CN109813717A - 缺陷检查方法 - Google Patents

缺陷检查方法 Download PDF

Info

Publication number
CN109813717A
CN109813717A CN201810564614.0A CN201810564614A CN109813717A CN 109813717 A CN109813717 A CN 109813717A CN 201810564614 A CN201810564614 A CN 201810564614A CN 109813717 A CN109813717 A CN 109813717A
Authority
CN
China
Prior art keywords
image
defect
candidate
candidate defect
decision tree
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.)
Pending
Application number
CN201810564614.0A
Other languages
English (en)
Inventor
陈建辉
钟弘毅
洪肇廷
李正匡
陈晓萌
许登程
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.)
Taiwan Semiconductor Manufacturing Co TSMC Ltd
Original Assignee
Taiwan Semiconductor Manufacturing Co TSMC Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Taiwan Semiconductor Manufacturing Co TSMC Ltd filed Critical Taiwan Semiconductor Manufacturing Co TSMC Ltd
Publication of CN109813717A publication Critical patent/CN109813717A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
    • G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
    • G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
    • G03F7/70—Microphotolithographic exposure; Apparatus therefor
    • G03F7/70483—Information management; Active and passive control; Testing; Wafer monitoring, e.g. pattern monitoring
    • G03F7/70605—Workpiece metrology
    • G03F7/70616—Monitoring the printed patterns
    • G03F7/7065—Defects, e.g. optical inspection of patterned layer for defects
    • 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
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • G01N21/9501—Semiconductor wafers
    • G—PHYSICS
    • 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
    • H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
    • H01J37/00—Discharge tubes with provision for introducing objects or material to be exposed to the discharge, e.g. for the purpose of examination or processing thereof
    • H01J37/26—Electron or ion microscopes; Electron or ion diffraction tubes
    • H01J37/28—Electron or ion microscopes; Electron or ion diffraction tubes with scanning beams
    • 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
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8854—Grading and classifying of flaws
    • 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
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8854—Grading and classifying of flaws
    • G01N2021/8867—Grading and classifying of flaws using sequentially two or more inspection runs, e.g. coarse and fine, or detecting then analysing
    • 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
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8883—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges involving the calculation of gauges, generating models
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • G01N21/956—Inspecting patterns on the surface of objects
    • 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
    • G06T2207/20076—Probabilistic image processing
    • 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

  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • Theoretical Computer Science (AREA)
  • Signal Processing (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
  • Image Analysis (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)

Abstract

本发明提供一种缺陷检查方法。在此方法中，从通过在至少一个晶片上执行热扫描的至少一个光学检查工具获得的检查图像中获取多个候选缺陷图像，且从检查图像提取多个属性。创建包含用于对候选缺陷图像进行分类的多个决策树的随机森林分类器，其中决策树是以属性和候选缺陷图像的不同子集来建构。在运行期间从光学检查工具获取多个候选缺陷图像并将其应用于决策树，且根据其中过滤出扰乱图像的决策树的投票来将候选缺陷图像分类成扰乱图像和实际缺陷图像。对具有超过置信度值的投票的实际缺陷图像进行取样以用于微观审查。藉此，可改进扰乱过滤的效率。

Description

缺陷检查方法
技术领域
本发明的实施例是有关于一种缺陷检查方法，且特别是有关于一种电子设备的缺陷检查方法。
背景技术
在现代半导体装置的制造工艺中，操纵各种材料和机器以产生最终产品。制造商致力于在处理期间减少粒子污染从而改进产品良率(yield)。由于半导体装置增加的复杂性和超小型晶体管的发展，进一步增进了对缺陷检测和控制的需求。
对半成品的检查常常在制作期间通过使用光学检查工具来执行以便即时找到缺陷。光学检查工具可分析所扫描图像以识别缺陷类型且定位晶片上的缺陷，从而辅助操作人员评估并校正导致缺陷的制造工艺。
为了检测子设计规则缺陷，光学检查工具在极高敏感度下运行，从而引起极高扰乱率(nuisance rate)。过滤出扰乱的当前解决方案是基于决策树，且依赖于有经验的操作人员人工地探索特征空间且微调树切割(tree cut)，这消耗相当多的时间和劳力。
发明内容
本发明实施例提供一种缺陷检查方法，适用于电子设备，其特征在于，包括：从通过在至少一个晶片上执行热扫描的至少一个光学检查工具获得的多个检查图像中获取多个候选缺陷图像，且从所述检查图像提取多个属性；创建包含用于对所述候选缺陷图像进行分类的多个决策树的随机森林分类器，其中所述决策树是以所述属性和所述候选缺陷图像的不同子集建构；在运行期间从所述至少一个光学检查工具中的一个获取多个候选缺陷图像；将所述候选缺陷图像应用于所述随机森林分类器中的所述决策树，根据所述决策树的投票将所述候选缺陷图像分类成扰乱图像和实际缺陷图像，且从所述候选缺陷图像过滤出所述扰乱图像；以及对具有超过置信度值的所述投票的所述实际缺陷图像进行取样以用于微观审查。
附图说明
当结合附图阅读时，从以下详细描述最好地理解本揭露内容的各方面。应注意，根据行业中的标准惯例，各种特征未按比例绘制。实际上，为了论述清楚起见，可任意增大或减小各种特征的尺寸。
图1说明根据本揭露内容的实施例的缺陷检查系统的示意性方块图；
图2说明根据本揭露内容的实施例的说明对缺陷图像的过滤和分类的示意图；
图3是根据本揭露内容的实施例的说明缺陷检查方法的流程图；
图4是根据本揭露内容的实施例的说明波纹(rippleness)的提取的示意图；
图5是根据本揭露内容的实施例的说明随机森林分类的示意图；
图6A是根据本揭露内容的实施例的说明通过使用置信度值(confidence value)对缺陷和扰乱进行分类的曲线图；
图6B是根据本揭露内容的实施例的说明缺陷和扰乱相对于投票(vote)的分布的缺陷投票直方图；
图7是根据本揭露内容的实施例的说明两阶段过滤的示意图；
图8是根据本揭露内容的实施例的说明缺陷检查方法的示意图；
图9A是根据本揭露内容的实施例的说明候选缺陷图像的群集的示意图；
图9B是根据本揭露内容的实施例的说明异常检测和分集取样的示意图；
图10是根据本揭露内容的实施例的说明在监督学习和无监督学习中找到的缺陷类型的群体的示意图；
附图标号说明：
21、22、23、24、25、26、27、41、42、43、45、92：图像；
44、imgs：候选缺陷图像；
62：曲线图；
64：缺陷投票直方图；
94、96：分布图；
100：缺陷检查系统；
102：已知类型；
104：缺陷类型；
104a、104b：区域；
110：第一连接装置；
120：存储媒体；
130：第二连接装置；
140：处理器；
200：光学检查工具；
300：缺陷审查工具；
510：候选缺陷图像实例；
520：随机森林分类器；
530：投票；
540：最终类别；
S302、S304、S306、S308、S310、S802、S804、S806、S808、S810、S812、S814、S816：步骤；
T1、T2、Tn：决策树/树；
C1、C2：决策边界；
D1、D2：置信度值；
DOIs：所关注的缺陷的图像；
grp 1、grp 2、grp 3、grp 4：群组；
P1、P2、P3：样本。
具体实施方式
以下揭露内容提供用于实施所提供主题的不同特征的许多不同实施例或实例。下文描述组件和布置的特定实例以简化本揭露内容。当然，这些组件和布置仅是实例且并不意欲为限制性的。举例来说，在以下描述中，第一特征在第二特征上方或上的形成可包含第一特征和第二特征直接接触地形成的实施例，且还可包含额外特征可形成于第一特征与第二特征之间以使得第一特征和第二特征可不直接接触的实施例。此外，本揭露内容可在各种实例中重复参考标号和/或字母。这种重复是出于简化和清楚的目的，且本身并不指示所论述的各种实施例和/或配置之间的关系。
此外，为易于描述，如“在…下方”、“在…下”、“下部”、“在…上方”、“上部”等的空间相对术语可在本文中用于描述如图式中所说明的一个元件或特征与另一(一些)元件或特征的关系。除图式中所描绘的定向以外，空间相关术语意欲包涵装置在使用或操作中的不同定向。设备可以其它方式定向(旋转90度或处于其它定向)，且本文中所使用的空间相对描述词同样可相应地进行解释。
图1说明根据本揭露内容的实施例的缺陷检查系统的示意性方块图。图2说明根据本揭露内容的实施例的说明对缺陷图像的过滤和分类的示意图。参看图1，缺陷检查系统100包含第一连接装置110、第二连接装置130、存储媒体120以及连接到第一连接装置110、第二连接装置130和存储媒体120的处理器140。
在一些实施例中，缺陷检查系统100外部连接到至少一个光学检查工具(本实施例中是以光学检查工具200为例)且配置成通过第一连接装置110从光学检查工具200获取候选缺陷图像imgs(例如图2中展示的图像21到图像27)，其中光学检查工具200配置成在至少一个晶片上执行热扫描。缺陷检查系统100配置成分析所获取候选缺陷图像imgs以过滤出扰乱图像。在另一方面，缺陷检查系统100连接到缺陷审查工具300，且配置成在过滤之后对剩余的候选缺陷图像进行取样并将所取样候选缺陷图像(例如图2中展示的图像23、图像25以及图像27)发送到缺陷审查工具300以用于微观审查从而校验实际缺陷和扰乱。缺陷审查工具300是例如为高分辨率扫描电子显微镜(scanning electron microscope，SEM)审查工具或基于激光的缺陷审查工具，但本揭露内容不限于此。
在一些实施例中，缺陷检查系统100可设置或嵌入于光学检查工具200中，这在本文中不受限制。缺陷检查系统100、光学检查工具200以及缺陷审查工具300将详细地描述于以下描述中。
第一连接装置110配置成连接到光学检查工具200以从通过光学检查工具200获得的多个检查图像中获取候选缺陷图像imgs。第一连接装置是例如为与光学检查工具200相容的任何有线或无线接口，如USB、火线、雷电接口(thunderbolt)、通用异步接收发送设备(universal asynchronous receiver/transmitter，UART)、串行外围接口(serialperipheral interface，SPI)、WiFi或蓝牙，这在本文中不受限制。
第二连接装置130配置成连接到缺陷审查工具300以将所取样候选缺陷图像发送到缺陷审查工具300以用于微观审查。第二连接装置130是例如为与缺陷审查工具300相容的任何有线或无线接口，如USB、火线、雷电接口、UART、SPI、WiFi或蓝牙，这在本文中不受限制。
存储媒体120配置成存储通过第一连接装置110获取的候选缺陷图像。来自光学检查工具200的候选缺陷图像占用大量的存储器存储，因此存储媒体120是例如为海量存储装置(mass storage device)、独立磁盘冗余阵列(redundant array of independentdisks，RAID)、其它类似存储装置或其具有高存储能力的组合，但本揭露内容不限于此。
处理器140配置成执行指令以实施本揭露内容的实施例的缺陷检查方法。处理器140是例如为中央处理单元(central processing unit，CPU)、其它可编程通用或专用微处理器、数字信号处理器(digital signal processor，DSP)、可编程控制器、专用集成电路(application specific integrated circuit，ASIC)、可编程逻辑装置(programmablelogic device，PLD)、其它类似装置或其组合，但本揭露内容不限于此。
缺陷检查系统100适用于实施根据本揭露内容的一些实施例的缺陷检查方法。详细地说，图3是根据本揭露内容的实施例的说明缺陷检查方法的流程图。
参看图3，在步骤S302中，缺陷检查系统100的处理器140从通过在至少一个晶片上执行热扫描的至少一个光学检查工具200获得的多个检查图像中获取多个候选缺陷图像，且从检查图像提取多个属性。在一些实施例中，在光学检查工具200中对晶片的光学检查的灵敏度可设定成高的，且检测算法可将光学检查工具200的光学器件的输出(即检查图像)与设定成低的阈值进行比较，进而使光学检查工具200的灵敏度呈现为极高。
当获取候选缺陷图像时，处理器140进一步从检查图像提取属性。在一些实施例中，属性可包含从检查图像提取的属性，如波纹、参考强度、光学检查工具的工具ID或晶片中的区域的区域ID。在一些实施例中，属性可进一步包含由光学检查工具200提供的内嵌属性，如缺陷量值、缺陷面积或极性。基于对缺陷图像的观测，发现缺陷通常具有类似于波纹的图案，以使得通过计算候选缺陷图像与波纹图像之间的波纹(rippleness)和将波纹导入到分类器中作为训练因子，分类器的稳健性可增强。类似地，由于由相同光学缺陷工具产生和/或来自晶片中的相同区域的缺陷图像可具有类似图像特性，如亮度或对比度，所以通过将工具ID和区域ID导入到分类器中作为训练因子，分类器的稳健性也可增强。
举例来说，图4是根据本揭露内容的实施例的说明波纹的提取的示意图。参看图4，预先产生多个波纹图像(例如图像41到图像43)且用于训练深度学习模型，如卷积神经网络(convolutional neural network，CNN)。CNN包含输入层、输出层和包含卷积层的多个隐蔽层、池化层(pooling layer)等。每当获取到候选缺陷图像44，即将候选缺陷图像44用作CNN的输入，且将卷积操作应用于候选缺陷图像44以获得卷积结果(例如图像45)。另外，最大池化应用于将图像45分割为一组不重叠矩形，且最后，各子区域中的最大值作为波纹输出。
回到图3中的流程，在步骤S304中，处理器140创建包含用于对候选缺陷图像进行分类的多个决策树的随机森林分类器(random forest classifier)，其中决策树是以属性和候选缺陷图像的不同子集建构而成。详细地说，随机森林是一种分类的集成学习方法，所述集成学习方法通过在训练时构建多个决策树和基于决策树的投票(vote)输出最终类别来运作。在一些实施例中，随机森林分类器建构有500个决策树且每一个决策树是以随机选择的10个属性建构。此外，随机森林分类器中的每一个决策树利用随机选择的候选缺陷图像的一部分(例如三分之二)来训练，且利用候选缺陷图像的另一部分(例如三分之一)来检验决策树的性能是否稳定。
举例来说，图5是根据本揭露内容的实施例的说明随机森林分类的示意图。参看图5，在前述实施例中获取的候选缺陷图像实例510用作随机森林分类器520的多个决策树T1到决策树Tn(n是大于1的整数)的输入，其中决策树T1到决策树Tn是以如上文所描述的属性的不同子集来建构，且输出从预定类别中确定的类别(例如由树T1输出的类别A，由树T2输出的类别B，以及由树Tn输出的类别B)。由决策树T1到决策树Tn投票的类别包含例如为缺陷、杀手缺陷(killer defect)以及扰乱，但本揭露内容不限于此。在决策树T1到决策树Tn的输出端上进一步执行投票530，且确定具有最高投票的最终类别540。
在运行期间(runtime)(例如缺陷检查系统在需要检测的晶片上执行缺陷检查的期间)，在步骤S306中，处理器140从光学检查工具200中的一个获取多个候选缺陷图像，且接着在步骤S308中，将候选缺陷图像应用于随机森林分类器中的决策树，根据决策树的投票将候选缺陷图像分类为扰乱图像和实际缺陷图像，且从候选缺陷图像过滤出扰乱图像。
在一些实施例中，充当与决策树的投票相比较的阈值的各种置信度值(confidence value)用于确定用于对候选缺陷图像进行分类的决策边界。在一些实施例中，两个置信度值用于确定用于将候选缺陷图像分类为高置信度缺陷、边缘缺陷和扰乱的两个决策边界。详细地说，将具有高于或等于第一置信度值的投票的候选缺陷图像分类为高置信度缺陷的图像，将具有低于第一置信度值且高于或等于第二置信度值的投票的候选缺陷图像分类为边缘缺陷的图像，且将具有低于第二置信度值的投票的候选缺陷图像分类为扰乱图像，其中第一置信度值高于第二置信度值。
举例来说，图6A是根据本揭露内容的实施例的说明通过使用置信度值对缺陷和扰乱进行分类的曲线图，且图6B是根据本揭露内容的实施例的说明缺陷和扰乱相对于投票的分布的缺陷投票直方图。
参看图6A，假设缺陷和扰乱分布于曲线图62中展示的特征空间中，缺陷和扰乱根据两个置信度值D1和置信度值D2(例如D1是250，且D2是10)通过两个决策边界C1和决策边界C2分隔成三个区。也就是说，将具有高于或等于D1的投票的候选缺陷图像分类为缺陷，且将具有低于D2的投票的候选缺陷图像分类为扰乱。此外，将具有低于D1且高于或等于D2的投票的候选缺陷图像分类为边缘缺陷。
因此，决策边界C2用作扰乱切割(nuisance cut)，以在不丢失缺陷的情况下过滤出候选缺陷图像中的扰乱，且决策边界C1用作置信度边限以保持高置信度缺陷以用于审查。决策边界C1将剩余特征空间分隔为实际缺陷区(具有极大缺陷和极少扰乱)和边缘缺陷区(具有极少缺陷和极大扰乱)。
参看图6B，缺陷投票直方图64中的各条柱描绘缺陷计数以及具有包含杀手缺陷、(普通)缺陷、扰乱以及PT扰乱各种类型的缺陷与扰乱的分布，且决策边界C1位于具有250个投票的条柱处。参看决策边界C1的右方的条柱，可以观察到，随着投票增加，缺陷图像中的实际缺陷的比例增加，且在具有高投票的缺陷图像内可发现杀手缺陷，而在具有高于250的投票的缺陷图像内发现较少扰乱。
在一些实施例中，边缘缺陷区内的候选缺陷图像可进一步用于纯度控制。详细地说，将高置信度缺陷的图像(即实际缺陷区内的图像)应用于微观审查，从而校验高置信度缺陷的图像中的实际缺陷图像。在另一方面，边缘缺陷的图像(即边缘缺陷区内的图像)以取样速率来取样，且将所取样的边缘缺陷的图像应用于微观审查，从而校验边缘缺陷的图像中的实际缺陷图像。最后，缺陷计数可通过将高置信度缺陷的图像中的多个所校验实际缺陷图像添加到边缘缺陷的图像中的实际缺陷图像的总数来估计，其中边缘缺陷的图像中的实际缺陷图像的总数通过用取样速率除边缘缺陷的图像中的所校验实际缺陷图像的数量来推导。
回到图3中的流程，在步骤S310中，处理器140对具有超过置信度值的投票的实际缺陷图像进行取样，且将所取样实际缺陷图像发送到缺陷审查工具300以用于微观审查。
在一些实施例中，在实际缺陷图像经由步骤S310中的微观审查来取样或校验之后，处理器140可回到步骤S306以从在另一晶片上执行热扫描的光学检查工具200中的另一个获取多个候选缺陷图像，且重复步骤S308和步骤S310以对另一晶片执行缺陷检查。
基于上述，由于用于过滤扰乱的扰乱切割和用于发现实际缺陷的置信度边限自动地从随机森林标识符(random forest identifier)的投票中导出，所以过滤扰乱所消耗的劳力和时间可减少。此外，通过过滤出扰乱图像而保持用于微观审查的高置信度缺陷图像，缺陷审查工具的效率可提高。
在一些实施例中，由于大量扰乱，对候选缺陷图像的检查可划分为多个阶段，且特异性针对不同对象的不同分类器(例如不同缺陷类型或不同扰乱类型)分别在不同阶段中创建从而改进扰乱过滤的效率。
详细地说，图7是根据本揭露内容的实施例的说明两阶段过滤的示意图。如图7中所展示，缺陷检查划分为阶段1和阶段2，其中创建包含以属性的第一子集建构的多个第一决策树的第一随机森林分类器，且创建包含以属性的第二子集建构的多个第二决策树的第二随机森林分类器，所述属性的第二子集具有比所述属性的第一子集的决策边界复杂度更高的决策边界复杂度。
详细地说，当获取包含缺陷图像和扰乱图像的所关注的缺陷的图像(images ofdefects of interest，DOIs)(例如，具有十万的量)时，在阶段1中，将那些DOIs应用于第一随机森林分类器中的第一决策树，且根据第一决策树对DOIs的投票过滤出扰乱图像。在阶段2中，将过滤后的剩余DOIs应用于第二随机森林分类器中的第二决策树。
由于第一决策树是以具有较小决策边界复杂度的属性建构，所以可过滤出大多数(例如，数万)普通扰乱图像而保持阶段1中的实际缺陷图像。接着将过滤后的剩余DOIs(具有数千的量)应用于建构有较高决策边界复杂度的第二决策树。其结果是，可进一步识别且小心地过滤出扰乱图像。最后，对具有超过置信度值的投票的剩余DOIs进行取样且将其发送到缺陷审查工具以用于微观审查。
通过以上描述的方法，由于在阶段1中过滤出大多数的普通扰乱图像，所以利用明显扰乱训练的分类器可应用于识别和过滤出大多数的扰乱。其结果是，可改进扰乱过滤的效率。
在一些实施例中，通过无监督学习由光学检查工具200发现的缺陷可进一步用于校验如前述实施例中所描述的由缺陷检查系统100发现的缺陷，以使得可观测到新的缺陷类型且可更新分类器以覆盖所有缺陷类型。
详细地说，图8是根据本揭露内容的实施例的说明缺陷检查方法的示意图。参看图8，缺陷检查系统100以及光学检查工具200适用于实施根据本揭露内容的一些实施例的缺陷检查方法。
在步骤S802中，光学检查工具200在至少一个晶片上执行热扫描以产生多个检查图像。在步骤S804中，光学检查工具200对从检查图像获取的候选缺陷图像执行无监督学习。详细地说，类似类型的缺陷倾向于在特征空间中形成群集，且各群集中的最强样本或偏离群集质心(即离群值)的样本具有较高成为实际缺陷的可能性。
举例来说，图9A是根据本揭露内容的实施例的说明候选缺陷图像的群集的示意图，且图9B是根据本揭露的实施例的说明异常检测和分集取样的示意图。
参看图9A，分别表示候选缺陷图像(例如图像92)的样本分布于如分布图94中所展示的特征空间中，且通过使用群集算法分群为如分布图96中展示的多个群组(例如群组grp1和群组grp 2)。
参看图9B，在异常检测中，计算群组(例如群组grp 1、群组grp 2、群组grp 3和群组grp 4)质心的位置，且分别计算样本远离附近群组质心的距离。离群集质心越远的样本(例如样本P1、样本P2和样本P3)、孤立样本和小群集中的样本被检测为异常且对应候选缺陷图像确定为实际缺陷图像。
在另一方面，在分集取样中，每个群组中一些属性排列在前的一或多个样本可代表该群组，且将对应的候选缺陷图像发送到缺陷审查工具300以用于微观审查。如果样本的对应候选缺陷图像被校验为实际缺陷图像，那么该样本在相同群组中的所有候选缺陷图像可确定为实际缺陷图像。否则，该样本在相同群组中的候选缺陷图像确定为扰乱图像。
回到图8中的流程，在步骤S806中，缺陷检查系统100的处理器140从通过在至少一个晶片上执行热扫描的至少一个光学检查工具200获得的多个检查图像中获取多个候选缺陷图像，且从检查图像提取多个属性。在步骤S808中，处理器140创建包含用于对候选缺陷图像进行分类的多个决策树的随机森林分类器(即如图8中所展示的分类器)，其中决策树是以属性和候选缺陷图像的不同子集建构。前述步骤S806到步骤S808与前述实施例中的步骤S302到步骤S304类似或相同，且因此本文中并不重复关于其的详细内容。
在运行期间，在步骤S810中，处理器140从光学检查工具200中的一个获取多个候选缺陷图像，且接着将候选缺陷图像应用于随机森林分类器中的决策树，根据决策树的投票将候选缺陷图像分类为扰乱图像和实际缺陷图像，且从候选缺陷图像过滤出扰乱图像。实际缺陷图像中的每一个的缺陷置信度通过将决策树的投票与置信度值进行比较从而对具有超过置信度值的投票的实际缺陷图像(包含杀手缺陷图像)进行取样来确定。
在步骤S812中，处理器140将具有超过置信度值的投票的所取样实际缺陷图像与无监督学习中的取样(即所取样候选缺陷图像)组合为实际缺陷图像的并集。接着通过第二连接装置130将实际缺陷图像的并集发送到缺陷审查工具300以用于微观审查。
在一些实施例中，由于制程改变，未见于训练晶片中的新的缺陷类型可能出现。由于由缺陷检查系统100训练的分类器是基于训练晶片，所以新的缺陷类型可能无法由那些分类器识别而被视为丢失缺陷类型。因此，在本实施例中，进一步执行与来自光学检查工具200的通过无监督学习获得的缺陷图像的并集，以确保缺陷类型覆盖和捕捉新晶片中的新的缺陷类型。并集还可用于检验由缺陷检查系统100训练的分类器的健康状况。
在步骤S814中，缺陷审查工具300执行例如扫描电子显微镜(SEM)对由缺陷检查系统100提供的实际缺陷图像的并集的审查从而校验实际缺陷图像的并集中的实际缺陷和扰乱。
因此，在步骤S816中，处理器140确定在微观审查中是否观测到新的缺陷类型，且进行到利用从无监督学习获得的候选缺陷图像通过重新训练随机森林分类器中的决策树来更新如在步骤S808中训练的随机森林分类器。
详细地说，根据由缺陷审查工具300输出的审查结果，处理器140可获得在对实际缺陷图像的并集的微观审查中由缺陷审查工具300识别的缺陷类型，且将所述缺陷类型与在随机森林分类器的训练中发现的已知的缺陷类型进行比较从而发现新的缺陷类型。
举例来说，图10是根据本揭露内容的实施例的说明在监督学习和无监督学习中找到的缺陷类型的群体的示意图。参看图10，已知类型102表示在监督学习中由分类器发现的缺陷类型，且缺陷类型104表示在分集取样(即无监督学习)中发现的缺陷类型，其中区域104a中的缺陷类型表示与已知类型102的共同类型，而区域104b中的缺陷类型表示在学习过程中首次识别的丢失类型。
在一些实施例中，处理器140可在客制化的用户界面上显示说明所有所识别缺陷类型的计数的图形以供操作人员审查和标记新的缺陷类型从而通知操作人员更新分类器，且进行到在接收到操作人员的指令后更新分类器。在一些实施例中，处理器140可通过用分集取样中发现的缺陷类型(例如缺陷类型104)的总数除丢失类型(例如区域104b中的缺陷类型)的计数来计算缺陷丢失率，且只要计算出的缺陷丢失率超过预定阈值，那么自动地进行到更新分类器。在一些实施例中，处理器140可经由声音、电话、电子邮件、或即时讯息来触发健康警报以通知操作人员检验制造工艺的工作程序且校正可导致缺陷的制造工艺。
根据一些实施例，提供适用于电子设备的缺陷检查方法。在方法中，从通过在至少一个晶片上执行热扫描的至少一个光学检查工具获得的多个检查图像中获取多个候选缺陷图像，且从检查图像提取多个属性。创建包含用于对候选缺陷图像进行分类的多个决策树的随机森林分类器，其中决策树是以属性和候选缺陷图像的不同子集建构。在运行期间从至少一个光学检查工具中的一个获取多个候选缺陷图像，且将多个候选缺陷图像应用于随机森林分类器中的决策树。根据决策树的投票将候选缺陷图像分类成扰乱图像和实际缺陷图像，且从候选缺陷图像过滤出扰乱图像。对具有超过置信度值的投票的实际缺陷图像进行取样以用于微观审查。
在相关实施例中，在运行期间从所述光学检查工具中的一个获取所述多个候选缺陷图像之后，所述方法进一步包括：将所述候选缺陷图像应用于第一随机森林分类器中的多个第一决策树，且根据所述第一决策树对所述候选缺陷图像的投票来过滤出所述扰乱图像；以及将过滤后的所述候选缺陷图像的剩余部分应用于第二随机森林分类器中的多个第二决策树，且根据所述第二决策树对所述候选缺陷图像的所述剩余部分的投票来过滤出所述扰乱图像，其中所述第一决策树中的每一个是以所述属性的第一子集建构，且所述第二决策树中的每一个是以所述属性的第二子集建构，所述属性的所述第二子集具有比所述属性的所述第一子集的决策边界复杂度更高的决策边界复杂度。
在相关实施例中，根据所述决策树的所述投票将所述候选缺陷图像分类成所述扰乱图像和所述实际缺陷图像包括：将具有高于或等于第一置信度值的所述投票的所述候选缺陷图像分类为高置信度缺陷的图像；将具有低于所述第一置信度值且高于或等于第二置信度值的所述投票的所述候选缺陷图像分类为边缘缺陷的图像；以及将具有低于所述第二置信度值的所述投票的所述候选缺陷图像分类为所述扰乱图像，其中所述第一置信度值高于所述第二置信度值。
在相关实施例中，所述的缺陷检查方法，进一步包括：将高置信度缺陷的所述图像应用于所述微观审查以校验高置信度缺陷的所述图像中的所述实际缺陷图像；以取样速率对边缘缺陷的所述图像进行取样，且将所取样的边缘缺陷的图像应用于所述微观审查以校验边缘缺陷的所述图像中的所述实际缺陷图像；通过将高置信度缺陷的所述图像中的多个所校验实际缺陷图像添加到边缘缺陷的所述图像中的所述实际缺陷图像的总数来估计缺陷计数，其中边缘缺陷的所述图像中的所述实际缺陷图像的总数通过用所述取样速率除边缘缺陷的所述图像中的所校验实际缺陷图像的数量来推导。
在相关实施例中，所述的缺陷检查方法，进一步包括：将所述候选缺陷图像群集为多个群组；在所述群组上执行无监督学习以对所述候选缺陷图像进行取样，其中所述无监督学习包括异常检测或分集取样；将具有超过所述置信度值的所述投票的所取样实际缺陷图像与所述无监督学习中的所取样候选缺陷图像进行组合以用于所述微观审查。
在相关实施例中，在将具有超过所述置信度值的所述投票的所述所取样实际缺陷图像与所述无监督学习中的所述所取样候选缺陷图像进行组合以用于所述微观审查之后，所述方法进一步包括：确定在所述微观审查中是否观测到新的缺陷类型；以及若找到所述新的缺陷类型，利用所述无监督学习中的所述候选缺陷图像通过重新训练所述随机森林分类器中的所述决策树来更新所述随机森林分类器。
在相关实施例中，在对具有超过所述置信度值的所述投票的所述实际缺陷图像进行取样以用于所述微观审查的步骤之后，所述方法进一步包括反复地执行获取步骤、分类步骤以及取样步骤，从而在另一晶片上执行缺陷检查。
在相关实施例中，所述属性包括波纹、所述光学检查工具的工具ID以及所述晶片中的区域的区域ID。
根据一些实施例，缺陷检查系统包含：第一连接装置，配置成连接至少一个光学检查工具；第二连接装置，配置成连接缺陷审查工具；存储媒体，配置成存储通过第一连接装置获取的候选缺陷图像；以及处理器，连接到第一连接装置、第二连接装置以及存储媒体。处理器配置成执行指令以执行以下步骤：通过使用第一连接装置从通过在至少一个晶片上执行热扫描至少一个光学检查工具获得的多个检查图像中获取多个候选缺陷图像，且从检查图像提取多个属性；创建包含用于对候选缺陷图像进行分类的多个决策树的随机森林分类器，其中决策树是以属性和候选缺陷图像的不同子集建构；通过使用第一连接装置在运行期间从至少一个光学检查工具中的一个获取多个候选缺陷图像；将候选缺陷图像应用于随机森林分类器中的决策树，根据决策树的投票将候选缺陷图像分类成扰乱图像和实际缺陷图像，从候选缺陷图像过滤出扰乱图像；以及对具有超过置信度值的投票的实际缺陷图像进行取样，且通过使用第二连接装置将实际缺陷图像发送到缺陷审查工具以用于微观审查。
在相关实施例中，所述处理器包括：将所述候选缺陷图像应用于第一随机森林分类器中的多个第一决策树，且根据所述第一决策树对所述候选缺陷图像的投票来过滤出所述扰乱图像；以及将过滤后的所述候选缺陷图像的剩余部分应用于第二随机森林分类器中的多个第二决策树，且根据所述第二决策树对所述候选缺陷图像的剩余部分的投票来过滤出所述扰乱图像，其中所述第一决策树中的每一个建构有所述属性的第一子集，且所述第二决策树中的每一个建构有所述属性的第二子集，所述属性的所述第二子集具有比所述属性的所述第一子集的决策边界复杂度更高的决策边界复杂度。
在相关实施例中，所述处理器包括：将具有高于或等于第一置信度值的所述投票的所述候选缺陷图像分类为高置信度缺陷的图像；将具有低于所述第一置信度值且高于或等于第二置信度值的所述投票的所述候选缺陷图像分类为边缘缺陷的图像；以及将具有低于所述第二置信度值的所述投票的所述候选缺陷图像分类为所述扰乱图像，其中所述第一置信度值高于所述第二置信度值。
在相关实施例中，所述处理器进一步包括：将高置信度缺陷的所述图像应用于所述微观审查以校验高置信度缺陷的所述图像中的所述实际缺陷图像；以取样速率对边缘缺陷的所述图像进行取样，且将所取样的边缘缺陷的图像应用于所述微观审查以校验边缘缺陷的所述图像中的所述实际缺陷图像；通过将高置信度缺陷的所述图像中的多个所校验实际缺陷图像添加到边缘缺陷的所述图像中的所述实际缺陷图像的总数来估计缺陷计数，其中边缘缺陷的所述图像中的所述实际缺陷图像的所述总数通过用所述取样速率除边缘缺陷的所述图像中的所述所校验实际缺陷图像的数量来推导。
在相关实施例中，所述处理器进一步包括：将所述候选缺陷图像群集为多个群组；在所述群组上执行无监督学习以对所述候选缺陷图像进行取样；以及将具有超过所述置信度值的所述投票的所述所取样实际缺陷图像与所述无监督学习中的所取样候选缺陷图像进行组合以用于所述微观审查，其中所述无监督学习包括异常检测或分集取样。
在相关实施例中，所述处理器进一步包括：确定在所述微观审查中是否观测到新的缺陷类型；以及若找到所述新的缺陷类型，利用所述无监督学习中的所述候选缺陷图像通过重新训练所述随机森林分类器的所述决策树来更新所述随机森林分类器。
在相关实施例中，所述决策树中的每一个利用所述候选缺陷图像的一部分来训练，且利用所述候选缺陷图像的另一部分检验所述决策树的性能是否稳定。
在相关实施例中，所述属性包括波纹、所述光学检查工具的工具ID以及所述晶片中的区域的区域ID。
根据一些实施例，提供适用于电子设备的缺陷检查方法。在方法中，从通过在至少一个晶片上执行热扫描的至少一个光学检查工具获得的多个检查图像中获取多个候选缺陷图像，且从检查图像提取多个属性。创建包含多个第一决策树的第一随机森林分类器以用于对候选缺陷图像进行分类，其中第一决策树是以属性和候选缺陷图像的不同的第一子集建构。创建包含多个第二决策树的第二随机森林分类器以用于对候选缺陷图像进行分类，其中第二决策树是以属性和候选缺陷图像的不同的第二子集建构，且属性的第一子集具有比属性的第二子集的决策边界复杂度更高的决策边界复杂度。在运行期间从至少一个光学检查工具中的一个获取多个候选缺陷图像，且将候选缺陷图像应用于第一随机森林分类器中的第一决策树。根据第一决策树的投票将候选缺陷图像分类成扰乱图像和实际缺陷图像，且从候选缺陷图像过滤出扰乱图像。将过滤后的候选缺陷图像的剩余部分应用于第二随机森林分类器中的第二决策树，且根据第一决策树的投票将候选缺陷图像分类成扰乱图像和实际缺陷图像，且从候选缺陷图像过滤出扰乱图像。对具有超过置信度值的投票的实际缺陷图像进行取样以用于微观审查。
在相关实施例中，所述的缺陷检查方法，进一步包括：将所述候选缺陷图像群集为多个群组；在所述群组上执行无监督学习以对所述候选缺陷图像进行取样；将具有超过所述置信度值的所述投票的所取样实际缺陷图像与所述无监督学习中的所取样候选缺陷图像进行组合以用于所述微观审查。
在相关实施例中，在将具有超过所述置信度值的所述投票的所述所取样实际缺陷图像与所述无监督学习中的所述所取样候选缺陷图像进行组合以用于所述微观审查之后，所述方法进一步包括：确定在所述微观审查中是否观测到新的缺陷类型；以及若找到所述新的缺陷类型，利用所述无监督学习中的所述候选缺陷图像通过重新训练所述随机森林分类器中的所述决策树来更新所述随机森林分类器。
在相关实施例中，所述属性包括波纹、所述光学检查工具的工具ID以及所述晶片中的区域的区域ID。
前文概述若干实施例的特征以使得本领域的技术人员可更好地理解本揭示内容的各方面。本领域的技术人员应了解，其可以容易地使用本揭露内容作为设计或修改用于执行本文中所引入的实施例的相同目的和/或获得相同优势的其它制程和结构的基础。本领域的技术人员还应认识到，这类等效构造不脱离本揭露内容的精神和范围，且其可在不脱离本揭露内容的精神和范围的情况下在本文中作出各种改变、替代以及更改。

Claims (1)

1.一种缺陷检查方法，适用于电子设备，其特征在于，包括：
从通过在至少一个晶片上执行热扫描的至少一个光学检查工具获得的多个检查图像中获取多个候选缺陷图像，且从所述检查图像提取多个属性；
创建包含用于对所述候选缺陷图像进行分类的多个决策树的随机森林分类器，其中所述决策树是以所述属性和所述候选缺陷图像的不同子集建构；
在运行期间从所述至少一个光学检查工具中的一个获取多个候选缺陷图像；
将所述候选缺陷图像应用于所述随机森林分类器中的所述决策树，根据所述决策树的投票将所述候选缺陷图像分类成扰乱图像和实际缺陷图像，且从所述候选缺陷图像过滤出所述扰乱图像；以及
对具有超过置信度值的所述投票的所述实际缺陷图像进行取样以用于微观审查。
CN201810564614.0A 2017-11-20 2018-06-04 缺陷检查方法 Pending CN109813717A (zh)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
US201762588838P 2017-11-20 2017-11-20
US62/588,838 2017-11-20
US15/939,311 2018-03-29
US15/939,311 US10809635B2 (en) 2017-11-20 2018-03-29 Defect inspection method and defect inspection system

Publications (1)

Publication Number Publication Date
CN109813717A true CN109813717A (zh) 2019-05-28

Family

ID=66532954

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810564614.0A Pending CN109813717A (zh) 2017-11-20 2018-06-04 缺陷检查方法

Country Status (3)

Country Link
US (1) US10809635B2 (zh)
CN (1) CN109813717A (zh)
TW (1) TW201923922A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110796187A (zh) * 2019-10-22 2020-02-14 西安奕斯伟硅片技术有限公司 不良分类方法及装置
CN113222884A (zh) * 2020-02-04 2021-08-06 应用材料以色列公司 检查样本的方法和其系统
CN114174812A (zh) * 2019-08-01 2022-03-11 科磊股份有限公司 用于具有光学检验的工艺监测的方法
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
CN115088125A (zh) * 2020-03-20 2022-09-20 舍弗勒技术股份两合公司 用于检查电化学电池、尤其燃料电池的双极板的方法和检查设施
CN117392072A (zh) * 2020-08-17 2024-01-12 应用材料以色列公司 检查方案的自动优化

Families Citing this family (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018165753A1 (en) * 2017-03-14 2018-09-20 University Of Manitoba Structure defect detection using machine learning algorithms
CN110021005B (zh) * 2018-01-05 2022-03-15 财团法人工业技术研究院 电路板瑕疵筛选方法及其装置与计算机可读取记录介质
CN112424826A (zh) * 2018-07-13 2021-02-26 Asml荷兰有限公司 基于机器学习的图案分组方法
US10854486B2 (en) * 2018-09-19 2020-12-01 Kla Corporation System and method for characterization of buried defects
US10545099B1 (en) * 2018-11-07 2020-01-28 Kla-Tencor Corporation Ultra-high sensitivity hybrid inspection with full wafer coverage capability
US10957035B2 (en) * 2018-11-30 2021-03-23 Kla Corporation Defect classification by fitting optical signals to a point-spread function
KR20200137219A (ko) * 2019-05-29 2020-12-09 삼성에스디에스 주식회사 비지도 학습 기반 웨이퍼 불량 패턴 검출 방법 및 그 장치
CN113994368A (zh) * 2019-06-13 2022-01-28 株式会社日立高新技术 图像处理程序、图像处理装置以及图像处理方法
US11676264B2 (en) 2019-07-26 2023-06-13 Kla Corporation System and method for determining defects using physics-based image perturbations
CN111060520B (zh) * 2019-12-30 2021-10-29 歌尔股份有限公司 一种产品缺陷检测方法、装置与系统
CN111948278A (zh) * 2020-08-17 2020-11-17 广东工业大学 一种点焊缺陷磁光成像无损检测方法及系统
US11216932B1 (en) * 2021-03-26 2022-01-04 Minds AI Technologies Ltd Electronic substrate defect detection
US12020418B2 (en) * 2021-04-22 2024-06-25 Taiwan Semiconductor Manufacturing Company, Ltd. Image processing method and system, and non-transitory computer readable medium
CN114397244A (zh) * 2022-01-14 2022-04-26 长春工业大学 一种金属增材制造制件缺陷的识别方法及相关设备
WO2023166585A1 (ja) * 2022-03-02 2023-09-07 株式会社アドバンテスト 半導体試験結果分析装置、半導体試験結果分析方法およびコンピュータプログラム
WO2023166584A1 (ja) * 2022-03-02 2023-09-07 株式会社アドバンテスト 半導体試験結果分析装置、半導体試験結果分析方法およびコンピュータプログラム
CN114419035B (zh) * 2022-03-25 2022-06-17 北京百度网讯科技有限公司 产品识别方法、模型训练方法、装置和电子设备
EP4266246A1 (en) * 2022-04-22 2023-10-25 Imec VZW Automated defect classification and detection

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9430743B2 (en) * 2014-03-06 2016-08-30 Kla-Tencor Corp. Composite defect classifier
US9898811B2 (en) * 2015-05-08 2018-02-20 Kla-Tencor Corporation Method and system for defect classification
US9922269B2 (en) * 2015-06-05 2018-03-20 Kla-Tencor Corporation Method and system for iterative defect classification
TWI606531B (zh) * 2017-03-30 2017-11-21 義守大學 適用於三維晶片的缺陷測試方法及系統

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114174812A (zh) * 2019-08-01 2022-03-11 科磊股份有限公司 用于具有光学检验的工艺监测的方法
CN114174812B (zh) * 2019-08-01 2022-12-16 科磊股份有限公司 用于具有光学检验的工艺监测的方法
CN110796187A (zh) * 2019-10-22 2020-02-14 西安奕斯伟硅片技术有限公司 不良分类方法及装置
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
CN113222884A (zh) * 2020-02-04 2021-08-06 应用材料以色列公司 检查样本的方法和其系统
CN113222884B (zh) * 2020-02-04 2023-10-27 应用材料以色列公司 检查样本的方法和其系统
CN117522779A (zh) * 2020-02-04 2024-02-06 应用材料以色列公司 检查样本的方法和其系统
US11940390B2 (en) 2020-02-04 2024-03-26 Applied Materials Israel Ltd. Selecting a representative subset of potential defects to improve defect classifier training and estimation of expected defects of interest
CN115088125A (zh) * 2020-03-20 2022-09-20 舍弗勒技术股份两合公司 用于检查电化学电池、尤其燃料电池的双极板的方法和检查设施
CN117392072A (zh) * 2020-08-17 2024-01-12 应用材料以色列公司 检查方案的自动优化
CN117392072B (zh) * 2020-08-17 2024-04-02 应用材料以色列公司 检查方案的自动优化

Also Published As

Publication number Publication date
US10809635B2 (en) 2020-10-20
US20190155164A1 (en) 2019-05-23
TW201923922A (zh) 2019-06-16

Similar Documents

Publication Publication Date Title
CN109813717A (zh) 缺陷检查方法
US10964013B2 (en) System, method for training and applying defect classifiers in wafers having deeply stacked layers
JP6285640B2 (ja) 自動及び手動欠陥分類の統合
CN112232476B (zh) 更新测试样本集的方法及装置
JP2018128468A (ja) 自動欠陥分類のための未知欠陥除去の最適化
JP6391083B2 (ja) 自動欠陥分類における分類器の準備及び保守
CN109781733A (zh) 缺陷检查装置、缺陷检查方法及计算机可读存储介质
US8254661B2 (en) System and method for generating spatial signatures
EP3798924A1 (en) System and method for classifying manufactured products
US6336086B1 (en) Method and system for analyzing wafer processing order
CN112805719A (zh) 分类半导体样本中的缺陷
KR102483787B1 (ko) 반도체 장치의 결함 모델링 장치 및 방법, 이를 위한 컴퓨터 프로그램과, 이를 이용한 반도체 장치의 결함 검사 시스템
Chang et al. Development pattern recognition model for the classification of circuit probe wafer maps on semiconductors
CN104680185B (zh) 基于边界点重分类的高光谱图像分类方法
KR20170088849A (ko) 다양화 및 결함 발견을 위한 동적 비닝
US11940390B2 (en) Selecting a representative subset of potential defects to improve defect classifier training and estimation of expected defects of interest
Dang-Ngoc et al. Citrus leaf disease detection and classification using hierarchical support vector machine
CN106951924B (zh) 基于AdaBoost算法的地震相干体图像断层自动识别方法及系统
JP5566616B2 (ja) 特性解析装置、特性解析方法をコンピュータに実行させるためのプログラム、上記プログラムを記録したコンピュータ読み取り可能な記録媒体
KR20110012302A (ko) 유해영상 자동 판별 방법
JP2020101900A (ja) 画像検査装置、画像検査のための学習方法および画像検査プログラム
CN111724352B (zh) 一种基于核密度估计的贴片led瑕疵标注方法
JP5241302B2 (ja) 特性分布解析方法および装置、基板分類方法および装置、上記特性分布解析方法または基板分類方法をコンピュータに実行させるためのプログラム、並びに上記プログラムを記録したコンピュータ読み取り可能な記録媒体
TWI431706B (zh) 辨識晶圓圖樣式的方法與電腦程式產品
CN116912601A (zh) 馆藏文物的状态监测和预防性保护方法、系统及设备

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20190528

WD01 Invention patent application deemed withdrawn after publication