JP2013245985A - 欠陥検査装置、欠陥検査方法、及び欠陥検査プログラム - Google Patents

Abstract

【課題】様々な欠陥を判別して検査を行うことができる欠陥検査装置、欠陥検査方法、及び欠陥検査プログラムを提供することができる。
【解決手段】本発明の一態様にかかる欠陥検査装置は、試料２０を照明する光源と、光源１０によって照明された試料からの光を検出する検出器１１と、検出器１１によって取得された試料画像Ａに対して処理を行う処理装置５０と、を備え、処理装置５０が、試料画像Ａに対して第１のフィルタを用いることによって、第１のフィルタ画像Ｆを生成し、試料画像Ａと前記第１のフィルタ画像Ｆとの差分に応じた第１の差分画像Ｇを生成し、第１の差分画像Ｇに基づいて第１の欠陥を検出するものである
【選択図】図１

Description

本発明は、欠陥検査装置、欠陥検査方法、及び欠陥検査プログラムに関し、特に詳しくは、欠陥の種別を判別する欠陥検査装置、欠陥検査方法、及び欠陥検査プログラムに関する。

特許文献１には、画像内の粒状点を検出する方法が開示されている。特許文献１では、プリント基板、又は半導体ウェハの欠陥を検出するために、ＳＥＭで画像を撮像している。そして、画像を比較することにより、欠陥を検出している。ＦＩＲ（Finite Impulse Response）バンドパスフィルタを用いている。

特開平１０−１７１９９６号公報

試料全体のムラを検査するマクロ検査では、膜圧変化等による画像ムラによるムラ欠陥と、パーティクル等に代表される点状の欠陥が重なって検出されることがあり、それらを適切に分類する必要がある。しかしながら、特許文献１の方法では、欠陥の種別を適切に分類することができないという問題点がある。

本発明は、欠陥を高感度で検出し、さらに欠陥の種別を判別することができる欠陥検査装置、欠陥検査方法、及び欠陥検査プログラムを提供することを目的とする。

本発明の第１の態様に係る欠陥検査装置は、試料を照明する光源と、前記光源によって照明された試料からの光を検出する検出器と、前記検出器によって取得された試料画像に対して処理を行う処理装置と、を備え、前記処理装置が、前記試料画像に対して第１のフィルタを用いることによって、第１のフィルタ画像を生成し、前記試料画像と前記第１のフィルタ画像との差分に応じた第１の差分画像を生成し、前記第１の差分画像に基づいて第１の欠陥を検出するものである。このようにすることで、適切に欠陥を判別することができる。

本発明の第２の態様に係る欠陥検査装置は、上記の欠陥検査装置であって、前記第１のフィルタと異なる特性を有する第２のフィルタを、前記第１の差分画像に用いることで、第２のフィルタ画像を生成し、前記第１の差分画像と前記第２のフィルタ画像との差分に応じた第２の差分画像を生成し、前記第２の差分画像に基づいて、第２の欠陥を検出するものである。このようにすることで、適切に欠陥を判別することができる。

本発明の第３の態様に係る欠陥検査装置は、上記の欠陥検査装置であって、前記処理装置が、第ｎ（ｎは１以上の整数）のフィルタとは異なる特性を有する第（ｎ＋１）のフィルタを、第ｎの差分画像に用いることで、第（ｎ＋１）のフィルタ画像を生成するフィルタ処理と、前記第ｎの差分画像と、前記第（ｎ＋１）のフィルタ画像とに差分に応じた第（ｎ＋１）差分画像を生成する差分処理と、を繰り返し行って、前記ｎを順次増加させていき、前記第（ｎ＋１）の差分画像に基づいて、第（ｎ＋１）の欠陥を検出するものである。これにより、様々なタイプの欠陥を判別することができる。

本発明の第４の態様に係る欠陥検査装置は、上記の欠陥検査装置であって、第ｎのフィルタがＦＩＲフィルタであることを特徴とするものである。これにより、欠陥を適切に検出することができる。

本発明の第５の態様に係る欠陥検査装置は、上記の欠陥検査装置であって、異なる作用方向に第ｎのフィルタを用いることで、複数の画像を生成し、複数の前記画像に対して最小値フィルタを用いることによって、前記第ｎのフィルタ画像を生成し、前記第ｎのフィルタ画像に基づいて、第ｎの欠陥を検出するものである。このようにすることで、適切に欠陥を判別することができる。

本発明の第６の態様に係る欠陥検査方法は、試料からの光を検出器で受光して、試料の欠陥検査を行う欠陥検査方法であって、前記検出器によって取得された前記試料画像に対して、第１のフィルタを用いることによって、第１のフィルタ画像を生成するステップと、前記試料画像と前記第１のフィルタ画像の差分に応じた第１の差分画像を生成するステップと、前記第１の差分画像に基づいて、第１の欠陥を検出するステップと、を備えたものである。このようにすることで、適切に欠陥を判別することができる。

本発明の第７の態様に係る欠陥検査方法は、上記の欠陥検査方法であって、前記第１のフィルタと異なる特性を有する第２のフィルタを、前記第１の差分画像に用いることで、第２のフィルタ画像を生成し、前記第１の差分画像と前記第２のフィルタ画像との差分に応じた第２の差分画像を生成し、前記第２の差分画像に基づいて、第２の欠陥を検出するものである。このようにすることで、適切に欠陥を判別することができる。

本発明の第８の態様に係る欠陥検査方法は、上記の欠陥検査方法であって、第ｎ（ｎは１以上の整数）のフィルタとは異なる特性を有する第（ｎ＋１）のフィルタを、第ｎの差分画像に用いることで、第（ｎ＋１）のフィルタ画像を生成するフィルタ処理と、前記第ｎの差分画像と、前記第（ｎ＋１）のフィルタ画像とに差分に応じた第（ｎ＋１）差分画像を生成する差分処理と、を繰り返し行って、前記ｎを順次増加させていき、前記第（ｎ＋１）の差分画像に基づいて、第（ｎ＋１）の欠陥を検出するものである。これにより、様々なタイプの欠陥を判別することができる。

本発明の第９の態様に係る欠陥検査方法は、上記の欠陥検査方法であって、第ｎのフィルタがＦＩＲフィルタであることを特徴とするものである。これにより、欠陥を適切に検出することができる。

本発明の第１０の態様に係る欠陥検査方法は、上記の欠陥検査方法であって、異なる作用方向に第ｎのフィルタを用いることで、複数の画像を生成し、複数の前記画像に対して最小値フィルタと用いることで、前記第ｎのフィルタ画像を生成し、前記第ｎのフィルタ画像に基づいて、第ｎの欠陥を検出するものである。このようにすることで、適切に欠陥を判別することができる。

本発明の第１１の態様に係る欠陥検査プログラムは、試料からの光を検出器で受光して、試料の欠陥検査を行う欠陥検査プログラムであって、コンピュータに対して、前記検出器によって取得された前記試料画像に対して、第１のフィルタを用いることによって、第１のフィルタ画像を生成するステップと、前記試料画像と前記第１のフィルタ画像の差分に応じた第１の差分画像を生成するステップと、前記第１の差分画像に基づいて、第１の欠陥を検出するステップと、を実行させるものである。このようにすることで、適切に欠陥を判別することができる。

本発明の第１２の態様に係る欠陥検査プログラムは、上記の欠陥検査プログラムにおいて、前記コンピュータに対して、前記第１のフィルタと異なる特性を有する第２のフィルタを、前記第１の差分画像に用いることで、第２のフィルタ画像を生成させ、前記第１の差分画像と前記第２のフィルタ画像との差分に応じた第２の差分画像を生成させ、前記第２の差分画像に基づいて、第２の欠陥を検出させるものである。このようにすることで、適切に欠陥を判別することができる。

本発明の第１３の態様に係る欠陥検査プログラムは、上記の欠陥検査プログラムであって、前記コンピュータに対して、第ｎ（ｎは１以上の整数）のフィルタとは異なる特性を有する第（ｎ＋１）のフィルタを、第ｎの差分画像に用いることで、第（ｎ＋１）のフィルタ画像を生成するフィルタ処理と、前記第ｎの差分画像と、前記第（ｎ＋１）のフィルタ画像とに差分に応じた第（ｎ＋１）差分画像を生成する差分処理と、第（ｎ＋１）の差分画像に基づいて、第（ｎ＋１）欠陥を検出する検出処理と、を繰り返し実行させることで、前記ｎを順次増加させていき、前記第（ｎ＋１）の差分画像に基づいて、第（ｎ＋１）の欠陥を検出するものである。これにより、様々なタイプの欠陥を判別することができる。

本発明の第１４の態様に係る欠陥検査プログラムは、上記の欠陥検査プログラムであって、第ｎのフィルタがＦＩＲフィルタであることを特徴とするものである。これにより、欠陥を適切に検出することができる。

本発明の第１５の態様に係る欠陥検査プログラムは、上記の欠陥検査プログラムにおいて、前記コンピュータに対して、異なる作用方向に第１のフィルタを用いることで、複数の第３のフィルタ画像を生成させ、複数の前記第３のフィルタ画像に対して最小値フィルタと用いることで、前記第１のフィルタ画像を生成させ、前記第１のフィルタ画像に基づいて、第３の欠陥を検出させるものである。このようにすることで、適切に欠陥を判別することができる。

本発明によれば、欠陥を高感度で検出し、さらに欠陥の種別を判別することができる欠陥検査装置、欠陥検査方法、及び欠陥検査プログラムを提供することができる。

本実施の形態にかかる欠陥検査装置の全体構成を模式的に示す斜視図である。 本実施の形態にかかる欠陥検査装置の処理装置を示すブロック図である。 欠陥検査装置で取得した画像の一例を示す図である。 輝度ムラが発生した画像の一例を示す図である。 枠状ムラが発生した画像の一例を示す図である。 点状ムラが発生した画像の一例を示す図である。 縞状ムラが発生した画像の一例を示す図である。 傾斜状ムラが発生した画像の一例を示す図である。 ダミー欠陥画像による試料画像Ａを示す図である。 ＦＩＲフィルタのスペクトルを示す図である。 周波数成分から求めたＦＩＲフィルタを示す図である。 Ｘ方向に第１のＦＩＲフィルタを用いて生成されたフィルタ画像Ｂを示す図である。 Ｙ方向に第１のＦＩＲフィルタを用いて生成されたフィルタ画像Ｃを示す図である。 斜め方向に第１のＦＩＲフィルタを用いて生成されたフィルタ画像Ｄを示す図である。 斜め方向に第１のＦＩＲフィルタを用いて生成されたフィルタ画像Ｅを示す図である。 最小値フィルタを用いて生成されたフィルタ画像Ｆを示す図である。 試料画像Ａとフィルタ画像Ｆとの差分に応じた差分画像Ｇを生成するための処理を図である。 第２のＦＩＲフィルタを用いて生成されたフィルタ画像Ｈを示す図である。 差分画像Ｇとフィルタ画像Ｈとの差分に応じた差分画像Ｇを生成するための処理を図である。 枠状ムラを検出するためのプロファイルデータを説明するための図である。 枠状ムラによる欠陥の検出結果を示す図である。 点状ムラによる欠陥の検出結果を示す図である。 縞状ムラによる欠陥の検出結果を示す図である。 傾斜状ムラによる欠陥の検出結果を示す図である。 パターン付きウェハを検査する場合の処理を示す図である。 パターン付きウェハを検査する検査方法を示すフローチャートである。 パターン付きウェハを検査する別の検査方法を示すフローチャートである。

以下、本発明の実施の形態について図面を参照して説明する。以下の説明は、本発明の好適な実施の形態を示すものであって、本発明の範囲が以下の実施の形態に限定されるものではない。以下の説明において、同一の符号が付されたものは実質的に同様の内容を示している。

本実施の形態にかかる検査装置の構成について、図１を用いて説明する。図１は、検査装置の全体構成を模式的に示す斜視図である。検査装置は、光源１０と、検出器１１と、ステージ３０と処理装置５０とを備えている。また、図１では、説明の明確化のため、ＸＹＺの３次元直交座標系を示している。なお、Ｚ方向が鉛直方向であり、Ｘ方向、及びＹ方向が水平方向である。

試料２０の上には、光源１０、及び検出器１１が配置されている。光源１０は、ライン状の照明光を照射する線状光源である。あるいは、光源１０が面状の照明光を照射してもよい。光源１０は、例えば、可視光、又は赤外光等の照明光を照射する。光源１０は、斜め方向、すなわちＺ軸から傾いた方向から試料２０を照明する。照明光は、試料２０の表面において、Ｙ方向に沿ったライン状の領域を均一に照明する。試料２０の表面において、照明光のＹ方向の長さは、試料２０の検査領域の全体にわたっている。

光源１０からの照明光は、試料２０の表面において、ライン状、又は面状の領域を照明する。そして、照明されたライン状の領域からの反射光が、検出器１１で検出される。検出器１１は、Ｙ方向に受光画素が並んだラインセンサカメラである。従って、試料２０の表面状態等に応じて反射率が変わるため、検出器１１での受光量が変化する。

検出器１１の画素サイズは、例えば、数μｍ〜数十μｍ程度であり、試料２０上での画素サイズも同程度となっている。なお、検出器１１としては、ＩｎＧａＡｓ等のフォトダイオードが一列に配列されたラインセンサを用いることができる。検出器１１と光源１０はＺ方向に対して傾いて配置されている。なお、ＸＺ平面における光源１０からの照明光の照明角度と、検出器１１の角度は同じでもよく、異なっていてもよい。もちろん、光源１０と検出器１１の角度を可変にしてもよい。

ステージ３０には、検査対象の試料２０が載置されている。試料２０は、例えば、半導体ウェハ、ＴＦＴ基板、マスク等の基板である。試料２０の表面はＺ方向と直交している。そして、ステージ３０は、Ｘ方向に移動可能となっている。ステージ３０をＸ方向に移動させながら、光源１０で照明された領域からの反射光を検出器１１が検出する。そして、検出器１１によって検出された光の輝度に応じた検出データが処理装置５０に入力される。さらに、処理装置５０は、ステージ３０の駆動を制御している。そして、処理装置５０は、検出器１１の検出した光の輝度変化を可視化する。こうすることで、試料２０全面の反射画像を取得することができる。

光源１０が、Ｙ方向において、試料２０の全体を一度に照明している。すなわち、低倍率で、視野の広い光学系を用いている。このように、低倍率の光学系によって、高いスループットで検査することができるので、１０〜１５０枚／ｈでの検査が可能になる。スループットが高いため、製造工程中におけるウェハの全数検査が可能になる。

例えば、処理装置５０は、レジストが塗布された半導体ウェハなどの反射画像を取得する。そして、反射画像に基づいて、レジストの塗布ムラ、又はパーティクルや異物等を検査する。膜厚ムラ、又はパーティクルや異物等が検出された場合、パターニング前にレジストを除去して、再度レジストを塗布する。こうすることで、半導体装置の生産性を向上することができる。

光源１０が、レジストが全面に塗布された半導体ウェハを照明する。すると、レジストの膜厚に応じて、検出器１１での受光量が変化する。これにより、レジストの膜厚ムラを検査することができる。あるいは、レジスト上のパーティクルや異物によっても受光量が変化する。これによって、パーティクルや異物を検出できる。検査装置は、試料２０である半導体ウェハのムラ検査（マクロ検査）を行う。膜厚の異常又はパーティクルや異物が検出された場合、レジストを除去して、再度レジストを塗布する。こうすることで、半導体ウェハのパターンを適切に形成することができる。

ここで、処理装置５０は、例えば、パーソナルコンピュータ等の情報処理装置であり、取得した反射画像に対して、処理を行う。そして、その処理結果に基づいて、欠陥を検出している。たとえば、反射画像のデータと、しきい値とを比較することで欠陥を検出する。たとえば、反射画像の輝度値が、上限値と下限値の間にある場合は正常とする。また、試料画像の輝度値が、上限値よりも大きい場合、又は下限値よりも小さい場合は、レジスト膜厚のエラー、又はパーティクルや異物とする。

処理装置５０の構成について、図２を用いて説明する。図２は、処理装置５０の構成を示すブロック図である。処理装置５０は、第１の記憶部５１と、第２の記憶部５２と、第１のフィルタ画像生成部５３と、第１の差分画像生成部５４と、第２のフィルタ画像生成部５５と、第２の差分画像生成部５６と、プロファイルデータ生成部５７と、比較部５８を備えている。

第１の記憶部５１は、第１のＦＩＲフィルタを記憶する。第２の記憶部５２は、第２のＦＩＲフィルタを記憶する。第１のフィルタ画像生成部５３は、試料画像に対して、第１のＦＩＲフィルタを用いて第１のフィルタ画像を生成する。第１の差分画像生成部５４は、試料画像と、第１のフィルタ画像の差分に応じた第１の差分画像を生成する。

第２のフィルタ画像生成部５５は、第１の差分画像に対して、第２のＦＩＲフィルタを用いて、第２のフィルタ画像を生成する。第２の差分画像生成部５６は、第１の差分画像と第２のフィルタ画像との差分に応じた、第２の差分画像を生成する。

プロファイルデータ生成部５７は、試料画像から、Ｘ方向のプロファイルデータと、Ｙ方向のプロファイルデータを生成する。比較部５８は、第１のフィルタ画像、第１の差分画像、第２の差分画像、及びプロファイルデータのそれぞれをしきい値と比較する。これにより、処理装置５０が欠陥を検出する。さらに、比較部５８は、比較欠陥に応じて、欠陥の種別を分類する。すなわち、第１のフィルタ画像、第１の差分画像、第２の差分画像、及びプロファイルデータで検出された欠陥を異なる種別の欠陥とする。処理装置５０は、予め記憶されている欠陥検査プログラムに基づく検査アルゴリズムによって、欠陥の種別を判別する。

ここで、欠陥の種別について、図３〜図８を用いて説明する。図３は、平均輝度ムラ、枠状ムラ、点状ムラ、縞状ムラ、傾斜状ムラが全て発生している試料２０の画像を示している。なお、以下に示す各図の画像において、横方向、及び縦方向が、それぞれＸ方向、及びＹ方向となっている。

図４は平均輝度ムラが発生した画像の一例を示す図である。平均輝度ムラでは、ウェハ全体にわたるレジストの塗布ムラによって生じる。平均輝度ムラでは、試料画像全体の輝度値が他の試料画像全体の輝度と異なってしまう。このような平均輝度ムラは、試料画像のデータの平均値を求めることで、抽出することができる。

図５は枠状ムラが発生した画像の一例を示す図である。枠状ムラは、画素エリアに沿って発生するムラである。すなわち、矩形状の試料画像の端辺に沿って表れる。図５では、点線枠に示すように、試料画像の上と左の２辺において枠状ムラが発生している。すなわち、枠状ムラは、試料画像の端部に発生するライン状の欠陥である。

図６は、点状ムラが発生した画像の一例を示す図である。図６では、点線枠に示すように点状ムラの欠陥が３つ発生している。点状ムラは、コントラストの高い微小なムラである。たとえば、試料２０に付着した異物、レジストの塗布欠け等によって生じる。点状ムラは、画像の微小な領域において発生する欠陥である。

図７は縞状ムラが発生した画像の一例を示す図である。縞状ムラは、レジストを塗布する際のはけムラ、ストリエーション等によって生じる。図７では、点線枠に示すように、右下角から斜め左上に延びる縞状ムラが発生している。縞状ムラは、画像の一部の領域において発生するライン状の欠陥である。

図８は、傾斜状ムラが発生した画像の一例を示す図である。傾斜状ムラはコントラストが低く、チップ全体にわたる塗布ムラである。たとえば、図８では、矢印に示すように、右下角から左上角に向けて、徐々に輝度が高くなっている。傾斜状ムラは、画像全体の領域において発生する欠陥である。傾斜状ムラが発生した試料画像では、画像の一端から他端に向かって、なだらかに輝度が変化している。

このような、５種類の欠陥が同時に発生しているダミー欠陥画像を図９に示す。図９は、１５０×１２０ピクセルのサイズを有する画像である。図９は、シミュレーションによって、５種類の欠陥を意図的に発生させた画像である。すなわち、欠陥種別ごとのダミー画像と、ノイズを合成して、ダミー欠陥画像を作成している。図９では、各ピクセルが８ビット、すなわち、２５６階調で示されている。

図９に示したダミー欠陥画像を、検出器１１で取得した試料画像Ａとして、欠陥の種別を判別する。以下、欠陥の種別を判別するためのデータ処理について説明する。以下の説明では、図９に示す試料画像Ａに対して処理を行うことで、５種類の欠陥を判別している。なお、以下に図示した各画像では、説明の明確化のために、コントラストが強調されている。

（ＦＩＲフィルタ）
まず、欠陥の種類を判別するために用いられるＦＩＲフィルタについて、図１０、図１１を用いて説明する。図１０、図１１は、本実施の形態にかかるＦＩＲフィルタを説明するための図である。試料画像Ａの画像サイズに比べて、狭い領域の定数項を除去するＦＩＲフィルタを作成する。そのため、図１０に示すように、定数項（０次）のみ０となっており、その他の項（−ｎ次〜−１次、及び１次〜ｎ次）は１となるスペクトルを用いる。図１０に示すスペクトルをフーリエ変換すると、図１１に示すＦＩＲフィルタとなる。０次項のみ０とするＦＩＲフィルタを用いることで、フィルタサイズより小さい領域で、微分値の大きい成分を抽出することできる。図１１に示すＦＩＲフィルタを第１のＦＩＲフィルタとする。第１の記憶部５１は、第１のＦＩＲフィルタを記憶している。

ここでは、フィルタリングされる試料画像Ａのサイズを１５０×１２０としている。第１のＦＩＲフィルタのサイズは、２５×３ピクセルとなっている。すなわち、第１のＦＩＲフィルタは、Ｘ方向に２５ピクセル、Ｙ方向に３ピクセルのサイズを有する二次元フィルタである。第１のＦＩＲフィルタは長手方向及び短手方向を有しており、方向性のあるフィルタである。第１のＦＩＲフィルタでは、２５×３の中心の１ピクセルのみ、約０．９８７で、その他のピクセルは約−０．０１３となっている。もちろん、画像のサイズ、及び第１のＦＩＲフィルタのサイズは特に限定されるものではない。第１のＦＩＲフィルタは、試料画像Ａのサイズよりも小さい有限の大きさであればよい。

第１のＦＩＲフィルタが試料画像Ａをフィルタリングする。第１のＦＩＲフィルタを用いて生成された画像をフィルタ画像とする。具体的には、第１のＦＩＲフィルタのそれぞれのピクセルについて、第１のＦＩＲフィルタのデータと、対応するピクセルにおける画像のデータとの積を求める。そして、第１のＦＩＲフィルタを構成する２５×３の全ピクセルでの積の総和を求める。この総和がフィルタ画像の１ピクセルの値となる。そして、第１のＦＩＲフィルタをＸ方向、及びＹ方向に移動させていくことで、二次元のフィルタ画像を求めることができる。

（点状ムラの抽出）
点状ムラを抽出する処理について、図１２〜図１６を用いて説明する。点状ムラを欠陥として検出するために、第１のＦＩＲフィルタを用いる。図１２に示すように、Ｘ方向を長手方向とする第１のＦＩＲフィルタによって、試料画像Ａをフィルタリングする。ここでＸ方向に第１のＦＩＲフィルタを用いた時のフィルタ画像をフィルタ画像Ｂとする。

次に、図１３に示すように、９０°回転させた第１のＦＩＲフィルタによって、試料画像Ａをフィルタリングする。すなわち、Ｙ方向に２５ピクセル、Ｘ方向に３ピクセルのサイズを有する第１のＦＩＲフィルタを、試料画像Ａに適用する。Ｙ方向に第１のＦＩＲフィルタを用いることで生成されたフィルタ画像をフィルタ画像Ｃとする

次に、Ｘ方向とＹ方向の間の斜め方向、すなわち、Ｘ軸から＋４５°傾いた方向と、Ｘ軸から−４５°傾いた方向に、第１のＦＩＲフィルタを用いる。図１４に示すように、Ｘ方向とＹ方向の間の斜め方向（＋４５°）に、第１のＦＩＲフィルタを用いた後の画像をフィルタ画像Ｄとする。すなわち、Ｘ軸から４５°傾いた方向を長手方向とする第１のＦＩＲフィルタを試料画像Ａに用いることで、フィルタ画像Ｄが生成される。

図１５に示すように、Ｘ方向とＹ方向の間の斜め方向（−４５°）に、第１のＦＩＲフィルタを用いた後の画像をフィルタ画像Ｅとする。すなわち、Ｘ軸から−４５°傾いた方向を長手方向とする第１のＦＩＲフィルタを試料画像Ａに用いることで、フィルタ画像Ｅが生成される。なお、９０°異なる方向に第１のＦＩＲフィルタを用いることで、フィルタ画像Ｄとフィルタ画像Ｅとが生成される。

このように、第１のＦＩＲフィルタを様々な作用方向に用いて、試料画像Ａをフィルタリングする。これにより、複数のフィルタ画像Ｂ〜Ｅが生成される。ここでは、Ｘ方向、Ｙ方向、斜め方向において、第１のＦＩＲフィルタを用いて、フィルタ画像Ｂ〜Ｅを生成する。すなわち、Ｘ方向と、Ｙ方向と、Ｘ方向とＹ方向の間の２方向の計４方向に第１のＦＩＲフィルタを用いている。よって、４つのフィルタ画像Ｂ〜Ｅが生成される。

そして、処理装置５０は、フィルタ画像Ｂ〜Ｅについて最小値フィルタを用いる。すなわち、１５０×１２０ピクセルのそれぞれにおいて、フィルタ画像Ｂ〜Ｅの中で最小値となる値を抽出する。こうすることで、４つのフィルタ画像Ｂ〜Ｅについて最小値フィルタを用いて生成したフィルタ画像をフィルタ画像Ｆとする。フィルタ画像Ｆは、図１６に示すようになる。

なお、第１のフィルタ画像生成部５３が、第１のＦＩＲフィルタを用いて、フィルタ画像Ｂ〜Ｅを生成する。さらに、第１のフィルタ画像生成部５３が最小値フィルタを用いて、第２のフィルタ画像Ｆを生成する。比較部５８がフィルタ画像Ｆのデータを、しきい値と比較する。こうすることで、点状ムラを欠陥として検出することができる。フィルタ画像Ｆのデータが、上限値を越えた箇所、又は下限値を下回ったピクセルを欠陥として検出する。

様々な方向に第１のＦＩＲフィルタを用いることで複数のフィルタ画像を生成する。そして、複数のフィルタ画像に対して最小値フィルタを用いる。こうすることで、方向性に依存した縞状ムラや、傾斜状ムラから、方向性のない点状の欠陥を抽出することができる。よって、効率よく点状の欠陥を分類することができる。

なお、上記の説明では、Ｘ方向（横方向）とＹ方向（縦方向）と直交する斜め２方向の４方向に、第１のＦＩＲフィルタを用いたが、第１のＦＩＲフィルタを用いる作用方向、及びその数は特に限定されるものではない。もちろん、試料画像Ａのピクセルの配列方向に沿った第１のＦＩＲフィルタを用いることが好ましい。

（縞状ムラ抽出）
次に、縞状ムラを抽出する処理について、図１７を用いて説明する。図１７は、縞状ムラを抽出する処理を説明する図である。縞状ムラを抽出する場合、点状ムラを抽出した時に用いたフィルタ画像を用いることができる。縞状ムラを抽出する処理では、上記の試料画像Ａとフィルタ画像Ｆを用いる。図１３に示すように、試料画像Ａとフィルタ画像Ｆの差分を求める。ここで、試料画像Ａとフィルタ画像Ｆの差分によって求めた画像を差分画像Ｇとする。試料画像Ａからフィルタ画像Ｆを引くことで、点状のムラと、カメラノイズに代表される高周波のノイズ成分が除去される。

試料画像Ａとフィルタ画像Ｆとの差分に応じた差分画像Ｇに基づいて、縞状ムラを欠陥として検出する。差分画像Ｇのデータを、しきい値と比較することで縞状ムラを欠陥として検出することができる。すなわち、差分画像Ｇのデータが上限値を越えた箇所、又は下限値を下回ったピクセルが欠陥として検出される。第１の差分画像生成部５４がフィルタ画像Ｆと、試料画像Ａとに基づいて、差分画像Ｇを生成する。そして、比較部５８が、差分画像Ｇとしきい値とを比較することで、縞状状ムラを検出することができる。

なお、上記の処理ではフィルタ画像Ｆによって、差分画像Ｇを求めたが、フィルタ画像Ｆではなく、フィルタ画像Ｂ〜Ｅのいずれか１つを用いて差分画像Ｇを算出してもよい。例えば、フィルタ画像Ｆの代わりに、フィルタ画像Ｂを用いて、差分画像Ｇを算出してもよい。さらには、試料画像Ａからフィルタ画像Ｃ、フィルタ画像Ｄ又はフィルタ画像Ｅを引いた値によって、差分画像Ｇを求めてもよい。さらには、フィルタ画像Ｂ〜Ｅのうちの、２枚のフィルタ画像、又は３枚のフィルタ画像に対して、最小値フィルタを適用したフィルタ画像を用いてもよい。すなわち、第１のＦＩＲフィルタを用いて生成された１つ以上のフィルタ画像に基づいて、差分画像Ｇが生成されていればよい。

（傾斜状ムラ）
傾斜状ムラを抽出する処理について、図１８を用いて説明する。傾斜状ムラを抽出するために、第１のＦＩＲフィルタと異なる特性の第２のＦＩＲフィルタが用いられる。ここでは、第２のＦＩＲフィルタは、第１のＦＩＲフィルタよりもサイズが大きくなっており、例えば、５１×５１ピクセルのサイズとなっている。すなわち、Ｘ方向、及びＹ方向に５１ピクセルのサイズを有する第２のＦＩＲフィルタが用いられている。第２のＦＩＲフィルタは、５１×５１の中心の１ピクセルのみ約０．９８７で、その他のピクセルが約−０．０１３となっている。ここでは、方向性に依存しない、正方形のＦＩＲフィルタを用いている。そして、第２のＦＩＲフィルタを用いて、差分画像Ｇをフィルタリングする。この時のフィルタ画像をフィルタ画像Ｈとする。フィルタ画像Ｈは、図１８に示すようになる。第２のフィルタ画像生成部５５が差分画像Ｇに基づいてフィルタ画像Ｈを生成する。なお、第１のＦＩＲフィルタは、第２のＦＩＲフィルタよりも高い周波数領域を通過する特性を有している。すなわち、第２のＦＩＲフィルタは、第１のＦＩＲフィルタよりも高い周波数成分を通過しない特性を有している。

フィルタ画像Ｈは、ハイパスフィルタとなり、傾斜状ムラをフィルタリングして、縞状ムラを抽出する。そして、差分画像Ｇとフィルタ画像Ｈとの差分に応じた差分画像Ｉを算出する。これにより、差分画像Ｇの縞状ムラからフィルタ画像Ｈの縞状ムラが引かれ、傾斜状ムラのみを抽出することができる。第２の差分画像生成部５６が差分画像Ｇとフィルタ画像Ｈとに基づいて、差分画像Ｉを生成する。

そして、比較部５８が、差分画像Ｉとしきい値とを比較することで、傾斜状ムラを検出することができる。このように、差分画像Ｇに対して、サイズの異なる第２のＦＩＲフィルタを用いる。そして、差分を繰り返すことで、傾斜状ムラを検出することができる。

（枠状ムラ）
次に、枠状ムラを抽出する処理について、図２０を用いて説明する。図２０は、枠状ムラを抽出するための処理を説明するための図である。枠状ムラを抽出するために、Ｘ方向、及びＹ方向におけるデータを合成して、Ｙ方向、及びＸ方向のプロファイルデータを生成する。たとえば、試料画像ＡのＸ方向における位置が同じデータの平均値を求めることで、Ｙ方向の１次元プロファイルデータが生成される。換言すると、縦１列のデータの総和に基づいて、横方向におけるプロファイルデータを求める。同様に、試料画像ＡのＹ方向における位置が同じデータの平均値を求めることで、Ｘ方向の１次元プロファイルデータが生成される。

このように、Ｘ方向におけるデータの総和によって、Ｙ方向のプロファイルデータを求めるとともに、Ｙ方向にけるデータの総和によって、Ｘ方向のプロファイルデータを求める。そして、Ｘ方向、及びＹ方向におけるプロファイルデータに基づいて、枠状ムラを検出する。例えば、試料画像の外周部でデータが大きくなる枠状ムラが発生した場合、図２０に示すように、Ｘ方向における両端で輝度値が高くなる。同様に、試料画像の外周部でデータが大きくなる枠状ムラが発生した場合、図２０に示すように、Ｙ方向における両端で輝度値が高くなる。よって、プロファイルデータをしきい値と比較することで、枠状ムラを検出することができる。

プロファイルデータ生成部５７が、Ｘ方向、及びＹ方向について、データを合成することで、Ｙ方向、及びＸ方向の１次元プロファイルデータを生成する。そして、１次元プロファイルデータが上限値を超えていた場合、又は下限値を下回っていた場合、枠状ムラを検出する。このようにすることで、枠状ムラを簡便に検出することができる。もちろん、試料画像Ａの全体のピクセルについて総和を求めずに、一部のピクセルについての総和を求めてもよい。すなわち、試料画像Ａの第１の方向における一部のピクセルのデータを合成することで、第２の方向における１次元データを生成するようにしてもよい。

上記した検査方法を用いることで、点状ムラ、枠状ムラ、縞状ムラ、傾斜状ムラのそれぞれを確実に判別することができる。例えば、異なる画像に基づいて検出された欠陥は、異なる種別と判別する。さらに、各画像をしきい値と比較することで、欠陥種別を分類しているため、より高感度の検査を行うことができる。すなわち、それぞれの画像に対して適したしきい値を設定することができる。これにより、感度を託するために、しきい値を厳しく設定したとしても、擬似欠陥と実欠陥の判別を確実に行うことができる。よって、高感度で正確に欠陥を検出することができる。もちろん、判別する順番は特に限定されるものでなはない。例えば、傾斜状ムラを最初に判別するような手順で検査してもよい。

（シミュレーション結果）
上記の検査アルゴリズムのシミュレーション結果について説明する。ここでは、ノイズレベルを７．３階調（３ｓｉｇｍａ）とする試料画像Ａを用いた。そして、枠状ムラの設定輝度を２５階調、縞状ムラの設定輝度を２３階調、点状ムラの設定輝度を４０階調、傾斜状ムラの設定輝度を２５階調として、ダミー欠陥画像を生成した。そして、ダミー欠陥画像を試料画像Ａとして、処理装置５０が上記の処理を行った。なお、設定輝度は、欠陥となるピクセルと、正常箇所となるピクセルの輝度の差である。

その結果、枠状ムラについては、設定輝度レベルが２５階調であったのに対して、検出レベルが１９階調であり、擬似レベルが１階調であった。枠状ムラの検出結果については、図２１に示した。点状ムラについては、設定輝度レベルが４０階調であるのに対して、検出レベルが３７階調であり、擬似レベルが１１階調であった。点状ムラの検出結果については、図２２に示した。

縞状ムラについては、設定輝度レベルが２３階調であるのに対して、検出レベルが１５階調であり、擬似レベルが５階調であった。縞状ムラの検出結果については、図２３に示した傾斜状ムラについては、設定輝度レベルが２５階調であるのに対して、検出レベルが２３階調であり、擬似レベルが０階調であった。傾斜状ムラの検出結果については、図２４に示した。なお、検出レベルとは、欠陥を検出可能なしきい値のレベルであり、擬似レベルとは、擬似欠陥が発生してしまうしきい値のレベルを示している。すなわち、上記のフィルタ処理や差分処理が行われた後における、欠陥のピクセルと、正常箇所のピクセルとの輝度の差が検出レベルとなる。

このように、いずれの種類の欠陥についても、擬似レベルに対して、検出レベルを高くすることができた。従って、しきい値のレベルを厳しく設定して、感度を高くしたとしても、擬似欠陥の検出を防ぐことができる。よって、高感度の欠陥検査を正確に行うことができる。さらに、欠陥の種類を判別することができる。また、別々の画像によって、欠陥を分類しているので、２以上の欠陥が重なったとしても、正確に検査することができる。

なお、上記の検査方法は、パターン付きウェハについても適用することができる。パターン付きウェハの場合、ダイツーダイ処理を前処理として行えばよい。例えば、図２５に示すよう、同じパターンを有する２枚のウェハの試料画像Ａ１、Ａ２を取得する。そして試料画像Ａ１と試料画像Ａ２との差分を取って、差分画像Ａ３を求める。そして、差分に応じた差分画像Ａ３に対して、上記の処理を行う。こうすることで、パターン付きウェハであっても、欠陥種別を適切に判別することができる。もちろん、試料２０は、半導体ウェハに限らず、フォトマスク、ＴＦＴ基板、又はカラーフィルタ基板とすることが可能である。

また、上記の説明では、フィルタ処理において、ＦＩＲフィルタを用いたが、ＦＩＲフィルタ以外のフィルタを用いてもよい。例えば、ＩＩＲ（Ｉｎｆｉｎｉｔｅ Ｉｍｐｕｌｓｅ Ｒｅｓｐｏｎｓｅ）フィルタなどのデジタルフィルタを用いることができる。すなわち、所定の周波数帯を通過させるフィルタを用いることができる。もちろん、複数のフィルタを組み合わせてもよい。

（検査方法１）
以下、図２６のフローチャートを用いて、一般化した検査手順を説明する。図２６では、ＦＩＲフィルタによるフィルタリング処理と、差分画像を取得するために差分を取る処理をＮｍａｘ（Ｎｍａｘは２以上の整数）回繰り返す方法を示している。

検出処理を開始すると、２つの画像に対して、ダイツーダイ処理を行って、欠陥を抽出する（ステップＳ１０１）。パターン付きウェハの場合、２つの画像を差分を求めることで試料画像Ｉｍａｇｅ＿Ｏｒｉｇｉｎａｌが取得される。なお、パターン付きウェハではない場合、ステップＳ１０1は省略される。すなわち、検出器１１で検出した画像が、そのまま試料画像Ｉｍａｇｅ＿Ｏｒｉｇｉｎａｌとなる。

次に、ｎ＝１（ｎは１以上の整数）とした後（ステップＳ１０２）、試料画像Ｉｍａｇｅ＿Ｏｒｉｇｉｎａｌから、第１のフィルタ画像Ｉｍａｇｅ＿ＦＩＲ_１を生成する（ステップＳ１０３）。すなわち、第１のＦＩＲフィルタによって、試料画像Ｉｍａｇｅ＿Ｏｒｉｇｉｎａｌをフィルタリングする。このように、１回目のフィルタ処理によって、第１のフィルタ画像Ｉｍａｇｅ＿ＦＩＲ_１が生成される。なお、このステップＳ１０３では、図１２〜図１６に示したように、異なる作用方向の第１のＦＩＲフィルタと、最小化フィルタとを用いて、第１のフィルタ画像Ｉｍａｇｅ＿ＦＩＲ_１を生成してもよい。もちろん、１つの作用方向にのみ第１のＦＩＲフィルタを用いることで、第１のフィルタ画像Ｉｍａｇｅ＿ＦＩＲ_１を生成することも可能である。そして、第１のフィルタ画像Ｉｍａｇｅ＿ＦＩＲ_１に対して、欠陥強調処理を行う（ステップＳ１０４）。

そして、ステップＳ１０４の欠陥強調処理が行われた後の画像Ｉｍａｇｅ＿Ｃａｌｃ０を用いて、欠陥検出を行う（ステップＳ１０５）。例えば、しきい値と画像データを比較することで、２値化を行う。この２値化データが欠陥の有無を示すものとなる。なお、ステップＳ１０４では、微分フィルタ等を用いた欠陥強調処理が行われる。なお、第１のＦＩＲフィルタによるフィルタ処理が欠陥強調処理を兼ねる場合は、ステップＳ１０４の処理を省略してもよい。また、ステップＳ１０４とステップＳ１０５を省略することも可能である。

次に、１回目の差分処理によって、第１の差分画像Ｉｍａｇｅ＿Ｓｕｂ_１が生成される（ステップＳ１０６）。すなわち、試料画像Ｉｍａｇｅ＿Ｏｒｉｇｉｎａｌと第１のフィルタ画像Ｉｍａｇｅ＿ＦＩＲ_１との差分を求めることで、第１の差分画像Ｉｍａｇｅ＿Ｓｕｂ_１を取得することができる。そして、第１の差分画像Ｉｍａｇｅ＿Ｓｕｂ_１に対して、欠陥強調処理を行った後（ステップＳ１０７）、欠陥検出を行う（ステップＳ１０８）。例えば、欠陥強調処理が行われた後の画像Ｉｍａｇｅ＿Ｃａｌｃ_１のデータをしきい値と比較することで、２値化を行う。この２値化データが欠陥の有無を示すものとなる。これにより、差分処理後の１番目の欠陥検出が行われる。ステップＳ１０７と、ステップＳ１０８は、ステップＳ１０５とステップＳ１０６と同様であるため、説明を省略する。なお、第１のＦＩＲフィルタによりフィルタ処理が欠陥強調処理を兼ねる場合は、ステップＳ１０７の処理を省略してもよい。

次に、ｎをインクリメントする（ステップＳ１０９）。ここでは、ｎ＝２となっているが、説明を一般化するために、ｎとして説明を行う。ｎ回目のフィルタ処理によって、第ｎのフィルタ画像Ｉｍａｇｅ＿ＦＩＲ_ｎが生成される（ステップＳ１１０）。すなわち、第（ｎ−１）の差分画像Ｉｍａｇｅ＿Ｓｕｂ_ｎー１を第ｎのＦＩＲフィルタによって、フィルタリングすることで、第ｎのフィルタ画像Ｉｍａｇｅ＿ＦＩＲ_ｎが生成される。第ｎのＦＩＲフィルタは、第（ｎ−１）のＦＩＲフィルタと異なる特性を有している。ステップＳ１１０においても、ステップＳ１０３と同様に、第ｎのＦＩＲフィルタを異なる作用方向に適用するとともに、最小値フィルタを用いた処理を行ってもよい。

次に、ｎ回目の差分処理を行うことで、第ｎの差分画像Ｉｍａｇｅ＿Ｓｕｂ_ｎが生成される（ステップＳ１１１）。すなわち、第（ｎ−１）の差分画像Ｉｍａｇｅ＿Ｓｕｂ_ｎ−１と第ｎのフィルタ画像Ｉｍａｇｅ＿ＦＩＲ_ｎとの差分を求めることで、第ｎの差分画像Ｉｍａｇｅ＿Ｓｕｂ_ｎを取得することができる。

そして、第ｎの差分画像Ｉｍａｇｅ＿Ｓｕｂ_ｎに対して、欠陥強調処理を行った後（ステップＳ１１２）、欠陥検出を行う（ステップＳ１１３）。すなわち、欠陥強調処理が行われた後の画像Ｉｍａｇｅ＿Ｃａｌｃ_ｎのデータをしきい値と比較することで、２値化を行う。この２値化データが欠陥の有無を示すものとなる。これにより、差分処理後のｎ番目の欠陥検出が行われる。ステップＳ１１２と、ステップＳ１１３は、ステップＳ１０５とステップＳ１０６と同様であるため、説明を省略する。なお、第ｎのＦＩＲフィルタによりフィルタ処理が欠陥強調処理を兼ねる場合は、ステップＳ１１２の処理を省略してもよい。

そして、ｎ＝Ｎｍａｘであるか否かを判定する（ステップＳ１１４）。ｎがＮｍａｘに達していない時（ステップＳ１１４のＮＯ）、ステップＳ１０９に戻る。すなわち、ｎをインクリメントして（ステップＳ１０９）、ステップＳ１１０からの処理を行う。Ｎ＝Ｎｍａｘに達するまで（ステップＳ１１４のＹＥＳ）、ステップＳ１０９〜ステップＳ１１４の処理が繰り返される。このようにすることで、フィルタ処理と差分処理がＮｍａｘ回繰り返し行われるようになる。すなわち、フィルタ処理と差分処理を繰り返し行い、ｎを１、２、３、・・・Ｎｍａｘと順次増加させていく。そして、差分処理後に、ｎ番目の欠陥検出を行う。このようにすることで、様々なタイプの欠陥を検出し、分類することができる。

ここで、フィルタ処理を２回以上行う場合、高い周波数を透過するフィルタを先に用いることが望ましい。すなわち、Ｎ番目のフィルタ処理のフィルタは、（Ｎ＋１）番目のフィルタ処理のフィルタよりも高い周波数成分を通過させる特性を有している。このようにすることで、小さい欠陥から順番に検出することができる。すなわち、フィルタ処理と差分処理に繰り返し回数が多くなるほど、大きい欠陥が抽出されるようになる。

（検査方法２）
図２７を用いて、別の検査方法について説明する。図２７は別の検査方法を示すフローチャートである。図２７に示す検査方法では、差分画像をしきい値と比較せずに、フィルタ画像をしきい値と比較することで、欠陥検出を行っている。なお、上記の説明と重複する内容については、適宜省略する。

検出処理を開始すると、２つの画像に対して、ダイツーダイ処理を行って、欠陥を抽出する（ステップＳ２０１）。これにより、パターン付きウェハの場合、２つの画像を差分を求めることで試料画像Ｉｍａｇｅ＿Ｏｒｉｇｉｎａｌが取得される。なお、パターン付きウェハではない場合、ステップＳ１０１は省略される。すなわち、検出器１１で検出した画像が、そのまま試料画像Ｉｍａｇｅ＿Ｏｒｉｇｉｎａｌとなる。

次に、ｎ＝１（ｎは１以上の整数）とした後（ステップＳ２０２）、試料画像Ｉｍａｇｅ＿Ｏｒｉｇｉｎａｌから、第１のフィルタ画像Ｉｍａｇｅ＿ＦＩＲ_１を生成する（ステップＳ２０３）。すなわち、第１のＦＩＲフィルタによって、試料画像Ｉｍａｇｅ＿Ｏｒｉｇｉｎａｌをフィルタリングする。このように、１回目のフィルタ処理によって、第１のフィルタ画像Ｉｍａｇｅ＿ＦＩＲ_１が生成される。なお、このステップＳ１０３では、図１２〜図１６に示したように、異なる作用方向の第１のＦＩＲフィルタと、最小化フィルタとを用いて、第１のフィルタ画像Ｉｍａｇｅ＿ＦＩＲ_１を生成してもよい。もちろん、１つの作用方向にのみ第１のＦＩＲフィルタを用いることで、第１のフィルタ画像Ｉｍａｇｅ＿ＦＩＲ_１を生成することも可能である。そして、第１のフィルタ画像Ｉｍａｇｅ＿ＦＩＲ_１に対して、欠陥強調処理を行う（ステップＳ２０４）。

そして、ステップＳ２０４の欠陥強調処理が行われた後の画像Ｉｍａｇｅ＿Ｃａｌｃ_１を用いて、欠陥検出を行う（ステップＳ２０５）。これにより、１番目の欠陥検出が行われる。例えば、しきい値と画像データを比較することで、欠陥を抽出することができる。なお、ステップＳ２０４では、微分フィルタ等を用いた欠陥強調処理が行われる。なお、第１のＦＩＲフィルタによるフィルタ処理が欠陥強調処理を兼ねる場合は、ステップＳ２０４の処理を省略してもよい。

次に、１回目の差分処理によって、第１の差分画像Ｉｍａｇｅ＿Ｓｕｂ_１が生成される（ステップＳ２０６）。すなわち、試料画像Ｉｍａｇｅ＿Ｏｒｉｇｉｎａｌと第１のフィルタ画像Ｉｍａｇｅ＿ＦＩＲ_１との差分を求めることで、第１の差分画像Ｉｍａｇｅ＿Ｓｕｂ_１を取得することができる。次に、ｎをインクリメントする（ステップＳ２０７）。ここでは、ｎ＝２となっているが、説明を一般化するために、ｎとして説明を行う。ｎ回目のフィルタ処理によって、第ｎのフィルタ画像Ｉｍａｇｅ＿ＦＩＲ_ｎが生成される（ステップＳ２０８）。すなわち、第（ｎ−１）の差分画像Ｉｍａｇｅ＿Ｓｕｂ_ｎー１を第ｎのＦＩＲフィルタによって、フィルタリングすることで、第ｎのフィルタ画像Ｉｍａｇｅ＿ＦＩＲ_ｎが生成される。第ｎのＦＩＲフィルタは、第（ｎ−１）のＦＩＲフィルタと異なる特性を有している。ステップＳ２０８においても、ステップＳ２０３と同様に、第ｎのＦＩＲフィルタを異なる作用方向に適用するとともに、最小値フィルタを用いた処理を行ってもよい。

そして、第ｎのフィルタ画像Ｉｍａｇｅ＿ＦＩＲ_ｎに対して、欠陥強調処理を行った後（ステップＳ２０９）、欠陥検出を行う（ステップＳ２１０）。これにより、ｎ番目の欠陥検出が行われる。すなわち、欠陥強調処理が行われた第ｎのフィルタ画像Ｉｍａｇｅ＿ＦＩＲ_ｎのデータをしきい値と比較することで、欠陥が検出される。なお、第１のＦＩＲフィルタによりフィルタ処理が欠陥強調処理を兼ねる場合は、ステップＳ２０９の処理を省略してもよい。

そして、ｎ＝Ｎｍａｘであるか否かを判定する（ステップＳ２１２）。ｎがＮｍａｘに達していない時（ステップＳ２１２のＮＯ）、ステップＳ２０７に戻る。すなわち、ｎをインクリメントして（ステップＳ２０７）、ステップＳ２０８からの処理を行う。Ｎ＝Ｎｍａｘに達するまで（ステップＳ２１２のＹＥＳ）、ステップＳ２０７〜ステップＳ２１２の処理が繰り返される。このようにすることで、フィルタ処理と差分処理がＮｍａｘ回繰り返し行われるようになる。すなわち、フィルタ処理と差分処理を繰り返し行い、ｎを１、２、３、・・・Ｎｍａｘと順次増加させていく。そして、フィルタ処理後に、ｎ番目の欠陥検出を行う。このようにすることで、様々なタイプの欠陥を検出し、分類することができる。

ここで、フィルタ処理を２回以上行う場合、高い周波数を透過するフィルタを先に用いることが望ましい。すなわち、Ｎ番目のフィルタ処理のフィルタは、（Ｎ＋１）番目のフィルタ処理のフィルタよりも高い周波数成分を通過させる特性を有している。このようにすることで、小さい欠陥から順番に検出することができる。すなわち、フィルタ処理と差分処理に繰り返し回数が多くなるほど、大きい欠陥が抽出されるようになる。

このように、図２７では、フィルタ処理と差分処理を繰り返し行い、差分画像及びフィルタ処理に基づいて、欠陥を検出している。すなわち、フィルタ画像をしきい値と比較することで、欠陥を検出することができる。このようにしても、欠陥を高感度で検出することができるとともに、欠陥の種別を適切に判別することができる。

処理装置５０における制御は、コンピュータプログラムによって実行されても良い。上述した制御プログラムは、様々なタイプの非一時的なコンピュータ可読媒体(non-transitory computer readable medium)を用いて格納され、コンピュータに供給することができる。非一時的なコンピュータ可読媒体は、様々なタイプの実体のある記録媒体(tangible storage medium)を含む。非一時的なコンピュータ可読媒体の例は、磁気記録媒体(例えばフレキシブルディスク、磁気テープ、ハードディスクドライブ)、光磁気記録媒体(例えば光磁気ディスク)、ＣＤ−ＲＯＭ(Read Only Memory）、ＣＤ−Ｒ、ＣＤ−Ｒ／Ｗ、半導体メモリ(例えば、マスクＲＯＭ、ＰＲＯＭ(Programmable ROM）、ＥＰＲＯＭ(Erasable PROM）、フラッシュＲＯＭ、ＲＡＭ(Random Access Memory））を含む。また、プログラムは、様々なタイプの一時的なコンピュータ可読媒体(transitory computer readable medium）によってコンピュータに供給されてもよい。一時的なコンピュータ可読媒体の例は、電気信号、光信号、及び電磁波を含む。一時的なコンピュータ可読媒体は、電線及び光ファイバ等の有線通信路、又は無線通信路を介して、プログラムをコンピュータに供給できる。

また、コンピュータが上述の実施の形態の機能を実現するプログラムを実行することにより、上述の実施の形態の機能が実現される場合だけでなく、このプログラムが、コンピュータ上で稼動しているＯＳ(Operating System)もしくはアプリケーションソフトウェアと共同して、上述の実施の形態の機能を実現する場合も、本発明の実施の形態に含まれる。

１０ 光源
１１ 検出器
２０ ウェハ
３０ ステージ
５０ 処理装置
５１ 第１の記憶部
５２ 第２の記憶部
５３ 第１のフィルタ画像生成部
５４ 第１の差分画像生成部
５５ 第２のフィルタ画像生成部
５６ 第２の差分画像生成部
５７ プロファイルデータ生成部
５８ 比較部

Claims (15)

1. 試料を照明する光源と
   前記光源によって照明された試料からの光を検出する検出器と、
   前記検出器によって取得された試料画像に対して処理を行う処理装置と、を備え、
   前記処理装置が、
   前記試料画像に対して第１のフィルタを用いることによって、第１のフィルタ画像を生成し、
   前記試料画像と前記第１のフィルタ画像との差分に応じた第１の差分画像を生成し、
   前記第１の差分画像に基づいて第１の欠陥を検出する欠陥検査装置。
2. 前記第１のフィルタと異なる特性を有する第２のフィルタを、前記第１の差分画像に用いることで、第２のフィルタ画像を生成し、
   前記第１の差分画像と前記第２のフィルタ画像との差分に応じた第２の差分画像を生成し、
   前記第２の差分画像に基づいて、第２の欠陥を検出する請求項１に記載の欠陥検査装置。
3. 前記処理装置が、
   第ｎ（ｎは１以上の整数）のフィルタとは異なる特性を有する第（ｎ＋１）のフィルタを、第ｎの差分画像に用いることで、第（ｎ＋１）のフィルタ画像を生成するフィルタ処理と、
   前記第ｎの差分画像と、前記第（ｎ＋１）のフィルタ画像とに差分に応じた第（ｎ＋１）差分画像を生成する差分処理と、
   を繰り返し行って、前記ｎを順次増加させていき、
   前記第（ｎ＋１）の差分画像に基づいて、第（ｎ＋１）の欠陥を検出する請求項１、又は２に記載の欠陥検査装置。
4. 第ｎのフィルタがＦＩＲフィルタであることを特徴とする請求項１〜３のいずれか１項に記載の欠陥検査装置。
5. 異なる作用方向に第ｎのフィルタを用いることで、複数の画像を生成し、
   前記複数の画像に対して最小値フィルタを用いることによって、前記第ｎのフィルタ画像を生成し、
   前記第ｎのフィルタ画像に基づいて、第ｎの欠陥を検出する請求項１、又は２に記載の欠陥検査装置。
6. 試料からの光を検出器で受光して、試料の欠陥検査を行う欠陥検査方法であって、
   前記検出器によって取得された前記試料画像に対して、第１のフィルタを用いることによって、第１のフィルタ画像を生成するステップと、
   前記試料画像と前記第１のフィルタ画像の差分に応じた第１の差分画像を生成するステップと、
   前記第１の差分画像に基づいて、第１の欠陥を検出するステップと、を備えた欠陥検査方法。
7. 前記第１のフィルタと異なる特性を有する第２のフィルタを、前記第１の差分画像に用いることで、第２のフィルタ画像を生成し、
   前記第１の差分画像と前記第２のフィルタ画像との差分に応じた第２の差分画像を生成し、
   前記第２の差分画像に基づいて、第２の欠陥を検出する請求項５に記載の欠陥検査方法。
8. 第ｎ（ｎは１以上の整数）のフィルタとは異なる特性を有する第（ｎ＋１）のフィルタを、第ｎの差分画像に用いることで、第（ｎ＋１）のフィルタ画像を生成するフィルタ処理と、
   前記第ｎの差分画像と、前記第（ｎ＋１）のフィルタ画像とに差分に応じた第（ｎ＋１）差分画像を生成する差分処理と、
   を繰り返し行って、前記ｎを順次増加させていき、
   前記第（ｎ＋１）の差分画像に基づいて、第（ｎ＋１）の欠陥を検出する請求項６、又は７に記載の欠陥検査方法。
9. 第ｎのフィルタがＦＩＲフィルタであることを特徴とする請求項６〜８のいずれか１項に記載の欠陥検査方法。
10. 異なる作用方向に第ｎのフィルタを用いることで、複数の画像を生成し、
    前記複数の画像に対して最小値フィルタと用いることで、前記第ｎのフィルタ画像を生成し、
    前記第ｎのフィルタ画像に基づいて、第ｎの欠陥を検出する請求項６〜９のいずれか１項に記載の欠陥検査方法。
11. 試料からの光を検出器で受光して、試料の欠陥検査を行う欠陥検査プログラムであって、
    コンピュータに対して、
    前記検出器によって取得された前記試料画像に対して、第１のフィルタを用いることによって、第１のフィルタ画像を生成するステップと、
    前記試料画像と前記第１のフィルタ画像の差分に応じた第１の差分画像を生成するステップと、
    前記第１の差分画像に基づいて、第１の欠陥を検出するステップと、
    を実行させる欠陥検査プログラム。
12. 前記コンピュータに対して、
    前記第１のフィルタと異なる特性を有する第２のフィルタを、前記第１の差分画像に用いることで、第２のフィルタ画像を生成させ、
    前記第１の差分画像と前記第２のフィルタ画像との差分に応じた第２の差分画像を生成させ、
    前記第２の差分画像に基づいて、第２の欠陥を検出させる請求項１１に記載の欠陥検査プログラム。
13. 前記コンピュータに対して、
    第ｎ（ｎは１以上の整数）のフィルタとは異なる特性を有する第（ｎ＋１）のフィルタを、第ｎの差分画像に用いることで、第（ｎ＋１）のフィルタ画像を生成するフィルタ処理と、
    前記第ｎの差分画像と、前記第（ｎ＋１）のフィルタ画像とに差分に応じた第（ｎ＋１）差分画像を生成する差分処理と、
    を繰り返し実行させて、前記ｎを順次増加させていき、
    前記第（ｎ＋１）の差分画像に基づいて、第（ｎ＋１）の欠陥を検出する請求項１１、又は１２に記載の欠陥検査プログラム。
14. 第ｎのフィルタがＦＩＲフィルタであることを特徴とする請求項１１〜１３のいずれか１項に記載の欠陥検査プログラム。
15. 前記コンピュータに対して、
    異なる作用方向に第ｎのフィルタを用いることで、複数の画像を生成させ、
    複数の前記画像に対して最小値フィルタと用いることで、前記第ｎのフィルタ画像を生成させ、
    前記第ｎのフィルタ画像に基づいて、第ｎの欠陥を検出させる請求項１１〜１４に記載の欠陥検査プログラム。