JP2013205320A - 検査条件決定方法、検査方法および検査装置 - Google Patents

Abstract

【課題】検査対象画像から欠陥部位を検出する検査技術において、検査対象画像に適した検査条件を極めて短い時間で決定して、検査に要する時間を短縮する。
【解決手段】予め判定された欠陥部位を含む典型的な欠陥画像の特徴量と、当該欠陥部位を検出するのに適した検査条件とを関連付け、これらに基づいて予め分類器５３２ａを学習させておく。新たな検査対象画像が与えられると、特徴量算出部５３１がその特徴量を算出し、その結果を分類器５３２ａに与えることで、検査条件決定部５３２が過去の事例に基づく最適な検査条件を決定する。決定された検査条件に基づき、欠陥検出部５３３が検査対象画像から欠陥を検出する。
【選択図】図２

Description

この発明は、検査対象画像から欠陥部位を検出する検査技術に関し、特に検査に適用する検査条件を決定する技術に関するものである。

半導体やプリント基板等の製造技術分野では、製品に含まれる欠陥を検出しこれを分析・評価するために、評価対象物を顕微鏡等を介して撮像し、得られた画像について複数種の特徴量を算出して分類を行うことで、自動的に欠陥検出を行う検査技術が研究されている。この種の検査技術においては、検査対象画像に対し施す画像処理の処理パラメータの設定内容が検査精度に大きく影響する。従来は主に熟練者の経験に基づいて処理パラメータが設定されており、その安定性および手間の面で問題があった。

そこで、例えば特許文献１および２に記載の技術では、複数の処理パラメータの組み合わせを変化させながら欠陥検出画像処理を行い、検出結果をオペレータにより与えられた欠陥情報と比較評価することで、最適な処理パラメータの組み合わせを導出する。また、特許文献３に記載の技術では、処理パラメータを種々に変化させて欠陥画像と参照画像との差分を求め、その差分を評価することで、最適な処理パラメータの組み合わせを探索している。

これらの技術においては、複数の処理パラメータの組み合わせを種々に変更しながら検出処理の試行を繰り返しそれを評価することにより、処理パラメータの組み合わせとして定められる検査条件を検査対象画像に応じた最適なものに収束させるようにしている。

特開２００９−１５１３７１号公報 特開２００７−２３４７７８号公報 特開２００７−０７１７６８号公報

これらの検査技術においては、欠陥を検出したい検査対象画像が与えられると、上記のような処理が行われて当該検査対象画像に適した処理パラメータの組み合わせが選択され、これを検査条件として適用することで検査が行われる。そのため、検査条件の設定に対する操作者の手間は軽減されるものの、検査条件が収束するまでに長時間を要し、このことが依然として検査の所要時間を増大させる原因となっていた。

この発明は上記課題に鑑みなされたものであり、検査対象画像から欠陥部位を検出する検査技術において、検査対象画像に適した検査条件を極めて短い時間で決定して、検査に要する時間を短縮することのできる技術を提供することを目的とする。

この発明の一の態様は、検査対象画像について、当該検査対象画像から欠陥部位を検出するための検査条件を決定する検査条件決定方法であって、上記目的を達成するため、予め特定された欠陥部位が含まれる欠陥画像を複数収集する画像収集工程と、前記欠陥部位のそれぞれに対して、当該欠陥部位を含む前記欠陥画像から当該欠陥部位を検出するのに適した検査条件を関連付ける関連付け工程と、前記欠陥画像のそれぞれから、当該欠陥画像に含まれる前記欠陥部位について複数の特徴量を算出する特徴量算出工程と、前記関連付け工程での関連付けの結果に基づいて、前記複数の特徴量を入力とし前記検査条件を出力とする分類器を学習させる学習工程と、前記検査対象画像について、前記複数の特徴量を算出して前記分類器に入力し、その出力を当該検査対象画像についての検査条件とする検査条件決定工程とを備えることを特徴としている。

このように構成された発明では、既知の欠陥画像と、当該画像からの欠陥部位の検出に適した検査条件との関連性に基づいて学習した分類器により、検査対象画像の特徴量に応じた検査条件が出力として得られる。このような構成では、未知の検査対象画像が与えられたとき、その特徴に類似した特徴を有する既知の欠陥画像に適した検査条件が、当該検査対象画像に対応する検査条件として決定される。したがって、決定された検査条件は、当該検査対象画像の特徴に即したものとなり、当該検査対象画像に適した検査条件である蓋然性が高い。

そして、本発明において、画像収集工程、関連付け工程、特徴量算出工程および学習工程については、検査対象画像の情報を用いていないので、検査対象画像が与えられていない時点で事前に実行しておくことが可能である。そのため、検査対象画像が与えられたときには、その特徴量を学習済みの分類器に入力するだけで直ちに当該検査対象画像に応じた検査条件が決定される。このように、本発明によれば、検査対象画像に適した検査条件を極めて短い時間で決定することが可能となり、検査に要する時間を大幅に短縮することができる。

本発明の検査条件としては、例えば画像処理における複数の処理パラメータの組み合わせであってもよく、また検出アルゴリズム自体であってもよい。検査対象画像に対して施す画像処理における処理パラメータとしては、例えばフィルタリング処理におけるウィンドウサイズや輝度に対して設定する閾値など種々のものが用いられる。多くの処理パラメータのうちどの種類を適用するか、またその値をどのように設定するか、それらの選択結果の組み合わせが、本発明における１つの「検査条件」となり得る。

本発明において、画像収集工程は、欠陥画像を取得するサブ工程と、当該欠陥画像中の欠陥部位に相当する領域に関する指定入力を受け付けるサブ工程とを備えるようにしてもよい。このような構成では、ユーザは、検出したい欠陥部位を欠陥画像中の領域として指定することができる。これにより、欠陥に関するユーザの知見を検査に反映させることが可能となる。

また、関連付け工程では、欠陥部位に対応した検査条件の指定入力を受け付けるようにしてもよい。このような構成では、ユーザが経験的に得た、あるいは過去の検査における実績から得られた当該欠陥部位の検出に適した検査条件を入力しておくことで、新たな検査対象画像の検査を行う際にそのような実績のある検査条件を適用することができる。

また、この発明の他の態様は、検査対象画像を検査して欠陥部位を検出する検査方法であって、上記目的を達成するため、予め特定された欠陥部位が含まれる欠陥画像を複数収集する画像収集工程と、前記欠陥部位のそれぞれに対して、当該欠陥部位を含む前記欠陥画像から当該欠陥部位を検出するのに適した検査条件を関連付ける関連付け工程と、前記欠陥画像のそれぞれから、当該欠陥画像に含まれる前記欠陥部位について複数の特徴量を算出する特徴量算出工程と、前記関連付け工程での関連付けの結果に基づいて、前記複数の特徴量を入力とし前記検査条件を出力とする分類器を学習させる学習工程と、前記検査対象画像について、前記複数の特徴量を算出して前記分類器に入力し、その出力を当該検査対象画像についての検査条件とする検査条件決定工程と、決定された検査条件で前記検査対象画像を検査する検査工程とを備えることを特徴としている。

また、この発明の他の態様である検査装置は、上記目的を達成するため、検査対象画像を取得する画像取得手段と、前記検査対象画像について複数の特徴量を算出する特徴量算出手段と、前記複数の特徴量に基づき、前記検査対象画像から欠陥部位を検出するための検査条件を決定する検査条件決定手段と、前記分検査条件決定手段により決定された検査条件で、前記検査対象画像を検査して欠陥部位を検出する欠陥検出手段とを備え、前記検査条件決定手段は、欠陥部位が含まれる欠陥画像と当該欠陥画像から欠陥部位を検出するのに適した検査条件との組み合わせに基づいて予め学習を行った、前記複数の特徴量を入力とし前記検査条件を出力とする分類器を有することを特徴としている。

これらの発明では、上記した検査条件決定方法と同様にして決定された検査条件に基づいて、検査対象画像の検査が行われる。そのため、検査対象画像の特徴量が求められれば直ちにその特徴に応じた検査条件が選択されるので、欠陥部位を検出するための検査を短時間で行うことが可能である。

この発明によれば、検査対象画像に適した検査条件を極めて短い時間で決定することが可能であり、検査に要する時間を大幅に短縮することができる。

この発明にかかる検査装置の一実施形態である検査システムの概略構成を示す図である。 画像処理部の概略構成を示すブロック図である。 この実施形態における欠陥検出処理を示すフローチャートである。 分類器の構成を示す図である。 事前学習処理を示すフローチャートである。

図１はこの発明にかかる検査装置の一実施形態である検査システムの概略構成を示す図である。この検査システム１は、検査対象である半導体基板（以下「基板」という。）Ｓの外観に現れたピンホールや異物等の欠陥検査を行い、検出された欠陥の自動分類を行う検査システムである。検査システム１は、基板Ｓ上の検査対象領域を撮像する撮像装置２と、撮像装置２からの画像データに基づいて欠陥検査を行うとともに検出された欠陥が属すべきカテゴリへと欠陥を自動分類（ＡＤＣ；automatic defect classification）する検査・分類機能および検査システム１の全体動作を制御する機能を有する制御部としてのホストコンピュータ５を有する。

本システムとは別に基板Ｓの製造ラインに設けられた欠陥検出装置Ｍにおいて基板Ｓに欠陥が発見されると、その欠陥の位置座標がこの検査システム１に与えられる。製造ラインに組み込まれた欠陥検出装置Ｍは、予め定められた処理アルゴリズムによって基板Ｓ全体を検査し、基板表面に欠陥としての要件を満たす領域があればその位置座標を取得して出力する。したがって、該欠陥検出装置が有する撮像部は比較的低解像度であり、処理アルゴリズムも固定的である。

一方、この検査システム１は、図示しないインターフェースを介して欠陥検出装置Ｍと接続されており、欠陥検出装置Ｍから欠陥として位置座標が報告された領域をより高い解像度を有する撮像装置２によって撮像するとともに、その画像を制御部５が精査して欠陥の有無やその種類などをより詳しく判定する。すなわち、この検査装置１は、いわゆるレビューＡＤＣとして機能するものである。

撮像装置２は、基板Ｓ上の検査対象領域を撮像することにより画像データを取得する撮像部２１、基板Ｓを保持するステージ２２、および、撮像部２１に対してステージ２２を相対的に移動させるステージ駆動部２３を有し、撮像部２１は、照明光を出射する照明部２１１、基板Ｓに照明光を導くとともに基板Ｓからの光が入射する光学系２１２、および、光学系２１２により結像された基板Ｓの像を電気信号に変換する撮像デバイス２１３を有する。ステージ駆動部２３はボールねじ、ガイドレールおよびモータにより構成され、ホストコンピュータ５に設けられた装置制御部５０１がステージ駆動部２３および撮像部２１を制御することにより、基板Ｓ上の検査対象領域が撮像される。

ホストコンピュータ５は、予め読み込まれた制御プログラムを実行することにより、図１に示す各機能ブロックをソフトウェアにより実現する。ホストコンピュータ５は、上記の装置制御部５０１のほか、画像取得部５０２、画像処理部５０３などの各機能ブロックを備えている。画像取得部５０２は、撮像部２１から出力される電気信号をデータ化して、撮像画像に対応する画像データを取得する。画像処理部５０３は、画像取得部５０２が取得した画像データに対して適宜の画像処理を施して、画像に含まれる欠陥の検出やその分類を行う。

さらに、ホストコンピュータ５は、各種データを記憶するための記憶部５０４、ユーザからの操作入力を受け付けるキーボードおよびマウスなどの入力受付部５０５および操作手順や処理結果等のユーザ向け視覚情報を表示する表示部５０６などを備えている。また、図示を省略しているが、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から情報の読み取りを行う読取装置を有し、検査システム１の他の構成との間で信号を送受信する通信部が、適宜、インターフェイス（Ｉ／Ｆ）を介する等して接続される。

図２は画像処理部の概略構成を示すブロック図である。画像処理部５０３では、撮像された画像の画像データに基づいて当該画像を特徴付ける特徴量を算出する特徴量算出部５３１、算出された特徴量に基づき当該画像の検査条件を決定する検査条件決定部５３２、決定された検査条件と画像データとに基づき画像から欠陥検出を行う欠陥検出部５３３等の各機能ブロックが、ソフトウェアにより実現される。詳しくは後述するが、検査条件決定部５３２は、画像の特徴量を入力とし検査条件を出力とする分類機５３２ａを有している。

特徴量算出部５３１にデータが与えられて特徴量が算出される画像は、画像取得部５０２から与えられる撮像画像、記憶部５０４から与えられる欠陥画像および参照画像、入力受付部５０５から与えられる目標画像などである。撮像画像は、撮像装置２によって撮像された基板Ｓの画像であり、欠陥検出検査の対象となる検査対象画像に相当する。

欠陥画像は、過去に撮像された基板の画像であって、位置や種類、形状等の詳細が既に判明している欠陥を含む画像である。この欠陥画像は、基板に発生し得る欠陥の典型例として各種判断の基準として用いられる。また、参照画像は欠陥のない理想的な基板に対応する画像であり、この実施形態の欠陥検出処理では、次に説明するように、検査対象画像と参照画像との比較によって検査対象画像から欠陥検出が行われる。これらの欠陥画像および参照画像は記憶部５０４に記憶されており、必要に応じて参照されるが、外部の記憶媒体に記憶された画像データを必要に応じて読み込む形態であってもよい。

また、目標画像は、欠陥画像に含まれる欠陥の領域を明示した画像である。欠陥画像の各々については、当該欠陥画像に含まれている欠陥の輪郭をユーザが入力受付部５０５から描画することにより、欠陥に相当する領域が特定される。このときのユーザの描画データが目標画像である。このように、画像に含まれる欠陥についてユーザからの指定入力を受け付けることで、熟練者の知見を自動検出処理に反映させることができる。

特徴量としては、画像処理において一般的なもの、例えば画像の平均輝度、テクスチャ情報、所定の条件を満たす領域の大きさ、抽出されるエッジの量等のように画像の何らかの特徴を示す指標値を用いることができる。また、複数の自己相関フィルタを用いた特徴量を用いてもよい。

図３はこの実施形態における欠陥検出処理を示すフローチャートである。この処理では、最初に欠陥検出の対象とする検査対象画像の画像データを取得する（ステップＳ１０１）。検査対象画像は、基板Ｓのうち欠陥検出装置Ｍから報告された位置座標により指定された領域を撮像装置２により撮像してなる画像である。これとともに、欠陥のない理想的な基板における当該検査対象画像と同じ位置の画像を参照画像として記憶部５０４から取得する（ステップＳ１０２）。

検査対象画像に欠陥が含まれなければ該画像は参照画像とほぼ一致する一方、欠陥があれば両画像間の差異が大きくなる。検査対象画像のうち参照画像と画像内容が一致しない領域を抽出することで、検査対象画像に含まれる欠陥部位を特定することができる。この原理に基づき、この実施形態の欠陥検出処理では、検査対象画像に含まれる欠陥部位の位置およびその領域を特定した「欠陥位置画像」を作成する。

欠陥検出の具体的な処理内容はステップＳ１０５〜Ｓ１０７に示したものである。すなわち、検査対象画像および参照画像のそれぞれについて、画像ノイズおよび欠陥と関係のない軽微な画像の差異を除去するためのフィルタリング処理を行い（ステップＳ１０５）、それらの画像の差分を求めることで画像内容が互いに異なる領域を抽出する（ステップＳ１０６）。そして、適宜の閾値によって差分画像を二値化し（ステップＳ１０７）、さらに残留する孤立点を除去することにより（ステップＳ１０８）、求める欠陥位置画像が作成される。

ただし、これらの画像処理を行うための検査条件、すなわち上記画像処理における各種の処理パラメータは、基板Ｓの状態に応じて適切に設定される必要がある、ここでいう処理パラメータは、具体的には、フィルタリング処理におけるウィンドウサイズやノイズ除去強度、差分画像を求める際の感度、二値化時の閾値、孤立点除去の強度等である。これらの総合的な組み合わせによって、１つの検査条件が形作られる。

これらの処理パラメータは本来的には検査対象画像ごとに個別に最適化されるべきものである。ただし、同一基板または同一ロットの基板等、製造プロセスが共通している場合には生じる欠陥のタイプも類似する傾向があるため、これらの間においては概ね共通の処理パラメータを適用することも可能である。しかしながら、検査条件を個別に設定するにせよ、種々の基板に対応できる平均的な検査条件を設定するにせよ、処理パラメータの最適化には多大の手間と時間を要するというのが従来の状況であった。また、平均的な検査条件を一律に適用した検査では、検査対象や欠陥の種類によっては検出精度が低下するおそれもあった。

そこで、この実施形態では、欠陥検出のための上記処理（ステップＳ１０５〜Ｓ１０８）に先立って、検査対象画像の特徴を抽出し、その特徴に応じて適用する検査条件を決定するようにしている。具体的には、特徴量算出部５３１が検査対象画像の特徴量を算出する（ステップＳ１０３）。そして、求められた特徴量を検査条件決定部５３２の分類器５３２ａに入力し、分類器５３１ａが出力する検査条件を、当該検査対象画像の検査に適用する検査条件とする（ステップＳ１０４）。

図４は分類器の構成を示す図である。より具体的には、図４（ａ）は検査条件決定部５３２に設けられた分類器５３２ａの入力と出力との関係を示す図であり、図４（ｂ）は分類器５３２ａの出力としての検査条件の例を示す図である。図４（ａ）に示すように、分類器５３２ａは、特徴量算出部５３１により算出された複数種類の特徴量Ｘ１，Ｘ２，…，Ｘｍを入力とし、検査条件Ｙを出力とする。分類器５３２ａの分類アルゴリズムについては、ＳＶＭ（サポート・ベクタ・マシン；Support Vector Machine）、ニューラルネットワーク、決定木、判別分析、遺伝的アルゴリズムによるものなど、この種の分類技術として公知のものを適宜選択して適用することができる。

検査条件Ｙは、複数の処理パラメータを組み合わせてなるセットの１つである。前記したように、また図４（ｂ）に示すように、処理パラメータの種類としては種々のものがあり、それら１つ１つの設定値の組み合わせによって、検査条件Ｙの複数の候補Ｙ１，Ｙ２，…，が用意されている。例えば、検査条件候補Ｙ１は、検査対象画像のノイズ除去強度の設定値ｙ11、参照画像のノイズ除去強度の設定値ｙ12、二値化閾値の設定値ｙ13、孤立点除去強度の設定値ｙ14、…、からなる組み合わせである。他の候補Ｙ２，Ｙ３，…，等についても同様である。

分類器５３２ａは次に説明する事前学習処理によって予め学習を行っており、その学習結果に基づき、検査条件候補Ｙ１，Ｙ２，…，のうち入力された特徴量の組Ｘ（Ｘ１，Ｘ２，…，Ｘｍ）に対応するいずれか１つを検査条件Ｙとして出力する。これにより、検査対象画像に適用される検査条件は、当該検査対象画像の特徴量に基づいて決定されることとなる。

図５は事前学習処理を示すフローチャートである。この処理では、既知の欠陥画像における欠陥部位の領域指定およびそれを検出するのに適した検査条件の選定については熟練者の知見に委ね、それらの情報に基づいて分類器５３２ａを学習させておくことで、未知の欠陥を含み得る検査対象画像に対してその特徴に応じた検査条件を検査条件決定部５３２が直ちに決定することができるようにする。

具体的には、まず欠陥画像の収集およびそれへの検査条件の関連付けを行う。すなわち、欠陥を含むことが予め判っている欠陥画像を記憶部５０４または外部装置から取得し（ステップＳ３０１）、当該画像に含まれる欠陥部位の位置（輪郭）を表す目標画像について、ユーザからの描画入力を受け付ける（ステップＳ３０２）。これにより、欠陥のサイズや形状の典型例に関する情報が得られる。次に、当該欠陥部位を検出するのに最適な検査条件についてのユーザからの設定入力を受け付ける（ステップＳ３０３）。ユーザは、例えば過去の検査実績や欠陥発生原理等の種々の知見から、最適と思われる検査条件を設定する。この検査条件は、使用する処理パラメータの種類とその設定値との組み合わせであり、分類器５３２ａが出力する検査条件Ｙの候補の１つとなるものである。こうして、欠陥画像、その欠陥部位を示す目標画像および最適な検査条件が互いに関連付けられる。

上記処理を繰り返して、複数の欠陥画像について欠陥部位および最適検査条件との関連付けを行う。欠陥画像の取得およびユーザによる入力作業が終了すると（ステップ３０４）、それら欠陥画像および目標画像の画像データに基づいて、それぞれの欠陥部位の特徴量Ｘ（Ｘ１，Ｘ２，…，Ｘｍ）を特徴量算出部５３１により算出する（ステップＳ３０５）。そして、こうして得られた欠陥部位の特徴量Ｘと当該欠陥部位に関連付けられた最適検査条件との複数の組に基づき、分類器５３２ａが事例学習を行う。すなわち、ある欠陥部位について求めた特徴量を入力したときに、当該欠陥部位に関連付けられた検査条件が出力されるように、分類器５３２ａを構築する。

このようにして学習を行った分類器５３２ａでは、欠陥の有無やその種類が未知である検査対象画像の特徴量が入力として与えられると、学習に用いた欠陥画像の典型例の中から当該検査対象画像との類似度が最も高いものに関連付けられた検査条件が出力として得られる。このように、過去の（あるいは理論的に導出された）類似した事例において最適とされた検査条件が選ばれることにより、決定された検査条件が当該検査対象画像の検査に適したものとなる蓋然性が極めて高くなる。

欠陥検出処理（図３）においては、検査対象画像について算出した特徴量を分類器５３２ａに入力し、その出力として得られた検査条件を以後の検出処理に適用する（ステップＳ１０３、Ｓ１０４）。したがって、当該検査対象画像に適した検査条件が適用されて検出処理が行われるので、この実施形態では、欠陥検出を効率よく、しかも精度よく行うことが可能である。

事前学習処理は検査対象画像の情報を必要としない。したがって検査の開始前に学習を行っておくことが可能である。そのため、ひとたび検査対象画像が与えられると、その特徴量を求めて分類器５３２ａに与えることで、直ちに適切な検査条件が選び出される。従来の技術においては、検査対象画像が与えられてから検査条件が定まるまでに長い時間を要していたが、本実施形態ではごく短い時間で（ユーザの感覚としてはほぼ瞬時に）適切な検査条件を導き出すことが可能である。その結果、この実施形態では、検査対象画像が与えられてから検査が終了するまでの時間を従来より大幅に短縮することができる。

以上説明したように、この実施形態においては、撮像装置２が本発明の「画像取得手段」として機能している。また、画像処理部５０３において実現される、特徴量算出部５３１、検査条件決定部５３２および欠陥検出部５３３が、それぞれ本発明の「特徴量算出手段」、「検査条件決定手段」および「欠陥検出手段」として機能している。

また、図５のステップＳ３０１〜Ｓ３０２が本発明の「画像収集工程」に相当する一方、ステップＳ３０３が本発明の「関連付け工程」に相当している。また、ステップＳ３０５およびＳ３０６がそれぞれ本発明の「特徴量算出工程」および「学習工程」に相当している。また、図３のステップＳ１０３〜Ｓ１０４が本発明の「検査条件決定工程」に相当するとともに、ステップＳ１０５〜Ｓ１０８が本発明の「検査工程」に相当している。

なお、本発明は上記した実施形態に限定されるものではなく、その趣旨を逸脱しない限りにおいて上述したもの以外に種々の変更を行うことが可能である。例えば、上記実施形態の欠陥検出処理はその一例を示したものであり、欠陥検出のためのアルゴリズムは上記のものに限定されず任意のものを適用可能である。例えば、検査対象画像の特徴量に基づく分類によって欠陥の種類を判定するようにしてもよい。そのアルゴリズムを実行するためのパラメータの決定に当たって、本発明を適用することにより、欠陥の検出を効率よく行うことが可能である。

また、検出アルゴリズム自体を本発明の「検査条件」の構成要素としてもよい。つまり、過去の事例から欠陥部位の特徴とその検出に適した検出アルゴリズムとを関連付けて事例学習を行っておき、検査対象画像の特徴量から最適な検出アルゴリズムを分類器の出力として得るようにしてもよい。

また、上記実施形態では、予め用意された欠陥画像に基づき分類器の学習を行っているが、当該検査システム１で検出された欠陥部位を含む画像をさらに加えて随時学習を行うようにしてもよい。このように、実際に発生した事例を学習の対象に加えることにより、未知の欠陥に対する対応能力をより向上させることができる。この場合、事例学習は検査が行われないタイミングで実行されることが望ましい。

この場合、上記実施形態では学習事例としての欠陥画像における欠陥部位をユーザの描画入力により指定させるようにしているが、ある程度信頼度のある自動欠陥検出アルゴリズムを用いている場合には、上記に代えて、当該検出アルゴリズムにより検出された欠陥部位をそのまま用いて学習を行うようにしてもよい。このようにすると、学習を繰り返すことによって検査条件決定のアルゴリズムおよび欠陥検出のアルゴリズム双方の確度向上を図ることができる。

また、上記検査システム１は、製造ラインに組み込まれた欠陥検出装置Ｍから欠陥位置の座標情報を受け取って当該位置の欠陥を検出するレビューＡＤＣ装置であるが、このようにインライン型の欠陥検出装置と連動する装置に限らず、独立して欠陥検出を行う検査装置に対しても、本発明を適用することが可能である。

また、上記実施形態の検査システム１は撮像装置２と制御部５とを含む検査システムであるが、本発明はこのように撮像装置を備えるシステム以外にも、撮像装置を備えず他で撮像された画像を受け取って検査を行う装置に対しても、適用することが可能である。

この発明は、半導体基板、液晶表示装置用のガラス基板、プリント配線基板などの各種基板の欠陥を検出する検出装置および検出方法、特にその欠陥検出における検査条件を決定するための処理に対して好適に適用することができる。

１ 検査システム（検査装置）
２ 撮像装置（画像取得手段）
５３１ 特徴量算出部（特徴量算出手段）
５３２ 検査条件決定部（検査条件決定手段）
５３３ 欠陥検出部（欠陥検出手段）
Ｓ 基板
Ｓ１０３〜Ｓ１０４ 検査条件決定工程
Ｓ１０５〜Ｓ１０８ 検査工程
Ｓ３０１〜Ｓ３０２ 画像収集工程
Ｓ３０３ 関連付け工程
Ｓ３０５ 特徴量算出工程
Ｓ３０６ 学習工程

Claims (6)

1. 検査対象画像について、当該検査対象画像から欠陥部位を検出するための検査条件を決定する検査条件決定方法において、
   予め特定された欠陥部位が含まれる欠陥画像を複数収集する画像収集工程と、
   前記欠陥部位のそれぞれに対して、当該欠陥部位を含む前記欠陥画像から当該欠陥部位を検出するのに適した検査条件を関連付ける関連付け工程と、
   前記欠陥画像のそれぞれから、当該欠陥画像に含まれる前記欠陥部位について複数の特徴量を算出する特徴量算出工程と、
   前記関連付け工程での関連付けの結果に基づいて、前記複数の特徴量を入力とし前記検査条件を出力とする分類器を学習させる学習工程と、
   前記検査対象画像について、前記複数の特徴量を算出して前記分類器に入力し、その出力を当該検査対象画像についての検査条件とする検査条件決定工程と
   を備えることを特徴とする検査条件決定方法。
2. 前記検査条件は、画像処理における複数の処理パラメータの組み合わせからなる請求項１に記載の検査条件決定方法。
3. 前記画像収集工程は、前記欠陥画像を取得するサブ工程と、当該欠陥画像中の前記欠陥部位に相当する領域に関する指定入力を受け付けるサブ工程とを備える請求項１または２に記載の検査条件決定方法。
4. 前記関連付け工程では、前記欠陥部位に対応した前記検査条件の指定入力を受け付ける請求項１ないし３のいずれかに記載の検査条件決定方法。
5. 検査対象画像を検査して欠陥部位を検出する検査方法において、
   予め特定された欠陥部位が含まれる欠陥画像を複数収集する画像収集工程と、
   前記欠陥部位のそれぞれに対して、当該欠陥部位を含む前記欠陥画像から当該欠陥部位を検出するのに適した検査条件を関連付ける関連付け工程と、
   前記欠陥画像のそれぞれから、当該欠陥画像に含まれる前記欠陥部位について複数の特徴量を算出する特徴量算出工程と、
   前記関連付け工程での関連付けの結果に基づいて、前記複数の特徴量を入力とし前記検査条件を出力とする分類器を学習させる学習工程と、
   前記検査対象画像について、前記複数の特徴量を算出して前記分類器に入力し、その出力を当該検査対象画像についての検査条件とする検査条件決定工程と、
   決定された検査条件で前記検査対象画像を検査する検査工程と
   を備えることを特徴とする検査方法。
6. 検査対象画像を取得する画像取得手段と、
   前記検査対象画像について複数の特徴量を算出する特徴量算出手段と、
   前記複数の特徴量に基づき、前記検査対象画像から欠陥部位を検出するための検査条件を決定する検査条件決定手段と、
   前記分検査条件決定手段により決定された検査条件で、前記検査対象画像を検査して欠陥部位を検出する欠陥検出手段と
   を備え、
   前記検査条件決定手段は、欠陥部位が含まれる欠陥画像と当該欠陥画像から欠陥部位を検出するのに適した検査条件との組み合わせに基づいて予め学習を行った、前記複数の特徴量を入力とし前記検査条件を出力とする分類器を有する
   ことを特徴とする検査装置。

Images