CN101536011A - 自动缺陷修复系统 - Google Patents

Abstract

一种用于平板显示器(FPD)基底的修复系统执行多个操作，例如自动图像捕获和处理、自动缺陷分类、自动修复分类、以及修复宏(指令)产生软件。缺陷分类、修复分类和修复宏的产生基于开放的架构，并且，通过使用多层分类器可处理任何数量的使用情况，并因此可在单一的修复工具中实现对多种面板设计的修复。分类器的多层集合，例如缺陷分类器和修复分类器，能够实现具有定制能力的高效的判定修复过程。多层分类器可在支持缺陷和相关工具的数据库的情况下，任意地扩展以支持统计学习(在线与批学习)和主动学习。通过将操作者学习到的判断缺陷或修复时所需要的经验进行合并，分类器和方案规则可随时间自动或半自动地改进。

Description

自动缺陷修复系统

相关申请的交叉引用

根据35U.S.C.119(e)，本申请要求2005年1月21日递交的题为“自动缺陷修复系统”的第60/646,111号申请的优先权，该申请的全部内容通过引用并入本文。

背景技术

本发明涉及基于液晶显示器(LCD)和其它相关显示技术(例如有机发光器件(OLED))的平板显示器，尤其涉及对形成在所述显示器上的组件的检查。

在LC显示器的制造中，使用大型透明玻璃薄板作为沉积薄膜晶体管(TFT)阵列的衬底。通常，多个独立的TFT阵列包含在一个玻璃基板上，这些TFT阵列通常称为TFT面板。作为一种选择，有源矩阵LCD或AMCLD在每个子象素处覆盖采用了晶体三极管和二极管的显示器组，并从而包围TFT器件，这种玻璃基板也称作AMLCD面板。平板显示器还可使用任何的OLED技术进行制造，并且其尽管通常制造在玻璃上，但也可制造在塑料基板上。

TFT图案沉积在多个阶段实现，在其中的每个阶段，将特定材料(例如金属、氧化铟锡(ITO)、晶体硅、非晶体硅等)以预定的图案沉积在前一层(或玻璃)的顶部。每个阶段通常包括多个步骤，例如沉积、形成掩模、蚀刻、剥离等。

在这些阶段中的每一阶段以及每一阶段的各个步骤中，可能出现可影响最终的LCD产品的电子和/或光学性能的许多生产缺陷。如图1所示，这种缺陷包括但不限于进入ITO的金属突起110、进入金属116的ITO突起114，所谓的蚀刻缺口(mouse bite)118、开路120、晶体管124中的短路122、以及外来粒子124。其它缺陷包括掩膜问题、蚀刻过度或不足等。

即使严格控制TFT沉积过程，缺陷的出现也是不可避免的。这就限制了产品的产量，并不利地影响了产品的成本。通常在关键的沉积阶段之后，使用一个或多个自动光学检查(AOI)系统并且由对完成的TFT阵列进行测试的光电检验机器(也称作阵列测试器或阵列检验器(AC))来检验TFT阵列。通常，AOI和AC系统提供缺陷坐标；但是它们并不提供高分辨率的图像，而高分辨率的图像却是将缺陷归类为消光杂质、可修复的缺陷或者仅仅是不影响TFT阵列性能的瑕疵(所谓的加工缺陷)所必需的。缺陷坐标信息被传送给TFT阵列修复工具，TFT阵列修复工具也称作阵列补救器(AS)，按照惯例，这种缺陷分类是由TFT阵列修复机器的操作者手工完成的。

不同的TFT阵列制造商以及不同的制造工厂生产的面板的平均缺陷数量可能不同。通常对于每个第七代面板来说，TFT阵列装配线内的缺陷检查及修复能力的大小为处理300-400个缺陷。通常假定每个面板有5％-10％的缺陷需要修复。

由于TFT阵列部件通常非常小(子象素大小可为80×240微米，而对于由第七代面板制作的大型40英寸的LCD电视机，子象素大小达到216×648微米)，所以阵列修复工具包括显微镜，用于执行缺陷检查以确定缺陷是否可修复。相对于面板的大小(通常为2.1×2.4米)来说，显微镜的视场是较小的(从100×100微米到2×2毫米)。显微镜安装在精确的XY平台上，使得其可从一个缺陷分派至另一个缺陷。可从之前由AOI和AC检验系统执行的检验中获知缺陷坐标。在缺陷检查和修复期间，通过真空卡盘，使玻璃面板在XY平台下保持固定不动。检查之后，通常通过激光微调、激光焊接或通常使用化学气相积淀(CVD)技术桥接开路来对可修复的缺陷进行处理。

上述一系列一般事件在所有阵列修复工具中都是典型的。然而，由于面板和面板之间的缺陷的数量、类型、位置、大小/程度经常不同，因此需要一种在捕获缺陷图像之后的几乎所有工具步骤中传递判断的方法，以便判断例如，图像是否真正是缺陷而非障碍、发现了哪种类型的缺陷、具体的缺陷是否需要修复、需要什么类型的修复、需要什么修复参数、下一个待修复的缺陷是什么等等。许多修复工具将工具操作与操作者的判断和介入相结合，以识别、分类、以及然后修复这些缺陷。

图2和图3以剖视图的方式示出了两个缺陷修复示例。图2A(图1的顶视图)示出了金属突起缺陷110。在该示例中，在识别缺陷110并对其进行分类后，产生修复方案，然后执行该方案以去除该突起，如图2B所示。图3A-3E示出了修正金属线32和34(参见图1中120处的缺陷)之间的开路所执行的修复步骤。此例中，使用激光器36突破(“辐射”)钝化层38并切入金属线。然后引入一种沉积材料(在本例中为化学气相气体和移动的激光能量源)的装置，以便在金属线32和34上产生接触电极42和44。然后，形成金属线46以连接两金属线32和34。在以上两个示例中，工具的修复功能都必须对缺陷或缺陷区域中待修复的部分进行精确定位，并且必须为特殊的缺陷类型指定修复过程。由于并非所有的面板制造过程都是相同，所以与功率、光点大小、气流相关的参数或其它材料沉积参数等可能需要根据每个面板或每个面板产品部分进行调整。

如图4所示，获得缺陷图像402后，操作者检查该图像403，将潜在的缺陷分类为阻碍以及例如开路、短路、以及如图1所示的其它缺陷的缺陷类型，并确定是否需要修复404。如果不需要修复，操作者则指示工具移动到下一个缺陷405，然后重复图像捕获和缺陷分类的过程。如果操作者确定需要修复，他/她则确定需要的修复类型(例如，切割或连接)，并设置基本的修复功能(例如激光切割)参数，包括确定切割或连接的起点和终点406。操作者然后指示机器执行修复408。该工具然后对缺陷进行修复410，然后前进到下一个缺陷412并重复上述过程。

操作者可确定需要的修复参数和次序指令(或方案)与先前的方案相同，并可选择使用存储的方案而不是创建一个新的方案。有时一个面板具有大量且不同类型的缺陷，并且操作者将进行修复的次序以优先顺序排列。例如，操作者可选择首先修复某个第一类型的缺陷，接着处理第二类型的缺陷，等等。或者，操作者可选择以空间顺序(例如，从左到右，从面板的前端到后端)修复缺陷。

人工判断普遍用在平板的检查/检测及修复的几乎每个步骤中。面板制造者通常寻求成本的最小化以及时间的最优化，并且非常希望寻求自动操作的修复工具。然而，如上所述，自动化工具必须至少以与人同样的速度提供等同的或更好的一致判断结果。面板缺陷的检查和修复提出了在自动化工具的开发中必须考虑的多个问题。首先，通常依赖于光学装置的检测可产生在面板内质量可能不同的图像或者在一系列面板中图像对比度、亮度、色彩、以及其它类似参数可能不同的图像。操作者在对潜在的缺陷图像进行评估时需要考虑这些变化，因此还需要设计一种用于自动评估的装置。操作者通常在确定潜在的图像是否确实是缺陷的同时，辨认并识别缺陷的类型。然而，图像质量的变化使得操作者可能错误地、不一致地或模棱两可地识别缺陷的类型。因此，自动化工具必须精确一致地处理缺陷类型划分的问题。当缺乏可用的数据或可用的数据不精确时，在工厂开办时又出现了进一步的问题。因此自动化工具应基于训练实例和/或由该工具随时间收集的统计数据，提供一种装置以建立其自己的分类规则库。最后，产品完全制成后，LCD面板制造者将优选采用不需要操作者一直注意的修复工具。

在题为“AMLCD中的自动修复”(＂Automatic Repair in AMLCD＂，April 1994，Proc.SPIE Vol.2174，p.98-106，Advanced Flat Panel DisplayTechnologies)的文章中，Peter S.Friedman，Qiu等人认识到需要进行自动修复，并分析了能够实现自动化的方式。然而，在Qiu等人提出的架构中，由于时间和判定规则基于相对较小的选项集，因而LCD面板技术是相对简单的。例如，只辨认两种缺陷类型：“开路”或“短路”，其中“开路”具有四个子类，“短路”具有三个子类。此外，定义了三种“开路”修复功能，而只考虑了一种“短路”修复功能。

由于上述文章的公开，LCD面板制造在复杂性上得到了发展，且LCD面板的使用范围从膝上型计算机屏幕增加到计算机监控器，再到电视屏幕。例如，引入了更多的材料类型和材料组合；像素设计现在包括各种大小和形状。在此之外，面板制造者还希望在各层进行修复。使阵列修复工具处理步骤自动化以增加精确度并允许操作者监视不止一个工具的需要也继续存在。

发明内容

根据本发明的一个实施方式，用于平板显示器(FPD)基底的修复系统执行大量的操作，例如自动化的图像捕获和处理、自动缺陷分类、自动修复分类、以及修复宏(指令)产生软件。该系统基于灵活的控制架构，并包括相关的图形用户接口(GUI)。

缺陷分类、修复分类、以及修复宏的产生基于开放的架构并可通过使用多层分类器处理任何数量的使用实例，因而多种面板设计可使用单一的修复工具修复。特别地，本发明的方法包括识别自动修复依赖于缺陷分类，以及识别分类器的多层集合(例如缺陷分类器、修复分类器)能够实现具有定制能力的高效判定修复处理。

本发明在支持缺陷和相关工具的数据库的情况下，适于扩充基于规则的分类器，以便包括统计学习(包括联机和批学习)以及主动学习。因此，分类器和方案规则可随时间自动地或半自动地改进。从而，本发明的缺陷修复系统适于减少操作者耗费在每个工具上的时间，但是还应认识到，在工具操作中必须留有人工介入的余地。

附图说明

图1示出了具有周期性晶体三极管阵列的大型平面构图介质的一部分的顶视图中的多个非周期的缺陷；

图2A和2B示出了具有突起缺陷的设备在修复前和修复后的剖视图；

图3A-3E示出了具有开路缺陷的设备在修复前后的相反的剖视图；

图4是现有技术中公知的修复缺陷所采取的步骤的流程图；

图5是根据本发明一个示例性实施方式的阵列修复工具的功能性框图；

图6是根据本发明一个示例性实施方式的修复缺陷所采取的步骤的流程图；

图7是图5的阵列修复工具中的自动缺陷修复处理器与图6的流程图相结合的框图；

图8示出了根据本发明一个示例性实施方式、由缺陷抽取器处理的各种图像处理和处理功能；

图9示出了根据本发明一个示例性实施方式、由图8的缺陷抽取器的处理框执行的各种功能；

图10示出了根据本发明一个示例性实施方式的缺陷分类器的各种功能块；

图11示出了根据本发明一个示例性实施方式的修复分类器的各种功能块；

图12是根据本发明一个示例性实施方式由修复宏产生器执行的步骤的流程图；

图13是根据本发明一个示例性实施方式与执行修复有关的各步骤的流程图；

图14是根据本发明一个示例性实施方式、包括数据库储存库的自动缺陷修复序列的框图；

图15示出了根据本发明一个示例性实施方式、首先检查全部缺陷、然后立刻修复全部待修复的缺陷的过程；

图16示出了根据本发明一个示例性实施方式、缺陷分类器将更新的AOI/AC缺陷列表信息返回给缺陷列表管理器的示意图；

图17是根据本发明一个示例性实施方式的具有主动学习的缺陷修复序列的框图。

具体实施方式

图5是根据本发明一个示例性实施方式的LCD阵列修复工具500的功能性框图。图中示出示例性阵列修复工具500部分包括：面板处理器502；用于将样本LCD面板(未示出)移入工具、在工具内移动和从工具中移出的平台504；用于捕捉图像的成像光学器件506；用于进行缺陷修复的修复硬件508；适于控制用于修复缺陷的硬件的工具控制器510；用于处理缺陷图像的图像处理计算机512(IPPC)；以及自动缺陷修复(ADR)处理器514。人工操作者通过图形用户接口(GUI)516控制工具。在一些实施方式中，ADR处理器514可为图像处理计算机512的一部分或处于其中。在另外的实施方式中，ADR处理器514可为嵌入式工具控制计算机510的一部分或处于其中。此外，工具控制计算机510可为嵌入式计算机。

成像光学器件506通常包括具有至少一个放大倍数的显微镜以及用于捕捉图像的照相机硬件。修复硬件508可包括一个或多个激光器、相关的光学器件、以及材料配送硬件，例如化学汽相淀积(CVD)硬件、固体或液体配送硬件、喷墨或其它定向的材料配送系统。

通常，利用AOI或AC工具获得的缺陷列表520由操作者加入阵列修复工具500(本文中也称作修复工具或工具)中，或由工厂自动化控制系统(未示出)自动地加入修复工具500。每个缺陷的图像都由成像光学器件506收集，并传送给IPPC 512，其中，图像信息与利用AOI或AC获得的缺陷的具体信息相结合。

图6是根据本发明一个实施方式的修复缺陷采用的步骤/过程的流程图600。将利用AOI/AC获得的缺陷列表520供给位于工具控制器510内的缺陷列表管理器602。平台504移动目标LCD面板，以使下一个缺陷到达位置604，以便进行缺陷再检测和修复。接着，聚焦并捕获缺陷图像606。ADR处理器514处理在步骤606中捕获的图像并利用由缺陷列表管理器提供的具体缺陷运行时间信息产生修复宏(下文中也称为方案)。

如果确定潜在的目标缺陷是可修复的610，并进一步确定开启了核实模式602(即，工具500处于半自动模式)，则操作者可选择是否进行修复618。如果操作者选择进行修复618，工具控制器510则执行修复方案626。然后缺陷列表管理器使平台504移动目标LCD面板，以使下一个潜在的缺陷到达检查/修复位置。如果在全自动条件下612，潜在的目标缺陷被检测为可修复的缺陷610，工具控制器510则执行修复方案626。然后，调节下一个潜在缺陷的焦距。标有“核实模式是否开启”的判断框612如果选“是”则允许人工介入(半自动)，如果选“否”则为全自动。例如，可指示工具控制器510处理不需人工介入的全部缺陷，并储存(bin)(或分出)那些需要特别注意的缺陷。在这种情况下，工具控制器自动处理尽可能多的缺陷，然后停下来以允许操作者检查和设置剩余缺陷。将工具设置为以这种半自动方式运行允许操作者同时管理多个修复机器。

如果确定潜在的缺陷是不可修复的610，操作者则检查潜在的缺陷614。如果操作者确定620潜在的缺陷需要修复并且是真正的缺陷，例如其并非假阳性(false positive)，操作者则指示工具向前移动618。如果操作者确定620潜在的缺陷不需要修复，操作者则在缺陷列表管理器使平台504移至下一个目标LCD面板之后选择下一个缺陷616，以使下一个潜在的缺陷到达检查/修复位置。

图7示出了ADR处理器514的各种功能块。根据本发明一个实施方案，ADR处理器的示例性实施方式514部分包括：缺陷抽取器702、自动缺陷分类器(ADC)704、自动修复分类器706、以及自动修复宏产生器708。

如图7所示，缺陷抽取器702接收捕获的图像信息720，并将其与由缺陷列表管理器602管理的AOI/AC缺陷列表520结合，从而产生缺陷性质列表740，该列表然后被发送给ADC 704、修复分类器706、以及修复宏产生器708。ADC 704适于利用缺陷性质列表740并根据制订的区域信息和分类规则对缺陷进行分类。缺陷性质列表740和产生的分类缺陷被提供给修复分类器706，修复分类器706搜索并选择与具体缺陷类别有关的分类规则，并为修复产生器创建处理步骤。利用缺陷性质列表和产生的修复步骤，修复宏产生器708根据一组宏模板产生修复宏。因此，ADR处理器利用缺陷位置及图像信息，并基于多组缺陷分类规则、修复分类规则、以及修复工具用来自动执行修复的宏模板创建可执行的宏。

同时参照图5和图7，ADR处理器514将其产生的修复宏发送到工具控制器510。在图5的示例性的实施方式中，为确保IPPC 512与ADR处理器514和工具控制器510保持同步，ADR处理器514产生“完成”标记。

在一个实施方式中(未示出)，在处理过程的任意一点处(未示出)，ADR处理器可标记需要帮助的操作者。例如，如果具体缺陷的缺陷性质列表与分类规则不相关，则操作者需要介入。操作者可创建新的分类规则或选择继续处理下一个缺陷。如果找不到与已分类的缺陷有关的修复分类规则，则操作者可能需要介入。操作者可再次创建新的修复规则或选择继续处理下一个缺陷。

如上所述，根据本发明的一方面，ADR处理器利用缺陷位置及图像信息，并基于多组缺陷分类规则、修复分类规则(本文中还可称作修复规则)、以及工具用来自动执行修复的宏模板来创建可执行的宏。进一步，本发明利用缺陷分类及随后的修复分类，从而提供了双层分类器。还可建立分类器另外的层。多层分类器的使用建立了用于适应另外的使用情况的扩充和用于自适应学习的开放的且灵活的架构。多层分类器使得能够实现自动化所需的高效的判定处理，并通过与缺陷类型有关的修复规则的类型将一组潜在的缺陷简化为储存的缺陷，然后产生修复宏供工具执行。本发明的ADR处理器中的不同块在下文中详细描述。

缺陷检测和抽取

ADR处理器514适于从工具中的成像光学器件获取的图像数据以及收集的AOI/AC信息中创建缺陷性质列表520。图8和图9示出了创建缺陷性质列表所需的缺陷抽取步骤，即预处理、差分计算、设定可靠的阈值、判定、以及后期处理，其中缺陷性质列表被传送给缺陷分类器ADC 704、修复分类器706、以及修复宏产生器708。

用于缺陷检测的一种公知的方法是将怀疑有缺陷的像素与其相邻的像素进行比较，可通过比较多个网格对齐的图像或比较同一图像内的多个网格。在算法上，比较通过对多幅图像或子图像垂直地或水平地“移位相减”来实现。图8示出了两种情况：(i)收集并处理多个网格对齐的图像(三元组)802，以及(ii)比较同一图像中的网格(单一图像)804。因为平板结构是重复性的，所以如果单一图像至少存在三个网格，则其可通过由缺陷抽取器向各方向移动一个网格来进行处理。如果不存在三个网格，连同需要的左移和右移一个(或整数N个)网格的图像，则需要取三幅图像(三元组)。使用三幅以上图像进行检测也是可能的。然而，三幅是使用判定来消除错误缺陷并确定有缺陷的网格所需的图像最小数量。

如图8所示，对于单一图像的情况804，缺陷图像被左移808和右移810，然后计算与原始值的差(DiffL、DiffR和DiffC)812。图像或图像三联体可首先通过算法平滑和/或增强信号的其它方式进行预处理。对于三元组的情况802，因为每幅图像是在三个不同时间从三个不同点获取的，所以其可具有不同的成像条件。不同的成像条件可导致色彩上的差异。因此，对于三元组的情况，由于色彩差异可在缺陷差值计算时产生错误的结果，因此可需要在计算差值之前执行色彩校正。

缺陷检测的一个重要特征是能够自动检测真正的缺陷，而很少检测出或不会检测出错误的(障碍)缺陷。在任何实际系统中，都不可能具有绝对正确的缺陷检测，也不可能没有错误缺陷。本系统通过允许比较任意数量的图像将错误缺陷最小化。为进一步减少错误缺陷，则使用可靠的统计方法设置差分图像阈值814，然后进行判定816，也就是说，只有在两个相邻的差分图像中都发现的缺陷才被认为是真正的缺陷。

将判定的二值化图像816发送给处理块820。图9示出了根据本发明一个示例性实施方式，由处理块820实现的各种功能。邻近的潜在缺陷被合并在一起(“关闭”)822，然后删除小于指定大小的缺陷824。结果为处理过的二进制缺陷图像826。最后抽取二进制缺陷图像内的每个缺陷的缺陷性质828，从而得到缺陷性质列表830。下面示出了缺陷性质列表的一个实施例，其中包含缺陷相关信息，缺陷相关信息包括例如色彩信息。

Area:49

Centroid:[308 225]

BoundingBox:[304.5000 221.5000 7 7]

SubarrayIdx:{1×2 cell}

MajorAxisLength:8.0829

MinorAxisLength:8.0829

Eccentricity:0

Orientation:0

ConvexHull:[9×2 double]

ConvexImage:[7×7 logical]

ConvexArea:49

Image:[7×7 logical]

FilledImage:[7×7 logical]

FilledArea:49

EulerNumber:1

Extrema:[8×2 double]

EquivDiameter:7.8987

Solidity:1

Extent:1

PixelList:[49x.I double]

Perimeter:24

PixelLoc:0

ColorImage:[7×7×3 uint 8]

ColorInfo:[100 233 60]

图10示出了需要缺陷位置(或面积或区域)信息的自动缺陷分类器704的各种功能块。缺陷列表520(图6)包括来自电测试(例如Photon Dynamic′s^TM阵列检测器)或AOI(自动光学检验)机器的数据。这种缺陷数据通常包括缺陷大小和缺陷的近似位置，但可只包括怀疑有缺陷的像素在LCD面板上的行和列。由AOI或AC提供的缺陷像素的精确位置可偏离一个或两个像素。然而，对包围可疑像素的像素邻域的精确和可靠的缺陷检测对于进行正确的缺陷检测、分类和修复是必要的。

根据本发明，缺陷位置被精确确定并被提供给缺陷抽取器702、缺陷分类器704、修复分类器706、以及修复宏产生器708中的每一个。特别地，知道缺陷所处的像素区域(部分)是非常重要的，因为这可影响到接下来的修复清晰度。例如，如果在像素的TFT(晶体管)区域发现缺陷，则很可能是晶体管坏了。然后合适的修复规则是“删除像素”修复，这一点在下文另一部分中描述。

为帮助用户容易并正确地输入分区详细资料，可使用例如区域编辑器的图形用户接口。在一个实施方式中，作为全部工具设置操作的一部分，用户使用多边形绘图工具在所谓的金色像素的图像上绘制出区域的轮廓。该图像用于分区以及下文将讨论的宏模板编辑器。用户可从预定义的区域1004中进行选择(图10)，例如TFT、DATA、GATE、ITO、CHANNEL、VIA、COMMON，或者用户可基于不同的LCD像素布局唯一的设计和结构，创建带有其自身唯一标签的新的区域。

如图10所示，由AOI/AC提供的可疑像素的区域信息1002可与预定义区域1004和已筛选的区域1006相结合，以将预定义区域列表简化为对于感兴趣的特定缺陷来说可行的候选区域。然后将金色像素区域位置1006的简化列表提供给缺陷分类规则、修复分类规则、以及修复宏模板，如图7所示。

自动缺陷分类器

图10部分示出了本发明的缺陷分类器704的示例性实施方式。缺陷分类器704接收缺陷图像信息720、区域位置信息1006、以及缺陷性质列表740，并计算分类所需的缺陷特征1014。仍然如图7所示，缺陷分类器704利用分类规则1016查找在检查中的缺陷的全部匹配。然后，缺陷分类器704创建指定缺陷类别的分类缺陷的定义1018，并将该信息传送给修复分类器706。

步骤1014中在缺陷分类器704内计算的缺陷性质列表根据其接收的输入进行扩展。计算步骤1014中的一个动作是在空间上转换简化的金色像素区域集并将其覆盖到获得的缺陷图像上。执行缺陷检测并将缺陷与区域进行匹配，以确定哪个区域(如果有的话)和缺陷匹配或近似匹配。因为本发明使用一系列规则可调整的分类器，所以可容易地添加用于分区的其它规则。例如，可定义说明相对于区域的距离的规则，例如“缺陷完全在区域中”或缺陷在5微米内。

如上所述，缺陷分类器704适用于接收缺陷性质列表740和区域位置信息1006，并将其结合以产生用于具体缺陷的性质列表1014。下面示出了这种列表的一个实施例：

F DefectId＝6

F Area＝49

F Brightness＝200

F Contrast＝0.5

F Color＝100，233，60

F Size＝0.96

F PixelLoc＝0

F DefectType＝None

F GateZone＝1.00

F DataZone＝0.00

F ItoZone＝0.00

F TftZone＝0.00

F ChannelZone＝0.00

缺陷分类器704还适用于产生新的逻辑变量，在下文中指派生特性。下面示出了这种派生特性的实施例：

Tiny:＝Area<＝2.5

Dark:＝Contrast<-0.4

Xstor:＝ChannelZone＝＝0.0||TftZone＝＝0.0

例如，派生特性Tiny表明缺陷没有大到可在像素中引起电缺陷的程度。派生特性还可使缺陷分类器所使用的规则变得容易和简化。

分类规则将缺陷分配引导至缺陷类型的分类。下面示出了分类规则的三个实施例：

ActiveResidue:ItoZone＝＝0.0 &&！Dark && Area>10.0

Channel:DefectType＝＝Pixel && ChannelZone＝＝0.0 &&！Tiny

GdShort:DefectType＝＝Gds && Xstor

冒号左边表示缺陷类型，冒号右边表示基于一小组性质和前缀的规则。例如，以上特性列表所表示的缺陷满足Active Residue规则，因为IToZone为真，派生特性Dark为非真，并且Area特性大于规则要求10.0。换句话说，Active Residue的全部条件都为真。Channel规则的实施例同样包括派生特性tiny，以及在上述缺陷特性列表中定义的特性DefectType＝＝Pixel且Channel Zone＝＝0.0。因此，不满足Channel规则的条件。这些实施例示出了修复分类器706是如何进行判定的。

用于缺陷分类的、基于规则的分类器的使用允许随时间对分类器规则集进行改进和扩充。例如，在工厂开办时，可能只有很少的训练实例或统计数据可供分类器使用。随着工厂的生产不断成熟，必定会学习或开发并增加分类规则。本发明允许增加如图7所示由操作者设计的新的或经调整的分类规则。

自动修复分类器

如图7和图11所示，经分类的缺陷1018和缺陷性质列表740被发送到利用一组修复分类规则产生修复步骤1202的自动修复分类器706。根据本发明，第二组规则，即修复分类规则，用于确定必要的修复动作。下面示出了修复分类规则的一些实施例：

ChopData:GdShort && Xstor

KillPixel:ChopData||Channel

IsolateDataCommon:ActiveResidue

冒号左边是修复标识符，冒号右边是缺陷分类和/或来自上述缺陷特性或派生特性列表的项。例如，如果GdShort && Xstor条件为真，则将调用ChopData修复分类规则。如果缺陷类别ActiveResidue条件为真，则将调用IsolateDataCommon修复分类规则。

如同缺陷分类规则一样，修复分类规则集也可增加或改进。例如，用于修复分类规则的一类改进为修复精确性的改进，而修复精确性应超过缺陷分类的精确性，并且与之相比更为重要。基于文本的缺陷分类规则用于确定正常缺陷情况下的修复动作，但是对于不规则的或在边界上的缺陷可使用更复杂的机器学习技术。缺陷分类规则和/或修复分类规则可手动或自动更新。

自动修复宏产生器

由AOI或AC工具提供的数据和此时流程中来自修复工具自身的缺陷图像数据被压缩为用于感兴趣的特定缺陷的一组修复步骤，供给自动修复宏产生器708。

对于每一个缺陷修复，都存在一个宏模板。这种相互关系通常保存在文件或运行中的存储器中以便改进性能。在下面的实施例中，左边是修复分类步骤，右边是修复宏模板文件：

IsolateDataCommon          CutDCMacro.tpl

ChopData                   CutDLMacro.tpl

KillPixel                  CutTFT01Macro.tpl

图12示出了根据本发明一个实施方式，由修复宏产生器708实现的各种功能性步骤。修复类别1202和修复模板1204被用作修复模板查找表中的条目，以选择支持用于感兴趣的缺陷的修复类别/步骤的修复模板1206。如果没有找到修复模板1208，该工具可要求操作者介入1208。如果找到了修复模板1208，则宏产生器的下一步将确定模板类型。尽管在下文中只描述了固定的和可变的宏模板，但是任何类型的宏模板都可得到支持。固定模板不依赖于缺陷位置或大小或其它性质。例如，上述的KillPixel宏模板是固定模板为固定模板，其要求执行“CutTFT01”宏。“CutTFT01”文件具有下列行：

ZoneDefinitionFile:GoldZoneDefinitions.zdf

LaserRecipeFile:atp.rep

LaserConfigFile:laser.cfg

Fixed Line CutTFT01 50X-IR 1014 188 1024 199

该文件指导工具通过在模板规定的固定位置进行激光切割，以停用LCD面板上的晶体管(TFT)，而不依赖于缺陷位置。第二和第三行定义了激光器参数，其中冒号的右边是保存在工具控制器510中的激光器方案和文件。最后一行规定了光学宏模板类型、“变量”、激光切割的类型、透镜的选择(50倍放大率和IR激光器)、以及切割位置(1014，188，1024，199)。

如果得到的修复模板是固定模板1210，则产生修复宏1216。如果得到的修复模板不是固定模板，在此示例性实施方式中则认为其是可变模板1212。可变模板定义为其中例如切割或其它修复的大小和位置必须由像素区域和具体的缺陷大小及位置定义的模板。因此，必须向模板提供缺陷大小和位置。如图12所示，已选择的修复模板1206与缺陷性质列表520以及任何附加的缺陷运行时间信息730相结合，以使具体的缺陷信息可被更新1214。然后产生修复宏1216。例如，IsolateDataCommon修复模板是可变模板，且其CutDC文件具有以下行：

ZoneDefinitionFile:GoldZoneDefinitions.zdf

LaserRecipeFile:atp.rep

LaserConfigFile:laser.cfg

Variable Line CutDC 50X-IR 1011 97 182 92

Variable Line CutDC 50X-IR 208 58 1049 59

在这种情况下，缺陷大小和位置信息具体描述的、CutDC或CutData Common模板文件在像素的数据区域和公用区域之间进行切割。在该文件中，像在固定模板中一样，第二和第三行定义了宏的激光器方案和设置文件。在可变文件中，最后两行描述了可变模板自身以及位置信息。通常在切割长度上增加安全边界，以确保数据行和公用区域电隔离。

ADR处理器最后的功能是将宏模板和修复指令翻译为供工具执行的具体的宏和方案。LCD面板修复通常由多光束激光系统完成。激光器被指导完成一系列称为修复宏的简单命令，修复宏具有以下形式：<LaserCutType>.<RecipeName>.rpixel.<Mag&Lens>{<StartLoc>；<EndPoint>；}

第一段为激光切割的类型：线、块等。第二段通常为激光方案的名称，但也可为给操作者的简单指令，例如“Operator”，表示缺陷不能自动修复并请求人工介入。另一方面，CVD表明应将缺陷发送给用于修复的化学汽相淀积系统。第三段是修复方法，此例中为“修复像素”。第四段是透镜放大倍数和激光波长。在这些实施例中，选择了具有50倍透镜的IR(红外)激光器。大括号内的第五段是激光切割的始末点。为继续描述上述实施例，Kill Pixel宏可由以上模板产生，并可为如下形式：

Point.CutTFT01.rpixel.5OX-IR(200.2，20.0；-202.7，4.7；}

Point.CutTFT01.rpixel.5OX-IR{210.2，20.0；212.7，4.7；}

Line.CutTFT01.rpixel.50X-IR{-360.6，1.8；-324.452，5.373；}

产生的＂Cut Data Common＂宏可为如下形式：

Line.CutDC.rpixel.5OX-IR{-360.309，1.834；-224.452，5.373；}

从宏模板构造的这些修复宏与由修复操作者创建的修复宏在形式上和功能上都是相同的。用于产生宏模板文件的宏模板编辑器可帮助用户通过图形用户接口容易地创建和修改宏模板。

如图7和图13所示，一旦找到修复宏1302且缺陷被检测为可修复的缺陷1304，并且如果核实模式是开启的，则修复宏被显示给操作者1310。如果宏的切割位置或其它关键数据令人满意，则操作者可接受用于执行的宏1312。此时，该宏具有修复所选缺陷所需的全部信息，即基于两个分类器的缺陷和修复信息，具体的空间信息和具体的修复信息，例如激光器功率、光斑大小等。然后将最终的宏返回给工具控制器510以开始执行修复。如果认为该宏并不令人满意，则操作者在完成最终的参数设置和进行修复之前，可根据需要对其进行调整1314。

修复的执行由工具控制器510实现。设定修复放大率1322，获得对准位置的图像1324，如果需要的话进行对准1326，调用修复位置的偏移1328，调整激光器参数1330，以及最终由工具控制器510执行修复。如果平台没有移动的话，对准步骤则不是必需的。

图14与图7类似，除了图14还示出了包括配置用于存储缺陷实例的数据库记录制造器750。该数据库中存储了多种类型的信息，包括从缺陷抽取器702接收的图像文件名称、来自缺陷分类器和修复分类器的缺陷分类规则和修复分类规则、来自修复宏产生器的数据和控制信息、以及由操作者手动产生的分类和修复信息。所述数据库记录制造器可作为用于新的或修改的规则的储存库，且分类规则的自动或手动更新都可发生。然而，如上所述，可以理解的是，基于规则的分类器不需要数据库便允许自动化。

存储在数据库记录制造器中的缺陷实例还允许出现脱机(批模式)的统计学习，也可在联机学习中起作用。本领域技术人员可理解的是，通过使用分类器的混合(包括一些窗口和基于实例的推理)，本发明能够实现从通常使用手写规则的、晶圆厂中的工具启动阶段到生产阶段和机器学习规则的平稳转换。进一步，数据库和分类器方法允许适应过程缺陷中的改变，其中包括在相对的总体中的根本改变和概念漂移。在不影响系统基本结构的情况下，系统中可增加其它的组件，例如异常检测器、SPC警报器、以及堆叠的缺陷视图。

图17示出了本发明的自动缺陷修复系统如何适应自适应学习。步骤1710允许两个分类器(缺陷分类器和修复分类器)以及预定义区域信息和宏模板的更新。自适应学习或主动学习可采用多种形式，例如，(i)选择将哪个图像样本保存在数据库中；(ii)添加至延期给操作者的缺陷列表，从而扩大和确认具有专家标签的训练实例的集合；或(iii)使操作者面对存储的图像，以测试人工判断的一致性，尤其是在ADC检测到矛盾的情况下。

图6到图14描述了判断缺陷并顺序地一次修复一个缺陷的系统和方法。本发明还提供了用于自动修复缺陷的可选的顺序，如图15所示，根据该顺序首先检查全部缺陷，然后对要求的全部缺陷进行修复。图15示出了该过程可分为自动检查1520、自动修复1540、以及手动分类和修复1560。

在检查过程中，不是所有缺陷都必需自动分类。因此将那些需要特别注意的缺陷筛选到手动分类及修复功能块1560。因此，图15中的顺序示出了供工具使用的体系方法，即，可自动处理的全部缺陷向前移动1520，而需要注意的那些缺陷则被分出或储存以供操作者稍后进行分类和设定修复方案1560。在生产开始时，手动处理的缺陷的百分比可能高于自动修复的缺陷。然而，由于分类器和修复规则数据库随着生产的完备而不断完善，所以自动处理的缺陷的百分比与需要由操作者处理的缺陷的百分比相比将占据优势地位。

此外，因为操作者的判断在缺陷检查阶段是非常关键的，所以，即使在成熟的生产机构，图15所示的体系顺序也可有助于优化操作者在工具上花费的时间。完成对待修复的缺陷的识别之后，操作者则指导工具自动执行修复，且操作者可自由处理其它事务。此外，这种检查全部缺陷然后修复全部缺陷的可选的顺序允许例如一个阵列修复工具专门用于缺陷检查而另一个工具则专门用于修复。一些修复可能需要在例如CVD的专门的机器上完成。因此，本发明允许机器混合使用的情况，例如，由一个工具类型实现检查功能，而由另一个工具类型或由第一工具类型的第二工具实现修复功能。

检查/修复工具必须有效地检查和定位由AOI或检测器AC工具标记的缺陷，这种重复检测也被称为再检测。由修复工具进行再检测进一步需要缺陷分类和更精确的定位信息。这种信息对于最初标记缺陷并具有自己的缺陷分类方法的AOI和AC工具可能是有用的。

根据一些实施方式，并参照图16和图6，ADR处理器514被配置用于提供信息以更新由缺陷列表管理器管理的原始AOVAC缺陷列表。更新的信息可由缺陷列表管理器存储并由操作者(或通过工厂自动化方法)抽取，并提供给AOI或AC工具。这种能力允许混合的工具之间的连通和学习。

本发明的上述实施方式是示例性的而非限制性的。各种可选方案和等价方案都是可能的。对于本发明的公开内容，其它的补充、删减和修改都是显而易见的，其均落入所附权利要求的保护范围。

Claims (50)

1.一种自动修复面板的方法，所述方法包括以下步骤：

检测所述面板上的多个缺陷；

产生与每个被检测到的缺陷有关的缺陷性质列表；

根据所述缺陷性质列表并进一步根据缺陷分类规则集合，对所检测到的缺陷中的每一个进行分类；

产生与每个被分类的缺陷有关的缺陷类别；以及

根据与缺陷有关的缺陷类别并进一步根据修复分类规则集合，产生用于每个被检测到的缺陷的修复程序。

2.如权利要求1所述的方法，进一步包括：

进一步根据反映被检测到的缺陷所在区域的信息，对所述被检测到的缺陷中的每一个进行分类。

3.如权利要求2所述的方法，进一步包括：

进一步根据所述缺陷性质列表，产生用于每个被检测到的缺陷的修复程序。

4.如权利要求3所述的方法，进一步包括：

根据所述与缺陷有关的修复程序并进一步根据至少一个宏模板，产生用于每个被检测到的缺陷的修复宏。

5.如权利要求4所述的方法，进一步包括：

进一步根据所述缺陷性质列表产生与每个被检测到的缺陷有关的修复宏。

6.如权利要求5所述的方法，进一步包括：

如果所述与每个被检测到的缺陷有关的修复宏认为所述缺陷是可修复的，则对每个缺陷执行修复操作。

7.如权利要求6所述的方法，进一步包括：

如果所述与每个被检测到的缺陷有关的修复宏认为所述缺陷是可修复的且人工操作者核实了所述修复，则对每个缺陷执行修复操作。

8.如权利要求6所述的方法，进一步包括：

如果所述与每个被检测到的缺陷有关的修复宏认为所述缺陷是可修复的且人工操作者最初没有核实所述修复，则将每个缺陷呈现给所述人工操作者检查。

9.如权利要求8所述的方法，进一步包括：

如果所述与每个被检测到的缺陷有关的修复宏认为所述缺陷是可修复的且人工操作者最初没有核实所述修复，则使所述人工操作者能够确定每个缺陷是否需要修复。

10.如权利要求9所述的方法，进一步包括：

使所述人工操作者能够决定对最初没有经所述人工操作者核实的所述缺陷进行修复。

11.如权利要求9所述的方法，进一步包括：

使所述人工操作者能够决定放弃对最初没有经所述人工操作者核实的所述缺陷的修复；以及

定位下一个待修复的缺陷。

12.如权利要求9所述的方法，进一步包括：

更新所述缺陷分类规则。

13.如权利要求12所述的方法，进一步包括：

更新所述修复分类规则。

14.如权利要求18所述的方法，进一步包括：

更新所述区域信息。

15.如权利要求14所述的方法，进一步包括：

更新所述至少一个宏模板。

16.如权利要求15所述的方法，进一步包括：

更新所述人工操作者能够核实的多个缺陷类型。

17.如权利要求21所述的方法，进一步包括：

提供已存储的缺陷图像以测试所述人工操作者的判断的一致性。

18.一种适于修复面板的装置，所述装置包括：

缺陷抽取器，适于产生与每个被检测到的缺陷有关的缺陷性质列表；

缺陷分类器，适于根据所述缺陷性质列表并进一步根据缺陷分类规则集合，对所检测到的缺陷中的每一个进行分类；所述缺陷分类器进一步适于产生与每个被分类的缺陷有关的缺陷类别；以及

修复分类器，适于根据所述缺陷类别并进一步根据修复分类规则集合，为每个被检测到的缺陷产生修复程序。

19.如权利要求18所述的装置，其中，所述缺陷分类器进一步适于根据反映被检测到的缺陷所在区域的信息，对所述被检测到的缺陷中的每一个进行分类。

20.如权利要求19所述的装置，其中，所述修复分类器进一步适于根据所述缺陷性质列表产生与每个被检测到的缺陷有关的修复程序。

21.如权利要求20所述的装置，进一步包括：

修复宏产生器，适于根据所述与缺陷有关的修复程序并进一步根据至少一个宏模板产生用于每个被检测到的缺陷的修复宏。

22.如权利要求21所述的装置，其中，所述宏产生器进一步适于根据所述缺陷性质列表产生用于每个被检测到的缺陷的修复宏。

23.如权利要求22所述的装置，进一步包括：

控制电路，适于接收与每个被检测到的缺陷有关的修复宏，并确定所述缺陷是否是可修复的；以及

工具控制器，适于如果所述缺陷被确定为是可修复的，则使修复硬件对所述缺陷进行修复。

24.如权利要求23所述的装置，其中，所述控制电路进一步适于如果所述缺陷被确定为是可修复的，则使人工操作者能够核实缺陷的修复。

25.如权利要求23所述的装置，其中，所述控制电路进一步适于如果所述人工操作者最初没有核实修复，则使所述人工操作者能够检查被确定为可修复的缺陷。

26.如权利要求23所述的装置，其中，所述控制电路进一步适于使人工操作者能够确定是否需要对被确定为可修复的且所述人工操作者最初没有核实所述修复的缺陷进行修复。

27.如权利要求26所述的装置，其中，所述控制电路进一步适于使人工操作者能够确定对其最初没有核实的缺陷进行修复。

28.如权利要求26所述的装置，其中，所述控制电路进一步适于使所述人工操作者能够放弃对其最初没有核实的缺陷进行修复。

29.如权利要求26所述的装置，进一步包括：

数据库，适于更新所述缺陷分类规则。

30.如权利要求29所述的装置，其中所述数据库进一步适于更新所述修复分类规则。

31.如权利要求36所述的装置，其中所述数据库进一步适于更新所述区域信息。

32.如权利要求37所述的装置，其中所述数据库进一步适于更新所述至少一个宏模板。

33.如权利要求32所述的装置，其中所述数据库进一步适于更新所述人工操作者能够核实的多个缺陷类型。

34.如权利要求39所述的装置，其中所述数据库进一步适于提供已存储的缺陷图像以测试所述人工操作者的判断的一致性。

35.一种自动修复面板的方法，所述方法包括以下步骤：

检测所述面板上的多个缺陷；

对所检测到的缺陷进行第一分类；以及

对所述进行过第一分类的缺陷进行第二分类。

36.如权利要求35所述的方法，进一步包括：

将与每个被检测到的缺陷有关的第一区域数据与第二预定义区域数据结合，以产生用于每个被检测到的缺陷的组合区域数据；

对与每个被检测到的缺陷有关的所述组合区域数据进行筛选，以产生与包含被检测到的缺陷的像素有关的经筛选的区域数据，所述经筛选的区域数据限定将要进行修复的位置。

37.如权利要求36所述的方法，进一步包括：

选择对应于所述第二分类的修复模板。

38.如权利要求37所述的方法，其中所述修复模板为固定模板。

39.如权利要求37所述的方法，其中所述修复模板为可变模板。

40.如权利要求37所述的方法，进一步包括：

对应于所述修复模板产生修复宏；

指示修复工具根据所产生的修复宏进行修复。

41.一种适于修复面板的装置，所述装置包括：

缺陷检测器，适于检测缺陷；

缺陷分类器，适于为每个被检测到的缺陷定义缺陷类别；以及

修复分类器，适于为每个被分类的缺陷定义修复类别。

42.如权利要求41所述的装置，进一步包括：

区域筛选器，适于对与每个被检测到的缺陷有关的第一区域信息和第二预定义区域信息的组合所限定的区域数据进行筛选，并相应产生与每个包含被检测到的缺陷的像素有关的经筛选的区域数据，所述经筛选的区域数据限定将要进行修复的位置。

43.如权利要求42所述的装置，进一步包括：

宏产生器，适于选择对应所述定义的修复类别的修复模板。

44.如权利要求43所述的装置，其中所述修复模板为固定模板。

45.如权利要求43所述的装置，其中所述修复模板为可变模板。

46.如权利要求43所述的装置，进一步包括：

修复工具，适于执行对应于所产生的修复宏的修复。

47.一种方法，包括：

使用第一自动化工具收集面板上的修复信息，所述对缺陷信息的收集包括：

产生与每个被检测到的缺陷有关的缺陷性质列表；

根据所述缺陷性质列表并进一步根据缺陷分类规则集合对所述被检测到的缺陷中的每一个进行分类；

产生与每个被分类的缺陷有关的缺陷类别；以及

根据所述缺陷类别并进一步根据修复分类规则集合产生用于每个被检测到的缺陷的修复程序；以及

利用由所述第一自动化工具收集的修复信息在第二自动化工具上进行修复。

48.一种适于修复面板的装置，所述装置包括：

缺陷检测器，适于提供包括所述面板上存在的缺陷的坐标的缺陷列表；以及

自动化缺陷修复处理器，包括：

缺陷分类器，适于利用所述缺陷列表为每个被检测到的缺陷定义缺陷类别；

修复分类器，适于利用所述缺陷列表为每个被分类的缺陷定义修复类别；其中，所述自动化修复处理器适于向所述缺陷检测器提供信息，以使所述缺陷检测器能够更新所述缺陷列表。

49.如权利要求48所述的装置，其中所述缺陷检测器位于自动光学检测系统中。

50.如权利要求48所述的装置，其中所述缺陷检测器位于阵列检测器中。

Images