CN111213045A - 自动缺陷分类 - Google Patents

自动缺陷分类 Download PDF

Info

Publication number
CN111213045A
CN111213045A CN201880051012.3A CN201880051012A CN111213045A CN 111213045 A CN111213045 A CN 111213045A CN 201880051012 A CN201880051012 A CN 201880051012A CN 111213045 A CN111213045 A CN 111213045A
Authority
CN
China
Prior art keywords
camera
image
suspected defects
suspected
subset
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
Application number
CN201880051012.3A
Other languages
English (en)
Other versions
CN111213045B (zh
Inventor
M·雷根斯布格尔
D·布扎格罗
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.)
Camtek Ltd
Original Assignee
Camtek 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 Camtek Ltd filed Critical Camtek Ltd
Publication of CN111213045A publication Critical patent/CN111213045A/zh
Application granted granted Critical
Publication of CN111213045B publication Critical patent/CN111213045B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
    • 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
    • G01N2021/8854—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
    • G01N2021/887—Grading and classifying of flaws using sequentially two or more inspection runs, e.g. coarse and fine, or detecting then analysing the measurements made in two or more directions, angles, positions
    • 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
    • G01N2021/8887—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 based on image processing techniques
    • 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
    • G06T2207/10024—Color 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10028—Range image; Depth image; 3D point clouds
    • 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
    • G06T2207/10048—Infrared 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30148—Semiconductor; IC; Wafer

Landscapes

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

Abstract

提供一种用于自动缺陷分类的方法，该方法包括(i)通过第一相机获取对象的至少一个区域的至少一个第一图像；(ii)处理所述至少一个第一图像以检测在所述至少一个区域内的疑似缺陷的组；(iii)进行第一分类过程以初始分类所述疑似缺陷的所述组；(iii)确定所述疑似缺陷的第一子组是否需要来自第二相机的附加信息以完成分类；(iv)当确定所述疑似缺陷的所述第一子组需要来自所述第二相机的附加信息时，则：(a)通过所述第二相机获取所述疑似缺陷的所述第一子组的第二图像；以及(b)进行第二分类过程以分类所述疑似缺陷的所述第一子组。

Description

自动缺陷分类
交叉引用
本申请要求2017年6月14日提交的美国临时专利序列号62/519516的优先权。
背景技术
对每一个行业来说，高收益率是保持竞争力的关键，尤其是在高度发展的微电子行业。每一个产量分数都会对生产阶段的盈亏能力产生重大影响。
为了保持并不断提高产量，工厂必须投资于用于(QA)质量保证目的(哪个管芯是好和哪个管芯是坏的)和过程控制的检查。
一种有效的过程控制系统可以在早期阶段识别出异常并由此防止恶化，并使工程人员能够执行纠正措施。
纠正措施越快，工厂的损失就越小。
发明内容
提供一种用于自动缺陷分类的方法，该方法包括(i)通过第一相机获取对象的至少一个区域的至少一个第一图像；(ii)处理所述至少一个第一图像以检测在所述至少一个区域内的疑似缺陷的组；(iii)进行第一分类过程以初始分类所述疑似缺陷的所述组；(iii)确定所述疑似缺陷的第一子组是否需要来自第二相机的附加信息以完成分类；(iv)当确定所述疑似缺陷的所述第一子组需要来自所述第二相机的附加信息时，则：(a)通过所述第二相机获取所述疑似缺陷的所述第一子组的第二图像；以及(b)进行第二分类过程以分类所述疑似缺陷的所述第一子组。
附图说明
结合附图，从以下详细描述中更充分地理解和理解本发明：
图1示出了方法的实例；
图2示出了系统的实例；
图3示出了系统的实例；
图4示出了系统的实例；
图5示出了参考图像的生成的实例；
图6示出了缺陷检测过程的实例；
图7示出了凸起及其周边的俯视图，以及沿假想线的像素的灰度级分布；
图8示出了凸起及其周边以及用于提取凸起的参数的各种处理步骤的图像；
图9示出了不同配方规则的实例；以及
图10示出了各种确定规则。
具体实施方式
由于实施本发明的装置大部分由本领域技术人员已知的光学部件和电路组成，因此为了理解和了解本发明的基本概念并且为了不使本发明的教导混淆或分散注意力，对电路细节的解释将不比上述认为必要的范围大，。
在下面的说明书中，将参考本发明实施例的具体实例来描述本发明。然而，显而易见的是，在不脱离所附权利要求中所述的本发明的更广泛的精神和范围的情况下，可以对其进行各种修改和改变。
检查机可以检查各种缺陷和异常。然而，为了有明确的因果关系，需要对异常(缺陷)进行分类。
例如，缺陷可以由有缺陷的CMP工艺、蚀刻或污染问题引起。缺陷分类过程可在不同的缺陷间进行区分。
虽然可以执行手动分类过程，但它既慢又昂贵。
一个自动缺陷分类(ADC)可廉价而快速地工作。在过去的几年里，机器学习技术的一些重大进步，使得能够使用ADC系统实现很好的效果。
然而，在许多情况下，在扫描期间中使用的数据对于清楚分离不同类型的缺陷是不足的。例如，当出现色差时—如果是红色—它可能是铜层，但是如果是黑色，它可能只是一种外来物质。
但是，在检测过程之后获得这些额外的数据，需要花费时间和资源。
可提供一种方法，其包括：
a、将晶片装到卡盘上。
b、通过第一相机(例如高性能扫描相机—可是黑白相机)获取晶片的图像并将其发送到计算机进行处理。这可包括使用主获取模块(扫描器模块)扫描晶片(连续，通常具有高速率但相对于第二相机降低了灵敏度)。
c、使用预定组的检测过程，缺陷被定位并存储在计算机中。
d、第一分类过程将初始类分配到缺陷。
e、在检查过程结束后，缺陷再次加载(被供给到计算机-特别是计算机的判定电路)。对于每个缺陷，根据预定规则(或基于任何其他判定过程)，该系统自动确定是否需要附加数据。
f、如果是，则将缺陷位置带入第二相机(验证相机)的视野内，例如彩色相机(可是3d轮廓仪、IR相机、NIR相机或高倍显微镜)，并且获取关于缺陷的附加数据。
g、基于全部数据，对缺陷进行最终分类，并将最终类别附加到该缺陷。
h、然后存储数据(必要时报告)，以及将晶片从系统卸载。
这一过程使制造厂(FAB)能够享有结合验证系统的高分辨率和详细信息的检查系统的高速度。验证系统的选择性应用(仅限于那些需要附加数据的缺陷)加快整个过程。
两个(或更多)分类阶段的组合使得在使用相同的加载/卸载机构时能够优化晶片处理的时间，并结束于获得晶片状态的最终全面数据。
这进而使得在先前步骤中出现故障时执行快速有效的措施。
图1示出用于自动缺陷分类的方法900，该方法可以包括：
加载晶片的步骤904。晶片可以加载在卡盘上。
步骤904之后为将晶片保持在夹头上的步骤905，直到完成步骤908、910、912、914和916。
步骤905之后是卸载晶片的步骤907。
该方法还可以包括通过第一相机获取对象的至少一个区域的至少一个第一图像的步骤906。至少一个区域可以沿整个对象延伸，或者可以仅包括对象的一个或多个部分。
步骤906之后是处理至少一个第一图像以检测至少一个区域内的疑似缺陷组的步骤908。
步骤908之后是执行第一分类处理以初始分类疑似缺陷组的步骤910。
步骤910之后是步骤912，确定疑似缺陷的第一子组是否需要来自第二相机的附加信息以完成分类。
步骤912可以在没有人为干预的情况下进行。
该确定可响应于以下至少一个：
a、第一相机和第二相机的图像获取参数之间的差异。这些图像获取参数可包括频率(可见光对红外、近红外、彩色对黑白、窄带与宽带)、分辨率、吞吐量等。
b、疑似缺陷的临界性(criticality)和/或重要性。更关键的缺陷(例如，可导致电路不可操作的致命缺陷)可用更多的资源进行检查。
c、第一分类过程的准确性。
d、第一分类过程的可靠性和第二分类过程的可靠性之间的差异。可靠性可由成功率、误警报率、误检出率(positive rate)等来反映。
e、缺陷类型。可结合上述所有其他因素考虑缺陷的类型。例如，如果在使用红外辐射时能够以更可靠的方式检测特定缺陷，则使用红外相机的分类过程的可靠性要高于使用黑白相机的分类过程。
步骤912可以包括计算成本函数，该成本函数将考虑执行步骤914的一个或多个优点(例如-更可靠的分类过程)、执行步骤914的一个或多个优点(例如-更高的时间消耗)，并且还可考虑与第一相机的限制(例如分辨率)相关的参数、吞吐量考虑等。
如果步骤912的答案是否定的，则步骤912后接步骤916。
如果步骤912的答案是肯定的，则步骤912后接步骤914。
步骤914包括：
a、通过第二相机获取疑似缺陷的第一子组的第二图像。
b、执行用于分类疑似缺陷的第一子组的第二分类过程。
步骤914可包括获取第二图像而不获取不属于疑似缺陷的第一子组的疑似缺陷的图像。
步骤914之后为步骤916，提供分类结果。这可包括存储分类结果、将分类结果传送到另一系统等。
步骤908、910、912和第二分类处理可由相同计算机、相同处理器、不同计算机、不同处理器、检查和验证系统、位于检查和验证系统外部的一个或多个计算机执行。
组合ADC
该组合ADC系统产生有效的ADC过程，同时优化资源以最小化晶片分析时间时。
组合系统可包括：
a、用于装载/卸载晶片的晶片处理系统。
b、用于全部/部分晶片检查的检查模块。检查模块包括第一相机(例如，检查相机)。
c、附加数据获取部件。例如-彩色相机、红外相机或三维轮廓仪(profiler)。
d、用于数据分析的计算机(也称为处理器)。
e、用于结果的数据存储。
第一相机的吞吐量可以超过第二相机的吞吐量。例如-2、3、4、5、6甚至更多倍。
第一相机的分辨率可比第二相机的分辨率粗糙。例如-1/2、1/3、1/4、1/5、1/6甚至更低。
第一相机可通过一个或多个图像获取参数(例如频率(可见光与红外、近红外、颜色与黑白、窄带与宽带)、分辨率、吞吐量、暗场与亮场等)与第二相机不同。
第一相机可是黑白相机，第二相机从红外相机、近红外相机和三维轮廓仪中选择。
图2示出了对象(例如，晶片90)和系统101，该系统包括：
a、存储单元190。
b、计算机180。
c、彩色照明173，用于用彩色相机172可反射和/或散射并检测到的辐射来照明对象-
与照明相关的术语“颜色”仅将照明链接到彩色相机。
d、彩色相机172。
e、彩色相机172之前的彩色光学部件171。
f、检查照明163，用于用可被检查相机162反射和/或散射并检测到的辐射照明物体。
g、检查相机162。
h、在检查相机162之前的检查光学部件161。
i、卡盘150。
j、台140，用于移动卡盘(由此移动物体)。
k、晶片处理系统130。它可包括用于从盒(或其他接口)取出晶片并将其放置在卡盘150上的机器人。
计算机180包括一个或多个硬件处理电路(例如，一个或多个处理器)，其可以执行图像处理、缺陷检测、分类，并且可确定是否需要附加分类。
彩色光学部件171和检查光学部件161中的每个部件可包括透镜、孔、分束器、偏振器、准直器、扫描器等中的至少一个。
这些光学部件(彩色光学部件171和检查光学部件161)可用于收集路径和/或照明路径。因此，这些光学部件可用于操纵/引导/控制/影响来自彩色照明173和/或检查照明163的辐射。
彩色光学171和检查光学161可共享一个或多个光学部件，可不共享任何光学部件，可被组合到单个光学部件单元等。
彩色照明173和检查照明163可共享一个或多个光学部件，可不共享任何光学部件，可被组合到单个照明单元等。
在每一个分类阶段之前获取的数据/图像可涉及在对象和相关相机和/或相关光学部件和/或相关照明之间引入移动。该移动可以通过台140和/或通过移动相关相机和/或相关光学部件和/或相关照明的移动机构(例如扫描器)来完成。
通过检查相机获取对象的至少一个区域的至少一个第一图像可包括使用第一扫描模式(pattern)扫描一个或多个区域。
通过彩色相机获取疑似缺陷的第一子组的第二图像可包括引入移动(在一个缺陷到另一缺陷之间移动)，使得第一子组的疑似缺陷在彩色相机的视场内—一次一个或多个疑似缺陷。
图3示出了系统102的实例。该系统102与系统101的区别如下：
a、系统102包括第一相机821和第二相机822，其可以不同于系统101的彩色相机和检查相机。
b、系统102包括第一照明211和第二照明212，其可以不同于彩色照明173和检查照明163。
c、系统102包括在这些相机之前的共享光学部件210。应注意，第一和第二光学部件可以先于第一和第二相机。
应注意，该系统可包括两个以上彼此不同的相机。因而，可能存在两个以上的分类部分(session)。附加或可选地，在任何分类阶段之前，可以选择在该分类期间将使用哪个相机来获取要使用的数据。在进行初始分类之前的缺陷检测之前，还可选择在缺陷检测阶段使用哪个相机来获取要处理的图像。
图4示出了系统103的实例。该系统103与系统102的区别如下：
a、系统103包括两个以上的相机-第一至第N个相机(例如，第一相机821和第N相机828)-其中N超过两个。
图4还提供了更多细节-它(a)示出了用于移动一个或多个相机的扫描器125，(b)示出了用于控制系统的控制器120，并且(c)示出了计算机180，其包括分类器182和缺陷检测器181。控制器120和/或扫描器125和/或缺陷检测器181和/或分类器182可包括在系统101和系统102中。
分类器182是被编程和/或构造并设置为执行一个或多个分类处理的处理电路。
缺陷检测器181是被编程和/或构造并设置为执行一个或多个缺陷检测处理的处理电路。
图5-10展示了判定规则的非限制性实例，该实例指示何时需要附加数据。这些图说明如何生成参考图像，如何处理第一个图像，然后说明限定缺陷的一些配方规则，然后示出何时需要附加数据。
图5示出了生成参考图像的实例。
从晶片200中选择一些管芯。选择可以任何方式进行。
基于所选管芯的图像201、202、203和204中的像素的特性生成参考管芯。每个像素的属性(例如，最小值、最大值和标称值)是基于图像对准后的管芯图像201-204中的对应像素的值(灰度值)。
索引i和j表示每个像素的行和列。
a、参考图像的第(i，j)像素的最小值等于管芯图像201-204的第(i，j)像素的值中的最小灰度级值。
b、参考图像的第(i，j)像素的最大值等于管芯图像201-204的第(i，j)像素的值中的最大灰度级值。
c、参考图像的第(i，j)像素的标称值等于管芯图像201-204的第(i，j)像素的值中的中间灰度级值。
图6示出了缺陷检测过程的实例。
缺陷检测过程包括：
a、获得222—获取对象区域的图像-请参见图像242。
b、对准224—对准获取的图像和参考图像。
c、分割226—缺陷检测过程标记可表示疑似缺陷(或可包含在疑似缺陷中)的位置(像素)—在图像244中这些像素为白色。
d、Blob分析228—尝试将相互连接的疑似缺陷像素分组—形成疑似缺陷像素的连续设置(arrangement)。在图像246中，白线表示由疑似缺陷像素形成的斑块(blob)的边缘。
e、测量230—测量斑块的一个或多个特性。例如，假设斑块包含M个像素(B1…BM)，则可以测量以下属性：
i、缺陷面积—像素数(M)。
ii、缺陷与参考值的平均偏差＝Sum(Bi,j-Ri,j)/M，其中Bi,j属于B1…BM，而(i，j)是所获取图像中像素的位置，Ri,j是参考图像的第(i，j)像素。
iii、缺陷位置是斑块的质心249(见图像248)。
可使用任何其他缺陷分析。
图7示出了凸起250及其周边252的俯视图，以及沿着通过该凸起及其周边的虚线253的像素的灰度级分布260。
图8示出了凸起及其周边环境以及用于提取凸起参数的各种处理步骤的图像。
凸起及其周边的图像的成像270。
通过在不同的位置(在不同的角度——边缘和从公共点延伸的线之间的交点)采样凸起的边缘来处理图像(步骤272和274)。
忽略与其他样本相差的预定量的样本，以提供凸起的估计—重构的凸起圆(276)。
图9示出了不同配方规则的实例。
在该实例中，尺寸xl小于x2，x2小于x3，x3小于x4：xl<x2<x3<x4。
使用不同的配方规则对缺陷进行分类。
以下规则限定了缺陷：
a、缺陷280与凸起250接触(与凸起的距离为零)，缺陷尺寸超过xl。
b、缺陷与凸起之间的距离不超过凸起直径的0.25，以及缺陷尺寸超过x2。
c、缺陷不是灰尘，缺陷与凸起之间的距离超过凸起直径的0.25，以及缺陷尺寸超过x3。
d、缺陷无灰尘，以及尺寸超过x4。
图10说明了各种确定规则。
这些确定规则被整理在表300中。
表300包括五列-判定(缺陷、无缺陷、疑似缺陷)、与凸起的距离、缺陷尺寸、平均灰度级(用于区分灰尘—因为灰尘具有唯一的GL—通常是最暗的GL)以及附加数据？(指示是否需要附加数据—疑似缺陷是否属于需要附加分类过程的疑似缺陷的第一子组)。
表300包括术语“分辨率”，其是第一相机的分辨率。分辨率引入了不确定性，因为距离测量和/或尺寸测量的精度受到分辨率的限制。
对由第一相机获取的第一图像的处理引入了关于缺陷是否与凸起接触以及关于缺陷尺寸的不确定性(分辨率)。
例如，参考表中列出的第二条规则-如果第一图像指示缺陷接触凸起，并且缺陷的尺寸在(xl-分辨率)和(xl+分辨率)之间-则该缺陷是疑似缺陷，应获取更多信息-例如，使用更精细分辨率的相机，使用可更准确地确定缺陷是否接触凸起的彩色相机等。
例如，参考表中列出的第三条规则-如果第一张图像指示缺陷和凸起之间的距离低于分辨率，并且缺陷的尺寸超过xl+分辨率-则该缺陷是疑似缺陷，应获取更多信息-例如，使用更精细分辨率的相机，使用可更准确地确定缺陷是否接触凸起的彩色相机等。
在表中，“缺陷”或“无缺陷”的判定是第一分类过程的结果，而判定“疑似缺陷”表示需要获取第二图像和附加分类过程的(疑似缺陷的第一子组的)疑似缺陷。
术语“第一相机”、“检查相机”、“黑白相机”可互换地使用。
术语“第二相机”、“验证相机”、“彩色相机”可互换地使用。
术语“处理器”和“计算机”可互换地使用。
在下面的详细描述中，阐述了许多具体细节，以便提供对本发明的彻底理解。然而，本领域技术人员将理解，本发明可以在没有这些具体细节的情况下实施。在其他实例中，未详细描述公知的方法、过程和部件，以避免混淆本发明。
应理解，为了说明的简单性和清晰度，图中所示的要素不一定按比例绘制。例如，为了清楚起见，一些要素的尺寸可相对于其他元素被放大。此外，在认为适当的情况下，可在附图中重复附图标记以指示相应或类似的要素。
说明书中对系统的任何引用应比照适用于可由系统执行的方法。
由于本发明的示出实施例在大部分情况下可以使用本领域技术人员已知的电子部件和电路来实现，因此，为了理解和了解本发明的根本概念且为了不混淆或分散对本发明的教导的注意力，对于细节的解释将不会比上面所示的认为必要的范围更大。
本说明书中对方法的任何引用应比照适用于能够执行该方法的系统，并应比照适用于存储一旦由计算机执行而导致该方法执行的指令的非暂时性计算机程序产品。非暂时性计算机程序产品可是芯片、存储器单元、盘、压缩盘、非易失性存储器、易失性存储器、磁存储器、忆阻器(memristor)、光存储单元等。
说明书中对系统的任何引用应比照适用于可由系统执行的方法，并应比照适用于存储一旦由计算机执行而导致方法执行的指令的非暂时性计算机程序产品。
此外，本领域技术人员将认识到，上述操作的功能之间的边界仅仅是说明性的。多个操作的功能可以组合成单个操作，和/或单个操作的功能可以分布在附加操作中。此外，替代实施例可以包括特定操作的多个实例，并且操作顺序可以在各种其它实施例中改变。
因此，应当理解，这里描述的架构仅仅是示例性的，并且事实上可以实施实现相同功能的许多其他架构。在抽象但仍然明确的意义上，实现相同功能的部件的任何设置都是有效“关联”的，以便实现希望的功能。因此，本文中为实现特定功能而组合的任何两个部件可以被视为彼此“关联”，以便实现所需功能，而不考虑架构或中间部件。同样，这样关联的任何两个部件也可以被视为彼此“可操作地连接”或“可操作地耦合”，以实现希望的功能。
然而，也可以进行其他修改、变更和替代。
因此，说明书和附图应被视为说明性的而不是限制性的。
术语“包含”与“包括”、“含有”或“具有”同义(意指相同)，并且是包含的或无限制的，并且不排除附加的、未引用的要素或方法步骤。
术语“由…构成”是一个封闭的(仅包括所述的内容)，不包括任何附加的、未引用的要素或方法步骤。
术语“基本上由…构成”限制范围到特定材料或步骤、以及那些不会实质性影响基本和新颖特性的材料或步骤。
在权利要求和说明书中，对术语“包括”(或“包含”或“含有”)的任何提及应比照适用于“由…构成”，并应比照适用于“基本由…构成”。
在权利要求和说明书中，对“组成”一词的任何提及应比照适用于“组成”一词，并应比照适用于“基本组成”一词。
在权利要求和说明书中，对“基本上由……构成”一词的任何提及应比照适用于“构成”一词，并应比照适用于“构成”一词。
此外，本文中使用的术语“一”或“一个”被定义为一个或多个。此外，在权利要求中使用“至少一个”和“一个或多个”等前导短语不应被解释为暗示由不定冠词“一”或“一个”引入的另一个权利要求要素将包含这样引入的权利要求要素的任何特定权利要求限制为仅包含一个这样的要素的发明，即使同一权利要求包括“一个或多个”或“至少一个”的前导短语和“一”或“一个”等不定冠词，对定冠词的使用也是如此。除非另有说明，否则“第一”和“第二”等术语用于任意区分此类术语所描述的元素。
因此，这些术语不一定旨在表示这样的要素的时间或其它优先级。某些措施在相互不同的权利要求中被列举，这一事实并不意味着这些措施的组合不能被有利地使用。

Claims (23)

1.一种用于自动缺陷分类方法，该方法包括：
通过第一相机获取对象的至少一个区域的至少一个第一图像；
处理所述至少一个第一图像以检测在所述至少一个区域内的疑似缺陷的组；
进行第一分类过程以初始分类所述疑似缺陷的所述组；
确定所述疑似缺陷的第一子组是否需要来自第二相机的附加信息以完成分类；
当确定所述疑似缺陷的所述第一子组需要来自所述第二相机的附加信息时，则：
通过所述第二相机获取所述疑似缺陷的所述第一子组的第二图像；以及
进行第二分类过程以分类所述疑似缺陷的所述第一子组。
2.根据权利要求1所述的方法，包括获取所述第二图像而不获取不属于所述疑似缺陷的所述第一子组的疑似缺陷的图像。
3.根据权利要求1所述的方法，其中所述第一相机的吞吐量超过所述第二相机的吞吐量。
4.根据权利要求1所述的方法，其中所述第一相机的分辨率比所述第二相机的分辨率粗糙。
5.根据权利要求1所述的方法，其中所述第一相机是黑白相机以及所述第二相机选自红外相机、近红外相机和三维轮廓仪。
6.根据权利要求1所述的方法，包括在获取所述至少一个第一图像期间、在获取所述第二图像期间以及在获取所述至少一个第一图像和获取所述第二图像之间，将所述晶片保持在卡盘上。
7.根据权利要求1所述的方法，其中所述确定响应于所述第一相机和第二相机的图像获取参数之间的差异。
8.根据权利要求1所述的方法，其中所述确定响应于所述疑似缺陷的临界性。
9.根据权利要求1所述的方法，其中所述确定响应于所述第一分类过程的准确性。
10.根据权利要求1所述的方法，其中在没有人为干预的情况下进行所述确定。
11.根据权利要求1所述的方法，其中所述确定响应于所述第一分类过程的与疑似缺陷的类型相关的可靠性与所述第二分类过程的与疑似缺陷的类型相关的可靠性之间的差异。
12.一种非暂时性的计算机程序产品，其存储指令，所述指令一旦由计算机化系统执行，使所述计算机系统执行以下步骤：通过第一相机获取对象的至少一个区域的至少一个第一图像；处理所述至少一个第一图像以检测在所述至少一个区域内的疑似缺陷的组；进行第一分类过程以初始分类所述疑似缺陷的所述组；确定所述疑似缺陷的第一子组是否需要来自第二相机的附加信息以完成分类；当确定所述疑似缺陷的所述第一子组需要来自所述第二相机的附加信息时，则：通过所述第二相机获取所述疑似缺陷的所述第一子组的第二图像；以及进行第二分类过程以分类所述疑似缺陷的所述第一子组。
13.根据权利要求12所述的非暂时性计算机可读介质，其存储用于获取所述第二图像而不获取不属于所述疑似缺陷的所述第一子组的疑似缺陷的图像的指令。
14.根据权利要求12所述的非暂时性计算机可读介质，其中所述第一相机的吞吐量超过所述第二相机的吞吐量。
15.根据权利要求12所述的非暂时性计算机可读介质，其中所述第一相机的分辨率比所述第二相机的分辨率粗糙。
16.根据权利要求12所述的非暂时性计算机可读介质，其中所述第一相机是黑白相机以及所述第二相机选自红外相机、近红外相机和三维轮廓仪。
17.根据权利要求12所述的非暂时性计算机可读介质，其存储用于在获取所述至少一个第一图像期间、在获取所述第二图像期间以及在获取所述至少一个第一图像和获取所述第二图像之间将所述晶片保持在卡盘上的指令。
18.根据权利要求12所述的非暂时性计算机可读介质，其中所述确定响应于所述第一相机和第二相机的图像获取参数之间的差异。
19.根据权利要求12所述的非暂时性计算机可读介质，其中所述确定响应于所述疑似缺陷的临界性。
20.根据权利要求12所述的非暂时性计算机可读介质，其中所述确定响应于所述第一分类过程的准确性。
21.根据权利要求12所述的非暂时性计算机可读介质，其中所述确定在没有人为干预的情况下进行。
22.根据权利要求12所述的非暂时性计算机可读介质，其中所述确定响应于所述第一分类过程的与疑似缺陷的类型相关的可靠性与所述第二分类过程的与疑似缺陷的类型相关的可靠性之间的差异。
23.一种用于自动缺陷分类系统，所述系统包括：
第一相机，被构造和设置为获取对象的至少一个区域的至少一个第一图像；
第二相机；
至少一个处理器，被构造和设置为(i)处理所述至少一个第一图像以检测所述至少一个区域内的疑似缺陷的组；(ii)进行第一分类过程以初始分类所述疑似缺陷的所述组；以及(iii)确定所述疑似缺陷的第一子组是否需要来自第二相机的附加信息以完成分类；
当确定所述疑似缺陷的所述第一子组需要来自所述第二相机的附加信息时，则：
第二被构造和设置为通过所述第二相机获取所述疑似缺陷的所述第一子组的第二图像；以及
所述至少一个处理器被构造和设置为进行第二分类过程以分类所述疑似缺陷的所述第一子组。
CN201880051012.3A 2017-06-14 2018-06-14 自动缺陷分类 Active CN111213045B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US201762519516P 2017-06-14 2017-06-14
US62/519,516 2017-06-14
PCT/IB2018/054382 WO2018229709A1 (en) 2017-06-14 2018-06-14 Automatic defect classification

Publications (2)

Publication Number Publication Date
CN111213045A true CN111213045A (zh) 2020-05-29
CN111213045B CN111213045B (zh) 2022-07-01

Family

ID=64659831

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201880051012.3A Active CN111213045B (zh) 2017-06-14 2018-06-14 自动缺陷分类

Country Status (5)

Country Link
US (2) US11300521B2 (zh)
KR (1) KR102309569B1 (zh)
CN (1) CN111213045B (zh)
TW (1) TWI778078B (zh)
WO (1) WO2018229709A1 (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112881419A (zh) * 2021-05-06 2021-06-01 惠州高视科技有限公司 芯片检测方法、电子设备及存储介质
CN113866165A (zh) * 2020-06-15 2021-12-31 株式会社三丰 包括监视工件图像的工件检查和缺陷检测系统

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109752394B (zh) * 2019-01-28 2021-10-29 凌云光技术股份有限公司 一种显示屏缺陷高精度检测方法及系统
US11294162B2 (en) 2019-02-07 2022-04-05 Nanotronics Imaging, Inc. Fluorescence microscopy inspection systems, apparatus and methods with darkfield channel
CA3140559A1 (en) * 2019-06-05 2020-12-10 Luc Perron Automated inspection method for a manufactured article and system for performing same
TWI710762B (zh) * 2019-07-31 2020-11-21 由田新技股份有限公司 基於影像的分類系統
GB2588892A (en) * 2019-10-23 2021-05-19 Airbus Operations Ltd Analysing a vehicle surface
TWI724590B (zh) * 2019-10-25 2021-04-11 精信精密工業股份有限公司 自動缺陷檢測系統及檢測方法
CN111753794B (zh) * 2020-06-30 2024-02-27 创新奇智(成都)科技有限公司 水果品质分类方法、装置、电子设备及可读存储介质
CN117218125B (zh) * 2023-11-09 2024-05-03 荣耀终端有限公司 显示屏缺陷的检测方法、设备、存储介质、装置及系统

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5172421A (en) * 1991-03-27 1992-12-15 Hughes Aircraft Company Automated method of classifying optical fiber flaws
US6577757B1 (en) * 1999-07-28 2003-06-10 Intelligent Reasoning Systems, Inc. System and method for dynamic image recognition
US20040233422A1 (en) * 2003-05-22 2004-11-25 Leica Microsystems Jena Gmbh Method and apparatus for high-resolution defect location and classification
US7177458B1 (en) * 2000-09-10 2007-02-13 Orbotech Ltd. Reduction of false alarms in PCB inspection
US20070133862A1 (en) * 1999-07-25 2007-06-14 Orbotech Ltd. Detection of surface defects employing subsampled images
JP2013077127A (ja) * 2011-09-30 2013-04-25 Dainippon Screen Mfg Co Ltd 画像分類装置および画像分類方法
US20150098655A1 (en) * 2013-10-08 2015-04-09 National Tsing Hua University Method of Defect Image Classification through Integrating Image Analysis and Data Mining
WO2016121628A1 (ja) * 2015-01-28 2016-08-04 東レエンジニアリング株式会社 ワイドギャップ半導体基板の欠陥検査方法及び欠陥検査装置
CN105979706A (zh) * 2015-03-12 2016-09-28 日东电工株式会社 布线电路基板的制造方法以及检查方法
JP2016183978A (ja) * 2009-01-13 2016-10-20 セミコンダクター テクノロジーズ アンド インストゥルメンツ ピーティーイー リミテッド ウェーハを検査するためのシステム及び方法

Family Cites Families (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR2761476B1 (fr) 1997-03-28 1999-06-11 Lorraine Laminage Procede d'inspection de surface d'une bande en defilement par classification prealable d'irregularite de surface detectee
JP3978098B2 (ja) * 2002-08-12 2007-09-19 株式会社日立製作所 欠陥分類方法及びその装置
JP4529365B2 (ja) 2003-03-26 2010-08-25 株式会社ニコン 基板検査システムおよび基板検査方法
US7570800B2 (en) * 2005-12-14 2009-08-04 Kla-Tencor Technologies Corp. Methods and systems for binning defects detected on a specimen
IL191885A0 (en) * 2007-06-03 2009-02-11 Camtek Ltd Multiple
US10197505B2 (en) 2007-08-22 2019-02-05 Camtek Ltd. Method and system for low cost inspection
US8805054B2 (en) * 2008-12-23 2014-08-12 Hermes Microvision, Inc. Method and system of classifying defects on a wafer
JP5537282B2 (ja) * 2009-09-28 2014-07-02 株式会社日立ハイテクノロジーズ 欠陥検査装置および欠陥検査方法
TWI532116B (zh) 2010-04-11 2016-05-01 肯提克有限公司 晶圓對齊方法及系統
US8699784B2 (en) * 2010-08-10 2014-04-15 Camtek Ltd. Inspection recipe generation and inspection based on an inspection recipe
WO2014117870A1 (en) * 2013-02-04 2014-08-07 Me-Inspection Sk Method, measuring arrangement and system for inspecting a 3-dimensional object
EP3148177A4 (en) * 2014-10-22 2018-01-24 Yulong Computer Telecommunication Technologies (Shenzhen) Co., Ltd. Image generation method based on dual camera module and dual camera module
US9922269B2 (en) * 2015-06-05 2018-03-20 Kla-Tencor Corporation Method and system for iterative defect classification
US10523855B2 (en) 2015-09-24 2019-12-31 Intel Corporation Infrared and visible light dual sensor imaging system

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5172421A (en) * 1991-03-27 1992-12-15 Hughes Aircraft Company Automated method of classifying optical fiber flaws
US20070133862A1 (en) * 1999-07-25 2007-06-14 Orbotech Ltd. Detection of surface defects employing subsampled images
US6577757B1 (en) * 1999-07-28 2003-06-10 Intelligent Reasoning Systems, Inc. System and method for dynamic image recognition
US7177458B1 (en) * 2000-09-10 2007-02-13 Orbotech Ltd. Reduction of false alarms in PCB inspection
US20040233422A1 (en) * 2003-05-22 2004-11-25 Leica Microsystems Jena Gmbh Method and apparatus for high-resolution defect location and classification
JP2016183978A (ja) * 2009-01-13 2016-10-20 セミコンダクター テクノロジーズ アンド インストゥルメンツ ピーティーイー リミテッド ウェーハを検査するためのシステム及び方法
JP2013077127A (ja) * 2011-09-30 2013-04-25 Dainippon Screen Mfg Co Ltd 画像分類装置および画像分類方法
US20150098655A1 (en) * 2013-10-08 2015-04-09 National Tsing Hua University Method of Defect Image Classification through Integrating Image Analysis and Data Mining
WO2016121628A1 (ja) * 2015-01-28 2016-08-04 東レエンジニアリング株式会社 ワイドギャップ半導体基板の欠陥検査方法及び欠陥検査装置
CN105979706A (zh) * 2015-03-12 2016-09-28 日东电工株式会社 布线电路基板的制造方法以及检查方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113866165A (zh) * 2020-06-15 2021-12-31 株式会社三丰 包括监视工件图像的工件检查和缺陷检测系统
CN112881419A (zh) * 2021-05-06 2021-06-01 惠州高视科技有限公司 芯片检测方法、电子设备及存储介质
CN112881419B (zh) * 2021-05-06 2024-01-30 高视科技(苏州)股份有限公司 芯片检测方法、电子设备及存储介质

Also Published As

Publication number Publication date
TW201908716A (zh) 2019-03-01
CN111213045B (zh) 2022-07-01
TWI778078B (zh) 2022-09-21
KR102309569B1 (ko) 2021-10-07
KR20200046014A (ko) 2020-05-06
US20200141879A1 (en) 2020-05-07
US11300521B2 (en) 2022-04-12
WO2018229709A1 (en) 2018-12-20
US20220214287A1 (en) 2022-07-07

Similar Documents

Publication Publication Date Title
CN111213045B (zh) 自动缺陷分类
US9721337B2 (en) Detecting defects on a wafer using defect-specific information
CN106662538B (zh) 重复缺陷检测
US7925072B2 (en) Methods for identifying array areas in dies formed on a wafer and methods for setting up such methods
US20140185919A1 (en) Detecting Defects on a Wafer
CN111033710B (zh) 在透明或半透明晶片上的缺陷检测
US10698325B2 (en) Performance monitoring of design-based alignment
TWI731975B (zh) 用於缺陷偵測之系統及方法
US10533953B2 (en) System and method for wafer inspection with a noise boundary threshold
KR20180117708A (ko) 제조된 컴포넌트 결함을 국부 적응 문턱값을 사용하여 식별하기 위한 시스템, 방법 및 컴퓨터 프로그램 제품
US11676260B2 (en) Variation-based segmentation for wafer defect detection
Jie et al. Improved bump detection and defect identification for hbms using refined machine learning approach
TW202137355A (zh) 基於雜訊特性而叢集次管理區域
KR102607149B1 (ko) 광학 검사를 이용한 프로세스 모니터링 방법
US20230122514A1 (en) Laser Anneal Pattern Suppression
JP2005061853A (ja) 表面検査装置
JP2012150106A (ja) 検査装置
JP2001153616A (ja) 突起物の高さ測定装置および高さ測定方法
JP2004117016A (ja) 半導体ウェーハ欠陥検査装置

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