CN111103317B - 扫描晶片的系统及方法 - Google Patents

扫描晶片的系统及方法 Download PDF

Info

Publication number
CN111103317B
CN111103317B CN201910994618.7A CN201910994618A CN111103317B CN 111103317 B CN111103317 B CN 111103317B CN 201910994618 A CN201910994618 A CN 201910994618A CN 111103317 B CN111103317 B CN 111103317B
Authority
CN
China
Prior art keywords
image
defect
wafer
design pattern
reference image
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201910994618.7A
Other languages
English (en)
Other versions
CN111103317A (zh
Inventor
李沛轩
黄建翔
陈广行
陈冠昕
勤竣杰
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 CN111103317A publication Critical patent/CN111103317A/zh
Application granted granted Critical
Publication of CN111103317B publication Critical patent/CN111103317B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06T7/0006—Industrial image inspection using a design-rule based approach
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
    • G01N23/22—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material
    • G01N23/225—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material using electron or ion
    • G01N23/2251—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material using electron or ion using incident electron beams, e.g. scanning electron microscopy [SEM]
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2223/00—Investigating materials by wave or particle radiation
    • G01N2223/07—Investigating materials by wave or particle radiation secondary emission
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2223/00—Investigating materials by wave or particle radiation
    • G01N2223/40—Imaging
    • G01N2223/401—Imaging image processing
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2223/00—Investigating materials by wave or particle radiation
    • G01N2223/40—Imaging
    • G01N2223/426—Imaging image comparing, unknown with known substance
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2223/00—Investigating materials by wave or particle radiation
    • G01N2223/60—Specific applications or type of materials
    • G01N2223/611—Specific applications or type of materials patterned objects; electronic devices
    • G01N2223/6116—Specific applications or type of materials patterned objects; electronic devices semiconductor wafer
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2223/00—Investigating materials by wave or particle radiation
    • G01N2223/60—Specific applications or type of materials
    • G01N2223/646—Specific applications or type of materials flaws, defects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10056—Microscopic image
    • G06T2207/10061—Microscopic image from scanning electron microscope
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • 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
    • G06T2207/30204—Marker

Landscapes

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

Abstract

本发明一些实施例提供一种用于扫描晶片的方法及系统。所述系统捕捉晶片的缺陷图像，且基于参考图像产生模型产生对应于第一缺陷图像的参考图像。所述系统基于所述缺陷图像及所述参考图像产生缺陷标记图像。

Description

扫描晶片的系统及方法
技术领域
本发明实施例涉及扫描晶片的系统及方法。
背景技术
扫描电子显微镜(SEM)被广泛用于分析半导体晶片的缺陷。此外，对应地开发检视SEM(RSEM)以更精确地显露半导体晶片的缺陷。由于经由RSEM的图像捕捉可是耗时的且确定晶片上的缺陷的类型的准确度可是不精确的，所以每小时晶片(WPH)及自动缺陷分类(ADC)的准确度是有限的。
发明内容
本发明的一实施例涉及一种方法，其包括：提供晶片；捕捉所述晶片的缺陷图像；基于参考图像产生模型产生对应于所述缺陷图像的第一参考图像；及基于所述缺陷图像及所述第一参考图像产生第一缺陷标记图像。
本发明的一实施例涉及一种方法，其包括：获得晶片的图像，其中所述图像包括所述晶片的缺陷；产生对应于所述图像的第一设计图案图像；将参考图像产生模型应用至所述第一设计图案图像以产生第一参考图像；及通过比较所述图像与所述第一参考图像而导出第一缺陷标记图像。
本发明的一实施例涉及一种系统，其包括：存储单元，其经配置以存储参考图像产生模型；图像捕捉装置，其经配置以捕捉晶片的图像；及处理器，其经电连接至所述存储单元及所述图像捕捉装置且经配置以：将所述晶片的所述图像输入至所述参考图像产生模型以输出参考图像且处理所述图像及所述参考图像以导出缺陷标记图像。
附图说明
当结合附图阅读时从以下详细描述最佳理解本揭露的方面。应注意，根据业界中的标准实践，各种构件未按比例绘制。事实上，为了清楚论述起见，可任意增大或减小各种构件的尺寸。
图1A是根据本揭露的一些实施例的系统的框图。
图1B是绘示根据本揭露的一些实施例的图像的示意图。
图2A是根据本揭露的一些实施例的另一系统的框图。
图2B是绘示根据本揭露的一些实施例的图像的示意图。
图3A是根据本揭露的一些实施例的另一系统的框图。
图3B是绘示根据本揭露的一些实施例的图像的示意图。
图4是根据本揭露的一些实施例的流程图。
图5是根据本揭露的一些实施例的流程图。
图6A至6C是根据本揭露的一些实施例的流程图。
图7A至7D是根据本揭露的一些实施例的流程图。
具体实施方式
下列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。下文描述组件及布置的特定实例以简化本揭露。当然，这些仅为实例且不旨在限制。例如，在下列描述中的一第一构件形成于一第二构件上方或上可包含其中所述第一构件及所述第二构件经形成直接接触的实施例，且也可包含其中额外构件可形成在所述第一构件与所述第二构件之间，使得所述第一构件及所述第二构件可不直接接触的实施例。另外，本揭露可在各种实例中重复元件符号及/或字母。此重复出于简化及清楚的目的，且本身不指示所论述的各项实施例及/或配置之间的关系。
下文详细论述本揭露的实施例。然而，应了解，本揭露提供可以广泛多种特定背景内容体现的许多适用发明概念。所论述的特定实施例仅是阐释性的且不限制本揭露的范围。
此外，为便于描述，可在本文中使用诸如“在…下面”、“在…下方”、“下”、“在…上方”、“上”、“下”、“左侧”、“右侧”及类似者的空间相对术语来描述一个元件或构件与另一(些)元件或构件的关系，如图中绘示。空间相对术语旨在涵盖除在图中描绘的定向以外的使用或操作中的装置的不同定向。设备可以其它方式经定向(旋转90度或按其它定向)且本文中使用的空间相对描述符同样可相应地解释。应理解，当将一元件称为“连接至”或“耦合至”另一元件时，其可直接连接至或耦合至其它元件，或可存在一或多个中介元件。
针对本揭露的一些实施例参考图1A至1B，图1A是一些实施例的用于扫描晶片的系统1的框图，且图1B是绘示一些实施例的相对图像的示意图。系统1包含存储单元11、图像捕捉装置13及处理器15。在本实施例中，存储单元11存储包含经训练模型的参考图像产生模型110。存储单元11、图像捕捉装置13及处理器15经电连接(例如，经由总线电连接)，且其间的互动将在下文进一步描述。
如图1A及1B中展示，图像捕捉装置13经配置以捕捉晶片的缺陷图像130。缺陷图像130含有晶片上的缺陷的信息。在一些实施例中，缺陷可是晶片上的划痕标记、裂缝、残余物、短路、桥接等。在通过图像捕捉装置13捕捉缺陷图像130之后，处理器15基于缺陷图像130及参考图像产生模型110产生参考图像150。随后，基于缺陷图像130(即，表示晶片的缺陷的图像)及参考图像150，处理器15产生缺陷标记图像152。在一些实施例中，处理器15从参考图像150减去缺陷图像130以产生缺陷标记图像152。
在一些实施例中，由于参考图像150是从经训练模型(即，参考图像产生模型110)直接产生，所以节约用于捕捉参考图像的冗余时间。另外，操作者可选择适当自动缺陷分类(ADC)工具用于此后对晶片上的缺陷的类型分类。应注意，所提及的经训练模型是基于具有相关训练数据的机器学习方案经训练。将在下文描述训练模型的细节(例如，通过系统3训练模型的实施例)。
针对本揭露的一些实施例参考图2A至2B。图2A是一些实施例的用于扫描晶片的系统2的框图。图2B是绘示一些实施例的相对图像的示意图。系统2包含存储单元21、图像捕捉装置23、处理器25及缺陷检测装置27。存储单元21存储参考图像产生模型210、缺陷确定模型212及设计图案数据214。
存储单元21、图像捕捉装置23、处理器25及缺陷检测装置27经电连接(例如，经由总线电连接)。应注意，在一些实施例中，参考图像产生模型210及缺陷确定模型212是经训练模型，且设计图案数据214含有晶片的设计布局的数据(例如，呈计算机辅助制图(CAD)格式的晶片的设计布局)。
在检测晶片的开始，缺陷检测装置27针对可能缺陷扫描晶片。在一些实施例中，当缺陷由缺陷检测装置27检测时，缺陷检测装置27确定缺陷在晶片上的位置270(例如，缺陷在晶片上的坐标)。随后，基于由缺陷检测装置27确定的缺陷在晶片上的位置270，图像捕捉装置23捕捉表示晶片的缺陷的缺陷图像230。
在一些实施例中，缺陷检测装置27是经配置以扫描晶片且通过比较晶片上的邻近晶片的光学图像而检测晶片上的缺陷的光学检测装置。具体地说，针对晶片上待检测的各裸片，缺陷检测装置27通过光束或电子束捕捉经检测裸片的第一光学图像。缺陷检测装置27接着通过光束或电子束捕捉与经检测裸片具有相同图案且邻近经检测裸片的参考裸片的第二光学图像。缺陷检测装置27从第二光学图像减去第一光学图像以导出减去图像。如果在经检测裸片上不存在缺陷，那么经检测裸片及参考裸片具有相同图案。因此，减去图像的像素的值等于零。相比之下，当减去图像的像素含有非零值时，在经检测裸片上可存在缺陷。缺陷检测装置27可确定在经检测裸片上存在缺陷。缺陷检测装置27可基于经检测裸片的位置及减去图像的内容导出并记录缺陷的位置。
对应于缺陷图像230的参考图像可用于辅助产生缺陷标记图像。因此，首先产生参考图像。在实施例中，由于缺陷图像230绘示其中缺陷存在的晶片的一部分，所以可产生匹配晶片的此部分的图像以产生参考图像。
设计图案数据214含有晶片的整个设计布局的数据。处理器25能够基于缺陷图像230及设计图案数据214确定设计图案图像254。设计图案图像254及缺陷图像230是在晶片的相同区处的图像。设计图案图像254是设计布局，且缺陷图像230是由装置捕捉的图像。
在一些实施方案中，由于设计图案数据214、缺陷的位置270及晶片的一部分的缺陷图像230是已知数据，所以可经由最大互相关算法确定对应于缺陷图像230的设计图案图像254，如下文描述。
在一些实施方案中，在具有1nm的像素大小的1μm*1μm真实SEM图像(例如，缺陷图像230)的坐标(例如，缺陷的位置270)处从晶片的一CAD布局(例如，设计图案数据214)截割具有像素大小1nm的4μm*4μm视野(FOV)图像，且使用适当灰阶阈值(例如，具有高于阈值的灰阶的像素可为1且其它像素可为0)或边缘检测算法将1μm*1μm真实SEM图像从8位转换至二进制格式。
接着，在4μm*4μm FOV图像的不同位置中将1μm*1μm真实SEM图像与4μm*4μm FOV图像重迭，且计算匹配像素数目。具体地说，将1μm*1μm真实SEM图像在X方向及Y方向两者上从4μm*4μm FOV图像的左下方逐步移位，且计算在4μm*4μm FOV图像的不同位置处的匹配像素数目。
将具有最大匹配像素数目的位置确定为最大相关性位置，且在最大相关性位置处截割的1μm*1μm FOV图像(例如，设计图案图像254)可是其中捕捉1μm*1μm真实SEM图像的相同位置。换句话说，经截割1μm*1μm FOV图像及1μm*1μm真实SEM图像表示晶片的相同区，同时经截割1μm*1μm FOV图像是设计布局且1μm*1μm真实SEM图像是由装置捕捉的图像。
基于上文的揭示内容，本领域的技术人员应了解如何基于最大互相关算法寻找不同数据之间的相关性，且因此本文中将不进一步描述。
在确定设计图案图像254之后，处理器25产生参考图像250。在实施例中，处理器25通过参考图像产生模型210将设计图案图像254转换为参考图像250。换句话说，处理器25将设计图案图像254输入至参考图像产生模型210以导出参考图像250作为来自参考图像产生模型210的输出数据。此外，参考图像产生模型210是一经训练机器学习模型，即，数据经输入且随后另一数据经输出。在此实施例中，设计图案图像254是参考图像产生模型210的输入数据，且来自参考图像产生模型210的后续输出数据是参考图像250。
在产生参考图像250之后，处理器25基于缺陷图像230及参考图像250产生缺陷标记图像252。在一些实施例中，引入缺陷确定模型212以通过机器学习方案获得缺陷的信息。具体地说，缺陷确定模型212的输入是缺陷标记图像252，且缺陷确定模型212的输出是缺陷的信息。换句话说，处理器25基于缺陷标记图像252及缺陷确定模型212产生晶片的缺陷的信息。在实施例中，处理器25通过缺陷确定模型212将缺陷标记图像252转换为缺陷的信息。缺陷的信息可含有缺陷的用户分类代码。
类似地，缺陷确定模型212是经训练机器学习模型，即，数据经输入至缺陷确定模型212，且随后基于经输入数据，另一数据从缺陷确定模型212输出。在一些实施例中，给出缺陷标记图像252作为缺陷确定模型212的输入数据，且后续输出数据是缺陷的信息。
在一些实施例中，由于参考图像250是由经训练模型直接产生，故节约用于捕捉参考图像的冗余时间。此外，由于基于另一经训练模型获得缺陷的信息，所以用于对晶片上的缺陷的类型分类的ADC的程序可更精确且可靠。应注意，所提及的经训练模型是基于具有相关训练数据的机器学习方案经训练。将在下文进一步描述训练模型的细节(例如，通过系统3训练模型的实施例)。
针对本揭露的一些实施例参考图3A及3B，图3A是一些实施例的用于扫描晶片的系统3的框图，且图3B是绘示一些实施例的相对图像的示意图。系统3包含存储单元31、图像捕捉装置33、处理器35及缺陷检测装置37。存储单元31、图像捕捉装置33、处理器35及缺陷检测装置37经电连接(例如，经由总线电连接)。下文将进一步描述建立机器学习模型及确定晶片的缺陷的更多细节。
在投入使用之前，可首先训练本揭露的机器学习模型。更具体地说，在一些实施例中，参考图像产生模型经配置以将一预定设计图案图像(未展示)转换为预定参考图像(未展示)，使得基于至少一个预定设计图案图像(未展示)及对应于所述至少一个预定设计图案图像的至少一个预定参考图像(未展示)建立一参考图像产生模型310。至少一个预定设计图案图像在训练阶段处被用作输入数据且至少一个预定参考图像是训练阶段处的输出数据。
应注意，在一些实施例中，用于训练参考图像产生模型310的至少一个预定参考图像是由装置捕捉且对应于预定设计图案图像的图像。在通过处理器35建立参考图像产生模型310之后，存储单元31存储参考图像产生模型310以供后续使用。
在一些实施方案中，可使用设计图案图像及对应参考图像经由U网(U-net)算法、生成对抗网络(GAN)算法或自动编码器算法训练参考图像产生模型310。
在U网算法的实施方案中，存在用于训练模型的训练函数(例如，来自GitHub的Unet的trainUnet.ipynb)。训练函数包含用于接收两组图像的一区段(例如，trainUnet.ipynb的“trainGenerator(2,'data/membrane/train','image','label',data_gen_args,save_to_dir＝None”)。两组图像包含用于训练的一组输入图像(例如，基于trainUnet.ipynb放入第一文件夹中的本揭露的30件设计图案图像)及基于所述组输入图像的一组输出图像(例如，基于trainUnet.ipynb放入另一文件夹中的对应于本揭露的设计图案图像的30件真实参考图像)。
因此，在使用含有图像的收缩及扩展函数的主程序执行训练函数之后训练用于将输入图像(例如，本揭露的设计图案图像)转换为输出图像(例如，本揭露的参考图像)的机器学习模型(例如，本揭露的参考图像产生模型)。
基于上文的揭示内容，本领域的技术人员应了解如何使用设计图案图像及参考图像基于U网算法、GAN算法或自动编码器算法建立机器学习模型(即，在一些实施例中，本揭露的参考图像产生模型)，且因此本文中将不进一步描述。
在一些实施例中，缺陷确定模型经配置以将预定缺陷标记图像(未展示)转换为一缺陷的预定信息，使得基于至少一个预定缺陷标记图像(未展示)及对应于所述至少一个预定缺陷标记图像的缺陷的预定信息建立缺陷确定模型312。
换句话说，在训练缺陷确定模型312之后，至少一个预定缺陷标记图像是输入数据，且对应于至少一个预定缺陷标记图像的缺陷的预定信息是输出标记。在建立缺陷确定模型312之后，存储单元31存储缺陷确定模型312以供后续使用。
此外，在一些实施方案中，可使用缺陷标记图像及缺陷的信息经由你只看一次(You Only Look Once)版本3(YOLOv3)算法、单画面多框检测(Single Shot multiBoxDetection)(SSD)算法或具有卷积神经网络的区(Regions with Convolutional NeuralNetwork)(R-CNN)算法训练缺陷确定模型312。
在基于Darknet53后端网络结构的YOLOv3算法的实施方案中，存在用于训练模型的训练函数。训练函数包含用于接收用于训练的输入图像及基于输入图像的输出标记(例如，具有针对各标记的标记缺陷的30件图像)的区段。因此，在约100次训练之后，在使用主程序执行训练函数之后训练机器学习模型(例如，本揭露的缺陷的信息)。
基于上文的揭示内容，本领域的技术人员应了解如何通过缺陷图像、参考图像及缺陷标记图像基于YOLOv3算法、SSD算法或R-CNN算法建立机器学习模型(即，在一些实施例中，缺陷确定模型)，且因此本文中将不进一步描述。
在使用充分数据训练参考图像产生模型310及缺陷确定模型312之后，建立参考图像产生模型310及缺陷确定模型312。系统3可基于机器学习的技术确定晶片上的缺陷。确切地说，缺陷检测装置37针对可能缺陷扫描晶片。在一些实施例中，通过缺陷检测装置37检测到缺陷，且接着缺陷检测装置37确定缺陷的位置370(例如，缺陷的坐标)。由于已确定晶片上的缺陷的位置370，所以图像捕捉装置33能够根据位置370捕捉含有晶片的缺陷的缺陷图像330。
处理器35基于设计图案数据314(例如，存储于存储单元31中的晶片的设计布局)确定对应于缺陷图像330的设计图案图像354。接着，处理器35通过参考图像产生模型310将设计图案图像354转换为参考图像350。给出设计图案图像354作为参考图像产生模型310的输入数据，且后续输出数据是参考图像350。
在产生参考图像350之后，处理器35基于缺陷图像330及参考图像350产生缺陷标记图像352。在一些实施例中，处理器35基于缺陷确定模型312将缺陷标记图像352转换为晶片的缺陷的信息。给出缺陷标记图像352作为缺陷确定模型312的输入数据，且后续输出数据是晶片的缺陷的信息。
因此，在一些实施例中，参考图像产生模型310及缺陷确定模型312被训练为机器学习模型，使得可直接产生参考图像350及诸如缺陷的用户分类代码的信息。因此，节约用于捕捉参考图像的冗余时间，且用于对晶片上的缺陷的类型分类的ADC的程序可更精确且可靠。
另外，在一些实施例中，存在系统3的用于训练参考图像产生模型的另一训练函数。训练函数包含用于接收图像直方图数据的一个群组及图像的两个群组的区段。具体地说，图像的两个群组是用于训练的输入图像及基于输入图像的输出图像。训练输出图像的各图像具有其自身的图像直方图数据。训练输出图像的图像直方图数据形成图像直方图数据的群组作为训练输入直方图数据。
因此，在使用含有图像的收缩及扩展函数的主程序执行训练函数之后训练用于将具有经捕捉图像的图像直方图数据(例如，本揭露的缺陷图像的图像直方图数据)的输入图像(例如，本揭露的设计图案图像)转换为输出图像(例如，本揭露的参考图像)的参考图像产生模型。
换句话说，在建立参考图像产生模型310之后，可将参考图像产生模型310应用至设计图案数据314及缺陷图像330的图像直方图数据以相应地产生参考图像350。应注意，使用输出图像的图像直方图数据训练模型改良调适至真实图像的输出图像的品质，这是因为图像直方图数据含有对应图像中的音调分布的图形表示的信息。
再者，在一些实施例中，存在系统3的用于训练缺陷确定模型的另一训练函数。在训练模型之前，准备用于训练的输入数据。在各组输入数据中，存在缺陷标记图像、第一灰度图像及第二灰度图像。通过从对应于缺陷图像的参考图像减去缺陷图像而导出缺陷标记图像。第一灰度图像及第二灰度图像是使用缺陷图像捕捉的单通道图像。
具体地说，在捕捉晶片上的缺陷之后，引入用于获得缺陷图像及额外图像的若干检测器。在一些实施例中，缺陷图像由定位于晶片正上方的图像捕捉装置的架空检测器获得。额外图像由在架空检测器周围的图像捕捉装置的侧检测器获得。缺陷图像及额外图像的各者具有单图像通道(即，单图像组件)，且缺陷图像及额外图像的各者是灰度图像。缺陷图像及额外图像具有相同大小且具有相同缺陷图像图案。在缺陷图像及额外图像的像素的灰度值当中，像素的最大灰度值用于产生第一灰度图像，且像素的最小灰度值用于产生第二灰度图像。
在一实施例中，缺陷图像及额外图像具有M×N个像素的相同大小。关于缺陷图像及额外图像的像素(m,n)，存在这些像素的灰度值。选择灰度值当中的最大灰度值，且将最大灰度值用作第一灰度图像的像素(m,n)的灰度值。选择灰度值当中的最小灰度值，且将最小灰度值用作第二灰度图像的像素(m,n)的灰度值。相应地产生第一灰度图像的像素(m＝1至M，n＝1至N)。也产生第二灰度图像的像素(m＝1至M，n＝1至N)。在产生第一灰度图像及第二灰度图像之后，构建包含缺陷标记图像、第一灰度图像及第二灰度图像的所述组输入数据。
在一些实施例中，准备用于训练的多组输入数据。另一训练函数包含用于接收用于训练的输入数据组及基于输入数据的输出标记的区段，且在使用主程序执行另一训练函数之后训练缺陷确定模型。
因此，在使用含有图像的收缩及扩展函数的主程序执行训练函数之后训练用于将输入图像(包含缺陷标记图像、对应于缺陷标记图像的第一灰度图像及对应于缺陷标记图像的第二灰度图像)转换为缺陷的信息的缺陷确定模型。
换句话说，在建立缺陷确定模型312之后，可将缺陷确定模型312应用至缺陷标记图像252、对应于缺陷标记图像252的第一灰度图像及对应于缺陷标记图像252的第二灰度图像以产生缺陷的信息。
在一些实施例中，可引入第三灰度图像。关于缺陷图像及额外图像的像素(m,n)，存在这些像素的灰度值。选择灰度值当中的平均灰度值，且将平均灰度值用作第三灰度图像的像素(m,n)的灰度值。相应地产生第三灰度图像的像素(m＝1至M，n＝1至N)。在产生第三灰度图像之后，用于训练的所述组输入数据包含缺陷标记图像、第一灰度图像、第二灰度图像及第三灰度图像。
此外，在建立缺陷确定模型312之后，可将缺陷确定模型312应用至缺陷标记图像、对应于缺陷标记图像的第一灰度图像、对应于缺陷标记图像的第二灰度图像、对应于缺陷标记图像的第三灰度图像，且产生缺陷的信息。
应尤其了解，在上文的实施例中提及的处理器可为中央处理单元(CPU)、能够执行相关指令的其它硬件电路元件或应由本领域的技术人员基于上文的揭示内容良好了解的运算电路的组合。再者，在上文的实施例中提及的存储单元可是用于存储数据的存储器。此外，图像捕捉装置可为RSEM装置且缺陷检测装置可为半导体晶片缺陷检测设施。然而，其不旨在限制本揭露的硬件实施方案实施例。
本揭露的一些实施例包含用于扫描晶片的方法，且其流程图如图4中展示。一些实施例的方法由系统(例如，前述实施例的系统(1、2或3)的任一者)实施。方法的详细操作如下。
参考图4，执行操作S401以提供晶片。执行操作S402以捕捉在晶片上含有缺陷的晶片的缺陷图像。在捕捉缺陷图像之后，执行操作S403以基于参考图像产生模型产生参考图像。在操作S403中，参考图像与缺陷图像匹配。因此，构建缺陷图像(即，具有晶片的缺陷的图像)及参考图像。执行操作S404以基于缺陷图像及参考图像产生缺陷标记图像。应注意，基于前述训练实施例(例如，通过系统3训练模型的实施例)或以下实施例(例如，如图6A或7A中展示的训练模型的实施例)建立参考图像产生模型。
本揭露的一些实施例包含用于扫描晶片的方法，且其流程图如图5中展示。一些实施例的方法由系统(例如，前述实施例的系统(1、2或3)的任一者)实施。方法的详细操作如下。
参考图5，执行操作S501以提供晶片。执行操作S502以检测晶片上的缺陷。执行操作S503以确定缺陷的位置(例如，缺陷的坐标)。因此，在确定晶片上的缺陷的位置之后，执行操作S504以在所述位置处捕捉含有晶片的缺陷的缺陷图像。应注意，可基于前述实施例(例如，通过系统2或系统3检测缺陷的实施例)实现缺陷的检测及缺陷的位置的确定。
接着，执行操作S505以基于缺陷图像从设计图案数据确定设计图案图像。应注意，在一些实施例中：(1)设计图案数据含有晶片的设计布局的数据(例如，晶片的CAD布局)；及(2)设计图案图像及缺陷图像是在晶片的相同区处的图像。设计图案图像是晶片的设计布局的图像，且缺陷图像是由装置捕捉的图像。
执行操作S506以基于设计图案图像及参考图像产生模型产生参考图像。通过参考图像产生模型将设计图案图像转换为参考图像。参考图像产生模型是机器学习模型。给出设计图案图像作为参考图像产生模型的输入数据，且来自参考图像产生模型的后续输出数据是参考图像。换句话说，将参考图像产生模型应用至设计图案图像以产生参考图像。
在产生参考图像之后，执行操作S507以基于缺陷图像及参考图像产生缺陷标记图像。在实施例中，通过从参考图像减去缺陷图像而导出缺陷标记图像。执行操作S508以基于缺陷标记图像及缺陷确定模型产生晶片的缺陷的信息。在实施例中，通过缺陷确定模型将缺陷标记图像转换为缺陷的信息。缺陷确定模型是机器学习模型。给出缺陷标记图像作为缺陷确定模型的输入数据，且来自缺陷确定模型的后续输出数据是缺陷的信息。换句话说，将缺陷确定模型应用至缺陷标记图像以产生缺陷的信息。
本揭露的一些实施例包含用于扫描晶片的方法，且其流程图如图6A至6C中展示。一些实施例的方法由系统(例如，前述实施例的系统(1、2或3)的任一者)实施。方法的详细操作如下。
图6A是展示根据本揭露的一些实施例的训练参考图像产生模型的方法的流程图。由于参考图像产生模型经配置以将设计图案图像转换为参考图像，故执行操作S601以基于多个预定设计图案图像(在训练阶段处用作输入数据)及对应于预定设计图案图像的多个预定参考图像(在训练阶段处用作输出数据)建立参考图像产生模型。
在一些实施例中，存在用于训练参考图像产生模型的训练函数。训练函数包含用于接收预定设计图案图像作为用于训练的输入数据及预定参考图像作为基于输入数据的输出数据的区段。因此，在使用含有图像的收缩及扩展函数的主程序执行训练函数之后训练用于将设计图案图像(用于训练的输入数据)转换为参考图像(输出数据)的参考图像产生模型。
在一些实施例中，用于训练参考图像产生模型的预定参考图像是由装置捕捉且与预定设计图案图像匹配的图像。在建立参考图像产生模型之后，执行操作S602以存储参考图像产生模型以供后续使用。
图6B是展示训练缺陷确定模型的方法的流程图。由于缺陷确定模型经配置以将预定缺陷标记图像转换为缺陷的预定信息，故执行操作S603以基于多个预定缺陷标记图像及对应于预定缺陷标记图像的缺陷的预定信息建立缺陷确定模型。
在一些实施例中，存在用于训练缺陷确定模型的训练函数。训练函数包含用于接收预定缺陷标记图像作为用于训练的输入数据及缺陷的预定信息作为基于输入数据的输出数据的区段。因此，在使用含有图像的收缩及扩展函数的主程序执行训练函数之后训练用于将预定缺陷标记图像(输入数据)转换为缺陷的预定信息(输出数据)的缺陷确定模型。在建立缺陷确定模型之后，执行操作S604以存储缺陷确定模型以供后续使用。
图6C是展示确定晶片上的缺陷的方法的流程图。在使用充分数据训练参考图像产生模型及缺陷确定模型之后，建立参考图像产生模型及缺陷确定模型，执行操作S605以提供晶片。执行操作S606以检测晶片上的缺陷。执行操作S607以确定缺陷的位置(例如，缺陷的坐标)。因此，在确定晶片上的缺陷的位置之后，执行操作S608以根据所述位置捕捉含有晶片的缺陷的缺陷图像。应注意，可基于前述实施例(例如，通过系统2或系统3检测缺陷的实施例)实现缺陷的检测及缺陷的位置的确定。
接着，执行操作S609以基于缺陷图像从设计图案数据确定设计图案图像。应注意，在一些实施例中：(1)设计图案数据含有晶片的设计布局的信息(例如，晶片的CAD布局)；及(2)设计图案图像及缺陷图像是在晶片的相同区处的图像。设计图案图像是设计布局，且缺陷图像是由装置捕捉的图像。
接着，执行操作S610以基于设计图案图像及参考图像产生模型产生参考图像。通过参考图像产生模型将设计图案图像转换为参考图像。参考图像产生模型是机器学习模型。给出设计图案图像作为参考图像产生模型的输入数据，且来自参考图像产生模型的后续输出数据是参考图像。换句话说，将参考图像产生模型应用至设计图案图像以产生参考图像。
在产生参考图像之后，执行操作S611以基于缺陷图像及参考图像产生缺陷标记图像。在一些实施例中，通过从参考图像减去缺陷图像而导出缺陷标记图像。执行操作S612以基于缺陷标记图像及缺陷确定模型产生晶片的缺陷的信息。具体地说，通过缺陷确定模型将缺陷标记图像转换为缺陷的信息。缺陷确定模型是机器学习模型。给出缺陷标记图像作为缺陷确定模型的输入数据，且来自缺陷确定模型的后续输出数据是缺陷的信息。换句话说，将缺陷确定模型应用至缺陷标记图像以产生缺陷的信息。
本揭露的一些实施例包含用于扫描晶片的方法，且其流程图如图7A至7D中展示。一些实施例的方法由系统(例如，前述实施例的系统(1、2或3)的任一者)实施。方法的详细操作如下。
图7A是展示训练参考图像产生模型的方法的流程图。参考图像产生模型经配置以将设计图案图像转换为参考图像，所以执行操作S701以基于多个预定设计图案图像(在训练阶段处用作输入数据)、基于预定设计图案图像的多个预定参考图像(在训练阶段处用作输出数据)及预定参考图像的多个图像直方图数据(在训练阶段处用作输入数据)建立参考图像产生模型。
在一些实施例中，存在用于训练参考图像产生模型的训练函数。训练函数包含用于接收预定设计图案图像及预定图像直方图数据(输入数据)，且接收预定参考图像(输出数据)的区段。因此，在使用含有图像的收缩及扩展函数的主程序执行训练函数之后训练参考图像产生模型。
在一些实施例中，用于训练参考图像产生模型的预定参考图像是由装置捕捉且与预定设计图案图像匹配的图像。在建立参考图像产生模型之后，执行操作S702以存储参考图像产生模型以供后续使用。
图7B是展示训练缺陷确定模型的方法的流程图。缺陷确定模型经配置以将缺陷标记图像及对应于缺陷标记图像的灰度图像转换为缺陷的信息，执行操作S703以基于多个预定缺陷标记图像、对应于预定缺陷标记图像的多个第一预定灰度图像、对应于预定缺陷标记图像的多个第二预定灰度图像及对应于预定缺陷标记图像的缺陷的预定信息建立缺陷确定模型。
在一些实施例中，存在用于训练缺陷确定模型的训练函数。训练函数包含用于接收第一预定灰度图像、第二预定灰度图像及预定缺陷标记图像作为用于训练的输入数据，且接收缺陷的预定信息作为基于输入数据的输出数据的区段。因此，在使用含有图像的收缩及扩展函数的主程序执行训练函数之后训练缺陷确定模型。应注意，第一预定灰度图像及第二预定灰度图像的产生可基于前述实施例(例如，通过系统3产生第一预定灰度图像及第二预定灰度图像的实施例)实施。在建立缺陷确定模型之后，执行操作S704以存储缺陷确定模型以供后续使用。
图7C至7D是展示确定缺陷的方法的流程图。在使用充分数据训练参考图像产生模型及缺陷确定模型之后，建立参考图像产生模型及缺陷确定模型，执行操作S705以提供晶片。执行操作S706以检测晶片上的缺陷。执行操作S707以确定缺陷的位置(例如，缺陷的坐标)。应注意，可基于前述实施例(例如，通过系统2或系统3检测缺陷的实施例)实现缺陷的检测及缺陷的位置的确定。
因此，在确定晶片上的缺陷的位置之后，执行操作S708以根据所述位置捕捉一缺陷图像及额外图像。缺陷图像及额外图像的各者含有晶片的缺陷。应注意，可基于前述实施例(例如，通过系统3获得缺陷图像及额外图像的实施例)导出缺陷图像及额外图像。
执行操作S709以基于缺陷图像及设计图案数据确定设计图案图像。应注意，在一些实施例中：(1)设计图案数据含有晶片的设计布局的信息(例如，呈CAD格式的晶片的布局)；及(2)设计图案图像及缺陷图像是在晶片的相同区处的图像。设计图案图像是设计布局，且缺陷图像是由装置捕捉的图像。在一些实施例中，操作S710基于缺陷图像及额外图像(在操作S708之后捕捉)产生第一灰度图像及第二灰度图像。在一些实施例中，同时执行操作S710及操作S709。
执行操作S711以基于设计图案图像及参考图像产生模型产生参考图像。通过参考图像产生模型将设计图案图像转换为参考图像。参考图像产生模型是机器学习模型。给出设计图案图像作为参考图像产生模型的输入数据，且后续输出数据是参考图像。换句话说，将参考图像产生模型应用至设计图案图像以产生参考图像。在一些实施例中，同时执行操作S710及操作S711。
在产生参考图像之后，执行操作S712以基于缺陷图像及参考图像产生缺陷标记图像。在一些实施例中，通过从参考图像减去缺陷图像而导出缺陷标记图像。在一些实施例中，同时执行操作S710及操作S712。
执行操作S713以基于第一灰度图像、第二灰度图像、缺陷标记图像及缺陷确定模型产生晶片的缺陷的信息。具体地说，通过缺陷确定模型将第一灰度图像、第二灰度图像及缺陷标记图像转换为缺陷的信息。缺陷确定模型是一机器学习模型。给出第一灰度图像、第二灰度图像及缺陷标记图像作为缺陷确定模型的输入数据，且来自缺陷确定模型的后续输出数据是缺陷的信息。换句话说，将缺陷确定模型应用至第一灰度图像、第二灰度图像及缺陷标记图像以产生缺陷的信息。
在上文的实施例的各者中描述的缺陷确定方法可由包含多个代码的计算机程序实施。所述计算机程序存储于非暂时性计算机可读存储媒体中。当所述计算机程序被载入电子运算设备(例如，在上文的实施例中提及的缺陷确定系统)中时，计算机程序执行如上文的实施例中描述的缺陷确定方法。非暂时性计算机可读存储媒体可为电子产品，例如，只读存储器(ROM)、闪速存储器、软盘、硬盘、光盘(CD)、移动磁盘、网络可存取数据库或具有相同功能且为一般技术者所熟知的任何其它存储媒体。
本揭露的一些实施例提供一种用于扫描晶片的方法。所述方法包含以下操作：提供晶片；捕捉所述晶片的第一缺陷图像；基于参考图像产生模型产生对应于所述第一缺陷图像的第一参考图像；及基于所述第一缺陷图像及所述第一参考图像产生第一缺陷标记图像。
本揭露的一些实施例提供一种用于扫描晶片的方法。所述方法包含以下操作：获得晶片的图像，其中所述图像包括所述晶片的缺陷；产生对应于所述图像的第一设计图案图像；将一参考图像产生模型应用至所述第一设计图案图像以产生第一参考图像；及通过比较所述图像与所述第一参考图像而导出第一缺陷标记图像。
本揭露的一些实施例提供一种用于扫描晶片的系统。所述系统包含存储单元、图像捕捉装置及处理器。所述处理器经电连接至所述存储单元及所述图像捕捉装置。所述存储单元存储参考图像产生模型。所述图像捕捉装置捕捉晶片的缺陷图像。所述处理器：将所述晶片的所述图像输入至所述参考图像产生模型以输出参考图像；且处理所述图像及所述参考图像以导出缺陷标记图像。
上文概述若干实施例的特征，使得本领域的技术人员可较佳理解本揭露的方面。本领域的技术人员应了解，其可容易使用本揭露作为用于设计或修改用于实行相同目的及/或实现本文中介绍的实施例的相同优点的其它程序及结构的基础。本领域的技术人员也应意识到这些等效构造不脱离本揭露的精神及范围且其可在本文中做出各种改变、替代及更改而不脱离本揭露的精神及范围。
符号说明
1 系统
2 系统
3 系统
11 存储单元
13 图像捕捉装置
15 处理器
21 存储单元
23 图像捕捉装置
25 处理器
27 缺陷检测装置
31 存储单元
33 图像捕捉装置
35 处理器
37 缺陷检测装置
110 参考图像产生模型
130 缺陷图像
150 参考图像
152 缺陷标记图像
210 参考图像产生模型
212 缺陷确定模型
214 设计图案数据
230 缺陷图像
250 参考图像
252 缺陷标记图像
254 设计图案图像
270 位置
310 参考图像产生模型
312 缺陷确定模型
314 设计图案数据
330 缺陷图像
350 参考图像
352 缺陷标记图像
354 设计图案图像
370 位置
S401 操作
S402 操作
S403 操作
S404 操作
S501 操作
S502 操作
S503 操作
S504 操作
S505 操作
S506 操作
S507 操作
S508 操作
S601 操作
S602 操作
S603 操作
S604 操作
S605 操作
S606 操作
S607 操作
S608 操作
S609 操作
S610 操作
S611 操作
S612 操作
S701 操作
S702 操作
S703 操作
S704 操作
S705 操作
S706 操作
S707 操作
S708 操作
S709 操作
S710 操作
S711 操作
S712 操作
S713 操作。

Claims (19)

1.一种扫描晶片的方法，其包括：
提供晶片；
捕捉所述晶片的缺陷图像；
基于设计图案数据确定对应于所述缺陷图像的第一设计图案图像；
基于所述第一设计图案图像及参考图像产生模型产生对应于所述缺陷图像的第一参考图像；及
基于所述缺陷图像及所述第一参考图像产生第一缺陷标记图像。
2.根据权利要求1所述的方法，其进一步包括：
检测所述晶片的缺陷；及
确定所述缺陷的位置；
其中根据所述缺陷的所述位置捕捉所述缺陷图像。
3.根据权利要求1所述的方法，其进一步包括：
基于至少一个第二设计图案图像及对应于所述至少一个第二设计图案图像的至少一个第二参考图像建立所述参考图像产生模型。
4.根据权利要求1所述的方法，其进一步包括：
确定所述缺陷图像的第一图像直方图数据；
其中基于所述第一设计图案图像、所述第一图像直方图数据及所述参考图像产生模型产生所述第一参考图像。
5.根据权利要求4所述的方法，其进一步包括：
基于至少一个第二设计图案图像、对应于所述至少一个第二设计图案图像的至少一个第二参考图像及所述至少一个第二参考图像的至少一个第二图像直方图数据建立所述参考图像产生模型。
6.根据权利要求1所述的方法，其进一步包括：
基于所述第一缺陷标记图像及缺陷确定模型产生所述晶片的缺陷的信息。
7.根据权利要求6所述的方法，其进一步包括：
基于至少一个第二缺陷标记图像及对应于所述至少一个第二缺陷标记图像的缺陷的信息建立所述缺陷确定模型。
8.根据权利要求6所述的方法，其进一步包括：
基于捕捉所述缺陷图像而产生第一灰度图像及第二灰度图像；
其中基于所述第一缺陷标记图像、所述第一灰度图像、所述第二灰度图像及所述缺陷确定模型产生所述晶片的缺陷的信息。
9.根据权利要求8所述的方法，其进一步包括：
基于至少一个第二缺陷标记图像、对应于所述至少一个第二缺陷标记图像的至少一个第三灰度图像、对应于所述至少一个第二缺陷标记图像的至少一个第四灰度图像及对应于所述至少一个第二缺陷标记图像的缺陷的信息建立所述缺陷确定模型。
10.一种扫描晶片的方法，其包括：
获得晶片的图像，其中所述图像包括所述晶片的缺陷；
基于设计图案数据产生对应于所述图像的第一设计图案图像；
将参考图像产生模型应用至所述第一设计图案图像以产生对应于所述晶片的所述图像的第一参考图像；及
通过比较所述图像与所述第一参考图像而导出第一缺陷标记图像。
11.根据权利要求10所述的方法，其中基于具有多个第二设计图案图像及对应于所述多个第二设计图案图像的多个第二参考图像的训练数据的机器学习方案训练所述参考图像产生模型。
12.根据权利要求10所述的方法，其进一步包括：
扫描所述晶片以检测所述缺陷；
确定所述缺陷的位置；
基于所述缺陷的所述位置捕捉所述图像。
13.根据权利要求10所述的方法，其中产生所述第一设计图案图像进一步包括：
比较所述图像与所述晶片的设计布局；
通过使所述图像与所述设计布局的部分匹配而产生所述第一设计图案图像。
14.根据权利要求10所述的方法，其中导出所述第一缺陷标记图像进一步包括：
通过从所述第一参考图像减去所述图像而导出所述第一缺陷标记图像。
15.根据权利要求10所述的方法，其进一步包括：
将缺陷确定模型应用至所述第一缺陷标记图像以产生所述晶片的所述缺陷的信息。
16.根据权利要求15所述的方法，其中基于具有多个第二缺陷标记图像及对应于所述多个第二缺陷标记图像的缺陷的信息的训练数据的机器学习方案训练所述缺陷确定模型。
17.一种扫描晶片的系统，其包括：
存储单元，其经配置以存储参考图像产生模型；
图像捕捉装置，其经配置以捕捉晶片的图像；及
处理器，其经电连接至所述存储单元及所述图像捕捉装置且经配置以：
基于设计图案数据确定对应于所述晶片的所述图像的第一设计图案图像；
将所述第一设计图案图像输入至所述参考图像产生模型以输出对应于所述晶片的所述图像的参考图像；及
处理所述晶片的所述图像及所述参考图像以导出缺陷标记图像。
18.根据权利要求17所述的系统，其进一步包括：
缺陷检测装置，其经电连接至所述处理器且经配置以扫描所述晶片以检测所述晶片的缺陷，其中所述图像包括所述缺陷。
19.根据权利要求17所述的系统，其中所述存储单元进一步经配置以存储缺陷确定模型，且所述处理器进一步经配置以将所述缺陷标记图像输入至所述缺陷确定模型且基于所述缺陷标记图像从所述缺陷确定模型输出所述晶片的所述缺陷的信息。
CN201910994618.7A 2018-10-26 2019-10-18 扫描晶片的系统及方法 Active CN111103317B (zh)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
US201862751047P 2018-10-26 2018-10-26
US62/751,047 2018-10-26
US16/285,765 2019-02-26
US16/285,765 US11037289B2 (en) 2018-10-26 2019-02-26 Method and system for scanning wafer

Publications (2)

Publication Number Publication Date
CN111103317A CN111103317A (zh) 2020-05-05
CN111103317B true CN111103317B (zh) 2022-12-06

Family

ID=70327528

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910994618.7A Active CN111103317B (zh) 2018-10-26 2019-10-18 扫描晶片的系统及方法

Country Status (3)

Country Link
US (3) US11037289B2 (zh)
CN (1) CN111103317B (zh)
TW (1) TWI748242B (zh)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10854486B2 (en) * 2018-09-19 2020-12-01 Kla Corporation System and method for characterization of buried defects
US11922613B2 (en) * 2019-12-30 2024-03-05 Micron Technology, Inc. Apparatuses and methods for determining wafer defects
US11769242B2 (en) * 2020-05-21 2023-09-26 Kla Corporation Mode selection and defect detection training
TWI737375B (zh) * 2020-07-01 2021-08-21 力晶積成電子製造股份有限公司 缺陷辨識方法以及影像分析系統
CN112200762A (zh) * 2020-07-02 2021-01-08 西南科技大学 二极管玻壳缺陷检测方法
CN112183667B (zh) * 2020-10-31 2022-06-14 哈尔滨理工大学 一种协同深度学习的绝缘子故障检测方法
CN112908884B (zh) * 2021-02-04 2023-11-28 苏州众里数码科技有限公司 一种led晶圆良率检测方法
WO2023156125A1 (en) * 2022-02-17 2023-08-24 Asml Netherlands B.V. Systems and methods for defect location binning in charged-particle systems
CN115272310B (zh) * 2022-09-26 2023-01-03 江苏智云天工科技有限公司 工件的缺陷检测方法及装置
CN117269197B (zh) * 2023-11-21 2024-02-02 昆明理工大学 多晶硅原料表面质量检测方法及检测装置

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6614924B1 (en) 1999-08-02 2003-09-02 Applied Materials, Inc. Adaptive mask technique for defect inspection
US6583413B1 (en) * 1999-09-01 2003-06-24 Hitachi, Ltd. Method of inspecting a circuit pattern and inspecting instrument
US7013222B2 (en) * 2003-09-12 2006-03-14 Lsi Logic Corporation Wafer edge inspection data gathering
US7369236B1 (en) * 2006-10-31 2008-05-06 Negevtech, Ltd. Defect detection through image comparison using relative measures
JP4542164B2 (ja) * 2008-03-18 2010-09-08 アドバンスド・マスク・インスペクション・テクノロジー株式会社 パターン検査装置、パターン検査方法及びプログラム
US8175373B2 (en) * 2009-02-16 2012-05-08 Kla-Tencor Corporation Use of design information and defect image information in defect classification
JP2012251785A (ja) 2011-05-31 2012-12-20 Nuflare Technology Inc 検査装置および検査方法
US10656517B2 (en) * 2016-01-20 2020-05-19 Mentor Graphics Corporation Pattern correction in multiple patterning steps
US10607119B2 (en) * 2017-09-06 2020-03-31 Kla-Tencor Corp. Unified neural network for defect detection and classification

Also Published As

Publication number Publication date
US20230386013A1 (en) 2023-11-30
US20200134810A1 (en) 2020-04-30
TWI748242B (zh) 2021-12-01
US11037289B2 (en) 2021-06-15
TW202016531A (zh) 2020-05-01
US20210304397A1 (en) 2021-09-30
CN111103317A (zh) 2020-05-05
US11783469B2 (en) 2023-10-10

Similar Documents

Publication Publication Date Title
CN111103317B (zh) 扫描晶片的系统及方法
KR102422111B1 (ko) 반도체 시편의 검사에 사용가능한 훈련 세트의 생성
JP6924413B2 (ja) データ生成装置、データ生成方法及びデータ生成プログラム
CN110945528B (zh) 产生可用于检查半导体样品的训练集的方法及其系统
WO2019117065A1 (ja) データ生成装置、データ生成方法及びデータ生成プログラム
CN107004123B (zh) 迭代式缺陷滤除工艺
JP2013257304A5 (zh)
KR20200116926A (ko) 반도체 시편의 심층 학습 기반 검사 방법 및 그의 시스템
KR20130139762A (ko) 검사 이미지들 내에서 결함들을 검출하기 위한 시스템, 방법 및 컴퓨터 프로그램 제품
CN113763312B (zh) 使用弱标记检测半导体试样中的缺陷
KR20200089621A (ko) 표본에 대한 결함 검출 방법 및 그 시스템
KR102521386B1 (ko) 치수 계측 장치, 치수 계측 방법 및 반도체 제조 시스템
JP6544716B2 (ja) データ生成装置、データ生成方法及びデータ生成プログラム
KR20220012217A (ko) 반도체 시편에서의 결함들의 기계 학습 기반 분류
JP2019050376A5 (zh)
JP2015038441A (ja) 分類器取得方法、欠陥分類方法、欠陥分類装置およびプログラム
JP2016191589A (ja) 欠陥分類装置および欠陥分類方法
KR20220014805A (ko) 반도체 시편의 검사에 사용가능한 훈련 데이터의 생성
KR20080056149A (ko) 미지 품질의 패턴을 사용하여 기준 이미지를 생성하기 위한시스템 및 방법
JP2021111279A (ja) ラベルノイズ検出プログラム、ラベルノイズ検出方法及びラベルノイズ検出装置
KR102360769B1 (ko) 시편의 검사를 위한 알고리즘 모듈들의 자동 선택
Londe et al. Automatic PCB defects detection and classification using MATLAB
JP2019087050A (ja) 構造物維持管理業務支援システム
CN114240928B (zh) 板卡质量的分区检测方法、装置、设备及可读存储介质
CN116435204A (zh) 基于空间密度分析的半导体晶片的引导检查

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