CN104870985A - 缺陷观察方法以及缺陷观察装置 - Google Patents

缺陷观察方法以及缺陷观察装置 Download PDF

Info

Publication number
CN104870985A
CN104870985A CN201380066389.3A CN201380066389A CN104870985A CN 104870985 A CN104870985 A CN 104870985A CN 201380066389 A CN201380066389 A CN 201380066389A CN 104870985 A CN104870985 A CN 104870985A
Authority
CN
China
Prior art keywords
image
defect
occupation rate
observation
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.)
Granted
Application number
CN201380066389.3A
Other languages
English (en)
Other versions
CN104870985B (zh
Inventor
平井大博
中垣亮
原田实
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 CN104870985A publication Critical patent/CN104870985A/zh
Application granted granted Critical
Publication of CN104870985B publication Critical patent/CN104870985B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G01N23/2251—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 using incident electron beams, e.g. scanning electron microscopy [SEM]
    • G01N23/2254—Measuring cathodoluminescence
    • 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
    • G01N2223/418—Imaging electron microscope
    • 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
    • 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

Abstract

在未形成图案的阶段的制造工序或在摄像图像上不显示在下层形成的图案的制造工序中，用于解析缺陷的事例增加。然而，在这样的事例中，在图像上无法识别周期性图案的情况下，存在不能合成良好的参照图像，缺陷检测失败的问题。因此，求出在被检查图像中缺陷区域所占的比例即缺陷占有率，判定该缺陷占有率与阈值的大小，根据判定结果，决定是否生成由具有被检查图像所包含的多个像素的亮度值的平均亮度值的像素构成的图像作为所述参照图像。尤其在缺陷占有率低的情况下，采用由具有被检查图像所包含的多个像素的亮度值的平均亮度值的像素构成的图像作为所述参照图像。

Description

缺陷观察方法以及缺陷观察装置
技术领域
本发明涉及一种半导体制造工序中的缺陷观察方法以及缺陷观察装置。
背景技术
在半导体制造工序，为了确保较高的成品率，早期发现在制造工序产生的缺陷来实施对策是重要的。
SEM(Scanning Electron Microscope，扫描电子显微镜)式缺陷观察装置(也被称为缺陷复查装置)是特别用于观察在半导体制造工序产生的缺陷的装置，一般是将通过上位缺陷检查装置检测出的缺陷坐标的图像以比上位缺陷检查装置高的画质进行观察的装置。具体而言，向上位的缺陷检查装置输出的缺陷坐标移动试样载物台，以成为观察对象的缺陷进入视野内的程度的低倍率进行摄像，从拍摄的低倍图像检测出缺陷坐标，以使缺陷位于视野中心的方式移动试样载物台或移动摄像中心，以适于缺陷观察的高倍率取得观察用高倍图像。
这样，以低倍图像检测出缺陷坐标是因为在由上位的缺陷检测装置输出的缺陷坐标，在装置规格的范围内包含误差，当通过SEM式缺陷观察装置取得高画质的缺陷图像时，需要修正该误差的处理。
ADR(Automatic Defect Review(自动缺陷复查)或Automatic DefectRedetection(自动缺陷再检查))对取得该高画质的缺陷图像的工序实现了自动化。在ADR中，必须根据上位缺陷检查装置中的缺陷检测的坐标精度、试样特性，或成为观察对象的缺陷的种类，一边考虑ADR的缺陷检测率与吞吐量的平衡，一边使用于检测缺陷的低倍图像的取得条件或用于观察缺陷的高倍图像的取得条件最佳化。
在专利文献1中记载了“使用扫描型电子显微镜以第1倍率取得包含缺陷的图像，根据该取得的第1倍率的包含缺陷的图像生成参照图像，比较包含所取得的第1倍率的缺陷的图像与根据该第1倍率的包含缺陷的图像生成的参照图像来检测出缺陷，通过大于第1倍率的第2倍率来拍摄检测出的缺陷”的方面。记载了由此“能够省略低倍率的参照图像的撮像工序，因此能够更高效地进行缺陷的复查”。
现有技术文献
专利文献
专利文献1：日本特开2007-40910号公报(美国专利申请公开第2007/0031026号说明书)
发明内容
发明要解决的课题
伴随着近年来的设计图案的细微化、制造工艺的复杂化，对成品率产生影响的缺陷也变得多样化，应成为观察对象的制造工序也增加。尤其，以往不视为问题的微小的缺陷也成为观察对象，在没有形成图案的阶段的制造工序或在摄像图像中不显示在下层形成的图案的制造工序中，容忍某程度的疑似缺陷的误检测来实施超高灵敏度的缺陷检查，通过缺陷观察装置观察包含疑似缺陷地检测出的缺陷候补，从而解析真正的缺陷的事例增加。
然而，在这样的事例中的参照图像的合成中，在如专利文献1那样利用根据存在缺陷的缺陷图像制造的图案的周期性，合成不存在缺陷的参照图像的方法中，在缺陷图像中无法识别周期性的图案的情况下，存在无法合成良好的参照图像，缺陷检测失败的问题。
因此，要求开发一种适于图像视野内不存在图案的情况的参照图像的生成方法、和能够使用生成的参照图像稳定地实现高精度的缺陷检测的缺陷观察系统。
用于解决课题的手段
为了解决上述课题，本发明的特征在于，求出在被检查图像中缺陷区域所占的比例即缺陷占有率，判定该缺陷占有率与阈值的大小，根据判定结果，决定是否生成由具有被检查图像所包含的多个像素的亮度值的平均亮度值的像素构成的图像作为所述参照图像。
发明效果
根据本发明，能够提供一种适于图像视野内不存在图案的情况的参照图像的生成方法、和能够使用所生成的参照图像稳定地实现高精度的缺陷检测的缺陷观察系统。
通过以下的实施方式的说明，使上述以外的问题、结构以及效果更加明确。
附图说明
图1是SEM式缺陷观察系统的概要结构图的例子。
图2是SEM式缺陷观察系统的操作/解析部的结构图的例子。
图3是进行缺陷检测的操作/解析部的功能框图的例子。
图4是取得代表参照图像的ADR流程图的例子。
图5是表示使用代表参照图像的缺陷检测方法的示意图的例子。
图6是实施例1的ADR流程图的例子。
图7是表示实施例1的缺陷检测方法的示意图的例子。
图8是表示实施例1的缺陷检测方法的问题的示意图的例子。
图9是实施例2的ADR流程图的例子。
图10是表示实施例2的缺陷检测方法的示意图的例子。
图11是实施例3的ADR流程图的例子。
图12是表示实施例3的缺陷检测方法的示意图的例子。
图13是实施例4的ADR流程图的例子。
图14是表示实施例4的缺陷检测方法的示意图的例子。
图15是实施例5的ADR流程图的例子。
图16是表示实施例5的缺陷检测方法的示意图的例子。
图17是表示在实施例6中说明的计算缺陷占有率的方法的示意图的例子。
图18是表示在实施例7中说明的计算缺陷占有率的方法的示意图的例子。
图19是表示在实施例8中说明的缺陷占有率的判定方法的示意图的例子。
图20是实施例9中说明的能够选择缺陷检测方法的GUI的例子。
具体实施方式
说明即使在图像视野内不存在图案时，也兼顾了缺陷检测精度和吞吐量的稳定的缺陷检测方法、缺陷观察装置以及缺陷观察系统的结构例。在以下说明的缺陷观察系统是本发明的一例，本发明并不限于在以下说明的实施方式。在本发明中，缺陷观察装置是使用带电粒子束对试样的图像进行摄像的装置，广泛包括比较多个图像来检测缺陷的装置。此外，缺陷观察系统是缺陷观察装置通过网络等与其他装置连接而得的系统，广泛包括包含缺陷观察装置而构成的系统。
作为包含缺陷观察装置的缺陷观察系统的一个结构例，说明在SEM式缺陷观察装置中通过ADR取得缺陷图像的例子，但系统结构并不局限于此，构成缺陷观察系统的装置的一部分或全部也可以由不同装置构成。例如，本实施例的ADR处理可以通过与SEM式缺陷观察装置进行网络连接的ADR处理装置、图像管理装置或配方管理装置来执行，也可以通过搭载在系统内的通用计算机上的CPU(Central Processing Unit，中央处理单元)用执行所期望的运算处理的程序来执行。此外，也可以通过记录有该程序的存储介质来升级已有的装置。
此外，在本说明书中，“缺陷”并不局限于异物，广泛包括试样的材料不良或结构不良等观察对象物。
此外，在本说明书中，“试样”不仅是制造图案之前的阶段的工序的晶片，还可以是制造图案之后的阶段的工序。在以下说明的实施例中，不论是否实际制造了图案，在观察图像的视野内没有拍摄图案或不存在图案的情况下尤其有效。
此外，在本说明书中，“缺陷图像”是成为缺陷检查的对象的图像(被检查图像)，不仅包括真正的缺陷的图像，还包括缺陷候补的图像或疑似缺陷的图像。此外，“参照图像”是为了缺陷提取而在与缺陷图像的比较中所使用的、成为所谓的基准的图像，是推定为正常区域即无缺陷的区域的图像。
以下，参照附图，详细地对本发明的实施例进行说明。
实施例1
SEM式缺陷观察装置是以由光学式或SEM式检查装置等缺陷检查装置检测出的缺陷坐标作为输入信息，在适于观察或解析的条件下取得缺陷坐标的高画质的SEM图像的装置。作为向SEM式观察装置的输入信息，除了使用由缺陷检查装置检测出的缺陷坐标以外，还可以使用由以设计布局数据为基础的仿真等提取出的观察点的坐标信息。
图1是表示本实施例的SEM式观察系统的整体结构的示意图。图1的SEM式缺陷观察装置118由如下部件构成：由电子枪101、透镜102、扫描偏转器103、物镜104、试样105、二次粒子检测器109等光学要素构成的电子光学系统、使保持成为观察对象的试样的试样台在XY面内移动的载物台106、控制该电子光学系统所包含的各种光学要素的电子光学系统控制部110、量化二次粒子检测器109的输出信号的A/D转换部111、控制载物台106的载物台控制部112、整体控制/解析部113、图像处理部114、具备显示器、键盘、鼠标等的操作部115、保存所取得的图像等的存储装置116以及光学显微镜117等。此外，电子光学系统、电子光学系统控制部110、A/D转换部111、载物台106、载物台控制部112构成SEM图像的摄像单元即扫描电子显微镜。
从电子枪101发射的一次电子束107被透镜102会聚，被扫描偏转器102偏转后被物镜104会聚，向试样105照射。根据试样的形状或材料，从被照射了一次电子束107的试样105产生二次电子或反射电子等二次粒子108。产生的二次粒子108被二次粒子检测器109检测后，被A/D转换部111转换成数字信号。有时将转换为数字信号的二次粒子检测器的输出信号称为图像信号。向图像处理部114输出A/D转换部111的输出信号来形成SEM图像。当然，除此以外，该装置还可以包括其他透镜或电极、检测器，也可以部分与上述不同，带电粒子光学系统的结构并不局限于此。
图像处理部114使用所生成的SEM图像来执行用于进行缺陷检测等图像处理的ADR处理或按种类自动分类缺陷的ADC(Automatic DefectClassification，自动缺陷分类)处理等各种图像解析处理。另外，在本实施例的SEM式观察装置中，可以以不同的多个倍率取得观察对象的图像。例如，可以通过改变扫描偏转器103的扫描范围来改变倍率而进行观察。
通过电子光学系统控制部110来执行透镜102、扫描偏转器103、物镜104等电子光学系统内部的光学要素的控制。通过被载物台控制部112控制的载物台106来执行试样的位置控制。整体控制以及解析部113是集中控制SEM式观察装置整体的控制部，对来自具备显示器、键盘、鼠标等的操作部115、存储装置116的输入信息进行解析，对电子光学系统控制部110、载物台控制部112、图像处理部114等进行控制，并根据需要向操作部115所包含的显示部或存储装置116输出处理结果。
通过图像处理部114执行的处理，可以通过专用的电路基板构成为硬件，也可以通过与缺陷观察装置连接的计算机所执行的软件来实现。通过硬件构成的情况下，可以通过将执行处理的多个运算器集成在布线基板、半导体芯片或封装内来实现。通过软件构成的情况下，可以通过在图像处理部114中搭载高速的CPU，用程序执行所期望的运算处理来实现。
此外，在图1中作为缺陷观察系统的一例，示出了将SEM式缺陷观察装置118、配方管理装置120以及缺陷信息数据库121经由LAN(Local AreaNetwork，局域网)119连接的例子。将通过SEM式缺陷观察装置118取得的图像保存在缺陷信息数据库121中。也将其他缺陷相关的信息，例如缺陷图像的摄像条件或检测出的缺陷坐标等保存在缺陷信息数据库121中。配方管理装置120从缺陷信息数据库121取得生成配方所需要的缺陷信息，并执行包含图像处理的运算处理，来生成记录了执行ADR或ADC处理等的条件、顺序的配方。可以将在运算处理中所使用的参数或生成的配方等保存在内置于配方管理装置内的存储装置中，也可以保存在缺陷信息数据库中。这样，“缺陷信息”包括检查装置检测出的缺陷的坐标、检查装置拍摄的图像、通过检查装置的解析功能进行解析而得到的结果，或通过缺陷观察装置重新检测出的缺陷的坐标、缺陷观察装置拍摄的图像、通过缺陷观察装置的解析功能进行解析而得到的结果等与缺陷相关的信息。
图2是图1的整体控制部以及解析部113、操作部115以及存储装置116的详细图的例子。在此，操作/解析部201综合表现了图1的整体控制/解析部113和操作部115。操作/解析部201是根据来自操作部115的操作指示，由装入整体控制/解析部113内的CPU执行预定的程序来实现的、由多个功能模块构成的部件。这样，并不局限于将图1所示的整体控制/解析部装入SEM式观察装置内的结构，也可以独立于图1所示的SEM式观察装置而构成图2所示的操作/解析部201，并通过网络连接来连接图1与图2的构成要素。
将图2的构成要素装入图1的缺陷观察系统中的情况下，也可以将缺陷数据存储部202、图像数据存储部203、解析参数存储部204、解析结果数据存储部205综合为图1的存储装置116。
在缺陷数据存储部201中存储有缺陷坐标等缺陷信息。在图像数据存储部202中存储有通过SEM式观察装置拍摄的缺陷图像。在解析参数存储部204中存储有在图像取得或图像解析时所执行的ADR条件、ADC条件等条件，并能够重现多个条件。将处理结果存储在解析结果数据存储部205中
作为其他实施例，也可以通过图1所示的SEM式缺陷观察系统中的配方管理装置120来实现操作/解析部201的功能。并且，也可以通过图1所示的SEM式缺陷观察系统中的缺陷信息数据库121来实现缺陷数据存储部202、图像数据存储部203、解析参数存储部204、解析结果数据存储部205。
图3是用于进行在以下说明的缺陷检测处理的功能的框图的例子。在图3的功能框图中，为了使说明变得简单，示出了所有与以下的全部实施例对应的功能，但向装置的实际安装也可以仅是一部分。详细内容如各实施例所示。
参照图像生成处理部306根据低倍缺陷图像通过在以下的各实施例叙述的方法来生成低倍参照图像。此外，如实施例2以后叙述的那样不进行低倍参照图像的合成，而是使用新拍摄的低倍参照图像的情况下，直接输出所取得的低倍参照图像302作为比较对象用图像。缺陷检测处理部308以低倍缺陷图像301和低倍参照图像307为输入信息，来检测这些图像的差分区域作为缺陷区域。输出检测出的缺陷坐标309作为用于取得高倍图像的缺陷坐标信息。
缺陷占有率判定处理部305以SEM式观察装置拍摄的低倍缺陷图像301为输入信息，来进行缺陷占有率判定。详细内容在实施例2以后进行叙述。该情况下，参照图像生成处理部306根据由缺陷占有率判定处理部305判定出的结果来决定参照图像生成方法。根据所决定的生成方法，以低倍缺陷图像301或低倍参照图像302或已取得低倍缺陷图像303或已取得低倍参照图像304为输入信息，来生成低倍参照图像307。在此，“已取得”表示过去对作为被检查对象的缺陷图像301以外的缺陷图像进行了拍摄。通过实施例3、4、5详细叙述使用已取得低倍缺陷图像或已取得低倍参照图像的方法。
这样，根据作为解析对象的低倍缺陷图像的缺陷占有率，使在缺陷检测中所使用的低倍参照图像的生成方法最佳化，从而能够提高缺陷检测的精度。此外，通过使根据缺陷占有率最佳化低倍参照图像的生成方法的处理自动化，操作员无需选择低倍参照图像的取得或生成方法，因此能够减轻作业负担。
图4是在ADR序列的最初取得代表低倍参照图像的ADR流程图的例子。对于在图像视野内不存在图案的情况下，即通过没有形成图案的阶段的制造工序或膜材的涂布等，在摄像图像上不出现在下层形成的图案的状态下的试样，无需每次取得与低倍缺陷图像对应的低倍参照图像。因此，为了高速化，在ADR序列的最初仅取得1幅低倍参照图像，比较取得的低倍参照图像与各低倍缺陷图像来进行缺陷检测。将这样为了设为各低倍缺陷图像的比较基准而取得的代表图像称为“代表低倍参照图像”。
首先，在ADR序列的最初取得代表低倍参照图像(401)。重要的是代表低倍参照图像不包含缺陷或在试样上制造出的图案，因此取得没有图案的可能性较高的试样的中心坐标或操作员在配方中指定的坐标的图像。在代表低倍参照图像中含有缺陷的情况下，在检测与低倍缺陷图像的差分时，检测出应成为观察对象的缺陷以外的差分，因此缺陷检测失败。
接着，以使观察对象的坐标进入视野的方式移动试样载物台，来取得低倍缺陷图像(402)。比较所取得的低倍缺陷图像与在序列的最初取得的代表低倍参照图像，来检测差分作为缺陷区域(403)。在检测出的缺陷区域的坐标，以适于观察的倍率来取得高倍缺陷图像(404)。在此，适于观察的倍率一般是比低倍图像高的倍率。对观察对象的所有试样和所有检查对象点执行402至404的处理(405)。如上所述，不是对每个观察对象取得低倍参照图像，而是在ADR序列的最初取得代表低倍参照图像来反复使用，由此能够提高吞吐量。
图5是表示使用代表低倍参照图像的缺陷检测处理的示意图的例子。使用该示意图对在图4中说明的方法的问题点进行说明。在使用代表低倍参照图像的方法中，比较缺陷图像501与代表低倍参照图像502来求出差分图像503。差分图像503是以像素单位比较低倍缺陷图像501与代表低倍参照图像502而求得的图像，在差分图像503中灰度值的差在阈值以上的情况下，判定为存在有意义差。在差分图像503中，用白色表示判定为存在有意义差的像素，用黑色表示判定为没有有意义差的像素。以下，在本说明书中，将白色部分设为判定为缺陷部分的区域，将黑色部分设为判定为正常部分的区域来进行说明。
在图5的事例中，在低倍缺陷图像501上存在曲线状的缺陷504，在差分图像503上检测出缺陷区域505。但是，由于在代表低倍参照图像502中存在的噪声的影响，因此虚线状地检测出缺陷区域505。此外，由于在低倍缺陷图像501和代表低倍参照图像502中存在的噪声的影响，因此在差分图像503上除了缺陷区域505以外，还提取可能成为缺陷误检测的原因的差分。
减轻摄像时的噪声自身的技术或通过图像处理减轻噪声的影响的技术已发达，但仅通过这些处理是不充分的，要求适于在图像视野内不存在图案的情况的、运算成本低、对噪声有鲁棒性的缺陷检测处理。尤其，在SEM式观察装置中，带电状态根据试样的材质或结构的不同而变化，从而有时取得的图像的样子变动，因此要求与代表低倍参照图像和低倍缺陷图像的样子的变动对应的缺陷检测处理。
在专利文献1的技术中，根据缺陷图像合成成为比较对象的参照图像，因此与在图5中说明的方法相比，缺陷图像与参照图像的样子不同，例如在亮度分布的波动减小的方面是有利的，但关于缺陷检测精度和吞吐量存在问题。
首先，关于缺陷检测精度，在图像视野内不存在图案的情况下，存在利用了周期性的参照图像合成的精度较差的问题。在合成的参照图像中留有缺陷区域时，与缺陷图像进行比较时，看漏缺陷或误检测出缺陷以外的区域的可能性升高。
接着，关于吞吐量，需要计算出缺陷图像的周期性，根据周期性分割图像后再次合成分割后的图像，为了合成参照图像，存在运算成本高且吞吐量恶化的问题。利用观察视野内的图案来合成参照图像的处理对每个缺陷图像重复，即重复观察对象的数量，因此在这些处理时间的合计比在图4说明的代表参照图像的取得时间变长的情况下，在吞吐量方面，在ADR序列的最初仅取得1次代表低倍参照图像的方法优异。
因此，说明用于解决将在图4或图5说明的技术或专利文献1的技术应用于图像视野内不存在图案的情况时的问题的处理方法。图6是本实施例的ADR的流程图的例子。
首先，取得低倍缺陷图像(601)。与图4相比，无需在序列的最初取得代表低倍参照图像，因此能够缩短代表低倍参照图像的取得处理的处理时间。
接着，根据取得的低倍缺陷图像的平均亮度值生成低倍参照图像(602)。需要对每个低倍缺陷图像执行该低倍参照图像的生成处理，但与专利文献1相比，只是单纯地计算平均值，由于处理本身简单，因此能够在短时间内生成低倍参照图像。此外，与对低倍缺陷图像、低倍参照图像或差分图像实施噪声减轻处理相比，一般能够高速地处理用于计算平均亮度值的处理。另外，这里的“平均亮度值”是构成低倍缺陷图像的像素全体的平均亮度值或代表的亮度值。例如，以500×500像素构成低倍缺陷图像的情况下，将合计250,000像素的全部像素值的平均设为平均亮度值，以使所有像素具有该平均亮度值的方式构成500×500像素的图像。在SEM图像中大多情况下以0至255的256个灰度来表示亮度值，因此在这样的情况下，平均亮度值采用0至255之间的值。
最后，比较在602中生成的低倍参照图像与在601中取得的低倍缺陷图像，来检测出差分作为缺陷区域，设为缺陷坐标(603)。在检测出的缺陷坐标，以适于观察的倍率，一般以比低倍缺陷图像高的倍率取得高倍缺陷图像(604)。对观察对象的所有试样和所有检查对象点执行601至604的处理(605)。
图7是表示使用根据在图6中说明的低倍缺陷图像的平均亮度值来生成的低倍参照图像的缺陷检测处理的示意图的例子。比较低倍缺陷图像701与根据低倍缺陷图像的平均亮度值生成的低倍参照图像702，在灰度值的差在阈值以上的情况下判定为存在有意义差。在差分图像703中，用白色表示判定为存在有意义差的像素，用黑色表示判定为没有有意义差的像素。
与图5的事例同样地，在图7的事例中，也在低倍缺陷图像701上存在曲线状的缺陷704，在差分图像703上检测为缺陷区域705。与图5的缺陷区域505相比，在低倍参照图像702上不存在噪声，从而能够更准确地提取缺陷区域。此外，在差分图像703上除了应检测出的缺陷区域705外，还留有在缺陷图像701上存在的噪声的一部分，但与图5的差分图像503相比，在低倍参照图像702上不存在噪声，从而缺陷以外的差分区域相应地减少。
如上所述，能够以低倍缺陷图像301为输入，通过参照图像生成处理部306根据低倍缺陷图像301的平均亮度值生成低倍参照图像307，通过缺陷检测处理部308比较低倍缺陷图像301与低倍参照图像307，输出差分作为缺陷坐标309。根据该方法，使用根据低倍缺陷图像的平均亮度值生成的低倍参照图像，因此与使用代表低倍参照图像的方法相比，能够针对代表低倍参照图像的噪声或样子的变动实现稳定的缺陷检测。此外，能够通过计算低倍缺陷图像的平均亮度值这样的简单的运算生成低倍参照图像，因此能够实现高速的缺陷检测处理。
实施例2
在本实施例中，说明与在实施例1说明的方法相比，比处理速度更重视缺陷检测的稳定性的缺陷观察方法的例子。图1至图3的结构和图4至图7的说明内容与本实施例相同，因此省略说明。
图8是表示在图6和图7说明的、使用根据低倍缺陷图像的平均亮度值生成的低倍参照图像的缺陷检测方法的问题的示意图。根据低倍缺陷图像的平均亮度值生成低倍参照图像时的问题是，在缺陷区域在低倍缺陷图像中所占的面积相对广的情况下，计算出的平均亮度值受到缺陷区域的亮度值的影响强。另外，“缺陷占有率”是缺陷区域在图像的视野整体中所占的比例。通常，图像视野中的缺陷区域小，因此缺陷占有率小，但在应检测的缺陷是所谓巨大缺陷的情况下，缺陷占有率变高。
如图8所示，在低倍缺陷图像801中，存在相对于观察视野缺陷占有率高的缺陷804的情况下，根据低倍缺陷图像801的平均亮度值生成的低倍参照图像802受到占有率高的缺陷804部分的亮度值的影响强。根据除了缺陷区域以外的平均亮度生成低倍参照图像是理想的，与此相对，在图8的事例中，低倍缺陷图像801中的缺陷区域804的亮度低(暗)，除了缺陷区域的区域的亮度高(亮)，因此生成的低倍参照图像802与理想的低倍参照图像相比亮度变低(暗)。因此，在比较低倍缺陷图像801与低倍参照图像802并将差分计算为缺陷区域的差分图像803中，想要检测的缺陷区域805被判定为非缺陷区域(图中的黑色部分)，另一方面，将应判定为非缺陷区域的背景部分误检测为缺陷区域(图中的白色部分)。
这样，在实施例1中说明的根据低倍缺陷图像的平均亮度值生成低倍参照图像的方法，在低倍缺陷图像中缺陷所占的比例大的情况下，存在缺陷检测精度下降的问题。
使用图9说明解决在图8中说明的低倍缺陷图像中的缺陷占有率高的情况下，缺陷检测精度下降的问题的方法。图9是根据缺陷图像的缺陷占有率改变低倍参照图像的ADR流程图的例子。即，是在缺陷占有率高的情况下取得参照图像，在缺陷占有率低的情况下通过实施例1的方法生成低倍参照图像的例子。
首先，取得低倍缺陷图像(901)。接着，求出缺陷区域在取得的低倍缺陷图像中所占的占有率(缺陷占有率)，判定与预先决定的阈值的大小(902)。根据该判定结果，决定是否使用低倍缺陷图像的平均亮度值生成低倍参照图像。具体而言，在缺陷占有率低的情况下，判断根据低倍缺陷图像的平均亮度值生成低倍参照图像的方法为有效，通过与图6或图7中说明的同样的方法，根据低倍缺陷图像的平均亮度值生成低倍参照图像(904)。另一方面，在缺陷占有率高的情况下，若根据低倍缺陷图像的平均亮度值生成低倍参照图像，则受到缺陷占有率高的缺陷区域的影响而无法以所期望的亮度值生成低倍参照图像的可能性较高，因此新取得能够期待为不存在缺陷的坐标的图像作为低倍参照图像(903)。在此，缺陷占有率的大小如实施例8所示的方法那样，通过某阈值来进行判定即可。
接着，比较在903中取得的低倍参照图像或在904中生成的低倍参照图像与在901中取得的低倍缺陷图像，检测出其差分作为缺陷区域(905)。并且，以适于观察检测出的缺陷区域的倍率，一般以比低倍缺陷图像高的倍率，来取得高倍缺陷图像(906)。对所有试样和检查对象点执行901至906的作业(907)。
图10是表示在图9中说明的缺陷检测方法的示意图的例子。在低倍缺陷图像1001中，在判定为缺陷区域1004大、缺陷占有率高的情况下，不根据低倍缺陷图像生成低倍参照图像，而是取得能够期待为不存在缺陷的坐标的图像来设为低倍参照图像1002。另一方面，在判定为缺陷区域小、缺陷占有率低的情况下，将通过与在图6或图7中说明的方法同样的方法根据低倍缺陷图像的平均亮度值生成的图像设为低倍参照图像。
接着，比较低倍缺陷图像1001与低倍参照图像1002来求出差分图像1003。以像素单位比较低倍缺陷图像1001与低倍参照图像1002，在灰度值的差在阈值以上的情况下，判定为存在有意义差。在图10的差分图像1003中，用白色表示判定为存在有意义差的部分，用黑色表示判定为没有有意义差的部分。
这样，以低倍缺陷图像301为输入，通过缺陷占有率判定处理部305求出缺陷占有率。参照图像生成处理部306在缺陷占有率高的情况下重新拍摄低倍参照图像302，并且在缺陷占有率低的情况下根据低倍缺陷图像的平均亮度值生成低倍参照图像307。缺陷检测处理部308比较低倍缺陷图像301与从参照图像生成处理部306输出的低倍参照图像307，将其差分作为缺陷坐标309而输出。
根据该方法，在低倍缺陷图像的缺陷占有率低的情况下，将以低倍缺陷图像的平均亮度值生成的低倍参照图像应用于缺陷检测，由此能够针对噪声或观察坐标的材质或结构引起的亮度的变动实现稳定的缺陷检测，在低倍缺陷图像的缺陷占有率高的情况下，取得能够期待为不存在缺陷的坐标的图像而设为低倍参照图像，因此能够防止缺陷检测率的降低。此外，在处理速度的观点，在取得低倍参照图像的次数增加时，ADR的吞吐量降低，但通过留意不过度提高低倍缺陷图像的倍率(不使观察视野过度变窄)来设定低倍缺陷图像的观察条件，也能够抑制缺陷占有率高的缺陷图像的产生。
实施例3
在本实施例中说明与在实施例1中说明的方法相比，重视缺陷检测的稳定性且将处理速度的降低抑制到最小限的缺陷观察方法的实施例。此外，与实施例2相比，缺陷检测的稳定性相同，处理速度为高速。另外，图1至图3的结构和图4至图7的说明内容与本实施例相同，因此省略说明。
在实施例2中说明的方法与在图5中说明的取得代表参照图像的方法同样，存在容易受低倍参照图像的噪声影响，缺陷检测精度下降的问题。此外，通过调整低倍缺陷图像取得时的倍率能够进行控制，但如图9所述，在判定为缺陷占有率高的事例增加时，需要取得低倍参照图像的处理，因此存在吞吐量下降的问题。
图11是在低倍缺陷图像的缺陷占有率高的情况下，以代表低倍参照图像的平均亮度值生成低倍参照图像的ADR流程图的例子。在实施例2说明的、低倍缺陷图像的缺陷占有率高的情况下，在取得能够期待为不存在缺陷的坐标的图像而设为低倍参照图像的方法中，说明用于解决上述课题的方法。
首先，在ADR序列的最初，取得能够期待为不存在缺陷的坐标的图像，将其设为代表低倍参照图像(1101)。接着，取得低倍缺陷图像(1102)，求出缺陷区域在取得的低倍缺陷图像中所占的缺陷占有率，判定与预先决定的阈值的大小(1103)。根据该判定结果，决定是否使用低倍缺陷图像的平均亮度值来生成低倍参照图像。具体而言，在缺陷占有率低的情况下，判断以低倍缺陷图像的平均亮度值生成低倍参照图像的方法为有效，根据低倍缺陷图像的平均亮度值生成低倍参照图像(1105)。另一方面，在缺陷占有率高的情况下，以在1101中取得的代表低倍参照图像的平均亮度值生成低倍参照图像(1104)。
最后，比较以代表低倍参照图像的平均亮度值生成的低倍参照图像或以低倍缺陷图像的平均亮度值生成的低倍参照图像与在1102中取得的低倍缺陷图像，来检测出差分作为缺陷区域(1106)。接着，取得扩大了检测出的缺陷区域的高倍缺陷图像(1107)，对所有的试样和检测对象点执行1102至1107的处理(1108)。
图12是表示在图11中说明的缺陷检测方法的示意图的例子。首先，根据在ADR序列的最初取得的代表低倍参照图像1206的平均亮度值生成低倍参照图像1202。求出取得的低倍缺陷图像1201的缺陷占有率。在缺陷占有率高的情况下，比较低倍缺陷图像1201与低倍参照图像1202来求出差分图像1203。另一方面，在判定为缺陷区域小、缺陷占有率低的情况下，将通过与在图6或图7中说明的方法同样的方法根据低倍缺陷图像的平均亮度值生成的图像设为低倍参照图像。
在图12的差分图像1203中，以像素单位比较低倍缺陷图像1201与低倍参照图像1202，在灰度值的差在阈值以上的情况下，判定为存在有意义差。在差分图像1203中，用白色表示判定为存在有意义差的像素，用黑色表示判定为没有有意义差的图像。
这样，以低倍缺陷图像301为输入，通过缺陷占有率判定处理部305求出缺陷占有率。参照图像生成处理部306在缺陷占有率高的情况下以代表低倍参照图像的平均亮度值生成低倍参照图像307，并且在缺陷占有率低的情况下根据低倍缺陷图像的平均亮度值生成低倍参照图像307。缺陷检测处理部308比较低倍缺陷图像301与从参照图像生成处理部306输出的低倍参照图像307，将其差分作为缺陷坐标309而输出。
根据该方法，在缺陷占有率低的情况下，将以低倍缺陷图像的平均亮度值生成的低倍参照图像应用于缺陷检测，由此能够针对噪声或观察坐标的材质或结构引起的亮度的变动实现稳定的缺陷检测，在低倍缺陷图像的缺陷占有率高的情况下，以代表低倍参照图像的平均亮度值生成低倍参照图像，因此能够不受低倍缺陷图像的缺陷区域的影响地进行缺陷检测，能够防止缺陷检测率的降低。此外，根据代表低倍参照图像的平均亮度生成低倍参照图像，从而与直接使用代表低倍参照图像的情况相比，难以受到代表低倍参照图像的噪声的影响，能够实现高精度的缺陷检测。并且，在序列的最初仅取得1次代表参照图像，从而与在缺陷占有率高的情况下每次取得低倍参照图像的方法相比，能够将由取得低倍参照图像所引起的吞吐量的降低抑制到最小限。
实施例4
在本实施例中说明通过使用过去已取得或已生成的参照图像来实现稳定的缺陷检测的缺陷观察方法的例子。图1至图3的结构和图4至图7的说明内容与本实施例相同，因此省略说明。
通过在实施例1至实施例3中说明的方法，能够考虑缺陷检测精度与吞吐量的平衡来选择适于观察对象的缺陷观察方法，但例如在对不同的工序重复使用一个配方的情况下，因试样的材质或结构的不同而背景部分的样子不同的可能性高，因此要求在这样的事例中也能够稳定对应的方法。
此外，如在实施例3中说明的ADR序列所示，通过在序列的最初取得1幅代表参照图像的方法，无法保证代表参照图像为理想的参照图像。理想的参照图像是不仅在视野内不显示制造图案或下层结构，为与缺陷图像的背景部分相同的亮度，并且不会产生由噪声或试样的带电引起的亮度不均的图像。虽然罕见，但存在代表参照图像不是理想的参照图像的情况，因此要求对于这样的事例也稳定的方法。
图13是在低倍缺陷图像的缺陷占有率高的情况下，以已取得或已生成的参照图像的平均亮度值生成低倍参照图像的ADR流程图。首先，取得低倍缺陷图像(1301)，求出缺陷区域在取得的低倍缺陷图像中所占的占有率，判定与预先决定的阈值的大小(1302)。根据该判定结果，决定是否使用低倍缺陷图像的平均亮度值来生成低倍参照图像。具体而言，在缺陷占有率低的情况下，判断以低倍缺陷图像的平均亮度值生成参照图像的方法为有效，根据低倍缺陷图像的平均亮度值生成低倍参照图像(1304)。另一方面，在缺陷占有率高的情况下，以已取得的参照图像或已生成的参照图像的平均亮度值生成低倍参照图像(1303)。在此，已取得的参照图像或已生成的参照图像并不局限于在观察时的ADR序列内取得或生成的低倍参照图像，也可以包含通过被认为像质相同的配方在过去取得或生成的参照图像。参照图像的选择可以是自动选择，也可以是操作员选择后通过配方指定。也可以选择多个已取得或已生成的低倍参照图像，根据这些所有图像的平均亮度值来生成低倍参照图像。
在图13中，在缺陷占有率判定处理(1302)后，以已取得或已生成的参照图像的平均亮度值生成低倍参照图像(1303)，因此能够使用在ADR序列内生成的最新的低倍参照图像。由此，能够期待跟踪基于观察点的材质或构造的样子的变动而稳定的缺陷检测。
然而，每次生成低倍参照图像时需要相应的运算成本，因此在ADR序列的开始前，可以通过已取得或已生成的参照图像的平均亮度预先生成低倍参照图像。例如，也可以将生成的低倍参照图像登录在记述了ADR执行条件的配方中。由此，不会使ADR的吞吐量下降而能够灵活运用考虑了过去取得或生成的参照图像的低倍参照图像，因此能够实现稳定的缺陷检测。
接着，比较在1303中生成的低倍参照图像或在1304中生成的低倍参照图像与在1301中取得的低倍缺陷图像，来检测出差分作为缺陷区域(1305)。最后，取得检测出的缺陷区域的扩大图像作为高倍缺陷图像(1306)。对所有试样和检查对象点执行1301至1306的处理(1307)。
图14是表示在图13中说明的缺陷检测方法的示意图的例子。
首先，以已取得或已生成的1幅以上的参照图像1406的平均亮度值生成低倍参照图像1402。求出取得的低倍缺陷图像1401的缺陷占有率，在缺陷占有率高的情况下，以像素单位比较低倍缺陷图像1401与低倍参照图像1402。另一方面，在判定为缺陷区域小、缺陷占有率低的情况下，将通过与在图6或图7中说明的方法同样的方法根据低倍缺陷图像的平均亮度值生成的图像设为低倍参照图像，并将其与低倍缺陷图像进行比较。通过比较，在灰度值的差在阈值以上的情况下，判定为存在有意义差。在差分图像1403中，用白色表示判定为存在有意义差的像素，用黑色表示判定为没有差异的像素。
这样，以低倍缺陷图像301为输入，通过缺陷占有率判定处理部305求出缺陷占有率。参照图像生成处理部306在缺陷占有率高的情况下通过已取得的低倍参照图像304的平均亮度值生成低倍参照图像307，并且在缺陷占有率低的情况下根据低倍缺陷图像的平均亮度值生成低倍参照图像307。缺陷检测处理部308比较低倍缺陷图像301与从参照图像生成处理部306输出的低倍参照图像307，将其差分作为缺陷坐标309而输出。
根据该方法，在缺陷占有率低的情况下，将以低倍缺陷图像的平均亮度值生成的低倍参照图像应用于缺陷检测，由此针对由噪声或观察坐标的材质或结构引起的亮度的变动，能够实现稳定的缺陷检测，在低倍缺陷图像的缺陷占有率高的情况下，根据已取得的1幅以上的参照图像求出平均亮度值，以平均值度值生成低倍参照图像，因此针对由噪声或观察坐标的材质或结构引起的亮度的变动，能够生成稳定的低倍参照图像。并且，能够避免较少发生的、代表低倍参照图像不是理想参照图像的事例。
实施例5
在本实施例中说明以从过去取得的缺陷图像去除了缺陷区域的区域的平均亮度值生成参照图像并使用该参照图像，由此实现稳定的缺陷检测的缺陷观察方法的例子。图1至图3的结构和图4至图7的说明内容与本实施例相同，因此省略说明。
图15是说明用于避免较少发生的、代表低倍参照图像不是理想参照图像的事例的、与实施例4不同的方法的ADR流程图的例子。首先，取得低倍缺陷图像(1501)，求出缺陷区域在取得的低倍缺陷图像中所占的缺陷占有率，判定与预先决定的阈值的大小(1502)。根据该判定结果，决定是否使用低倍缺陷图像的平均亮度值来生成低倍参照图像。具体而言，在缺陷占有率低的情况下，判断以低倍缺陷图像的平均亮度值生成低倍参照图像的方法为有效，根据低倍缺陷图像的平均亮度值生成低倍参照图像(1504)。另一方面，在缺陷占有率高的情况下，从在低倍缺陷图像的拍摄之前已取得的包含缺陷的图像去除缺陷区域而求出平均亮度值，并以该平均亮度值生成低倍参照图像(1503)。另外，此时将已取得的包含缺陷的图像所包含的缺陷区域设为通过以该缺陷图像为被检查对象的ADR或ADC处理已经求出。
接着，比较在1503中生成的低倍参照图像或在1504中生成的低倍参照图像与在1501中取得的低倍缺陷图像，来检测出差分作为缺陷区域(1505)。最后，取得检测出的缺陷区域的扩大图像作为高倍缺陷图像(1506)。对所有的观察对象的试样执行1501至1506的处理(1507)。
在图15中，在缺陷占有率判定处理(1502)后，从已取得的缺陷图像中去除缺陷区域，以平均亮度值生成低倍参照图像(1503)，因此能够使用在ADR序列内取得的最新的低倍缺陷图像。由此，能够期待跟踪基于观察点的材质或构造的样子的变动而稳定的缺陷检测。
此外，每次生成低倍参照图像时需要相应的运算成本，因此在ADR序列的开始前，可以从事先已取得的缺陷图像去除缺陷区域而以平均亮度生成低倍参照图像。例如，也可以将生成的低倍参照图像登录在记述了ADR执行条件的配方中。这样，不会使ADR的吞吐量下降而能够灵活运用考虑了过去取得的缺陷图像而生成的低倍参照图像，因此能够实现稳定的缺陷检测。
此外，在1503中生成低倍参照图像时，对已取得的缺陷图像残留有通过ADR或ADC提取缺陷区域的结果，因此能够抑制运算成本，并且能够去除缺陷区域而求出平均亮度值。在没有残留有提取缺陷区域后的结果的情况下，可以再次比较低倍缺陷图像与低倍参照图像来提取缺陷区域，但运算成本上升，因此与在图14以前说明的方法相比，考虑求出的缺陷检测精度与运算成本之间的平衡来选择最佳的方法即可。
图16是表示在图15中说明的缺陷检测方法的示意图的例子。首先，从已取得的1幅以上的缺陷图像1606去除缺陷区域1607来求出除此之外的区域的平均亮度，以该平均亮度值生成低倍参照图像1602。求出所取得的低倍缺陷图像1601的缺陷占有率，在缺陷占有率高的情况下，以像素单位比较低倍缺陷图像1601与低倍参照图像1602。另一方面，在判定为缺陷区域小、缺陷占有率低的情况下，将通过与在图6或图7中说明的方法同样的方法根据低倍缺陷图像的平均亮度值生成的图像设为低倍参照图像，并将其与低倍缺陷图像进行比较。通过比较，在灰度值的差在阈值以上的情况下，判定为存在有意义差。在差分图像1603中，用白色表示判定为存在有意义差的像素，用黑色表示判定为没有有意义差的像素。
这样，以低倍缺陷图像301为输入，通过缺陷占有率判定处理部305求出缺陷占有率。参照图像生成处理部306在缺陷占有率高的情况下，以从已取得的低倍参照图像303去除了缺陷区域的平均亮度值生成低倍参照图像307，并且在缺陷占有率低的情况下，根据低倍缺陷图像的平均亮度值生成低倍参照图像307。缺陷检测处理部308比较低倍缺陷图像301与从参照图像生成处理部306输出的低倍参照图像307，将其差分作为缺陷坐标309而输出。
根据该方法，在缺陷占有率低的情况下，将以低倍缺陷图像的平均亮度值生成的低倍参照图像应用于缺陷检测，由此针对由噪声或观察坐标的材质或结构引起的亮度的变动能够实现稳定的缺陷检测，在低倍缺陷图像的缺陷占有率高的情况下，从已取得的1幅以上的缺陷图像去除缺陷区域而求出平均亮度值，以平均值度值生成低倍参照图像，因此针对由噪声或观察坐标的材质或结构引起的亮度的变动，能够生成稳定的低倍参照图像。并且，能够避免较少发生的、代表低倍参照图像不是理想参照图像的事例。
实施例6
在本实施例中说明缺陷占有率的计算方法。可以将本实施例的缺陷占有率的计算方法应用于实施例1至实施例5的任何方式。图1至图3的结构和图4至图16中的说明内容与本实施例相同，因此省略说明。
图17是用于说明缺陷图像中的缺陷占有率的计算方法的示意图的例子。在图17中示出了根据缺陷图像所包含的像素的亮度分布来求出缺陷占有率的例子。
在缺陷图像1701中示例了缺陷区域小的例子，在缺陷图像1702中示例了缺陷区域为中等程度的例子，在缺陷图像1703中示例了缺陷区域大的例子。在图像的右侧显示针对各图像计算出的亮度分布的直方图和亮度分布的标准偏差σ。与缺陷区域小的缺陷图像1701对应的亮度分布的标准偏差为σ＝30(1704)。与缺陷区域为中等程度的缺陷图像1702对应的亮度分布的标准偏差为σ＝40(1705)，与缺陷区域小的1704相比，成为较大的值。并且，与缺陷区域大的缺陷图像1703对应的亮度分布的标准偏差为σ＝70(1706)，成为比缺陷区域小的1704以及缺陷区域中等程度的缺陷图像1705大的值。这样，亮度分布的标准偏差与缺陷占有率存在单调的相关关系，因此在亮度分布的标准偏差超过某阈值的情况下，能够判定为缺陷占有率大。
可以通过图1的整体控制部以及解析部113、图2的操作/解析部201、图3的缺陷占有率判定处理部305执行缺陷占有率的计算。当然，也可以通过这些以外的处理部进行。
这样，通过使用缺陷图像的亮度分布的标准偏差，能够简单地求出缺陷图像的缺陷占有率。
另外，在此说明了使用缺陷图像的亮度分布的标准偏差来计算缺陷占有率的方法，但也可以使用标准偏差以外的参数。此外，缺陷占有率的计算方法并不局限于该方法。
实施例7
在本实施例中说明与实施例6不同的缺陷占有率的计算方法。可以将本实施例的缺陷占有率的计算方法应用于实施例1至实施例5的任何方式。图1至图3的结构和图4至图16的说明内容与本实施例相同，因此省略说明。
图18是表示根据缺陷图像的缺陷区域/背景的亮度分布求出缺陷占有率的方法的示意图的例子。首先，对在取得被检查图像前已取得的1幅以上的包含缺陷的图像1801，分离为缺陷区域1802和去除了缺陷区域的背景部分来求出亮度分布。若运用针对包含缺陷的图像1801的、通过ADR或ADC求出的结果，则能够抑制运算成本而容易地求出缺陷区域。
在图18的事例中，缺陷区域的亮度低(暗)，因此在缺陷区域的亮度部分1803能够确认在亮度低的区域较多分布的状态。另一方面，在去除了缺陷区域的背景部分的亮度分布1804中，亮度值分布集中在100至220的范围内。根据该结果，例如计数亮度值在100至220的范围外的像素数作为缺陷候补，能够换算成缺陷占有率。在该缺陷占有率的计算中所使用的亮度值的范围，可以由操作员通过配方进行设定，也可以在求出缺陷区域时自动更新。
这样，根据过去取得的包含缺陷的图像的亮度分布预先求出应判定为缺陷候补的亮度值的范围，在想要求出缺陷占有率的缺陷图像中，计数适合于该范围的像素作为缺陷区域，从而能够容易地求出缺陷占有率。
本实施例的方法与实施例6的缺陷占有率计算方法相比，需要预先设定作为缺陷候补来计数的亮度值的范围，但如果运用通过ADR或ADC求出的结果，则容易地使该范围设定自动化，因此能够减轻操作员的作业负担。此外，能够对关注的缺陷种类设定最佳的范围，因此能够进行更详细的设定。并且，通过进行详细的设定，有可能去除称为非关键缺陷的、想要无视的缺陷种类。例如，如图18的说明所示，作为缺陷想要识别的缺陷种类具有特征的亮度分布的情况下，计数符合该亮度分布的亮度范围作为缺陷区域。另一方面，在非关键缺陷等，不识别为缺陷而想要无视的缺陷种类具有特征的亮度分布的情况下，不计数符合该亮度分布的亮度范围作为缺陷区域，从而能够限于所期望的缺陷种类求出缺陷占有率。
实施例8
在本实施例中说明使用缺陷图像的亮度分布的标准偏差作为缺陷占有率判定处理的阈值的情况下的阈值的决定方法。可以将本实施例的阈值的决定方法应用于实施例1至实施例5的任何方式。图1至图3的结构和图4至图18的说明内容与本实施例相同，因此省略说明。
图19是表示使用缺陷图像的亮度分布的标准偏差作为缺陷占有率判定处理的阈值的方法的示意图的例子。首先，根据缺陷的大小将多个图像分类为多个组。具体而言，将多个图像分类为应判定为巨大缺陷的组和不应判定为巨大缺陷的组。在1901中选择了想要判定为缺陷占有率低的图像，在1904中选择了想要判定为缺陷占有率高的图像。操作员可以经由在显示器上显示的GUI等来进行图像的选择，但通过根据ADR或ADC的缺陷检测结果预先自动选择缺陷图像的候补，能够减轻操作员的作业负担。
在图19中，针对根据缺陷占有率分类的各组的缺陷图像群，对各组求出平均亮度分布和标准偏差。想要判定为缺陷占有率低的缺陷图像群1901的亮度分布1902的波动小，标准偏差1903成为σ＝30。另一方面，想要判定为缺陷占有率高的缺陷图像群1904的亮度分布1905的偏差相对较大，标准偏差成为σ＝80。
可以通过图1的整体控制部以及解析部113、图2的操作/解析部201、图3的缺陷占有率判定处理部305执行缺陷图像的亮度分布的标准偏差的计算。当然，也可以通过这些以外的处理部进行。
通过对表示这样选择的缺陷图像的亮度分布的波动的标准偏差进行显示，操作员能够容易地决定缺陷占有率的判定阈值。
另外，若根据ADR或ADC的缺陷检测结果，例如自动选择检测出特定尺寸以上的缺陷的图像，求出选择的缺陷图像群的亮度分布的标准偏差，则能够自动设定或自动更新缺陷占有率的判定阈值。
此外，不是进行这样的自动选择，而是操作员手动进行缺陷图像的选择的情况下，若在选择画面中通过ADR或ADC预先默认地选择了选择候补的缺陷图像，则也能够提高操作员的选择作业的效率。
实施例9
在本实施例中说明在实施例1至实施例8中说明的多个缺陷检测方法的选择方法。图1至图3的结构和图4至图19的说明内容与本实施例相同，因此省略说明。
图20是能够选择缺陷检测方法的GUI的例子。在2001中显示低倍缺陷图像的样品，将该低倍缺陷图像中的缺陷占有率显示在2003中。缺陷占有率的计算，可以应用实施例6或实施例7的方式，但并不局限于这些方式。在能够选择多个图像的情况下，显示多个图像显示和各图像的缺陷占有率或各图像的缺陷占有率的平均值即可。
2004的值成为缺陷占有率的判定阈值。缺陷占有率的判定阈值可以由操作员输入，但也可以通过在实施例8中说明的方法自动设定。即使在操作员进行输入设定的情况下，若显示了自动设定的值作为初始值，则可以成为操作员设定阈值时的判断基准之一。在图20的例子中，低倍缺陷图像的缺陷占有率在阈值以下，因此判定为该低倍缺陷图像的缺陷占有率低，执行后段的缺陷检测处理。
在2006中一起记述了在上述的实施例中说明的多个生成或取得参照图像的方法，操作员能够进行选择。如2005所示，各缺陷检测方法例如按照处理速度从快到慢的顺序排列显示时，可以成为操作员选择缺陷检测方法时的判断基准之一。与在2006中选择的缺陷检测方法对应地，在2002中显示低倍参照图像。
并且，在将ADR复选框2007设定为“开”的情况下，显示通过选择的缺陷检测方法进行了缺陷检测的结果也是有效的。
这样，通过显示观察对象的低倍缺陷图像和其缺陷占有率、缺陷占有率的阈值、与所选择的缺陷检测方法对应的低倍参照图像、缺陷检测结果，能够容易地确认所选择的缺陷检测方法的妥当性。可以将GUI搭载在图1的整体控制部以及解析部113、图2的操作/解析部201上。当然，也可以通过这些以外的处理部进行。
另外，本发明并不局限于上述的实施例，包含各种变形例。例如，上述的实施例是为了便于理解本发明而进行的详细说明，并不一定必须具备所说明的全部结构。此外，可以将某实施例的结构的一部分置换成其他实施例的结构，或者，也可以对某实施例的结构追加其他实施例的结构。此外，还可以对各实施例的结构的一部分进行其它结构的追加、删除、置换。
此外，上述的各结构、功能、处理部、处理单元等，其中的一部分或全部例如可以通过用集成电路设计等而以硬件实现。此外，上述的各结构、功能等，也可以通过由处理器解释、执行用于实现各种功能的程序而以软件实现。并且，可以将实现各功能的程序、表格、文件等信息存储在存储器、硬盘、SSD(SolidState Drive，固态硬盘)等记录装置，或者IC卡、SD卡、光盘等记录介质中。
此外，控制线和信息线表示了认为在说明上必要的部件，并不一定必须表示出产品上的所有控制线和信息线。实际上，也可以认为几乎所有的结构相互连接。
符号说明
101：电子枪、102：透镜、103：扫描偏转器、104：物镜、105：试样、106：载物台、107：一次电子束、108：二次粒子、109：二次粒子检测器、110：电子光学系统控制部、111：A/D转换部、112：载物台控制部、113：整体控制/解析部、114：图像处理部、115：操作部、116：存储装置、117：光学显微镜、118：SEM式缺陷观察装置、119：LAN、120：配方管理装置、121：缺陷信息数据库、201：操作/解析部、202：缺陷数据存储部、203：图像数据存储部、204：解析参数存储部、205：解析结果存储部、
301：低倍缺陷图像、302：低倍参照图像、303：巨大缺陷判定处理部、304：参照图像生成处理部、305：低倍参照图像、306：缺陷检测处理部、307：缺陷坐标、
501：缺陷图像、502：参照图像、503：差分图像、504：缺陷、505：检测缺陷区域、
701：缺陷图像、702：以缺陷图像的平均亮度值生成的参照图像、703：差分图像、704：缺陷、705：检测缺陷区域、
801：缺陷图像、802：以缺陷图像的平均亮度值生成的参照图像、803：差分图像、804：巨大缺陷、805：检测缺陷区域、
1001：缺陷图像、1002：参照图像、1003：差分图像、1004：缺陷、1005：检测缺陷区域、
1201：缺陷图像、1202：以代表参照图像的平均亮度值生成的参照图像、1203：差分图像、1204：缺陷、1205：检测缺陷区域、1206：代表参照图像、
1401：缺陷图像、1402：以已取得的参照图像的平均亮度值生成的参照图像、1403：差分图像、1404：缺陷、1405：检测缺陷区域、1406：已取得参照图像、
1601：缺陷图像、1602：以从已取得缺陷图像中去除了缺陷的区域的平均亮度值生成的参照图像、1603：差分图像、1604：缺陷、1605：检测缺陷区域、1606：已取得缺陷图像、1607：缺陷区域、
1701：缺陷占有率低的图像、1702：缺陷占有率为中等程度的图像、1703：缺陷占有率高的图像、1704：缺陷占有率低的图像的亮度分布直方图和标准偏差、1705：缺陷占有率为中等程度的图像的亮度分布直方图和标准偏差、1706：缺陷占有率高的图像的亮度分布直方图和标准偏差、
1801：缺陷图像、1802：缺陷区域、1803：缺陷区域的亮度分布、1804：去除了缺陷区域的背景部分的亮度分布、
1901：缺陷图像群、1902：亮度分布、1903：标准偏差、1904：缺陷图像群、1905：亮度分布、1906：标准偏差、
2001：缺陷图像、2002：与选择出的缺陷检测方法对应的参照图像、2003：缺陷占有率、2004：缺陷占有率判定阈值、2005：按照吞吐量顺序排列的缺陷检测方法、2006：可选择的缺陷检测方法、2007：ADR执行复选框。

Claims (14)

1.一种缺陷观察装置，其通过比较被检查图像与参照图像来检测所述被检查图像所包含的缺陷区域，该缺陷观察装置的特征在于，
具备：缺陷占有率判定处理部，其求出所述被检查图像中缺陷区域所占的比例即缺陷占有率，并判定该缺陷占有率与阈值的大小，
根据所述判定的结果来决定是否生成由具有所述被检查图像所包含的多个像素的平均亮度值的像素构成的图像作为所述参照图像。
2.根据权利要求1所述的缺陷观察装置，其特征在于，
当所述缺陷占有率高于所述阈值时，所述图像取得部重新拍摄被推测为不存在缺陷的区域作为所述参照图像，
当所述缺陷占有率低于所述阈值时，所述参照图像生成处理部生成由具有所述被检查图像所包含的多个像素的平均亮度值的像素构成的图像作为所述参照图像。
3.根据权利要求1所述的缺陷观察装置，其特征在于，
当所述缺陷占有率高于所述阈值时，所述参照图像生成处理部生成由具有在取得所述被检查图像前所取得的不包含缺陷的图像的平均亮度值的像素构成的图像作为所述参照图像，
当所述缺陷占有率低于所述阈值时，所述参照图像生成处理部生成由具有所述被检查图像所包含的多个像素的平均亮度值的像素构成的图像作为所述参照图像。
4.根据权利要求3所述的缺陷观察装置，其特征在于，
所述参照图像生成处理部使用多个所述不包含缺陷的图像来生成所述参照图像。
5.根据权利要求1所述的缺陷观察装置，其特征在于，
当所述缺陷占有率高于所述阈值时，所述参照图像生成处理部生成由具有从在取得所述被检查图像前所取得的包含缺陷的图像中去除了该缺陷的区域的区域的平均亮度值的像素构成的图像作为所述参照图像，
当所述缺陷占有率低于所述阈值时，所述参照图像生成处理部生成由具有所述被检查图像所包含的多个像素的平均亮度值的像素构成的图像作为所述参照图像。
6.根据权利要求1所述的缺陷观察装置，其特征在于，
所述缺陷占有率判定处理部根据所述被检查图像所包含的像素的亮度分布来求出所述缺陷占有率。
7.根据权利要求1所述的缺陷观察装置，其特征在于，
具有运算部，其根据在取得所述被检查图像前所取得的包含缺陷的图像中的、该缺陷的区域的亮度分布来求出应判断为缺陷的亮度值范围，
所述缺陷占有率判定处理部根据构成所述被检查图像的像素中在所述亮度值范围内所包含的像素的数量来求出所述缺陷占有率。
8.根据权利要求1所述的缺陷观察装置，其特征在于，
所述缺陷占有率判定处理部根据通过缺陷的大小来分类的多个组各自包含的多个图像的平均亮度分布来使用所述阈值。
9.根据权利要求1所述的缺陷观察装置，其特征在于，
具备显示部，其显示能够选择用于生成或取得所述参照图像的多个方法的画面。
10.一种缺陷观察方法，其通过比较被检查图像与参照图像来检测所述被检查图像所包含的缺陷区域，该缺陷观察方法的特征在于，
求出所述被检查图像中缺陷区域所占的比例即缺陷占有率，并判定该缺陷占有率与阈值的大小，
根据所述判定的结果来决定是否生成由具有所述被检查图像所包含的多个像素的亮度值的平均亮度值的像素构成的图像作为所述参照图像。
11.根据权利要求10所述的缺陷观察方法，其特征在于，
当所述缺陷占有率高于所述阈值时，重新拍摄被推测为不存在缺陷的区域作为所述参照图像，
当所述缺陷占有率低于所述阈值时，生成由具有所述被检查图像所包含的多个像素的亮度值的平均亮度值的像素构成的图像作为所述参照图像。
12.根据权利要求10所述的缺陷观察方法，其特征在于，
当所述缺陷占有率高于所述阈值时，生成由具有在取得所述被检查图像前所取得的不包含缺陷的图像的平均亮度值的像素构成的图像作为所述参照图像，
当所述缺陷占有率低于所述阈值时，生成由具有所述被检查图像所包含的多个像素的平均亮度值的像素构成的图像作为所述参照图像。
13.根据权利要求12所述的缺陷观察方法，其特征在于，
使用多个所述不包含缺陷的图像来生成所述参照图像。
14.根据权利要求10所述的缺陷观察方法，其特征在于，
当所述缺陷占有率高于所述阈值时，生成由具有从取得所述被检查图像前所取得的包含缺陷的图像中去除了该缺陷的区域的区域的平均亮度值的像素构成的图像作为所述参照图像，
当所述缺陷占有率低于所述阈值时，生成由具有所述被检查图像的平均亮度值的像素构成的图像作为所述参照图像。
CN201380066389.3A 2012-12-28 2013-11-29 缺陷观察方法以及缺陷观察装置 Active CN104870985B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
JP2012286608A JP5957378B2 (ja) 2012-12-28 2012-12-28 欠陥観察方法および欠陥観察装置
JP2012-286608 2012-12-28
PCT/JP2013/082117 WO2014103611A1 (ja) 2012-12-28 2013-11-29 欠陥観察方法および欠陥観察装置

Publications (2)

Publication Number Publication Date
CN104870985A true CN104870985A (zh) 2015-08-26
CN104870985B CN104870985B (zh) 2017-06-13

Family

ID=51020705

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201380066389.3A Active CN104870985B (zh) 2012-12-28 2013-11-29 缺陷观察方法以及缺陷观察装置

Country Status (6)

Country Link
US (1) US9569836B2 (zh)
JP (1) JP5957378B2 (zh)
KR (1) KR101704325B1 (zh)
CN (1) CN104870985B (zh)
TW (1) TWI471553B (zh)
WO (1) WO2014103611A1 (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108198182A (zh) * 2018-01-29 2018-06-22 广东电网有限责任公司电力科学研究院 一种复合绝缘子芯棒护套界面性能评价方法及装置
CN108565224A (zh) * 2018-01-12 2018-09-21 上海华虹宏力半导体制造有限公司 控制栅极线剥落缺陷的检测方法
CN109616426A (zh) * 2017-10-05 2019-04-12 敖翔科技股份有限公司 智能型的缺陷校正系统与其实施方法
CN109959664A (zh) * 2019-04-10 2019-07-02 长春禹衡光学有限公司 绝对光栅尺的污染检测方法、装置及可读存储介质
CN110658199A (zh) * 2018-06-29 2020-01-07 欧姆龙株式会社 检查结果提示装置、检查结果提示方法及存储介质
TWI688765B (zh) * 2018-03-06 2020-03-21 日商紐富來科技股份有限公司 圖案檢查方法及圖案檢查裝置
CN112986259A (zh) * 2021-02-09 2021-06-18 清华大学 智能终端oled面板制造工艺的缺陷检测方法以及装置
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 (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5953658B2 (ja) 2011-05-25 2016-07-20 ソニー株式会社 ロボット制御装置及びロボット装置の制御方法、コンピューター・プログラム、プログラム記憶媒体、並びにロボット装置
US10346966B2 (en) * 2014-12-18 2019-07-09 Halliburton Energy Services, Inc. Non-destructive inspection methods and systems
JP6513982B2 (ja) * 2015-03-16 2019-05-15 株式会社東芝 欠陥検査装置並びに欠陥検査装置の管理方法及び管理装置
US10332066B1 (en) 2015-03-30 2019-06-25 Amazon Technologies, Inc. Item management system using weight
CN105160320B (zh) * 2015-09-02 2019-03-01 小米科技有限责任公司 指纹识别方法、装置及移动终端
WO2018034214A1 (ja) * 2016-08-15 2018-02-22 セイコーエプソン株式会社 回路装置、電子機器及びエラー検出方法
US10031087B2 (en) * 2016-09-22 2018-07-24 SSAB Enterprises, LLC Methods and systems for the quantitative measurement of internal defects in as-cast steel products
JP6265253B1 (ja) * 2016-12-15 2018-01-24 オムロン株式会社 検査装置および検査方法
JP6665809B2 (ja) * 2017-02-24 2020-03-13 株式会社ニューフレアテクノロジー マルチ荷電粒子ビーム描画装置及びその調整方法
JP7155530B2 (ja) 2018-02-14 2022-10-19 セイコーエプソン株式会社 回路装置、電子機器及びエラー検出方法
WO2019162641A1 (en) * 2018-02-21 2019-08-29 E.V. Offshore Limited Image correction methods for downhole inspection tools
US11017522B2 (en) 2019-04-18 2021-05-25 Taiwan Semiconductor Manufacturing Co., Ltd. Inspection and cleaning system and method for the same
JP2022084041A (ja) 2020-11-26 2022-06-07 株式会社日立ハイテク 荷電粒子ビーム装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030058435A1 (en) * 2001-09-26 2003-03-27 Hitachi, Ltd. Method of reviewing detected defects
US20070031026A1 (en) * 2005-08-05 2007-02-08 Masaki Kurihara Method and apparatus for reviewing defects of semiconductor device
CN101329281A (zh) * 2007-06-20 2008-12-24 佛山普立华科技有限公司 影像感测晶片污点检测系统及其检测方法
WO2010079657A1 (ja) * 2009-01-09 2010-07-15 株式会社 日立ハイテクノロジーズ Ｓｅｍを用いた欠陥観察方法及びその装置
WO2010098004A1 (ja) * 2009-02-25 2010-09-02 株式会社日立ハイテクノロジーズ 欠陥観察方法および欠陥観察装置
US8121397B2 (en) * 2008-04-02 2012-02-21 Hitachi High-Technologies Corporation Method and its apparatus for reviewing defects

Family Cites Families (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6947587B1 (en) * 1998-04-21 2005-09-20 Hitachi, Ltd. Defect inspection method and apparatus
JP4743805B2 (ja) * 2000-04-06 2011-08-10 ルネサスエレクトロニクス株式会社 外観検査方法および装置
US9092841B2 (en) * 2004-06-09 2015-07-28 Cognex Technology And Investment Llc Method and apparatus for visual detection and inspection of objects
JP2005158780A (ja) * 2003-11-20 2005-06-16 Hitachi Ltd パターン欠陥検査方法及びその装置
JP2006220644A (ja) * 2005-01-14 2006-08-24 Hitachi High-Technologies Corp パターン検査方法及びその装置
JP2006200972A (ja) * 2005-01-19 2006-08-03 Tokyo Seimitsu Co Ltd 画像欠陥検査方法、画像欠陥検査装置及び外観検査装置
JP4345930B2 (ja) * 2005-01-28 2009-10-14 Ｙｋｋ株式会社 物品の外観検査装置
JP4935109B2 (ja) * 2005-03-17 2012-05-23 オムロン株式会社 基板検査装置並びにその検査ロジック設定方法および検査ロジック設定装置
JP5006520B2 (ja) * 2005-03-22 2012-08-22 株式会社日立ハイテクノロジーズ 欠陥観察装置及び欠陥観察装置を用いた欠陥観察方法
JP4336672B2 (ja) * 2005-09-26 2009-09-30 アドバンスド・マスク・インスペクション・テクノロジー株式会社 試料検査装置、試料検査方法及びプログラム
JP4943304B2 (ja) * 2006-12-05 2012-05-30 株式会社 Ｎｇｒ パターン検査装置および方法
JP2008145226A (ja) * 2006-12-08 2008-06-26 Olympus Corp 欠陥検査装置及び欠陥検査方法
JP2008203034A (ja) * 2007-02-19 2008-09-04 Olympus Corp 欠陥検出装置および欠陥検出方法
JP4616864B2 (ja) * 2007-06-20 2011-01-19 株式会社日立ハイテクノロジーズ 外観検査方法及びその装置および画像処理評価システム
JP5412169B2 (ja) * 2008-04-23 2014-02-12 株式会社日立ハイテクノロジーズ 欠陥観察方法及び欠陥観察装置
JP5287178B2 (ja) * 2008-11-27 2013-09-11 富士通セミコンダクター株式会社 欠陥レビュー装置
JP4726983B2 (ja) * 2009-10-30 2011-07-20 住友化学株式会社 欠陥検査システム、並びに、それに用いる、欠陥検査用撮影装置、欠陥検査用画像処理装置、欠陥検査用画像処理プログラム、記録媒体、および欠陥検査用画像処理方法
JP5924267B2 (ja) * 2010-12-14 2016-05-25 株式会社ニコン 検査方法、検査装置、露光管理方法、露光システムおよび半導体デバイスの製造方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030058435A1 (en) * 2001-09-26 2003-03-27 Hitachi, Ltd. Method of reviewing detected defects
US20070031026A1 (en) * 2005-08-05 2007-02-08 Masaki Kurihara Method and apparatus for reviewing defects of semiconductor device
CN101329281A (zh) * 2007-06-20 2008-12-24 佛山普立华科技有限公司 影像感测晶片污点检测系统及其检测方法
US8121397B2 (en) * 2008-04-02 2012-02-21 Hitachi High-Technologies Corporation Method and its apparatus for reviewing defects
WO2010079657A1 (ja) * 2009-01-09 2010-07-15 株式会社 日立ハイテクノロジーズ Ｓｅｍを用いた欠陥観察方法及びその装置
WO2010098004A1 (ja) * 2009-02-25 2010-09-02 株式会社日立ハイテクノロジーズ 欠陥観察方法および欠陥観察装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
SCOTT JANSEN, ET. AL: "Utilizing Design Layout Information to Improve Efficiency of SEM Defect Review Sampling", 《2008 IEEE/SEMI ADVANCED SEMICONDUCTOR MANUFACTURING CONFERENCE》 *
SCOTT JANSEN, ET. AL: "设计信息提高SEM缺陷检测取样效率", 《集成电路应用》 *

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109616426A (zh) * 2017-10-05 2019-04-12 敖翔科技股份有限公司 智能型的缺陷校正系统与其实施方法
CN113361225A (zh) * 2017-10-05 2021-09-07 敖翔科技股份有限公司 智能型坐标转换校正方法
CN108565224A (zh) * 2018-01-12 2018-09-21 上海华虹宏力半导体制造有限公司 控制栅极线剥落缺陷的检测方法
CN108565224B (zh) * 2018-01-12 2020-10-16 上海华虹宏力半导体制造有限公司 控制栅极线剥落缺陷的检测方法
CN108198182A (zh) * 2018-01-29 2018-06-22 广东电网有限责任公司电力科学研究院 一种复合绝缘子芯棒护套界面性能评价方法及装置
CN108198182B (zh) * 2018-01-29 2020-11-10 广东电网有限责任公司电力科学研究院 一种复合绝缘子芯棒护套界面性能评价方法及装置
TWI688765B (zh) * 2018-03-06 2020-03-21 日商紐富來科技股份有限公司 圖案檢查方法及圖案檢查裝置
CN110658199A (zh) * 2018-06-29 2020-01-07 欧姆龙株式会社 检查结果提示装置、检查结果提示方法及存储介质
CN109959664A (zh) * 2019-04-10 2019-07-02 长春禹衡光学有限公司 绝对光栅尺的污染检测方法、装置及可读存储介质
CN112986259A (zh) * 2021-02-09 2021-06-18 清华大学 智能终端oled面板制造工艺的缺陷检测方法以及装置
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
CN104870985B (zh) 2017-06-13
TWI471553B (zh) 2015-02-01
KR20150079945A (ko) 2015-07-08
JP5957378B2 (ja) 2016-07-27
WO2014103611A1 (ja) 2014-07-03
JP2014130026A (ja) 2014-07-10
US20150302568A1 (en) 2015-10-22
KR101704325B1 (ko) 2017-02-07
TW201435329A (zh) 2014-09-16
US9569836B2 (en) 2017-02-14

Similar Documents

Publication Publication Date Title
CN104870985A (zh) 缺陷观察方法以及缺陷观察装置
US7734082B2 (en) Defect inspection method
US8977035B2 (en) System, method and computer program product for detection of defects within inspection images
US7756320B2 (en) Defect classification using a logical equation for high stage classification
US9582875B2 (en) Defect analysis assistance device, program executed by defect analysis assistance device, and defect analysis system
KR101955268B1 (ko) 결함 관찰 장치 및 결함 관찰 방법
US8577125B2 (en) Method and apparatus for image generation
JP5118872B2 (ja) 半導体デバイスの欠陥観察方法及びその装置
JP5543872B2 (ja) パターン検査方法およびパターン検査装置
CN104903712A (zh) 缺陷观察方法以及缺陷观察装置
US8653456B2 (en) Pattern inspection method, pattern inspection program, and electronic device inspection system
US20150146967A1 (en) Pattern evaluation device and pattern evaluation method
JP2000208575A (ja) 形状特徴に基づく欠陥検出方法及び装置
TWI553688B (zh) Charged particle beam device
JP2019004115A (ja) 設計データを用いた欠陥可視化方法及び欠陥検出方法
US10802073B2 (en) Pattern defect detection method
US20230052350A1 (en) Defect inspecting system and defect inspecting method
WO2021075152A1 (ja) 欠陥分類装置、欠陥分類プログラム
JP2016111166A (ja) 欠陥観察装置および欠陥観察方法

Legal Events

Date Code Title Description
PB01 Publication
EXSB Decision made by sipo to initiate substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant