CN115272185A - 一种单元化的掩膜版缺陷的识别方法及识别装置 - Google Patents
一种单元化的掩膜版缺陷的识别方法及识别装置 Download PDFInfo
- Publication number
- CN115272185A CN115272185A CN202210727667.6A CN202210727667A CN115272185A CN 115272185 A CN115272185 A CN 115272185A CN 202210727667 A CN202210727667 A CN 202210727667A CN 115272185 A CN115272185 A CN 115272185A
- Authority
- CN
- China
- Prior art keywords
- target
- point
- defect
- points
- target point
- 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
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
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/24—Aligning, centring, orientation detection or correction of the image
-
- 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
- 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)
- Multimedia (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明涉及一种单元化的掩膜版缺陷的识别方法及识别装置,该识别方法包括步骤:基于掩膜版制备得到晶圆,并基于晶圆获取到多个待测图像,且至少一个待测图像中包括:至少一个第一目标点;基于多个待测图像得到待分析图像模型,且待分析图像模型包括:由第一目标点对应形成的第二目标点;基于第二目标点获取有效目标点;对待分析图像模型进行网格划分得到若干网格单元;基于网格单元获取有效目标点的网格位置,并基于网格位置对有效目标点进行分类;基于分类后的有效目标点确定目标缺陷。本发明所提供的方法及装置能够高效地识别出掩膜版的各类缺陷。
Description
技术领域
本发明涉及半导体检测技术领域,尤其涉及一种单元化的掩膜版缺陷的识别方法及识别装置。
背景技术
在芯片制造过程中,需要用到大量掩膜版以用于将设计的电路图形转移到晶圆上,如果掩膜版上有缺陷存在,则错误的电路图形将被转移到晶圆上,从而造成良率损失。由于掩膜版会使用在数以万计,甚至百万计的晶圆上,因此对掩膜版缺陷的检测在半导体的生产制造过程中非常关键。
掩膜版的缺陷通常通过将掩膜版电路图转移到晶圆上进行检测。这类方法由于可检测的目标数目(如基于晶圆获取到的待测图像)比较多,且可在其他扫描任务中同时进行,因此被广泛使用。但是这种方法在识别效率与识别精度上仍存在一定局限性。为了对待测图像上的缺陷进行全面的检测与识别,往往需要计算待测图像上所有的缺陷点与缺陷点之间的距离,而待测图像上的缺陷点数量通常较多时,如此一来计算量非常庞大,整个缺陷的检测识别过程耗时较久。同时,由于数据处理量异常庞大,计算准确性也受到影响。
发明内容:
针对上述技术问题,本发明的目的在于提供一种单元化的掩膜版缺陷的识别方法,包括步骤:
基于掩膜版制备得到晶圆,并基于所述晶圆获取到多个待测图像,且至少一个所述待测图像中包括:至少一个第一目标点;
基于多个所述待测图像得到待分析图像模型,且所述待分析图像模型包括:由所述第一目标点对应形成的第二目标点;
基于所述第二目标点获取有效目标点;
对所述待分析图像模型进行网格划分得到若干网格单元;
基于所述网格单元获取所述有效目标点的网格位置,并基于所述网格位置对所述有效目标点进行分类;
基于分类后的所述有效目标点确定目标缺陷。
进一步地,在一些实施例中,确定所述目标缺陷的步骤包括:
当所述网格位置相同的所述有效目标点的数量大于第二预设值时,将对应的所述网格单元标记为第一计算单元,并将第一计算单元内的所述有效目标点标记为第一目标缺陷点;
将与所述第一计算单元相邻的至少一个所述网格单元标记为第二计算单元;
基于所述第一目标缺陷点与第二计算单元内的各个所述有效目标点之间的距离确定第二目标缺陷点,并基于第一、二目标缺陷点确定所述目标缺陷。
在一些实施例中,对所述待分析图像模型进行网格划分的步骤包括:
基于所述待测图像的精度确定容许偏差大小;
基于所述容许偏差对所述待分析图像模型进行网格划分。
在一些实施例中,所述网格位置为(int(x/G),int(y/G)),其中, (x,y)为所述有效目标点的绝对位置,G为所述网格单元的边长。
在一些实施例中,基于所述第二目标点获取有效目标点的步骤包括:
获取所述第二目标点的发生频次,其中,所述发生频次为第二目标点所对应的第一目标点的数量;
当所述第二目标点的发生频次大于第一预设值时,将相应的所述第二目标点标记为有效目标点。
进一步地,在一些实施例中,确定第二目标缺陷点的步骤包括:
获取所述第一目标缺陷点的中心位置;
计算所述第二计算单元内的各个所述有效目标点与所述中心位置之间的第一间距,且当所述第一间距小于第三预设值时,将对应的所述有效目标点标记为所述第二目标缺陷点。
或者,在另一些实施例中,,确定所述第二目标缺陷点的步骤包括:
获取各个所述第一目标缺陷点的位置信息;
基于所述位置信息确定所述第二计算单元中的所述有效目标点与各个所述第一目标缺陷点之间的第二间距;
当至少一个所述第二间距小于第四预设值时,或者当所述第二间距的均值小于第四预设值时,将所述第二计算单元中对应的所述有效目标点标记为第二目标缺陷点。
在一些实施例中,当存在两个或多个所述第一计算单元相邻时,所述有效目标点的数量最多的网格单元仍标记为第一计算单元,与所述第一计算单元相邻的其他所述第一计算单元则标记为第二计算单元。
在一些实施例中,当存在两个或多个所述第一计算单元相邻,且两个或多个所述第一计算单元的所述有效目标点的数量相同时,两个或多个所述第一计算单元仍标记为第一计算单元。
在一些实施例中,当两个所述第一计算单元之间间隔单个网格单元时,基于所间隔的网格单元的有效目标点的分布状态确定相应所述网格单元所对应的所述第一计算单元,其中,所述分布状态包括:所述有效目标点在所述网格单元上的区域分布趋向。
在一些实施例中,所述位置信息为所述有效目标点的所述绝对位置。
本发明第二方面在于,基于上述单元化的掩膜版的缺陷识别方法,对应地还提供了一种单元化的掩膜版缺陷的识别装置,包括:
待测图像获取模块,被配置为用于基于掩膜版制备得到晶圆,并基于所述晶圆获取到多个待测图像,且至少一个所述待测图像中包括:至少一个第一目标点;
待分析图像模型确定模块,被配置为用于基于多个所述待测图像得到待分析图像模型,且所述待分析图像模型包括:由所述第一目标点对应形成的第二目标点;
有效目标点确定模块,被配置为用于基于所述第二目标点获取有效目标点;
网格划分模块,被配置为用于对所述待分析图像模型进行网格划分得到若干网格单元;
有效目标点分类模块,被配置为用于基于所述网格单元获取所述有效目标点的网格位置,并基于所述网格位置对所述有效目标点进行分类;
目标缺陷确定模块,被配置为用于基于分类后的所述有效目标点确定所述目标缺陷;
在一些实施例中,目标缺陷确定模块包括:
第一目标缺陷点标记单元,被配置为用于当所述网格位置相同的所述有效目标点的数量大于第二预设值时,将对应的所述网格单元标记为第一计算单元,并将第一计算单元内的所述有效目标点标记为第一目标缺陷点;
第二计算单元标记单元,被配置为用于将与所述第一计算单元相邻的至少一个所述网格单元标记为第二计算单元;
目标缺陷确定单元,被配置为用于基于所述第一目标缺陷点与第二计算单元内的各个所述有效目标点之间的距离确定第二目标缺陷点,并基于第一、二目标缺陷点确定所述目标缺陷。
有益技术效果
本发明提供了一种单元化的掩膜版缺陷识别方法,该方法通过网格划分对目标缺陷进行地址化(也即实现了对目标缺陷的定位),从而针对各个目标缺陷的所在区域对目标缺陷进行整体识别,进而获取到目标缺陷的整体信息。由于本申请可以基于目标缺陷的地址信息对各个目标缺陷进行针对性地识别,从而无需对待测图像或待分析图像模型上的目标点进行整体的计算(也即两两计算),大大降低了数据计算量,提高了缺陷的识别效率,并保证了缺陷识别的精确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍。在所有附图中,类似的元件或部分一般由类似的附图标记标识。附图中,各元件或部分并不一定按照实际的比例绘制。显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它的附图。
图1为本发明一示例性实施例中的方法流程示意图;
图2a为本发明一示例性实施例中的待测图像结构示意图;
图2b为基于图2a中所示的待测图像得到的待分析图像模型示意图;
图3a为图2b中所示待分析图像模型的网格划分示意图;
图3b为图3a中的部分第一计算网格以及第二计算网格的局部放大示意图;
图3c为图3a中目标缺陷的局部放大示意图;
图4a为本发明一具体实施例中的待分析模型的网格划分示意图;
图4b为本发明又一具体实施例中的待分析模型的网格划分示意图;
图4c为本发明另一具体实施例中的待分析模型的网格划分示意图;
图5为本发明一示例性实施例中的识别装置模块结构示意图;
图6为本发明一示例性实施例中的电子设备框图。
01为待测图像,011为第一目标点,02为待分析图像模型,021为第二目标点,022为有效目标点,03为第一计算单元,04为第二计算单元,05为目标缺陷,06a为第一网格,06b为第二网格,06c为第三网格,06d为第四网格, 06e为第五网格,06f为第六网格,06g为第七网格。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述。显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本文中,使用用于表示元件的诸如“模块”、“部件”或“单元”的后缀仅为了有利于本发明的说明,其本身没有特定的意义。因此,“模块”、“部件”或“单元”可以混合地使用。
名词释义:
本文中,“掩膜版”一般包括具有在其上形成的不透明材料的图形化区的透明衬底,所述透明衬底诸如玻璃、硼硅酸盐玻璃(borosilicate glass) 和熔融石英(fusedsilica)。不透明区可以用蚀刻到透明衬底中的区来代替。本领域中已知很多不同类型的掩膜版,并且如本文中使用的术语掩膜版意图包括所有类型的掩膜版。
本文中,“目标缺陷点”指的是属于簇群的有效目标点(或缺陷点),也即属于待识别的目标缺陷中的有效目标点。若干相邻“目标缺陷点”在掩膜版上对应将形成一个目标缺陷(repeater)。目标缺陷点包括:第一目标缺陷点和第二目标缺陷点。
实施例一
参见图1,为本发明一示例性实施例中的一种单元化的掩膜版缺陷的识别方法,包括步骤:
S10:基于掩膜版制备得到晶圆,并基于晶圆获取到多个待测图像,且至少一个待测图像中包括:至少一个第一目标点;
S20:基于多个待测图像得到待分析图像模型,且待分析图像模型包括:由第一目标点对应形成的第二目标点;
S30:基于第二目标点获取有效目标点;
S40:对待分析图像模型进行网格划分得到若干网格单元(如图3a、图 3b和图3c所示);
S50:基于网格单元获取有效目标点的网格位置,并基于网格位置对有效目标点进行分类(例如,将网格位置相同的有效目标点划分为一个集合);
S60:基于分类后的有效目标点确定目标缺陷。
进一步地,在一些实施例中,确定所述目标缺陷05(如图3c所示)的步骤包括:当所述网格位置相同的所述有效目标点的数量大于第二预设值时,将对应的所述网格单元标记为第一计算单元03(如图3b所示),并将第一计算单元内的所述有效目标点标记为第一目标缺陷点;
将与所述第一计算单元相邻的至少一个所述网格单元标记为第二计算单元;
基于所述第一目标缺陷点与第二计算单元内的各个所述有效目标点之间的距离确定第二目标缺陷点,并基于第一、二目标缺陷点确定所述目标缺陷。
具体地,在一些实施例中,当所述网格位置相同的所述有效目标点022 的数量大于第二预设值时,将对应的所述有效目标点022标记为第一目标缺陷点 (也即将网格位置相同的有效目标点分类为一个目标缺),并将对应的所述网格单元标记为第一计算单元03;
将与所述第一计算单元03相邻的至少一个所述网格单元标记为第二计算单元04;
获取第一目标缺陷点的目标位置,并计算第二计算单元内的至少一个有效目标点与所述目标位置之间的第一间距,当所述第一间距小于第三预设值时,将对应的所述有效目标点标记为第二目标缺陷点;
基于第一、二目标缺陷点确定所述目标缺陷。
例如,在一些具体实施例中,首先将待测的掩膜版上的电路图形转移到一个或多个晶圆上。如图2a所示,在晶圆上获取到多个电路图形,并通过图像扫描设备(如扫描电子显微镜SEM,光学显微镜或电子束显微镜等等)基于多个电路图形得到多个待测图像01,且待测图像01包括一个或多个第一目标点。进一步对所获取到的多个待测图像进行堆叠得到待分析图像模型02(如图2b所示),多个待测图像上的第一目标点011在待分析图像模型02上对应地形成多个第二目标点021。
例如,对多个待测图像进行堆叠,然后通过领域算法对三维的空间进行投影,得到待分析图像模型。
优选地,在一些实施例中,对所述待分析图像模型进行网格划分的步骤包括:
基于待测图像的精度确定容许偏差大小;
基于容许偏差(tolerance)对所述待分析图像模型进行网格划分。
优选地,在一些实施例中,待测图像的精度可以由用于获取该待测图像的图像扫描设备的精度确定。例如,在一具体实施例中,某一缺陷所生成的一个第一目标点在其中一个待测图像上的坐标为(100um,100um),该缺陷在另一个待测图像上生成的第一目标点的坐标为(101um,99.8um)。此处的两个第一目标点均对应为掩膜版上的同一缺陷位置,但由于在实际的待测图像获取过程中可能存在误差(如扫描精度有限),使得此处的第一目标点在坐标上存在一定偏差。本实施例中为进一步地提高缺陷识别的准确性,消除仪器精度问题的影响,可以基于图像扫描设备的精度确定容许偏差的大小。
优选地,在一些实施例中,容许偏差设置为设备精度的两倍,例如,容许偏差可以设置为:5um,或10um,或20um。当然,容许偏差的具体设置可以由用户基于需求进行合理的自定义设置。
例如,在一些实施例中,可以以容许偏差为网格边长进行网格划分,或者在另一些实施例中,网格边长可以大于容许偏差(例如,网格边长为三倍的容许偏差)。
进一步地,在一些实施例中,所述网格位置为(int(x/G),int(y/G)),其中,(x,y)为所述有效目标点022的绝对位置,G为所述网格单元的边长。
例如,在一些实施例中,当位于第5行第6列的有效目标点的数量大于第二预设值时,则将第5行第6列的网格单元标记为第一计算单元,并将网格位置为第5行第6列的有效目标点标记为第一目标缺陷点。
具体地,在一些实施例中,在待分析图像模型上建立直角坐标系,并定义直角坐标系的圆点,从而获取到各个有效目标点的直角坐标(也即绝对位置)。进一步地基于各个有效目标点的绝对位置以及网格单元的边长确定各个有效目标点的网格位置(或行列位置),并通过有效目标点的行列位置进一步定位目标缺陷的位置。
本实施例中,首先通过有效目标点的行列位置(也即网格位置)对有效目标点进行快速高效地分类,获取到被判定为目标缺陷的有效目标点集合(包括:第一目标缺陷点和第二目标缺陷点),也即实现对目标缺陷的定位。
本实施例中,基于容许偏差进行网格划分所得到的网格划分结果中,位于同一网格位置(或相邻近网格位置)的有效目标点通常为来源于掩膜版上的同一缺陷。因此,基于容许偏差进行网格划分后能够快速、准确地获取到目标缺陷发生位置,并基于目标缺陷的主要区域对目标缺陷进行整体识别,从而获取到目标缺陷的整体信息,也即获取到该目标缺陷所对应产生的多个有效目标点(此处也即目标缺陷点)。
在一些实施例中,基于所述第二目标点021获取有效目标点022的步骤包括:
获取所述第二目标点021的发生频次,其中,所述发生频次为第二目标点021所对应的第一目标点011的数量;
当所述第二目标点021的发生频次大于第一预设值时,将相应的所述第二目标点021标记为有效目标点022。
其中,第二目标点的发生频次表示第二目标点在不同的待测图像上出现的次数。例如,在一些实施例中,当第二目标点021的所对应的第一目标点011 的数量为8时,即第二目标点的发生频次为8,也即第二目标点在8个待测图像上均有出现。
为了提高缺陷识别的准确性,优选地,在一些实施例中,由于待测图像上通常存在多个目标点,且可能存在两个或多个目标点相邻或重叠,此时将这两个或多个目标点识别(或判定为)一个第一目标点。例如,在待测图像中存在三个目标点相互重叠时,优选地认为第一目标点的总发生次数为1次。或者说,此时的两个或多个第一目标点对应仅生成一个第二目标点。
具体地,在一些实施例中,第一预设值可以设为5,当然,第一预设值还可以基于工作人员的历史经验或缺陷检测的精度需求将其设置为其他值,如6 次、9次等。
本实施例中,由于是基于容许公差对待分析图像模型进行的网格划分,被划分到同一网格单元中的各个有效目标点的间隔关系可以被判定为存在关联性的分布,也即可以将位于同一网格单元中的多个有效目标点判定为属于同一目标缺陷(如簇群)。
具体地,在一些实施例中,当位于同一个网格单元中的有效目标点022 的数量大于第二预设值时,将对应的所述网格单元标记为第一计算单元03,并将该网格单元内的有效目标点确定为第一目标缺陷点。此时认为该网格单元内的第一目标缺陷点为目标缺陷的一部分,也即定位到了其中一个目标缺陷,并将该网格单元(即目标缺陷的主要分布区域)标记为第一计算单元。随后,基于目标缺陷的网格位置对目标缺陷进行整体识别,即对于第一计算单元相邻的一个或多个网格单元(将其标记为第二计算单元)中的有效目标点进行识别,判断在第二计算单元中是否存在属于目标缺陷的其他有效目标点,若判断出存在其他属于目标缺陷的有效目标点将其标记为第二目标缺陷点,并基于所识别到的各个第一、二目标缺陷点获取到目标缺陷的完整信息(如该目标缺陷所对应的所有有效目标点)。
例如,在一些实施例中,对于第一计算单元采用3X3的计算方式,即将第一计算单元相邻的8个网格单元均标记为第二计算单元。
具体地,在一些实施例中,第二预设值可以设为10,当然,第一预设值还可以基于工作人员的历史经验或缺陷检测的精度需求将其设置为其他值,如5 次、7次、11次等。
当第一目标缺陷分布相对均匀时(例如第一目标缺陷的分布图形相对规整,或第一目标缺陷的分布图形为对称图形或近似为对称图形时),优选地,在一些实施例中,确定第二目标缺陷点的步骤包括:
获取第一目标缺陷的中心位置;
计算所述第二计算单元04内的各个所述有效目标点022与所述中心位置之间的第一间距,且当所述第一间距小于第三预设值时,将对应的所述有效目标点022标记为第二目标缺陷点。
具体地,在一些实施例中,第一目标缺陷的位置信息为绝对位置(x, y),相应地,中心位置为各个第一目标缺陷点的平均位置。
进一步地,在一些实施例中,当第二计算单元中的任一有效目标点与平均位置的之间的间距(第一间距)小于第三预设值时,则认为该有效目标点与目标缺陷点的分布存在关联性,也即将该有效目标点也识别为目标缺陷点。
或者,在另一些实施例中,为了提高计算效率,中心位置可以直接设为相应计算单元的中心位置。
在另一些实施例中,确定第二目标缺陷点的步骤包括:
获取各个所述第一目标缺陷点的位置信息;
基于所述位置信息确定所述第二计算单元04中的所述有效目标点 022与所述第一计算单元03内的各个所述有效目标点022(也即目标缺陷点)之间的第二间距;
当至少一个所述第二间距小于第四预设值时,或者当所述第二间距的均值小于第四预设值时,将所述第二计算单元04中对应的所述有效目标点022 标记为第二目标缺陷点。
具体地,在一些实施例中,第三预设值、第四预设值均可以基于工作人员的历史经验或缺陷检测的精度需求进行设置。
具体地,在一些实施例中,第二计算单元中的任一一个有效目标点与第一目标缺陷点之间的第二间距为该有效目标点与多个目标缺陷点的平均间距。或者,在另一些实施例中,第二间距为该有效目标点与各个目标缺陷点之间的最小间距。又或者,在另一些实施例中,第二间距包括:对应的有效目标点与各个第一目标缺陷的间距集合。
或者,在另一些实施例中,可以计算第一计算单元和第二计算单元内的各个有效目标点的两两间距确定目标缺陷。具体地,计算各个第一目标缺陷点与第二计算单元内的各个有效目标点的两两间距,从而确定第二计算单元中的第二目标缺陷点。
在一些实施例中,当存在两个或多个所述第一计算单元03相邻时,所述有效目标点022的数量最多的网格单元仍标记为第一计算单元03,与所述第一计算单元03相邻的其他所述第一计算单元则标记为第二计算单元04。
具体地,如图4a所示,当第二预设值设为6时,第一网格06a、第二网格06b中的有效目标点数均大于第二预设值时,均被标记为了第一计算网格,此时为了避免计算重复计算,将有效目标点数量更多的第一网格06a标记为第一计算网格,将第二网格06b重新标记为第二计算网格。
在一些实施例中,当存在两个或多个所述第一计算单元相邻,且两个或多个所述第一计算单元的所述有效目标点的数量相同时,两个或多个所述第一计算单元仍标记为第一计算单元。
具体地,如图4c所示,当第二预设值设为6时,第六网格06f、第七网格06g均被标记为第一计算网格,且此时第六、七网格06f、06g中的有效目标点数量相同。此时,为了对目标缺陷进行精确识别,第六网格06f、第七网格06g仍被标记为第一计算网格,相应地第二计算网格可以依据其他相邻网格的有效目标点分布情况进行相适应的划分。
进一步地,在一些实施例中,可以基于人工判断是否需要将第六网格与第七网格中的目标缺陷识别为同一目标缺陷。
在一些实施例中,当两个所述第一计算单元之间间隔单个网格单元时,基于所间隔的网格单元的有效目标点的分布状态确定相应所述网格单元所对应的所述第一计算单元,其中,所述分布状态包括:所述有效目标点在所述网格单元上的区域分布趋向。
进一步地,在一些实施例中,区域分布趋向包括:聚集型分布、分散分布等等。
具体地,在一些实施例中,如图4b所示,当第三网格06c、第四网格06d均被划定为第一计算网格,且第三、四网格之间间隔有第五网格06e时,基于第五网格06e中的有效目标点的分布状态确定第五网格06e为对应于第三网格06c还是第四网格06d的第二计算网格。
例如,在一些实施例中,基于第五网格中的多个有效目标点的平均位置与第三网格、第四网格之间的间距确定第五网格的归属特点。例如,当区域分布趋向呈聚集型分布时,计算聚集型分布的中心位置(也即有效目标点的平均位置),当第五网格中有效目标点的平均位置更靠近第四网格时,则将第五网格 06e标记为第四网格06d的第二计算网格。
如图4b所示,此处第五网格06e主要的有效目标点均分布在右下角区域,即且靠近第四网格06d,此时将第五网格06e划定为与第四网格06d所对应的第二计算网格。
或者,在另一些实施例中,当区域分布趋向呈分散分布时还可以进一步地对第五网格06e进行二次划分,如将第五网格06e沿对角线划分为两个网格,分别标记为对应于第三网格06c、第四网格06d的第二计算网格。
在一些实施例中,所述位置信息为所述有效目标点的所述绝对位置,如(x,y)。
本实施例中通过网格位置(如第3行第4列)对有效目标点的位置表征,可以快速地对位于临界区域的有效目标点(如与两个目标缺陷间距相同或相近的有效目标点)进行明确地位置划分,避免了此类有效目标点在网格划分过程中位置划分模糊的问题。
实施例二
基于上述实施例一中的单元化的掩膜版缺陷识别方法,本发明还对应地提供了一种单元化的掩膜版缺陷识别装置,如图5所示,包括:
待测图像获取模块02,被配置为用于基于掩膜版制备得到晶圆,并基于所述晶圆获取到多个待测图像,且至少一个所述待测图像中包括:至少一个第一目标点;
待分析图像模型确定模块04,被配置为用于基于多个所述待测图像得到待分析图像模型,且所述待分析图像模型包括:由所述第一目标点对应形成的第二目标点;
有效目标点确定模块06,被配置为用于基于所述第二目标点获取有效目标点;
网格划分模块08,被配置为用于对所述待分析图像模型进行网格划分得到若干网格单元;
有效目标点分类模块10,被配置为用于基于所述网格单元获取所述有效目标点的网格位置,并基于所述网格位置对所述有效目标点进行分类;
目标缺陷确定模块12,被配置为用于基于分类后的所述有效目标点确定所述目标缺陷。
进一步地,在一些实施例中,目标缺陷确定模块包括:
第一目标缺陷点标记单元,被配置为用于当所述网格位置相同的所述有效目标点的数量大于第二预设值时,将对应的所述网格单元标记为第一计算单元,并将第一计算单元内的所述有效目标点标记为第一目标缺陷点;
第二计算单元标记单元,被配置为用于将与所述第一计算单元相邻的至少一个所述网格单元标记为第二计算单元;
目标缺陷确定单元,被配置为用于基于所述第一目标缺陷点与第二计算单元内的各个所述有效目标点之间的距离确定第二目标缺陷点,并基于第一、二目标缺陷点确定所述目标缺陷。
本实施例中所提供的识别装置通过有效目标点的行列坐标(也即网格位置)对有效目标点进行快速高效地分类,从而获取到被判定为目标缺陷的有效目标点集合,也即实现对目标缺陷的定位。进一步地对所发现的目标缺陷进行针对性的识别,提高缺陷的识别效率。
进一步地,在一些实施例中,所述网格位置为(int(x/G),int(y/G)),其中,(x,y)为所述有效目标点(022)的绝对位置,G为所述网格单元的边长。
进一步地,在一些实施例中,有效目标点确定模块包括:
发生频次确定单元,被配置为用于获取所述第二目标点的发生频次,其中,所述发生频次为第二目标点所对应的第一目标点的数量;
有效目标点标记(确定)单元,被配置为用于当所述第二目标点的发生频次大于第一预设值时,将相应的所述第二目标点标记为有效目标点。
进一步地,在一些实施例中,目标缺陷确定单元包括:,
第一子单元,被配置为用于获取所述第一目标缺陷点的中心位置;
第二子单元,被配置为用于计算所述第二计算单元(04)内的各个所述有效目标点(022)与所述中心位置之间的第一间距,且当所述第一间距小于第三预设值时,将对应的所述有效目标点(022)标记为所述第二目标缺陷点。
或者,在一些实施例中,
第三子单元,被配置为用于获取各个所述第一目标缺陷点的位置信息;
第四子单元,被配置为用于基于所述位置信息确定所述第二计算单元(04)中的所述有效目标点(022)与各个所述第一目标缺陷点之间的第二间距;且当至少一个所述第二间距小于第四预设值时,或者当所述第二间距的均值小于第四预设值时,将所述第二计算单元(04)中对应的所述有效目标点(022) 标记为第二目标缺陷点。
进一步地,在一些实施例中,第一目标缺点标记单元还被配置为用于当存在两个或多个所述第一计算单元相邻时,所述有效目标点的数量最多的网格单元仍标记为第一计算单元,将与所述第一计算单元相邻的其他所述第一计算单元则标记为第二计算单元。
进一步地,在一些实施例中,第一目标缺点标记单元还被配置为当存在两个或多个所述第一计算单元相邻,且两个或多个所述第一计算单元的所述有效目标点的数量相同时,将两个或多个所述第一计算单元仍标记为第一计算单元。
实施例三
本发明的第三方面在于,提供了一种电子设备,包括存储器502、处理器501及存储在存储器502上并可在处理器501上运行的计算机程序,所述处理器501执行所述程序时实现前文所述方法的步骤。为了便于说明,仅示出了与本说明书实施例相关的部分,具体技术细节未揭示的,请参照本说明书实施例方法部分。该电子设备,可以是包括各种电子设备,PC电脑、网络云服务器,甚至手机、平板电脑、PDA(Personal Digital Assistant,个人数字助理)、POS (Point of Sales,销售终端)、车载电脑、台式电脑等任意电子设备。
具体地,图6是本发明一示例性实施例的电子设备组成结构框图。总线500可以包括任意数量的互联的总线500和桥,其将包括由处理器501代表的一个或多个处理器和存储器代表的存储器的各种电路链接在一起。总线500 还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起,这些都是本领域所公知的,因此,本文不再对其进行进一步描述。通信接口 503在总线和接收器和/或发送器504之间提供接口,接收器和/或发送器504可以是分开独立的接收器或发送器504也可以是同一个元件如收发机,提供用于在传输介质上与各种其他装置通信的单元。处理器501负责管理总线500和通常的处理,而存储器502可以被用于存储处理器501在执行操作时所使用的数据。
所述计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了可读程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。可读存储介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、有线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本公开操作的程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、 C++等,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被一个该设备执行时,使得该计算机可读介质实现如下功能:基于掩膜版制备得到晶圆,并基于所述晶圆获取到多个待测图像,且至少一个所述待测图像中包括:至少一个第一目标点;基于多个所述待测图像得到待分析图像模型,且所述待分析图像模型包括:由所述第一目标点对应形成的第二目标点;基于所述第二目标点获取有效目标点;对所述待分析图像模型进行网格划分得到若干网格单元;基于所述网格单元获取所述有效目标点的网格位置,并基于所述网格位置对所述有效目标点进行分类;基于分类后的所述有效目标点确定所述目标缺陷。其中,确定所述目标缺陷的步骤包括:当所述网格位置相同的所述有效目标点的数量大于第二预设值时,将对应的所述网格单元标记为第一计算单元,并将第一计算单元内的所述有效目标点标记为第一目标缺陷点;将与所述第一计算单元相邻的至少一个所述网格单元标记为第二计算单元;基于所述第一目标缺陷点与第二计算单元内的各个所述有效目标点之间的距离确定第二目标缺陷点,并基于第一、二目标缺陷点确定所述目标缺陷。
本领域技术人员可以理解上述各模块可以按照实施例的描述分布于装置中,也可以进行相应变化唯一不同于本实施例的一个或多个装置中。上述实施例的模块可以合并为一个模块,也可以进一步拆分成多个子模块。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必要的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台计算机终端(可以是手机,计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
上面结合附图对本发明的实施例进行了描述,但是本发明并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本发明的启示下,在不脱离本发明宗旨和权利要求所保护的范围情况下,还可做出很多形式,这些均属于本发明的保护之内。
Claims (10)
1.一种单元化的掩膜版缺陷的识别方法,其特征在于,包括步骤:
基于掩膜版制备得到晶圆,并基于所述晶圆获取到多个待测图像(01),且至少一个所述待测图像(01)中包括:至少一个第一目标点(011);
基于多个所述待测图像得到待分析图像模型(02),且所述待分析图像模型(02)包括:由所述第一目标点(011)对应形成的第二目标点(021);
基于所述第二目标点(021)获取有效目标点(022);
对所述待分析图像模型(02)进行网格划分得到若干网格单元;
基于所述网格单元获取所述有效目标点(022)的网格位置,并基于所述网格位置对所述有效目标点(022)进行分类;
基于分类后的所述有效目标点(022)确定目标缺陷(05);
其中,确定所述目标缺陷(05)的步骤包括:
当所述网格位置相同的所述有效目标点的数量大于第二预设值时,将对应的所述网格单元标记为第一计算单元,并将所述第一计算单元内的所述有效目标点标记为第一目标缺陷点;
将与所述第一计算单元相邻的至少一个所述网格单元标记为第二计算单元;
基于所述第一目标缺陷点与第二计算单元内的各个所述有效目标点之间的距离确定第二目标缺陷点,并基于第一、二目标缺陷点确定所述目标缺陷。
2.根据权利要求1所述的识别方法,其特征在于,对所述待分析图像模型进行网格划分的步骤包括:
基于所述待测图像的精度确定容许偏差大小;
基于所述容许偏差对所述待分析图像模型进行网格划分。
3.根据权利要求1所述的识别方法,其特征在于,所述网格位置为(int(x/G),int(y/G)),其中,(x,y)为所述有效目标点(022)的绝对位置,G为所述网格单元的边长。
4.根据权利要求1所述的识别方法,其特征在于,基于所述第二目标点(021)获取有效目标点(022)的步骤包括:
获取所述第二目标点(021)的发生频次,其中,所述发生频次为第二目标点(021)所对应的所述第一目标点(011)的数量;
当所述第二目标点(021)的发生频次大于第一预设值时,将相应的所述第二目标点(021)标记为有效目标点(022)。
5.根据权利要求1所述的识别方法,确定第二目标缺陷点的步骤包括:
获取所述第一目标缺陷点的中心位置;
计算所述第二计算单元(04)内的各个所述有效目标点(022)与所述中心位置之间的第一间距,且当所述第一间距小于第三预设值时,将对应的所述有效目标点(022)标记为所述第二目标缺陷点。
6.根据权利要求1所述的识别方法,其特征在于,确定所述第二目标缺陷点的步骤包括:
获取各个所述第一目标缺陷点的位置信息;
基于所述位置信息确定所述第二计算单元(04)中的所述有效目标点(022)与各个所述第一目标缺陷点之间的第二间距;
当至少一个所述第二间距小于第四预设值时,或者当所述第二间距的均值小于第四预设值时,将所述第二计算单元(04)中对应的所述有效目标点(022)标记为第二目标缺陷点。
7.根据权利要求1所述的识别方法,其特征在于,当存在两个或多个所述第一计算单元(03)相邻时,所述有效目标点(022)的数量最多的网格单元仍标记为第一计算单元(03),与所述第一计算单元(03)相邻的其他所述第一计算单元则标记为第二计算单元(04);
和/或,
当存在两个或多个所述第一计算单元相邻,且两个或多个所述第一计算单元的所述有效目标点的数量相同时,两个或多个所述第一计算单元仍标记为第一计算单元。
8.根据权利要求1所述的识别方法,其特征在于,当两个所述第一计算单元之间间隔单个网格单元时,基于所间隔的网格单元的有效目标点的分布状态确定相应所述网格单元所对应的所述第一计算单元,其中,所述分布状态包括:所述有效目标点在所述网格单元上的区域分布趋向。
9.根据权利要求1所述的识别方法,其特征在于,所述位置信息为所述有效目标点的所述绝对位置。
10.一种单元化的掩膜版缺陷的识别装置,其特征在于,包括:
待测图像获取模块,被配置为用于基于掩膜版制备得到晶圆,并基于所述晶圆获取到多个待测图像,且至少一个所述待测图像中包括:至少一个第一目标点;
待分析图像模型确定模块,被配置为用于基于多个所述待测图像得到待分析图像模型,且所述待分析图像模型包括:由所述第一目标点对应形成的第二目标点;
有效目标点确定模块,被配置为用于基于所述第二目标点获取有效目标点;
网格划分模块,被配置为用于对所述待分析图像模型进行网格划分得到若干网格单元;
有效目标点分类模块,被配置为用于基于所述网格单元获取所述有效目标点的网格位置,并基于所述网格位置对所述有效目标点进行分类;
目标缺陷确定模块,被配置为用于基于分类后的所述有效目标点确定所述目标缺陷;
其中,目标缺陷确定模块包括:
第一目标缺陷点标记单元,被配置为用于当所述网格位置相同的所述有效目标点的数量大于第二预设值时,将对应的所述网格单元标记为第一计算单元,并将所述第一计算单元内的所述有效目标点标记为第一目标缺陷点;
第二计算单元标记单元,被配置为用于将与所述第一计算单元相邻的至少一个所述网格单元标记为第二计算单元;
目标缺陷确定单元,被配置为用于基于所述第一目标缺陷点与第二计算单元内的各个所述有效目标点之间的距离确定第二目标缺陷点,并基于第一、二目标缺陷点确定所述目标缺陷。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210727667.6A CN115272185A (zh) | 2022-06-22 | 2022-06-22 | 一种单元化的掩膜版缺陷的识别方法及识别装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210727667.6A CN115272185A (zh) | 2022-06-22 | 2022-06-22 | 一种单元化的掩膜版缺陷的识别方法及识别装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115272185A true CN115272185A (zh) | 2022-11-01 |
Family
ID=83761086
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210727667.6A Pending CN115272185A (zh) | 2022-06-22 | 2022-06-22 | 一种单元化的掩膜版缺陷的识别方法及识别装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115272185A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117276112A (zh) * | 2023-11-22 | 2023-12-22 | 宁德时代新能源科技股份有限公司 | 缺陷检测方法、装置、设备及计算机可读存储介质 |
CN117437177A (zh) * | 2023-09-20 | 2024-01-23 | 上海朋熙半导体有限公司 | 一种光刻掩膜缺陷的识别方法、装置、设备及可读介质 |
-
2022
- 2022-06-22 CN CN202210727667.6A patent/CN115272185A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117437177A (zh) * | 2023-09-20 | 2024-01-23 | 上海朋熙半导体有限公司 | 一种光刻掩膜缺陷的识别方法、装置、设备及可读介质 |
CN117276112A (zh) * | 2023-11-22 | 2023-12-22 | 宁德时代新能源科技股份有限公司 | 缺陷检测方法、装置、设备及计算机可读存储介质 |
CN117276112B (zh) * | 2023-11-22 | 2024-04-12 | 宁德时代新能源科技股份有限公司 | 缺陷检测方法、装置、设备及计算机可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115272185A (zh) | 一种单元化的掩膜版缺陷的识别方法及识别装置 | |
US20210326505A1 (en) | Pattern centric process control | |
US8312401B2 (en) | Method for smart defect screen and sample | |
US8675949B2 (en) | Reviewed defect selection processing method, defect review method, reviewed defect selection processing tool, and defect review tool | |
CN108694265B (zh) | 设计布局的失效风险的智能型预诊断系统及方法 | |
CN111582309B (zh) | 一种生成设计版图坏点检测模型的方法及检测坏点的方法 | |
CN102683165A (zh) | 智能缺陷筛选及取样方法 | |
CN115457350B (zh) | 光学邻近修正的蚀刻模型训练方法及光学邻近修正方法 | |
CN115598934A (zh) | 一种光刻模型构建方法、预测sraf图形曝光成像的方法和程序产品 | |
CN112819799B (zh) | 目标缺陷检测方法及装置、系统、电子设备和存储介质 | |
CN112818632A (zh) | 芯片的图形密度的分析方法、装置及电子设备 | |
CN116822440B (zh) | 一种引脚批量分配方法及系统 | |
CN113269255A (zh) | 用于检测缺陷的方法、设备和计算机可读存储介质 | |
CN111612805B (zh) | 一种掩模边界检测方法、计算机可读存储介质及系统 | |
CN113610801B (zh) | 基于最小单元的缺陷分类方法、装置、设备和存储介质 | |
US8571299B2 (en) | Identifying defects | |
CN115937157A (zh) | 识别晶圆中测试芯片的方法、装置、电子设备及存储介质 | |
CN108053397B (zh) | 一种采用支持向量机检测光刻薄弱点的方法 | |
CN114897797A (zh) | 印刷电路板的缺陷检测方法、装置、设备及存储介质 | |
CN112446895A (zh) | 棋盘格角点自动提取方法、系统、设备及介质 | |
US20190266310A1 (en) | Rule check structures | |
WO2022042034A1 (zh) | 标记坐标确定方法、装置、计算机可读介质及电子设备 | |
TWI402928B (zh) | 智慧型缺陷篩選及取樣方法 | |
CN117950280B (zh) | 建立光学邻近效应修正模型的方法、电子设备和存储介质 | |
CN111429427B (zh) | 检测对象缺陷图案的优先级排序装置、排序方法及存储介质 |
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 |