CN108352063A - 用于区域自适应缺陷检测的系统及方法 - Google Patents
用于区域自适应缺陷检测的系统及方法 Download PDFInfo
- Publication number
- CN108352063A CN108352063A CN201680066077.6A CN201680066077A CN108352063A CN 108352063 A CN108352063 A CN 108352063A CN 201680066077 A CN201680066077 A CN 201680066077A CN 108352063 A CN108352063 A CN 108352063A
- Authority
- CN
- China
- Prior art keywords
- reference picture
- pixel
- defect
- comparison
- test 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
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
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/1717—Systems in which incident light is modified in accordance with the properties of the material investigated with a modulation of one or more physical properties of the sample during the optical investigation, e.g. electro-reflectance
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8803—Visual inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- 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
- G06V10/758—Involving statistics of pixels or of feature values, e.g. histogram matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/88—Image or video recognition using optical means, e.g. reference filters, holographic masks, frequency domain filters or spatial domain filters
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N2021/1765—Method using an image detector and processing of image signal
- G01N2021/177—Detector of the video camera type
-
- 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
- G06T2207/20172—Image enhancement details
- G06T2207/20182—Noise reduction or smoothing in the temporal domain; Spatio-temporal filtering
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Immunology (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Quality & Reliability (AREA)
- Pathology (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
- Image Analysis (AREA)
- Peptides Or Proteins (AREA)
- Radar Systems Or Details Thereof (AREA)
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
Abstract
本发明揭示一种缺陷检测方法,其包含获取参考图像;选择所述参考图像的目标区域;基于匹配度量识别对应于所述目标区域的所述参考图像的一或多个比较区域;获取测试图像;使用所述参考图像的所述目标区域及所述参考图像的所述一或多个比较区域遮蔽所述测试图像;基于所述测试图像中的所述一或多个比较区域定义所述测试图像中的所述目标区域的缺陷阈值;及基于所述缺陷阈值确定所述测试图像的所述目标区域是否含有缺陷。
Description
相关申请案的交叉参考
本申请案根据35U.S.C.§119(e)规定主张2015年11月18日申请的以劳伦·卡尔桑迪(Laurent Karsenti)、艾丽泽·罗森高斯(Eliezer Rosengaus)、约翰·乔丹(JohnJordan)及罗尼·米勒(Roni Miller)为发明者的标题为“自动广义区域自适应缺陷引擎(A级)(AUTOMATED GENERALIZED REGION ADAPTIVE DEFECTIVE ENGINE(A-GRADE))”的第62/257,025号美国临时申请案的权利,所述申请案的全文以引用的方式并入本文中。
技术领域
本发明大体上涉及缺陷检测,且更特定地说,涉及区域自适应缺陷检测。
背景技术
检验系统识别半导体晶片上的缺陷且对缺陷分类以产生晶片上的缺陷群体。给定半导体晶片可包含数百个芯片,每一芯片含有数千个所关注组件,且每一所关注组件可在芯片的给定层上具有数百万个实例。因此,检验系统可产生给定晶片上的大量数据点(例如,针对一些系统数千亿个数据点)。此外,对于不断收缩的装置的迫切需要导致对检验系统的需求增加。需求包含对于在不牺牲检验速度或灵敏度的情况下增加分辨率及容量的需要。
缺陷检测的灵敏度极大取决于缺陷检测方法中的噪声源。例如,典型缺陷检测系统产生测试图像与参考图像之间的差异图像,其中将测试图像中的缺陷显现为测试图像与参考图像中的像素值之间的差异。然而,与参考图像及/或测试图像相关联的噪声降低缺陷检测灵敏度。一些额外缺陷检测系统利用多个参考图像(例如,来自不同晶片、不同裸片、裸片内的重复图案的不同区域或类似者)以试图增加灵敏度。即使如此,此类系统仍固有地易受参考数据噪声影响,这最终限制缺陷检测灵敏度。因此,可期望提供用于处置例如上文识别的缺点的系统及方法。
发明内容
根据本发明的一或多个说明性实施例揭示一种缺陷检测方法。在一个说明性实施例中,所述方法包含获取参考图像。在另一说明性实施例中,所述方法包含选择所述参考图像的目标区域。在另一说明性实施例中,所述方法包含基于匹配度量识别对应于所述目标区域的所述参考图像的一或多个比较区域。在另一说明性实施例中,所述方法包含获取测试图像。在另一说明性实施例中,所述方法包含使用所述参考图像的所述目标区域及所述参考图像的所述一或多个比较区域遮蔽所述测试图像。在另一说明性实施例中,所述方法包含基于所述测试图像中的所述一或多个比较区域定义所述测试图像中的所述目标区域的缺陷阈值。在另一说明性实施例中,所述方法包含基于所述缺陷阈值确定所述测试图像的所述目标区域是否含有缺陷。
根据本发明的一或多个说明性实施例揭示一种缺陷检测系统。在一个说明性实施例中,所述系统包含检验子系统。在另一说明性实施例中,所述检验子系统包含产生照明射束的照明源。在另一说明性实施例中,所述检验子系统包含将所述照明射束引导到样本的一组照明光学器件。在另一说明性实施例中,所述系统包含收集从所述样本发出的照明的检测器。在另一说明性实施例中,所述系统包含通信地耦合到所述检测器的控制器。在另一说明性实施例中,所述控制器经配置以获取参考图像。在另一说明性实施例中,所述控制器经配置以选择所述参考图像的目标区域。在另一说明性实施例中,所述控制器经配置以基于匹配度量识别对应于所述目标区域的所述参考图像的一或多个比较区域。在另一说明性实施例中,所述控制器经配置以获取测试图像。在另一说明性实施例中,所述控制器经配置以使用所述参考图像的所述目标区域及所述参考图像的所述一或多个比较区域遮蔽所述测试图像。在另一说明性实施例中,所述控制器经配置以基于所述测试图像中的所述一或多个比较区域定义所述测试图像中的所述目标区域的缺陷阈值。在另一说明性实施例中,所述控制器经配置以基于所述缺陷阈值确定所述测试图像的所述目标区域是否含有缺陷。
根据本发明的一或多个说明性实施例揭示一种缺陷检测系统。在一个说明性实施例中,所述系统包含检验子系统。在另一说明性实施例中,所述检验子系统包含产生照明射束的照明源。在另一说明性实施例中,所述检验子系统包含将所述照明射束引导到样本的一组照明光学器件。在另一说明性实施例中,所述系统包含收集从所述样本发出的照明的检测器。在另一说明性实施例中,所述系统包含通信地耦合到所述检测器的控制器。在另一说明性实施例中,所述控制器经配置以获取参考图像。在另一说明性实施例中,所述控制器经配置以选择所述参考图像的目标像素。在另一说明性实施例中,所述控制器经配置以定义包含像素的经定义布局的邻近区域图案。在另一说明性实施例中,所述控制器经配置以定义根据所述邻近区域图案布置的所述参考图像的目标邻近区域。根据本发明的一或多个说明性实施例,所述目标邻近区域包含所述目标像素。在另一说明性实施例中,所述控制器经配置以基于匹配度量识别对应于所述目标区域的所述参考图像的一或多个比较邻近区域。根据本发明的一或多个说明性实施例,所述匹配度量包含所述目标邻近区域的像素值分布。在另一说明性实施例中,所述控制器经配置以获取测试图像。在另一说明性实施例中,所述控制器经配置以使用所述参考图像的所述目标区域及所述参考图像的所述一或多个比较邻近区域遮蔽所述测试图像。在另一说明性实施例中,所述控制器经配置以计算所述测试图像的所述一或多个比较邻近区域的一或多个像素值分布。在另一说明性实施例中,所述控制器经配置以基于所述测试图像的所述一或多个比较邻近区域的所述像素值分布估计所述测试图像的所述目标邻近区域中的像素值分布。在另一说明性实施例中,所述控制器经配置以基于所述目标邻近区域中的所述经估计像素值分布定义所述目标像素的缺陷阈值。在另一说明性实施例中,所述控制器经配置以基于所述缺陷阈值确定所述测试图像的所述目标像素是否含有缺陷。
应理解,前述一般描述及以下详细描述两者仅是示范性及解释性的且未必限制本发明。并入到本说明书中且构成本说明书的部分的附图说明本发明的实施例且与一般描述一起用于解释本发明的原理。
附图说明
所属领域技术人员通过参考附图可更好地理解本发明的若干优点,其中:
图1是根据本发明的一或多个实施例的检验系统的概念视图。
图2是根据本发明的一或多个实施例的包含适合于通过检验系统检测的缺陷的样本的示意图。
图3是说明根据本发明的一或多个实施例的在用于检验样本的方法中执行的步骤的流程图。
图4A是根据本发明的一或多个实施例的具有多个目标区域的参考图像的概念视图。
图4B是根据本发明的一或多个实施例的与图4A中说明的参考图像相关联的像素值的分布的曲线图。
图5A是说明对应于目标区域及相关联比较区域的掩模图案元素的遮蔽的概念视图。
图5B是说明对应于目标区域及相关联比较区域的掩模图案元素的遮蔽的概念视图。
图5C是说明对应于目标区域及相关联比较区域的掩模图案元素的遮蔽的概念视图。
图6是根据本发明的一或多个实施例的包含缺陷的样本的测试图像的概念视图。
图7A是根据本发明的一或多个实施例的如由掩模遮蔽的测试图像的概念视图。
图7B是根据本发明的一或多个实施例的剩余像素的像素值分布的曲线图。
图7C是根据本发明的一或多个实施例的如由掩模遮蔽的测试图像的概念视图。
图7D是根据本发明的一或多个实施例的剩余像素的像素值分布的曲线图。
图7E是根据本发明的一或多个实施例的如由掩模遮蔽的测试图像的概念视图。
图7F是根据本发明的一或多个实施例的剩余像素的像素值分布的曲线图。
图8是根据本发明的一或多个实施例的样本的缺陷图的概念视图。
图9A是根据本发明的一或多个实施例的经配置为光学检验子系统的检验测量子系统的概念视图。
图9B是根据本发明的一或多个实施例的经配置为粒子射束检验子系统的检验子系统的简化示意图。
具体实施方式
现在将详细参考在附图中说明的所揭示的目标物。已关于某些实施例及其的具体特征特定展示且描述本发明。将本文中阐述的实施例视为说明性而非限制性。一般技术人员将容易了解,可做出形式及细节的多种改变及修改而不脱离本发明的精神及范围。
本发明的实施例涉及用于区域自适应缺陷检测的系统及方法。在此方面,可使用测试图像中的冗余信息以确定具有类似特性的测试图像的区域(例如,比较区域)。因此,可基于测试图像的比较区域中的像素值产生缺陷检测阈值。本发明的实施例涉及直接确定测试图像上的比较区域而不使用参考图像。本发明的额外实施例涉及使用参考数据(例如,参考图像、设计数据或类似者)确定参考图像上的比较区域且使用比较区域遮蔽测试图像。以此方式,参考数据可促进测试图像中的比较区域的精确确定,但缺陷检测阈值可仅基于测试图像的像素值。本发明的进一步实施例涉及像素特定缺陷检测阈值的确定。例如,针对参考图像中的每一像素,可比较周围像素的邻近区域中的像素值的分布与遍及测试图像的类似邻近区域以确定所述像素是否存在缺陷。本发明的额外实施例涉及将测试图像分段成多个片段且确定每一片段的区域特定缺陷检测阈值。例如,可根据具有类似像素值(例如,灰度像素值或类似者)的区域对测试图像分段且可针对每一片段确定区域特定缺陷检测阈值。
本文中应认知,典型缺陷检测系统可通过比较测试图像与一或多个参考图像(例如,通过产生一或多个差异图像或类似者)而检测缺陷。参考图像可与另一裸片(例如,裸片间检测或类似者)或另一单元(例如,单元间检测或类似者)相关联。然而,与参考图像相关联的噪声可极大降低缺陷检测灵敏度。试图通过利用多个参考图像克服参考图像噪声可负面影响额外系统性能度量,例如(但不限于)处理能力或处理要求。例如,比较测试图像与两个参考图像存在挑战,这是因为缺陷仅在由与两个图像的比较识别的情况下被标记。此系统仍受参考图像噪声限制。通过另一实例,一些缺陷检测系统设法产生“优化”(例如,黄金)参考图像。例如,“优化”参考图像可包含多个参考图像的统计汇总,例如(但不限于)其中参考图像的每一像素表示多个参考图像中的对应像素的中值的中值裸片。类似地,尤其针对还展现噪声的测试图像,这些系统仍可能经受低灵敏度。本发明的额外实施例提供基于测试图像而非参考图像的像素值确定缺陷阈值,这可规避参考图像噪声。
本文中应进一步认知,缺陷检测系统可将样本分割成多个部分使得可预期样本上每一部分内的结构具有类似特性。此外,此类系统可单独询问每一部分以提供每一部分内的类似结构的统计比较。例如,此类缺陷检测系统可采用(但不限于)分段自动阈值化(SAT)、多裸片自适应阈值化(MDAT/MDAT2)、分层及局部自动阈值化(HLAT)、基于背景内容的成像(CBI)、标准参考图块(SRP)或基于模板的检验(TBI)。通常在以下各项中描述使用样本的设计数据以促进检验的检验系统:2010年3月9日颁布的第7,676,077号美国专利;2000年11月28日颁布的第6,154,714号美国专利;及2011年10月18日颁布的第8,041,103号美国专利,所述专利的全文以引用的方式并入本文中。
然而,单独询问样本的不同部分可引入可负面影响检测灵敏度的测量效应。例如,基于粒子的成像方法(例如,扫描电子显微镜、聚焦离子射束成像及类似者)可引入可高度取决于测量区域的充电效应。例如,由边缘包围且在大测量区域上方成像的像素的表现可不同于由通过相同边缘定义的测量区域成像的像素。本发明的额外实施例识别具有大测量区域的全图像内的比较区域,这可规避人工测量效应。
如贯穿本发明使用的术语“样本”通常是指由半导体或非半导体材料形成的衬底(例如,晶片或类似者)。例如,半导体或非半导体材料可包含(但不限于)单晶硅、砷化镓及磷化铟。样本可包含一或多个层。例如,此类层可包含(但不限于)抗蚀剂、电介质材料、导电材料及半导体材料。在所属领域中已知许多不同类型的此类层,且如本文中使用的术语样本旨在涵盖其上可形成全部类型的此类层的样本。形成于样本上的一或多个层可经图案化或未经图案化。例如,样本可包含多个裸片,每一裸片具有可重复图案化特征。此类材料层的形成及处理最终可导致完成装置。可在样本上形成许多不同类型的装置,且如本文中使用的术语样本旨在涵盖在其上制造所属领域中已知的任何类型的装置的样本。此外,出于本发明的目的,术语样本及晶片应解译为可互换。另外,出于本发明的目的,术语图案化装置、掩模及光罩应解译为可互换。
图1是根据本发明的一或多个实施例的检验系统100的概念视图。在一个实施例中,检验系统100包含检验测量子系统102以询问样本104。例如,检验测量子系统102可检测样本104上的一或多个缺陷。
本文中应注意,检验测量子系统102可为所属领域中已知的适合于检测样本104上的缺陷的任何类型的检验系统。例如,检验测量子系统102可包含粒子射束检验子系统。因此,检验测量子系统102可将一或多个粒子射束(例如,电子射束、离子射束或类似者)引导到样本104使得可基于从样本104发出的经检测辐射(例如,二次电子、反向散射电子、发光或类似者)检测一或多个缺陷。作为另一实例,检验测量子系统102可包含光学检验子系统。因此,检验测量子系统102可将光学辐射引导到样本104使得可基于从样本104发出的经检测辐射(例如,经反射辐射、经散射辐射、经衍射辐射、发光辐射或类似者)检测一或多个缺陷。
检验测量子系统102可在成像模式或非成像模式中操作。例如,在成像模式中,可在样本上的经照明点内分辨个别对象(例如,缺陷)(例如,作为明场图像、暗场图像、相位对比度图像或类似者的部分)。在操作的非成像模式中,由一或多个检测器收集的辐射可与样本上的单个照明点相关联且可表示样本104的图像的单个像素。在此方面,可通过从样本位置阵列获取数据而产生样本104的图像。此外,检验测量子系统102可操作为基于散射测量的检验系统,其中在光瞳平面处分析来自样本的辐射以特性化来自样本104的辐射的角度分布(例如,与样本104所发出的辐射的散射及/或衍射相关联)。
在另一实施例中,检验系统100包含耦合到检验测量子系统102的控制器106。在此方面,控制器106可经配置以接收数据,包含(但不限于)来自检验测量子系统102的检验数据。在另一实施例中,控制器106包含一或多个处理器108。例如,一或多个处理器108可经配置以执行维持在存储器装置110或存储器中的一组程序指令。控制器106的一或多个处理器108可包含所属领域中已知的任何处理元件。在此意义上,所述一或多个处理器108可包含经配置以执行算法及/或指令的任何微处理器型装置。此外,存储器装置110可包含所属领域中已知的适合于存储可由相关联的一或多个处理器108执行的程序指令的任何存储媒体。例如,存储器装置110可包含非暂时性存储器媒体。作为额外实例,存储器装置110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、固态驱动器及类似者。应进一步注意,存储器装置110可与一或多个处理器108一起容置于共同控制器外壳中。
图2是根据本发明的一或多个实施例的包含适合于由检验系统100检测的缺陷的样本104的示意图。在一个实施例中,样本104包含与结构202相关联的缺陷200。如本文中先前描述,可通过比较样本104的图像(例如,测试图像)与参考图像而识别缺陷200。然而,与参考图像相关联的噪声可负面影响检测灵敏度。
在一个实施例中,可通过利用与样本104相关联的重复信息(例如,小花纹重复)而检测缺陷(例如,缺陷200或类似者)。例如,样本104可包含一或多组重复结构。可预期与样本104上的特定结构相关联的测试图像中的像素具有类似于与其它重复结构相关联的比较区域中的像素的像素值。如图2中说明,结构202到208可形成第一组类似结构,结构210到212可形成第二组类似结构等。此外,可基于缺陷200的像素值与跨样本的比较区域的像素值的比较检测缺陷200。例如,可(但不需要)基于缺陷200的像素值与相关联于结构204到208的比较区域216到220中的像素的比较检测缺陷200。通过另一实例,可(但不需要)基于周围邻近区域214(例如,像素邻域)内的像素值与相关联于结构204到208的比较区域216到220中的像素的比较检测缺陷200。
如图2中说明,重复结构无需在样本上具有相同定向以便提供适合于缺陷的检测的重复数据。例如,结构202、208在样本104上不具有与结构204到206相同的定向。
此外,与样本104相关联的重复信息可不限于重复结构。而是,情况可为样本104可含有与各种结构的部分相关联的跨样本的大量比较邻近区域(例如,像素邻域)使得可预期比较邻近区域中的像素具有类似像素值。在另一实施例中,基于跨测试图像的比较区域估计所述测试图像的所关注区域(例如,目标区域)的像素统计数据。在另一实施例中,利用参考数据(例如,参考图像、设计数据或类似者)以识别跨样本104的比较区域(例如,比较邻近区域)。在此方面,可基于测试图像的比较区域内的像素值的分析检测样本上的缺陷,其中比较区域可由参考数据提供。在此方面,检验系统100可检测样本104的测试图像中的缺陷而未直接比较测试图像及参考图像的像素(例如,未产生测试图像与参考图像之间的差异图像)。因此,可规避与参考图像相关联的噪声以提供高度灵敏缺陷检测。
如本发明中使用的术语“设计数据”大体上是指集成电路的物理设计及通过复杂模拟或简单几何及布尔运算从物理设计导出的数据。另外,通过光罩检验系统获取的光罩的图像及/或其导出物可用作用于设计数据的代理或若干代理。此光罩图像或其导出物可在使用设计数据的本文中描述的任何实施例中充当对于设计布局的替代物。在以下专利中描述设计数据及设计数据代理:由库尔卡尼(Kulkarni)在2010年3月9日发布的第7,676,007号美国专利;由库尔卡尼在2011年5月25日申请的第13/115,957号美国专利申请案;由库尔卡尼在2011年10月18日发布的第8,041,103号美国专利;及由扎法尔(Zafar)等人在2009年8月4日发布的第7,570,796号美国专利,所述专利全部以引用的方式并入本文中。此外,在2012年2月17日申请的帕克(Park)的第13/339,805号美国专利申请案中大体上描述设计数据在引导检验过程中的使用,所述专利的全文以引用的方式并入本文中。
设计数据可包含样本104上的个别组件及/或层(例如,绝缘体、导体、半导体、阱、衬底或类似者)的特性、样本104上的层之间的连接关系或样本104上的组件及连接(例如,导线)的物理布局。在此方面,设计数据可包含对应于样本104上的印刷图案元素的多个设计图案元素。
本文中应注意,设计数据可包含所谓的“平面设计”,其含有样本104上的图案元素的放置信息。本文中应进一步注意,可从通常以GDSII或OASIS文件格式存储的芯片的物理设计提取此信息。结构行为或过程-设计交互可依据图案元素的背景内容(周围环境)而变化。通过使用平面设计,经提出分析可识别设计数据内的图案元素(例如描述待构造于半导体层上的特征的多边形)。此外,经提出方法可提供这些重复块的协调信息以及背景内容数据(例如,邻近结构的位置或类似者)。
在一个实施例中,设计数据包含图案元素的一或多个图形表示(例如,视觉表示、符号表示、图解表示或类似者)。例如,设计数据可包含组件的物理布局的图形表示(例如,对应于制造在样本104上的经印刷图案元素的一或多个多边形的描述)。此外,设计数据可包含样本设计的一或多个层(例如,制造在样本104上的经印刷图案元素的一或多个层)的图形表示或一或多个层之间的连接性。作为另一实例,设计数据可包含样本104上的组件的电连接性的图形表示。在此方面,设计数据可包含与样本相关联的一或多个电路或子电路的图形表示。在另一实施例中,设计数据包含含有样本104的一或多个部分的图形表示的一或多个图像文件。
在另一实施例中,设计数据包含样本104的图案元素的连接性的一或多个文字描述(例如,一或多个列表、一或多个表、一或多个数据库或类似者)。例如,设计数据可包含(但不限于)连线表数据、电路模拟数据或硬件描述语言数据。连线表可包含所属领域中已知的用于提供电路的连接性的描述的任何类型的连线表,包含(但不限于)物理连线表、逻辑连线表、基于实例的连线表或基于网络的连线表。此外,连线表可包含一或多个子连线表(例如,呈分层配置)以描述样本104上的电路及/或子电路。例如,与连线表相关联的连线表数据可包含(但不限于)节点列表(例如,网络、电路的组件之间的导线或类似者)、端口列表(例如,端子、引脚、连接器或类似者)、网络之间的电组件的描述(例如,电阻器、电容器、电感器、晶体管、二极管、电源或类似者)、与电组件相关联的值(例如,电阻器的以欧姆为单位的电阻值、电源的以伏特为单位的电压值、电压源的频率特性、组件的初始条件或类似者)。在另一实施例中,设计数据可包含与半导体工艺流程的特定步骤相关联的一或多个连线表。例如,可在半导体工艺流程中的一或多个中间点处(例如,通过检验系统100)检验样本104。因此,用于产生关照区域的设计数据可为半导体工艺流程中的当前点处的样本104的布局所特有的。在此方面,与半导体工艺流程中的特定中间点相关联的连线表可从与技术文件(层连接性、层中的每一者的电性质及类似者)组合的物理设计布局或与样本104的最终布局相关联的连线表导出(例如,提取或类似者)以仅包含在半导体工艺流程中的特定中间点处存在于晶片上的组件。
图3是说明根据本发明的一或多个实施例的在用于检验样本的方法300中执行的步骤的流程图。申请者应注意,在检验系统100的背景内容中在本文中先前描述的实施例及赋能技术应解译为扩展到方法300。然而,应进一步注意,方法300不限于检验系统100的架构。
可如本文中进一步描述那样执行方法300的步骤中的每一者。步骤可由可根据本文中描述的实施例中的任一者配置的一或多个控制器(例如,控制器106或类似者)执行。另外,上文中描述的方法可由本文中描述的系统实施例中的任一者执行。方法300还可包含可由控制器或本文中描述的任何系统实施例执行的一或多个额外步骤。
在一个实施例中,方法300包含获取参考图像的步骤302。参考图像可表示待检验缺陷的样本104的部分。例如,参考图像可包含样本104(例如,裸片、单元或类似者)的部分的图像。通过另一实例,参考图像可形成为多个参考子图像的汇总。在此方面,参考图像的每一像素可具有对应于多个参考子图像的对应像素的统计汇总的值(例如,对应像素的像素值的中值、对应像素的像素值的平均值或类似者)。在另一实施例中,参考图像包含噪声数据。例如,参考图像可包含与多个参考子图像相关联的噪声数据。在此方面,参考图像可包含指示样本104的多个区域的噪声的相对测量的数据(例如,多个参考子图像的像素值之间的变动或类似者)。
图4A是根据本发明的一或多个实施例的具有多个目标区域的参考图像400的概念视图。例如,样本104可包含第一组类似结构402、第二组类似结构404及第三组类似结构406。应理解,仅出于说明性目的在图4A中将第一组类似结构402、第二组类似结构404及第三组类似结构406说明为圆圈组且第一组类似结构402、第二组类似结构404及第三组类似结构406中的每一者内的像素可以任何图案布置。应进一步注意,根据所属领域中已知的任何度量(例如(但不限于)形状、大小、像素值或像素值的分布),类似结构可为类似的。
参考图像可由所属领域中已知的任何方法形成。例如,可(但不需要)至少部分使用检验测量子系统102产生参考图像。因此,参考图像可对应于光学图像、扫描电子显微镜图像、粒子射束图像或类似者。通过另一实例,可由检验系统100存储参考图像。例如,参考图像可存储于控制器106的存储器装置110内。通过另一实例,参考图像可从外部源(例如,数据存储系统、服务器、额外检验系统或类似者)检索。
在另一实施例中,至少部分使用设计数据产生参考图像。在此方面,参考图像可包含待检验的一或多个特征的预期布局(例如,物理布局、电布局或类似者)的一或多个方面。
在另一实施例中,方法300包含选择参考图像的目标区域的步骤304。例如,目标区域可包含待检验缺陷(例如,在方法300的给定反复中)的一或多个所关注像素。参考图像可包含任何数目个目标区域。例如,测试图像的每一像素可为单独目标区域。在此方面,可单独考虑参考图像的每一像素。通过另一实例,目标区域可包含测试图像中的一组像素。在此方面,可同时考虑目标区域中的全部像素。再次参考图4A,目标区域可包含(但不限于)第一组类似结构402的像素组408、第二组类似结构404的像素组410或第三组类似结构406的像素组412。此外,可循序或并行(例如,通过控制器106或类似者)考虑多个目标区域。
在另一实施例中,方法300包含基于匹配度量识别对应于目标区域的参考图像的一或多个比较区域的步骤306。在此方面,匹配度量可控制预期具有与目标区域类似的像素统计数据的参考图像的比较区域的选择。在另一实施例中,方法300包含获取测试图像的步骤308。在另一实施例中,方法300包含使用参考图像的目标区域及参考图像的一或多个比较区域遮蔽测试图像的步骤310。在此方面,可使用与参考图像的一或多个比较区域相关联的位置数据以选择测试图像的相关部分。此外,可避免(例如,在差异图像中)可为显著噪声源的参考图像及测试图像的像素值的直接比较。
测试图像可为待检验缺陷的(例如,样本104的)图像。此外,可由所属领域中已知的任何方法形成测试图像。例如,可(但不需要)至少部分使用检验测量子系统102产生测试图像。因此,测试图像可对应于光学图像、扫描电子显微镜图像、粒子射束图像或类似者。通过另一实例,可通过检验系统100存储测试图像。例如,测试图像可存储于控制器106的存储器装置110内。在此方面,检验系统100可操作为虚拟检验系统。通过另一实例,可从外部源(例如,数据存储系统、服务器、额外检验系统或类似者)检索测试图像。
匹配度量可为所属领域中已知的用以比较图像中的像素的区域的任何类型的度量。
在一个实施例中,匹配度量包含基于设计数据的样本104的经类似设计区域的位置数据。例如,设计数据可用于确定可能比较区域的位置。在一个实施例中,可由检验系统100(例如,在存储器装置110或类似者中)存储参考图像的每一像素的可能比较区域的位置。例如,参考图像的每一像素的可能比较区域可存储于数据存储装置(例如,经编索引数据存储装置或类似者)中以用于有效检索。
在另一实施例中,匹配度量包含目标像素(例如,包含单个像素的目标区域)周围的像素值的分布。例如,与匹配度量相关联的像素值的特定分布可包含(但不限于)与特定邻近区域(例如,像素邻域)相关联的像素值的特定直方图或具有一组相对或绝对定义的像素值的像素的特定空间分布。在此方面,比较区域可包含遍及参考图像的具有与目标像素周围的像素相同(或基本上类似)的像素值分布的像素的邻近区域。此外,邻近区域匹配度量可具有特定邻近区域图案(例如,具有经定义大小及/或形状(例如,矩形、圆形或类似者)的像素的布局)。因此,参考图像的一或多个比较区域可包含跨参考图像根据邻近区域图案布置的比较邻近区域,其中比较邻近区域具有对应于目标邻近区域的像素值分布的像素值分布。
在另一实施例中,邻近区域图案的尺寸及/或布局是基于用于产生参考图像及/或样本104的图像(例如,测试图像)的检验测量子系统102。例如,邻近区域图案的尺寸及/或布局可基于用于制造样本的光刻系统的交互功能及/或分辨率。在一个实例中,邻近区域可(但不需要)表示样本104上近似100nm且因此可表示光刻系统(例如,193nm光刻系统或类似者)的近似分辨率。通过另一实例,邻近区域图案的尺寸及/或布局可基于检验测量子系统102的交互功能及/或分辨率。
可基于所属领域中已知的任何方法在参考图像中识别一或多个比较区域。在一个实施例中,可基于图案匹配技术识别比较区域。在本文中应认知,在参考图像中识别比较区域可潜在地为时间及/或计算密集的。例如,使用蛮力图案匹配过程识别比较区域所需的时间及/或计算资源可负面影响检验系统100的整体性能。在一个实施例中,检验系统100(例如,经由控制器106)可使用位置敏感散列技术识别比较区域。例如,检验系统100可利用核心位置敏感散列以将比较区域有效识别为目标邻近区域的“最近邻”。在此方面,搜索方法是计算受限且利用参考图像的固定性质。
在另一实施例中,匹配度量包含像素值(例如,灰度像素值、RGB像素值或类似者)的经定义范围。在此方面,参考图像的一或多个比较区域可包含具有在像素值的经定义范围内的像素值的像素。
图4B是根据本发明的一或多个实施例的与图4A中说明的参考图像相关联的像素值的分布(例如,直方图)416的曲线图414。在一个实施例中,参考图像400是灰度图像使得参考图像的像素值表示灰度值。在另一实施例中,第一组类似结构402、第二组类似结构404及第三组类似结构406具有位于可区分范围中的像素值。例如,如图4B中说明,可识别三个范围:具有低于截止418的灰度值的像素;具有截止418与截止420之间的灰度值的像素;及具有高于截止420的灰度值的像素。因此,可使用包含像素值的范围的匹配度量以识别参考图像中具有具备在与目标区域相同的范围内的像素值的像素的结构。
在另一实施例中,由检验系统100(例如,在存储器装置110或类似者中)存储一或多个比较区域的位置数据。位置数据可包含(但不限于)参考图像中的一或多个比较区域的位置、大小或形状。
在另一实施例中,在步骤310中,使用测试区域及比较区域遮蔽测试图像。在此方面,可将与测试区域及比较区域相关联的像素作为群组进行分析。
在另一实施例中,步骤310包含基于在步骤306中识别的比较区域产生掩模。可通过所属领域中已知的任何方法产生掩模。例如,步骤310可包含产生掩模以包含对应于目标区域及比较区域的位置的像素的二进制图案。此外,步骤310可包含修改掩模以移除非期望假影,例如与参考图像相关联的噪声。在一个实例中,步骤310包含一或多个图像处理步骤(例如,滤波、边缘检测、形态图像处理或类似者)以移除非期望假影。在一个实施例中,步骤310包含至少部分使用设计数据产生掩模。在此方面,可基于设计数据补充及/或修改掩模使得掩模图案对应于与在步骤306中识别的比较区域相关联的样本上的结构的经设计特性。
图5A到5C是根据本发明的一或多个实施例的与不同比较区域相关联的示范性掩模的概念视图。图5A是说明对应于目标区域408(例如,在步骤304中选择)及相关联比较区域(例如,在步骤306中识别)的掩模图案元素504的掩模502的概念视图。图5B是说明对应于目标区域410(例如,在步骤304中选择)及相关联比较区域(例如,在步骤306中识别)的掩模图案元素508的掩模506的概念视图。图5C是说明对应于目标区域412(例如,在步骤304中选择)及相关联比较区域(例如,在步骤306中识别)的掩模图案元素512的掩模510的概念视图。
图6是根据本发明的一或多个实施例的包含缺陷的样本104的测试图像的概念视图。例如,测试图像600可包含第一组类似结构602、第二组类似结构604及第三组类似结构606。此外,缺陷608可存在于样本104上且在测试图像600中显现为像素值的修改。
在另一实施例中,方法300包含基于测试图像中的一或多个比较区域定义测试图像中的目标区域的缺陷阈值的步骤312。因此,测试图像中的目标区域的缺陷阈值可是基于测试图像自身的像素值且参考图像可提供像素的比较区域的位置。在另一实施例中,方法300包含基于缺陷阈值确定测试图像的目标区域是否含有缺陷的步骤314。
可使用所属领域中已知的任何方法基于比较区域定义缺陷阈值。例如,步骤312可包含定义缺陷阈值(例如,针对如在步骤310中由掩模过滤的目标区域及/或比较区域)以检测在遮蔽之后在测试图像中剩余的像素的像素值分布中的离群值像素使得在步骤314中可将离群值像素确定为缺陷。在一个实例中,可基于剩余像素的像素值的直方图的尾部的存在(或缺乏)确定离群值像素。在此方面,可将具有与直方图的尾部相关联的像素值的像素确定为缺陷。
图7A是根据本发明的一或多个实施例的如由掩模502遮蔽的测试图像600的概念视图。图7B是根据本发明的一或多个实施例的剩余像素的像素值分布704的曲线图702。在一个实施例中,通过经设计以检测像素值分布704中的离群值的截止值706定义缺陷阈值。例如,如在图7A及7B中说明,像素未落在由截止值706定义的界限外部且因此未检测到缺陷。
图7C是根据本发明的一或多个实施例的如由掩模506遮蔽的测试图像600的概念视图。图7D是根据本发明的一或多个实施例的剩余像素的像素值分布710的曲线图708。在一个实施例中,通过经设计以检测像素值分布710中的离群值的截止值712定义缺陷阈值。例如,如在图7C及7D中说明,像素未落在由截止值712定义的界限外部且因此未检测到缺陷。
图7E是根据本发明的一或多个实施例的如由掩模508遮蔽的测试图像600的概念视图。图7F是根据本发明的一或多个实施例的剩余像素的像素值分布704的曲线图714。在一个实施例中,通过经设计以检测像素值分布716中的离群值的截止值718定义缺陷阈值。例如,如在图7E及7F中说明,像素值分布716包含尾部,所述尾部延伸超过截止值718使得超过截止值718的离群值像素720与缺陷608相关联。
在另一实施例中,返回到本文中先前描述的实例,可通过以下步骤确定包含单个目标像素的目标区域的缺陷阈值:计算测试图像的比较邻近区域的像素值分布;基于测试图像的一或多个比较邻近区域的像素值分布估计在测试图像的目标邻近区域中的像素值分布;及基于目标邻近区域中的经估计像素值分布定义目标像素的缺陷阈值。
在一个实施例中,步骤314包含产生样本104的缺陷图。图8是根据本发明的一或多个实施例的样本104的缺陷图800的概念视图。例如,缺陷图800可包含任何经识别缺陷的图像。通过另一实例,缺陷图可包含与任何经识别缺陷相关联的数据,例如(但不限于)经识别缺陷的大小、形状或位置。
本文中应进一步注意,与方法300相关联的高检测灵敏度可基于测试图像的局部性质提供自调谐缺陷检测。在此方面,与特定目标区域相关联的缺陷检测阈值可基于局部图像性质。此可避免与全局或半全局缺陷检测阈值(其与可产生具有不同平均灰度值的测试图像的不同部分之间的竞争的替代技术相关联)相关联的错误。例如,在本发明的一个实施例中,(例如,在步骤310中)可调整跨测试图像的各种比较区域的像素统计数据以补偿测试图像中的大规模变动(例如,平均灰度值的变动或类似者)。根据方法300的缺陷检测可另外提供足以检测单个-像素缺陷的高信噪比。此高检测灵敏度可提供经识别缺陷的轮廓的精确检测且可高度容忍图案噪声。
在另一实施例中,缺陷检测方法300可形成混合缺陷检测方法的部分。在此方面,可使用所属领域中已知的任何额外缺陷检测方法补充检测方法300。例如,在参考图像中的特定目标区域可能不具有足够数目个比较区域以提供缺陷阈值的精确确定(例如,归因于参考图像的特性、不足重复结构或类似者)的情况中,可使用用以定义特定目标区域的缺陷阈值的替代方法补充检测方法300。通过另一实例,在大缺陷影响邻近区域(例如,目标邻近区域及/或比较邻近区域)内的像素统计数据的情况中,可使用用以定义特定目标区域的缺陷阈值的替代方法补充检测方法300。
再次参考图1,检验系统100可包含所属领域中已知的任何检验子系统。
图9A是根据本发明的一或多个实施例的经配置为光学检验子系统的检验测量子系统102的概念视图。在一个实施例中,检验测量子系统102包含照明源902。照明源902可包含所属领域中已知的适合于产生一或多个照明射束904(例如,光子射束)的任何照明源。例如,照明源902可包含(但不限于)单色光源(例如,激光器)、具有包含两个或两个以上离散波长的光谱的多色光源、宽带光源或波长扫掠光源。此外,照明源902可(但不限于)由以下各项形成:白光源(例如,具有包含可见波长的光谱的宽带光源)、激光源、自由形式照明源、单极照明源、多极照明源、弧光灯、无电极灯或激光持续等离子体(LSP)源。此外,照明射束904可经由自由空间传播或经导引光(例如,光纤、光管或类似者)递送。
在另一实施例中,照明源902经由照明路径906而将一或多个照明射束904引导到样本104。照明路径906可包含一或多个透镜910。此外,照明路径906可包含适合于修改及/或调节一或多个照明射束904的一或多个额外光学组件908。例如,一或多个光学组件908可包含(但不限于)一或多个偏光器、一或多个滤波器、一或多个射束分离器、一或多个扩散器、一或多个均质器、一或多个变迹器或一或多个射束塑形器。在一个实施例中,照明路径906包含射束分离器914。在另一实施例中,检验测量子系统102包含将一或多个照明射束904聚焦到样本104上的物镜916。
照明源902可经由照明路径906而按任何角度将一或多个照明射束904引导到样本。在一个实施例中,如图9A中展示,照明源902按法向入射角将一或多个照明射束904引导到样本104。在另一实施例中,照明源902按非法向入射角(例如,掠射角、45度角或类似者)将一或多个照明射束904引导到样本104。
在另一实施例中,样本104安置于适合于在扫描期间固定样本104的样本载物台912上。在另一实施例中,样本载物台912是可致动载物台。例如,样本载物台912可包含(但不限于)适合于沿着一或多个线性方向(例如,x方向、y方向及/或z方向)选择性平移样本104的一或多个平移载物台。通过另一实例,样本载物台912可包含(但不限于)适合于沿着旋转方向选择性旋转样本104的一或多个旋转载物台。通过另一实例,样本载物台912可包含(但不限于)适合于沿着线性方向选择性平移样本及/或沿着旋转方向旋转样本104的旋转载物台及平移载物台。
在另一实施例中,照明路径906包含适合于跨样本104扫描照明射束904的一或多个射束扫描光学器件(未展示)。例如,一或多个照明路径906可包含所属领域中已知的任何类型的射束扫描仪,例如(但不限于)一或多个电光射束偏转器、一或多个声光射束偏转器、一或多个电流扫描仪、一或多个谐振扫描仪或一或多个多边形扫描仪。以此方式,可以r-θ图案扫描样本104的表面。应进一步注意,可根据样本上的任何图案扫描照明射束904。在一个实施例中,将照明射束904分离成一或多个射束使得可同时扫描一或多个射束。
在另一实施例中,检验测量子系统102包含经配置以通过集光路径918获取从样本104发出的辐射的一或多个检测器922(例如,一或多个光学检测器、一或多个光子检测器或类似者)。集光路径918可包含引导及/或修改由物镜916收集的照明的多个光学元件,包含(但不限于)一或多个透镜920、一或多个滤波器、一或多个偏光器、一或多个射束阻断器或一或多个射束分离器。本文中应注意,可在相对于样本104的任何位置中定向集光路径918的组件。在一个实施例中,集光路径包含法向于样本104定向的物镜916。在另一实施例中,集光路径918包含经定向以按多个立体角从样本收集辐射的多个集光透镜。
在一个实施例中,检验系统100包含明场检验系统。例如,可(例如,通过物镜916、一或多个透镜920或类似者)将样本104的明场图像或样本104的部分投射到检测器922上。在另一实施例中,检验系统100包含暗场检验系统。例如,检验系统100可包含一或多个组件(例如,环形射束阻断器、暗场物镜916或类似者),其按大入射角将照明射束904引导到样本104使得检测器922上的样本的图像与散射及/或衍射光相关联。在另一实施例中,检验系统100包含倾斜角检验系统。例如,检验系统100可按离轴角将照明射束904引导到样本以提供用于缺陷的检验的对比度。在另一实施例中,检验系统100包含相位对比度检验系统。例如,检验系统100可包含一或多个相位板及/或射束阻断器(例如,环形射束阻断器或类似者)以提供来自样本的衍射光与非衍射光之间的相位对比度以提供用于缺陷检验的对比度。在另一实施例中,检验系统100可包含发光检验系统(例如,荧光检验系统、磷光检验系统或类似者)。例如,检验系统100可将具有第一波长光谱的照明射束904引导到样本104,且包含检测从样本104发出(例如,从样本104的一或多个组件及/或样本104上的一或多个缺陷发出)的一或多个额外波长光谱的一或多个滤波器。在另一实施例中,检验系统包含定位于共焦位置中使得系统100可操作为共焦检验系统的一或多个针孔。
图9B是根据本发明的一或多个实施例的经配置为粒子射束检验子系统的检验子系统的简化示意图。在一个实施例中,照明源902包含经配置以产生粒子射束904的粒子源。粒子源902可包含所属领域中已知的适合于产生粒子射束904的任何粒子源。通过非限制性实例,粒子源902可包含(但不限于)电子枪或离子枪。在另一实施例中,粒子源902经配置以提供具有可调谐能量的粒子射束904。例如,包含电子源的粒子源902可(但不限于)提供在0.1kV到30kV的范围中的加速电压。作为另一实例,包含离子源的粒子源可(但不需要)提供具有在1keV到50keV的范围中的能量值的离子射束。
在另一实施例中,检验测量子系统102包含用于产生两个或两个以上粒子射束904的两个或两个以上粒子射束源902(例如,电子射束源或离子射束源)。
在另一实施例中,照明路径906包含一或多个粒子聚焦元件924。例如,一或多个粒子聚焦元件924可包含(但不限于)单个粒子聚焦元件或形成复合系统的一或多个粒子聚焦元件。在另一实施例中,系统100的物镜916经配置以将粒子射束904引导到样本104。此外,一或多个粒子聚焦元件924及/或物镜916可包含所属领域中已知的任何类型的粒子透镜,包含(但不限于)静电、磁性、单电位或双电位透镜。此外,检验测量子系统102可包含(但不限于)一或多个电子偏转器、一或多个孔隙、一或多个滤波器或一或多个像散校正器。
在另一实施例中,检验测量子系统102包含一或多个粒子射束扫描元件926。例如,一或多个粒子射束扫描元件可包含(但不限于)适合于控制射束相对于样本104的表面的位置的一或多个扫描线圈或偏转器。在此方面,可利用一或多个扫描元件以选定图案跨样本104扫描粒子射束904。
在另一实施例中,检验子系统包含检测器922以使从样本104发出的粒子成像或以其它方式检测从样本104发出的粒子。在一个实施例中,检测器922包含电子收集器(例如,二次电子收集器、反向散射电子检测器或类似者)。在另一实施例中,检测器922包含用于检测来自样本表面的电子及/或光子的光子检测器(例如,光电检测器、x射线检测器、耦合到光电倍增管(PMT)检测器的闪烁元件或类似者)。在一般意义上,本文中应认知,检测器922可包含所属领域中已知的用于使用粒子射束904特性化样本表面或块体的任何装置或装置的组合。例如,检测器922可包含所属领域中已知的经配置以收集反向散射电子、欧杰(Auger)电子、透射电子或光子(例如,由表面响应于入射电子发射的x射线、样本104的阴极发光等等)的任何粒子检测器。
在另一实施例中,检验系统100包含电压对比度成像(VCI)系统。本文中应认知,利用粒子射束(例如,电子射束、离子射束或类似者)的检验系统可归因于高可实现空间分辨率而尤其用于检测及/或识别半导体样本(例如,随机逻辑芯片或类似者)上的缺陷机制。例如,可在检验系统内利用粒子射束以使样本成像(例如,通过获取从样本发出的二次电子、反向散射电子或类似者)。另外,样本(例如,图案化半导体晶片)上的结构可响应于使用粒子射束的激发而展现充电效应。充电效应可包含由系统获取的电子(例如,二次电子)的数目及因此VCI信号强度的修改。在此方面,电压对比度成像(VCI)系统可产生样本的高分辨率图像,其中图像的每一像素的强度提供关于样本在像素位置处的电性质的数据。例如,绝缘结构及/或未连接到接地源(例如,未接地)的结构可响应于由粒子射束诱发的粒子(例如,二次电子、离子或类似者)的耗尽而产生电荷(例如,正电荷或负电荷)。因此,经诱发电荷可使二次电子的轨道偏转且降低由检测器获取的信号强度。相反地,接地结构可不产生电荷且因此可展现强信号(例如,在相关联VCI图像中显得明亮)。此外,电容结构的信号强度可依据粒子射束的扫描速度及/或能量而变化。在此方面,VCI图像可包含其中每一像素的灰度值提供关于晶片上的所述位置的相对电特性的数据的灰度图像。在进一步实施例中,检验系统100包含经配置以将一或多个电压施加到样本108的一或多个位置的一或多个组件(例如,一或多个电极)。在此方面,系统100可产生主动电压对比度成像数据。
在另一实施例中,检验系统100可包含显示器(未展示)。在另一实施例中,显示器通信地耦合到控制器106。例如,显示器可通信地耦合到控制器106的一或多个处理器108。在此方面,一或多个处理器108可在显示器上显示本发明的各种结果中的一或多者。
显示装置可包含所属领域中已知的任何显示装置。在一个实施例中,显示装置可包含(但不限于)液晶显示器(LCD)。在另一实施例中,显示装置可包含(但不限于)基于有机发光二极管(OLED)的显示器。在另一实施例中,显示装置可包含(但不限于)CRT显示器。所属领域技术人员应认知,各种显示装置可适合实施于本发明中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、成本及类似者。在一般意义上,能够与用户接口装置(例如,触摸幕、面板安装接口、键盘、鼠标、轨迹板及类似者)集成的任何显示装置适合实施于本发明中。
在另一实施例中,检验系统100可包含用户接口装置(未展示)。在一个实施例中,用户接口装置通信地耦合到控制器106的一或多个处理器108。在另一实施例中,用户接口装置可由控制器106利用以接受来自用户的选择及/或指令。在一些实施例中,在本文中进一步描述,可使用显示器以将数据显示给用户。继而,用户可响应于经由显示装置显示给用户的检验数据而输入选择及/或指令(例如,检验区域的用户选择)。
用户接口装置可包含所属领域中已知的任何用户接口。例如,用户接口可包含(但不限于)键盘、小键盘、触摸屏、杠杆、旋钮、滚轮、轨迹球、开关、拨号盘、滑杆、卷杆、滑件、把手、触摸板、踏板、方向盘、操纵杆、面板输入装置或类似者。在触摸屏接口装置的情况中,所属领域技术人员应认知,大量触摸屏接口装置可适合实施于本发明中。例如,显示装置可与触摸屏接口集成,例如(但不限于)电容式触摸屏、电阻式触摸屏、基于表面声波的触摸屏、基于红外线的触摸屏或类似者。在一般意义上,能够与显示装置105的显示部分集成的任何触摸屏接口适合实施于本发明中。在另一实施例中,用户接口可包含(但不限于)面板安装接口。
本文中应注意,图9A及9B以及上文中的对应描述仅为了图解而提供且不应解译为限制性。预期可利用在本发明的范围内的若干等效或额外配置。
此外,系统100可经配置为“真实”或“虚拟”检验系统。例如,系统100可产生与样本104相关联的实际图像或其它输出数据。在此方面,系统100可经配置为“真实”检验系统而非“虚拟”系统。通过另一实例,本文中描述的存储媒体(未展示)及控制器106可经配置为“虚拟”检验系统。因此,系统100可不对物理样本进行操作,而可再现及/或流化经存储数据(例如,存储于存储器媒体110中的数据或类似者),如同正在扫描物理样本。在此方面,“检测器”的输出可为在先前步骤中由实际检验系统的一或多个检测器(例如,检测器922)先前产生的数据。在2012年2月28日发布的共同转让的第8,126,255号美国专利及在2015年12月29日发布的第9,222,895号美国专利申请案中描述经配置为“虚拟”检验系统的系统及方法,所述两个专利申请案的全文以引用的方式并入本文中。
本文中描述的目标物有时说明其它组件内含有或与其它组件连接的不同组件。应理解,这些所描绘的架构仅仅是示范性的,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,实现相同功能性的组件的任何布置经有效“相关联”使得实现期望功能性。因此,在本文中经组合以实现特定功能性的任何两个组件可视作彼此“相关联”使得实现期望功能性而不考虑架构或中间组件。同样地,如此相关联的任何两个组件还可视作彼此“连接”或“耦合”以实现期望功能性,且能够如此相关联的任何两个组件还可视作彼此“可耦合”以实现期望功能性。可耦合的特定实例包含(但不限于)可物理交互及/或物理交互组件及/或可无线交互及/或无线交互组件及/或可逻辑交互及/或逻辑交互组件。
据信本发明及许多其伴随优点将通过前述描述理解,且将明白,可对组件的形式、构造及布置做出多种改变而不脱离所揭示的目标物或不牺牲全部其材料优点。所描述的形式仅仅是解释性,且所附权利要求书的意图是涵盖且包含这些改变。此外,应理解,本发明由所附发明权利要求书定义。
Claims (54)
1.一种缺陷检测方法,其包括:
获取参考图像;
选择所述参考图像的目标区域;
基于匹配度量识别对应于所述目标区域的所述参考图像的一或多个比较区域;
获取测试图像;
使用所述参考图像的所述目标区域及所述参考图像的所述一或多个比较区域遮蔽所述测试图像;
基于所述测试图像中的所述一或多个比较区域定义所述测试图像中的所述目标区域的缺陷阈值;及
基于所述缺陷阈值确定所述测试图像的所述目标区域是否含有缺陷。
2.根据权利要求1所述的缺陷检测方法,其中所述匹配度量包含像素值的范围,其中识别所述参考图像的所述一或多个比较区域包括:
识别具有在像素值的所述范围内的像素值的所述参考图像的一或多个区域。
3.根据权利要求2所述的缺陷检测方法,其中所述像素值包含灰度值。
4.根据权利要求2所述的缺陷检测方法,其中基于所述目标图像中的所述一或多个比较区域定义所述目标区域的所述缺陷阈值包括:
计算像素值分布,其中所述像素分布包含在所述目标图像中的所述目标区域及所述一或多个比较区域内的像素的像素值的分布;及
基于所述像素值分布定义所述目标区域的所述缺陷阈值。
5.根据权利要求4所述的缺陷检测方法,其中所述像素值分布包含在所述目标图像中的所述目标区域及所述一或多个比较区域内的所述像素的所述像素值的直方图。
6.根据权利要求4所述的缺陷检测方法,其中基于所述像素分布定义所述目标区域的所述缺陷阈值包括:
定义所述目标区域的所述缺陷阈值以识别与所述像素值分布的尾部相关联的离群值。
7.根据权利要求4所述的缺陷检测方法,其进一步包括:
基于所述缺陷阈值确定所述测试图像的所述一或多个比较区域是否含有缺陷。
8.根据权利要求1所述的缺陷检测方法,其中所述目标区域包含单个目标像素。
9.根据权利要求8所述的缺陷检测方法,其中所述匹配度量包含像素值的分布,其中识别所述参考图像的所述一或多个比较区域包括:
定义包含像素的经定义布局的邻近区域图案;
定义根据所述邻近区域图案布置的所述参考图像中的目标邻近区域,其中所述目标邻近区域包含所述目标像素,其中所述匹配度量包含所述目标邻近区域的像素值分布;及
基于所述匹配度量识别根据所述邻近区域图案布置的所述参考图像的一或多个比较邻近区域,其中所述一或多个比较区域包含所述一或多个比较邻近区域。
10.根据权利要求9所述的缺陷检测方法,其中识别所述参考图像的所述一或多个比较邻近区域包括:
基于位置敏感影线识别所述参考图像的一或多个比较邻近区域。
11.根据权利要求9所述的缺陷检测方法,其中识别所述参考图像的所述一或多个比较邻近区域包括:
基于核心位置敏感影线识别所述参考图像的一或多个比较邻近区域。
12.根据权利要求9所述的缺陷检测方法,其中识别所述参考图像的所述一或多个比较邻近区域包括:
基于图案匹配技术识别所述参考图像的一或多个比较邻近区域。
13.根据权利要求9所述的缺陷检测方法,其中识别所述参考图像的所述一或多个比较邻近区域包括:
基于设计数据识别所述参考图像的一或多个比较邻近区域。
14.根据权利要求9所述的缺陷检测方法,其进一步包括:
在数据库中存储所述一或多个比较邻近区域的一或多个位置。
15.根据权利要求14所述的缺陷检测方法,其中所述数据库包括:
经编索引数据库。
16.根据权利要求9所述的缺陷检测方法,其中基于所述测试图像中的所述一或多个比较区域定义所述测试图像中的所述目标区域的所述缺陷阈值包括:
计算所述测试图像的所述一或多个比较邻近区域的一或多个像素值分布;
基于所述测试图像的所述一或多个比较邻近区域的所述像素值分布估计所述测试图像的所述目标邻近区域中的像素值分布;及
基于所述目标邻近区域中的所述经估计像素值分布定义所述目标像素的所述缺陷阈值。
17.根据权利要求16所述的缺陷检测方法,其中基于所述缺陷阈值确定所述测试图像的所述目标区域是否含有缺陷包括:
基于所述测试图像中的所述目标邻近区域的所述经估计像素值分布与实际像素值分布的比较确定所述测试图像的所述目标区域是否含有缺陷。
18.根据权利要求9所述的缺陷检测方法,其中所述邻近区域图案的大小是基于用于产生所述目标图像的测量工具的交互功能。
19.根据权利要求9所述的缺陷检测方法,其中所述邻近区域图案的大小是基于用于产生所述目标图像的测量工具的分辨率。
20.根据权利要求1所述的缺陷检测方法,其中参考数据包括:
参考图像或设计数据中的至少一者。
21.根据权利要求20所述的缺陷检测方法,其中所述参考图像是基于黄金裸片。
22.根据权利要求20所述的缺陷检测方法,其中所述参考图像是基于至少一个参考裸片。
23.根据权利要求20所述的缺陷检测方法,其中所述参考图像包括:
中值参考裸片。
24.根据权利要求20所述的缺陷检测方法,其中所述设计数据包括:
连线表数据或一或多个结构的设计布局中的至少一者。
25.一种缺陷检测系统,其包括:
检验子系统,其包括:
照明源,其经配置以产生照明射束;
一组照明光学器件,其将所述照明射束引导到样本;及
检测器,其经配置以收集从所述样本发出的照明;及
控制器,其通信地耦合到所述检测器,所述控制器包含存储器装置及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引起所述一或多个处理器执行以下操作:
获取参考图像;
选择所述参考图像的目标区域;
基于匹配度量识别对应于所述目标区域的所述参考图像的一或多个比较区域;
获取测试图像;
使用所述参考图像的所述目标区域及所述参考图像的所述一或多个比较区域遮蔽所述测试图像;
基于所述测试图像中的所述一或多个比较区域定义所述测试图像中的所述目标区域的缺陷阈值;及
基于所述缺陷阈值确定所述测试图像的所述目标区域是否含有缺陷。
26.根据权利要求25所述的缺陷检测系统,其中所述匹配度量包含像素值的范围,其中识别所述参考图像的所述一或多个比较区域包括:
识别具有在像素值的所述范围内的像素值的所述参考图像的一或多个区域。
27.根据权利要求26所述的缺陷检测系统,其中所述像素值包含灰度值。
28.根据权利要求26所述的缺陷检测系统,其中基于所述目标图像中的所述一或多个比较区域定义所述目标区域的所述缺陷阈值包括:
计算像素值分布,其中所述像素分布包含在所述目标图像中的所述目标区域及所述一或多个比较区域内的像素的像素值的分布;及
基于所述像素值分布定义所述目标区域的所述缺陷阈值。
29.根据权利要求28所述的缺陷检测系统,其中所述像素值分布包含在所述目标图像中的所述目标区域及所述一或多个比较区域内的所述像素的所述像素值的直方图。
30.根据权利要求28所述的缺陷检测系统,其中基于所述像素分布定义所述目标区域的所述缺陷阈值包括:
定义所述目标区域的所述缺陷阈值以识别与所述像素值分布的尾部相关联的离群值。
31.根据权利要求28所述的缺陷检测系统,其进一步包括:
基于所述缺陷阈值确定所述测试图像的所述一或多个比较区域是否含有缺陷。
32.根据权利要求25所述的缺陷检测系统,其中所述目标区域包含单个目标像素。
33.根据权利要求32所述的缺陷检测系统,其中所述匹配度量包含像素值的分布,其中识别所述参考图像的所述一或多个比较区域包括:
定义包含像素的经定义布局的邻近区域图案;
定义根据所述邻近区域图案布置的所述参考图像中的目标邻近区域,其中所述目标邻近区域包含所述目标像素,其中所述匹配度量包含所述目标邻近区域的像素值分布;及
基于所述匹配度量识别根据所述邻近区域图案布置的所述参考图像的一或多个比较邻近区域,其中所述一或多个比较区域包含所述一或多个比较邻近区域。
34.根据权利要求33所述的缺陷检测系统,其中识别所述参考图像的所述一或多个比较邻近区域包括:
基于位置敏感影线识别所述参考图像的一或多个比较邻近区域。
35.根据权利要求33所述的缺陷检测系统,其中识别所述参考图像的所述一或多个比较邻近区域包括:
基于核心位置敏感影线识别所述参考图像的一或多个比较邻近区域。
36.根据权利要求33所述的缺陷检测系统,其中识别所述参考图像的所述一或多个比较邻近区域包括:
基于图案匹配技术识别所述参考图像的一或多个比较邻近区域。
37.根据权利要求33所述的缺陷检测系统,其中识别所述参考图像的所述一或多个比较邻近区域包括:
基于设计数据识别所述参考图像的一或多个比较邻近区域。
38.根据权利要求33所述的缺陷检测系统,其进一步包括:
在数据库中存储所述一或多个比较邻近区域的一或多个位置。
39.根据权利要求38所述的缺陷检测系统,其中所述数据库包括:
经编索引数据库。
40.根据权利要求33所述的缺陷检测系统,其中基于所述测试图像中的所述一或多个比较区域定义所述测试图像中的所述目标区域的所述缺陷阈值包括:
计算所述测试图像的所述一或多个比较邻近区域的一或多个像素值分布;
基于所述测试图像的所述一或多个比较邻近区域的所述像素值分布估计所述测试图像的所述目标邻近区域中的像素值分布;及
基于所述目标邻近区域中的所述经估计像素值分布定义所述目标像素的所述缺陷阈值。
41.根据权利要求40所述的缺陷检测系统,其中基于所述缺陷阈值确定所述测试图像的所述目标区域是否含有缺陷包括:
基于所述测试图像中的所述目标邻近区域的所述经估计像素值分布与实际像素值分布的比较确定所述测试图像的所述目标区域是否含有缺陷。
42.根据权利要求33所述的缺陷检测系统,其中所述邻近区域图案的大小是基于用于产生所述目标图像的测量工具的交互功能。
43.根据权利要求33所述的缺陷检测系统,其中所述邻近区域图案的大小是基于用于产生所述目标图像的测量工具的分辨率。
44.根据权利要求25所述的缺陷检测系统,其中参考数据包括:
参考图像或设计数据中的至少一者。
45.根据权利要求44所述的缺陷检测系统,其中所述参考图像是基于黄金裸片。
46.根据权利要求44所述的缺陷检测系统,其中所述参考图像是基于至少一个参考裸片。
47.根据权利要求44所述的缺陷检测系统,其中所述参考图像包括:
中值参考裸片。
48.根据权利要求44所述的缺陷检测系统,其中所述设计数据包括:
连线表数据或一或多个结构的设计布局中的至少一者。
49.根据权利要求25所述的缺陷检测系统,其中所述照明射束包括:
光子射束或粒子射束中的至少一者。
50.根据权利要求49所述的缺陷检测系统,其中所述粒子射束包括:
电子射束或离子射束中的至少一者。
51.根据权利要求25所述的缺陷检测系统,其中所述组照明光学器件包括:
光子光学器件或粒子光学器件中的至少一者。
52.根据权利要求25所述的缺陷检测系统,其中所述检测器包括:
光子检测器或粒子检测器中的至少一者。
53.一种缺陷检测系统,其包括:
检验子系统,其包括:
照明源,其经配置以产生照明射束;
一组照明光学器件,其将所述照明射束引导到样本;及
检测器,其经配置以收集从所述样本发出的照明;及
控制器,其通信地耦合到所述检测器,所述控制器包含存储器装置及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引起所述一或多个处理器执行以下操作:
获取参考图像;
选择所述参考图像的目标像素;
定义包含像素的经定义布局的邻近区域图案;
定义根据所述邻近区域图案布置的所述参考图像的目标邻近区域,其中所述目标邻近区域包含所述目标像素;
基于匹配度量识别对应于所述目标区域的所述参考图像的一或多个比较邻近区域,其中所述匹配度量包含所述目标邻近区域的像素值分布;
获取测试图像;
使用所述参考图像的所述目标区域及所述参考图像的所述一或多个比较区域遮蔽所述测试图像;
计算所述测试图像的所述一或多个比较邻近区域的一或多个像素值分布;
基于所述测试图像的所述一或多个比较邻近区域的所述像素值分布估计所述测试图像的所述目标邻近区域中的像素值分布;
基于所述目标邻近区域中的所述经估计像素值分布定义所述目标像素的缺陷阈值;及
基于所述缺陷阈值确定所述测试图像的所述目标像素是否含有缺陷。
54.一种缺陷检测方法,其包括:
获取参考图像;
选择所述参考图像的目标区域;
基于匹配度量识别对应于所述目标区域的所述参考图像的一或多个比较区域;
获取测试图像;
使用所述参考图像的所述目标区域及所述参考图像的所述一或多个比较区域遮蔽所述测试图像;
基于所述测试图像中的所述一或多个比较区域定义所述测试图像中的所述目标区域的缺陷阈值;及
基于所述缺陷阈值确定所述测试图像的所述目标区域是否含有缺陷。
Applications Claiming Priority (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201562257025P | 2015-11-18 | 2015-11-18 | |
US62/257,025 | 2015-11-18 | ||
US15/350,632 | 2016-11-14 | ||
US15/350,632 US10535131B2 (en) | 2015-11-18 | 2016-11-14 | Systems and methods for region-adaptive defect detection |
PCT/US2016/062355 WO2017087571A1 (en) | 2015-11-18 | 2016-11-16 | Systems and methods for region-adaptive defect detection |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108352063A true CN108352063A (zh) | 2018-07-31 |
CN108352063B CN108352063B (zh) | 2022-03-25 |
Family
ID=58690746
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201680066077.6A Active CN108352063B (zh) | 2015-11-18 | 2016-11-16 | 用于区域自适应缺陷检测的系统及方法 |
Country Status (8)
Country | Link |
---|---|
US (1) | US10535131B2 (zh) |
JP (1) | JP6873129B2 (zh) |
KR (1) | KR102445535B1 (zh) |
CN (1) | CN108352063B (zh) |
IL (1) | IL258804B (zh) |
SG (1) | SG11201803667RA (zh) |
TW (1) | TWI699521B (zh) |
WO (1) | WO2017087571A1 (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109580632A (zh) * | 2018-11-23 | 2019-04-05 | 京东方科技集团股份有限公司 | 一种缺陷确定方法、装置及存储介质 |
CN111768357A (zh) * | 2019-03-29 | 2020-10-13 | 银河水滴科技(北京)有限公司 | 一种图像检测的方法及装置 |
CN114341933A (zh) * | 2019-09-24 | 2022-04-12 | 科磊股份有限公司 | 用于增强型缺陷检验灵敏度的以无监督学习为基础的参考选择 |
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 |
CN115777060A (zh) * | 2020-08-12 | 2023-03-10 | 科磊股份有限公司 | 用于光学目标搜索的光学图像对比度量 |
CN115876823A (zh) * | 2023-01-19 | 2023-03-31 | 合肥晶合集成电路股份有限公司 | 薄膜缺陷的检测方法、薄膜缺陷的检测装置及检测系统 |
Families Citing this family (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10186026B2 (en) * | 2015-11-17 | 2019-01-22 | Kla-Tencor Corp. | Single image detection |
EP3560375B1 (en) * | 2016-12-20 | 2023-08-16 | Shiseido Company, Ltd. | Application control device, application device, application control method, and recording medium |
US11151711B2 (en) * | 2018-06-06 | 2021-10-19 | Kla-Tencor Corporation | Cross layer common-unique analysis for nuisance filtering |
US11429806B2 (en) | 2018-11-09 | 2022-08-30 | Canon Virginia, Inc. | Devices, systems, and methods for anomaly detection |
US11474052B2 (en) | 2019-01-09 | 2022-10-18 | The Boeing Company | Real time additive manufacturing process inspection using x-ray emission and detection through a build chamber |
US11321846B2 (en) | 2019-03-28 | 2022-05-03 | Canon Virginia, Inc. | Devices, systems, and methods for topological normalization for anomaly detection |
US11416982B2 (en) | 2019-10-01 | 2022-08-16 | KLA Corp. | Controlling a process for inspection of a specimen |
US11127136B2 (en) * | 2019-12-05 | 2021-09-21 | Kla Corporation | System and method for defining flexible regions on a sample during inspection |
US11328435B2 (en) * | 2020-06-08 | 2022-05-10 | KLA Corp. | Image alignment setup for specimens with intra- and inter-specimen variations using unsupervised learning and adaptive database generation methods |
CN111986159B (zh) * | 2020-07-24 | 2024-02-27 | 苏州威华智能装备有限公司 | 太阳能电池片的电极缺陷检测方法、设备及存储介质 |
DE102020123979A1 (de) | 2020-09-15 | 2022-03-17 | Carl Zeiss Smt Gmbh | Defekterkennung für Halbleiterstrukturen auf einem Wafer |
CN112381799B (zh) * | 2020-11-16 | 2024-01-23 | 广东电网有限责任公司肇庆供电局 | 一种导线断股确认方法、装置、电子设备和计算机可读存储介质 |
CN113283279B (zh) * | 2021-01-25 | 2024-01-19 | 广东技术师范大学 | 一种基于深度学习的视频中多目标跟踪方法及装置 |
CN112819778B (zh) * | 2021-01-28 | 2022-04-12 | 中国空气动力研究与发展中心超高速空气动力研究所 | 一种航天材料损伤检测图像多目标全像素分割方法 |
US11922619B2 (en) | 2022-03-31 | 2024-03-05 | Kla Corporation | Context-based defect inspection |
US11921052B2 (en) | 2022-03-31 | 2024-03-05 | Kla Corporation | Inspection with previous step subtraction |
CN114723701B (zh) * | 2022-03-31 | 2023-04-18 | 厦门力和行自动化有限公司 | 基于计算机视觉的齿轮缺陷检测方法和系统 |
CN116152257B (zh) * | 2023-04-22 | 2023-06-27 | 拓普思传感器(太仓)有限公司 | 应用于传感器的检测信息优化方法、服务器及介质 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6539106B1 (en) * | 1999-01-08 | 2003-03-25 | Applied Materials, Inc. | Feature-based defect detection |
CN101251496A (zh) * | 2007-02-19 | 2008-08-27 | 奥林巴斯株式会社 | 缺陷检测装置和缺陷检测方法 |
US20080246860A1 (en) * | 2007-04-05 | 2008-10-09 | Canon Kabushiki Kaisha | Image processing apparatus, control method therefor, and program |
JP2010164487A (ja) * | 2009-01-16 | 2010-07-29 | Tokyo Seimitsu Co Ltd | 欠陥検査装置及び欠陥検査方法 |
US20100198389A1 (en) * | 2009-02-03 | 2010-08-05 | Qcept Technologies, Inc. | Patterned wafer inspection system using a non-vibrating contact potential difference sensor |
US20110274342A1 (en) * | 2008-12-25 | 2011-11-10 | Shunji Maeda | Defect inspection method and device thereof |
US20130163851A1 (en) * | 2011-12-21 | 2013-06-27 | Michele Dalla-Torre | System, method and computer program product for classification within inspection images |
CN103207183A (zh) * | 2011-12-28 | 2013-07-17 | 株式会社其恩斯 | 外观检查装置和外观检查方法 |
CN103424419A (zh) * | 2012-05-17 | 2013-12-04 | Fei公司 | 具有自适应扫描的扫描显微镜 |
US20130336573A1 (en) * | 2012-06-13 | 2013-12-19 | Applied Materials Israel Ltd. | Apparatus and method for defect detection including patch-to-patch comparisons |
US20140193065A1 (en) * | 2013-01-09 | 2014-07-10 | Kla-Tencor Corporation | Detecting Defects on a Wafer Using Template Image Matching |
CN104520983A (zh) * | 2012-06-27 | 2015-04-15 | 科磊股份有限公司 | 用于半导体制造中的检验的嵌入噪声中的缺陷的检测 |
CN104854677A (zh) * | 2012-10-15 | 2015-08-19 | 科磊股份有限公司 | 使用缺陷特定的信息检测晶片上的缺陷 |
Family Cites Families (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6154714A (en) | 1997-11-17 | 2000-11-28 | Heuristic Physics Laboratories | Method for using wafer navigation to reduce testing times of integrated circuit wafers |
US7135344B2 (en) | 2003-07-11 | 2006-11-14 | Applied Materials, Israel, Ltd. | Design-based monitoring |
US7676007B1 (en) | 2004-07-21 | 2010-03-09 | Jihoon Choi | System and method for interpolation based transmit beamforming for MIMO-OFDM with partial feedback |
US8041103B2 (en) | 2005-11-18 | 2011-10-18 | Kla-Tencor Technologies Corp. | Methods and systems for determining a position of inspection data in design data space |
US7676077B2 (en) | 2005-11-18 | 2010-03-09 | Kla-Tencor Technologies Corp. | Methods and systems for utilizing design data in combination with inspection data |
US7570796B2 (en) | 2005-11-18 | 2009-08-04 | Kla-Tencor Technologies Corp. | Methods and systems for utilizing design data in combination with inspection data |
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 |
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 |
JP2009186319A (ja) * | 2008-02-06 | 2009-08-20 | Fujitsu Microelectronics Ltd | 欠陥検査方法および欠陥検査装置 |
US8702566B2 (en) | 2008-12-23 | 2014-04-22 | Paul Mazzanobile | Speed and/or agility training devices and systems and methods for use thereof |
WO2010093733A2 (en) * | 2009-02-13 | 2010-08-19 | Kla-Tencor Corporation | Detecting defects on a wafer |
JP2013160629A (ja) * | 2012-02-06 | 2013-08-19 | Hitachi High-Technologies Corp | 欠陥検査方法、欠陥検査装置、プログラムおよび出力部 |
US8977035B2 (en) * | 2012-06-13 | 2015-03-10 | Applied Materials Israel, Ltd. | System, method and computer program product for detection of defects within inspection images |
US9222895B2 (en) | 2013-02-25 | 2015-12-29 | Kla-Tencor Corp. | Generalized virtual inspector |
TWI614569B (zh) * | 2013-04-01 | 2018-02-11 | 克萊譚克公司 | 偵測光罩中之缺陷之方法及系統 |
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 |
-
2016
- 2016-11-14 US US15/350,632 patent/US10535131B2/en active Active
- 2016-11-16 CN CN201680066077.6A patent/CN108352063B/zh active Active
- 2016-11-16 KR KR1020187017023A patent/KR102445535B1/ko active IP Right Grant
- 2016-11-16 SG SG11201803667RA patent/SG11201803667RA/en unknown
- 2016-11-16 JP JP2018525650A patent/JP6873129B2/ja active Active
- 2016-11-16 WO PCT/US2016/062355 patent/WO2017087571A1/en active Application Filing
- 2016-11-18 TW TW105137757A patent/TWI699521B/zh active
-
2018
- 2018-04-18 IL IL258804A patent/IL258804B/en active IP Right Grant
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6539106B1 (en) * | 1999-01-08 | 2003-03-25 | Applied Materials, Inc. | Feature-based defect detection |
CN101251496A (zh) * | 2007-02-19 | 2008-08-27 | 奥林巴斯株式会社 | 缺陷检测装置和缺陷检测方法 |
US20080246860A1 (en) * | 2007-04-05 | 2008-10-09 | Canon Kabushiki Kaisha | Image processing apparatus, control method therefor, and program |
US20110274342A1 (en) * | 2008-12-25 | 2011-11-10 | Shunji Maeda | Defect inspection method and device thereof |
JP2010164487A (ja) * | 2009-01-16 | 2010-07-29 | Tokyo Seimitsu Co Ltd | 欠陥検査装置及び欠陥検査方法 |
US20100198389A1 (en) * | 2009-02-03 | 2010-08-05 | Qcept Technologies, Inc. | Patterned wafer inspection system using a non-vibrating contact potential difference sensor |
US20130163851A1 (en) * | 2011-12-21 | 2013-06-27 | Michele Dalla-Torre | System, method and computer program product for classification within inspection images |
CN103207183A (zh) * | 2011-12-28 | 2013-07-17 | 株式会社其恩斯 | 外观检查装置和外观检查方法 |
CN103424419A (zh) * | 2012-05-17 | 2013-12-04 | Fei公司 | 具有自适应扫描的扫描显微镜 |
US20130336573A1 (en) * | 2012-06-13 | 2013-12-19 | Applied Materials Israel Ltd. | Apparatus and method for defect detection including patch-to-patch comparisons |
CN104520983A (zh) * | 2012-06-27 | 2015-04-15 | 科磊股份有限公司 | 用于半导体制造中的检验的嵌入噪声中的缺陷的检测 |
CN104854677A (zh) * | 2012-10-15 | 2015-08-19 | 科磊股份有限公司 | 使用缺陷特定的信息检测晶片上的缺陷 |
US20140193065A1 (en) * | 2013-01-09 | 2014-07-10 | Kla-Tencor Corporation | Detecting Defects on a Wafer Using Template Image Matching |
Non-Patent Citations (3)
Title |
---|
DU-MINGTSAI ET AL: "A quantile–quantile plot based pattern matching for defect detection", 《PATTERN RECOGNITION LETTERS》 * |
檀结庆等: "一种新的基于邻近像素点的图像修复算法", 《合肥工业大学学报(自然科学版)》 * |
郑嵘: "铸坯表面缺陷图像检测方法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109580632A (zh) * | 2018-11-23 | 2019-04-05 | 京东方科技集团股份有限公司 | 一种缺陷确定方法、装置及存储介质 |
CN109580632B (zh) * | 2018-11-23 | 2021-03-30 | 京东方科技集团股份有限公司 | 一种缺陷确定方法、装置及存储介质 |
CN111768357A (zh) * | 2019-03-29 | 2020-10-13 | 银河水滴科技(北京)有限公司 | 一种图像检测的方法及装置 |
CN111768357B (zh) * | 2019-03-29 | 2024-03-01 | 银河水滴科技(北京)有限公司 | 一种图像检测的方法及装置 |
CN114341933A (zh) * | 2019-09-24 | 2022-04-12 | 科磊股份有限公司 | 用于增强型缺陷检验灵敏度的以无监督学习为基础的参考选择 |
CN114341933B (zh) * | 2019-09-24 | 2023-01-31 | 科磊股份有限公司 | 用于增强型缺陷检验灵敏度的以无监督学习为基础的参考选择 |
CN115777060A (zh) * | 2020-08-12 | 2023-03-10 | 科磊股份有限公司 | 用于光学目标搜索的光学图像对比度量 |
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 |
CN115876823A (zh) * | 2023-01-19 | 2023-03-31 | 合肥晶合集成电路股份有限公司 | 薄膜缺陷的检测方法、薄膜缺陷的检测装置及检测系统 |
Also Published As
Publication number | Publication date |
---|---|
CN108352063B (zh) | 2022-03-25 |
JP6873129B2 (ja) | 2021-05-19 |
JP2019505089A (ja) | 2019-02-21 |
IL258804B (en) | 2021-04-29 |
IL258804A (en) | 2018-06-28 |
KR20180071404A (ko) | 2018-06-27 |
TW201728892A (zh) | 2017-08-16 |
US10535131B2 (en) | 2020-01-14 |
TWI699521B (zh) | 2020-07-21 |
KR102445535B1 (ko) | 2022-09-20 |
SG11201803667RA (en) | 2018-06-28 |
US20170140516A1 (en) | 2017-05-18 |
WO2017087571A1 (en) | 2017-05-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108352063A (zh) | 用于区域自适应缺陷检测的系统及方法 | |
US10018571B2 (en) | System and method for dynamic care area generation on an inspection tool | |
JP7169402B2 (ja) | 検査ツールへのダイナミックケアエリア生成システムおよび方法 | |
JP6807844B2 (ja) | ビルトインターゲットを用いた検査対デザイン位置揃え | |
TWI594070B (zh) | 用於檢驗極紫外線光光罩之裝置及方法 | |
JP6629934B2 (ja) | 試験方策を生成する方法およびそのシステム | |
TWI515813B (zh) | Charged particle - ray device | |
US11010886B2 (en) | Systems and methods for automatic correction of drift between inspection and design for massive pattern searching | |
KR20170132841A (ko) | 패터닝된 웨이퍼들 상의 결함들의 서브-픽셀 및 서브-해상도 로컬리제이션 | |
CN106537125A (zh) | 具有多种模式的虚拟检验系统 | |
WO2011068056A1 (ja) | 欠陥検査方法及び欠陥検査装置 | |
US20070286473A1 (en) | Methods and Systems for Detecting Defects on a Specimen Using a Combination of Bright Field Channel Data and Dark Field Channel Data | |
KR20160007630A (ko) | 레티클들을 검사하기 위한 머신 학습 방법 및 장치 | |
US6642726B2 (en) | Apparatus and methods for reliable and efficient detection of voltage contrast defects | |
KR20140141648A (ko) | 체계적 결함 필터를 갖는 레티클 결함 검사 | |
KR102102019B1 (ko) | 포토마스크 결함의 변화 모니터링 | |
JP3802716B2 (ja) | 試料の検査方法及びその装置 | |
CN107533103A (zh) | 在逻辑芯片中基于电压对比的错误及缺陷推导 | |
TW202044097A (zh) | 用於測試影像與設計對準之設計檔案選擇 | |
US10276346B1 (en) | Particle beam inspector with independently-controllable beams | |
TWI683997B (zh) | 用於在檢測工具上之動態看護區域產生的系統及方法 | |
JP2004260193A (ja) | 回路パターンの検査方法及び検査装置 |
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 |