CN103502801A - 缺陷分类方法以及缺陷分类系统 - Google Patents

缺陷分类方法以及缺陷分类系统 Download PDF

Info

Publication number
CN103502801A
CN103502801A CN201280019470.1A CN201280019470A CN103502801A CN 103502801 A CN103502801 A CN 103502801A CN 201280019470 A CN201280019470 A CN 201280019470A CN 103502801 A CN103502801 A CN 103502801A
Authority
CN
China
Prior art keywords
image
classification
defect
mentioned
processing procedure
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.)
Granted
Application number
CN201280019470.1A
Other languages
English (en)
Other versions
CN103502801B (zh
Inventor
岭川阳平
高木裕治
原田实
平井大博
中垣亮
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hitachi Ltd
Hitachi High Tech Corp
Original Assignee
Hitachi Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hitachi Ltd filed Critical Hitachi Ltd
Publication of CN103502801A publication Critical patent/CN103502801A/zh
Application granted granted Critical
Publication of CN103502801B publication Critical patent/CN103502801B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
    • G01N23/22—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material
    • G01N23/225—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material using electron or ion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • 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
    • G01N2223/00—Investigating materials by wave or particle radiation
    • G01N2223/40—Imaging
    • G01N2223/421—Imaging digitised image, analysed in real time (recognition algorithms)
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2223/00—Investigating materials by wave or particle radiation
    • G01N2223/60—Specific applications or type of materials
    • G01N2223/611—Specific applications or type of materials patterned objects; electronic devices
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2223/00—Investigating materials by wave or particle radiation
    • G01N2223/60—Specific applications or type of materials
    • G01N2223/646—Specific applications or type of materials flaws, defects
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10056—Microscopic image
    • G06T2207/10061—Microscopic image from scanning electron microscope
    • 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
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
    • H01L22/10—Measuring as part of the manufacturing process
    • H01L22/12—Measuring as part of the manufacturing process for structural parameters, e.g. thickness, line width, refractive index, temperature, warp, bond strength, defects, optical inspection, electrical measurement of structural dimensions, metallurgic measurement of diffusions
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
    • H01L22/20—Sequence of activities consisting of a plurality of measurements, corrections, marking or sorting steps
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L2924/00—Indexing scheme for arrangements or methods for connecting or disconnecting semiconductor or solid-state bodies as covered by H01L24/00
    • H01L2924/0001—Technical content checked by a classifier
    • H01L2924/0002—Not covered by any one of groups H01L24/00, H01L24/00 and H01L2224/00

Landscapes

  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Quality & Reliability (AREA)
  • Pathology (AREA)
  • Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biochemistry (AREA)
  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)
  • Analysing Materials By The Use Of Radiation (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

在自动缺陷分类功能中，由于对于每个装置适当的处理参数不同，因此需要按照每个缺陷观察装置来设定分类制程程序。在相同工序中运用多个装置的情况下，需要分类制程程序内的分类类相同。在重新制作分类制程程序等时候存在对于每个装置在分类类中产生差异这种问题。缺陷分类系统具备：保存分类制程程序的(214)；信息确定部(210)，其确定分类制程程序以及所保存的图像的工序、装置信息；对应缺陷确定部(209)，其从在相同工序中从不同的图像拍摄装置得到的图像中确定相同种类的缺陷图像；图像变换部(212)，其对在相同工序中从不同的图像拍摄装置得到的图像进行变换，变换为能够比较的类似的图像；以及制程程序更新部(211)，其将确定出的相同种类的缺陷图像登记到各自对应的分类制程程序内的分类类中。

Description

缺陷分类方法以及缺陷分类系统
技术领域
本发明涉及一种对半导体晶片（wafer）上的缺陷等进行分类的缺陷分类方法以及缺陷分类系统。
背景技术
在半导体的制造工艺中，为了提高成品率，尽快探明半导体晶片上产生缺陷的原因变得很重要。当前，在半导体制造现场，使用缺陷检查装置和缺陷观察装置进行缺陷的分析。
缺陷检查装置是使用光学方法或者电子束来观测晶片而输出检测出的缺陷的位置坐标的装置。对于缺陷检查装置而言，能高速地处理大范围十分重要，因此尽可能增加所获取到的图像的像素尺寸(即低分辨率化)来消减图像数据量，在很多情况下，即使从检测出的低分辨率图像中能够确认缺陷的存在，也很难详细地辨别该缺陷的种类(缺陷种类)。
因此，在缺陷种类的辨别中使用缺陷观察装置。缺陷观察装置是使用缺陷检查装置的输出信息而以高分辨率拍摄晶片的缺陷坐标并输出图像的装置。半导体制造工艺的精细化进步，随之缺陷尺寸也有时达到几十nm的等级，为了详细地观察缺陷，需要几nm等级的分辨率。
因此，近年来，广泛应用着使用了扫描型电子显微镜(SEM：ScanningElectron Microscope)的缺陷观察装置(Review SEM：复查扫描电子显微镜)。Review SEM具有使用由缺陷检查装置输出的缺陷坐标来自动收集晶片上的缺陷的高分辨率图像(缺陷图像)的ADR(Automatic Defect Review：自动缺陷复检)功能。
近年来，Review SEM的ADR的吞吐量正在提高，因此期望从收集到的大量的缺陷图像中辨别缺陷种类的作业成为自动化。Review SEM搭载了从缺陷图像中自动地辨别与分类缺陷种类的ADC(Automatic Defect Classification：自动缺陷分类)功能。
作为按照每个缺陷种类对缺陷图像进行自动分类的方法，例如在专利文献1中记载了如下方法：对缺陷图像进行图像处理而使缺陷部位的外观特征量定量化，使用神经网络进行分类。另外，作为即使在要分类的缺陷的种类(缺陷种类)多的情况下也能够容易地对应的方法，例如在专利文献2中记载了如下方法：将基于规则（rule base）的分类方法与示教分类方法进行组合来进行分类。
在缺陷图像的自动分类中，根据分类制程程序（recipe）进行分类。分类制程程序包含图像处理参数等各种参数、要分类的缺陷种类的信息(分类类(class))、属于各分类类的缺陷图像(示教图像)等。在由于制造工艺的变动等而产生新出现的缺陷种类时，对分类制程程序追加新出现的缺陷用分类类来进行更新。在专利文献3中记载了以下方法：在对缺陷图像进行自动分类时，将新出现的缺陷判断为分类类不清楚的缺陷(未知缺陷)，对分类制程程序追加新分类类来进行更新。此外，未知缺陷还包含由于用户的示教错误等而产生的、在分类制程程序内定义的分类类以外的缺陷。
以往，还有人在缺陷观察装置前以手动方式进行缺陷图像的分类这种原因，所以通常是缺陷观察装置作为部分功能而具备缺陷图像的自动分类功能。但是，随着半导体产品的生产量增加，在制造半导体晶片的生产线中引入了多个缺陷观察装置，从而导致管理分类制程程序所需的成本增加这种问题。为了应对该问题，在专利文献4中记载了以下方法：使用网络将多个图像检测装置与信息处理装置进行连接，将拍摄得到的图像传送至信息处理装置，通过信息处理装置判断图像中有无出现异常。
现有技术文献
专利文献1：日本特开平8-21803号公报
专利文献2：日本特开2007-225531号公报
专利文献3：日本特开2000-57349号公报
专利文献4：日本特开2004-226328号公报
发明内容
发明要解决的课题
上述ADC功能(自动缺陷分类功能)是以下功能：从拍摄得到的SEM图像中，计算出缺陷部位的大小、形状等各种特征作为特征量，根据计算出的特征量将该缺陷分类为事先定义的多个缺陷类。当前，Review SEM是由若干个制造商投放到市场，但是各制造商均将该ADC功能搭载在与本公司的ReviewSEM成套销售的缺陷分类系统(缺陷分类装置)来提供。该缺陷分类系统不仅具有上述缺陷图像的自动分类功能，还具有用于使其分类结果呈现给用户的显示功能、接收用户的输入而修改自动分类的结果的功能、或者将分类结果传送至设置于制造生产线上的、成品率管理用数据库服务器等的功能。
另外，在制造半导体设备过程中的成品率管理作业中，频繁发生使用多个不同样式的观察装置这一情况。作为其原因例如提高观察作业的可靠性、提高装置运转率等。通过使用多个缺陷观察装置拍摄图像来增加数据数量，能够提高可靠性和装置运转率。另外，由于装置的购买和装置制造商提供装置的时机不一致，而还有时不得不灵活使用多个不同样式的装置。此外，不同样式的装置即包含不同的多个制造商的装置的情况也包含相同制造商的不同样式的装置的情况。
在装置的样式不同的情况下，在很多时候其性能、特性不同，因此在成品率管理业务中要求熟练地使用这种性能、特性不同的多个装置。这种需求也适用于Review SEM以及附属于该Review SEM的缺陷分类系统。也就是说，面向对样式不同的多个Review SEM的图像进行分类的缺陷分类系统的要求较高。
通常，半导体晶片制造由多个工艺(以下称为工序)构成，由于工序不同而产生的缺陷种类不同，因此通常制作适合于各工序的分类制程程序。另外，在对相同工序的晶片应用制造商或样式不同的装置时，由于性能和特性不同，因此在很多情况下适合于分类的参数不同。另外，即使在制造商型号相同的情况下，由于装置之间的性能差(机差)而导致拍摄得到的图像的画质不同。因此，需要按照每个缺陷观察装置和工序的组合来制作分类制程程序。
在此，如专利文献4中说明那样，多个缺陷观察装置通过网络进行连接，假设观察相同工序的晶片上的缺陷的情况。图1示出以往的系统结构例，图像拍摄装置101、101’与对应的分类模块103、103’相连接，分类模块103、103’于分别对应的分类制程程序104、104’相连接。另外，这些分类模块103、103’经由网络等通信单元106与成品率管理用数据库服务器105相连接。在分类的过程中，首先，通过分别与装置对应的分类模块103、103’对从多个图像拍摄装置(在图1中图像拍摄装置1、图像拍摄装置2这两个)得到的图像分别进行缺陷分类。分类模块103、103’基于各个分类制程程序104、104’来进行分类，分类结果经由通信单元106被发送至成品率管理用数据库服务器105并保存。在此，图像拍摄装置101、101’与上述缺陷观察装置对应，分类模块103、103’表示能够执行ADC的装置。
在图像处理装置1和图像处理装置2拍摄相同工序的晶片的情况下，期望通过相同分类类对从各个装置得到的缺陷图像进行分类。因此，需要将分类制程程序1和分类制程程序2的分类类设为相同，在各分类类中登记拍摄相同种类的缺陷得到的图像(以下称为相同种类的缺陷图像)。以下，在多个分类制程程序的分类类相同并且在登记到全部分类类的缺陷图像分别在相同分类类中是同种缺陷图像的情况下，设为分类定义相同。此外，相同分类类是指要以该分类类进行分类的缺陷种类相同，如果要分类的缺陷种类相同则即使分类类的名称等不同也被称为相同分类类。
在此，在以往的系统结构例中，分类制程程序本身在每个图像拍摄装置中分别存在，因此在分别分开设定分类制程程序的情况下，存在有可能无法对每个分类制程程序104同样地保持分类定义这种问题。例如，在图1的情况下，考虑如专利文献3的说明那样产生新出现的缺陷并更新与一个图像拍摄装置101对应的分类模块103内的分类制程程序104这一情况。在该情况下，与另一个图像拍摄装置101’对应的分类模块103’内的分类制程程序104’与分类制程程序104独立而不被更新，结果是与上述分开设定分类制程程序的情况同样地有可能对于每个分类制程程序在分类定义中产生差异。
如上所述，在专利文献3、4中，没有认识到在相同工序中运用多个制造商或样式不同的缺陷观察装置的情况下产生的上述问题，并且没有记载任何与为了解决该问题而同样地保持分类定义的方法有关的内容。
因此，本发明解决上述问题，提供一种即使在相同工序中运用多个不同的缺陷观察装置的情况下也能同样地保持分类定义从而提高统计方面的工艺管理的可靠性的缺陷分类系统以及缺陷分类方法。
用于解决课题的手段
以下，简单说明本申请所公开的发明中代表性发明的概要。
(1)一种缺陷分类方法，使用拍摄试样的装置以及与制造上述试样的工序对应的分类制程程序来分类缺陷图像，其特征在于，该缺陷分类方法具有以下步骤：通过与第一图像拍摄装置的分类制程程序相同的工序对应的第二图像拍摄装置的分类制程程序，来定义与以上述第一图像拍摄装置的分类制程程序定义的分类类相同的分类类；从由上述第二图像拍摄装置拍摄得到的缺陷图像中，确定与登记到以上述第一图像拍摄装置的分类制程程序定义的分类类中的示教图像相同种类的缺陷图像；以及将上述确定出的缺陷图像登记到以上述第二图像拍摄装置的分类制程程序定义的分类类中的、与登记了上述示教图像的上述第一图像拍摄装置的分类类相同的分类类中。
(2)一种缺陷分类系统，经由通信单元与多个图像拍摄装置相连接，其特征在于，该缺陷分类系统具有：分类单元，其对由上述多个图像拍摄装置拍摄得到的缺陷图像进行分类；以及分类制程程序管理单元，其对存储有用于分类的信息的分类制程程序进行管理，上述分类制程程序管理单元具有：对应缺陷确定部，其从由设置于相同工序的上述多个图像拍摄装置之一的第二图像拍摄装置拍摄得到的缺陷图像中，确定与登记到上述多个图像拍摄装置之一的第一图像拍摄装置中的分类制程程序的分类类中的示教图像相同种类的缺陷图像；以及图像变换部，其通过图像变换对上述示教图像进行变换，使得该示教图像与从上述第二图像拍摄装置得到的缺陷图像类似。
发明效果
根据本发明，能够解决上述问题，并能够提供一种通过同样地保持与相同工序对应的多个分类制程程序中的分类定义来提高统计方面的工艺管理的可靠性的缺陷分类方法以及缺陷分类系统。
附图说明
图1是表示以往的缺陷分类系统中的图像拍摄装置和分类模块的系统结构例的图。
图2是表示实施例1的缺陷分类系统的结构例的图。
图3是表示实施例1的图像拍摄装置的结构例的图。
图4是表示实施例1的缺陷分类系统的分类处理的处理流程的图。
图5是表示实施例1的缺陷分类系统的分类制程程序制作处理的处理流程的图。
图6是表示实施例1的缺陷分类系统的分类类设定处理的处理流程的图。
图7是表示对实施例1的缺陷分类系统的相同种类的缺陷图像进行确定的GUI的一例的图。
图8是表示实施例1的图像拍摄装置的获取图像例的图。
图9是表示实施例1的图像拍摄装置中缺陷截面与检测器的配置的示例的图。
图10是说明实施例1的图像拍摄装置中检测器的配置与检测阴影方向的图。
图11是表示实施例1的图像拍摄装置中阴影检测图像的示例的图。
图12是表示对实施例1的缺陷分类系统的相同种类的缺陷图像进行确定的处理的处理流程的图。
图13是表示实施例2的缺陷分类系统的分类类设定处理的处理流程的图。
图14是表示实施例2的缺陷分类系统的结构例的图。
图15是表示实施例2的缺陷分类系统的分类处理的处理流程的图。
图16是表示实施例2的缺陷分类系统的分类制程程序更新处理的处理流程的图。
图17是表示实施例2的缺陷分类系统的分类类更新处理的处理流程的图。
图18是表示对实施例2的缺陷分类系统的作为基准的分类制程程序进行选择的GUI的一例的图。
图19是表示实施例3的缺陷分类系统的分类类设定处理的处理流程的图。
图20是表示实施例3的缺陷分类系统的分类制程程序制作处理的处理流程的图。
具体实施方式
以下，参照附图详细说明本发明的实施方式。此外，在用于说明实施方式的全图中，原则上对相同构件附加相同的附图标记，省略其重复说明。另外，在本实施方式的示例中以对使用具备SEM的图像拍摄装置拍摄得到的缺陷图像进行分类的情况为对象进行了说明，但是本发明所涉及的缺陷分类系统的输入可以是SEM图像以外，也可以是使用光学式的方法或离子显微镜等拍摄得到的缺陷图像。
实施例1
使用图2说明本发明所涉及的缺陷分类系统的第一实施方式。第一实施方式的缺陷分类系统201构成为经由网络等通信单元204连接N个(N≥2)图像拍摄装置200-1～200-n。在此，图像拍摄装置200(200-1～200-n)是获取相应部位图像的装置，在后文中说明其详细结构。
缺陷分类系统201具有以下功能：接收由多个图像拍摄装置得到的缺陷图像的输入，对缺陷图像进行分类并将分类结果输出到输入输出部217，该输入输出部217使用对操作者显示数据以及用于接收来自操作者的输入的键盘、鼠标、显示装置等来构成。以下，详细说明该缺陷分类系统201的第一实施方式。
缺陷分类系统201适当地使用以下部分而构成：制程程序管理部202，其执行分类制程程序的制作、更新处理，保存分类制程程序、缺陷图像、附属于缺陷图像的信息；分类模块203，其对从各图像拍摄装置输入的缺陷图像进行分类；整体控制部205，其控制装置的动作；以及输入输出I/F部206，其用于经由输入输出部217、通信单元204传输缺陷图像等数据。
制程程序管理部202具有：处理部207，其执行与分类制程程序相关联的处理；以及存储部208，其存储信息。存储部208适当地使用以下部分构成：图像存储部213，其存储由图像拍摄装置200拍摄得到的缺陷图像；分类制程程序存储部214，其按照存储图像拍摄装置200、每个工序制作的分类制程程序；以及附属信息存储部215，其将从图像拍摄装置得到的工序等附属信息与缺陷图像一起按照每个缺陷图像进行存储。另外，处理部207适当地使用以下部分构成：对应缺陷确定部209，其对从各图像拍摄装置200得到的缺陷图像进行用于确定相同种类的缺陷图像的处理；信息确定部210，其按照分类制程程序和缺陷图像来确定拍摄得到的装置和工序的信息；制程程序更新部211，其进行分类制程程序的制作、分类类的更新等；以及图像变换部212，其通过图像处理进行图像的变换。此外，信息确定部210根据分类制程程序确定部214、附属信息存储部215所存储的每个缺陷图像的工序信息，来确定相同工序的分类制程程序，或确定图像存储部213所存储的缺陷图像的工序信息、拍摄得到的装置信息。在后文中说明处理部207的处理过程、方法。
分类模块103构成为包含分类处理部216，该分类处理部216根据分类制程程序来分类缺陷图像。在后文中详细说明该分类处理部216的处理。
此外，图2示出的缺陷分类系统201的示例可以在一个运算装置(以下称为PC)内运行，也可以在多个PC内分开运行。在多个PC内运行的情况下，例如还考虑在一个PC内作为制程程序服务器来运行制程程序管理部202的方法。另外，在图2示出的缺陷分类系统201的示例中，示出了分类模块203为一个的示例，但是还可以使用多个分类模块来构成。还考虑以下方法：在具有多个分类模块的情况下，在分别不同的PC内运行，分配对按照每个图像拍摄装置拍摄得到的缺陷图像进行处理的分类模块等方法。此外，在此示出的变形例还能够应用于后述的实施方式。
图3是表示上述图像拍摄装置200的详细结构例的图。图像拍摄装置200适当地使用SEM塔柱（column）301、SEM控制部308、输入输出I/F309、存储部311以及附属信息制作部314构成，它们经由通信单元315相连接。输入输出I/F309连接输入输出部310，对操作者输入输出数据。
SEM塔柱301适当地由以下部分构成：电子源302；载置试样晶片307的载置台306；以及从电子源302对试样晶片307照射一次电子束，然后对从试样晶片307产生的二次电子、后方散射电子进行检测的多个检测器303、304、305。此外，虽未图示但除此以外SEM塔柱301还适当地包含用于在试样晶片307的观察区域扫描一次电子束的偏转器、对检测电子的强度进行数字变换来生成数字图像的图像生成部等。
存储部311适当地由拍摄制程程序存储部312以及保存获取图像数据的图像存储器313构成，该拍摄制程程序存储部312存储作为SEM拍摄条件的加速电压、探头电流、帧加和数(用于获取多个相同部位的图像来制作它们的平均图像由此降低散粒噪声（shot noise）的影响的处理的图像数量)、视场尺寸等。
附属信息生成部314具有制作附属于各图像数据的信息，例如用于确定拍摄时的加速电压、探头电流、帧加和数等拍摄条件、拍摄装置的ID信息，用于生成图像的检测器303～305的种类或性质、晶片ID和工序、拍摄图像的日期和时间等附属信息的功能。晶片ID、工序的信息可以由用户从输入输出部310等输入，也可以从晶片的表面等读取或者从存储有晶片的盒(未图示)等读出。在经由输入输出I/F309传输图像数据时，将制作出的附属信息与该图像数据一起进行传输。
SEM控制部308是对图像获取等的、在该图像拍摄装置200中进行的全部处理进行控制的部位。根据来自SEM控制部308的指示来进行：用于使试样晶片307上的规定的观察部位进入到拍摄视场的载置台306的移动、向试样晶片307照射一次电子束、从试样晶片307产生的电子在检测器303～305中的检测、检测出的电子的图像化和向图像存储器313的保存、附属信息制作部314中的对拍摄图像的附属信息的制作等。通过由键盘、鼠标、显示器等构成的输入输出部310来执行来自操作者的各种指示、拍摄条件的指定等。
此外，图3示出的图像拍摄装置200的结构是一例，在制造商、型号不同的情况下，有时检测器303～305的结构、数量不同。当制造商、型号不同时，即使在拍摄相同缺陷的情况下，由于检测器的结构、特性差异而得到的拍摄图像本身不同或者产生拍摄图像的画质不同等差异。由于这些差异，在拍摄的状态下，难以对从不同的装置得到的缺陷图像进行比较。为了解决问题，如上所述，为了使各图像拍摄装置中的分类制程程序的分类定义相同，需要对由不同的图像拍摄装置拍摄得到的缺陷图像之间进行比较来确定相同种类的缺陷图像。在本发明中，能够吸收这些拍摄图像的差异，从不同的装置得到的缺陷图像中确定相同种类的缺陷图像。使用图8～图11在后文中说明这些拍摄图像的差异、吸收这些差异而能够进行比较的方法。
使用图4说明本发明所涉及的缺陷分类系统中的、对所输入的缺陷图像进行分类的处理流程。通过分类模块203的分类处理部216来这些分类缺陷图像的处理。
首先，从图像存储部213读取分类对象的缺陷图像(S401)。接着，从附属信息存储部215读取缺陷图像的附属信息(S402)。在此，附属信息是指图像拍摄时的条件，至少包含用于对拍摄缺陷图像的图像拍摄装置进行识别的ID以及用于识别拍摄得到的晶片的工序的ID的信息。另外，也可以存储拍摄时的加速电压、探头电流、拍摄视场尺寸、拍摄日期和时间、拍摄坐标等来用作分类时的信息。接着，在信息确定部210中，对拍摄缺陷图像的图像拍摄装置以及拍摄得到的晶片的工序进行确定(S403)。在确定处理S403的过程中，使用在处理S402中读出的缺陷图像的附属信息所包含的图像拍摄装置ID和工序ID即可。或者使图像存储部213具有分层结构(目录结构)，按照每个图像拍摄装置和拍摄得到的工序对从图像拍摄装置发送的缺陷图像进行分层(目录)来保存，由此也可以进行确定。接着，从分类制程程序存储部214中读取按照每个图像拍摄装置和工序存在的分类制程程序中的、与对分类对象的缺陷图像进行拍摄的拍摄装置和工序对应的分类制程程序(S404)。使用图5在后文中说明分类制程程序的生成方法。此外，在此所指的分类制程程序包含分类处理中的分类类的信息、属于各分类类的示教图像、包含用于分类至各分类类的分类识别面的信息等的分类参数、以及从缺陷图像提取缺陷区域的处理和算出特征量的处理的参数。接着，从读取出的缺陷图像中进行缺陷区域的提取(S405)。接着，对提取出的缺陷区域算出使与缺陷有关的特征定量化的值(特征量)(S406)。最后，使用计算出的特征量和分类制程程序所包含的分类识别面来分类图像(S407)。作为缺陷的分类方法，可以使用神经网络、SVM(Support VectorMachine：支持向量机)等，如专利文献2所记载那样，也可以组合使用规则型分类器与示教型分类器。此外，以上示出了对所输入的一个缺陷的缺陷图像进行分类时的处理流程，但是在分类多个缺陷图像时，将S401～S407处理反复执行缺陷图像的数量即可。
接着，使用图5详细说明制作分类制程程序的方法。在此所指的分类制程程序是定义缺陷图像的分类方法的信息，包含缺陷的分类类(缺陷种类)、图像处理参数、以及包含用于分类至各分类类的分类识别面等信息的分类参数。如上所述，需要按照每个图像拍摄装置和工序来制作分类制程程序，作为制作分类制程程序的前提，需要将要制作分类制程程序的工序和装置的组合拍摄得到的缺陷图像保存在图像存储部213中。
图5的(a)示出按照每个装置、工序一个一个地制作分类制程程序的以往的分类制程程序制作(单体的分类制程程序制作)方法，图5的(b)示出本发明所涉及的分类制程程序制作方法。
首先，使用图5的(a)说明作为以往的方法的单体的分类制程程序制作方法。首先，通过登记分类类的定义和示教图像来进行分类类的设定(S501)。在此，定义分类类，将示教图像登记到各个分类类中。接着，进行缺陷图像中的缺陷区域、用于识别布线图案等的图像处理中的图像处理参数的设定(S502)，调整分类参数(S503)，将这样制作的分类制程程序保存到分类制程程序存储部(S504)。在图像处理参数设定处理S502中，进行图像处理参数的设定，使得针对在处理S501中登记的示教图像得到适当的图像处理结果。在调整处理S503的分类参数的过程中，例如，将在处理S501中登记的示教图像示教给分类模块内的分类处理部，通过制作分类识别面等方法进行即可，只要每个分类类中存在示教图像则可自动地进行。
接着，使用图5的(b)说明本发明所涉及的分类制程程序制作法。通过制程程序更新部211来进行图5的(b)的处理。在本发明所涉及的分类制程程序的制作方法(图5的(b))中，能够成批制作相同工序中的多个图像拍摄装置的分类制程程序，除此以外，还能够使要制作的全分类制程程序的分类定义相同。首先，进行多个图像拍摄装置的分类制程程序中的共同的分类类的设定(S511)。在此，通过全部分类制程程序定义共同的分类类，在各个分类类中将相同种类的缺陷图像登记为示教图像。使用图6和图7在后文中详细说明本发明的处理S511。接着，通过处理S512，对与在处理S511中进行共同的分类类设定的相同工序的N个图像拍摄装置(N≥2)对应的分类制程程序执行以下处理S513～S515。将与在处理S511中进行共同的分类类设定的分类制程程序对应的相同工序的图像拍摄装置设为装置i(1≤i≤N)。接着，进行装置i的分类制程程序的图像处理参数的设定(S513)，调整装置i的分类制程程序的分类参数(S514)，将制作出的装置i的分类制程程序保存到分类制程程序存储部214(S515)。处理S513～S515的处理对象为装置i的分类制程程序，但是通过以与上述处理S502～504分别相同的方法执行即可。
此外，处理S502和处理S513的图像处理参数的设定可以从预先定义的表等中读取，也可以用户通过手动操作来定义。在本实施方式中，在从预先定义的表中读取图像处理参数的情况下，用户仅执行处理S511就能够制作相同工序的N个分类制程程序。
另外，关于处理S513，用户仅将第一个装置1(i=1)通过手动设定图像处理参数，对于其它装置，也可以使用后述的图像处理参数变换表等来变换在装置1中设定的图像处理参数，使用其值。在此，图像处理参数变换表是指按照要从图像处理参数变换的装置(在此，装置1)的图像处理参数变换的装置i等的每个组合对图像变换处理参数所对应的值、变换用的计算式进行定义的表。在使用图像处理参数变换表的情况下，用户仅对处理S511和装置1进行处理S513，就能够制作相同工序的N个装置的分类制程程序。
图6是本发明所涉及的缺陷分类系统中的、设定分类制程程序制作中的共同的分类类时的处理流程的一例，是详细示出图5的处理S511的图。根据图6示出的处理流程，通过与相同工序的多个图像拍摄装置对应的多个分类制程程序，定义共同的分类类，能够在各个分类类中将相同种类的缺陷图像登记为示教图像，能够通过全部分类制程程序使分类定义相同。此外，包括图6在内，在使用本申请的图的处理流程的说明中，将图像拍摄装置简化为装置、将拍摄得到的的晶片的工序简化为工序来进行说明。另外，将用于分类对装置1的工序A进行拍摄得到的缺陷图像的分类制程程序简称为装置1、工序A的分类制程程序，将从装置1的工序A拍摄得到的缺陷图像简称为装置1、工序A的缺陷图像(或者装置1、工序A的图像)等，装置2、工序B等即使装置、工序不同也用同样的简称进行说明。
在图6中，说明在装置为两个(装置1、装置2)的情况下制作工序A的分类制程程序的情况。作为设定分类类的前提，需要将通过要设定分类类的工序(工序A)与装置(装置1、装置2)的组合拍摄得到的缺陷图像保存在图像存储部213。
首先，对于图像存储部213所存储的工序A的缺陷图像，确定由信息确定部210拍摄得到的装置(S601)。关于工序A的缺陷图像，作为拍摄的装置的确定方法，可以根据附属信息存储部215等所存储的每个缺陷图像的附属信息等来判断，也可以用户从输入输出部217进行指定。
接着，制作工序A的各装置(装置1、装置2)中的分类制程程序，对各装置定义共同的分类类(S602)。在该时间点，能够将装置1、工序A的分类制程程序与装置2、工序A的分类制程程序的分类类设为相同定义。然后，将图像存储部213所保存的装置1、工序A的缺陷图像的一部分或者全部(S603)作为示教图像登记到装置1、工序A的分类制程程序的各分类类中。在处理S602和处理S603的分类类和示教图像的登记中，可以用户通过输入输出部217进行指定，也可以读取在文件等中定义的分类类、要登记的缺陷图像的信息，根据这些信息来进行登记。接着，在处理S606中，对装置2、工序A的分类制程程序的各分类类登记图像存储部213所保存的装置2、工序A的缺陷图像。在处理S606中，首先通过对应缺陷确定部209来确定装置2、工序A的缺陷图像中的、拍摄与在处理S603中作为示教图像登记到装置1、工序A的分类制程程序的分类类中的缺陷图像相同种类的缺陷而得到的图像(相同种类的缺陷图像)(S604)。作为相同种类的缺陷图像的确定方法，将作为示教图像而登记到装置1、工序A的各分类类中的缺陷图像图像变换为从装置2拍摄得到的图像，通过对这些图像的特征量等进行比较，从装置2、工序A的缺陷图像中确定与示教图像相同种类的缺陷图像。通过确定相同种类的缺陷图像，用户仅对装置1、工序A的分类制程程序登记示教图像即可，能够自动地进行对装置2、工序A的分类制程程序的示教图像的登记。使用图12在后文中进一步详细说明该确定方法。最后，将在处理S604中确定出的装置2、工序A的缺陷图像分别登记到装置2、工序A的分类制程程序的对应分类类中(S605)。在图6中以装置为装置1和装置2这两个的情况为例进行了说明，但是即使在装置为三个以上的情况下，通过执行装置数量次数的处理S606也能够应用本处理流程。
图7是在本发明所涉及的缺陷分类系统中用于执行在图6中说明的设定分类类时的处理S603-S605的GUI的一例。在图7中，也与图6的说明同样地，以通过两个(装置1和装置2)装置制作工序A的分类制程程序的情况为例进行说明。
在图7中，701表示工序A的拍摄缺陷图像得到的装置名称、工序的信息，702是将在各装置中拍摄得到的多个缺陷图像分别排列显示在与各装置对应的显示区域。703是选择要显示的缺陷图像的下拉框，例如能够选择由检测器303～305拍摄得到的二次电子图像、后方散射电子图像等。704表示用户选择装置1、工序A的缺陷作为相同种类的缺陷的缺陷图像，通过对图像加框、加高亮区等能够判断这些缺陷图像。在选择图像时，可以通过输入输出部217使用鼠标、键盘、写字板等来进行选择，也可以在文件中记述用于确定图像的缺陷ID等信息并读取这些信息来选择。705是将在装置1、工序A中选择的图像登记到在处理S602中定义的分类类中的按钮(S603)。将图像登记到分类类中的方法并不限定于按压画面上的按钮的方式，还可以想到在进行选择之后通过鼠标的拖放动作来登记的方法等。706是从装置2、工序A的图像中确定与在装置1、工序A中作为示教图像登记到各分类类中的缺陷图像相同种类的缺陷图像的按钮(S604)。707是表示通过处理S604确定出的相同种类的缺陷图像的标记。也能够通过对图像加框、对图像加高亮区等来与其它图像进行辨别。另外，也可以在图像内显示分类类的名称、记号等。此外，相同种类的缺陷图像的确定可以按照每个分类类来进行，也可以对多个分类类集中进行。708是在用户判断为通过处理S604确定出的装置2、工序A的缺陷图像与在装置1、工序A中作为示教图像而登记的缺陷图像并非相同种类的情况下对登记到装置2、工序A的分类类中的缺陷图像进行校正、变更的按钮。709是将通过处理S604确定出的装置2、工序A的缺陷图像登记到装置2、工序A的分类制程程序对应的分类类中的按钮(S605)。此外，在变更通过708的按钮确定出的缺陷图像时，将变更后的缺陷图像登记到装置2、工序A的分类制程程序对应的分类类中。
在处理S604中，为了对从制造商、样式不同的装置得到的缺陷图像进行比较并确定相同种类的缺陷图像，较好的是考虑由检测器的结构、特性差异引起的拍摄图像本身的差异、拍摄图像的画质的差异。以下，使用图8～11进行说明。
图3示出的图像拍摄装置200具备三个检测器，在该图像拍摄装置200中，能够同时获取三个试样晶片上的观察部位的图像。图8是获取到试样晶片表面上的异物的三个拍摄图像的示例。图8的(a)是通过检测器303检测从试样晶片产生的二次电子而获取的图像，图8的(b)、(c)是分别通过两个检测器304、305获取从试样晶片产生的后方散射电子的图像。将图8的(a)称为上方图像，将图8的(b)、(c)分别称为左图像、右图像。图8的(a)的上方图像是能够清楚地观察电路图案、缺陷部位的轮廓的图像。另一方面，图8的(b)、(c)的左、右图像是能够观察由表面的凹凸状态导致产生的阴影的图像。这种图像的性质差异是由于检测器的配置、检测器所具备的检测电子的能量带、从试样对产生电子的轨道带来的影响的施加给塔柱的电磁场等而产生的。另外，根据图像的质量、拍摄条件、例如电子的加速电压、探头电流量、帧加和数等而也发生变化。
在此，作为由于检测器的特性差异而得到的图像的性质不同的事例，使用图9～图11来说明后方散射电子的检测器304、305的方向与图像阴影的关系。关于图9，图9的(a)、(b)分别示意性地示出在试样晶片307上存在突起状的缺陷901和凹陷状的缺陷902的情况下的、试样晶片的截面与后方散射电子的检测器304、305的位置关系。如图9所示，在试样晶片307的斜上方在相对置的位置配置了后方散射电子的两个检测器。一次电子束从正上方入射。从观察部位产生的后方散射电子具有其能量强且具有方向性这种特性，因此在一个检测器的方向上产生的后方散射电子几乎不到达位于其相反侧的检测器。其结果是，如图8的(b)、(c)所示，可以获取到能够观察与观察部位的凹凸状态相应的阴影的图像。
此外，该阴影的方向在检测器304、305相对于试样晶片307的相对位置变化时发生变化。图10是示意性地表示检测器的方向和获取到的图像的阴影的方向的图。图10的(a)是将检测器沿着坐标系的X方向配置的示例。图像(a-1)、(a-2)分别示意性地表示由检测器304和305得到的图像。在图10的(a)中，如图所示，由检测器304和305得到的图像(a-1)(a-2)上的明区域和暗区域的位置在X方向上产生阴影。在此，明区域是指在该图像上明亮度高的区域。明区域是指在该部位产生的后方散射电子较多而被检测器检测到的情况，另一方面，暗区域是指在该部位产生的后方散射电子不被该检测器检测到的区域。这样出现明暗是由于：后方散射电子具有方向性，因此依赖于各部位中的后方散射电子的产生方向和检测后方散射电子的检测器的位置、方向，来决定图像上的明暗。图10的(b)是表示将检测器的方向相对于图10的(a)顺时针方向旋转45度的情况的图。由图10的(b)的配置的检测器得到的图像(b-1)(b-2)的阴影的方向与检测器的旋转对应地旋转。同样地，图10的(c)是将检测器配置在相对于图10的(a)逆时针方向旋转45度的位置的情况。同样地，由图10的(c)的配置的检测器得到的图像(c-1)(c-2)的阴影的方向与检测器的旋转对应地旋转。这样，如果检测器的方向变化则阴影的方向发生变化。
另一方面，需要注意阴影的方向也根据对象的凹凸状态而发生变化的情况。即，在图9的(a)、(b)示出的凸状的缺陷和凹状的缺陷中，需要注意阴影的方向变为相反方向，因此，例如图11的(a)、(b)所示，在通过检测器304和305分别得到图像的情况下，如果不存在与检测器的结构有关的信息，则无法判断该观察对象为凸状、凹状中的哪一形状。实际上，本例表示图11的(a)通过图10的(b)的检测器的结构获取到凸状的缺陷的图像，图11的(b)通过图10的(c)的检测器的结构获取到凹状的缺陷的图像，但是如上所述可知在对检测器的结构不同的图像进行比较的情况下有可能错误识别缺陷部的凹凸关系。
在图2示出的本实施例的缺陷分类系统中，连接了多个图像拍摄装置200，但是还有时各图像拍摄装置的样式不同。例如，存在装置的提供制造商不同的情况以及即使是同一制造商也提供检测器的结构不同的多个产品的情况。在目前的说明中，图像拍摄装置的检测器的数量为三个，而且以在用于检测后方散射电子的检测器相对置的情况下相对于其试样的相对位置发生变化的情况为例进行了说明，但是想到了检测器的数量、各检测器的方向、要检测的电子能量带等其它条件也根据装置不同而不同的情况。而且，所产生的试样的能量也根据拍摄时的条件而发生变化，因此得到的图像也有可能根据这些条件而发生变化。
以上，从制造商、样式不同的装置得到的图像如上所述那样由于由检测器的结构、特性差异引起的拍摄图像本身的差异、拍摄图像的画质的差异，在图像之间无法直接进行比较，从而难以确定相同种类的缺陷图像。因此，在本发明中，通过图像变换部212对比较对象的图像进行图像变换，消除由上述检测器的结构、特性差异引起的拍摄图像本身的差异以及拍摄图像的画质的差异，变换为能够比较的图像。
说明在图像变换部212中进行的图像变换处理。图像变换处理是指以图像组（set）为输入而从附属信息存储部215读出对应的附属信息并输出对其进行处理而得到的图像组的一系列处理。具体地说，包含画质改善处理、阴影方向的变换处理、图像的混合处理等。
作为画质的改善处理例如存在噪声降低处理。在SEM中，在图像拍摄时的探头电流低的情况下或帧加和数少的情况下，容易得到S/N低的图像。另外，即使在相同的拍摄条件下，在要拍摄的装置不同的情况下，由该检测器的电子检测效率不同导致有时得到S/N不同的图像。即使是相同样式的装置，如果调整的程度不同，则也有可能由装置之间的机差引起产生S/N的差异。作为噪声降低处理的具体例，存在各种噪声滤波处理。以下，以根据由拍摄S/N高的图像的装置1拍摄得到的图像来制作与由拍摄S/N高的图像的装置2拍摄得到的图像类似的图像的情况为例，说明其处理方法的一例。首先，对装置1的图像执行噪声滤波处理。准备由装置2拍摄得到的图像的样品，在装置1的噪声滤波处理之后的图像和装置2的图像中的平坦部分中比较亮度值的分散，反复进行上述处理直到成为近值(例如亮度值的分散差超过规定的阈值的值)为止。以上处理仅是一例，但是通过这些处理，能够根据装置1的图像来制作与装置2的图像类似的图像。
作为画质改善处理的其它例，存在用于降低由一次电子束的束直径引起的图像模糊产生的清晰度的差的清晰度变换处理。在SEM中，通过集束成几纳米等级的直径的电子束来扫描观察部位，但是其束直径对图像的清晰度带来影响。也就是说，在束粗的情况下，产生模糊，得到清晰度低的图像。也就是说，在一次电子束的集束性能不同的多个装置中，得到清晰度不同的图像。为了从得到的图像中得到清晰度更高的图像，进行去卷积（deconvolution）处理较有效，相反，为了从得到的图像中得到清晰度更低的图像，使用低通滤波器较有效。以下，以从由拍摄清晰度低的图像的装置1拍摄得到的图像中制作与由拍摄清晰度高的图像的装置2拍摄得到的图像类似的图像的情况为例，说明其处理方法的一例。首先，对装置1的图像进行去卷积处理。准备装置2的图像的样品，通过对实施了去卷积处理的装置1的图像和装置2的图像进行傅里叶变换等处理而计算出频率强度，直到频率成分的强度变为相同程度为止(例如直到两者的频率成分的强度的差超过规定的阈值为止)反复进行上述处理。以上处理仅是一例，但是通过这些处理，根据装置1的图像能够制作与由装置2得到的图像类似的图像。
另外，作为画质改善处理的其它例，存在对比度变换处理。本处理包含在由于试样表面的带电现象而在观察视场一面中图像明亮度缓慢地变化的情况下去除其明亮度变化的处理以及校正电路图案部、缺陷部的明亮度而获取可视性高的图像的处理。SEM在拍摄条件不同的情况下、即使是相同拍摄条件拍摄机型不同的情况下，也有时电路图案与非图案部的明暗关系变为反转。在该对比度变换处理中，通过校正这样反转的明亮度，能够使不同装置之间、或者在不同的条件下拍摄得到的图像的外观统一。以下，以根据由拍摄对比度低的图像的装置1拍摄得到的图像来制作与由拍摄对比度高的图像的装置2拍摄得到的图像类似的图像的情况为例，说明其处理方法的一例。首先，对装置1的图像进行对比度变换处理。准备装置2的图像的样品，反复进行上述处理直到执行了对比度变换处理的装置1的图像和装置2的图像的亮度值平均与分散变为同定度为止(例如直到两者的亮度值平均与分散的差超过规定的阈值为止)。以上处理仅是一例，但是通过这些处理，根据装置1的图像能够制作与装置2类似的图像。
作为其它图像变换处理的示例，存在阴影信息的变换处理。例如图10所示，通过检测后方散射电子得到的阴影的信息对装置中的检测器的配置方式带来较强影响。如图11中例示那样，在检测器的配置方式不同的图像混合存在时，有可能弄错凹凸状态的判断，因此为了防止这些，制作变换了阴影方向的图像。
具体地说，为了变换阴影方向，进行对图像的旋转处理、镜像反转处理等几何变换处理。但是，在这些旋转处理、反转处理中，将图像整体设为处理对象，因此需要注意仅能够变更阴影方向。因此，当进行旋转、反转处理时，拍摄的电路图案等也同样地变换。但是，在通过分析阴影来判断凹凸的处理中，这些不会成问题。原因在于，通常，在凹凸的判断中使用缺陷图像与参照图像的图像比较来判断凹凸等，但是，如果两者的图像均进行相同的旋转、反转处理，则在进行比较处理时，图案的信息被去除，在缺陷图像和参照图像中仅能够提取出具有差异的部位(即缺陷部)的阴影部。
并且，作为其它图像变换处理的示例，存在图像的混合处理。在图8中，示出通过图3示出的图像拍摄装置的三个检测器来对二次电子和后方散射电子进行分离检测而获取三个图像的示例，但是，假设如果装置的样式不同则检测器的数量、其检测电子的种类等也不同。因此，通过对检测出的多个图像进行混合，制作更不同的多个图像。例如，某一装置1能够获取二次电子图像和后方散射图像完全分离的图像，另一方面，在其它装置2中，如果检测出这些进行混合的图像，则从完全分离而检测出的装置1的图像中生成混合了各图像的多个图像，由此能够制作与由装置2得到的图像类似的图像。此外，上述例示的、各种图像变换处理不仅单独进行，当然也可以进行组合来执行。
另外，在进行图像变换从由某一装置1拍摄得到的图像中用于制作与由装置2拍摄得到的图像类似的图像时，还考虑预先准备变换用的参数表而使用表内的参数来进行变换处理的方法。在此，变换用的参数表是指按照要从拍摄原图像的装置(装置1)制作类似的图像的对象的装置(装置2)等的每个组合来记述了图像变换处理的处理内容、处理过程、在各处理中使用的参数等的表。
接着，使用图12详细说明本发明所涉及的缺陷分类系统中的、在处理S604中确定示教图像和相同种类的缺陷图像的处理流程的一例。在图12中，以在装置为两个(装置1和装置2)的情况下在装置1、工序A中已经登记了示教图像而从通过装置2从相同工序中拍摄得到的缺陷图像即装置2、工序A的图像中确定与示教图像相同种类的缺陷图像的情况为例进行了说明。作为前提，设为装置2、工序A的缺陷图像保存在图像存储部213。
首先，在图像变换部212中将在装置1、工序A中登记到各分类类中的示教图像变换为与通过装置2拍摄得到的图像类似的图像(S1201)。接着，按照每个分类类对在处理S1201中图像存储部213所保存的装置2、工序A的缺陷图像与图像变换后的装置1、工序A的示教图像进行比较(S1202)。然后，根据比较得到的结果，按照每个分类类从装置2、工序A的缺陷图像中确定与登记到装置1、工序A的各分类类中的示教图像相同种类的缺陷图像(S1203)。作为在处理S1203中确定相同种类的缺陷图像的方法使用以下方法等即可：根据各个图像计算缺陷部的凹凸度、缺陷的大小等特征量，在特征量接近的情况下判断为相同种类的缺陷图像等方法。另外，还考虑使用分类处理部216来判断相同种类的缺陷图像的方法。在该情况下，按照每个分类类将图像变换后的图像示教给分类处理部216，将装置2、工序A的图像中、图像变换后的图像的相同种类的缺陷图像分类到各分类类。在确定相同种类的缺陷图像时，有时在特征量的计算、确定处理等中需要确定用的参数(确定参数)，但是确定参数可以预先在文件等中定义，也可以在图12的处理之前由用户指定。另外，在处理S1201中，也可以不将装置1、工序A的示教图像图像变换为装置2的图像，而是将装置2、工序A的缺陷图像图像变换为装置1的图像，并与装置1、工序A的示教图像进行比较。除此以外，也可以将装置1、工序A的示教图像和装置2、工序A的缺陷图像分别图像变换为由与装置1和装置2不同的装置3拍摄得到的图像，在处理S1202中对变换图像之间进行比较。装置3可以是设置在相同工序的装置，只要是能够进行图像变换则可以是设置在不同的工序的装置。
在通过处理S604的流程来确定相同种类的缺陷图像时，还考虑相同种类的缺陷图像没有保存在图像存储部213并通过处理S1203无法确定相同种类的缺陷图像的情况或者确定出的相同种类的缺陷图像的数量少而不足以分类处理部216的示教的情况。在该情况下，通过处理S605将在处理S1201中图像变换后的图像的一部分或者全部登记到装置2、工序A的分类制程程序的各分类类中即可。
如果装置1与装置2为同一制造商的同一样式且拍摄图像的差异为机差程度，则也可以不执行处理S1202和处理S1203，将对装置1的示教图像进行图像变换后的图像的一部分或者全部登记到装置2、工序A的分类制程程序的各分类类中。另外，在装置1与装置2的机差充分小的情况下，也可以不执行处理S604的图像变换，将装置1的示教图像的一部分或者全部登记到装置2、工序A的分类制程程序的各分类类中。
此外，在图12中，以存在装置1和装置2这两个装置的情况为例进行了说明，但是即使在装置为三个以上的情况下，通过与装置的数量对应地适当地执行处理S604来能够应用本处理流程是显而易见的。
在通过图5的(b)的处理流程来制作相同工序中的多个装置的分类制程程序时，还考虑要制作的分类制程程序与相同工序的其它装置中的分类制程程序已经存在的情况。例如，对已经设置了装置和分类系统的工序，以通过增加拍摄图像数来提高成品率管理效率这一情况等为目的，可举出追加配置装置的情况等。以下，以在图像拍摄装置为装置1、装置2这两个的情况下将运行装置的工序设为工序A、将最初设置的装置设为装置1、将所追加的装置设为装置2的情况为例进行说明。在该情况下，存在装置1、工序A的分类制程程序，但是不存在装置2、工序A的分类制程程序，因此与通过图5的(b)和图6的处理流程来制作装置1、工序A的分类制程程序和装置2、工序A的分类制程程序两者相比，仅制作装置2、工序A的分类制程程序效率更高。使用图13说明在存在这种装置1、工序A的分类制程程序的情况下设定装置2、工序A的分类类的处理。此外，制作分类制程程序的处理流程与在图5的(b)中说明的处理流程相同，但是不需要对图5的(b)中的、之前存在的分类制程程序执行处理S513～S515，仅对新制作的分类制程程序进行即可。作为前提，设定装置2、工序A的图像保存在图像存储部213，存在装置1、工序A的分类制程程序，但是不存在装置2、工序A的分类制程程序。
首先，选择作为基准的分类制程程序(S1301)。在处理S1301中，选择已经存在的分类制程程序，以下，作为在处理S1301中装置1、工序A的分类制程程序被选择为作为基准的分类制程程序的情况的示例进行说明。接着，在信息确定部210中，读取作为基准的分类制程程序(装置1、工序A的制程程序)的装置和工序信息(S1302)。作为工序信息，可以从分类制程程序内读取，也可以根据附属信息存储部215等所存储的每个图像的附属信息等来判断，也可以用户从输入输出部203输入。
接着，在处理S1307中，通过作为基准的分类制程程序以及拍摄相同工序A的图像的装置来重新制作装置1以外的装置(装置2)的分类制程程序(装置2、工序A的分类制程程序)，设定分类类。在处理S1307中，首先通过作为基准的分类制程程序和拍摄相同工序A的图像的装置确定装置1以外的装置(装置2)(S1303)。接着，制作装置2、工序A的分类制程程序，对与作为基准的分类制程程序(装置1、工序A的分类制程程序)的分类类相同分类类进行定义(S1304)。接着，从图像存储部213所保存的装置2、工序A的图像中确定与登记到作为基准的分类制程程序(装置1、工序A的分类制程程序)的各分类类中的示教图像相同种类的缺陷图像(S1305)。确定的方法与图12的说明中方法相同。然后，将在处理S1305中确定出的图像分别登记到以在处理S1303中重新制作的分类制程程序(装置2、工序A的分类制程程序)中的处理S1304定义的分类类中(S1306)。
此外，在处理S601中确定工序A的分类制程程序时，还考虑以下方法：在装置1、工序A的分类制程程序和装置2、工序A的分类制程程序两者不存在于分类制程程序存储部214的情况下，执行图6的处理流程，在装置1、工序A的分类制程程序和装置2、工序A的分类制程程序中的任一个存在的情况下进行执行图13的处理流程等的条件分支。
以上，在本实施例中，说明了以下方法：运用了多个图像拍摄装置，在每个图像拍摄装置和工序的组合中分别存在多个分类制程程序时，以相同工序的其它分类制程程序定义与以某一分类制程程序定义的分类类相同分类类，对与登记到各分类类中的图像相同种类的缺陷图像进行确定并登记，由此在相同工序中将分类制程程序内的分类定义保持为相同，并且作为对不同的制造商和样式的图像确定相同种类的缺陷图像的方法，说明了通过图像变换将比较对象的图像变换成类似的图像，并对变换得到的图像、变换得到的图像的特征量进行比较的方法，但是本申请所公开的发明并不局限于上述实施方式、变形例，能够进行各种变更。另外，上述变形例不仅应用于本实施例1，还能够应用于以下其它实施例是显而易见的。
实施例2
使用图14～图18说明本发明所涉及的缺陷分类系统的第二实施方式。本实施例2是通过与实施例1相同的处理流程进行制程程序的制作的缺陷分类系统。与实施例1之间的差异在于具有如下功能，即，在进行缺陷分类时将新出现的缺陷判断为未知缺陷的功能、使用未判断的未知缺陷来更新分类制程程序的功能，以下，说明缺陷分类方法和分类制程程序的更新方法。在本实施例中，与实施例1同样地以对由具备SEM的观察装置进行拍摄的图像进行分类的情况为例进行了说明，但是本实施例所涉及的缺陷分类系统的输入可以是SEM图像以外的图像，也可以是使用光学式的方法、显微镜等拍摄得到的图像。
图14示出本实施例2所涉及的缺陷分类系统的一个实施例的结构图。省略说明与实施例1所涉及的缺陷分类系统相同的结构。与实施例1所涉及的缺陷分类系统之间的区别特征在于，具备在分类模块203’内判断未知缺陷的未知缺陷判断部1402以及在制程程序管理部202’内的存储部208’内保存判断后的未知缺陷的未知缺陷存储部1401。
以下，使用图15说明本实施例2所涉及的缺陷分类系统的分类处理流程的一例。图15中的处理S401～S406与实施例1的分类处理的处理流程(图4)相同，从而省略说明。在本实施例2中，以下部分有所不同：在计算出特征量(S406)之后，在未知缺陷判断部1402中进行处理来分类缺陷以及进行未知缺陷判断(S1501)，进行将判断得到的未知缺陷保存到未知缺陷存储部1401的处理(S1502)。在未知缺陷的判断中，例如使用根据登记到分类制程程序中的示教图像的特征量分布和分类对象的特征点的欧几里德距离来进行判断的方法等即可，例如想到在上述欧几里德距离为设定值以上的情况下判断为未知缺陷的方法等。
图16是在根据未知缺陷对与相同工序的多个装置对应的分类制程程序定义相同新分类类来更新分类制程程序时的流程。处理S512～S513与使用实施例1的图5的(b)说明的处理相同，从而省略说明。在本实施例中，包含在处理S1601中追加共同的新分类类而将未知缺陷登记到新分类类中的处理的部分有所不同。使用图17在后文中详细说明处理S1601。另外，在图16中的处理S513和处理S514中，也可以不对各分类制程程序的更新前的图像处理参数、分类参数进行变更而直接进行设定。在该情况下，用户仅执行处理S1601，就能够以相同分类定义对多个分类制程程序进行更新。
图17示出分类类的更新处理流程。通过图17的处理流程，能够以相同分类定义成批更新相同工序的多个装置中的分类制程程序。在图17中，以在工序A中运用两个装置(装置1和装置2)的情况为例进行说明。在图17的示例中，作为前提，设为存在装置1、工序A的分类制程程序和装置2、工序A的分类制程程序，对装置1、工序A的分类制程程序进行更新。
首先，根据未知缺陷等来定义新类，确定更新了分类类的分类制程程序(S1701)。作为确定方法，也可以执行在图16中说明的分类制程程序的更新处理，在保存了处理S504的分类制程程序时按照每个分类制程程序设定更新标志等，对设定了更新标志的分类制程程序进行确定，在图18中用户也可以使用后述的GUI等来进行选择。以下，在图17的说明中，以在处理S1701中对装置1、工序A的分类制程程序进行更新并确定的情况为例进行说明。
接着，通过处理S1707，对在处理S1701中确定出的工序更新其它装置中的分类制程程序内的分类类。在图17的示例中，对装置2、工序A的分类制程程序的分类类进行更新。在处理S1707中，首先，在信息确定部210中，从分类制程程序存储部214读取更新后的分类制程程序的装置和工序信息(S1702)，对更新后的分类制程程序与相同工序和其它装置中的分类制程程序进行确定(S1703)。在图17的示例中的处理S1703中，确定装置2、工序A的分类制程程序。接着，对在处理S1703中确定出的分类制程程序(在图17的示例中装置2、工序A的分类制程程序)定义与之前更新的分类制程程序(在图17的示例中装置1、工序A的分类制程程序)的新分类类相同分类类(S1704)。接着，从与在处理S1707的流程中更新的制程程序(在图17的示例中装置2、工序A的分类制程程序)对应的未知缺陷(即，装置2、工序A的未知缺陷)中确定与之前在装置1、工序A的分类制程程序中追加到新分类类中的未知缺陷图像相同种类的缺陷图像(S1705)。确定方法使用与使用实施例1的图12说明的方法相同的方法即可。接着，将在处理S1705中确定出的未知缺陷登记到在处理S1704中在装置2、工序A的分类制程程序内定义的新分类类中(S1706)。
此外，在处理S1705中从未知缺陷中确定相同种类的缺陷图像时，通过参照附属信息存储部215所保存的未知缺陷的拍摄时期，能够减少在确定相同种类的未知缺陷的处理中进行比较的图像数。在图17的示例中，可以假设为对登记到装置1、工序A的分类制程程序的新分类类中的未知缺陷进行拍摄的时期以前没有产生相同种类的未知缺陷，在装置2、工序A的未知缺陷中在上述时期以前拍摄得到的未知缺陷中不包含相同种类的缺陷图像。使用图12的流程，从装置2、工序A的未知缺陷中的，所拍摄的时期为对登记到装置1、工序A的新分类类中的未知缺陷进行拍摄的时期以后的未知缺陷中，确定相同种类的缺陷图像即可。
图18是使相同工序的分类制程程序列表化来进行显示而进行分类类的更新的GUI的一例。1801是使相同工序的分类制程程序列表化来进行显示的区域。1802表示在1801中列表化来进行显示的工序名称。在本图的示例中，将装置1～装置4的工序A中的分类制程程序列表化来进行显示。在列表化来进行显示时，分类类名称(1803)、装置名称(1804)、工序名称(1805)、分类类数(1806)、示教的图像数(1807)等信息也可以一起进行显示。在1801中表示的工序A的分类制程程序中定义新类，更新后的分类制程程序通过如1808那样用线包围或者变更背景颜色或者添加标记等方法来能够从没有更新的分类制程程序中加以辨别。1809是以通过图17的处理流程来更新的分类制程程序为基准来指示相同工序的分类制程程序的更新的按钮，通过按下按钮来对其它装置的相同工序的分类制程程序进行更新。此时，其中，即使是相同工序的分类制程程序，也有时由于进行其它分类测试等原因而存在不想要更新的分类列表的情况。在该情况下，配置各分类制程程序对应的复选框(1810)等，在按下1809的按钮时仅对在1810中所选的分类制程程序进行分类类的更新即可。
实施例3
使用图19和图20说明本发明所涉及的缺陷分类系统的第三实施方式。本实施例3是通过与实施例2相同的处理流程进行分类制程程序制作和更新的缺陷分类系统。与实施例2之间的差异在于，设置有多个缺陷分类系统201，以下，说明本实施例3中的分类制程程序的制作方法和更新方法。在本实施例3中与实施例2同样地以对由具备SEM的观察装置拍摄得到的图像进行分类的情况为对象进行说明，但是本实施例所涉及的缺陷分类系统的输入可以是SEM图像以外的图像，也可以是使用光学式的方法、离子显微镜等进行拍摄得到的图像。
图19示出本实施例所涉及的缺陷分类系统的一个实施例的结构图。省略说明与实施例1和实施例2所涉及的缺陷分类系统相同的结构。经由通信单元204配置有多个(M≥两个)缺陷分类系统201这一点与其它实施例不同。可以作为M=N而按照每个图像拍摄装置200来配置缺陷分类系统201，也可以作为M≠N而通过一个缺陷分类系统对从多个图像拍摄装置200拍摄得到的图像进行处理。
图20示出本实施例3中的分类制程程序制作的处理流程。在图20的说明中，说明在配置有两个缺陷分类系统时首先在缺陷分类系统1中制作工序A的分类制程程序的情况。
在图20示出的处理流程中，具有在缺陷分类系统内执行的处理流程(S2001)以及在缺陷分类系统2内执行的处理流程(S2002)，首先执行处理流程S2001。
在缺陷分类系统1内的处理流程S2001中，首先，指定制作分类制程程序的工序(S2003)。在以下说明中，说明在处理S2003中指定了工序A的情况。接着，在缺陷分类系统1内所保存的工序A的缺陷图像中，制作与各装置对应的分类制程程序(S2004)。处理S2004执行在图5的(b)中说明的相同工序中的多个装置的分类制程程序制作的处理流程以及在图6中说明的共同的分类类设定的处理流程即可。接着，指示制作缺陷分类系统2内的工序A的各装置中的分类制程程序(S2005)。将分类制程程序的制作指示信号以及制作在处理S2004中制作的缺陷分类系统1的工序A的分类制程程序的一部分或者全部的工序的信息等发送到缺陷分类系统2。
在缺陷分类系统2内的处理流程S2002中根据在处理S2005中发送的分类制程程序、工序信息，制作工序A的各装置中的分类制程程序(S2006)。在处理S2006中，已经存在缺陷分类系统1的工序A的分类制程程序，因此将这些分类制程程序作为图13中的作为基准的分类制程程序，在图5的(b)和图13中说明的处理流程中制作分类制程程序和设定分类类(S2006)。
以上，说明了设置有两个缺陷分类系统的情况，但是即使在设置三个以上的情况下，在S2005中对各缺陷分类系统进行分类制程程序的制作指示，在各缺陷分类系统内执行处理流程S2002，由此也能够应用。
另外，还能够利用图20的处理流程，对多个缺陷分类系统进行分类制程程序的更新。因此，也可以将图20的处理S2003和处理S2004替换为在图16和图17中说明的处理流程，将处理S2006也同样地替换为图16和图17的处理流程。
以上，根据实施方式具体说了由本发明者做出的发明，但是本发明并不局限于上述实施方式，在不脱离其宗旨的范围内能够进行各种变更是显而易见的。在此说明的实施方式中，以对由Review SEM拍摄得到的缺陷图像进行自动分类的功能(ADC)为例，说明了作为其具体的处理内容的、具有相同分类类的分类制程程序的制作和追加相同分类类的更新方法，但即使对于具有分类功能并需要使分类类相同化的其它缺陷观察装置、检查装置，如果可生成能够通过图像变换来比较的类似图像的话，则也能够应用本发明。
符号说明
101、200…图像拍摄装置；103、203…分类模块；201…缺陷分类系统；202…制程程序管理部；203…分类模块；204…通信单元；205…整体控制部；206…输入输出I/F部；207…处理部；208…存储部；209…对应缺陷确定部；210…信息确定部；211…制程程序更新部；212…图像变换部；213…图像存储部；214…分类制程程序存储部；215…附属信息存储部；216…分类处理部；217…输入输出部。

Claims (15)

1.一种缺陷分类方法，使用拍摄试样的装置以及与制造上述试样的工序对应的分类制程程序来分类缺陷图像，其特征在于，该缺陷分类方法具有以下步骤：
通过与第一图像拍摄装置的分类制程程序相同的工序对应的第二图像拍摄装置的分类制程程序，来定义与以上述第一图像拍摄装置的分类制程程序定义的分类类相同的分类类；
从由上述第二图像拍摄装置拍摄得到的缺陷图像中，确定与登记到以上述第一图像拍摄装置的分类制程程序定义的分类类中的示教图像相同种类的缺陷图像；以及
将上述确定出的缺陷图像登记到以上述第二图像拍摄装置的分类制程程序定义的分类类中的、与登记了上述示教图像的上述第一图像拍摄装置的分类类相同的分类类中。
2.根据权利要求1所述的缺陷分类方法，其特征在于，
上述用于确定的步骤具有以下步骤：对登记到以上述第一图像拍摄装置的分类制程程序定义的分类类中的示教图像进行图像变换，使得该示教图像与由上述第二图像拍摄装置拍摄得到的图像类似。
3.根据权利要求2所述的缺陷分类方法，其特征在于，
在上述用于确定的步骤中，通过对上述图像变换得到的图像与由上述第二图像拍摄装置拍摄得到的缺陷图像进行比较，来确定上述相同种类的缺陷图像。
4.根据权利要求3所述的缺陷分类方法，其特征在于，
在上述用于确定的步骤中，通过对根据上述图像变换得到的图像计算出的特征量与根据由上述第二图像拍摄装置拍摄得到的缺陷图像计算出的特征量进行比较，来确定上述相同种类的缺陷图像。
5.根据权利要求1所述的缺陷分类方法，其特征在于，
上述用于确定的步骤具有以下步骤：对登记到以上述第一图像拍摄装置的分类制程程序定义的分类类中的示教图像以及由上述第二图像拍摄装置拍摄得到的缺陷图像进行图像变换，使得该示教图像以及该缺陷图像与由第三图像拍摄装置拍摄得到的图像类似。
6.根据权利要求5所述的缺陷分类方法，其特征在于，
在上述用于确定的步骤中，通过对将上述示教图像进行图像变换得到的图像与将上述缺陷图像进行图像变换得到的图像进行比较，来确定上述相同种类的缺陷图像。
7.根据权利要求6所述的缺陷分类方法，其特征在于，
在上述用于确定的步骤中，对根据将上述示教图像进行图像变换得到的图像计算出的特征量与根据将上述缺陷图像进行图像变换得到的图像计算出的特征量进行比较，由此来确定上述相同种类的缺陷图像。
8.根据权利要求1～7中任一项所述的缺陷分类方法，其特征在于，
在上述用于确定的步骤中，从由上述第二图像拍摄装置拍摄得到的缺陷图像中判断为未知缺陷的未知缺陷图像中，确定与登记到以上述第一图像拍摄装置的分类制程程序定义的分类类中的示教图像相同种类的缺陷图像。
9.根据权利要求1～8中任一项所述的缺陷分类方法，其特征在于，
上述缺陷分类方法具有以下步骤：对从由上述第二图像拍摄装置拍摄得到的缺陷图像中确定出的图像显示标记。
10.根据权利要求1～9中任一项所述的缺陷分类方法，其特征在于，
上述缺陷分类方法具有以下步骤：在显示画面上的一个窗口内集中显示从由上述第二图像拍摄装置拍摄得到的缺陷图像中确定出的图像。
11.根据权利要求2～4中任一项所述的缺陷分类方法，其特征在于，
在上述用于登记的步骤中，将上述图像变换得到的图像登记到与以上述第二图像拍摄装置的分类制程程序内定义的分类类中的、与登记了上述示教图像的上述第一图像拍摄装置的分类类相同的分类类中。
12.一种缺陷分类系统，经由通信单元与多个图像拍摄装置相连接，其特征在于，该缺陷分类系统具有：
分类单元，其对由上述多个图像拍摄装置拍摄得到的缺陷图像进行分类；以及
分类制程程序管理单元，其对存储有用于分类的信息的分类制程程序进行管理，
上述分类制程程序管理单元具有：
对应缺陷确定部，其从由设置于相同工序的上述多个图像拍摄装置之一的第二图像拍摄装置拍摄得到的缺陷图像中，确定与登记到上述多个图像拍摄装置之一的第一图像拍摄装置中的分类制程程序的分类类中的示教图像相同种类的缺陷图像；以及
图像变换部，其通过图像变换对上述示教图像进行变换，使得该示教图像与从上述第二图像拍摄装置得到的缺陷图像类似。
13.根据权利要求12所述的缺陷分类系统，其特征在于，
上述分类单元具有：未知缺陷判断单元，其判断在分类制程程序中没有定义分类类的未知缺陷，
上述分类制程程序管理单元还从由上述第二图像拍摄装置拍摄得到的缺陷图像中由上述未知缺陷判断单元判断为在分类制程程序中没有定义分类类的未知缺陷的缺陷图像中，确定与上述示教图像相同种类的缺陷图像。
14.根据权利要求12或者13所述的缺陷分类系统，其特征在于，
上述分类制程程序管理单元还对具有显示画面的输入输出部输出数据，使得对从由上述第二图像拍摄装置拍摄得到的缺陷图像中确定出的图像进行标记显示。
15.根据权利要求12或者13所述的缺陷分类系统，其特征在于，
上述分类制程程序管理单元还将从由上述第二图像拍摄装置拍摄得到的图像中确定出的图像集中显示在显示画面上的一个窗口内。
CN201280019470.1A 2011-04-20 2012-04-16 缺陷分类方法以及缺陷分类系统 Active CN103502801B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
JP2011093603A JP5715873B2 (ja) 2011-04-20 2011-04-20 欠陥分類方法及び欠陥分類システム
JP2011-093603 2011-04-20
PCT/JP2012/002609 WO2012144183A1 (ja) 2011-04-20 2012-04-16 欠陥分類方法及び欠陥分類システム

Publications (2)

Publication Number Publication Date
CN103502801A true CN103502801A (zh) 2014-01-08
CN103502801B CN103502801B (zh) 2015-09-16

Family

ID=47041317

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201280019470.1A Active CN103502801B (zh) 2011-04-20 2012-04-16 缺陷分类方法以及缺陷分类系统

Country Status (5)

Country Link
US (1) US9401015B2 (zh)
JP (1) JP5715873B2 (zh)
KR (1) KR101614592B1 (zh)
CN (1) CN103502801B (zh)
WO (1) WO2012144183A1 (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103904002A (zh) * 2014-03-20 2014-07-02 上海华力微电子有限公司 一种验证缺陷检测程序灵敏度的方法
CN106290378A (zh) * 2016-08-23 2017-01-04 东方晶源微电子科技（北京）有限公司 缺陷分类方法和缺陷检查系统
CN107408209A (zh) * 2014-12-03 2017-11-28 科磊股份有限公司 无需取样及特征选择的自动缺陷分类
CN108886007A (zh) * 2016-04-13 2018-11-23 科磊股份有限公司 用于基于电设计意图的缺陷分类的系统及方法
CN109781733A (zh) * 2017-11-15 2019-05-21 欧姆龙株式会社 缺陷检查装置、缺陷检查方法及计算机可读存储介质
CN110770624A (zh) * 2017-06-29 2020-02-07 科磊股份有限公司 扫描电子显微镜的物镜校准
CN111312607A (zh) * 2018-12-12 2020-06-19 应用材料以色列公司 工艺监测
WO2022193521A1 (zh) * 2021-03-18 2022-09-22 长鑫存储技术有限公司 缺陷表征方法和装置

Families Citing this family (28)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7570796B2 (en) 2005-11-18 2009-08-04 Kla-Tencor Technologies Corp. Methods and systems for utilizing design data in combination with inspection data
WO2010014609A2 (en) 2008-07-28 2010-02-04 Kla-Tencor Corporation Computer-implemented methods, computer-readable media, and systems for classifying defects detected in a memory device area on a wafer
JP5608575B2 (ja) * 2011-01-19 2014-10-15 株式会社日立ハイテクノロジーズ 画像分類方法および画像分類装置
US9170211B2 (en) 2011-03-25 2015-10-27 Kla-Tencor Corp. Design-based inspection using repeating structures
JP5715873B2 (ja) * 2011-04-20 2015-05-13 株式会社日立ハイテクノロジーズ 欠陥分類方法及び欠陥分類システム
US9087367B2 (en) 2011-09-13 2015-07-21 Kla-Tencor Corp. Determining design coordinates for wafer defects
KR101851241B1 (ko) * 2011-12-06 2018-04-24 삼성전자 주식회사 휴대 단말기의 컨텐츠 통합 관리 방법 및 장치
US9189844B2 (en) 2012-10-15 2015-11-17 Kla-Tencor Corp. Detecting defects on a wafer using defect-specific information
US9053527B2 (en) 2013-01-02 2015-06-09 Kla-Tencor Corp. Detecting defects on a wafer
US9134254B2 (en) 2013-01-07 2015-09-15 Kla-Tencor Corp. Determining a position of inspection system output in design data space
US9311698B2 (en) 2013-01-09 2016-04-12 Kla-Tencor Corp. Detecting defects on a wafer using template image matching
WO2014149197A1 (en) 2013-02-01 2014-09-25 Kla-Tencor Corporation Detecting defects on a wafer using defect-specific and multi-channel information
US9865512B2 (en) 2013-04-08 2018-01-09 Kla-Tencor Corp. Dynamic design attributes for wafer inspection
US9310320B2 (en) 2013-04-15 2016-04-12 Kla-Tencor Corp. Based sampling and binning for yield critical defects
US9830421B2 (en) 2014-12-31 2017-11-28 Kla-Tencor Corp. Alignment of inspection to design using built in targets
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
US20180174000A1 (en) * 2015-06-04 2018-06-21 Hitachi High-Technologies Corporation Defect image classification device and defect image classification method
US9594021B2 (en) * 2015-08-12 2017-03-14 National Applied Research Laboratories Apparatus of detecting transmittance of trench on infrared-transmittable material and method thereof
WO2017203600A1 (ja) * 2016-05-24 2017-11-30 株式会社日立ハイテクノロジーズ 欠陥分類装置および欠陥分類方法
KR101744194B1 (ko) * 2016-08-19 2017-06-09 인하대학교 산학협력단 반도체 fab 제조공정에서 유클리드 거리를 활용한 웨이퍼 자동 불량 검사 분류 예측 장치 및 방법
JP2018091771A (ja) * 2016-12-06 2018-06-14 大日本印刷株式会社 検査方法、事前画像選別装置及び検査システム
KR20190073756A (ko) * 2017-12-19 2019-06-27 삼성전자주식회사 반도체 결함 분류 장치, 반도체의 결함을 분류하는 방법, 그리고 반도체 결함 분류 시스템
KR102549196B1 (ko) * 2018-02-07 2023-06-30 어플라이드 머티리얼즈 이스라엘 리미티드 반도체 시편의 심층 학습 기반 검사 방법 및 그의 시스템
US11593657B2 (en) * 2018-06-05 2023-02-28 Samsung Electronics Co., Ltd. Machine learning device and machine learning method of machine learning device
JP7161948B2 (ja) * 2018-09-07 2022-10-27 株式会社フジクラ 機械学習装置、機械学習方法、機械学習プログラム、及び検査装置
JP7203678B2 (ja) * 2019-04-19 2023-01-13 株式会社日立ハイテク 欠陥観察装置
US11087449B2 (en) * 2019-10-24 2021-08-10 KLA Corp. Deep learning networks for nuisance filtering
JP7379303B2 (ja) * 2020-09-14 2023-11-14 株式会社東芝 類似不良検索／表示システム、装置及び方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH11282822A (ja) * 1998-03-26 1999-10-15 Toshiba Corp 画像処理プログラム合成方法及びその装置並びに最適解探索方法及びその装置
US20040218806A1 (en) * 2003-02-25 2004-11-04 Hitachi High-Technologies Corporation Method of classifying defects
JP2005274285A (ja) * 2004-03-24 2005-10-06 Olympus Corp 欠陥分類辞書教示装置
CN1942757A (zh) * 2004-04-14 2007-04-04 奥林巴斯株式会社 分类装置和分类方法
CN101346623A (zh) * 2005-12-26 2009-01-14 株式会社尼康 根据图像分析进行缺陷检查的缺陷检查装置

Family Cites Families (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3476913B2 (ja) * 1994-07-08 2003-12-10 オリンパス株式会社 欠陥種別判定装置及びプロセス管理システム
DE69738979D1 (de) * 1996-03-19 2008-10-23 Hitachi Ltd Prozesssteuerungssystem
US6246787B1 (en) * 1996-05-31 2001-06-12 Texas Instruments Incorporated System and method for knowledgebase generation and management
JP4220595B2 (ja) * 1998-08-10 2009-02-04 株式会社日立製作所 欠陥の分類方法並びに教示用データ作成方法
JP4468696B2 (ja) * 2001-09-19 2010-05-26 オリンパス株式会社 半導体ウエハ検査装置
JP4118703B2 (ja) * 2002-05-23 2008-07-16 株式会社日立ハイテクノロジーズ 欠陥分類装置及び欠陥自動分類方法並びに欠陥検査方法及び処理装置
JP2004226328A (ja) * 2003-01-24 2004-08-12 Hitachi Ltd 外観検査システムおよびそれらを用いた品質評価システムおよび品質評価情報提供システム
US20050075841A1 (en) * 2003-08-05 2005-04-07 Netanel Peles Automated defect classification system and method
WO2006046236A1 (en) * 2004-10-26 2006-05-04 May High-Tech Solutions, Ltd. Method and apparatus for residue detection on a polished wafer
JP4644613B2 (ja) 2006-02-27 2011-03-02 株式会社日立ハイテクノロジーズ 欠陥観察方法及びその装置
JP5271491B2 (ja) * 2006-10-26 2013-08-21 株式会社日立ハイテクノロジーズ 電子線応用装置および試料検査方法
US8194968B2 (en) * 2007-01-05 2012-06-05 Kla-Tencor Corp. Methods and systems for using electrical information for a device being fabricated on a wafer to perform one or more defect-related functions
WO2009072458A1 (ja) * 2007-12-05 2009-06-11 Shibaura Mechatronics Corporation 特徴解析装置
US20090196489A1 (en) * 2008-01-30 2009-08-06 Le Tuan D High resolution edge inspection
US8175373B2 (en) * 2009-02-16 2012-05-08 Kla-Tencor Corporation Use of design information and defect image information in defect classification
JP2012083147A (ja) * 2010-10-08 2012-04-26 Hitachi High-Technologies Corp 欠陥分類システム及び欠陥分類装置及び画像撮像装置
JP5715873B2 (ja) * 2011-04-20 2015-05-13 株式会社日立ハイテクノロジーズ 欠陥分類方法及び欠陥分類システム

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH11282822A (ja) * 1998-03-26 1999-10-15 Toshiba Corp 画像処理プログラム合成方法及びその装置並びに最適解探索方法及びその装置
US20040218806A1 (en) * 2003-02-25 2004-11-04 Hitachi High-Technologies Corporation Method of classifying defects
JP2005274285A (ja) * 2004-03-24 2005-10-06 Olympus Corp 欠陥分類辞書教示装置
CN1942757A (zh) * 2004-04-14 2007-04-04 奥林巴斯株式会社 分类装置和分类方法
CN101346623A (zh) * 2005-12-26 2009-01-14 株式会社尼康 根据图像分析进行缺陷检查的缺陷检查装置

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103904002B (zh) * 2014-03-20 2016-08-17 上海华力微电子有限公司 一种验证缺陷检测程序灵敏度的方法
CN103904002A (zh) * 2014-03-20 2014-07-02 上海华力微电子有限公司 一种验证缺陷检测程序灵敏度的方法
CN107408209B (zh) * 2014-12-03 2021-07-06 科磊股份有限公司 用于在半导体工艺中进行缺陷分类的系统和方法
CN107408209A (zh) * 2014-12-03 2017-11-28 科磊股份有限公司 无需取样及特征选择的自动缺陷分类
CN108886007A (zh) * 2016-04-13 2018-11-23 科磊股份有限公司 用于基于电设计意图的缺陷分类的系统及方法
CN108886007B (zh) * 2016-04-13 2020-03-27 科磊股份有限公司 用于基于电设计意图的缺陷分类的系统及方法
CN106290378A (zh) * 2016-08-23 2017-01-04 东方晶源微电子科技（北京）有限公司 缺陷分类方法和缺陷检查系统
CN106290378B (zh) * 2016-08-23 2019-03-19 东方晶源微电子科技（北京）有限公司 缺陷分类方法和缺陷检查系统
CN110770624A (zh) * 2017-06-29 2020-02-07 科磊股份有限公司 扫描电子显微镜的物镜校准
CN110770624B (zh) * 2017-06-29 2021-10-08 科磊股份有限公司 扫描电子显微镜的物镜校准
CN109781733A (zh) * 2017-11-15 2019-05-21 欧姆龙株式会社 缺陷检查装置、缺陷检查方法及计算机可读存储介质
CN109781733B (zh) * 2017-11-15 2022-02-22 欧姆龙株式会社 缺陷检查装置、缺陷检查方法及计算机可读存储介质
CN111312607A (zh) * 2018-12-12 2020-06-19 应用材料以色列公司 工艺监测
CN111312607B (zh) * 2018-12-12 2022-02-25 应用材料以色列公司 工艺监测
WO2022193521A1 (zh) * 2021-03-18 2022-09-22 长鑫存储技术有限公司 缺陷表征方法和装置

Also Published As

Publication number Publication date
US9401015B2 (en) 2016-07-26
JP5715873B2 (ja) 2015-05-13
JP2012225768A (ja) 2012-11-15
KR101614592B1 (ko) 2016-04-21
US20140072204A1 (en) 2014-03-13
CN103502801B (zh) 2015-09-16
WO2012144183A1 (ja) 2012-10-26
KR20130135962A (ko) 2013-12-11

Similar Documents

Publication Publication Date Title
CN103502801B (zh) 缺陷分类方法以及缺陷分类系统
CN107004123B (zh) 迭代式缺陷滤除工艺
KR102195029B1 (ko) 결함 분류 장치 및 결함 분류 방법
CN112053318B (zh) 基于深度学习的二维pcb缺陷实时自动检测与分类装置
JP5608575B2 (ja) 画像分類方法および画像分類装置
US9335277B2 (en) Region-of-interest determination apparatus, observation tool or inspection tool, region-of-interest determination method, and observation method or inspection method using region-of-interest determination method
JP4699873B2 (ja) 欠陥データ処理及びレビュー装置
JP5948138B2 (ja) 欠陥解析支援装置、欠陥解析支援装置で実行されるプログラム、および欠陥解析システム
US20150302568A1 (en) Defect Observation Method and Defect Observation Device
US20080298670A1 (en) Method and its apparatus for reviewing defects
US20130108147A1 (en) Inspection method and device therefor
JP2001156135A (ja) 欠陥画像の分類方法及びその装置並びにそれを用いた半導体デバイスの製造方法
CN113763312A (zh) 使用弱标记检测半导体试样中的缺陷
KR20220012217A (ko) 반도체 시편에서의 결함들의 기계 학습 기반 분류
TWI553688B (zh) Charged particle beam device
US8472696B2 (en) Observation condition determination support device and observation condition determination support method
JP6049052B2 (ja) ウエハ外観検査装置及びウエハ外観検査装置における感度しきい値設定方法
WO2017203572A1 (ja) 欠陥画像分類装置および欠陥画像分類方法
JP2007198968A (ja) 画像分類方法及び画像分類装置
JP2001134763A (ja) 撮像画像に基づく欠陥の分類方法、および、その結果の表示方法
US8126257B2 (en) Alignment of semiconductor wafer patterns by corresponding edge groups
KR20220109578A (ko) Ai 기반 신발 부품용 직물 패턴 검사 시스템
CN116894956A (zh) 特征量选择方法以及装置

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