CN107077733A - 用于以数字匹配滤波器进行增强型缺陷检测的系统及方法 - Google Patents
用于以数字匹配滤波器进行增强型缺陷检测的系统及方法 Download PDFInfo
- Publication number
- CN107077733A CN107077733A CN201580059583.8A CN201580059583A CN107077733A CN 107077733 A CN107077733 A CN 107077733A CN 201580059583 A CN201580059583 A CN 201580059583A CN 107077733 A CN107077733 A CN 107077733A
- Authority
- CN
- China
- Prior art keywords
- image
- optical mode
- sample
- extra
- produced
- 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
Links
- 230000007547 defect Effects 0.000 title claims abstract description 130
- 238000000034 method Methods 0.000 title claims description 87
- 238000001514 detection method Methods 0.000 title abstract description 22
- 230000003287 optical effect Effects 0.000 claims abstract description 111
- 238000009826 distribution Methods 0.000 claims abstract description 47
- 239000000523 sample Substances 0.000 claims description 60
- 230000008569 process Effects 0.000 claims description 41
- 238000007689 inspection Methods 0.000 claims description 29
- 238000005286 illumination Methods 0.000 claims description 24
- 239000004065 semiconductor Substances 0.000 claims description 5
- 239000004744 fabric Substances 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 230000002146 bilateral effect Effects 0.000 claims description 2
- 239000012472 biological sample Substances 0.000 claims description 2
- 239000011159 matrix material Substances 0.000 description 13
- 238000012935 Averaging Methods 0.000 description 8
- 238000001914 filtration Methods 0.000 description 8
- 239000000203 mixture Substances 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 230000001965 increasing effect Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000007670 refining Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 206010020751 Hypersensitivity Diseases 0.000 description 1
- 241001585714 Nola Species 0.000 description 1
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 208000026935 allergic disease Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 239000013078 crystal Substances 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 230000008021 deposition Effects 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000009610 hypersensitivity Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000007943 implant Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011065 in-situ storage Methods 0.000 description 1
- NLYAJNPCOHFWQQ-UHFFFAOYSA-N kaolin Chemical compound O.O.O=[Al]O[Si](=O)O[Si](=O)O[Al]=O NLYAJNPCOHFWQQ-UHFFFAOYSA-N 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000001459 lithography Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000003607 modifier Substances 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000010399 physical interaction Effects 0.000 description 1
- 238000007747 plating Methods 0.000 description 1
- 238000005498 polishing Methods 0.000 description 1
- 238000006116 polymerization reaction Methods 0.000 description 1
- 210000001747 pupil Anatomy 0.000 description 1
- 238000007634 remodeling Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 238000010897 surface acoustic wave method Methods 0.000 description 1
- 208000011580 syndromic disease Diseases 0.000 description 1
- 230000007306 turnover Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
- G06T7/001—Industrial image inspection using an image reference approach
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/97—Determining parameters from multiple pictures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/10—Image acquisition
- G06V10/12—Details of acquisition arrangements; Constructional details thereof
- G06V10/14—Optical characteristics of the device performing the acquisition or on the illumination arrangements
- G06V10/147—Details of sensors, e.g. sensor lenses
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
-
- 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
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
-
- 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
- G06T2207/30004—Biomedical image processing
- G06T2207/30024—Cell structures in vitro; Tissue sections in vitro
-
- 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)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Vascular Medicine (AREA)
- Artificial Intelligence (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Image Processing (AREA)
Abstract
对样本的增强型缺陷检测包含针对第一光学模式从样本的两个或多于两个位置获取来自所述样本的两个或多于两个检验图像。所述缺陷检测还基于针对所述第一光学模式来自所述两个或多于两个位置的所述两个或多于两个检验图像而针对选定缺陷类型产生经聚合缺陷分布,以及计算针对所述第一光学模式从所述两个或多于两个位置获取的所述两个或多于两个检验图像的一或多个噪声相关性特性。缺陷检测进一步包含基于所述所产生的经聚合缺陷分布及所述所计算的一或多个噪声相关性特性而产生用于所述第一光学模式的匹配滤波器。
Description
相关申请案的交叉参考
本申请案依据35U.S.C.§119(e)主张序列号为62/078,802的美国临时申请案的权益,所述临时申请案于2014年11月11日提出申请,标题为通过使用数字匹配滤波器来增强光学晶片检验中的缺陷检测的方法(METHOD TO ENHANCE DEFECT DETECTION IN OPTICALWAFER INSPECTION BY USING DIGITAL MATCHED FILTER),发明人为帕维尔科尔沁(PavelKolchin)及尤金席弗林(Eugene Shifrin),所述临时申请案以全文引用的方式并入本文中。
技术领域
本发明大体来说涉及样本检验及缺陷检测,且更特定来说涉及利用匹配数字滤波器的产生及实施来改进缺陷检测。
背景技术
由于对具有愈来愈小的装置特征的集成电路的需求继续增加,因此对经改进衬底检验系统的需要继续增长。检验工具操作的一个方面包含实施数字滤波器以改进对样本(例如半导体晶片)的检验及/或缺陷检测。然而,当前数字滤波器技术受限于预定义数字滤波器模板。受限数目个数字滤波器选项对于针对具挑战性检验及/或缺陷检测设定增加缺陷检测敏感性是不充足的。因此,提供一种用于补救例如上文所识别的那些缺陷的缺陷的系统及方法将为合意的。
发明内容
根据本发明的一或多个说明性实施例揭示一种用于利用匹配滤波器的增强型缺陷检测的系统。在一个实施例中,所述系统包含检验子系统。在另一实施例中,所述检验子系统包含经配置以将照明引导到样本的一或多个选定部分上的照明源以及一或多个检测器,所述一或多个检测器经配置以针对第一光学模式从所述样本的两个或多于两个位置获取来自所述样本的两个或多于两个检验图像。在另一实施例中,所述系统包含以通信方式耦合到所述一或多个检测器的控制器。在另一实施例中,所述控制器包含经配置以执行程序指令的一或多个处理器,所述程序指令经配置以致使所述一或多个处理器:从所述一或多个检测器接收针对所述第一光学模式从所述两个或多于两个位置获取的所述两个或多于两个检验图像;基于从所述一或多个检测器接收的针对所述第一光学模式来自所述两个或多于两个位置的所述两个或多于两个检验图像,针对选定缺陷类型而产生经聚合缺陷分布;计算针对所述第一光学模式从所述两个或多于两个位置获取的所述两个或多于两个检验图像的一或多个噪声相关性特性;及基于所述所产生的经聚合缺陷分布及所述所计算的一或多个噪声相关性特性而产生用于所述第一光学模式的匹配滤波器。
根据本发明的一或多个说明性实施例揭示一种用于利用匹配滤波器的增强型缺陷检测的方法。在一个实施例中,所述方法包含针对第一光学模式从样本的两个或多于两个位置获取来自所述样本的两个或多于两个检验图像。在另一实施例中,所述方法包含基于针对所述第一光学模式来自所述两个或多于两个位置的所述两个或多于两个检验图像,针对选定缺陷类型而产生经聚合缺陷分布。在另一实施例中,所述方法包含计算针对所述第一光学模式从所述两个或多于两个位置获取的所述两个或多于两个检验图像的一或多个噪声相关性特性。在另一实施例中,所述方法包含基于所述所产生的经聚合缺陷分布及所述所计算的一或多个噪声相关性特性而产生用于所述第一光学模式的匹配滤波器。
应理解,前述大体描述及以下详细描述两者均仅为示范性及解释性且不必限制所请求的本发明。并入本说明书中并构成本说明书的一部分的所附图式图解说明本发明的实施例,并与所述大体描述一起用于解释本发明的原理。
附图说明
所属领域的技术人员可通过参考附图而更好地理解本发明的众多优点,在附图中:
图1A是根据本发明的一个实施例的用于利用匹配滤波器的增强型缺陷检测的系统的概念视图。
图1B是根据本发明的一个实施例的用于在明场检验配置中利用匹配滤波器的增强型缺陷检测的系统的简化示意图。
图1C是根据本发明的一个实施例的用于在暗场检验配置中利用匹配滤波器的增强型缺陷检测的系统的简化示意图。
图2A是描绘根据本发明的一个实施例的用于利用匹配的增强型缺陷检测的方法的过程流程图。
图2B图解说明描绘根据本发明的一个实施例的来自样本的不同位置的缺陷区域集合的一系列图像。
图2C是描绘根据本发明的一个实施例的产生经聚合缺陷分布的过程流程图。
图2D图解说明描绘根据本发明的一个实施例的第一图像中的缺陷的识别及基于第一图像的第二中的匹配缺陷的识别的一系列概念视图。
图2E图解说明根据本发明的一个实施例的与一系列缺陷区域相关联的一系列滤波器方框及使用含于所述系列滤波器方框中的每一者内的图像数据所产生的经平均缺陷分布。
图2F是描绘根据本发明的一个实施例的针对选定光学模式计算检验图像的一或多个噪声相关性特性的过程流程图。
图2G图解说明根据本发明的一个实施例的用于计算一或多个检验图像的局部噪声相关性矩阵的像素窗。
图2H图解说明根据本发明的一个实施例的经平均缺陷分布、非对称性匹配滤波器及LR对称性匹配滤波器。
图2I图解说明根据本发明的一个实施例的未经滤波缺陷图像及由未经滤波缺陷图像与所产生的匹配滤波器的卷积组成的经数字滤波图像。
具体实施方式
现在将详细参考图解说明于所附图式中的所揭示的标的物。
大体参考图1A到3I,根据本发明描述一种用于缺陷检测的数字匹配滤波器的产生及应用的系统及方法。
本发明的实施例针对于对光学样本检验中的缺陷检测的增强及改进。本发明的实施例可通过匹配滤波器的形成及应用而实现经改进缺陷检测能力,此引起对目标缺陷类型的较高敏感性。本发明的实施例还可用于增加对所关注缺陷(DOI)的检测率及/或同时减小对扰乱性情况的检测率。本发明的额外实施例允许识别光学图像中具有高周围噪声的目标缺陷分布。
本发明的实施例针对第一光学模式从样本的两个或多于两个位置获取来自所述样本的两个或多于两个检验图像。本发明的额外实施例基于针对第一光学模式来自两个或多于两个位置的两个或多于两个检验图像而针对选定缺陷类型产生经聚合(例如,经对准且经平均)缺陷分布。本发明的额外实施例计算针对第一光学模式从两个或多于两个位置获取的两个或多于两个检验图像的一或多个噪声相关性特性。本发明的额外实施例基于所产生的经聚合缺陷分布及所计算的一或多个噪声相关性特性而产生用于第一光学模式的匹配滤波器。基于本发明的所产生的匹配滤波器,额外实施例将匹配滤波器应用于一或多个检验图像以提供增强型缺陷检测。
图1A图解说明根据本发明的一个实施例的用于利用匹配滤波器的增强型缺陷检测的系统100的概念视图。在一个实施例中,系统100包含检验子系统101。检验子系统101经配置以执行对一或多个样本104的一或多个光学检验。举例来说,检验子系统102可获取样本104的表面的一或多个部分的一或多个检验图像119。
检验子系统101可包含样本检验的技术领域中已知的任何检验子系统或工具,例如(但不限于)光学检验工具。举例来说,在光学检验的情形中,检验子系统101可包含(但不限于)明场检验工具(如在图1B中所展示),或暗场检验工具(如在图1C中所展示)。在本文中应注意,出于简化目的,已在图1A中以概念框图形式描绘检验子系统101。此描绘(包含组件及光学配置)并非限制性的且仅出于说明性目的提供。在本文中认识到,照明子系统101可包含任一数目个光学元件、照明源及检测器以执行本文中描述的检验过程。
图1B图解说明根据本发明的一或多个实施例的明场检验配置中的系统100的简化示意图。图1C图解说明根据本发明的一或多个实施例的暗场检验配置中的系统100的简化示意图。
在一个实施例中,检验子系统101包含照明源102。照明源102可包含样本检验的技术领域中已知的任何照明源。举例来说,照明源102可包含(但不限于)窄带照明源。例如,照明源102可包含(但不限于)激光器(例如,二极管激光器、连续波激光器或宽带激光器)。在另一实施例中,照明源102可包含(但不限于)宽带源。例如,照明源102可包含(但不限于)宽带灯(例如,放电灯、激光维持等离子灯等等)。
在一个实施例中,检验子系统101包含用于固定一或多个样本104(例如,一或多个半导体晶片)的样本载台104。所述样本载台可包含样本检验的技术领域中已知的任何样本载台。举例来说,样本载台105可包含(但不限于)旋转样本载台、线性样本载台或旋转样本载台与线性样本载台的组合。虽然本发明的大部分着重于系统100在半导体晶片检验的上下文中的实施,但此并非对本发明的限制。在本文中认识到,系统100可延伸到此项技术中已知的任何检验设定,其包含(但不限于)半导体装置检验、光罩检验、生物样品检验等等。
在一个实施例中,检验子系统101包含光学子系统106。光学子系统106可包含将来自照明源102的照明引导到样本104且从样本收集经散射及/或经反射光所必需的任一数目及类型的光学组件。
在一个实施例中,光学子系统106包含照明臂107及收集臂109。照明臂107可包含用于将来自照明源102的照明引导到样本104的表面及/或调节来自照明源102的照明的一或多个照明光学元件。举例来说,光学子系统106的照明臂107的一或多个光学元件可包含(但不限于)一或多个透镜、一或多个分束器、一或多个光瞳掩模、一或多个镜、一或多个滤光器或者一或多个偏光器。在一个实施例中,照明臂107的一或多个照明光学器件经布置以将来自照明源102的照明穿过物镜110引导到样本104。例如,照明臂107可包含用于将光穿过物镜114聚焦且引导到样本104的选定部分上的一或多个透镜110及分束器112。
收集臂109可包含用于收集来自样本104的照明及/或调节来自样本104的照明的一或多个收集光学元件。举例来说,光学子系统106的收集臂109的一或多个光学元件可包含(但不限于)一或多个分束器、一或多个透镜、一或多个镜、一或多个滤光器或者一或多个偏光器。在一个实施例中,物镜110经布置以便收集从样本104散射、反射及/或衍射的光。此外,收集臂109可包含用于将由物镜110收集的光引导到一或多个检测器118的成像部分上的一或多个额外光学元件(例如,一或多个透镜117)。
一或多个检测器118可包含检验的技术领域中已知的任何检测器或传感器。举例来说,检验子系统102的检测器118包含(但不限于)一或多个TDI检测器或者一或多个CCD检测器。
在本文中应注意,出于简化目的,已在图1B到1C中以简化框图形式描绘检验子系统101。此描绘(包含组件及光学配置)并非限制性的且仅出于说明性目的而提供。在本文中认识到,照明子系统101可包含任一数目个光学元件、照明源及检测器以执行本文中描述的检验过程。检验工具的实例详细地描述于第7,092,082号美国专利、第6,702,302号美国专利、第6,621,570号美国专利及第5,805,278号美国专利中,所述专利各自以全文引用方式并入本文中。
在另一实施例中,系统100包含控制器103。在一个实施例中,控制器103以通信方式耦合到检验子系统101。举例来说,控制器103可耦合到检验子系统101的一或多个检测器118的输出。控制器103可以任何适合方式(例如,通过由图1A到1C中展示的线指示的一或多个发射媒体)耦合到一或多个检测器118,使得控制器103可接收由检验子系统101的一或多个检测器118从样本104获取的检验图像119。
在一个实施例中,控制器103包含一或多个处理器124。在一个实施例中,一或多个处理器124经配置以执行存储于存储器126中的程序指令集合。在另一实施例中,程序指令经配置以致使一或多个处理器124接收针对第一光学模式由一或多个检测器118从样本104的两个或多于两个位置获取的两个或多于两个检验图像119。在另一实施例中,程序指令经配置以致使一或多个处理器124基于针对第一光学模式来自两个或多于两个位置的两个或多于两个检验图像119而针对选定缺陷类型产生经聚合缺陷分布。在另一实施例中,程序指令经配置以致使一或多个处理器124计算针对第一光学模式从样本104的两个或多于两个位置获取的两个或多于两个检验图像119的一或多个噪声相关性特性。在另一实施例中,程序指令经配置以致使一或多个处理器124基于所产生的经聚合缺陷分布及所计算的一或多个噪声相关性特性而产生用于第一光学模式的匹配滤波器。
控制器103的一或多个处理器124可包含此项技术中已知的任一或多个处理元件。在此意义上,一或多个处理器124可包含经配置以执行软件算法及/或指令的任何微处理器类型装置。在一个实施例,一或多个处理器124可由以下各项组成:桌上型计算机、主机计算机系统、工作站、图像计算机、并行处理器或经配置以执行经配置以操作如本发明通篇中所描述的系统100的程序的其它计算机系统(例如,联网计算机)。应认识到,本发明通篇中所描述的步骤可由单个计算机系统或替代地由多个计算机系统执行。大体来说,术语“处理器”可在广义上经定义以涵盖具有执行来自非暂时性存储器媒体126的程序指令的一或多个处理元件的任何装置。此外,系统100的不同子系统(例如,检验子系统101、显示器122或用户接口120)可包含适合于执行本发明通篇中所描述的步骤的至少一部分的处理器或逻辑元件。因此,以上描述不应解释为对本发明的限制而仅是说明。
存储器媒体126可包含此项技术中已知的适合于存储可由相关联的一或多个处理器124执行的程序指令的任何存储媒体。举例来说,存储器媒体126可包含非暂时性存储器媒体。例如,存储器媒体126可包含(但不限于)只读存储器、随机存取存储器、磁性或光学存储器装置(例如,磁盘)、磁带、固态驱动器等等。在另一实施例中,存储器126经配置以存储来自检验子系统101的一或多个结果及/或本文中描述的各个步骤的输出。应进一步注意,存储器126可与一或多个处理器126一起容纳于共用控制器壳体中。在替代实施例中,存储器126可相对于处理器及控制器103的物理位置遥远地定位。例如,控制器126的一或多个处理器126可接入可通过网络(例如,因特网、内联网等等)接入的远程存储器(例如,服务器)。在另一实施例中,存储器媒体126维持用于致使一或多个处理器124执行本发明通篇中描述的各个步骤的程序指令。
在另一实施例中,系统100包含用户接口120。在一个实施例中,用户接口120以通信方式耦合到控制器103的一或多个处理器124。在另一实施例中,控制器103可利用用户接口装置120来接受来自用户的选择及/或指令。在本文中进一步描述的一些实施例中,显示器可用于向用户显示数据。继而,用户可响应于经由显示装置122显示给所述用户的数据而输入选择及/或指令(例如,选择、定大小及/或滤波器方框的位置)。
用户接口装置120可包含此项技术中所已知的任何用户接口。举例来说,用户接口120可包含(但不限于)键盘、小键盘、触摸屏、控制杆、旋钮、滚轮、轨迹球、切换器、标度盘、滑条、滚动条、滑块、把手、触摸板、桨、转向盘、操纵杆、挡板安装式输入装置等等。在触摸屏接口装置的情形中,所属领域的技术人员应认识到大量触摸屏接口装置可适于在本发明中实施。例如,显示装置122可与触摸屏接口(例如(但不限于)电容性触摸屏、电阻性触摸屏、基于表面声波的触摸屏、基于红外线的触摸屏等等)集成在一起。在一般意义上,能够与显示装置的显示部分集成在一起的任何触摸屏接口适于在本发明中实施。
显示装置122可包含此项技术中已知的任何显示装置。在一个实施例中,所述显示装置可包含(但不限于)液晶显示器(LCD)、基于有机发光二极管(OLED)的显示器或CRT显示器。所属领域的技术人员应认识到各种显示装置可适于在本发明中实施且显示装置的特定选择可取决于各种因素,包含(但不限于)外观尺寸、成本等等。在一般意义上,能够与用户接口装置(例如,触摸屏、挡板安装式接口、键盘、鼠标、轨迹垫等等)集成在一起的任何显示装置适于在本发明中实施。
在一些实施例中,本文中描述的系统100可配置为“独立工具”或不物理地耦合到过程工具的工具。在其它实施例中,此检验系统可通过发射媒体(其可包含有线及/或无线部分)而耦合到过程工具(未展示)。所述过程工具可包含此项技术中已知的任何过程工具,例如光刻工具、蚀刻工具、沉积工具、抛光工具、电镀工具、清洁工具或离子植入工具。由本文中描述的系统执行的检验的结果可用于使用反馈控制技术、前馈控制技术及/或原位控制技术更改过程或过程工具的参数。可手动或自动更改过程或过程工具的参数。
图1A到1C中所图解说明的系统100的实施例可如本文中所描述进一步配置。另外,系统100可经配置以执行本文中所描述的方法实施例中的任一者的任何其它步骤。
图2A是图解说明根据本发明的一个实施例的在产生用于光学检验的匹配滤波器的方法200中所执行的步骤的流程图。在本文中应注意,方法200的步骤可全部或部分地由系统100实施。然而,进一步认识到,方法200不限于系统100,因为额外或替代系统层级实施例可执行方法200的全部或部分步骤。
在步骤220中,针对第一光学模式从样本的两个或多于两个位置获取检验图像。在一个实施例中,如在图1A到1C中所展示,检验子系统101的一或多个检测器118从样本104获取两个或多于两个检验图像106。举例来说,在第一光学模式中操作的检验子系统101的一或多个检测器118可从样本104获取两个或多于两个检验图像106。在本文中应注意,以此项技术中已知的任何方式实施第一光学模式及/或任何额外光学模式。举例来说,光学模式可通过以下各项中的任一者的组合而实施:所利用的光谱带、照明级、照明及/或收集孔径、照明及/或收集偏光滤光、放大率、焦点偏移等等。就此来说,第一光学模式可利用包含(但不限于)光谱带、照明级、照明及/或收集孔径、照明及/或收集偏光滤光、放大率、焦点偏移等等的设定的第一组合而形成。额外光学模式(例如,第二光学模式、第三光学模式等等)可利用包含(但不限于)光谱带、照明级、照明及/或收集孔径、照明及/或收集偏光滤光、放大率、焦点偏移等等的设定的额外组合而形成。
例如,图2B图解说明利用检验子系统101从样本104的多个位置收集的数字检验图像集合119a到119c(例如,TDI差分图像)。从跨越样本104的不同位置222a到222c获得的图像119a到119c含有埋没于噪声光学背景内的未对准缺陷区域224a到224c(或片块)。
在另一实施例中,一旦获取了图像119,检验子系统101便将两个或多于两个检验图像119发射到控制器103的一或多个处理器124。
在步骤240中,基于来自两个或多于两个位置的检验图像而针对选定缺陷类型产生经聚合缺陷分布。在一个实施例中,可分析所关注缺陷类型(或样本104的缺陷的子集)。就此来说,用户可经由用户接口装置120选择所关注缺陷类型进行分析。在本文中应注意,所关注缺陷类型可包含此项技术中已知的任何缺陷类型。举例来说,所关注缺陷类型可包含(但不限于)桥接缺陷、突起缺陷、表面颗粒等等。可以此项技术中已知的任何方式执行缺陷分类。举例来说,可在产生匹配滤波器之前由用户利用SEM再检查工具(未展示)将一或多个缺陷分类。
基于对所关注缺陷类型及/或样本104的缺陷的子集的选择,系统100及/或方法200产生针对选定缺陷类型或缺陷子集定制的匹配滤波器。在选择缺陷类型或子集之后,控制器103的一或多个处理器124可即刻基于针对第一光学模式的检验图像119而产生选定缺陷类型的经聚合缺陷分布(例如,经平均缺陷分布)。在本文中应注意,可针对系统100所使用的光学模式中的每一者产生不同经聚合缺陷分布。
图2C图解说明描绘针对第一光学模式产生经聚合缺陷分布的过程240的扩展过程流程图。在一个实施例中,经聚合缺陷分布的产生在步骤241处开始。在步骤242中,所述过程包含在第一图像中界定滤波器方框。举例来说,如在图2D中所展示,滤波器方框251a可形成或放置于第一图像119a上以便围绕选定缺陷图案252。例如,用户可利用拖放功能以识别第一图像119a的区域作为用于进一步分析的滤波器方框。通过另一实例方式,一或多个图案识别及/或机器学习算法可识别缺陷并指派围绕特定缺陷的选定大小的滤波器方框。
在步骤243中,所述过程包含识别第二图像中的缺陷。在一个实施例中,在第一图像中找出的缺陷图案可由一或多个处理器124用以识别第二图像(或第N个图像)中的匹配缺陷图案。举例来说,如在图2D中所展示,识别第二图像119b的匹配第一图像119a的图案252(或在选定容限内匹配图案252)的图案253。滤波器方框251b接着可形成或放置于第二图像119b上以便包围经识别匹配图案253。应进一步注意,用户可经由用户接口装置120及显示器122调整滤波器方框251b的位置以便提供第二图像中的经细化缺陷识别。第一图像119a的第一缺陷图案252可用于以此项技术中已知的任何方式找出第二图像119b的第二缺陷图案253。举例来说,系统100可应用一或多个图案匹配算法以对第一图像119a的第一缺陷图案252与第二图像119b中的一或多个图案253进行匹配。在一个实施例中,以像素层级精度执行步骤243。就此来说,以像素层级精度识别相应图像119a到119b上的缺陷位置及对应滤波器方框位置。在本文中应注意,此过程可重复任一数目次,从而允许步骤243基于第一图像中识别的缺陷图案而识别任一数目个后续图像中的匹配缺陷图案。
在步骤244中,所述过程包含将第一图像的滤波器方框与第二图像的滤波器方框对准。举例来说,控制器103的一或多个处理器124可执行第一图像106a的第一滤波器方框251a与第二图像106b的第二滤波器方框251b的亚像素对准过程。举例来说,为实现亚像素对准,一或多个处理器124可对样本104的含于滤波器方框251a、251b中的一或多个区域进行上取样。接着,继上取样之后,一或多个处理器124可将滤波器方框251a、251b内的经上取样图像区域对准。经上取样图像数据的对准提供亚像素层级下的精度。继而,继滤波器方框251a、251b内的经上取样图像的对准之后,一或多个处理器124可对滤波器方框251a、251b内的图像进行下取样以匹配在上取样之前图像数据的原始图像网格。本文中所描述的亚像素对准过程步骤能够实现远低于单个像素的精度的对准。举例来说,本发明的亚像素对准过程步骤可实现像素的1/10或更低的亚像素精度。
在步骤245中,所述过程包含对第一图像的滤波器方框与第二图像的滤波器方框求平均(或聚合)以形成经平均缺陷分布。举例来说,在滤波器方框251a、251b的对准之后,控制器103的一或多个处理器124可对第一图像的滤波器方框251a内的像素与第二图像251b的滤波器方框251b内的像素求平均。举例来说,图2E说明一系列滤波器方框251a到251c经聚合以形成经平均缺陷分布254。应注意,此项技术中已知的任何图像平均技术可用于对滤波器方框251a、251b的像素值求平均。
在步骤246中,所述过程包含识别额外图像(例如,第三图像)中的缺陷。在一个实施例中,在步骤245中找出的经平均缺陷分布254可由一或多个处理器124用以识别第三图像(或第N个图像)中的匹配图案。滤波器方框接着可形成或放置于第三图像上以便包围经识别匹配图案。应进一步注意,用户可经由用户接口装置120及显示器122调整滤波器方框的位置以便提供第三图像中的经细化缺陷识别。在本文中应注意,此过程可重复任一数目次,从而允许步骤246基于在步骤245中找出的经识别的经平均缺陷分布而识别任一数目个后续图像中的匹配缺陷图案。
在步骤247中,所述过程包含对额外图像的滤波器方框与在步骤245中找出的经平均缺陷分布254求平均。就此来说,所述过程可首先将平均缺陷分布254与第三图像的滤波器方框对准。举例来说,控制器103的一或多个处理器124可执行经平均缺陷分布254的像素与第三图像的第三滤波器方框的像素的逐像素对准过程。更一般来说,控制器103的一或多个处理器124可执行经平均缺陷分布254的像素与第N个图像的第N个滤波器方框的像素的逐像素对准过程。
在另一实施例中,在对准第三图像的滤波器方框与经平均缺陷分布254之后,一或多个处理器124可即刻对经平均缺陷分布254与第三图像的滤波器方框执行平均过程以形成经细化平均缺陷分布254。
应注意,可对由检验子系统101获取的所有图像重复额外图像的滤波器方框到平均缺陷分布254中的对准及求平均。在步骤248中,如果存在额外图像,那么取“是”分支且重复步骤246。如果不存在待分析的额外图像,那么取“否”分支且所述过程移动到步骤249。
如在本文中先前所述及,可针对每一选定光学模式重复经平均缺陷分布产生过程。在步骤249中,如果存在待分析的额外光学模式,那么取“是”分支且所述过程移动到步骤242,借此分析额外光学模式。如果不存在待分析的额外光学模式,那么取“否”分支且所述过程移动到“结束”步骤251。
再次参考图2A,在过程200的步骤260中,针对第一光学模式计算检验图像106的一或多个噪声相关性特性。在一个实施例中,在步骤260中计算的一或多个噪声特性包含针对检验子系统101的第一光学模式从两个或多于两个位置获取的两个或多于两个检验图像119的一或多个噪声相关性矩阵。
图2F图解说明描绘根据本发明的一或多个实施例的计算检验图像119的噪声相关性矩阵的过程的扩展过程流程图260。在本文中应注意,图2F的流程图260的步骤不应被解释为限制性的且仅出于说明性目的提供。
在一个实施例中,所述过程在步骤261处开始。在步骤262中,所述过程包含在图像的噪声区域中界定像素窗。举例来说,如在图2G中所展示,像素窗227a可界定于检验图像119a的噪声区域内。例如,N×M像素窗(例如,9×9像素窗)可放置于图像119a的噪声区域中。
在步骤263中,所述过程包含计算像素窗227a的局部噪声相关性矩阵。举例来说,局部噪声相关性矩阵M可计算为N×M像素窗内的每一像素对的信号乘积(Si*Sj)。就此来说,i及j索引中的每一者涵盖给定局部窗227a的所有N×M像素。举例来说,在9×9窗的情形中,i及j索引中的每一者涵盖给定局部窗227a的所有81个像素。在此情形中,相关性矩阵的维度是N2×M2,在9×9窗的情形中,其对应于81或92×92的维度。
在步骤264中,所述过程包含确定是否需要分析额外像素。如果需要额外像素分析,那么取“是”分支以到步骤265。
在步骤265中,所述过程包含使像素窗移位选定数目个像素。举例来说,如在图2G中所展示,可使图像119a的像素窗227a在图像119a的噪声区域内移位一个像素(例如,沿X方向或Y方向移位)。在像素窗227a移位一或多个像素之后,所述过程移动到步骤263且再次计算局部相关性矩阵M=Si*Sj。重复步骤263到265直到反复通过给定检验图像119a的所有所要像素为止。在已经反复通过检验图像119a的噪声区域的所要像素之后,取“否”分支以到步骤266。
在步骤266中,所述过程包含对来自图像119a中的所有像素位置的局部噪声相关性矩阵求平均以形成图像119a的经平均噪声相关性矩阵。就此来说,每一位置对应于由过程在步骤265中形成且由过程在步骤263中计算的像素窗的移位版本。
在步骤267中,所述过程包含确定是否需要分析额外图像。如果使用额外图像来计算相关性矩阵,那么取“是”分支且重复步骤262到266。举例来说,如在图2G中所展示,可使用分别针对图像119b、119c的像素窗227b、227c重复步骤262到266。替代地,如果不使用额外图像来计算噪声相关性矩阵,那么取“否”分支以到步骤268。
在步骤268中,所述过程包含对跨所有图像119a到119c的局部噪声相关性矩阵求平均以形成经平均噪声相关性矩阵。在步骤269中,所述过程结束。应注意,如果仅使用一个图像,那么绕开步骤268且所述过程移动到“结束”步骤269。
再次参考图2A,在过程200的步骤280中,产生用于第一光学模式的匹配滤波器。在一个实施例中,基于经聚合缺陷分布(步骤240)以及所计算的一或多个噪声相关性特性(步骤260)而产生匹配滤波器。举例来说,可使用经聚合缺陷分布D及噪声相关性矩阵M计算匹配滤波器。就此来说,匹配滤波器(MF)可采用以下形式:
MF=M-1*Dv
其中Dv是基于初始经聚合缺陷分布D的重塑向量或行N×M(例如,9×9)像素经聚合(或经平均)缺陷片块。匹配滤波器的形成由季米特里斯G.马诺拉可斯(DimitrisG.Manolakis)及维奈K.英格尔(Vinay K.Ingle)的“应用数字信号处理:理论与实践(Applied Digital Signal Processing:Theory and Practice)”(第860页,剑桥大学出版社,2011年)大体描述,所述文件以全文引用方式并入本文中。匹配滤波器的形成还由N.E.马斯托拉基斯(N.E.Mastorakis)的“多维匹配滤波器(Multidimensional MatchedFilters)”(第三届IEEE国际电子、电路与系统会议的会议记录,第1卷,第467页,1996年)大体描述,所述文件以全文引用方式并入本文中。
在本文中应注意,由步骤280产生的匹配滤波器可形成为非对称性匹配滤波器或左右(LR)对称性匹配滤波器。图2H图解说明经平均缺陷分布290、非对称性匹配滤波器291以及左右对称性匹配滤波器293。如在图2H中所展示,匹配滤波器291及293与经平均缺陷分布290显著不同。此差异是在本文中先前所描述的N×M像素窗内的强噪声像素到像素相关的结果。
再次参考图2A,在方法200的额外步骤中,控制器103的一或多个处理器124可将在步骤280中产生的匹配滤波器应用于从检验子系统101接收的一或多个检验图像119。在一个实施例中,一或多个处理器124对一或多个所获取的缺陷图像119与所产生的匹配滤波器291(或滤波器293)进行卷积。举例来说,图2I图解说明未经滤波缺陷图像292及由未经滤波缺陷图像292与所产生的匹配滤波器291的卷积组成的经数字滤波图像294。在本文中应注意,可使用此项技术中已知的任何图像卷积过程步骤来执行未经滤波缺陷图像292与所产生的匹配滤波器291的卷积。
在方法200的额外步骤中,可产生用于用以捕获检验图像119的每一光学模式的匹配滤波器291。举例来说,一或多个处理器124可产生用于第一光学模式的第一匹配滤波器,可产生用于第二光学模式的第二匹配滤波器且可产生用于第三光学模式的第三匹配滤波器。更一般来说,可产生用于第N个光学模式的第N个匹配滤波器。
在另一实施例中,一或多个处理器124可将所产生的匹配滤波器应用于对应光学模式的图像以计算一或多个图像参数。所述图像参数可包含此项技术中已知的任何数字图像参数,例如(但不限于)信噪比(SNR)、信号值、噪声值等等。接着,一或多个处理器124可将多个光学模式的图像的经滤波输出进行比较。基于此比较,一或多个处理器124可依据所关注参数(例如,SNR值、噪声值、信号值等等)将多个光学模式排名。
虽然本发明的大部分内容已着重于针对特定缺陷类型或子群组的匹配滤波器的产生,但在本文中应注意,此并非对本发明的限制。举例来说,本发明的系统100及方法200可延伸到提供用于给定图像的多个匹配滤波器的产生。就此来说,系统100及/或方法200可基于滤波器方框图像而将图像中存在的各种缺陷划分成缺陷类型或子群组的集合。接着,可产生用于缺陷子群组的集合中的每一者的匹配滤波器。
本文中所描述的标的物有时图解说明含于其它组件内或与其它组件连接的不同组件。应理解,此些所描绘架构仅是示范性的,且事实上可实施实现相同功能性的许多其它架构。在概念意义上,实现相同功能性的任一组件布置是有效地“相关联”以使得实现所要功能性。因此,可将本文中经组合以实现特定功能性的任何两个组件视为彼此“相关联”使得实现所要功能性,而无论架构或中间组件如何。同样地,也可将如此相关联的任何两个组件视为彼此“连接”或“耦合”以实现所要功能性,且也可将能够如此相关联的任何两个组件视为彼此“可耦合”以实现所要功能性。可耦合的特定实例包括但不限于可物理配合及/或物理相互作用的组件,及/或可以无线方式相互作用及/或以无线方式相互作用的组件,及/或以逻辑方式相互作用及/或可以逻辑方式相互作用的组件。
此外,应理解,本发明由所附权利要求书界定。所属领域的技术人员将理解,一般来说本文中所使用及尤其在所附权利要求书(例如,所附权利要求书的主体)中所使用的术语通常打算为“开放式”术语(例如,术语“包含(including)”应解释为“包含但不限于”,术语“具有(having)”应解释为“至少具有”,术语“包含(includes)”应解释为“包含但不限于”等等)。所属领域的技术人员将进一步理解,如果有意图将所介绍主张要件表述为特定数目,那么将在权利要求中明确地叙述此意图,且在无此叙述时,不存在此意图。举例来说,作为理解的辅助,所附权利要求书可含有介绍性短语“至少一个(at least one)”及“一或多个(one or more)”的使用来介绍主张要件。然而,此些短语的使用不应解释为暗指通过不定冠词“一(a或an)”介绍的主张要件限制含有此经介绍主张要件的任一特定技术方案为仅含有一个此要件的发明,甚至当相同技术方案包含介绍性短语“一或多个”或“至少一个”及例如“一(a或an)”的不定冠词(例如,“一(a及/或an)”应通常解释为意指“至少一个”或“一或多个”)时;对于用于介绍主张要件的定冠词的使用也如此。另外,即使明确地叙述所介绍主张要件的特定数目,所属领域的技术人员也将认识到,此叙述通常应解释为意指至少所叙述的数目(例如,无其它修饰语的“两个要件”的明了叙述通常意指至少两个要件,或者两个或多于两个要件)。此外,在其中使用类似于“A、B及C等中的至少一者”的惯例的那些实例中,一般来说,此构造打算指所属领域的技术人员将理解所述惯例的含义(例如,“具有A、B及C中的至少一者的系统”将包含但不限于仅具有A、仅具有B、仅具有C,同时具有A及B、同时具有A及C、同时具有B及C及/或同时具有A、B及C等等的系统)。在其中使用类似于“A、B或C等中的至少一者”的惯例的那些实例中,一般来说,此构造打算指所属领域的技术人员将理解所述惯例的含义(例如,“具有A、B或C中的至少一者的系统”将包含但不限于仅具有A、仅具有B、仅具有C,同时具有A及B、同时具有A及C、同时具有B及C及/或同时具有A、B及C等等的系统)。所属领域的技术人员将进一步理解,实质上表示两个或多于两个替代术语的任一转折字及/或短语(无论是在说明书中、权利要求书中还是在图式中)均应被理解为预期包含所述术语中的一者、所述术语中的任一者或两个术语的可能性。举例来说,短语“A或B”应被理解为包含“A”或“B”或者“A及B”的可能性。
据信,通过前述描述将理解本发明及其许多伴随优点,且将明了可在不背离所揭示标的物或不牺牲所有其材料优点的情况下在组件的形式、构造及布置方面作出各种改变。所描述形式仅是解释性,且所附权利要求书的意图是涵盖并包含此些改变。此外,应理解,本发明由所附权利要求书界定。
Claims (25)
1.一种方法,其包括:
针对第一光学模式从样本的两个或多于两个位置获取来自所述样本的两个或多于两个检验图像;
基于针对所述第一光学模式来自所述两个或多于两个位置的所述两个或多于两个检验图像,针对选定缺陷类型而产生经聚合缺陷分布;
计算针对所述第一光学模式从所述两个或多于两个位置获取的所述两个或多于两个检验图像的一或多个噪声相关性特性;及
基于所述所产生的经聚合缺陷分布及所述所计算的一或多个噪声相关性特性而产生用于所述第一光学模式的匹配滤波器。
2.根据权利要求1所述的方法,其进一步包括:
将所述所产生的匹配滤波器应用于针对所述第一光学模式所获取的检验图像以形成第一经滤波图像。
3.根据权利要求2所述的方法,其中所述将所述所产生的匹配滤波器应用于针对所述第一光学模式的检验图像包括:
将所述所产生的匹配滤波器与针对所述第一光学模式所获取的检验图像进行卷积。
4.根据权利要求2所述的方法,其进一步包括:
针对额外光学模式从所述样本的两个或多于两个位置获取来自所述样本的两个或多于两个检验图像;
基于针对所述额外光学模式来自所述两个或多于两个位置的所述两个或多于两个检验图像,针对选定缺陷类型而产生额外经聚合缺陷分布;
计算针对所述额外光学模式从所述两个或多于两个位置获取的所述两个或多于两个检验图像的一或多个额外噪声相关性特性;
基于所述所产生的额外经聚合缺陷分布及所述所计算的一或多个额外噪声相关性特性而产生用于所述额外光学模式的额外匹配滤波器;及
将所述所产生的额外匹配滤波器应用于针对所述额外光学模式所获取的所述检验图像以形成额外经滤波图像。
5.根据权利要求4所述的方法,其进一步包括:
将所述第一经滤波图像与所述额外经滤波图像进行比较以将所述第一检验模式与所述额外光学模式排名。
6.根据权利要求1所述的方法,其中所述基于针对所述第一光学模式来自所述两个或多于两个位置的所述两个或多于两个检验图像以针对选定缺陷类型而产生经聚合缺陷分布包括:
基于针对所述第一光学模式来自所述两个或多于两个位置的所述两个或多于两个检验图像,针对选定缺陷类型而产生经平均缺陷分布。
7.根据权利要求1所述的方法,其中所述计算针对所述第一光学模式从所述两个或多于两个位置获取的所述两个或多于两个检验图像的一或多个噪声相关性特性包括:
计算针对所述第一光学模式从所述两个或多于两个位置获取的所述两个或多于两个检验图像的一或多个噪声相关性矩阵。
8.根据权利要求1所述的方法,其中所述针对第一光学模式从样本的两个或多于两个位置获取来自所述样本的两个或多于两个检验图像包括:
经由暗场检验过程针对第一光学模式从样本的两个或多于两个位置获取来自所述样本的两个或多于两个检验图像。
9.根据权利要求1所述的方法,其中所述针对第一光学模式从样本的两个或多于两个位置获取来自所述样本的两个或多于两个检验图像包括:
经由明场检验过程针对第一光学模式从样本的两个或多于两个位置获取来自所述样本的两个或多于两个检验图像。
10.一种系统,其包括:
检验子系统,其包含经配置以将照明引导到样本的一或多个选定部分上的照明源以及一或多个检测器,所述一或多个检测器经配置以针对第一光学模式从所述样本的两个或多于两个位置获取来自所述样本的两个或多于两个检验图像;及
控制器,其以通信方式耦合到所述一或多个检测器,所述控制器包含经配置以执行程序指令的一或多个处理器,所述程序指令经配置以致使所述一或多个处理器:
从所述一或多个检测器接收针对所述第一光学模式从所述两个或多于两个位置获取的所述两个或多于两个检验图像;
基于从所述一或多个检测器接收的针对所述第一光学模式来自所述两个或多于两个位置的所述两个或多于两个检验图像,针对选定缺陷类型而产生经聚合缺陷分布;
计算针对所述第一光学模式从所述两个或多于两个位置获取的所述两个或多于两个检验图像的一或多个噪声相关性特性;及
基于所述所产生的经聚合缺陷分布及所述所计算的一或多个噪声相关性特性而产生用于所述第一光学模式的匹配滤波器。
11.根据权利要求10所述的系统,其中所述一或多个处理器进一步经配置以:
将所述所产生的匹配滤波器应用于针对所述第一光学模式所获取的检验图像以形成第一经滤波图像。
12.根据权利要求11所述的系统,其中所述一或多个处理器进一步经配置以:
将所述所产生的匹配滤波器与针对所述第一光学模式所获取的检验图像进行卷积。
13.根据权利要求10所述的方法,其中所述一或多个处理器进一步经配置以:
针对额外光学模式从所述样本的两个或多于两个位置获取来自所述样本的两个或多于两个检验图像;
基于针对所述额外光学模式来自所述两个或多于两个位置的所述两个或多于两个检验图像,针对选定缺陷类型而产生额外经聚合缺陷分布;
计算针对所述额外光学模式从所述两个或多于两个位置获取的所述两个或多于两个检验图像的一或多个额外噪声相关性特性;
基于所述所产生的额外经聚合缺陷分布及所述所计算的一或多个额外噪声相关性特性而产生用于所述额外光学模式的额外匹配滤波器;及
将所述所产生的额外匹配滤波器应用于针对所述额外光学模式所获取的所述检验图像以形成额外经滤波图像。
14.根据权利要求13所述的系统,其中所述一或多个处理器进一步经配置以:
将所述第一经滤波图像与所述额外经滤波图像进行比较以将所述第一检验模式与所述额外光学模式排名。
15.根据权利要求10所述的系统,其中所述基于针对所述第一光学模式来自所述两个或多于两个位置的所述两个或多于两个检验图像以针对选定缺陷类型而产生经聚合缺陷分布包括:
基于针对所述第一光学模式来自所述两个或多于两个位置的所述两个或多于两个检验图像,针对选定缺陷类型而产生经平均缺陷分布。
16.根据权利要求10所述的系统,其中所述计算针对所述第一光学模式从所述两个或多于两个位置获取的所述两个或多于两个检验图像的一或多个噪声相关性特性包括:
计算针对所述第一光学模式从所述两个或多于两个位置获取的所述两个或多于两个检验图像的一或多个噪声相关性矩阵。
17.根据权利要求10所述的系统,其中所产生的匹配滤波器包括:
非对称性匹配滤波器。
18.根据权利要求10所述的系统,其中所产生的匹配滤波器包括:
左右对称性匹配滤波器。
19.根据权利要求10所述的系统,其进一步包括:
一或多个显示装置。
20.根据权利要求10所述的系统,其进一步包括:
一或多个用户输入装置。
21.根据权利要求10所述的系统,其中检验子系统包括:
明场检验子系统。
22.根据权利要求10所述的系统,其中检验子系统包括:
暗场检验子系统。
23.根据权利要求10所述的系统,其中所述照明源包括:
宽带照明源或窄带照明源中的至少一者。
24.根据权利要求10所述的系统,其中所述一或多个检测器包括:
TDI检测器或CCD检测器中的至少一者。
25.根据权利要求10所述的系统,其中所述样本包括:
半导体晶片、光罩或生物样品中的至少一者。
Applications Claiming Priority (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201462078802P | 2014-11-12 | 2014-11-12 | |
US62/078,802 | 2014-11-12 | ||
US14/937,409 US9734422B2 (en) | 2014-11-12 | 2015-11-10 | System and method for enhanced defect detection with a digital matched filter |
US14/937,409 | 2015-11-10 | ||
PCT/US2015/060207 WO2016077487A1 (en) | 2014-11-12 | 2015-11-11 | System and method for enhanced defect detection with a digital matched filter |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107077733A true CN107077733A (zh) | 2017-08-18 |
CN107077733B CN107077733B (zh) | 2019-03-01 |
Family
ID=55955002
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201580059583.8A Active CN107077733B (zh) | 2014-11-12 | 2015-11-11 | 用于以数字匹配滤波器进行增强型缺陷检测的系统及方法 |
Country Status (7)
Country | Link |
---|---|
US (1) | US9734422B2 (zh) |
JP (1) | JP6712591B2 (zh) |
KR (1) | KR102312850B1 (zh) |
CN (1) | CN107077733B (zh) |
SG (1) | SG11201703564PA (zh) |
TW (1) | TWI646505B (zh) |
WO (1) | WO2016077487A1 (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112229853A (zh) * | 2019-06-26 | 2021-01-15 | 长鑫存储技术有限公司 | 液滴型缺陷的检测方法和检测系统 |
CN113168695A (zh) * | 2018-12-07 | 2021-07-23 | 科磊股份有限公司 | 使用浅层深度学习的差值滤波器及孔径选择的系统与方法 |
CN114600156A (zh) * | 2019-10-24 | 2022-06-07 | 科磊股份有限公司 | 用于滋扰滤波的深度学习网络 |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10043265B2 (en) * | 2016-03-17 | 2018-08-07 | Kla-Tencor Corporation | System, method and computer program product for identifying fabricated component defects using a local adaptive threshold |
US11449980B2 (en) * | 2016-07-08 | 2022-09-20 | Ats Automation Tooling Systems Inc. | System and method for combined automatic and manual inspection |
US10082470B2 (en) * | 2016-09-27 | 2018-09-25 | Kla-Tencor Corporation | Defect marking for semiconductor wafer inspection |
JP7087792B2 (ja) * | 2018-07-31 | 2022-06-21 | 株式会社リコー | 画像データ生成装置、画像データ生成方法およびプログラム |
US11557031B2 (en) * | 2019-11-21 | 2023-01-17 | Kla Corporation | Integrated multi-tool reticle inspection |
US20220383470A1 (en) * | 2021-05-21 | 2022-12-01 | Kla Corporation | System and method for optical wafer characterization with image up-sampling |
WO2023018919A1 (en) * | 2021-08-11 | 2023-02-16 | Bedrock Surgical, Inc | Methods for monitoring and tracking sterile processing of surgical instruments |
CN116934746B (zh) * | 2023-09-14 | 2023-12-01 | 常州微亿智造科技有限公司 | 划伤缺陷检测方法、系统、设备及其介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080015802A1 (en) * | 2006-07-14 | 2008-01-17 | Yuta Urano | Defect Inspection Method and Apparatus |
US20090161097A1 (en) * | 2007-12-19 | 2009-06-25 | Vistec Semiconductor Systems Gmbh | Method for optical inspection, detection and visualization of defects on disk-shaped Objects |
US20120044486A1 (en) * | 2009-01-26 | 2012-02-23 | Kla-Tencor Corporation | Detecting Defects on a Wafer |
US20120328181A1 (en) * | 2006-12-05 | 2012-12-27 | Ngr Inc. | Pattern inspection apparatus and method |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5805278A (en) | 1995-02-09 | 1998-09-08 | Inspex, Inc. | Particle detection method and apparatus |
JP4765387B2 (ja) | 2005-04-27 | 2011-09-07 | 株式会社ニコン | ノイズ抑制装置、電子カメラおよびノイズ抑制プログラム |
JP4928862B2 (ja) | 2006-08-04 | 2012-05-09 | 株式会社日立ハイテクノロジーズ | 欠陥検査方法及びその装置 |
SG164293A1 (en) * | 2009-01-13 | 2010-09-29 | Semiconductor Technologies & Instruments Pte | System and method for inspecting a wafer |
US8723789B1 (en) * | 2011-02-11 | 2014-05-13 | Imimtek, Inc. | Two-dimensional method and system enabling three-dimensional user interaction with a device |
JP2014035326A (ja) | 2012-08-10 | 2014-02-24 | Toshiba Corp | 欠陥検査装置 |
JP5921990B2 (ja) | 2012-08-23 | 2016-05-24 | 株式会社ニューフレアテクノロジー | 欠陥検出方法 |
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 |
-
2015
- 2015-11-10 US US14/937,409 patent/US9734422B2/en active Active
- 2015-11-11 WO PCT/US2015/060207 patent/WO2016077487A1/en active Application Filing
- 2015-11-11 JP JP2017525565A patent/JP6712591B2/ja active Active
- 2015-11-11 KR KR1020177015775A patent/KR102312850B1/ko active IP Right Grant
- 2015-11-11 SG SG11201703564PA patent/SG11201703564PA/en unknown
- 2015-11-11 CN CN201580059583.8A patent/CN107077733B/zh active Active
- 2015-11-12 TW TW104137396A patent/TWI646505B/zh active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080015802A1 (en) * | 2006-07-14 | 2008-01-17 | Yuta Urano | Defect Inspection Method and Apparatus |
US20120328181A1 (en) * | 2006-12-05 | 2012-12-27 | Ngr Inc. | Pattern inspection apparatus and method |
US20090161097A1 (en) * | 2007-12-19 | 2009-06-25 | Vistec Semiconductor Systems Gmbh | Method for optical inspection, detection and visualization of defects on disk-shaped Objects |
US20120044486A1 (en) * | 2009-01-26 | 2012-02-23 | Kla-Tencor Corporation | Detecting Defects on a Wafer |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113168695A (zh) * | 2018-12-07 | 2021-07-23 | 科磊股份有限公司 | 使用浅层深度学习的差值滤波器及孔径选择的系统与方法 |
CN112229853A (zh) * | 2019-06-26 | 2021-01-15 | 长鑫存储技术有限公司 | 液滴型缺陷的检测方法和检测系统 |
CN114600156A (zh) * | 2019-10-24 | 2022-06-07 | 科磊股份有限公司 | 用于滋扰滤波的深度学习网络 |
CN114600156B (zh) * | 2019-10-24 | 2023-09-26 | 科磊股份有限公司 | 用于滋扰滤波的深度学习网络 |
Also Published As
Publication number | Publication date |
---|---|
US9734422B2 (en) | 2017-08-15 |
CN107077733B (zh) | 2019-03-01 |
TWI646505B (zh) | 2019-01-01 |
US20160140412A1 (en) | 2016-05-19 |
SG11201703564PA (en) | 2017-05-30 |
KR20170086061A (ko) | 2017-07-25 |
WO2016077487A1 (en) | 2016-05-19 |
JP6712591B2 (ja) | 2020-06-24 |
KR102312850B1 (ko) | 2021-10-13 |
TW201626329A (zh) | 2016-07-16 |
JP2017535772A (ja) | 2017-11-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107077733B (zh) | 用于以数字匹配滤波器进行增强型缺陷检测的系统及方法 | |
JP6901565B2 (ja) | 画像融合のための畳込みニューラルネットワークベースのモード選択および欠陥分類 | |
JP6853273B2 (ja) | ニューラルネットワークと順物理モデルを半導体用途に組み込んだシステムおよび方法 | |
KR102536011B1 (ko) | 심층적으로 적층된 층들을 갖는 웨이퍼들에서 결함 분류기를 트레이닝하고 적용하기 위한 시스템, 방법 | |
US11790510B2 (en) | Material testing of optical test pieces | |
KR102100007B1 (ko) | 레티클들을 검사하기 위한 머신 학습 방법 및 장치 | |
US8824774B2 (en) | Method and apparatus for inspecting patterns formed on a substrate | |
USRE39977E1 (en) | Near infrared chemical imaging microscope | |
CN110121732B (zh) | 用于从低分辨率检验图像重建高分辨率点扩散函数的系统及方法 | |
CN110168710A (zh) | 用于以卷积神经网络为基础的缺陷检验的数据扩增 | |
US10539512B2 (en) | Block-to-block reticle inspection | |
Aldea et al. | Robust crack detection for unmanned aerial vehicles inspection in an a-contrario decision framework | |
TW202013538A (zh) | 用於損害篩選之跨層共同─獨特分析 | |
CN109075094A (zh) | 用于具有噪声边界阈值的晶片检验的系统及方法 | |
CN110402485A (zh) | 用于弱图案量化的方法及系统 | |
TWI751233B (zh) | 用於從低解析度檢測影像重建高解析度點擴散函數之系統及方法 | |
Zhao et al. | One-click device for rapid visualization and extraction of latent evidence through multi-moding light source integration and light-guiding technology | |
Zhang et al. | Automatic defect inspection of thin film transistor-liquid crystal display panels using robust one-dimensional Fourier reconstruction with non-uniform illumination correction | |
Wang | Xuejun Zhao1, Nengbin Cai2, 5Ε, Xiaochun Huang3, Wenbin Liu1, 5Ε, Fei Gao4 & | |
CN116802676A (zh) | 用于使用芯片设计数据以改进光学检验及计量图像质量的方法 | |
Holdaway | Automation of pollen analysis using a computer microscope: a thesis presented in partial fulfilment of the requirements for the degree of Master of Engineering in Computer Systems Engineering at Massey University |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |