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
Application number
JP2001541837A
Other languages
English (en)
Other versions
JP2003515942A5 (ja
Inventor
ベーカー，デービット
バナジー，サイバル
スミス，イアン
Original Assignee
ケイエルエイ−テンコー コーポレイション
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by ケイエルエイ−テンコー コーポレイション filed Critical ケイエルエイ−テンコー コーポレイション
Publication of JP2003515942A publication Critical patent/JP2003515942A/ja
Publication of JP2003515942A5 publication Critical patent/JP2003515942A5/ja
Pending legal-status Critical Current

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

(57)【要約】 ユーザが、画像の特徴に基づいて自然なグルーピングによって編成された画像欠陥を見ることを任意選択で可能する方法およびシステムである。自然なグルーピングは、ユーザが、画像のいくつかまたは全てを、画像のトレーニング・セットにおけるクラスに編成することをより容易にする。特徴ベクトルがトレーニング・セットにおける各画像から抽出されて、自動分類器ソフトウェア・モジュールによる使用のために、そのユーザ指定クラスと共に記憶される。自動分類器は記憶された特徴ベクトルおよびクラスを用いて、トレーニング・セットにはない画像を自動的に分類する。自動的に分類された画像が、ユーザによって手動で分類された画像と一致しない場合には、ユーザは、自動分類器からよりよい結果が得られるまで、トレーニング・セットを修正する。システムはフィードバックを、検査システムのセットアップおよび微調整を支援するように設計された検査システムに提供することができる。

Description

【発明の詳細な説明】
【０００１】 関連出願 本発明は、１９９９年１１月２９日に出願された、Ｂａｋｋｅｒ、Ｂａｎｅｒ
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。
【０００２】 以下の出願は本願に関連しており、参照により本明細書中に組み込む。 １．１９９７年１０月２７日に出願された、Ｈａｒｄｉｋａｒほかの米国出願
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。
【０００３】 以下の米国特許は本願に関連しており、参照により本明細書中に組み込む。 １．１９９３年７月６日に発行され、Ｂａｋｅｒほかに付与された米国特許第
５，２２６，１１８号。
【０００４】 （発明の背景） 発明の分野 本発明は一般的にソフトウェア・プログラムに関し、より一般的にはソフトウ
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。
【０００５】 背景技術の説明 新しい材料、方法、および工程が半導体製造に導入されるにつれて、歩留まり
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。
【０００６】 自動欠陥分類を備えた既存の光学検査システムは、自動分類システムをセット
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。
【０００７】 （発明の概要） 説明する本発明の実施形態は、欠陥のある画像を受け取って、ユーザが提示さ
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。
【０００８】 （ｉ）良好な分類スキーム（ユーザがどの画像をどの分類に入れるか）の作成
。 （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。
【０００９】 説明する本発明の実施形態は、人間のユーザが記録時間にこれらの目的の両方
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。
【００１０】 （ｉ）イメージ・ギャラリー：これは、画像のリストを系統立てられた様式で
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。
【００１１】 （ｉｉｉ）動的分類器制御およびパフォーマンス・ツール：これは、ユーザが
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。
【００１２】 （ｉｖ）未監視自動分類器（自然なグルーピング）：これは、欠陥のある画像
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。
【００１３】 （好ましい実施形態の詳細な説明） 説明する本発明の実施形態は、外部源からシステムに入力された欠陥のある画
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。
【００１４】 図１（ａ）は、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。
【００１５】 図１（ｂ）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。
【００１６】 たとえば、発見された誤りの数および所望の正確性に応じて、システムの感度
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
。
【００１７】 別の実施形態においては、フィードバックを用いて製造工程を制御する。たと
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。
【００１８】 別の実施形態においては、別個の工程の代わりに、検査工程中にリアルタイム
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。
【００１９】 図２は、人間のユーザの、検出分類器ソフトウェアの実施形態との相互作用を
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。
【００２０】 人間のユーザは、画像が自然のグルーピング２１２によって編成され、この編
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。
【００２１】 また、人間のユーザは、ワーキング・セットから「トレーニング・セット」に
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。
【００２２】 トレーニング・セット内の画像は特徴抽出機ソフトウェア２０６に送られ、特
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。
【００２３】 好ましくはトレーニング・セットから抽出された事前定義された特徴は、次の
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。
【００２４】 監視自動動的分類器ソフトウェア２０４は、トレーニング・セットにおける画
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）。
【００２５】 セットＷ−Ｔの画像が分類器２０４によって一旦分類されると、自動分類の結
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。
【００２６】 図３は、本発明の好適な実施形態に従って、欠陥分類器ソフトウェアによって
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。
【００２７】 スマート・ギャラリー・システムの利益は次のものを含む。 ・欠陥ソーティング ・人間のユーザが、自分の手動ソーティング・スキームのより速くより効率的
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
【００２８】 図３のウィンドウはツールバー３０２を含み、これはユーザがクラスと欠陥の
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。
【００２９】 コンフュージョン・マトリックス３０６は、手動対自動の欠陥分類の結果を表
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。
【００３０】 領域３０８は、画像のワーキング・セットを表示する。これらの画像は、ユー
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。
【００３１】 自然なグルーピング・マトリックス３１４は、ユーザが、ワーキング・グルー
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。
【００３２】 要約すれば、ユーザは、自然なグルーピングにおいて分類されたワーキング・
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。
【００３３】 画像は、参照により本明細書に組み込む、２０００年１月２０日公開のＰＣＴ
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。
【００３４】 図４（ａ）は、手動および自動の分類が一致する（斜めの要素４０２を参照）
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。
【００３５】 図４（ｂ）は、手動および自動の分類（ｃｌａｓｓｉｆｉｃａｔｉｏｎ）が一
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。
【００３６】 図５（ａ）および５（ｂ）は、ユーザが、ワーキング・セットおよびトレーニ
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。
【００３７】 図６（ａ）は、ワーキング・セット３０８における画像の自然なグルーピング
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。
【００３８】 特定の実施形態は、参照により本明細書に組み込む、１）ｈｔｔｐ：／／ｗｗ
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。
【００３９】 また、特定の実施形態においては、分析および分類は画像に限定されず、クラ
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。
【００４０】 図７は、トレーニング領域３１２の拡大図を示している。ユーザはワーキング
・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）。
【００４１】 ユーザが新しいクラス／ビンを付加した場合には、クラス／ビンが付加される
。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。
【００４２】 図８は、「スマート・ギャラリー（Ｓｍａｒｔ Ｇａｌｌｅｒｙ）」セットア
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
。
【００４３】 図９は、自動分類器機能の実施形態のための、付加的なユーザ・インターフェ
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。
【００４４】 ユーザは画像上にフィルタ９０８を設定して、特定のグループ、画像、および
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。
【００４５】 ユーザがテスト（トレーニング・セット）ボタン９１２をクリックすると、分
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。
【００４６】 図１０（ａ）および１０（ｂ）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。
【００４７】 図１０（ｂ）は、分類器がツール履歴１００５を入力として受け取る実施形態
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。
【００４８】 上記のように、図１０（ｃ）は、検査および分析／分類工程が、別個の工程と
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。
【００４９】 図１０（ａ）、１０（ｂ）、および１０（ｃ）は、特定のシステムにおいて、
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。
【００５０】 本発明の主旨および範囲から逸脱せずに、様々な実施形態および変形が存在で
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
。
【００５１】 上記の説明から、本明細書において開示した発明は、半導体の欠陥を分類する
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。
【図面の簡単な説明】
【図１】 図１ａは、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。 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。
【図２】 人間のユーザと欠陥分類器ソフトウェアの実施形態のセクションとの相互作用
を示すブロック図である。
【図３】 本発明の好適な実施形態に係る欠陥分類器ソフトウェアによって生成されるイ
ンターフェースを示す図である。
【図４】 図４ａは、手動および自動の分類が一致する、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（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。
【図５】 図５ａ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。 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。
【図６】 図６ａは、ワーキング・セットにおける画像の自然なグルーピングの方法を示
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。
【図７】 ユーザ・インターフェースにおけるトレーニング領域の拡大図を示す図である
。
【図８】 本発明の好適な実施形態において用いられる例示的なユーザ・インターフェー
スを示す図である。
【図９】 分類器機能のための付加的なユーザ・インターフェースを示す図である。
【図１０】 図１０ａ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。
───────────────────────────────────────────────────── フロントページの続き (81)指定国 ＥＰ(ＡＴ，ＢＥ，ＣＨ，ＣＹ， ＤＥ，ＤＫ，ＥＳ，ＦＩ，ＦＲ，ＧＢ，ＧＲ，ＩＥ，Ｉ Ｔ，ＬＵ，ＭＣ，ＮＬ，ＰＴ，ＳＥ，ＴＲ)，ＯＡ(ＢＦ ，ＢＪ，ＣＦ，ＣＧ，ＣＩ，ＣＭ，ＧＡ，ＧＮ，ＧＷ， ＭＬ，ＭＲ，ＮＥ，ＳＮ，ＴＤ，ＴＧ)，ＡＰ(ＧＨ，Ｇ Ｍ，ＫＥ，ＬＳ，ＭＷ，ＭＺ，ＳＤ，ＳＬ，ＳＺ，ＴＺ ，ＵＧ，ＺＷ)，ＥＡ(ＡＭ，ＡＺ，ＢＹ，ＫＧ，ＫＺ， ＭＤ，ＲＵ，ＴＪ，ＴＭ)，ＡＥ，ＡＧ，ＡＬ，ＡＭ， ＡＴ，ＡＵ，ＡＺ，ＢＡ，ＢＢ，ＢＧ，ＢＲ，ＢＹ，Ｂ Ｚ，ＣＡ，ＣＨ，ＣＮ，ＣＲ，ＣＵ，ＣＺ，ＤＥ，ＤＫ ，ＤＭ，ＤＺ，ＥＥ，ＥＳ，ＦＩ，ＧＢ，ＧＤ，ＧＥ， ＧＨ，ＧＭ，ＨＲ，ＨＵ，ＩＤ，ＩＬ，ＩＮ，ＩＳ，Ｊ Ｐ，ＫＥ，ＫＧ，ＫＰ，ＫＲ，ＫＺ，ＬＣ，ＬＫ，ＬＲ ，ＬＳ，ＬＴ，ＬＵ，ＬＶ，ＭＡ，ＭＤ，ＭＧ，ＭＫ， ＭＮ，ＭＷ，ＭＸ，ＭＺ，ＮＯ，ＮＺ，ＰＬ，ＰＴ，Ｒ Ｏ，ＲＵ，ＳＤ，ＳＥ，ＳＧ，ＳＩ，ＳＫ，ＳＬ，ＴＪ ，ＴＭ，ＴＲ，ＴＴ，ＴＺ，ＵＡ，ＵＧ，ＵＺ，ＶＮ， ＹＵ，ＺＡ，ＺＷ (72)発明者 バナジー，サイバル アメリカ合衆国カリフォルニア州94536， フレモント，リッチフィールド・アヴェニ ュー 1250 (72)発明者 スミス，イアン アメリカ合衆国カリフォルニア州95032， ロス・ガトス，ドーバー・ストリート 228 Ｆターム(参考） 4M106 CA38 DJ40

Claims (40)

    【特許請求の範囲】
  1. 【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。
  2. 【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。
  3. 【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。
  4. 【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。
  5. 【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。
  6. 【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。
  7. 【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。
  8. 【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。
  9. 【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。
  10. 【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。
  11. 【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。
  12. 【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。
  13. 【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。
  14. 【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。
  15. 【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
    。
  16. 【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。
  17. 【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。
  18. 【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。
  19. 【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。
  20. 【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。
  21. 【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。
  22. 【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。
  23. 【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。
  24. 【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。
  25. 【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。
  26. 【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。
  27. 【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。
  28. 【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。
  29. 【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。
  30. 【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。
  31. 【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。
  32. 【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
    。
  33. 【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。
  34. 【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。
  35. 【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。
  36. 【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。
  37. 【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。
  38. 【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。
  39. 【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。
  40. 【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。
JP2001541837A 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 Pending JP2003515942A (ja)

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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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

Cited By (17)

* Cited by examiner, † Cited by third party
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