JP2004296592A

JP2004296592A - Defect classification equipment, defect classification method, and program

Info

Publication number: JP2004296592A
Application number: JP2003084456A
Authority: JP
Inventors: Hiroyuki Onishi; 浩之大西
Original assignee: Dainippon Screen Manufacturing Co Ltd
Current assignee: Dainippon Screen Manufacturing Co Ltd
Priority date: 2003-03-26
Filing date: 2003-03-26
Publication date: 2004-10-21

Abstract

<P>PROBLEM TO BE SOLVED: To provide defect classification equipment by which defects can be easily classified. <P>SOLUTION: The defect classification equipment 1 includes a computer for classifying defects. In a defective region specifying section 51 of an operation section 5 of the computer, a defective region is specified by comparing a defective image with a reference image. In a mask processing section 52, mask processing is carried out for the defective image and the reference image to set other regions than the defective region to prescribed pixel values. In a histogram preparation section 53, a two-dimensional histogram for representing a frequency that the pixel value of the defective image after mask processing and the corresponding pixel value of the reference image after mask processing are combined is created in a two-dimensional space with the pixel values of the defective image and those of the reference image as parameters. In a classification section 54, the defects are classified based on the two-dimensional histogram. <P>COPYRIGHT: (C)2005,JPO&NCIPI

Description

【０００１】
【発明の属する技術分野】
本発明は、基板上の欠陥を分類する技術に関する。
【０００２】
【従来の技術】
従来より、半導体基板、レチクル、プリント配線基板等（以下、「基板」という。）に形成されたパターンを検査し、各工程での歩留まりを低下させる要因となる製造プロセスの異常を是正するために、検出された欠陥に対して分類が行われる（すなわち、欠陥の種類やカテゴリが判定される）ことがある。
【０００３】
例えば、特許文献１では欠陥画像から欠陥の面積、明るさ、周囲長、円形度、重心位置等の特徴量を抽出し、ニューラルネットワークを利用して学習・分類する手法が開示されており、特許文献２では参照画像に基づいて欠陥画像中の欠陥領域を配線領域と背景領域とに分離し、各領域の輝度値を利用しつつ欠陥種別を判定する手法が提案されている。
【０００４】
なお、特許文献３では、被検査画像の画素値、および、参照画像の画素値の２つの座標軸により規定されるグラフ上に、被検査画像の各画素値と参照画像の対応する画素値とで決定される点をプロットすることにより２値画像である２次元分散プロットを作成し、両画素値が等しくなる直線から離れて存在する点を見つけだすことにより、欠陥を検出する手法が開示されている。
【０００５】
【特許文献１】
特開平８−２１８０３号公報
【特許文献２】
特開平９−１８６２０８号公報
【特許文献３】
特開２００１−１３３４１８号公報
【０００６】
【発明が解決しようとする課題】
ところで、特許文献１の手法において精度よく欠陥を分類するには、多くの種類の特徴量を求める必要があり長時間を要してしまう。また、特許文献２の手法では、欠陥画像のコントラストが低い場合やノイズが多い場合に、配線領域と背景領域とが適切に分離されず、欠陥が正確に分類されない恐れがある。
【０００７】
本発明は上記課題に鑑みなされたものであり、欠陥を容易に分類する技術を提供することを目的としている。
【０００８】
【課題を解決するための手段】
請求項１に記載の発明は、基板上の欠陥を分類する欠陥分類装置であって、基板上の欠陥を示す多階調の欠陥画像の画素値および予め準備された多階調の参照画像の画素値をパラメータとする２次元空間において、前記欠陥画像の画素の値と前記参照画像の対応する画素の値との組み合わせの頻度を示す２次元ヒストグラムを生成するヒストグラム生成部と、前記２次元ヒストグラムに基づいて前記欠陥を分類する分類部とを備える。
【０００９】
請求項２に記載の発明は、請求項１に記載の欠陥分類装置であって、前記欠陥画像と前記参照画像とを比較することにより欠陥領域を特定する欠陥領域特定部と、前記欠陥画像と前記参照画像とに対して前記欠陥領域以外を所定の画素値とするマスク処理を行うマスク処理部とをさらに備え、前記ヒストグラム生成部が、マスク処理後の欠陥画像および参照画像に基づいて前記２次元ヒストグラムを生成する。
【００１０】
請求項３に記載の発明は、請求項１に記載の欠陥分類装置であって、前記分類部が、前記２次元空間において、前記欠陥画像の画素値と前記参照画像の画素値とがおよそ等しくなる領域以外の領域に基づいて前記欠陥を分類する。
【００１１】
請求項４に記載の発明は、請求項１ないし３のいずれかに記載の欠陥分類装置であって、前記分類部において、前記２次元空間内の複数の領域のそれぞれと欠陥の種別とが対応付けられている。
【００１２】
請求項５に記載の発明は、請求項１ないし３のいずれかに記載の欠陥分類装置であって、前記分類部が、予め準備された複数の欠陥種別のそれぞれに対応する２次元ヒストグラムと、前記ヒストグラム生成部にて生成された前記２次元ヒストグラムとの類似の度合いを示す評価値を算出する評価値算出部と、前記評価値に基づいて、前記欠陥の種別を特定する欠陥種別特定部とを有する。
【００１３】
請求項６に記載の発明は、請求項１ないし３のいずれかに記載の欠陥分類装置であって、前記分類部が、前記２次元ヒストグラムを複数の部分ヒストグラムに分割するヒストグラム分割部と、前記複数の部分ヒストグラムのそれぞれにおいて、頻度に関する特徴量を算出する特徴量算出部と、前記特徴量を用いて学習を行うことにより、入力される特徴量に応じて分類結果を出力する判定器を構築する判定器構築部とを有する。
【００１４】
請求項７に記載の発明は、基板上の欠陥を分類する欠陥分類方法であって、基板上の欠陥を示す多階調の欠陥画像の画素値および予め準備された多階調の参照画像の画素値をパラメータとする２次元空間において、前記欠陥画像の画素の値と前記参照画像の対応する画素の値との組み合わせの頻度を示す２次元ヒストグラムを生成する工程と、前記２次元ヒストグラムに基づいて前記欠陥を分類する工程とを有する。
【００１５】
請求項８に記載の発明は、基板上の欠陥の分類に利用されるプログラムであって、前記プログラムのコンピュータによる実行は、前記コンピュータに、基板上の欠陥を示す多階調の欠陥画像の画素値および予め準備された多階調の参照画像の画素値をパラメータとする２次元空間において、前記欠陥画像の画素の値と前記参照画像の対応する画素の値との組み合わせの頻度を示す２次元ヒストグラムを生成する工程と、前記２次元ヒストグラムに基づいて前記欠陥を分類する工程とを実行させる。
【００１６】
【発明の実施の形態】
図１（ａ）ないし（ｃ）は、欠陥分類に利用される２次元ヒストグラムを生成する様子を説明するための図であり、図１（ａ）は多階調の第１画像６０１を示す図であり、図１（ｂ）は画像６０１に対して参照すべき多階調の第２画像６０２を示す図である。
【００１７】
２次元ヒストグラムは、第１画像６０１の各画素の値と第２画像６０２の対応する画素の値とを特定することにより生成される。例えば、第１画像６０１の値がＡである画素６０１ａに対して第２画像６０２の対応する画素６０２ａの値Ｂが特定されたものとする。このとき、図１（ｃ）に示すように、第１画像６０１の画素値および第２画像６０２の画素値をパラメータとする２次元空間（すなわち、両画像の画素値がとり得る値の範囲により定められる２次元空間）において、第１画像６０１の画素の値がＡであり第２画像６０２の画素の値がＢである組み合わせを示す位置６０３の頻度（出現頻度）に１が加えられる。
【００１８】
したがって、第１画像６０１の画素の値と第２画像６０２の対応する画素の値とが同一である場合には、２次元空間上の両画素の値が等しくなる位置（すなわち、図１（ｃ）において左上から右下へと向かう対角線上）のいずれかの位置の頻度が変更され、両画素の値が相違する場合には、対角線上以外のいずれかの位置の頻度が変更されることとなる。そして、画像６０１，６０２の全ての画素の値の組み合わせに対して２次元空間上の位置の特定およびその位置の頻度のインクリメントを行うことにより、２次元空間に２次元ヒストグラムが生成される。なお、各位置における頻度を表現するために、２次元ヒストグラムでは頻度が高いほどその位置の濃度が高く（または明るく）され、頻度が低いほど濃度が低く（または暗く）される。すなわち、２次元ヒストグラムは画像として表現されて取り扱われる。
【００１９】
図２は本発明の一の実施の形態に係る欠陥分類装置１の構成を示す図である。欠陥分類装置１は、半導体基板（以下、「基板」という。）９上の所定の領域を撮像して多階調の画像のデータを取得する撮像部２、基板９を保持するステージ３、および、撮像部２に対してステージ３を相対的に移動するステージ駆動部３１を有する。
【００２０】
撮像部２は、照明光を出射する照明部２１、基板９に照明光を導くとともに基板９からの光が入射する光学系２２、および、光学系２２により結像された基板９の像を電気信号に変換する撮像デバイス２３を有する。ステージ駆動部３１はステージ３を図２中のＸ方向に移動するＸ方向移動機構３２、および、Ｙ方向に移動するＹ方向移動機構３３を有する。Ｘ方向移動機構３２はモータ３２１にボールねじ（図示省略）が接続され、モータ３２１が回転することにより、Ｙ方向移動機構３３がガイドレール３２２に沿って図２中のＸ方向に移動する。Ｙ方向移動機構３３もＸ方向移動機構３２と同様の構成となっており、モータ３３１が回転するとボールねじ（図示省略）によりステージ３がガイドレール３３２に沿ってＹ方向に移動する。
【００２１】
欠陥分類装置１は、各種演算処理を行うＣＰＵや各種情報を記憶するメモリ等により構成されたコンピュータ４をさらに有し、コンピュータ４は撮像部２およびステージ駆動部３１に接続される。コンピュータ４は、欠陥の分類を行うとともに、欠陥分類装置１の各構成を制御する制御部としての役割を果たす。
【００２２】
図３は、コンピュータ４の構成を示す図である。コンピュータ４は、図３に示すように、各種演算処理を行うＣＰＵ４１、基本プログラムを記憶するＲＯＭ４２および各種情報を記憶するＲＡＭ４３をバスラインに接続した一般的なコンピュータシステムの構成となっている。バスラインにはさらに、情報記憶を行う固定ディスク４４、画像等の各種情報の表示を行うディスプレイ４５、作業者からの入力を受け付けるキーボード４６ａおよびマウス４６ｂ、光ディスク、磁気ディスク、光磁気ディスク等のコンピュータ読み取り可能な記録媒体８から情報の読み取りを行う読取装置４７、並びに、欠陥分類装置１の他の構成との間で信号を送受信する通信部４８が、適宜、インターフェイス（Ｉ／Ｆ）を介する等して接続される。
【００２３】
コンピュータ４には、事前に読取装置４７を介して記録媒体８からプログラム８０が読み出され、固定ディスク４４に記憶される。そして、プログラム８０がＲＡＭ４３にコピーされるとともにＣＰＵ４１がＲＡＭ４３内のプログラムに従って演算処理を実行することにより（すなわち、コンピュータがプログラムを実行することにより）、コンピュータ４が欠陥検出を行うとともに２次元ヒストグラムを生成して欠陥を分類する。なお、欠陥検出は多数の画像に対して行われるため、専用の電気的回路により行われてもよい。以下、所定の欠陥検出手法により欠陥画像のデータが得られたものとして説明を行う。
【００２４】
図４は、ＣＰＵ４１がプログラム８０に従って動作することにより、ＣＰＵ４１、ＲＯＭ４２、ＲＡＭ４３、固定ディスク４４等が実現する欠陥分類のための機能構成を示す図である。図４において、演算部５の各構成がＣＰＵ４１等により実現される機能を示し、記憶部５９がＲＡＭ４３、固定ディスク４４等により実現される機能を示す。
【００２５】
図５は、欠陥分類装置１が２次元ヒストグラムを生成して欠陥を自動的に分類する処理の流れを示す図である。欠陥分類装置１において欠陥を分類する際には、まず、欠陥の分類に利用されるデータ（以下、「欠陥分類用データ」という。）が準備されて記憶される（ステップＳ１１）。欠陥分類用データとは、欠陥の分類手法に応じて準備されるデータであり、詳細については後述する。
【００２６】
続いて、基板９上の欠陥を示す多階調の欠陥画像のデータ、および、多階調の参照画像のデータが準備される（ステップＳ１２）。これらの画像は欠陥検出の際に取得されたものが流用される。具体的には、コンピュータ４がステージ駆動部３１を制御することにより、撮像部２の撮像位置を基板９上の検査領域（例えば、基板９上に配列されているダイ（すなわち、１つのチップに対応する領域）の所定領域）へと相対的に移動し、撮像部２にて被検査画像が取得され、撮像部２の撮像位置を基板９上の他のダイの同じ位置（すなわち、ダイのパターンの周期の整数倍だけ離れた撮像領域）へと移動して参照画像が取得され、欠陥が検出されると被検査画像のデータが欠陥画像データ５９１として、参照画像のデータが参照画像データ５９２として記憶部５９に記憶される。
【００２７】
なお、参照画像は既に取得されている複数の画像の平均画像や、ＣＡＤデータを元に生成されたゴールデン・テンプレート画像（すなわち、欠陥が存在しない画像）等のデータが予め準備されて記憶されてもよい。
【００２８】
図６（ａ）は欠陥画像６１を例示する図であり、図６（ｂ）は参照画像６２を例示する図である。欠陥画像６１および参照画像６２は、比較的暗い背景領域６ｂ上に比較的明るい配線パターン６ａが形成された画像であり、欠陥画像６１において符号６１１を付す位置が欠陥である。欠陥画像６１および参照画像６２は、例えば、２５６階調の画像とされる。なお、欠陥画像６１が示す領域と参照画像６２が示す領域とが微小にずれている場合には、両画像６１，６２の互いに対応する画素を特定する処理が行われる。
【００２９】
欠陥領域特定部５１では、欠陥画像６１と参照画像６２との互いに対応する画素の値の差の絶対値を示す差分画像が生成され、差分画像の各画素の値に対して所定のしきい値により欠陥または非欠陥が判定される。例えば、差分画像の画素の値がしきい値よりも大きい場合には欠陥を示す画素値「２５５」が、しきい値よりも小さい場合には非欠陥を示す画素値「０」が各画素に対して付与され、図６（ｃ）に示すように、欠陥領域６３１が特定されたマスク画像（以下、「欠陥マスク画像」という。）６３が作成される（ステップＳ１３）。
【００３０】
続いて、マスク処理部５２では、欠陥画像６１および参照画像６２の各画素のうち、欠陥マスク画像６３において値が「２５５」の画素に対応する画素の値が特定され、それ以外の画素の値（すなわち、欠陥マスク画像６３において値が「０」の画素に対応する画素の値）が所定の値（例えば、画素値「０」）に変更される処理が行われる。すなわち、欠陥画像６１および参照画像６２に対してマスク処理が施され、欠陥マスク画像６３とのＡＮＤ画像が作成される（ステップＳ１４）。
【００３１】
図７（ａ）はマスク処理後の欠陥画像６４を示す図であり、図７（ｂ）はマスク処理後の参照画像６５を示す図である。図７（ａ）の欠陥画像６４、および、図７（ｂ）の参照画像６５では、それぞれ符号６４１，６５１を付す領域が欠陥マスク画像６３の欠陥領域６３１に対応している。
【００３２】
ヒストグラム生成部５３では、マスク処理後の欠陥画像６４および参照画像６５から２次元ヒストグラムが生成される（ステップＳ１５）。２次元ヒストグラムは前述したように、欠陥画像の画素値、および、参照画像の画素値をパラメータとする２次元空間内において、マスク処理後の欠陥画像６４の各画素の値とマスク処理後の参照画像６５の対応する画素の値との組み合わせの頻度を求めることにより生成される。
【００３３】
図８は生成された２次元ヒストグラム７１を示す図である。図８の２次元ヒストグラム７１では、マスク処理後の欠陥画像６４および参照画像６５において欠陥領域６４１，６５１に属する画素以外の画素の値が「０」とされるため、２次元ヒストグラム７１上の両画素値が０となる位置７１１以外において頻度が１以上である濃度を示す位置の集合である領域（以下、「特徴領域」という。）７１２が、欠陥６１１の特徴を示すこととなる。なお、図８の特徴領域７１２では濃淡の相違（すなわち、組み合わせの頻度の相違）を等高線のように示しており領域の中心に近づくにつれて組み合わせの頻度が高くなっている。特徴領域７１２は欠陥の位置や欠陥の回転の影響を受けないという特性を有する。
【００３４】
ヒストグラム生成部５３では、さらに、２次元ヒストグラム７１中の各位置の頻度が総頻度数、すなわち、欠陥画像６１（または、マスク処理後の欠陥画像６４）の総画素数で除され、２次元ヒストグラム７１が正規化される。正規化された２次元ヒストグラムは、欠陥６１１の特徴を示す確率分布といえ、欠陥位置および回転のみならず、欠陥サイズに対しても不変となる。なお、２次元ヒストグラムの正規化は必要に応じて行われるのみでよく、以下、正規化された２次元ヒストグラムについても、単に２次元ヒストグラム７１と呼び、総頻度数で除された頻度も単に頻度と呼ぶ。
【００３５】
続いて、分類部５４では２次元ヒストグラム７１に基づいて欠陥６１１が分類される（ステップＳ１６）。本実施の形態では、図９（ａ）に示す特徴分布図が前述の欠陥分類用データとして準備される（ステップＳ１１参照）。図９（ａ）の特徴分布図は欠陥画像の画素値、および、参照画像の画素値をパラメータとする２次元空間内に表われて、特徴分布図では２次元空間内の複数の領域８１，８２，８３，８４，８５，８６のそれぞれに対して欠陥の種別（複数の種別の候補であってもよい。）が対応付けられている。分類部５４は、特徴領域が図９（ａ）の特徴分布図中の領域８１〜８６のうちいずれに属するかを特定する。図８の２次元ヒストグラム７１の特徴領域７１２の場合、領域８１に属することが特定され、欠陥６１１が領域８１に対応付けられた欠陥種別（例えば、「配線パターンの残りやショート」）に分類される。分類結果は記憶部５９へと出力され、分類結果データ５９３として記憶される。
【００３６】
次に、図９（ａ）の特徴分布図についてさらに説明を行う。前述のように、欠陥画像６１および参照画像６２は比較的暗い背景領域６ｂ上に比較的明るい配線パターン６ａが形成された画像であるため、背景領域６ｂ上の正常な画素の値から導かれる位置は図９（ａ）中の符号８７を付す領域に属し、配線パターン６ａ上の正常な画素の値から導かれる位置は符号８８を付す領域に属することとなる。また、ノイズ等の影響を考慮すると符号８９を付す領域は正常な画素値に対応する区分が属する領域と捉えることができる。
【００３７】
一方、配線パターンの欠けや分断（すなわち、配線の断線（いわゆる、オープン））となる欠陥が発生した場合には、欠陥画像６１における欠陥の領域が暗くなるのに対して参照画像６２の対応する領域では配線パターン６ａの明るさとなる。よって、２次元ヒストグラムにおける特徴領域は欠陥画像の画素値が比較的小さく、参照画像の画素値が比較的大きい領域に出現するため、図９（ａ）中の領域８２は「配線パターンの欠けやオープン」を示す欠陥種別に対応付けることができる。
【００３８】
また、配線パターンの残存や背景領域の分断（すなわち、配線の短絡（いわゆる、ショート））となる欠陥が発生した場合には、欠陥画像６１における欠陥の領域が明るくなるのに対して参照画像６２の対応する領域では背景領域６ｂの明るさとなるため、２次元ヒストグラムにおいて特徴領域が欠陥画像の画素値が比較的大きく参照画像の画素値が比較的小さい領域に現れる。したがって、特徴分布図における領域８１は「配線パターンの残りやショート」を示す欠陥種別に対応付けることができる。
【００３９】
さらに、背景領域６ｂがさらに暗くなる欠陥は特徴分布図における領域８３、僅かに明るくなる欠陥は領域８４、配線パターン６ａがさらに明るくなる欠陥は特徴分布図における領域８５、僅かに暗くなる欠陥は領域８６に対応し、各領域８３〜８６に欠陥種別（例えば、付着したパーティクルの種類や厚み等）を予め特定して対応付けておくことにより、欠陥をより詳細に分類することが可能となる。なお、各領域８１〜８６は、正常部の分布である領域８７，８８に従って図９（ｂ）に示すように決定されてもよい。あるいは、領域８７，８８が図９（ａ）に示す分布となるように、画像の階調補正が行われてもよい。
【００４０】
以上のように、図２の欠陥分類装置１では、欠陥画像の画素値および参照画像の画素値をパラメータとする２次元空間において、欠陥画像の画素の値と参照画像の対応する画素の値との組み合わせの頻度を示す２次元ヒストグラムが生成される。そして、欠陥の種別がそれぞれ対応付けられた２次元空間内の複数の領域のうち、欠陥画像の欠陥に対応する領域が２次元ヒストグラムに基づいて特定されることにより、欠陥の種別が判定される（すなわち、欠陥が分類される）。これにより、欠陥分類装置１では、基板９上の欠陥を容易かつ短時間に分類することができる。
【００４１】
また、欠陥分類装置１では、欠陥画像および参照画像の互いに対応する画素の値から２次元ヒストグラムが生成されるため、コントラストが低い画像であっても欠陥を適切に分類することができる。なお、分類部５４では画素値の組み合わせの頻度に対して所定のしきい値が設けられ、頻度がしきい値より高い組み合わせの領域のみが特徴領域（または、その一部）として取り扱われてもよい。
【００４２】
以上、欠陥分類装置１の一の実施の形態について説明してきたが、欠陥分類装置１による処理は２次元ヒストグラム生成処理（ステップＳ１３〜Ｓ１５）および欠陥分類処理（ステップＳ１６）に大別することができる。以下、２次元ヒストグラム生成処理および欠陥分類処理の他の例について順次説明を行う。
【００４３】
２次元ヒストグラム生成処理の他の例として、２次元ヒストグラムが生成された後にマスク処理が行われてもよい。具体的には、まず、準備された欠陥画像６１および参照画像６２からヒストグラム生成部５３において２次元ヒストグラム７２が図１０（ａ）に示すように生成される。また、マスク処理部５２では図１０（ｂ）に示すように、両画素値が等しくなる対角線から縦軸または横軸に沿って（−α）だけ離れた画素値から（＋α）だけ離れた画素値までの所定の幅の範囲を示す領域（すなわち、図９（ａ）の特徴分布図における領域８９に対応する領域であり、以下、「マスク領域」という。）７３１が特定されたヒストグラム用マスク画像７３が準備される。そして、２次元ヒストグラム７２のマスク領域７３１に対応する位置の頻度が０とされ、修正された２次元ヒストグラム７４が、図１０（ｃ）に示すように生成される。
【００４４】
図１０（ｃ）の２次元ヒストグラム７４では欠陥の特徴を示さない領域がマスクされるため、頻度が０より大きくなる領域が特徴領域７４１として取り扱われる。換言すれば、分類部５４において２次元ヒストグラム中の欠陥画像の画素値と参照画像の画素値とがおよそ等しくなる領域以外の領域に基づいて欠陥の種別が特定され、欠陥を適切に分類することができる。
【００４５】
なお、準備される画像の画素の値のばらつきやノイズの影響の程度に応じて、正常な画素の値に対応する領域に拡がりが生じるため、ヒストグラム用マスク画像７３のマスク領域７３１の幅は画像取得時の状態等に合わせて適宜決定される。また、必ずしも２次元ヒストグラムに対してマスク処理が施される必要はなく、分類部５４においてマスク領域７３１以外の領域の頻度に基づいて、欠陥種別が特定されてもよい。
【００４６】
次に、欠陥分類処理の他の例について説明を行う。図１１は、欠陥分類処理の他の例に係る分類部５４ａの構成を示す図である。また、図１２は分類部５４ａによる欠陥分類処理の流れを示す図であり、図５中のステップＳ１６に対応する処理を示している。
【００４７】
分類部５４ａによる欠陥分類が行われる際には、図５中のステップＳ１１では、複数の欠陥種別にそれぞれ対応する複数の２次元ヒストグラム（以下、「テンプレートヒストグラム」という。）が欠陥分類用データとして準備される。
【００４８】
テンプレートヒストグラムは予め作成されており、テンプレートヒストグラムの作成では、まず、欠陥種別がそれぞれ特定された複数の欠陥画像に対して２次元ヒストグラムが作成され、欠陥画像のノイズや画素値のばらつき等の影響を抑制するために、各２次元ヒストグラムに対してグレイ膨張処理（最大値フィルタとも呼ばれる。）等が必要に応じて施される。そして、一の種類の欠陥種別ｍに対して準備された欠陥画像の数量をＭとし、２次元ヒストグラムのある位置（ｐ，ｑ）（ｐ，ｑはそれぞれ欠陥画像の画素値、参照画像の画素値である。）における頻度をＰｍ（ｐ，ｑ）として、テンプレートヒストグラムの位置（ｐ，ｑ）における頻度Ｐｔ（ｐ，ｑ）が数１により求められる。これにより、欠陥種別ｍの平均的な２次元ヒストグラムがテンプレートヒストグラムとして求められる。
【００４９】
【数１】

【００５０】
分類部５４ａでは、複数の欠陥種別のそれぞれに対応するテンプレートヒストグラムが求められる。
【００５１】
テンプレートヒストグラムが準備されると、次に、欠陥画像および参照画像から２次元ヒストグラムが生成されて分類部５４ａへと入力される（ステップＳ１５）。分類部５４ａの評価値算出部５４１では、２次元ヒストグラムとテンプレートヒストグラムとの類似の度合いを示す評価値が算出される（ステップＳ２１）。具体的には、まず、準備される画像のノイズ等の影響を抑制するために、２次元ヒストグラムに対してグレイ膨張処理等が必要に応じて施される。そして、各欠陥種別のテンプレートヒストグラムの各位置の頻度と、２次元ヒストグラムの対応する位置の頻度との積が算出され、算出された積の和が評価値とされる。具体的には、数２に示す演算により評価値Ｓが各テンプレートヒストグラムに対して求められる。
【００５２】
【数２】

【００５３】
ここで、ｐ，ｑはそれぞれ欠陥画像の画素値、参照画像の画素値であり、Ｐｔ（ｐ，ｑ）はテンプレートヒストグラムの位置（ｐ，ｑ）における頻度であり、Ｐｎ（ｐ，ｑ）は分類部５４ａに入力される２次元ヒストグラムの位置（ｐ，ｑ）における頻度である。
【００５４】
各欠陥種別に対して求められた評価値Ｓは、欠陥種別特定部５４２において比較され、最も大きい評価値Ｓとなる欠陥種別が特定されることにより欠陥が分類される（ステップＳ２２）。すなわち、分類部５４ａでは、準備された複数のテンプレートヒストグラムのうち２次元ヒストグラムに対して類似の度合いが最も高いものを特定する、いわゆる、テンプレートマッチングが行われる。これにより、欠陥分類装置１では欠陥が容易かつ適切に分類される。
【００５５】
なお、欠陥分類装置１では評価値Ｓに対して所定のしきい値が設けられ、しきい値以上となる評価値Ｓのみが欠陥種別特定部５４２へと入力されてもよい。これにより、欠陥がいずれの欠陥種別にも類似しない場合に、未知の欠陥種別として分類することが可能となる。
【００５６】
評価値は必ずしも２次元ヒストグラムと各欠陥種別のテンプレートヒストグラムとの各位置の頻度の積の和である必要なはく、例えば、頻度の差分二乗和とされてもよい。この場合、欠陥種別特定部５４２では評価値が最小となる欠陥種別が特定される。
【００５７】
また、分類部５４ａによる欠陥分類処理は２次元ヒストグラムが２値化されて行われてもよい。この場合、テンプレートヒストグラムも２値化されたものが作成されて準備される。
【００５８】
２値化されたテンプレートヒストグラムを作成する際には、欠陥種別がそれぞれ特定された複数の欠陥画像に対して２次元ヒストグラムが生成され、各２次元ヒストグラムにおいて、０あるいは適当な値より大きい頻度が１とされて２次元ヒストグラムが２値化される。そして、２値の膨張処理が必要に応じて施され、数３に示す演算により、各欠陥種別毎に各位置の値の論理積または論理和が算出され、欠陥種別毎に２値化されたテンプレートヒストグラムが作成される。なお、数３における各変数は数１に準じたものである。
【００５９】
【数３】

【００６０】
２値化された複数のテンプレートヒストグラムが準備されると、まず、入力された２次元ヒストグラム（正規化されていなくてもよい。）に対して２値化処理が施される。また、必要に応じて２値の膨張処理が施され、準備された画像のノイズや画素値のばらつき等の影響が抑制される。
【００６１】
続いて、各欠陥種別のテンプレートヒストグラムに対して２値化後の２次元ヒストグラムとの類似の度合いを示す評価値Ｓが算出される（ステップＳ２１）。具体的には、２値化後の２次元ヒストグラムの各位置の頻度と各欠陥種別のテンプレートヒストグラムの対応する位置の頻度との論理積が求められ、各テンプレートヒストグラムにおいて論理積の和が評価値とされる。すなわち、数４に示す演算により各テンプレートヒストグラムに対して評価値Ｓが求められる。なお、数４における各変数は数２に準じたものである。
【００６２】
【数４】

【００６３】
そして、欠陥種別特定部５４２において準備された複数のテンプレートヒストグラムのうち評価値Ｓが最大となる欠陥種別が特定され、欠陥が分類される（ステップＳ２２）。これにより、欠陥分類装置１では、欠陥の分類を容易かつ短時間に行うことができる。
【００６４】
次に、欠陥分類処理のさらに他の例について説明を行う。図１３は、分類部５４ｂを示す図であり、図１４は分類部５４ｂによる欠陥分類処理の流れを示す図である。図１３に示す分類部５４ｂでは、まず、ヒストグラム分割部５４３においてヒストグラム生成部５３から入力された２次元ヒストグラムが複数の部分ヒストグラムに分割される（ステップＳ３１）。例えば、図１５（ａ）に示す２次元ヒストグラム７５が分類部５４ｂに入力された場合には、欠陥画像の画素値および参照画像の画素値がそれぞれ３２画素値分を１つの区間とする８区間に分割され、図１５（ｂ）に示すように、６４個の部分ヒストグラム７６１が取得される。
【００６５】
特徴量算出部５４４では、複数の部分ヒストグラム７６１のそれぞれに含まれる頻度の和が算出され、各部分ヒストグラム７６１の特徴量とされる（ステップＳ３２）。部分ヒストグラム７６１の特徴量はニューラルネットワークを利用して判定を行う判定器５４５へと入力され、判定器５４５による分類結果が出力される（ステップＳ３３）。
【００６６】
ここで、欠陥分類装置１では、教師データを作成しつつ学習することによりニューラルネットワークのパラメータである欠陥判定条件が欠陥分類用データとして予め準備されている。すなわち、欠陥分類装置１では欠陥分類の事前準備として、欠陥種別が特定された複数の欠陥画像のそれぞれに対して参照画像を利用した２次元ヒストグラムが生成され２次元ヒストグラム中の各部分ヒストグラム７６１の特徴量が算出され、判定器構築部５４６において欠陥種別毎に学習が行われ欠陥判定条件が自動生成される。そして、欠陥分類処理の際に、図５のステップＳ１１において、生成された欠陥判定条件が欠陥分類用データとして判定器５４５に入力され、分類結果を出力する判定器５４５が構築される。これにより、分類部５４ｂでは高度な欠陥分類を行うことができる。
【００６７】
また、欠陥分類装置１では、分割されたヒストグラム毎に特徴量が求められるため、全ての位置の頻度がそのまま特徴量として利用される場合と比較して、判定器５４５における演算量を減少させることができ、短時間に欠陥を分類することができる。
【００６８】
なお、分類部５４ｂを有する欠陥分類装置１において、２次元ヒストグラムを正規化しない場合には、部分ヒストグラム７６１の特徴量には欠陥のサイズの要素が含まれるため、欠陥のサイズに応じた欠陥分類も可能となる。また、特徴量算出部５４４において算出される特徴量は頻度を利用した他のものであってもよく、例えば、各部分ヒストグラム７６１に含まれる頻度の標準偏差等であってもよい。
【００６９】
また、欠陥分類装置１におけるさらに他の欠陥分類処理として、分類された欠陥の各部分ヒストグラムの特徴量と欠陥種別とを対応付けた教師データが蓄積されて利用されてもよい。この場合、分類対象となる欠陥の画像の部分ヒストグラムの特徴量と各教師データの対応する部分ヒストグラムの特徴量との差分が求められて全ての差分の二乗和が求められ、差分二乗和が最小となる教師データの欠陥種別に分類対象の欠陥が分類される（いわゆる、最近傍法）。
【００７０】
以上、欠陥分類装置１の構成および処理について説明を行ってきたが、欠陥分類装置１の演算部５の機能は専用の電気的回路により実現されてもよく、部分的に電気的回路が用いられてもよい。
【００７１】
例えば、欠陥領域特定部５１、マスク処理部５２およびヒストグラム生成部５３の機能を電気的回路により構築し、撮像部２から欠陥画像のデータを画素単位で欠陥領域特定部５１へと順次入力しつつ（すなわち、シーケンシャルに欠陥画像のデータが入力される）、２次元ヒストグラムを生成処理することも可能である。
【００７２】
この場合、まず、入力された欠陥画像の画素の値に対応する参照画像の画素の値が記憶部５９から欠陥領域特定部５１へと入力され、欠陥画像の画素の値と参照画像の画素の値との差の絶対値が算出される。そして、差の絶対値が所定のしきい値よりも大きい場合には欠陥を示す欠陥マスク画素値「２５５」が、しきい値よりも小さい場合には非欠陥を示す欠陥マスク画素値「０」が欠陥画像の画素の値および参照画像の画素の値とともにマスク処理部５２へと出力される（図５のステップＳ１３に相当）。
【００７３】
マスク処理部５２では、欠陥マスク画素値が「２５５」である場合には入力された欠陥画像および参照画像の画素の値がそのまま出力され、欠陥マスク画素値が「０」である場合には両画像に対して画素値「０」が出力される（ステップＳ１４に相当）。ヒストグラム生成部５３では、マスク処理部５２からの欠陥画像の画素の値および参照画像の画素の値の組み合わせの２次元空間上の位置が特定されてその位置の頻度に１が加算される（ステップＳ１５に相当）。欠陥画像の全ての画素に対して上記処理が順次実行されることにより２次元ヒストグラムが短時間に生成される。
【００７４】
以上、本発明の実施の形態について説明してきたが、本発明は上記実施の形態に限定されるものではなく、様々な変形が可能である。
【００７５】
欠陥領域特定部５１において、欠陥領域６３１を特定する手法は必ずしも欠陥画像と参照画像との差分（絶対値）画像を利用したものには限定されず、例えば、エッジ抽出を行った上で欠陥画像と参照画像とを比較することにより欠陥領域が特定されてもよい。
【００７６】
また、分類部５４ｂは必ずしもニューラルネットワークを利用するものである必要はなく、例えば、判別分析や決定木等の他の手法が利用されてもよい。すなわち、欠陥分類装置１では２次元ヒストグラムに基づく欠陥分類として様々な手法が利用可能である。
【００７７】
欠陥画像（および参照画像）は、必ずしも背景領域上に配線パターンが形成された画像である必要はなく、多階調の他の画像であってもよい。
【００７８】
上記実施の形態では、半導体の基板９に対して欠陥の分類が行われるが、欠陥分類装置１は、ガラス基板（例えば、液晶表示装置、プラズマ表示装置等の各種フラットパネル表示装置に用いられるガラス基板）、プリント配線基板等に形成されたパターンの欠陥の分類にも利用することができる。
【００７９】
また、高速な処理が求められない場合には、欠陥分類装置１において欠陥検出と欠陥分類とが同時に行われてもよい。
【００８０】
【発明の効果】
本発明によれば、基板上の欠陥を容易に分類することができる。
【００８１】
また、請求項２および３の発明では欠陥領域を特定して、欠陥を適切に分類することができる。
【００８２】
また、請求項４の発明では欠陥を短時間に分類することができ、請求項６の発明では高度な欠陥分類を行うことができる。
【図面の簡単な説明】
【図１】（ａ）ないし（ｃ）は２次元ヒストグラムの生成方法を説明するための図である。
【図２】欠陥分類装置を示す図である。
【図３】コンピュータの構成を示す図である。
【図４】演算部の機能構成を示す図である。
【図５】２次元ヒストグラムを生成して欠陥を分類する処理の流れを示す図である。
【図６】（ａ）は欠陥画像を示す図であり、（ｂ）は参照画像を示す図であり、（ｃ）は欠陥マスク画像を示す図である。
【図７】（ａ）はマスク処理後の欠陥画像を示す図であり、（ｂ）はマスク処理後の参照画像を示す図である。
【図８】２次元ヒストグラムを示す図である。
【図９】（ａ）および（ｂ）は、特徴分布図を示す図である。
【図１０】（ａ）は２次元ヒストグラムを示す図であり、（ｂ）はヒストグラム用マスク画像を示す図であり、（ｃ）はマスク処理後の２次元ヒストグラムを示す図である。
【図１１】分類部の構成の他の例を示す図である。
【図１２】欠陥を分類する処理の流れを示す図である。
【図１３】分類部の構成のさらに他の例を示す図である。
【図１４】欠陥を分類する処理の流れを示す図である。
【図１５】（ａ）は２次元ヒストグラムを示す図であり、（ｂ）は分割後の２次元ヒストグラムを示す図である。
【符号の説明】
１欠陥分類装置
４コンピュータ
５演算部
９基板
５１欠陥領域特定部
５２マスク処理部
５３ヒストグラム生成部
５４分類部
５９記憶部
６１，６４欠陥画像
６２，６５参照画像
７１，７２，７４，７５２次元ヒストグラム
８０プログラム
８１〜８９領域
５４１評価値算出部
５４２欠陥種別特定部
５４３ヒストグラム分割部
５４４特徴量算出部
５４５判定器
５４６判定器構築部
６１１欠陥
６３１，６４１，６５１欠陥領域
７６１部分ヒストグラム
Ｓ１１〜Ｓ１６，Ｓ２１，Ｓ２２，Ｓ３１〜Ｓ３３ステップ[0001]
TECHNICAL FIELD OF THE INVENTION
The present invention relates to a technique for classifying defects on a substrate.
[0002]
[Prior art]
Conventionally, to inspect a pattern formed on a semiconductor substrate, a reticle, a printed wiring board, and the like (hereinafter, referred to as a “substrate”), and to correct an abnormality in a manufacturing process that causes a reduction in yield in each process. In some cases, the detected defect is classified (that is, the type or category of the defect is determined).
[0003]
For example, Patent Literature 1 discloses a method of extracting feature amounts such as the area, brightness, perimeter, circularity, and center of gravity of a defect from a defect image and performing learning and classification using a neural network. Literature 2 proposes a method in which a defect area in a defect image is separated into a wiring area and a background area based on a reference image, and a defect type is determined using the luminance value of each area.
[0004]
In Patent Document 3, each pixel value of the inspection image and a corresponding pixel value of the reference image are displayed on a graph defined by two coordinate axes of the pixel value of the inspection image and the pixel value of the reference image. A technique is disclosed in which a two-dimensional variance plot, which is a binary image, is created by plotting the determined points, and a point located apart from a straight line where both pixel values are equal is found to detect a defect. .
[0005]
[Patent Document 1]
JP-A-8-21803
[Patent Document 2]
JP-A-9-186208
[Patent Document 3]
JP 2001-133418 A
[0006]
[Problems to be solved by the invention]
By the way, in order to classify defects with high accuracy in the method of Patent Document 1, it is necessary to obtain many types of feature amounts, and it takes a long time. Further, according to the method disclosed in Patent Document 2, when the contrast of the defect image is low or when there is a lot of noise, the wiring region and the background region may not be properly separated, and the defect may not be accurately classified.
[0007]
The present invention has been made in view of the above problems, and has as its object to provide a technique for easily classifying defects.
[0008]
[Means for Solving the Problems]
The invention according to claim 1 is a defect classification apparatus for classifying defects on a substrate, wherein the pixel values of a multi-tone defect image indicating a defect on a substrate and a multi-level reference image prepared in advance are stored. A histogram generation unit configured to generate a two-dimensional histogram indicating a frequency of a combination of a pixel value of the defect image and a corresponding pixel value of the reference image in a two-dimensional space having a pixel value as a parameter; And a classification unit for classifying the defect based on the classification.
[0009]
According to a second aspect of the present invention, there is provided the defect classification apparatus according to the first aspect, wherein a defect area specifying unit that specifies a defect area by comparing the defect image with the reference image; A mask processing unit that performs a masking process for setting a pixel value other than the defect area to a predetermined pixel value with respect to the reference image, wherein the histogram generation unit performs the mask processing based on the masked defect image and the reference image. Generate a dimensional histogram.
[0010]
The invention according to claim 3 is the defect classification device according to claim 1, wherein the classification unit is configured such that, in the two-dimensional space, a pixel value of the defect image is approximately equal to a pixel value of the reference image. The defect is classified based on an area other than the area.
[0011]
According to a fourth aspect of the present invention, in the defect classification apparatus according to any one of the first to third aspects, each of the plurality of regions in the two-dimensional space corresponds to a defect type in the classification unit. It is attached.
[0012]
The invention according to claim 5 is the defect classification device according to any one of claims 1 to 3, wherein the classification unit includes a two-dimensional histogram corresponding to each of a plurality of defect types prepared in advance. An evaluation value calculation unit that calculates an evaluation value indicating a degree of similarity to the two-dimensional histogram generated by the histogram generation unit; and a defect type identification unit that identifies the type of the defect based on the evaluation value. Having.
[0013]
The invention according to claim 6 is the defect classification apparatus according to any one of claims 1 to 3, wherein the classification unit divides the two-dimensional histogram into a plurality of partial histograms, In each of the plurality of partial histograms, a feature amount calculating unit that calculates a feature amount related to frequency and a determiner that outputs a classification result according to an input feature amount by performing learning using the feature amount are constructed. And a determiner constructing unit.
[0014]
According to a seventh aspect of the present invention, there is provided a defect classification method for classifying a defect on a substrate, wherein a pixel value of a multi-tone defect image indicating a defect on the substrate and a multi-level reference image prepared in advance are stored. Generating a two-dimensional histogram indicating a frequency of a combination of a pixel value of the defective image and a corresponding pixel value of the reference image in a two-dimensional space having a pixel value as a parameter; And classifying the defect by the method.
[0015]
The invention according to claim 8, which is a program used for classifying defects on a substrate, wherein the computer executes the program by instructing the computer to execute a multi-tone defect image indicating a defect on the substrate. In a two-dimensional space in which values and pixel values of a multi-tone reference image prepared in advance are used as parameters, a two-dimensional value indicating the frequency of a combination of the pixel value of the defective image and the corresponding pixel value of the reference image Generating a histogram; and classifying the defect based on the two-dimensional histogram.
[0016]
BEST MODE FOR CARRYING OUT THE INVENTION
FIGS. 1A to 1C are diagrams for explaining how to generate a two-dimensional histogram used for defect classification, and FIG. 1A is a diagram showing a multi-tone first image 601. FIG. 1B is a diagram showing a multi-tone second image 602 to be referred to for the image 601.
[0017]
The two-dimensional histogram is generated by specifying the value of each pixel of the first image 601 and the value of the corresponding pixel of the second image 602. For example, it is assumed that the value B of the corresponding pixel 602a of the second image 602 is specified for the pixel 601a whose value of the first image 601 is A. At this time, as shown in FIG. 1 (c), a two-dimensional space in which the pixel values of the first image 601 and the pixel values of the second image 602 are used as parameters (that is, depending on the range of values that the pixel values of both images can take). In the determined two-dimensional space), 1 is added to the frequency (appearance frequency) of the position 603 indicating a combination in which the value of the pixel of the first image 601 is A and the value of the pixel of the second image 602 is B.
[0018]
Therefore, when the value of the pixel of the first image 601 and the value of the corresponding pixel of the second image 602 are the same, the position where the values of both pixels in the two-dimensional space are equal (that is, FIG. ), The frequency of any position on the diagonal line from upper left to lower right is changed, and if the values of both pixels are different, the frequency of any position other than the diagonal line is changed. Become. Then, by specifying the position in the two-dimensional space and incrementing the frequency of the position for the combination of the values of all the pixels of the

images

601 and 602, a two-dimensional histogram is generated in the two-dimensional space. In order to express the frequency at each position, the higher the frequency in the two-dimensional histogram, the higher (or brighter) the density at that position, and the lower the frequency, the lower (or darker) the density. That is, the two-dimensional histogram is represented and handled as an image.
[0019]
FIG. 2 is a diagram showing a configuration of the defect classification device 1 according to one embodiment of the present invention. The defect classification apparatus 1 captures a predetermined area on a semiconductor substrate (hereinafter, referred to as a “substrate”) 9 to acquire data of a multi-gradation image, a stage 3 holding the substrate 9, and And a stage driving unit 31 that relatively moves the stage 3 with respect to the imaging unit 2.
[0020]
The image pickup unit 2 includes an illumination unit 21 that emits illumination light, an optical system 22 that guides the illumination light to the substrate 9 and receives light from the substrate 9, and an image of the substrate 9 formed by the optical system 22. It has an imaging device 23 for converting into a signal. The stage drive unit 31 has an X-direction moving mechanism 32 that moves the stage 3 in the X direction in FIG. 2 and a Y-direction moving mechanism 33 that moves the stage 3 in the Y direction. The X-direction moving mechanism 32 is connected to a motor 321 by a ball screw (not shown). When the motor 321 rotates, the Y-direction moving mechanism 33 moves along the guide rail 322 in the X direction in FIG. The Y direction moving mechanism 33 has the same configuration as the X direction moving mechanism 32. When the motor 331 rotates, the stage 3 moves in the Y direction along the guide rail 332 by a ball screw (not shown).
[0021]
The defect classifying apparatus 1 further includes a computer 4 including a CPU for performing various arithmetic processes and a memory for storing various information. The computer 4 is connected to the imaging unit 2 and the stage driving unit 31. The computer 4 performs the classification of defects, and also functions as a control unit that controls each component of the defect classification device 1.
[0022]
FIG. 3 is a diagram illustrating a configuration of the computer 4. As shown in FIG. 3, the computer 4 has a general computer system configuration in which a CPU 41 for performing various arithmetic processes, a ROM 42 for storing basic programs, and a RAM 43 for storing various information are connected to a bus line. The bus line further includes a fixed disk 44 for storing information, a display 45 for displaying various information such as images, a keyboard 46a and a mouse 46b for receiving input from an operator, and a computer such as an optical disk, a magnetic disk, and a magneto-optical disk. A reading device 47 for reading information from the readable recording medium 8 and a communication unit 48 for transmitting and receiving signals to and from other components of the defect classification device 1 are appropriately provided via an interface (I / F) or the like. Connected.
[0023]
The computer 80 reads the program 80 from the recording medium 8 via the reading device 47 in advance and stores the program 80 on the fixed disk 44. Then, when the program 80 is copied to the RAM 43 and the CPU 41 executes the arithmetic processing according to the program in the RAM 43 (that is, by executing the program), the computer 4 performs the defect detection and generates the two-dimensional histogram. Generate and classify defects. Since the defect detection is performed on a large number of images, it may be performed by a dedicated electric circuit. Hereinafter, description will be made assuming that data of a defect image is obtained by a predetermined defect detection method.
[0024]
FIG. 4 is a diagram showing a functional configuration for defect classification realized by the CPU 41, the ROM 42, the RAM 43, the fixed disk 44, and the like when the CPU 41 operates according to the program 80. In FIG. 4, each component of the arithmetic unit 5 shows a function realized by the CPU 41 and the like, and a storage unit 59 shows a function realized by the RAM 43, the fixed disk 44 and the like.
[0025]
FIG. 5 is a diagram showing a flow of processing in which the defect classification device 1 generates a two-dimensional histogram and automatically classifies defects. When the defect classification device 1 classifies a defect, first, data used for defect classification (hereinafter, referred to as “defect classification data”) is prepared and stored (step S11). The defect classification data is data prepared according to a defect classification method, and will be described later in detail.
[0026]
Subsequently, data of a multi-tone defect image indicating a defect on the substrate 9 and data of a multi-tone reference image are prepared (step S12). These images obtained at the time of defect detection are used. Specifically, the computer 4 controls the stage driving unit 31 to change the imaging position of the imaging unit 2 to an inspection area on the substrate 9 (for example, a die arranged on the substrate 9 (that is, one die). (A corresponding area) relative to a predetermined area), an image to be inspected is acquired by the imaging unit 2, and the imaging position of the imaging unit 2 is changed to the same position of another die on the substrate 9 (that is, the position of the die). The reference image is acquired by moving to an imaging area separated by an integral multiple of the pattern period), and when a defect is detected, the data of the image to be inspected is set as defect image data 591 and the data of the reference image is set as reference image data 592. Is stored in the storage unit 59.
[0027]
The reference image is prepared and stored in advance as data such as an average image of a plurality of images that have already been acquired and a golden template image (that is, an image having no defect) generated based on CAD data. Is also good.
[0028]
FIG. 6A is a diagram illustrating a defect image 61, and FIG. 6B is a diagram illustrating a reference image 62. The defect image 61 and the reference image 62 are images in which a relatively bright wiring pattern 6a is formed on a relatively dark background area 6b, and a position denoted by reference numeral 611 in the defect image 61 is a defect. The defect image 61 and the reference image 62 are, for example, images of 256 gradations. When the area indicated by the defect image 61 and the area indicated by the reference image 62 are slightly shifted, a process of specifying mutually corresponding pixels of both

images

61 and 62 is performed.
[0029]
The defect area specifying unit 51 generates a difference image indicating the absolute value of the difference between the pixel values of the defect image 61 and the reference image 62 corresponding to each other, and sets a predetermined threshold value for each pixel value of the difference image. Is determined as a defect or a non-defect. For example, when the pixel value of the difference image is larger than a threshold value, a pixel value “255” indicating a defect is set to each pixel, and when the pixel value is smaller than the threshold value, a pixel value “0” indicating a non-defect is set to each pixel. As shown in FIG. 6C, a mask image (hereinafter, referred to as “defect mask image”) 63 in which the defective area 631 is specified is created (step S13).
[0030]
Subsequently, in the mask processing unit 52, among the pixels of the defect image 61 and the reference image 62, the value of the pixel corresponding to the pixel whose value is “255” in the defect mask image 63 is specified, and the values of the other pixels are specified. In other words, a process of changing the value of the pixel corresponding to the pixel having the value “0” in the defect mask image 63 to a predetermined value (for example, the pixel value “0”) is performed. That is, mask processing is performed on the defect image 61 and the reference image 62, and an AND image with the defect mask image 63 is created (step S14).
[0031]
FIG. 7A is a diagram illustrating the defect image 64 after the mask processing, and FIG. 7B is a diagram illustrating the reference image 65 after the mask processing. In the defect image 64 of FIG. 7A and the reference image 65 of FIG. 7B, the areas denoted by

reference numerals

641 and 651 respectively correspond to the defect areas 631 of the defect mask image 63.
[0032]
The histogram generation unit 53 generates a two-dimensional histogram from the defect image 64 and the reference image 65 after the mask processing (Step S15). As described above, the two-dimensional histogram represents the value of each pixel of the defective image 64 after the mask processing and the reference value after the mask processing in the two-dimensional space using the pixel value of the defect image and the pixel value of the reference image as parameters. It is generated by calculating the frequency of the combination with the value of the corresponding pixel of the image 65.
[0033]
FIG. 8 is a diagram showing the generated two-dimensional histogram 71. In the two-dimensional histogram 71 of FIG. 8, the values of the pixels other than the pixels belonging to the

defective areas

641 and 651 in the defect image 64 and the reference image 65 after the mask processing are set to “0”. A region 712 (hereinafter, referred to as a “characteristic region”), which is a set of positions indicating a density having a frequency of 1 or more, other than the position 711 where the pixel value is 0, indicates the characteristic of the defect 611. Note that in the characteristic region 712 in FIG. 8, the difference in shading (that is, the difference in the frequency of combination) is shown as a contour line, and the frequency of combination increases as approaching the center of the region. The characteristic region 712 has a characteristic that it is not affected by the position of the defect or the rotation of the defect.
[0034]
The histogram generation unit 53 further divides the frequency of each position in the two-dimensional histogram 71 by the total frequency, that is, the total number of pixels of the defect image 61 (or the defect image 64 after the mask processing), and 71 is normalized. The normalized two-dimensional histogram can be said to be a probability distribution showing the characteristics of the defect 611, and is invariant not only to the defect position and rotation but also to the defect size. The normalization of the two-dimensional histogram need only be performed as needed. Hereinafter, the normalized two-dimensional histogram is also simply referred to as a two-dimensional histogram 71, and the frequency divided by the total frequency is simply the frequency. Call.
[0035]
Subsequently, the classification unit 54 classifies the defect 611 based on the two-dimensional histogram 71 (Step S16). In the present embodiment, the feature distribution diagram shown in FIG. 9A is prepared as the defect classification data described above (see step S11). The feature distribution diagram of FIG. 9A is represented in a two-dimensional space using the pixel value of the defect image and the pixel value of the reference image as parameters. In the feature distribution diagram, a plurality of regions 81, Each of 82, 83, 84, 85, and 86 is associated with a defect type (a plurality of types may be candidates). The classification unit 54 specifies which of the regions 81 to 86 in the feature distribution diagram of FIG. 9A the feature region belongs to. In the case of the characteristic region 712 of the two-dimensional histogram 71 in FIG. 8, it is specified that the defect belongs to the region 81, and the defect 611 is classified into a defect type associated with the region 81 (for example, “remaining or short circuit pattern”). You. The classification result is output to the storage unit 59 and stored as classification result data 593.
[0036]
Next, the feature distribution diagram of FIG. 9A will be further described. As described above, since the defect image 61 and the reference image 62 are images in which the relatively bright wiring pattern 6a is formed on the relatively dark background area 6b, the positions derived from the values of normal pixels on the background area 6b. 9A belong to the area denoted by reference numeral 87 in FIG. 9A, and the position derived from the value of the normal pixel on the wiring pattern 6a belongs to the area denoted by reference numeral 88. Considering the influence of noise and the like, the area denoted by reference numeral 89 can be regarded as an area to which a section corresponding to a normal pixel value belongs.
[0037]
On the other hand, in the case where a defect that results in chipping or division of the wiring pattern (that is, disconnection of the wiring (so-called open)) occurs, the defect area in the defect image 61 becomes darker while the defect area corresponding to the reference image 62 becomes darker. In the region, the brightness of the wiring pattern 6a is obtained. Therefore, since the characteristic region in the two-dimensional histogram appears in a region where the pixel value of the defective image is relatively small and the pixel value of the reference image is relatively large, the region 82 in FIG. It can be associated with a defect type indicating “open”.
[0038]
Further, when a defect that causes the remaining wiring pattern or the division of the background area (that is, a short circuit (so-called short circuit) of the wiring) occurs, the defect area in the defect image 61 becomes brighter while the reference image 62 becomes darker. In the two-dimensional histogram, the characteristic region appears in a region where the pixel value of the defective image is relatively large and the pixel value of the reference image is relatively small in the two-dimensional histogram. Therefore, the region 81 in the feature distribution diagram can be associated with the defect type indicating “residual or short circuit pattern”.
[0039]
Further, a defect in which the background region 6b is further darkened is a region 83 in the feature distribution diagram, a defect which is slightly brighter is a region 84, a defect in which the wiring pattern 6a is further brighter is a region 85 in the feature distribution diagram, and a defect which is slightly darker is a region. The defect can be classified in more detail by specifying the defect type (for example, the type and thickness of attached particles) in advance in correspondence with each of the regions 83 to 86 corresponding to the area 86. Note that the regions 81 to 86 may be determined as shown in FIG. 9B according to the

regions

87 and 88 that are distributions of normal portions. Alternatively, the gradation of the image may be corrected so that the

regions

87 and 88 have the distribution shown in FIG.
[0040]
As described above, in the defect classification device 1 of FIG. 2, in the two-dimensional space in which the pixel value of the defect image and the pixel value of the reference image are used as parameters, the value of the pixel of the defect image and the value of the corresponding pixel of the reference image are compared. A two-dimensional histogram indicating the frequency of the combination is generated. The defect type is determined by identifying, based on the two-dimensional histogram, a region corresponding to the defect in the defect image among a plurality of regions in the two-dimensional space to which the defect types are respectively associated. (Ie, the defects are classified). Thus, the defect classification device 1 can easily and quickly classify the defects on the substrate 9.
[0041]
In addition, in the defect classification device 1, since a two-dimensional histogram is generated from the pixel values of the defect image and the reference image that correspond to each other, the defect can be appropriately classified even if the image has low contrast. It should be noted that the classification unit 54 sets a predetermined threshold value for the frequency of the combination of pixel values, and even if only a region having a combination having a higher frequency than the threshold value is treated as a characteristic region (or a part thereof). Good.
[0042]
As described above, one embodiment of the defect classification device 1 has been described. However, the processing by the defect classification device 1 can be roughly divided into a two-dimensional histogram generation process (steps S13 to S15) and a defect classification process (step S16). it can. Hereinafter, other examples of the two-dimensional histogram generation processing and the defect classification processing will be sequentially described.
[0043]
As another example of the two-dimensional histogram generation processing, the mask processing may be performed after the two-dimensional histogram is generated. Specifically, first, a two-dimensional histogram 72 is generated from the prepared defect image 61 and reference image 62 by the histogram generation unit 53 as shown in FIG. Also, as shown in FIG. 10B, the mask processing unit 52 sets a pixel separated by (+ α) from a pixel value separated by (−α) along a vertical axis or a horizontal axis from a diagonal line where both pixel values are equal. A region indicating a range of a predetermined width up to the value (that is, a region corresponding to the region 89 in the characteristic distribution diagram of FIG. 9A, hereinafter, referred to as a “mask region”) 731 is a specified histogram mask. An image 73 is prepared. Then, the frequency of the position corresponding to the mask area 731 of the two-dimensional histogram 72 is set to 0, and a corrected two-dimensional histogram 74 is generated as shown in FIG.
[0044]
In the two-dimensional histogram 74 of FIG. 10C, a region that does not show the feature of the defect is masked, and a region having a frequency greater than 0 is treated as a characteristic region 741. In other words, the classification unit 54 specifies the defect type based on an area other than the area where the pixel value of the defect image and the pixel value of the reference image in the two-dimensional histogram are approximately equal, and appropriately classifies the defect. Can be.
[0045]
Note that the width of the mask area 731 of the mask image 73 for the histogram is changed because the area corresponding to the normal pixel value expands in accordance with the variation of the pixel values of the prepared image and the degree of the influence of noise. It is appropriately determined according to the state at the time of acquisition and the like. Further, it is not always necessary to perform the mask process on the two-dimensional histogram, and the classification unit 54 may specify the defect type based on the frequency of an area other than the mask area 731.
[0046]
Next, another example of the defect classification processing will be described. FIG. 11 is a diagram illustrating a configuration of the classification unit 54a according to another example of the defect classification processing. FIG. 12 is a diagram showing a flow of the defect classification process by the classification unit 54a, and shows a process corresponding to step S16 in FIG.
[0047]
When defect classification is performed by the classification unit 54a, in step S11 in FIG. 5, a plurality of two-dimensional histograms (hereinafter, referred to as “template histograms”) respectively corresponding to a plurality of defect types are used as defect classification data. Be prepared.
[0048]
The template histogram is created in advance, and in the creation of the template histogram, first, a two-dimensional histogram is created for a plurality of defect images whose defect types are respectively specified, and the influence of the noise of the defect image, variation in pixel values, and the like. In order to suppress this, gray expansion processing (also referred to as a maximum value filter) is performed on each two-dimensional histogram as necessary. The number of defect images prepared for one type of defect m is M, and a certain position (p, q) of the two-dimensional histogram (p and q are pixel values of the defect image and pixels of the reference image, respectively) The frequency Pt (p, q) at the position (p, q) of the template histogram is determined by Equation 1 assuming that the frequency of the template histogram is Pm (p, q). Thereby, an average two-dimensional histogram of the defect type m is obtained as a template histogram.
[0049]
(Equation 1)

[0050]
The classification unit 54a obtains a template histogram corresponding to each of the plurality of defect types.
[0051]
When the template histogram is prepared, next, a two-dimensional histogram is generated from the defect image and the reference image and input to the classifying unit 54a (step S15). The evaluation value calculation unit 541 of the classification unit 54a calculates an evaluation value indicating the degree of similarity between the two-dimensional histogram and the template histogram (Step S21). Specifically, first, in order to suppress the influence of noise or the like on the prepared image, gray expansion processing or the like is performed on the two-dimensional histogram as needed. Then, the product of the frequency of each position of the template histogram of each defect type and the frequency of the corresponding position of the two-dimensional histogram is calculated, and the sum of the calculated products is used as the evaluation value. Specifically, the evaluation value S is obtained for each template histogram by the calculation shown in Expression 2.
[0052]
(Equation 2)

[0053]
Here, p and q are the pixel value of the defective image and the pixel value of the reference image, respectively, Pt (p, q) is the frequency at the position (p, q) of the template histogram, and Pn (p, q) is The frequency at the position (p, q) of the two-dimensional histogram input to the classification unit 54a.
[0054]
The evaluation values S obtained for the respective defect types are compared in the defect type identification unit 542, and the defect type having the largest evaluation value S is identified to classify the defects (step S22). That is, the classifying unit 54a performs so-called template matching for identifying a template histogram having the highest degree of similarity to the two-dimensional histogram among a plurality of prepared template histograms. Thereby, the defect classification device 1 easily and appropriately classifies the defects.
[0055]
In the defect classification device 1, a predetermined threshold value may be provided for the evaluation value S, and only the evaluation value S that is equal to or larger than the threshold value may be input to the defect type identification unit 542. Thus, when a defect is not similar to any of the defect types, it can be classified as an unknown defect type.
[0056]
The evaluation value does not necessarily need to be the sum of the products of the frequencies at each position of the two-dimensional histogram and the template histogram of each defect type, and may be, for example, the sum of squares of the frequency difference. In this case, the defect type identification unit 542 identifies the defect type with the smallest evaluation value.
[0057]
Further, the defect classification processing by the classification unit 54a may be performed by binarizing the two-dimensional histogram. In this case, a binarized template histogram is also prepared and prepared.
[0058]
When creating a binarized template histogram, a two-dimensional histogram is generated for a plurality of defect images, each of which has a specified defect type, and the frequency of each two-dimensional histogram is 0 or a frequency larger than an appropriate value. It is set to 1 and the two-dimensional histogram is binarized. Then, binary expansion processing is performed as needed, and the logical product or logical sum of the values at each position is calculated for each defect type by the operation shown in Expression 3, and binarized for each defect type. A template histogram is created. Note that each variable in Expression 3 is based on Expression 1.
[0059]
[Equation 3]

[0060]
When a plurality of binarized template histograms are prepared, first, binarization processing is performed on the input two-dimensional histogram (it does not have to be normalized). In addition, a binary expansion process is performed as needed, thereby suppressing the influence of noise and pixel value variation of the prepared image.
[0061]
Subsequently, an evaluation value S indicating the degree of similarity between the binarized two-dimensional histogram and the template histogram of each defect type is calculated (step S21). Specifically, the logical product of the frequency of each position of the two-dimensional histogram after binarization and the frequency of the corresponding position of the template histogram of each defect type is obtained, and the sum of the logical products in each template histogram is the evaluation value. It is said. That is, the evaluation value S is obtained for each template histogram by the calculation shown in Expression 4. Note that each variable in Equation 4 is based on Equation 2.
[0062]
(Equation 4)

[0063]
Then, the defect type having the largest evaluation value S is specified from the plurality of template histograms prepared in the defect type specifying unit 542, and the defects are classified (step S22). Thereby, the defect classification device 1 can perform defect classification easily and in a short time.
[0064]
Next, still another example of the defect classification processing will be described. FIG. 13 is a diagram illustrating the classification unit 54b, and FIG. 14 is a diagram illustrating the flow of the defect classification process performed by the classification unit 54b. In the classification unit 54b illustrated in FIG. 13, first, the two-dimensional histogram input from the histogram generation unit 53 is divided into a plurality of partial histograms in the histogram division unit 543 (step S31). For example, when the two-dimensional histogram 75 shown in FIG. 15A is input to the classification unit 54b, the pixel value of the defective image and the pixel value of the reference image are divided into eight sections each having 32 pixel values as one section. , And 64 partial histograms 761 are obtained as shown in FIG.
[0065]
The feature amount calculation unit 544 calculates the sum of frequencies included in each of the plurality of partial histograms 761, and sets the sum as the feature amount of each of the partial histograms 761 (step S32). The feature amount of the partial histogram 761 is input to a determiner 545 that makes a determination using a neural network, and a classification result by the determiner 545 is output (step S33).
[0066]
Here, in the defect classification device 1, a defect determination condition, which is a parameter of the neural network, is prepared in advance as defect classification data by learning while creating teacher data. That is, in the defect classification apparatus 1, as a preliminary preparation for defect classification, a two-dimensional histogram using a reference image is generated for each of a plurality of defect images whose defect types are specified, and the partial histograms 761 of the two-dimensional histogram are generated. The feature amount is calculated, learning is performed for each defect type in the determiner construction unit 546, and defect determination conditions are automatically generated. Then, at the time of defect classification processing, in step S11 of FIG. 5, the generated defect determination conditions are input to the determiner 545 as defect classification data, and a determiner 545 that outputs a classification result is constructed. As a result, the classification unit 54b can perform advanced defect classification.
[0067]
Further, in the defect classifying apparatus 1, since the feature amount is obtained for each of the divided histograms, the amount of calculation in the determiner 545 is reduced as compared with the case where the frequencies of all positions are used as the feature amounts as they are. The defect can be classified in a short time.
[0068]
When the two-dimensional histogram is not normalized in the defect classification device 1 having the classification unit 54b, since the feature amount of the partial histogram 761 includes a defect size element, the defect classification according to the defect size is performed. Is also possible. Further, the feature amount calculated by the feature amount calculation unit 544 may be another one using frequency, for example, a standard deviation of frequency included in each partial histogram 761 or the like.
[0069]
Further, as still another defect classification process in the defect classification device 1, teacher data in which the feature amounts of the respective partial histograms of the classified defects are associated with the defect types may be accumulated and used. In this case, the difference between the feature amount of the partial histogram of the image of the defect to be classified and the feature amount of the corresponding partial histogram of each teacher data is obtained, and the sum of squares of all the differences is obtained. The defect to be classified is classified according to the defect type of the teacher data (so-called nearest neighbor method).
[0070]
The configuration and processing of the defect classification device 1 have been described above. However, the function of the calculation unit 5 of the defect classification device 1 may be realized by a dedicated electric circuit, and an electric circuit is partially used. You may.
[0071]
For example, the functions of the defective area specifying unit 51, the mask processing unit 52, and the histogram generating unit 53 are constructed by an electric circuit, and data of the defective image is sequentially input from the imaging unit 2 to the defective area specifying unit 51 in pixel units. (That is, the data of the defect image is inputted sequentially.) It is also possible to generate and process a two-dimensional histogram.
[0072]
In this case, first, the pixel value of the reference image corresponding to the pixel value of the input defective image is input from the storage unit 59 to the defective area specifying unit 51, and the pixel value of the defective image and the pixel value of the reference image are input. The absolute value of the difference from the value is calculated. When the absolute value of the difference is larger than a predetermined threshold value, a defect mask pixel value “255” indicating a defect is set, and when the absolute value of the difference is smaller than the threshold value, a defect mask pixel value “0” indicating a non-defect is set. Is output to the mask processing unit 52 together with the pixel value of the defective image and the pixel value of the reference image (corresponding to step S13 in FIG. 5).
[0073]
The mask processing unit 52 outputs the pixel values of the input defect image and the reference image as they are when the defect mask pixel value is “255”, and outputs both pixels when the defect mask pixel value is “0”. A pixel value "0" is output for the image (corresponding to step S14). The histogram generation unit 53 specifies the position in the two-dimensional space of the combination of the pixel value of the defective image and the pixel value of the reference image from the mask processing unit 52, and adds 1 to the frequency of the position (step). S15). A two-dimensional histogram is generated in a short time by sequentially performing the above-described processing on all the pixels of the defect image.
[0074]
Although the embodiments of the present invention have been described above, the present invention is not limited to the above embodiments, and various modifications are possible.
[0075]
The method for specifying the defect area 631 in the defect area specifying unit 51 is not necessarily limited to the method using the difference (absolute value) image between the defect image and the reference image. The defect area may be identified by comparing the defect image with the reference image.
[0076]
Further, the classification unit 54b does not necessarily need to use a neural network, and for example, another method such as discriminant analysis or a decision tree may be used. That is, the defect classification apparatus 1 can use various methods as defect classification based on the two-dimensional histogram.
[0077]
The defect image (and the reference image) does not necessarily need to be an image in which a wiring pattern is formed on a background area, and may be another image having multiple gradations.
[0078]
In the above embodiment, the defect classification is performed on the semiconductor substrate 9, and the defect classification device 1 uses a glass substrate (for example, a glass substrate used for various flat panel display devices such as a liquid crystal display device and a plasma display device). It can also be used for classifying defects in patterns formed on printed circuit boards and the like.
[0079]
If high-speed processing is not required, the defect classification device 1 may perform defect detection and defect classification at the same time.
[0080]
【The invention's effect】
According to the present invention, defects on a substrate can be easily classified.
[0081]
Further, according to the second and third aspects of the present invention, the defect area can be specified and the defect can be appropriately classified.
[0082]
Further, according to the invention of claim 4, defects can be classified in a short time, and according to the invention of claim 6, advanced defect classification can be performed.
[Brief description of the drawings]
FIGS. 1A to 1C are diagrams for explaining a method of generating a two-dimensional histogram.
FIG. 2 is a diagram showing a defect classification device.
FIG. 3 is a diagram illustrating a configuration of a computer.
FIG. 4 is a diagram illustrating a functional configuration of a calculation unit.
FIG. 5 is a diagram showing a flow of processing for generating a two-dimensional histogram and classifying defects.
6A is a diagram illustrating a defect image, FIG. 6B is a diagram illustrating a reference image, and FIG. 6C is a diagram illustrating a defect mask image.
FIG. 7A is a diagram illustrating a defect image after a mask process, and FIG. 7B is a diagram illustrating a reference image after the mask process.
FIG. 8 is a diagram showing a two-dimensional histogram.
FIGS. 9A and 9B are diagrams showing feature distribution diagrams. FIG.
10A is a diagram showing a two-dimensional histogram, FIG. 10B is a diagram showing a histogram mask image, and FIG. 10C is a diagram showing a two-dimensional histogram after mask processing.
FIG. 11 is a diagram illustrating another example of the configuration of the classification unit.
FIG. 12 is a diagram showing a flow of processing for classifying defects.
FIG. 13 is a diagram illustrating still another example of the configuration of the classification unit.
FIG. 14 is a diagram showing a flow of processing for classifying defects.
15A is a diagram showing a two-dimensional histogram, and FIG. 15B is a diagram showing a two-dimensional histogram after division.
[Explanation of symbols]
1 Defect classification device
4 Computer
5 Operation part
9 Substrate
51 Defect Area Identifying Unit
52 Mask processing unit
53 Histogram generator
54 Classifier
59 Memory
61,64 defect image
62, 65 Reference images
71, 72, 74, 75 Two-dimensional histogram
80 programs
81-89 area
541 Evaluation Value Calculation Unit
542 Defect Type Identification Unit
543 Histogram division unit
544 feature amount calculation unit
545 Judge
546 Judgment Unit Construction Unit
611 defect
631, 641, 651 defective area
761 partial histogram
S11 to S16, S21, S22, S31 to S33 Step

Claims

A defect classification device for classifying defects on a substrate,
In a two-dimensional space in which a pixel value of a multi-tone defect image indicating a defect on the substrate and a pixel value of a multi-tone reference image prepared in advance are used as parameters, the pixel values of the defect image and the reference image are compared. A histogram generation unit that generates a two-dimensional histogram indicating a frequency of a combination with a corresponding pixel value;
A classification unit that classifies the defect based on the two-dimensional histogram;
A defect classification apparatus comprising:

The defect classification device according to claim 1,
A defect area identification unit that identifies a defect area by comparing the defect image with the reference image;
A mask processing unit that performs a masking process on the defective image and the reference image with a predetermined pixel value other than the defective area,
Further comprising
The defect classification device, wherein the histogram generation unit generates the two-dimensional histogram based on the defect image after the mask processing and the reference image.

The defect classification device according to claim 1,
The defect classification device, wherein the classification unit classifies the defect based on an area other than an area where a pixel value of the defect image is substantially equal to a pixel value of the reference image in the two-dimensional space.

4. The defect classification device according to claim 1, wherein:
The defect classification device, wherein the classification unit associates each of the plurality of regions in the two-dimensional space with a defect type.

4. The defect classification device according to claim 1, wherein:
The classifying unit,
A two-dimensional histogram corresponding to each of a plurality of defect types prepared in advance, and an evaluation value calculation unit that calculates an evaluation value indicating a degree of similarity with the two-dimensional histogram generated by the histogram generation unit;
A defect type identification unit that identifies the type of the defect based on the evaluation value;
A defect classification device comprising:

4. The defect classification device according to claim 1, wherein:
The classifying unit,
A histogram division unit configured to divide the two-dimensional histogram into a plurality of partial histograms;
In each of the plurality of partial histograms, a feature amount calculation unit that calculates a feature amount related to frequency,
By performing learning using the feature amount, a determiner construction unit configured to construct a determiner that outputs a classification result according to the input feature amount,
A defect classification device comprising:

A defect classification method for classifying defects on a substrate,
In a two-dimensional space in which a pixel value of a multi-tone defect image indicating a defect on the substrate and a pixel value of a multi-tone reference image prepared in advance are used as parameters, the pixel values of the defect image and the reference image are compared. Generating a two-dimensional histogram indicating the frequency of combination with the corresponding pixel value;
Classifying the defect based on the two-dimensional histogram;
Defect classification method characterized by having:

A program used to classify defects on a substrate, wherein the computer executes the program,
In a two-dimensional space in which a pixel value of a multi-tone defect image indicating a defect on the substrate and a pixel value of a multi-tone reference image prepared in advance are used as parameters, the pixel values of the defect image and the reference image are compared. Generating a two-dimensional histogram indicating the frequency of combination with the corresponding pixel value;
Classifying the defect based on the two-dimensional histogram;
A program characterized by executing