JP2001188906A

JP2001188906A - 画像自動分類方法及び画像自動分類装置

Info

Publication number: JP2001188906A
Application number: JP37288699A
Authority: JP
Inventors: Akira Nakagaki; 亮中垣; Yuji Takagi; 裕治高木; Atsushi Shimoda; 篤下田; Kenji Obara; 健二小原; Shizushi Isogai; 静志磯貝; Yasuhiko Ozawa; 康彦小沢
Original assignee: Hitachi Ltd
Current assignee: Hitachi Ltd
Priority date: 1999-12-28
Filing date: 1999-12-28
Publication date: 2001-07-10

Abstract

(57)【要約】【課題】分類の高精度を確保する為には、画像処理パラ
メータの人手によるチューニングが必要不可欠であっ
た。【解決手段】画像処理パラメータとして予め複数個の値
を設定し、それらのパラメータ値全てを用いて特徴量を
計算し、分類処理の際に、分類に好適な特徴量のみを選
択して分類処理を行うことで、上記課題は解決すること
ができる。

Description

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】本発明は、画像の自動分類に
関するものであって、特に半導体製品の製造プロセス中
に発生したパタン欠陥や付着異物等を撮像した欠陥画像
を自動分類する方法及び自動分類する装置に関する。

【０００２】

【従来の技術】半導体製品には、その製造工程中におい
て、製造装置から発生される異物等による形成パターン
のショートや断線等の欠陥、製造プロセスの条件の不具
合によって生じる欠陥等が発生するおそれがある。そこ
で、これらの欠陥の発生原因を早期に特定し対策を施す
ことが、製品歩留まりの向上に不可欠である。そのた
め、ウェハ表面に付着した異物やウェハ表面に形成され
たパタン欠陥を半導体ウェハ異物検査装置や半導体ウェ
ハ外観検査装置により検査することにより、これらの発
生を常に監視し、その検査結果を基に、その欠陥の発生
原因を早期に突き止め対策を行う必要がある。

【０００３】この際、一枚の半導体ウェハ上で検出され
た欠陥が数個から数十個であれば、それらの箇所を撮像
した画像を人手で確認することによりその欠陥の種類を
判別し、その欠陥の原因を特定することが可能である。

【０００４】しかし、一枚のウェハ上で検出される欠陥
部位が数百から数千にのぼる場合は、人手による全欠陥
の観察には相当の労力が必要とされ、事実上不可能であ
る。このため、これまでは、検出された全欠陥から、任
意に選んだ欠陥のみを観察するということがされてい
る。ところがこのように選択された欠陥のみを観察して
いたのでは、製品の良品／不良品の判断に関わるような
重要な欠陥を見逃す可能性がある。

【０００５】そこで、検査装置により検出された異物欠
陥やパターン欠陥をその発生原因別に又はその外観の特
徴別に自動分類し（ここで分離された一つのグループを
カテゴリと呼ぶこととする）、製品の不良品の発生に致
命的な欠陥のカテゴリのみを人手により観察したり、そ
のカテゴリ毎の発生頻度などを監視できれば、それら欠
陥の早期な対策が可能になり製品歩留まりの向上に貢献
することが可能である。

【０００６】このような目的のため、外観検査装置等の
検査装置により特定された欠陥の位置を撮像した画像デ
ータを、それらの発生原因や欠陥の特徴毎に自動分類す
る技術が開発されている。このような、画像分類に関す
る従来技術として、画像処理により欠陥部位の特徴を抽
出し、それら特徴量を用いて自動分類する方法が、特開
平８−２１８０３号公報に開示されている。

【０００７】本従来技術においては、欠陥部位の画像を
処理することによりその欠陥の面積や形状、明るさ等の
特徴量を計算し、これら特徴量をニューラルネットワー
クへの入力データとしている。該ニューラルネットワー
クは、入力される特徴量に対し、特定の欠陥名称や欠陥
カテゴリを表す出力パターンを発生するように予め学習
されている。これにより、入力される欠陥特徴量に対応
して、その欠陥名称や欠陥カテゴリを出力することを可
能としている。

【０００８】

【発明が解決しようとする課題】ところが、画像処理で
は、通常、処理に用いられる画像処理パラメータの値に
よって、異なる処理結果が得られる。つまり、画像処理
によって求められた欠陥の大きさ、形状等の特徴量は、
画像処理パラメータ値によりその値が変化する。例えば
画像の２値化処理により、画像内でそのしきい値よりそ
の階調値が大きい部分、つまりしきい値より明るい部分
の面積が、その欠陥の面積を表すものとして処理を行っ
た場合、２値化しきい値の与え方により計算される面積
値は変化する。

【０００９】よって、従来技術を開示した特開平８−２
１８０３号公報に述べられている様に、面積などの複数
の特徴量を画像処理によって抽出しその特徴量を用いて
分類処理を行う場合では、分類精度をあげる為に、人手
により最適となる画像処理パラメータをチューニングす
る必要がある。

【００１０】半導体の製造工程で生じる欠陥の種類は、
例えば、露光工程とエッチング工程の様に、その工程毎
に違いが見られる。そのため従来技術による画像自動分
類法では、分類対象となる半導体製品の製造工程毎にそ
れらの工程で検出される欠陥に応じた、最適な画像処理
パラメータを人手によりチューニングし設定しなければ
ならない。

【００１１】半導体の製造工程数は、製品により異なる
ものの、数十から数百まである。それらの工程の中から
予め選択した工程のみについて欠陥検査を行う場合であ
っても工程毎に画像処理パラメータを人手によりチュー
ニングするのはかなりの労力を必要とし、自動分類を行
う際の大きな課題であった。

【００１２】

【課題を解決するための手段】上記課題を解決する為に
は、一種類の画像処理パラメータに関して、複数の異な
るパラメータ値を設定して計算した複数の特徴値を求
め、それら複数個のパラメータ全てを分類処理の入力と
し、分類処理においては、各特徴量が分類に寄与するか
どうかを評価することで特徴量を選択し、選択された特
徴量のみを用いて分類処理を行うことにより達成され
る。

【００１３】

【発明の実施の形態】以下本発明の実施例について説明
する。本実施例では、複数の欠陥特徴量を用いてその欠
陥カテゴリを特定する自動分類処理方式としてファジイ
投票方式を用いた場合について説明するが、自動分類処
理として、従来技術に示すようなニューラルネットワー
ク方式を用いた場合であっても本発明を適用することが
可能である。以後、分類すべき欠陥カテゴリが２種類の
場合を例として本発明を説明する。

【００１４】図１は、本実施例による分類処理の対象と
なる欠陥カテゴリを示している。図１（ａ）の１０１欠
陥画像はカテゴリＡに属する欠陥の代表的画像を模式的
に表示したものである。カテゴリＡは、ウェハ上に付着
した１０２異物欠陥のグループを示している。これら異
物欠陥は半導体製造装置から発生する異物がウェハ上に
付着して欠陥となるものである。ここでカテゴリＡに属
する異物欠陥は、その異物輪郭が円形に近いという特徴
をもつこととする。

【００１５】また、図１（ａ）のＸ−Ｘ′部について、
ｘ軸にＸ−Ｘ′方向の座標、ｙ軸にその画像階調値を表
示したのが図１（ｃ）である。図１（ｃ）は、カテゴリ
Ａに属する異物欠陥では、その画像階調値が異物輪郭周
辺では暗く、異物の中心に行くほどに明るく撮像されて
いる様子を示している。

【００１６】一方、カテゴリＢに属する欠陥の代表的画
像を模式的に表示したのが図１（ｂ）である。カテゴリ
Ｂは、ウェハ表面の１０３傷欠陥（スクラッチ欠陥）の
グループである。グループＢに属する欠陥は、その欠陥
形状が細長であることが特徴的であるとする。図１
（ｂ）のＹ−Ｙ′部について、ｘ軸にＹ−Ｙ′方向の座
標、ｙ軸にその画像階調値を表示したのが図１（ｄ）で
ある。図１（ｄ）は、カテゴリＢのスクラッチ欠陥が、
その画像階調値が欠陥内の位置に関わらずほぼ一定であ
ることを示している。この図１に示す欠陥を対象とした
分類処理に関し、本発明による分類処理を説明する。

【００１７】先ず、本発明の第一の実施例として、ファ
ジイ投票方式により上記２カテゴリのどちらかに属する
画像を自動分類する方法、及び画像特徴を選択的に用い
て分類処理を行う方法について説明する。ファジイ投票
方式は、１．教師データを用いた教師ヒストグラム作
成、と２．該教師ヒストグラムを用いた分類処理の２つ
のステップからなる。先ず、１．教師データを用いた教
師ヒストグラムの作成から説明する。

【００１８】まず、カテゴリＡ，Ｂのそれぞれに属する
ことが既知である画像をそれぞれのカテゴリに対し複数
枚用意する。これらの画像集合を教師データと呼ぶこと
とする。そして各教師データに対し予め決定された、カ
テゴリＡ，Ｂの分類に用いる画像特徴量を計算しその値
を用いて、カテゴリ毎に頻度ヒストグラムを作成する。
ここで例として、上記特徴量としてその面積、及び円形
度を用いた例について説明する。これは、カテゴリＡ，
Ｂの欠陥は、その面積と円形度が相違するという統計的
性質を利用するためである。

【００１９】欠陥画像内の欠陥部の面積を画像処理を用
いて計算する方法としては、様々の方法が考えられる。
ここではその一例として、教師データ画像を適当なしき
い値により２値化した場合に、そのしきい値より明るい
階調値をもつ画素数の和が欠陥面積を表すとする。この
方法は、欠陥部がその欠陥の周辺部よりも明るく撮像さ
れるという性質がある場合に用いることができる方法で
ある。この本方法による欠陥面積の計算では、その２値
化しきい値の選び方により同一欠陥画像から計算される
面積の値に違いが生じる。このため、計算される面積値
がその欠陥の面積をできるだけ正確に表すように、しき
い値を人手によりチューニングする必要がある。

【００２０】次に、各カテゴリに対して上記方法により
計算された面積値の頻度ヒストグラムを作成する。各欠
陥データ毎に異なる面積値を持つのが通常であるが、同
一カテゴリに属する欠陥について同じ程度の面積をもつ
という性質がある場合は、そのヒストグラムは、一つの
峰を形成する。図２（ａ）は図１のカテゴリＡ，Ｂそれ
ぞれについて、教師画像に対して面積を計算し、その値
を用いて作成したヒストグラムの例を示している。横軸
は計算された値が、０から１の間の値で表されるように
正規化した値、縦軸は頻度を表す。カテゴリＡ，Ｂでそ
のヒストグラムを比べるとカテゴリＡはカテゴリＢに比
べ大きな面積で峰のピークが存在することがわかる。こ
れは「カテゴリＡの欠陥の面積が、概してカテゴリＢの
欠陥に比べ面積が大きい」という性質を表している。

【００２１】次に、欠陥の円形度の計算方法について説
明する。円形度の計算方法としては、種々の方法が考え
られるが、ここでは一例として、上記欠陥面積を計算す
るために設定したしきい値での２値化処理結果画像にお
ける、欠陥領域の面積（Ｓ）と周囲長（Ｌ）を用いて行
うこととする。

【００２２】本方式では、対象欠陥が真円である場合、
その面積（Ｓ）と周囲長（Ｌ）との間には、Ｓ／Ｌイ＝１／４π （ここでπは円周率）・・・（数１）の関係があることを利用し、欠陥領域の面積Ｓと周囲長
Ｌを画像処理により求め、４π×Ｓ／Ｌイの値を計算
し、その値が１に近いほど円形に近く、０に近いほど細
長い形状であることを表すこととする。画像処理によ
る、欠陥領域の面積Ｓの求め方は前記した方法と同様に
求めることができる。

【００２３】周囲長Ｌの求め方については幾つか考えら
れるが、ここでは、面積Ｓを求めるために行った２値化
処理において、しきい値より明るい階調値を持つと判定
された画素の集合を包含する最小の凸多角形を求め（こ
の凸多角形を凸包と呼ぶ）この凸包の線分長の合計を周
囲長と呼ぶこととする。

【００２４】円形度について、カテゴリＡ，Ｂそれぞれ
の教師データについてその値のヒストグラムを示した例
が、図２（ｂ）である。カテゴリＡの欠陥の円形度は、
カテゴリＢの欠陥の円形度にくらべそのヒストグラムの
峰が１に近いところにあることがわかる。これは、「カ
テゴリＡの欠陥方がカテゴリＢの欠陥よりも円形度が高
い」という性質を表している。最後に、作成されたヒス
トグラムをこの後に説明する分類処理のため、その積分
値が１になるように正規化を行う。以上が教師データを
用いた教師ヒストグラムの作成処理である。

【００２５】次に、２．教師ヒストグラムを用いた分類
処理について説明する。これは、カテゴリＡ，Ｂのどち
らに属するかが不明な被分類データＴに対し、データＴ
がカテゴリＡ，Ｂのいずれかに属するかを自動判定する
処理である。先ず、このデータＴに対し、教師ヒストグ
ラムに対してその面積と円形度を計算したときと同様の
方法で、面積（Ｓ１とする）と円形度（Ｖ１とする）を
計算する。

【００２６】次にそれらの特徴値（Ｓ１とＶ１）が、そ
の特徴量について、各カテゴリにどの程度属するかを表
す帰属度を計算する。指標値としては、データＴについ
て計算した特徴量の値のその特徴の各カテゴリの教師ヒ
ストグラムにおける頻度値とする。各教師ヒストグラム
はその面積値が１になるように正規化してあるので、こ
の頻度値がそのカテゴリに属する確率値となる。

【００２７】この指標値の計算方法を説明したのが図３
である。図３（ａ）では、一例として、面積Ｓに関する
教師ヒストグラムにおいて、Ｓ１に対応するカテゴリ
Ａ，Ｂの頻度値がそれぞれ、０．５，０．２である場合
を示している。この場合、被分類データＴは、面積特徴
に関してみると、カテゴリＡへの帰属度が０．５であ
り、カテゴリＢへの帰属度が０．２である。図３（ｂ）
は、一例として、円形度に関しカテゴリＡ，Ｂへの帰属
度が、それぞれ０．３，０．１であった場合を示してい
る。

【００２８】次に、これらの帰属度の値を用いて、被分
類対象ＴがカテゴリＡ，Ｂのいずれに属するかの総合的
な評価値を計算する。この評価値の計算方法については
幾つかの方法が考えられるが、以下にその２つの例につ
いて説明する。

【００２９】その１つめの例としては、評価値を全ての
特徴量についての帰属度値の和と定義し、最も評価値の
大きなカテゴリにデータＴが属すると決定する方法があ
げられる。例えば先の例では、特徴量は、面積と円形度
という２種類であるため、それらの帰属度の和を計算
し、カテゴリＡに属するという評価値は、０．５＋０．
３＝０．８、カテゴリＢに属するという評価値は、０．
２＋０．１＝０．３となる。

【００３０】そこで、上記の例では、データＴはカテゴ
リＡに属すると結論付ける。この計算方法によれば、評
価値に対するしきい値を設け、いずれのカテゴリに対し
てもその評価値があるしきい値に満たない場合は、どこ
のカテゴリにも属さないとの結論を導くことも可能であ
る。

【００３１】評価値の計算方法の２つめは、各特徴値の
間に重みを持たせて計算する方法である。本方法では、
各カテゴリへの評価値は以下の式で計算される。

【００３２】評価値＝ａｌ×（特徴１の帰属度）＋ａ２×（特徴２の帰属度）＋．．．＋ａＮ×（特徴Ｎの帰属度）（ａｌ，，，，ａＮ：重み係数）・・・（数２）ここで、ａｌ，，，ａＮは各特徴量の帰属度を全体の評
価値にどの程度含めるのかを決定する重み係数である。
ここでこの重み係数を、評価値を計算するカテゴリ毎に
設定すれば、各カテゴリに対する評価値を、よりその特
徴量の種類に適した方法で計算できる。これはカテゴリ
毎に、各特徴量が与える影響が異なる場合にその違いを
吸収して総合評価を行うことができるからである。

【００３３】図４の表は、該計算方式を説明するための
図であり、図１に例えば欠陥カテゴリＡ，Ｂの欠陥分類
を行う場合の、各カテゴリと各特徴量の間の重みを表し
たものである。カテゴリＡでは、欠陥面積に対する重み
が０．４、欠陥円形度に対する重みが０．６となってい
る。この場合、カテゴリＡ，Ｂに対する評価値は、それ
ぞれ以下の様になる。カテゴリＡ評価値＝０．４×面積特徴値＋０．６×円形度特徴値…（数３）カテゴリＢ評価値＝０．２×面積特徴値＋０．８×円形度特徴値…（数４）この意味は、カテゴリＡに属する欠陥の特徴としては、
面積よりもその円形度の重みを多くして評価した方がカ
テゴリＡらしさを表すことができるとあらかじめわかっ
ている場合に好適となる。同様のことがカテゴリＢにつ
いてもいえる。本計算方法で、重みａＮを０とすれば、
そのａＮに対応する特徴量Ｎを、カテゴリへの評価から
除外することになる。このようにすれば、各カテゴリに
対して評価に必要な特徴量のみを選択して、評価値を計
算することが可能となる。

【００３４】尚、図４の表に示した情報、つまり、どの
特徴量がどのカテゴリに対しどの程度影響を与えるかを
示す情報は分類処理を行うユーザが任意に設定するもの
とする。

【００３５】以上、画像特徴を利用した、ファジイ方式
による分類処理の内容について、２カテゴリＡ，Ｂのい
ずれかに属する欠陥を面積と円形度という２特徴量を用
いて自動分類する例を用いて説明した。なお、半導体製
造工程で発生する実欠陥の自動分類では、分類すべきカ
テゴリは、対象製品と工程から決定され、そのカテゴリ
数は数個から数十個になることが考えられる。この場合
は、分類特徴量もそのカテゴリ数と同程度もしくはそれ
以上の種類を用意し、上記で説明した分類処理と同様の
処理で実現することができる。

【００３６】以上の実施例は、人手により画像処理パラ
メータをチューニングして特徴量を計算し、その特徴量
を用いて分類処理を行う例を示している。しかし、分類
対象となるカテゴリの増加や、分類特徴量が増加するに
従い、人手によりパラメータをチューニングするのは困
難になる。そこで本発明の第二の実施例である、パラメ
ータチューニングを必要としないファジイ投票方式によ
る画像分類方式について次に説明する。

【００３７】本実施例も、先の第一の実施例と同様に、
１、教師データによる教師ヒストグラムの作成、２、教
師ヒストグラムを利用した分類処理の２つのステップか
らなる。

【００３８】１．教師ヒストグラムの作成では、各カテ
ゴリの教師画像に対して、各特徴量の値を計算しヒスト
グラムを作成する。本実施例では、前記の第一の実施例
と異なり、特徴量の計算の際に必要な画像処理パラメー
タを人手によりチューニングするのではなく、パラメー
タ値として予め複数個の値を決定し、それら複数個の値
をパラメータ値とした場合の特徴量を全て計算し、パラ
メータ値毎にヒストグラムを作成する。その後、それら
の複数個のヒストグラムの中から、分類に寄与するヒス
トグラムのみを選択するものとする。以下で、複数個の
画像処理パラメータによるヒストグラム作成と、ヒスト
グラム選択について具体的に説明する。

【００３９】例として、図１に示すカテゴリＡ，Ｂの欠
陥を分類する場合においてその面積と円形度を用いて分
類することを考える。この処理において設定すべき画像
処理パラメータは画像の２値化しきい値である。そこ
で、人手によるチューニングを避けるため、予め設定し
た複数個の２値化しきい値を用いて、各しきい値を用い
て面積を計算し、それぞれの面積値に関するヒストグラ
ムを作成する。

【００４０】今、処理対象となる画像が１画素あたり８
ビットのデータ量を持つものとすると、その階調値は０
から２８−１、つまり０から２５５の値になる。つまり
２値化しきい値として取りうる値は、０から２５５まで
の整数値に限られる。そこで、この範囲内で複数個の２
値化しきい値を与えるものとする。例えば、しきい値を
１００階調から２００階調まで２０毎に設定すれば、６
個の値の異なる２値化しきい値を用いて６個のヒストグ
ラムを作成することになる。どれだけのしきい値をどの
ように設定するかは、ユーザが任意に指定することが可
能である。

【００４１】しきい値の一例を示したのが図５である。
（ａ）に示すグラフは、図１（ｃ）のグラフを再掲した
ものであり、（ｂ）のグラフは、図１（ｄ）のグラフを
再掲したものである。図中の点線が、設定された２値化
しきい値を示している。この例は、画像の１画素が１バ
イトである場合を示しており、設定されたしきい値の数
を５、しきい値はそれぞれ、２０，７０，１２０，１７
０，２２０とした場合を示している。

【００４２】図６は、前記の異なる５つの２値化しきい
値を設定して計算した欠陥面積について作成した５つの
ヒストグラムの例を示している。カテゴリＡに属する欠
陥のヒストグラムは、そのしきい値の値によりその面積
値のヒストグラムのピーク位置が変化していることがわ
かる。これは、図５（ａ）からわかるように、しきい値
が２０から２２０つまり小さな値から大きな値になるに
つれて、計算される欠陥面積が小さくなるからである。
一方、カテゴリＢに属する欠陥についてはしきい値が２
０から１７０まで変化する場合は、ほとんどそのピーク
位置が変化しないことがわかる。

【００４３】しきい値を２２０とした場合には、図５
（ｂ）からわかる通り、しきい値より大きな階調値を持
つ画素数が少ないため、欠陥面積が小さく計算され、し
きい値を２０から１７０として計算した場合にくらべ、
そのヒストグラムのピーク位置が左に移動している。

【００４４】カテゴリＡ，Ｂのヒストグラムを比較して
みると、しきい値が２０や２２０と設定した場合のヒス
トグラムでは、その両者のピーク位置が比較的近いのに
対し、しきい値を１７０としたヒストグラムでは、その
ピーク位置に顕著な違いがあることがわかる。

【００４５】次に、複数のヒストグラムから教師ヒスト
グラムの選択を行う。これは、教師ヒストグラムはその
ピークがカテゴリ毎で分離している状態の方が分類に好
適であるということを利用するもので、上記の５個のヒ
ストグラムから最も分類処理に寄与するヒストグラムを
一つ教師ヒストグラムとして選択するものである。

【００４６】図６のしきい値２０でのヒストグラムを教
師ヒストグラムとして、カテゴリＡ，Ｂの分類処理を行
うことに比べれば、しきい値１７０でのヒストグラムを
教師ヒストグラムとして分類した方が精度の高い分類が
期待できる。これは、しきい値１７０で作成したヒスト
グラムの方がしきい値２０で作成したヒストグラムに比
べ、カテゴリＡ，Ｂの面積特徴としての統計的性質の違
いが、より顕著に現れているからである。

【００４７】そこで、ヒストグラム選択では、カテゴリ
毎のヒストグラムの分離度が高ければ高いほど、分類に
寄与するものと仮定し、しきい値を変えて計算した特徴
値ヒストグラムのそれぞれについて、カテゴリＡとカテ
ゴリＢの分離度を計算し、最も分離度が高いものを選択
することとする。分離度の指標については、カテゴリ
Ａ，Ｂのヒストグラムをその最高頻度の値が等しくなる
ように両者のヒストグラムを正規化し、正規化後のヒス
トグラムについてその重なりの面積値を指標とする。分
離度が高い場合には面積の重なりは小さくなる。図６に
示すヒストグラムについては、しきい値１７０で求めた
ヒストグラム（ｄ）についてはその重なりがないことか
ら、このヒストグラムが教師ヒストグラムとして選択さ
れる。

【００４８】円形度の計算についても、欠陥の面積を用
いることからその２値化しきい値が問題となる。これも
同様の考え方により複数個の２値化しきい値で円形度を
求めたヒストグラムを作成し、最も分類に寄与する教師
ヒストグラムを選択するものとする。つまり、図１に示
す欠陥の分類処理では、面積と円形度の２つの特徴につ
いて、それぞれ２値化しきい値の異なる１０個のヒスト
グラムを作成した後、それぞれ分類に最も寄与するヒス
トグラムを１つづつ選択した結果、結局２つの教師ヒス
トグラムが得られることになる。

【００４９】なお、ヒストグラムの選択において、複数
のヒストグラムからそれらの分離度を用いて１ヒストグ
ラムのみを選択するのではなく、図６に示す複数個のヒ
ストグラムをユーザに提示し、ユーザが任意に選択する
ヒストグラムを決定してもよい。以上が教師ヒストグラ
ムの作成処理である。

【００５０】次に、２．教師ヒストグラムを用いた分類
処理について説明する。教師ヒストグラムを用いた分類
処理に関しては、人手によるパラメータチューニングを
必要とするファジイ投票方式を用いた分類処理と同様に
行うことができる。被分類対象からの特徴値算出では、
選択された教師ヒストグラムを計算するのに使われた画
像処理パラメータのみを用いて特徴値を計算すればよ
く、複数の画像処理パラメータに対して特徴値を計算す
る必要はない。以上が、人手によるパラメータチューニ
ングを回避したファジイ投票方式による自動分類処理で
ある。

【００５１】図７は、本発明による分類処理を備えた欠
陥分類装置の構成図である。６０１はホストコンピュー
タであり分類処理全体の制御を行うものである。６０２
は画像処理部であり、入力された画像データに対し、ホ
ストコンピュータから与えられる指示に従って画像処理
による特徴量を計算する。６０３は分類処理部であり、
画像処理部において計算される特徴値を用いて、ホスト
コンピュータから与えられる指示に従って分類処理を行
う。６０４は画像データ格納部である。ここには、教師
画像と被分類対象画像データの両者が格納される。６０
５は分類情報格納部である。

【００５２】ここに格納される分類情報とは、分類対象
の属性情報、分類すべきカテゴリの数、分類処理に用い
る特徴量の種類、特徴量とカテゴリ間の重み付け情報、
各特徴量を計算するときに必要となるしきい値等であ
る。なお、分類対象の属性情報とは、例えば画像の撮像
条件、対象となる半導体製品の製品名、製造工程等の情
報である。また、１０６は表示部であり、分類情報格納
部に記憶される情報や、画像処理部で得られた特徴量、
画像処理部においてなされる画像処理の結果画像、分類
処理部で作成されるヒストグラム、各ヒストグラムの分
離度等の情報を表示するものである。１０７は操作部で
あり、ホストコンピュータに対しその操作を行う部分で
ある。

【００５３】図８は、図７に示す構成をもつ画像分類装
置における教師データ作成処理の流れ、図９はカテゴリ
未知データに対する分類処理の流れを示したものであ
る。

【００５４】６０５分類情報格納部には、分類に必要な
情報、例えば、分類カテゴリ数、分類特徴量の種類、特
徴量を計算するのに用いられるパラメータ値、特徴値と
分類カテゴリ間の重み付け情報等が予め設定されている
ものとする。また、画像データ格納部には、教師ヒスト
グラム作成に用いる教師データ及び、どのカテゴリに属
するのかが不明な被分類対象データの双方が格納されて
いるものとする。

【００５５】まず、操作部からホストコンピュータに対
し、教師ヒストグラムを作成する旨の指示が伝達され
る。画像処理部では、ホストコンピュータからの指示に
より、画像データ格納部より教師データをとりこみ、画
像処理を用いて特徴値を計算する。計算すべき特徴量の
種類や、その際に必要となる画像処理パラメータ値は、
分類情報格納部に記憶されており、ホストコンピュータ
を経由して画像処理部に転送される。画像処理の処理結
果や計算された特徴値は、ホストコンピュータを経由し
て表示部に表示される。全ての教師データについて特徴
量の計算が終了したら、計算された特徴値が分類処理部
に転送される。

【００５６】分類処理部では、カテゴリ毎に特徴値のヒ
ストグラムを作成する。ヒストグラムを作成する際に
は、各教師データがどのカテゴリに属するのかを示す情
報が必要であるが、この情報は、分類情報記憶部に記憶
されており、ホストコンピュータを経由して分類処理部
に転送される。分類処理部では、作成されたヒストグラ
ムに対してそのヒストグラムが分類に寄与するかの評価
を行い、分類処理に用いる教師ヒストグラムのみを選択
する。

【００５７】ヒストグラムの評価方法については分類情
報格納部に格納されており、ホストコンピュータを経由
して分類処理部に転送される。必要により、作成された
ヒストグラムもしくはそれらの中から選択された教師ヒ
ストグラムが表示部に表示される。この場合、作成され
たヒストグラムを表示部に表示し、ユーザがその中から
教師ヒストグラムとして選択すべきヒストグラムを指定
しても良い。

【００５８】教師ヒストグラムの作成の終了後、その旨
をホストコンピュータに伝え、ホストコンピュータで
は、その旨を表示部に表示する。

【００５９】カテゴリ未知データに対する分類処理で
は、操作部より、被分類データに対する分類処理を行う
旨がホストコンピュータに対して伝達される。画像処理
部では、ホストコンピュータから指示を受けて、画像デ
ータ格納部より被分類対象データを読み込み、特徴値を
計算する。計算された特徴値や画像処理結果は１０６表
示部に表示することが可能である。計算された特徴値
は、分類処理部に転送される。

【００６０】分類処理部では、分類情報格納部からホス
トコンピュータを通じて、各カテゴリと特徴量の間の重
み付け情報を取得する。そして作成された教師ヒストグ
ラムを該重み付け情報を用いて被分類データがどのカテ
ゴリに属するかを判断する分類処理を行い該データがど
のカテゴリに属するか決定し、その結果をホストコンピ
ュータに転送する。分類処理の際計算される中間デー
タ、例えば、各特徴値毎についての、各カテゴリへの帰
属度や、カテゴリと特徴量の重み付け情報等は、必要に
応じて１０６表示部に表示される。また、必要に応じ、
この表示された情報を基に、ユーザがその重み付け等の
分類に関する情報を新たに決定し、操作部より入力する
ことで再分類を行うことが可能である。

【００６１】画像データ格納部内の、処理対象データの
全ての分類処理が終了したならば、ホストコンピュータ
に対し、処理終了の旨を伝え、ホストコンピュータでは
その旨を表示部に表示する。ユーザは処理終了後に、各
分類対象データがどのカテゴリに属するかを表示部より
確認することができる。

【００６２】図１０は該表示画面の一例を示したもので
ある。画面は、教師ヒストグラム作成処理や、分類処理
を行う際に必要な情報をユーザと分類装置間でやりとり
するためのものである。画面に表示された９０３領域指
示カーソルをもちいて、画面上の各部を操作することが
できる。指示カーソルの動く方向は、６０７から与える
ことができる。９０１は動作指示部である。ここでは、
ユーザが装置に対し教師ヒストグラムの作成の開始や分
類処理の開始を指示することが出来る。９０２は検査情
報表示部であり、分類対象である半導体ウェハの異物又
は外観検査の情報や分類に必要な情報を表示する。

【００６３】例えば、製品名や工程名、ウェハ全体での
総欠陥数チップ毎の欠陥数、欠陥カテゴリの数や種類等
である。９０８は特徴量情報表示部である。分類処理に
用いる特徴量やそれら特徴量を計算するのに必要な処理
パラメータ、その処理パラメータに与える設定値、特徴
量と分類カテゴリとの重み付けなどの関係が表示され
る。９０４は画像情報表示部である。ここでは教師ヒス
トグラム作成用の教師データや非分類対象データに関す
る情報、例えば画像名や画像サイズ、撮像条件等であ
る。９０５は画像処理結果表示部である。

【００６４】ここでは、９０９欠陥画像表示部において
欠陥画像を表示したり、９１０画像処理結果処理部にお
いて、画像処理において作成される中間処理画像や処理
結果データを表示する。９０６はヒストグラム表示部で
あり、作成されたヒストグラムが表示される。また、画
像処理パラメータに複数の値を設定して作成したヒスト
グラムを全て表示し、どのヒストグラムが教師ヒストグ
ラムとして選択されたかがすぐにわかるようになってい
る。また、９０３指示カーソルを用いて、ユーザがパラ
メータ値を変更して作成した複数のヒストグラムから教
師ヒストグラムを選択することが可能である。また９０
７にはヒストグラムに関する統計的情報が表示される。

【００６５】以上説明した、本実施例によれば、画像パ
ラメータのチューニングを行うことなく、分類処理に好
適な教師ヒストグラムを得ることが可能になる。また得
られた教師ヒストグラムもちいて分類処理を行う場合
に、それら特徴量間の重みを変更することができるた
め、より精度の高い分類処理を行うことが可能となっ
た。また、６０６表示部に、画像処理結果、分類処理結
果等を表示できるため、現在行われている分類処理が分
類に好適な条件で行われているかの確認が容易である。
また、６０５分類情報部に、教師ヒストグラム選択の選
択ルールや特徴量間の重みを設定できるため、分類すべ
きカテゴリの変更や、分類に用いる特徴量の種類の変更
などが容易となった。

【００６６】かかる自動分類装置を用いた半導体欠陥画
像自動分類装置を実半導体生産ラインで用いれば、さま
ざまな製品の様々な製造工程の半導体ウェハの欠陥分類
が高精度で行うことができ、大量の欠陥が発生した場合
でも、どの種類の欠陥がどれだけ発生しているかのモニ
タが容易になるため、欠陥発生要因への早期な対策が可
能となる。

【００６７】

【発明の効果】本発明によれば、画像分類の為に必要と
なる特徴量抽出を行う場合において、画像処理パラメー
タをチューニングする必要が生じない。また複数の特徴
量の内、分類処理に有効となる特徴量のみを使用して処
理を行うことができるため、精度の高い分類結果を得る
ことができる。半導体製造工程で発生する欠陥分類装置
に、本発明を利用すれば、欠陥画像の自動分類を高精度
に実現することができ、人手による欠陥のレビュー作業
を効率よく行うと共に、早期の欠陥発生対策を行うこと
が可能となる。

【図面の簡単な説明】

【図１】本発明の実施例にかかる分類対象を示した図で
ある。

【図２】本発明の実施例にかかる教師ヒストグラムを示
した図である。

【図３】本発明の実施例にかかる、カテゴリＡ，Ｂへの
帰属度の計算を説明するための図である。

【図４】本発明の実施にかかる、特徴量とカテゴリ間の
重みを表示した図である。

【図５】本発明の実施にかかる、複数の異なるしきい
値、及び、それらのしきい値で計算した欠陥面積のヒス
トグラムを表した図である。

【図６】本発明の実施にかかる、複数の異なるしきい
値、及び、それらのしきい値で計算した欠陥面積のヒス
トグラムを表した図である。

【図７】本発明の分類方法を実現する分類装置の構成を
示した図である。

【図８】本発明の実施にかかる教師ヒストグラム作成を
説明した流れ図である。

【図９】本発明の実施にかかる分類処理を説明した流れ
図である。

【図１０】本発明の実施にかかる表示画面の構成を示し
た図である。

【符号の説明】

１０１…欠陥画像、１０２…異物欠陥、１０３…傷欠
陥、６０１…ホストコンピュータ、６０２…画像処理
部、６０３…分類処理部、６０４…画像データ格納部、
６０５…分類情報格納部、６０６…表示部、６０７…操
作部、９０１…動作指示部、９０２…検査情報表示部、
９０３…領域指示カーソル、９０４…画像情報表示部、
９０５…画像処理結果表示部、９０６…ヒストグラム表
示部、９０７ヒストグラム情報表示部、９０８…特徴量
情報表示部、９０９…欠陥画像表示部、９１０…処理結
果表示部。

───────────────────────────────────────────────────── フロントページの続き (72)発明者下田篤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)発明者小原健二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事業部内 (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事業部内Ｆターム(参考） 2G051 AA51 AB01 AB02 AB20 CA03 CA04 EA09 EA11 EA14 EB01 EB02 EC01 EC02 EC03 ED07 ED11 FA10 5L096 BA03 BA08 BA18 EA43 FA35 FA54 FA59 FA70 FA81 GA51 GA57 9A001 BB05 FF03 GG05 HH23 JJ45 KK54

Claims

【特許請求の範囲】

【請求項１】被撮像物がどのカテゴリに属するかが未知
である画像データに対して、画像処理を行う事により、
該画像データに関する統計的特徴量を抽出し、該特徴量
を用いて、被撮像物がどのカテゴリに属するのかを決定
する画像自動分類方法において、抽出すべき特徴量の種
類を設定する第１のステップと、設定された特徴量の各
々について、該画像データに対し、特徴量を計算する第
２のステップと、計算された複数個の特徴量から、分類
処理に用いる特徴量を選択する第３のステップと、選択
された特徴量のみを用いて、分類処理を行う第４のステ
ップとから、なることを特徴とする画像自動分類方法。
【請求項２】被撮像物が、どのカテゴリに属するかが未
知である画像データに対して、画像処理を行う事によ
り、該画像データに関する統計的特徴量を抽出し、該特
徴量を用いて、被撮像物がどのカテゴリに属するのかを
決定する画像自動分類装置において、抽出すべき特徴量
の種類を設定する手段と、画像処理により上記特徴量を
計算する手段と、上記計算された特徴量から、分類処理
に用いる特徴量のみを、あらかじめ定められた基準に基
づいて選択する手段と、上記計算された特徴量データを
表示する手段と、選択された特徴量データを表示する手
段と、上記選択された特徴量を用いて分類処理を行う手
段と、を備えることを特徴とする画像自動分類装置。
【請求項３】被撮像物が、どのカテゴリに属するかが未
知である画像データに対して、画像処理を行う事によ
り、該画像データに関する統計的特徴量を抽出し、該特
徴量を用いて、被撮像物がどのカテゴリに属するのかを
決定する画像自動分類方法において、抽出すべき特徴量
の種類を設定する第１のステップと、設定された特徴量
の各々について、特徴量計算に必要な処理パラメータに
異なる複数個の値を設定して、複数個の特徴量を計算す
る第２のステップと、上記複数個のパラメータ値を与え
て計算された複数個の特徴量から任意個の特徴量を選択
する第３のステップと、選択された特徴量のみを用い
て、分類処理を行う第４のステップとからなることを特
徴とする画像自動分類方法。
【請求項４】被撮像物が、どのカテゴリに属するかが未
知である画像データに対して、画像処理を行う事によ
り、該画像データに関する統計的特徴量を抽出し、該特
徴量を用いて、被撮像物がどのカテゴリに属するのかを
決定する画像自動分類装置において、抽出すべき特徴量
の種類を設定する手段と、設定された特徴量の各々一種
について、特徴量計算に必要な処理パラメータに異なる
複数個の値を設定する手段と、上記複数個のパラメータ
を用いて画像処理により特徴量を計算する手段と、上記
複数個のパラメータを用いて計算された複数個の特徴量
データから予め与えられた基準により分類処理に用いる
ため特徴量を選択する手段と、上記により選択された特
徴量を用いて、分類処理を行う手段と、を備えることを
特徴とする画像自動分類装置。
【請求項５】被撮像物が、どのカテゴリに属するかが未
知である画像データに対して、画像処理を行う事によ
り、該画像データに関する統計的特徴量を抽出し、該特
徴量を用いて、被撮像物がどのカテゴリに属するのかを
決定する画像自動分類装置において、抽出すべき特徴量
の種類を設定する手段と、設定された特徴量の各々一種
について、特徴量計算に必要な処理パラメータに異なる
複数個の値を設定する手段と、上記複数個のパラメータ
を用いて画像処理により特徴量を計算する手段と、上記
複数個のパラメータを用いて計算された複数個の特徴量
データを表示する手段と、複数個の特徴量データから
の、分類処理に用いる特徴量データの選択を指示する手
段と上記により選択された特徴量を用いて、分類処理を
行う手段と、を備えることを特徴とする画像自動分類装
置。