缺陷分离，提供晶圆信息中所有聚合的局部缺陷信息，通过相似聚类技术将缺陷分类为簇，并利用聚类缺陷的参数化模型识别缺陷簇的空间模式。Piao M等提出了一种基于决策树的晶圆缺陷模式识别方法。利用Radon变换提取缺陷模式特征，采用相关性分析法测度特征之间的相关性，将缺陷特征划分为特征子集，每个特征子集根据C4.5机制构建决策树。对决策树置信度求和，并选择总体置信度最高的类别。决策树在特定类别的晶圆缺陷检测中表现出更好的性能，但投影的最大值、最小值、平均值和标准差不足以代表晶圆缺陷的所有空间信息，因此边缘缺陷检测性能较差。支持向量机（SVM）在监督学习中也是缺陷检测的成熟应用。当样本不平衡时，k-最近邻算法分类效果较差，计算量大。决策树也有类似的问题，容易出现过度拟合。支持向量机在小样本和高维特征的分类中仍然具有良好的性能，并且支持向量机的计算复杂度不依赖于输入空间的维度，并且多类支持向量机对过拟合问题具有鲁棒性，因此常被用作分类器。R. Baly等使用支持向量机（SVM）分类器将1150张晶圆图像分为高良率和低良率两类，然后通过对比实验证明，相对于决策树，k-最近邻（KNN）、偏最小二乘回归（PLS回归）和广义回归神经网络（GRNN），非线性支持向量机模型优于上述四种晶圆分类方法。多类支持向量机在晶圆缺陷模式分类中具有更好的分类精度。L. Xie等提出了一种基于支持向量机算法的晶圆缺陷图案检测方案。采用线性核、高斯核和多项式核进行选择性测试，通过交叉验证选择测试误差最小的核进行下一步的支持向量机训练。支持向量机方法可以处理图像平移或旋转引起的误报问题。与神经网络相比，支持向量机不需要大量的训练样本，因此不需要花费大量时间训练数据样本进行分类。为复合或多样化数据集提供更强大的性能。4.2. 无监督学习在监督学习中，研究人员需要提前将缺陷样本类型分类为训练的先验知识。在实际工业生产中，存在大量未知缺陷，缺陷特征模糊不清，研究者难以通过经验进行判断和分类。在工艺开发的早期阶段，样品注释也受到限制。针对这些问题，无监督学习开辟了新的解决方案，不需要大量的人力来标记数据样本，并根据样本之间的特征关系进行聚类。当添加新的缺陷模式时，无监督学习也具有优势。近年来，无监督学习已成为工业缺陷检测的重要研究方向之一。晶圆图案上的缺陷图案分类不均匀，特征不规则，无监督聚类算法对这种情况具有很强的鲁棒性，广泛用于检测复杂的晶圆缺陷图案。由于簇状缺陷（如划痕、污渍或局部失效模式）导致难以检测，黄振提出了一种解决该问题的新方法。提出了一种利用自监督多层感知器检测缺陷并标记所有缺陷芯片的自动晶圆缺陷聚类算法（k-means聚类）。Jin C H等提出了一种基于密度的噪声应用空间聚类（DBSCAN）的晶圆图案检测与分类框架，该框架根据缺陷图案特征选择性地去除异常值，然后提取的缺陷特征可以同时完成异常点和缺陷图案的检测。Yuan， T等提出了一种多步晶圆分析方法，该方法基于相似聚类技术提供不同精度的聚类结果，根据局部缺陷模式的空间位置识别出种混合型缺陷模式。利用位置信息来区分缺陷簇有一定的局限性，当多个簇彼此靠近或重叠时，分类效果会受到影响。Di Palma，F等采用无监督自组织映射（SOM）和自适应共振理论（ART1）作为晶圆分类器，对1种不同类别的晶圆进行了模拟数据集测试。SOM 和 ART1 都依靠神经元之间的竞争来逐步优化网络以进行无监督分类。由于ART是通过“AND”逻辑推送到参考向量的，因此在处理大量数据集时，计算次数增加，无法获得缺陷类别的实际数量。调整网络标识阈值不会带来任何改进。SOM算法可以将高维输入数据映射到低维空间，同时保持输入数据在高维空间中的拓扑结构。首先，确定神经元的类别和数量，并通过几次对比实验确定其他参数。确定参数后，经过几个学习周期后，数据达到渐近值，并且在模拟数据集和真实数据集上都表现良好。4.3. 半监督学习半监督学习是一种结合了监督学习和无监督学习的机器学习方法。半监督学习可以使用少量的标记数据和大量的未标记数据来解决问题。基于集成的半监督学习过程如图 8 所示。避免了完全标记样品的成本消耗和错误标记。半监督学习已成为近年来的研究热点。图8.基于集成的半监督学习监督学习通常能获得良好的识别结果，但依赖于样本标记的准确性。晶圆数据样本可能存在以下问题。首先是晶圆样品数据需要专业人员手动标记。手动打标过程是主观的，一些混合缺陷模式可能会被错误标记。二是某些缺陷模式的样本不足。第三，一些缺陷模式一开始就没有被标记出来。因此，无监督学习方法无法发挥其性能。针对这一问题，Katherine Shu-Min Li等人提出了一种基于集成的半监督框架，以实现缺陷模式的自动分类。首先，在标记数据上训练监督集成学习模型，然后通过该模型训练未标记的数据。最后，利用无监督学习算法对无法正确分类的样本进行处理，以达到增强的标记效果，提高晶圆缺陷图案分类的准确性。Yuting Kong和Dong Ni提出了一种用于晶圆图分析的半监督增量建模框架。利用梯形网络改进的半监督增量模型和SVAE模型对晶圆图进行分类，然后通过主动学习和伪标注提高模型性能。实验表明，它比CNN模型具有更好的性能。5. 基于深度学习的晶圆表面缺陷检测近年来，随着深度学习算法的发展、GPU算力的提高以及卷积神经网络的出现，计算机视觉领域得到了定性的发展，在表面缺陷检测领域也得到了广泛的应用。在深度学习之前，相关人员需要具备广泛的特征映射和特征描述知识，才能手动绘制特征。深度学习使多层神经网络能够通过抽象层自动提取和学习目标特征，并从图像中检测目标对象。Cheng KCC等分别使用机器学习算法和深度学习算法进行晶圆缺陷检测。他们使用逻辑回归、支持向量机（SVM）、自适应提升决策树（ADBT）和深度神经网络来检测晶圆缺陷。实验证明，深度神经网络的平均准确率优于上述机器学习算法，基于深度学习的晶圆检测算法具有更好的性能。根据不同的应用场景和任务需求，将深度学习模型分为分类网络、检测网络和分割网络。本节讨论创新并比较每个深度学习网络模型的性能。5.1. 分类网络分类网络是较老的深度学习算法之一。分类网络通过卷积、池化等一系列操作，提取输入图像中目标物体的特征信息，然后通过全连接层，根据预设的标签类别进行分类。网络模型如图 9 所示。近年来，出现了许多针对特定问题的分类网络。在晶圆缺陷检测领域，聚焦缺陷特征，增强特征提取能力，推动了晶圆检测的发展。图 9.分类网络模型结构图在晶圆制造过程中，几种不同类型的缺陷耦合在晶圆中，称为混合缺陷。这些类型的缺陷复杂多变且随机性强，已成为半导体公司面临的主要挑战。针对这一问题，Wang J等提出了一种用于晶圆缺陷分类的混合DPR（MDPR）可变形卷积网络（DC-Net）。他们设计了可变形卷积的多标签输出和一热编码机制层，将采样区域聚焦在缺陷特征区域，有效提取缺陷特征，对混合缺陷进行分类，输出单个缺陷，提高混合缺陷的分类精度。Kyeong和Kim为混合缺陷模式的晶圆图像中的每种缺陷设计了单独的分类模型，并通过组合分类器网络检测了晶圆的缺陷模式。作者使用MPL、SVM和CNN组合分类器测试了六种不同模式的晶圆映射数据库，只有作者提出的算法被正确分类。Takeshi Nakazawa和Deepak V. Kulkarni使用CNN对晶圆缺陷图案进行分类。他们使用合成生成的晶圆图像训练和验证了他们的CNN模型。此外，提出了一种利用模拟生成数据的方法，以解决制造中真实缺陷类别数据不平衡的问题，并达到合理的分类精度。这有效解决了晶圆数据采集困难、可用样品少的问题。分类网络模型对比如表3所示。表3. 分类网络模型比较算法创新Acc直流网络采样区域集中在缺陷特征区域，该区域对混合缺陷具有非常强的鲁棒性。93.2%基于CNN的组合分类器针对每个缺陷单独设计分类器，对新缺陷模式适应性强。97.4%基于CNN的分类检索方法可以生成模拟数据集来解释数据不平衡。98.2%5.2. 目标检测网络目标检测网络不仅可以对目标物体进行分类，还可以识别其位置。目标检测网络主要分为两种类型。第一种类型是两级网络，如图10所示。基于区域提案网络生成候选框，然后对候选框进行分类和回归。第二类是一级网络，如图11所示，即端到端目标检测，直接生成目标对象的分类和回归信息，而不生成候选框。相对而言，两级网络检测精度更高，单级网络检测速度更快。检测网络模型的比较如表4所示。图 10.两级检测网络模型结构示意图图 11.一级检测网络模型结构示意图表4. 检测网络模型比较算法创新AccApPCACAE基于二维主成分分析的级联辊类型自动编码。97.27%\YOLOv3-GANGAN增强了缺陷模式的多样性，提高了YOLOv3的通用性。\88.72%YOLOv4更新了骨干网络，增强了 CutMix 和 Mosaic 数据。94.0%75.8%Yu J等提出了一种基于二维主成分分析的卷积自编码器的深度神经网络PCACAE，并设计了一种新的卷积核来提取晶圆缺陷特征。产品自动编码器级联，进一步提高特征提取的性能。针对晶圆数据采集困难、公开数据集少等问题，Ssu-Han Chen等首次采用生成对抗网络和目标检测算法YOLOv3相结合的方法，对小样本中的晶圆缺陷进行检测。GAN增强了缺陷的多样性，提高了YOLOv3的泛化能力。Prashant P. SHINDE等提出使用先进的YOLOv4来检测和定位晶圆缺陷。与YOLOv3相比，骨干提取网络从Darknet-19改进为Darknet-53，并利用mish激活函数使网络鲁棒性。粘性增强，检测能力大大提高，复杂晶圆缺陷模式的检测定位性能更加高效。5.3. 分段网络分割网络对输入图像中的感兴趣区域进行像素级分割。大部分的分割网络都是基于编码器和解码器的结构，如图12所示是分割网络模型结构示意图。通过编码器和解码器，提高了对目标物体特征的提取能力，加强了后续分类网络对图像的分析和理解。在晶圆表面缺陷检测中具有良好的应用前景。图 12.分割网络模型结构示意图。Takeshi Nakazawa等提出了一种深度卷积编码器-解码器神经网络结构，用于晶圆缺陷图案的异常检测和分割。作者设计了基于FCN、U-Net和SegNet的三种编码器-解码器晶圆缺陷模式分割网络，对晶圆局部缺陷模型进行分割。晶圆中的全局随机缺陷通常会导致提取的特征出现噪声。分割后，忽略了全局缺陷对局部缺陷的影响，而有关缺陷聚类的更多信息有助于进一步分析其原因。针对晶圆缺陷像素类别不平衡和样本不足的问题，Han Hui等设计了一种基于U-net网络的改进分割系统。在原有UNet网络的基础上，加入RPN网络，获取缺陷区域建议，然后输入到单元网络进行分割。所设计的两级网络对晶圆缺陷具有准确的分割效果。Subhrajit Nag等人提出了一种新的网络结构 WaferSegClassNet，采用解码器-编码器架构。编码器通过一系列卷积块提取更好的多尺度局部细节，并使用解码器进行分类和生成。分割掩模是第一个可以同时进行分类和分割的晶圆缺陷检测模型，对混合晶圆缺陷具有良好的分割和分类效果。分段网络模型比较如表5所示。表 5.分割网络模型比较算法创新AccFCN将全连接层替换为卷积层以输出 2D 热图。97.8%SegNe结合编码器-解码器和像素级分类层。99.0%U-net将每个编码器层中的特征图复制并裁剪到相应的解码器层。98.9%WaferSegClassNet使用共享编码器同时进行分类和分割。98.2%第6章 结论与展望随着电子信息技术的不断发展和光刻技术的不断完善，晶圆表面缺陷检测在半导体行业中占有重要地位，越来越受到该领域学者的关注。本文对晶圆表面缺陷检测相关的图像信号处理、机器学习和深度学习等方面的研究进行了分析和总结。早期主要采用图像信号处理方法，其中小波变换方法和空间滤波方法应用较多。机器学习在晶圆缺陷检测方面非常强大。k-最近邻（KNN）、决策树（Decision Tree）、支持向量机（SVM）等算法在该领域得到广泛应用，并取得了良好的效果。深度学习以其强大的特征提取能力为晶圆检测领域注入了活力。最新的集成电路制造技术已经发展到4 nm，预测表明它将继续朝着更小的规模发展。然而，随着这些趋势的出现，晶圆上表面缺陷的复杂性也将增加，对模型的可靠性和鲁棒性提出了更严格的挑战。因此，对这些缺陷的分析和处理对于确保集成电路的高质量制造变得越来越重要。虽然在晶圆表面缺陷分析领域取得了一些成果，但仍存在许多问题和挑战。1、晶圆缺陷的公开数据集很少。由于晶圆生产和贴标成本高昂，高质量的公开数据集很少，为数不多的数据集不足以支撑训练。可以考虑创建一个合成晶圆缺陷数据库，并在现有数据集上进行数据增强，为神经网络提供更准确、更全面的数据样本。由于梯度特征中缺陷类型的多功能性，可以使用迁移学习来解决此类问题，主要是为了解决迁移学习中的负迁移和模型不适用性等问题。目前尚不存在灵活高效的迁移模型。利用迁移学习解决晶圆表面缺陷检测中几个样品的问题，是未来研究的难题。2、在晶圆制造过程中，不断产生新的缺陷，缺陷样本的数量和类型不断积累。使用增量学习可以提高网络模型对新缺陷的识别准确率和保持旧缺陷分类的能力。也可作为扩展样本法的研究方向。3、随着技术进步的飞速发展，芯片特征尺寸越来越小、越来越复杂，导致晶圆中存在多种缺陷类型，缺陷相互折叠，导致缺陷特征不均匀、不明显。增加检测难度。多步骤、多方法混合模型已成为检测混合缺陷的主流方法。如何优化深度网络模型的性能，保持较高的检测效率，是一个亟待进一步解决的问题。4、在晶圆制造过程中，不同用途的晶圆图案会产生不同的缺陷。目前，在单个数据集上训练的网络模型不足以识别所有晶圆中用于不同目的的缺陷。如何设计一个通用的网络模型来检测所有缺陷，从而避免为所有晶圆缺陷数据集单独设计训练模型造成的资源浪费，是未来值得思考的方向。5、缺陷检测模型大多为离线模型，无法满足工业生产的实时性要求。为了解决这个问题，需要建立一个自主学习模型系统，使模型能够快速学习和适应新的生产环境，从而实现更高效、更准确的缺陷检测。原文链接:Electronics | Free Full-Text | Review of Wafer Surface Defect Detection Methods (mdpi.com)

摘要晶圆表面缺陷检测在半导体制造中对控制产品质量起着重要作用，已成为计算机视觉领域的研究热点。然而，现有综述文献中对晶圆缺陷检测方法的归纳和总结不够透彻，缺乏对各种技术优缺点的客观分析和评价，不利于该研究领域的发展。本文系统分析了近年来国内外学者在晶圆表面缺陷检测领域的研究进展。首先，介绍了晶圆表面缺陷模式的分类及其成因。根据特征提取方法的不同，目前主流的方法分为三类：基于图像信号处理的方法、基于机器学习的方法和基于深度学习的方法。此外，还简要介绍了代表性算法的核心思想。然后，对每种方法的创新性进行了比较分析，并讨论了它们的局限性。最后，总结了当前晶圆表面缺陷检测任务中存在的问题和挑战，以及该领域未来的研究趋势以及新的研究思路。1.引言硅晶圆用于制造半导体芯片。所需的图案是通过光刻等工艺在晶圆上形成的，是半导体芯片制造过程中非常重要的载体。在制造过程中，由于环境和工艺参数等因素的影响，晶圆表面会产生缺陷，从而影响晶圆生产的良率。晶圆表面缺陷的准确检测，可以加速制造过程中异常故障的识别以及制造工艺的调整，提高生产效率，降低废品率。晶圆表面缺陷的早期检测往往由经验丰富的检测人员手动进行，存在效率低、精度差、成本高、主观性强等问题，不足以满足现代工业化产品的要求。目前，基于机器视觉的缺陷检测方法[1]在晶圆检测领域已经取代了人工检测。传统的基于机器视觉的缺陷检测方法往往采用手动特征提取，效率低下。基于计算机视觉的检测方法[2]的出现，特别是卷积神经网络等神经网络的出现，解决了数据预处理、特征表示和提取以及模型学习策略的局限性。神经网络以其高效率、高精度、低成本、客观性强等特点，迅速发展，在半导体晶圆表面缺陷检测领域得到广泛应用。近年来，随着智能终端和无线通信设施等电子集成电路的发展，以及摩尔定律的推广，在全球对芯片的需求增加的同时，光刻工艺的精度也有所提高。随着技术的进步，工艺精度已达到10纳米以下[5]。因此，对每个工艺步骤的良率提出了更高的要求，对晶圆制造中的缺陷检测技术提出了更大的挑战。本文主要总结了晶圆表面缺陷检测算法的相关研究，包括传统的图像处理、机器学习和深度学习。根据算法的特点，对相关文献进行了总结和整理，对晶圆缺陷检测领域面临的问题和挑战进行了展望和未来发展。本文旨在帮助快速了解晶圆表面缺陷检测领域的相关方法和技能。2. 晶圆表面缺陷模式在实际生产中，晶圆上的缺陷种类繁多，形状不均匀，增加了晶圆缺陷检测的难度。在晶圆缺陷的类型中，无图案晶圆缺陷和图案化晶圆缺陷是晶圆缺陷的两种主要形式。这两类缺陷是芯片故障的主要原因。无图案晶圆缺陷多发生在晶圆生产的预光刻阶段，即由机器故障引起的晶圆缺陷。划痕缺陷如图1a所示，颗粒污染缺陷如图1b所示。图案化晶圆缺陷多见于晶圆生产的中间工序。曝光时间、显影时间和烘烤后时间不当会导致光刻线条出现缺陷。螺旋激励线圈和叉形电极的微纳制造过程中晶圆表面产生的缺陷如图2所示。开路缺陷如图2 a所示，短路缺陷如图2 b所示，线路污染缺陷如图2 c所示，咬合缺陷如图2d所示。图1.（a）无图案晶圆的划痕缺陷；（b）无图案晶圆中的颗粒污染。图2.（a）开路缺陷，（b）短路缺陷，（c）线路污染，以及（d）图案化晶圆缺陷图中的咬合缺陷。由于上述晶圆缺陷的存在，在对晶圆上所有芯片进行功能完整性测试时，可能会发生芯片故障。芯片工程师用不同的颜色标记测试结果，以区分芯片的位置。在不同操作过程的影响下，晶圆上会产生相应的特定空间图案。晶圆图像数据，即晶圆图，由此生成。正如Hansen等在1997年指出的那样，缺陷芯片通常具有聚集现象或表现出一些系统模式，而这种缺陷模式通常包含有关工艺条件的必要信息。晶圆图不仅可以反映芯片的完整性，还可以准确描述缺陷数据对应的空间位置信息。晶圆图可能在整个晶圆上表现出空间依赖性，芯片工程师通常可以追踪缺陷的原因并根据缺陷类型解决问题。Mirza等将晶圆图缺陷模式分为一般类型和局部类型，即全局随机缺陷和局部缺陷。晶圆图缺陷模式图如图3所示，局部缺陷如图3 a所示，全局随机缺陷如图3b所示。全局随机缺陷是由不确定因素产生的，不确定因素是没有特定聚类现象的不可控因素，例如环境中的灰尘颗粒。只有通过长期的渐进式改进或昂贵的设备大修计划，才能减少全局随机缺陷。局部缺陷是系统固有的，在晶圆生产过程中受到可控因素的影响，如工艺参数、设备问题和操作不当。它们反复出现在晶圆上，并表现出一定程度的聚集。识别和分类局部缺陷，定位设备异常和不适当的工艺参数，对提高晶圆生产良率起着至关重要的作用。图3.（a）局部缺陷模式（b）全局缺陷模式。对于面积大、特征尺寸小、密度低、集成度低的晶圆图案，可以用电子显微镜观察光刻路径，并可直接进行痕量检测。随着芯片电路集成度的显著提高，进行芯片级检测变得越来越困难。这是因为随着集成度的提高，芯片上的元件变得更小、更复杂、更密集，从而导致更多的潜在缺陷。这些缺陷很难通过常规的检测方法进行检测和修复，需要更复杂、更先进的检测技术和工具。晶圆图研究是晶圆缺陷检测的热点。天津大学刘凤珍研究了光刻设备异常引起的晶圆图缺陷。针对晶圆实际生产过程中的缺陷，我们通过设备实验对光刻胶、晶圆粉尘颗粒、晶圆环、划痕、球形、线性等缺陷进行了深入研究，旨在找到缺陷原因，提高生产率。为了确定晶圆模式失效的原因，吴明菊等人从实际制造中收集了811,457张真实晶圆图，创建了WM-811K晶圆图数据集，这是目前应用最广泛的晶圆图。半导体领域专家为该数据集中大约 20% 的晶圆图谱注释了八种缺陷模式类型。八种类型的晶圆图缺陷模式如图4所示。本综述中引用的大多数文章都基于该数据集进行了测试。图4.八种类型的晶圆映射缺陷模式类型：（a）中心、（b）甜甜圈、（c）边缘位置、（d）边缘环、（e）局部、（f）接近满、（g）随机和（h）划痕。3. 基于图像信号处理的晶圆表面缺陷检测图像信号处理是将图像信号转换为数字信号，再通过计算机技术进行处理，实现图像变换、增强和检测。晶圆检测领域常用的有小波变换（WT）、空间滤波（spatial filtering）和模板匹配（template matching）。本节主要介绍这三种算法在晶圆表面缺陷检测中的应用。图像处理算法的比较如表1所示。表 1.图像处理算法的比较。模型算法创新局限小波变换 图像可以分解为多种分辨率，并呈现为具有不同空间频率的局部子图像。防谷物。阈值的选择依赖性很强，适应性差。空间滤波基于空间卷积，去除高频噪声，进行边缘增强。性能取决于阈值参数。模板匹配模板匹配算法抗噪能力强，计算速度快。对特征对象大小敏感。3.1. 小波变换小波变换（WT）是一种信号时频分析和处理技术。首先，通过滤波器将图像信号分解为不同的频率子带，进行小波分解 然后，通过计算小波系数的平均值、标准差或其他统计度量，分析每个系数以检测任何异常或缺陷。异常或缺陷可能表现为小波系数的突然变化或异常值。根据分析结果，使用预定义的阈值来确定信号中的缺陷和异常，并通过识别缺陷所在的时间和频率子带来确定缺陷的位置。小波分解原理图如图5所示，其中L表示低频信息，H表示高频信息。每次对图像进行分解时，图像都会分解为四个频段：LL、LH、HL 和 HH。下层分解重复上层LL带上的分解。小波变换在晶圆缺陷特征的边界处理和多尺度边缘检测中具有良好的性能。图5.小波分解示意图。Yeh等提出了一种基于二维小波变换（2DWT）的方法，该方法通过修正小波变换模量（WTMS）计算尺度系数之间的比值，用于晶圆缺陷像素的定位。通过选择合适的小波基和支撑长度，可以使用少量测试数据实现晶圆缺陷的准确检测。图像预处理阶段耗费大量时间，严重影响检测速度。Wen-Ren Yang等提出了一种基于短时离散小波变换的晶圆微裂纹在线检测系统。无需对晶圆图像进行预处理。通过向晶圆表面发射连续脉冲激光束，通过空间探针阵列采集反射信号，并通过离散小波变换进行分析，以确定微裂纹的反射特性。在加工的情况下，也可以对微裂纹有更好的检测效果。多晶太阳能硅片表面存在大量随机晶片颗粒，导致晶圆传感图像纹理不均匀。针对这一问题，Kim Y等提出了一种基于小波变换的表面检测方法，用于检测太阳能硅片缺陷。为了更好地区分缺陷边缘和晶粒边缘，使用两个连续分解层次的小波细节子图的能量差作为权重，以增强每个分解层次中提出的判别特征。实验结果表明，该方法对指纹和污渍有较好的检测效果，但对边缘锋利的严重微裂纹缺陷无效，不能适用于所有缺陷。3.2. 空间过滤空间滤波是一种成熟的图像增强技术，它是通过直接对灰度值施加空间卷积来实现的。图像处理中的主要作用是图像去噪，分为平滑滤镜和锐化滤镜，广泛应用于缺陷检测领域。图6显示了图像中中值滤波器和均值滤波器在增加噪声后的去噪效果。图6.滤波去噪效果图：（a）原始图像，（b）中值滤波去噪，（c）均值滤光片去噪。Ohshige等提出了一种基于空间频率滤波技术的表面缺陷检测系统。该方法可以有效地检测晶圆上的亚微米缺陷或异物颗粒。晶圆制造中随机缺陷的影响。C.H. Wang提出了一种基于空间滤波、熵模糊c均值和谱聚类的晶圆缺陷检测方法，该方法利用空间滤波对缺陷区域进行去噪和提取，通过熵模糊c均值和谱聚类获得缺陷区域。结合均值和谱聚类的混合算法用于缺陷分类。它解决了传统统计方法无法提取具有有意义的分类的缺陷模式的问题。针对晶圆中的成簇缺陷，Chen SH等开发了一种基于中值滤波和聚类方法的软件工具，所提算法有效地检测了缺陷成簇。通常，空间过滤器的性能与参数高度相关，并且通常很难选择其值。3.3. 模板匹配模板匹配检测是通过计算模板图像与被测图像之间的相似度来实现的，以检测被测图像与模板图像之间的差异区域。Han H等从晶圆图像本身获取的模板混入晶圆制造工艺的设计布局方案中，利用物理空间与像素空间的映射，设计了一种结合现有圆模板匹配检测新方法的晶圆图像检测技术。刘希峰结合SURF图像配准算法，实现了测试晶圆与标准晶圆图案的空间定位匹配。测试图像与标准图像之间的特征点匹配结果如图7所示。将模式识别的轮廓提取技术应用于晶圆缺陷检测。Khalaj等提出了一种新技术，该技术使用高分辨率光谱估计算法提取晶圆缺陷特征并将其与实际图像进行比较，以检测周期性2D信号或图像中不规则和缺陷的位置。图7.测试图像与标准图像之间的特征点匹配结果。下接：晶圆表面缺陷检测方法综述【下】

一、实验目的旨在通过引入氧空位缺陷来改善α-Zn3(PO4)2：Mn2+，Na+绿色长余辉发光材料的发光性能。通过研究Na+掺杂量对氧空位缺陷的影响及其对发光性能的作用机制，进一步了解长余辉材料的发光机理，并优化发光材料的制备条件。二、实验使用的仪器设备和耗材试剂1. 仪器设备(1). 超微弱化学发光仪：BPCL-2-JZ型，用于测量样品的余辉性能。(2). X射线衍射仪（XRD）：用于分析样品的物相结构。(3). 荧光分光光度计用于测定样品的激发和发射光谱。(4). 热释光谱仪（TL）：用于分析材料内部的晶体缺陷。2. 耗材试剂(1). ZnO、(NH4)2HPO4、MnCO3、Na2CO3：分析纯试剂，用于制备α-Zn3(PO4)2：Mn2+，Na+发光材料。(2). 柠檬酸、聚乙二醇（PEG-4000）、浓硝酸、去离子水：用于溶胶–凝胶法制备样品。(3). 活性炭：作为还原氛围材料。三、实验过程1. 样品制备(1). 配制溶胶：按化学计量比称量ZnO、(NH4)2HPO4、MnCO3和Na2CO3，加入3% H3BO3作为助熔剂。将原料溶解于去离子水和浓硝酸的混合液中，调节pH至2-3。(2). 形成凝胶：加入柠檬酸和PEG-4000，金属离子与柠檬酸的摩尔比为1:2。混合液在75℃下搅拌形成凝胶。(3). 干燥与煅烧：凝胶在110℃干燥12小时，干燥后的凝胶研磨装入坩埚中，用活性炭作为还原气氛，在950℃下煅烧3小时，制备得α-Zn3(PO4)2：Mn2+，Na+发光材料。2. 样品表征(1). XRD分析：使用X射线衍射仪分析样品的物相结构，与标准卡片（JCPDS No. 29–1390）对比，确认相结构。(2). 荧光光谱分析：在254 nm紫外灯光激发下，使用荧光分光光度计测定样品的激发和发射光谱，激发源为150 W氙灯，测定范围为200-700 nm。(3). 热释光谱分析：样品用普通紫外灯（254 nm）照射5分钟后，放置7分钟，用微型自动控温加热器（加热速率为30℃/min）结合微弱测光仪测定热释光谱。(4). 余辉性能测量：在254 nm紫外灯激发下，使用微弱发光仪测量样品的余辉性能。四、实验结果与讨论1. 物相分析XRD图谱（图1A, 1B）：通过与标准卡片（JCPDS No. 29–1390）对比，确认样品的XRD谱与α-Zn3(PO4)2标准谱相吻合，说明少量Mn2+和Na+掺入并没有改变晶体的物相。进一步分析发现，Zn3(PO4)2: Mn2+ Na+的谱线整体向高角度偏移，表明掺杂后晶胞发生了微小的收缩。这是由于在四面体场中，Na+和Mn2+取代了Zn2+的位置，从而引起晶格的缺陷和轻微变形。图1. (A) Zn3(PO4)2:0.5%Mn2+ 和Zn3(PO4)2:0.5%Mn2+,Na+ 的XRD谱图. (B) XRD局部放大图。2. 光谱分析激发和发射光谱（图2）：激发光谱显示，Zn3(PO4)2: Mn2++在548 nm处有一个发射峰，对应于四面体场中Mn2+的4T1g→6A1g跃迁。Na+的加入未改变发射峰的位置，但显著提高了发射峰的强度。这表明，Na+掺杂有助于增强材料的发光强度。激发光谱中，在200-250 nm之间的激发带对应于Mn2+–O2–的电荷转移，而在350-500 nm范围内的激发带则属于Mn2+的d-d电偶极禁阻跃迁。分别对应6A1→4T1 (4G) (492 nm)、6A1→4T2 (4G) (450 nm)、6A1→4E, 4A1(4G) (421 nm)、6A1→4T2(4D) (373 nm)和6A1→4E (4D) (353 nm)能级跃迁。Na+的加入并没有改变样品发射峰的位置，但却明显提高样品发射峰的强度。图2. α-Zn3(PO4)2: Mn2+和α-Zn3(PO4)2: Mn2+, Na+的发射和激发光谱.1－α-Zn3(PO4)2: Mn2+,Na+ 2－α-Zn3(PO4)2: Mn2+.3. 余辉性能分析(1). 余辉衰减曲线（图3）：在254 nm紫外灯激发下，α-Zn3(PO4)2: Mn2+, Na+样品的初始发光强度和余辉时间均明显优于α-Zn3(PO4)2: Mn2+样品，目测其余辉时间可达2小时以上。这表明Na+的掺杂显著改善了材料的余辉性能。图3. α-Zn3(PO4)2: Mn2+, Na+和α-Zn3(PO4)2: Mn2+的余辉衰减曲线.(2). Na+掺杂量对余辉性能的影响（图4）：随着Na+掺杂量的增加，样品的余辉性能逐渐增强，在Na+掺杂量为4%时达到最佳，进一步增加Na+掺杂量则会降低余辉性能。这表明适量的Na+掺杂可以有效提高样品的发光性能，而过量的Na+则会导致发光性能的下降。图4. α-Zn3(PO4)2: Mn2+, xNa+ (x=2%, 4%, 6%, 7%)的余辉衰减曲线.4. 热释光谱分析热释光谱(TL)的测定可用于剖析材料微观结构的各种缺陷，同时热释峰的强度可以反映材料内部晶体结构的相关缺陷浓度的大小。TL曲线（图5）显示：在α-Zn3(PO4)2: Mn2+和α-Zn3(PO4)2: Mn2+, Na+样品中分别观察到多个TL峰。Na+掺杂后，低温处（312 K）的TL峰强度显著增强，表明氧空位缺陷浓度增加。分析表明，Na+的掺杂没有产生新的TL峰，但显著提高了原有TL峰的强度。TL峰强度反映了光子从陷阱中释放的数量，峰越强，释放的光子越多，缺陷浓度也越高。图5. α-Zn3(PO4)2: Mn2+, Na+和α-Zn3(PO4)2: Mn2+的热释光谱.5. 发光机理发光机理模型（图6）：在紫外光激发下，电子由基态跃迁至激发态，部分电子立即返回基态并发光，而另一些电子通过“隧穿”效应进入陷阱并被储存。在热扰动下，这些电子缓慢释放并返回基态发光。Na+的掺杂引起了氧空位缺陷的显著增加，增强了“隧穿”效应，延长了余辉时间。图6. α-Zn3(PO4)2: Mn2+, Na+的发光机理模型示意图.五、结论通过控制Mn2+和Na+的掺杂量，成功制备了具有优异发光性能的. α-Zn3(PO4)2: Mn2+, Na++绿色长余辉发光材料。研究表明，Na+掺杂可显著提高样品的发光性能，这主要归因于氧空位缺陷浓度的增加，延缓了激发态电子的跃迁时间，从而改善了材料的余辉性能。本研究为开发高性能长余辉发光材料提供了新的方法和理论依据。*因学识有限，难免有所疏漏和谬误，恳请批评指正*资料出处： 免责声明:1.本文所有内容仅供行业学习交流，不构成任何建议，无商业用途。2.我们尊重原创和版权，如有疏忽误引用您的版权内容，请及时联系，我们将在第一时间侵删处理！

自从我们通过不断发表理学XRT在半导体领域相关应用的文章使我们公司的XRT产品的百度搜索稳进前5之后，编者由于工作上事情比较多就开始懈怠近半年没有给大家带来最新XRT的资讯和相关应用介绍，先给关注这个产品的朋友道个歉。最近我们也获得理学总部关于这个产品的最新资讯，就迫不及待地分享给大家一睹为快。1931年，第一张单晶的形貌图最早被Berg 记录下来。Berg 利用以一个极低角度的特征辐射照射单晶，在底片上得到了点对点变化的X射线反射形貌图，图中的条纹反映了晶体内存在塑性形变[1]，从此推开了用X射线形貌技术表征晶体缺陷的大门。不同类型的晶体缺陷尺寸相差较大，唯有提高X射线形貌仪的分辨率和灵敏度才能准备获得缺陷尺寸和分布信息。所以诸多设备厂家和科研工作者一直致力于如何提高X射线形貌仪的分辨率和灵敏度。与大多数成像设备类似，分辨率和灵敏度的提高基本是两个思路，第一个思路就是在保证X射线源光斑强度的前提下尽可能降低焦斑尺寸；第二就是通过提高X射线信号接收端的CCD探头的分辨率和灵敏度。理学XRT当前可以提供焦斑尺寸70μm高亮度射线源，从源头保证入射光束的均一性。同时该型号XRT具有超高分辨率和高灵敏度的XTOP CCD探头，可实现2.4um的像素分辨率成像，为更小位错缺陷的表征提供了可能。上述这一切的进步对于科研工作者是欢欣鼓舞的，但对于企业QC人员的帮助是有限的。企业应用场景除了仪器具备较为出色的性能之外，还要具备高吞吐量。理学公司急客户之所急，想客户之所想，针对SiC位错检测需求，研发人员在原有XRT技术基础上开发出了快速、准确和高效的位错解决方案，将关键技术指标BPD位错的检测效率提高5-6倍，1片6英寸SiC晶圆仅需要5min就可以完成样品测试，从而有效解决了SiC生产环节的瓶颈问题。理学公司是如何实现快速、准确SiC位错缺陷的测试呢？理学公司将其在XRD中的高端二维陈列探测器HyPix-3000HE引进到XRT系统。HyPix-3000HE是一种单光子计数高的X射线探测器，计算率大于106cps/像素，读出速度快，基本上没有噪音。HyPix-3000实物安装图片及仪器特点参见如下：图2 HyPix-3000安装效果及实物图HyPix-3000 HE探测器特点介绍：・ 空间分辨率⾼ ，有效面积大。像素尺寸100×100µ m2,探测面77.5 mm×38.5 mm；・ 最大程度地降低背景；・ 可进⾏ 零死时间模式的⾼ 速测量；・ 动态范围广。这套探测器除了上述本身固有的优点之外，搭载在理学XRT系统上最大好处就是对于X射线的入射光要求不再必须是平行光束，发射光束也可以用于晶圆缺陷的表征，从而省去XRT常规方案中布拉格衍射条件的调整和弯曲校正等调整流程。采用最小600mm/min的扫描速度，可以将1片6英寸晶圆的扫描用时从＞60min降低到5min左右。图3为XTOP探测器方案和HyPix-3000HE方案示意图。图3 XTOP方案和HyPix-3000HE方案示意图带有HyPix-3000HE探测器的XRTmicron具有利用发散X射线成像，在使用HyPix-3000HE进行测量时，发射X射线以多种入射角照射到样品上，发散的X射线可以补偿由于晶圆倾斜，曲率半径变化和方位角等对平台的影响。例如，使用（11-20）反射模式测试一片直径150mm主面4°偏角的4H-SiC晶圆的形貌图，即使入射角度变化在±0.6°，参考边/Notch角度变化为±5°可以很好的成像，参见图4。图4 调整入射角度下得到的XRT形貌图介绍到这里有的朋友可能会有疑问，既然HyPix-3000HE探测器效率如此高，成像效果也不错，那为什么还要保留Xtop这个方案呢？那是因为前面我们也提到了HyPix-3000HE的成像分辨率是100μm,对于晶圆缺陷在100μm以上缺陷检测则不受影响，如BPDs这类缺陷，一般呈线状、平行于晶面方向。同时，BPDs缺陷对芯片外延的影响最大，所以也是企业客户重点关注的缺陷指标。对于TSDs和TEDs 由于尺寸均小于100μm，HyPix-3000HE探测器无法准确识别，仍需借助XTop （分辨率最高可达2.4μm）功能用于这类缺陷的表征。所以，对于企业客户我们一般建议在传统XTop的配置的基础上，升级HyPix-3000HE 功能和机械手操作用于快速QC检测，从而解决SiC晶圆缺陷表征环节的瓶颈问题。如下视频就是德国弗劳恩霍夫研究所采用理学HyPix-3000HE方案用于BPDs缺陷测试的视频[4]，结合理学公司和德国弗劳恩霍夫研究所联合开发的形貌识别软件，实现SiC晶圆缺陷的高吞吐量的测试。XRT测试过程理学新一代微焦版转靶核心技术XRT形貌仪XRT (X-ray Topography)是利用X射线的布拉格衍射原理和晶格畸变（缺陷）造成特征峰宽化和强度变化等特性，结合X射线形貌技术，可以对晶体内缺陷进行成像。XRT检测技术最大的优点就是实现晶体缺陷的无损检测，在不破坏晶圆的情况下实现2-12英寸半导体晶体中线缺陷、面缺陷和体缺陷的检测和表征。如下视频就是6英寸SiC衬底BPD缺陷测试。XRT实物图更多详细信息或应用需求请联系我们联系人：王经理，18612502188附：[1] 卢嘉倩，基于XRT的晶圆检测技术进展，中国体视学与图像分析2022年，第27卷，第 2期；[2] 黄继武，X射线衍射理论与实践(I)，2020年4月；[3] 理学XRT应用介绍内部资料[4]https://www.iisb.fraunhofer.de/en/research_areas/materials/x-ray-topography.html

作者朱金龙*、刘佳敏、徐田来、袁帅、张泽旭、江浩、谷洪刚、周仁杰、刘世元*单位华中科技大学哈尔滨工业大学香港中文大学原文链接：10 nm 及以下技术节点晶圆缺陷光学检测 - IOPscience文章导读伴随智能终端、无线通信与网络基础设施、智能驾驶、云计算、智慧医疗等产业的蓬勃发展，先进集成电路的关键尺寸进一步微缩至亚10nm尺度，图形化晶圆上制造缺陷（包括随机缺陷与系统缺陷）的识别、定位和分类变得越来越具有挑战性。传统明场检测方法虽然是当前晶圆缺陷检测的主流技术，但该方法受制于光学成像分辨率极限和弱散射信号捕获能力极限而变得难以为继，因此亟需探索具有更高成像分辨率和更强缺陷散射信号捕获性能的缺陷检测新方法。近年来，越来越多的研究工作尝试将传统光学缺陷检测技术与纳米光子学、光学涡旋、计算成像、定量相位成像和深度学习等新兴技术相结合，以实现更高的缺陷检测灵敏度，这已为该领域提供了新的可能性。近期，华中科技大学机械科学与工程学院、数字制造装备与技术国家重点实验室的刘世元教授、朱金龙研究员、刘佳敏博士后、江浩教授、谷洪刚讲师，哈尔滨工业大学张泽旭教授、徐田来副教授、袁帅副教授，和香港中文大学周仁杰助理教授在SCIE期刊《极端制造》（International Journal of Extreme Manufacturing, IJEM）上共同发表了《10nm及以下技术节点晶圆缺陷光学检测》的综述，对过去十年中与光学晶圆缺陷检测技术有关的新兴研究内容进行了全面回顾，并重点评述了三个关键方面：（1）缺陷可检测性评估，（2）多样化的光学检测系统，以及（3）后处理算法。图1展示了该综述研究所总结的代表性晶圆缺陷检测新方法，包括明/暗场成像、暗场成像与椭偏协同检测、离焦扫描成像、外延衍射相位显微成像、X射线叠层衍射成像、太赫兹波成像缺陷检测、轨道角动量光学显微成像。通过对上述研究工作进行透彻评述，从而阐明晶圆缺陷检测技术的可能发展趋势，并为该领域的新进入者和寻求在跨学科研究中使用该技术的研究者提供有益参考。光学缺陷检测方法；显微成像；纳米光子学；集成电路；深度学习亮点：● 透彻梳理了有望实现10nm及以下节点晶圆缺陷检测的各类光学新方法。● 建立了晶圆缺陷可检测性的评价方法，总结了缺陷可检测性的影响因素。● 简要评述了传统后处理算法、基于深度学习的后处理算法及其对缺陷检测性能的积极影响。▲图1能够应对图形化晶圆缺陷检测挑战的各类光学检测系统示意图。（a）明/暗场成像；（b）暗场成像与椭偏协同检测；（c）离焦扫描成像；（d）外延衍射相位显微成像；（e）包含逻辑芯片与存储芯片的图形化晶圆；（f）X射线叠层衍射成像；（g）太赫兹成像；（h）轨道角动量光学显微成像。研究背景伴随智能手机、平板电脑、数字电视、无线通信基础设施、网络硬件、计算机、电子医疗设备、物联网、智慧城市等行业的蓬勃发展，不断刺激全球对半导体芯片的需求。这些迫切需求，以及对降低每片晶圆成本与能耗的不懈追求，构成了持续微缩集成电路关键尺寸和增加集成电路复杂性的驱动力。目前，IC制造工艺技术已突破5nm，正朝向3nm节点发展，这将对工艺监控尤其是晶圆缺陷检测造成更严峻的考验：上述晶圆图案特征尺寸的微缩，将极大地限制当前晶圆缺陷检测方案在平衡灵敏度、适应性、效率、捕获率等方面的能力。随着双重图案化、三重图案化以及四重图案化紫外光刻技术的广泛使用，检测步骤的数量随着图案化步骤的增加而显著增加，这可能会降低产率并增加器件故障的风险，因为缺陷漏检事故的影响会被传递至最终的芯片制造流程中。更糟糕的是，当前业界采用极其复杂的鳍式场效应晶体管 (FinFET) 和环栅 (GAA) 纳米线 (NW) 器件来降低漏电流和提高器件的稳定性，这将使得三维 (3D) 架构中的关键缺陷通常是亚表面（尤其是空隙）缺陷、深埋缺陷或高纵横比结构中的残留物。总体上而言，伴随工业界开始大规模的10 纳米及以下节点工艺芯片规模化制造，制造缺陷对芯片产量和成本的影响变得越来越显著，晶圆缺陷检测所带来的挑战无疑会制约半导体制造产业的发展。鉴于此，IC芯片制造厂商对晶圆缺陷检测技术与设备的重视程度日渐加深。在本文中，朱金龙研究员等人对图形化晶圆缺陷光学检测方法的最新进展进行了详细介绍。最新进展晶圆缺陷光学检测方法面的最新进展包含三个方面：缺陷可检测性评估、光学缺陷检测方法、后处理算法。缺陷可检测性评估包含两个方面：材料对缺陷可检测性的影响、晶圆缺陷拓扑形貌对缺陷可检测性的影响。图2展示了集成电路器件与芯片中所广泛采纳的典型体材料的复折射率N、法向反射率R和趋肤深度δ。针对被尺寸远小于光波长的背景图案所包围的晶圆缺陷，缺陷与背景图案在图像对比度差异主要是由材料光学特性的差异所主导的，也就是复折射率与法向反射率。具体而言，图2(c)所示的缺陷材料与图案材料的法向反射率曲线差异是优化缺陷检测光束光谱的基础之一。因此，寻找图像对比度和灵敏度足够高的最佳光束光谱范围比纯粹提高光学分辨率更重要一些，并且此规律在先进工艺节点下的晶圆缺陷检测应用中更具指导意义。▲图2集成电路中典型体材料的光学特性。（a）折射率n；（b）消光系数k；（c）法向反射率R；（d）趋肤深度δ。晶圆缺陷拓扑形貌对缺陷可检测性的影响也尤为重要。在图形化晶圆缺陷检测中，缺陷散射信号信噪比和图像对比度主要是受缺陷尺寸与缺陷类型影响的。图3展示了存储器件中常规周期线/空间纳米结构中的典型缺陷，依次为断线、边缘水平桥接和通孔、凹陷、之字形桥接、中心水平桥接、颗粒、突起、竖直桥接等缺陷。目前，拓扑形貌对缺陷可检测性的影响已被广泛研究，这通常与缺陷检测条件配置优化高度相关。例如，水平桥接与竖直桥接均对照明光束的偏振态相当敏感；在相同的缺陷检测条件配置下，桥接、断线、颗粒物等不同类型的缺陷会展现出不同的缺陷可检测性；同时，缺陷与背景图案的尺寸亦直接影响缺陷的可检测性，尺寸越小的缺陷越难以被检测。▲图3图形化晶圆上周期线/空间纳米结构中的典型缺陷（a）断线；（b）边缘水平桥接和通孔；（c）凹陷；（d）之字形桥接缺陷；（e）中心水平桥接；（f）颗粒物；（g）突起；（h）竖直桥接。丰富多彩的新兴光学检测方法。光是人眼或人造探测器所能感知的电磁波谱范围内的电磁辐射。任意光电场可采用四个基本物理量进行完整描述，即频率、振幅、相位和偏振态。晶圆缺陷光学检测通常是在线性光学系统中实施的，从而仅有频率不会伴随光与物质相互作用发生改变，振幅、相位、偏振态均会发生改变。那么，晶圆缺陷光学检测系统可根据实际使用的光学检测量进行分类，具体可划分为明/暗场成像、暗场成像与椭偏协同检测、离焦扫描成像、外延衍射相位显微成像、X射线叠层衍射成像、太赫兹波成像缺陷检测、轨道角动量光学显微成像。图4展示了基于相位重构的光学缺陷检测系统，具体包括外延相位衍射显微成像系统、光学伪电动力学显微成像系统。在这两种显微镜成像系统中，缺陷引起的扰动波前信号展现了良好的信噪比，并且能够被精准地捕获。后处理算法。从最简单的图像差分算子到复杂的图像合成算法，后处理算法因其能显著改善缺陷散射信号的信噪比和缺陷-背景图案图像对比度而在光学缺陷检测系统中发挥关键作用。伴随着深度学习算法成为普遍使用的常规策略，后处理算法在缺陷检测图像分析场景中的价值更加明显。典型后处理算法如Die-to-Die检测方法是通过将无缺陷芯片的图像与有缺陷芯片的图像进行比较以识别逻辑芯片中的缺陷，其也被称为随机检测。Cell-to-Cell检测方法是通过比较将同一芯片中无缺陷单元的图像与有缺陷单元的图像进行比较以识别存储芯片中的缺陷，其也被称为阵列检测。至于Die-to-Database检测方法，其本质是通过将芯片的图像与基于芯片设计布局的模型图像进行比较以识别芯片的系统缺陷。而根据原始检测图像来识别和定位各类缺陷，关键在于确保后处理图像（例如差分图像）中含缺陷区域的信号强度应明显大于预定义的阈值。基于深度学习的缺陷检测方法的实施流程非常简单：首先，捕获足够的电子束检测图像或晶圆光学检测图像（模拟图像或实验图像均可）；其次，训练特定的神经网络模型，从而实现从检测图像中提取有用特征信息的功能；最后，用小样本集测试训练后的神经网络模型，并根据表征神经网络置信水平的预定义成本函数决定是否应该重复训练。然而，深度学习算法在实际IC生产线中没有被广泛地接收，尤其是在光学缺陷检测方面。其原因不仅包括“黑箱性质”和缺乏可解释性，还包括未经实证的根据纯光学图像来定位和分类深亚波长缺陷的能力。而要在IC制造产线上光学缺陷检测场景中推广深度学习技术的应用，还需开展更多研究工作，尤其是深度学习在光学缺陷检测场景中的灰色区域研究、深度学习与光学物理之间边界的探索等。▲图4代表性新兴晶圆缺陷光学检测系统。（a）外延相位衍射显微成像系统；（b）光学伪电动力学显微成像系统。（a）经许可转载。版权所有（2013）美国化学会。（b）经许可转载。版权所有（2019）美国化学会。未来展望伴随集成电路(IC)制造工艺继续向10nm及以下节点延拓，针对IC制造过程中的关键工序开展晶圆缺陷检测，从而实现IC制造的工艺质量监控与良率管理，这已成为半导体领域普遍达成的共识。尽管图形化晶圆缺陷光学检测一直是一个长期伴随IC制造发展的工程问题，但通过与纳米光子学、结构光照明、计算成像、定量相位成像和深度学习等新兴技术的融合，其再次焕发活力。其前景主要包含以下方面：为了提高缺陷检测灵敏度，需要从检测系统硬件与软件方面协同创新；为了拓展缺陷检测适应性，需要更严谨地研究缺陷与探测光束散射机理；为了改善缺陷检测效率，需要更高效地求解缺陷散射成像问题。除了IC制造之外，上述光学检测方法对光子传感、生物感知、混沌光子等领域都有广阔的应用前景。

漏磁检测是保障油气管道运行安全的最常用手段，但由于其物理机理尚不完全清晰，缺乏高精度的物理模型，致使现有的缺陷量化方法主要依赖样本，需要前期进行牵拉实验。同时，由于漏磁检测数据量大，依赖牵拉样本和经验的人工判读缺陷量化方法不仅用时长、精度不稳定，且无法对缺陷轮廓进行成像运算。因此，深入研读漏磁检测的物理机理，建立漏磁运算高精度模型，构建缺陷轮廓成像模型和算法，是解决无样本、全自动漏磁检测缺陷磁成像运算的基石。9月11日，李红梅研究员将于第三届无损检测技术进展与应用网络会议期间进行《无样本、全自动缺陷磁成像理论及系统》主题研讨，围绕漏磁检测物理机理和模型研究，无样本、全自动缺陷磁成像系统研发等问题进行深入分享，并展示相关实施案例。本次会议于线上召开，欢迎大家参会交流！关于第三届无损检测技术进展与应用网络会议无损检测，即在不破坏或不影响被检测对象内部组织与使用性能的前提下，利用射线、超声、电磁、红外、热成像等原理并结合仪器对物体进行缺陷、化学、物理参数检测的一种技术手段，被广泛应用于航空航天、交通运输、石油化工、特种设备、矿山机械、核电、冶金、考古、珠宝、食品等各个领域。为推动我国无损检测技术发展和行业交流，促进新理论、新方法、新技术的推广与应用，仪器信息网定于2024年9月11-12日组织召开第三届无损检测技术进展与应用网络会议，邀请领域内科研、应用等专家老师围绕无损检测理论研究、技术开发、仪器研制、相关应用等方面展开研讨，欢迎大家参会交流。会议链接：https://www.instrument.com.cn/webinar/meetings/ndt2024

摘要随着对性能优于硅基器件的碳化硅（SiC）功率器件的需求不断增长，碳化硅制造工艺的高成本和低良率是尚待解决的最紧迫问题。研究表明，SiC器件的性能很大程度上受到晶体生长过程中形成的所谓杀手缺陷（影响良率的缺陷）的影响。在改进降低缺陷密度的生长技术的同时，能够识别和定位缺陷的生长后检测技术已成为制造过程的关键必要条件。在这篇综述文章中，我们对碳化硅缺陷检测技术以及缺陷对碳化硅器件的影响进行了展望。本文还讨论了改进现有检测技术和降低缺陷密度的方法的潜在解决方案，这些解决方案有利于高质量SiC器件的大规模生产。前言由于电力电子市场的快速增长，碳化硅（SiC，一种宽禁带半导体）成为开发用于电动汽车、航空航天和功率转换器的下一代功率器件的有前途的候选者。与由硅或砷化镓（GaAs）制成的传统器件相比，基于碳化硅的电力电子器件具有多项优势。表1显示了SiC、Si、GaAs以及其他宽禁带材料（如GaN和金刚石）的物理性能的比较。由于具有宽禁带（4H-SiC为~3.26eV），基于SiC器件可以在更高的电场和更高的温度下工作，并且比基于Si的电力电子器件具有更好的可靠性。SiC还具有优异的导热性（约为Si的三倍），这使得SiC器件具有更高的功率密度封装，具有更好的散热性。与硅基功率器件相比，其优异的饱和电子速度（约为硅的两倍）允许更高的工作频率和更低的开关损耗。SiC优异的物理特性使其非常有前途地用于开发各种电子设备，例如具有高阻断电压和低导通电阻的功率MOSFET，以及可以承受大击穿场和小反向漏电流的肖特基势垒二极管（SBD）。性质Si3C-SiC4H-SiCGaAsGaN金刚石带隙能量（eV）1.12.23.261.433.455.45击穿场（106Vcm−1)0.31.33.20.43.05.7导热系数（Wcm−1K−1)1.54.94.90.461.322饱和电子速度（107cms−1)1.02.22.01.02.22.7电子迁移率（cm2V−1s−1)150010001140850012502200熔点（°C）142028302830124025004000表1电力电子用宽禁带半导体与传统半导体材料的物理特性（室温值）对比提高碳化硅晶圆质量对制造商来说很重要，因为它直接决定了碳化硅器件的性能，从而决定了生产成本。然而，低缺陷密度的SiC晶圆的生长仍然非常具有挑战性。最近，碳化硅晶圆制造的发展已经完成了从100mm（4英寸）到150mm（6英寸）晶圆的艰难过渡。SiC需要在高温环境中生长，同时具有高刚性和化学稳定性，这导致生长的SiC晶片中存在高密度的晶体和表面缺陷，导致衬底和随后制造的外延层质量差。图1总结了SiC中的各种缺陷以及这些缺陷的工艺步骤，下一节将进一步讨论。图1SiC生长过程示意图及各步骤引起的各种缺陷各种类型的缺陷会导致设备性能不同程度的劣化，甚至可能导致设备完全失效。为了提高良率和性能，在设备制造之前检测缺陷的技术变得非常重要。因此，快速、高精度、无损的检测技术在碳化硅生产线中发挥着重要作用。在本文中，我们将说明每种类型的缺陷及其对设备性能的影响。我们还对不同检测技术的优缺点进行了深入的讨论。这篇综述文章中的分析不仅概述了可用于SiC的各种缺陷检测技术，还帮助研究人员在工业应用中在这些技术中做出明智的选择（图2）。表2列出了图2中检测技术和缺陷的首字母缩写。图2可用于碳化硅的缺陷检测技术表2检测技术和缺陷的首字母缩写见图SEM：扫描电子显微镜OM：光学显微镜BPD：基面位错DIC：微分干涉对比PL：光致发光TED：螺纹刃位错OCT：光学相干断层扫描CL：阴极发光TSD：螺纹位错XRT：X射线形貌术拉曼：拉曼光谱SF：堆垛层错碳化硅的缺陷碳化硅晶圆中的缺陷通常分为两大类：（1）晶圆内的晶体缺陷和（2）晶圆表面处或附近的表面缺陷。正如我们在本节中进一步讨论的那样，晶体学缺陷包括基面位错（BPDs）、堆垛层错（SFs）、螺纹刃位错（TEDs）、螺纹位错（TSDs）、微管和晶界等，横截面示意图如图3（a）所示。SiC的外延层生长参数对晶圆的质量至关重要。生长过程中的晶体缺陷和污染可能会延伸到外延层和晶圆表面，形成各种表面缺陷，包括胡萝卜缺陷、多型夹杂物、划痕等，甚至转化为产生其他缺陷，从而对器件性能产生不利影响。图3SiC晶圆中出现的各种缺陷。（a）碳化硅缺陷的横截面示意图和（b）TEDs和TSDs、（c）BPDs、（d）微管、（e）SFs、（f）胡萝卜缺陷、（g）多型夹杂物、（h）划痕的图像生长在4°偏角4H-SiC衬底上的SiC外延层是当今用于各种器件应用的最常见的晶片类型。在4°偏角4H-SiC衬底上生长的SiC外延层是当今各种器件应用中最常用的晶圆类型。众所周知，大多数缺陷的取向与生长方向平行，因此，SiC在SiC衬底上以4°偏角外延生长不仅保留了下面的4H-SiC晶体，而且使缺陷具有可预测的取向。此外，可以从单个晶圆上切成薄片的晶圆总数增加。然而，较低的偏角可能会产生其他类型的缺陷，如3C夹杂物和向内生长的SFs。在接下来的小节中，我们将讨论每种缺陷类型的详细信息。晶体缺陷螺纹刃位错（TEDs）、螺纹位错（TSDs）SiC中的位错是电子设备劣化和失效的主要来源。螺纹刃位错（TSDs）和螺纹位错（TEDs）都沿生长轴运行，Burgers向量分别为和1/3。TSDs和TEDs都可以从衬底延伸到晶圆表面，并带来小的凹坑状表面特征，如图3b所示。通常，TEDs的密度约为8000-10,0001/cm2，几乎是TSDs的10倍。扩展的TSDs，即TSDs从衬底延伸到外延层，可能在SiC外延生长过程中转化为基底平面上的其他缺陷，并沿生长轴传播。Harada等人表明，在SiC外延生长过程中，TSDs被转化为基底平面上的堆垛层错（SFs）或胡萝卜缺陷，而外延层中的TEDs则被证明是在外延生长过程中从基底继承的BPDs转化而来的。基面位错（BPDs）另一种类型的位错是基面位错（BPDs），它位于SiC晶体的平面上，Burgers矢量为1/3。BPDs很少出现在SiC晶圆表面。它们通常集中在衬底上，密度为15001/cm2，而它们在外延层中的密度仅为约101/cm2。Kamei等人报道，BPDs的密度随着SiC衬底厚度的增加而降低。BPDs在使用光致发光（PL）检测时显示出线形特征，如图3c所示。在SiC外延生长过程中，扩展的BPDs可能转化为SFs或TEDs。微管在SiC中观察到的常见位错是所谓的微管，它是沿生长轴传播的空心螺纹位错，具有较大的Burgers矢量分量。微管的直径范围从几分之一微米到几十微米。微管在SiC晶片表面显示出大的坑状表面特征。从微管发出的螺旋，表现为螺旋位错。通常，微管的密度约为0.1–11/cm2，并且在商业晶片中持续下降。堆垛层错（SFs）堆垛层错(SFs)是SiC基底平面中堆垛顺序混乱的缺陷。SFs可能通过继承衬底中的SFs而出现在外延层内部，或者与扩展BPDs和扩展TSDs的变换有关。通常，SFs的密度低于每平方厘米1个，并且通过使用PL检测显示出三角形特征,如图3e所示。然而，在SiC中可以形成各种类型的SFs，例如Shockley型SFs和Frank型SFs等，因为晶面之间只要有少量的堆叠能量无序可能导致堆叠顺序的相当大的不规则性。点缺陷点缺陷是由单个晶格点或几个晶格点的空位或间隙形成的，它没有空间扩展。点缺陷可能发生在每个生产过程中，特别是在离子注入中。然而，它们很难被检测到，并且点缺陷与其他缺陷的转换之间的相互关系也是相当的复杂，这超出了本文综述的范围。其他晶体缺陷除了上述各小节所述的缺陷外，还存在一些其他类型的缺陷。晶界是两种不同的SiC晶体类型在相交时晶格失配引起的明显边界。六边形空洞是一种晶体缺陷，在SiC晶片内有一个六边形空腔，它已被证明是导致高压SiC器件失效的微管缺陷的来源之一。颗粒夹杂物是由生长过程中下落的颗粒引起的，通过适当的清洁、仔细的泵送操作和气流程序的控制，它们的密度可以大大降低。表面缺陷胡萝卜缺陷通常，表面缺陷是由扩展的晶体缺陷和污染形成的。胡萝卜缺陷是一种堆垛层错复合体，其长度表示两端的TSD和SFs在基底平面上的位置。基底断层以Frank部分位错终止，胡萝卜缺陷的大小与棱柱形层错有关。这些特征的组合形成了胡萝卜缺陷的表面形貌，其外观类似于胡萝卜的形状，密度小于每平方厘米1个，如图3f所示。胡萝卜缺陷很容易在抛光划痕、TSD或基材缺陷处形成。多型夹杂物多型夹杂物，通常称为三角形缺陷，是一种3C-SiC多型夹杂物，沿基底平面方向延伸至SiC外延层表面，如图3g所示。它可能是由外延生长过程中SiC外延层表面上的下坠颗粒产生的。颗粒嵌入外延层并干扰生长过程，产生了3C-SiC多型夹杂物，该夹杂物显示出锐角三角形表面特征，颗粒位于三角形区域的顶点。许多研究还将多型夹杂物的起源归因于表面划痕、微管和生长过程的不当参数。划痕划痕是在生产过程中形成的SiC晶片表面的机械损伤，如图3h所示。裸SiC衬底上的划痕可能会干扰外延层的生长，在外延层内产生一排高密度位错，称为划痕，或者划痕可能成为胡萝卜缺陷形成的基础。因此，正确抛光SiC晶圆至关重要，因为当这些划痕出现在器件的有源区时，会对器件性能产生重大影响。其他表面缺陷台阶聚束是SiC外延生长过程中形成的表面缺陷，在SiC外延层表面产生钝角三角形或梯形特征。还有许多其他的表面缺陷，如表面凹坑、凹凸和污点。这些缺陷通常是由未优化的生长工艺和不完全去除抛光损伤造成的，从而对器件性能造成重大不利影响。检测技术量化SiC衬底质量是外延层沉积和器件制造之前必不可少的一步。外延层形成后，应再次进行晶圆检查，以确保缺陷的位置已知，并且其数量在控制之下。检测技术可分为表面检测和亚表面检测，这取决于它们能够有效地提取样品表面上方或下方的结构信息。正如我们在本节中进一步讨论的那样，为了准确识别表面缺陷的类型，通常使用KOH（氢氧化钾）通过在光学显微镜下将其蚀刻成可见尺寸来可视化表面缺陷。然而，这是一种破坏性的方法，不能用于在线大规模生产。对于在线检测，需要高分辨率的无损表面检测技术。常见的表面检测技术包括扫描电子显微镜（SEM）、原子力显微镜（AFM）、光学显微镜（OM）和共聚焦微分干涉对比显微镜（CDIC）等。对于亚表面检测，常用的技术包括光致发光（PL）、X射线形貌术（XRT）、镜面投影电子显微镜（MPJ）、光学相干断层扫描（OCT）和拉曼光谱等。在这篇综述中，我们将碳化硅检测技术分为光学方法和非光学方法，并在以下各节中对每种技术进行讨论。非光学缺陷检测技术非光学检测技术，即不涉及任何光学探测的技术，如KOH蚀刻和TEM，已被广泛用于表征SiC晶圆的质量。这些方法在检测SiC晶圆上的缺陷方面相对成熟和精确。然而，这些方法会对样品造成不可逆转的损坏，因此不适合在生产线中使用。虽然存在其他非破坏性的检测方法，如SEM、CL、AFM和MPJ，但这些方法的通量较低，只能用作评估工具。接下来，我们简要介绍上述非光学技术的原理。还讨论了每种技术的优缺点。透射电子显微镜（TEM）透射电子显微镜（TEM）可用于以纳米级分辨率观察样品的亚表面结构。透射电镜利用入射到碳化硅样品上的加速电子束。具有超短波长和高能量的电子穿过样品表面，从亚表面结构弹性散射。SiC中的晶体缺陷，如BPDs、TSDs和SFs，可以通过TEM观察。扫描透射电子显微镜（STEM）是一种透射电子显微镜，可以通过高角度环形暗场成像（HAADF）获得原子级分辨率。通过TEM和HAADF-STEM获得的图像如图4a所示。TEM图像清晰地显示了梯形SF和部分位错，而HAADF-STEM图像则显示了在3C-SiC中观察到的三种SFs。这些SFs由1、2或3个断层原子层组成，用黄色箭头表示。虽然透射电镜是一种有用的缺陷检测工具，但它一次只能提供一个横截面视图，因此如果需要检测整个碳化硅晶圆，则需要花费大量时间。此外，透射电镜的机理要求样品必须非常薄，厚度小于1μm，这使得样品的制备相当复杂和耗时。总体而言，透射电镜用于了解缺陷的基本晶体学，但它不是大规模或在线检测的实用工具。图4不同的缺陷检测方法和获得的缺陷图像。（a）SFs的TEM和HAADF图像；（b）KOH蚀刻后的光学显微照片图像；（c）带和不带SF的PL光谱，而插图显示了波长为480nm的单色micro-PL映射；（d）室温下SF的真彩CLSEM图像；（e）各种缺陷的拉曼光谱；（f）微管相关缺陷204cm−1峰的微拉曼强度图KOH蚀刻KOH蚀刻是另一种非光学技术，用于检测多种缺陷，例如微管、TSDs、TEDs、BDPs和晶界。KOH蚀刻后形成的图案取决于蚀刻持续时间和蚀刻剂温度等实验条件。当将约500°C的熔融KOH添加到SiC样品中时，在约5min内，SiC样品在有缺陷区域和无缺陷区域之间表现出选择性蚀刻。冷却并去除SiC样品中的KOH后，存在许多具有不同形貌的蚀刻坑，这些蚀刻坑与不同类型的缺陷有关。如图4b所示，位错产生的大型六边形蚀刻凹坑对应于微管，中型凹坑对应于TSDs，小型凹坑对应于TEDs。KOH刻蚀的优点是可以一次性检测SiC样品表面下的所有缺陷，制备SiC样品容易，成本低。然而，KOH蚀刻是一个不可逆的过程，会对样品造成永久性损坏。在KOH蚀刻后，需要对样品进行进一步抛光以获得光滑的表面。镜面投影电子显微镜（MPJ）镜面投影电子显微镜（MPJ）是另一种很有前途的表面下检测技术，它允许开发能够检测纳米级缺陷的高通量检测系统。由于MPJ反映了SiC晶圆上表面的等电位图像，因此带电缺陷引起的电位畸变分布在比实际缺陷尺寸更宽的区域上。因此，即使工具的空间分辨率为微米级，也可以检测纳米级缺陷。来自电子枪的电子束穿过聚焦系统，均匀而正常地照射到SiC晶圆上。值得注意的是，碳化硅晶圆受到紫外光的照射，因此激发的电子被碳化硅晶圆中存在的缺陷捕获。此外，SiC晶圆带负电，几乎等于电子束的加速电压，使入射电子束在到达晶圆表面之前减速并反射。这种现象类似于镜子对光的反射，因此反射的电子束被称为“镜面电子”。当入射电子束照射到携带缺陷的SiC晶片时，缺陷的带负电状态会改变等电位表面，导致反射电子束的不均匀性。MPJ是一种无损检测技术，能够对SiC晶圆上的静电势形貌进行高灵敏度成像。Isshiki等人使用MPJ在KOH蚀刻后清楚地识别BPDs、TSDs和TEDs。Hasegawa等人展示了使用MPJ检查的BPDs、划痕、SFs、TSDs和TEDs的图像，并讨论了潜在划痕与台阶聚束之间的关系。原子力显微镜（AFM）原子力显微镜（AFM）通常用于测量SiC晶圆的表面粗糙度，并在原子尺度上显示出分辨率。AFM与其他表面检测方法的主要区别在于，它不会受到光束衍射极限或透镜像差的影响。AFM利用悬臂上的探针尖端与SiC晶圆表面之间的相互作用力来测量悬臂的挠度，然后将其转化为与表面缺陷特征外观成正比的电信号。AFM可以形成表面缺陷的三维图像，但仅限于解析表面的拓扑结构，而且耗时长，因此通量低。扫描电子显微镜（SEM）扫描电子显微镜（SEM）是另一种广泛用于碳化硅晶圆缺陷分析的非光学技术。SEM具有纳米量级的高空间分辨率。加速器产生的聚焦电子束扫描SiC晶圆表面，与SiC原子相互作用，产生二次电子、背散射电子和X射线等各种类型的信号。输出信号对应的SEM图像显示了表面缺陷的特征外观，有助于理解SiC晶体的结构信息。但是，SEM仅限于表面检测，不提供有关亚表面缺陷的任何信息。阴极发光（CL）阴极发光（CL）光谱利用聚焦电子束来探测固体中的电子跃迁，从而发射特征光。CL设备通常带有SEM，因为电子束源是这两种技术的共同特征。加速电子束撞击碳化硅晶圆并产生激发电子。激发电子的辐射复合发射波长在可见光谱中的光子。通过结合结构信息和功能分析，CL给出了样品的完整描述，并直接将样品的形状、大小、结晶度或成分与其光学特性相关联。Maximenko等人显示了SFs在室温下的全彩CL图像，如图4d所示。不同波长对应的SFs种类明显，CL发现了一种常见的单层Shockley型堆垛层错，其蓝色发射在~422nm，TSD在~540nm处。虽然SEM和CL由于电子束源而具有高分辨率，但高能电子束可能会对样品表面造成损伤。基于光学的缺陷检测技术为了在不损失检测精度的情况下实现高吞吐量的在线批量生产，基于光学的检测方法很有前途，因为它们可以保存样品，并且大多数可以提供快速扫描能力。表面检测方法可以列为OM、OCT和DIC，而拉曼、XRT和PL是表面下检测方法。在本节中，我们将介绍每种检测方法的原理，这些方法如何应用于检测缺陷，以及每种方法的优缺点。光学显微镜（OM）

日前，北京理工大学重庆创新中心智能焊接实验室为东方锅炉量身定制的锅炉小径管焊口自动评图系统顺利通过验收测评，并正式投入运行。该系统各项性能指标均达到行业领先水平，实现了人工智能技术在锅炉小径管无损检测技术领域的重大突破。近年来随着人工智能的普及应用，以及无损检测技术快速发展，给数字射线检测图像实现自动评定带来了可能。在工信部“大数据产业发展试点示范项目”的有力支持下，北京理工大学重庆创新中心智能焊接实验室携手东方电气研究院、东方锅炉组建联合技术攻坚团队，牵头开展小径管焊口自动评图系统研发，旨在将人工智能技术、信息化管理技术与无损检测数字化实现完美结合，进一步提升质检效率和智能化程度。实验室负责人介绍，为东方锅炉开发的是一款基于深度学习开发焊缝射线图像自动识别系统，它集成了图像采集、标注、自动评图、按标准质量评价、报告输出等诸多功能，实现了从输入到按NB/T 47013、ASME等质量标准评级的全流程无损检测评价。同时与数字化系统交互，形成了质量统计分析、追溯、缺陷原因排查的全流程质量闭环管理能力，实现了工业软件国产化，简化了人工评片工作，提高了质量管控能力及产品品质，能有效增强缺陷诱因排查能力。负责人透露，数据模拟显示，锅炉小径管缺陷智能评定系统正式运行及推广后，从人员作业、软件国产化、对外服务等方面可产生直接经济效益达每年数百万元，通过有效提高质量管控能力，避免重大质量事故，由此产生的间接经济效益可达每年数千万元。据了解，锅炉小径管缺陷智能评定系统通过对各类离散数据进行收集整合，能够有效提高企业数字化发展、智能化转型的能力，以解决行业长期面临的评片量大、存储困难、人为主观因素高等难题，给工业无损检测加上一双“智慧的眼睛”。该系统上线，使我国高端装备制造领域无损检测缺陷智能识别与评价技术实现了零的突破，小径管场景定制化开发智能识别算法实现了缺陷识别的高灵敏度，及针对性算法优化确保充足泛化能力并导入无损检测经验实现了高度实用。联合攻坚团队负责人表示，新系统“破茧而出”，实现了小径管对接焊口数字射线图像自动评定和焊缝质量信息自动追溯，将检测数据自动记录、实时传输和检测结果智能判定、即时反馈变成现实，是人工智能技术在东方锅炉的一次成功实践。新系统以推进产品质量全流程管控为着力点，持续优化焊缝缺陷检出能力和准确性，生产质效显著提升，有效节约了人力、物力资源，助力企业数字化、智能化转型发展。下一步，将把该系统进一步拓展应用于供方质量的远程监督，提升供方质量管控能力。

以碳化硅（SiC）基板为基础的高功率及高频元件的需求随着电动车、资料中心与高频通讯市场的成长出现供不应求的状况。其中SiC基板质量决定下游元件的可靠度及性能优劣，但SiC长晶速度较慢，且目前关键的晶体缺陷只能以破坏性的KOH蚀刻方式进行抽样检测，使得SiC芯片制程成本居高不下。因此，基板厂与元件厂若能在制程中对材料做全面非破坏性检测，不仅可及早发现问题，进而有效改善制程、提升良率，进而在化合物半导体市场中展现绝佳竞争优势。现行的破坏性检测方式除了造成巨额的成本消耗之外，也无法提供足够的信息对整个制程进行完整的研究与追踪。而近来的文献显示现有的光学检测技术虽然可以准确地找出表面的缺陷（Ref.1），然而对找出晶圆内部的晶体缺陷依然力有未逮。因此，蔚华科技携手南方科技推出非破坏性的SiC缺陷检测系统，首创将非线性光学技术导入半导体检测领域，可对全片基板表面到特定深度进行扫描，反应晶体结构信息，提供晶体缺陷密度及其分布状况，让客户有效掌握基板质量，未来生产出的元件质量与效能也能更加稳定。通过非线性光学影像与AI影像辨识结合（Ref.2），更能辨识晶圆内部的致命性晶体缺陷，除了能够节省巨额的成本支出，并且提高产出之外，更能对基板的质量控制做出完整的追踪与回溯。有别于目前市场上的光学技术仅能检测表面的非晶体缺陷，南方科技针对市场需求推出了JadeSiC-NK （型号 SP3055），专注在稳定且有效地找出基板中关键的晶体缺陷（Micropipe, BPD, TSD, Stacking fault），相较现行将SiC晶锭切片后取上下二片基板进行检测的KOH蚀刻方式，可大幅节省检测时间与基板成本。以每个长晶炉每月产出四个晶锭为例，采用JadeSiC-NK后，每个晶锭可省下二片基板成本（每片6英寸基板以800美元计），因此可推估一个长晶炉每年可省下新台币250万元，若是具有100个长晶炉的基板厂，一年即可省下新台币2.5亿元。此外，JadeSiC-NK也可针对同一个晶锭进行100%的晶圆检查，进行详细的晶锭分析和批次追踨分析，协助客户在高技术门槛的化合物半导体市场加速制程及产量优化。Ref1: Chen, PC., Miao, WC., Ahmed, T. and Kuo, HC, Defect Inspection Techniques in SiC.Nanoscale Res Lett17, 30 （2022）. https://doi.org/10.1186/s11671-022-03672-w, https://link.springer.com/article/10.1186/s11671-022-03672-wRef2: Kuo, HC, Huang, C , 乐达科技 NYCU 产学计划 report （2023）图一：（上）JadeSiC-NK以非破坏性方式检测出的BPD缺陷分布（下）相同晶圆以KOH破坏性蚀刻方式检测出的BPD缺陷分布图二：（左） JadeSiC-NK以非破坏性方式检测出的TSD缺陷分布（右）相同晶圆以KOH破坏性蚀刻方式检测出的TSD缺陷分布

进入赤霄科技，墙上几个大字格外吸引眼球，&ldquo 专注一件事 表面缺陷机器视觉智能检测系统设备&rdquo 。这家专注于表面缺陷检测系统研发的高科技公司在经历近2年的投入研发后，终于获得回报，公司研发的产品由于性价比高，受到市场推崇，王暾终于舒了口气。2011年，王暾放弃留美读博的机会，毅然决然回国创业，这样的决定曾遭受了不少亲朋好友的反对。 　　&ldquo 当时根本没有人理解我。&rdquo 王暾回忆。在老师眼里，王暾留美读博再适合不过，由于他放弃这样值得珍惜的机会，以至于恩师&ldquo 反目&rdquo ，&ldquo 你放弃读博的话，就不用回国见我了。&rdquo 每每回想起这样的场景，除了无奈之外，王暾想得更多的是怎么样把项目做好。 　　2009年，针对众多企业的技术需求，王暾建立了一个技术交易平台。&ldquo 我建立这个技术平台的另外一个重要目的，就是想让所有学技术的人员能在这个技术平台发挥自己最大的才能。&rdquo 王暾介绍。 　　技术平台的建设难度远超过王暾的想象，资金来源成了平台建设难以逾越的鸿沟。经历了1年多的摸索后，王暾决定先放弃技术平台的建设转向技术开发。 　　2012年，杭州赤霄科技有限公司正式成立。经历了近两年的研发，无纺布表面缺陷检测系统等3款产品相继面世。2014年上半年，赤霄科技系统设备销售额达到300万，一举扭转只投入，无产出的局面，公司逆转亏损开始盈利。2014年一整年，赤霄科技的年产值预计将达到500余万。 　　据赤霄科技的王经理介绍，表面缺陷检测系统的研发在国内还处于起步阶段，专注于这一领域的公司也是屈指可数，能在这一行业立足，靠的是技术。 　　另一方面，赤霄科技在产品的价格上也占足了优势。王暾介绍，德国的同类产品，售价高达80万，而赤霄的同款产品售价20万，更容易被国内的中小企业接受。 　　由于产品市场效益良好，赤霄科技成了一些风投公司的香馍馍，&ldquo 未来两年，公司会进行融资，并扩大生产。当然，把公司发展成上市公司是我的目标。&rdquo 王暾笑着说。