FR2681947A1 - Procede de classification automatique de defauts sur des micro-circuits. - Google Patents
Procede de classification automatique de defauts sur des micro-circuits. Download PDFInfo
- Publication number
- FR2681947A1 FR2681947A1 FR9112052A FR9112052A FR2681947A1 FR 2681947 A1 FR2681947 A1 FR 2681947A1 FR 9112052 A FR9112052 A FR 9112052A FR 9112052 A FR9112052 A FR 9112052A FR 2681947 A1 FR2681947 A1 FR 2681947A1
- Authority
- FR
- France
- Prior art keywords
- anomaly
- class
- photometric
- parameters
- defects
- 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
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
- G06T7/0006—Industrial image inspection using a design-rule based approach
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/28—Testing of electronic circuits, e.g. by signal tracer
- G01R31/302—Contactless testing
- G01R31/308—Contactless testing using non-ionising electromagnetic radiation, e.g. optical radiation
-
- 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)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Electromagnetism (AREA)
- Toxicology (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Theoretical Computer Science (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
Le procédé permet l'identification automatique de défauts dans une zone déterminée d'un micro-circuit. Pour cela on forme, d'une zone déterminée à vérifier, une image constituée d'une matrice de pixels affectés chacun d'au moins un nombre représentif d'une valeur photométrique du pixel, telle que la brillance moyenne ou niveau de gris; on compare les paramètres photométriques des pixels de la zone avec des valeurs de référence respectives pour détecter les anomalies; on calcule automatiquement plusieurs paramètres prédéterminés représentatifs au moins de l'étendue spatiale, de la forme et de l'aspect photométrique de l'anomalie; après avoir, au cours d'une phase initiale, défini plusieurs classes de défauts, chacune par un jeu de coefficients de pondération, on calcule plusieurs sommes pondérées desdits paramètres représentatifs, pour tous les jeux de coefficients de pondération; et on affecte le défaut à la classe pour laquelle la somme est la plus élevée.
Description
PROCEDE DE CLASSIFICATION AUTOMATIQUE DE DEFAUTS SUR DES
MICRO-CIRCUITS
La présente invention concerne de façon générale l'inspection des micro-circuits, dans un état final ou intermédiaire de fabrication, en vue d'identifier les défauts répétitifs ou accidentels par comparaison entre des zones du micro-circuit et soit des zones correspondantes d'un micro-circuit exempt de défaut et qui devrait en principe lui être identique, soit avec des indications mémorisées sous forme numérique.
MICRO-CIRCUITS
La présente invention concerne de façon générale l'inspection des micro-circuits, dans un état final ou intermédiaire de fabrication, en vue d'identifier les défauts répétitifs ou accidentels par comparaison entre des zones du micro-circuit et soit des zones correspondantes d'un micro-circuit exempt de défaut et qui devrait en principe lui être identique, soit avec des indications mémorisées sous forme numérique.
On connaît déjà de nombreux procédés et dispositifs d'inspection de micro-circuits. On pourra notamment se reporter, pour avoir la description d'un dispositif qu'on peut considérer comme représentatif, au brevet US 4 559 603 (Tokyo Shibaura Denki KK). Un tel dispositif comporte, en règle générale, une table permettant de fixer avec une grande précision la position du micro-circuit par rapport à une optique de formation image et de mesurer les déplacements du micro-circuit dans son plan. L'optique est associée à une caméra matricielle fournissant l'image d'une zone du micro-circuit sous forme d'une matrice de pixels.
Enfin le signal de sortie de la caméra est soit exploité en lignes par un processeur, soit mémorisé pour traitements hors lignes, soit transféré à distance par un réseau de communication. Les micro-circuits étant très sensibles à la pollution, le dispositif est en règle générale muni d'un système robotique évitant toute intervention manuelle.
A titre de dispositif capable d'effectuer toutes les opérations ci-dessus, on peut notamment citer la machine vendue sous le nom "ALARM" par la société demanderesse, dont les caractéristiques optiques et mécaniques essentielles sont données dans le document WO 90/06 489 (correspondant à la demande FR 88/15 902) auquel on pourra se reporter.
Ce document décrit notamment des moyens de traitement du signal fournis par une caméra permettant de déterminer la largeur d'une ligne de micro-circuit ayant une dimension submicronique et le degré de recouvrement entre deux couches, ayant le même ordre de grandeur.
Il est important, pour réduire le taux des rebuts, d'aller au-delà de la simple détection des défauts et d'identifier la nature de ces défauts, ce qui permet de déceler également leur origine et de réagir sur le procédé de fabrication. On a déjà proposé des procédés d'inspection de circuits avec classification automatique des défauts.
Généralement la classification s'effectue par un arbre de décision, chaque décision s' effectuant en logique binaire.
On trouvera une description d'un tel procédé dans l'article de Dralla et autres "Automatic Classification of defects in
Semi-conductor devices", SPIE, Vol. 1261, (1990) pp173-182.
Semi-conductor devices", SPIE, Vol. 1261, (1990) pp173-182.
Malheureusement cette approche est peu fiable et conduit à un taux d'erreurs élevé ou à une absence d'affectation à une classe de nombreuses anomalies de l'image.
La présente invention vise à fournir un procédé et un dispositif d'identification automatique de défauts de micro-circuits, par classification, répondant mieux que ceux antérieurement connus aux exigences de la pratique, notamment en ce qu'ils permettent une meilleure discrimination.
Dans ce but, l'invention propose notamment un procédé d'identification automatique de défauts dans une zone déterminée d'un micro-circuit suivant lequel, successivement et de façon automatique : on forme, d'une zone déterminée à vérifier, une image constituée d'une matrice de pixels affectés chacun d'au moins un nombre représentif d'une valeur photométrique du pixel, telle que la brillance moyenne ou niveau de gris ; on compare les paramètres photométriques des pixels de la zone avec des valeurs de référence respectives pour détecter les anomalies ; on calcule automatiquement plusieurs paramètres prédéterminés représentatifs au moins de l'étendue spatiale, de la forme et de l'aspect photométrique de l'anomalie ; après avoir, au cours d'une phase initiale, défini plusieurs classes de défauts, chacune par un jeu de coefficients de pondération, on calcule plusieurs sommes pondérées desdits paramètres représentatifs, pour tous les jeux de coefficients de pondération ; et on affecte le défaut à la classe pour laquelle la somme est la plus élevée.
On utilise ainsi une logique de classification qu'on peut qualifier de douce ou de non-classique, par opposition à la décision dure que donne une logique binaire classique.
On voit que la mise en oeuvre du procédé implique dans la pratique une phase préliminaire d'apprentissage, puis une phase d'inspection et d'identification de défauts.
La phase préliminaire constitue un apprentissage l'utilisateur du procédé va définir la tâche à effectuer par indication de zones à inspecter sur le micro-circuit, de zones de référence et de la méthode de traitement à utiliser. L'utilisateur mémorisera également les types de défauts à identifier et donnera les coefficients de pondération correspondants, certains coefficients de pondération pouvant être nuls car certains des paramètres représentatifs calculés ne sont pas appropriés à l'identification de certains défauts.
L'invention propose également un dispositif permettant de mettre en oeuvre le procédé ci-dessus défini, comprenant, en plus de sous-ensembles mécanique et optoélectronique qui peuvent être du genre décrit dans le document WO 90/06 489, un processeur permettant de déterminer les paramètres représentatifs, de calculer les sommes pondérées et de les comparer entre elles.
Comme tous les procédés d'identification par classification, celui qui est décrit ci-dessus utilise un calcul de probabilités ne donnant pas de certitude absolue.
Pour éviter des affectations erronées, on peut vérifier que la somme pondérée la plus élevée est supérieure à une valeur minimale prédéterminée. Si la somme est trop faible, le défaut peut être considéré comme non identifié. Par ailleurs, plusieurs sommes pondérées peuvent avoir des valeurs très proches et la sélection de la classe définitive parmi plusieurs peut alors être faite par l'utilisateur.
L'invention sera mieux comprise à la lecture de la description qui suit d'un mode particulier de réalisation de l'invention, donné à titre d'exemple non limitatif. La description se réfère aux dessins qui l'accompagnent, dans lesquels
- la figure 1 est un schéma de principe montrant les constituants principaux d'un dispositif permettant de mettre en oeuvre l'invention ;
- la figure 2 montre deux zones correspondantes d'un micro-circuit de référence (à gauche) et d'un microcircuit à contrôler (à droite)
- la figure 3 montre, à grande échelle, une représentation d'un défaut, destinée à montrer des exemples de paramètres représentatifs ; et
- la figure 4 montre un exemple de variation de niveau de gris le long d'une ligne de pixels traversant un défaut sombre sur fond clair (ligne en tirets) comparée à la variation en cas d'absence de défaut (courbe en trait plein).
- la figure 1 est un schéma de principe montrant les constituants principaux d'un dispositif permettant de mettre en oeuvre l'invention ;
- la figure 2 montre deux zones correspondantes d'un micro-circuit de référence (à gauche) et d'un microcircuit à contrôler (à droite)
- la figure 3 montre, à grande échelle, une représentation d'un défaut, destinée à montrer des exemples de paramètres représentatifs ; et
- la figure 4 montre un exemple de variation de niveau de gris le long d'une ligne de pixels traversant un défaut sombre sur fond clair (ligne en tirets) comparée à la variation en cas d'absence de défaut (courbe en trait plein).
Le dispositif dont la constitution de principe est montré en figure 1 peut être regardé comme comprenant un mécanisme 10 de déplacement d'une tranche de semiconducteur 12 portant des micro-circuits suivant deux directions orthogonales x et y. A ce mécanisme, qui peut être constitué par une table à mouvements croisés, est associé un module de déplacement suivant les directions x et y et de mesure de position.
Un système opto-électronique permet de former, sur un détecteur matriciel 16 qui peut être une caméra CCD, l'image d'une zone à inspecter d'un micro-circuit porté par la tranche 12. Ce détecteur matriciel est associé à des moyens de numérisation et de mémorisation, permettant de représenter chaque pixel de l'image de la zone par au moins une valeur photométrique, telle que la réflectivité. Il est souvent préférable de mesurer la valeur photométrique pour plusieurs lumières de longueur d'onde différente, ce qui permet de caractériser également les anomalies éventuelles du point de vue spectral.
Dans le cas illustré sur la figure 1, les caractéristiques de la même zone sur un micro-circuit exempt de défaut sont stockées dans une mémoire 20. Un processeur 22 permet, par comparaison entre les caractéristiques de pixels correspondants, de déterminer les anomalies éventuelles. Les caractéristiques idéales peuvent être introduites dans la mémoire 20 par exemple à l'aide d'une entrée informatique banalisée (clavier 24 par exemple) ou par des mesures préliminaires effectuées sur un micro-circuit dépourvu de défaut. Enfin, un processeur 26 permet de calculer des paramètres représentatifs de l'étendue spatiale (longueur L et largeur 1, surface S), de la forme, de l'aspect photométrique et éventuellement d'autres caractéristiques de chaque anomalie 30 relevée par comparaison, puis d'affecter les anomalies à des classes de défaut, et de les mémoriser dans un fichier et/ou de les afficher, par exemple sur un moniteur 28 qui peut également être utilisé pour fournir une image de la zone observée.
Avant de décrire en détail un procédé conforme à l'invention, on définira un certain nombre des termes qui seront utilisés par la suite.
On désignera par
- niveau de gris, la valeur photométrique, telle que la brillance ou la réflectance moyenne, d'un pixel de l'image numérisée et mémorisée en 18 ;
- dynamique d de l'image dans une zone ou un défaut, la différence entre la valeur maximale et la valeur minimale du niveau de gris des pixels de cette zone ou du défaut
- transformation préliminaire, toute transformation effectuée automatiquement au cours du procédé et permettant, à partir des niveaux de gris des pixels et d'une comparaison, d'obtenir un paramètre participant à l'identification d'un défaut (par exemple la surface S d'un défaut 30 constitué par le nombre de pixels concernés, et le taux de remplissage x, rapport entre S et le produit Lxl de la longueur et de la largeur du rectangle circonscrit)
- critères d'analyse, le jeu ou ensemble de paramètres représentatifs d'une anomalie intervenant dans le calcul de probabilité permettant la classification (surface
S, taux de remplissage T, ...), un critère étant dit "défini" lorsque les valeurs types des paramètres ont été définies
- empreinte, la probabilité conditionnelle qu'un défaut satisfasse un critère préalablement défini
- dans une classe de défauts, un critère d'analyse défini indique l'empreinte, c'est-à-dire la probabilité de la présence d'une caractéristique donnée dans le défaut
- classe, une catégorie de défauts répondant à un critère d'analyse préalablement défini ; par exemple on peut considérer comme des classes les court-circuits, les présences de poussières, les nuisances n'ayant pas d'incidence sur les fonctionnalités électriques, etc...
- niveau de gris, la valeur photométrique, telle que la brillance ou la réflectance moyenne, d'un pixel de l'image numérisée et mémorisée en 18 ;
- dynamique d de l'image dans une zone ou un défaut, la différence entre la valeur maximale et la valeur minimale du niveau de gris des pixels de cette zone ou du défaut
- transformation préliminaire, toute transformation effectuée automatiquement au cours du procédé et permettant, à partir des niveaux de gris des pixels et d'une comparaison, d'obtenir un paramètre participant à l'identification d'un défaut (par exemple la surface S d'un défaut 30 constitué par le nombre de pixels concernés, et le taux de remplissage x, rapport entre S et le produit Lxl de la longueur et de la largeur du rectangle circonscrit)
- critères d'analyse, le jeu ou ensemble de paramètres représentatifs d'une anomalie intervenant dans le calcul de probabilité permettant la classification (surface
S, taux de remplissage T, ...), un critère étant dit "défini" lorsque les valeurs types des paramètres ont été définies
- empreinte, la probabilité conditionnelle qu'un défaut satisfasse un critère préalablement défini
- dans une classe de défauts, un critère d'analyse défini indique l'empreinte, c'est-à-dire la probabilité de la présence d'une caractéristique donnée dans le défaut
- classe, une catégorie de défauts répondant à un critère d'analyse préalablement défini ; par exemple on peut considérer comme des classes les court-circuits, les présences de poussières, les nuisances n'ayant pas d'incidence sur les fonctionnalités électriques, etc...
- jugement d'opérateur, l'affectation par un opérateur à une classe désignée par un symbole quelconque tel qu'un nombre d'un type de défaut pendant une phase d'inspection, à la suite d'un premier examen.
La mise en oeuvre de l'invention implique que toute anomalie soit d'abord décelée, puis décrite par des données suffisantes pour la définir.
En général, il faut au surplus définir préalablement les zones dans lesquelles sont susceptibles de se trouver des défauts et la zone correspondante de référence, ou zone modèle.
Les zones à inspecter sont indiquées par l'utilisateur au début d'une phase d'apprentissage dont il sera fait mention plus loin. Lors de l'inspection d'un micro-circuit, un processus préalable d'alignement, du genre déjà décrit dans les documents mentionnés plus haut, permet de faire correspondre chaque zone à vérifier du micro-circuit courant à la zone de référence appropriée. De plus, l'utilisateur peut indiquer des zones d'un micro-circuit de référence représentatives pour un type de surface donné (substrat, oxyde, nitrure, métallisation, etc...). Le niveau de gris moyen dans ces zones est mesuré de façon à constituer une référence. En effet la réflectivité et d'autres caractéristiques peuvent changer d'un micro-circuit à un autre et il est utile d'effectuer une mesure comparative permettant d'effectuer une correction sur les valeurs photométriques brutes des pixels, permettant une comparaison fiable entre pixels de l'image du micro-circuit à inspecter et l'image du micro-circuit de référence.
Les données de description d'un circuit portent, comme déjà indiqué, sur son aspect géométrique et sur son aspect photométrique.
Les données concernant son aspect géométrique peuvent notamment être la position de 11 anomalie dans l'image, qui donne une première indication sur la nature des défauts susceptibles d'être rencontrés, la longueur L et la largeur 1 du défaut, la surface S du défaut : toutes ces données peuvent être obtenues par comparaison et comptage, c'est-àdire par un pré-traitement.
Les données de nature photométrique peuvent notamment être les suivantes.
- Le niveau de gris du pixel de l'image modèle et celui de l'image comportant le défaut, dans la zone de l'anomalie où la différence de valeur photométrique entre l'image contenant l'anomalie et l'image de référence est la plus grande.
- La dynamique de l'image contenant l'anomalie dans la zone de l'anomalie, définie comme la différence d entre la valeur maximale et la valeur minimale (figure 4) et celle de l'image modèle.
Ces données peuvent être collectées pour une ou plusieurs longueurs d'onde, dont les valeurs constituent également des données caractéristiques.
Une fois l'inspection d'une zone achevée et le prétraitement des données de mesure effectué, la probabilité d'appartenance d'une anomalie donnée à l'une des classes de défaut identifié chacun par un critère d'analyse peut être calculée.
La probabilité P d'appartenance d'une anomalie a à une classe de défaut c peut être écrite sous la forme
où
A(i,c) est le facteur de pondération pour le critère d'analyse i et la classe c,
Ptr est l'empreinte du critère i pour l'anomalie a, ctest-à-dire la valeur qu'a le critère i dans la zone de l'anomalie,
N est un facteur de normalisation égal au nombre de critères pris en considération pour l'affectation possible à la classe c.
où
A(i,c) est le facteur de pondération pour le critère d'analyse i et la classe c,
Ptr est l'empreinte du critère i pour l'anomalie a, ctest-à-dire la valeur qu'a le critère i dans la zone de l'anomalie,
N est un facteur de normalisation égal au nombre de critères pris en considération pour l'affectation possible à la classe c.
En effectuant ce même calcul avec tous les jeux de facteurs de pondération, chaque jeu correspondant à une classe prédéfinie, on obtient des probabilités P d'appartenance de l'anomalie à une classe de défaut. Les probabilités sont ensuite rangées par ordre décroissant. Eventuellement après vérification que la probabilité la plus élevée dépasse un seuil prédéterminé et que la différence entre les probabilités calculées et significatives, on affecte l'anomalie à une classe de défaut.
On décrira maintenant les phases successives du procédé permettant dans la pratique d'arriver à la classification qui vient d'être définie.
La classification implique une première phase d'apprentissage, qui elle-même peut être considérée comme comprenant une phase de préparation au cours de laquelle l'utilisateur défini la tache à accomplir, qui peut dépendre de la nature du circuit et de l'état d'avancement de sa fabrication et une définition des critères d'identification, puis une phase d'exploitation.
Phase d'apprentissage
Au cours de la phase de définition, l'utilisateur définit les zones à inspecter pour détecter les défauts, destinées à permettre au dispositif de se positionner par rapport au micro-circuit et de relever les paramètres significatifs.
Au cours de la phase de définition, l'utilisateur définit les zones à inspecter pour détecter les défauts, destinées à permettre au dispositif de se positionner par rapport au micro-circuit et de relever les paramètres significatifs.
Les informations mémorisées au cours de cette première étape sont par exemples
- la définition de la tranche par ses caractéristiques géométriques et de tracé et emplacements à inspecter,
- analyses à effectuer, susceptibles d'être différentes suivant la zone (substrat, couche d'oxyde, motif...),
- définition de sites d'alignement éventuels,
- définition des conditions optiques d'inspection et de mesure des facteurs de correction,
- définition de paramètres d'analyse tels que des seuils, un filtrage spatial, etc...
- la définition de la tranche par ses caractéristiques géométriques et de tracé et emplacements à inspecter,
- analyses à effectuer, susceptibles d'être différentes suivant la zone (substrat, couche d'oxyde, motif...),
- définition de sites d'alignement éventuels,
- définition des conditions optiques d'inspection et de mesure des facteurs de correction,
- définition de paramètres d'analyse tels que des seuils, un filtrage spatial, etc...
Au cours de la définition des critères d'identification de défaut, l'utilisateur définit la liste des classes de défaut et la correspondance entre ces classes et les critères d'analyse, tels notamment que les facteurs de pondération et les empreintes à prendre en considération.
Au cours de cette seconde partie de l'apprentissage, l'utilisateur peut vérifier la validité des critères qu'il a retenus en essayant la classification qu'il a choisie sur des défauts révélés par une inspection visuelle et affecter en utilisant les critères qu'il a retenus. On peut ainsi, par une série d'essais sucessifs, trouver le jeu de paramètres qui identifie le mieux une classe de défaut donnée.
Phase d'exploitation
Pendant la dernière phase, le dispositif
- inspecte les zones désignées,
- classifie les anomalies trouvées pour les affecter à des classes de défaut en utilisant les connaissances acquises pendant la phase d'apprentissage.
Pendant la dernière phase, le dispositif
- inspecte les zones désignées,
- classifie les anomalies trouvées pour les affecter à des classes de défaut en utilisant les connaissances acquises pendant la phase d'apprentissage.
Les deux opérations peuvent être dissociées, la classification étant alors effectuée en différé.
On ne décrira pas ici la façon dont sont effectuées les mesures optiques, étant donné que cette partie du procédé peut être la même que dans des procédés antérieurement connus.
La première opération conforme à l'invention est constituée par ure transformation préliminaire des données recueillies, au sens défini plus haut. Ces transformations préliminaires conduisent à l'obtention de paramètres d'identification et de critères d'analyses, tels que définis plus haut.
Le calcul de la probabilité d'appartenance de chaque anomalie à toutes les classes est ensuite effectué.
Chaque empreinte Ptr est une fonction d'une donnée d'entrée déterminée, obtenue au cours de la transformation préliminaire et de caractéristiques de la classe. On définira plus loin des exemples de fonctions.
Enfin, une fois l'ensemble des empreintes obtenues, on affecte le défaut à la classe pour laquelle la probabilité est la plus élevée.
Pour mieux faire apparaitre l'invention, on donnera maintenant un exemple de mise en oeuvre, correspondant à la recherche et l'identification de défauts particuliers sur les micro-circuits portés par une tranche de semiconducteur.
Une inspection préliminaire effectuée sur des échantillons a permis d'identifier les classes suivantes de défauts, chacune désignée par une abréviation qui sera utilisée de nouveau par la suite.
- Particule (part) - représentant les petites particules déposées sur la plaquette.
- Bulle (bull) - représentant les bulles de substrat.
- Inclusion verticale (invr) - représentant l'inclusion de la matière sur la largeur d'un motif.
- Inclusion horizontale (inho) - représentant l'inclusion de la matière sur la longueur d'un motif.
- Grosse particule (grpr) - représentant les particules de la poussière polluant la plaquette, venant d'être identifiée comme une nouvelle classe de défauts.
Les paramètres principaux retenus pour l'identification sont
- les paramètres géométriques : largeur du défaut (larX), longeur du défaut (larY), surface du défaut (surf).
- les paramètres géométriques : largeur du défaut (larX), longeur du défaut (larY), surface du défaut (surf).
- les paramètres photométriques : brillance de l'image avec le défaut dans la zone du défaut (cr51) et dynamique de l'image avec le défaut dans la zone du défaut (cr52).
Une vérification permet de montrer que, dans le cas particulier, envisagé, un défaut du type (grpr) n'a pas d'empreinte pour les critères
- brillance de l'image modèle dans la zone du défaut (cr53),
- dynamique de l'image modèle dans la zone du défaut (cr5c).
- brillance de l'image modèle dans la zone du défaut (cr53),
- dynamique de l'image modèle dans la zone du défaut (cr5c).
Pour la classification des défauts, on calcule, pour chaque défaut une "empreinte" par la fonction de calcul pr(x) suivante. La fonction a en effet une forme de trapèze. Elle diffère de zéro là où elle est définie ; elle est nulle ailleurs.
A titre d'exemple, on peut adopter les critères suivants pour diverses classes
TABLEAU 1: "grosse particule"
TABLEAU 1: "grosse particule"
<tb> critère <SEP> I <SEP> <SEP> paramètre <SEP> du <SEP> critère
<tb> <SEP> binf <SEP> cinf <SEP> csup <SEP> bsup
<tb> larX <SEP> 6 <SEP> 6 <SEP> 10 <SEP> 200 <SEP> 500
<tb> larY <SEP> 6 <SEP> 10 <SEP> 200 <SEP> 500
<tb> surf <SEP> 30 <SEP> 100 <SEP> 10000 <SEP> 99999
<tb> cr51 <SEP> 10 <SEP> 20 <SEP> 50 <SEP> 60
<tb> cr52 <SEP> 0 <SEP> 10 <SEP> <SEP> 20 <SEP> 30
<tb>
Sur une tranche, cinq anomalies ont été détectées et présentées les caractéristiques suivantes
TABLEAU 2
image
anomalie image avec défaut sans défaut
largeur longueur surface brill. dynanr. brill. dyn 1 143 76 1555 24 5 51 94 2 19 . 24 97 31 16 71 58 3 3 3 5 128 6 175 140 4 14 7 3 129 6 176 143 5 18 36 22 151 6 190 150
Le calcul des empreintes a alors donné les résultats suivants pour les cinq anomalies, considérées comme des défauts à classifier défaut #1 classe critere d'analyse
larX larY surf cr51 cr52 cr53 cr5c part 0.0 0.0 0.0 grpr 1.0 1.0 1.0 1.0 0.5 bull 0.0 0.0 invr 0.0 1.0 inho 1.0 0.0 défaut 2 classe critere d'analyse
larX larY surf cr51 cr52 cr53 cr5c part 0.0 0.0 0.0 grpr 1.0 1.0 0.957 1.0 1.0 bull 0.0 0.0 invr 0.0 1.0 inho 1.0 0.0 défaut 3 classe critère d'analyse
larX larY surf cr51 cr52 cr53 cr5c pa.; 0.75 0.75 1.0 grpr 0.0 0.0 0.0 0.0 bull 1.0 0.0 invr 1.0 0.0 inho 0.0 1.0 défaut t4 classe critere d'analyse
larX larY surf cr51 cr52 cr53 cr5c part 0.0 0.0 0.75 grpr 1.0 0.25 0.0 0.0 bull 0.6 0.0 invr 0.0 inho 1.0 1.0 défaut t5 classe critère d'analyse
larX larY surf cr51 cr52 cr53 cr5c part 0.0 0.0 0.8 grpr 1.0 1.0 0.0 0.0 0.6 bull 0.933 0.0 invr 0.0 1.0 inho 1.0 0.0
L'application de la formule (1) ci-dessus pour les différentes classes donne alors les probabilités P suivantes
TABLEAU 3 défaut classe
part bull invr inho grpr 1 0.0 0.0 0.5 0.5 0.899 2 0.0 0.0 0.5 0.5 0.991 3 0.833 0.5 0.5 0.5 0.12 4 0.25 0.3 0.5 1.0 0.37 5 0.266 0.466 0.5 0.5 0.519
Une comparaison entre les probabilités affectées par la classification automatique et celles données par l'utilisateur après inspection manuelle a révélé une bonne coincidence en générale
TABLEAU 4
déf. opérateur classification automatique
classe probabilîté classe probab.
<tb> <SEP> binf <SEP> cinf <SEP> csup <SEP> bsup
<tb> larX <SEP> 6 <SEP> 6 <SEP> 10 <SEP> 200 <SEP> 500
<tb> larY <SEP> 6 <SEP> 10 <SEP> 200 <SEP> 500
<tb> surf <SEP> 30 <SEP> 100 <SEP> 10000 <SEP> 99999
<tb> cr51 <SEP> 10 <SEP> 20 <SEP> 50 <SEP> 60
<tb> cr52 <SEP> 0 <SEP> 10 <SEP> <SEP> 20 <SEP> 30
<tb>
Sur une tranche, cinq anomalies ont été détectées et présentées les caractéristiques suivantes
TABLEAU 2
image
anomalie image avec défaut sans défaut
largeur longueur surface brill. dynanr. brill. dyn 1 143 76 1555 24 5 51 94 2 19 . 24 97 31 16 71 58 3 3 3 5 128 6 175 140 4 14 7 3 129 6 176 143 5 18 36 22 151 6 190 150
Le calcul des empreintes a alors donné les résultats suivants pour les cinq anomalies, considérées comme des défauts à classifier défaut #1 classe critere d'analyse
larX larY surf cr51 cr52 cr53 cr5c part 0.0 0.0 0.0 grpr 1.0 1.0 1.0 1.0 0.5 bull 0.0 0.0 invr 0.0 1.0 inho 1.0 0.0 défaut 2 classe critere d'analyse
larX larY surf cr51 cr52 cr53 cr5c part 0.0 0.0 0.0 grpr 1.0 1.0 0.957 1.0 1.0 bull 0.0 0.0 invr 0.0 1.0 inho 1.0 0.0 défaut 3 classe critère d'analyse
larX larY surf cr51 cr52 cr53 cr5c pa.; 0.75 0.75 1.0 grpr 0.0 0.0 0.0 0.0 bull 1.0 0.0 invr 1.0 0.0 inho 0.0 1.0 défaut t4 classe critere d'analyse
larX larY surf cr51 cr52 cr53 cr5c part 0.0 0.0 0.75 grpr 1.0 0.25 0.0 0.0 bull 0.6 0.0 invr 0.0 inho 1.0 1.0 défaut t5 classe critère d'analyse
larX larY surf cr51 cr52 cr53 cr5c part 0.0 0.0 0.8 grpr 1.0 1.0 0.0 0.0 0.6 bull 0.933 0.0 invr 0.0 1.0 inho 1.0 0.0
L'application de la formule (1) ci-dessus pour les différentes classes donne alors les probabilités P suivantes
TABLEAU 3 défaut classe
part bull invr inho grpr 1 0.0 0.0 0.5 0.5 0.899 2 0.0 0.0 0.5 0.5 0.991 3 0.833 0.5 0.5 0.5 0.12 4 0.25 0.3 0.5 1.0 0.37 5 0.266 0.466 0.5 0.5 0.519
Une comparaison entre les probabilités affectées par la classification automatique et celles données par l'utilisateur après inspection manuelle a révélé une bonne coincidence en générale
TABLEAU 4
déf. opérateur classification automatique
classe probabilîté classe probab.
1 grpr grpr 0.899
2 grpr grpr 0.99
3 part part 0.833
4 inho inho 1.0
5 invr grpr 0.519 inho 0.5
2 grpr grpr 0.99
3 part part 0.833
4 inho inho 1.0
5 invr grpr 0.519 inho 0.5
Claims (4)
1. Procédé d'identification automatique de défauts dans une zone déterminée d'un micro-circuit suivant lequel, successivement et de façon automatique : on forme, d'une zone déterminée à vérifier, une image constituée d'une matrice de pixels affectés chacun d'au moins un nombre représentif d'une valeur photométrique du pixel, telle que la brillance moyenne ou niveau de gris ; on compare les paramètres photométriques des pixels de la zone avec des valeurs de référence respectives pour détecter les anomalies ; on calcule automatiquement plusieurs paramètres prédéterminés représentatifs au moins de l'étendue spatiale, de la forme et de l'aspect photométrique de l'anomalie ; après avoir, au cours d'une phase initiale, défini plusieurs classes de défauts, chacune par un jeu de coef fi- cients de pondération, on calcule plusieurs sommes pondérées desdits paramètres représentatifs, pour tous les jeux de coefficients de pondération ; et on affecte le défaut à la classe pour laquelle la somme est la plus élevée.
2. Procédé selon la revendication 1, caractérisé en ce que l'on détermine les valeurs de référence sur des zones représentatives pour un type de surface donné.
3. Procédé selon la revendication 1 ou 2, caractérisé en ce que les paramètres photométriques comprennent un au moins des paramètres suivants : niveau de gris, dynamique de l'image contenant l'anomalie dans la zone de l'anomalie, définie comme la différence d entre la valeur maximale et la valeur minimale.
4. Procédé selon la revendication 1, 2 ou 3, caractérisé en ce que les sommes pondérées, qui représentent chacune la probabilité d'appartenance d'une anomalie a à une classe c, sont de la forme
où
A(i,c) est le facteur de pondération pour le critère d'analyse i et la classe c,
Ptr est l'empreinte du critère i pour l'anomalie a, c'est-à-dire la valeur qu'a le critère i dans la zone de l'anomalie,
N est un facteur de normalisation égal au nombre de critères pris en considération pour l'affectation possible à la classe c.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| FR9112052A FR2681947A1 (fr) | 1991-10-01 | 1991-10-01 | Procede de classification automatique de defauts sur des micro-circuits. |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| FR9112052A FR2681947A1 (fr) | 1991-10-01 | 1991-10-01 | Procede de classification automatique de defauts sur des micro-circuits. |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| FR2681947A1 true FR2681947A1 (fr) | 1993-04-02 |
Family
ID=9417463
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| FR9112052A Pending FR2681947A1 (fr) | 1991-10-01 | 1991-10-01 | Procede de classification automatique de defauts sur des micro-circuits. |
Country Status (1)
| Country | Link |
|---|---|
| FR (1) | FR2681947A1 (fr) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2001040145A3 (fr) * | 1999-11-29 | 2002-07-11 | Kla Tencor Corp | Defauts de semi-conducteurs: systeme de classement assiste a gestion automatique |
| CN115131355A (zh) * | 2022-08-31 | 2022-09-30 | 南通鑫阳雨具有限公司 | 利用电子设备数据检测防水布异常的智能方法 |
| CN115330765A (zh) * | 2022-10-12 | 2022-11-11 | 南通新诚电子有限公司 | 用于铝电解电容阳极箔生产的腐蚀缺陷识别方法 |
-
1991
- 1991-10-01 FR FR9112052A patent/FR2681947A1/fr active Pending
Non-Patent Citations (4)
| Title |
|---|
| IEEE TRANSACTIONS ON COMPUTERS, vol. C-26, no. 9, septembre 1977, pages 882-894, IEEE, New York, US; M. YACHIDA et al.: "A versatile machine vision system for complex industrial parts" * |
| IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE, vol. 10, no. 1, janvier 1988, pages 31-43, IEEE, New York, US; S.L. BARTLETT et al.: "Automatic solder joint inspection" * |
| IEEE TRANSACTIONS ON ROBOTICS AND AUTOMATION, vol. 6, no. 1, février 1990, pages 123-127, New York, US; D.R. SKINNER et al.: "Application of adaptive convolution masking to the automation of visual inspection" * |
| SPIE, vol. 1261: "Integrated Circuit Metrology, Inspection, and Process Control IV", 1990, pages 173-182, Washington, DC, US; J.R. DRALLA et al.: "Automatic classification of defects in semiconductor devices" * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2001040145A3 (fr) * | 1999-11-29 | 2002-07-11 | Kla Tencor Corp | Defauts de semi-conducteurs: systeme de classement assiste a gestion automatique |
| US6999614B1 (en) | 1999-11-29 | 2006-02-14 | Kla-Tencor Corporation | Power assisted automatic supervised classifier creation tool for semiconductor defects |
| CN115131355A (zh) * | 2022-08-31 | 2022-09-30 | 南通鑫阳雨具有限公司 | 利用电子设备数据检测防水布异常的智能方法 |
| CN115330765A (zh) * | 2022-10-12 | 2022-11-11 | 南通新诚电子有限公司 | 用于铝电解电容阳极箔生产的腐蚀缺陷识别方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11379967B2 (en) | Methods and systems for inspection of semiconductor structures with automatically generated defect features | |
| US5808735A (en) | Method for characterizing defects on semiconductor wafers | |
| EP0115462B1 (fr) | Procédé de reconnaissance automatique d'une image, à partir d'une image correspondante de référence | |
| US8275190B2 (en) | Method and apparatus for inspecting pattern defects | |
| EP0054596B1 (fr) | Procédé d'inspection et de tri automatique d'objets présentant des configurations avec des tolérances dimensionnelles et des critères de rejet variables selon l'emplacement, équipement et circuits de mise en oeuvre | |
| US7643138B2 (en) | Method of inspecting a semiconductor device and an apparatus thereof | |
| US7505619B2 (en) | System and method for conducting adaptive fourier filtering to detect defects in dense logic areas of an inspection surface | |
| EP0970367B1 (fr) | Procede d'inspection de surface d'une bande en defilement par segmentation d'image en zones suspectes | |
| WO2014168884A1 (fr) | Échantillonnage adaptatif pour la création de formules d'inspection de semi-conducteurs, la revue de défauts et la métrologie | |
| KR20210132566A (ko) | 딥 러닝을 기반으로 웨이퍼 결함 이미지를 이용하여 웨이퍼의 결함을 분류하는 방법 및 시스템 | |
| WO2014149197A1 (fr) | Détection de défauts sur une tranche utilisant des informations propres aux défauts et multi-canal | |
| FR2791775A1 (fr) | Detection de defauts a base de particularites | |
| EP0054598A1 (fr) | Procédé d'inspection et de tri automatique d'objets présentant des configurations avec des tolérances dimensionnelles fixes et équipement de mise en oeuvre | |
| KR20160032593A (ko) | 초분광영상화 기법을 이용한 글라스(Glass) 결함 검출 방법 및 장치 | |
| JP7293842B2 (ja) | 生成方法、プログラム、生成装置、出力装置及び送信装置 | |
| US7106432B1 (en) | Surface inspection system and method for using photo detector array to detect defects in inspection surface | |
| JP5794629B2 (ja) | 表面検査装置、表面検査方法、表面検査プログラム、およびコンピュータ読み取り可能な記録媒体 | |
| EP0970368B1 (fr) | Procede d'inspection de surface d'une bande en defilement par classification prealable d'irregularites de surface detectees | |
| CA3095089A1 (fr) | Methode de detection de cellules presentant au moins une anomalie dans un echantilllon cytologique | |
| US5798830A (en) | Method of establishing thresholds for image comparison | |
| FR2681947A1 (fr) | Procede de classification automatique de defauts sur des micro-circuits. | |
| EP1129432B1 (fr) | Procede de comparaison d'images enregistrees formees de pixels representant des equipotentielles d'au moins une puce de circuit integre | |
| JP4071541B2 (ja) | 金属膜加工残り検査方法および金属膜加工残り検査装置 | |
| KR20220041126A (ko) | 광학 검사를 이용한 프로세스 모니터링 방법 | |
| JPH0829145A (ja) | 表面欠陥検査方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| CD | Change of name or company name | ||
| TP | Transmission of property |