CN1942757A - 分类装置和分类方法 - Google Patents

分类装置和分类方法 Download PDF

Info

Publication number
CN1942757A
CN1942757A CNA2005800109520A CN200580010952A CN1942757A CN 1942757 A CN1942757 A CN 1942757A CN A2005800109520 A CNA2005800109520 A CN A2005800109520A CN 200580010952 A CN200580010952 A CN 200580010952A CN 1942757 A CN1942757 A CN 1942757A
Authority
CN
China
Prior art keywords
image
classification
sorter
zone
representative
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.)
Granted
Application number
CNA2005800109520A
Other languages
English (en)
Other versions
CN1942757B (zh
Inventor
神田大和
菊地奖
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.)
Olympus Corp
Original Assignee
Olympus Corp
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 Olympus Corp filed Critical Olympus Corp
Publication of CN1942757A publication Critical patent/CN1942757A/zh
Application granted granted Critical
Publication of CN1942757B publication Critical patent/CN1942757B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/47—Scattering, i.e. diffuse reflection
    • G01N21/4788—Diffraction
    • 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
    • G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • G01N21/9501—Semiconductor wafers
    • 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
    • G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • G01N21/956—Inspecting patterns on the surface of objects

Landscapes

  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Immunology (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Pathology (AREA)
  • Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)
  • Liquid Crystal (AREA)

Abstract

本发明提供了分类装置和分类方法。该分类装置具有：区域提取装置(107)，用于从图像提取多个区域；分类装置(108)，用于将所提取的各区域分类成预定类别；和代表性类别判定装置(109)，用于基于图像的各区域的分类结果来判定整个图像的代表性类别。

Description

分类装置和分类方法
技术领域
本发明涉及分类装置和分类方法。
背景技术
目前，存在可用的各种使用对测试物体成像而获得的图像来进行分类的装置。可将这些装置分为以下类型：在经处理的图像中仅有一个待分类目标的类型和在经处理的图像中存在多个待分类目标的类型。作为具体的示例，将考虑用于半导体晶片(wafer)的制造工艺的缺陷分类装置。
在微观检查(其旨在发现非常小的缺陷，如布线图案异常或晶体缺陷)的缺陷分类的情况下，局部地扩大预先检测到的缺陷位置并对其成像，并利用其图像对目标缺陷分类。因此，这种情况与在经处理的图像中仅有一个待分类目标的类型相对应。
另一方面，在如下的宏观检查的缺陷分类的情况下，在图像中会存在多个缺陷，其中所述宏观检查以肉眼的低倍放大对整个晶片的图像成像，以大范围的缺陷(如分辨率不良(resolution failure)、不平整膜、瑕疵和异物)为目标。因此，这种情况与在经处理的图像中存在多个待分类目标的类型相对应。
在后一情况下，对测试物体进行宏观检查的优点在于，可获得在局部检查或分析中未知的结果，并且可以以较高的速度处理相同的范围，因此，宏观检查是一种在各种领域中都有用的方法。
发明人的第2003-168114号日本特开公开了一种关于以半导体晶片等为目标的宏观检查的缺陷分类装置的构造。下面，将参照图18来描述这种缺陷分类的原理。通过对测试物体的整个表面成像而获得的待检查图像800(图18的(A))通常包括解析不良801、不平整度802、瑕疵803等。将这种待检查图像800与质量良好的图像850(图18的(B))进行比较，从而获得差异图像860(图18的(C))。通过使该差异图像860经受例如二值化的处理，获得在其中提取出缺陷区域871至873的缺陷区域提取图像870(图18的(D))。接下来，计算关于所提取的缺陷区域871至873的大小、形状、排列或亮度的特征值(图中的试验性特征值1、2、3、...)，从而获得各区域的特征值信息，如图19的(A)所示。通过利用该信息和图19的(B)中所示的分类表(模糊理论的条件规则(IF-THEN rule))，将缺陷区域871至873分类为预定的缺陷类型(＝类别)。结果，例如，输出以下的分类结果：
缺陷区域871→不平整度(确定因子：0.6)
缺陷区域872→分辨率不良(确定因子：0.9)
缺陷区域873→瑕疵(确定因子：0.8)
发明内容
根据特开2003-168114的装置，单独输出在图像(＝一个晶片)中检测到的缺陷区域的分类结果。然而，当实际上使用该装置时，可能会由于以下原因而希望获得图像(晶片)的代表性结果：
(1)要优选地检查重要的缺陷类型(＝类别)；
(2)要检查分类结果中高可靠性的缺陷类型(＝类别)；和
(3)要检查总的趋势。
还提出了一种对这些问题提供有用方案的分类装置。例如，在日本专利申请特开第2001-225453号中描述的印刷问题检查装置采用了这样的构造，该构造基于图像确定缺陷类型并根据该类型发出警告声音。然而，当检测到两种或更多种缺陷类型时，发出复合缺陷的单独警告。没有输出关于缺陷类型的信息。
已经开发了本发明来解决上述问题，本发明的目的是提供用于分类的装置和方法，其能够根据其中存在多个分类目标的图像输出多个个体目标的分类结果中的分类结果代表。
为了实现该目的，根据本发明的第一特征，一种分类装置包括：区域提取装置，用于从图像提取多个区域；分类装置，用于将所提取的区域分类成预定类别；和代表性类别判定装置，用于基于图像的区域的分类结果来判定整个图像的代表性类别。
根据本发明的第二特征，在第一特征的分类装置中，利用所述图像中各区域的存在比的值、表示各区域的分类结果的可靠性的值和各类别的优先级中的至少一个，来判定所述代表性类别。
根据本发明的第三特征，在第二特征的分类装置中，所述表示区域的所述存在比的值由以下中的至少一个表示：所述图像中的各类别的区域的数量、各类别的总面积、以及当按任意大小将所述图像的内部分成多个部分时各类别的占据部分的数量。
根据本发明的第四特征，在第二或第三特征的分类装置中，基于用于分类的特征值空间的距离来计算所述表示可靠性的值。
根据本发明的第五特征，在第一至第四特征中的任何一个的分类装置中，所述多个分类目标区域是对测试物体的表面进行成像时的缺陷区域。
根据本发明的第六特征，在第五特征的分类装置中，所述优先级是根据所述缺陷区域的关键性而设置的。
根据本发明的第七特征，在第一至第六特征中的任何一个的分类装置中，所述测试物体是半导体晶片或平板显示器基板。
根据本发明的第八特征，在第七特征的分类装置中，所述图像是干涉图像或衍射图像。
根据本发明的第九特征，第一至第八特征中的任何一个的分类装置还包括显示装置，该显示装置用于用所述整个图像的代表性类别来切换各区域的检测到的类别，以显示所述类别。
根据本发明的第十特征，在第九特征的分类装置中，当所述显示装置显示所述类别时一起显示处理目标的图像。
根据本发明的第十一特征，在第十特征的分类装置中，对于各类别，通过针对所提取的区域或所提取的区域的可见轮廓使用不同颜色，来显示所述处理目标的图像。
根据本发明的第十二特征，一种分类方法包括：从图像提取多个区域的步骤；将所提取的区域分类为预定类别的步骤；以及基于所述图像中的区域的分类结果判定整个图像的代表性类别的步骤。
附图说明
图1是示出了根据本发明实施例的缺陷分类装置的构造的图。
图2是示出了缺陷区域提取的第一方法的说明图。
图3是示出了缺陷区域提取的第二方法的说明图。
图4是示出了利用形态学处理(闭合处理)的区域连接处理的示例的图。
图5是示出了成员(membership)函数的示例的图。
图6是基于利用成员函数的分类规则来确定缺陷类型的原理的说明图。
图7是基于k邻元法来确定缺陷类型的原理的说明图。
图8是基于距教导数据(teacher data)分布的代表点的距离来确定缺陷类型的原理的说明图。
图9是示出了各区域的分类结果数据的表。
图10是示出了各缺陷类型的分类结果数据的表。
图11是示出了待检查图像的人工确定结果与基于区域数量的确定结果或基于面积的确定结果之间的差异的说明图。
图12是示出了图11的瑕疵200、不平整度201的占据部分的情况的图。
图13是示出了在各区域分类结果数据的表中选择高可靠性指标值的区域的结果的表。
图14是示出了基于在图13中所选择的区域的各缺陷类型分类结果数据的表。
图15是示出了代表性缺陷类型信息和待检查图像的显示画面的图。
图16是示出了图15的格(slot)03的详细分类结果的显示画面的图。
图17是示出了实施例的缺陷分类装置的处理流程的流程图。
图18是传统的缺陷分类方法的原理的说明图。
图19是示出了针对各缺陷区域和分类规则而计算的特征值的示例的图。
具体实施方式
下面，将参照附图来详细描述本发明的优选实施例。将针对这样的情况进行说明，即，将本发明应用于缺陷分类装置，该缺陷分类装置用于以半导体晶片或平板显示器基板为目标进行的宏观检查的情况。然而，这种情况决不是限制性的，本发明还例如可用于对多种室(cell)进行分类并显示代表性结果的目的。
图1示出了根据本发明实施例的缺陷分类装置的构造。该缺陷分类装置包括：照明器101，用于照亮测试物体112；带通滤波器102，用于限制来自照明器101的照明光的波长；透镜103，用于利用来自测试物体112的反射光来形成图像；CCD摄像机104，用于将形成的测试物体图像转换成电信号；图像输入板105，用于捕获来自CCD摄像机104的作为图像的信号；存储器106，用于存储图像数据和下述各装置的处理；区域提取装置107，用于从图像中提取分类目标的缺陷区域；分类装置108，用于将所提取的缺陷区域分类成预定的缺陷类型(或等级)；代表性类别判定装置109，用于基于区域的分类结果判定整个图像中的代表性类别；显示装置110，用于显示分类结果；以及输入装置111，用于从外部设置上述装置所需的各种设置。由PC 120中的存储器来实现存储器106，由PC120中的CPU来实现区域提取装置107、分类装置108和代表性类别判定装置109，由监视器来实现显示装置110，由键盘等来实现输入装置111。
将描述缺陷分类装置的操作。来自照明器101的光在带通滤波器102处受到波长限制而后被施加到测试物体112。使从测试物体112的表面反射的衍射光(或干涉光)形成图像，并被CCD摄像机104转换成电信号。
获得衍射光(或干涉光)，从而对要由对半导体晶片的宏观检查而发现的缺陷(例如分辨率不良、膜不平整度、瑕疵和异物)进行充分成像。例如，在分辨率不良的位置处，由于表面的非常小的凹/凸图案处发生下陷(sagging)，所以其相对于照明光的衍射角与正常部分的不同。因此，获得衍射光有助于成像。
由于透射型光刻胶材料(transmissive resist material)的厚度的变化，所以通过获得干涉光易于对膜不平整度成像，在所述干涉光中根据光刻胶的厚度获得光量差。由于表面刮痕或物体粘着而引起的瑕疵、异物等是易于通过衍射光和干涉光两者而成像的缺陷。当图像等级(＝与正常部分的对比度的大小)改变时，可分别利用干涉光和衍射光对分辨率不良和膜不平整度成像。
来自CCD摄像机104的电信号通过图像输入板105被数字化，并被捕获到计算存储器106中。这就成为测试物体的待检查图像133(图2的(A))。接下来，区域提取装置107提取所获得的待检查图像133的缺陷区域。
将描述两种方法作为提取方法。根据第一种方法，首先针对待检查图像133设置一阈值，该阈值是良品(nondefective article)级别的亮度等级，然后提取亮度超过该阈值的像素区域作为缺陷提取图像140(图2的(B))。在这种情况下，表示良品级别的亮度范围的阈值可存在于PC 120中，或基于图像的亮度直方图来自适应地判定(参见Tokyo UniversityPublishing出版的、Mikio Takagi、Yoshihisa Shimoda编辑的Image AnalysisHandbook的502页的Binarization)。
根据第二种方法，保持图18的(B)中示出的良品晶片图像850(或图3的(A)中示出的为良品的特定部分的图像150)，将该图像与图3的(A)中示出的待检查图像133(或待检查图像中的对应部分的图像)对齐，在重叠的像素之间获得亮度差，从而创建差异图像160(图3的(B))，通过利用该差异图像160，通过与第一种方法相同的阈值处理来提取缺陷区域。
在提取出缺陷区域之后，由分类装置108对缺陷区域分类。下面将描述分类过程的步骤。
步骤1)计算各提取的缺陷区域的特征值。在半导体晶片中，由于基板图案、切割线等的作用，在区域提取过程中，同一缺陷可能被分开提取。因此，必要时通过形态学处理(参考：Morphology，Hidefumi Obata著，Corona Inc.)等来执行区域连接，然后计算特征值。
图4示出了利用形态学处理(闭合处理)的区域连接处理的示例。通过区域连接处理，图4的(A)中示出的连续的分辨率不良170和不平整度171成为图4的(B)中示出的连接的缺陷区域170-1、171-1。那些关于单个区域的大小、形状、位置、亮度、纹理(texture)以及多个区域的排列结构等的值作为特征值。发明人的第2003-168114号日本专利申请特开中公开了宏观检查的特征值。可根据分类目标改变上面的区域提取方法和特征值计算方法，本发明的内容不受限制。
步骤2)将预定的分类规则应用于计算的特征值，以确定各区域的类别。将描述利用模糊理论的条件规则作为分类规则的示例。在这种情况下，基于人类的知识等，特征值和缺陷类型之间的关系由如下的IF-THEN(如果-那么)形式来表示，并被预置：
(1)IF(面积＝大AND(并且)曝光部分相关性＝小)THEN(可能存在不平整度)
曝光部分相关性是一特征值，其指示在晶片制造中的步进式曝光(stepper exposure)过程中与曝光部分位置的关系。
(2)IF(曝光部分相关性＝大)THEN(分辨率不良的可能性高)
(3)IF(面积＝小AND定向性＝大)THEN(瑕疵的可能性高)
(4)IF(定向性＝大)THEN(可能存在瑕疵)
(5)…
…
由图5示出的成员函数来设置用于该规则的各特征值和实际值的等级的标签“大”和“小”之间的关系，并基于该关系执行干涉以确定各区域的缺陷类型。图5的成员函数的横坐标表示面积，纵坐标表示适合度。适合度是表示预定的特征值与目标等级的匹配程度的值。
图6是利用成员函数基于分类规则来确定缺陷类型的原理的说明图。将考虑利用上面的四个分类规则(1)至(4)对区域X(面积＝ax，曝光部分相关性＝sx，定向性＝dx)进行的缺陷类型的确定。规则(1)是表示不平整度的特征值的规则，相对于面积＝大的成员函数，区域X的面积ax的适合度为0。换言之，这表明面积ax不大。因此，由于区域X与IF子句的条件不匹配，所以排除了区域X不平整的可能性。
将确定性因子定义为通过0至1的数值来表示这种确定结果的可靠性的值，并且根据THEN子句的内容，在针对IF子句的确定性因子和适合度之间设置关系式。
例如，如果THEN子句是“有可能性”，则设置其中确定性因子是0至0.5的线性形式。如果THEN子句是“可能性高”，则设置其中确定性因子是0.5至1.0的线性形式。
结果，对于区域A，按规则(2)，分辨率不良的确定性因子是0.6，按规则(3)、(4)，瑕疵的确定性因子是0.7。使用各特征值的适合度的最小值作为整个IF子句的适合度，以及对于各缺陷类型使用重叠规则的确定性因子仅仅是示例，还可采用其它方法。
最后，将区域X确定为瑕疵(确定性因子：0.7)。可采用这样一种方法，即再次执行计算以实现所有缺陷类型的确定性因子的总和＝1，并将不平整度＝0/(0+0.6+0.7)＝0，分辨率不良＝0.6/(0+0.6+0.7)＝0.46，瑕疵＝0/(0+0.6+0.7)＝0.54设置为最后的确定性因子。
作为利用步骤2的推断的方法之外的方法，将描述利用教导数据(teacher data)的分类方法的步骤2′。
步骤2′)对于所计算的特征值，基于与在特征值空间内的教导数据的关系来确定各区域的缺陷类型。教导数据包含特征值和校正缺陷类型的一组多条信息，并且教导数据是预先准备好的。
图7是通过k邻元法的缺陷确定的原理的说明图，所述k邻元法是利用教导数据的分类方法之一。图7的○、△和□分别指示不平整度、瑕疵和分辨率不良在教导数据的特征值空间中的位置。P表示分类目标区域在特征值空间中的位置。
k邻元法是一种将与目标区域P最接近的k个(示例中为5个[预设的])缺陷中数量最大的缺陷类型设置为目标区域的缺陷类型的方法。在该示例中，设置有3个瑕疵＞2个分辨率不良＞1个不平整度，因为瑕疵的数量最多，所以确定目标区域＝瑕疵。在这种方法的情况下，必须计算在特征空间(N维)中的两个点(xi：教导数据，xj：分类目标)之间的距离。可以使用下面的距离计算方法。
<加权的欧几里德距离>
dij = { &Sigma; l = 1 N w l ( x i l - x j l ) 2 } 1 / 2 - - - ( 1 )
其中，xl i是特征值l(1≤l≤N)的值，wl是特征值l的加权因子(预设的)。
<马氏距离(Mahalanobis distance)>
dij = { &Sigma; l = 1 N &Sigma; m = 1 N ( x i l - x j l ) v lm ( x i m - x j m ) } 1 / 2 - - - ( 2 )
其中，vlm是相同缺陷类型的教导数据的方差-协方差矩阵V的逆矩阵V-1的(l，m)项。该距离是教导数据的各缺陷类型分布的分布方差的效果被归一化的空间中的距离。
<马氏广义距离>
dij = { &Sigma; l = 1 N &Sigma; m = 1 N ( x i l - x j l ) v lm ( x i m - x j m ) } 1 / 2 - - - ( 3 )
其中，vlm是所有教导数据的方差-协方差矩阵V的逆矩阵V-1的(l，m)项。该距离是所有教导数据的分布方差的效果被归一化的距离。
<加权的市区(urban area)距离>
dij = &Sigma; l = 1 N w l | x i l - x j l | - - - ( 4 )
其中，wl是关于特征值l的加权因子(预设的)。
作为k邻元法之外的方法，如图8中所示，存在一种基于距各缺陷类型的教导数据分布的代表点(如，中心)的距离来进行分类的方法。在这种情况下，通过下面的等式来计算代表点的特征值l(1≤l≤N)的值μl，并执行上面的距离计算以将缺陷分类为最短距离的缺陷类型。
&mu; l = 1 n &Sigma; i = 1 n x i l - - - ( 5 )
其中，n是被聚集到代表点(相同缺陷类型)的教导数据的数目。
对于k邻元法和代表点距离比较法两者，随着特征值的数量(维数)的增加，计算负荷加大。因此，可使教导数据经受主成分(main-component)分析，以判定分类所需的特征值计算方法，并可基于所述方法执行特征值削减(reduction)处理来计算距离。
在对缺陷区域进行了分类之后，由代表性类别判定装置109来判定图像的代表性缺陷类型(＝类别)。为了判定代表性缺陷类型，首先获得图像中缺陷区域的分类结果的数据。
图9是示出了各区域分类结果数据的表。在该表中，占据部分的数量是图像的内部被分为任意大小的部分时重叠的缺陷区域的部分的数量。下面将描述利用占据部分的数量的优点。
可靠性指标值是用分类装置108的步骤2的推断执行分类时所确定的确定性因子的值。当使用步骤2′的k邻元法时，在k个邻元之中，设置缺陷类型与目标区域的缺陷类型相同的(多个)教导数据的平均距离。当使用与缺陷类型分布的代表点的距离比较时，根据最短距离的代表点(不必说的是，其为缺陷类型分布与目标区域的确定的缺陷类型相同的代表点)设置距离。当使用确定性因子时，结果的可靠性随着确定性因子的变大而变高。当使用特征值空间的距离时，可靠性随着距离的变小而变高。
此外，基于该结果来获得针对图像中的各缺陷类型的分类结果数据。图10是示出了该分类结果数据的表。在该表中，优先级指的是从分类装置的用户看时缺陷类型的优先级等级，并且优先级是预设的。通常，关键性较高的缺陷类型的优先级较高(在图10中，数值越大，优先级越高)。
将描述基于分类结果数据获得代表性缺陷类型的方法。首先，作为基本操作，备有以下操作：
“区域数量确定”：将图像中具有最大数量区域的缺陷类型设置为代表。例如，缺陷类型A
“总面积确定”：将图像中具有最大总面积的缺陷类型设置为代表。例如，缺陷类型C
“总部分数量确定”：将图像中具有最大数量占据部分的缺陷类型设置为代表。例如，缺陷类型B
“优先级确定”：将图像中具有最高优先级的缺陷类型设置为代表。例如，缺陷类型B
利用输入装置111对这些确定进行排序。例如，当设置了“优先级确定”→“总部分数量确定”→“总面积确定”→“区域数量确定”的顺序时，基于图像中的结果首先通过“优先级确定”来判定代表性缺陷类型。当判定了代表时，该处理完成。当比较元素(优先级)相等时，执行下一确定以作出判定。对于所设置的内容给出要存储的名字，并可在其后由输入装置111选择性地使用所设置的内容。
下面将描述使用占据部分数量的优点。例如，将考虑图11的(A)中示出的图像，在该图像中散布有许多瑕疵200并且局部地存在不平整度201。在这种情况下，人们将瑕疵200视为图像中的代表性缺陷类型。在“区域数量确定”中，由于瑕疵200被确定为代表性缺陷类型，所以获得了正确的确定结果。另一方面，当处理与图11的(B)中示出的图像相似的图像时，虽然人会将不平整度201确定为代表性缺陷类型，但在“区域数量确定”中，即使不平整度201占据了图像的主要部分，也会将瑕疵200确定为代表性缺陷类型。
当使用“区域面积确定”时，针对图11的(B)中的图像，可将不平整度201确定为代表性缺陷类型。然而，针对图11的(A)中的图像，也会将不平整度201确定为代表性缺陷类型，结果与人的判断不同。
因此，当必须吸收这种缺陷类型之间的大小差异时，使用占据部分的数量。图12示出了图11的(A)的瑕疵200和不平整度201的占据部分的情况。一种部分大小是图12的(A)中的半导体晶片的曝光部分的大小，而在图12的(B)中，部分大小是1/4曝光部分的大小。这些可以任意地预设。通过进行基于占据部分的数量的这种对比，将瑕疵确定为图12的(A)的图像的代表性缺陷类型，并将不平整度确定为图12的(B)的图像的代表性缺陷类型。因此，可判定出更自然的代表性缺陷类型。
下面将描述考虑可靠性指标值的方法。当确定集中在分类结果的高可靠性的区域上时，确定更精确。因此，基于图像中的区域的可靠性指标的分布来选择高可靠性的区域，以进行上述各个确定。图13示出了用斜线表示的、对图9的各区域分类结果的表中的高可靠性结果的区域的选择。图14是示出了基于在图13中所选择的区域的各缺陷类型分类结果数据的表。
下面的方法可用于选择高可靠性的区域。首先，考虑二分(bisect)可靠性指标值的阈值Th。在阈值Th在下限值和上限值之间变化的同时，顺序地设置小于Th的指标值的组L以及等于或高于Th的指标值的组U的分离指标E(通过下面的等式(6)获得)。然后，根据所获得的分离指标E的值为最大的Th将可靠性指标值二分，以选择高可靠性的区域。
E = m U - m L &sigma; U + &sigma; L - - - ( 6 )
其中，mx是X组的平均值，σx是X组的标准偏差。
在上面的对可靠性指标值的考虑中，通过利用输入装置111来执行设置。
在已经判定了代表性缺陷类型之后，通过显示装置110来显示代表性缺陷类型(＝类别)的信息。
图15示出了代表性缺陷类型的显示画面的示例。在图15的检查信息显示部分300中，显示了多条针对格(slot)01至25中的每一个的代表性缺陷类型的信息(瑕疵、不平整度、分辨率不良等)。为了使对分类结果和待检查图像之间的对应性的检查更容易，在待检查图像显示部301中显示各格的缩小的待检查图像。
通过利用输入装置111指定其内容要在显示装置110中更详细地进行检查的目标，而显示所指定的目标中各区域的缺陷类型信息。图16示出了在图15的显示画面中指定格03并显示格03的详细分类结果的示例。在这种情况下，当针对多个缺陷类型使用不同颜色来显示异物311、瑕疵312和不平整度313的提取区域或该提取区域的可见轮廓时，可快速检查分类结果。
图17是示出了本实施例的处理流程的流程图。首先，通过CCD摄像机对测试物体成像，以获得待检查图像(步骤S1)。从该待检查图像提取要分类的缺陷区域(步骤S2)。然后，提取所提取的缺陷区域的特征值(步骤S3)，基于所提取的特征值将缺陷区域分类为预定类别(步骤S4)。选择分类结果中高可靠性的区域(步骤S5)。基于各区域的信息(类别、面积和占据部分的数量)计算图像中各类别的存在比(presence ratio)的值(步骤S6)。基于各类别的优先级和各类别的存在比值判定图像的类别代表(步骤S7)。然后，显示图像的类别代表、待检查图像、各区域的类别和缺陷区域的外形(步骤S8)。
产业上的可利用性
根据本发明，可优选地检查图像中单独的重要类别，可快速检查许多测试物体的趋势，并且必要时可详细检查图像中的单个分类结果。

Claims (12)

1、一种分类装置，该装置包括：
区域提取装置，用于从图像中提取多个区域；
分类装置，用于将所提取的区域分类成预定类别；和
代表性类别判定装置，用于基于所述图像的所述区域的分类结果来判定整个图像的代表性类别。
2、根据权利要求1所述的分类装置，其中，利用所述图像中各区域的存在比的值、表示各区域的分类结果的可靠性的值和各类别的优先级中的至少一个，来判定所述代表性类别。
3、根据权利要求2所述的分类装置，其中，所述表示区域的所述存在比的值由以下中的至少一个表示：所述图像中的各类别的区域的数量、各类别的总面积、以及当按任意大小将所述图像的内部分成多个部分时各类别的占据部分的数量。
4、根据权利要求2或3所述的分类装置，其中，基于用于分类的特征值空间的距离来计算所述表示可靠性的值。
5、根据权利要求1至4中任一项所述的分类装置，其中，所述多个分类目标区域是对测试物体的表面进行成像时的缺陷区域。
6、根据权利要求5所述的分类装置，其中，所述优先级是根据所述缺陷区域的关键性而设置的。
7、根据权利要求1至6中任一项所述的分类装置，其中，所述测试物体是半导体晶片或平板显示器基板。
8、根据权利要求7所述的分类装置，其中，所述图像是干涉图像或衍射图像。
9、根据权利要求1至8中任一项所述的分类装置，该装置还包括显示装置，该显示装置用于用所述整个图像的代表性类别来切换各区域的检测到的类别，以显示所述类别。
10、根据权利要求9所述的分类装置，其中，当所述显示装置显示所述类别时一起显示处理目标的图像。
11、根据权利要求10所述的分类装置，其中，对于各类别，通过针对所提取的区域或所提取的区域的可见轮廓使用不同颜色，来显示所述处理目标的图像。
12、一种分类方法，该方法包括：
从图像中提取多个区域的步骤；
将所提取的区域分类为预定类别的步骤；以及
基于所述图像中的区域的分类结果判定整个图像的代表性类别的步骤。
CN2005800109520A 2004-04-14 2005-04-14 分类装置和分类方法 Expired - Fee Related CN1942757B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
JP2004119291A JP4176041B2 (ja) 2004-04-14 2004-04-14 分類装置及び分類方法
JP119291/2004 2004-04-14
PCT/JP2005/007228 WO2005100962A1 (ja) 2004-04-14 2005-04-14 分類装置及び分類方法

Publications (2)

Publication Number Publication Date
CN1942757A true CN1942757A (zh) 2007-04-04
CN1942757B CN1942757B (zh) 2010-11-17

Family

ID=35150112

Family Applications (1)

Application Number Title Priority Date Filing Date
CN2005800109520A Expired - Fee Related CN1942757B (zh) 2004-04-14 2005-04-14 分类装置和分类方法

Country Status (4)

Country Link
US (1) US20070025611A1 (zh)
JP (1) JP4176041B2 (zh)
CN (1) CN1942757B (zh)
WO (1) WO2005100962A1 (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101779213A (zh) * 2007-08-10 2010-07-14 奥林巴斯株式会社 判别装置和判别方法
CN102590221A (zh) * 2012-02-24 2012-07-18 深圳大学 一种偏光片的外观缺陷检测系统及检测方法
CN103383774A (zh) * 2012-05-04 2013-11-06 苏州比特速浪电子科技有限公司 图像处理方法及其设备
CN103502801A (zh) * 2011-04-20 2014-01-08 株式会社日立高新技术 缺陷分类方法以及缺陷分类系统
CN105654625A (zh) * 2014-11-26 2016-06-08 赫伯特坎尼吉塞尔有限公司 将衣物特别是脏衣物分类的方法
CN109946303A (zh) * 2017-12-21 2019-06-28 东友精细化工有限公司 检查装置和方法
CN109975321A (zh) * 2019-03-29 2019-07-05 深圳市派科斯科技有限公司 一种用于fpc的缺陷检测方法和装置
CN110957231A (zh) * 2018-09-26 2020-04-03 长鑫存储技术有限公司 电性失效图形判别装置及判别方法
CN112513926A (zh) * 2018-07-31 2021-03-16 奥林巴斯株式会社 图像解析装置及图像解析方法

Families Citing this family (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007248198A (ja) * 2006-03-15 2007-09-27 Sharp Corp 特性分布の特徴量抽出方法および特性分布の分類方法
JP2010085225A (ja) * 2008-09-30 2010-04-15 Epson Toyocom Corp 圧電振動片ウェハのエッチング欠陥検査方法、及び検査システム
JP5075111B2 (ja) * 2008-12-29 2012-11-14 株式会社日立ハイテクノロジーズ 画像分類基準更新方法、プログラムおよび画像分類装置
GB0909461D0 (en) * 2009-06-02 2009-07-15 Ge Healthcare Uk Ltd Image analysis
JP2011023638A (ja) * 2009-07-17 2011-02-03 Toshiba Corp 検査領域設定方法
KR101830679B1 (ko) * 2010-07-29 2018-02-22 삼성디스플레이 주식회사 표시 패널 검사 장치 및 그 방법
WO2012122467A1 (en) * 2011-03-09 2012-09-13 Rolls-Royce Corporation Intelligent airfoil component surface imaging inspection
JP5581343B2 (ja) * 2012-01-13 2014-08-27 株式会社日立ハイテクノロジーズ 欠陥検査方法およびその装置
CN104303264B (zh) * 2012-03-19 2017-06-09 科磊股份有限公司 用于半导体装置的自动化检验的配方产生的方法、计算机系统及设备
US9513215B2 (en) * 2013-05-30 2016-12-06 Seagate Technology Llc Surface features by azimuthal angle
JP5704520B2 (ja) * 2013-10-17 2015-04-22 セイコーエプソン株式会社 圧電振動片ウェハのエッチング欠陥検査方法、及び検査システム
US10062155B2 (en) * 2013-11-19 2018-08-28 Lg Display Co., Ltd. Apparatus and method for detecting defect of image having periodic pattern
CN104076039B (zh) * 2014-03-28 2017-05-31 合波光电通信科技有限公司 滤光片外观缺陷自动检测方法
JP6623545B2 (ja) * 2015-04-30 2019-12-25 大日本印刷株式会社 検査システム、検査方法、プログラムおよび記憶媒体
JP6031151B2 (ja) * 2015-04-30 2016-11-24 株式会社日立ハイテクノロジーズ 欠陥検査方法及びその装置
JP6689539B2 (ja) * 2016-08-12 2020-04-28 株式会社ディスコ 判定装置
US11977033B2 (en) 2018-05-31 2024-05-07 Panasonic Intellectual Property Management Co., Ltd. Learning device, inspection device, learning method, and inspection method
JP7491427B1 (ja) 2023-03-15 2024-05-28 日本電気株式会社 印刷物検査装置、印刷物検査方法、プログラム
CN117420863B (zh) * 2023-10-30 2024-04-19 上海频准激光科技有限公司 一种增益介质材料隶属函数类型确定方法、设备及介质

Family Cites Families (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH05264240A (ja) * 1992-03-19 1993-10-12 Fujitsu Ltd 外観検査装置
DE69425822T2 (de) * 1993-05-28 2001-04-19 Millennium Venture Holdings Lt Automatisches inspektionsgerät
JP3974946B2 (ja) * 1994-04-08 2007-09-12 オリンパス株式会社 画像分類装置
JP3088063B2 (ja) * 1994-10-25 2000-09-18 富士通株式会社 カラー画像処理方法及びカラー画像処理装置
JPH0918798A (ja) * 1995-07-03 1997-01-17 Sanyo Electric Co Ltd 文字処理機能付き映像表示装置
JPH11328422A (ja) * 1998-03-13 1999-11-30 Matsushita Electric Ind Co Ltd 画像識別装置
JP3522570B2 (ja) * 1999-03-03 2004-04-26 日本電信電話株式会社 画像検索・画像分類連携システム
JP4017285B2 (ja) * 1999-06-02 2007-12-05 松下電器産業株式会社 パターン欠陥検出方法
US6693664B2 (en) * 1999-06-30 2004-02-17 Negevtech Method and system for fast on-line electro-optical detection of wafer defects
JP2001160057A (ja) * 1999-12-03 2001-06-12 Nippon Telegr & Teleph Corp <Ntt> 画像の階層的分類方法、および画像の分類・検索装置、およびこの方法を実行するプログラムを記録した記録媒体
DE10011200A1 (de) * 2000-03-08 2001-09-13 Leica Microsystems Verfahren zur Bewertung von Strukturfehlern auf einer Waferoberfläche
JP3920003B2 (ja) * 2000-04-25 2007-05-30 株式会社ルネサステクノロジ 検査データ処理方法およびその装置
JP3468755B2 (ja) * 2001-03-05 2003-11-17 石川島播磨重工業株式会社 液晶駆動基板の検査装置
JP4516253B2 (ja) * 2001-12-04 2010-08-04 オリンパス株式会社 欠陥分類装置
US7602962B2 (en) * 2003-02-25 2009-10-13 Hitachi High-Technologies Corporation Method of classifying defects using multiple inspection machines

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101779213B (zh) * 2007-08-10 2013-05-08 奥林巴斯株式会社 判别装置和判别方法
CN101779213A (zh) * 2007-08-10 2010-07-14 奥林巴斯株式会社 判别装置和判别方法
CN103502801A (zh) * 2011-04-20 2014-01-08 株式会社日立高新技术 缺陷分类方法以及缺陷分类系统
CN103502801B (zh) * 2011-04-20 2015-09-16 株式会社日立高新技术 缺陷分类方法以及缺陷分类系统
CN102590221A (zh) * 2012-02-24 2012-07-18 深圳大学 一种偏光片的外观缺陷检测系统及检测方法
CN103383774B (zh) * 2012-05-04 2018-07-06 苏州比特速浪电子科技有限公司 图像处理方法及其设备
CN103383774A (zh) * 2012-05-04 2013-11-06 苏州比特速浪电子科技有限公司 图像处理方法及其设备
CN105654625A (zh) * 2014-11-26 2016-06-08 赫伯特坎尼吉塞尔有限公司 将衣物特别是脏衣物分类的方法
CN105654625B (zh) * 2014-11-26 2020-03-31 赫伯特坎尼吉塞尔有限公司 将衣物特别是脏衣物分类的方法
CN109946303A (zh) * 2017-12-21 2019-06-28 东友精细化工有限公司 检查装置和方法
CN112513926A (zh) * 2018-07-31 2021-03-16 奥林巴斯株式会社 图像解析装置及图像解析方法
CN110957231A (zh) * 2018-09-26 2020-04-03 长鑫存储技术有限公司 电性失效图形判别装置及判别方法
CN110957231B (zh) * 2018-09-26 2022-03-11 长鑫存储技术有限公司 电性失效图形判别装置及判别方法
CN109975321A (zh) * 2019-03-29 2019-07-05 深圳市派科斯科技有限公司 一种用于fpc的缺陷检测方法和装置

Also Published As

Publication number Publication date
US20070025611A1 (en) 2007-02-01
CN1942757B (zh) 2010-11-17
JP4176041B2 (ja) 2008-11-05
WO2005100962A1 (ja) 2005-10-27
JP2005301823A (ja) 2005-10-27

Similar Documents

Publication Publication Date Title
CN1942757A (zh) 分类装置和分类方法
CN110658198B (zh) 光学检测方法、光学检测装置及光学检测系统
US20230116908A1 (en) Automated system and method for clarity measurements and clarity grading
US7236623B2 (en) Analyte recognition for urinalysis diagnostic system
JP2017049974A (ja) 識別器生成装置、良否判定方法、およびプログラム
US7720275B2 (en) Method and apparatus for detecting pattern defects
US6947586B2 (en) Multi-neural net imaging apparatus and method
CN1058644C (zh) 检测半透明物体表面特征的方法和装置
CN109829895A (zh) 一种基于gan的aoi缺陷检测方法
CN111415329A (zh) 一种基于深度学习的工件表面缺陷检测方法
CN109919908A (zh) 发光二极管芯片缺陷检测的方法和装置
JP2011058940A (ja) 外観検査装置、外観検査方法
CN111667455A (zh) 一种刷具多种缺陷的ai检测方法
Kukkonen et al. Color features for quality control in ceramic tile industry
CN116091505B (zh) 一种蓝宝石衬底自动缺陷检测分类的方法和系统
CN1573800A (zh) 图像识别装置和方法以及图像识别装置的示教装置和方法
CN109115775A (zh) 一种基于机器视觉的槟榔等级检测方法
CN114841957A (zh) 一种基于深度学习的钢板表面缺陷检测方法
CN1523352A (zh) 织物平整度等级客观评定方法
Huang et al. HEp-2 cell images classification based on textural and statistic features using self-organizing map
TWI798650B (zh) 自動光學檢測方法、自動光學檢測系統及記錄媒體
Gwee et al. Optimization of lighting parameters to improve visibility of impurities in edible bird’s nest
JP2840347B2 (ja) 基板実装検査装置
Mansano et al. Inspection of metallic surfaces using local binary patterns
Ghazanfari et al. Machine vision grading of pistachio nuts using

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant
C17 Cessation of patent right
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20101117

Termination date: 20140414