CN113728411A - 带电粒子束装置 - Google Patents
带电粒子束装置 Download PDFInfo
- Publication number
- CN113728411A CN113728411A CN201980095455.7A CN201980095455A CN113728411A CN 113728411 A CN113728411 A CN 113728411A CN 201980095455 A CN201980095455 A CN 201980095455A CN 113728411 A CN113728411 A CN 113728411A
- Authority
- CN
- China
- Prior art keywords
- image
- charged particle
- particle beam
- images
- beam device
- 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
Links
- 239000002245 particle Substances 0.000 title claims abstract description 118
- 238000003384 imaging method Methods 0.000 claims abstract description 45
- 230000010354 integration Effects 0.000 claims abstract description 44
- 230000015556 catabolic process Effects 0.000 claims abstract description 20
- 238000006731 degradation reaction Methods 0.000 claims abstract description 20
- 238000012545 processing Methods 0.000 claims description 49
- 238000012937 correction Methods 0.000 claims description 21
- 238000010801 machine learning Methods 0.000 claims description 12
- 238000011156 evaluation Methods 0.000 claims description 10
- 238000009825 accumulation Methods 0.000 claims description 8
- 238000000034 method Methods 0.000 abstract description 60
- 230000006866 deterioration Effects 0.000 abstract description 15
- 239000000523 sample Substances 0.000 description 48
- 230000008569 process Effects 0.000 description 40
- 230000006870 function Effects 0.000 description 35
- 230000001186 cumulative effect Effects 0.000 description 16
- 238000013441 quality evaluation Methods 0.000 description 16
- 230000007613 environmental effect Effects 0.000 description 13
- 238000010586 diagram Methods 0.000 description 10
- 238000003860 storage Methods 0.000 description 8
- 238000007726 management method Methods 0.000 description 7
- 238000011109 contamination Methods 0.000 description 6
- 230000005484 gravity Effects 0.000 description 6
- 238000013527 convolutional neural network Methods 0.000 description 5
- 230000009467 reduction Effects 0.000 description 4
- 230000007704 transition Effects 0.000 description 4
- 230000003247 decreasing effect Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000003825 pressing Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000012790 confirmation Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000010894 electron beam technology Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000004043 responsiveness Effects 0.000 description 2
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000002542 deteriorative effect Effects 0.000 description 1
- 230000001771 impaired effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010884 ion-beam technique Methods 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 239000000725 suspension Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- 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 or photographic arrangements associated with the tube
- H01J37/222—Image processing arrangements associated with the tube
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
- G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
-
- 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
-
- 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
- H01J37/244—Detectors; Associated components or circuits therefor
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
- H01J37/00—Discharge tubes with provision for introducing objects or material to be exposed to the discharge, e.g. for the purpose of examination or processing thereof
- H01J37/26—Electron or ion microscopes; Electron or ion diffraction tubes
- H01J37/28—Electron or ion microscopes; Electron or ion diffraction tubes with scanning beams
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2200/00—Indexing scheme for image data processing or generation, in general
- G06T2200/24—Indexing scheme for image data processing or generation, in general involving graphical user interfaces [GUIs]
-
- 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
- G06T2207/20092—Interactive image processing based on input by user
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Probability & Statistics with Applications (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
Abstract
关于带电粒子束装置,提供一种能够实现防止与拍摄图像相关的画质劣化的技术。带电粒子束装置具备向试样照射带电粒子束并将试样的信息图像化的拍摄装置和计算机。计算机存储通过多次扫描相同区域而得到的各图像(扫描图像),将各图像分类为包含劣化图像的图像和不包含劣化图像的图像,保存从不包含劣化图像的图像通过图像累计而得到的目标图像。带电粒子束装置具备存储从包含扫描图像的拍摄装置得到的信息、分类结果以及目标图像等数据的数据库。带电粒子束装置通过对扫描图像中的不包含所选择的劣化图像的图像实施图像累计,从而得到抑制了随机噪声、防止了画质劣化的S/N和锐度高的目标图像。
Description
技术领域
本发明涉及带电粒子束装置的技术,涉及拍摄技术。
背景技术
作为带电粒子束装置,有扫描型电子显微镜(SEM:Scanning ElectronMicroscope)、聚焦离子束(FIB:Focused Ion Beam)装置等。带电粒子束装置通过对作为对象的试样照射带电粒子束来进行试样的观察、分析。例如,扫描型电子显微镜是使用电子束作为带电粒子束,将通过在试样上扫描细缩的电子束(探头)而产生的2次电子和反射电子等的检测信号图像化的装置。
上述带电粒子束装置的图像化中使用的检测信号(例如收集从试样的照射面释放的2次电子并放大后的信号)由于其特性而噪声分量变多。因此,已知有对相同区域的图像进行多张累计来抑制不规则地产生的噪声(随机噪声)的技术。作为现有技术例,可举出专利文献1。在专利文献1中记载了如下内容:为了在抑制随机噪声的累计过程中消除不协调感,对累计图像的浓淡值进行归一化,执行保持所观察的视野的明亮度的归一化累计。
现有技术文献
专利文献
专利文献1:国际公开第2017/090204号公报
专利文献2:日本专利第4301385号
发明内容
发明要解决的课题
通常,在SEM的拍摄(向记录介质记录图像)中,将通过对相同区域进行多次扫描而得到的各图像(有时记载为扫描图像)进行累计,由此能够得到抑制了随机噪声的目标图像。该多次扫描的时间有助于检测信号量,因此动态范围宽,需要数十毫秒~数百秒。在生成累计图像的期间,如果SEM和作为对象的试样都不能高精度维持稳定的状态,则在目标图像中,关于锐度(sharpness)会产生画质劣化。
但是,SEM和作为对象的试样都因为射束照射引起的试样的状态迁移、安装环境下的干扰而异化。例如,在因射束照射产生的试样的状态迁移的情况下,由于充电(带电)、污染(contamination),电子、气体分子聚集,妨碍射束照射。在安装环境下的干扰的情况下,干扰(包含声波、电磁波的安装环境的振动)传递到镜筒、工作台,在试样上扫描的探头的位置偏移。此外,由于热漂移、工作台漂移,在每次扫描时视野位置移动。由于探头电流的降低,2次电子的信号量减少。由于真空度的降低,探头与大气中存在的气体碰撞而散射。可能发生上述各种现象。
作为操作者的用户为了得到良好画质的目标图像,搜索通过试错而难以出现画质劣化原因的带电粒子束装置的拍摄条件。该试错有时也需要假想以上的操作时间,引起试样的损伤、处理量降低。
对包含受到这些现象的影响的图像的扫描图像进行累计而得到的累计图像虽然抑制随机噪声,但关于锐度产生画质劣化。在专利文献2中叙述了计算出从同一视野依次取得的某图像和下一图像中一致的位置,在计算出的位置进行累计。该技术对于防止由每个图像的漂移引起的累计图像的画质劣化是有效的。但是,该技术对于防止在1张图像中产生的微小的漂移导致的累计图像的画质劣化并不有效。
以下,将这样的使累计图像的画质劣化的原因称为画质劣化原因。另外,受到画质劣化原因影响的图像被称为劣化图像。
本发明的目的在于,针对通过带电粒子束装置拍摄的目标图像,通过累计来抑制随机噪声,并且防止与由画质劣化原因引起的锐度相关的画质劣化。另外,本发明的目的在于,拍摄S/N和锐度高的目标图像。关于上述以外的课题、结构以及效果等,在用于实施发明的方式的说明中加以明确。
用于解决课题的手段
本发明中的代表性的实施方式具有以下所示的结构。一个实施方式的带电粒子束装置具备:拍摄装置,其对试样照射带电粒子束,并将所述试样的信息图像化;以及计算机,其包括对使用所述拍摄装置多次扫描相同区域而得到的各图像(扫描图像)进行存储的存储器和执行图像处理的处理器,所述计算机执行如下处理:针对通过多次扫描所述相同区域而得到的各图像,分类为包含劣化图像的第一图像和不包含劣化图像的第二图像;对不包含所述劣化图像的所述第二图像进行图像累计;以及保存通过所述图像累计得到的第三图像来作为目标图像。
另外,带电粒子束装置具备数据库(DB),所述数据库存储有包括所述各图像、伴随所述各图像而从所述拍摄装置得到的信息(包含环境信息)、与所述各图像的分类相关的选择状态、以及所述第三图像的数据。
所述计算机进行包含所述分类的选择处理、向所述数据库的数据的存储等。或者,所述数据库也可以分散到与所述计算机连接的外部装置。
作为操作者的用户能够纠正所述选择处理的结果。所述用户特别需要确认产生画质劣化原因时的选择处理的结果。在画质劣化原因中,存在能够根据环境信息的推移来确定发生的原因。因此,所述计算机将所述扫描图像、所述环境信息的图形和所述选择处理的结果(选择状态)关联起来显示在画面上。以所述图形显示的项目优选所述用户能够判断劣化图像的项目。所述项目例如可列举拍摄定时、探头电流、真空度。
所述用户能够确认由带电粒子束装置拍摄的目标图像的画质劣化的有无。由于存在难以目视判定画质劣化的情况,因此所述计算机计算出所述目标图像的画质评价指标值,并将所述目标图像和画质评价指标值排列显示在画面上。图像评价值也可以用图形来显示。以下,将为了评价图像的品质而使用的、基于客观评价法得到的值称为画质评价指标值。
发明效果
根据本发明中的代表性的实施方式,对于由带电粒子束装置拍摄的目标图像,能够通过累计来抑制随机噪声,并且能够实现与由画质劣化原因引起的锐度相关的防止画质劣化或画质改善。另外,根据本发明中的代表性的实施方式,能够拍摄S/N和锐度的目标图像。并且,根据本发明中的代表性的实施方式,能够有助于抑制观察中的操作者的拍摄条件搜索所导致的试样的损伤、处理量降低。
附图说明
图1是表示本发明的实施方式1的带电粒子束装置的结构的图。
图2是表示在实施方式1的带电粒子束装置中,包含选择处理的防止画质劣化的拍摄功能的处理流程的图。
图3是表示在实施方式1的带电粒子束装置中,关于扫描前的设定,作为用户界面而显示于显示装置的画面例的图。
图4是表示在实施方式1的带电粒子束装置中,关于扫描图像的显示,作为用户界面而显示于显示装置的画面例的图。
图5是表示在实施方式1的带电粒子束装置中,关于累计图像的显示,作为用户界面而显示于显示装置的画面例的图。
图6是表示实施方式1中的数据库的结构例的图。
图7是表示实施方式1的带电粒子束装置中的、防止画质劣化的拍摄功能的数据流的图。
图8是表示在实施方式1的带电粒子束装置中,关于选择处理,基于特征量和机器学习进行的分类的例子的图。
图9是表示本发明的实施方式2的带电粒子束装置中的、防止画质劣化的观察功能的数据流的图。
图10是表示在实施方式2的带电粒子束装置中,关于纠错,作为用户界面而显示于显示装置的画面的一例的图。
具体实施方式
以下,基于附图对本发明的实施方式进行详细说明。此外,在所有附图中,原则上对相同的部分标注相同的附图标记,并省略重复的说明。
(实施方式1)
使用图1~图8,对本发明的实施方式1的带电粒子束装置进行说明。
[带电粒子束装置]
图1表示实施方式1的带电粒子束装置1的结构。该带电粒子束装置1表示SEM的情况。带电粒子束装置1由拍摄装置10、计算机20、显示装置21和操作装置22等构成。作为用户的操作者通过显示装置21和操作装置22等来操作带电粒子束装置1。用户能够在显示装置21的画面上观察例如试样110的表面的形状、构造。
拍摄装置10是SEM本体,能够应用基于公知技术的结构。在图1的结构例中,拍摄装置10具有电子枪101、聚光透镜102、偏转线圈103、物镜104、检测器105、试样室的工作台106、真空泵107、环境传感器108等。
通过真空泵107使试样室内成为真空状态。环境传感器108是测量真空度、温度、振动、电磁波等的试样室内的状态的传感器组,用于确认试样室内的到达真空度等。将试样110配置于工作台106。工作台106至少能够进行向与带电粒子束L1垂直的面内的2个方向(图示的X方向、Y方向)的移动,能够进行视野位置的移动。电子枪101产生带电粒子束L1并向铅垂方向(图示的Z方向)照射。聚光透镜102和物镜104对带电粒子束L1进行聚光。偏转线圈103使带电粒子束L1向图示的X方向以及Y方向偏转,由此实现带电粒子束L1对试样110的表面的扫描。检测器105检测来自试样110的2次电子L2的信号,通过信号放大器进行放大后,向计算机20传送。
计算机20是SEM的控制装置,进行对拍摄装置10的各部的驱动等控制。计算机20具备处理器201、存储器202、输入输出接口部203等,这些部件与总线连接。
输入输出接口部203与显示装置21、操作装置22等连接。计算机20在显示装置21的画面上显示用于利用SEM的功能的图形用户界面(GUI)。带电粒子束装置1通过操作装置22接受用户的输入操作。操作装置22有键盘、鼠标等。
每当从拍摄装置10向输入输出接口部203传送信号时,处理器201在存储器202中构成2维图像。带电粒子束装置1具有在GUI上显示最新的2维图像(有时记载为观察图像)的观察功能。另外,处理器201对拍摄装置10设定适于目标图像的存储的条件,进行图像处理、信息附加等。带电粒子束装置1具有将由此得到的目标图像保存于存储器202(存储介质)的拍摄功能。
另外,不限于上述结构,也可以构成为外部的存储装置、服务器等装置通过通信与输入输出接口部203连接,利用各个计算机资源进行运算、控制、数据的存储等。另外,也可以存在多个用户、多个显示装置21。
[处理流程]
图2表示实施方式1的带电粒子束装置1的计算机20的实现包含选择处理在内的防止画质劣化的拍摄功能的处理流程,具有步骤S1~S9。以下,按照步骤的顺序进行说明。
在步骤S1中,计算机20基于用户的操作,预先接受扫描前的设定。该设定例如使用后述的图3的GUI。该设定也可以利用默认设定值。该设定包括用于得到扫描图像的扫描次数N的设定。带电粒子束装置1根据用户的指示开始进行扫描。计算机20按照扫描前的设定,控制拍摄装置10的扫描。另外,在该步骤S1中设定扫描前必须对拍摄装置10设定的项目。在该设定中,例如,设定后述的步骤S5和步骤S7的跳过(skip),从开始进行扫描到保存目标图像为止,能够指定作为操作者的用户不介入。
在步骤S2中,计算机20保存通过1次扫描得到的图像和环境信息。图1的拍摄装置10按照来自计算机20的控制,进行带电粒子束L1对试样110的表面的扫描,将通过检测器105得到的信号传送至计算机20。处理器201在每次传送信号时构成2维图像,并存储在存储器202中。对于扫描图像,处理器201将ID等管理用的信息以及从拍摄装置10得到的环境信息关联起来设为数据库(后述的图6的扫描图像DB),并存储于存储器202。
在步骤S3中,计算机20基于扫描次数N,判定带电粒子束L1的扫描的结束。计算机20判定步骤S2的实施次数是否达到了N次。在判定为达到了N次的情况下(是),进入步骤S4,结束拍摄装置10的扫描。在判定为未达到N次的情况下(否),返回到步骤S2,继续进行拍摄装置10的扫描。
在步骤S4中,计算机20通过执行选择处理,将扫描图像分类为包含劣化图像的图像和不包含劣化图像的图像。处理器201参照扫描图像DB,对在步骤S2中得到的扫描图像执行选择处理。将选择处理的结果与ID等管理用的信息关联起来作为数据库(后述的图6的选择状态DB),并存储于存储器202。选择处理的具体的实施例记载于后述的[拍摄功能中的数据流]。
在步骤S5中,计算机20将在步骤S2~步骤S4中得到的结果显示于显示装置21。这里的结果主要是指扫描图像和扫描中的环境信息、以及作为选择处理的输出的选择状态,通过参照扫描图像DB和选择状态DB而获得。在该显示中,例如使用后述的图4的GUI。
另外,如果在通过步骤S4的选择处理决定的选择状态中存在不适当的项目,则作为操作者的用户能够通过操作装置22对GUI进行纠正的输入。计算机20根据纠正的输入来更新选择状态DB。
在步骤S6中,计算机20通过执行累计处理,得到抑制了随机噪声的累计图像。处理器201参照选择状态DB,对选择状态为选择的图像执行累计处理。将累计处理的结果与ID等管理用的信息、以及用于评价累计图像的画质评价指标值关联起来作为数据库(后述的图6的累计图像DB),存储于存储器202。画质评价指标值例如是线轮廓(line profile)、锐度、粒度,处理器201为了得到各累计图像执行图像处理。累计处理的具体的实施例记载于后述的[拍摄功能中的数据流]。
在步骤S7中,计算机20将在步骤S6中得到的结果显示于显示装置21。这里的结果主要是指作为累计处理的输出的累计图像、以及用于评价累计图像的画质评价指标值,通过参照累计图像DB而获得。在该显示中,例如使用后述的图5的GUI。
在步骤S8中,计算机20接受作为操作者的用户对步骤S6中得到的结果是否满足的输入。换言之,步骤S8为是否需要用户进行再选择的确认。此处的结果在步骤S7中显示于显示装置21。在满足的情况下(是)进入步骤S8,在不满足的情况下(否)返回到步骤S5,能够重新纠正选择状态。在该显示中,例如使用后述的图5的GUI。
在步骤S9中,计算机20将在步骤S6中得到的累计图像作为目标图像记录至记录介质,结束一系列的处理流程。目标图像能够以用户任意指定的场所、名称来保存。作为记录介质,例如有内置于计算机20的存储器202。或者,能够通过输入输出接口部203记录到外部存储装置(DVD、闪存等)或网络上的存储装置。另外,带电粒子束装置1对所记录的数据附加与累计图像DB相关联的信息,以便能够确保可追溯性(如果需要,则该信息也包含扫描图像DB和选择状态DB的信息)。
[拍摄功能的GUI]
图3是关于实施方式1的带电粒子束装置1的扫描前的设定,作为用户界面而显示于显示装置21的画面的一例。该“扫描前的设定”的画面作为“扫描的设定”的项目(对应的各设定部),具有次数设定部302、间隔设定部303、分辨率设定部304、像素停留时间设定部305。
扫描开始按钮301是用户能够指示扫描开始的按钮。通过按下扫描开始按钮301,带电粒子束装置1控制拍摄装置10以便成为扫描前的设定,从步骤S1转移到步骤S2。另外,若在步骤S4结束,则带电粒子束装置1显示图4的画面。
次数设定部302是能够指定用于得到扫描图像的扫描次数的项目。由次数设定部302设定的N是用于步骤S3的判定的N。间隔设定部303是能够针对多次扫描指定各扫描的间隔的项目。带电粒子束装置1控制成在完成了1次扫描时带电粒子束L1不照射到图1的试样110的表面,并停止由间隔设定部303设定的间隔。之后,带电粒子束装置1再次进行扫描,反复进行扫描和暂停,得到扫描图像。分辨率设定部304是能够指定通过扫描得到的图像的分辨率的项目。像素停留时间设定部305是能够针对通过扫描得到的图像指定每1个像素被照射带电粒子束L1的时间的项目。带电粒子束装置1设定偏转线圈103的控制信号,以便能够以由像素停留时间设定部305设定的时间进行扫描。
图3的各设定部记载为组合框来作为GUI的例子,但也可以用滑块或预置按钮等来代替。
图4是关于实施方式1的带电粒子束装置1的扫描图像的显示,作为用户界面显示于显示装置21的画面的一例。作为该画面的特征,将扫描图像与环境信息的图表关联起来进行显示。并且,作为特征,为了确认该视野中的变化而能够进行逐帧前进的显示。如上所述,根据带电粒子束装置1,能够监视画质劣化因素。
图4的“选择状态的确认”的画面具有图像显示部101、逐帧前进按钮402、选择部403、编号显示部404、缩略图显示部405、图表显示部406、滚动条407、选择数标签408、非选择数标签409、开头设定部410、末尾设定部411、全选择按钮412、全解除按钮413、自动选择按钮414、图像累计按钮415。
图像显示部401是针对扫描图像中的1张图像,以能够确认细节的大小进行显示的部分。在图示的例子中,图像显示部401显示#4的图像,不限于此,也可以附加能够确定图像的信息。逐帧前进按钮402是用于进行逐帧前进显示的按钮(另外,逐帧对应于图像)。逐帧前进按钮402包括左箭头按钮和右箭头按钮。带电粒子束装置1更新图像显示部401的图像,使得若用户按下左箭头按钮则返回1帧,若按下右箭头按钮则前进1帧。在拍摄到容易污染的试样的情况下,若达到一定的扫描次数,则图像的对比度降低。为了得到没有污染影响的目标图像,用户通过逐帧前进按钮402,通过逐帧前进来更新图像显示部401的图像,确认对比度降低的定时。由此,用户能够选择没有试样污染的影响的图像,能够得到所期望的目标图像。
选择部403表示与图像的分类相关的选择状态,是用于纠正通过步骤S4的选择处理决定的选择状态的控件(GUI部件)。例如,对于各图像,将有勾选的图像设为“选择”,将没有勾选的图像设为“非选择”,用户按下选择部403,由此选择部403的勾选的状态反转。在图示的例子中,#2和#3的选择状态为“选择”,#1和#4的选择状态为“非选择”。编号显示部404是表示取得图像的顺序(例如用#1等表示)的部分。缩略图显示部405是将扫描图像的缩略图按照取得的顺序排列显示的部分。
图表显示部406是将从拍摄装置10得到的环境信息显示为与图像关联的图表的部分。在图示的例子中,图表显示部406以方形绘制发射电流,以圆形绘制真空度。在缩略图显示部405中按照所取得的顺序排列图像,因此图表显示部406的横轴表示时间,纵轴表示环境信息各自的数值。
除去画质劣化原因,SEM和作为对象的试样都难以高精度地维持稳定的状态,实际上,拍摄装置10的环境信息有时不固定。通过如上述那样用图表显示环境信息,作为操作者的用户能够参考环境信息的变化使选择状态最佳化。
滚动条407用于针对缩略图显示部405和图表显示部406,根据需要显示未完全收纳在图4的画面中的信息。滚动条407中的旋钮的位置与缩略图显示部405以及图表显示部406等的显示位置联动。缩略图显示部405和图表显示部406按照所取得的顺序排列,用户将旋钮向左移动时显示旧的信息,将旋钮向右移动时显示新的信息。
选择数标签408表示扫描图像中选择状态为“选择”的张数。为了抑制随机噪声,在累计处理中使用的图像的张数发挥作用。因此,用户通过参考选择数标签408,能够在累计处理之前假想在成为累计图像时出现在图像中的随机噪声。非选择数标签409表示扫描图像中选择状态为“非选择”的张数。用户通过非选择数标签409,能够预测可以将选择状态从“非选择”变更为“选择”的剩余张数。
开头设定部410是能够指定成为累计处理对象的范围中的开头的项目。例如,在达到一定的扫描次数之前的期间,有时视野会漂移。用户为了将达到一定的扫描次数之前的劣化图像设成累计处理的对象以外,能够指定该范围的开头。末尾设定部411是能够指定成为累计处理对象的范围中的末尾的项目。例如,当达到一定的扫描次数时,有时会因带电而浮白。或者,有时因污染而导致对比度降低。用户为了将达到一定的扫描次数后的劣化图像设成累计处理的对象以外,能够指定该范围的末尾。
全选择按钮412是能够一并更新选择状态的按钮。当用户按下全选择按钮412时,带电粒子束装置1将显示于选择部403的所有选择状态设为“选择”。全解除按钮413是能够一并更新选择状态的按钮。若用户按下全解除按钮413,则带电粒子束装置1将显示于选择部403的全部选择状态设为“非选择”。自动选择按钮414是能够一并更新选择状态的按钮。当用户按下自动选择按钮414时,带电粒子束装置1通过选择处理,将包含劣化图像的图像的选择状态设为“非选择”,将不包含劣化图像的图像的选择状态设为“选择”。该处理与图2的步骤S4相同,在返回到选择状态时使用。
图像累计按钮415是能够执行图像累计的按钮。当用户按下图像累计按钮415时,带电粒子束装置1新获取选择状态ID(对在后述的选择状态DB中记录的选择状态进行管理的信息),并以选择部403的选择状态进行更新。其中,将从开头设定部410的开头的图像到末尾设定部411的末尾的图像为止的范围以外设为“非选择”。带电粒子束装置1从步骤S5移至步骤S6,参照选择状态DB执行累计处理。另外,带电粒子束装置1在累计处理结束时,关闭图4的画面,打开图5的画面。
图5表示关于实施方式1的带电粒子束装置1的累计图像的显示,作为用户界面而显示于显示装置21的画面的一例。该画面的特征有:作为判断画质的指标,将画质评价指标值用图表显示,能够定量地进行评价这一点;以及通过记录参考数据并进行比较,能够相对地进行评价这一点。参考数据是指从相同的扫描图像改变选择状态而生成的累计图像、以及该累计图像的画质评价指标值,是用于判断画质的参考的数据。关于画质评价指标值,例如在使用线轮廓、锐度、粒度的情况下进行说明。
图5的“累计图像的显示”的画面具有参考数据501、生成数据502、保存按钮503、累计图像504、轮廓位置505、线轮廓506、锐度507、粒度508、更新按钮509、再选择按钮510、结束按钮511。
参考数据501是用于预先将选择状态不同的累计图像设定为参考数据,并与后述的生成数据502比较来进行评价的显示区域。带电粒子束装置1从后述的累计图像DB读入对参考数据设定的数据,并显示于GUI的各控件。另外,带电粒子束装置1也可以在未通过后述的更新按钮509设定了参考数据时,将全部图像的选择状态作为“选择”,并且将成为累计处理的对象的范围也作为全部图像,生成进行图像累计而得的图像,并设定为参考数据。
生成数据502是用于确认在步骤S6的累计处理中生成的累计图像作为目标图像是否满足了用户的要求的显示区域。带电粒子束装置1从后述的累计图像DB读入在最后的累计处理中生成的数据,并显示于GUI的各控件。
保存按钮503是能够将累计图像作为目标图像而保存的按钮。在参考数据501以及生成数据502中分别具备保存按钮503,能够将各自的累计图像作为保存的对象。例如,用户预先设定像质评价高的累计图像,从而即使在最后的累计处理中生成的数据作为目标图像而没有成为充分的画质的情况下,也能够根据此前设定的参考数据501将像质评价高的累计图像保存为目标图像。
累计图像504是显示累计图像的区域。在图示的例子中,在参考数据501中显示累计图像ID为C1的累计图像,在生成数据502中显示累计图像ID为C2的累计图像,附加了能够确定图像的信息(累计图像ID)。另外,描绘能够确定图像的信息的位置也可以不在累计图像504上。
轮廓位置505是指定后述的线轮廓506的位置的控件。在图示的例子中,轮廓位置505是配合SEM中通常的光栅方式的扫描而上下移动来指定的位置。线轮廓506的位置的指定方法除此之外还能够应用基于鼠标拖动等的指定方法。
线轮廓506是针对位于在累计图像504上引出的线上的像素,横轴表示像素的位置,纵轴表示像素的浓淡值的图形。在图示的例子中,在文字A形状(黑)中示出了最小值,相反在背景区域(白)中示出了最大值。能够判断为从最大值到最小值的像素数少的生成数据的锐度高。另外,能够判断为最大值与最小值之差大的生成数据的对比度高。
锐度507以棒状形式显示根据累计图像504计算出的锐度的评价值。例如,作为锐度的评价方法,使用DR法。若将SEM中的探头的强度分布的标准偏差设为σ,则锐度R由R=√2×σ来表示。
粒度508以棒状形式显示根据累计图像504计算出的粒度的评价值。例如,使用RMS粒度作为粒度的评价方法。在该情况下,粒度由下述的式1来表示。
[数式1]
各像素的浓淡值:Di
粒度:RMS
更新按钮509是能够更新参考数据501的按钮。若用户按下更新按钮509,则带电粒子束装置1对与参考数据501相关联的后述的累计图像ID设定与生成数据502相关联的后述的累计图像ID。
再选择按钮510是能够返回到步骤S5的按钮。若用户按下再选择按钮510,则带电粒子束装置1关闭图5的画面,再次显示图4的画面。例如,在通过步骤S6的累计处理而生成的累计图像中,在用户确认了画质劣化时,为了能够改变选择状态而再次生成累计图像,使用再选择按钮510。
在此,使用户判断画质劣化的有无,但也可以不介入用户的判断,而由处理器201判定画质劣化的有无。例如,处理器201在将选择多个图像(扫描图像)的全部并进行图像累计而得到的图像即基准的累计图像与当前的累计图像进行比较得出的画质评价指标值提高了20%以上的情况下,视为累计图像没有画质劣化,结束处理流程。
另外,例如,也可以如下所述。处理器201不依赖于用户的操作,而生成将多个图像全部选择并进行了图像累计而得的累计图像,另外,生成与从多个图像中选择或不选择各图像的各模式对应的各累计图像。处理器201对这些多个累计图像进行比较来评价画质。处理器201基于评价的结果,保存从多个累计图像中选择出的累计图像,并使处理流程结束。
结束按钮511是关闭图5的画面,从而能够结束实施方式1的带电粒子束装置1的计算机20所实现的包括选择处理在内的防止画质劣化的拍摄功能的处理流程的按钮。
[数据库]
图6表示实施方式1的带电粒子束装置1所具备的数据库。该数据库由扫描图像DB610、选择状态DB620以及累计图像DB630这3个构成。
扫描图像DB610是用于将扫描图像、包含每次扫描时从拍摄装置10得到的环境信息的信息、以及管理用的信息关联起来的数据库,具有以下的属性。扫描图像DB610具有扫描图像ID611、编号612、图像文件613、拍摄定时614、探头电流615、真空度616。
扫描图像ID611是管理扫描图像的信息。在图2的步骤S1中,带电粒子束装置1分配新的固有的值,设为确定扫描图像的线索(key)即扫描图像ID611。通过该线索,与选择状态DB620相关联。编号612是获得图像的顺序。编号612是用于从扫描图像中确定通过1次扫描得到的图像的管理用信息。带电粒子束装置1每当在步骤S2中得到图像时,分配计数的值,设为编号612。在选择状态DB620中也具有同样的属性。图像文件613是在步骤S2中得到的各图像(扫描图像)。在图示的例子中,图像文件613不是图像的实际状态,而是作为向记录介质的保存目的地的信息即文件的路径信息。不限于此,图像文件613也可以是图像的实际状态或将其压缩而得到的文件。
拍摄定时614表示获得图像的时间。在图示的例子中,拍摄定时614以最初得到的图像为基准(0),用经过时间来表示通过多次扫描相同区域而得到的各图像(扫描图像)的定时。不限于此,拍摄定时614也可以用时刻来表现。探头电流615是图1的带电粒子束装置1向试样110照射的带电粒子束L1的电流量。能够根据电子枪101、聚光透镜102以及物镜104各自的控制值等来计算出探头电流615。真空度616是通过真空泵107而成为真空状态的试样室内的大气压。能够由安装于试样室内的环境传感器108测量出真空度616。
拍摄定时614、探头电流615和真空度616是通过拍摄装置10取得图像时的环境信息的例子。例如,若探头电流615降低,则2次电子L2的信号量减少,图像变暗。或者,若真空度616降低,则聚光的带电粒子束L1因大气而散射,图像模糊。这样,与像质相关的环境信息能够用于选择处理。因此,带电粒子束装置1将环境信息与图像关联起来记录于数据库。通过拍摄装置10,在存在其他与像质相关的环境信息的情况下,带电粒子束装置1在环境传感器108和扫描图像DB610的属性中追加对应的项目,并进行记录等。
选择状态DB620是用于将与上述的分类相关的选择状态和管理用信息关联起来的数据库,具有以下的属性。选择状态DB620具有选择状态ID621、扫描图像ID611、编号612、选择状态612。
选择状态ID621是管理选择状态的信息。在图2的步骤S4中,带电粒子束装置1在执行选择处理时,分配新的固有的值,并设为确定选择状态的线索即选择状态ID621。在步骤S5中,带电粒子束装置1在确定了选择状态的纠正时,分配新的固有的值。因此,对于扫描图像ID611,可能存在多个选择状态ID621。通过该选择状态ID621与累计图像DB630关联起来。选择状态622作为状态具有表示累计处理的输入的“选择”或者表示不是累计处理的输入的“非选择”,各状态也可以用能够判别的值来表现。在图示的例子中,将“选择”设为1,将“非选择”设为0。
累计图像DB630是用于将累计图像、用于评价累计图像的画质评价指标值、管理用的信息关联起来的数据库,具有以下的属性。累计图像DB630具有累计图像ID631、选择状态ID621、图像文件632、线轮廓633、分辨率634、粒度635。
累计图像ID631是管理累计图像的信息。在图2的步骤S6中,带电粒子束装置1分配新的固有的值,设为确定累计图像的线索即累计图像ID631。图像文件632是在步骤S6中得到的累计图像。在图示的例子中,图像文件632不是图像的实际状态,而是作为向记录介质的保存目的地的信息即文件的路径信息。不限于此,图像文件632也可以是图像的实际状态或将该图像压缩后的文件。
线轮廓633是基于浓淡值的数值列的集合。在图示的例子中,线轮廓633不是集合的实际状态,而是作为向记录介质的保存目的地的信息即文件的路径信息。不限于此,线轮廓633也可以是集合的实际状态或者将该集合压缩后的状态。锐度634是计算出的锐度(sharpness)的指标值。粒度635是计算出的粒度的指标值。
线轮廓633、锐度634和粒度635是用于评价累计图像的画质评价指标值。例如,在难以通过图像的目视来评价构造物的边缘的情况下,有时能够通过使用线轮廓来进行评价。在累计图像DB630中,如果还存在适合于像质的判断的画质评价指标值,则追加并记录属性。如果需要,则在图5的画面中,与追加的画质评价指标值对应地追加能够以图表显示的控件。
[拍摄功能中的数据流]
图7示出了表示实施方式1的带电粒子束装置1的防止画质劣化的拍摄功能中的数据库、选择处理以及累计处理的关系的数据流。
环境信息701是记录在扫描图像DB610中的拍摄定时614、探头电流615和真空度616的集合数据。扫描图像702是记录在扫描图像DB610中的图像文件613的集合数据。非选择图像703是在选择状态DB620中记录的选择状态622为“非选择”(0)的图像文件的集合数据。选择图像704是在选择状态DB620中记录的选择状态622为“选择”(1)的图像文件的集合数据。累计图像705是记录在累计图像DB630中的图像文件632中的1个。
选择处理706相当于图2中的步骤S4,由处理器201执行。选择处理706是输入环境信息701和扫描图像702,并分类为生成目标图像所需的图像即选择图像704和不是生成目标图像所需的图像即非选择图像703这2个图像的处理。在此,生成目标图像所需的图像是指不包含劣化图像的扫描图像702。在实施方式1中,为了以没有阈值等基准的方式对所提供的数据集进行自动的分类,在该选择处理706中应用无监督的机器学习。例如,应用无监督的机器学习中的k平均法。k平均法可以使用聚类的平均,分类为被赋予的k个聚类数。计算机20首先随机地设定2个聚类,使扫描图像702分别属于类似度高的聚类,按聚类对聚类设定重心。计算机20再次使各个扫描图像702属于相似度较高的聚类,按每个聚类对聚类设定重心。计算机20通过反复进行该操作,使扫描图像收敛于性质接近的2个聚类,将2个聚类作为选择图像704和非选择图像703。能够根据从扫描图像分别求出的特征量计算出相似度、重心。
另外,在产生了多个画质劣化原因的情况下,使用k平均法的扩展算法。该扩展算法是针对所定义的全部特征空间的分布,自动推定聚类数的方法。在该方法中,针对所得到的每个扫描图像702,仅根据与产生的画质劣化原因对应的特征进行分类,将分类后的3个以上的聚类中的包含基准图像的聚类作为不包含劣化图像的扫描图像702。计算机20将从开始步骤S2起到拍摄装置10稳定为止的时间作为参数而进行存储,将在稳定的定时得到的图像作为基准图像。或者,用户也可以通过GUI来指定基准图像。
例如,若达到一定的扫描次数,则存在因带电而图像整个区域变白的情况。或者,存在由于污染而图像整个区域变黑的情况。由于这些现象,通过1次扫描得到的图像的对比度降低。因此,通过以对比度为特征量的k平均法,能够分类为维持对比度的图像和对比度降低的图像。
在图8的(a)的上侧,以取得的时间t1~t5排列扫描图像,取得扫描图像结束的时间为时间t5。在下侧示出了以根据排列的图像计算出的对比度为纵轴的图形。当观察扫描图像的推移时,在时间t1~t3为黑色的构造物(在本例中为具有文字A形状的构造物)从时间t4起逐渐变白。在该图形中,示出了对比度从时间t4开始降低的推移,通过以对比度为特征量的k平均法,能够分类为由聚类C1和聚类C2表示的2个聚类。另外,十字表示各聚类的重心,用虚线包围属于聚类的部分。在图示的例子中,将在时间t1取得的图像作为基准图像,能够将包含该基准图像的聚类C1判断为不包含劣化图像的扫描图像。这样,根据实施方式1,对于每当得到扫描图像时变动的对比度,也能够不需要阈值等的设定地进行分类。
此外,在扫描完成之前由于振动而图像变形的情况下,通过将扫描图像中的无变形地捕捉到构造的图像与各图像的相关值作为特征量,能够通过k平均法分类为与无变形的构造类似的图像和变形的图像。
图8的(b)是将图8的(a)中的图表的纵轴设为相关值的图。时间t1的相关值由于是相同图像的相关,所以成为最大值。时间t2、时间t4和时间t5的相关值由于构造物没有变形,所以成为相同程度的值。由于仅时间t3的构造物变形,因此表示相关值变低,通过以相关值为特征量的k平均法,能够分类为聚类C3和聚类C4这2个聚类。在图示的例子中,将在时间t1取得的图像作为基准图像,能够将包含该基准图像的聚类C3判断为不包含劣化图像的扫描图像。
在上述的例子中,根据通过1次扫描得到的图像所包含的信息求出特征量,但也可以将环境信息701所包含的拍摄定时614、探头电流615以及真空度616等定义为特征量。同样地,也可以将通过1次扫描得到的图像和环境信息与通过这之后的1次扫描得到的图像和环境信息的关系性、例如探头电流的微分值等定义为特征量。
这样,处理器201通过在图7的选择处理706中使用定义了适合于每个画质劣化原因的特征的机器学习,能够仅将不包含劣化图像的扫描图像702作为选择图像704。
图7的累计处理707相当于图2中的步骤S6,由处理器201执行。累计处理707输入选择图像704,输出累计图像705。针对成为输入的图像的集合数据,累计处理707对每个像素的浓淡值进行累计,作为累计图像705的相应的像素的浓淡值。由此,得到抑制了随机噪声的目标图像即累计图像705。累计处理707不限于此,也能够应用专利文献1所记载的归一化累计。
另外,累计处理707包括专利文献2所记载的被称为漂移补正处理的、一边进行图像的对位一边对每个像素的浓淡值进行累计的处理。在实现防止画质劣化的拍摄功能中,在通过漂移补正处理而对位到错误的位置的情况下,带电粒子束装置1在图2的步骤S5中,变更成为原因的图像的选择状态622,从累计处理707的输入中除去,由此能够提高精度。
(实施方式2)
使用图9以及图10,对本发明的实施方式2的带电粒子束装置进行说明。实施方式2中的基本结构与实施方式1相同,以下,对实施方式2中的与实施方式1不同的结构部分进行说明。实施方式2的带电粒子束装置除了以往的观察功能之外,还具有对用户当前观察的试样110(图1)的观察图像应用了图像选择以及图像累计的观察功能。由此,针对显示于监视器(显示装置21)的观察图像,防止画质劣化。
[观察功能中的数据流]
图9中,作为实施方式2的带电粒子束装置的结构,示出了与实施方式1的带电粒子束装置1的差异即数据流。在实施方式2中,图9的环境信息701、扫描图像702、累计图像705表示实时更新的观察功能,因此不是集合数据,而是当前(最新)的值或图像。例如,环境信息701用黑框表示当前的取得值,用灰框表示过去的取得值。并且,在实施方式2中,上述的图7的累计图像705作为观察图像而实时地更新,因此不需要将更新前的图像长时间存储在数据库中。并且,在实施方式2中的观察功能的数据流中,为了对用户要求观察图像的显示、对拍摄装置10的条件的设定等,追加了计算机20、显示装置21、操作装置22的关联。
图9的选择处理901具有与实施方式1的选择处理701相同的作用,分类为不包含劣化图像的扫描图像702和除此以外的图像。在能够动态地取得各种视野的观察图像中,为了对作为当前的扫描图像702的1张扫描图像进行分类,需要过去的扫描图像702和正确的选择状态622。因此,实施方式2的带电粒子束装置预先学习后述的学习数据DB903,将基于过去的扫描图像702进行分类的有监督的机器学习应用于选择处理901。例如,在有监督的机器学习中,应用使用卷积神经网络(CNN)的方式。该方式使用CNN,从图像等数据中找出特征,按照监督进行分类。在该情况下,选择处理901输入作为当前的扫描图像702的1张扫描图像的浓淡值,从与选择图像704以及非选择图像703对应的各单元得到输出。在CNN的学习中,依次输入作为过去的扫描图像702的1张扫描图像的浓淡值,基于所得到的来自单元的输出和与来自正确的选择状态622对应的单元的输出的误差,更新权重。通过重复进行CNN的学习,能够从图像中找出特征,进行选择图像704和非选择图像703的分类。另外,可以针对每个图像劣化原因存在与非选择图像703相对应的单元。
图9的累计处理902具有与实施方式1的选择处理701相同的作用,从选择图像704得到抑制了随机噪声的累计图像705。在能够动态地取得各种视野的观察图像中,在成为视野不同的图像的集合数据的情况下,如果进行与实施方式1同样的处理,则会损害响应性。因此,通常应用称为递归滤波器的、模拟了荧光体的余辉特性的滤波器。该方法如下:在对像素的浓淡值进行累计时,改变比重来进行累计使得越是新的图像则该图像的比重越大。由此,不损害响应性,得到抑制了随机噪声的累计图像705。
学习数据DB903是具有与选择状态DB620相同形式的数据的DB。学习数据DB903通过后述的纠错904将正确的选择状态622与过去的扫描图像702关联起来。为了提高精度,学习数据DB903也可以根据由拍摄装置10观察的试样110、偏转线圈103等决定的光学条件、以及检测器105的种类等进行分割。在该情况下,在选择处理901中,使用在分割后的学习数据DB903中的以一致的条件学习到的机器学习。
在实施方式2的防止画质劣化的观察功能的使用后,在停止的状态下执行纠错904。基于由用户进行的纠错的操作来执行纠错904的处理。带电粒子束装置将在该观察功能的使用中追加的选择状态DB620的非选择图像703和选择图像704作为输入,根据来自操作装置22等的用户输入,纠正有错误的选择状态622,并追加到学习数据DB903。在进行了纠错904的基础上,每当再次启动实施方式2的观察功能时,蓄积学习数据DB903,能够期待提高精度和通用性。
另外,通过将在该观察功能的使用中追加的选择状态DB620的非选择图像703和选择图像704作为输入,学习数据DB903的生成的作业仅为存在错误的选择状态622的纠正。即,根据实施方式2,虽然依赖于累计处理902的精度,但能够期待减少学习数据DB903的生成作业。
[观察功能中的GUI]
图10表示关于实施方式2的带电粒子束装置中的图9的纠错904,作为用户界面而显示于显示装置21的画面的一例。图10的“错误的纠正”的画面具有选择图像栏1001、非选择图像栏1002、图像显示部1003、纠正部1004、编号显示部1005、更新按钮1006、取消按钮1007。
选择图像栏1001是列出并显示作为输入的选择图像704(图9)的栏。非选择图像栏1002是列举并显示作为输入的非选择图像703(图9)的栏。图像显示部1003是显示作为非选择图像703或选择图像704的各图像的区域。
纠正部1004是能够由用户对图像的选择状态的错误进行纠正的输入的部分。例如,纠正部1004中的叉标记(×)表示由于选择状态错误而纠正的标记,无标记表示不纠正选择状态的标记。当用户按下纠正部1004时,叉标记和无标记反转。在图示的例子中,#5和#6的图像表示纠正部1004为叉标记的状态,进行纠正。编号显示部1005表示取得该图像的顺序。
更新按钮1006是能够利用新的数据更新图9的学习数据DB903的按钮。当用户按下更新按钮1006时,带电粒子束装置从选择状态DB620复制未追加到学习数据DB903的量的数据,按照向纠正部1004的输入的状态,纠正选择状态622。带电粒子束装置将生成的数据追加到学习数据DB903,关闭图10的画面。带电粒子束装置在更新学习数据DB903时,为了根据由拍摄装置10观察的试样110、偏转线圈103等决定的光学条件、以及检测器105的种类等进行分割,也可以显示设定类别的画面,促使用户输入。取消按钮1007是能够取消更新的按钮。当用户按下取消按钮1007时,带电粒子束装置不更新学习数据DB903而关闭图10的画面。
[防止画质劣化的观察功能]
关于实施方式2的带电粒子束装置,例如假定由重物的搬运引起的地板振动被传递到拍摄装置10。在该情况下,在试样上进行扫描的探头的位置偏移,在作为当前的扫描图像702(图9)的1张图像中产生变形。在此,在以往那样的观察功能的情况下,通过应用了递归滤波器的累计处理902(图9),增大当前的扫描图像702即1张图像的比重来进行累计,因此在监视器(显示装置21)中显示微细构造的轮廓为双重的观察图像。
另一方面,在实施方式2中的应用了上述图像选择以及图像累计的观察功能的情况下,能够预先对学习数据DB903进行学习,基于过去的扫描图像702(图9),将作为当前的扫描图像702的1张图像分类为劣化图像。由此,作为当前的扫描图像702的1张图像成为累计处理902的对象以外,因此在监视器(显示装置21)上显示微细构造的轮廓不是双重的观察图像。
作为操作者的用户在想要显示微细构造的轮廓不是双重的观察图像的情况下,从以往那样的观察功能向应用了实施方式2的图像选择以及图像累计的观察功能进行切换操作905(图9)。
通过选择处理901,在选择状态622仅为非选择的情况下,监视器(显示装置21)的观察图像不再被更新,因此用户从应用了图像选择以及图像累计的观察功能向以往那样的观察功能进行切换操作905。或者,在超过固定的期间而选择状态622仅成为非选择的情况下,处理器201也可以从应用了图像选择以及图像累计的观察功能自动地切换为以往那样的观察功能。
附图标记说明
1…带电粒子束装置、10…拍摄装置、20…计算机、201…处理器、202…存储器、21…显示装置、22…操作装置。
Claims (12)
1.一种带电粒子束装置,其特征在于,具备:
拍摄装置,其对试样照射带电粒子束,并将所述试样的信息图像化;以及
计算机,其包括对使用所述拍摄装置多次扫描相同区域而得到的各图像进行存储的存储器和执行图像处理的处理器,
所述计算机执行如下处理:
针对通过多次扫描所述相同区域而得到的各图像,分类为包含劣化图像的第一图像和不包含劣化图像的第二图像;
对不包含所述劣化图像的所述第二图像进行图像累计;以及
保存通过所述图像累计得到的第三图像来作为目标图像。
2.根据权利要求1所述的带电粒子束装置,其特征在于,
所述计算机使用基于每个画质劣化原因的特征的无监督的机器学习,分类为所述第一图像和所述第二图像。
3.根据权利要求1所述的带电粒子束装置,其特征在于,
所述带电粒子束装置具备接受用户的输入的操作装置以及显示图形用户界面的显示装置,
所述计算机执行如下处理:
在所述显示装置的画面上显示与用于得到所述目标图像的所述用户的操作相关的信息;以及
基于所述用户对所述画面的操作,分类为所述第一图像和所述第二图像。
4.根据权利要求3所述的带电粒子束装置,其特征在于,
所述计算机在所述画面上一览显示所述各图像和与所述各图像的分类相关的选择状态。
5.根据权利要求3所述的带电粒子束装置,其特征在于,
所述计算机在所述画面上将所述各图像和所述选择状态与环境信息的图像关联起来显示。
6.根据权利要求3所述的带电粒子束装置,其特征在于,
所述计算机在所述显示装置的画面上显示所述第三图像,
基于所述用户对所述画面的操作,使所述用户评价所述第三图像,并保存为所述目标图像。
7.根据权利要求6所述的带电粒子束装置,其特征在于,
所述计算机计算出所述第三图像的图像评价指标值,并在所述画面上将所述图像评价指标值与所述第三图像关联起来显示。
8.根据权利要求6所述的带电粒子束装置,其特征在于,
所述计算机在所述画面上排列显示通过所述图像累计得到的成为比较对象的多个累计图像,基于所述用户对所述画面的操作,比较多个所述累计图像并评价,将所述用户从多个所述累计图像中选择出的所述第三图像保存为所述目标图像。
9.根据权利要求1所述的带电粒子束装置,其特征在于,
所述带电粒子束装置具备数据库,
所述数据库存储有包括所述各图像、伴随所述各图像而从所述拍摄装置得到的信息、与所述各图像的分类相关的选择状态、以及所述第三图像的数据。
10.根据权利要求3所述的带电粒子束装置,其特征在于,
所述计算机执行如下处理:
使用将过去得到的所述第一图像和所述第二图像作为输入的有监督的机器学习,判定在作为当前的扫描图像的所述各图像中是否包含所述劣化图像;
对判定为不包含所述劣化图像的所述第二图像进行所述图像累计;
将通过所述图像累计得到的所述第三图像显示于所述显示装置的画面。
11.根据权利要求10所述的带电粒子束装置,其特征在于,
所述计算机执行如下处理:
在所述显示装置的画面上显示用于进行与所述有监督的机器学习相关的纠错的信息;以及
基于所述用户对所述画面的操作,或者基于所述机器学习的模型的判断,进行将所述过去得到的所述第一图像和所述第二图像作为输入的所述有监督的机器学习。
12.根据权利要求1所述的带电粒子束装置,其特征在于,
所述计算机不依赖于所述用户的操作,针对通过多次扫描所述相同区域而得到的各图像,将全部选择并进行所述图像累计而生成的累计图像与根据选择或不选择所述各图像的各模式进行所述图像累计而生成的各累计图像进行比较来评价画质,并基于所述评价,将从这些多个累计图像中选择出的累计图像保存为所述目标图像。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/JP2019/016720 WO2020213145A1 (ja) | 2019-04-18 | 2019-04-18 | 荷電粒子線装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113728411A true CN113728411A (zh) | 2021-11-30 |
Family
ID=72837178
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201980095455.7A Pending CN113728411A (zh) | 2019-04-18 | 2019-04-18 | 带电粒子束装置 |
Country Status (5)
Country | Link |
---|---|
US (1) | US11928801B2 (zh) |
JP (1) | JP7162734B2 (zh) |
KR (1) | KR102643362B1 (zh) |
CN (1) | CN113728411A (zh) |
WO (1) | WO2020213145A1 (zh) |
Family Cites Families (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000294185A (ja) | 1999-04-05 | 2000-10-20 | Canon Inc | 分析装置および透過電子顕微鏡 |
US6538249B1 (en) * | 1999-07-09 | 2003-03-25 | Hitachi, Ltd. | Image-formation apparatus using charged particle beams under various focus conditions |
JP2001256480A (ja) * | 2000-03-09 | 2001-09-21 | Hitachi Ltd | 画像自動分類方法及び装置 |
JP4301385B2 (ja) * | 2000-06-30 | 2009-07-22 | 株式会社ホロン | 画像処理装置および記録媒体 |
EP1455378B1 (en) | 2001-11-21 | 2013-08-14 | Hitachi High-Technologies Corporation | Sample imaging method and charged particle beam system |
WO2003044821A1 (fr) | 2001-11-21 | 2003-05-30 | Hitachi High-Technologies Corporation | Procede d'imagerie d'echantillon et systeme de faisceau de particules chargees |
JP4383950B2 (ja) * | 2004-04-23 | 2009-12-16 | 株式会社日立ハイテクノロジーズ | 荷電粒子線調整方法、及び荷電粒子線装置 |
JP4315971B2 (ja) | 2006-11-09 | 2009-08-19 | 三洋電機株式会社 | 撮像装置 |
US20090112644A1 (en) | 2007-10-24 | 2009-04-30 | Isom Pamela K | System and Method For Implementing a Service Oriented Architecture in an Enterprise |
US8126197B2 (en) * | 2007-11-29 | 2012-02-28 | Certifi-Media Inc. | Method for image quality assessment using quality vectors |
JP5164754B2 (ja) * | 2008-09-08 | 2013-03-21 | 株式会社日立ハイテクノロジーズ | 走査型荷電粒子顕微鏡装置及び走査型荷電粒子顕微鏡装置で取得した画像の処理方法 |
JP5948074B2 (ja) * | 2012-02-13 | 2016-07-06 | 株式会社日立ハイテクノロジーズ | 画像形成装置及び寸法測定装置 |
JP2014207110A (ja) * | 2013-04-12 | 2014-10-30 | 株式会社日立ハイテクノロジーズ | 観察装置および観察方法 |
JP2015094973A (ja) | 2013-11-08 | 2015-05-18 | 株式会社リコー | 画像処理装置、画像処理方法、画像処理プログラム、及び記録媒体 |
JP2016178037A (ja) | 2015-03-20 | 2016-10-06 | 株式会社日立ハイテクノロジーズ | 荷電粒子ビーム装置及び荷電粒子ビーム装置を用いた画像の生成方法並びに画像処理装置 |
CN108292577B (zh) | 2015-11-27 | 2019-12-17 | 株式会社日立高新技术 | 带电粒子射线装置及带电粒子射线装置中的图像处理方法 |
US10169873B2 (en) * | 2017-03-23 | 2019-01-01 | International Business Machines Corporation | Weakly supervised probabilistic atlas generation through multi-atlas label fusion |
JP2019008599A (ja) | 2017-06-26 | 2019-01-17 | 株式会社 Ngr | 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 |
US10169852B1 (en) * | 2018-07-03 | 2019-01-01 | Nanotronics Imaging, Inc. | Systems, devices, and methods for providing feedback on and improving the accuracy of super-resolution imaging |
KR20210033496A (ko) * | 2018-08-15 | 2021-03-26 | 에이에스엠엘 네델란즈 비.브이. | 원시 이미지들로부터 고품질 평균 sem 이미지들의 자동 선택 시 기계 학습 활용 |
-
2019
- 2019-04-18 CN CN201980095455.7A patent/CN113728411A/zh active Pending
- 2019-04-18 WO PCT/JP2019/016720 patent/WO2020213145A1/ja active Application Filing
- 2019-04-18 US US17/594,342 patent/US11928801B2/en active Active
- 2019-04-18 JP JP2021514762A patent/JP7162734B2/ja active Active
- 2019-04-18 KR KR1020217031681A patent/KR102643362B1/ko active IP Right Grant
Also Published As
Publication number | Publication date |
---|---|
WO2020213145A1 (ja) | 2020-10-22 |
JP7162734B2 (ja) | 2022-10-28 |
JPWO2020213145A1 (zh) | 2020-10-22 |
US11928801B2 (en) | 2024-03-12 |
KR102643362B1 (ko) | 2024-03-07 |
US20220261973A1 (en) | 2022-08-18 |
KR20210133293A (ko) | 2021-11-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11170483B2 (en) | Sample observation device and sample observation method | |
US8929665B2 (en) | Method of manufacturing a template matching template, as well as a device for manufacturing a template | |
US7903867B2 (en) | Method and apparatus for displaying detected defects | |
JP2002310962A (ja) | 画像分類方法並びに観察方法及びその装置 | |
KR101505352B1 (ko) | 하전 입자 현미경 장치 및 화상 촬상 방법 | |
JP6479303B2 (ja) | 適応走査を有する走査顕微鏡 | |
KR102336431B1 (ko) | 화상 처리 시스템, 및 화상 처리를 행하기 위한 컴퓨터 프로그램 | |
JP6739553B2 (ja) | 荷電粒子線装置 | |
DE112011104668T5 (de) | Gerät für einen Strahl von geladenen Teilchen und Verfahren zum Korrigieren eines detektierten Signals desselben | |
JP6909886B2 (ja) | 画像推定方法およびシステム | |
JP2014025763A (ja) | 欠陥検査方法、及び欠陥検査装置 | |
CN113728411A (zh) | 带电粒子束装置 | |
JP5178558B2 (ja) | 荷電粒子線の光軸調整方法、及び荷電粒子線装置 | |
US10319562B2 (en) | Charged particle beam device | |
JP2001325595A (ja) | 画像処理方法およびその装置並びに荷電粒子顕微鏡検査装置 | |
JP7194837B2 (ja) | 荷電粒子線装置 | |
JP5490333B1 (ja) | 荷電粒子線装置、荷電粒子線装置の試料観察方法および荷電粒子線装置の表示制御プログラム | |
JP6159273B2 (ja) | 荷電粒子線装置、荷電粒子線装置の試料観察方法および荷電粒子線装置の表示制御プログラム | |
JPH10154479A (ja) | 合焦位置算出装置及びその方法 | |
CN114628210A (zh) | 带电粒子束装置 | |
JP2020144942A (ja) | 画像処理システム | |
KR20220027176A (ko) | 시료 관찰 장치 | |
JPH07153407A (ja) | 走査型荷電粒子線装置の調節方法並びに装置 |
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 |