CN111199534B - 图像中特征计量的参数估计 - Google Patents

图像中特征计量的参数估计 Download PDF

Info

Publication number
CN111199534B
CN111199534B CN201911112891.9A CN201911112891A CN111199534B CN 111199534 B CN111199534 B CN 111199534B CN 201911112891 A CN201911112891 A CN 201911112891A CN 111199534 B CN111199534 B CN 111199534B
Authority
CN
China
Prior art keywords
image
model
feature
features
parameter
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
CN201911112891.9A
Other languages
English (en)
Other versions
CN111199534A (zh
Inventor
B·拉尔森
J·弗拉纳根
M·佩曼
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.)
FEI Co
Original Assignee
FEI Co
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 FEI Co filed Critical FEI Co
Publication of CN111199534A publication Critical patent/CN111199534A/zh
Application granted granted Critical
Publication of CN111199534B publication Critical patent/CN111199534B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G06T7/001—Industrial image inspection using an image reference approach
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/97—Determining parameters from multiple pictures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • 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
    • 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
    • G01N21/95607—Inspecting patterns on the surface of objects using a comparative method
    • 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
    • G01N23/02—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 transmitting the radiation through the material
    • G01N23/04—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 transmitting the radiation through the material and forming images of the material
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/149—Segmentation; Edge detection involving deformable models, e.g. active contour models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
    • G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
    • G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
    • G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
    • 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
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/776—Validation; Performance evaluation
    • 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
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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
    • H01J37/02—Details
    • H01J37/22—Optical, image processing or photographic arrangements associated with the tube
    • H01J37/222—Image processing arrangements associated with the tube
    • 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
    • H04N19/10—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding
    • H04N19/134—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the element, parameter or criterion affecting or controlling the adaptive coding
    • H04N19/146—Data rate or code amount at the encoder output
    • H04N19/149—Data rate or code amount at the encoder output by estimating the code amount by means of a model, e.g. mathematical model or statistical model
    • 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
    • G01N21/95607—Inspecting patterns on the surface of objects using a comparative method
    • G01N2021/95615—Inspecting patterns on the surface of objects using a comparative method with stored comparision signal
    • 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
    • G01N2223/03—Investigating materials by wave or particle radiation by transmission
    • 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
    • G01N2223/086—Auger electrons
    • 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
    • G01N2223/10—Different kinds of radiation or particles
    • G01N2223/102—Different kinds of radiation or particles beta or electrons
    • 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
    • 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
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
    • H01J2237/00—Discharge tubes exposing object to beam, e.g. for analysis treatment, etching, imaging
    • H01J2237/22—Treatment of data
    • H01J2237/221—Image processing
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
    • H01J2237/00—Discharge tubes exposing object to beam, e.g. for analysis treatment, etching, imaging
    • H01J2237/26—Electron or ion microscopes
    • H01J2237/28—Scanning microscopes
    • H01J2237/2813—Scanning microscopes characterised by the application
    • H01J2237/2817—Pattern inspection

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Multimedia (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Quality & Reliability (AREA)
  • Biomedical Technology (AREA)
  • Biochemistry (AREA)
  • Molecular Biology (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Algebra (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Signal Processing (AREA)
  • Image Processing (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)
  • Image Analysis (AREA)

Abstract

本文中公开用于计量的参数估计的方法和设备。实例方法至少包含：基于图像中特征的一个或多个模型使用参数估计网络来优化参数集以拟合所述特征，所述参数集限定所述一个或多个模型；和基于优化后的参数集提供所述图像中所述特征的计量数据。

Description

图像中特征计量的参数估计
技术领域
本发明大体上涉及人工智能(AI)启用计量，并且具体地说涉及用于带电粒子显微术图像上的AI增强型计量。
背景技术
在工业和研究的许多领域，对产品/工艺开发、质量控制、医疗评估等进行小结构的分析和测量。可使用各种类型的检测工具进行这类分析和测量，这有可能包含形成一个或多个所关注结构的图像。举例来说，在半导体工业中，带电粒子显微镜用于在纳米级上使电路结构成像，这通常成为分析和测量任务的基础。在此实例中，对图像本身进行测量以理解缺陷和工艺控制的可能性。然而，这类分析和测量需要高度熟练的操作员来确定测量的位置和用于进行测量的关键特征。这通常可使用创建工作程序来完成，一旦识别和定位关键特征，就可运行所述工作程序。
然而，通过熟练的操作员对关键特征的这种识别和定位可为繁重的并且缺乏稳健性。另外，由于工作程序不能自己定位和/或识别关键特征，因此成像条件或制造工艺的较小改变可能需要手动重新调整工作程序。由于成像和/或制造的改变而不断地重新处理工作程序的这类要求使得完全自动化不可靠和/或不可达。在许多情况下，操作员需要筛选出误报以确保分析的准确性。为了提高生产率和降低成本，在所有工业中都期望去除与工艺的持续人为交互。另外，期望对结构，尤其是经历形状和一致性的改变的小结构进行更稳健的自动分析和测量的需求。
附图说明
本专利或申请文件含有至少一幅彩色附图。具有一幅或多幅彩色附图的此专利或专利申请公开的复本将在请求和支付必需费用之后由专利局提供。
图1是根据本公开的实施例的带电粒子显微镜系统的实例。
图2包含TEM图像中的特征的若干实例图示。
图3是根据本文中所公开的实施例的参数估计网络(PEN)的实例流程图。
图4是展示根据本公开的实施例的由基于模型的图像所示的模型参数的改变的图像序列。
图5是展示根据本公开的实施例的对特征的计量的实例图像。
图6是根据本公开的实施例的计算系统的实例功能性框图。
在附图的多个视图中，相同的附图标记指代对应的部件。
具体实施方式
本发明的实施例涉及AI增强型计量。在一些实例中，AI优化模型参数以将模型拟合到所关注特征，接着从优化后的模型参数获得所需计量数据。在一些实例中，模型参数的优化通过接收特征的图像和基于初始参数所生成的特征的模型图像的回归卷积神经网络递归地进行，接着通过回归卷积神经网络的递归应用优化所述图像和所述模型图像。优化后的参数接着限定几乎精确匹配图像中的特征的模型特征，且其提供所需计量数据。然而，应理解，本文中所描述的方法通常适用于各种不同的AI增强型计量，并且不应认为是限制性的。
除非上下文另外明确规定，否则如本申请中和权利要求书中所使用，单数形式“一(a/an)”和“所述”包含复数形式。另外，术语“包含”意味着“包括”。另外，术语“耦合”不排除耦合项之间存在中间元件。另外，在以下论述中和权利要求书中，术语“包含”和“包括”以开放式的方式使用，并且因此应该解释为意味着“包含但不限于……”。术语“集成电路”是指在微芯片的表面上图案化的一组电子组件和其互连(统称为内部电气电路元件)。术语“半导体装置”一般是指集成电路(IC)，其可与半导体晶片成一体式、与晶片分隔开，或封装在电路板上使用。术语“FIB”或“聚焦离子束”在本文中用于指任何准直离子束，包含由离子光学器件聚焦的光束和成形离子束。
本文中所描述的系统、设备和方法不应以任何方式解释为限制性的。相反，本公开针对各种公开的实施例(单独和与彼此的各种组合和子组合中)的所有新颖和非显而易见特征和方面。所公开的系统、方法和设备不限于任何特定方面或特征或其组合，并且所公开的系统、方法和设备也不要求存在任何一个或多个特定优点或解决问题。任何操作理论都是为了便于解释，但所公开的系统、方法和设备不限于这类操作理论。
虽然为了便于呈现而以特定的顺序次序来描述所公开方法中的一些的操作，但应理解，除非下文所阐述的具体语言要求特定排序，否则这种描述方式涵盖对操作的重新排列。举例来说，在一些情况下，可重新排列或同时进行依序描述的操作。此外，为简明起见，附图可能不展示所公开的系统、方法和设备可与其它系统、方法和设备结合使用的各种方式。另外，本说明书有时使用像“产生”和“提供”的术语来描述所公开方法。这些术语是所进行的实际操作的高度抽象。对应于这些术语的实际操作将取决于特定实施方案而变化，并且易于由本领域普通技术人员辨别。
通常，对使用带电粒子显微镜获得的图像的计量(例如，使用图像用于测量的基础)例如在常规上需要大量用户交互以获得质量数据。可能需要大量用户交互因为大小、形状、噪音和对比度差异可能以其它方式导致不合格或不正确的测量。虽然计量是某些行业(例如微电子工业)中的工艺控制和缺陷检测的所需方面，但是不管工业如何，都非常期望图像识别和计量的改进。应注意，虽然本文中的论述使用微电子工业和电路/组件结构来说明所公开技术，但微电子工业的用途不是限制性的，并且所公开技术可实施于任何种类的图像上以用于任何测量目的而不超出本公开的范围，并且本文中涵盖所有当前和未来的用途。
以上所公开问题的一个解决方案包含通过递归卷积神经网络将特征模型与参考图像对准的参数估计网络(PEN)。参数估计网络与面部识别的不同之处在于，提供模型以拟合各种不同特征。因此，特征模型是进入PEN的输入。这一特征模型根据特征自定义且接着在PEN上训练。其次，期望小于图像分辨率的0.1％的TEM计量1σ测量精度与当前TEM计量相当。为了实现这一极大的改进，相较于其它方法，PEN包含模型定义、训练和递归的改进。参数估计网络设计成将模型参数拟合到所供应的图像，这接着还提供所需计量数据。
图1是根据本公开的实施例的带电粒子显微镜系统100的实例。带电粒子显微镜(CPM)系统100(或简称系统100)至少包含CPM环境102、网络104、一个或多个服务器106和参数估计网络(PEN)114。CPM系统100可用于研究和分析各种大小和组成的样本。对于一个实例，CPM系统100可至少部分地在集成电路制造现场处实施，并且用于分析和测量在现场处制造的晶片和电路的各个方面。在一些实施例中，CPM系统100可分布在各个位置中。举例来说，CPM环境102可定位在制造或研发位置处，网络104本地地、区域性地或全国性地分布，并且服务器106定位在服务器集群处且经由网络104耦合到CPM环境100。不管CPM系统100的组织如何，系统100可至少用于实施一个或多个PEN 114以进行各个计量相关性任务。
CPM环境102包含任何类型的带电粒子显微镜，但本文中所公开的神经网络和分析的应用不限于带电粒子显微术，其仅用于说明性目的。实例CPM包含扫描电子显微镜(SEM)、透射式电子显微镜(TEM)、扫描透射式电子显微镜(STEM)、聚焦离子束(FIB)和包含电子和离子束能力两者的双光束(DB)系统，仅举几例。CPM环境102可用于获得样本的电子或离子图像，所述样本中的一些可以是取自较大样本或晶片的薄片，例如薄层。CPM环境102可包含可在单个工具中含有的或可位于单独工具中的各个方面。举例来说，CPM环境102可包含成像平台108(例如SEM、TEM或STEM)、样本制备平台110，和一个或多个控制器112。当然，每一平台108和110也可包含大于一个显微镜/样本制备工具。
成像平台108用于获得样本的图像，样本中的一些可能已由样本制备平台110制备，但这不是必需的。使用电子和/或离子源以用相应的带电粒子束照射样本来获得图像。在一些实例中，带电粒子束成像通过例如在样本上移动的扫描光束获得，而在其它实例中，不扫描带电粒子束。接着检测例如背散射、二次或透射电子，并且基于其形成灰度阶图像。图像包含取决于样本材料的灰度阶对比度，其中灰度阶的改变指示材料类型和/或晶体取向的改变。成像平台108可由内部控制(未展示)、控制器112或其组合来控制。
样本制备平台110形成由成像平台108成像的样本中的一些。当然，成像样本也可由其它工具(未展示)形成。举例来说，样本制备平台110可以是DB系统，其使用FIB来制备和帮助从较大样本中去除薄样本，例如通过离子铣削、离子诱导蚀刻或其组合，和处理用于成像的样本的其它工艺。其它工艺可包含但不限于平坦化铣削/蚀刻、基准生成、横截面形成、自上而下的薄层制备等。样本制备平台110还可包含允许待监测的样本制备工艺的电子成像组件，但电子成像组件不是必需的。在一些实施例中，样本制备平台110可包含用以制备用于成像平台108的样本的其它物理制备方面--激光器、切割工具、树脂包封工具、低温工具等。样本制备平台110可由内部控制(未展示)、控制器112或其组合来控制。
网络104可以是用于在CPM环境102与一个或多个服务器106之间传输信号的任何种类的网络。举例来说，网络104可以是局域网、广域网或分布式网络，例如因特网、电话骨干网和其组合。
服务器106可包含一个或多个虚拟和/或物理的计算平台，其可运行用于各种算法、神经网络和分析套件的代码。虽然未展示，但CPM环境102的用户可访问服务器106以检索数据、更新软件代码、对数据进行分析任务等，其中访问是通过网络104从用户的本地计算环境(未展示)进行的。在一些实施例中，用户访问存储在服务器106上的图像数据，使用PEN 114(其可在服务器106或CPM环境102上执行)实施分割和回归任务，和在其本地计算环境下进行计量。在一些实施例中，分割和回归任务可结合通过算法116进行的模型生成任务进行。
在操作中，通过成像平台108获得样本的一个或多个图像。图像中的至少一个(其包含一个或多个所关注结构)例如可由参数估计网络(PEN)114分析以提供关于一个或多个所关注结构的计量数据。PEN 114可包含在CPM环境102、服务器106或其组合中。由PEN 114基于回归卷积神经网络对所关注特征的图像和所关注特征的一个或多个模型的递归应用来确定计量数据。一个或多个模型可通过基于初始参数集来初始地生成，所述初始参数集通过以下步骤逐步优化：比较一个或多个模型与图像中的特征，接着调整参数集以使得模型收敛到所关注特征。一旦参数集经过优化，就基于模型而非图像提供计量数据。模型/参数集的收敛可基于低于像素步长阈值(例如0.5个像素)的迭代之间的像素步长或基于所进行的迭代的阈值数目(例如12)来确定。然而，所述阈值是本公开的非限制性方面且任何用户都可限定其所需阈值。
更具体来说，且如图3中所示，将初始参数集P0提供给PEN 114的模型生成函数，其可生成区域模型图像和边界模型图像，接着将所述图像连同一个或多个特征的图像一起提供给回归卷积神经网络(RCNN)。RCNN可分割图像且提取所关注特征。在一些实施例中，也可发生特征的再定向和调整图像的大小以匹配模型图像的大小。一旦提取所关注特征，RCNN就比较所关注特征的所分割图像与区域和边界模型图像，这可在像素级别下完成，但并非必需的。接着输出图像与模型图像之间的差且与初始参数组合(例如加、减、乘、除)以生成更新后的参数集。随后，基于更新后的参数集，可重复工艺以进一步更新(例如优化)参数集，例如P1。在工艺的每一迭代之后，对照如上文所提及的阈值比较像素步长(例如模型图像的像素的改变)。另外，比较迭代数目与阈值。如果比较中的任一个已符合或超出其相应阈值，那么停止迭代且提供基于优化后的参数集的计量数据。
虽然将提供给PEN 114的图像描述为通过成像平台108获得，但是在其它实施例中，图像可由不同成像平台提供并且经由网络104提供给PEN 114。
在一个或多个实施例中，PEN 114的RCNN可称为深度学习系统或机器学习计算系统。PEN 114的RCNN包含连接单元或节点的集合，其称为人工神经元。每一连接将信号从一个人工神经元传输到另一个。人工神经元可以聚集成层。不同的层可对其输入进行不同种类的转换。
RCNN在常规上设计成处理以多个阵列形式出现的数据，例如由含有三个色彩通道中的像素强度的三个二维阵列构成的色彩图像。将RCNN的实例架构结构化为一系列阶段。前几个阶段可由两种类型的层构成：卷积层和汇集层。卷积层对输入应用卷积运算，将结果传递给下一层。卷积模拟单个神经元对视觉刺激的响应。汇集层将一个层处的神经元簇的输出组合到下一层中的单个神经元中。举例来说，最大汇集使用来自前一层处的神经元簇中的每一个的最大值。在卷积层和汇集层之后将是一个或多个完全连接的回归层。
在一个或多个实施例中，RCNN配置成检测和/或识别(例如分类)样本的输入图像中所示的所关注对象且比较多个图像以确定其间的差。所关注对象是正在研究的样本的一部分。试样的其余部分提供所关注对象的情境。然而，需要测量所关注对象，而可忽略试样的其余部分。作为实例，一个或多个圆形、椭圆形、柱状和/或分层结构可以是图像内的所关注对象，且一个或多个组件可测量或可以是根据优化后的模型确定的测量值。当然，本文中所公开的所关注对象仅出于说明性目的，且可由PEN 114测量通过CPM系统100所捕捉的任何类型的所关注对象。
在使用之前，可需要训练PEN 114以识别图像中的结构的所需特征。换句话说，PEN114需要学习如何视需要分割图像且比较所分割图像与模型图像。训练通常可包含向PEN114(或更精确地说，向RCNN)提供若干有标注图像，其中标注突出显示结构的所需/不同组件。举例来说，可突出显示边界和关键参考点。训练图像通常可包含各种质量的图像，并且还包含与所需形状的各种一致性的结构。基于训练图像，PEN 114学习如何识别接收到的各种类别的任何图像，而不管图像/结构质量如何。另外，训练图像的量可基于正分析的结构的复杂度，其中更小复杂度需要更少训练图像。
图2包含TEM图像中的特征的若干实例图示200。图2中的图像提供如上文所论述的特征形状/大小和图像质量两者的差异的实例，且可影响稳健的自动化计量。图示200包含图像220A至220D，其中每一图像220展示相应特征222和224。特征222A-D和224A-D可以是所关注特征且通过本文中所公开的技术获得所需计量信息，例如各个位置处特征222的宽度、特征222的高度和特征224的厚度。
如可在图2中看出，即使在已对对比度进行归一化之后，每一图像220A-D的质量也不同，例如对比度、清晰度、纹理和噪音。在对对比度进行归一化之后，将图像提供给参数估计网络(例如PEN 114)，以使得可自动且稳健地确定所需计量数据。在不使用PEN的情况下，即使在使用常规自动化测量技术时，图像质量和特征形状/大小的广泛差异也可能要求用户手动地验证测量位置和数据。
图3是根据本文中所公开的实施例的参数估计网络(PEN)314的实例流程图。PEN314(其可以是PEN 114的实例)接收初始图像和多个模型参数，例如参数集，作为用于对包含于图像中的一个或多个特征进行计量的输入。PEN 314可通过计算系统或带电粒子环境系统(例如系统100)进行以提供关于一个或多个图像中的所需特征的测量值，例如计量数据。在一些实施例中，图像可以是集成电路组件的纳米级特征的TEM图像，但这不限制本公开。输入图像可以不需要任何预处理，但可至少进行对比度的归一化且针对PEN 314设定大小。
PEN 314可在过程框330处开始，其基于初始参数集P0生成所关注特征的模型或多个模型。初始参数集P0可包含限定所关注特征的任何数目个所需参数。在方法300的实施例中，P0包含限定模型图像332和334中所示的模型的17个参数。模型图像332展示所关注特征(例如蹲柱222和子层224)的边界。参数空间可基于几何模型、统计模型或提供一个或多个所关注特征的参数化的任何模型。初始参数P0可例如基于CAD数据使用目标大小/形状来描述特征，或可基于来自先前测量值的启发式生成的参数。模型生成框330生成区域模型334，其限定特征和背景的不同区域。区域模型334展示绿色的蹲柱222、红色的子层224和蓝色的背景，所述背景是既不是蹲柱222也不是子层224的任何东西。另外，模型生成框330生成展示所关注特征(例如蹲柱和子层)的边界的边界模型332。
过程框336连同特征的图像320一起接收两个模型，区域模型334和边界模型332。过程框336可以是回归卷积神经网络(RCNN)，其包含若干卷积节点，后面是若干完全连接的层，例如回归层。一般来说，过程框336可使用分割技术(例如FCN技术)来定位图像320中的特征以识别图像320中的所关注特征，以及优化模型的参数P0，将模型图像拟合到特征，这将图像中的特征的误差/偏差提供给初始参数P0。另外，过程框336可在必要时重新定向图像320中的特征，且裁剪出特征。
过程框336比较区域和边界模型图像334、332与图像320且确定应如何调整参数以提供模型与图像320中的特征的更好拟合。接着将误差/调整量提供给组合器338，其还接收初始参数P0。接着，组合器338基于误差/调整量如何改变参数集P0提供更新后的参数集P1。
接着将更新后的参数集P1提供给过程框340，其基于参数集P1分别生成区域和边界模型图像344和342。
接着，过程框346进行类似于过程框336的参数估计过程以进一步优化参数集。组合器348接着比较由过程框346提供的另一优化后的参数与参数集P1以提供更新参数集P2。
过程可接着重复，直到例如RCNN框的输出与更新后的参数之间的差小于阈值像素大小为止。替代性地，PEN 314可迭代，直到例如已进行阈值数目个迭代为止。一旦PEN 314已结束，最终参数集就可用于限定特征。接着将所限定的特征用于提供关于那些特征的计量数据。因此，基于更新后的参数集的模型是计量数据的基础。
图4是展示根据本公开的实施例的由基于模型的图像所示的模型参数的改变的图像序列400。图像序列400展示例如如通过PEN 314优化后的模型参数的演变。图像序列400展示区域和边界模型图像在其相应参数集因通过PEN 314的迭代而改变时相对于TEM图像的改变。曲线图401展示PEN 314的每一迭代的像素步长的改变，例如图像与模型之间的误差的改变。
图像420A展示连同边界模型图像432(蓝色线)一起的分别是蹲柱和子层的特征422和424(图像的绿色部分)，和区域模型图像434(图像的红色部分，其因绿色图像色彩而呈现橙色和黄色)。参见图像332和334，例如边界和区域模型图像。如上文所论述，边界和区域模型图像432和434是基于初始的通用参数集P0，且有可能不匹配图像420A的特征422和424。所述不匹配由红色区域405说明，其展示特征422与区域模型434的蹲柱部分的差。另外，边界模型432不位于特征边界上，如通过红色区和特征424上方和下方的区407可见。另外且可能更难以突出显示的是在边界432上方延伸的特征422的顶部。PEN 314的RCNN 336识别不匹配且提供新的参数集P1以提供模型432、434与图像420A的特征422、424之间的更好匹配。
图像420B展示新的模型432、434和其关于特征422、424的改变。如图像420B中可见，蹲柱422与边界432之间的红色区已减小，且边界432已变得与包含蘑菇状部分的蹲柱422的顶部边缘更加对准。另外，随着区域模型434向上移动以与子层424更加一致，不匹配区407也已减小。同样，PEN 314的RCNN 336识别不匹配且提供新的参数集P2以提供模型432、434与图像420B的特征422、424之间的更好匹配。
图像420C至420E展示新的模型432、434的进一步改进/优化和其关于特征422、424的改变。图像420E至少向人们展示与所关注特征匹配的模型。
如曲线图401中可见，随着PEN 314的迭代进行，基于L2范数的像素步长在6个迭代之后成为模型与图像之间的子像素改变。这意味着模型与图像之间的差小于像素大小，且基于获得模型参数Pn引起对特征的高精度计量。
图5是展示根据本公开的实施例的对特征的计量的实例图像500。图像500分别包含蹲柱和子层特征522和524的计量数据。举例来说，数据是基于如由PEN 314提供的优化后的参数集。同样通过PEN 314确定的计量数据包含蹲柱的高度552、蹲柱加上子层的高度554，和蹲层在各个高度位置处的宽度。举例来说，可确定顶部宽度556、中部宽度558和底部宽度560。虽然在图像500中展示四个测量值，但是测量值的数目和位置可以是任何所需的。
根据一个实施例，本文中所描述的技术由一个或多个专用计算装置实施。专用计算装置可以是硬连线的以进行技术，或可包含数字电子装置，例如一个或多个专用集成电路(ASIC)、现场可编程门阵列(FPGA)或网络处理单元(NPU)，其持久编程以进行技术，或可包含一个或多个通用硬件处理器或图形处理单元(GPU)，其编程以依据固件、存储器、其它存储装置或组合中的程序指令来进行技术。这类专用计算装置还可将定制硬连线逻辑、ASIC、FPGA或NPU与定制编程组合以实现技术。专用计算装置可以是台式计算机系统、便携式计算机系统、手持型装置、联网装置或并有硬连线和/或程序逻辑以实施技术的任何其它装置。
举例来说，图6是说明可在其上实施本发明的实施例的计算机系统600的框图。计算系统600可以是包含在CPM环境102中的计算硬件的实例，这类控制器112、成像平台108、样本制备平台110和/或服务器106。另外，计算机系统600可用于实施本文中所公开的一个或多个神经网络，例如PEN 114和/或RCNN 336/346。计算机系统600至少包含用于进行信息通信的总线640或其它通信机制，和与总线640耦合以用于处理信息的硬件处理器642。硬件处理器642可以是例如通用微处理器。计算系统600可用于实施本文中所公开的方法和技术，例如方法301和401，并且还可用于获得图像并且用一个或多个类别来分割所述图像。
计算机系统600还包含耦合到总线640的主存储器644，例如随机存取存储器(RAM)或其它动态存储装置，用于存储信息和将由处理器642执行的指令。主存储器644也可用于在执行将由处理器642执行的指令期间存储临时变量或其它中间信息。当这类指令存储在处理器642可访问的非暂时性存储介质中时，将计算机系统600呈现为定制以进行指令中指定的操作的专用机器。
计算机系统600进一步包含耦合到总线640的只读存储器(ROM)646或其它静态存储装置，用于为处理器642存储静态信息和指令。提供存储装置648，例如磁盘或光盘，并且将其耦合到总线640以用于存储信息和指令。
计算机系统600可经由总线640耦合到显示器650，例如阴极射线管(CRT)，以用于向计算机用户显示信息。包含字母数字键和其它键的输入装置652耦合到总线640以用于将信息和命令选择传送到处理器642。另一类型的用户输入装置是光标控制件654，例如鼠标、轨迹球或光标方向键，用于将方向信息和命令选择传送到处理器642并且用于控制显示器650上的光标移动。这一输入装置通常具有在两个轴(第一轴(例如，x)和第二轴(例如，y))上的两个自由度，其允许所述装置指定一平面中的方位。
计算机系统600可使用定制硬连线逻辑、一个或多个ASIC或FPGA、固件和/或程序逻辑来实施本文中所描述的技术，其与计算机系统组合使得或编程计算机系统600成为专用机器。根据一个实施例，本文中的技术由计算机系统600响应于处理器642执行在主存储器644中含有的一个或多个指令的一个或多个序列来进行。这类指令可从如存储装置648的另一存储介质读入主存储器644。在主存储器644中含有的指令的序列的执行使得处理器642进行本文中所描述的工艺步骤。在替代性实施例中，硬连线电路可用于代替软件指令或与软件指令组合。
如本文中所使用的术语“存储介质”指的是存储使得机器以特定方式操作的数据和/或指令的任何非暂时性介质。这类存储介质可包括非易失性介质和/或易失性介质。非易失性介质包含例如光盘或磁盘，例如存储装置648。易失性介质包含动态存储器，例如主存储器644。常见形式的存储介质包含例如软磁盘、软盘、硬盘、固态驱动器、磁带或任何其它磁性数据存储介质、CD-ROM、任何其它光学数据存储介质、具有孔洞图案的任何物理介质、RAM、PROM和EPROM、闪存-EPROM、NVRAM、任何其它存储器芯片或盒式存储器、内容可寻址存储器(CAM)和三重内容可寻址存储器(TCAM)。
存储介质与传输介质不同但可与传输介质结合使用。传输介质参与存储介质之间的信息传递。举例来说，传输介质包含同轴电缆、铜线和光纤，包含包括总线640的导线。传输介质还可呈声波或光波的形式，例如在无线电波和红外数据通信期间生成的声波或光波。
各种形式的介质可涉及将一个或多个指令的一个或多个序列携带到处理器642用于执行。举例来说，指令可初始地在远程计算机的磁盘或固态驱动器上携带。远程计算机可将指令加载到其动态存储器中并且使用调制解调器通过电话线发送指令。计算机系统600本地的调制解调器可在电话线上接收数据并且使用红外发射器将数据转换成红外信号。红外检测器可接收红外信号中携带的数据，并且适当的电路系统可将数据放置在总线640上。总线640将数据携带到主存储器644，处理器642从所述主存储器检索并且执行指令。由主存储器644接收到的指令可任选地在由处理器642执行之前或之后存储在存储装置648上。
计算机系统600还包含耦合到总线640的通信接口656。通信接口656提供耦合到连接到本地网络660的网络链路658的双向数据通信。举例来说，通信接口656可以是综合业务数字网络(ISDN)卡、电缆调制解调器、卫星调制解调器或为对应类型的电话线提供数据通信连接的调制解调器。作为另一实例，通信接口656可以是局域网(LAN)卡以提供与兼容LAN的数据通信连接。还可以实施无线链路。在任何这类实施方案中，通信接口656发送并且接收携带表示各种类型的信息的数字数据流的电信号、电磁信号或光信号。
网络链路658通常通过一个或多个网络向其它数据装置提供数据通信。举例来说，网络链路658可通过本地网络660提供与主计算机662或与由因特网服务提供方(ISP)664操作的数据仪器的连接。ISP 664继而通过现在通常称为“因特网”666的全球分组数据通信网络提供数据通信服务。本地网络660和因特网666两者使用携带数字数据流的电信号、电磁信号或光信号。通过各种网络的信号和在网络链路658上并且通过通信接口656的信号(其将数字数据携带到计算机系统600并且从所述计算机系统将数字数据携带走)是传输介质的实例形式。
计算机系统600可通过一个或多个网络、网络链路658和通信接口656发送消息和接收数据，包含程序代码。在因特网实例中，服务器668可通过因特网666、ISP 664、本地网络660和通信接口656传输应用程序的请求代码。
接收到的代码可在其被接收时由处理器642执行，和/或存储在存储装置648或其它非易失性存储装置中，以供以后执行。
在一些实例中，值、程序或设备称为“最低”、“最好”、“最小”或类似物。应了解，此类描述旨在表明可以在许多使用的功能替代方案当中进行选择，并且这种选择不需要更好、更小或以其它方式优选于其它选择。此外，所选择的值可以通过数字或其它近似方式获得，并且可以仅是理论上正确/值的近似值。

Claims (18)

1.一种图像中特征计量的参数估计方法，其包括：
基于第一模型参数生成特征的区域模型图像；
基于所述第一模型参数生成所述特征的边界模型图像；
基于比较所述区域模型图像和边界模型图像与图像中的所关注特征使用参数估计网络来优化模型参数；和
基于优化后的模型参数提供一个或多个特征尺寸；
其中，基于比较所述区域模型图像和边界模型图像与图像中的所关注特征使用参数估计网络来优化所述模型参数包含：
使用所述参数估计网络分割所述图像以提取所关注特征；
使用所述参数估计网络比较提取的所关注特征与基于第一参数集生成的区域模型和边界模型；
基于所述比较，通过所述参数估计网络确定所述第一参数集的改变以使得所述区域模型图像和边界模型图像匹配所关注特征；和
基于所确定的改变更新所述第一参数集。
2.根据权利要求1所述的方法，其中基于比较所述区域模型图像和边界模型图像与图像中的所关注特征使用参数估计网络来优化所述模型参数包含：
基于比较更新后的区域模型图像和边界模型图像与所述图像中的所关注特征使用所述参数估计网络来迭代地更新所述模型参数，其中所述更新后的区域模型图像和边界模型图像是基于在前一迭代中更新的参数集。
3.根据权利要求1所述的方法，其中所述参数估计网络包含回归卷积神经网络。
4.根据权利要求1所述的方法，其中进行比较、确定和更新的步骤，直到符合迭代的阈值数目或符合迭代之间的阈值步长为止。
5.根据权利要求1所述的方法，其中基于所述第一模型参数生成所述特征的边界模型图像包含：
生成像素掩模图像，所述像素掩模图像限定所述特征的类型和位置。
6.根据权利要求1所述的方法，其中基于所述优化后的模型参数提供一个或多个特征尺寸包含：
确定来自特征边界的每一像素的截断距离权重；和
基于所述截断距离权重生成所述边界模型图像。
7.根据权利要求1所述的方法，其中第一参数是初始参数。
8.根据权利要求1所述的方法，其中第一参数是更新后的参数。
9.一种图像中特征计量的参数估计方法，其包括：
基于图像中特征的一个或多个模型使用参数估计网络来优化参数集以拟合所述特征，所述参数集限定所述一个或多个模型；和
基于优化后的参数集提供所述图像中的所述特征的计量数据；
其中，基于图像中特征的一个或多个模型使用参数估计网络来优化参数集以拟合所述特征包含：
基于在更新后的参数集上生成的所述一个或多个模型与所述图像中的所述特征之间的差异而递归地更新所述参数集，直到获得收敛为止。
10.根据权利要求9所述的方法，其中使用参数估计网络优化参数集以拟合图像中的特征包含：
通过回归卷积神经网络比较基于所述参数集形成的一个或多个特征模型与所述图像中的所述特征；和
基于所述一个或多个特征模型与所述图像中的所述特征之间的差异，更新所述参数集以提供优化后的参数集。
11.根据权利要求10所述的方法，其中更新所述参数集以提供优化后的参数集包含迭代地调整所述参数集，以使得所述一个或多个模型收敛以匹配所述图像中的所述特征。
12.根据权利要求9所述的方法，其中在已符合迭代的阈值数目时或在参数集改变的步长低于像素的阈值数目时确定收敛。
13.根据权利要求9所述的方法，其中使用参数估计网络优化参数集以拟合图像中的特征包含：
使用回归卷积神经网络分割所述图像以提取所述图像中的所述特征；和
使用所述回归卷积神经网络将所述参数集拟合到所述图像中的所述特征以优化所述参数集。
14.根据权利要求13所述的方法，其进一步包含将所提取的特征与所述一个或多个模型对准。
15.根据权利要求9所述的方法，其进一步包含基于所述参数集生成所述特征的区域模型，其中所述区域模型是限定所述特征的类型和位置的像素掩模图像。
16.根据权利要求9所述的方法，其进一步包含基于所述参数集生成所述特征的边界模型，其中所述边界模型中的每一像素是来自特征边界的截断距离权重。
17.根据权利要求9所述的方法，其中基于所述优化后的参数集提供所述图像中的所述特征的计量数据包含：
基于所述优化后的参数集生成所述特征的模型，其中所生成的模型确定所述计量数据。
18.根据权利要求9所述的方法，其中所述一个或多个模型包含区域模型图像和边界模型图像。
CN201911112891.9A 2018-11-16 2019-11-14 图像中特征计量的参数估计 Active CN111199534B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US201862768717P 2018-11-16 2018-11-16
US62/768,717 2018-11-16

Publications (2)

Publication Number Publication Date
CN111199534A CN111199534A (zh) 2020-05-26
CN111199534B true CN111199534B (zh) 2024-07-30

Family

ID=70727866

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911112891.9A Active CN111199534B (zh) 2018-11-16 2019-11-14 图像中特征计量的参数估计

Country Status (3)

Country Link
US (1) US11569056B2 (zh)
KR (1) KR102568979B1 (zh)
CN (1) CN111199534B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI777173B (zh) * 2020-06-01 2022-09-11 汎銓科技股份有限公司 人工智慧辨識之半導體影像量測方法
KR102326006B1 (ko) * 2021-05-13 2021-11-15 (주)알티엠 연산 장치 및 이를 이용한 계측 데이터에 대한 특징 추출 방법
EP4409544A1 (en) * 2021-10-01 2024-08-07 Fei Company Data triage in microscopy systems

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101960491A (zh) * 2008-03-18 2011-01-26 汤姆森许可贸易公司 自适应感兴趣特征颜色模型参数估计的方法和设备
CN106339674A (zh) * 2016-08-17 2017-01-18 中国地质大学（武汉） 基于边缘保持与图割模型的高光谱影像分类方法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2011055224A1 (fr) * 2009-11-06 2011-05-12 Vesalis Dispositif et procede de detection et suivi des contours interieur et exterieur des levres
JP2011153905A (ja) 2010-01-27 2011-08-11 Mitsutoyo Corp マシンビジョン検査システム用の光学収差補正
US9839409B2 (en) * 2013-11-21 2017-12-12 Samsung Medison Co., Ltd. Image display system and method of fitting multiple models to image
JP6726734B2 (ja) 2015-03-26 2020-07-22 アイコー，エルエルシー 画像解析のためのシステム
US9846934B2 (en) * 2015-04-13 2017-12-19 Anchor Semiconductor Inc. Pattern weakness and strength detection and tracking during a semiconductor device fabrication process
US11593660B2 (en) * 2018-09-18 2023-02-28 Insilico Medicine Ip Limited Subset conditioning using variational autoencoder with a learnable tensor train induced prior
CN111178491A (zh) * 2018-11-09 2020-05-19 佳能株式会社 神经网络模型的训练和应用方法、装置、系统及存储介质

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101960491A (zh) * 2008-03-18 2011-01-26 汤姆森许可贸易公司 自适应感兴趣特征颜色模型参数估计的方法和设备
CN106339674A (zh) * 2016-08-17 2017-01-18 中国地质大学（武汉） 基于边缘保持与图割模型的高光谱影像分类方法

Also Published As

Publication number Publication date
US20200161083A1 (en) 2020-05-21
US11569056B2 (en) 2023-01-31
KR20200057650A (ko) 2020-05-26
KR102568979B1 (ko) 2023-08-21
CN111199534A (zh) 2020-05-26

Similar Documents

Publication Publication Date Title
TWI803595B (zh) 晶圓檢測之系統及方法，以及相關之非暫時性電腦可讀儲存媒體
US10599951B2 (en) Training a neural network for defect detection in low resolution images
TWI755613B (zh) 基於機器學習之圖案分組方法
CN111199534B (zh) 图像中特征计量的参数估计
US7877722B2 (en) Systems and methods for creating inspection recipes
CN110969598A (zh) 晶圆检查方法以及晶圆检查系统
US20210358101A1 (en) Processing image data sets
TW202142852A (zh) 半導體試樣的基於深度學習之檢查的方法及其系統
TW202209153A (zh) 檢查方案的自動最佳化
KR102360769B1 (ko) 시편의 검사를 위한 알고리즘 모듈들의 자동 선택
US20240071040A1 (en) Artificial intelligence-enabled preparation end-pointing
TW202139133A (zh) 半導體樣本的檢查
US20230196189A1 (en) Measurement method and apparatus for semiconductor features with increased throughput
KR20240004240A (ko) 반도체 애플리케이션을 위한 딥 생성 모델 기반 정렬
US20230034667A1 (en) Artificial Intelligence Enabled Metrology
CN113312956A (zh) 使用快速行进水平集在电子显微图中度量半导体装置
KR20240112881A (ko) 증가된 처리량을 갖는 반도체 피처의 측정 방법 및 장치
US20240311698A1 (en) Measurement method and apparatus for semiconductor features with increased throughput
TWI854399B (zh) 用於增加產率的半導體特徵的測量方法與裝置
JP7530330B2 (ja) 半導体試料の画像のセグメンテーション
WO2023112302A1 (ja) 教師データ作成支援装置、教師データ作成支援方法
CN118435125A (zh) 用于增加产率的半导体特征的测量方法与装置
WO2024160623A1 (en) Computer implemented method for the detection of defects in an imaging dataset of an object comprising integrated circuit patterns, computer-readable medium, computer program product and a system making use of such methods

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