JP2020136368A - 画像生成装置、検査装置及び画像生成方法 - Google Patents
画像生成装置、検査装置及び画像生成方法 Download PDFInfo
- Publication number
- JP2020136368A JP2020136368A JP2019025134A JP2019025134A JP2020136368A JP 2020136368 A JP2020136368 A JP 2020136368A JP 2019025134 A JP2019025134 A JP 2019025134A JP 2019025134 A JP2019025134 A JP 2019025134A JP 2020136368 A JP2020136368 A JP 2020136368A
- Authority
- JP
- Japan
- Prior art keywords
- image
- substrate
- frame pattern
- inspection
- defect
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000007689 inspection Methods 0.000 title claims abstract description 107
- 238000000034 method Methods 0.000 title claims description 43
- 230000007547 defect Effects 0.000 claims abstract description 90
- 238000012545 processing Methods 0.000 claims abstract description 63
- 238000010801 machine learning Methods 0.000 claims abstract description 20
- 239000000758 substrate Substances 0.000 claims description 158
- 239000004065 semiconductor Substances 0.000 claims description 16
- 238000013135 deep learning Methods 0.000 claims description 10
- 238000000576 coating method Methods 0.000 claims description 7
- 239000011248 coating agent Substances 0.000 claims description 6
- 239000000126 substance Substances 0.000 claims description 4
- 230000002194 synthesizing effect Effects 0.000 claims description 3
- 230000002950 deficient Effects 0.000 abstract description 8
- 238000003384 imaging method Methods 0.000 description 20
- 238000003860 storage Methods 0.000 description 12
- 238000013527 convolutional neural network Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000005286 illumination Methods 0.000 description 5
- 238000009826 distribution Methods 0.000 description 4
- 238000011176 pooling Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000013067 intermediate product Substances 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 125000002066 L-histidyl group Chemical group [H]N1C([H])=NC(C([H])([H])[C@](C(=O)[*])([H])N([H])[H])=C1[H] 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000000206 photolithography Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000011282 treatment Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
- G06T7/001—Industrial image inspection using an image reference approach
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
- G06T7/0008—Industrial image inspection checking presence/absence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/77—Retouching; Inpainting; Scratch removal
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
- H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
- H01L21/67—Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere
- H01L21/67005—Apparatus not specifically provided for elsewhere
- H01L21/67242—Apparatus for monitoring, sorting or marking
- H01L21/67294—Apparatus for monitoring, sorting or marking using identification means, e.g. labels on substrates or labels on containers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30148—Semiconductor; IC; Wafer
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Power Engineering (AREA)
- Computing Systems (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- Manufacturing & Machinery (AREA)
- Computer Hardware Design (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Mathematical Physics (AREA)
- Medical Informatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Image Analysis (AREA)
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
- Image Processing (AREA)
Abstract
【課題】基板画像中の欠陥部分の認識精度を向上させる。【解決手段】基板の欠陥に関する検査用の基板画像を生成する画像生成装置であって、基板の表面には、当該基板に対する処理レシピの種類毎に固有なパターンである枠パターンが形成されており、当該画像生成装置は、事前の機械学習により得られた、基板画像に含まれる前記枠パターンの画像を識別する識別モデルに基づいて、検査対象の基板画像における、前記枠パターンに相当する領域を推定する領域推定部と、前記領域推定部による推定結果に基づいて、前記検査対象の基板画像から前記枠パターンの画像を消去し、検査用の基板画像を生成する消去処理部と、を有する。【選択図】図５
Description
本開示は、画像生成装置、検査装置及び画像生成方法に関する。
特許文献１には、被検査対象の基板を撮像した撮像データから欠陥の有無を検出する欠陥検査方法が開示されている。より詳細には、特許文献１の欠陥検査方法は、複数種の膜が積層された基板の欠陥検査に係るものであり、各々種類の異なる一つの膜のみが成膜されていない複数の基板の撮像データが膜種毎にカテゴリ分けされ、教示データとして予めデータベースに記録されている。この状態において、特許文献１の欠陥検査方法では、複数種の膜が積層された被検査対象の基板を撮像し撮像データを取得し、取得した撮像データから欠陥の有無を検出する。また、検出された欠陥の領域の色情報を、所定の表色系に準ずる値として抽出すると共に、データベースに記録された全ての膜種の教示データから、検出された欠陥の領域と同領域の色情報を、上記所定の表色系に準ずる値として膜種毎に抽出する。そして、検出された欠陥の領域の色情報と、上記教示データから抽出された色情報との相違度を膜種毎に算出し、相違度が所定値より小さい場合に、その色情報を有する教示データにおいて成膜されていない膜と同種の膜に欠陥を有すると判定する。
本開示にかかる技術は、基板画像中の欠陥部分の認識精度を向上させる。
本開示の一態様は、基板の欠陥に関する検査用の基板画像を生成する画像生成装置であって、基板の表面には、当該基板に対する処理レシピの種類毎に固有なパターンである枠パターンが形成されており、当該画像生成装置は、事前の機械学習により得られた、基板画像に含まれる前記枠パターンの画像を識別する識別モデルに基づいて、検査対象の基板画像における、前記枠パターンに相当する領域を推定する領域推定部と、前記領域推定部による推定結果に基づいて、前記検査対象の基板画像から前記枠パターンの画像を消去し、検査用の基板画像を生成する消去処理部と、を有する。
本開示によれば、基板画像中の欠陥部分の認識精度を向上させることができる。
例えば半導体デバイスの製造プロセスにおけるフォトリソグラフィー工程では、半導体ウェハ（以下、「ウェハ」という。）上に所定のレジストパターンを形成するために所定の一連の処理が行われる。上記所定の一連の処理には、レジスト液を塗布してレジスト膜を形成する塗布処理、レジスト膜を所定のパターンに露光する露光処理、露光されたレジスト膜に現像液を塗布して現像する現像処理等が含まれる。
上記所定の一連の処理が終了したウェハＷに対しては欠陥検査が行われる。この欠陥検査とは、所定のレジストパターンが形成されているか否かの検査や、ウェハへの傷や異物の付着の有無の検査等である。
近年では、欠陥検査に、検査対象のウェハを撮像した撮像画像が用いられることがある。撮像画像を用いた欠陥検査は、基本的に、装置により自動的に行われ、ユーザが自分の視覚情報に基づいて行う場合もある。
また、上述の欠陥検査に用いる撮像画像は、ウェハに形成された欠陥の種類の判定にも用いられている。欠陥の種類と欠陥の発生原因には相関があるため、上述のように欠陥の種類を判定し、その判定結果に基づく欠陥の原因の推定等が行われている。
また、上述の欠陥検査に用いる撮像画像は、ウェハに形成された欠陥の種類の判定にも用いられている。欠陥の種類と欠陥の発生原因には相関があるため、上述のように欠陥の種類を判定し、その判定結果に基づく欠陥の原因の推定等が行われている。
しかし、ウェハの撮像画像には、図１に示すように、当該ウェハＷの半導体デバイスＤの形成領域（デバイス形成領域）Ｒ１より外側の非デバイス形成領域Ｒ２の画像が含まれることがある。また、ウェハＷの表面には、半導体デバイス（その中間生産物を含む。）Ｄ間の境界線Ｌ等、規則性を有する線が形成されることがある。この境界線Ｌ等の画像も、ウェハＷの撮像画像に含まれる。そのため、ウェハＷの撮像画像を用いた検査において、上記非デバイス形成領域Ｒ２に形成された欠陥を認識できなかったり、境界線Ｌを欠陥として認識してしまったりして、欠陥に関する検査を正確にできないことがある。
ウェハＷの撮像画像から非デバイス形成領域Ｒ２や境界線Ｌの画像を消去すれば、正確な検査を行うことができる。しかし、非デバイス形成領域Ｒ２や境界線Ｌの種類は、ウェハＷに対して行われる処理レシピの種類毎に固有であり、多数存在する。このように処理レシピの種類毎に固有なパターン（以下、「枠パターン」という。）を消去すべき部分として指定するのは困難である。例えば、非デバイス形成領域Ｒ２の指定方法として、ウェハＷの中心からの径方向に関する距離によって指定する方法が考えられる。しかし、ウェハＷのデバイス形成領域Ｒ１の周縁部は階段状であるため、この方法では、消去すべき部分としての非デバイス形成領域Ｒ２のみを適切に指定することができない。
つまり、ウェハＷの画像に非デバイス形成領域Ｒ２や境界線Ｌの画像等が含まれる場合において、装置または人による当該ウェハＷの画像における欠陥部分の認識精度に改善の余地があった。
そこで、本開示にかかる技術は、基板画像中の欠陥部分の認識精度を向上させる。
以下、本実施形態にかかる基板処理装置及び検査方法を、図面を参照して説明する。なお、本明細書及び図面において、実質的に同一の機能構成を有する要素については、同一の符号を付することにより重複説明を省略する。
図２は、本実施形態にかかる画像生成装置としての検査装置を備える検査システム１の構成の概略を示すブロック図である。図３及び図４は、撮像装置の概略構成を示す横断面図及び縦断面図である。図５は、検査装置の制御部の構成を概略的に示すブロックである。
検査システム１は、図２に示すように、基板処理装置２と、画像生成装置としての検査装置３とを有する。基板処理装置２と、検査装置３とは、ローカルエリアネットワーク（ＬＡＮ）やインターネットといったネットワークを介して接続されている。
基板処理装置２は、塗布現像処理装置等の半導体製造装置である。基板処理装置２は、基板としてのウェハＷに対しレジスト膜形成のための塗布処理等の各種処理を行う処理ユニット２１１〜２１ｑと、基板処理装置２内でウェハＷの搬送を行う搬送ユニット２２１〜２２ｒと、を有する。また、基板処理装置２は、欠陥検査用の撮像ユニット２３１〜２３ｓを有する。さらに、基板処理装置２は、処理ユニット２１１〜２１ｑ（以下、まとめて「処理ユニット２１」と称することがある。）や搬送ユニット２２１〜２２ｒ（以下、まとめて「搬送ユニット２２」と称することがある。）、撮像ユニット２３１〜２３ｓ（以下、まとめて「撮像ユニット２３」と称することがある。）等を制御する制御部２４を有する。さらに、基板処理装置２は各種情報を表示する表示部２５を有する。
ここで、撮像ユニット２３について説明する。
撮像ユニット２３は、図３に示すようにケーシング１１０を有している。ケーシング１１０内には、図４に示すようにウェハＷを載置する載置台１２０が設けられている。この載置台１２０は、モータなどの回転駆動部１２１によって、回転、停止が自在である。ケーシング１１０の底面には、ケーシング１１０内の一端側（図４中のＸ方向負方向側）から他端側（図４中のＸ方向正方向側）まで延伸するガイドレール１２２が設けられている。載置台１２０と回転駆動部１２１は、ガイドレール１２２上に設けられ、駆動部１２３によってガイドレール１２２に沿って移動できる。
撮像ユニット２３は、図３に示すようにケーシング１１０を有している。ケーシング１１０内には、図４に示すようにウェハＷを載置する載置台１２０が設けられている。この載置台１２０は、モータなどの回転駆動部１２１によって、回転、停止が自在である。ケーシング１１０の底面には、ケーシング１１０内の一端側（図４中のＸ方向負方向側）から他端側（図４中のＸ方向正方向側）まで延伸するガイドレール１２２が設けられている。載置台１２０と回転駆動部１２１は、ガイドレール１２２上に設けられ、駆動部１２３によってガイドレール１２２に沿って移動できる。
ケーシング１１０内の他端側（図４のＸ方向正方向側）の側面には、撮像部１３０が設けられている。撮像部１３０には、例えば広角型のＣＣＤカメラが用いられる。ケーシング１１０の上部中央付近には、ハーフミラー１３１が設けられている。ハーフミラー１３１は、撮像部１３０と対向する位置に、鏡面が鉛直下方を向いた状態から撮像部１３０の方向に向けて４５度上方に傾斜した状態で設けられている。ハーフミラー１３１の上方には、照明部１３２が設けられている。ハーフミラー１３１と照明部１３２は、ケーシング１１０内部の上面に固定されている。照明部１３２からの照明は、ハーフミラー１３１を通過して下方に向けて照らされる。したがって、この照射領域にある物体で反射した光は、ハーフミラー１３１でさらに反射して、撮像部１３０に取り込まれる。すなわち、撮像部１３０は、照明部１３２による照射領域にある物体を撮像することができる。そして撮像された画像は、制御部２４に入力される。
撮像ユニット２３では、ウェハＷがガイドレール１２２に沿ってケーシング１１０内の一端側から他端側（図４のＸ方向負方向側からＸ方向正方向側）に向けて移動しているときに、撮像部１３０が間欠的に撮像を行い、ウェハＷの表面全体を撮像する。その結果、制御部２４において、ウェハ表面全体の画像データが取得される。
なお、以下では、ウェハ表面全体の画像データを基板画像といい、基板画像のうち撮像により得られたものを撮像画像という。また、検査対象ウェハＷに係る基板画像及び撮像画像を検査対象の基板画像及び撮像画像と省略することがある。
なお、以下では、ウェハ表面全体の画像データを基板画像といい、基板画像のうち撮像により得られたものを撮像画像という。また、検査対象ウェハＷに係る基板画像及び撮像画像を検査対象の基板画像及び撮像画像と省略することがある。
図２の説明に戻る。
制御部２４は、例えばＣＰＵやメモリ等を備えたコンピュータにより構成され、プログラム格納部（図示せず）を有している。プログラム格納部には、基板処理装置２における各種処理を制御するプログラムが格納されている。また、プログラム格納部には、基板撮像画像に基づく欠陥検査処理を実現するためのプログラムも格納されている。なお、上記プログラムは、コンピュータに読み取り可能な記憶媒体に記録されていたものであって、当該記憶媒体から制御部２４にインストールされたものであってもよい。プラグラムの一部または全ては専用ハードウェア（回路基板）で実現してもよい。
制御部２４は、例えばＣＰＵやメモリ等を備えたコンピュータにより構成され、プログラム格納部（図示せず）を有している。プログラム格納部には、基板処理装置２における各種処理を制御するプログラムが格納されている。また、プログラム格納部には、基板撮像画像に基づく欠陥検査処理を実現するためのプログラムも格納されている。なお、上記プログラムは、コンピュータに読み取り可能な記憶媒体に記録されていたものであって、当該記憶媒体から制御部２４にインストールされたものであってもよい。プラグラムの一部または全ては専用ハードウェア（回路基板）で実現してもよい。
基板処理装置２での欠陥検査処理において、欠陥があると判定された場合、該当する撮像画像は、検査装置３における検査対象の撮像画像として当該検査装置３へ出力される。
表示部２５は、液晶パネルや有機ＥＬパネル等から構成される表示デバイスである。
検査装置３は、検査対象の撮像画像に基づいて、検査対象ウェハＷに形成された欠陥の種類を判定するものであり、表示部３１と、制御部３２とを有する。
表示部３１は、基板処理装置２の表示部２５と同様、液晶パネルや有機ＥＬパネル等から構成される表示デバイスであり、欠陥の種類の判定結果等、各種情報を表示する。
制御部３２は、例えばＣＰＵやメモリ等を備えたコンピュータにより構成され、プログラム格納部（図示せず）を有している。プログラム格納部には、検査装置３における各種処理を制御するプログラムが格納されている。また、プログラム格納部には、後述のモデル取得処理や画像生成処理を含む欠陥種類判定処理を実現するためのプログラムも格納されている。なお、上記プログラムは、コンピュータに読み取り可能な記憶媒体に記録されていたものであって、当該記憶媒体から制御部３２にインストールされたものであってもよい。
制御部３２は、図５に示すように、モデル取得部３０１と、検査用画像生成部３０２と、判定部３０３、記憶部３０４とを有する。
モデル取得部３０１は、基板画像に含まれる枠パターンＰ（図１参照）の画像を識別する識別モデル（枠パターンＰの特徴量）を、事前の機械学習により取得する。上記「事前」とは、検査対象の撮像画像に基づく、検査対象ウェハＷに形成された欠陥の種類の判定に先立って、という意味である。基板画像に含まれる枠パターンＰの画像を識別する識別モデル（以下、「枠パターン識別モデル」と省略することがある。）は、より具体的には、基板画像の画素毎に当該画素が枠パターンに相当する画素であるかを判別するモデルである。
また、モデル取得部３０１での上記識別モデルの取得に用いられる機械学習は、例えばディープラーニングであり、より具体的には、学習のアルゴリズムとして、ＣＮＮ（Convolutional Neural Network）が用いられる。学習の手法としては、教師有り学習が用いられる。モデル取得部３０１による枠パターン識別モデルの機械学習の詳細は後述する。
また、モデル取得部３０１での上記識別モデルの取得に用いられる機械学習は、例えばディープラーニングであり、より具体的には、学習のアルゴリズムとして、ＣＮＮ（Convolutional Neural Network）が用いられる。学習の手法としては、教師有り学習が用いられる。モデル取得部３０１による枠パターン識別モデルの機械学習の詳細は後述する。
モデル取得部３０１における教師有り学習によるディープラーニングでは、モデル取得用の基板画像と、当該基板画像における枠パターンＰの画像の有無の情報とを含むデータセットが用いられる。このデータセットには、人工的に作成した以下の枠無し画像セットと、枠有り画像セットとの両方が含まれる。
図６に示すように、枠無し画像セットＳ１は、枠パターンＰが形成されておらず欠陥を有するウェハＷに係る人工的な基板画像である枠無し画像Ｓ１１を複数有し、枠無し画像Ｓ１１毎に欠陥分布が互いに異なっている。各枠無し画像Ｓ１１の欠陥分布は、人為的に作成したものであってもよいし、過去の実際の基板画像から作成したものであってもよい。
また、枠有り画像セットＳ２は、枠無し画像セットＳ１の基板画像（枠無し画像）Ｓ１１毎に、１対１で対応する枠有り画像Ｓ２１を有する。各枠有り画像Ｓ２１は、既知の枠パターンを有し欠陥が形成されていないウェハＷに係る基板画像に、対応する枠無し画像Ｓ１１を合成したものである。したがって、枠無し画像Ｓ１１と、対応する枠有り画像Ｓ２１とは、同じ位置に同じ欠陥の画像を有する。つまり、枠無し画像Ｓ１１と、対応する枠有り画像Ｓ２１とで、同じ欠陥画像分布を有する。なお、既知の枠パターンを有し欠陥が形成されていないウェハＷに係る基板画像は、例えば基板処理装置２の撮像ユニット２３を用いて取得され、当該基板処理装置２から検査装置３に出力される。
さらに、既知の枠パターンは複数あり、その既知の枠パターン毎に枠有り画像セットＳ２は作成される。つまり、モデル取得部３０１は、教師有り学習用のデータセットとして、枠無し画像セットＳ１と、当該セット１にそれぞれが対応する、複数の枠有り画像セットＳ２と、を含むデータセットを用いて、枠パターン識別モデルを取得する。
検査用画像生成部３０２は、モデル取得部３０１により事前に取得された枠パターン識別モデルを用いて、検査用の基板画像を生成する。この検査用画像生成部３０２は、領域推定部３２１と、消去処理部３２２とを有する。
領域推定部３２１は、モデル取得部３０１で事前に取得された枠パターン識別モデルに基づいて、検査対象の撮像画像における、枠パターンＰに相当する領域を推定する。具体的には、領域推定部３２１は、検査対象の撮像画像の各画素について、枠パターン識別モデルに基づいて、当該画素が枠パターンに相当する画素（枠パターン画素）であるか、当該画素が枠パターンではない部位に相当する画素（背景画素）であるかを判定する２クラス分類部３２１ａを有する。２クラス分類部３２１ａの詳細は後述する。そして、領域推定部３２１は、２クラス分類部３２１ａでの判定結果に基づいて、枠パターンＰに相当する領域（枠領域）、それ以外の領域（背景領域）を推定する。
領域推定部３２１は、モデル取得部３０１で事前に取得された枠パターン識別モデルに基づいて、検査対象の撮像画像における、枠パターンＰに相当する領域を推定する。具体的には、領域推定部３２１は、検査対象の撮像画像の各画素について、枠パターン識別モデルに基づいて、当該画素が枠パターンに相当する画素（枠パターン画素）であるか、当該画素が枠パターンではない部位に相当する画素（背景画素）であるかを判定する２クラス分類部３２１ａを有する。２クラス分類部３２１ａの詳細は後述する。そして、領域推定部３２１は、２クラス分類部３２１ａでの判定結果に基づいて、枠パターンＰに相当する領域（枠領域）、それ以外の領域（背景領域）を推定する。
消去処理部３２２は、領域推定部３２１による推定結果に基づいて、検査対象の撮像画像から枠パターンＰの画像を消去し、検査用の基板画像を生成する。具体的には、消去処理部３２２は、検査対象の撮像画像の枠領域が、当該撮像画像の背景領域の色で塗り潰されるよう処理をする。より具体的には、まず、検査対象の撮像画像であって予め決められた円形領域ＳＱのうち枠領域と判定されなかったデバイス形成領域Ｒ１の画素Ｂを抽出し、抽出した全ての画素Ｂの平均値を求め、撮像画像の背景領域の平均画素値とする。そして、消去処理部３２２は、検査対象の撮像画像の枠領域における各画素の画素値を、当該撮像画像の上記背景領域の平均画素値に変更する。なお、撮像画像の背景領域の平均画素値の決定方法は、上記手法に限らず、例えば、それぞれの枠領域に隣接する複数の画素Ｂの画素値の平均値を求めて用いる等、他の手法であってもよい。
判定部３０３は、消去処理部３２２により生成された検査用の基板画像に基づいて、検査対象ウェハＷに形成された欠陥の種類の判定を行う。判定部３０３は、例えば、各種情報を記憶する記憶部３０４に記憶の情報を用いて上記判定を行う。記憶部３０４には、代表的な欠陥を有するウェハＷに係る基板画像（以下、「代表欠陥基板画像」という。）が、当該欠陥の種類と紐づけられて記憶されている。判定部３０３は、記憶部３０４に記憶されている代表欠陥基板画像の中から、消去処理部３２２により生成された検査用の基板画像に類似する代表欠陥基板画像を抽出する。そして、判定部３０３は抽出された代表欠陥基板画像に紐づけられた欠陥の種類を、検査対象ウェハＷに形成された欠陥の種類として判定する。
類似する代表欠陥基板画像の抽出方法には、例えば、ディープラーニングを用いた方法や、パターンマッチングを用いた方法等がある。
なお、ディープラーニングを用いた方法では、例えば、検査用の基板画像の特徴量と、代表欠陥基板画像の特徴量とを、ディープラーニングを用いて抽出し、似た特徴量を有する代表欠陥基板画像を、検査用の基板画像に類似する基板画像として抽出する。より具体的には、畳み込みニューラルネットワークにおける出力層の直前の全結合層の出力を特徴ベクトルとしたときに、検査用の基板画像の特徴ベクトルに対するユークリッド距離が最も小さい特徴ベクトルを有する代表欠陥基板画像を、上記類似する基板画像として抽出する。
なお、ディープラーニングを用いた方法では、例えば、検査用の基板画像の特徴量と、代表欠陥基板画像の特徴量とを、ディープラーニングを用いて抽出し、似た特徴量を有する代表欠陥基板画像を、検査用の基板画像に類似する基板画像として抽出する。より具体的には、畳み込みニューラルネットワークにおける出力層の直前の全結合層の出力を特徴ベクトルとしたときに、検査用の基板画像の特徴ベクトルに対するユークリッド距離が最も小さい特徴ベクトルを有する代表欠陥基板画像を、上記類似する基板画像として抽出する。
判定部３０３による判定結果は、例えば、表示部３１を介して出力される。上記判定結果は、不図示の通信部を介して外部に送信するようにしてもよく、基板処理装置２に送信され、その表示部２５に表示されるようにしてもよい。
なお、記憶部３０４に記憶される代表欠陥基板画像は、例えば、検査用の基板画像生成時と同様な処理が行われ、元の基板画像から枠パターンＰの画像が消去されたものである。
次に、制御部３２における、モデル取得処理や画像生成処理を含む欠陥種類判定処理について説明する。図７及び図８を用いて説明する。図７は、検査対象の撮像画像の一例を示す図である。図８は、図７の検査対象の撮像画像から生成される、検査用の基板画像の一例を示す図である。
まず、枠パターン識別モデルを取得するため、枠無し画像セットＳ１と枠有り画像セットＳ２とを含むデータセットが不図示の入力部を介して入力され、例えば記憶部３０４に記憶される。
そして、モデル取得部３０１により、記憶部３０４に記憶された上記データセットを用いて、ディープラーニングによる枠パターン識別モデルの学習が行われる。枠パターン識別モデルの学習結果、すなわち、学習により取得された枠パターン識別モデルは記憶部３０４に記憶される。このようにして、枠パターン識別モデルが事前に取得される。
そして、モデル取得部３０１により、記憶部３０４に記憶された上記データセットを用いて、ディープラーニングによる枠パターン識別モデルの学習が行われる。枠パターン識別モデルの学習結果、すなわち、学習により取得された枠パターン識別モデルは記憶部３０４に記憶される。このようにして、枠パターン識別モデルが事前に取得される。
一方、基板処理装置２での欠陥検査処理により欠陥ありと判定されると、欠陥ありと判定されたウェハＷに係る、図７の撮像画像Ｉ１が、基板処理装置２から検査装置３へ、不図示の入力部を介して、検査対象の撮像画像Ｉ１として入力される。
検査装置３へ入力された検査対象の撮像画像Ｉ１は、モデル取得部３０１によって事前に取得された枠パターン識別モデルに基づいて、領域推定部３２１により、当該撮像画像における枠領域、背景領域が推定される。領域推定部３２１による推定結果は消去処理部３２２に出力される。
消去処理部３２２では、検査対象の撮像画像の背景領域の色に基づいて、当該撮像画像の枠領域が消去され、枠パターンＰの画像が含まれない図８の検査用の基板画像Ｉ２が作成される。作成された検査用の基板画像は、判定部３０３に入力される。
判定部３０３では、消去処理部３２２により作成された検査用の基板画像に基づいて、検査対象ウェハＷの欠陥の種類が判定される。なお、検査対象ウェハＷに複数の欠陥が形成されている場合、欠陥の種類の判定を欠陥毎に行ってもよい。
そして、判定部３０３による、欠陥の種類の判定結果が、表示部３１に表示される。
そして、判定部３０３による、欠陥の種類の判定結果が、表示部３１に表示される。
消去処理部３２２により作成された検査用の基板画像自体を表示部３１に表示するようにしてもよい。これにより、表示された検査用の基板画像を見たユーザが視覚情報に基づいて検査対象ウェハＷの欠陥の種類を判定することができる。
なお、基板処理装置２が検知する欠陥、及び、検査装置３における判定対象の欠陥は、塗布膜における所定形状を有していない部分、ウェハＷ上の傷及びウェハＷ上の異物の少なくともいずれか１つである。
以上のように、本実施形態では、事前の機械学習により得られた枠パターン識別モデルを用いて、検査対象の撮像画像における、枠パターンＰに相当する領域を推定し、その推定結果に基づいて、検査対象の撮像画像から枠パターンＰの画像を消去し、検査用の基板画像を生成している。したがって、検査用の基板画像には枠パターンＰの画像が含まれないため、検査用の基板画像中の欠陥に相当する部分の認識精度を向上させることができる。また、機械学習により得られた枠パターン識別モデルを用いているため、ウェハＷ上に形成された枠パターンＰが未知のものであっても、検査対象の撮像画像における当該枠パターンＰに相当する領域を推定し、当該検査対象の撮像画像から除去することができる。
なお、検査対象の撮像画像に、撮像ユニット２３の撮像環境毎に固有なパターンが含まれることがある。本実施形態によれば、この撮像ユニット２３の撮像環境毎に固有なパターンも除去することができる。
なお、検査対象の撮像画像に、撮像ユニット２３の撮像環境毎に固有なパターンが含まれることがある。本実施形態によれば、この撮像ユニット２３の撮像環境毎に固有なパターンも除去することができる。
さらに、本実施形態では、枠無し画像セットＳ１と、枠有り画像セットＳ２と、セットＳ１、Ｓ２に含まれる基板画像毎に枠パターンの画像の有無を示す情報とを含むデータセットを用いて、機械学習により、枠パターン識別モデルを取得している。したがって、枠パターン識別モデルとして正確なものを取得することができる。
さらにまた、本実施形態では、消去処理部３２２が、検査対象の撮像画像の枠領域における各画素の画素値を、当該撮像画像の背景領域の平均画素値に変更する。つまり、消去処理部３２２が、検査対象の撮像画像の背景領域の画素に基づいて、当該撮像画像内の枠パターンの画像を消去している。したがって、背景領域の色によらず、検査用の基板画像中の欠陥に相当する部分の認識精度を向上させることができる。
以上の例では、検査対象の撮像画像から消去する枠パターンＰの画像は、非デバイス形成領域Ｒ２の画像及び半導体デバイスＤ間の境界線Ｌの画像であった。しかし、枠パターンＰは、半導体デバイス（その中間生産物も含む。）Ｄの表面に形成されるパターンであってもよい。つまり、本実施形態に係る画像形成装置としての検査装置３で消去される枠パターンＰの画像は、非デバイス形成領域Ｒ２の画像、半導体デバイスＤ間の境界線Ｌの画像及び半導体デバイスＤの表面に形成されるパターンの少なくともいずれか１つである。
なお、本実施形態では、生成した検査用の基板画像を欠陥の種類の判定に用いていたが、上記生成した検査用の基板画像を欠陥検出に用いていてもよい。
また、本実施形態における欠陥とは、レジスト膜等の塗布膜における所定形状を有していない部分、ウェハＷ上の傷及びウェハＷ上の異物の少なくともいずれか１つである。
また、本実施形態における欠陥とは、レジスト膜等の塗布膜における所定形状を有していない部分、ウェハＷ上の傷及びウェハＷ上の異物の少なくともいずれか１つである。
以上の説明では、モデル取得処理や画像生成処理を含む欠陥種類判定処理は検査装置３で行うものとしたが、基板処理装置２で行うようにしてもよい。つまり、検査装置３の機能を基板処理装置２に実装させてもよい。
また、以上の説明では、検査対象の基板画像は、撮像により得られる撮像画像であるものとした。しかし、検査対象の基板画像は、これに限られず、例えば、以下のようにして作成される基板画像であってもよい。すなわち、検査対象のウェハＷと同じ枠パターンＰを有し欠陥が形成されていないウェハＷにかかる基板画像（ベース基板画像）を準備しておく。そして、検査対象のウェハＷ全面に対し欠陥検査を行い、欠陥が検出されたときに、上記ベース基板画像における欠陥が検出された部分に相当する位置に、欠陥を描画する。これにより得られた基板画像を、検査対象の基板画像としてもよい。
次に、モデル取得部３０１が行う、枠パターン識別モデルを取得するためのディープラーニング（具体的にはＣＮＮ）と、領域推定部３２１の２クラス分類部３２１ａにおける処理とについて説明する。図９は、ＣＮＮの層構造を極めて模式的に示す図である。
モデル取得部３０１が上記枠パターン識別モデルの取得のために用いるディープラーニングには、図に示すように、畳み込み層４０１〜４０３と、プーリング層４０１ａ、４０２ａ、結合層４０４とが含まれる。畳み込み層４０１〜４０３は、複数のフィルタが積層されており、図には、代表して畳み込み層４０１についてフィルタＦ１、Ｆ２…の配列をイメージとして示している。
ここで、理解を容易にするために、モデル取得部３０１に入力される基板画像（枠無し画像Ｓ１１または枠有り画像Ｓ１２）が縦横ｎ×ｎ画素からなるグレースケール画像であるとする。モデル取得部３０１に入力された基板画像Ｎは、前段の畳み込み層４０１における最前列のｎ×ｎ画素からなるフィルタＦ１に入力される。基板画像Ｎの画素値は、正規化処理された値であってもよいし、標準化処理された値あってもよく、「０」〜「１」の数値である。入力された基板画像Ｎの画素（ｉ、ｊ）の画素値をｘ（ｉ、ｊ）とすると、フィルタＦ１のピクセルである画素（ｉ、ｊ）の画素値はｘ（ｉ、ｊ）と同じ値であるが、ｆ１（ｉ、ｊ）｛＝ｘ（ｉ、ｊ）｝と記載する。なお、（ｉ、ｊ）は、ｎ×ｎ画素においてｉ行、ｊ列の画素を指す。フィルタの画素はノードとも言うことができる。
フィルタＦ２における画素（ｉ、ｊ）の画素値｛ｆ２（ｉ、ｊ）｝は、フィルタＦ１におけるｎ×ｎの各画素（１、１）〜（ｎ、ｎ）の画素値に所定の係数を積算し、得られた積算値の全てを加算して加算値Ｉを得て、この加算値Ｉに所定の演算を行うことにより得られる。
上記所定の係数とは、フィルタＦ１の画素とフィルタＦ２の画素との組み合わせ毎に学習によって決められた値である。より具体的には、教示有り（正解ラベル付き）学習を重ねていくことにより決定される。
また、上記所定の演算としては、例えば前記加算値Ｉを入力とするシグモイド関数を用いた演算が挙げられる。こうして畳み込み処理が行われ、フィルタＦ２におけるｎ×ｎの各画素（１、１）〜（ｎ、ｎ）の画素値が求められる。
フィルタＦ３における画素値であるｆ３（ｉ、ｊ）もフィルタＦ２における各画素の画素値を用いて同様にして計算され、順次同様にして各フィルタにおける画素値が計算され、最終段のフィルタＦｍにおける各画素値が求められる。
上記所定の係数とは、フィルタＦ１の画素とフィルタＦ２の画素との組み合わせ毎に学習によって決められた値である。より具体的には、教示有り（正解ラベル付き）学習を重ねていくことにより決定される。
また、上記所定の演算としては、例えば前記加算値Ｉを入力とするシグモイド関数を用いた演算が挙げられる。こうして畳み込み処理が行われ、フィルタＦ２におけるｎ×ｎの各画素（１、１）〜（ｎ、ｎ）の画素値が求められる。
フィルタＦ３における画素値であるｆ３（ｉ、ｊ）もフィルタＦ２における各画素の画素値を用いて同様にして計算され、順次同様にして各フィルタにおける画素値が計算され、最終段のフィルタＦｍにおける各画素値が求められる。
畳み込み層４０１の次段の畳み込み層４０２は、プーリング層４０１ａの介在により畳み込み層４０１の画素数よりも少なくなっている。プーリング層４０１ａは、画素の間引き処理を行う部分であり、例えば、畳み込み層４０１の最終段のフィルタＦｍにおける画素群において互に隣接して正方形を構成する例えば２×２の画素群を一つの画素としてまとめる。この場合、例えば２×２の画素群のうち最大値を一つの画素の画素値として割り当て、言い換えると最大値の画素以外を除外する。例えば２７×２７の画素群に対して上述のような間引き処理が行われると、１３×１３の画素群となる。
同様にして畳み込み層４０２、４０３の各フィルタ間で演算が行われる。
以上では、モデル取得部３０１に入力される基板画像Ｎの画素がグレースケール画像であるとして取り扱ったが、基板画像Ｎの画素にＲ成分、Ｇ成分、Ｂ成分の各画素値が割り当てられている場合には、畳み込み層４０１〜４０３、プーリング層４０１ａ、４０２ａ及び結合層４０４の組がＲＧＢの成分ごとに設けられている。例えばＲ成分、Ｇ成分、Ｂ成分それぞれについて上記の組が１つずつ設けられていて、合計３組が存在する場合、これら３組の各々において並列して、上述のような演算処理が行われる。なお、Ｒ成分、Ｇ成分、Ｂ成分の各画素値は、例えば正規化あるいは標準化された０〜１の値である。
モデル取得部３０１は、上述の演算処理を行うことにより、基板画像Ｎの画素毎に、特徴量ベクトルすなわち枠パターン識別モデルを取得する。基板画像Ｎの画素毎の特徴量ベクトルとは、畳み込み層４０１〜４０３を構成する全てのフィルタにおいて、基板画像Ｎの当該画素に対応する画素の画素値である。つまり、モデル取得部３０１は、上述の演算処理を行うことにより、入力された基板画像Ｎの各画素について、畳み込み層４０１〜４０３を構成する全てのフィルタ上の対応する画素の画素値を取得する。
そして、モデル取得部３０１は、上述のような演算処理を、枠無し画像セットＳ１の全ての枠無し画像Ｓ１１と枠有り画像セットＳ２の全ての枠有り画像Ｓ２１について行うことで、画素毎のパターン識別モデルを学習する。
そして、モデル取得部３０１は、上述のような演算処理を、枠無し画像セットＳ１の全ての枠無し画像Ｓ１１と枠有り画像セットＳ２の全ての枠有り画像Ｓ２１について行うことで、画素毎のパターン識別モデルを学習する。
領域推定部３２１の２クラス分類部３２１ａは、モデル取得部３０１で取得したパターン識別モデルに基づいて、検査装置３へ入力された検査対象の撮像画像Ｉ１の各画素が、枠パターン画素であるのか、背景画素であるのかを判定する。具体的には、２クラス分類部３２１ａは、モデル取得部３０１で取得された、基板画像の画素毎の特徴量ベクトルに基づいて、検査対象の撮像画像Ｉ１の各画素が枠パターン画素であるか否かを判定する。より具体的には、２クラス分類部３２１ａは、検査対象の撮像画像Ｉ１の各画素について、その画素に対応する、全ての上記フィルタの画素値の配列分布と、当該画素の特徴量ベクトルから、当該画素が欠陥画素であるのか、背景画素であるのかを判定する。
この２クラス分類部３２１ａは、例えば、ＳＶＭ（Support
Vector Machine）を実行するソフトウェアにより実現される。
この２クラス分類部３２１ａは、例えば、ＳＶＭ（Support
Vector Machine）を実行するソフトウェアにより実現される。
今回開示された実施形態はすべての点で例示であって制限的なものではないと考えられるべきである。上記の実施形態は、添付の請求の範囲及びその主旨を逸脱することなく、様々な形態で省略、置換、変更されてもよい。
なお、以下のような構成も本開示の技術的範囲に属する。
（１）基板の欠陥に関する検査用の基板画像を生成する画像生成装置であって、
基板の表面には、当該基板に対する処理レシピの種類毎に固有なパターンである枠パターンが形成されており、
当該画像生成装置は、
事前の機械学習により得られた、基板画像に含まれる前記枠パターンの画像を識別する識別モデルに基づいて、検査対象の基板画像における、前記枠パターンに相当する領域を推定する領域推定部と、
前記領域推定部による推定結果に基づいて、前記検査対象の基板画像から前記枠パターンの画像を消去し、検査用の基板画像を生成する消去処理部と、を有する、画像生成装置。
前記（１）によれば、事前の機械学習により得られた識別モデルを用いて、検査対象の撮像画像における、枠パターンに相当する領域を推定し、その推定結果に基づいて、検査対象の撮像画像から枠パターンの画像を消去した検査用の基板画像を生成することができる。したがって、検査用の基板画像には枠パターンの種類によらず当該枠パターンの画像が含まれないため、検査用の基板画像中の欠陥に相当する部分の認識精度を向上させることができる。
（１）基板の欠陥に関する検査用の基板画像を生成する画像生成装置であって、
基板の表面には、当該基板に対する処理レシピの種類毎に固有なパターンである枠パターンが形成されており、
当該画像生成装置は、
事前の機械学習により得られた、基板画像に含まれる前記枠パターンの画像を識別する識別モデルに基づいて、検査対象の基板画像における、前記枠パターンに相当する領域を推定する領域推定部と、
前記領域推定部による推定結果に基づいて、前記検査対象の基板画像から前記枠パターンの画像を消去し、検査用の基板画像を生成する消去処理部と、を有する、画像生成装置。
前記（１）によれば、事前の機械学習により得られた識別モデルを用いて、検査対象の撮像画像における、枠パターンに相当する領域を推定し、その推定結果に基づいて、検査対象の撮像画像から枠パターンの画像を消去した検査用の基板画像を生成することができる。したがって、検査用の基板画像には枠パターンの種類によらず当該枠パターンの画像が含まれないため、検査用の基板画像中の欠陥に相当する部分の認識精度を向上させることができる。
（２）基板画像と当該基板画像における前記枠パターンの画像の有無の情報とを含むデータセットを用いた、前記事前の機械学習により、前記識別モデルを取得する、モデル取得部をさらに有する、前記（１）に記載の画像生成装置。
（３）前記データセットに含まれる基板画像は、前記枠パターンが形成されておらず欠陥を有する基板に係る基板画像である枠無し基板画像と、既知の枠パターンを有し欠陥が形成されていない基板に係る基板画像に前記枠無し基板画像を合成した基板画像である枠有り画像と、の両方を含む、前記（２）に記載の画像生成装置。
前記（３）によれば、正確な識別モデルを取得することができる。
前記（３）によれば、正確な識別モデルを取得することができる。
（４）前記枠パターンは、半導体装置が形成されない領域、前記半導体装置間の境界線及び前記半導体装置の表面上のパターンの少なくともいずれか１つである、前記（１）〜（３）のいずれか１に記載の画像生成装置。
（５）前記欠陥は、塗布膜における所定形状を有していない部分、基板上の傷及び基板上の異物の少なくともいずれか１つである、前記（１）〜（４）のいずれか１に記載の画像生成装置。
（６）前記事前の機械学習は、ディープラーニングである、前記（１）〜（５）のいずれか１に記載の画像生成装置。
（７）前記検査用の基板画像に基づいて、検査対象基板に形成された欠陥の種類を判定する判定部を有する検査装置として構成され、
前記判定部は、機械学習を用いて前記欠陥の種類を判定する、前記（１）〜（６）のいずれか１に記載の検査装置。
前記判定部は、機械学習を用いて前記欠陥の種類を判定する、前記（１）〜（６）のいずれか１に記載の検査装置。
（８）基板の欠陥に関する検査用の基板画像を生成する画像生成方法であって、
基板の表面には、当該基板に対する処理レシピの種類毎に固有なパターンである枠パターンが形成されており、
当該画像生成方法は、
事前の機械学習により得られた、基板画像に含まれる前記枠パターンの画像を識別する識別モデルに基づいて、検査対象の基板画像における、前記枠パターンに相当する領域を推定する領域推定工程と、
前記領域推定工程での推定結果に基づいて、前記検査対象基板の基板画像から前記枠パターンの画像を消去し、検査用の基板画像を生成する消去処理工程と、を含む、画像生成方法。
基板の表面には、当該基板に対する処理レシピの種類毎に固有なパターンである枠パターンが形成されており、
当該画像生成方法は、
事前の機械学習により得られた、基板画像に含まれる前記枠パターンの画像を識別する識別モデルに基づいて、検査対象の基板画像における、前記枠パターンに相当する領域を推定する領域推定工程と、
前記領域推定工程での推定結果に基づいて、前記検査対象基板の基板画像から前記枠パターンの画像を消去し、検査用の基板画像を生成する消去処理工程と、を含む、画像生成方法。
３ 検査装置
３２ 制御部
３２１ 領域推定部
３２２ 消去処理部
Ｐ 枠パターン
Ｗ ウェハ
３２ 制御部
３２１ 領域推定部
３２２ 消去処理部
Ｐ 枠パターン
Ｗ ウェハ
Claims (8)
- 基板の欠陥に関する検査用の基板画像を生成する画像生成装置であって、
基板の表面には、当該基板に対する処理レシピの種類毎に固有なパターンである枠パターンが形成されており、
当該画像生成装置は、
事前の機械学習により得られた、基板画像に含まれる前記枠パターンの画像を識別する識別モデルに基づいて、検査対象の基板画像における、前記枠パターンに相当する領域を推定する領域推定部と、
前記領域推定部による推定結果に基づいて、前記検査対象の基板画像から前記枠パターンの画像を消去し、検査用の基板画像を生成する消去処理部と、を有する、画像生成装置。 - 基板画像と当該基板画像における前記枠パターンの画像の有無の情報とを含むデータセットを用いた、前記事前の機械学習により、前記識別モデルを取得する、モデル取得部をさらに有する、請求項１に記載の画像生成装置。
- 前記データセットに含まれる基板画像は、前記枠パターンが形成されておらず欠陥を有する基板に係る基板画像である枠無し基板画像と、既知の枠パターンを有し欠陥が形成されていない基板に係る基板画像に前記枠無し基板画像を合成した基板画像である枠有り画像と、の両方を含む、請求項２に記載の画像生成装置。
- 前記枠パターンは、半導体装置が形成されない領域、前記半導体装置間の境界線及び前記半導体装置の表面上のパターンの少なくともいずれか１つである、請求項１〜３のいずれか１項に記載の画像生成装置。
- 前記欠陥は、塗布膜における所定形状を有していない部分、基板上の傷及び基板上の異物の少なくともいずれか１つである、請求項１〜４のいずれか１項に記載の画像生成装置。
- 前記事前の機械学習は、ディープラーニングである、請求項１〜５のいずれか１項に記載の画像生成装置。
- 前記検査用の基板画像に基づいて、検査対象基板に形成された欠陥の種類を判定する判定部を有する検査装置として構成され、
前記判定部は、機械学習を用いて前記欠陥の種類を判定する、請求項１〜６のいずれか１項に記載の画像生成装置。 - 基板の欠陥に関する検査用の基板画像を生成する画像生成方法であって、
基板の表面には、当該基板に対する処理レシピの種類毎に固有なパターンである枠パターンが形成されており、
当該画像生成方法は、
事前の機械学習により得られた、基板画像に含まれる前記枠パターンの画像を識別する識別モデルに基づいて、検査対象の基板画像における、前記枠パターンに相当する領域を推定する領域推定工程と、
前記領域推定工程での推定結果に基づいて、前記検査対象の基板画像から前記枠パターンの画像を消去し、検査用の基板画像を生成する消去処理工程と、を含む、画像生成方法。
Priority Applications (5)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2019025134A JP7166189B2 (ja) | 2019-02-15 | 2019-02-15 | 画像生成装置、検査装置及び画像生成方法 |
| KR1020200013573A KR20200099977A (ko) | 2019-02-15 | 2020-02-05 | 화상 생성 장치, 검사 장치 및 화상 생성 방법 |
| US16/782,243 US11200661B2 (en) | 2019-02-15 | 2020-02-05 | Image generation apparatus, inspection apparatus, and image generation method |
| TW109103452A TWI826642B (zh) | 2019-02-15 | 2020-02-05 | 影像生成裝置、檢測裝置及影像生成方法 |
| CN202010081426.XA CN111583170A (zh) | 2019-02-15 | 2020-02-06 | 图像生成装置和图像生成方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2019025134A JP7166189B2 (ja) | 2019-02-15 | 2019-02-15 | 画像生成装置、検査装置及び画像生成方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2020136368A true JP2020136368A (ja) | 2020-08-31 |
| JP7166189B2 JP7166189B2 (ja) | 2022-11-07 |
Family
ID=72042136
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2019025134A Active JP7166189B2 (ja) | 2019-02-15 | 2019-02-15 | 画像生成装置、検査装置及び画像生成方法 |
Country Status (5)
| Country | Link |
|---|---|
| US (1) | US11200661B2 (ja) |
| JP (1) | JP7166189B2 (ja) |
| KR (1) | KR20200099977A (ja) |
| CN (1) | CN111583170A (ja) |
| TW (1) | TWI826642B (ja) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPWO2022074746A1 (ja) * | 2020-10-06 | 2022-04-14 | ||
| WO2022172468A1 (ja) * | 2021-02-12 | 2022-08-18 | オムロン株式会社 | 画像検査装置、画像検査方法及び学習済みモデル生成装置 |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP7431694B2 (ja) * | 2020-07-28 | 2024-02-15 | キヤノン株式会社 | 情報処理装置、膜形成装置、物品の製造方法、およびプログラム |
| TWI809928B (zh) * | 2022-04-19 | 2023-07-21 | 南亞科技股份有限公司 | 晶圓檢測系統 |
| CN117523343B (zh) * | 2024-01-08 | 2024-03-26 | 信熙缘(江苏)智能科技有限公司 | 晶圆背损伤梯形缺陷的自动识别方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH0374855A (ja) * | 1989-08-16 | 1991-03-29 | Hitachi Ltd | チップサイズ検出方法およびチップピッチ検出方法およびチップ配列データ自動作成方法ならびにそれを用いた半導体基板の検査方法および装置 |
| JP2003329609A (ja) * | 2002-05-09 | 2003-11-19 | Matsushita Electric Ind Co Ltd | パターン消去方法および欠陥検査方法 |
| JP2008141090A (ja) * | 2006-12-05 | 2008-06-19 | Epson Toyocom Corp | 不良チップ計数方法及び装置 |
| JP2009238992A (ja) * | 2008-03-27 | 2009-10-15 | Tokyo Electron Ltd | 欠陥分類方法、プログラム、コンピュータ記憶媒体及び欠陥分類装置 |
Family Cites Families (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006220644A (ja) * | 2005-01-14 | 2006-08-24 | Hitachi High-Technologies Corp | パターン検査方法及びその装置 |
| CN100472205C (zh) * | 2005-02-21 | 2009-03-25 | 欧姆龙株式会社 | 基板检查方法和装置、及其检查逻辑设定方法和装置 |
| CN101252884A (zh) * | 2005-09-05 | 2008-08-27 | 柯尼卡美能达医疗印刷器材株式会社 | 图像处理方法和图像处理装置 |
| JP5434385B2 (ja) * | 2009-09-01 | 2014-03-05 | 大日本印刷株式会社 | メッシュ検査装置、メッシュ検査方法、プログラム、および記録媒体 |
| US8705839B2 (en) * | 2011-11-18 | 2014-04-22 | Sharp Laboratories Of America, Inc. | Electronic devices for defect detection |
| JP5874398B2 (ja) * | 2012-01-05 | 2016-03-02 | オムロン株式会社 | 画像検査装置の検査領域設定方法 |
| JP6417809B2 (ja) * | 2014-03-05 | 2018-11-07 | ソニー株式会社 | 撮像装置 |
| WO2016083928A1 (en) * | 2014-11-28 | 2016-06-02 | Semiconductor Energy Laboratory Co., Ltd. | Image processing device, display system, and electronic device |
| JP6774031B2 (ja) * | 2015-03-25 | 2020-10-21 | 株式会社ニコン | レイアウト方法、マーク検出方法、露光方法、計測装置、露光装置、並びにデバイス製造方法 |
| US10521772B2 (en) * | 2016-10-17 | 2019-12-31 | Microsoft Technology Licensing, Llc | Personalized job search and recommendations using job seeker behavioral features |
-
2019
- 2019-02-15 JP JP2019025134A patent/JP7166189B2/ja active Active
-
2020
- 2020-02-05 TW TW109103452A patent/TWI826642B/zh active
- 2020-02-05 KR KR1020200013573A patent/KR20200099977A/ko active Search and Examination
- 2020-02-05 US US16/782,243 patent/US11200661B2/en active Active
- 2020-02-06 CN CN202010081426.XA patent/CN111583170A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH0374855A (ja) * | 1989-08-16 | 1991-03-29 | Hitachi Ltd | チップサイズ検出方法およびチップピッチ検出方法およびチップ配列データ自動作成方法ならびにそれを用いた半導体基板の検査方法および装置 |
| JP2003329609A (ja) * | 2002-05-09 | 2003-11-19 | Matsushita Electric Ind Co Ltd | パターン消去方法および欠陥検査方法 |
| JP2008141090A (ja) * | 2006-12-05 | 2008-06-19 | Epson Toyocom Corp | 不良チップ計数方法及び装置 |
| JP2009238992A (ja) * | 2008-03-27 | 2009-10-15 | Tokyo Electron Ltd | 欠陥分類方法、プログラム、コンピュータ記憶媒体及び欠陥分類装置 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPWO2022074746A1 (ja) * | 2020-10-06 | 2022-04-14 | ||
| WO2022074746A1 (ja) * | 2020-10-06 | 2022-04-14 | 日本電信電話株式会社 | 劣化検出装置、劣化検出方法、及びプログラム |
| JP7410442B2 (ja) | 2020-10-06 | 2024-01-10 | 日本電信電話株式会社 | 劣化検出装置、劣化検出方法、及びプログラム |
| WO2022172468A1 (ja) * | 2021-02-12 | 2022-08-18 | オムロン株式会社 | 画像検査装置、画像検査方法及び学習済みモデル生成装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| TW202101627A (zh) | 2021-01-01 |
| US20200265576A1 (en) | 2020-08-20 |
| CN111583170A (zh) | 2020-08-25 |
| US11200661B2 (en) | 2021-12-14 |
| TWI826642B (zh) | 2023-12-21 |
| JP7166189B2 (ja) | 2022-11-07 |
| KR20200099977A (ko) | 2020-08-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP7166189B2 (ja) | 画像生成装置、検査装置及び画像生成方法 | |
| Hu et al. | Detection of PCB surface defects with improved faster-RCNN and feature pyramid network | |
| CN107543828B (zh) | 一种工件表面缺陷检测方法及系统 | |
| JP6917943B2 (ja) | 欠陥検出方法、欠陥検出のためのシステムおよび訓練方法 | |
| TWI797699B (zh) | 半導體試樣的基於深度學習之檢查的方法及其系統 | |
| CN106952250B (zh) | 一种基于Faster R-CNN网络的金属板带表面缺陷检测方法及装置 | |
| US8331650B2 (en) | Methods, systems and apparatus for defect detection | |
| US8379965B2 (en) | Defect classification method, computer storage medium, and defect classification apparatus | |
| TWI754806B (zh) | 利用深度學習定位虹膜之裝置與方法 | |
| TW201932827A (zh) | 基板之缺陷檢查裝置、基板之缺陷檢查方法及記錄媒體 | |
| TWI798627B (zh) | 探測半導體晶片中缺陷的方法及半導體晶片缺陷探測系統 | |
| US11315229B2 (en) | Method for training defect detector | |
| KR20210150970A (ko) | 약한 라벨링을 사용한 반도체 시편들에서의 결함들의 검출 | |
| CN109840900A (zh) | 一种应用于智能制造车间的故障在线检测系统及检测方法 | |
| Shao et al. | From IC layout to die photograph: a CNN-based data-driven approach | |
| CN109253722A (zh) | 融合语义分割的单目测距系统、方法、设备及存储介质 | |
| Stavropoulos et al. | A vision-based system for real-time defect detection: a rubber compound part case study | |
| CN117392042A (zh) | 缺陷检测方法、缺陷检测设备及存储介质 | |
| CN113822882A (zh) | 基于深度学习的电路板表面缺陷检测方法与检测装置 | |
| CN115861170A (zh) | 基于改进yolo v4算法的表面缺陷检测方法 | |
| Chen et al. | A neural-network approach for defect recognition in TFT-LCD photolithography process | |
| CN116797602A (zh) | 一种用于工业产品检测的表面缺陷鉴定方法和装置 | |
| TWI802873B (zh) | 透明基板薄膜的瑕疵檢測方法及其系統 | |
| CN114898166B (zh) | 一种基于演进因果模型的检测玻璃洁净度的方法 | |
| WO2024101186A1 (ja) | 基板検査方法、基板検査装置、及び基板検査プログラム |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20211115 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20220908 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20220927 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20221025 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 7166189 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |