CN101981683B - 缺陷分类方法以及缺陷分类装置 - Google Patents
缺陷分类方法以及缺陷分类装置 Download PDFInfo
- Publication number
- CN101981683B CN101981683B CN2009801111102A CN200980111110A CN101981683B CN 101981683 B CN101981683 B CN 101981683B CN 2009801111102 A CN2009801111102 A CN 2009801111102A CN 200980111110 A CN200980111110 A CN 200980111110A CN 101981683 B CN101981683 B CN 101981683B
- Authority
- CN
- China
- Prior art keywords
- mentioned
- classification
- defective
- characteristic quantity
- defects
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
- G01N21/9501—Semiconductor wafers
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/28—Determining representative reference patterns, e.g. by averaging or distorting; Generating dictionaries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
- G06T7/001—Industrial image inspection using an image reference approach
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/772—Determining representative reference patterns, e.g. averaging or distorting patterns; Generating dictionaries
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
- H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
- H01L21/67—Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere
- H01L21/67005—Apparatus not specifically provided for elsewhere
- H01L21/67242—Apparatus for monitoring, sorting or marking
- H01L21/67288—Monitoring of warpage, curvature, damage, defects or the like
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
- H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
- H01L21/67—Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere
- H01L21/68—Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere for positioning, orientation or alignment
- H01L21/681—Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere for positioning, orientation or alignment using optical controlling means
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30148—Semiconductor; IC; Wafer
Landscapes
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- Power Engineering (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Computer Hardware Design (AREA)
- Manufacturing & Machinery (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Signal Processing (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Quality & Reliability (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
提供一种缺陷分类方法、计算机存储介质以及缺陷分类装置,本发明的缺陷分类装置具有设计单元和诊断单元,设计单元中,在模型生成部中将模板存储部内的缺陷模板和教学用图像合成来生成缺陷模型,在类别设定部中算出缺陷模型中的缺陷的特征量并设定缺陷的类别。缺陷的特征量与类别的关系被存储到存储部。诊断单元中,在特征量算出部中根据基板的检查对象图像算出缺陷的特征量,在分类部中根据该缺陷的特征量利用存储部内的缺陷的特征量与类别的关系将基板的缺陷分类为类别。
Description
技术领域
本发明涉及一种根据拍摄得到的基板的图像来分类该基板的缺陷的方法、计算机存储介质以及缺陷分类装置。
背景技术
例如在半导体设备的制造中的光刻处理中,例如依次进行以下处理等来在晶圆上形成规定的抗蚀图案:抗蚀剂涂布处理,在半导体晶圆(下面称为“晶圆”。)上涂布抗蚀液来形成抗蚀膜;曝光处理,对该抗蚀膜进行曝光以形成规定图案;以及显影处理,对曝光后的抗蚀膜进行显影。
在进行一系列光刻处理后的晶圆上,利用检查装置进行所谓宏观缺陷检查,即,检查在晶圆表面上是否形成有规定的抗蚀膜或者是否进行了适当的曝光处理,并且检查是否附着有划痕、异物等。
这种宏观缺陷检查为,一边移动载置有晶圆的载置台一边对该载置台上的晶圆照射照明光,利用例如CCD行传感器的摄像装置来取入晶圆的图像,对该图像进行图像处理来判断有无缺陷(专利文献1)。
并且,在判断有无缺陷时,以往使用被称为学习型分类的方法来对缺陷进行分类。在学习型分类中,预先收集缺陷图像作为教学用图像,能够通过学习该缺陷图像来最佳地分类缺陷。
专利文献1:日本特开2007-240519号公报
发明内容
发明要解决的问题
然而,在以往的学习型分类中为了最佳地分类缺陷,需要预先收集大量的缺陷图像,因此在生产过程开始时由于没有缺陷图像而无法适当地分类缺陷。另外,在仅使用少数的缺陷图像来对缺陷进行分类的情况下,会产生被称为过学习的对于缺陷图像的学习过剩适应现象,因而难以适当地分类缺陷。
本发明是鉴于上述问题完成的,其目的在于即使在没有缺陷图像的情况或者只有少数缺陷图像的情况下也能够根据拍摄得到的基板的检查对象图像来适当地分类该基板的缺陷。
用于解决问题的方案
为了达到上述目的,本发明的缺陷分类方法根据拍摄得到的基板的检查对象图像来对该基板的缺陷进行分类,该缺陷分类方法具有以下工序:设计工序,根据缺陷的特征量来设定缺陷的类别,将上述缺陷的特征量与上述类别的关系存储到存储部内;特征量算出工序,根据拍摄得到的上述基板的检查对象图像算出该基板的缺陷的特征量;以及分类工序,根据所算出上述缺陷的特征量,利用在上述存储部内所存储的上述缺陷的特征量与上述类别的关系,将上述基板的缺陷分类为上述类别,其中,上述设计工序具有以下工序:第一工序,制作多个缺陷模板;第二工序,将无缺陷的基板的教学用图像和上述缺陷模板合成来生成缺陷模型;第三工序,算出上述缺陷模型中的缺陷的特征量;第四工序,对上述缺陷模型中的缺陷的特征量设定缺陷的类别;以及第五工序,将上述缺陷的特征量与上述类别的关系存储到上述存储部。
根据本发明,预先制作缺陷模板,将该缺陷模板和无缺陷的教学用图像合成来生成缺陷模型,因此能够将上述缺陷模型作为以往的学习型分类方法中的缺陷图像来使用。并且,对缺陷模型中的缺陷的特征量设定缺陷的类别,能够将缺陷的特征 量与缺陷的类别的关系存储到存储部内。因而,即使在没有缺陷图像的情况或者只有少数缺陷图像的情况下,也能够根据拍摄得到的基板的检查对象图像算出缺陷的特征量,使用存储在上述存储部内的缺陷的特征量与缺陷的类别的关系,适当地分类基板的缺陷。
在上述设计工序中,也可以使上述存储部内的上述缺陷的特征量和上述类别与上述基板所具有的固有信息相关联。此外,基板所具有的固有信息是指例如基板的ID、基板的批次ID、基板的处理条件、基板的处理日期和时间等。
根据其它观点,本发明是一种计算机可读取的计算机存储介质,该计算机可读取的计算机存储介质保存有在该缺陷分类装置的计算机上进行动作的程序,以使缺陷分类装置执行上述缺陷分类方法。
并且,根据其它观点,本发明的缺陷分类装置根据拍摄得到的基板的检查对象图像来对该基板的缺陷进行分类,该缺陷分类装置具有:设计单元,其根据缺陷的特征量来设定缺陷的类别;以及诊断单元,其根据拍摄得到的上述基板的检查对象图像,将该基板的缺陷分类为由上述设计单元设定的上述类别,其中,上述设计单元具有:模板存储部,其存储有多个缺陷模板;模型生成部,其将无缺陷基板的教学用图像和上述缺陷模板合成来生成缺陷模型;类别设定部,其算出上述缺陷模型中的缺陷的特征量,对该缺陷的特征量设定缺陷的类别;以及存储部,其存储上述缺陷的特征量与上述类别的关系,上述诊断单元具有:特征量算出部,其根据拍摄得到的上述基板的检查对象图像算出该基板的缺陷的特征量;以及分类部,其根据所算出的上述缺陷的特征量,利用存储在上述存储部内的上述缺陷的特征量与上述类别的关系,将上述基板的缺陷分类为上述 类别。
发明的效果
根据本发明,即使在没有缺陷图像的情况或者只有少数缺陷图像的情况下也能够根据拍摄得到的基板的检查对象图像适当地分类该基板的缺陷。
附图说明
图1是表示装载有本实施方式所涉及的缺陷分类装置的涂布显影处理系统的结构的概要的俯视图。
图2是涂布显影处理系统的主视图。
图3是涂布显影处理系统的后视图。
图4是表示缺陷检查装置的结构的概要的横截面图。
图5是表示缺陷检查装置的结构的概要的纵截面图。
图6是表示缓冲梁的结构的概要的俯视图。
图7是表示缺陷分类装置的结构的概要的示意图。
图8是表示晶圆上的检查区域的说明图。
图9是例示缺陷模板的俯视图。
图10是表示生成缺陷模板的样子的说明图。
图11是表示生成缺陷模型的样子的说明图。
图12是表示存储在存储器内的数据的说明图。
图13是表示在存储器内对于相同的缺陷的特征量设定不同的类别的情况的说明图。
图14是表示由报告部报告的缺陷的分类的说明图。
图15是表示其它实施方式中的缺陷分类装置的结构的概要的示意图。
图16是例示晶圆整体的缺陷模板的俯视图。
附图标记说明
1:涂布显影处理系统;110:缺陷检查装置;200:缺陷分类装置;201:设计单元;202:诊断单元;210:教学用图像输入部;211:设计预处理部;212:模板存储部;213:模型生成部;214:第一类别设定部;215:第二类别设定部;220:存储部;221:存储部历史记录管理功能单元;222:存储部检查功能单元;223:学习/训练部;224:类别校正部;230:检查对象图像输入部;231:预处理部;232:特征量算出部;233:分类部;234:后处理部;235:确认部;236:报告部;C:芯片部;D:缺陷;E:检查对象图像;M:缺陷模型;N1:无缺陷教学用图像;N2:无缺陷教学用图像;T:缺陷模板;W:晶圆。
具体实施方式
下面,说明本发明的优选实施方式。图1是表示装载有本实施方式所涉及的缺陷分类装置的涂布显影处理系统1的结构的概要的俯视图,图2是涂布显影处理系统1的主视图,图3是涂布显影处理系统1的后视图。
如图1所示,涂布显影处理系统1具有一体地连接晶圆盒站2、处理站3、接口站4的结构,其中,晶圆盒站2将25个晶圆W以盒为单位从外部搬入到涂布显影处理系统1以及从涂布显影处理系统1搬出或者将晶圆W搬入到晶圆盒C以及从晶圆盒C搬出;处理站3是将多个各种处理装置配置多级而成,该多个各种处理装置在光刻工序中单片式地实施规定处理;与该处理站3相邻设置的接口站4在该处理站3与曝光装置(未图示)之间传送晶圆W。
在晶圆盒站2中设置有盒载置台5,该盒载置台5在X方向(图1中的上下方向)上一排地自由载置多个晶圆盒C。在晶圆盒 站2中设置有晶圆输送体7,该晶圆输送体7能够在输送路径6上向X方向移动。晶圆输送体7也能够在容纳于晶圆盒C内的晶圆W的晶圆排列方向(Z方向:铅垂方向)上自由移动,能够选择性地存取在X方向上排列的各晶圆盒C内的晶圆W。
晶圆输送体7能够在绕Z轴的θ方向上转动,还能够进入到后述的处理站3侧的属于第三处理装置群G3的温度调节装置60、用于传送晶圆W的传送装置61。
与晶圆盒站2相邻的处理站3具备将多个处理装置配置多级的、例如五个处理装置群G1~G5。在处理站3的X方向负方向(图1中的下方向)侧,从晶圆盒站2侧起顺次配置有第一处理装置群G1、第二处理装置群G2。在处理站3的X方向正方向(图1中的上方向)侧,从晶圆盒站2侧起顺次配置有第三处理装置群G3、第四处理装置群G4以及第五处理装置群G5。在第三处理装置群G3与第四处理装置群G4之间设置有第一输送装置A1,在第一输送装置A1内部设置有对晶圆W进行支承并输送的第一输送臂10。第一输送臂10能够选择性地进入到第一处理装置群G1、第三处理装置群G3以及第四处理装置群G4内的各处理装置来输送晶圆W。在第四处理装置群G4与第五处理装置群G5之间设置有第二输送装置A2,在第二输送装置A2内部设置有对晶圆W进行支承并输送的第二输送臂11。第二输送臂11能够选择性地进入到第二处理装置群G2、第四处理装置群G4以及第五处理装置群G5内的各处理装置来输送晶圆W。
如图2所示,在第一处理装置群G1中从下侧起将如下装置顺次层叠五级:将规定的液体提供到晶圆W而进行处理的液体处理装置,例如将抗蚀液涂布到晶圆W的抗蚀剂涂布装置20、21、22;以及形成反射防止膜的底部涂布装置23、24,该反射防止膜防止曝光处理时的光反射。在第二处理装置群G2中从下 侧起将液体处理装置、例如将显影液提供到晶圆W而进行显影处理的显影处理装置30~34顺次层叠五级。另外,在第一处理装置群G1与第二处理装置群G2的最下层分别设置有化学室40、41,该化学室40、41用于将各种处理液提供给各处理装置群G1、G2内的液体处理装置。
如图3所示,在第三处理装置群G3中从下侧起将如下装置顺次层叠七级:温度调节装置60;传送装置61;在精确度高的温度管理条件下对晶圆W进行温度调节的高精确度温度调节装置62~64以及缺陷检查装置110、110。如图1所示,在缺陷检查装置110上连接有缺陷分类装置200,该缺陷分类装置200根据由该缺陷检查装置110拍摄得到的检查对象图像对晶圆W的缺陷进行分类。
如图3所示,在第四处理装置群G4中从下侧起将如下装置顺次层叠为十级:高精确度温度调节装置70;对抗蚀剂涂布处理之后的晶圆W进行加热处理的预烘烤装置71~74以及对显影处理后的晶圆W进行加热处理的后烘烤装置75~79。
在第五处理装置群G5中从下侧起将如下装置顺次层叠为十级:对晶圆W进行加热处理的多个加热处理装置、例如高精确度温度调节装置80~83;以及对曝光后的晶圆W进行加热处理的曝光后烘烤装置84~89。
如图1所示,在第一输送装置A1的X方向正方向侧配置有多个处理装置,例如图3所示,从下侧起将如下装置顺次层叠为四级:用于对晶圆W进行疏水化处理的粘附(adhesion)装置90、91;以及对晶圆W进行加热的加热装置92、93。如图1所示,在第二输送装置A2的X方向正方向侧配置有周边曝光装置94,该周边曝光装置94例如选择性地仅对晶圆W边缘部进行曝光。
例如图1所示,在接口站4中设置有在向X方向延伸的输送 路径100上移动的晶圆输送体101以及缓冲盒102。晶圆输送体101能够在Z方向上移动并且还能够在θ方向上旋转,能够进入到与接口站4相邻的曝光装置(未图示)、缓冲盒102以及第五处理装置群G5来输送晶圆W。
接着,说明上述缺陷检查装置110和缺陷分类装置200的结构。
如图4所示,缺陷检查装置110具有壳体111。在壳体111一端侧(图4中的X方向负方向侧),在壳体111的宽度方向上相面对的两面侧分别形成有搬入/搬出晶圆W的搬入/搬出口112。在搬入/搬出口112中分别设置有开闭门113。
如图5所示,在壳体111内设置有载置晶圆W的载置台120。该载置台120利用马达等转动驱动部121而自由地转动、停止,该载置台120具有调节晶圆W的位置的对准功能。在壳体111底面上设置有从壳体111内的一端侧(图5中的X方向负方向侧)向另一端侧(图5中的X方向正方向侧)延伸的导轨122。载置台120和转动驱动部121被设置在导轨122上,例如能够利用脉冲马达等驱动装置123沿着导轨122移动。
在壳体111内的一端侧,将晶圆W搬入/搬出壳体111的位置P1(图5中由实线表示的位置)上设置有暂时支承晶圆W的缓冲臂124。如图6所示,缓冲臂124的前端具有晶圆W的支承部124a。支承部124a例如形成为3/4圆环状。支承部124a的3/4圆环状的直径大于载置台120的直径,在支承部124a内侧能够容纳载置台120。支承部124a的3/4圆环状的缺口部分形成于壳体111内的另一端侧(图6中的X方向正方向侧),载置台120能够不与支承部124a干扰而移动到另一端侧。在支承部124a上设置有多个支承销124b,在该支承销124b上支承晶圆W。缓冲臂124的基部124c例如被安装在缸体等升降驱动部125上,缓冲臂124能够在载置 台120的上下升降。
如图5所示,在壳体111的另一端侧,对晶圆W的切口部的位置进行调整的对准位置P2(图5中由虚线表示的位置)上设置有传感器126,该传感器126对载置台120上的晶圆W的切口部的位置进行检测。一边利用传感器126来检测切口部的位置一边利用转动驱动部121来转动载置台120,由此能够调整晶圆W的切口部的位置。
在壳体111内的另一端侧(图5的X方向正方向侧)的侧面设置有摄像装置130。在摄像装置130中例如使用广角型CCD照相机。在壳体111的上部中央附近设置有半透半反镜131。将半透半反镜131设置在与摄像装置130相面对的位置,设置成从铅垂方向倾斜45度。在半透半反镜131上方设置有能够变更照度的照明装置132,将半透半反镜131和照明装置132固定在壳体111顶面。另外,将摄像装置130、半透半反镜131以及照明装置132分别设置在载置台120所载置的晶圆W上方。并且,来自照明装置132的照明光通过半透半反镜131向下方照射。因而,位于该照射区域内的物体的反射光在半透半反镜131上反射并被取入到摄像装置130中。即,摄像装置130能够拍摄位于照射区域内的物体。并且,将所拍摄得到的晶圆W的检查对象图像输出到缺陷分类装置200。
如图7所示,缺陷分类装置200具有设计单元201和诊断单元202,该设计单元201预先根据缺陷的特征量来设定缺陷的类别,该诊断单元根据由缺陷检查装置110拍摄得到的晶圆W的检查对象图像,将晶圆W的缺陷分类为由设计单元201设定的类别。
设计单元201具有教学用图像输入部210,在拍摄检查对象图像之前对该教学用图像输入部210输入由缺陷检查装置110拍 摄得到的教学用图像。输入无缺陷的晶圆W的图像和有缺陷的晶圆W的图像中的任一个作为教学用图像。
将输入到教学用图像输入部210中的教学用图像输出到设计预处理部211。在设计预处理部211中,晶圆W的教学用图像如图8所示那样被分割成作为检查区域的芯片部C。此外,检查区域并不限于芯片部C的区域,而是能够由用户任意地设定。
如图7所示,设计单元201具有模板存储部212,该模板存储部212存储模仿晶圆W的缺陷的模板(下面称为“缺陷模板”)。在缺陷模板上例如模仿碰伤(擦伤)、微粒、热点、散焦等缺陷作为缺陷模板的缺陷。按照每个芯片部C制作缺陷模板,在模板存储部212中存储有例如图9所示的存在大致圆形的缺陷D的缺陷模板T(图9的(a))、存在细长椭圆形的缺陷D的缺陷模板T(图9的(b))、在芯片部C整个表面上存在缺陷D的缺陷模板T(图9的(c))以及存在多边形的缺陷D的缺陷模板T(图9的(d))。并且,在这些缺陷D上附加缺陷编号,并且在缺陷模板T上附加识别用的编码,在模板存储部212内进行管理。
此外,也可以如图10所示,从检查对象的晶圆W和在其它工序中获取到的晶圆W中的芯片部C的缺陷图像以及无缺陷的芯片部C的图像中仅抽出缺陷模型M,将该缺陷D的图像进行二值化后存储到模板存储部212中来作为缺陷模板T。另外,能够由用户任意地追加缺陷模板T。
在被输入到教学用图像输入部210中的教学用图像为无缺陷的晶圆W的图像N1的情况下,由设计预处理部211分割得到的教学用图像N1被输出到模型生成部213。如图11的(a)所示,在模型生成部213中,能够将教学用图像N1和存储在模板存储部212中的缺陷模板T合成来生成缺陷模型M。任意地选择缺陷模板T的亮度、缺陷D的大小、缺陷D的位置、缺陷D的角度以 及缺陷D的数量等来合成缺陷模型M。另外,如图11的(b)所示,也可以将教学用图像N1和多个缺陷模板T合成来生成缺陷模型M。此外,在模型生成部213中也可以设置用于辅助生成缺陷模型M的软件GUI(Graphical User Interface:图形用户界面)。
如图7所示,由模型生成部213生成的缺陷模型M被输出到第一分类类别设定部214,该第一分类类别设定部214设定缺陷模型M中的缺陷D的类别。在第一类别设定部214中,首先算出缺陷模型M中的缺陷D的特征量。例如算出缺陷D的浓淡、颜色等的特征、纹理等空间的特征或者形状特征(缺陷D的大小、形状、长度、宽度)等几何学特征,作为缺陷D的特征量。然后,对所算出的缺陷D的特征量设定缺陷D的类别。
另外,在输入到教学用图像输入部210中的教学用图像为有缺陷的晶圆W的图像N2的情况下,由设计预处理部211分割得到的教学用图像N2被输出到第二类别设定部215。在第二类别设定部215中,算出教学用图像N2中的缺陷D的特征量,对所算出的缺陷D的特征量设定缺陷D的类别。
由第一类别设定部214与第二类别设定部215设定的缺陷D的特征量以及类别被输出到存储部220。
通过存储部历史记录管理功能单元221,将输出到存储部220的缺陷D的特征量以及类别与图12所示那样的晶圆W所具有的固有信息(后述的标签(Tag)1信息)等相关联并存储到存储部220中。在存储部220中,按照缺陷的每个类别(图12中的类别(Class))来进行管理存储。并且,在各类别中将缺陷D的编号(图12中的数据(Data))、标签1信息、标签2信息以及缺陷D的特征量数据相关联并进行存储。存储晶圆W的ID、晶圆W的批次的ID、处理晶圆W的设备的ID、晶圆W上的层的ID、晶圆W的槽的ID、芯片部C的ID、晶圆W中的芯片部C的位置信息、晶圆W 的处理制程信息以及晶圆W的处理日期和时间等作为标签1信息。另外,存储表示在模型生成部213中生成缺陷模型M时是否使用缺陷模板T的信息(例如如果使用则存储为“0”,如果未使用则存储为“1”)、缺陷模板T的识别编码以及合成条件(缺陷模板T的亮度、缺陷D的角度、缺陷D的位置等)等作为标签2信息。这样通过对各缺陷D的类别关联附加信息并进行存储,由此能够容易地搜索/抽出附加的该数据的历史记录,能够对存储在存储部220中的学习历史记录进行管理。此外,在存储部220中能够确保充分的数据存储区域的情况下,能够保存缺陷模型M、教学用图像N1、N2。另外,也可以在设计单元201中设置多个存储部220。
另外,在存储部220中,通过图7示出的存储部检查功能单元222来能够检查是否对于同一缺陷D的特征量存储了不同的类别。并且,如图13所示,在对于同一缺陷D的特征量保存有不同的类别的情况下,将该情形通知给用户,用户能够选择是否删除某一个类别或者删除这两个类别。通过该功能,能够对于一个缺陷D的特征量将一个类别存储到存储部220,能够适当地分类缺陷D。
如图7所示,诊断单元220具有检查对象图像输入部230,将由缺陷检查装置110拍摄得到的晶圆W的检查对象图像输入到该检查对象图像输入部230。
将输入到检查对象图像输入部230的检查对象图像输出到预处理部231。在预处理部231中,与图8示出的设计预处理部211中的分割处理同样地,按照作为检查区域的每个芯片部C来分割晶圆W的检查对象图像E。
如图7所示,将由预处理部231分割得到的检查对象图像E输出到特征量算出部232。在特征量算出部232中分别算出检查 对象图像E的每个芯片部C的缺陷D的特征量。算出与在存储部220中所存储的特征量相同的参数作为缺陷D的特征量,例如算出缺陷D的浓淡、颜色等的特征、纹理等空间的特征或者形状特征等几何学特征。
将由特征量算出部232算出的缺陷D的特征量输出到分类部233,该分类部233按照类别对该缺陷D进行分类。在分类部233中,利用存储在存储部220中的缺陷D的特征量与类别的关系,使用学习型分类方法将缺陷分类为类别。作为学习型分类方法,例如使用神经网络、k-NN(k-Nearest Neighbar:k-紧邻分析法)、TFC(Test Feature Classifier:测试特征分类法)等方法。此外,为了使这种学习分类方法与存储部220的数据对应,在设计单元201中存储有学习/训练部223。在学习/训练部223中,例如考虑学习效率(计算时间、分类制度)来进行存储部220内的特征量数据的“选取/抽出”、“加权系数的最优化”、“删除无用数据”等。另外,在存储部220存在多个的情况下,进行其切换/选择。
诊断单元202具有后处理部234,该后处理部234使多个类别与单一类目对应。在后处理部234中,在例如存在由分类部233分类得到的类别过于细分等问题的情况下,根据上述类别与类目的对应,将缺陷D分类为类目。例如在缺陷D的类别为Class3~6的情况下,将缺陷分类为类目Category1。
诊断单元202具有确认部235,在该确认部235中用户能够适时确认由分类部233分类得到的类别或者由后处理部234分类得到的类目是否适当。在确认部235中,在用户判断为缺陷D的类别或者类目为错误分类的情况下,将该缺陷D的特征量输出到设计单元201的类别校正部224。然后,在类别校正部224中设定正确的类别,将其结果输出到存储部220,从而校正存储部220 内的类别。
诊断部202具有报告部236,该报告部236使已分类的缺陷D在晶圆W上可视化来进行报告。在报告部236中,如图14的(a)所示那样显示晶圆W上的每个芯片部C的缺陷D的类别,并且如图14的(b)所示那样显示缺陷D的类别(图14的(b)中的分类结果)与特征量的对应表。
此外,具备设计单元201和诊断单元202的缺陷分类装置200例如是计算机,具有用于执行上述晶圆W的缺陷分类的程序。上述程序例如被存储在硬盘(HD)、光盘(CD)、磁光盘(MO)以及存储卡等计算机可读取的存储介质中,也可以从该存储介质将程序安装到缺陷分类装置200。
接着,与在涂布显影处理系统1整体中进行的晶圆处理的过程一起说明在如上所述构成的缺陷检查装置110中进行的晶圆W的缺陷的检查以及在缺陷分类装置200中进行的晶圆W的缺陷的分类。
首先,由晶圆输送体7从盒载置台5上的晶圆盒C内取出一个晶圆W并输送到第三处理装置群G3的温度调节装置60。将输送到温度调节装置60的晶圆W进行温度调节使其达到规定温度,之后,利用第一输送臂10输送到底部涂布装置23,形成反射防止膜。利用第一输送臂10将形成反射防止膜的晶圆W依次输送到加热装置92、高精确度温度调节装置70,在各装置中实施规定处理。之后,将晶圆W输送到抗蚀剂涂布装置20。
当在抗蚀剂涂布装置20中在晶圆W上形成了抗蚀膜时,利用第一输送臂10将晶圆W输送到预烘烤装置71,接着利用第二输送臂11依次输送到周边曝光装置94、高精确度温度调节装置83,在各装置中实施规定处理。之后,利用接口站4的晶圆输送体101输送到曝光装置(未图示),在晶圆W上的抗蚀膜上进行曝 光以形成规定图案。利用晶圆输送体101将结束曝光处理后的晶圆W输送到曝光后烘烤装置84,实施规定处理。
当曝光后烘烤装置84中的加热处理结束时,利用第二输送臂11将晶圆W输送到高精确度温度调节装置81而进行温度调节,之后输送到显影处理装置30,在晶圆W上实施显影处理,在抗蚀膜上形成图案。之后利用第二输送臂11将晶圆W输送到后烘烤装置75来实施加热处理,之后,输送到高精确度温度调节装置63而进行温度调节。然后,利用第一输送臂10将晶圆W输送到缺陷检查装置110,对晶圆W进行缺陷检查。后面详细说明该缺陷检查。之后利用第一输送臂10将晶圆W输送到传送装置61,利用晶圆输送体71返回到晶圆盒C,由此结束一系列光刻工序。
接着,说明缺陷检查装置110中的晶圆W的缺陷的检查方法以及缺陷分类装置200中的晶圆W的缺陷的分类方法。
首先,将利用第一输送臂10输送到壳体111内的晶圆W载置在载置台120上。然后,使载置台120向摄像装置130侧移动,并且在晶圆W通过半透半反镜131下方时从照明装置132对晶圆W照射规定照度的照明光。这样,一边对晶圆W照射照明光,一边由摄像装置130拍摄晶圆W的图像。将拍摄得到的晶圆W的检查对象图像E输出到缺陷分类装置200的检查对象图像输入部230。此外,被拍摄了检查对象图像E的晶圆W移动到搬入/搬出口112之后,将晶圆W从缓冲臂124传送到晶圆输送体7,由该晶圆输送体7从缺陷检查装置110搬出晶圆W。
将输入到检查对象图像输入部230的晶圆W的检查对象图像E输出到预处理部231并分割为各芯片部C。然后,将分割后的检查对象图像E输出到特征量算出部232,从检查对象图像E算出缺陷D的特征量。
将由特征量算出部232算出的检查对象图像E的缺陷D的特征量输出到分类部233。在分类部233中,使用学习型分类方法来对缺陷进行分类。在本实施方式中,说明使用k-NN(k-NearestNeighbar)方法作为学习型分类方法的情况。该k-NN方法是指,针对从特征量算出部232输入的缺陷D的特征量,输出在特征量空间上与预先保存在存储部220中的缺陷D的特征量数据相比最类似(距离近)的特征量数据、即最接近(nearest-neighbar)的特征量数据所属的类别。也就是说,通过增加最接近的定义(k值),根据类似的特征量数据的前k个特征量数据所属的类别的频率分布来输出更适合的类别。
具体说明分类部233中的分类方法,首先算出来自特征量算出部232的缺陷D的特征量和存储部220内的所有特征量数据的偏差平方和(距离)。接着,将所算出的距离数据从小到大进行排序。抽出所排序的距离数据中的前k个数据。找出所抽出的数据的频率分布中频率最高的类别。然后,输出该类别作为缺陷D的分类结果。
在这样由分类部233分类得到的类别是在晶圆W的所有芯片部C中能够直接使用的类别的情况下,将该类别输出到报告部236中。然后,在报告部236中,如图14的(a)所示那样显示晶圆W上的每个芯片部C的缺陷D的类别,并且如图14的(b)所示那样显示缺陷D的类别与特征量的对应表。
另一方面,在由分类部233分类得到的类别例如存在过于细分等问题的情况下,在后处理部234中,根据上述类别与类目的对应关系,将缺陷D分类为类目。例如在缺陷D的类别为Class3~6的情况下,将缺陷D分类为类目Category1。然后,将该类目输出到报告部236,在晶圆W上使每个芯片部C的类目可视化。
此外,在该确认部235中用户能够适时确认由分类部233分类得到的类别或者由后处理部234分类得到的类目是否适当。在确认部235中,在用户判断为缺陷D的类别或者类目为错误分类的情况下,将该缺陷D的特征量输出到设计单元201的类别校正部224。然后,在类别校正部224中设定正确的类别,将其结果输出到存储部220。由此校正存储部220内的类别。
根据上述实施方式,预先制作缺陷模板T并存储到模板存储部212,在模型生成部213中将缺陷模板T和无缺陷的教学用图像N 1合成来生成缺陷模型M,因此能够将上述缺陷模型M用作以往的学习型分类方法中的缺陷图像。并且,在第一类别设定部214中算出缺陷模型M中的缺陷D的特征量,对该缺陷D的特征量设定缺陷D的类别,能够将缺陷D的特征量和缺陷D的类别存储到存储部220。因而,即使在没有缺陷图像的情况或者只有少数缺陷图像的情况下,也能够使用存储在存储部220中的缺陷D的特征量与缺陷D的类别的关系,根据由特征量算出部232算出的晶圆W的缺陷D的特征量,适当地对晶圆W的缺陷D进行分类。
另外,在设计预处理部211中,将输入到教学用图像输入部210的图像分割为作为检查区域的芯片部C,因此能够进一步细分晶圆W的缺陷D来适当地进行分类。
另外,在存储部220中,通过存储部历史记录管理功能单元221,将缺陷D的特征量以及类别与晶圆W所具有的固有信息(上述标签1信息)等相关联,因此能够根据类别容易地搜索/抽出晶圆W的信息,能够对在存储部220中所存储的学习的历史记录进行管理。
另外,在存储部220中,能够利用存储部检查功能单元222来检查是否对于同一缺陷D的特征量存储了不同的类别。并且, 在对于同一缺陷D的特征量却将该缺陷D设定为不同的类别的情况下,能够删除某一个类别或者删除两个类别,因此能够对于一个缺陷D的特征量将一个类别存储到存储部220中,能够适当地分类缺陷D。
另外,在输入到教学用图像输入部210的教学用图像为存在缺陷的晶圆W的图像N1的情况下,在第二类别设定部215中算出教学用图像N1中的缺陷D的特征量,对所算出的缺陷D的特征量设定缺陷D的类别,因此还能够将上述缺陷D的特征量与类别的关系存储到存储部220。由此,能够增加存储在存储部220中的缺陷D的特征量与类别的关系,并且输入实际的缺陷数据,因此能够提高其精确度。
另外,在后处理部234中,使多个类别与单一类目对应,因此例如即使存在由分类部233分类得到的类别过于细分等问题的情况下,也能够将缺陷分类为适当的类目。
另外,在确认部235中,用户能够适时确认由分类部233分类得到的类别或者由后处理部234分类得到的类目是否适当,因此能够防止对缺陷D的错误分类。并且在判断为类别或者类目为错误分类的情况下,在类别校正部224中校正对于该缺陷D的特征量的类别,因此能够进一步提高存储部220内的类别的精确度。
在上述实施方式中,将输入到教学用图像输入部210的教学用图像N 1、N2和输入到检查对象图像输入部230的检查对象图像E分别分割为芯片部C,但是也可以不分割这些教学用图像N1、N2和检查对象图像E而对晶圆W整体的缺陷D进行分类。在这种情况下,如图15所示那样能够省略设计预处理部211和预处理部231中的分割处理。并且,例如图16所示,能够将在晶圆W的上半部分存在缺陷的缺陷模板T(图16的(a))、在晶圆W的右 上1/4部分存在缺陷的缺陷模板T(图16的(b))、在晶圆W的边缘部存在环状缺陷的缺陷模板T(图16的(c))、在晶圆W的上半部分的边缘部上等间隔地存在多个缺陷的缺陷模板T(图16的(d))等用作存储在模板存储部212中的缺陷模板T。在这种情况下,能够通过与上述缺陷分类方法相同的方法来对晶圆W整体的缺陷D进行分类。
以上,参照附图来说明了本发明的优选实施方式,但是本发明并不限定于上述示例。本领域技术人员在权利要求书的范围中记载的思想范畴内能够想到各种变更例或者修改例是显而易见的,这些例当然也属于本发明的保护范围。本发明并不限于该例,可采用各种方式。本发明还能够应用于基板为除晶圆以外的FPD(平板显示器)、光掩模用的掩模(mask reticle)等其它基板的情况。
产业上的可利用性
本发明适用于根据拍摄得到的基板图像来对该基板的缺陷进行分类。
Claims (16)
1.一种缺陷分类方法,根据拍摄得到的基板的检查对象图像来对该基板的缺陷进行分类,该缺陷分类方法的特征在于,具有以下工序:
设计工序,根据缺陷的特征量来设定缺陷的类别,将上述缺陷的特征量与上述类别的关系存储到存储部内;
特征量算出工序,根据拍摄得到的上述基板的检查对象图像算出该基板的缺陷的特征量;以及
分类工序,根据所算出的上述缺陷的特征量,利用在上述存储部内所存储的上述缺陷的特征量与上述类别的关系,将上述基板的缺陷分类为上述类别,
其中,上述设计工序具有以下工序:
第一工序,制作多个缺陷模板;
第二工序,将无缺陷的基板的教学用图像和上述缺陷模板合成来生成缺陷模型;
第三工序,算出上述缺陷模型中的缺陷的特征量;
第四工序,对上述缺陷模型中的缺陷的特征量设定缺陷的类别;以及
第五工序,将上述缺陷的特征量与上述类别的关系存储到上述存储部。
2.根据权利要求1所述的缺陷分类方法,其特征在于,
在上述第二工序中,将上述无缺陷的基板的教学用图像和多个上述缺陷模板合成来生成上述缺陷模型。
3.根据权利要求1所述的缺陷分类方法,其特征在于,
在上述设计工序中,使上述存储部内的上述缺陷的特征量和上述类别与上述基板所具有的固有信息相关联。
4.根据权利要求1所述的缺陷分类方法,其特征在于,
在上述设计工序中,在对于相同的上述缺陷的特征量却将该缺陷设定为不同的两个类别的情况下,删除某一类别或者删除这两个类别。
5.根据权利要求1所述的缺陷分类方法,其特征在于,
在上述设计工序中,在存在具有缺陷的基板的教学用图像的情况下,
根据上述教学用图像算出缺陷的特征量,
对上述教学用图像中的缺陷的特征量设定缺陷的类别,
还将上述缺陷的特征量与上述类别的关系存储到上述存储部。
6.根据权利要求1所述的缺陷分类方法,其特征在于,
上述基板被分割为多个检查区域,
在上述特征量算出工序中算出上述各检查区域的缺陷的特征量,
在上述分类工序中将上述各检查区域分类为上述类别。
7.根据权利要求1所述的缺陷分类方法,其特征在于,
在上述分类工序之后,确认上述基板的缺陷的上述类别,在判断为该类别为错误分类的情况下,校正上述存储部内的上述缺陷的特征量与上述类别的关系。
8.根据权利要求1所述的缺陷分类方法,其特征在于,
在上述分类工序之后,根据预先确定的多个类别与单一类目的关系,将上述基板的缺陷分类为上述类目。
9.一种缺陷分类装置,根据拍摄得到的基板的检查对象图像来对该基板的缺陷进行分类,该缺陷分类装置的特征在于,具有:
设计单元,其根据缺陷的特征量来设定缺陷的类别;以及
诊断单元,其根据拍摄得到的上述基板的检查对象图像将该基板的缺陷分类为由上述设计单元设定的上述类别,
其中,上述设计单元具有:
模板存储部,其存储有多个缺陷模板;
模型生成部,其将无缺陷的基板的教学用图像和上述缺陷模板合成来生成缺陷模型;
类别设定部,其算出上述缺陷模型中的缺陷的特征量,对该缺陷的特征量设定缺陷的类别;以及
存储部,其存储上述缺陷的特征量与上述类别的关系,
上述诊断单元具有:
特征量算出部,其根据拍摄得到的上述基板的检查对象图像算出该基板的缺陷的特征量;以及
分类部,其根据所算出的上述缺陷的特征量,利用在上述存储部内所存储的上述缺陷的特征量与上述类别的关系,将上述基板的缺陷分类为上述类别。
10.根据权利要求9所述的缺陷分类装置,其特征在于,
上述模型生成部将无缺陷的基板的教学用图像和多个上述缺陷模板合成来生成缺陷模型。
11.根据权利要求9所述的缺陷分类装置,其特征在于,
上述设计单元具有存储部历史记录管理功能,该存储部历史记录管理功能使上述存储部内的上述特征量的数据和上述类别与上述基板所具有的固有信息关联而进行存储。
12.根据权利要求9所述的缺陷分类装置,其特征在于,
上述设计单元具有存储部检查功能,在上述存储部内对于相同的上述缺陷的特征量却将该缺陷设定为不同的两个类别的情况下,该存储部检查功能删除某一类别或者删除这两个类别。
13.根据权利要求9所述的缺陷分类装置,其特征在于,
上述设计单元具有其它类别设定部,该其它类别设定部根据存在缺陷的基板的教学用图像算出缺陷的特征量,对该缺陷的特征量设定缺陷的类别,
将上述缺陷的特征量与上述类别的关系存储到上述存储部。
14.根据权利要求9所述的缺陷分类装置,其特征在于,
上述诊断单元具有预处理部,该预处理部将上述基板分割为多个检查区域,
上述特征量算出部算出上述各检查区域的缺陷的特征量,
上述分类部将上述各检查区域的缺陷分类为上述类别。
15.根据权利要求9所述的缺陷分类装置,其特征在于,
上述诊断单元具有确认部,该确认部确认由上述分类部分类的基板的缺陷的上述类别,
在上述确认部中判断为上述类别为错误分类的情况下,校正上述存储部内的上述缺陷的特征量与上述类别的关系。
16.根据权利要求9所述的缺陷分类装置,其特征在于,
上述诊断单元具有后处理部,该后处理部使多个类别与单一类目具有对应关系,
上述后处理部根据上述对应关系将上述基板的缺陷分类为多个类目。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2008-082740 | 2008-03-27 | ||
JP2008082740A JP5156452B2 (ja) | 2008-03-27 | 2008-03-27 | 欠陥分類方法、プログラム、コンピュータ記憶媒体及び欠陥分類装置 |
PCT/JP2009/054646 WO2009119314A1 (ja) | 2008-03-27 | 2009-03-11 | 欠陥分類方法、コンピュータ記憶媒体及び欠陥分類装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101981683A CN101981683A (zh) | 2011-02-23 |
CN101981683B true CN101981683B (zh) | 2012-09-19 |
Family
ID=41113512
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2009801111102A Active CN101981683B (zh) | 2008-03-27 | 2009-03-11 | 缺陷分类方法以及缺陷分类装置 |
Country Status (6)
Country | Link |
---|---|
US (1) | US8379965B2 (zh) |
JP (1) | JP5156452B2 (zh) |
KR (1) | KR101396907B1 (zh) |
CN (1) | CN101981683B (zh) |
TW (1) | TWI476847B (zh) |
WO (1) | WO2009119314A1 (zh) |
Families Citing this family (45)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012026982A (ja) * | 2010-07-27 | 2012-02-09 | Panasonic Electric Works Sunx Co Ltd | 検査装置 |
JP5566265B2 (ja) | 2010-11-09 | 2014-08-06 | 東京エレクトロン株式会社 | 基板処理装置、プログラム、コンピュータ記憶媒体及び基板の搬送方法 |
JP5719760B2 (ja) * | 2011-12-28 | 2015-05-20 | 株式会社日立ハイテクノロジーズ | 欠陥分類装置 |
US9405289B2 (en) * | 2012-12-06 | 2016-08-02 | Tokyo Electron Limited | Method and apparatus for autonomous identification of particle contamination due to isolated process events and systematic trends |
JP5764592B2 (ja) * | 2013-02-22 | 2015-08-19 | 東京エレクトロン株式会社 | 基板処理装置、基板処理装置の監視装置及び基板処理装置の監視方法 |
DE102013109915B4 (de) * | 2013-09-10 | 2015-04-02 | Thyssenkrupp Steel Europe Ag | Verfahren und Vorrichtung zur Überprüfung eines Inspektionssystems zur Erkennung von Oberflächendefekten |
KR101924487B1 (ko) * | 2013-12-17 | 2018-12-03 | 에이에스엠엘 네델란즈 비.브이. | 수율 추산 및 제어 |
US9613411B2 (en) * | 2014-03-17 | 2017-04-04 | Kla-Tencor Corp. | Creating defect classifiers and nuisance filters |
CN107408297B (zh) * | 2014-11-24 | 2021-02-02 | 基托夫系统有限公司 | 自动检查 |
US10650508B2 (en) | 2014-12-03 | 2020-05-12 | Kla-Tencor Corporation | Automatic defect classification without sampling and feature selection |
KR101733018B1 (ko) * | 2015-02-25 | 2017-05-24 | 동우 화인켐 주식회사 | 광학 필름의 불량 검출 장치 및 방법 |
JP6244329B2 (ja) * | 2015-05-12 | 2017-12-06 | 東京エレクトロン株式会社 | 基板の検査方法、基板処理システム及びコンピュータ記憶媒体 |
WO2017024065A1 (en) * | 2015-08-05 | 2017-02-09 | Kla-Tencor Corporation | Range-based real-time scanning electron microscope non-visual binner |
JP2017049974A (ja) * | 2015-09-04 | 2017-03-09 | キヤノン株式会社 | 識別器生成装置、良否判定方法、およびプログラム |
WO2017134772A1 (ja) * | 2016-02-03 | 2017-08-10 | 東芝三菱電機産業システム株式会社 | 製造設備診断支援装置及び製造設備診断支援方法 |
US10810733B2 (en) * | 2016-05-24 | 2020-10-20 | Hitachi High-Tech Corporation | Defect classification apparatus and defect classification method |
US10402688B2 (en) * | 2016-12-07 | 2019-09-03 | Kla-Tencor Corporation | Data augmentation for convolutional neural network-based defect inspection |
US10395362B2 (en) * | 2017-04-07 | 2019-08-27 | Kla-Tencor Corp. | Contour based defect detection |
US10713534B2 (en) * | 2017-09-01 | 2020-07-14 | Kla-Tencor Corp. | Training a learning based defect classifier |
CN107729635B (zh) * | 2017-09-30 | 2018-12-21 | 英特尔产品(成都)有限公司 | 半导体芯片合格性检查方法及装置 |
CN109685756A (zh) * | 2017-10-16 | 2019-04-26 | 乐达创意科技有限公司 | 影像特征自动辨识装置、系统及方法 |
CN107729540B (zh) * | 2017-10-31 | 2021-04-16 | 努比亚技术有限公司 | 照片分类的方法、设备及计算机可存储介质 |
JP6936957B2 (ja) * | 2017-11-07 | 2021-09-22 | オムロン株式会社 | 検査装置、データ生成装置、データ生成方法及びデータ生成プログラム |
JP7087397B2 (ja) | 2018-01-17 | 2022-06-21 | 東京エレクトロン株式会社 | 基板の欠陥検査装置、基板の欠陥検査方法及び記憶媒体 |
CN108734700B (zh) * | 2018-04-24 | 2021-06-11 | 信利(惠州)智能显示有限公司 | 基板盲区缺陷检测方法、装置、计算机和存储介质 |
US10922833B2 (en) * | 2018-05-15 | 2021-02-16 | Apical Ltd. | Image processing |
CN108765389A (zh) * | 2018-05-18 | 2018-11-06 | 浙江大学 | 一种微观晶圆表面缺陷图像检测方法 |
JP2020027424A (ja) * | 2018-08-10 | 2020-02-20 | 東京エレクトロンデバイス株式会社 | 学習データ生成装置、判別モデル生成装置、及びプログラム |
JP7105135B2 (ja) * | 2018-08-17 | 2022-07-22 | 東京エレクトロン株式会社 | 処理条件補正方法及び基板処理システム |
CN109596638B (zh) * | 2018-10-26 | 2022-05-06 | 中国科学院光电研究院 | 有图形晶圆及掩模版的缺陷检测方法及装置 |
CN109543720B (zh) * | 2018-10-30 | 2023-10-27 | 东华大学 | 一种基于对抗生成网络的晶圆图缺陷模式识别方法 |
WO2020095909A1 (ja) * | 2018-11-07 | 2020-05-14 | 株式会社 東芝 | 画像処理装置、画像処理方法及びプログラム |
CN113366390B (zh) * | 2019-01-29 | 2024-02-20 | Asml荷兰有限公司 | 半导体制造过程中的决定方法 |
JP7166189B2 (ja) | 2019-02-15 | 2022-11-07 | 東京エレクトロン株式会社 | 画像生成装置、検査装置及び画像生成方法 |
CN113490844A (zh) * | 2019-02-21 | 2021-10-08 | Fk光学研究所股份有限公司 | 异物检查装置及异物检查方法 |
JP7194613B2 (ja) * | 2019-02-28 | 2022-12-22 | デンカ株式会社 | 基板の製造方法 |
JP7195977B2 (ja) * | 2019-02-28 | 2022-12-26 | デンカ株式会社 | 基板検査装置、基板検査方法、およびプログラム |
CN110210535B (zh) * | 2019-05-21 | 2021-09-10 | 北京市商汤科技开发有限公司 | 神经网络训练方法及装置以及图像处理方法及装置 |
JP7390851B2 (ja) * | 2019-10-18 | 2023-12-04 | 株式会社日立ハイテク | 欠陥分類装置、欠陥分類プログラム |
KR20210057518A (ko) * | 2019-11-12 | 2021-05-21 | 라온피플 주식회사 | 불량 이미지 생성 장치 및 방법 |
KR102486230B1 (ko) * | 2020-03-20 | 2023-01-10 | 라온피플 주식회사 | 딥러닝을 이용한 신규 제품의 품질 검사 방법 및 시스템 |
JP7442939B2 (ja) | 2020-07-02 | 2024-03-05 | 株式会社ディスコ | ウエーハの検査方法 |
CN111912897A (zh) * | 2020-08-11 | 2020-11-10 | 中国石油大学(北京) | 一种管道缺陷信息获取方法、装置、设备及存储介质 |
KR102542505B1 (ko) | 2020-11-17 | 2023-06-13 | (주)자비스 | 학습데이터 생성 방법, 장치, 프로그램 및 이를 이용한 이물질 검출 방법 |
KR102632831B1 (ko) * | 2023-06-16 | 2024-02-06 | 주식회사 애플티 | 웨이퍼 불량 검출을 위한 ai 시스템 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1339140A (zh) * | 1999-11-29 | 2002-03-06 | 奥林巴斯光学工业株式会社 | 缺陷检查系统 |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6092059A (en) * | 1996-12-27 | 2000-07-18 | Cognex Corporation | Automatic classifier for real time inspection and classification |
TW577995B (en) | 2001-05-11 | 2004-03-01 | Orbotech Ltd | An image searching defect detector |
US7127099B2 (en) * | 2001-05-11 | 2006-10-24 | Orbotech Ltd. | Image searching defect detector |
JP4516253B2 (ja) * | 2001-12-04 | 2010-08-04 | オリンパス株式会社 | 欠陥分類装置 |
JP4154156B2 (ja) * | 2002-02-08 | 2008-09-24 | ソニーマニュファクチュアリングシステムズ株式会社 | 欠陥分類検査装置 |
JP3978098B2 (ja) * | 2002-08-12 | 2007-09-19 | 株式会社日立製作所 | 欠陥分類方法及びその装置 |
JP4253522B2 (ja) * | 2003-03-28 | 2009-04-15 | 株式会社日立ハイテクノロジーズ | 欠陥分類方法及び装置 |
CN100371939C (zh) * | 2003-08-27 | 2008-02-27 | 上海宏力半导体制造有限公司 | 在缺陷管理系统中使用的方法 |
KR100574648B1 (ko) * | 2003-09-25 | 2006-04-27 | 동부일렉트로닉스 주식회사 | 결함 유형 분류 방법 및 시스템 |
KR100567896B1 (ko) * | 2003-12-29 | 2006-04-04 | 동부아남반도체 주식회사 | 자동 결함 분류 방법 |
JP4418272B2 (ja) * | 2004-03-24 | 2010-02-17 | オリンパス株式会社 | 欠陥分類辞書教示装置 |
JP2007240519A (ja) | 2006-02-08 | 2007-09-20 | Tokyo Electron Ltd | 欠陥検査方法、欠陥検査装置及びコンピュータプログラム |
-
2008
- 2008-03-27 JP JP2008082740A patent/JP5156452B2/ja active Active
-
2009
- 2009-03-11 US US12/736,204 patent/US8379965B2/en active Active
- 2009-03-11 WO PCT/JP2009/054646 patent/WO2009119314A1/ja active Application Filing
- 2009-03-11 CN CN2009801111102A patent/CN101981683B/zh active Active
- 2009-03-11 KR KR1020107023895A patent/KR101396907B1/ko active IP Right Grant
- 2009-03-26 TW TW098109955A patent/TWI476847B/zh active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1339140A (zh) * | 1999-11-29 | 2002-03-06 | 奥林巴斯光学工业株式会社 | 缺陷检查系统 |
Also Published As
Publication number | Publication date |
---|---|
JP2009238992A (ja) | 2009-10-15 |
KR101396907B1 (ko) | 2014-05-19 |
CN101981683A (zh) | 2011-02-23 |
TWI476847B (zh) | 2015-03-11 |
TW200947580A (en) | 2009-11-16 |
WO2009119314A1 (ja) | 2009-10-01 |
JP5156452B2 (ja) | 2013-03-06 |
US8379965B2 (en) | 2013-02-19 |
US20110007961A1 (en) | 2011-01-13 |
KR20100135846A (ko) | 2010-12-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101981683B (zh) | 缺陷分类方法以及缺陷分类装置 | |
TWI751376B (zh) | 識別在一晶圓上偵測到之缺陷中之損害及所關注缺陷 | |
CN113302728B (zh) | 利用自动产生缺陷特征检验半导体结构的方法及系统 | |
CN106463428B (zh) | 用于使用近场恢复进行的光罩检验的系统和方法 | |
TWI603409B (zh) | 用於半導體檢查處方創建、缺陷檢閱及計量之適應性取樣 | |
TWI614570B (zh) | 用於檢測試樣之方法及檢測系統 | |
TWI606235B (zh) | 用於檢測一光微影光罩之方法、檢測系統及電腦可讀媒體 | |
WO2019183153A1 (en) | Training a machine learning model with synthetic images | |
US10074036B2 (en) | Critical dimension uniformity enhancement techniques and apparatus | |
CN113763312B (zh) | 使用弱标记检测半导体试样中的缺陷 | |
KR20190128745A (ko) | 컨투어 기반 결함 검출 | |
US7643668B2 (en) | Workpiece inspection apparatus, workpiece inspection method and computer-readable recording medium storing program | |
CN111696077A (zh) | 一种基于WaferDet网络的晶圆缺陷检测方法 | |
CN106415807A (zh) | 使用高分辨率全裸片图像数据进行检验 | |
US11961219B2 (en) | Generative adversarial networks (GANs) for simulating specimen images | |
CN101990636A (zh) | 表面检查方法和表面检查装置 | |
US11328410B2 (en) | Deep generative models for optical or other mode selection | |
WO2019219826A1 (en) | Method and apparatus for evaluating an unknown effect of defects of an element of a photolithography process | |
JP2020136368A (ja) | 画像生成装置、検査装置及び画像生成方法 | |
WO2022235494A1 (en) | Deep generative model-based alignment for semiconductor applications | |
CN113592962A (zh) | 基于机器视觉的批量硅片标识识别方法 | |
CN113406112A (zh) | 透明基板薄膜的瑕疵检测方法及其系统 | |
CN109919907A (zh) | 发光二极管外延片缺陷检测的方法和装置 | |
TW202323807A (zh) | 用於玻璃導通孔缺陷檢驗的電腦架構 | |
Ullas et al. | Automated Quality Inspection of Printed Circuit Board |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |