半导体生产过程中,晶圆加工工艺过程复杂,为保证质量,几乎加工过程中的每一步工序质量都需要进行检测,否则缺陷产品流入下一道工序,不仅对产品的整体质量有很大影响,而且会造成生产成本的巨大浪费。晶圆加工时,很多缺陷会呈现在晶圆表面,针对这些表面缺陷,快速自动检测设备几乎被国外企业高价垄断,国内半导体企业则仍有很多依然在使用效率低下的人工检测手段,因此很有必要自主实现快速准确的晶圆自动检测设备。本文针对晶圆表面缺陷自动检测技术进行了研究,并结合项目研究的晶圆特点,确定了晶圆表面缺陷自动光学检测方案,为了实现高速高精度检测,对快速获取晶圆表面清晰图像方法和快速准确的视觉缺陷检测算法进行了研究和设计。首先,由于晶圆表面待检测缺陷非常微小,需要用显微光学系统进行图像采集,而成像系统景深范围小于晶圆表面翘曲,在晶圆表面图像获取时需要通过对焦才能保证图像清晰。在高速检测系统中,为了快速获取晶圆表面清晰图像,设计了飞拍自动对焦系统,在飞拍快速获取晶圆表面图像的基础上,通过测距自动对焦,保证了采集图像的清晰度。测距对焦系统以光谱共焦传感器作为测距设备、以对焦深度法进行清晰成像物距自动标定,可以在飞拍过程中提前完成每个拍照点的测距对焦,保证飞拍的连续性,且对焦结果与人工对焦偏差小于1um,能够实现快速获得晶圆表面清晰图像。其次,由于晶圆表面待检测缺陷特征复杂,在高速高精度检测系统中,为了快速准确的检测出晶圆表面缺陷检,设计了基于深度学习的视觉缺陷检测算法。首先提出了通过晶圆加工的GDS文件信息,将采集的晶圆图像先进行晶粒图像分割、提取,屏蔽晶圆的背景信息干扰,减少待处理的图像数据量,提高了缺陷检测速度,且该算法相对于传统的晶粒提取算法具有更快的速度;其次对晶粒图像进行四分切割,晶粒缺陷在切割后的图像中的占比较切割前得到了4倍的提升,使用切割后的图片进行神经网络缺陷检测获得了更高的检测精度。最后确定了YOLOX-Darknet53作为深度学习缺陷检测的神经网络,通过晶圆缺陷数据集测试传统的目标检测网络和新推出的YOLOX-Darknet53网络的速度、精度,验证了YOLOX-Darknet53网络在速度和精度上的优越性,能够实现快速准确的晶圆表面缺陷检测。最后,开发了晶圆表面缺陷自动检测软件,并对晶圆产品进行了自动检测实验,结果表明本系统完成一片八寸晶圆缺陷检测的时间达到107分钟,获取的晶圆表面图像的模糊率小于0.1%,表面缺陷晶粒召回率不低于95%,实现了快速准确的晶圆表面缺陷检测。