CN111902844A - 图案边缘检测方法 - Google Patents

图案边缘检测方法 Download PDF

Info

Publication number
CN111902844A
CN111902844A CN201980021715.6A CN201980021715A CN111902844A CN 111902844 A CN111902844 A CN 111902844A CN 201980021715 A CN201980021715 A CN 201980021715A CN 111902844 A CN111902844 A CN 111902844A
Authority
CN
China
Prior art keywords
pattern
edge
image
training data
edges
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
CN201980021715.6A
Other languages
English (en)
Inventor
大家政洋
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.)
Tasmit Inc
Original Assignee
Tasmit Inc
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 Tasmit Inc filed Critical Tasmit Inc
Publication of CN111902844A publication Critical patent/CN111902844A/zh
Pending legal-status Critical Current

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
    • G06T7/001—Industrial image inspection using an image reference approach
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2431—Multiple classes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • 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
    • 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
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • 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
    • G01N2223/50—Detectors
    • G01N2223/507—Detectors secondary-emission detector
    • 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
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30148—Semiconductor; IC; Wafer

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Pathology (AREA)
  • Immunology (AREA)
  • Biochemistry (AREA)
  • Analytical Chemistry (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Quality & Reliability (AREA)
  • Databases & Information Systems (AREA)
  • Mathematical Physics (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

本发明涉及一种能够应用于使用图案的设计数据来进行图案检查的半导体检查装置的图案边缘检测方法。在本方法中，生成图案的图像，基于根据图案的设计数据生成的基准图案来检测图像上的图案的边缘，重复进行图案的图像的生成与图像上的图案的边缘的检测，制作由多个图像与对应的多个图案边缘构成的训练数据候选，通过从训练数据候选排除满足预先确定的不合格条件的图案边缘和对应的图像，从而确定训练数据，使用训练数据，通过机器学习而生成边缘检测模型，生成其他图案的图像，使用边缘检测模型来检测图像上的其他图案的边缘。

Description

图案边缘检测方法
技术领域
本发明涉及一种能够应用于使用图案的设计数据来进行图案检查的半导体检查装置的图案边缘检测方法。
背景技术
在半导体集成电路的制造工序中的晶片的图案检查或者该图案形成用的光掩模的图案检查中，使用利用管芯对管芯(die to die)比较方法的光学式图案检查装置。该管芯对管芯比较方法是通过对作为检查对象的被称为管芯的半导体器件与其附近管芯的从相同位置得到的图像彼此进行比较来检测缺陷的方法。
另一方面，在不存在附近管芯的被称为中间掩模的光掩模的检查中，使用被称为管芯对数据库(die to database)比较的方法。该方法是将掩模数据转换成图像来作为在管芯对管芯比较方法中使用的附近管芯的图像的替代而进行上述相同的检查的方法。掩模数据是指对设计数据实施光掩模用的校正而得到的数据(例如，参照专利文献1)。
但是，如果将管芯对数据库比较方法用于晶片检查，则会将形成于晶片的图案的圆角部检测为缺陷。在光掩模的检查中，通过对从掩模数据转换成的图像实施平滑滤波而形成圆角部，从而不将圆角部检测为缺陷。然而，通过平滑滤波而形成的圆角部不等于形成于晶片的实际的圆角部，所以，有时将实际的圆角部检测为缺陷。因此，如果以忽略这些圆角部的差异的方式设定容许图案变形量，则会产生无法检测存在于角部以外的微小缺陷这样的问题。
如果关注半导体集成电路生产中的问题，则与由于尘埃等引起的随机缺陷相比，重复产生的缺陷更受到重视。重复产生的缺陷(系统性缺陷)被定义为出于光掩模不良等的原因而在晶片上的全部管芯处重复产生的缺陷。重复产生的缺陷由于产生于作为检查对象的管芯和作为其比较对象的附近管芯这两者，所以在管芯对管芯比较中无法检测。因而，需要进行管芯对数据库比较方式中的晶片检查。
现有技术文献
专利文献
专利文献1：美国专利第5563702号说明书
发明内容
发明要解决的技术问题
在管芯对数据库方式中，进行形成于晶片上的图案的拍摄，在该图像中进行以设计数据为基准的检查。在该检查之前，进行以设计数据为基准的图案的边缘检测。然而，有时无法准确地进行该边缘检测而引起图像上的错误的边缘的检测、检测失败。作为其理由，是因为在以往的方法中，一直利用基于一定的规则并基于设计数据来检测图像上的边缘的方法，但在基于一定的规则的方法中，由于图像的图像质量、图案的变形，无法进行适当的边缘的检测。
因此，本发明提供一种能够利用机器学习来进行精度高的边缘检测的方法。
解决技术问题的技术手段
在图案的边缘检测中，应用机器学习。在该方法中，首先，作为机器学习算法的学习，将作为检查对象的图案的图像与所检测到的图案边缘的图像用作训练数据，生成从图像中检测图案边缘的模型，然后，使用模型，从作为实际的检查的对象的图像中检测图案的边缘。
基于机器学习的处理与以往的基于一定的规则的处理相比，精度更高，对于数据的变化，能够实现冗余的处理。通过使用训练数据来进行机器学习算法的学习，从而能够对与训练数据同等的数据进行高精度且冗余性高的处理。因此，期待通过机器学习生成的边缘检测模型能够适当地检测图案的边缘。
另一方面，在训练数据不适合于机器学习算法的学习的情况下，边缘检测模型的精度变差，进一步地，使用这样的边缘检测模型的边缘检测的精度变差。
训练数据不适合于学习的实例是指如下情况。
实例1.1：在图案中包括缺陷。在该情况下，通过管芯对数据库方式检测到的图案边缘有时不与实际的图案边缘相对应。因此，包括缺陷的图案不应该包括在训练数据中。
实例1.2：图案边缘的变形大或者图案边缘的变形量不连续。在该情况下，在制作在训练数据中包括的图案边缘图像的过程中，边缘检测失败或者检测到不与边缘相对应的有误的图案边缘的可能性高。
实例1.3：在训练数据中包括的图案边缘的数量针对图案的每个种类都很不均衡。在该情况下，使用数量少的图案边缘而生成的边缘检测模型，有时无法准确或者高精度地检测边缘。
另外，通过机器学习检测到的边缘不是与设计数据关联起来的，所以，需要将所检测到的边缘与设计数据关联起来。在该关联建立工序中，有时会使所检测到的边缘与设计数据的关联建立发生错误。将该情况称为实例2.1。
在一个方式中，提供一种检测图案的边缘的方法，生成图案的图像，基于根据所述图案的设计数据生成的基准图案，检测所述图像上的所述图案的边缘，重复进行图案的图像的生成与所述图像上的所述图案的边缘的检测，制作由多个图像与对应的多个图案边缘构成的训练数据候选，通过从所述训练数据候选排除满足预先确定的不合格条件的图案边缘和对应的图像，从而确定训练数据，使用所述训练数据，通过机器学习而生成边缘检测模型，生成其他图案的图像，使用所述边缘检测模型来检测图像上的所述其他图案的边缘。
所述不合格条件是指图案包括缺陷。
所述不合格条件是指图案边缘的偏置检查值超过预先设定的上限、或者低于预先设定的下限，所述偏置检查值是表示所述图案边缘相对于基准图案的边缘的偏差的大小和方向的指标值，所述基准图案根据对应的设计数据生成。
所述不合格条件是指在所述训练数据候选的制作中未正确地检测到图案的边缘。
所述不合格条件是指图案边缘的偏置检查值处于预先设定的范围外，所述偏置检查值是表示所述图案边缘相对于基准图案的边缘的偏差的大小和方向的指标值，所述基准图案根据对应的设计数据生成。
所述不合格条件是指图案边缘的偏置检查值不连续地变化，所述偏置检查值是表示所述图案边缘相对于基准图案的边缘的偏差的大小和方向的指标值，所述基准图案根据对应的设计数据生成。
所述不合格条件是指图案边缘的偏置检查值处于预先设定的范围外、并且所述偏置检查值不连续地变化，所述偏置检查值是表示所述图案边缘相对于基准图案的边缘的偏差的大小和方向的指标值，所述基准图案根据对应的设计数据生成。
所述方法还包括如下工序：依照图案的种类，将在所述训练数据候选中包括的所述多个图像分类成多个图像组，以使分别属于所分类得到的所述多个图像组的图像的数量相同的方式，从所述训练数据候选去除图像。
在一个方式中，提供一种检测图案的边缘的方法，包括如下工序：生成图案的图像，基于根据所述图案的设计数据生成的基准图案，检测所述图像上的所述图案的边缘，重复进行图案的图像的生成与所述图像上的所述图案的边缘的检测，制作由多个图像与对应的多个图案边缘构成的训练数据，使用所述训练数据，通过机器学习而生成边缘检测模型，生成其他图案的图像，使用所述边缘检测模型来检测图像上的所述其他图案的边缘，通过机器学习而生成所述边缘检测模型的工序是如下工序：依照基于设计数据的边缘属性，将在所述训练数据中包括的多个图案边缘中的各个图案边缘分割成多个边缘，使用所述训练数据，针对所分割出的所述多个边缘中的每个边缘，通过机器学习而生成多个边缘检测模型。
检测所述其他图案的图像的边缘的工序是如下工序：使用所述多个边缘检测模型来分别检测图像上的所述其他图案的多个边缘，将所检测到的所述多个边缘与所述其他图案的设计数据关联起来。
发明效果
根据上述方式，能够改善上述实例1.1、1.2、1.3、2.1。即，能够改善训练数据，作为结果，能够提高利用机器学习的图案边缘的检测精度。
附图说明
图1是示出图案检查装置的一个实施方式的示意图。
图2是示出图案检查装置的图像生成装置的一个实施方式的示意图。
图3是不利用机器学习的管芯对数据库检查的流程图。
图4是示出在根据设计数据制作出的基准图案的边缘上等间隔地配置的、亮度分布图的原点的图。
图5是示出穿过亮度分布图的原点的垂线的图。
图6是示出亮度分布图的一个例子的曲线图。
图7是说明边缘检测的一个实施方式的图。
图8是示出通过依次用线连起各个亮度分布图上的边缘检测位置而形成的边缘的图。
图9是通过机器学习而生成边缘检测模型的流程图。
图10是说明训练数据的确定的流程图。
图11是示出由于边缘的误检测而偏置检查值变得不连续的图案的一个例子的图。
图12是示出设计数据的例子的图。
图13是示出依照设计数据的图案的种类将多个样本图像分类成多个图像组的结果的直方图。
图14是示出晶片图案的样本图像的图。
图15是示出图14所示的晶片图案的设计数据的图。
图16是使晶片图案重叠于通过对设计数据实施圆角处理而生成的基准图案的图。
图17是用线连结边缘检测位置而构成为所检测到的图案边缘的图。
图18是示出从图17所示的图案边缘分割出的上侧的边缘的图。
图19是示出从图17所示的图案边缘分割出的左侧的边缘的图。
图20是示出从图17所示的图案边缘分割出的下侧的边缘的图。
图21是示出从图17所示的图案边缘分割出的右侧的边缘的图。
图22是用于说明图案边缘的方向的图。
图23是基于边缘的角度而分割出的基准图案的表格。
图24是示出形成为前向传播型神经网络的一部分的感知器的构造的图。
图25是示出激活函数的图。
图26是使感知器多层化而成的前向传播型神经网络的图。
图27是示出通过前向传播型神经网络将输入到输入层的多个亮度值转换成1个亮度值的情形的概念图。
图28是示出以针对包括在训练数据中的样本图像的输入、所输出的图像成为对应的图案边缘的图像的方式前向传播型神经网络进行学习的情形的概念图。
图29是示出从样本图像提取出的5个图像块、从前向传播型神经网络输出的亮度值以及与从样本图像提取出的图像块的各自的位置对应的图案边缘图像的图像块的示意图。
图30是示出从样本图像提取出的图像块的示意图。
图31是使用边缘检测模型的边缘检查的流程。
图32是说明将所检测到的多个边缘与图案的设计数据关联起来的步骤的流程图。
图33是示出图案的设计数据的图。
图34是示出通过对图33所示的设计数据实施圆角处理而生成的基准图案的图。
图35是示出从基准图案分割出的右侧边缘的图。
图36是在图35所示的右侧边缘配置有边缘检测原点的图。
图37是示出在图31的步骤2中检测到的右侧边缘的图。
图38是说明图32的步骤3的图。
图39是示出从边缘检测原点至边缘位置的线段即偏置线的图。
具体实施方式
下面，参照附图，说明本发明的实施方式。图1是示出图案检查装置的一个实施方式的示意图。本实施方式中的图案检查装置具备主控制部1、存储装置2、输入输出控制部3、输入装置4、显示装置5、打印装置6和图像生成装置7。
主控制部1由CPU(Central Processing Unit，中央处理单元)等构成，集中地控制装置整体。存储装置2连接于主控制部1。存储装置2能够采取硬盘、固态驱动器、软盘、光盘等形式。另外，键盘、鼠标等输入装置4、显示输入数据、计算结果等的显示器等显示装置5以及打印检查结果等的打印机等打印装置6经由输入输出控制部3连接于主控制部1。
主控制部1具有用于储存OS(Operating System，操作系统)等的控制程序、用于图案边缘检测的程序以及所需数据等的内部存储器(内部存储装置)，通过这些程序等来执行图案边缘检测和边缘检测模型的生成。这些程序存储在软盘、光盘等中，在执行前能够读入到存储器、硬盘等中来执行。
图2是示出图案检查装置的图像生成装置7的一个实施方式的示意图。如图2所示，图像生成装置7具备照射系统装置10、样品室20和二次电子检测器30。在本实施方式中，图像生成装置7是扫描型电子显微镜。
照射系统装置10由电子枪11、使从电子枪11发射出的一次电子聚焦的聚焦透镜12、使电子束(带电粒子束)在X方向、Y方向上偏转的X偏转器13和Y偏转器14以及物镜15构成。样品室20具备在X方向、Y方向上可移动的XY载物台21。在样品室20中，由晶片输送装置40将作为样品的晶片W搬出搬入。
在照射系统装置10中，从电子枪11发射出的一次电子在由聚焦透镜12聚焦之后，由X偏转器13和Y偏转器14进行偏转的同时，由物镜15聚焦，照射到作为样品的晶片W的表面。
当对晶片W照射一次电子时，从晶片W发射二次电子，由二次电子检测器30检测二次电子。聚焦透镜12和物镜15连接于透镜控制装置16，该透镜控制装置16连接于控制计算机50。二次电子检测器30连接于图像获取装置17，该图像获取装置17也同样地连接于控制计算机50。通过图像获取装置17将由二次电子检测器30检测到的二次电子强度转换成电位对比图像。将能够获取没有失真的最大的电位对比图像的一次电子的照射区域定义为视野。
X偏转器13和Y偏转器14连接于偏转控制装置18，该偏转控制装置18也同样地连接于控制计算机50。XY载物台21连接于XY载物台控制装置22，该XY载物台控制装置22也同样地连接于控制计算机50。另外，晶片输送装置40也同样地连接于控制计算机50。控制计算机50连接于操作计算机60。
图3是不利用机器学习的管芯对数据库检查的流程图。由扫描型电子显微镜构成的图像生成装置7生成图案的样本图像(步骤1)。在本实施方式中，图案形成于作为样品的晶片的表面。在以下说明中，有时将作为边缘检测的对象的图案称为晶片图案。
接下来，图1所示的主控制部1对设计数据的图案进行圆角处理，生成基准图案(步骤2)。在圆角处理中，例如能够使用用圆弧置换设计数据的图案的角部的方法。将圆弧的半径的值指定为检查设定值。
如图4所示，主控制部1将亮度分布图的原点130等间隔地配置于在上述步骤2中生成的基准图案111的边缘上(图3的步骤3)。相邻的亮度分布图的原点130间的距离例如是相当于一个像素大小的距离。
如图5所示，主控制部1画出穿过在上述步骤3中配置的亮度分布图的原点130的垂线140(图3的步骤4)。垂线是与基准图案111的边缘垂直的线段，等间隔地排列。主控制部1获取各垂线140上的样本图像的亮度值，根据这些亮度值制作样本图像的亮度分布图(图3的步骤5)。
图6是示出亮度分布图的一个例子的曲线图。在图6中，纵轴表示亮度值，横轴表示垂线140上的位置。亮度分布图表示沿着垂线140的亮度值的分布。主控制部1基于亮度分布图来检测样本图像上的图案边缘(图3的步骤6)。在图案边缘检测中，使用阈值法、直线近似法等。在本实施方式中，使用阈值法来检测图案边缘。
参照图6，说明作为根据亮度分布图进行图案边缘检测的一种方法的阈值法。将阈值设为x[％]。主控制部1在亮度分布图中确定具有最大亮度值的采样点P，将该采样点的位置设为峰值点。接下来，主控制部1在相比峰值点P更靠图案的外侧的区域中，确定具有最小亮度值的采样点，将该采样点的位置设为谷值点B。接下来，在峰值点P与谷值点B之间确定按x：(100－x)将谷值点B处的亮度值至峰值点P处的亮度值进行内分的边缘亮度值，将具有该边缘亮度值的亮度分布图上的采样点Q的位置设为边缘检测位置。
在具有所确定的边缘亮度值的采样点不在亮度分布图上的情况下，如图7所示，主控制部1从峰值点P向谷值点B地探索采样点的亮度值，确定亮度值最先低于上述边缘亮度值的采样点S1，确定它的一个峰值点侧的采样点S2，通过这2个采样点S1、S2的线性插值来确定与边缘亮度值对应的边缘检测位置。
如图8所示，主控制部1依次用线连起各个亮度分布图上的边缘检测位置。在图8中，符号150表示上述边缘检测位置，符号200表示由用虚线连起的多个边缘检测位置150构成的图案边缘。通过这样，主控制部1能够基于亮度分布图来检测样本图像上的图案边缘。
在图8中，将连接起亮度分布图的原点130与边缘检测位置150的线段定义为偏置线160。主控制部1计算被定义为从处于基准图案111的外侧的边缘检测位置150延伸的偏置线160的长度的偏置检查值。进一步地，主控制部1计算被定义为对从处于基准图案111的内侧的边缘检测位置150延伸的偏置线160的长度乘以－1而得到的值的偏置检查值(图3的步骤7)。偏置检查值是表示图案边缘相对于根据对应的设计数据生成的基准图案111的边缘的偏差的大小和方向的指标值。
如果这样，则主控制部1能够基于偏置检查值来区分晶片图案的“膨大变形”与“缩小变形”。例如，正的偏置检查值意味着晶片图案是膨大变形，负的偏置检查值意味着晶片图案是缩小变形。也可以对偏置检查值预先确定上限和下限。在该情况下，主控制部1能够在偏置检查值超过上限的情况下，将被计算出该偏置检查值的部位检测为膨大缺陷，在偏置检查值低于下限的情况下，将被计算出该偏置检查值的部位检测为缩小缺陷(图3的步骤8)。
图9是通过机器学习而生成边缘检测模型的流程图。利用机器学习的边缘检测模型的生成是通过图1所示的主控制部1来执行的。由扫描型电子显微镜构成的图像生成装置7生成图案的样本图像(步骤1)。主控制部1从图像生成装置7获取样本图像。在本实施方式中，图案形成于作为样品的晶片的表面。在以下说明中，有时将作为边缘检测的对象的图案称为晶片图案。
在步骤2中，图1所示的图案检查装置依照图3所示的流程图进行不利用机器学习的管芯对数据库检查。多次重复图9的步骤1和步骤2，重复进行样本图像的生成与图案边缘的检测。作为结果，由主控制部1获取多个样本图像与对应的多个图案边缘。所获取的多个样本图像与对应的多个图案边缘的全部构成训练数据候选。
接下来，主控制部1通过从训练数据候选排除满足预先确定的不合格条件的图案边缘和对应的样本图像，从而确定在机器学习中使用的训练数据(步骤3)。训练数据的确定是使用样本图像与图案边缘的检测结果来进行的。在本实施方式中，不合格条件是指(i)图案包括缺陷、以及(ii)在训练数据候选的制作中未正确地检测到图案的边缘。
图10是说明图9的步骤3中的训练数据的确定的流程图。在图10的步骤1中，从训练数据候选去除在管芯对数据库检查中被判定为包括缺陷的图案的边缘与对应的样本图像。即，从训练数据候选去除偏置检查值超过上限的图案的边缘与对应的样本图像以及偏置检查值低于下限的图案的边缘与对应的样本图像。
在图10的步骤2中，从训练数据候选去除在管芯对数据库检查中有可能未正确地进行图案边缘检测的图案边缘和对应的样本图像。有可能未正确地进行图案边缘检测的图案边缘的一个例子是变形大的图案边缘。作为图案边缘的变形的大小和方向，例如能够使用在管芯对数据库检查中的缺陷判定中使用的偏置检查值。更具体来说，将偏置检查值在预先设定的范围外的图案边缘确定为变形大的图案边缘。在图案边缘的变形大的情况下，有可能无法正常地进行边缘检测。因此，从训练数据候选去除这样的图案边缘和对应的样本图像。
在管芯对数据库检查中有可能未正确地进行图案边缘检测的图案边缘的其他例子是偏置检查值不连续地变化的图案边缘。偏置检查值是表示图案边缘相对于根据对应的设计数据生成的基准图案的边缘的偏差的大小和方向的指标值。因此，在未正确地进行边缘检测的情况下，偏置检查值变得不连续，结果，偏置检查值急剧变化。
图11是示出由于边缘的误检测而偏置检查值变得不连续的图案的一个例子的图。符号300是根据设计数据生成的基准图案，符号301是基于设计数据而制作出的实际的晶片图案。沿着基准图案300的边缘，偏置检查值不连续地变化。具体来说，由偏置线305表示的偏置检查值是正的符号，与此相对地，由相邻的偏置线306表示的偏置检查值是负的符号。另外，由偏置线307表示的偏置检查值是负的符号，与此相对地，由相邻的偏置线308表示的偏置检查值是正的符号。
在如该例子那样偏置检查值急剧变化的情况下，例如在相邻的2条偏置线的偏置检查值之差为规定的阈值以上的情况下，从训练数据候选去除该图案边缘和对应的样本图像。例如在图11的相邻的2条偏置线305、306的偏置检查值之差为基准图案300的宽度D的30％以上的情况下，从训练数据候选去除该样本图像。
在图10的步骤3中，依照设计数据的图案的种类，将在训练数据候选中包括的多个样本图像分类成多个图像组。图12示出设计数据的例子，示出3种图案。符号400、410、420表示在样本图像的分类中使用的设计数据，符号401、402、403、404表示在设计数据400中包括的图案，符号411、412表示在设计数据410中包括的图案，符号421、422、423表示在设计数据420中包括的图案。
图13是示出依照设计数据的图案的种类将在实施了管芯对数据库检查时得到的多个样本图像分类成多个图像组的结果的直方图。在图13中，纵轴表示设计数据的图案的种类，横轴表示样本图像的数量。
在图10的步骤4中，主控制部1以使分别属于分类得到的多个图像组的样本图像的数量相同的方式，从训练数据候选去除样本图像。在存在样本图像的数量低于预先设定的值的图案种类的情况下，主控制部1对训练数据给予警告，让用户知晓存在样本图像的数量少的图案种类。
通过这样，从而使图案的种类的偏差降低(即，提高用于训练数据的图案的种类的完整性)，从而能够提高机器学习的精度。另外，通过使训练数据的图案的种类的偏差降低，从而使训练数据的总数减少。
返回到图9，在图9的步骤4中，主控制部1依照作为基于设计数据的边缘属性的设计数据的图案边缘方向，将在图9的步骤3中确定的训练数据中包括的多个图案边缘中的各个图案边缘分割成多个边缘。
图14是示出晶片图案501、502的样本图像的图，图15是示出图14所示的晶片图案501、502的设计数据505、506的图。图16是使晶片图案501、502重叠于通过对设计数据505、506实施圆角处理而生成的基准图案507、508的图。在图16中，在基准图案507、508上等间隔地配置亮度分布图的原点130，偏置线160从原点130延伸至边缘检测位置。
图17是用线连结边缘检测位置而构成为所检测到的图案边缘510、511的图。图18是示出从图17所示的图案边缘分割出的上侧的边缘510a、511a的图，图19是示出从图17所示的图案边缘分割出的左侧的边缘510b、511b的图，图20是示出从图17所示的图案边缘分割出的下侧的边缘510c、511c的图，图21是示出从图17所示的图案边缘分割出的右侧的边缘510d、511d的图。
图22是用于说明图案边缘的方向的图。如图22所示，图案边缘的方向是基于基准图案507、508的边缘的角度θ来确定的。将该角度θ定义为从图案内侧画到外侧的法线的从基准线RL起的逆时针的角度。图23是基于边缘的角度θ而分类得到的基准图案507、508的表格。基于基准图案507、508而检测到的图案边缘510、511依照基准图案507、508的角度θ而分割成右侧的边缘510d、511d、上侧的边缘510a、511a、左侧的边缘510b、511b、下侧的边缘510c、511c。
在图9的步骤5中，主控制部1针对分割出的多个边缘中的每个边缘进行图案边缘的图像化。进一步地，在图9的步骤6中，主控制部1使用训练数据，针对分割出的多个边缘中的每个边缘，通过机器学习而生成机器学习算法的训练、即多个边缘检测模型。下面，在作为机器学习算法而使用前向传播型神经网络的方法中进行说明。
图24是示出形成为前向传播型神经网络的一部分的感知器的构造的图。针对输入的矢量(输入特征量，x1、x2…、xn)的各分量，存在耦合权重w1、w2、…、wn。将单元的值u表示为输入特征量的各分量与对应的耦合权重之积和偏置项b之和即w1x1+w2x2+…+wnxn+b。感知器的输出y是将单元的值u输入到激活函数f(·)而得到的值y＝f(u)。
图25是示出激活函数的图。在本实施方式中，作为激活函数使用斜坡函数(ReLU)。斜坡函数如下定义。
如果u＜0，则f(u)＝0，如果u≥0，则f(u)＝u
图26是使感知器多层化而成的前向传播型神经网络的图。在前向传播型神经网络中，存在多层的感知器。从输入侧的层到输出侧的层地，将某个感知器的输出输入到接下来的感知器。计算是从输入侧的层依次进行的，最终计算输出值y。
在本实施例中，前向传播型神经网络的输入特征量是构成在训练数据中包括的样本图像的像素的亮度值。图27是示出通过前向传播型神经网络将输入到输入层的多个亮度值转换成1个亮度值的情形的概念图。在图27所示的前向传播型神经网络中，将样本图像的相邻的9个像素各自的亮度值输入到输入层601，将上述9个像素中的位于中心的1个像素的亮度值输出到输出层610。即，主控制部1将应该检测边缘的样本图像的多个亮度值x1～x9输入到输入层601。将由某个设定的数量的像素构成的图像区域称为图像块。样本图像的图像块内的像素的亮度值x1～x9依次传播到前向传播型神经网络的中间层602～605的单元，最后从输出层610输出亮度值y。该亮度值y被分配给与位于样本图像的图像块的中心的像素对应的输出图像的像素的亮度值。
图28是示出以针对包括在训练数据中的样本图像的输入、所输出的图像成为对应的图案边缘的图像的方式前向传播型神经网络进行学习的情形的概念图。在这里，学习是指以针对样本图像的输入而所输出的图像变成对应的图案边缘的图像的方式主控制部1自动地调节将前向传播型神经网络的单元间耦合的耦合权重，边缘检测模型包括调节完成的耦合权重。在本实施方式中，将样本图像用作学习用的训练图像，将对应的图案边缘的图像用作学习用的训练图像。
在本实施方式中，主控制部1使用训练数据，针对依照边缘属性分割出的多个边缘中的每个边缘，通过机器学习而生成多个边缘检测模型。如果将从样本图像提取出的图像块的亮度矢量设为X1，将从所述前向传播型神经网络输出的图像块X1的亮度值设为y，将与图像块X1的位置对应的图案边缘图像的图像块T1的亮度值设为t，则从前向传播型神经网络输出的亮度值y期望尽可能地接近图案边缘图像的亮度值t。
图29是示出从样本图像提取出的5个图像块、从前向传播型神经网络输出的亮度值以及与从样本图像提取出的图像块的各自的位置对应的图案边缘图像的图像块的示意图。通过前向传播型神经网络将从样本图像提取出的图像块的亮度矢量X1、X2、…、X5分别转换成亮度值y1、y2、…、y5。将亮度值y1、y2、…、y5与图案边缘图像的对应的图像块的亮度值t1、t2、…、t5分别进行比较。
图30是示出从样本图像提取出的图像块的示意图。图像块具有由多个亮度值构成的亮度矢量。在图30所示的例子中，图像块是3像素四方的大小。因此，图像块具有9个像素，各个像素的亮度值用xi1、xi2、xi3、xi4、xi5、xi6、xi7、xi8、xi9表示。即，图像块用以下所示的亮度矢量来表示。
亮度矢量Xi＝[xi1，xi2，xi3，xi4，xi5，xi6，xi7，xi8，xi9]
i是指定图像块的编号。
在一个实施方式中，作为yi与ti之间的近似度的评价指标，使用如下定义的均方误差。
E＝Σ(yi－ti)2/N
N是同时评价的图像块的数量。
如果所述均方误差E小，则期待输出图像更加接近图案边缘图像。
主控制部1以使所述均方误差E变小的方式更新耦合权重。例如，关于第M层的单元α与第M+1层的单元β之间的权重参数wαβ，主控制部1考虑使用求出与E的wαβ相关的偏微分值
Figure BDA0002698365980000141
并将权重参数wαβ置换成
Figure BDA0002698365980000142
的梯度法。在这里，ε是学习系数，是预先确定的数值。此外，能够通过使用阿达姆法(adam)、随机梯度法来推进学习。另外，作为使用合成函数的链式法则来高效地推进计算的算法，针对偏微分
Figure BDA0002698365980000143
的计算已知误差反向传播法。
以上述方式使耦合权重最佳化，针对分割出的多个边缘中的每个边缘，生成多个边缘检测模型。图31是使用边缘检测模型的边缘检查的流程。使用边缘检测模型的边缘检查是通过图1所示的主控制部1来执行的。由扫描型电子显微镜构成的图像生成装置7生成图案的图像(步骤1)。主控制部1从图像生成装置7获取图案的图像。在本实施方式中，图案形成于作为样品的晶片的表面。在该步骤1中生成的图案是与在训练数据候选的制作中使用的图案不同的图案。
在步骤2中，主控制部1将针对分割出的多个边缘中的每个边缘而生成的多个边缘检测模型应用于图案的图像，进行图案的边缘检测。例如，主控制部1使用上侧的边缘用的边缘检测模型来检测上侧的边缘，使用右侧的边缘用的边缘检测模型来检测右侧的边缘，使用左侧的边缘用的边缘检测模型来检测左侧的边缘，使用下侧的边缘用的边缘检测模型来检测下侧的边缘。在各个边缘检测模型中包括的耦合权重已经通过使用训练数据的学习而最佳化。作为边缘检测结果，生成所检测到的多个边缘的多个图像。所检测到的边缘的各图像是与样本图像相同的大小。在该检测到的边缘的各图像中，对与边缘对应的像素分配数值1，对不与边缘对应的像素分配数值0。
在步骤3中，将所检测到的多个边缘与在步骤1中拍摄到的图案的设计数据关联起来。图32是说明图31的步骤3的流程图。在步骤1中，主控制部1对设计数据实施圆角处理，生成基准图案。与训练数据的图案边缘同样地，依照作为基于设计数据的边缘属性的图案边缘方向，将基准图案的边缘分割成多个边缘。
图33是示出图案的设计数据701、702的图，图34是示出通过对图33所示的设计数据701、702实施圆角处理而生成的基准图案703、704的图，图35是示出从基准图案703、704分割出的右侧边缘703a、704a的图。
在图32的步骤2中，主控制部1将边缘检测原点配置于图35所示的右侧边缘703a、704a。图36是在图35所示的右侧边缘703a、704a配置有边缘检测原点706的图。边缘检测原点706等间隔地配置于右侧边缘703a、704a上。图37是示出在图31的步骤2中检测到的右侧边缘708、709的图。
图38是说明图32的步骤3的图。如图38所示，在图32的步骤3中，主控制部1使使用右侧用的边缘检测模型而检测到的右侧边缘708、709的图像重叠于根据设计数据生成的右侧边缘703a、704a的图像，画出穿过边缘检测原点706的垂线710。垂线710的长度是固定值或者由外部参数指定的长度，向右侧边缘703a、704a的外侧与内侧这两方画出垂线710。该垂线710与所检测到的右侧边缘708、709的交点是边缘位置。在图32的步骤4中，制作从边缘检测原点706至边缘位置的线段即偏置线。图39是示出从边缘检测原点706至边缘位置的线段即偏置线711的图。根据设计数据生成的右侧边缘703a、704a与使用边缘检测模型而检测到的右侧边缘708、709通过偏置线711而相互关联起来。
同样地，关于根据基于设计数据的边缘属性而分类得到的图案的上侧边缘、左侧边缘和下侧边缘，也制作偏置线，这些偏置线的信息基于设计数据而进行整合，构成管芯对数据库检查结果。
返回到图31，主控制部1与不利用机器学习的管芯对数据库检查同样地，基于偏置线的长度、即偏置检查值，进行晶片图案的缺陷判定。
上述实施方式是以具有本发明所属的技术领域中的通常知识的人能够实施本发明为目的而记载的。上述实施方式的各种变形例只要是本领域技术人员就当然能够实现，本发明的技术思想还能够应用于其他实施方式。因此，本发明不限定于所记载的实施方式，应解释成依照由权利要求书定义的技术思想的最宽的范围。
产业上的可利用性
本发明能够利用于可应用于使用图案的设计数据来进行图案检查的半导体检查装置的图案边缘检测方法。
符号说明
1 主控制部
2 存储装置
3 输入输出控制部
4 输入装置
5 显示装置
6 打印装置
7 图像生成装置
10 照射系统装置
11 电子枪
12 聚焦透镜
13 X偏转器
14 Y偏转器
15 物镜
16 透镜控制装置
17 图像获取装置
20 样品室
21 XY载物台
22 XY载物台控制装置
30 二次电子检测器
40 晶片输送装置
50 控制计算机
60 操作计算机。
权利要求书(按照条约第19条的修改)
1.一种检测图案的边缘的方法，其特征在于，
生成图案的图像，
基于根据所述图案的设计数据生成的基准图案，检测所述图像上的所述图案的边缘，
重复进行图案的图像的生成与所述图像上的所述图案的边缘的检测，制作由多个图像与对应的多个图案边缘构成的训练数据候选，
通过从所述训练数据候选排除满足预先确定的不合格条件的图案边缘和对应的图像，从而确定训练数据，
使用所述训练数据，通过机器学习而生成边缘检测模型，
生成其他图案的图像，
使用所述边缘检测模型来检测图像上的所述其他图案的边缘，
所述不合格条件是指图案边缘的偏置检查值超过预先设定的上限、或者低于预先设定的下限，
所述偏置检查值是表示所述图案边缘相对于基准图案的边缘的偏差的大小和方向的指标值，所述基准图案根据对应的设计数据生成。
2.一种检测图案的边缘的方法，其特征在于，
生成图案的图像，
基于根据所述图案的设计数据生成的基准图案，检测所述图像上的所述图案的边缘，
重复进行图案的图像的生成与所述图像上的所述图案的边缘的检测，制作由多个图像与对应的多个图案边缘构成的训练数据候选，
通过从所述训练数据候选排除满足预先确定的不合格条件的图案边缘和对应的图像，从而确定训练数据，
使用所述训练数据，通过机器学习而生成边缘检测模型，
生成其他图案的图像，
使用所述边缘检测模型来检测图像上的所述其他图案的边缘，
所述不合格条件是指图案边缘的偏置检查值处于预先设定的范围外，
所述偏置检查值是表示所述图案边缘相对于基准图案的边缘的偏差的大小和方向的指标值，所述基准图案根据对应的设计数据生成。
3.一种检测图案的边缘的方法，其特征在于，
生成图案的图像，
基于根据所述图案的设计数据生成的基准图案，检测所述图像上的所述图案的边缘，
重复进行图案的图像的生成与所述图像上的所述图案的边缘的检测，制作由多个图像与对应的多个图案边缘构成的训练数据候选，
通过从所述训练数据候选排除满足预先确定的不合格条件的图案边缘和对应的图像，从而确定训练数据，
使用所述训练数据，通过机器学习而生成边缘检测模型，
生成其他图案的图像，
使用所述边缘检测模型来检测图像上的所述其他图案的边缘，
所述不合格条件是指图案边缘的偏置检查值不连续地变化，
所述偏置检查值是表示所述图案边缘相对于基准图案的边缘的偏差的大小和方向的指标值，所述基准图案根据对应的设计数据生成。
4.一种检测图案的边缘的方法，其特征在于，
生成图案的图像，
基于根据所述图案的设计数据生成的基准图案，检测所述图像上的所述图案的边缘，
重复进行图案的图像的生成与所述图像上的所述图案的边缘的检测，制作由多个图像与对应的多个图案边缘构成的训练数据候选，
通过从所述训练数据候选排除满足预先确定的不合格条件的图案边缘和对应的图像，从而确定训练数据，
使用所述训练数据，通过机器学习而生成边缘检测模型，
生成其他图案的图像，
使用所述边缘检测模型来检测图像上的所述其他图案的边缘，
所述不合格条件是指图案边缘的偏置检查值处于预先设定的范围外、并且所述偏置检查值不连续地变化，
所述偏置检查值是表示所述图案边缘相对于基准图案的边缘的偏差的大小和方向的指标值，所述基准图案根据对应的设计数据生成。
5.一种检测图案的边缘的方法，其特征在于，
生成图案的图像，
基于根据所述图案的设计数据生成的基准图案，检测所述图像上的所述图案的边缘，
重复进行图案的图像的生成与所述图像上的所述图案的边缘的检测，制作由多个图像与对应的多个图案边缘构成的训练数据候选，
依照图案的种类，将在所述训练数据候选中包括的所述多个图像分类成多个图像组，
以使分别属于所分类得到的所述多个图像组的图像的数量相同的方式，从所述训练数据候选去除图像，
通过从所述训练数据候选排除满足预先确定的不合格条件的图案边缘和对应的图像，从而确定训练数据，
使用所述训练数据，通过机器学习而生成边缘检测模型，
生成其他图案的图像，
使用所述边缘检测模型来检测图像上的所述其他图案的边缘。
6.一种检测图案的边缘的方法，其特征在于，
包括如下工序：
生成图案的图像，
基于根据所述图案的设计数据生成的基准图案，检测所述图像上的所述图案的边缘，
重复进行图案的图像的生成与所述图像上的所述图案的边缘的检测，制作由多个图像与对应的多个图案边缘构成的训练数据，
使用所述训练数据，通过机器学习而生成边缘检测模型，
生成其他图案的图像，
使用所述边缘检测模型来检测图像上的所述其他图案的边缘，
通过机器学习而生成所述边缘检测模型的工序是如下工序：
依照基于设计数据的边缘属性，将在所述训练数据中包括的多个图案边缘中的各个图案边缘分割成多个边缘，
使用所述训练数据，针对所分割出的所述多个边缘中的每个边缘，通过机器学习而生成多个边缘检测模型。
7.根据权利要求6所述的方法，其特征在于，
检测所述其他图案的图像的边缘的工序是如下工序：
使用所述多个边缘检测模型来分别检测图像上的所述其他图案的多个边缘，
将所检测到的所述多个边缘与所述其他图案的设计数据关联起来。

Claims (10)

1.一种检测图案的边缘的方法，其特征在于，
生成图案的图像，
基于根据所述图案的设计数据生成的基准图案，检测所述图像上的所述图案的边缘，
重复进行图案的图像的生成与所述图像上的所述图案的边缘的检测，制作由多个图像与对应的多个图案边缘构成的训练数据候选，
通过从所述训练数据候选排除满足预先确定的不合格条件的图案边缘和对应的图像，从而确定训练数据，
使用所述训练数据，通过机器学习而生成边缘检测模型，
生成其他图案的图像，
使用所述边缘检测模型来检测图像上的所述其他图案的边缘。
2.根据权利要求1所述的方法，其特征在于，
所述不合格条件是指图案包括缺陷。
3.根据权利要求2所述的方法，其特征在于，
所述不合格条件是指图案边缘的偏置检查值超过预先设定的上限、或者低于预先设定的下限，
所述偏置检查值是表示所述图案边缘相对于基准图案的边缘的偏差的大小和方向的指标值，所述基准图案根据对应的设计数据生成。
4.根据权利要求1所述的方法，其特征在于，
所述不合格条件是指在所述训练数据候选的制作中未正确地检测到图案的边缘。
5.根据权利要求4所述的方法，其特征在于，
所述不合格条件是指图案边缘的偏置检查值处于预先设定的范围外，
所述偏置检查值是表示所述图案边缘相对于基准图案的边缘的偏差的大小和方向的指标值，所述基准图案根据对应的设计数据生成。
6.根据权利要求4所述的方法，其特征在于，
所述不合格条件是指图案边缘的偏置检查值不连续地变化，
所述偏置检查值是表示所述图案边缘相对于基准图案的边缘的偏差的大小和方向的指标值，所述基准图案根据对应的设计数据生成。
7.根据权利要求4所述的方法，其特征在于，
所述不合格条件是指图案边缘的偏置检查值处于预先设定的范围外、并且所述偏置检查值不连续地变化，
所述偏置检查值是表示所述图案边缘相对于基准图案的边缘的偏差的大小和方向的指标值，所述基准图案根据对应的设计数据生成。
8.根据权利要求1所述的方法，其特征在于，
还包括如下工序：
依照图案的种类，将在所述训练数据候选中包括的所述多个图像分类成多个图像组，
以使分别属于所分类得到的所述多个图像组的图像的数量相同的方式，从所述训练数据候选去除图像。
9.一种检测图案的边缘的方法，其特征在于，
包括如下工序：
生成图案的图像，
基于根据所述图案的设计数据生成的基准图案，检测所述图像上的所述图案的边缘，
重复进行图案的图像的生成与所述图像上的所述图案的边缘的检测，制作由多个图像与对应的多个图案边缘构成的训练数据，
使用所述训练数据，通过机器学习而生成边缘检测模型，
生成其他图案的图像，
使用所述边缘检测模型来检测图像上的所述其他图案的边缘，
通过机器学习而生成所述边缘检测模型的工序是如下工序：
依照基于设计数据的边缘属性，将在所述训练数据中包括的多个图案边缘中的各个图案边缘分割成多个边缘，
使用所述训练数据，针对所分割出的所述多个边缘中的每个边缘，通过机器学习而生成多个边缘检测模型。
10.根据权利要求9所述的方法，其特征在于，
检测所述其他图案的图像的边缘的工序是如下工序：
使用所述多个边缘检测模型来分别检测图像上的所述其他图案的多个边缘，
将所检测到的所述多个边缘与所述其他图案的设计数据关联起来。
CN201980021715.6A 2018-03-27 2019-03-04 图案边缘检测方法 Pending CN111902844A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
JP2018-059802 2018-03-27
JP2018059802A JP6964031B2 (ja) 2018-03-27 2018-03-27 パターンエッジ検出方法
PCT/JP2019/008345 WO2019188009A1 (ja) 2018-03-27 2019-03-04 パターンエッジ検出方法

Publications (1)

Publication Number Publication Date
CN111902844A true CN111902844A (zh) 2020-11-06

Family

ID=68061339

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201980021715.6A Pending CN111902844A (zh) 2018-03-27 2019-03-04 图案边缘检测方法

Country Status (6)

Country Link
US (1) US11436736B2 (zh)
JP (1) JP6964031B2 (zh)
KR (1) KR20200135991A (zh)
CN (1) CN111902844A (zh)
TW (1) TWI798380B (zh)
WO (1) WO2019188009A1 (zh)

Families Citing this family (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11380516B2 (en) 2017-04-13 2022-07-05 Fractilia, Llc System and method for generating and analyzing roughness measurements and their use for process monitoring and control
US10522322B2 (en) 2017-04-13 2019-12-31 Fractilia, Llc System and method for generating and analyzing roughness measurements
US10176966B1 (en) 2017-04-13 2019-01-08 Fractilia, Llc Edge detection system
JP2020139905A (ja) * 2019-03-01 2020-09-03 セイコーエプソン株式会社 検査装置、検査方法、およびプログラム
US11355305B2 (en) 2019-10-08 2022-06-07 Fei Company Low keV ion beam image restoration by machine learning for object localization
JP6730501B1 (ja) * 2019-10-08 2020-07-29 アイコンヤマト株式会社 自動図化装置、自動図化方法および自動図化プログラム
EP4089624A4 (en) 2020-01-09 2023-10-25 Hitachi High-Tech Corporation IMAGE PRODUCTION SYSTEM AND NON-VOLATILE COMPUTER-READABLE MEDIUM
JP7451384B2 (ja) 2020-01-10 2024-03-18 東レエンジニアリング先端半導体Ｍｉテクノロジー株式会社 パターンエッジ検出方法、パターンエッジ検出装置、パターンエッジ検出をコンピュータに実行させるためのプログラムが記録された記録媒体
CN114945801A (zh) * 2020-01-10 2022-08-26 塔斯米特株式会社 图案边缘检测方法、图案边缘检测装置、记录有用于让计算机执行图案边缘检测的程序的记录介质
US11416977B2 (en) * 2020-03-10 2022-08-16 Applied Materials, Inc. Self-measurement of semiconductor image using deep learning
WO2021192119A1 (ja) * 2020-03-25 2021-09-30 ソニーグループ株式会社 情報処理装置、プログラム、および方法
CN111612897B (zh) * 2020-06-05 2023-11-10 腾讯科技（深圳）有限公司 三维模型的融合方法、装置、设备及可读存储介质
TWI798650B (zh) * 2021-02-25 2023-04-11 環球晶圓股份有限公司 自動光學檢測方法、自動光學檢測系統及記錄媒體
JP2023183314A (ja) * 2022-06-15 2023-12-27 株式会社Sumco ウェーハの判定方法、判定プログラム、判定装置、ウェーハの製造方法及びウェーハ
CN116168041B (zh) * 2023-04-26 2023-07-11 湖南隆深氢能科技有限公司 一种应用于贴合装置的实时检测方法及其系统

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH04125779A (ja) * 1990-09-18 1992-04-27 Toshiba Corp 画像処理方法
JPH0546764A (ja) * 1991-08-12 1993-02-26 Fujitsu Ltd エツジ抽出システム
US20010055415A1 (en) * 1999-12-16 2001-12-27 Nec Corporation Pattern inspection method and pattern inspection device
JP2006012069A (ja) * 2004-06-29 2006-01-12 Olympus Corp 分類装置及び分類方法
CN101689028A (zh) * 2007-04-27 2010-03-31 株式会社尼康 图案数据的处理方法以及电子器件的制造方法
JP2013058036A (ja) * 2011-09-07 2013-03-28 Canon Inc 画像処理装置、画像処理プログラム、ロボット装置及び画像処理方法
CN104919307A (zh) * 2013-01-29 2015-09-16 株式会社日立高新技术 图案评价装置以及具备图案评价装置的外观检查装置
CN106165078A (zh) * 2014-03-25 2016-11-23 科磊股份有限公司 Δ裸片及δ数据库检验

Family Cites Families (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5563702A (en) 1991-08-22 1996-10-08 Kla Instruments Corporation Automated photomask inspection apparatus and method
US5475766A (en) * 1991-09-05 1995-12-12 Kabushiki Kaisha Toshiba Pattern inspection apparatus with corner rounding of reference pattern data
US6400838B2 (en) * 1997-07-29 2002-06-04 Kabushiki Kaisha Toshiba Pattern inspection equipment, pattern inspection method, and storage medium storing pattern inspection program
JP2007192652A (ja) * 2006-01-19 2007-08-02 Advanced Mask Inspection Technology Kk パターン検査装置、パターン検査方法、及び検査対象試料
JP4943304B2 (ja) * 2006-12-05 2012-05-30 株式会社 Ｎｇｒ パターン検査装置および方法
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
JP5429869B2 (ja) * 2008-12-22 2014-02-26 株式会社 Ｎｇｒ パターン検査装置および方法
JP5525421B2 (ja) * 2010-11-24 2014-06-18 株式会社日立ハイテクノロジーズ 画像撮像装置および画像撮像方法
US8953869B2 (en) * 2012-06-14 2015-02-10 Kla-Tencor Corporation Apparatus and methods for inspecting extreme ultra violet reticles
US20160154922A1 (en) * 2014-12-01 2016-06-02 Globalfoundries Inc. Optical proximity correction taking into account wafer topography
WO2016121073A1 (ja) * 2015-01-30 2016-08-04 株式会社 日立ハイテクノロジーズ パターンマッチング装置、及びパターンマッチングのためのコンピュータプログラム
US9875536B2 (en) * 2015-03-31 2018-01-23 Kla-Tencor Corp. Sub-pixel and sub-resolution localization of defects on patterned wafers
US9547745B1 (en) * 2015-07-27 2017-01-17 Dmo Systems Limited System and method for discovering unknown problematic patterns in chip design layout for semiconductor manufacturing
US10811323B2 (en) * 2016-03-01 2020-10-20 Asml Netherlands B.V. Method and apparatus to determine a patterning process parameter

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH04125779A (ja) * 1990-09-18 1992-04-27 Toshiba Corp 画像処理方法
JPH0546764A (ja) * 1991-08-12 1993-02-26 Fujitsu Ltd エツジ抽出システム
US20010055415A1 (en) * 1999-12-16 2001-12-27 Nec Corporation Pattern inspection method and pattern inspection device
JP2006012069A (ja) * 2004-06-29 2006-01-12 Olympus Corp 分類装置及び分類方法
CN101689028A (zh) * 2007-04-27 2010-03-31 株式会社尼康 图案数据的处理方法以及电子器件的制造方法
JP2013058036A (ja) * 2011-09-07 2013-03-28 Canon Inc 画像処理装置、画像処理プログラム、ロボット装置及び画像処理方法
CN104919307A (zh) * 2013-01-29 2015-09-16 株式会社日立高新技术 图案评价装置以及具备图案评价装置的外观检查装置
CN106165078A (zh) * 2014-03-25 2016-11-23 科磊股份有限公司 Δ裸片及δ数据库检验

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
JUNG-HWAN KIM ET AL: "A low power analog CMOS vision chip for edge detection using electronic switches", 《ETRI JOURNAL》, vol. 27, no. 5, 31 October 2005 (2005-10-31), pages 539 - 544 *
刘润予: "深亚微米级IC晶片缺陷检测的机器视觉系统", 《中国优秀硕士学位论文全文数据库（电子期刊）》, vol. 2007, no. 05, 15 May 2007 (2007-05-15) *

Also Published As

Publication number Publication date
JP6964031B2 (ja) 2021-11-10
TWI798380B (zh) 2023-04-11
KR20200135991A (ko) 2020-12-04
US20210027473A1 (en) 2021-01-28
JP2019174940A (ja) 2019-10-10
WO2019188009A1 (ja) 2019-10-03
US11436736B2 (en) 2022-09-06
TW201942796A (zh) 2019-11-01

Similar Documents

Publication Publication Date Title
CN111902844A (zh) 图案边缘检测方法
US10937146B2 (en) Image evaluation method and image evaluation device
KR102218364B1 (ko) 패턴 검사 시스템
US8045789B2 (en) Method and apparatus for inspecting defect of pattern formed on semiconductor device
JP5429869B2 (ja) パターン検査装置および方法
US9189843B2 (en) Pattern inspection apparatus and method
JP5065943B2 (ja) 製造プロセスモニタリングシステム
JP4787673B2 (ja) パターン検査装置および方法
JP2019008599A (ja) 順伝播型ニューラルネットワークを用いた画像ノイズ低減方法
JP2011191296A (ja) パターン検査装置および方法
JP2001338304A (ja) パターン検査装置、パターン検査方法および記録媒体
JP7137487B2 (ja) 画像評価装置及び方法
US20190005650A1 (en) Pattern edge detection method
JP4827269B2 (ja) パターン検査装置および方法
JP2004163420A (ja) パターン検査装置および方法
KR101615829B1 (ko) 반도체 검사 시스템
JP4597509B2 (ja) パターン検査装置およびパターン検査方法
WO2022230338A1 (ja) 欠陥を検出するシステム、及びコンピュータ可読媒体
JP5478681B2 (ja) 半導体欠陥検査装置ならびにその方法
JP7459007B2 (ja) 欠陥検査装置及び欠陥検査方法

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