CN105960702A - 基于从标准参考图像确定的属性的缺陷检测及分类 - Google Patents

基于从标准参考图像确定的属性的缺陷检测及分类 Download PDF

Info

Publication number
CN105960702A
CN105960702A CN201580007405.0A CN201580007405A CN105960702A CN 105960702 A CN105960702 A CN 105960702A CN 201580007405 A CN201580007405 A CN 201580007405A CN 105960702 A CN105960702 A CN 105960702A
Authority
CN
China
Prior art keywords
wafer
defect
image
standard reference
reference image
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
CN201580007405.0A
Other languages
English (en)
Other versions
CN105960702B (zh
Inventor
L·高
A·雷-乔杜里
R·巴布尔纳特
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.)
KLA Corp
Original Assignee
KLA Tencor Corp
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 KLA Tencor Corp filed Critical KLA Tencor Corp
Publication of CN105960702A publication Critical patent/CN105960702A/zh
Application granted granted Critical
Publication of CN105960702B publication Critical patent/CN105960702B/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
    • 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
    • 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
    • G06T2207/10024—Color image
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Manufacturing & Machinery (AREA)
  • Computer Hardware Design (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Power Engineering (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

本发明提供用于对在晶片上检测到的缺陷进行分类的系统及方法。一种方法包含基于由检验系统针对晶片产生的输出来检测所述晶片上的缺陷。所述方法还包含基于对应于所述缺陷中的至少一者的标准参考图像的部分来确定所述缺陷中的所述至少一者的一或多个属性。所述方法进一步包含至少部分基于所述一或多个经确定的属性来对所述缺陷中的所述至少一者进行分类。

Description

基于从标准参考图像确定的属性的缺陷检测及分类
技术领域
本发明大体上涉及用于基于从标准参考图像确定的一或多个属性对半导体晶片上的缺陷进行检测并分类的系统及方法。
背景技术
以下描述及实例并非由于其包含于此部分中而被认为是现有技术。
在半导体制造工艺期间的各种步骤处使用检验过程以检测晶片上的缺陷以促进制造工艺中的更高良率及因此更高利润。检验始终是制造半导体装置(例如IC)的重要部分。然而，随着半导体装置的尺寸减小，对于可接受半导体装置的成功制造来说，检验变得更加重要，这是因为较小缺陷可引起装置出现故障。
频繁使用的检验算法是多裸片自动阈值化(MDAT)。其计算每一像素处的测试图像与参考图像之间的差值。图像中的全部像素处的两个值(所述差值及从参考图像计算的灰度)用来构造二维(2D)直方图。水平轴(也称为检测轴)表示测试与参考之间的差值。垂直轴(也称为分段轴)表示从相邻裸片的图像构造的灰度值。用户可将沿垂直轴的值划分为多个分段且针对水平轴上的值指定不同阈值。具有大于阈值的差值的像素被MDAT视为缺陷像素。归因于噪声及工艺变化，垂直轴上的灰度分布可随着裸片不同而不同。属于一个裸片中的一个分段的像素可属于另一裸片上的另一分段。此问题引起检验不稳定且检验结果不一致。从参考图像计算的一些缺陷属性归也因于灰度值分布的变化而不同。因此，基于这些属性的缺陷分类受到影响。
图9说明关于上述现有MDAT算法的问题。特定来说，图9说明经产生具有表示上述差值的水平轴及表示上述灰度值的分段轴的两个2D直方图。如图9中所展示，直方图中的一者是用以确定配方参数的2D直方图。如图9中所展示，另一直方图是针对晶片900上的裸片M产生的2D直方图。图9中通过虚线与点的组合展示的线展示配方中的每一分段的分段断点及阈值。其是基于某些数据(例如，来自不同区域、不同晶片等等)而确定。然而，如果不同区域(例如裸片M)中的图像灰度存在某一变化，那么2D直方图位置及形状不同于用于配方设置的位置及形状。图9中所展示的实直线展示裸片M的理想分段断点及阈值。实际配方参数(通过由虚线及点的组合构成的线展示)移位且引起检验灵敏度降低。归因于晶片噪声及色彩变化，不同位置的2D直方图可有所不同。因此，将有利的是，稳定2D直方图位置使得分段断点可跨晶片且在晶片之间起作用。
一些检验方法使用例如标准裸片图像的标准图像以检测晶片上的缺陷。此方法用来检定光掩模或光罩。如果单裸片光罩上存在缺陷，那么缺陷将被印在每个裸片上。正常裸片对裸片比较算法不具有良好的灵敏度，因为裸片之间的相同缺陷中的两者相减并不指示较大的差异。为检测此类型的缺陷，需要不具有裸片重复物(die-repeater)却陷的参考图像。举例来说，可比较标准裸片图像(通常也称为“黄金裸片”或“标准参考裸片”)与针对受检验的晶片获取的测试裸片图像，且所述比较的结果可被输入到缺陷检测算法或方法以确定测试裸片中是否存在任何缺陷。此类黄金裸片图像通常从清洁晶片或几个清洁裸片产生，其中不存在裸片重复物缺陷或从裸片的图像移除裸片重复物。比较此黄金裸片图像与全部晶片的全部裸片的图像。
因此，将有利的是，开发用于对晶片上的缺陷进行检测并分类且不具有上述缺点中的一或多者的系统及方法。
发明内容
各种实施例的以下描述不以任何方式被解释为限制所附权利要求书的标的物。
一个实施例涉及一种用于对晶片上的缺陷进行检测并分类的方法。所述方法可包含从一或多个晶片选择一或多个裸片以产生标准参考图像。所述方法也可包含产生所述标准参考图像。所述方法包含基于由检验系统针对晶片产生的输出检测所述晶片上的缺陷。所述方法也包含基于对应于所述缺陷中的至少一者的标准参考图像的部分确定所述缺陷中的所述至少一者的一或多个属性。此外，所述方法包含至少部分基于所述一或多个经确定的属性而对所述缺陷中的所述至少一者进行分类。所述检测、确定及分类步骤由计算机系统执行。
可如本文中所描述进一步执行所述方法的步骤中的每一者。此外，所述方法可包含本文中描述的任何其它方法的任何其它步骤。此外，所述方法可由本文中描述任何系统执行。
另一实施例涉及一种非暂时性计算机可读媒体，其存储可在计算机系统上执行以执行用于检测晶片上的缺陷的计算机实施方法的程序指令。所述计算机实施方法包含上述方法的步骤。所述计算机可读媒体可如本文中所描述进一步配置。所述计算机实施方法的步骤可如本文中进一步描述那样执行。此外，程序指令可执行的计算机实施方法可包含本文中描述的任何其它方法的任何其它步骤。
额外实施例涉及一种经配置以对晶片上检测的缺陷进行分类的系统。所述系统包含检验子系统，所述检验子系统经配置以通过使光扫描晶片且在扫描期间检测来自晶片的光而针对所述晶片产生输出。所述系统也包含计算机子系统，所述计算机子系统经配置用于执行上述方法的检测、确定及分类步骤。所述系统可如本文中描述那样进一步配置。
附图说明
在受益于优选实施例的以下详细描述的情况下且在参考附图之后，所属领域的技术人员将明白本发明的另外优点，其中：
图1到4是说明可经执行用于检测如本文中描述的缺陷的不同步骤的实施例的示意图；
图5是说明可经执行用于对如本文中描述的缺陷进行检测及/或分类的步骤的实施例的示意图；
图6是说明可经执行用于对如本文中描述的缺陷进行检测及/或分类的步骤的实施例的流程图；
图7是说明非暂时性计算机可读媒体的一个实施例的框图，所述非暂时性计算机可读媒体存储用于引起计算机系统执行本文中描述的计算机实施方法的程序指令；
图8是说明经配置以检测晶片上的缺陷的系统的实施例的侧视图的示意图；及
图9是说明关于缺陷检测的现有方法的问题的示意图。
虽然本发明易于以各种修改及替代形式呈现，但在图式中通过实例展示且在本文中详细描述其特定实施例。所述图式未按比例绘制。然而，应理解所述图式及其详细描述并不希望将本发明限于所揭示的特定形式，而相反，本发明将涵盖落于如由所附权利要求书所界定的本发明的精神及范围内的所有修改、等效物及替代物。
具体实施方式
现在参考图式，应注意，图并未按比例绘制。特定来说，极大地放大所述图的一些元件的尺度以强调元件的特性。还应注意，所述图不一定按相同比例绘制。使用相同参考数字指示一个以上图中所展示的可经类似配置的元件。除非本文中另有提及，否则所描述且展示的元件中的任何者可包含任何适当的市售元件。
一个实施例涉及一种用于对晶片上检测的缺陷进行分类的方法。如本文中将进一步描述，所述实施例利用标准参考图像进行缺陷检测及/或分类，且可用于例如改进晶片检验配方稳定性的应用。如本文中进一步描述，所述实施例可用以使用标准参考裸片图像产生分段轴的内容。如果缺陷检测及分类使用单个图像以定义分段轴的内容，那么分段轴将不会受裸片对裸片或晶片对晶片色彩变化影响。
在一个实施例中，晶片及至少一个其它晶片在使用检验系统检验之前经受相同一或多个过程，且检验系统针对所述晶片及所述至少一个其它晶片的输出具有色彩变化。在另一实施例中，由检验系统产生的针对所述晶片的输出具有跨晶片的色彩变化。以此方式，本文中描述的实施例可用于在检验系统的输出中具有随晶片不同或跨单个晶片的色彩变化的晶片。色彩变化通常由晶片线边缘粗糙度、处理变化、前一层图案及金属颗粒所致。此色彩变化通常与晶片上的实际缺陷无关，且代替性地可与随着晶片不同或跨晶片的可接受工艺变化有关。然而，此色彩变化可降低检验灵敏度且引起重要缺陷未经检测。此外，色彩变化可由检验系统检测为实际缺陷，由此产生检验结果的不确定性及不精确性。
更具体来说，晶片检验系统开发者及用户已报告若干例子：相同检验配方从使用相同工艺制造的晶片间(在晶片制造工艺中的相同点的晶片)检测到显著不同数目的DOI。举例来说，对已被执行相同过程的不同晶片执行的相同晶片检验过程可能在一个晶片上未检测到特定类型的DOI且在另一晶片上检测到明显存在相同类型的DOI。色彩及工艺变化通常被视为与此类稳定性问题相关联。分析已展示，用于检测的参考图像可能归因于此色彩及工艺变化而不稳定。
检测参数(例如，关于参考图像的分段)可因此不稳定。例如，一些缺陷检测算法中的分段基于图像的灰度变化确定用以检测晶片上的不同位置中的缺陷的灵敏度。以此方式，针对裸片的不同部分及/或晶片的不同部分产生的输出可基于所述输出的一或多个特性而指派给不同分段，且接着可将不同检测参数用于不同分段中的缺陷检测。然而，在色彩变化的情况下，对于相同位置，检验系统输出随着裸片及/或晶片不同而变化。因此，相同强度范围可导致相同裸片位置处的两个不同裸片中的不同分段。因而，不同缺陷检测可在相同裸片位置处的两个不同裸片中执行，即使两个不同裸片中的相同裸片位置具有相同实际缺陷特性，这也可在相同裸片位置处产生不同缺陷检测结果。
以此方式，甚至对于晶片及/或裸片内的相同位置处的DOI，此不稳定性可对DOI捕获具有显著影响。例如，归因于色彩及工艺变化，晶片上的一个位置处的DOI可由晶片检验过程检测，但不同但经类似处理的晶片上的对应位置处的相同DOI可能不一定被检测到，即使所述DOI实际上存在于所述位置中。以类似方式，归因于色彩及工艺变化，晶片上的一个裸片中的一个位置处的DOI可由晶片检验过程检测，但相同晶片上的另一裸片中的对应位置处的相同DOI可能不一定被检测到，即使所述DOI实际上存在于所述对应位置中。
用于分类的参考图像也可归因于此色彩及工艺变化而不稳定。因此，至少部分从参考图像确定的分类参数(例如缺陷属性)可能不稳定。举例来说，许多检验配方包含可经执行用于例如扰乱点过滤(nuisance filtering)的应用的某种缺陷分类。如本文中使用的术语的“扰乱点”可被定义为通过晶片检验在晶片上检测到的缺陷，但其实际上并非缺陷。扰乱点因此与半导体良率无关且不受半导体制造商关注。例如，“扰乱点”可为错误地检测为缺陷的晶片检验系统输出中的噪声源。因此，使经检测缺陷(其为实际上存在于晶片上的缺陷)与并非晶片上的实际缺陷的经检测缺陷分离可为晶片检验的重要部分。
从参考图像确定的属性通常用于缺陷分类决策树。然而，如果参考图像中存在色彩变化，那么属性计算可能变得不稳定。举例来说，归因于色彩及工艺变化，晶片上的相同的粗糙度范围可被确定为相同裸片位置处的两个不同裸片的大体上不同的参考图像属性。因此，如果此类参考图像属性被用于缺陷分类，那么位于两个不同裸片中的相同裸片内位置处的缺陷可被指派不正确分类或不同分类，即使其可为相同类型的缺陷或扰乱点。
因此，已开发本文中描述的实施例以使用本文中描述的标准参考图像以稳定缺陷检测(例如分段)的一或多个参数，及/或缺陷分类(例如缺陷属性计算)的一或多个参数。
所述方法包含基于由检验系统针对晶片产生的输出来检测所述晶片上的缺陷。可如本文中进一步描述那样执行检测缺陷。此外，可通过使用检验系统的输出作为一或多个缺陷检测算法的输入来执行检测缺陷，所述一或多个缺陷检测算法例如可从加利福尼亚州米尔皮塔斯市的科磊公司(KLA-Tencor,Milpitas,Calif)购得的检验系统上当前可用的多裸片自动阈值化(MDAT)算法。检验系统的输出可包含本文中描述或可由本文中描述的检验系统产生的任何输出。检验系统可如本文中描述那样经进一步配置。
所述方法可包含从一或多个晶片选择一或多个裸片。举例来说，标准裸片图像可从由用户指定的一个裸片产生。如果此图像不具代表性，那么用户可选择多个裸片且从这些裸片图像构造标准参考图像。用户可确定应选择哪个裸片。标准参考图像可如本文中进一步描述那样产生。
所述方法可包含使用检验系统获取输出。举例来说，获取输出可包含使光扫描晶片及在扫描期间响应于来自由检验系统检测的晶片的光产生输出。以此方式，获取输出可包含扫描晶片。然而，获取输出不一定包含扫描晶片。举例来说，获取输出可包含从已在其中存储输出(例如由检验系统)的存储媒体获取输出。从存储媒体获取输出可以任何适当方式执行，且从其获取输出的存储媒体可包含本文中描述的任何存储媒体。
检测缺陷可包含构造用于分段轴的信息。所述轴的实例中的一者是来自8个裸片的中值图像。构造用于分段轴的信息可如本文中描述那样进一步执行。
在一个实施例中，检测所述缺陷包含：基于由所述检验系统针对所述晶片上的两个或两个以上裸片产生的输出依据裸片内位置确定中值强度；通过从所述晶片上的测试裸片的输出中个别像素的对应像素的特性减去所述晶片上的参考裸片的输出中个别像素的特性确定差值；产生所述差值及对应于大体上相同位置的中值强度的二维(2D)散布图；以及基于所述2D散布图检测缺陷。
在一个此实例中，在图1中所展示的实施例中，检测任务可含有来自8个裸片的图像帧。因此，用于此任务的测试裸片可包含测试裸片1到8。图1中所展示的测试裸片可为在晶片上(例如在所述晶片上的一行裸片中)彼此相邻的裸片。然而，图1中所展示的测试裸片1到8在晶片上彼此可具有不同于图1中所展示的空间关系。换句话说，此实施例中使用的测试裸片未必处在晶片上的单行裸片中。
在此实施例中确定上述中值强度可包含使用测试裸片1到8中的两者或两者以上(或全部)以确定图1中所展示的中值裸片。中值强度可被确定为中值强度图像或可以任何其它适当格式确定。中值强度可以任何适当方式使用任何适当方法及/或算法来确定。如本文中进一步描述，此中值强度可用于标准参考图像产生。然而，如本文中进一步描述，参考产生不限于中值运算且可使用其它算法(例如稳健平均、简单平均等等)执行或可从单个清洁图像产生。
可通过从测试裸片中的一者减去测试裸片中的另一者来确定上述差值。举例来说，如图1中所展示，测试裸片4及5可用来产生Diff 1，且测试裸片5及6可用来产生Diff2。图1中所展示的其它测试裸片可用以按类似方式产生差值。以此方式，此实施例中执行的缺陷检测可为裸片对裸片类型缺陷检测。彼此相减以确定差值的测试裸片的特性可为输出中的像素强度或输出的任何其它适当特性。以此方式，确定差值可包含确定相邻裸片中的像素强度之间的差。差值可用以产生测试裸片中的每一者的差图像，但差值可以任何其它格式依据裸片内位置表达。差值可以任何适当方式使用任何适当方法及/或算法确定。
在如上所述那样确定中值强度及差值之后，可产生2D散布图，例如图2中所展示的散布图200。特定来说，根据两个值(垂直轴上的中值强度值及水平轴上的差值)绘制测试图像上的每一像素。
图2中所展示的散布图的椭圆形部分界定偏远散布图数据点与非偏远散布图数据点之间的边界。例如，椭圆形部分内的数据点可为非离群点，且椭圆形部分外部的数据点可为离群点。以此方式，图2中由散布图中的X所展示的数据点可被确定为离群点，且对应于这些数据点的位置可被识别为晶片上的缺陷位置。因此，可基于2D散布图检测缺陷。
在另一实施例中，检测所述缺陷包含：基于标准参考图像(本文中进一步描述的任何标准参考图像)依据裸片内位置确定中值强度；组合晶片上的两个或两个以上测试裸片的输出；通过从两个或两个以上测试裸片的组合输出中个别像素的特性减去所述标准参考图像中个别像素的对应像素的特性确定差值；产生所述差值及对应于大体上相同位置的中值强度的2D散布图；及基于所述2D散布图检测所述缺陷。
可如上所述那样执行在此实施例中产生2D散布图及检测缺陷。以此方式，一旦产生2D散布图，可如上所述那样执行缺陷检测。然而，在此实施例中，从不同中值强度及差值产生2D散布图。
在一个此实例中，在图3中所展示的实施例中，检测任务可含有来自8个裸片的图像帧。图3中所展示的测试裸片可如本文中描述那样进一步配置。在此实施例中，将关于经由平均化组合晶片上的两个或两个以上测试裸片的输出来进一步描述组合所述输出。然而，测试裸片的输出可以任何其它适当方式组合。在此实施例中，图3中所展示的测试裸片1到8的检验系统的输出可用以产生图3中所展示的平均测试裸片。在此实施例中产生平均测试裸片可包含使用测试裸片1到8中的两者或两者以上(或全部)以确定某一特性(例如测试裸片图像中的像素强度)的平均值。平均测试裸片可被确定为平均测试裸片图像或可以任何其它适当格式确定。多个测试裸片的输出的平均值可以任何适当方式使用任何适当方法及/或算法确定。
上述差值可通过从平均测试裸片减去标准参考裸片而确定。举例来说，如图3中所展示，可从平均测试减去标准参考图像以产生差值。从平均测试图像减去标准参考图像以确定差值的特性可为标准参考图像及平均测试图像中的像素强度或图像的任何其它适当特性。以此方式，确定差值可包含确定所述两个图像中的像素强度之间的差。所述差值可用以产生差图像，但所述差值也可以任何其它格式依据裸片内位置而表达。所述差值可以使用任何适当方法及/或算法的任何适当方式确定。
在这些实施例中，2D散布图的中值强度可为标准参考裸片中的像素强度，且2D散布图中使用的差值可为标准参考裸片与平均测试之间的强度差。此实施例中使用的标准参考裸片图像可包含本文中描述的任何标准参考图像。
在一些实施例中，检测所述缺陷包含：基于由检验系统针对晶片上的两个或两个以上裸片产生的输出依据裸片内位置确定中值强度；通过从所述晶片上的测试裸片的输出中个别像素的特性减去所述晶片上的参考裸片的输出中个别像素的对应像素的特性确定差值；将所述测试裸片的所述输出中的所述像素分为从所述标准参考图像确定的分段；针对所述分段中的至少一者产生所述差值及对应于大体上相同位置的所述至少一个分段中的中值强度的2D散布图；以及基于所述2D散布图检测所述缺陷。
可如上所述那样执行在此实施例中确定中值强度及差值。在一个此实例中，在图4中所展示的实施例中，检测任务可含有来自8个裸片的图像帧。图4中所展示的测试裸片可如本文中描述那样进一步配置。在此实施例中，确定上述中值强度可包含使用测试裸片1到8中的两者或两者以上(或全部)以确定图4中所展示的中值裸片。在此实施例中，可通过从测试裸片中的一者减去测试裸片中的另一者来确定差值。例如，如图4中所展示，测试裸片4及5可用来产生Diff 1，且测试裸片5及6可用来产生Diff 2。图4中所展示的其它测试裸片可用以按类似方式产生差值。可如本文中进一步描述那样确定这些差值。
在产生图4中所展示的标准参考图像之后，使其与对应裸片位置处的测试图像对准。任何图像配准算法可用以执行对准。在对准图像之后，可在每一像素处计算测试图像与参考图像之间的差值。使用全部像素处的灰度值及此差值以产生2D散布图。用户可确定2D散布图上的分段及检测参数。
接着，可使用图4中所展示的标准参考图像以确定用于缺陷检测的分段。此实施例中使用的分段可从本文中描述的任何标准参考图像确定。举例来说，如果标准参考图像包含标准参考图像中的像素的强度值，那么强度值的不同范围可被指派给不同分段。在一个此实例中，从0到100的强度值可被指派给分段1，而从101到255的强度值可被指派给分段2。像素的其它值(例如，中值强度值)可用以按类似方式界定分段。
以此方式，一旦基于标准参考图像界定分段，就可比较测试图像中的像素的对应值(例如，强度、中值强度等等)与指派给所述分段的值以确定将像素指派给哪个分段。因而，不同像素可被指派给不同分段。一旦像素已被指派给分段，可针对分段中的每一者单独产生2D散布图。例如，可使用对应于一个分段中的像素的中值强度及差值以如本文中描述那样针对所述分段产生2D散布图。接着，可如本文所述那样使用所述2D散布图执行针对所述像素的缺陷检测。接着，可以相同方式针对其它分段执行缺陷检测。然而，因为针对不同分段单独执行缺陷检测，所以针对不同分段执行的缺陷检测的一或多个参数可不同。所述一或多个参数(对于不同分段来说是不同的)可包含任何缺陷检测算法及/或方法的任何参数。
所述方法也包含基于对应于缺陷中的至少一者的标准参考图像的部分确定缺陷中的至少一者的一或多个属性。所述一或多个属性可包含可用以如本文中进一步描述那样对缺陷进行分类的任何缺陷属性。所述一或多个属性可使用任何适当方法及/或算法从标准参考图像确定。
标准参考图像可为在晶片检验配方的设置期间产生的“黄金”图像。例如，在设置期间可产生标准参考图像以考量跨晶片的工艺变化。在一个实例中，可通过用晶片检验系统获取晶片上的裸片的至少一个例子的图像产生标准参考图像。举例来说，在装置/层的检验配方的设置步骤期间，检验系统可扫描裸片(或若干裸片)且构造所述裸片的标准参考图像。这可以若干方式进行。一种方式可仅使用晶片上某一位置处的裸片的一个例子，或在配方设置期间，用户可指定晶片上的无缺陷裸片。
在一些实施例中，标准参考图像并非基于单个晶片上的单个裸片而产生。在额外实施例中，标准参考图像是不同于从单个晶片上的单个裸片产生的参考图像。在一些实施例中，所述方法包含基于由检验系统针对晶片产生的输出来产生标准参考图像，且所述标准参考图像不用于其它晶片。在另一实施例中，所述方法包含基于由检验系统针对晶片的仅一部分产生的输出来产生标准参考图像，且所述标准参考图像不用于晶片的其它部分。举例来说，标准参考图像可基于每晶片运行时间的8个中值裸片而确定。如果变化是在晶片内，那么可产生此标准参考图像。以此方式，可从由晶片检验系统获取的对应于晶片上的不同裸片的多个图像产生标准参考图像。在一个此实例中，我们可通过对对应于不同裸片的一批图像取逐像素平均(或中值)来构造“平均”图像或“中值”图像。
所述方法可包含从半导体设计数据产生标准参考图像。采用含有晶片结构信息的设计数据，模拟软件可合成裸片的晶片图像。图像灰度值反映晶片结构信息，但不一定类似于从检验机器产生的图像。举例来说，最简单的合成图像可为仅指示晶片图案及背景的二元图像。使用合成图像作为标准参考图像的优点是：合成图像不含有任何晶片噪声，且由合成图像导出的分段参数不受晶片噪声影响。此外，在一些实施例中，标准参考图像可为晶片设计数据。以此方式，晶片设计可用作如本文中进一步描述的标准参考图像，以针对晶片上的每一裸片产生分段且计算参考属性。此外，标准参考图像可为由扫描电子显微镜(SEM)产生用于晶片的晶片设计数据的图像。此标准参考图像将稳定如本文中进一步描述的分段以及参考属性。以此方式，标准参考图像可为SEM图像，所述SEM图像用作晶片设计的代理物，以如本文中进一步描述那样确定用于缺陷检测的分段及/或计算参考属性。此标准参考图像也将稳定如本文中进一步描述的分段以及参考属性。
从多个图像产生标准参考图像也可包含使多个图像以子像素精确度彼此对准及一起处理经对准的多个图像，以由此从经对准的图像产生标准参考图像。举例来说，当计算平均或中值图像时，经平均化(或计算其中值)的图像可对准到子像素精确度。也可针对缺陷检测执行类似对准。例如，在一个实施例中，检测缺陷包含使多个图像以子像素精确度彼此对准及基于经对准的多个图像检测缺陷，这可根据本文中描述的任何实施例来执行。在子像素精确度内对准多个图像可以任何适当方式执行，包含如在2010年3月9日颁予库尔卡尼(Kulkarni)等人的第7,676,077号美国专利中所描述的，所述专利以引用方式全部并入本文中。本文中描述的实施例可包含此专利中描述的任何方法的任何步骤。
标准参考图像可存储于检验配方中以供在检验期间使用。标准参考图像也可如于2012年6月19日发布的共同转让给巴斯卡尔(Bhaskar)等人的第8,204,296号美国专利中描述那样产生，所述专利以引用方式全部并入本文中。本文中描述的实施例可包含此专利中描述的任何方法的任何步骤，且可如此专利中描述那样经进一步配置。
在一些实施例中，所述方法包含针对晶片上的单个裸片产生标准参考图像，且标准参考图像不用于晶片上的其它裸片。举例来说，可根据本文中描述的任何实施例逐裸片地产生标准参考图像。以此方式，不同标准参考图像可用于晶片上的不同裸片。
在另一实施例中，所述方法包含通过以下步骤产生所述标准参考图像：确定所述晶片上的一或多个裸片的一或多个参考图像中的一或多个帧图像的一或多个第一直方图；从由所述检验系统产生的输出确定针对所述晶片产生的中值图像中的一或多个帧图像的一或多个第二直方图；修改所述一或多个第二直方图使得所述一或多个第二直方图大体上匹配所述一或多个第一直方图；以及基于所述一或多个经修改的第二直方图产生所述标准参考图像。以此方式，直方图修改可用以产生如本文中进一步描述那样使用的标准参考图像。
在一个此实施例中，如图5中所展示，图像500可为在设置期间获得的标准全裸片图像。此图像可包含标准帧图像502，且可针对标准帧图像中的每一者确定直方图504。在晶片检验期间，可获得图像506(其为全裸片中值图像)。此图像可包含中值帧图像508，且可针对中值帧图像中的每一者确定直方图510。图像500及506中的对应位置中的帧图像对应于晶片上的裸片的相同部分。如可从针对图像500及506中的帧图像确定的直方图504及510的比较可知，不同图像中的对应帧图像的直方图是大体上不同的。
可对图像506执行直方图映射，由此产生包含帧图像514的图像512，已单独确定帧图像514的直方图516。直方图映射可由此产生包含多个经映射的中值帧图像的经映射的全裸片中值图像。因而，图像500及512的直方图匹配，且图像看起来大体上类似。以此方式，可使中值帧图像看起来大体上类似于全部裸片及晶片的标准参考图像。如果中值帧图像对于全部裸片及晶片来说大体上相同，那么使用此类中值帧图像执行的分段将是稳定的。此外，从此类标准中值帧图像计算的缺陷属性将是稳定的。
在一个此实施例中，参考图像是晶片上的单个裸片的图像。举例来说，在配方设置期间，可使用检验系统扫描晶片上的至少一个全裸片，且在扫描期间由检验系统产生的输出可用以如本文中进一步描述那样产生参考图像。在另一此实施例中，参考图像是晶片上的多个裸片的复合图像。举例来说，在配方设置期间，可使用检验系统扫描晶片上的多个裸片，且在扫描期间由检验系统产生的输出可用以如本文中描述那样产生参考图像。在一个此实例中，对于多个裸片情况，复合图像(例如，平均、中值、稳健平均等等)可从多个裸片图像产生。在任一情况中，全裸片图像或复合图像可被定义为参考图像且被划分为帧图像。接着，可针对每一参考帧图像确定直方图且直方图可存储在配方中。
在一些此类实施例中，检测缺陷包含基于标准参考图像将用于晶片的测试图像的不同部分指派给不同分段，且针对不同分段执行的检测步骤的一或多个参数是不同的。举例来说，在检验期间，可对每一帧图像执行检验。接着，可产生中值帧图像用于分段目的。可通过将对应中值帧图像的直方图映射到标准参考帧图像的直方图来修改中值帧图像。接着，可如本文中进一步描述那样使用中值帧图像执行分段。
在进一步此实施例中，确定所述一或多个第一直方图包含产生用于所述一或多个第一直方图的数据，且修改所述一或多个第二直方图是以经产生用于所述一或多个第一直方图的全部数据的一部分来执行。举例来说，为减少保存到配方中的数据，可保存直方图数据的子集。最小子集可为直方图的仅两个端点。在检验期间，可使用标准参考图像的直方图数据的子集映射中值帧图像。标准参考图像有效性可稍微有所减小，这是因为较少信息存储到配方中。然而，如果色彩变化并不相对严重，那么在配方大小减小时使用较少信息不一定使稳定性降级。
所述方法进一步包含至少部分基于一或多个经确定的属性而对缺陷中的至少一者进行分类。在一个实施例中，分类步骤包含确定所述缺陷中的所述至少一者是否为所关注缺陷(DOI)或扰乱点。可如本文中进一步所述那样执行缺陷分类。此外，可使用任何适当的缺陷分类方法及/或算法通过用本文中描述的经确定的属性取代其它缺陷属性或通过修改所述方法及/或算法来执行缺陷分类，使得结合由所述方法及/或算法使用的其它属性使用本文中描述的经确定的属性。
在一些实施例中，分类步骤是基于所述一或多个经确定的属性、基于对应于所述缺陷中的所述至少一者的测试图像的部分针对所述缺陷中的所述至少一者确定的一或多个其它属性及基于对应于所述缺陷中的所述至少一者的差图像的部分针对所述缺陷中的所述至少一者确定的一或多个额外属性。图6中展示一个此实施例。特定来说，如图6中所展示，测试图像600及参考图像602可用以产生差图像606，这可如本文中进一步描述那样执行。差图像606接着可用于缺陷检测608，这可根据本文中描述的任何实施例执行。对于由缺陷检测所检测的任何缺陷，可从对应于缺陷位置的测试图像600的部分确定测试属性610，且可从对应于缺陷位置的差图像606的部分确定差属性612，且可从对应于缺陷位置的标准参考图像604的部分确定标准参考属性614。测试属性、差属性及标准参考属性可包含本文中描述的任何属性，且可如本文中进一步描述那样加以确定。标准参考图像604可包含本文中描述的任何标准参考图像。如图6中进一步展示，测试属性610、差属性612及标准参考属性614可组合用于缺陷分类616。
以此方式，不同于其中使用从测试图像、差图像及非标准参考图像确定的缺陷属性进行缺陷分类的一些常用方法，在本文中描述的实施例中，使用标准参考裸片图像以确定缺陷属性(其接着用于缺陷分类)。因此，因为如上文进一步描述那样，本文中描述的标准参考图像将比其它常用的参考图像更加稳定，所以本文中描述的实施例提供比其它方法及系统更加稳定的参考图像缺陷属性用于缺陷分类。以此方式，根据本文中描述的实施例确定的缺陷分类将更加稳定且很大程度上不受随晶片不同及晶片内的工艺变化引发的色彩变化影响。
可通过修改当前使用的缺陷检测算法及/或方法以使用本文中描述的所述一或多个经确定的属性来执行本文中描述的分类步骤。例如，当前由可从科磊公司购得的检验系统使用的iDO软件可经修改使得其使用本文中描述的至少所述一或多个经确定的属性以将缺陷分为不同分类。
可由计算机系统执行本文中描述的检测、确定及分类步骤，所述计算机系统可根据本文中描述的任何实施例配置。
上述方法的实施例中的每一者可包含本文中描述的任何其它方法的任何其它步骤。此外，上述方法的实施例中的每一者可由本文中描述的任何系统执行。
本文中描述的所有方法可包含将方法实施例的一或多个步骤的结果存储在计算机可读存储媒体中。所述结果可包含本文中描述的任何结果且可以所属领域中已知的任何方式存储。存储媒体可包含本文中描述的任何存储媒体或所属领域中已知的任何其它适当存储媒体。在已存储所述结果之后，所述结果可在存储媒体中存取且由本文中描述的方法或系统实施例中的任一者使用，经格式化以对用户显示、由另一软件模块、方法或系统等使用。
另一实施例涉及一种非暂时性计算机可读媒体，其存储可在计算机系统上执行以执行用于对在晶片上检测到的缺陷进行分类的计算机实施方法的程序指令。图7中展示一个此实施例。举例来说，如图7中所展示，非暂时性计算机可读媒体700存储可在计算机系统704上执行以执行用于对在晶片上检测到的缺陷进行分类的计算机实施方法的程序指令702。所述计算机实施方法可包含本文中描述的任何方法的任何步骤。
实施如本文中描述的所述方法的程序指令702可存储于非暂时性计算机可读媒体700中。计算机可读媒体可为存储媒体，例如磁盘或光盘、磁带或所属领域中已知的任何其它适当非暂时性计算机可读媒体。
可以各种方式(包括基于程序的技术、基于组件的技术及/或面向对象的技术等等)中的任何者实施所述程序指令。举例来说，可根据需要使用Matlab、Visual Basic、ActiveXcontrols、C、C++objects、C#、JavaBeans、Microsoft Foundation Classes(“MFC”)或其它技术或方法实施程序指令。
计算机系统704可采用各种形式，包含个人计算机系统、大型计算机系统、工作站、系统计算机、图像计算机、可编程图像计算机、并行处理器或在所属领域中已知的任何其它装置。一般来说，术语“计算机系统”可经广泛定义以涵盖具有执行来自存储器媒体的指令的一或多个处理器的任何装置。
额外实施例涉及一种经配置以对在晶片上检测到的缺陷进行分类的系统。所述系统包含检验子系统，所述检验子系统经配置以通过使光扫描晶片且在所述扫描期间检测来自所述晶片的光而针对所述晶片产生输出。图8中展示此检验子系统的一个实施例作为系统806的检验子系统804。
如图8中所展示，检验子系统包含光源808，所述光源808可包含所属领域中已知的任何适当光源，例如宽带等离子(BBP)光源。来自所述光源的光可被引导到光束分离器810，所述光束分离器810可经配置以将光从所述光源引导到晶片812。所述光源可耦合到任何其它适当元件(未展示)，例如一或多个聚光透镜、准直透镜、中继透镜、物镜、孔隙、光谱滤光器、偏光组件等等。如图8中所展示，所述光可以法向入射角引导到晶片。然而，所述光可以任何适当入射角(包含近法向入射角及倾斜入射角)引导到晶片。此外，所述光或多个光束可以一个以上入射角循序或同时引导到晶片。检验子系统可经配置而使光以任何适当方式扫描晶片。
在扫描期间，可通过检验子系统的一或多个检测器收集并检测来自晶片812的光。例如，以相对接近法向的角度反射自晶片812的光(即，当法向入射时经镜面反射的光)可行进穿过光束分离器810而到透镜814。透镜814可包含如图8中所展示的折射光学元件。此外，透镜814可包含一或多个折射光学元件及/或一或多个反射光学元件。由透镜814收集的光可被聚焦到检测器816。检测器816可包含所属领域中已知的任何适当检测器，例如电荷耦合装置(CCD)或另一类型的成像检测器。检测器816经配置以产生响应于由透镜814收集的反射光的输出。因此，透镜814及检测器816形成检验子系统的通道。检验子系统的此通道可包含所属领域中已知的任何其它适当光学组件(未展示)。检测器的输出可包含例如图像、图像数据、信号、图像信号或可由适用于检验系统中的检测器产生的任何其它输出。
因为图8中所展示的检验子系统经配置以检测从晶片镜面反射的光，所以所述检验子系统经配置为明场(BF)检验系统。然而，此检验子系统也可经配置以用于其它类型的晶片检验。例如，图8中所展示的检验子系统也可包含一或多个其它通道(未展示)。其它通道可包含本文中描述的任何光学组件，例如经配置为散射光通道的透镜及检测器。所述透镜及所述检测器可如本文所描述那样进一步配置。以此方式，检验子系统也可经配置以用于暗场(DF)检验。
所述系统也包含耦合到检验子系统的计算机子系统818。举例来说，计算机子系统可耦合到检验子系统的一或多个检测器使得计算机子系统可接收由检测器产生的输出。以此方式，由检验子系统的检测器产生的输出可被提供给计算机子系统818。计算机子系统818经配置用于基于由检验子系统针对晶片产生的输出检测所述晶片上的缺陷，这可根据本文中描述的任何实施例执行。计算机子系统也经配置以执行本文中描述的确定及分类步骤。计算机子系统818可经配置以执行本文中描述的任何其它步骤。
应注意，本文中提供图8以大致说明可包含在本文中描述的系统实施例中的检验子系统的配置。显然，如在设计商业检验系统时通常所执行那样，可改变本文中描述的检验子系统配置以优化检验子系统的效能。此外，可使用现有检验子系统(例如，通过将本文中描述的功能性添加到现有检验系统)(例如可从加利福尼亚州米尔皮塔斯市的科磊公司购得的29xx/28xx系列工具)实施本文中描述的系统。对于一些此类系统，可提供本文中描述的方法作为系统的任选功能性(例如，除系统的其它功能性之外)。替代地，可“从零开始”设计本文中描述的系统来提供全新系统。
此外，虽然所述系统在本文中被描述为基于光学或光的检验系统，但检验子系统可配置为基于电子束的检验子系统。基于电子束的检验子系统可为包含于任何适当的市售电子束检验系统中的任何适当的基于电子束的检验子系统。
鉴于此描述，所属领域的技术人员将明白本发明的各种方面的进一步修改及替代实施例。举例来说，提供用于对晶片上检测的缺陷进行分类的系统及方法。因此，此描述仅解释为说明性的且出于教示所属领域的技术人员实行本发明的一般方式的目的。应理解，本文中所展示及描述的本发明的形式将被视为目前优选实施例。元件及材料可代替本文中说明及描述的那些元件及材料，可颠倒部件及过程，且可独立利用本发明的某些特征，所有将如所属领域的技术人员在受益于本发明的此描述之后变得明显。在不脱离如在所附权利要求书中描述的本发明的精神及范围的情况下可对本文中描述的元件做出改变。

Claims (45)

1.一种用于对在晶片上检测到的缺陷进行分类的方法，其包括：
基于由检验系统针对晶片产生的输出来检测所述晶片上的缺陷；
基于对应于所述缺陷中的至少一者的标准参考图像的部分来确定所述缺陷中的所述至少一者的一或多个属性；以及
至少部分基于所述一或多个经确定的属性来对所述缺陷中的所述至少一者进行分类，其中所述检测、所述确定及所述分类由计算机系统执行。
2.根据权利要求1所述的方法，其中所述分类包括确定所述缺陷中的所述至少一者是否为所关注缺陷或扰乱点。
3.根据权利要求1所述的方法，其中所述晶片及至少一个其它晶片在受所述检验系统检验之前经受相同一或多个过程，且其中针对所述晶片的所述检验系统的所述输出及针对所述至少一个其它晶片的所述检验系统的输出具有色彩变化。
4.根据权利要求1所述的方法，其中由所述检验系统针对所述晶片产生的所述输出具有跨所述晶片的色彩变化。
5.根据权利要求1所述的方法，其中所述标准参考图像基于一或多个晶片上的一或多个裸片而产生。
6.根据权利要求1所述的方法，其中所述标准参考图像由使用晶片设计数据作为输入及输出合成晶片图像的模拟软件产生，且其中所述标准参考图像指示晶片结构，但不具有与由所述检验系统针对所述晶片产生的测试图像相同的灰度值。
7.根据权利要求1所述的方法，其进一步包括基于由所述检验系统针对所述晶片产生的所述输出来产生所述标准参考图像，其中所述标准参考图像不用于其它晶片。
8.根据权利要求1所述的方法，其进一步包括基于由所述检验系统针对所述晶片的仅一部分产生的所述输出来产生所述标准参考图像，其中所述标准参考图像不用于所述晶片的其它部分。
9.根据权利要求1所述的方法，其中检测所述缺陷包括：基于由所述检验系统针对所述晶片上的两个或两个以上裸片产生的输出，依据裸片内位置来确定中值强度；通过从所述晶片上的测试裸片的输出中个别像素的特性减去所述晶片上的参考裸片的输出中个别像素的对应像素的特性来确定差值；产生所述差值及对应于大体上相同位置的所述中值强度的二维散布图；以及基于所述二维散布图来检测所述缺陷。
10.根据权利要求1所述的方法，其中检测所述缺陷包括：基于所述标准参考图像，依据裸片内位置来确定中值强度；组合所述晶片上的两个或两个以上测试裸片的所述输出；通过从所述两个或两个以上测试裸片的所述组合输出中个别像素的特性减去所述标准参考图像中个别像素的对应像素的特性来确定差值；产生所述差值及对应于大体上所述相同位置的所述中值强度的二维散布图；以及基于所述二维散布图来检测所述缺陷。
11.根据权利要求1所述的方法，其中检测所述缺陷包括：基于由所述检验系统针对所述晶片上的两个或两个以上裸片产生的所述输出，依据裸片内位置来确定中值强度；通过从所述晶片上的测试裸片的所述输出中个别像素的所述特性减去所述晶片上的参考裸片的所述输出中个别像素的对应像素的特性来确定差值；将所述测试裸片的所述输出中的所述像素分为从所述标准参考图像确定的分段；针对所述分段中的至少一者产生所述差值及对应于大体上所述相同位置的所述至少一个分段中的所述中值强度的二维散布图；以及基于所述二维散布图来检测所述缺陷。
12.根据权利要求1所述的方法，其中所述分类基于所述一或多个经确定的属性、基于对应于所述缺陷中的所述至少一者的测试图像的部分而针对所述缺陷中的所述至少一者所确定的一或多个其它属性，以及基于对应于所述缺陷中的所述至少一者的差图像的部分而针对所述缺陷中的所述至少一者所确定的一或多个额外属性。
13.根据权利要求1所述的方法，其进一步包括针对所述晶片上的单个裸片产生所述标准参考图像，其中所述标准参考图像不用于所述晶片上的其它裸片。
14.根据权利要求1所述的方法，其进一步包括通过以下步骤来产生所述标准参考图像：确定所述晶片上的裸片的参考图像中的一或多个帧图像的一或多个第一直方图；从由所述检验系统产生的所述输出确定针对所述晶片产生的中值图像中的一或多个帧图像的一或多个第二直方图；修改所述一或多个第二直方图使得所述一或多个第二直方图大体上匹配所述一或多个第一直方图；以及基于所述一或多个经修改第二直方图来产生所述标准参考图像。
15.根据权利要求14所述的方法，其中所述参考图像是所述晶片上的单个裸片的图像。
16.根据权利要求14所述的方法，其中所述参考图像是所述晶片上的多个裸片的复合图像。
17.根据权利要求14所述的方法，其中检测所述缺陷包括基于所述标准参考图像将所述晶片的测试图像的不同部分指派给不同分段，且其中针对所述不同分段执行的所述检测的一或多个参数是不同的。
18.根据权利要求14所述的方法，其中确定所述一或多个第一直方图包括产生用于所述一或多个第一直方图的数据，且其中修改所述一或多个第二直方图是以少于经产生用于所述一或多个第一直方图的所述数据的全部来执行。
19.根据权利要求1所述的方法，其中所述标准参考图像是晶片设计数据。
20.根据权利要求1所述的方法，其中所述标准参考图像是由扫描电子显微镜产生用于所述晶片的晶片设计数据的图像。
21.根据权利要求1所述的方法，其进一步包括通过以下步骤来产生所述标准参考图像：使多个图像以子像素精确度彼此对准；以及从所述经对准的多个图像产生所述标准参考图像。
22.根据权利要求1所述的方法，其中检测所述缺陷包括：使多个图像以子像素精确度彼此对准；以及基于所述经对准的多个图像来检测所述缺陷。
23.一种非暂时性计算机可读媒体，其储存可在计算机系统上执行以执行用于对在晶片上检测到的缺陷进行分类的计算机实施方法的程序指令，其中所述计算机实施方法包括：
基于由检验系统针对晶片产生的输出来检测所述晶片上的缺陷；
基于对应于所述缺陷中的至少一者的标准参考图像的部分来确定所述缺陷中的所述至少一者的一或多个属性；以及
至少部分基于所述一或多个经确定的属性，对所述缺陷中的所述至少一者进行分类。
24.一种经配置以对在晶片上检测到的缺陷进行分类的系统，其包括：
检验子系统，其经配置以通过使光扫描晶片且在所述扫描期间检测来自所述晶片的光而产生针对所述晶片的输出；及
计算机子系统，其经配置以：
基于由所述检验子系统针对晶片产生的所述输出来检测所述晶片上的缺陷；
基于对应于所述缺陷中的至少一者的标准参考图像的部分来确定所述缺陷中的所述至少一者的一或多个属性；以及
至少部分基于所述一或多个经确定的属性，对所述缺陷中的所述至少一者进行分类。
25.根据权利要求24所述的系统，其中所述分类包括确定所述缺陷中的所述至少一者是否为所关注缺陷或扰乱点。
26.根据权利要求24所述的系统，其中所述晶片及至少一个其它晶片在受所述检验系统检验之前经受相同一或多个过程，且其中针对所述晶片的所述检验系统的所述输出及针对所述至少一个其它晶片的所述检验子系统的输出具有色彩变化。
27.根据权利要求24所述的系统，其中由所述检验系统针对所述晶片产生的所述输出具有跨所述晶片的色彩变化。
28.根据权利要求24所述的系统，其中所述标准参考图像并非基于单个晶片上的单个裸片而产生。
29.根据权利要求24所述的系统，其中所述标准参考图像不同于从单个晶片上的单个裸片产生的参考图像。
30.根据权利要求24所述的系统，其中所述计算机子系统进一步经配置用于基于由所述检验子系统针对所述晶片产生的所述输出产生所述标准参考图像，且其中所述标准参考图像不用于其它晶片。
31.根据权利要求24所述的系统，其中所述计算机子系统进一步经配置用于基于由所述检验子系统针对所述晶片的仅一部分产生的所述输出来产生所述标准参考图像，且其中所述标准参考图像不用于所述晶片的其它部分。
32.根据权利要求24所述的系统，其中检测所述缺陷包括：基于由所述检验系统针对所述晶片上的两个或两个以上裸片产生的输出，依据裸片内位置来确定中值强度；通过从所述晶片上的测试裸片的输出中个别像素的特性减去所述晶片上的参考裸片的输出中个别像素的对应像素的特性来确定差值；产生所述差值及对应于大体上相同位置的所述中值强度的二维散布图；以及基于所述二维散布图来检测所述缺陷。
33.根据权利要求24所述的系统，其中检测所述缺陷包括：基于所述标准参考图像，依据裸片内位置来确定中值强度；组合所述晶片上的两个或两个以上测试裸片的所述输出；通过从所述两个或两个以上测试裸片的所述组合输出中个别像素的特性减去所述标准参考图像中个别像素的对应像素的特性来确定差值；产生所述差值及对应于大体上所述相同位置的所述中值强度的二维散布图；以及基于所述二维散布图来检测所述缺陷。
34.根据权利要求24所述的系统，其中检测所述缺陷包括：基于由所述检验系统针对所述晶片上的两个或两个以上裸片产生的所述输出，依据裸片内位置来确定中值强度；通过从所述晶片上的测试裸片的所述输出中个别像素的所述特性减去所述晶片上的参考裸片的所述输出中个别像素的对应像素的特性来确定差值；将所述测试裸片的所述输出中的所述像素分为从所述标准参考图像确定的分段；针对所述分段中的至少一者产生所述差值及对应于大体上所述相同位置的所述至少一个分段中的所述中值强度的二维散布图；以及基于所述二维散布图来检测所述缺陷。
35.根据权利要求24所述的系统，其中所述分类基于所述一或多个经确定的属性、基于对应于所述缺陷中的所述至少一者的测试图像的部分而针对所述缺陷中的所述至少一者所确定的一或多个其它属性，以及基于对应于所述缺陷中的所述至少一者的差图像的部分而针对所述缺陷中的所述至少一者所确定的一或多个额外属性。
36.根据权利要求24所述的系统，其中所述计算机子系统进一步经配置用于针对所述晶片上的单个裸片产生所述标准参考图像，且其中所述标准参考图像不用于所述晶片上的其它裸片。
37.根据权利要求24所述的系统，其中所述计算机子系统进一步经配置用于通过以下步骤来产生所述标准参考图像：确定所述晶片上的裸片的参考图像中的一或多个帧图像的一或多个第一直方图；从由所述检验子系统产生的所述输出来确定针对所述晶片产生的中值图像中的一或多个帧图像的一或多个第二直方图；修改所述一或多个第二直方图使得所述一或多个第二直方图大体上匹配所述一或多个第一直方图；以及基于所述一或多个经修改的第二直方图产生所述标准参考图像。
38.根据权利要求37所述的系统，其中所述参考图像是所述晶片上的单个裸片的图像。
39.根据权利要求37所述的系统，其中所述参考图像是所述晶片上的多个裸片的复合图像。
40.根据权利要求37所述的系统，其中检测所述缺陷包括基于所述标准参考图像，将所述晶片的测试图像的不同部分指派给不同分段，且其中针对所述不同分段执行的所述检测的一或多个参数是不同的。
41.根据权利要求37所述的系统，其中确定所述一或多个第一直方图包括产生用于所述一或多个第一直方图的数据，且其中修改所述一或多个第二直方图是以少于经产生用于所述一或多个第一直方图的所述数据的全部来执行。
42.根据权利要求24所述的系统，其中所述标准参考图像是晶片设计数据。
43.根据权利要求24所述的系统，其中所述标准参考图像是由扫描电子显微镜产生用于所述晶片的晶片设计数据的图像。
44.根据权利要求24所述的系统，其中所述计算机子系统进一步经配置用于通过以下步骤来产生所述标准参考图像：使多个图像以子像素精确度彼此对准；以及从所述经对准的多个图像产生所述标准参考图像。
45.根据权利要求24所述的系统，其中检测所述缺陷包括：使多个图像以子像素精确度彼此对准；以及基于所述经对准的多个图像来检测所述缺陷。
CN201580007405.0A 2014-02-06 2015-02-05 基于从标准参考图像确定的属性的缺陷检测及分类 Active CN105960702B (zh)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
US201461936330P 2014-02-06 2014-02-06
US61/936,330 2014-02-06
US14/612,192 US10127652B2 (en) 2014-02-06 2015-02-02 Defect detection and classification based on attributes determined from a standard reference image
US14/612,192 2015-02-02
PCT/US2015/014682 WO2015120193A1 (en) 2014-02-06 2015-02-05 Defect detection and classification based on attributes determined from a standard reference image

Publications (2)

Publication Number Publication Date
CN105960702A true CN105960702A (zh) 2016-09-21
CN105960702B CN105960702B (zh) 2019-06-07

Family

ID=53755259

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201580007405.0A Active CN105960702B (zh) 2014-02-06 2015-02-05 基于从标准参考图像确定的属性的缺陷检测及分类

Country Status (6)

Country Link
US (1) US10127652B2 (zh)
KR (1) KR102203112B1 (zh)
CN (1) CN105960702B (zh)
IL (1) IL246839B (zh)
TW (1) TWI672636B (zh)
WO (1) WO2015120193A1 (zh)

Cited By (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108335287A (zh) * 2017-01-18 2018-07-27 株式会社理光 信息处理装置和信息处理方法
CN109285791A (zh) * 2017-07-21 2019-01-29 敖翔科技股份有限公司 设计布局为主的快速在线缺陷诊断、分类及取样方法及系统
CN109690747A (zh) * 2016-09-27 2019-04-26 科磊股份有限公司 用电子束柱阵列测量叠对及边缘放置误差
CN109964115A (zh) * 2016-11-10 2019-07-02 科磊股份有限公司 高敏感度重复项缺陷检测
CN110389153A (zh) * 2018-04-13 2019-10-29 台湾积体电路制造股份有限公司 热点缺陷检测方法及热点缺陷检测系统
CN110419099A (zh) * 2017-03-23 2019-11-05 科磊股份有限公司 用于线上部分平均测试及潜在可靠性缺陷检验的方法及系统
CN110612514A (zh) * 2017-05-23 2019-12-24 科磊股份有限公司 用于半导体检验及计量系统的可扩展及灵活作业分发架构
CN110907796A (zh) * 2018-09-14 2020-03-24 长鑫存储技术有限公司 集成电路量测结果图像化分析方法及系统
CN111051988A (zh) * 2017-09-01 2020-04-21 科磊股份有限公司 设计关键性分析扩充的工艺窗合格取样
CN111052331A (zh) * 2017-08-30 2020-04-21 科磊股份有限公司 识别在晶片上检测到的缺陷中的扰乱及所关注缺陷
CN111724335A (zh) * 2019-03-21 2020-09-29 深圳中科飞测科技有限公司 检测方法及检测系统
CN111837229A (zh) * 2018-03-19 2020-10-27 科磊股份有限公司 扫描电子显微镜图像中的半监督异常检测
CN111868903A (zh) * 2018-03-20 2020-10-30 科磊股份有限公司 半导体装置的基于制造数据的针对性召回
CN112368569A (zh) * 2018-07-20 2021-02-12 科磊股份有限公司 半导体检查中的多模式缺陷分类
CN113125440A (zh) * 2019-12-30 2021-07-16 纬创资通股份有限公司 物件的瑕疵判断方法及装置
CN113632136A (zh) * 2019-02-26 2021-11-09 科磊股份有限公司 用于半导体应用的参考图像产生
CN114503245A (zh) * 2019-10-11 2022-05-13 科磊股份有限公司 用于多模式检验的基于统计学习模式选择
CN114600154A (zh) * 2019-10-31 2022-06-07 科磊股份有限公司 用于sem图像的bbp辅助缺陷检测流程
CN114667596A (zh) * 2019-11-21 2022-06-24 科磊股份有限公司 基于噪声特性而对次关注区域进行聚类
CN114761791A (zh) * 2019-12-05 2022-07-15 科磊股份有限公司 用于在检验期间于样本上界定柔性区域的系统及方法
CN114841912A (zh) * 2021-01-14 2022-08-02 应用材料以色列公司 基于参考图像来确定样本中的缺陷和/或边缘粗糙度

Families Citing this family (31)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10127652B2 (en) * 2014-02-06 2018-11-13 Kla-Tencor Corp. Defect detection and classification based on attributes determined from a standard reference image
US10290092B2 (en) * 2014-05-15 2019-05-14 Applied Materials Israel, Ltd System, a method and a computer program product for fitting based defect detection
US10514685B2 (en) * 2014-06-13 2019-12-24 KLA—Tencor Corp. Automatic recipe stability monitoring and reporting
US9816939B2 (en) 2014-07-22 2017-11-14 Kla-Tencor Corp. Virtual inspection systems with multiple modes
US10436720B2 (en) * 2015-09-18 2019-10-08 KLA-Tenfor Corp. Adaptive automatic defect classification
US10535131B2 (en) * 2015-11-18 2020-01-14 Kla-Tencor Corporation Systems and methods for region-adaptive defect detection
US10186028B2 (en) * 2015-12-09 2019-01-22 Kla-Tencor Corporation Defect signal to noise enhancement by reducing die to die process noise
US10533953B2 (en) * 2016-04-04 2020-01-14 Kla-Tencor Corporation System and method for wafer inspection with a noise boundary threshold
JP6625475B2 (ja) * 2016-04-22 2019-12-25 株式会社 東京ウエルズ 欠陥検査方法および欠陥検査システム
CN106204598B (zh) * 2016-07-13 2019-02-05 东方晶源微电子科技（北京）有限公司 在自动缺陷分类流程中管理缺陷的方法及系统
US9928446B2 (en) 2016-07-13 2018-03-27 Dongfang Jingyuan Electron Limited Augmented automatic defect classification
US10267748B2 (en) * 2016-10-17 2019-04-23 Kla-Tencor Corp. Optimizing training sets used for setting up inspection-related algorithms
US10402688B2 (en) * 2016-12-07 2019-09-03 Kla-Tencor Corporation Data augmentation for convolutional neural network-based defect inspection
KR20180082169A (ko) * 2017-01-10 2018-07-18 한화에어로스페이스 주식회사 불량 패널 검사 장치
US11270430B2 (en) * 2017-05-23 2022-03-08 Kla-Tencor Corporation Wafer inspection using difference images
US11295432B2 (en) 2017-06-29 2022-04-05 Kla-Tencor Corporation Broad band plasma inspection based on a nuisance map
US10997710B2 (en) * 2017-10-18 2021-05-04 Kla-Tencor Corporation Adaptive care areas for die-die inspection
CN108986086A (zh) * 2018-07-05 2018-12-11 福州大学 印刷显示面板喷墨打印像素缺陷检测与分类方法及其装置
US10801968B2 (en) * 2018-10-26 2020-10-13 Kla-Tencor Corporation Algorithm selector based on image frames
US11429806B2 (en) * 2018-11-09 2022-08-30 Canon Virginia, Inc. Devices, systems, and methods for anomaly detection
US11270439B2 (en) 2018-11-09 2022-03-08 University Of Florida Research Foundation, Incorporated Histogram-based method for auto segmentation of integrated circuit structures from SEM images
US10957035B2 (en) * 2018-11-30 2021-03-23 Kla Corporation Defect classification by fitting optical signals to a point-spread function
CN110231360B (zh) * 2019-05-31 2020-06-26 华南农业大学 电镜像差的确定方法、消除方法及装置
US11676260B2 (en) 2019-09-26 2023-06-13 Kla Corporation Variation-based segmentation for wafer defect detection
US11328411B2 (en) 2020-05-04 2022-05-10 KLA Corp. Print check repeater defect detection
CN111754470A (zh) * 2020-06-11 2020-10-09 厦门雨程户外运动用品有限公司 自动验布方法、装置、自动验布机和存储介质
KR20210156894A (ko) 2020-06-18 2021-12-28 삼성전자주식회사 스루-포커스 이미지 기반 계측 장치, 그것의 동작 방법, 및 그 동작을 실행하는 컴퓨팅 장치
US11599988B2 (en) * 2020-09-11 2023-03-07 Super Micro Computer, Inc. Inspection of circuit boards for unauthorized modifications
US20220301133A1 (en) * 2021-03-16 2022-09-22 Kla Corporation Segmentation of design care areas with a rendered design image
US20240054632A1 (en) * 2022-08-10 2024-02-15 Kla Corporation Detecting defects on specimens
CN116913827B (zh) * 2023-09-12 2023-12-12 威海奥牧智能科技有限公司 一种基于无脉冲泵供液的芯片清洗系统及清洗方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7330248B2 (en) * 2001-04-03 2008-02-12 Hitachi, Ltd. Method and apparatus for inspecting defects
US20080067371A1 (en) * 2006-05-11 2008-03-20 Masaki Kurihara Sem-type reviewing apparatus and a method for reviewing defects using the same
CN102129164A (zh) * 2010-01-15 2011-07-20 中芯国际集成电路制造(上海)有限公司 掩膜版缺陷的判断方法及判断系统

Family Cites Families (26)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5640200A (en) * 1994-08-31 1997-06-17 Cognex Corporation Golden template comparison using efficient image registration
US5850466A (en) * 1995-02-22 1998-12-15 Cognex Corporation Golden template comparison for rotated and/or scaled images
US5777729A (en) * 1996-05-07 1998-07-07 Nikon Corporation Wafer inspection method and apparatus using diffracted light
JP3139998B2 (ja) * 1998-12-01 2001-03-05 株式会社東京精密 外観検査装置及び方法
US6975754B2 (en) * 2000-10-26 2005-12-13 Hitachi, Ltd. Circuit pattern inspection method and apparatus
US7162073B1 (en) * 2001-11-30 2007-01-09 Cognex Technology And Investment Corporation Methods and apparatuses for detecting classifying and measuring spot defects in an image of an object
US6850321B1 (en) * 2002-07-09 2005-02-01 Kla-Tencor Technologies Corporation Dual stage defect region identification and defect detection method and apparatus
JP3944075B2 (ja) 2002-12-27 2007-07-11 株式会社東芝 試料検査方法及び検査装置
TWI231557B (en) * 2004-05-10 2005-04-21 Powerchip Semiconductor Corp Method of defect inspection
US8233699B2 (en) * 2005-08-30 2012-07-31 Camtek Ltd. Inspection system and a method for detecting defects based upon a reference frame
US7570796B2 (en) 2005-11-18 2009-08-04 Kla-Tencor Technologies Corp. Methods and systems for utilizing design data in combination with inspection data
US7676077B2 (en) * 2005-11-18 2010-03-09 Kla-Tencor Technologies Corp. Methods and systems for utilizing design data in combination with inspection data
US7570800B2 (en) 2005-12-14 2009-08-04 Kla-Tencor Technologies Corp. Methods and systems for binning defects detected on a specimen
JP4065893B1 (ja) * 2006-12-04 2008-03-26 東京エレクトロン株式会社 欠陥検出装置、欠陥検出方法、情報処理装置、情報処理方法及びそのプログラム
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
US8045145B1 (en) * 2007-06-06 2011-10-25 Kla-Tencor Technologies Corp. Systems and methods for acquiring information about a defect on a specimen
US7796804B2 (en) 2007-07-20 2010-09-14 Kla-Tencor Corp. Methods for generating a standard reference die for use in a die to standard reference die inspection and methods for inspecting a wafer
US8401272B2 (en) * 2007-08-02 2013-03-19 Asti Holdings Limited Patterned wafer defect inspection system and method
US8126255B2 (en) 2007-09-20 2012-02-28 Kla-Tencor Corp. Systems and methods for creating persistent data for a wafer and for using persistent data for inspection-related functions
US8000922B2 (en) 2008-05-29 2011-08-16 Kla-Tencor Corp. Methods and systems for generating information to be used for selecting values for one or more parameters of a detection algorithm
US8175373B2 (en) 2009-02-16 2012-05-08 Kla-Tencor Corporation Use of design information and defect image information in defect classification
US8559001B2 (en) 2010-01-11 2013-10-15 Kla-Tencor Corporation Inspection guided overlay metrology
KR101853991B1 (ko) 2010-07-30 2018-05-02 케이엘에이-텐코 코포레이션 영역 기반 가상 푸리에 필터
US8669523B2 (en) 2011-05-25 2014-03-11 Kla-Tencor Corporation Contour-based defect detection using an inspection apparatus
JP2012083351A (ja) * 2011-10-17 2012-04-26 Hitachi High-Technologies Corp 欠陥検査装置およびその方法
US10127652B2 (en) * 2014-02-06 2018-11-13 Kla-Tencor Corp. Defect detection and classification based on attributes determined from a standard reference image

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7330248B2 (en) * 2001-04-03 2008-02-12 Hitachi, Ltd. Method and apparatus for inspecting defects
US20080067371A1 (en) * 2006-05-11 2008-03-20 Masaki Kurihara Sem-type reviewing apparatus and a method for reviewing defects using the same
CN102129164A (zh) * 2010-01-15 2011-07-20 中芯国际集成电路制造(上海)有限公司 掩膜版缺陷的判断方法及判断系统

Cited By (32)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109690747A (zh) * 2016-09-27 2019-04-26 科磊股份有限公司 用电子束柱阵列测量叠对及边缘放置误差
CN109690747B (zh) * 2016-09-27 2022-06-14 科磊股份有限公司 用电子束柱阵列测量叠对及边缘放置误差
CN109964115A (zh) * 2016-11-10 2019-07-02 科磊股份有限公司 高敏感度重复项缺陷检测
CN108335287A (zh) * 2017-01-18 2018-07-27 株式会社理光 信息处理装置和信息处理方法
CN110419099B (zh) * 2017-03-23 2023-09-15 科磊股份有限公司 用于线上部分平均测试及潜在可靠性缺陷检验的方法及系统
CN110419099A (zh) * 2017-03-23 2019-11-05 科磊股份有限公司 用于线上部分平均测试及潜在可靠性缺陷检验的方法及系统
CN110612514A (zh) * 2017-05-23 2019-12-24 科磊股份有限公司 用于半导体检验及计量系统的可扩展及灵活作业分发架构
CN109285791B (zh) * 2017-07-21 2021-01-01 敖翔科技股份有限公司 设计布局为主的快速在线缺陷诊断、分类及取样方法及系统
CN109285791A (zh) * 2017-07-21 2019-01-29 敖翔科技股份有限公司 设计布局为主的快速在线缺陷诊断、分类及取样方法及系统
CN111052331A (zh) * 2017-08-30 2020-04-21 科磊股份有限公司 识别在晶片上检测到的缺陷中的扰乱及所关注缺陷
CN111051988B (zh) * 2017-09-01 2021-11-05 科磊股份有限公司 设计关键性分析扩充的工艺窗合格取样
CN111051988A (zh) * 2017-09-01 2020-04-21 科磊股份有限公司 设计关键性分析扩充的工艺窗合格取样
CN111837229A (zh) * 2018-03-19 2020-10-27 科磊股份有限公司 扫描电子显微镜图像中的半监督异常检测
CN111868903A (zh) * 2018-03-20 2020-10-30 科磊股份有限公司 半导体装置的基于制造数据的针对性召回
CN111868903B (zh) * 2018-03-20 2024-03-19 科磊股份有限公司 半导体装置的基于制造数据的针对性召回
US11900586B2 (en) 2018-04-13 2024-02-13 Taiwan Semiconductor Manufacturing Company, Ltd. Hot spot defect detecting method and hot spot defect detecting system
CN110389153A (zh) * 2018-04-13 2019-10-29 台湾积体电路制造股份有限公司 热点缺陷检测方法及热点缺陷检测系统
CN110389153B (zh) * 2018-04-13 2022-04-26 台湾积体电路制造股份有限公司 热点缺陷检测方法及热点缺陷检测系统
CN112368569A (zh) * 2018-07-20 2021-02-12 科磊股份有限公司 半导体检查中的多模式缺陷分类
CN110907796A (zh) * 2018-09-14 2020-03-24 长鑫存储技术有限公司 集成电路量测结果图像化分析方法及系统
CN113632136A (zh) * 2019-02-26 2021-11-09 科磊股份有限公司 用于半导体应用的参考图像产生
CN111724335A (zh) * 2019-03-21 2020-09-29 深圳中科飞测科技有限公司 检测方法及检测系统
CN114503245A (zh) * 2019-10-11 2022-05-13 科磊股份有限公司 用于多模式检验的基于统计学习模式选择
CN114503245B (zh) * 2019-10-11 2023-06-06 科磊股份有限公司 用于多模式检验的基于统计学习模式选择的方法及系统
CN114600154A (zh) * 2019-10-31 2022-06-07 科磊股份有限公司 用于sem图像的bbp辅助缺陷检测流程
CN114600154B (zh) * 2019-10-31 2023-07-07 科磊股份有限公司 用于sem图像的bbp辅助缺陷检测流程
CN114667596A (zh) * 2019-11-21 2022-06-24 科磊股份有限公司 基于噪声特性而对次关注区域进行聚类
CN114667596B (zh) * 2019-11-21 2023-08-18 科磊股份有限公司 基于噪声特性而对次关注区域进行聚类
CN114761791A (zh) * 2019-12-05 2022-07-15 科磊股份有限公司 用于在检验期间于样本上界定柔性区域的系统及方法
US11783471B2 (en) 2019-12-30 2023-10-10 Wistron Corporation Method and device for determining whether object includes defect
CN113125440A (zh) * 2019-12-30 2021-07-16 纬创资通股份有限公司 物件的瑕疵判断方法及装置
CN114841912A (zh) * 2021-01-14 2022-08-02 应用材料以色列公司 基于参考图像来确定样本中的缺陷和/或边缘粗糙度

Also Published As

Publication number Publication date
IL246839A0 (en) 2016-08-31
WO2015120193A1 (en) 2015-08-13
KR102203112B1 (ko) 2021-01-13
CN105960702B (zh) 2019-06-07
US10127652B2 (en) 2018-11-13
IL246839B (en) 2020-04-30
KR20160119170A (ko) 2016-10-12
US20150221076A1 (en) 2015-08-06
TWI672636B (zh) 2019-09-21
TW201531963A (zh) 2015-08-16

Similar Documents

Publication Publication Date Title
CN105960702A (zh) 基于从标准参考图像确定的属性的缺陷检测及分类
KR102536011B1 (ko) 심층적으로 적층된 층들을 갖는 웨이퍼들에서 결함 분류기를 트레이닝하고 적용하기 위한 시스템, 방법
US8611639B2 (en) Semiconductor device property extraction, generation, visualization, and monitoring methods
US9619876B2 (en) Detecting defects on wafers based on 2D scatter plots of values determined for output generated using different optics modes
US10395359B2 (en) Adaptive local threshold and color filtering
US9355208B2 (en) Detecting defects on a wafer
JP6617143B2 (ja) 構造情報を用いた欠陥検出システム及び方法
CN106662538A (zh) 重复缺陷检测
US10677742B2 (en) Detecting die repeating programmed defects located in backgrounds with non-repeating features
WO2015100099A1 (en) Defect discovery and inspection sensitivity optimization using automated classification of corresponding electron beam images
US20140301629A1 (en) High Accuracy Design Based Classification
CN108352336A (zh) 确定样品上所关注图案的一或多个特性
US9442077B2 (en) Scratch filter for wafer inspection
KR102252326B1 (ko) 웨이퍼 이미지 대 설계 좌표 매핑을 자동적으로 생성하기 위한 시스템, 방법 및 컴퓨터 프로그램 제품
US10068323B2 (en) Aware system, method and computer program product for detecting overlay-related defects in multi-patterned fabricated devices

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant