JP2016080598A - 座標検出装置、検査装置、及び座標検出方法 - Google Patents

Abstract

【課題】再現性良くパターンの座標を検出することができる座標検出装置、検査装置、及び座標検出方法を提供する。
【解決手段】本発明の一態様にかかる検査装置は、パターンが設けられた試料を照明する照明光を発生する照明装置１１と、照明装置１１からの照明光によって照明された前記試料を撮像するＴＤＩカメラ１９と、ＴＤＩカメラ１９で撮像された撮像画像に基づいて、パターンの座標を算出する処理装置１６と、を備え、処理装置が、パターンを含む撮像画像に対して逆畳み込み演算を行って、逆畳み込み演算データを生成する逆畳み込み演算部６３と、逆畳み込み演算部６３で生成された逆畳み込み演算データに基づいて、撮像画像内におけるパターンの座標を算出する座標算出部６４と、を備えたものである。
【選択図】図１

Description

本発明は、座標検出装置、検査装置、及び座標検出方法に関する。

特許文献１には、走査プローブ顕微鏡で取得した撮像データに対して逆畳み込み演算（デコンボリューション）を行う方法が開示されている。逆畳み込み演算では、点像分布関数（Ｐｏｉｎｔ Ｓｐｒｅａｄ Ｆｕｎｃｔｉｏｎ）が用いられている。点像分布関数を用いることで、レンズの回折、レンズの収差等の影響を像から除去することができる。

特表２００２−５３６６９６号公報 特開２００５−８３７９５号公報

ところで、近年、半導体パターンの微細化を実現するため、波長１３．５ｎｍのＥＵＶＬ（Extremely Ultraviolet Lithography）が開発されている。したがって、照明光として１３．５ｎｍのＥＵＶ光を用いたアクチニック検査装置が開発されている。ＥＵＶ光の光学系では、反射面に多層膜を形成した多層膜反射光学系が用いられている。例えば、集光光学系には、レンズの代わりに凹面鏡が用いられている。

ＥＵＶＬにおいて、ディフェクトミチゲーション（ｄｅｆｅｃｔ ｍｉｔｉｇａｔｉｏｎ）を行う場合、欠陥を覆うように吸収体のパターンを形成する。こうすることで、欠陥を吸収体パターンで隠すことができるため、ウェハに欠陥が転写されるのを防ぐことができる。
このように、ディフェクトミチゲーションに向けて、ＥＵＶマスクのブランクスを検査した後に、ＥＢ描画装置でブランクスにＥＵＶ光の吸収体パターンを形成する。欠陥を吸収体パターンで覆うためには、欠陥を高い位置精度で検出する必要がある。したがって欠陥検査装置において、高い位置精度でアライメントを行うことが要求される。

通常、マスクのアライメントには、アライメントマーク（フィデューシャルマーク）が用いられている。例えば、フィデューシャルマークを高い位置精度で検出して、欠陥を検査する。そして、フィデューシャルマークを座標基準とすることで、欠陥座標を高い位置精度で検出することができる。

通常、フィデューシャルマークには十字形のパターンが用いられる（特許文献２）。例えば、溝を形成することで、十字形のパターンを形成している。欠陥座標の位置精度を高くするためには、フィデューシャルマークを再現性良く正確に検出することが技術課題となる。しかしながら、画像がぼけてしまうなどした場合、フィデューシャルマークを検出精度が得られないおそれがある。

本発明は、このような事情を背景としてなされたものであり、正確に座標を検出することができる座標検出装置、検査装置、及び座標検出方法を提供することを目的とするものである。

本実施形態の第１の態様にかかる座標検出装置は、パターンが設けられた試料を照明する照明光を発生する照明光源と、前記照明光源からの照明光によって照明された前記試料を撮像する撮像部と、前記撮像部で撮像された撮像画像に基づいて、前記パターンの座標を算出する処理装置と、を備え、前記処理装置が、前記パターンを含む撮像画像に対して逆畳み込み演算を行って、逆畳み込み演算データを生成する逆畳み込み演算部と、前記逆畳み込み演算部で生成された逆畳み込み演算データに基づいて、前記撮像画像内における前記パターンの座標を算出する座標算出部と、を備えたものである。これにより、パターンの座標を正確に検出することができる

上記の座標検出装置において、前記逆畳み込み演算部が、前記パターンを含む基準画像と前記撮像画像とを用いて逆畳み込み演算を行うことで、逆畳み込み画像を生成するようにしてもよい。これにより、任意の形状のパターンの座標を正確に検出することができる。

上記の座標検出装置において、前記座標算出部が、前記逆畳み込み演算データに基づく逆畳み込み画像の重心位置に基づいて、前記パターンの座標を算出するようにしてもよい。これにより、より高い精度で座標を検出することができる。

上記の座標検出装置において、前記撮像画像から、前記パターンの線状のエッジに沿った第１の方向と垂直な第２の方向におけるプロファイルデータを生成するプロファイルデータ生成部をさらに備え、線像分布関数を用いて、前記プロファイルデータに逆畳み込み演算を行うようにしてもよい。これにより、画像がぼけた場合であっても、正確に座標を検出することができる。

上記の座標検出装置において、前記第１の方向において異なる位置での前記プロファイルデータを抽出することで、複数の前記プロファイルデータを生成し、前記複数のプロファイルデータのそれぞれに対して、前記線像分布関数を用いた逆畳み込み演算を行うようにしてもよい。これにより、より高い精度で座標を検出することができる。

本実施形態の第２の態様にかかる検査装置は、上記の座標検出装置を備えた検査装置であって、前記パターンの座標に基づいて、欠陥の座標を検出するものである。これにより、正確に座標を検出することができる。

本実施形態の第３の態様にかかる座標検出方法は、パターンが設けられた試料を照明する照明光を発生するステップと、前記照明光源からの照明光によって照明された前記試料を撮像するステップと、前記撮像部で撮像された撮像画像に基づいて、前記パターンの座標を算出するステップと、を備え、前記パターンの座標を算出するステップとでは、前記パターンを含む撮像画像に対して逆畳み込み演算を行って、逆畳み込み演算データを生成し、前記逆畳み込み演算部で生成された逆畳み込み演算データに基づいて、前記撮像画像内における前記パターンの座標を算出するものである。これにより、パターンの座標を正確に検出することができる

上記の座標検出方法において、前記パターンを含む基準画像と前記撮像画像とを用いて逆畳み込み演算を行うことで、逆畳み込み画像を生成するようにしてもよい。これにより、任意の形状のパターンの座標を正確に検出することができる。

上記の座標検出方法において、前記逆畳み込み演算データに基づく逆畳み込み画像の重心位置に基づいて、前記パターンの座標を算出するようにしてもよい。これにより、より高い精度で座標を検出することができる。

上記の座標検出方法において、前記撮像画像から、前記パターンの線状のエッジに沿った第１の方向と垂直な第２の方向におけるプロファイルデータを生成するプロファイルデータ生成部をさらに備え、線像分布関数を用いて、前記プロファイルデータに逆畳み込み演算を行うようにしてもよい。これにより、画像がぼけた場合であっても、正確に座標を検出することができる。

上記の座標検出方法において、前記第１の方向において異なる位置での前記プロファイルデータを抽出することで、複数の前記プロファイルデータを生成し、前記複数のプロファイルデータのそれぞれに対して、前記線像分布関数を用いた逆畳み込み演算を行うようにしてもよい。これにより、より高い精度で座標を検出することができる。

本発明によれば、正確に座標を検出することができる座標検装置、検査装置、及び座標検出方法を提供することができる。

本実施形態にかかる座標検出装置を備えた検査装置の構成を示す図である。 マスクに設けられたフィデューシャルマークを模式的に示す平面図である。 実施の形態２に係る検査装置に用いられる処理装置の構成を示すブロック図である。 実施の形態１にかかる処理方法において、逆畳み込み演算前のデータを示す図である。 実施の形態１にかかる処理方法において、逆畳み込み演算後のデータを示す図である。 実施の形態２に係る検査装置に用いられる処理装置の構成を示すブロック図である。 実施の形態２にかかる処理方法において、逆畳み込み演算前のデータを示す図である。 実施の形態２にかかる処理方法において、逆畳み込み演算後のデータを示す図である。

以下、本実施の形態の具体的構成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。

実施の形態１．
本実施の形態では、パターンの座標を検出する座標検出装置のアプリケーションの一例であるマスクの検査装置について説明する。例えば、試料であるマスクには、フィデューシャルマーク等のパターンが形成されている。そして、マスク検査装置に設けられた座標検出装置がパターンの座標を検出する。

本実施の形態にかかる座標検出装置を用いた検査装置の構成について、図１を用いて説明する。図１は、試料の欠陥を検出する検査装置１００の構成を示す図である。なお、検査対象は、ＥＵＶリソグラフィー用のパターン付きマスク、マスクブランク、マスクサブスレートなどであり、以下、マスク１４と称する。さらには、検査装置１００は、マスク以外の検査対象、例えば半導体装置を検査することも可能である。検査装置１００は、１３．５ｎｍのＥＵＶ光を用いて、アクチニック（Ａｃｔｉｎｉｃ）検査を行う。すなわち、リソグラフィー工程での露光波長（１３．５ｎｍ）と同じ照明波長を用いて、検査装置１００は、マスク１４を検査する。また、ＥＵＶ光を用いることで、高い解像度での観察が可能になる。例えば、検査装置１００は、１２００倍の拡大観察で、１００ｎｍ以下の解像度で撮像することができる。

検査装置１００は、照明装置１１と、多層膜平面鏡１２と、シュバルツシルト拡大光学系１５と、処理装置１６と、ＴＤＩカメラ１９と、を備えている。シュバルツシルト拡大光学系１５は穴付き凹面鏡１５ａと凸面鏡１５ｂで構成される。なお、図１では、説明の明確化のため、マスク１４の面と垂直な方向をＺ方向として、マスク１４の面と平行な面において、紙面と平行な方向をＹ方向として示している。Ｚ方向は、シュバルツシルト拡大光学系１５の光軸と平行になっている。また、後述するように、マスク１４の面と平行な面のうち、Ｙ方向と垂直な方向と平行な方向をＸ方向とする。

照明装置１１は、例えば、露光波長と同じ１３．５ｎｍのＥＵＶ光ＥＵＶ１１を発生する照明光源である。照明装置１１から発生したＥＵＶ光ＥＵＶ１１は、絞られながら進んでいる。ＥＵＶ光ＥＵＶ１１は、多層膜平面鏡１２に当たって下方に反射する。多層膜平面鏡１２で反射したＥＵＶ光ＥＵＶ１２は、マスク１４に入射する。多層膜平面鏡１２は、マスク１４の真上に配置され、ＥＵＶ光ＥＵＶ１２をマスク１４に向けて反射する落とし込みミラーである。

ＥＵＶ光ＥＵＶ１２は、ステージ１３上に載せられているマスク１４における微小な検査領域を照明する。この検査領域は約０．５ｍｍ角である。この微小領域内に欠陥が存在すると、散乱光が発生する。例えば、ある微小な欠陥から発生する散乱光Ｓ１１ａ、Ｓ１２ａは、穴付き凹面鏡１５ａ、及び凸面鏡１５ｂで反射し、それぞれ散乱光Ｓ１１ｂ、Ｓ１２ｂのように進み、ＴＤＩカメラ１９に到達する。

具体的には、マスク１４からの散乱光Ｓ１１ａ、Ｓ１２ａは、穴付き凹面鏡１５ａに入射する。穴付き凹面鏡１５ａで反射された散乱光は、凸面鏡１５ｂに入射する。凸面鏡１５ｂで反射された散乱光Ｓ１１ｂ、１２ｂは、穴付き凹面鏡１５ａの中心に設けられた穴を通過して、ＴＤＩカメラ１９に入射する。ＴＤＩカメラ１９は、マスク１４の拡大像を撮像する。これによって、マスク１４の表面に存在する欠陥が検出される。もちろん、ＴＤＩカメラ１９ではなく、通常のＣＣＤカメラや光検出器で拡大像を撮像しても良い。

このように、ＥＵＶ光が伝搬するシュバルツシルト拡大光学系１５には、穴付き凹面鏡１５ａ、凸面鏡１５ｂが設けられている。穴付き凹面鏡１５ａ、凸面鏡１５ｂは、表面に多層膜が形成された多層膜曲面鏡である。シュバルツシルト拡大光学系１５は、穴付き凹面鏡１５ａ、凸面鏡１５ｂ等の曲面鏡によってマスク１４をＴＤＩカメラ１９に拡大して投影している。よって、ＴＤＩカメラ１９は、マスク１４の光学像を撮像する。

ＴＤＩカメラ１９からの出力信号は、処理装置１６に入力される。処理装置１６は、ＴＤＩカメラ１９からの出力信号に応じて、マスク１４の欠陥検査を行う。処理装置１６は、欠陥を検出するための検査回路が設けられている。例えば、処理装置１６は、ＴＤＩカメラ１９が検出した検出値を閾値と比較して、比較結果に基づいて欠陥を検出する。さらに、処理装置１６は、マスク１４の画像に対して画像処理を行うことで、マスク１４に形成されたフィデューシャルマークを検出する。そして、処理装置１６は、フィデューシャルマークの座標を基準座標として記憶する。処理装置１６は、基準座標を基に、欠陥の座標を決定する。

照明用の多層膜平面鏡１２は、穴付き凹面鏡１５ａとマスク１４の間に配置されている。また、散乱光Ｓ１１ａと散乱光Ｓ１２ａは、穴付き凹面鏡１５ａの穴を挟んで反対側に入射する散乱光として、示されている。具体的には、穴付き凹面鏡１５ａに設けられた穴の右側において、穴付き凹面鏡１５ａに入射する散乱光を散乱光Ｓ１２ａとし、穴付き凹面鏡１５ａに設けられた穴の左側において、穴付き凹面鏡１５ａに入射する散乱光を散乱光Ｓ１１ａとしている。

ステージ１３は、ＸＹＺステージであり、ＸＹＺ方向に移動することができる。例えば、ステージ１３がＸＹ方向に移動することで、マスク１４の任意の位置を撮像することができる。さらに、ステージ１３がＺ方向に移動することで、任意の高さにおいて、マスク１４を撮像することができる。例えば、ステージ１３を移動することで、光軸方向における焦点位置を変化させることができる。なお、ステージ１３だけではなく、ＴＤＩカメラ１９、穴付き凹面鏡１５ａ、及び凸面鏡１５ｂのいずれか一つ以上を光軸方向に沿って移動させることで、焦点位置を変えるようにすることも可能である。

なお、図１では、マスク１４で散乱した散乱光を穴付き凹面鏡１５ａ、凸面鏡１５ｂからなるシュバルツシルト拡大光学系１５を介して検出したが、検査装置１００には、シュバルツシルト拡大光学系１５に加えて凹面鏡や平面鏡がさらに設けられていてもよい。

検査装置１００は、シュバルツシルト拡大光学系１５を用いて暗視野照明観察を行っている。多層膜平面鏡１２で反射したＥＵＶ光ＥＵＶ１２がマスク１４を照明するとともに、多層膜平面鏡１２の外側を通過したマスク１４からの散乱光ＥＵＶ光Ｓ１１、Ｓ１２がシュバルツシルト拡大光学系１５を介してＴＤＩカメラ１９で検出される。そして、ＴＤＩカメラ１９で撮像された画像に基づいて、欠陥が検出される。なお、欠陥検出については、公知の手法を用いることができるため、説明を省略する。

また、マスク１４には、アライメントを行うためのフィデューシャルマーク（アライメントマーク）が設けられている。フィデューシャルマークの座標（ＸＹ位置）を基準座標として、欠陥座標が検出される。例えば、ＴＤＩカメラ１９によってフィデューシャルマークを検出して、フィデューシャルマークの座標を基準となる座標とする。ステージ１３を所定の位置まで移動した後、ＴＤＩカメラ１９がマスク１４を撮像する。そして、ＴＤＩカメラ１９で撮像された撮像画像に基づいて、処理装置１６が欠陥を検出する。撮像画像内における欠陥の位置（画素座標）と、フィデューシャルマークの座標と、ステージ１３の駆動量とを基にして、マスク１４における欠陥座標（ＸＹ位置）が検出される。

次に、マスク１４に形成されたフィデューシャルエリア、及びフィデューシャルマークについて図２を用い説明する。図２は、マスク１４に形成されたフィデューシャルエリアを示すＸＹ平面図である。さらに、図２の下部には、フィデューシャルエリア２１を拡大して示している。

例えば、マスク１４が１５２ｍｍ□とすると、転写される領域は１００ｍｍ〜１２０ｍｍ□程度であり、フィデューシャルエリア２１としては、５０μｍ□程度の大きさである。もちろん、フィデューシャルエリア２１の数、大きさ、及び配置は特に限定されるものではない。なお、図２では、露光される領域に２つの欠陥２２が付着している。

フィデューシャルエリア２１には、フィデューシャルマーク２３が形成されている。フィデューシャルマーク２３は、ＸＹ平面視において十字形状の十字パターンにより形成されている。フィデューシャルマーク２３は、Ｘ方向に沿った２本のエッジ２３ａと、Ｙ方向に沿った２本のエッジ２３ｂとを備えている。フィデューシャルマーク２３を基準として、欠陥２２の座標を検出する。すなわち、フィデューシャルマーク２３の座標を検出し、フィデューシャルマーク２３の検出座標からのステージ１３の駆動量（移動距離）等から欠陥座標が求められる。

ディフェクトミチゲーションでは、パターン描画のステップにおいて、欠陥２２が転写しないように、マスク１４に吸収体のパターンを形成している。例えば、露光された領域の全ての欠陥２２が吸収体のパターンの直下になるように、吸収体のパターンが形成される。吸収体のパターン直下に、欠陥２２があるマスクを用いて露光すると、欠陥２２が半導体ウェハに転写しない。すなわち、吸収体の直下に欠陥２２があったとしても、吸収体で光が吸収されるため、パターン異常が発生しない。これにより、半導体の生産性を向上することができる。

次に、フィデューシャルマーク２３の座標を検出する手法について説明する。図３は、処理装置１６の構成を示すブロック図である。処理装置１６は、第１記憶部６１と、第２記憶部６２と、逆畳み込み演算部６３と、座標算出部６４とを備えている。

第１記憶部６１は、ＴＤＩカメラ１９で撮像されたマスク１４の撮像画像を記憶する。撮像画像には、マスク１４のフィデューシャルマーク２３が含まれている。例えば、検査終了時などにおいて、ステージ１３を駆動して、マスク１４のフィデューシャルエリア２１に移動する。そして、ＴＤＩカメラ１９が撮像した画像（以下、撮像画像）を第１記憶部６１が記憶する。撮像画像では、ＸＹ座標（ＸＹ位置）と、輝度データとが対応付けられている。なお、ＸＹ座標は、ＴＤＩカメラ１９における画素座標であってもよく、ＴＤＩカメラ１９の１画素の大きさに応じた実座標であってもよい。

第２記憶部６２は、逆畳み込み演算に用いられる基準画像を記憶する。基準画像では、ＸＹ座標（ＸＹ位置）と、輝度データとが対応付けられている。なお、ＸＹ座標は、ＴＤＩカメラ１９における画素座標であってもよく、ＴＤＩカメラ１９の１画素の大きさに応じた実寸法であってもよい。基準画像は、撮像画像と同じサイズとなっている。例えば、基準画像と撮像画像は１０２４画素×１０２４画素の２次元画像である。

基準画像としては、フィデューシャルマーク２３を含む画像を用いることができる。ここでは、第２記憶部６２は、フィデューシャルマーク２３のＸＹ座標が既知となっている画像を基準画像として記憶している。例えば、フィデューシャルマーク２３が中心に存在する画像が基準画像として用いられる。基準画像は、検査装置１００のＴＤＩカメラ１９によって取得された画像である。例えば、エッジ検出などの手法によって、画像内におけるフィデューシャルマーク２３のＸＹ座標を求めることで、基準画像を得ることができる。

逆畳み込み演算部６３は、基準画像と撮像画像とを用いて逆畳み込み演算を行うことで、逆畳み込み演算データを生成する。座標算出部６４は、逆畳み込み演算データに基づいて、フィデューシャルマーク２３の座標を検出する。

以下、逆畳み込み演算処理によって、フィデューシャルマークの座標を検出することができる理由について説明する。物体の形状を示す関数をｆ、任意の畳み込み関数をｇとすると、畳み込み積分（ｆ＊ｇ）（ｔ）は以下の式（１）で示される。

なお、式（１）において、ｕは位置を示す変数である。以下,説明の簡略化のため、１次元の場合について説明する。ｆ（ｕ）、ｇ（ｕ）は、位置ｕにおける輝度データを示す。ここで、関数ｇを、デルタ関数δをａだけオフセットさせた関数とすると、以下の式（２）が得られる。

ここで、ｕ＝ｔ−ａのとき、δ（ｔ−ａ−ｕ）＝１である。したがって、ｕ＝ｔ−ａのとき、（ｆ＊ｇ）（ｔ）＝ｆ（ｔ−ａ）となる。すなわち、ｆ（ｔ）にｇ（ｔ）＝δ（ｔ−ａ）で定義する関数を畳み込み積分すると、ｆ（ｔ−ａ）とａだけオフセットした物体像が得られる。

上記の関係から、基準画像をｆ（ｔ）と定め、基準画像の位置がａだけオフセットした画像を畳み込み積分の結果である（ｆ＊ｇ）（ｔ）と定めると、（ｆ＊ｇ）（ｔ）をｆ（ｔ）で逆畳み込み演算を行った結果は、δ（ｔ−ａ）で表すことができる。すなわち、逆畳み込み画像が１となるｔの値ａを求めることで、画像のオフセット量を見積もることができる。

これらの原理を応用することで、任意の形状を持った画像に対する位置のシフト量を求めることが可能となる。例えば、基準画像を（ｆ＊ｇ）（ｔ）、撮像画像をｆ（ｔ）と仮定する。基準画像と撮像画像とを用いて逆畳み込み演算を行うことで、逆畳み込み画像ｇ（ｔ）を求めることができる。そして、逆畳み込み画像ｇ（ｔ）＝δ（ｔ−ａ）が１となるａの値が画像のオフセット量として算出される。

上記した通り、撮像画像と基準画像が完全に一致する場合、中央に１を持つδ関数が逆畳み込み画像となる。撮像画像と基準画像が完全に一致する場合について、図４を用いて説明する。図４において、Ａは基準画像、Ｂは撮像画像、Ｃは逆畳み込み画像を示す。また、図４のＣでは、逆畳み込み画像の中心位置を拡大して示している、図４では、各画像Ａ〜Ｃが１０２４画素（Ｘ）×１０２４画素（Ｙ）から構成されている。

基準画像Ａでは、十字のフィデューシャルマークがＸＹ方向の中心に存在している。また、撮像画像Ｂは基準画像Ａと一致している。このため、撮像画像Ｂでも、十字のフィデューシャルマークがＸＹ方向の中心に存在している。撮像画像Ｂを用いて、基準画像Ａに対して逆畳み込み演算を行うことで、逆畳み込み画像Ｃが得られる。逆畳み込み画像Ｃでは中心に輝点が存在する画像となる。すなわち、理想的には、逆畳み込み画像は中心（５１２、５１２）の輝度データが１．０となり、その他の輝度データが０となる画像となる。

例えば、基準画像Ａに点像分布関数（Ｐｏｉｎｔ Ｓｐｒｅａｄ Ｆｕｎｃｔｉｏｎ）を畳み込んだ画像が撮像画像Ｂになる。したがって、基準画像Ａと撮像画像Ｂが一致する場合、点像分布関数は、中心を１とするδ関数δ（ｔ）となる。すなわち、図４では、点像分布関数（Ｐｏｉｎｔ Ｓｐｒｅａｄ Ｆｕｎｃｔｉｏｎ）は、中心での輝度データを１とし、その他の輝度データを０とするδ関数となる。

一方、撮像画像Ｂが基準画像Ａに対してａだけ位置ずれしている場合、逆畳み込み画像Ｃが１となる位置がａだけオフセットしたδ関数δ（ｔ−ａ）が得られる。よって、ａを求めることで、位置ずれ量を求めることができる。すなわち、撮像画像Ｂが基準画像Ａからａだけずれた場合、点像分布関数（Ｐｏｉｎｔ Ｓｐｒｅａｄ Ｆｕｎｃｔｉｏｎ）は、ａでの輝度データを１とし、その他の輝度データが０となるδ関数となる。

撮像画像Ｂが基準画像Ａに対して、シフトした場合について、図５を用いて説明する。図５では、撮像画像Ｂが基準画像Ａに対してＸ方向（右）に１．５画素、Ｙ方向（下）に２．５画素ずれている。すなわち、撮像画像Ｂでは、十字のフィデューシャルマークが右下にシフトしている。図５において、Ａは基準画像、Ｂは撮像画像、Ｃは逆畳み込み画像を示す。また、図５のＣでは、逆畳み込み画像の中心位置を拡大して示している、図５では、各画像Ａ〜Ｃが１０２４画素（Ｘ）×１０２４画素（Ｙ）から構成されている。

基準画像Ａでは、十字のフィデューシャルマークがＸＹ方向の中心に存在している。撮像画像Ｂを用いて、基準画像Ａに対して逆畳み込み演算を行うことで、逆畳み込み画像Ｃが得られる。逆畳み込み画像Ｃでは輝点が画像中心から右下にシフトした画像となる。例えば、逆畳み込み画像Ｃでは、輝点が右に１画素、下に２画素ずれている。ここでは、輝点のシフト量は、基準画像Ａに対する撮像画像Ｂのシフト量に対応する。したがって、逆畳み込み演算データに基づいて、輝点の座標を求めることで、シフト量を求めることができる。例えば、輝点の中心座標が撮像画像と基準画像との間のシフト量に対応する。シフト量を求めることで、撮像画像内におけるフィデューシャルマーク２３の座標を正確に求めることができる。

具体的には、逆畳み込み演算部６３が基準画像Ａと撮像画像Ｂとを用いて、逆畳み込み演算を行う。これにより、逆畳み込みデータが得られる。逆畳み込みデータは、ＸＹ位置と輝度データとが対応付けられた逆畳み込み画像Ｃを構成する。

座標算出部６４は、逆畳み込み演算データから、シフト量を求める。具体的には、逆畳み込み画像Ｃの重心位置を求める。そして、座標算出部６４は、中心位置と重心位置との差をシフト量とする。すなわち、逆畳み込み画像Ｃの重心座標から画像の中心座標を減算することでシフト量を求めることができる。このようにすることで、基準画像に対する撮像画像のシフト量を簡便に算出することができる。基準画像におけるフィデューシャルマーク２３のＸＹ座標（を既知であるため、撮像画像におけるフィデューシャルマーク２３の座標を正確に検出することができる。

このように、逆畳み込み演算部６３が、逆畳み込み演算を行って、逆畳み込み演算データを生成している。そして、座標算出部６７４が基準画像Ａと撮像画像Ｃとのシフト量に基づいて、フィデューシャルマーク２３の座標を検出している。このようにすることで、フィデューシャルマーク２３を再現性良く正確に検出することができる。正確に座標を検出することができ、精度よくアライメントすることができる。また、フィデューシャルマーク２３のエッジ検出などが不要となるため、簡便な処理で座標を検出することができる。

さらに、基準画像Ａとして、検査装置１００の測定光学系を用いて撮像されたフィデューシャルマーク２３を含む画像を用いている。このため、任意の形状のフィデューシャルマーク２３に対して、画像処理を行うことができる。例えば、従来の座標検出方法では、フィデューシャルマークの種類に応じて、画像処理アルゴリズムを再考察する必要があったが、上記の画像処理方法では、任意の形状のフィデューシャルマークに対して座標検出することができる。

さらに、逆畳み込み画像の重心位置に基づいて、シフト量を算出している。これにより、サブピクセル単位でシフト量を算出することができる。さらに、輝点の拡がり等を解析することで、ノイズ、ボケ、画像の回転成分など、位置シフト以外の情報を数値化して得ることも可能となる。

なお、上記の説明では、基準画像Ａにおいて、フィデューシャルマーク２３が中心にあるとして説明したが、フィデューシャルマーク２３の位置は中心に限られるものではない。基準画像Ａ内におけるフィデューシャルマーク２３の位置が既知であれば、基準画像Ａと撮像画像Ｂとのシフト量から、フィデューシャルマーク２３の座標を正確に検出することができる。そして、撮像画像Ｂ内でのフィデューシャルマーク２３の座標をステージの座標に変換すればよい。こうすることで、正確にアライメントすることができ、欠陥座標の検出精度を高くすることができる。よって、ディフェクトミチゲーションにおいて、確実に欠陥を吸収体パターンで覆うことが可能になる。

なお、上記の説明では、基準画像Ａに対する撮像画像Ｂのシフト量を求めたが、撮像画像Ｂに対する基準画像Ａのシフト量を求めてもよい。この場合、逆畳み込み画像Ｃにおいて、輝点の座標が反対方向にシフトすることになる。この場合でも、正確に座標を検出することができる。

実施の形態２．
画像にボケがある場合、フィデューシャルマークの座標検出が正確に行えないことがある。フィデューシャルマークのエッジを線状の光源とみなして、撮像されたフィデューシャルマークのエッジ画像が線状に歪みを帯びているのが観察される。合焦位置からずれて撮像画像が取得された場合、フィデューシャルマークがぼけてしまう。そこで、本実施の形態では、フィデューシャルマークの撮像画像のエッジの歪みを線像分布関数ＬＳＦによるものとみなして、線像分布関数による逆畳み込み演算（デコンボリューション）を行っている。すなわち、エッジを線状の光源とみなして、線像分布関数を用いて逆畳み込み演算を行っている。

本実施の形態では、実施の形態１での処理装置１６での処理が異なっている。なお、処理装置１６の処理以外の基本的構成、及び処理については、実施の形態１と同様であるため、説明を省略する。例えば、検査装置１００の構成については、実施の形態１と同様である。

本実施の形態に係る処理装置１６の構成を図６に示す。図６では、図３の構成に加えて、プロファイルデータ生成部６５が示されている。第１記憶部６１には、実施の形態１と同様に撮像画像が記憶されている。

第２記憶部６２には、あらかじめ用意された線像分布関数（Ｌｉｎｅ Ｓｐｒｅａｄ Ｆｕｎｃｔｉｏｎ）が記憶されている。線像分布関数ＬＳＦは、検査装置１００の測定光学系を介して撮像されたエッジの特性を表現したデータである。線像分布関数は、１次元のデータであり、Ｘ方向、及びＹ方向の線像に対してそれぞれ求められている。例えば、Ｘ方向に沿ったライン（エッジ２３ａ）の線像分布関数ＬＳＦは、Ｙ座標と輝度データが対応付けられている。Ｙ方向に沿ったライン（エッジ２３ｂ）の線像分布関数ＬＳＦは、Ｘ座標と輝度データが対応付けられている。よって、Ｘ方向に沿ったラインの線像分布関数はＬＳＦ（ｙ）、Ｙ方向に沿ったラインの線像分布関数はＬＳＦ（ｘ）として表される。例えば、線像分布関数は、検査装置１００において線状の光源を撮像した画像に基づいて生成することができる。

プロファイルデータ生成部６５は、撮像画像に基づいて、Ｘ方向のプロファイルデータ、及びＹ方向のプロファイルデータを生成する。Ｘ方向のプロファイルデータは、Ｘ方向の位置と輝度データが対応付けられたデータである。Ｙ方向のプロファイルデータは、Ｙ方向の位置と輝度データが対応付けられたデータである。さらに、プロファイルデータ生成部６５は、Ｙ方向の位置毎に、Ｘ方向のプロファイルデータを抽出する。すなわち、Ｙ方向において異なる位置では、異なるプロファイルデータが生成される。よって、プロファイルデータ生成部６５は、Ｘ方向のプロファイルデータを複数生成する。具体的には、プロファイルデータ生成部６５は、Ｙ方向位置[Ｙ１、Ｙ２、Ｙ３、・・・]に対してプロファイルデータ[Ｐ_Ｙ１（ｘ）、Ｐ_Ｙ２（ｘ）、Ｐ_Ｙ３（ｘ）・・・]を生成する。

同様に、プロファイルデータ生成部６５は、Ｘ方向の位置毎に、Ｙ方向のプロフィルデータを抽出する。したがって、プロファイルデータ生成部６５は、Ｙ方向のプロファイルデータを複数生成する。具体的には、プロファイルデータ生成部６５は、Ｘ方向位置[Ｘ１、Ｘ２、Ｘ３、・・・]に対してプロファイルデータ[Ｐ_Ｘ１（ｙ）、Ｐ_Ｘ２（ｙ）、Ｐ_Ｘ３（ｙ）・・・]をそれぞれ生成する。

逆畳み込み演算部６３は、線像分布関数とプロファイルデータとを用いて逆畳み込み演算を行う。こうすることで、逆畳み込み演算データが生成される。逆畳み込み演算部６３は、Ｘ方向のプロファイルデータＰ（ｘ）と、Ｙ方向に沿ったラインの線像分布関数ＬＳＦ（ｘ）とを用いて逆畳み込み演算を行う。同様に、逆畳み込み演算部６３は、Ｙ方向のプロファイルデータＰ（ｙ）と、Ｘ方向に沿ったラインの線像分布関数ＬＳＦ（ｙ）とを用いて逆畳み込み演算を行う。

図７と図８とを用いて、逆畳み込み演算処理について説明する。図７は、逆畳み込み演算前のデータを示す図である。具体的には、図７のＡは２次元の撮像画像、ＢはＸ方向のプロファイルデータ、ＣはＹ方向に沿ったラインの線像分布関数ＬＳＦ（ｘ）を示している。図８は、線像分布関数ＬＳＦを用いて逆畳み込み演算処理された逆畳み込み演算データを示す図である。図８のＡは２次元の逆畳み込み画像、ＢはＸ方向における逆畳み込み演算したプロファイルデータ（１次元の逆畳み込みデータ）、Ｃは線像分布関数ＬＳＦ（ｘ）を示している。図７のＡ、図８のＡでは、フィデューシャルマークの縦方向（Ｙ方向）に沿ったエッジを拡大して示している。

逆畳み込み演算を行う前の画像データでは、図７のＡに示すように、撮像画像がぼけている。したがって、図７のＢに示すように、Ｘ方向のプロファイルデータＰ（ｘ）において、エッジのピークが低くなっている。逆畳み込み演算を行わない場合、フィデューシャルマークのエッジの位置を精度よく検出することが困難になっている。

逆畳み込み演算を行うと、図８のＡに示すように、画像のボケが低減される。このため、図８のＢに示すように、１次元の逆畳み込みプロファイルデータのようにエッジのピークが高くなる。したがって、フィデューシャルマークのエッジの位置を精度よく検出することが困難になっている。

逆畳み込み演算部６３は、複数のＸ方向のプロファイルデータ[Ｐ_Ｙ１（ｘ）、Ｐ_Ｙ２（ｘ）、Ｐ_Ｙ３（ｘ）・・・]に対して、それぞれ逆畳み込み演算を行う。Ｘ方向のプロファイルデータ[Ｐ_Ｙ１（ｘ）、Ｐ_Ｙ２（ｘ）、Ｐ_Ｙ３（ｘ）・・・]に対する逆畳み込み演算は、共通の線像分布関数ＬＳＦ（ｘ）を用いて実施される。

それぞれの逆畳み込み演算データは、１次元のデータとなる。座標算出部６４が、複数の１次元逆畳み込み演算データを合成することで、２次元の逆畳み込み画像が形成される。そして、フィデューシャルマークのエッジを検出することで、座標算出部６４は、画像内におけるフィデューシャルマークのＸ座標を検出する。

例えば、座標算出部６４は、それぞれのＹ座標（Ｙ１，Ｙ２，Ｙ３・・・）において、十字のフィデューシャルマークのエッジの中心位置をエッジ座標として求める。そして、左右の２つのエッジ２３ｂのエッジ座標の中間を各Ｙ座標でのフィデューシャルマークのＸ座標（Ｅ_Ｙ１、Ｅ_Ｙ２、Ｅ_Ｙ３・・・）とする。複数のＸ座標におけるフィデューシャルマークのＸ座標（Ｅ_Ｙ１、Ｅ_Ｙ２、Ｅ_Ｙ３・・・）の平均値をフィデューシャルマークのＸ座標とする。このようにして、フィデューシャルマークのＸ方向位置（Ｘ座標）が求められる。

逆畳み込み演算部６３は、Ｙ方向のプロファイルデータに対しても、上記と同様に逆畳み込み演算を行う。逆畳み込み演算部６３は、共通のＬＳＦ（ｙ）を用いて、[Ｐ_Ｘ１（ｙ）、Ｐ_Ｘ２（ｙ）、Ｐ_Ｘ３（ｙ）・・・]に対して逆畳み込み演算を行う。これにより、Ｘ方向位置毎に、１次元（Ｙ方向）の逆畳み込み演算データが生成される。そして、複数の逆畳み込み演算データを合成することで、２次元の逆畳み込み画像が生成される。そして、フィデューシャルマークのエッジを検出することで、座標算出部６４は、画像内におけるフィデューシャルマークのＹ座標を検出する。

例えば、座標算出部６４は、それぞれのＸ座標（Ｘ１，Ｘ２，Ｘ３・・・）において、十字のフィデューシャルマークのエッジの中心位置をエッジ座標として求める。そして、上下２つのエッジ２３ａのエッジ座標の中間を各Ｘ座標でのフィデューシャルマークのＹ座標（Ｅ_ｘ１、Ｅ_ｘ２、Ｅ_ｘ３・・・）とする。そして、複数のＸ座標におけるフィデューシャルマークのＹ座標（Ｅ_ｘ１、Ｅ_ｘ２、Ｅ_ｘ３・・・）の平均値をフィデューシャルマークのＹ座標とする。このようにして、フィデューシャルマークのＹ方向位置（Ｙ座標）が求められる。

このように、本実施の形態では、逆畳み込み演算部６３が、線像分布関数を用いて、１次元の逆畳み込み演算を行っている。これにより、エッジの歪みを補正した逆畳み込み演算データを生成することができる。逆畳み込み演算データを用いることで、フィデューシャルマークのＸＹ座標（中心座標）を正確に求めることができる。

このようにすることで、再現性良くフィデューシャルマークの座標を検出することができる。よって、欠陥座標を精度よく検出することができる。例えば、焦点位置が最適な合焦面からずれて画像が取得された場合であっても、点像分布関数によって、エッジの歪みを補正することができる。よって、座標の検出精度を高くすることができる。

本実施の形態に係る座標検出方法の一例について以下に説明する。まず、予め測定光学系の特性を表現した点像分布関数のデータを用意する。そして、フィデューシャルマークを撮像して、エッジ部の一定の了以域を処理対象域とする。そして、エッジの垂直方向のプロファイルデータに対して１次元の逆畳み込み演算を行う。これにより、プロファイルデータが補正される。エッジの横方向の全画素位置に対して、プロファイルデータの逆畳み込み演算を行う。

そして、補正されたプロファイルデータを横並びに組み立てて、２次元画像とする。組み立てられたエッジ画像に対して、エッジの中心位置を求める。フィデューシャルマークの縦横のエッジを同様に処理して、縦横の対向するエッジの中心間の線分を求める。そして縦方向の線分と横方向の線分の交点をフィデューシャルマークの中心座標とする。こうすることで、再現性良く座標を検出することができる。画像がぼけた場合であっても、正確に座標を検出することができる。

また、プロファイルデータ生成部６５が、複数のＸ座標においてＹ方向プロファイルデータを生成している。逆畳み込み演算部６３がＹ方向プロファイルデータのそれぞれに対して、１次元の逆畳み込み演算を行っている。座標算出部６４が、複数の逆畳み込み演算結果に基づいて、フィデューシャルマークのＹ座標を検出している。こうすることで、正確にＹ座標を検出することができる。同様に、プロファイルデータ生成部６５が、Ｙ座標毎にＸ方向プロファイルデータを生成している。逆畳み込み演算部６３がＸ方向プロファイルデータのそれぞれに対して、１次元の逆畳み込み演算を行っている。座標算出部６４が、複数の逆畳み込み演算結果に基づいて、フィデューシャルマークのＸ座標を検出している。こうすることで、正確にＸ座標を検出することができる。よって、正確にＸＹ座標を検出することができる。また、逆畳み込み演算部６３が、１次元の逆畳み込み演算を行っているため、２次元の逆畳み込み演算を行う必要がなくなる。よって、処理を簡素化することができる。

上記の実施の形態１、２では、フィデューシャルマークの座標を検出する例について説明したが、本発明は、試料に設けられた任意のパターンの座標検出に適用することが可能になる。すなわち、撮像部によって撮像可能なパターンであれば、パターンの位置情報を取得することが可能になる。本実施形態に係る座標検出装置は、例えば、欠陥の位置特定にも適用することができる。また、本発明は、マスクパターンの位置を特定して、マッチングを取るなどのアプリケーションにも適用可能である。また、実施の形態２では、線状のエッジを有するパターンについて、座標を検出することができる。

以上、本発明の実施形態を説明したが、本発明はその目的と利点を損なうことのない適宜の変形を含み、更に、上記の実施形態よる限定は受けない。

１００ 検査装置
１１ 照明装置
１２ 多層膜平面鏡
１３ ステージ
１４ マスク
１５ シュバルツシルト拡大光学系
１５ａ 穴付き凹面鏡
１５ｂ 凸面鏡
１６ 処理装置
１９ ＴＤＩカメラ
２１ フィデューシャルエリア
２２ 欠陥
２３ フィデューシャルマーク
６１ 第１記憶部
６２ 第２記憶部
６３ 逆畳み込み演算部
６４ 座標算出部
６５ プロファイルデータ生成部

Claims (11)

1. パターンが設けられた試料を照明する照明光を発生する照明光源と、
   前記照明光源からの照明光によって照明された前記試料を撮像する撮像部と、
   前記撮像部で撮像された撮像画像に基づいて、前記パターンの座標を算出する処理装置と、を備え、
   前記処理装置が、
   前記パターンを含む撮像画像に対して逆畳み込み演算を行って、逆畳み込み演算データを生成する逆畳み込み演算部と、
   前記逆畳み込み演算部で生成された逆畳み込み演算データに基づいて、前記撮像画像内における前記パターンの座標を算出する座標算出部と、を備えた座標検出装置。
2. 前記逆畳み込み演算部が、前記パターンを含む基準画像と前記撮像画像とを用いて逆畳み込み演算を行うことで、逆畳み込み画像を生成する請求項１に記載の座標検出装置。
3. 前記座標算出部が、前記逆畳み込み演算データに基づく逆畳み込み画像の重心位置に基づいて、前記パターンの座標を算出している請求項２に記載の座標検出装置。
4. 前記撮像画像から、前記パターンの線状のエッジに沿った第１の方向と垂直な第２の方向におけるプロファイルデータを生成するプロファイルデータ生成部をさらに備え、
   線像分布関数を用いて、前記プロファイルデータに逆畳み込み演算を行うことを特徴とする請求項１に記載の座標検出装置。
5. 前記第１の方向において異なる位置での前記プロファイルデータを抽出することで、複数の前記プロファイルデータを生成し、
   前記複数のプロファイルデータのそれぞれに対して、前記線像分布関数を用いた逆畳み込み演算を行っている請求項４に記載の座標検出装置。
6. 請求項１〜５のいずれか１項に記載の座標検出装置を備えた検査装置であって、
   前記パターンの座標に基づいて、欠陥の座標を検出する検査装置。
7. パターンが設けられた試料を照明する照明光を発生するステップと、
   前記照明光によって照明された前記試料を撮像するステップと、
   撮像された撮像画像に基づいて、前記パターンの座標を算出するステップと、を備え、
   前記パターンの座標を算出するステップとでは、
   前記パターンを含む撮像画像に対して逆畳み込み演算を行って、逆畳み込み演算データを生成し
   前記逆畳み込み演算部で生成された逆畳み込み演算データに基づいて、前記撮像画像内における前記パターンの座標を算出する、座標検出方法。
8. 前記パターンを含む基準画像と前記撮像画像とを用いて逆畳み込み演算を行うことで、逆畳み込み画像を生成する請求項７に記載の座標検出方法。
9. 前記逆畳み込み演算データに基づく逆畳み込み画像の重心位置に基づいて、前記パターンの座標を算出している請求項８に記載の座標検出方法。
10. 前記撮像画像から、前記パターンの線状のエッジに沿った第１の方向と垂直な第２の方向におけるプロファイルデータを生成するプロファイルデータ生成部をさらに備え、
    線像分布関数を用いて、前記プロファイルデータに逆畳み込み演算を行うことを特徴とする請求項７に記載の座標検出方法。
11. 前記第１の方向において異なる位置での前記プロファイルデータを抽出することで、複数の前記プロファイルデータを生成し、
    前記複数のプロファイルデータのそれぞれに対して、前記線像分布関数を用いた逆畳み込み演算を行っている請求項１０に記載の座標検出方法。