JP2003515942A - 半導体欠陥用のパワー・アシスト自動監視分類器作製ツール - Google Patents
半導体欠陥用のパワー・アシスト自動監視分類器作製ツールInfo
- Publication number
- JP2003515942A JP2003515942A JP2001541837A JP2001541837A JP2003515942A JP 2003515942 A JP2003515942 A JP 2003515942A JP 2001541837 A JP2001541837 A JP 2001541837A JP 2001541837 A JP2001541837 A JP 2001541837A JP 2003515942 A JP2003515942 A JP 2003515942A
- Authority
- JP
- Japan
- Prior art keywords
- images
- features
- training set
- user
- image
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10056—Microscopic image
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20092—Interactive image processing based on input by user
-
- 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)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
Description
jee、およびSmithほかの「Power Assisted Autom
atic Supervised Classifier Creation
Tool for Semiconductor Defects」という名称
の、米国仮出願第60/167,955号に対する、35U.S.C.§119
(e)の下での優先権を主張する。
第08/958,288号。 2.1997年10月27日に出願された、Hardikarほかの米国出願
第08/958,780号。
5,226,118号。
ェア制御の光学、eビーム、または他の種類の半導体ウェハ用の検査システムに
関する。
に大きく影響し得る新たな欠陥が製造工程に出現している。これらの変化は、半
導体製造業者が、その製造工程を詰めて歩留まり学習曲線を短縮するために、よ
り速く正確にかつ一貫してこれらの歩留まりを制限する欠陥を検出し分類する新
しい技術を採用することを求めている。同時に、製品のライフサイクルが収縮し
ていることや、時間対市場の要求が短縮されていることは、製造工場がその収益
性目標を満たすために、新しい製品に関するその製品ランプ・アップを速めるこ
とを強いている。そしてこれは、より速い自動欠陥分類(ADC)セットアップ
に対する必要性が、製造工場がランプ工程を遅くすることなく、ADCの利益を
獲得できることを確実にさせている。
アップするために、疑われる欠陥を探して人間が半導体ウェハを視覚的に検査し
て、欠陥の種類や原因を分類することを求めている。この分類を行うために、人
間は、任意の順序で提示される数百の画像を区分しなければならない。この工程
には何時間もかかり、製造のコストを増加させる。さらに、熟練した人間のオペ
レータでさえも幾分か遅く、誤りを犯しがちである。
れた欠陥の種類を分類するのを支援する。グラフィカル・ユーザ・インターフェ
ースは、人間のユーザが自動監視分類器ソフトウェアを介して、欠陥のある画像
を手動で分類することを可能にし、さらに、ユーザが自分の手動の分類を、自動
監視分類器ソフトウェアによって判断された分類と対照することを可能にする。
半導体欠陥分類用の自動監視分類器を製作するために、人間のユーザは次の2つ
の手動のタスクを行わなければならない。
。 (ii)この分類スキームを備えた自動監視分類器に関する良好なトレーニン
グ・セットの例の作成。
を達成することを補助するツールを提供する。 本明細書中で説明する実施形態は、切れ目なく互いに相互作用する次の4つの
主要な構成要素を含む。
表示するグラフィカル・インターフェースである。 (ii)動的自動監視分類器:欠陥のリストを与えられると、ユーザは欠陥の
任意のセットを手動で分類またはトレーニングすることが可能になる。残りの欠
陥は、それに応じて動的に分類され、その結果得られる分類器の全体的パフォー
マンスが計算される。
分類器のパラメータを視覚化して、さらに最適化することを可能にする。(ii
)におけるように、その結果得られるパフォーマンスは直ちに視認できるように
なる。
の点からフィーチャ・スペースのレイアウトおよび構造をユーザが視覚化するこ
とを可能にする方法で、画像をグルーピングして、ユーザが、良好な分類スキー
ムおよび良好なトレーニング・セットの例の両方を作成することを助ける。
像を分類する際にユーザを支援する。たとえば、画像は、走査型電子顕微鏡(S
EM)、KLA−Tencorの2132検査ツールなどの欠陥検査システム、
または画像を生成してその中の誤りを検出するために用いられるあらゆる類似の
機器から受け取ることができる。特定の実施形態において、画像は2つ以上の種
類の入力源から来ることがあり得る。たとえば、画像はSEMおよび2132検
査ツールの両方から受け取ることができる。異なった入力源から受け取った異な
る種類の画像は、欠陥分類の際の助けとなるが、これは、分類される欠陥に関し
て、より多くの情報を生成する異なった種類の画像が提供されるからである。画
像はウェハ上の点の位置でもあり得る。
を示したブロック図である。上記のように、欠陥のある画像は、光学、eビーム
、または他の種類の検査システム102、SEMまたは2132検査ツールなど
の外部源から受け取ることが好適である。欠陥のある画像から分類システム10
4に欠陥が発生したことがわかるが、種類または原因に関する欠陥の分類はしな
い。欠陥が分類された後に、以下で説明するように、欠陥はKLA−Tenco
rのKLArityシステムなどの分析器106に送られるが、その例は上記で
参照した米国特許出願第08/958,288号および第08/958,780
号に記載されている。
ーム、または他の種類の検査システムの概略を示したブロック図である。上記の
ように、欠陥のある画像は、光学、eビーム、または他の種類の検査システム1
02、SEMあるいは2132検査ツールなどの外部源から受け取ることが好適
である。これらの画像は、エッチング、フォトリソグラフィ、堆積、CMP、ま
たは他の何らかの製造工程に関連し得る。欠陥のある画像から分類システム10
4に欠陥が発生したことがわかるが、種類および原因に関する欠陥の分類はしな
い。分類された後に、下記のように、欠陥はKLA−TencorのKLAri
tyシステムなどの分析器106に送られるが、その例は上記で参照した米国特
許出願第08/958,288号および08/958,780号に記載されてい
る。分析器106の出力は、検査システムを微調整するためにフィードバックと
して用いる。
を上げたり下げたりするために、検査システムを微調整することができる。たと
えば、システムがあまりにも多くの誤りまたは、特定の製造工程に関連しない誤
りを発見している場合には、システムを微調整してその感度を下げることができ
、検出される誤りがより少なくなる。別の例として、十分な誤りが検出されてい
ない場合、または特定の種類の誤りが検出されていない場合には、より多くの誤
りまたは所望の種類の誤りの検出につながるデータを検出するために、さらに感
度がよくなるように検査システムを調節することができる。特定の実施形態にお
いて、感度を上げると、誤り検出が幾何級数的に増加することが観察されている
。かかるシステムにおいて、ADCへのフィードバックを用いて、照明、感度ま
たは感知(光学、eビームなど)、検出の閾値、フィルタリング、および/また
は偏光を含むがこれらに限定されない、検査パラメータを制御することができる
。
えば、特定の機械からあまりにも多くの誤りが検出された場合には、分析部から
のフィードバックを用いてその工程またはその機械を停止することができる。同
様に、静的または動的の何れかで、フィードバックを用いてロット(lot)を最低
の誤り率の機械または工程に向け直すこともできる。
で検査および分析/分類工程を行う。(この一例を図10(c)のシステムに示
した。)かかるシステムにおいて、検査システム1052をシステム1004の
内部に示し、それが分析器1056と同じシステムの一部であることを表した。
示したブロック図である。ウェハ欠陥のある画像などの画像のワーキング・セッ
ト208が、ユーザの検討のために表示されている(図3に関連して以下で説明
するように)。人間のユーザ210は、ワーキング・セットにおいて欠陥のある
画像を検討することができる。
成に従って表示されるように要求することもできる。人間は、画像によって表現
された欠陥の種類に関するその人間の理解に応じて、欠陥のある画像を手動でク
ラス(「ビン」とも呼ばれる)に分類することができる。現在、Kohonen
マッピング技術を利用して、欠陥のある画像に関して抽出された特徴を用いて欠
陥のある画像を自然にグルーピングしている。Kohonenマッピングは、た
とえば、T.Kohonen、「The Self−Organizing M
ap」、Proceedings of the IEEE、Vol.78、1
990年、1464〜1480ページにおいて説明されており、これは参照によ
り本明細書に組み込む。自然なグルーピングのための他の方法、N.Otsu、
「A Threshold Selection Method from G
ray−Level Histograms」、IEEE Trans.Sys
tems,Man,and Cybernetics、Vol.SMC−9、1
979年、62〜66ページ(参照により本明細書に組み込む)に記載されてい
る方法であるK平均、あるいは共通の特徴に従って欠陥のある画像をグルーピン
グする他の任意の適切な技術または方法などを用いることができる。説明した実
施形態において、自然なグルーピング212および自動分類器204の両方が同
じ特徴セットを用いている。
置くべき画像を選択できる。画像を選択して、そして、ユーザはトレーニング・
セットのクラス/ビン(class/bin)に画像/欠陥を手動で追加する。
特徴は選択された画像から抽出されて、「トレーニング分類器」の動作の間にク
ラス/ビンと共に記憶される。そして、分類器は一連の画像(セットW−Tなど
)を分類し、ユーザは分類器の決定において発見された誤りを検討する。たとえ
ば、ユーザはコンフュージョン・マトリックスを見て、分類器はどこでユーザの
分類と異なっていたかを判断することができる。そして、ユーザは、たとえばド
ラッグ・アンド・ドロップ・インターフェースを介して画像を付加、削除または
再分類することにより、トレーニング・セットを改善して、納得できる結果が達
成されるまで分類器のパフォーマンスを再評価する。
徴抽出機ソフトウェア206はトレーニング・セット内の各画像に関する一連の
予め定義された特徴を抽出する。画像に関する一連の特徴を記憶したデータ構造
を、その画像の「特徴ベクトル」と呼ぶ。特徴ベクトルは、特定の画像に関する
各特徴の値を含む。
ものを含むがこれらに限定されない。 a)サイズ、明るさ、色、形状、テクスチャ、慣性モーメント、コンテキスト
、ウェハ・フィーチャへまたは他の欠陥への近接、隣接するフィーチャまたは他
の欠陥への接続性、画像から得られる他の歩留まり関連特性(たとえば、短い、
開いている、ブリッジしている、粒子である、傷があるなど)などの、画像から
抽出された特徴 b)空間クラスタ分析(spatial cluster analysis
)の場合における、ウェハにおける欠陥座標および欠陥座標の空間クラスタ、お
よび c)リストa)およびb)にあるような画像種類情報、分析技術から得られた
複合情報または電気的情報、および問題の欠陥の処理履歴、歩留まり関連性また
は出所に関する情報を含むがこれらに限定されない、演繹的に展開された欠陥に
関する他の情報。本発明の趣旨から逸脱せずに、任意の適切な特徴を抽出できる
ことが理解されるであろう。合成情報または電気的情報を得るために用いられる
分析技術の例は、欠陥を分析する無数の方法およびそれらの歩留まり関連性の概
要を含み、参照により本明細書に組み込む、「Semiconductor C
haracterization:Present Status & Fut
ure Needs」W.M.Bullis編、D.G.Seiler、A.C
.Diebold、American Institute of Physi
cs 1996年、ISBN 1−56396−503−8に記載されている。
像の抽出された特徴を用いて、トレーニング・セット(T)の一部としてユーザ
によって選択されなかった、ワーキング・セット(W)における画像を分類する
(すなわち、画像W−Tのセットを分類する)。本発明の好適な実施形態におい
て、分類器204は、特徴が画像セットW−Tから抽出され、W−Tの各画像は
クラスに属するものとして分類される最近隣法を用いる。一般的に、W−Tの画
像は、構成要素が画像の特徴ベクトルに最も密接に似ている特徴ベクトルを有す
るクラスに属する。他の自動分類方法を用いることができることを理解されたい
。たとえば、特徴ベクトルにおける特徴は重み付けすることができる(ユーザに
よって、または予め定義された重み付けを用いて)。
果は、ユーザの手動分類の結果と比較される。ユーザが、分類器204によって
も分類された任意の画像を分類した場合には、その結果が比較されて、その比較
が視覚的形態でユーザに対して表示される。この時点で、ユーザは自分の分類ス
キームを変更して、それに応じて画像のトレーニング・セットに対する変更を行
うことができる。ユーザは、自動分類の方がより正しいようであると判断した場
合には、自分の手動分類を変更することもできる。
生成されたインターフェースを示している。特に、図3は、本発明の好適な実施
形態に係る「スマート・ギャラリー(Smart Gallery)」ウィンド
ウの例を示している。スマート・ギャラリー・ウィンドウの背後にある主たる目
的の1つは、ギャラリー・ベースの分類能力を提供することである。スマート・
ギャラリーは、ユーザが欠陥の簡潔な画像を調節可能なサイズと解像度で見るこ
とを可能にして、系統立てた様式で欠陥のグループを提示する。また、欠陥を外
観に基づいたグループで提供することにより、分類スキーム作成に際してユーザ
を支援する。
な分類および編成を行うことを可能にすること ・より速い手動ソーティング・スキーム作成 ・より短い手動分類時間 ・より優れた手動分類品質(反復性) ・より速くより効率的な分類器作成工程
ある画像を開き保存し、ワーキング・セットで画像を分類し、トレーニング・セ
ットを作成し操作することを可能にするコマンドを含む。信頼度設定領域304
は、ユーザが、未知の欠陥をトレーニング・セットにどれくらい近くできるかの
調節可能な設定である、信頼度レベルを調節することを可能にする。値は0(最
も緩い設定)から1(最もきつい設定)の範囲にあることが好ましい。変化はコ
ンフュージョン・マトリックス306で動的に見ることができる。
示するために用いられる。コンフュージョン・マトリックスは、画像の現在のセ
ットまたは明示的に選択されたセットの両方について生成することができる。手
動(人間による)分類の結果は、X軸に表示され、分類器204による自動分類
はy軸に表示される。全ての欠陥クラスについて一致する比較の結果(手動およ
び自動の分類結果が一致する場合)は、コンフュージョン・マトリックス上に斜
めに表示される。
ザの選択で、分類されていない順序で表示しても、自然なグルーピングによって
分類または配列されてもよい。ユーザは、ワーキング・セット・ギャラリー30
8からトレーニング・セット・ギャラリー310内に画像をドラッグしドロップ
することが好適である。ここで、トレーニング・セットにおける画像は、ユーザ
指定のクラスで配列されて表示される。トレーニング・セット領域312は、ト
レーニング・セットの構成を含むクラス(「ビン」とも呼ぶ)を表示し、グルー
ピングを定義し、ユーザが新しいクラス/ビンを作成することを可能にする。こ
の領域312が有効であるときに、ユーザはツールバー302を用いて新しいク
ラス/ビンを作成することができる。
プの画像がどのように自然なグルーピングにおいて分散されるかを見ることを可
能にする。グループ内の画像の数は、マトリックス314の要素の番号で表され
る。ユーザはマトリックス314内の要素をクリックして、特定の自然なグルー
ピングにおける全ての欠陥のある画像を見ることができる。
セットの画像が欲しいことを任意選択で示すことができる(たとえば、ツールバ
ーまたはメニュー・アイテムを介して)。そして、ユーザは、領域308からト
レーニング・セットのクラス/ビン310/312内に画像をドラッグしてドロ
ップし、「トレーニング」機能を表示する。トレーニング機能は、トレーニング
・セットのユーザ選択画像の特徴ベクトルを記憶し、それらをクラス/ビンとの
関連で記憶する。一旦トレーニング・セットが表示されると、自動分類器は残り
の画像を分類する。分類器204はトレーニング・セットを用いて画像の何らか
の他のセットを分類することもできる。異なった実施形態においては、分類器2
04はバックグラウンドで動作して、トレーニング・セットが変更されたときは
常に画像を再分類することもでき、ユーザが明示的に動作させることもできる。
分類器204の結果はユーザによって行われた任意の手動分類と比較され、比較
結果はコンフュージョン・マトリックス上に表示される。そして、ユーザは、コ
ンフュージョン・マトリックスの内容に従って、図3の310を介してトレーニ
ング・セットに画像を付加するか、トレーニング・セットから画像を減じること
ができる。
公開第WO00/03234号(発明者:Ben−Porath他)に示された
もののような、不変コア・クラスに応じて自動的にグルーピングすることができ
る。ADC工程の結果は、参照により本明細書に組み込む、1999年11月1
8日公開のPCT公開第WO99/59200号(発明者:Lamey他)に示
されたもののような、総ファブ歩留まり(overall fab yield
)管理システムに組み込むこともできる。本願は、1999年12月29日に公
開されたPCT公開第WO99/67626号(発明者:Ravid)も、参照
することにより一体化している。
コンフュージョン・マトリックス306の一例を示している。この例において、
1つの画像はクラス「3」に一致させられており、3つの画像がクラス「2」に
一致させられており、1つの画像がクラス「1」に一致させられている。マトリ
ックスの隣の「修正」ボタンをクリックすると、一致する結果をハイライト(h
ighlight)させる。「既知の誤り」ボタンをクリックすると、一致して
いない結果をハイライトさせる。「画像」ボタンをクリックすると、マトリック
スの特定の要素を生成するために用いられた画像をユーザが見ることを可能にす
る。
致しないコンフュージョン・マトリックス306の一例を示している。要素45
2は、マトリックスの斜めの列から外れた非ゼロ要素である。
ング・セットにおける画像を分類(sort)された順序で表示することを可能
にする、インターフェースの個々の例502、504を示している。画像は、ロ
ット番号、手動ビン、提案ビン、およびサイズなどの要因によって分類されるこ
とが好ましい。
の方法を示したフローチャートである。要素602において、欠陥のある画像を
探して画像を取り込む。要素604において画像から特徴を抽出する。抽出され
た特徴は自然なグルーピング方法606に入力されるが、これは任意の適切な方
法とすることができる。説明した実施形態において、画像の特徴ベクトルは、既
知のKohonenマッピング技術を用いてグルーピングされる。説明した実施
形態において、Kohonenマップには非乱数を分散させて、グルーピングの
安定性を高め、かつグルーピングを反復可能にする。いくつかの実施形態におい
て、図6(b)に示したように、画像はそれらの自然なグループ(クラスタとも
呼ぶ)に表示される。他の実施形態においては、画像は実際のKohonenマ
ップ・レイアウトを反映するように配置される。
w−ismv.ic.ornl.gov/projects/SSA.html
、2)Gleason S.S.、Tobin K.W.& Karnowsk
i T.P.、「Spatial Signature Analysis o
f Semiconductor Defects for Manufact
uring Problem Diagnosis」、Solid State
Technology、July、1996、3)http://www.d
ym.com/ssa.htm、4)http://www.electrog
las.com/products/knights_datasheets/
spar_ds.htm、および5)http://www.ornl.gov
/Press_Releases/archive/mr19980804−0
0.html.に記載されたような、空間シグナチャ分析(spatial s
ignature analysis)(SSA)技術を用いている。
スタ自体上で行うこともできる。かかる実施形態において、参照により本明細書
に組み込む、T.P.Karnowski、K.W.Tobin、S.S.Gl
eason、Fred Lakhani、SPIE’s 24th Annua
l International Symposium on Metrolo
gy,Inspection and Process Control fo
r Microlithography XIII、Santa Clara
Convention Center、Santa Clara、CA、199
9年2月に記載されたように、分類器は未処理画像の代わりに「クラスタベース
の特徴」を受け取る。かかるシステムはグルーピングおよびKohonenマッ
ピングを、未処理画像ではなくクラスタに適用する。非画像データについて、ク
ラスタリングはEDS指定器(eビーム・システムにおける分析用のX線システ
ムを用いる)によって、またはSSA分析によって収集される。
・グループ308から領域310に表示されたグループ内に、または領域312
のクラス/ビン内に画像をドラッグできる。表示した実施形態において、各クラ
ス/ビンは、現在クラス/グループに割り当てられているクラス・コード、グル
ープ・コード(その自然なグループを反映している)およびいくつかの欠陥のあ
る画像を有している。もちろん、ユーザは希望どおりにクラス/ビンを付加およ
び削除できる(たとえば、ツールバーを介して)。
。そうでなければ、既存のクラス/ビンが開かれる。そして、ユーザは画像/欠
陥をそのクラスに手動で付加する。選択された画像から特徴が抽出されて、「分
類器トレーニング」動作中に記憶される(たとえば、ツールバーを介して)。そ
して、分類器は一連の画像(セットW−Tなど)を分類し、ユーザは分類器の決
定において発見された誤りを検討する。たとえば、ユーザはコンフュージョン・
マトリックスを見て、分類器はユーザの分類とどこが異なっていたかを判断する
ことができる。そして、ユーザは、たとえばドラッグ・アンド・ドロップ・イン
ターフェースを介して画像を付加、削除または再分類することによりトレーニン
グ・セットを改善し、納得できる結果が達成されるまで、分類器のパフォーマン
スを再評価する。
ップ機能802、自動分類器製作機能(auto Classifier Cr
eation)804および分類器機能(classifier functi
on)806を備えた、例示的なユーザ・インターフェースを示している。スマ
ート・ギャラリー・セットアップ機能は、図3のユーザ・インターフェースにつ
ながる。分類器機能は図9のユーザ・インターフェースにつながる。「スマート
・ギャラリー」はKLA−Tencor Corporationの商標である
。
ースを示している。この実施形態は、ツールバー駆動のドラッグ・アンド・ドロ
ップ方法に代わるものである。このインターフェースを用いて、ユーザはトレー
ニング・セット902に欠陥のある画像を付加して、自然なグルーピングのため
および分類器904の特徴抽出器のために抽出する特徴を指定できる。ユーザは
抽出する特徴の数を指定できる(ここでは、80)。ユーザがトレーニング・ボ
タン906を選択すると、トレーニング・セットにおける画像の特徴が抽出され
て、各画像に関する特徴ベクトルとして保存される。各画像のクラス/ビンは、
特徴ベクトルとの関連で保存される。
画像の種類を特徴抽出工程から取り除くことができる。ユーザはボタン910を
用いて、分類器204によって用いられる特徴方法の信頼度を調節することもで
きる。
類器204は、トレーニング・セットにおける画像の特徴ベクトルに従って、一
連の画像W−Tをトレーニング・セットにおけるビンに分類する。
のネットワーク上で分散される、本発明にかかるシステムのブロック図である。
図10(a)において、光学、eビーム、または他の種類の検査システム100
2、分類器1004/104、および分析システム1006(図1参照)がネッ
トワーク上で分散されている。図10(b)において、自然なグルーピング工程
1054、自動監視分類器1056/204、および特徴抽出器1058を含む
分類器1004の要素がネットワーク上で分散されている。自然なグルーピング
工程1054は、ワーキング・セットの特徴を入力として受け取り、ワーキング
・セットの自然なグルーピングを出力する。自動監視分類器1056は、分類さ
れる欠陥のある画像のクラスを出力しながら、トレーニング・セットの特徴およ
びクラスならびに欠陥のある画像の特徴を受け取る。特徴抽出器1058は画像
を受け取り、その画像の特徴を出力する。
も示している。ツール履歴は、たとえば、検査工程および/または製造工程を行
うツールまたは機械のメンテナンス履歴を含む。ツールが提案されたメンテナン
ス・スケジュールに従って補修されている場合には、そのデータは、補修されて
いないツールからのデータよりも多く重み付けすることができる。ツール履歴1
055は、分類器がそのツールからのデータに信頼を与えるために、メンテナン
スを行わなければならないことを示す、検査値の閾値を含むこともできる。この
閾値は個々のツール毎に異なってもよく、特定の種類または機能のツール全てに
ついて同じであってもよい。ツール履歴は、たとえば、同じツールから2種類の
半導体が得られたかどうか(またはどのツールから得られたか)を示すこともで
きる。よって、ツール履歴1055は、たとえば機器IDを含むことができる。
たとえば、ツールAには過去に問題があったことが知られている場合には、ツー
ルAからのデータは、問題のないツールBからのデータとは異なった方法で扱う
ことができる。
してではなく、検査工程中にリアルタイムで行われることを示している。かかる
システムにおいて、検査システム1052は、それが分類器1056と同じシス
テムの一部であることを示すために、システム1004の内部に示されている。
このシステムはレビュー画像(「パッチ」画像)を利用して、リアルタイム検査
を達成する。KLA2350などの新しい検査システムは、検査中に「リアルタ
イム」で動作する画像コンピュータ内に埋め込まれたADCを備えている。iA
DC(集積ADC)システムと呼ばれるこのシステムは、スキャン中に欠陥場所
周囲の「パッチ」を掴み、これらのパッチ中の欠陥ピクセルにADCを行うこと
により機能する。この全ては、追加のスループットを必要としないように、検査
器内のハードウェアで行われる。
分類器は、図1に関連して上記で説明したのと類似の方法で、フィードバック信
号を検査システムに提供できることを示す、点線1003、1053をそれぞれ
含む。
きることが理解されるであろう。たとえば、本発明の概念は、欠陥の種類によっ
て、バックグラウンドで(たとえば、欠陥分析ソフトウェアを実行している間に
)画像を自動的に分類し、そして、全体にわたって各選択された種類の分布が示
されているウェハ・マップとしてその結果を表示することを含むように拡張する
ことができる。これは出力データを用いる1つの方法にすぎない。欠陥場所分布
が欠陥源を識別する際に有用になり得るので、その空間的分布を見る能力と結合
された類似の欠陥を選択する能力(自然なグルーピング)は強力になり得る。K
ohonenマップのクラスタ毎に、a)代表的な画像、およびb)クラスタに
おける欠陥の場所を示した欠陥マップを示すディスプレイを備えることができる
。
ために用いられる光学的検査の新しく有利なシステムおよび方法を提供すること
が明らかになるであろう。
すブロック図である。 図1bは、検査セットアップのために本発明を用いた、半導体光学、eビーム
、または他の種類の検査システムの概略を示すブロック図である。
を示すブロック図である。
ンターフェースを示す図である。
けるコンフュージョン・マトリックス(confusion matrix)の
例を示す図である。 図4bは、手動および自動の分類が一致しない、ユーザ・インターフェースに
おけるコンフュージョン・マトリックスの例を示す図である。
が画像を分類された順序で表示することを可能にするインターフェースの例を示
す図である。 図5bは、ワーキング・セットおよびトレーニング・セットにおいて、ユーザ
が画像を分類された順序で表示することを可能にするインターフェースの例を示
す図である。
すフローチャートである。 図6bは、自然なグループで編成され表示された画像を示す図である。
。
スを示す図である。
散された、本発明によるシステムのブロック図である。 図10bは、インターネットまたはイントラネットなどのネットワーク上で分
散された、本発明によるシステムのブロック図である。 図10cは、インターネットまたはイントラネットなどのネットワーク上で分
散された、本発明によるシステムのブロック図である。
Claims (40)
- 【請求項1】 複数の受信画像を分類するデータ処理システムによって実施
される方法であって、 前記複数の画像のユーザ選択サブセットであるトレーニング・セットから特徴
を抽出することであって、前記トレーニング・セットの各画像が連づけられたク
ラスを有すること、 前記データ処理システムによって、前記トレーニング・セットの抽出された特
徴およびクラスに従って前記複数の画像のうち少なくとも1つを分類すること、 ユーザが前記複数の画像のうち1つを分類することを可能にすること、および 前記データ処理システムによる分類とユーザによる分類との間の比較の結果を
表示すること、 を含む方法。 - 【請求項2】 前記トレーニング・セットの前記特徴がサイズを含む、請求
項1に記載の方法。 - 【請求項3】 前記トレーニング・セットの前記特徴が明るさを含む、請求
項1に記載の方法。 - 【請求項4】 前記トレーニング・セットの前記特徴が色を含む、請求項1
に記載の方法。 - 【請求項5】 前記トレーニング・セットの前記特徴が形状を含む、請求項
1に記載の方法。 - 【請求項6】 前記トレーニング・セットの前記特徴が、テクスチャ、慣性
モーメント、コンテキスト、ウェハ・フィーチャへの近接、他の欠陥への近接、
隣接するフィーチャへの接続性、他の欠陥への接続性、および画像から得られる
歩留まり関連特性のうち少なくとも1つからなる、請求項1に記載の方法。 - 【請求項7】 前記トレーニング・セットの前記特徴が、ウェハにおける欠
陥座標を含む、請求項1に記載の方法。 - 【請求項8】 前記トレーニング・セットの前記特徴が、空間クラスタ分析
が用いられるときに欠陥座標を含む、請求項1に記載の方法。 - 【請求項9】 前記トレーニング・セットの前記特徴が、処理履歴、歩留ま
り、関連性、および欠陥の出所のうち1つから得られる情報を含む、請求項1に
記載の方法。 - 【請求項10】 前記トレーニング・セットの抽出された特徴およびクラス
に従って、前記複数の画像のうち少なくとも1つを前記データ処理システムによ
って分類することが、Kohonenマップ技術を用いて前記複数の画像を分類
することを含む、請求項1に記載の方法。 - 【請求項11】 前記Kohonenマップに非乱数を分散させる、請求項
10に記載の方法。 - 【請求項12】 前記トレーニング・セットの抽出された特徴およびクラス
に従って、前記複数の画像のうち少なくとも1つを前記データ処理システムによ
って分類することが、空間シグナチャ分析技術を用いて前記複数の画像を分類す
ることを含む、請求項1に記載の方法。 - 【請求項13】 前記複数の画像のうち少なくとも1つを前記データ処理シ
ステムによって分類することは、画像の代わりにクラスタ・ベースの特徴に従っ
て分類することをさらに含む、請求項1に記載の方法。 - 【請求項14】 ユーザが前記複数の画像のうち1つを分類することを可能
にすることは、前記分類するステップによって決定された分類グループで、画像
をユーザに対して表示することを含む、請求項1に記載の方法。 - 【請求項15】 検査システムにフィードバックを送って、ユーザの分類に
従って前記検査システムを微調整することをさらに含む、請求項1に記載の方法
。 - 【請求項16】 検査対象をリアルタイムで検査し、検査セットの結果を、
ユーザによって分類された前記複数の画像に従ってトレーニングされた分類器に
送ることをさらに含む、請求項1に記載の方法。 - 【請求項17】 前記特徴は検査システムに関連したツール履歴情報を含む
、請求項1に記載の方法。 - 【請求項18】 前記特徴は前記分類ステップに関する過去の成功率に関連
したツール履歴情報を含む、請求項1に記載の方法。 - 【請求項19】 前記複数の画像のうちいくつかだけが半導体エッチング工
程に関連する、請求項1に記載の方法。 - 【請求項20】 複数の受信画像を分類するデータ処理システムによって実
施される方法であって、 前記複数の画像のユーザ選択サブセットであるトレーニング・セットから特徴
を抽出することであって、前記トレーニング・セットの各画像は関連づけられた
クラスを有すること、 前記データ処理システムによって、前記トレーニング・セットの抽出された特
徴およびクラスに従って前記複数の画像のうち少なくとも1つを分類すること、 前記データ処理システムによる分類とユーザによる分類との間の比較の結果を
表示すること、 を含む方法。 - 【請求項21】 複数の受信画像を分類するシステムであって、 前記複数の画像のユーザ選択サブセットであるトレーニング・セットから特徴
を抽出するように構成されたソフトウェア部分であって、前記トレーニング・セ
ットの各画像は関連づけられたクラスを有するソフトウェア部分と、 前記システムによって、前記トレーニング・セットの抽出された特徴およびク
ラスに従って前記複数の画像のうち少なくとも1つを分類するように構成された
ソフトウェア部分と、 ユーザが前記複数の画像のうち1つを分類することを可能にするように構成さ
れたソフトウェア部分と、 フィードバックを検査システムに送って、前記ユーザの分類に従って前記検査
システムを微調整するように構成されたソフトウェア部分と、 を含むシステム。 - 【請求項22】 前記トレーニング・セットの前記特徴がサイズを含む、請
求項21に記載のシステム。 - 【請求項23】 前記トレーニング・セットの前記特徴が明るさを含む、請
求項21に記載のシステム。 - 【請求項24】 前記トレーニング・セットの前記特徴が色を含む、請求項
21に記載のシステム。 - 【請求項25】 前記トレーニング・セットの前記特徴が形状を含む、請求
項21に記載のシステム。 - 【請求項26】 前記トレーニング・セットの前記特徴が、テクスチャ、慣
性モーメント、コンテキスト、ウェハ・フィーチャへの近接、他の欠陥への近接
、隣接するフィーチャへの接続性、他の欠陥への接続性、および画像から得られ
る歩留まり関連特性のうち少なくとも1つからなる、請求項21に記載のシステ
ム。 - 【請求項27】 前記トレーニング・セットの前記特徴が、ウェハにおける
欠陥座標を含む、請求項21に記載のシステム。 - 【請求項28】 前記トレーニング・セットの前記特徴が、空間クラスタ分
析が用いられるときに欠陥座標を含む、請求項21に記載のシステム。 - 【請求項29】 前記トレーニング・セットの前記特徴が、処理履歴、歩留
まり、関連性、および欠陥の出所のうち1つから得られる情報を含む、請求項2
1に記載のシステム。 - 【請求項30】 前記トレーニング・セットの抽出された特徴およびクラス
に従って、前記複数の画像のうち少なくとも1つを前記データ処理システムによ
って分類するように構成された前記部分が、Kohonenマップ技術を用いて
前記複数の画像を分類するように構成された部分を含む、請求項21に記載のシ
ステム。 - 【請求項31】 前記Kohonenマップには非乱数を分散させる、請求
項30に記載のシステム。 - 【請求項32】 前記トレーニング・セットの抽出された特徴およびクラス
に従って、前記複数の画像のうち少なくとも1つを前記データ処理システムによ
って分類するように構成された部分が、空間シグナチャ分析技術を用いて前記複
数の画像を分類するように構成された部分を含む、請求項21に記載のシステム
。 - 【請求項33】 前記複数の画像のうち少なくとも1つを前記データ処理シ
ステムによって分類するように構成された部分は、画像の代わりにクラスタ・ベ
ースの特徴に従って分類するように構成された部分をさらに含む、請求項21に
記載のシステム。 - 【請求項34】 ユーザが前記複数の画像のうち1つを分類することを可能
にするように構成された部分が、前記分類するステップによって決定された分類
グループで、画像をユーザに対して表示するように構成された部分を含む、請求
項21に記載のシステム。 - 【請求項35】 検査システムにフィードバックを送って、ユーザの分類に
従って前記検査システムを微調整するように構成された部分をさらに含む、請求
項21に記載のシステム。 - 【請求項36】 検査対象をリアルタイムで検査し、検査セットの結果を、
ユーザによって分類された前記複数の画像に従ってトレーニングされた分類器に
送るように構成された部分をさらに含む、請求項21に記載のシステム。 - 【請求項37】 前記特徴は検査システムに関連したツール履歴情報を含む
、請求項21に記載のシステム。 - 【請求項38】 前記特徴は前記分類ステップに関する過去の成功率に関連
したツール履歴情報を含む、請求項21に記載のシステム。 - 【請求項39】 前記複数の画像のうちいくつかだけが半導体エッチング工
程に関連する、請求項21に記載のシステム。 - 【請求項40】 複数の受信画像を分類するシステムであって、 前記複数の画像のユーザ選択サブセットであるトレーニング・セットから特徴
を抽出するように構成されたソフトウェア部分であって、前記トレーニング・セ
ットの各画像は関連づけられたクラスを有する部分と、 前記システムによって、前記トレーニング・セットの抽出された特徴およびク
ラスに従って前記複数の画像のうち少なくとも1つを分類するように構成された
部分と、 フィードバックを検査システムに送って、前記データ処理システムによって行
われた分類に従って前記検査システムを微調整するように構成された部分とを含
むシステム。
Applications Claiming Priority (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US16795599P | 1999-11-29 | 1999-11-29 | |
US60/167,955 | 1999-11-29 | ||
US09/724,633 | 2000-11-28 | ||
US09/724,633 US6999614B1 (en) | 1999-11-29 | 2000-11-28 | Power assisted automatic supervised classifier creation tool for semiconductor defects |
PCT/US2000/032635 WO2001040145A2 (en) | 1999-11-29 | 2000-11-29 | Power assisted automatic supervised classifier creation tool for semiconductor defects |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2003515942A true JP2003515942A (ja) | 2003-05-07 |
JP2003515942A5 JP2003515942A5 (ja) | 2008-01-31 |
Family
ID=26863656
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2001541837A Pending JP2003515942A (ja) | 1999-11-29 | 2000-11-29 | 半導体欠陥用のパワー・アシスト自動監視分類器作製ツール |
Country Status (5)
Country | Link |
---|---|
US (1) | US6999614B1 (ja) |
EP (1) | EP1238367B1 (ja) |
JP (1) | JP2003515942A (ja) |
AU (1) | AU2054101A (ja) |
WO (1) | WO2001040145A2 (ja) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009070834A (ja) * | 2007-09-10 | 2009-04-02 | Sharp Corp | 基板分類方法および装置、異常設備推定方法および装置、基板分類方法または異常設備推定方法をコンピュータに実行させるためのプログラム、並びに上記プログラムを記録したコンピュータ読み取り可能な記録媒体 |
WO2011155123A1 (ja) * | 2010-06-07 | 2011-12-15 | 株式会社 日立ハイテクノロジーズ | 観察画像の分類基準の最適化方法、および画像分類装置 |
US8111902B2 (en) | 2005-08-31 | 2012-02-07 | Hitachi High-Technologies Corporation | Method and apparatus for inspecting defects of circuit patterns |
KR20130118822A (ko) * | 2012-04-20 | 2013-10-30 | 어플라이드 머티리얼즈 이스라엘 리미티드 | 자동 결함 분류에서 분류기 준비 및 유지 |
JP2017107313A (ja) * | 2015-12-08 | 2017-06-15 | 株式会社Screenホールディングス | 教師データ作成支援方法、画像分類方法、教師データ作成支援装置および画像分類装置 |
US10043264B2 (en) | 2012-04-19 | 2018-08-07 | Applied Materials Israel Ltd. | Integration of automatic and manual defect classification |
US10114368B2 (en) | 2013-07-22 | 2018-10-30 | Applied Materials Israel Ltd. | Closed-loop automatic defect inspection and classification |
JP2019220116A (ja) * | 2018-06-22 | 2019-12-26 | 日立造船株式会社 | 情報処理装置、判定方法、および対象物判定プログラム |
JP2020149557A (ja) * | 2019-03-15 | 2020-09-17 | 株式会社東芝 | 分析システム、分析方法、プログラム、及び記憶媒体 |
Families Citing this family (80)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002132547A (ja) * | 2000-10-27 | 2002-05-10 | Fuji Xerox Co Ltd | 電子情報管理サーバ、電子情報管理クライアントおよび電子情報管理方法ならびに電子情報管理プログラムを記録したコンピュータ読み取り可能な記録媒体 |
US20030123737A1 (en) * | 2001-12-27 | 2003-07-03 | Aleksandra Mojsilovic | Perceptual method for browsing, searching, querying and visualizing collections of digital images |
US7283659B1 (en) | 2002-01-09 | 2007-10-16 | Kla-Tencor Technologies Corporation | Apparatus and methods for searching through and analyzing defect images and wafer maps |
US7052369B2 (en) | 2002-02-04 | 2006-05-30 | Kla-Tencor Technologies Corp. | Methods and systems for detecting a presence of blobs on a specimen during a polishing process |
US6833913B1 (en) | 2002-02-26 | 2004-12-21 | Kla-Tencor Technologies Corporation | Apparatus and methods for optically inspecting a sample for anomalies |
JP4155496B2 (ja) * | 2002-04-25 | 2008-09-24 | 大日本スクリーン製造株式会社 | 分類支援装置、分類装置およびプログラム |
US7968354B1 (en) | 2002-10-04 | 2011-06-28 | Kla-Tencor Technologies Corp. | Methods for correlating backside and frontside defects detected on a specimen and classification of backside defects |
US7027143B1 (en) | 2002-10-15 | 2006-04-11 | Kla-Tencor Technologies Corp. | Methods and systems for inspecting reticles using aerial imaging at off-stepper wavelengths |
US7123356B1 (en) | 2002-10-15 | 2006-10-17 | Kla-Tencor Technologies Corp. | Methods and systems for inspecting reticles using aerial imaging and die-to-database detection |
US7379175B1 (en) | 2002-10-15 | 2008-05-27 | Kla-Tencor Technologies Corp. | Methods and systems for reticle inspection and defect review using aerial imaging |
US7359544B2 (en) | 2003-02-12 | 2008-04-15 | Kla-Tencor Technologies Corporation | Automatic supervised classifier setup tool for semiconductor defects |
US7132652B1 (en) | 2003-03-25 | 2006-11-07 | Kla-Tencor Technologies Corporation | Automatic classification of defects using pattern recognition applied to X-ray spectra |
US7352456B2 (en) | 2003-04-08 | 2008-04-01 | Kla-Tencor Technologies Corp. | Method and apparatus for inspecting a substrate using a plurality of inspection wavelength regimes |
US9002497B2 (en) | 2003-07-03 | 2015-04-07 | Kla-Tencor Technologies Corp. | Methods and systems for inspection of wafers and reticles using designer intent data |
WO2005024404A1 (en) | 2003-09-04 | 2005-03-17 | Kla-Tencor Technologies | Methods and systems for inspection of a specimen using different inspection parameters |
US20050135667A1 (en) * | 2003-12-22 | 2005-06-23 | Abb Oy. | Method and apparatus for labeling images and creating training material |
US8126861B2 (en) * | 2004-01-02 | 2012-02-28 | Cerner Innovation, Inc. | System and method for managing large data sets |
KR20070104331A (ko) | 2004-10-12 | 2007-10-25 | 케이엘에이-텐코 테크놀로지스 코퍼레이션 | 표본 상의 결함들을 분류하기 위한 컴퓨터-구현 방법 및시스템 |
US7519200B2 (en) | 2005-05-09 | 2009-04-14 | Like.Com | System and method for enabling the use of captured images through recognition |
US7760917B2 (en) | 2005-05-09 | 2010-07-20 | Like.Com | Computer-implemented method for performing similarity searches |
US8732025B2 (en) | 2005-05-09 | 2014-05-20 | Google Inc. | System and method for enabling image recognition and searching of remote content on display |
US7945099B2 (en) | 2005-05-09 | 2011-05-17 | Like.Com | System and method for use of images with recognition analysis |
US20080177640A1 (en) | 2005-05-09 | 2008-07-24 | Salih Burak Gokturk | System and method for using image analysis and search in e-commerce |
US7657126B2 (en) | 2005-05-09 | 2010-02-02 | Like.Com | System and method for search portions of objects in images and features thereof |
US7660468B2 (en) * | 2005-05-09 | 2010-02-09 | Like.Com | System and method for enabling image searching using manual enrichment, classification, and/or segmentation |
US7783135B2 (en) | 2005-05-09 | 2010-08-24 | Like.Com | System and method for providing objectified image renderings using recognition information from images |
US7570796B2 (en) | 2005-11-18 | 2009-08-04 | Kla-Tencor Technologies Corp. | Methods and systems for utilizing design data in combination with inspection data |
US8571272B2 (en) * | 2006-03-12 | 2013-10-29 | Google Inc. | Techniques for enabling or establishing the use of face recognition algorithms |
US9690979B2 (en) | 2006-03-12 | 2017-06-27 | Google Inc. | Techniques for enabling or establishing the use of face recognition algorithms |
US7875851B1 (en) * | 2006-05-01 | 2011-01-25 | Advanced Micro Devices, Inc. | Advanced process control framework using two-dimensional image analysis |
US8416981B2 (en) | 2007-07-29 | 2013-04-09 | Google Inc. | System and method for displaying contextual supplemental content based on image content |
DE102007054099A1 (de) * | 2007-11-13 | 2009-05-14 | Robert Bosch Gmbh | Zuordnung von Partikeln zu Entstehungsprozessen |
US8233723B2 (en) * | 2007-12-06 | 2012-07-31 | Ebay Inc. | Image categorization based on comparisons between images |
JP5572293B2 (ja) * | 2008-07-07 | 2014-08-13 | 株式会社日立ハイテクノロジーズ | 欠陥検査方法及び欠陥検査装置 |
CA2730286A1 (en) * | 2008-07-14 | 2010-01-21 | Google Inc. | System and method for using supplemental content items for search criteria for identifying other content items of interest |
WO2010014609A2 (en) | 2008-07-28 | 2010-02-04 | Kla-Tencor Corporation | Computer-implemented methods, computer-readable media, and systems for classifying defects detected in a memory device area on a wafer |
WO2010091307A2 (en) | 2009-02-06 | 2010-08-12 | Kla-Tencor Corporation | Selecting one or more parameters for inspection of a wafer |
US20100313141A1 (en) * | 2009-06-03 | 2010-12-09 | Tianli Yu | System and Method for Learning User Genres and Styles and for Matching Products to User Preferences |
US8315453B2 (en) * | 2010-07-27 | 2012-11-20 | Applied Materials Israel, Ltd. | Defect classification with optimized purity |
KR20130139287A (ko) * | 2010-10-19 | 2013-12-20 | 쓰리엠 이노베이티브 프로퍼티즈 컴파니 | 웨브-기반의 재료의 가변성 검출을 위한 불균일성 심각도의 연속 차트화 |
SG189840A1 (en) * | 2010-10-19 | 2013-06-28 | 3M Innovative Properties Co | Computer-aided assignment of ratings to digital samples of a manufactured web product |
SG190143A1 (en) | 2010-11-12 | 2013-07-31 | 3M Innovative Properties Co | Rapid processing and detection of non-uniformities in web-based materials |
WO2012115819A1 (en) * | 2011-02-24 | 2012-08-30 | 3M Innovative Properties Company | System for detection of non-uniformities in web-based materials |
US9170211B2 (en) | 2011-03-25 | 2015-10-27 | Kla-Tencor Corp. | Design-based inspection using repeating structures |
US9087367B2 (en) | 2011-09-13 | 2015-07-21 | Kla-Tencor Corp. | Determining design coordinates for wafer defects |
JP5719760B2 (ja) | 2011-12-28 | 2015-05-20 | 株式会社日立ハイテクノロジーズ | 欠陥分類装置 |
US9715723B2 (en) | 2012-04-19 | 2017-07-25 | Applied Materials Israel Ltd | Optimization of unknown defect rejection for automatic defect classification |
US9858658B2 (en) * | 2012-04-19 | 2018-01-02 | Applied Materials Israel Ltd | Defect classification using CAD-based context attributes |
US9229446B2 (en) * | 2012-05-08 | 2016-01-05 | International Business Machines Corporation | Production line quality processes |
US9984300B2 (en) * | 2012-09-19 | 2018-05-29 | Nec Corporation | Image processing system, image processing method, and program |
US9189844B2 (en) | 2012-10-15 | 2015-11-17 | Kla-Tencor Corp. | Detecting defects on a wafer using defect-specific information |
US9053527B2 (en) | 2013-01-02 | 2015-06-09 | Kla-Tencor Corp. | Detecting defects on a wafer |
US9134254B2 (en) | 2013-01-07 | 2015-09-15 | Kla-Tencor Corp. | Determining a position of inspection system output in design data space |
US9311698B2 (en) | 2013-01-09 | 2016-04-12 | Kla-Tencor Corp. | Detecting defects on a wafer using template image matching |
JP6074272B2 (ja) * | 2013-01-17 | 2017-02-01 | キヤノン株式会社 | 画像処理装置および画像処理方法 |
US9092846B2 (en) | 2013-02-01 | 2015-07-28 | Kla-Tencor Corp. | Detecting defects on a wafer using defect-specific and multi-channel information |
JP6232999B2 (ja) * | 2013-03-15 | 2017-11-22 | 株式会社リコー | 画像検査装置、画像検査システム及び画像検査方法 |
US9865512B2 (en) | 2013-04-08 | 2018-01-09 | Kla-Tencor Corp. | Dynamic design attributes for wafer inspection |
CN103196922B (zh) * | 2013-04-09 | 2015-06-10 | 上海华力微电子有限公司 | 缺陷检查负载统计系统及方法 |
US9310320B2 (en) | 2013-04-15 | 2016-04-12 | Kla-Tencor Corp. | Based sampling and binning for yield critical defects |
US10013639B1 (en) * | 2013-12-16 | 2018-07-03 | Amazon Technologies, Inc. | Analyzing digital images based on criteria |
US9349076B1 (en) * | 2013-12-20 | 2016-05-24 | Amazon Technologies, Inc. | Template-based target object detection in an image |
US9430743B2 (en) * | 2014-03-06 | 2016-08-30 | Kla-Tencor Corp. | Composite defect classifier |
US9449220B2 (en) * | 2014-04-21 | 2016-09-20 | Haier Us Appliance Solutions, Inc. | Systems and methods for cookware detection |
US9412048B2 (en) | 2014-04-21 | 2016-08-09 | Haier Us Appliance Solutions, Inc. | Systems and methods for cookware detection |
KR101581917B1 (ko) * | 2014-08-12 | 2016-01-04 | 네이버 주식회사 | 컨텐츠 표시 제어 장치, 컨텐츠 표시 제어 방법 및 이를 컴퓨터에서 실행하기 위한 컴퓨터 프로그램 |
US10599953B2 (en) | 2014-08-27 | 2020-03-24 | Verint Americas Inc. | Method and system for generating and correcting classification models |
US11205119B2 (en) * | 2015-12-22 | 2021-12-21 | Applied Materials Israel Ltd. | Method of deep learning-based examination of a semiconductor specimen and system thereof |
CN106290378B (zh) * | 2016-08-23 | 2019-03-19 | 东方晶源微电子科技(北京)有限公司 | 缺陷分类方法和缺陷检查系统 |
US10223615B2 (en) | 2016-08-23 | 2019-03-05 | Dongfang Jingyuan Electron Limited | Learning based defect classification |
US10964013B2 (en) * | 2017-01-10 | 2021-03-30 | Kla-Tencor Corporation | System, method for training and applying defect classifiers in wafers having deeply stacked layers |
TWI688761B (zh) * | 2017-01-18 | 2020-03-21 | 荷蘭商Asml荷蘭公司 | 缺陷顯示方法 |
KR102468184B1 (ko) * | 2017-01-18 | 2022-11-17 | 에이에스엠엘 네델란즈 비.브이. | 결함 검토를 위한 정보 추천 |
US11514357B2 (en) | 2018-03-19 | 2022-11-29 | Kla-Tencor Corporation | Nuisance mining for novel defect discovery |
IL261733B (en) * | 2018-09-13 | 2022-09-01 | Inspekto A M V Ltd | Streamline an automated process of visual inspection |
US11468553B2 (en) * | 2018-11-02 | 2022-10-11 | Kla Corporation | System and method for determining type and size of defects on blank reticles |
IL263097B2 (en) * | 2018-11-18 | 2024-01-01 | Inspekto A M V Ltd | Optimization of the preparation phase in the automatic visual inspection process |
KR20200137219A (ko) * | 2019-05-29 | 2020-12-09 | 삼성에스디에스 주식회사 | 비지도 학습 기반 웨이퍼 불량 패턴 검출 방법 및 그 장치 |
CN111257715B (zh) * | 2020-02-19 | 2022-06-24 | 上海韦尔半导体股份有限公司 | 一种晶圆测试方法及装置 |
CN114723751B (zh) * | 2022-06-07 | 2022-09-23 | 中国空气动力研究与发展中心设备设计与测试技术研究所 | 一种基于无监督的带钢表面缺陷在线检测方法 |
Family Cites Families (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4441205A (en) * | 1981-05-18 | 1984-04-03 | Kulicke & Soffa Industries, Inc. | Pattern recognition system |
CA1318977C (en) * | 1987-07-22 | 1993-06-08 | Kazuhito Hori | Image recognition system |
DE68927489T2 (de) * | 1988-08-12 | 1997-03-27 | Sumitomo Wiring Systems | Bildverarbeitungsgerät zur Erkennung von unvollständigen Gegenständen |
US5353356A (en) * | 1989-02-09 | 1994-10-04 | Waugh Richard M | Product gauge methods and apparatus for use in the optical determination of the acceptability of products |
US5226118A (en) | 1991-01-29 | 1993-07-06 | Prometrix Corporation | Data analysis system and method for industrial process control systems |
US5237621A (en) * | 1991-08-08 | 1993-08-17 | Philip Morris Incorporated | Product appearance inspection methods and apparatus employing low variance filter |
FR2681947A1 (fr) | 1991-10-01 | 1993-04-02 | Micro Controle | Procede de classification automatique de defauts sur des micro-circuits. |
US5544256A (en) * | 1993-10-22 | 1996-08-06 | International Business Machines Corporation | Automated defect classification system |
US5526437A (en) * | 1994-03-15 | 1996-06-11 | Key Technology, Inc. | Integrated food sorting and analysis apparatus |
US5991699A (en) * | 1995-05-04 | 1999-11-23 | Kla Instruments Corporation | Detecting groups of defects in semiconductor feature space |
US6292582B1 (en) * | 1996-05-31 | 2001-09-18 | Lin Youling | Method and system for identifying defects in a semiconductor |
US6148099A (en) * | 1997-07-03 | 2000-11-14 | Neopath, Inc. | Method and apparatus for incremental concurrent learning in automatic semiconductor wafer and liquid crystal display defect classification |
WO1999022310A1 (en) | 1997-10-27 | 1999-05-06 | Kla-Tencor Corporation | Software system and method for extending classifications and attributes in production analysis |
US6408219B2 (en) | 1998-05-11 | 2002-06-18 | Applied Materials, Inc. | FAB yield enhancement system |
US6256093B1 (en) | 1998-06-25 | 2001-07-03 | Applied Materials, Inc. | On-the-fly automatic defect classification for substrates using signal attributes |
US6987873B1 (en) | 1998-07-08 | 2006-01-17 | Applied Materials, Inc. | Automatic defect classification with invariant core classes |
US6480627B1 (en) * | 1999-06-29 | 2002-11-12 | Koninklijke Philips Electronics N.V. | Image classification using evolved parameters |
US6577757B1 (en) * | 1999-07-28 | 2003-06-10 | Intelligent Reasoning Systems, Inc. | System and method for dynamic image recognition |
-
2000
- 2000-11-28 US US09/724,633 patent/US6999614B1/en not_active Expired - Lifetime
- 2000-11-29 WO PCT/US2000/032635 patent/WO2001040145A2/en active Application Filing
- 2000-11-29 JP JP2001541837A patent/JP2003515942A/ja active Pending
- 2000-11-29 EP EP00982744A patent/EP1238367B1/en not_active Expired - Lifetime
- 2000-11-29 AU AU20541/01A patent/AU2054101A/en not_active Abandoned
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8111902B2 (en) | 2005-08-31 | 2012-02-07 | Hitachi High-Technologies Corporation | Method and apparatus for inspecting defects of circuit patterns |
JP4723544B2 (ja) * | 2007-09-10 | 2011-07-13 | シャープ株式会社 | 基板分類方法および装置、基板分類方法をコンピュータに実行させるためのプログラム、並びに上記プログラムを記録したコンピュータ読み取り可能な記録媒体 |
JP2009070834A (ja) * | 2007-09-10 | 2009-04-02 | Sharp Corp | 基板分類方法および装置、異常設備推定方法および装置、基板分類方法または異常設備推定方法をコンピュータに実行させるためのプログラム、並びに上記プログラムを記録したコンピュータ読み取り可能な記録媒体 |
US9020237B2 (en) | 2010-06-07 | 2015-04-28 | Hitachi High-Technologies Corporation | Method for optimizing observed image classification criterion and image classification apparatus |
WO2011155123A1 (ja) * | 2010-06-07 | 2011-12-15 | 株式会社 日立ハイテクノロジーズ | 観察画像の分類基準の最適化方法、および画像分類装置 |
JPWO2011155123A1 (ja) * | 2010-06-07 | 2013-08-01 | 株式会社日立ハイテクノロジーズ | 観察画像の分類基準の最適化方法、および画像分類装置 |
US10043264B2 (en) | 2012-04-19 | 2018-08-07 | Applied Materials Israel Ltd. | Integration of automatic and manual defect classification |
KR102092054B1 (ko) * | 2012-04-20 | 2020-03-24 | 어플라이드 머티리얼즈 이스라엘 리미티드 | 자동 결함 분류에서 분류기 준비 및 유지 |
JP2013225313A (ja) * | 2012-04-20 | 2013-10-31 | Applied Materials Israel Ltd | 自動欠陥分類における分類器の準備及び保守 |
KR20130118822A (ko) * | 2012-04-20 | 2013-10-30 | 어플라이드 머티리얼즈 이스라엘 리미티드 | 자동 결함 분류에서 분류기 준비 및 유지 |
US10114368B2 (en) | 2013-07-22 | 2018-10-30 | Applied Materials Israel Ltd. | Closed-loop automatic defect inspection and classification |
US10901402B2 (en) | 2013-07-22 | 2021-01-26 | Applied Materials Israel, Ltd. | Closed-loop automatic defect inspection and classification |
JP2017107313A (ja) * | 2015-12-08 | 2017-06-15 | 株式会社Screenホールディングス | 教師データ作成支援方法、画像分類方法、教師データ作成支援装置および画像分類装置 |
JP2019220116A (ja) * | 2018-06-22 | 2019-12-26 | 日立造船株式会社 | 情報処理装置、判定方法、および対象物判定プログラム |
JP7219023B2 (ja) | 2018-06-22 | 2023-02-07 | 日立造船株式会社 | 情報処理装置および対象物判定プログラム |
JP2020149557A (ja) * | 2019-03-15 | 2020-09-17 | 株式会社東芝 | 分析システム、分析方法、プログラム、及び記憶媒体 |
JP7273556B2 (ja) | 2019-03-15 | 2023-05-15 | 株式会社東芝 | 分析システム、分析方法、プログラム、及び記憶媒体 |
Also Published As
Publication number | Publication date |
---|---|
AU2054101A (en) | 2001-06-12 |
WO2001040145A3 (en) | 2002-07-11 |
US6999614B1 (en) | 2006-02-14 |
WO2001040145A2 (en) | 2001-06-07 |
EP1238367A2 (en) | 2002-09-11 |
EP1238367B1 (en) | 2012-09-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2003515942A (ja) | 半導体欠陥用のパワー・アシスト自動監視分類器作製ツール | |
US6718526B1 (en) | Spatial signature analysis | |
US7570797B1 (en) | Methods and systems for generating an inspection process for an inspection system | |
US7602962B2 (en) | Method of classifying defects using multiple inspection machines | |
JP4118703B2 (ja) | 欠陥分類装置及び欠陥自動分類方法並びに欠陥検査方法及び処理装置 | |
US8437534B2 (en) | Defect classification method and apparatus, and defect inspection apparatus | |
US9075026B2 (en) | Defect inspection device and defect inspection method | |
JP4374303B2 (ja) | 検査方法及びその装置 | |
KR100824217B1 (ko) | 결함에 대한 하이브리드식 불변의 적응성 자동 분류 방법및 장치 | |
US5933519A (en) | Cytological slide scoring apparatus | |
US7283659B1 (en) | Apparatus and methods for searching through and analyzing defect images and wafer maps | |
CN108319968A (zh) | 一种基于模型融合的果蔬图像分类识别方法及系统 | |
CN112233073A (zh) | 一种变电设备红外热成像异常实时检测方法 | |
US20040156540A1 (en) | Automatic supervised classifier setup tool for semiconductor defects | |
US20220172497A1 (en) | Characterization System and Method With Guided Defect Discovery | |
JP6576342B2 (ja) | 欠陥を分類するための方法およびウエハ検査ツール | |
WO2013083972A1 (en) | Method and apparatus for automatic detection of features in an image and method for training the apparatus | |
Rad et al. | Classification of rice varieties using optimal color and texture features and BP neural networks | |
US11592400B2 (en) | System, method and computer program product for object examination | |
JP2000162135A (ja) | 検査方法、検査システムおよび電子デバイスの製造方法 | |
TWI791930B (zh) | 用於分類半導體樣本中的缺陷的系統、方法及電腦可讀取媒體 | |
JP2001188906A (ja) | 画像自動分類方法及び画像自動分類装置 | |
Supekar et al. | Multi-parameter based mango grading using image processing and machine learning techniques | |
CN108921172A (zh) | 基于支持向量机的图像处理装置及方法 | |
WO2020120039A1 (en) | Classification of cell nuclei |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20071129 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20071129 |
|
A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20071205 |
|
A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A821 Effective date: 20071205 |
|
A975 | Report on accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A971005 Effective date: 20080108 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20080227 |
|
A601 | Written request for extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A601 Effective date: 20080526 |
|
A602 | Written permission of extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A602 Effective date: 20080602 |
|
A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20080724 |
|
A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20080819 |