CN115546215B - 用于晶体管线宽的测量结果的评估方法、设备和介质 - Google Patents
用于晶体管线宽的测量结果的评估方法、设备和介质 Download PDFInfo
- Publication number
- CN115546215B CN115546215B CN202211525591.5A CN202211525591A CN115546215B CN 115546215 B CN115546215 B CN 115546215B CN 202211525591 A CN202211525591 A CN 202211525591A CN 115546215 B CN115546215 B CN 115546215B
- Authority
- CN
- China
- Prior art keywords
- points
- evaluation
- determining
- pixel
- marker
- 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.)
- Active
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
- 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
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
- G06T2207/30—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)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
根据本公开的示例实施例提供了用于晶体管线宽的测量结果的评估方法、设备和介质。在该方法中,在针对目标对象的拍摄影像中确定多个标记点。这些标记点分别对应于目标对象的测量信号。然后,基于多个标记点的位置来对多个标记点分组,并且确定目标对象在拍摄影像中所呈现的轮廓。进一步地,基于分组的数目、以及多个标记点与轮廓之间的距离来评估基于测量信号确定的测量结果。以此方式,可以实现以自动化的方式快速且准确地评估测量结果。
Description
技术领域
本公开的实施例主要涉及数据处理领域,并且更具体地,涉及用于晶体管线宽的测量结果的评估方法、设备和介质。
背景技术
在集成电路(Integrated Circuit,IC)制造中,通常需要对经过每一道工艺的晶圆进行定量测量,以保证工艺的关键物理参数(例如,膜厚、线宽、掺杂浓度等)满足工艺指标。针对线宽,现有光刻工艺的测量设备(例如,线宽扫描电子显微镜)在扫描晶圆时会在一定范围内通过测量点来获取线宽。
具体地,可以根据电子显微镜影像亮度的强弱产生测量信号,然后基于这些测量信号利用诸如阈值法、线性近似等的方法来计算线宽。但是,以此方式确定的线宽可能会存在测量不准的情况,进而影响制程优化。因此,如何高效地评估线宽测量结果成为亟待解决的问题。
发明内容
在本公开的第一方面中,提供了一种用于晶体管线宽的测量结果的评估方法。该方法包括:在针对目标对象的拍摄影像中确定多个标记点,多个标记点分别对应于目标对象的测量信号;基于多个标记点的位置,对多个标记点分组;从拍摄影像中去除多个标记点,以获得与目标对象相关联的参考影像;基于参考影像,提取目标对象在拍摄影像中所呈现的轮廓;以及基于分组的数目、以及多个标记点与轮廓之间的距离,评估基于测量信号确定的测量结果。
在本公开的第二方面中,提供了一种电子设备。该电子设备包括处理器、以及与处理器耦合的存储器。该存储器具有存储于其中的指令,指令在被处理器执行时使电子设备执行根据本公开的第一方面的用于晶体管线宽的测量结果的评估方法。
在本公开的第三方面中,提供了一种计算机可读存储介质。该计算机可读存储介质上存储有计算机程序。计算机程序在被处理器执行时实现根据本公开的第一方面的用于晶体管线宽的测量结果的评估方法。
根据本公开的实施例从拍摄影像中提取标记点、对标记点进行分组并获取目标对象在拍摄影像中的轮廓,进而通过考虑分组结果和标记点与轮廓之间的距离来对测量结果进行评估。以此方式,一方面,可以自动化地评估测量结果,从而摆脱对人工核查的依赖,进而显著减少评估所需时间和人力;另一方面,基于分组结果和标记点与轮廓之间的距离,可以定量地衡量测量结果,从而避免人工核查过程中由于主观因素所导致的错误判定。因此,可以提高评估结果的准确性。
应当理解,本发明内容部分中所描述的内容并非旨在限定本公开的实施例的关键特征或重要特征,也不用于限制本公开的范围。本公开的其他特征将通过以下的描述而变得容易理解。
附图说明
结合附图并参考以下详细说明,本公开各实施例的上述和其他特征、优点及方面将变得更加明显。在附图中,相同或相似的附图标注表示相同或相似的元素,其中:
图1示出了本公开的各实施例能够在其中实现的示例环境的示意图;
图2示出了根据本公开的一些实施例的用于评估测量结果的方法的流程图;
图3示出了根据本公开的一些实施例的利用线宽扫描电子显微镜获得的拍摄影像;
图4示出了根据本公开的一些实施例的待确定的标记点;
图5示出了根据本公开的一些实施例的从图3所示的拍摄影像中提取的标记点图像;
图6示出了根据本公开的另一些实施例的待确定的标记点;
图7示出了根据本公开的一些实施例的对标记点进行分组的方法的流程图;
图8A示出了根据本公开的一些实施例的标记点图像;
图8B示出了根据本公开的一些实施例的针对图8A中所示的标记点图像的分组结果;
图9示出了根据本公开的一些实施例的从图3所示的拍摄影像中提取的目标对象的轮廓;以及
图10示出了其中可以实施本公开的一个或多个实施例的电子设备/服务器的框图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例,相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
在本公开的实施例的描述中,术语“包括”及其类似用语应当理解为开放性包含,即“包括但不限于”。术语“基于”应当理解为“至少部分地基于”。术语“一个实施例”或“该实施例”应当理解为“至少一个实施例”。术语“第一”、“第二”等等可以指代不同的或相同的对象。下文还可能包括其他明确的和隐含的定义。
如上文所述,借助于诸如线宽扫描电子显微镜等的设备测量得到的线宽可能会存在测量不准的情况。目前已有的评估方式主要依赖于人工来核查电子显微镜影像以判断线宽测量结果是否准确。但是,该人工核查过程往往会耗费大量的时间与人力。此外,由于对线宽测量结果的判断还会受到不同人员的经验影响,因此还可能会额外引入人工核查的错误判定。这些都会影响对线宽测量结果评估的准确性,不利于半导体制程的优化。
为此,本公开的实施例提出了一种用于自动化地评估测量结果的方法。本发明实施例中,从针对目标对象的拍摄影像中确定多个标记点,这些标记点分别对应于目标对象的测量信号。进而基于这些标记点的位置来对标记点分组。进一步地,确定目标对象在拍摄影像中所呈现的轮廓,并且基于分组的数目以及标记点与轮廓之间的距离来评估基于测量信号确定的测量结果。
通过下文描述将会更清楚地理解,根据本公开的实施例,自动化地从拍摄影像中提取标记点、对标记点进行分组并获取目标对象在拍摄影像中的轮廓,进而通过考虑分组结果和标记点与轮廓之间的距离来对测量结果进行评估。以此方式,一方面,可以自动化地评估测量结果,从而摆脱对人工核查的依赖,进而显著减少评估所需时间和人力;另一方面,基于分组结果和标记点与轮廓之间的距离,可以定量地衡量测量结果,从而避免人工核查过程中由于主观因素所导致的错误判定,因此可以提高评估结果的准确性。因此,根据本公开的实施例的方案可以快速且准确地评估测量结果,这有利于半导体制程的优化。
以下将参考附图来详细描述该方案的各种示例实现。
首先参见图1,其示出了本公开的各实施例能够在其中实现的示例环境100的示意图。示例环境100总体上可以包括电子设备120。在一些实施例中,电子设备120可以是诸如个人计算机、工作站、服务器等具有计算功能的设备。本公开的范围在此方面不受限制。
电子设备120获取针对目标对象的拍摄影像110作为输入。目标对象可以是集成电路或其他任何合适类型的电子元件中的部件。目标对象的示例包括但不限于集成电路中的金属线或电子器件(诸如晶体管)。在一些实施例中,拍摄影像110可以是利用线宽扫描电子显微镜针对目标对象拍摄得到的。应当理解的是,还可以借助于任何其他合适的设备,例如其他类型的显微镜来获得针对目标对象的拍摄影像110。本公开的范围在此方面不受限制。
在一些实施例中,拍摄影像110可以由用户输入到电子设备120。在一些实施例中,拍摄影像110可以已经预先被存储在电子设备120中。在一些实施例中,电子设备120还可以通信地耦连到其他设备,以从其他设备获取拍摄影像110。本公开的范围在此方面不受限制。
电子设备120自动化地从拍摄影像110中提取与测量信号相对应的标记点,对标记点进行分组并获取目标对象在拍摄影像110中的轮廓。进一步地,电子设备120通过考虑分组结果和标记点与轮廓之间的距离来对测量结果进行评估,以获得的评估结果130。这将在下文中结合图2至图9进一步详细描述。
图2示出了根据本公开的一些实施例的用于评估测量结果的方法200的流程图。在一些实施例中,方法200可以由如图1所示的电子设备120执行。应当理解的是,方法200还可以包括未示出的附加框和/或可以省略所示出的某个(或者某些)框,本公开的范围在此方面不受限制。
在框202,电子设备120在针对目标对象的拍摄影像110中确定多个标记点。多个标记点分别对应于目标对象的测量信号。在一些实施例中,目标对象可以是晶体管,并且测量信号可以是用于测量晶体管中栅极的宽度。图3示出了根据本公开的一些实施例的利用线宽扫描电子显微镜获得的拍摄影像300。图3中所示的拍摄影像300可以是图1中所示的拍摄影像110的一个示例。
如图3中所示,拍摄影像300呈现了目标对象的轮廓310。拍摄影像300中的虚线302和304用于示出针对线宽测量的感兴趣区域(Region of Interest,ROI)。换言之,线宽扫描电子显微镜基于目标对象在虚线302和304之间的部分来确定针对目标对象的尺寸(在图3的示例中为晶体管中栅极的宽度)。拍摄影像300中在虚线302和304之间的虚线框320和虚线框322内的“十”字形亮点是对应于测量信号的标记点。为了便于说明的目的,在下文中参考图3进行描述。然而,应当理解的是,目标对象还可以是其他任何合适的对象,例如连接线,并且测量信号还可以是用于测量目标对象的尺寸的其他任何合适的信号,本公开的范围在此方面不受限制。
在一些实施例中,电子设备120可以基于拍摄影像110中标记点的亮度特征来确定多个标记点。亮度特征与标记点所包括的一个或多个像素的像素值有关。为了确定这些标记点,电子设备120可以通过各种方式来将亮度特征纳入考虑。
在一些实施例中,针对待确定的标记点,电子设备120可以获取该待确定的标记点的预设位置处的第一数量像素的亮度值,并且在所获取的亮度值之和不小于第一预设阈值的情况下将待确定的标记点确定为多个标记点之一。参考图4,其示出了根据本公开的一些实施例的待确定的标记点400。在图4的示例中,待确定的标记点400呈十字形。电子设备120可以获取由虚线框410所指示的预设位置处的9个像素的亮度值,本发明实施例中,选择预设位置处是具有代表性的,能够通过预设位置处的选择反映了待确定的标记点整体情况或者是具有代表性的位置情况。电子设备120可以计算这9个像素的亮度值之和。如果亮度值之和不小于预设阈值,则电子设备120可以将该待确定的标记点400确定为标记点。备选地,电子设备120还可以在所获取的亮度值均不小于预设阈值的情况下将待确定的标记点确定为多个标记点之一。
在图4的示例中,电子设备120可以将这9个像素的亮度值分别与预设阈值进行比较。如果这9个像素的亮度值均大于该预设阈值,则电子设备120可以将该待确定的标记点400确定为标记点。电子设备120可以遍历拍摄影像110中的感兴趣区域以从中提取出所有的标记点。通过这种方式,可以基于亮度特征来高效且自动化地从拍摄影像中提取标记点。图5示出了根据本公开的一些实施例的从图3所示的拍摄影像300中所提取的标记点图像500。
在另一些实施例中,电子设备120可以针对待确定的标记点来获取其预设位置处的第二数量像素的亮度值。参考图6,其示出了根据本公开的另一些实施例的待确定的标记点600。在图6的示例中,待确定的标记点600呈正方形。电子设备120可以获取由虚线框610所指示的预设位置处的25个像素的亮度值。电子设备120可以计算这些像素的亮度值的均值和方差,并且在其均值不小于第二预设阈值并且其方差不小于第三预设阈值的情况下,将该待确定的标记点600确定为标记点。
需要说明的是,通过预设位置处像素点的均值大小能够反映该待确定的标记点的预设位置处的整体亮度,预设位置可以是均匀或非均匀的分布在待确定的标记点上,非均匀的情况可以根据实际情况需要选择需要特殊关注的区域。此外,通过对方差的评估能够反映预设位置处的像素点亮度是否均匀,以防出现较大亮度偏差的情况。
通过这种方式,可以高效且自动化地从拍摄影像中提取标记点。应当理解的是,在图4和图6中示出的标记点的形状和相应的预设位置仅是示例性的,本公开的范围在此方面不受限制。
在一些实施例中,电子设备120还可以基于神经网络模型对拍摄影像110中的标记点进行识别,并且根据识别结果确定拍摄影像110中的多个标记点。该神经网络模型可以是经训练的。在训练过程中,可以向待训练的神经网络模型输入训练样本。该训练样本包括训练影像和训练影像中的预先确定的真实标记点。进一步地,可以利用待训练的神经网络模型预测训练影像中的标记点,并且基于真实标记点与所预测的标记点之间的距离来确定损失函数的值。通过多轮训练来最小化损失函数的值,以确定神经网络模型的参数值。进而,电子设备120可以使用经训练的神经网络模型来识别拍摄影像110中的标记点。借助于经训练的神经网络模型,可以自动化地从拍摄影像中更为准确地提取标记点。神经网络模型可以由其他电子设备训练得到,并提供给电子设备120使用。
在上文中描述了从拍摄影像110中提取标记点的多个示例方式。应当理解的是,电子设备120还可以通过其他任何合适的方式来提取标记点,本公开的范围在此方面不受限制。
返回参考图2,在框204,电子设备120基于多个标记点的位置来对多个标记点分组。总体而言,位置越靠近的标记点,越倾向于被分成同一组。在对标记点进行分组时,可以以任何合适的方式考虑标记点的位置。例如,在一些实施例中,可以应用聚类算法,基于多个标记点的位置对多个标记点进行聚类。在聚类结果中属于同一个簇的标记点被确定为属于同一分组。
在又一些实施例中,电子设备120可以对所确定的标记点进行连通区域分析,以确定多个连通区域,其中每个连通区域包括相连的一组标记点。所确定的多个连通区域可以作为对多个标记点的初始分组。进一步地,电子设备120可以基于多个连通区域之间的距离和距离阈值来至少合并多个连通区域中的第一连通区域和第二连通区域。更具体地,电子设备120可以确定第一连通区域中的标记点与除第一连通区域之外的其他连通区域中的标记点之间的最小距离是否小于距离阈值。如果确定第一连通区域中的标记点与第二连通区域中的标记点之间的最小距离小于该距离阈值,电子设备120可以合并第一连通区域和第二连通区域,即电子设备120可以将第一连通区域中的标记点和第二连通区域中的标记点合并成一个组,以作为新的连通区域。
然后,电子设备120可以基于合并后的连通区域更新多个连通区域,并且基于更新后的多个连通区域来确定针对多个标记点的目标分组。借助于连通区域分析并附加地通过考虑距离阈值来对所确定的连通区域进行合并,可以更加准确地对标记点进行分组,从而确保后续所获得的评估结果130的准确性。
以上描述了基于连通区域分析对标记点进行分组的总体过程。下面参考图7来描述对标记点进行分组的一个示例性过程。图7示出了根据本公开的一些实施例的对标记点进行分组的方法700的流程图。例如,方法700可以作为如图2所示的框204的一种示例实现。在一些实施例中,方法700可以由如图1所示的电子设备120执行。应当理解的是,方法700还可以包括未示出的附加框和/或可以省略所示出的某个(或者某些)框,本公开的范围在此方面不受限制。
在框710,电子设备120可以对所确定的标记点进行连通区域分析。为了便于说明的目的,参考图8A进行描述,其示出了根据本公开的一些实施例的标记点图像800。图8A中的标记点图像800包括12个标记点810-1至810-12(在下文中单独或统一地被称为标记点810)。需要指出的是,为了清楚起见,在图8A中以十字形的形式示出了标记点810,其中每个标记点810均可以由多个像素(未示出)构成。
电子设备120例如可以基于两个标记点810之间的相对位置来判断这两个标记点810是否相连。两个标记点相连可以是指这两个标记点具有重叠的部分或这两个标记点紧邻。例如,电子设备120可以确定标记点810-1与标记点810-2相连,但标记点810-1与标记点810-4不相连。电子设备120可以针对标记点图像800中每两个标记点810执行该判断,并且根据判断结果将相连的一组标记点810确定为一个连通区域。在图8A的示例中,12个标记点810被划分为5个连通区域820-1至820-5(在下文中单独或统一地被称为连通区域820),其中标记点810-1、810-2和810-3构成连通区域820-1,标记点810-4单独构成连通区域820-2,标记点810-5和810-6构成连通区域820-3,标记点810-7、810-8、810-9和810-10构成连通区域820-4,并且标记点810-11和810-12构成连通区域820-5。应当理解的是,电子设备120还可以通过其他任何合适的方式,例如两次遍历法(Two-Pass)或种子填充法(Seed-Filling),来执行连通区域分析,本公开的范围在此方面不受限制。
在框720,电子设备120可以确定当前连通区域的数目n。在图8A的示例中,当前连通区域的数目n为5。在框730,电子设备120可以依次确定每个连通区域中的标记点810与除相应连通区域之外的其他连通区域中的标记点810之间的最小距离。在一个示例中,电子设备120可以将每个标记点810的中心像素点的位置坐标作为该标记点810的位置坐标,并且基于该位置坐标来计算各个标记点810之间的距离。在又一个示例中,电子设备120可以分别计算一个标记点810中的每个像素点与另一标记点810中的每个像素点之间的距离,并且将两个标记点810中距离最近的一对像素之间的距离作为这两个标记点810之间的距离。在图8A的示例中,连通区域820-1与连通区域820-2之间的最小距离对应于标记点810-3与810-4之间的距离。
在框740,电子设备120判断该最小距离是否小于距离阈值。在一些实施例中,距离阈值可以预先确定。示例性地,可以基于已有的目标对象的尺寸的预测值或数量级,来确定该距离阈值。示例性地而非限制性地,如果对线宽的预测值在10纳米至12纳米的范围内,则距离阈值可以被确定为2纳米。
如果在框740处确定该最小距离小于距离阈值,则方法700前进至框760,电子设备120可以将该连通区域与最近的连通区域合并。在图8A的示例中,电子设备120可以将连通区域820-1与连通区域820-2合并,换言之,电子设备120可以将连通区域820-1中的标记点与连通区域820-2中的标记点合并成一组,作为一个新的连通区域820-6。在框770,电子设备120判断当前连通区域的数目n0是否等于在框720处确定的数目n。如果在框770处确定n0不等于n,则方法返回到框720,电子设备120重新确定当前连通区域的数目n。此时,由于连通区域820-1与连通区域820-2被合并为连通区域820-6,因此当前连通区域的数目n为4。电子设备120可以以与上文描述类似的方式继续执行方法700的后续步骤,本公开在此不再赘述。如果在框770处确定n0等于n,则分组过程结束,电子设备120可以将当前的一个或多个连通区域820确定为对标记点810的目标分组。
如果在框740处确定该最小距离不小于距离阈值,则方法700前进至框750,电子设备120可以确定是否已经分析完所有连通区域820。如果在框750处确定没有分析完所有连通区域820,则方法700返回至框730,电子设备120继续分析下一个连通区域中的标记点与其他连通区域中的标记点之间的最小距离。电子设备120可以以与上文描述类似的方式继续执行方法700的后续步骤,本公开在此不再赘述。如果在框750处确定已经分析完所有连通区域820,则方法700前进至框770,电子设备120以与上文所述相同的方式执行框770处的判断,本公开在此不再赘述。
图8B示出了根据本公开的一些实施例的针对图8A中所示的标记点图像800的分组结果802。如图8B中所示,12个标记点810被划分为2个组830-1和830-2。其中第一组830-1包括相对接近的6个标记点810-1至810-6,并且第二组830-2包括相对接近的6个标记点810-7至810-12。
应当理解的是,上文结合图7、图8A和图8B描述了对标记点进行分组的一种示例性方式。电子设备120还可以以其他任何合适的方式来对标记点进行分组,本公开的范围在此方面不受限制。
返回参考图2,在框206,电子设备120确定目标对象在拍摄影像110中所呈现的轮廓。需要指出的是,在本公开的上下文中,目标对象的轮廓可以是指目标对象中与所测量的尺寸对应的部分的轮廓。在一些实施例中,电子设备120可以从拍摄影像110中去除多个标记点,以获得与目标对象相关联的参考影像。同时参考图3和图5,由于电子设备120从图3所示的拍摄影像300中去除了图5所示的标记点,因此所获得的参考影像会丢失在原始的拍摄影像300中与被去除的标记点对应位置的像素信息。因此,需要对参考影像进行像素信息补偿。
在一些实施例中,针对参考影像中与任一标记点相对应的第一像素,电子设备120可以基于参考影像中与第一像素邻近的至少一个第二像素的像素值来确定该第一像素的像素值。在一个示例中,电子设备120可以通过考虑该第一像素左侧的像素、该第一像素左上角的像素、以及该第一像素上方的像素来确定第一像素的像素值。更具体地,第一像素的像素值可以基于以下公式(1)而被确定:
v(x, y) = 0.33×(v(x-1, y) + v(x-1, y-1) + v(x, y-1)) (1)
其中x表示第一像素的横坐标,y表示第一像素的纵坐标,v( )表示像素的像素值。因此,v(x, y)表示第一像素的像素值,v(x-1, y)表示该第一像素左侧像素的像素值,v(x-1,y-1)表示该第一像素左上角的像素点的像素值,并且v(x, y-1)表示该第一像素上方像素的像素值。以此方式,可以相对准确地预测所丢失的像素点的像素值,进而确保所获得的参考影像的质量。
在又一个示例中,电子设备120可以通过考虑该第一像素左侧的像素、该第一像素上方的像素、以及该第一像素右上角的像素来确定第一像素的像素值。更具体地,第一像素的像素值可以基于以下公式(2)而被确定:
v(x, y) = 0.33×(v(x-1, y) + v(x, y-1) + v(x+1, y-1)) (2)
其中x表示第一像素的横坐标,y表示第一像素的纵坐标,v( )表示像素的像素值。因此,v(x, y)表示第一像素的像素值,v(x-1, y)表示该第一像素左侧像素的像素值,v(x,y-1)表示该第一像素上方像素的像素值,并且v(x+1,y-1)表示该第一像素右上角的像素点的像素值。应当理解的是,电子设备120还可以通过其他任何合适的方式,例如通过考虑其他位置处的像素点的像素值来进行像素信息补偿,本公开的范围在此方面不受限制。
在确定第一像素的像素值之后,电子设备120可以使用所确定的像素值来填充参考影像中的第一像素,以更新参考影像。电子设备120可以遍历所有标记点以完成对参考影像的像素信息补偿。进一步地,电子设备120可以从更新后的参考影像中提取目标对象的轮廓。作为示例,电子设备120可以使用掏空内部点法来提取轮廓。更具体地,电子设备120可以将经更新的参考影像执行二值化,并且遍历二值化后的图像中的每个像素:如果该像素为黑,且与该像素相邻的8个像素均为黑,则将该像素置白。以此方式,可以高效且自动化地提取目标对象的轮廓。图9示出了根据本公开的一些实施例的从图3所示的拍摄影像300中提取的目标对象的轮廓900。应当理解的是,电子设备120还可以通过其他任何合适的方式,例如边界跟踪法、区域增长法或区域分裂合并法来提取目标对象的轮廓,本公开的范围在此方面不受限制。
在另一些实施例中,电子设备120也可以使用预设的默认像素值来对参考图像进行补偿。在又一些实施例中,电子设备120也可以不对参考图像进行补偿,直接从中提取目标对象的轮廓。应当理解的是,电子设备120还可以以其他任何合适的方式来基于参考影像提取目标对象的轮廓,本公开的范围在此方面不受限制。
返回参考图2,在框208,电子设备120基于分组的数目以及多个标记点与轮廓之间的距离来评估基于测量信号确定的测量结果。在一些实施例中,电子设备120可以确定与多个标记点相对应的多个评估距离。每个评估距离指示相应标记点与轮廓之间的距离。在一个示例中,针对每个标记点,电子设备120可以确定该标记点与目标对应的轮廓上的各个像素之间的距离,并且将其中最小的距离确定为与该标记点相对应的评估距离。在又一个示例中,针对每个标记点,电子设备120可以确定该标记点与目标对应的轮廓上的各个像素之间的距离,并且将其中最小的多个距离(例如,最小的5个距离)的平均值确定为与该标记点相对应的评估距离。
进一步地,电子设备120可以计算所确定的多个评估距离之间的离散程度。在一个示例中,离散程度可以由多个评估距离中的最大评估距离来表示。在另一个示例中,离散程度可以由多个评估距离的平均值来表示。在再一个示例中,离散程度由多个评估距离的标准差或方差来表示。通过该离散程度可以反映测量信号所对应的标记点对目标对象的轮廓的贴合程度。
电子设备120可以基于所确定的离散程度和分组的数目来评估测量结果。
在一些实施例中,电子设备120可以基于离散程度来确定与评估相对应的评估结果130的第一分量,其中该第一分量与离散程度负相关。由于离散程度可以反映测量信号所对应的标记点对目标对象的轮廓的贴合程度。因此离散程度越小,即标记点越贴合目标对象的轮廓,则测量结果越准确。
进一步地,电子设备120可以基于分组的数目与预定数目来确定评估结果130的第二分量。发明人经过研究发现,针对标记点的最终分组数目等于2的测量结果比最终分组数目不等于2的测量结果具有更高的准确度。因此,可以将分组数目与2进行比较来对测量结果进行评估。电子设备120可以通过组合第一分量和第二分量来获得评估结果130。在一个示例中,电子设备120可以基于如下所示的式子(3)来确定针对测量结果的评估结果130:
其中S表示评估结果,D表示多个评估距离的离散程度,N表示分组的数目,并且C1和C2是大于0的常数。例如,C1可以等于100,并且C2可以等于50。应当理解的是,C1和C2还可以是其他任何合适的数值,本公开的范围在此方面不受限制。
在另一个示例中,电子设备120可以基于如下所示的式子(4)来确定针对测量结果的评估结果130:
其中S表示评估结果,D表示多个评估距离的离散程度,N表示分组的数目,并且B1和B2是大于0的常数。例如,B1可以等于2,并且B2可以等于100。应当理解的是,B1和B2还可以是其他任何合适的数值,本公开的范围在此方面不受限制。
在上述的式子(3)和式子(4)中,评估结果S越大则测量结果越准确。在一个示例中,在评估结果S大于预设阈值的情况下,电子设备120可以确定测量结果准确。通过这种方式,可以定量地衡量测量结果,从而避免人工核查过程中由于主观因素所导致的错误判定,因此可以有利地提高评估结果130的准确性。
通过以上结合图1至图9的描述可以看到,在根据本公开的各实施例的用于评估测量结果的方法中,从拍摄影像中提取标记点、对标记点进行分组并获取目标对象在拍摄影像中的轮廓,进而通过考虑分组结果和标记点与轮廓之间的距离来对测量结果进行评估。以此方式,一方面,可以自动化地评估测量结果,从而摆脱对人工核查的依赖,进而显著减少评估所需时间和人力;另一方面,基于分组结果和标记点与轮廓之间的距离,可以定量地衡量测量结果,从而避免人工核查过程中由于主观因素所导致的错误判定,因此可以有利地提高评估结果的准确性。因此,根据本公开的实施例的方案可以实现以自动化的方式快速且准确地评估测量结果,这有利于半导体制程的优化。
在上文中已经参考图1至图9详细描述了根据本公开的方法的示例实现,在下文中将参考图10描述相应的设备的实现。
图10示出了其中可以实施本公开的一个或多个实施例的电子设备/服务器1000的框图。该电子设备/服务器1000例如可以用于实现如图1所示的电子设备120。应当理解,图10所示出的电子设备/服务器1000仅仅是示例性的,而不应当构成对本文所描述的实施例的功能和范围的任何限制。
如图10所示,电子设备/服务器1000是通用电子设备的形式。电子设备/服务器1000的组件可以包括但不限于一个或多个处理器或处理单元1010、存储器1020、存储设备1030、一个或多个通信单元1040、一个或多个输入设备1050以及一个或多个输出设备1060。处理单元1010可以是实际或虚拟处理器并且能够根据存储器1020中存储的程序来执行各种处理。在多处理器系统中,多个处理单元并行执行计算机可执行指令,以提高电子设备/服务器1000的并行处理能力。
电子设备/服务器1000通常包括多个计算机存储介质。这样的介质可以是电子设备/服务器1000可访问的任何可以获得的介质,包括但不限于易失性和非易失性介质、可拆卸和不可拆卸介质。存储器1020可以是易失性存储器(例如寄存器、高速缓存、随机访问存储器(RAM))、非易失性存储器(例如,只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、闪存)或它们的某种组合。存储设备1030可以是可拆卸或不可拆卸的介质,并且可以包括机器可读介质,诸如闪存驱动、磁盘或者任何其他介质,其可以能够用于存储信息和/或数据(例如用于训练的训练数据)并且可以在电子设备/服务器1000内被访问。
电子设备/服务器1000可以进一步包括另外的可拆卸/不可拆卸、易失性/非易失性存储介质。尽管未在图10中示出,可以提供用于从可拆卸、非易失性磁盘(例如“软盘”)进行读取或写入的磁盘驱动和用于从可拆卸、非易失性光盘进行读取或写入的光盘驱动。在这些情况中,每个驱动可以由一个或多个数据介质接口被连接至总线(未示出)。存储器1020可以包括计算机程序产品1025,其具有一个或多个程序模块,这些程序模块被配置为执行本公开的各种实施例的各种方法或动作。
通信单元1040实现通过通信介质与其他电子设备进行通信。附加地,电子设备/服务器1000的组件的功能可以以单个计算集群或多个计算机器来实现,这些计算机器能够通过通信连接进行通信。因此,电子设备/服务器1000可以使用与一个或多个其他服务器、网络个人计算机(PC)或者另一个网络节点的逻辑连接来在联网环境中进行操作。
输入设备1050可以是一个或多个输入设备,例如鼠标、键盘、追踪球等。输出设备1060可以是一个或多个输出设备,例如显示器、扬声器、打印机等。电子设备/服务器1000还可以根据需要通过通信单元1040与一个或多个外部设备(未示出)进行通信,外部设备诸如存储设备、显示设备等,与一个或多个使得用户与电子设备/服务器1000交互的设备进行通信,或者与使得电子设备/服务器1000与一个或多个其他电子设备通信的任何设备(例如,网卡、调制解调器等)进行通信。这样的通信可以经由输入/输出(I/O)接口(未示出)来执行。
根据本公开的示例性实现方式,提供了一种计算机可读存储介质,其上存储有一条或多条计算机指令,其中一条或多条计算机指令被处理器执行以实现上文描述的方法。
这里参照根据本公开实现的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解,流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合,都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理单元,从而生产出一种机器,使得这些指令在通过计算机或其他可编程数据处理装置的处理单元执行时,产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中,这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作,从而,存储有指令的计算机可读介质则包括一个制造品,其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其他可编程数据处理装置、或其他设备上,使得在计算机、其他可编程数据处理装置或其他设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机、其他可编程数据处理装置、或其他设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实现的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分,模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本公开的各实现,上述说明是示例性的,并非穷尽性的,并且也不限于所公开的各实现。在不偏离所说明的各实现的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实现的原理、实际应用或对市场中的技术的改进,或者使本技术领域的其他普通技术人员能理解本文公开的各实现。
Claims (18)
1.一种用于晶体管线宽的测量结果的评估方法,其特征在于,包括:
在针对目标对象的拍摄影像中确定多个标记点,所述多个标记点分别对应于所述目标对象的测量信号;
基于所述多个标记点的位置,对所述多个标记点分组;
从所述拍摄影像中去除所述多个标记点,以获得与所述目标对象相关联的参考影像;
基于所述参考影像,提取所述目标对象在所述拍摄影像中所呈现的轮廓;以及
基于所述分组的数目、以及所述多个标记点与所述轮廓之间的距离,评估基于所述测量信号确定的测量结果。
2.根据权利要求1所述的用于晶体管线宽的测量结果的评估方法,其特征在于,在针对目标对象的拍摄影像中确定多个标记点包括:
基于所述拍摄影像中标记点的亮度特征,确定所述多个标记点。
3. 根据权利要求2所述的用于晶体管线宽的测量结果的评估方法,其特征在于,基于所述拍摄影像中标记点的亮度特征确定所述多个标记点包括:
针对待确定的标记点,获取其预设位置处的第一数量像素的亮度值;以及
在所获取的亮度值之和不小于第一预设阈值的情况下,确定所述待确定的标记点为所述多个标记点之一。
4.根据权利要求2所述的用于晶体管线宽的测量结果的评估方法,其特征在于,基于所述拍摄影像中标记点的亮度特征确定所述多个标记点包括:
针对待确定的标记点,获取其预设位置处的第二数量像素的亮度值;
确定所述第二数量像素的亮度值的均值;
确定所述第二数量像素的亮度值的方差;以及
在所述均值不小于第二预设阈值,且所述方差不小于第三预设阈值的情况下,确定所述待确定的标记点为所述多个标记点之一。
5.根据权利要求1所述的用于晶体管线宽的测量结果的评估方法,其特征在于,在针对目标对象的拍摄影像中确定多个标记点包括:
基于神经网络模型对所述拍摄影像中的标记点进行识别,根据识别结果确定所述拍摄影像中的所述多个标记点,
其中所述神经网络模型的训练过程包括:
向待训练的所述神经网络模型输入训练样本,所述训练样本包括训练影像和所述训练影像中的真实标记点;
利用待训练的神经网络模型预测所述训练影像中的标记点;
基于所述真实标记点与所预测的标记点之间的距离,确定损失函数的值;以及
通过最小化所述损失函数的值,确定所述神经网络模型的参数值。
6.根据权利要求1所述的用于晶体管线宽的测量结果的评估方法,其特征在于,基于所述多个标记点的位置对所述多个标记点分组包括:
基于所述多个标记点之间的相对位置,确定多个连通区域,每个连通区域包括所述多个标记点中相连的一组标记点;
基于所述多个连通区域之间的距离和距离阈值,至少合并第一连通区域和第二连通区域,所述第一连通区域和所述第二连通区域均属于所述多个连通区域;
基于合并后的连通区域更新所述多个连通区域;以及
基于更新后的所述多个连通区域,确定针对所述多个标记点的目标分组。
7. 根据权利要求6所述的用于晶体管线宽的测量结果的评估方法,其特征在于,基于所述多个连通区域之间的距离和距离阈值至少合并第一连通区域和第二连通区域包括:
确定第一连通区域中的标记点与其他连通区域中的标记点之间的最小距离是否小于距离阈值,所述其他连通区域为所述多个连通区域中除所述第一连通区域以外的连通区域,并且所述其他连通区域包括所述第二连通区域;以及
响应于确定所述第二连通区域的所述最小距离小于所述距离阈值,合并所述第一连通区域和所述第二连通区域。
8. 根据权利要求1所述的用于晶体管线宽的测量结果的评估方法,其特征在于,基于所述参考影像提取所述目标对象在所述拍摄影像中所呈现的轮廓包括:
针对所述参考影像中与任一标记点相对应的第一像素:基于所述参考影像中与所述第一像素邻近的至少一个第二像素的像素值,确定所述第一像素的像素值,并且使用所确定的所述像素值来填充所述参考影像中的所述第一像素,以更新所述参考影像;以及
从更新后的所述参考影像中提取所述轮廓。
9.根据权利要求8所述的用于晶体管线宽的测量结果的评估方法,其特征在于,所述第一像素的像素值基于以下公式而被确定:
v(x, y) = 0.33×(v(x-1, y) + v(x-1, y-1) + v(x, y-1)),
其中x表示所述第一像素的横坐标,y表示所述第一像素的纵坐标,v( )表示像素的像素值。
10. 根据权利要求1至9中任一项所述的用于晶体管线宽的测量结果的评估方法,其特征在于,基于所述分组的数目以及所述多个标记点与所述轮廓之间的距离评估基于所述测量信号确定的测量结果包括:
确定与所述多个标记点相对应的多个评估距离,每个评估距离指示相应标记点与所述轮廓之间的距离;以及
基于所述多个评估距离的离散程度和所述分组的数目来评估所述测量结果。
11.根据权利要求10所述的用于晶体管线宽的测量结果的评估方法,其特征在于,所述离散程度由所述多个评估距离中的最大评估距离来表示。
12.根据权利要求10所述的用于晶体管线宽的测量结果的评估方法,其特征在于,所述离散程度由所述多个评估距离的平均值来表示。
13.根据权利要求10所述的用于晶体管线宽的测量结果的评估方法,其特征在于,所述离散程度由所述多个评估距离的标准差或方差来表示。
14.根据权利要求10所述的用于晶体管线宽的测量结果的评估方法,其特征在于,基于所述多个评估距离的离散程度和所述分组的数目来评估所述测量结果包括:
基于所述离散程度,确定与所述评估相对应的评估结果的第一分量,所述第一分量与所述离散程度负相关;
基于所述分组的数目与预定数目,确定所述评估结果的第二分量;以及
组合所述第一分量和所述第二分量,以获得所述评估结果。
15.根据权利要求14所述的用于晶体管线宽的测量结果的评估方法,其特征在于,组合所述第一分量和所述第二分量以获得所述评估结果包括:
在所述第一分量与所述第二分量之和大于第四预设阈值的情况下,确定所述测量结果准确。
16.根据权利要求1所述的用于晶体管线宽的测量结果的评估方法,其特征在于,所述目标对象是晶体管,并且所述测量信号用于测量所述晶体管中栅极的宽度。
17. 一种电子设备,其特征在于,包括:
处理器;以及
存储器,与所述处理器耦合,所述存储器具有存储于其中的指令,所述指令在被处理器执行时使所述电子设备执行根据权利要求1至16中任一项所述的用于晶体管线宽的测量结果的评估方法。
18.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序在被处理器执行时实现根据权利要求1至16中任一项所述的用于晶体管线宽的测量结果的评估方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211525591.5A CN115546215B (zh) | 2022-12-01 | 2022-12-01 | 用于晶体管线宽的测量结果的评估方法、设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211525591.5A CN115546215B (zh) | 2022-12-01 | 2022-12-01 | 用于晶体管线宽的测量结果的评估方法、设备和介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115546215A CN115546215A (zh) | 2022-12-30 |
CN115546215B true CN115546215B (zh) | 2023-03-14 |
Family
ID=84722113
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211525591.5A Active CN115546215B (zh) | 2022-12-01 | 2022-12-01 | 用于晶体管线宽的测量结果的评估方法、设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115546215B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6108089A (en) * | 1995-10-11 | 2000-08-22 | Nikon Corporation | Position detecting apparatus and method for projection exposure apparatus |
CN102591158A (zh) * | 2012-02-21 | 2012-07-18 | 西安中为光电科技有限公司 | 一种精确测量wee宽度的方法 |
CN104658942A (zh) * | 2015-03-13 | 2015-05-27 | 合肥京东方光电科技有限公司 | 关键尺寸测量设备的光源亮度调整系统和方法 |
CN109425298A (zh) * | 2017-08-31 | 2019-03-05 | 上海微电子装备(集团)股份有限公司 | 线宽测量装置及方法 |
CN112396635A (zh) * | 2020-11-30 | 2021-02-23 | 深圳职业技术学院 | 一种基于多设备的复杂环境下多目标检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114608494B (zh) * | 2022-03-30 | 2023-01-06 | 华中科技大学 | 一种纳米结构三维形貌小角x射线散射测量方法及装置 |
-
2022
- 2022-12-01 CN CN202211525591.5A patent/CN115546215B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6108089A (en) * | 1995-10-11 | 2000-08-22 | Nikon Corporation | Position detecting apparatus and method for projection exposure apparatus |
CN102591158A (zh) * | 2012-02-21 | 2012-07-18 | 西安中为光电科技有限公司 | 一种精确测量wee宽度的方法 |
CN104658942A (zh) * | 2015-03-13 | 2015-05-27 | 合肥京东方光电科技有限公司 | 关键尺寸测量设备的光源亮度调整系统和方法 |
CN109425298A (zh) * | 2017-08-31 | 2019-03-05 | 上海微电子装备(集团)股份有限公司 | 线宽测量装置及方法 |
CN112396635A (zh) * | 2020-11-30 | 2021-02-23 | 深圳职业技术学院 | 一种基于多设备的复杂环境下多目标检测方法 |
Non-Patent Citations (2)
Title |
---|
紫外纳米线宽测量系统及线宽边缘的准确评估;周奇;《中国优秀硕士学位论文(电子期刊)》;20190630;第1-9页 * |
计量型紫外显微镜微纳米线宽测量技术的研究_;尹传祥等;《计量学报》;20151130;第1-4页 * |
Also Published As
Publication number | Publication date |
---|---|
CN115546215A (zh) | 2022-12-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109558620B (zh) | 产生检查方案的方法和其系统 | |
CN113850749B (zh) | 训练缺陷侦测器的方法 | |
CN110211185B (zh) | 在一组候选点内识别校准图案的特征点的方法 | |
US10545490B2 (en) | Method of inspecting a specimen and system thereof | |
CN111507055A (zh) | 电路设计版图和电镜扫描图像的配准方法及系统、电路设计版图和其成像误差计算方法 | |
CN115690670A (zh) | 一种晶圆瑕疵智能识别方法和系统 | |
CN114742789B (zh) | 一种基于面结构光的通用零件拾取方法、系统及电子设备 | |
CN111179261A (zh) | 缺陷检测方法、系统、终端设备及存储介质 | |
CN117094975A (zh) | 钢铁表面缺陷检测方法、装置及电子设备 | |
CN118115496B (zh) | 晶圆缺陷检测方法及装置 | |
CN105354816B (zh) | 一种电子元件定位方法及装置 | |
CN113658125B (zh) | 用于评估版图热点的方法、设备和存储介质 | |
CN113744252A (zh) | 用于标记和检测缺陷的方法、设备、存储介质和程序产品 | |
CN115546215B (zh) | 用于晶体管线宽的测量结果的评估方法、设备和介质 | |
JP3431567B2 (ja) | 欠陥検査装置及び検査方法 | |
CN114937037B (zh) | 产品缺陷检测方法、装置、设备及可读存储介质 | |
CN115423765A (zh) | 一种基于模板图像的晶粒缺陷量化分割方法 | |
CN114897797A (zh) | 印刷电路板的缺陷检测方法、装置、设备及存储介质 | |
CN114511522A (zh) | 一种荧光免疫法、胶体金法试剂自动判定方法 | |
CN110874837B (zh) | 一种基于局部特征分布的缺陷自动检测方法 | |
CN113658095A (zh) | 用于手工仪器绘图的工程图样评阅识别处理方法及装置 | |
CN111768357A (zh) | 一种图像检测的方法及装置 | |
CN112541910B (zh) | 基于深度学习的端面间隙检测方法、装置、设备及介质 | |
CN117152235A (zh) | 一种点样体积计算方法、系统、存储介质和电子设备 | |
CN118625590A (zh) | 扫描电子显微镜图像与设计版图的对齐方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |