CN114096368B - 激光修复方法、激光修复装置 - Google Patents

Abstract

本发明提供一种激光修复方法、激光修复装置。即使存在基底层不同或膜厚偏差的情况下，也能够进行高质量的修复。激光修复方法对多层膜基板的缺陷部设定激光照射范围，在所设定的激光加工条件下对所述缺陷部照射激光束来进行修复加工时，确定激光束照射位置的周边区域，按每个共同的反射光信息将所确定的周边区域划分成多个区分区域，根据位于激光束照射位置周围的区分区域的配置图案，类推激光束照射位置的层结构，根据所类推的层结构，设定照射的激光束的激光加工条件。

Description

激光修复方法、激光修复装置

技术领域

本发明涉及一种激光修复方法、激光修复装置。

背景技术

激光修复(laser repair)在FPD(Flat Panel Display：平面显示器)等的制造工序中，在检查工序之后进行，并以TFT(Thin Film Transistor：薄膜晶体管)等多层膜基板为对象，对在检查工序中所确定的缺陷部照射激光束来进行修复加工。该激光修复由于加工对象的缺陷部形状按每个缺陷部不同且需要按每个缺陷部变更加工条件等，因此通常由具有高技能的操作者的手动操作来进行。

与此相对，提出利用图像处理技术，使一部分修复工序自动化。在现有技术中，核对拍摄到检查对象部位的缺陷图像与无缺陷的参考图像来检测缺陷部，且根据所输入的指示内容，指定对检测出的缺陷照射激光束的加工位置及加工范围等(例如参考下述专利文献1)。

现有技术文献

专利文献

专利文献1：日本特开2008-188638号公报

发明内容

发明要解决的技术课题

以多层膜基板为对象，由手动操作进行激光修复时，要求仅加工缺陷部，而不会对缺陷部的周边层或基底层带来损伤。操作者识别在检查工序中所确定的缺陷部与其周边的层结构，由自身的经验决定所需最小限度的加工范围，且根据已识别的层结构的信息，一边适当选择加工条件(激光加工参数配方)一边进行作业。因此，无法避免长时间作业，并且，操作者的技能影响修复品质。

并且，如现有技术那样，利用图像处理技术使一部分修复工序自动化时，仅由表面的二维图像无法获得缺陷部及其周边层结构的信息，因此即使存在基底层的不同或层厚的偏差的情况下，也可以在一定的加工条件下进行加工处理。因此，存在由于加工不充分或进行过度的加工而导致修复失败或无法进行高质量的修复的问题。

尤其，当加工对象的表面层为金属层时，由于表面的反射光大多不含其下层的信息，因此即使在基底的层结构不同的情况下也会在相同加工条件下进行加工，从而存在因基底层的不同而加工的方法不同，且容易产生加工不充分或进行过度加工的问题。

本发明是用于应对这种情况而提出的。即，本发明的课题在于：能够使激光修复自动化，以实现改善作业效率，不受操作者的技能的影响就可获得一定的修复品质；即使在仅由反射光的信息无法掌握基底层不同的情况下，也能够准确地类推基底层的不同而进行高质量的修复等。

用于解决技术课题的手段

为了解决这种课题，本发明具备如下结构。

一种激光修复方法，对多层膜基板的缺陷部设定激光照射范围，在所设定的激光加工条件下对所述缺陷部照射激光束来进行修复加工，其特征在于，确定激光束照射位置的周边区域，按每个共同的反射光信息将所述周边区域划分成多个区分区域，根据位于所述激光束照射位置周围的所述区分区域的配置图案，类推所述激光束照射位置的层结构，根据所类推的层结构，设定照射的激光束的激光加工条件。

一种激光修复装置，其特征在于，具备：修复加工部，对多层膜基板的缺陷部设定激光照射范围，在所设定的激光加工条件下对所述缺陷部照射激光束来进行修复加工，所述修复加工部确定激光束照射位置的周边区域，按每个共同的反射光信息将所述周边区域划分成多个区分区域，根据位于所述激光束照射位置周围的所述区分区域的配置图案，类推所述激光束照射位置的层结构，根据所类推的层结构，设定照射的激光束的激光加工条件。

附图说明

图1是示出用于执行激光修复方法的装置(激光修复装置)的结构例的说明图。

图2是示出光谱分光照相机的结构例与功能的说明图。

图3是说明层结构的类推方法的说明图(图3(a)示出按每个反射光信息将分光图像划分的区分区域，图3(b)示出从区分区域的配置图案类推的层结构的区域。)。

图4是说明激光修复方法的工序的说明图。

图5是示出多层膜基板表面的周期性图案的例子的说明图。

图6是说明缺陷形状确定工序的说明图。

图7是说明按每个区分区域设定的激光加工条件的说明图。

图8是示出类神经网络训练数据与输入输出关系的说明图。

图9是说明修复加工工序中的激光扫描的说明图。

图10是示出修复加工工序中的激光控制部的动作流程的说明图。

具体实施方式

以下，参考附图对本发明的实施方式进行说明。在以下说明中，不同图中的相同符号表示相同功能的部位，适当省略各图中的重复说明。

本发明的实施方式所涉及的激光修复方法以TFT(Thin Film Transistor)等多层膜基板为对象，对其表面照射激光束来修复加工缺陷部。

图1示出用于执行本发明的实施方式所涉及的激光修复方法的装置(激光修复装置)的一例。激光修复装置1具备：修复加工部1A，对载置于在水平面上移动的工作台S上的多层膜基板100的表面照射激光束L，修复加工部1A具备图像获取部2、激光照射部3、光谱分光照相机4、激光控制部5等。

图像获取部2例如具备显微镜20、白色光源21、摄像机26等，且经由显微镜20获取多层膜基板100的表面图像，在多层膜基板100存在缺陷部时获取缺陷部图像。从白色光源21经由反射镜22、半反射镜23及透镜系统24向多层膜基板100的表面照射白色落射光，在多层膜基板100的表面反射的光经由透镜系统24、半反射镜23及半反射镜25成像于摄像机26的摄像面。由摄像机26拍摄的图像通过图像处理部27进行适当的图像处理，并作为适当倍率的放大图像显示于显示装置28。

激光照射部3例如具备激光光源30、激光扫描仪32等，且通过显微镜20对多层膜基板100的表面照射激光束L。从激光光源30射出的激光束经由由反射镜31、检流反射镜(galvano mirror)32A、32B构成的激光扫描仪32入射至显微镜20，并通过显微镜20内的光学系统照射到多层膜基板100的表面。

光谱分光照相机4获取分光图像作为多层膜基板100表面的反射光信息。与从白色光源21射出的显微镜20为同轴的白色落射光照射到多层膜基板100的表面，使来自其表面的反射光由插入至显微镜20的光轴的反射镜29反射而入射至光谱分光照相机4。光谱分光照相机4将来自多层膜基板100的表面的反射光进行分光来获取分光图像的每个像素的分光光谱数据。在此，示出了使用光谱分光照相机4获取分光光谱数据作为由缺陷部图像获得的反射光信息的例子，但并不限定于此，作为由缺陷部图像获得的反射光信息也可以为每个像素的色度数据等。

在此，在显微镜20内的激光束L的光轴、图像获取部2的显微镜20内的光轴及光谱分光照相机4的显微镜20内的光轴成为同轴。由此，能够在显示装置28的监控画面内始终设定激光束L的照射位置，并且，能够将显示装置28的监控图像与光谱分光照相机4的分光图像设为同轴图像。

如图2所示，光谱分光照相机4例如具备透镜40、狭缝41、分光器42及二维传感器43，通过线性分光方式使被测定面M上的X方向的一条线量的反射光沿与其垂直的方向分光，由二维传感器43检测X方向的空间信息和其分光数据。然后，通过沿Y方向随时扫描一条线量的反射光，针对二维传感器43的X-Y方向的每1个分辨率像素(Xn，Yn)获得一个分光光谱数据。

激光控制部5用于进行如下控制，在包含多层膜基板100的缺陷部的表面设定激光照射范围，并在所设定的激光加工条件下对缺陷部照射激光束。激光控制部5根据完成学习的类神经网络50的设定进行控制。类神经网络50中输入有由光谱分光照相机4获取的分光图像的每个像素的分光光谱数据作为反射光信息，类神经网络50根据所输入的分光光谱数据，按分光图像的每个像素设定对缺陷部照射的激光束的激光加工条件。

类神经网络50为了设定激光加工条件，由作为反射光信息的分光光谱数据类推多层膜基板100的层结构。通过图3，说明类神经网络50所进行的层结构类推的观点。

图3(a)示出从所设定的激光束照射位置(显微镜20的光轴位置)周边区域获取的分光图像。该分光图像按每个像素具有分光光谱数据(反射光信息)，确定激光束照射位置的周边区域，通过按每个共同的分光光谱数据将其周边区域划分成多个区分区域I～VII，能够根据反射光信息的不同而掌握多层膜的图案。图示的例子中，由于区分区域I、III、VI、VII为同类的分光光谱，因此能够掌握该区域为相同层的图案，由于区分区域IV、V为与区分区域I、III、VI、VII不同的其他同类分光光谱，因此能够掌握该区域为与区分区域I、III、VI、VII不同的相同层图案。

与此相对，区分区域II在其整个区域成为同类分光光谱，但该层为加工对象的金属层时，金属层表面的反射光不包含基底层的信息，因此即使在其区域内存在基底层的层结构不同的区域，在整个区域也会成为相同分光光谱。因此，若要针对基底层不同的区域设定不同的激光加工条件，则需要在区分区域II中的激光照射位置上类推层结构。

在此，由反射光信息获得如图3(a)所示的区分区域的情况下，在识别为相同层图案的2个区分区域(例如区分区域I与区分区域III)之间存在识别为其他层图案的区分区域(例如区分区域II)时，类推为在前述2个区分区域之间也存在相同层图案，并在其上层叠有其他层图案。

具体而言，图3(a)所示的例子中，能够类推为，区分区域I、III、VI、VII的层是在区分区域II的层与区分区域IV、V的层的下方均匀分布的一层的暴露区域，在其上层叠区分区域IV与区分区域V的层，形成从区分区域IV连接至区分区域V的层，在该层上以交叉的方式形成有区分区域II的层。

类神经网络50为了自动且高精度地进行这种层结构的类推，确定激光束的照射位置的周边区域，根据所输入的分光光谱数据，按每个共同的分光光谱(反射光信息)将所确定的周边区域划分成多个区分区域，且根据位于激光照射位置周围的区分区域的配置图案，类推激光照射位置的层结构。然后，根据所类推的层结构设定照射的激光束的激光加工条件。

例如类神经网络50根据所输入的分光光谱数据获得图3(a)所示的区分区域的配置图案的情况下，如图3(b)所示，在激光束照射位置的周围推断多个(8个)区分区域，将利用分光光谱数据(反射光信息)只能识别一个区分区域的区分区域II分割为基底层的层结构不同的多个区域来掌握。由此，图3(a)、图3(b)所示的例子中，类神经网络50能够将激光照射位置的层结构类推为如下多层结构：暴露在区分区域II的金属层位于最上层，其下方有暴露在区分区域IV、V的层，在其更下方存在暴露在区分区域I、III、VI、VII的层。

以下，对进行这种层结构的类推的激光修复方法的具体例进行说明。如图4所示，该激光修复方法在检查工序S1之后进行，且具有缺陷位置确定工序S2、缺陷形状确定工序S3及修复加工工序S4。如图5所示，修复对象的多层膜基板100具有具备X方向的周期性间距Px及与其正交的Y方向的周期性间距Py的二维周期性图案。当多层膜基板100为FPD的TFT基板时，该周期性图案与一个显示像素对应。

缺陷位置确定工序S2中，由在修复工序之前进行的检查工序S1的结果确定缺陷部的位置。此时，将由图像获取部2获取的放大图像设定为低倍率，获取包含多个周期性图案的图像，并将此图像由图像处理部27进行图像处理，由此确定前述周期性间距(Px，Py)之后，确定存在缺陷部的周期性图案的位置。然后，使显微镜20的光轴与所确定的位置对准，提高放大倍率以便能够监控缺陷部的形状，从而获得缺陷部进行了定心的放大图像。

缺陷形状确定工序S3中，通过缺陷部进行了定心的放大图像确定缺陷部的形状。此时，图像处理部27将包含缺陷部的周期性图案图像与不包含缺陷部的周期性图案图像进行比较，由此确定缺陷部的形状。

该缺陷部的形状确定中，也能够使用类神经网络。具体而言，如图6所示，将包含缺陷部的周期性图案图像(缺陷部进行了定心的放大图像)Gd输入到类神经网络中的完成学习的机器学习模式50A，并根据该机器学习模式50A的输出，图像处理部27从包含缺陷部的周期性图案图像Gs中确定缺陷部的形状Fd。

周期性图案中并不是所有周期性图案形成为相同形状，而是包含图案的形状误差。因此，仅通过简单的图像比较，很难准确地确定缺陷部的形状。通过利用类神经网络的完成学习的机器学习模式50A，能够提高缺陷部的形状确定的精确度。机器学习模式50A中，使用修复对象的多层膜基板100的测试基板获取的多个周期性图案图像Gs成为学习数据。

修复加工工序S4中，如图7所示，首先，以包含由图像处理部27确定的缺陷部的形状的方式，由激光控制部5设定激光照射范围。激光照射范围为激光扫描仪32的扫描范围，缺陷部的形状Fd在多个部位分离而存在的情况下，以包含这些所有部位的方式设定扫描范围。

修复加工工序S4中，通过光谱分光照相机4获取的缺陷部图像的每个像素的分光光谱数据输入到类神经网络50，类神经网络50根据按所设定的激光照射范围内的每个激光照射位置划分的区分区域，进行前述层结构的类推，确定与层结构的不同对应的多个区分区域(区分区域A、B、C)，从而按每个该区分区域来设定激光加工条件(激光加工参数配方1～3)。

图7所示的例子中，将形状Fd的缺陷部图像内划分为层结构不同的区分区域A～C，对某一层结构的区分区域A设定加工条件1，对其他层结构的区分区域B设定加工条件2，对另一个不同的层结构的区分区域C设定加工条件3。

如图8所示，根据所划分的区分区域，进行层结构的类推的层结构类推用类神经网络60具有输入层61、中间层62及输出层63，且输入按每个激光照射位置所划分的区分区域数据，并输出激光照射位置的层结构。然后，前述类神经网络50根据层结构类推用类神经网络60的类推结果，设定在激光照射位置照射的激光束的激光加工条件。

如图8所示，用于使层结构类推用类神经网络60进行机器学习的训练数据为将具有与修复对象的多层膜基板100相同的多层膜结构的测试基板的实测数据进行划分的区分区域数据、以及将每个区分区域的实际层结构进行数据化的正确答案数据。按多个测试基板的每个周期性图案(显示像素)预先实测这些区分区域数据与正确答案数据。

如图9所示，修复加工工序S4中的修复的执行通过激光扫描仪32进行激光照射范围(扫描范围)内的光栅扫描，仅在水平扫描的扫描位置位于缺陷部的形状Fd内的情况下，如以粗线图示那样，激光束的输出呈开启，在按激光照射位置的每个像素预先设定的加工条件下进行加工。扫描位置在缺陷部的外部的情况下，如以虚线图示那样，激光束的输出呈关闭(或变低)。

利用图10对修复加工工序S4中的激光控制部5的动作进行说明。如图7所示，若开始动作(S40)，则对缺陷部设定激光照射范围(S41)，进而，按所设定的每个区分区域设定激光加工条件(S42)。如图7所示，通过该设定，按每个激光加工条件预先区分缺陷部的形状Fd内的激光照射范围。

之后，若开始激光扫描(S43)，则进行扫描位置(激光束的照射位置)是否在缺陷部内的判断(S44)，扫描位置在缺陷部的外部的情况下(S44：否)，激光束呈关闭(S45)，若扫描位置在缺陷部内部(S44：是)，则激光束呈开启(S46)。在预先设定的激光加工条件下照射此时的激光束。继续进行这种激光扫描(S43)直到检测到终点为止(S47：否)。然后，结束缺陷部的修复加工，并检测到终点时(S47：是)，结束激光控制部5的动作(S48)。

根据使用这种激光修复装置1的激光修复方法，在类推成为修复对象的多层膜基板100的层膜结构的基础上，能够提取缺陷部，并在适当的加工条件下仅对缺陷部进行激光加工。并且，能够自动进行这种修复加工。由此，与操作者的手动作业相比能够改善作业效率，并且不受操作者的技能的影响，就能够获得一定的修复品质。并且，在使激光修复自动化的基础上，即使存在加工对象层的基底层的层膜结构不同的情况下，也能够按基底层的层结构的不同设定加工条件，仅适当修复加工缺陷部，而不会对缺陷部的周边层或基底层带来损伤。

以上，参考附图对本发明的实施方式进行了详述，但具体结构并不限定于这些实施方式，即使在不脱离本发明的主旨的范围内存在设计变更等也包含于本发明中。并且，上述各实施方式只要在其目的及结构等中不存在特别的矛盾或问题，则能够沿用相互的技术并进行组合。

符号说明

1-激光修复装置，1A-修复加工部，2-图像获取部，20-显微镜，21-白色光源，22、29、31-反射镜，23、25-半反射镜，24-透镜系统，26-摄像机，27-图像处理部，28-显示装置，3-激光照射部，30-激光光源，32-激光扫描仪，32A、32B-检流反射镜，4-光谱分光照相机，40-透镜，41-狭缝，42-分光器，43-二维传感器，5-激光控制部，50、60-类神经网络，50A-机器学习模式，61-输入层，62-中间层，63-输出层，100-多层膜基板，S-工作台，L-激光束。

Claims (9)

1.一种激光修复方法，对多层膜基板的缺陷部设定激光照射范围，在所设定的激光加工条件下对所述缺陷部照射激光束来进行修复加工，其特征在于，

确定激光束照射位置的周边区域，

按每个共同的反射光信息将所述周边区域划分成多个区分区域，

根据位于所述激光束照射位置周围的所述区分区域的配置图案，类推所述激光束照射位置的层结构，

根据所类推的层结构，设定照射的激光束的激光加工条件，

所述反射光信息是分光光谱数据或色度数据。

2.根据权利要求1所述的激光修复方法，其特征在于，

所述反射光信息是按缺陷部图像的每个像素获取的分光光谱数据。

3.根据权利要求2所述的激光修复方法，其特征在于，

所述激光加工条件按所述缺陷部图像中的每个像素进行设定。

4.根据权利要求1至3中任一项所述的激光修复方法，其特征在于，

所述层结构的类推通过完成学习的类神经网络进行，

所述类神经网络将如下数据作为训练数据进行机器学习：区分区域数据，将具有与修复对象的多层膜基板相同的多层膜结构的测试基板的实测数据进行划分；以及正确答案数据，将每个该区分区域的实际层结构进行数据化。

5.根据权利要求1至3中任一项所述的激光修复方法，其特征在于，

所述多层膜基板具有二维周期性图案，

由在修复工序之前进行的检查工序的结果确定所述缺陷部的位置，

将包含所述缺陷部的周期性图案图像与不包含所述缺陷部的周期性图案图像进行比较来确定所述缺陷部的形状，

以包含所确定的所述缺陷部的形状的方式，设定所述激光照射范围。

6.根据权利要求4所述的激光修复方法，其特征在于，

所述多层膜基板具有二维周期性图案，

由在修复工序之前进行的检查工序的结果确定所述缺陷部的位置，

将包含所述缺陷部的周期性图案图像与不包含所述缺陷部的周期性图案图像进行比较来确定所述缺陷部的形状，

以包含所确定的所述缺陷部的形状的方式，设定所述激光照射范围。

7.一种激光修复装置，其特征在于，具备：

修复加工部，对多层膜基板的缺陷部设定激光照射范围，在所设定的激光加工条件下对所述缺陷部照射激光束来进行修复加工，

所述修复加工部进行如下处理：

确定激光束照射位置的周边区域；

按每个共同的反射光信息将所述周边区域划分成多个区分区域；

根据位于所述激光束照射位置周围的所述区分区域的配置图案，类推所述激光束照射位置的层结构；

根据所类推的层结构，设定照射的激光束的激光加工条件，

所述反射光信息是分光光谱数据或色度数据。

8.根据权利要求7所述的激光修复装置，其特征在于，

所述修复加工部具备：

图像获取部，经由显微镜获取缺陷部图像；

激光照射部，通过所述显微镜，对所述缺陷部照射激光束；

光谱分光照相机，对所述多层膜基板照射与所述显微镜同轴的白色落射光，将来自所述多层膜基板的反射光进行分光来获取每个像素的分光光谱数据；以及

激光控制部，设定所述激光加工条件，

所述激光控制部将所述分光光谱数据作为所述反射光信息，按所述缺陷部图像中的每个像素设定所述激光加工条件。

9.根据权利要求7或8所述的激光修复装置，其特征在于，

所述修复加工部具备进行所述层结构的类推的完成学习的类神经网络，

所述类神经网络将如下数据作为训练数据进行机器学习：区分区域数据，将具有与修复对象的多层膜基板相同的多层膜结构的测试基板的实测数据进行划分；以及正确答案数据，将每个该区分区域的实际层结构进行数据化。