JP2001134763A - 撮像画像に基づく欠陥の分類方法、および、その結果の表示方法 - Google Patents

Abstract

(57)【要約】 【課題】撮像画像に基づいて欠陥を自動的に分類する方
法において、ユーザが定義する欠陥の分類基準と画像的
特徴との整合性を分類システムが自動的に調整し、学習
の教示時間を短くし、スムーズに学習をおこなえるよう
にする。 【解決手段】ユーザが指定するユーザカテゴリを、各々
の欠陥の画像を、画像の特徴の類似性を基準として、い
ったん、その下位分類たるサブカテゴリに基づいた分類
をおこなう。この画像の特徴の類似性は、特徴量の分布
のクラスタにより捉えられる。そして、分類の結果とし
ては、欠陥の画像をユーザカテゴリに基づいた分類で出
力する。

Description

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】本発明は、撮像画像に基づく
欠陥の分類方法に係り、特に、半導体ウェーハのパター
ンの欠陥の分類を自動化する際に、ユーザの定義した欠
陥のカテゴリを、その画像の特徴に基づき再分類して画
像を分類するという観点から、画像の欠陥分類のための
学習データを生成し、その学習データに基づいて欠陥の
分類を自動的におこなう欠陥分類方法に関する。

【０００２】

【従来の技術】従来、半導体ウェーハパターンの欠陥属
性をその画像により分類する方法としては、特開平８−
２１８０３号公報に記載されているように、ニューラル
ネットワークを用いた手法が知られている。この方法で
は、まず欠陥属性ごとに規範となる教師画像データ（こ
の明細書の中では、「欠陥のパターンの教師信号」と表
現）を用意し、これを用いてニューラルネットワークの
学習を実行する。この学習は、入力した教師画像データ
とニューラルネットワークの出力である分類結果の不一
致状態を表す誤差値がある一定の値以下に収束するまで
繰り返される。この誤差値は、ニューラルネットワーク
の重み係数にある手順に従って還元されて、最終的に学
習データが得られる。

【０００３】このように学習の結果得られたューラルネ
ットワークの重み係数データは、学習データとして保存
され、分類実行時には、この学習データを用いて、入力
された欠陥画像の欠陥属性を分類する。

【０００４】

【発明が解決しようとする課題】上記従来技術は、ニュ
ーラルネットワークと言う手法により、基になる学習デ
ータにより学習をおこなって欠陥の種別（カテゴリ）を
自動的に判定しようとする技術である。しかしながら、
この従来技術では、半導体ウェーハの製造過程における
半導体ウェーハパターンの欠陥を分類する場合には、ユ
ーザが定義した分類基準に従うよう自動分類の学習を実
行するものである。すなわち、学習して得られるカテゴ
リはユーザが定義したカテゴリと一対一の関係になる。
ところが、ユーザが定義する分類基準は、例えば、大き
さは異なっていても形状が同じであるとか、表面の模様
も大きさも異なるが欠陥発生原因が同一であるとか、一
意に画像的特徴の同一性だけでは定義できない場合も多
い。

【０００５】このため、ユーザ定義のカテゴリをそのま
ま教示しても、画像的な特徴にまとまりが無いため学習
をうまくおこなうことができず、ユーザの期待する通り
に自動分類を実行させることができない。画像的な特徴
とは明暗、輪郭、テクスチャなどの複数の像の特徴を定
量化したものであり、欠陥の特徴は、実際上、これら複
数の特徴の複合的な特徴として表されるので、システム
の用いている画像の特徴をユーザが理解した上でカテゴ
リを決定して行くことは困難である。

【０００６】このように画像的な特徴とユーザが定義し
たカテゴリに乖離があるときには、学習はうまく行か
ず、ユーザが指示したカテゴリ通りには完全に再分類さ
れない。そのため、このように学習がうまく行っていな
いと判断される場合には、教師画像の追加、あるいは例
外的な教師画像の削除など、使用する教師画像の入れ替
えをおこなうなど画像を仕分けては学習し直し、評価結
果を見るという試行錯誤的な操作を繰り返さなければな
らない。そのため、最終的に妥当な学習データを得るこ
とができたとしても学習のための操作時間、すなわち、
教示時間が長くなるという問題点があった。

【０００７】本発明は、上記問題点を解決するためにな
されたもので、その目的は、半導体ウェハのパターンな
どを対象として、撮像画像に基づいて欠陥を自動的に分
類する方法において、ユーザが定義する欠陥の分類基準
と画像的特徴との整合性を分類システムが自動的に調整
し、ユーザ定義の欠陥分類基準をシステムに入力するだ
けで、画像的特徴を生かして欠陥の分類をおこない、そ
の結果をユーザ定義の欠陥分類基準に還元して、スムー
ズな学習をおこなうことのできる撮像画像に基づく欠陥
の分類方法を提供することにある。

【０００８】

【課題を解決するための手段】上記目的を達成するため
に、本発明の撮像画像に基づく欠陥の分類方法に係る発
明の構成は、被検査対象物を撮像して得られた画像に基
づいて欠陥の種類を判別して、それを欠陥の種類に分類
する撮像画像に基づく欠陥の分類方法において、ユーザ
が指定するユーザカテゴリを、さらに、複数のサブカテ
ゴリに分類して、各々の欠陥の画像を、いったん、サブ
カテゴリに基づいた分類をおこなって、分類の結果とし
ては、その欠陥の画像を前記ユーザカテゴリに基づいて
分類をおこなった結果として出力されるようにしたもの
である。

【０００９】より詳しくは、上記撮像画像に基づく欠陥
の分類方法において、前記複数のサブカテゴリは、前記
ユーザカテゴリを、欠陥画像から得られる情報の類似性
に基づいた情報処理によって、細分化したものであるよ
うにしたものである。

【００１０】また詳しくは、上記撮像画像に基づく欠陥
の分類方法において、前記複数のサブカテゴリへの細分
化は、その欠陥の画像を、その欠陥の画像の特徴の組か
らなる特徴量ベクトルと対応させ、その特徴量ベクトル
からなる特徴量空間上に分布するクラスタを基準とし
て、あるクラスタに属する特徴量ベクトルに対応する欠
陥の画像を、そのクラスタに対応するサブカテゴリに属
するものとして分類するようにしたものである。

【００１１】さらに詳しくは、上記撮像画像に基づく欠
陥の分類方法において、前記被検査対象物が、半導体ウ
ェハであるようにしたものである。

【００１２】上記目的を達成するために、本発明の撮像
画像に基づく欠陥の分類方法の表示方法に係る発明の構
成は、上記いずれかの撮像画像に基づく欠陥の分類方法
の結果の表示方法において、前記ユーザカテゴリに分類
される欠陥の画像を、そのユーザカテゴリに対応するユ
ーザカテゴリウィンドウの中に表示し、ユーザカテゴリ
ウィンドウに属するサブウィンドウとして、サブカテゴ
リウィンドウを用意して、前記ユーザカテゴリに含まれ
るサブカテゴリに分類される欠陥の画像を、前記サブカ
テゴリウィンドウの中に表示するようにしたものであ
る。

【００１３】より詳しくは、上記撮像画像に基づく欠陥
の分類方法の結果の表示方法において、同じユーザカテ
ゴリに属するサブカテゴリウィンドウは、常に同じウィ
ンドウサイズに表示されるか、あるいは、常に隣接して
表示されるか、あるいは、同一のウィンドウ背景色で表
示されるようにしたものである。

【００１４】上記のように本発明では、同一の欠陥カテ
ゴリを持つ欠陥画像をユーザが定義する一つのユーザカ
テゴリに属するものとして、その対象となる教師画像の
画像特徴量の分布状態を調べ、特徴量空間の中での稠密
な領域とその数を調べる。稠密な領域は、それ自体が一
つのまとまり（クラスタ）と考えることができるので、
そのクラスタに対応した欠陥画像をそのユーザカテゴリ
のサブカテゴリに含まれるものとする。

【００１５】稠密な領域が複数ある場合は、一つのユー
ザカテゴリに対して、複数のサブカテゴリが含まれるこ
とになる。これにより、ユーザカテゴリの特徴量が特徴
量空間内で散在した場合でも、システムは、それに対応
する欠陥画像をサブカテゴリに分解して、サブカテゴリ
単位で画像特徴的なまとまりを把握し認識することがで
きる。このようにして、ユーザが定義したユーザカテゴ
リに属する画像の欠陥の特徴を、システムが、自動的に
画像特徴のまとまりごとにサブカテゴリ化して学習し、
サブカテゴリとユーザカテゴリとの対応関係を記憶して
おくことで、ユーザ定義のカテゴリに従った学習と分類
が可能となる。

【００１６】これにより、ユーザはユーザカテゴリに従
って教師画像を仕分けてシステムに入力するだけで、画
像特徴などを意識することなく教師画像の学習をおこな
うことができるので、従来のような試行錯誤的な学習操
作をすることなく、短時間に教師画像の学習をおこなう
ことが可能となる。

【００１７】

【発明の実施の形態】以下、本発明に係る一実施形態を
図１ないし図１３を用いて説明する。 〔半導体製造プロセスと欠陥分類方法〕先ず、図１を用
いて本発明に係る欠陥分類方法が半導体製造プロセスに
おいて果たす役割について説明する。図１は、半導体製
造プロセスと本発明に係る欠陥分類方法の関係の概略の
模式図である。

【００１８】現在の半導体の製造工程は、日を追って複
雑化しており、ときには数百ものプロセス１（ｂ）を経
て製造され完成までに約１００日もの期間を要する場合
がある。このような複雑な製造工程を経て、初めて製品
として出荷されるわけであるが、製品の良否が判明する
のは全てのプロセスが完了したプローブ検査１（ａ）で
ある。このため、歩留まりを向上するためには途中のプ
ロセスに欠陥があるか否か推定する手段が必須である。

【００１９】このような観点から、プロセスの合間に外
観検査装置２による外観検査がおこなわれ、配線パター
ンの外観異常から、そのプロセスで欠陥を生み出す原因
が生じていないかを判定することがおこなわれている。

【００２０】そのプロセスに何らかの異常が確認された
場合には、それに対する対策を実施する必要があるが、
このための情報収集手段として欠陥分類装置３は重要な
役割を果たしている。すなわち、外観検査の結果４から
は欠陥の場所と数は把握できるが、その欠陥の性質など
の情報は得られない。このため、欠陥分類装置３により
欠陥部位での画像5を取り込み、これを基に欠陥の種類
を分類して、不良モード別の発生頻度６を品質管理シス
テム７で表示させることにより、対策候補を絞り込むこ
とができる。

【００２１】例えば、図１に示されている不良モード表
示画面の例では、パターン欠陥に比べ異物の発生頻度が
大きいため、異物発生防止対策をおこなえば良いことが
判る。すなわち、発生頻度が高い欠陥の原因推定をし
て、それを優先的に対策することで、歩留まりを迅速に
向上させることを期待できる。

【００２２】このような欠陥分類装置３は、従来目視で
おこなわれていた欠陥分類作業を自動化する装置であ
り、高い分類性能が要求される。

【００２３】〔本発明に係る欠陥分類のための学習過程
概要〕次に、図２ないし図４を用いて本発明に係る半導
体プロセスにおける欠陥分類装置と欠陥分類のための学
習過程の概要について説明する。図２は、半導体プロセ
スに用いられている欠陥分類装置の構成図である。図３
は、本発明に係る欠陥分類ための学習過程の処理手順を
示すフローチャートである。図４は、教師データ作成画
面および教師データの例を示す図である。

【００２４】以下では、図３のフローチャートを追いな
がら、適宜、図２と図４を参照して説明する。

【００２５】分類学習では、まず始めに教師データ用の
欠陥画像の収集をおこなう（Ｓ２３）。このため、まず
図２に示される基板搬送装置８により、基板１０をステ
ージ１１に搭載する。一方、ホストコンピュータ２０
は、ネットワーク２２を経由して基板１０に対応する欠
陥座標情報を上位システムから受け取る。ここで言う上
位システムとは、歩留り管理システム、製造ライン監視
用システム、プロセス管理システムなどの品質管理シス
テム、あるいは欠陥を検査する検査装置などを指してい
る。

【００２６】ホストコンピュータ２０は、受け取った欠
陥座標情報を参照してステージ制御部１６に指示を送
り、ステージ１１を移動して欠陥を観察位置に移動す
る。欠陥は、光学系９を介してＴＶカメラ１２で撮像さ
れ、画像入力装置１３を介して画像記録装置１４に欠陥
画像が記録される。

【００２７】以上の処理を指定された欠陥について繰り
返し、欠陥画像が蓄積される。

【００２８】次に、教師データの作成をおこなう（Ｓ２
４）。

【００２９】図４（ａ）は、教師データ作成におけるモ
ニタ表示例であり、（ｂ）は、教師データとして記録さ
れた欠陥データのデータ構造を示している。

【００３０】ユーザは、モニタ１８にされた欠陥画像を
観察してカテゴリに分類する。このユーザが欠陥画像を
分類するのに用いるカテゴリを「ユーザカテゴリ」と言
うことにする。この欠陥画像のカテゴリ分けは、収集さ
れた欠陥画像について教示に必要な画像全てに対してお
こなう。

【００３１】具体的に説明すると、モニタには、蓄積さ
れた欠陥画像が未分類ウィンドウ２８の中に表示されて
いる。これに対して、ユーザはユーザ定義のユーザカテ
ゴリウィンドウ２９を作成し、未分類ウィンドウ内にあ
る欠陥画像を対応するユーザカテゴリウィンドウに移動
することで、欠陥画像に対して教師データとしてのカテ
ゴリ分けをおこなう。欠陥画像を移動させるのは、マウ
スなどのポインティングデバイスを持ちいて、ドラッグ
させることなどによりおこなうことができる。

【００３２】ユーザが欠陥画像に対してカテゴリ分けを
した情報は、ホストコンピュータ２０内に教師データに
関する情報として記録される。

【００３３】次に、欠陥画像の画像の特徴抽出をおこな
う（Ｓ２５）。

【００３４】この処理では、図２に示される画像記録装
置１４から画像処理装置１５にデータを転送して、画像
処理を実施して画像の特徴量を抽出する。ここで、画像
特徴量とは、欠陥の色情報、形状、サイズ等である。例
えば、異物は暗く、円形に近いが、パターン欠陥は、周
辺パターンと同一色で形状は複雑である等の特徴があ
る。このような特徴を特徴量として捉え、それを予め決
められた種類の特徴量として計算し、ホストコンピュー
タ２０により、それを教師データとして欠陥番号に対応
して記録する。なお、図４（ｂ）の例で表現されている
特徴量は５通りである。

【００３５】次に、この教師データを基にホストコンピ
ュータ２０で学習作業、すなわち、学習データの生成が
おこなわれ（Ｓ２６）、学習データがホストコンピュー
タ２０に記録される（Ｓ２７）。

【００３６】〔本発明に係る欠陥分類方法の学習ステッ
プの詳細〕次に、図５ないし図９を用いて本発明に係る
欠陥分類方法の学習ステップ、すなわち、学習データを
生成する処理について詳細に説明する。図５は、二次元
の特徴量空間における特徴量ベクトルの分布の一例を示
した図である。図６は、ユーザカテゴリ「部品飛び欠
陥」に分類される欠陥の半導体パターン上の表れ方を示
した模式図である。図７は、二次元の特徴量空間におけ
る特徴量ベクトルの分布の他の一例を示した図である。
図８は、図７に示される特徴量ベクトルの分布をクラス
タとして捉えたときの図である。図９は、本発明のサブ
カテゴリを用いた欠陥の分類学習手順を示すフローチャ
ートである。図１０は、本発明のサブカテゴリを用いた
欠陥の分類学習データにより欠陥の分類をおこなうとき
のフローチャートである。

【００３７】（Ｉ）特徴量空間上での特徴量ベクトルの
分布と欠陥のカテゴリとの関係 先ず、学習対象とする教師画像により、各画像における
欠陥やその背景の画像特徴量を抽出する。特徴量とは、
既に述べたが、例えば、欠陥部の円形度、面積などの幾
何学的定量的数値、画像平均輝度値、分散値、色に関す
る値（ＲＧＢの割り合い、色相、色彩値の分布など）な
どの画像情報に関する定量的数値、あるいは欠陥の背景
画像も含めた画像情報に関する定量的数値などである。

【００３８】今、予め設定された特徴量の個数がｎ個あ
り、その各々の特徴量をｃ_iとする。とする。そして、
一つの画像から抽出されるｎ個の特徴量の組み（ｃ₀，
ｃ₁，…，ｃ_n）を特徴量ベクトルとして定義する。ま
た、特徴量ベクトルの全体が生成する空間を、特徴量空
間と定義する。すなわち、特徴量ベクトルは、特徴量空
間の一点として捉えられる。

【００３９】各教師画像に対して抽出された特徴量ベク
トルは、図４（ｂ）に記載したように、各教師画像のイ
ンデックスである欠陥番号に対応して、欠陥カテゴリと
ともに記録される。以下では、特徴量空間内の各教師画
像より抽出された特徴量ベクトルで表される点を教師点
と呼ぶことにする。

【００４０】図５では、２つのカテゴリＡおよびＢに対
応する教師点の分布を、特徴量の数が２であるときとし
たときの例が模式的に示されている。

【００４１】これらの教師点に対応する欠陥を、カテゴ
リＡあるいはＢに分類するために、一般的には、図５に
示す直線Ｌ、あるいは、楕円ＥＡ、ＥＢなどの図形的特
徴を計算して判別している。

【００４２】図５に示される２つの特徴量をｆ１、ｆ２
としたとき、例えば直線Ｌを用いて、

【００４３】

【数１】Ｌ（ｆ１，ｆ２）＞０ → 対応する欠陥はカ
テゴリＡに属する Ｌ（ｆ１，ｆ２）＜０ → 対応する欠陥はカテゴリＢ
に属する ただしここで、

【００４４】

【数２】Ｌ（Ｘ，Ｙ）=ａ×Ｘ＋ｂ×Ｙ＋ｃ は、図５に示す直線を表すものとする。

【００４５】また、楕円を用いた場合には、

【００４６】

【数３】ＥＡ（ｆ１，ｆ２）＜０ → 対応する欠陥は
カテゴリＡに属する ＥＢ（ｆ１，ｆ２）＜０ → 対応する欠陥はカテゴリ
Ｂに属する ただし、ＥＡ、ＥＢは、

【００４７】

【数４】ＥＡ（Ｘ，Ｙ）＝ｄ×Ｘ²＋ｅ×Ｙ²＋ｆ×Ｘ×
Ｙ＋ｇ×Ｘ＋ｈ×Ｙ＋ｉ ＥＢ（Ｘ，Ｙ）＝ｊ×Ｘ²＋ｋ×Ｙ²＋ｌ×Ｘ×Ｙ＋ｍ×
Ｘ＋ｎ×Ｙ＋ｏ であり、各々図５に示す楕円ＥＡ，ＥＢを表すものとす
る。

【００４８】この図５に示されるような教師点の分布を
有する場合には、欠陥の分類としては、Ｌ、および、Ｅ
Ａ、ＥＢを判別関数として用いることができる。

【００４９】ニューラルネットワークなどで決定される
判別関数は、これよりも複雑な形をとるものの、上記と
同様に考えることができる。

【００５０】与えられた教師画像の特徴量ベクトルとそ
の分布特性から、以上のような判別関数を決定し、これ
を学習データとして記憶する（図３のＳ２７）。

【００５１】以上が、特徴量空間を導入した欠陥分類の
ための学習過程である。

【００５２】ところで、ユーザが決めたカテゴリに対応
する特徴量ベクトルの分布が、必ずしも特徴量空間上で
分離性が良いものとは限らない。この実例を採り挙げ
て、ユーザの定めるユーザカテゴリをサブカテゴリに分
割するという本発明のアイデアを説明する。

【００５３】半導体の製造プロセスにおいて、ユーザが
「部品飛び欠陥」として分類するユーザカテゴリがあ
る。これは、半導体のパターンの回路上に形成されたコ
ンデンサなどの回路部品が剥離、脱落し、他の場所に飛
んで落下したのものである。

【００５４】例えば、部品の形が斜視図で図６（ａ）に
示すような円柱状の形をしたものとする。そのときに、
この部品が落ちたときには、その外観はその姿勢により
図６（ｂ）（ｃ）のように異なって見える。また、剥
離、脱落した本の部分では図６（ｄ）のようにみえ、画
像的な特徴は図６（ｂ）（ｃ）（ｄ）の間では全く異な
る。

【００５５】しかしながら、これらの欠陥が発生した原
因は「部品飛び」であって、欠陥属性としては同一のも
のであり、従ってユーザ定義のカテゴリはユニークなも
のとして捉えられるべきものである。

【００５６】このような状況のときに、２種類のカテゴ
リＡ、Ｂに属する欠陥に対応する特徴量ベクトルの分布
状況を極端かつ模式的に示すと、例えば、図７に示した
ようになることが想定される。この場合には、数１や数
３で示したような判別関数で、カテゴリの分類をおこな
うことは不可能である。

【００５７】これを解決するために、本発明では、以下
のようにして欠陥のカテゴリの分類をおこなうことにす
る。先ず、特徴量空間内での教師点の個々のクラスタ
（密集部分）に着目する。すなわち、特徴量空間で近い
距離にある特徴量ベクトルは同じクラスタに属するもの
と考える。例えば、図７に示した教師点の分布におい
て、図８に示されているように各クラスタをＡ１、Ａ
２、Ｂ１、Ｂ２、Ｂ３とする。

【００５８】そして、ユーザが定義する欠陥のカテゴリ
を、その特徴量ベクトルがどこのクラスタに属するかで
判断する。この例では、Ａ１とＡ２、Ｂ１、Ｂ２とＢ３
が同一の原因により発生した欠陥の特徴量ベクトルであ
り、その欠陥が同一のカテゴリに属するべきである考え
られるときには、その欠陥の特徴量ベクトルは、以下の
ように欠陥クラスタの和集合に属することになる。

【００５９】

【数５】カテゴリＡに属すべき欠陥の特徴量ベクトル
∈ クラスタＡ１ ∪ クラスタＡ２ カテゴリＢに属すべき欠陥の特徴量ベクトル ∈ クラ
スタＢ１ ∪ クラスタＢ２ ∪ クラスタＢ３ また、同じことであるが、

【００６０】

【数６】カテゴリＡに属すべき欠陥 ∈ クラスタＡ１
に対応する欠陥 ∪ クラスタＡ２に対応する欠陥 カテゴリＢに属すべき欠陥 ∈ クラスタＢ１に対応す
る欠陥 ∪ クラスタＢ２に対応する欠陥 ∪ クラス
タＢ３に対応する欠陥 となる。

【００６１】このように考えれば、その欠陥の特徴量ベ
クトルが、クラスタＡ１またはクラスタＡ２に属すると
きには、その欠陥は、カテゴリＡに属すると判定され、
クラスタＢ１、クラスタＢ２またはクラスタＢ３に属す
るときには、その欠陥は、カテゴリＢに属すると判定さ
れる。

【００６２】このように各々のクラスタに対しては、既
に例を挙げたような判別関数などで、教師点が属するか
否かを容易に識別することができるので、これにより、
その欠陥がどのカテゴリに属するかを識別することが可
能となる。このような既存の技術として、与えられた点
群である教師点の集まりから、その密集部分と密集部分
の数を識別する方法は、例えば、H.Frigui， R.Krishna
puram ，"A robust algorithm for automatic extracti
on of an unknown number of clusters from noisy dat
a"， Pattern Recognition Letters 17，pp1223-1232，
1996に開示されている。

【００６３】（II）サブカテゴリの導入 これまで述べてきた例でも分るように、ユーザが定義す
るユーザカテゴリの欠陥を、そのまま特徴量空間にマッ
ピングしても、その特徴量ベクトルの分布は、判別関数
などでは捉えにくいものになりがちである。そこで、本
発明では、ユーザカテゴリベクトルをさらに分割したサ
ブカテゴリという概念を導入する。このサブカテゴリに
よる分類は、欠陥分類の自動化をおこなうために、その
特徴量ベクトルのなす分布が一つのクラスタを構成する
ようにおこなうべきである。図８の例では、クラスタＡ
１、Ａ２に対応している欠陥が一つのサブカテゴリ、ク
ラスタＢ１、Ｂ２、Ｂ３に対応している欠陥が一つのサ
ブカテゴリを構成することになる。このサブカテゴリを
導入することにより、ユーザカテゴリと、そのカテゴリ
に属する欠陥の特徴量の特性との乖離を吸収して、より
欠陥の画像特徴に基づいた自動化がおこなえるようにな
る。図６に示した例では、「部品飛び欠陥」というユー
ザカテゴリは、それぞれ、図６（ｂ）（ｃ）（ｄ）に示
される様子を表す欠陥が、それぞれのサブカテゴリに属
することになる。

【００６４】（III）サブカテゴリの導入したときの欠
陥分類の学習手順 次に、図９のフローチャートを追いながらこのサブカテ
ゴリを導入した場合の欠陥分類の学習手順を説明しよ
う。

【００６５】先ず、ユーザは、欠陥画像Image(k):k=1，
…，K(ただし、Ｋは教師用に取得した欠陥画像数)を取
得し（Ｓ３０）、ユーザが定義した欠陥カテゴリCatego
ry(n):n=1，…，N(ただし、Ｎはユーザが定義したカテ
ゴリ数)に従って欠陥画像Image(k):k=1，…，Kを分類
し、Catergory(n)に属する欠陥画像をImage_n(l)(ただ
し、lはユーザカテゴリnに属する画像に新たに付した番
号)とする（Ｓ３１）。

【００６６】そして、このユーザによる分類が終了した
後に、ユーザカテゴリ毎に、欠陥画像Image_n(l)の教師
点の分布状態が複数のクラスタに分れた状態になってい
るか、すなわち、サブカテゴリに欠陥を分類すべきか否
かを調べる。調べた結果、Ｍ個のクラスタが存在し、カ
テゴリnの欠陥をＭ個のサブカテゴリに分類すべきだと
されたときには、カテゴリnに含まれるサブカテゴリを
定義し、それをSubCategory(n，m):m=1，…，Mとする
（Ｓ３２）。

【００６７】最後に、このサブカテゴリに対応している
クラスタの判別関数を（例えば、数１あるいは数３など
で表される関数）を求め学習データとして記憶する（Ｓ
３３）。また、ユーザカテゴリとサブカテゴリとの対応
関係も学習データとして同時に記憶する（Ｓ３４）。

【００６８】（IV）サブカテゴリの導入したときの欠陥
分類の処理手順概略 次に、図１０の順を追いながら、本発明に係るサブカテ
ゴリを用いた学習データより、実際に欠陥の分類をする
ときの処理手順を簡単に説明する。

【００６９】先ず、分類対象となる欠陥画像のデータを
取得し（Ｓ４０）、その分類対象となる画像より画像特
徴量を計算し抽出する（Ｓ４１）。

【００７０】そして、学習過程で記憶された学習データ
中の判別関数により、その欠陥の特徴量ベクトルが属し
ているクラスタを判定し、それにより、その欠陥が属す
べきサブカテゴリを決定する（Ｓ４２）。

【００７１】次に、サブカテゴリとユーザカテゴリとの
対応関係は、Ｓ３４のステップの処理で学習データとし
て記憶されているので、そのサブカテゴリを含むユーザ
カテゴリを求めて、これを結果として出力する（Ｓ４
３）。

【００７２】ここで注意したいのは、欠陥の分類の最終
的な出力は、サブカテゴリではなく、ユーザカテゴリで
あることである。すなわち、ユーザカテゴリは、問題中
心でユーザが欠陥を捉えたカテゴリであり、サブカテゴ
リは、その欠陥の画像的特徴に基づいてユーザカテゴリ
を分類したときのカテゴリである。すなわち、ユーザカ
テゴリを、一度、計算機などで捉えやすいサブカテゴリ
にブレークダウンして、最終的には、その欠陥の分類は
ユーザカテゴリによる分類でおこなわれるというのが本
発明の趣旨である。

【００７３】〔本発明に係る欠陥分類方法のユーザイン
ターフェイス〕次に、図１１ないし図１３を用いて本発
明に係る欠陥分類方法のユーザインターフェイスを、欠
陥分類の結果の表示の仕方という観点から説明する。図
１１は、欠陥の自動分類装置の表示画面で、未分類ウィ
ンドウを示す模式図である。図１２は、ユーザカテゴリ
ウィンドウを示す模式図である。図１３は、サブカテゴ
リウィンドウを示す模式図である。

【００７４】欠陥の画像は、欠陥の自動分類装置の表示
画面に表示される。本発明の欠陥の自動分類装置の表示
画面では、欠陥の状態によってそれぞれ異なってウィン
ドウを用いる。

【００７５】先ず、最初に欠陥が分類されていない状態
のときには、未分類ウィンドウ３０に欠陥の画像が表示
される。図１１では、この未分類ウィンドウ３０に、ブ
リッジ、パターン欠陥、異物、部品飛びなど、さまざま
な欠陥が同じ画面に表示されている。

【００７６】ユーザが教師用データのユーザカテゴリを
作成するときには、ユーザは、図１２に示されるように
ユーザ定義のカテゴリ名を入力して対応するユーザカテ
ゴリウィンドウ３１を作成する。

【００７７】そして、ユーザは、そのユーザカテゴリに
属し教示に必要と判断した画像を、マウスなどを使って
全て対応するユーザカテゴリウィンドウ３１に移動させ
る。

【００７８】そして、上で述べてきた学習手順にしたが
って、欠陥画像に対する特徴量抽出をおこない、そのユ
ーザカテゴリに含まれるサブカテゴリを生成する。

【００７９】サブカテゴリが生成されて、ユーザカテゴ
リウィンドウ３１に含まれていた欠陥の画像がサブカテ
ゴリに分類されると、それらの欠陥の画像は、図１３に
示されるようにサブカテゴリウィンドウ３２に表示され
る。このサブカテゴリウィンドウ３２は、ユーザカテゴ
リウィンドウ３１のサブウィンドウであると言える。

【００８０】ここでサブカテゴリの属するユーザカテゴ
リが同一であることを示すために、同一のユーザカテゴ
リに属するサブカテゴリウィンドウ３２は同色の背景で
示される。

【００８１】また、サブカテゴリの属するユーザカテゴ
リが同一であることを示す他の手段としては、ユーザの
指定により、一つのサブカテゴリウィンドウを画面上で
移動させても、同一のユーザカテゴリに属するサブカテ
ゴリウィンドウが、常に隣接するように自動的に移動す
るようして、隣接するサブカテゴリウィンドウが同一の
ユーザカテゴリに属することを明示的に示すようにして
も良い。

【００８２】さらに、ユーザの指定により、一つのサブ
カテゴリウィンドウに対する拡大、縮小、最小化などの
オペレーションに関しても、同様の作用が同一のユーザ
カテゴリに属するサブカテゴリウィンドウに作用するよ
うにして、同一のユーザカテゴリに属することを明示的
に示すことも可能である。

【００８３】〔欠陥の撮像手段について〕以上、欠陥画
像は光学的手段により撮像するものとして説明したが、
欠陥の撮像手段は、このほかに走査型電子顕微鏡、ある
いは光学式の共焦点型顕微鏡であっても構わない。走査
型電子顕微鏡より得られる画像においては色彩情報が得
られないため、欠陥画像特徴量として色に関する値（Ｒ
ＧＢの割合い、色相、色彩値の分布など）が得られない
が、その他の例えば、濃淡画像平均輝度値、分散値、欠
陥輪郭形状、テクスチャ情報などを得ることが可能であ
り、色に関して特徴量の情報を持たないことは、この発
明の本質を何ら変えるものではない。

【００８４】

【発明の効果】本発明によれば、半導体ウェハのパター
ンなどを対象として、撮像画像に基づいて欠陥を自動的
に分類する方法において、ユーザが定義する欠陥の分類
基準と画像的特徴との整合性を分類システムが自動的に
調整し、ユーザ定義の欠陥分類基準をシステムに入力す
るだけで、画像的特徴を生かして欠陥の分類をおこな
い、その結果をユーザ定義の欠陥分類基準に還元して、
スムーズな学習をおこなうことのできる撮像画像に基づ
く欠陥の分類方法を提供することができる。

【図面の簡単な説明】

【図１】半導体製造プロセスと本発明に係る欠陥分類方
法の関係の概略の模式図である。

【図２】半導体プロセスに用いられている欠陥分類装置
の構成図である。

【図３】本発明に係る欠陥分類ための学習過程の処理手
順を示すフローチャートである。

【図４】教師データ作成画面および教師データの例を示
す図である。

【図５】二次元の特徴量空間における特徴量ベクトルの
分布の一例を示した図である。

【図６】ユーザカテゴリ「部品飛び欠陥」に分類される
欠陥の半導体パターン上の表れ方を示した模式図であ
る。

【図７】二次元の特徴量空間における特徴量ベクトルの
分布の他の一例を示した図である。

【図８】図７に示される特徴量ベクトルの分布をクラス
タとして捉えたときの図である。

【図９】本発明のサブカテゴリを用いた欠陥の分類学習
手順を示すフローチャートである。

【図１０】本発明のサブカテゴリを用いた欠陥の分類学
習データにより欠陥の分類をおこなうときのフローチャ
ートである。

【図１１】欠陥の自動分類装置の表示画面で、未分類ウ
ィンドウを示す模式図である。

【図１２】ユーザカテゴリウィンドウを示す模式図であ
る。

【図１３】サブカテゴリウィンドウを示す模式図であ
る。

【符号の説明】

１（ａ）…プローブ検査、１（ｂ）…プロセス、２…外
観検査装置、３…欠陥分類装置、４…外観検査結果、５
…欠陥画像、６…不良モード別の発生頻度を示す画面、
７…品質管理システム、８…基板搬送装置、９…光学
系、１０…基板、１１…ステージ、１２…ＴＶカメラ、
１３…画像入力装置、１４…画像記録装置、１５…画像
処理装置、１６…ステージ制御部、１７…基板搬送制御
部、１８…モニタ、２０…ホストコンピュータ、２１…
キーボード・マウス、２２…ネットワーク。

フロントページの続き (72)発明者 中垣 亮 神奈川県横浜市戸塚区吉田町292番地 株 式会社日立製作所生産技術研究所内 (72)発明者 小沢 康彦 茨城県ひたちなか市市毛882番地 株式会 社日立製作所計測器グループ内 (72)発明者 黒崎 利栄 茨城県ひたちなか市市毛882番地 株式会 社日立製作所計測器グループ内 (72)発明者 磯貝 静志 茨城県ひたちなか市市毛882番地 株式会 社日立製作所計測器グループ内 Ｆターム(参考） 5B057 AA03 DA03 DC01 DC40

Claims (6)

【特許請求の範囲】
1. 【請求項１】 被検査対象物を撮像して得られた画像に
   基づいて欠陥の種類を判別して、それを欠陥の種類に分
   類する撮像画像に基づく欠陥の分類方法において、 ユーザが指定するユーザカテゴリを、さらに、複数のサ
   ブカテゴリに分類して、 各々の欠陥の画像を、いったん、サブカテゴリに基づい
   た分類をおこなって、 分類の結果としては、その欠陥の画像を前記ユーザカテ
   ゴリに基づいて分類をおこなった結果として出力される
   ことを特徴とする撮像画像に基づく欠陥の分類方法。
2. 【請求項２】 前記複数のサブカテゴリは、前記ユーザ
   カテゴリを、欠陥画像から得られる情報の類似性に基づ
   いた情報処理によって、細分化したものであることを特
   徴とする請求項１記載の撮像画像に基づく欠陥の分類方
   法。
3. 【請求項３】 前記複数のサブカテゴリへの細分化は、 その欠陥の画像を、その欠陥の画像の特徴の組からなる
   特徴量ベクトルと対応させ、 その特徴量ベクトルからなる特徴量空間上に分布するク
   ラスタを基準として、 あるクラスタに属する特徴量ベクトルに対応する欠陥の
   画像を、そのクラスタに対応するサブカテゴリに属する
   ものとして分類することを特徴とする請求項２記載の撮
   像画像に基づく欠陥の分類方法。
4. 【請求項４】 前記被検査対象物が、半導体ウェハであ
   ることを特徴とする請求項１ないし請求項３記載のいず
   れかの撮像画像に基づく欠陥の分類方法。
5. 【請求項５】 請求項１ないし請求項４記載のいずれか
   の撮像画像に基づく欠陥の分類方法の結果の表示方法に
   おいて、 前記ユーザカテゴリに分類される欠陥の画像を、そのユ
   ーザカテゴリに対応するユーザカテゴリウィンドウの中
   に表示し、 ユーザカテゴリウィンドウに属するサブウィンドウとし
   て、サブカテゴリウィンドウを用意して、 前記ユーザカテゴリに含まれるサブカテゴリに分類され
   る欠陥の画像を、前記サブカテゴリウィンドウの中に表
   示することを特徴とする撮像画像に基づく欠陥の分類方
   法の結果の表示方法。
6. 【請求項６】 同じユーザカテゴリに属するサブカテゴ
   リウィンドウは、 常に同じウィンドウサイズに表示されるか、 あるいは、常に隣接して表示されるか、 あるいは、同一のウィンドウ背景色で表示されることを
   特徴とする請求項５記載の撮像画像に基づく欠陥の分類
   方法の結果の表示方法。