JP2023042738A - 欠陥検査システム及び欠陥検査方法 - Google Patents

欠陥検査システム及び欠陥検査方法 Download PDF

Info

Publication number
JP2023042738A
JP2023042738A JP2021150035A JP2021150035A JP2023042738A JP 2023042738 A JP2023042738 A JP 2023042738A JP 2021150035 A JP2021150035 A JP 2021150035A JP 2021150035 A JP2021150035 A JP 2021150035A JP 2023042738 A JP2023042738 A JP 2023042738A
Authority
JP
Japan
Prior art keywords
defect
inspection
unit
image
filter
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.)
Pending
Application number
JP2021150035A
Other languages
English (en)
Inventor
裕子 佐野
Hiroko Sano
昌義 石川
Masayoshi Ishikawa
博之 新藤
Hiroyuki Shindo
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hitachi High Tech Corp
Original Assignee
Hitachi High Tech Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hitachi High Tech Corp filed Critical Hitachi High Tech Corp
Priority to JP2021150035A priority Critical patent/JP2023042738A/ja
Priority to TW111130174A priority patent/TWI833326B/zh
Priority to US17/895,264 priority patent/US20230077332A1/en
Priority to KR1020220110528A priority patent/KR20230040272A/ko
Priority to CN202211080646.6A priority patent/CN115808434A/zh
Publication of JP2023042738A publication Critical patent/JP2023042738A/ja
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • 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
    • 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
    • G06T7/70—Determining position or orientation of objects or cameras
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/761—Proximity, similarity or dissimilarity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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
    • G06T2207/10056—Microscopic image
    • G06T2207/10061—Microscopic image from scanning electron microscope
    • 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)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Quality & Reliability (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Biochemistry (AREA)
  • Analytical Chemistry (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Analysing Materials By The Use Of Radiation (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)

Abstract

【課題】撮像条件の違いによる検査画像の差を吸収し、または、各検査工程で共通に使用できるフィルタモデルを有することで高効率な検査を可能とし得る欠陥検査システムを提供する。【解決手段】欠陥検査システム１００は、検査画像４と欠陥を有しない画像である参照画像とを比較して検査画像内の欠陥位置を検出する欠陥検出部１０４、検出された欠陥位置を虚報若しくは指定された欠陥種に分類するフィルタモデル、フィルタ条件を保持するフィルタ条件保持部１０６、欠陥検出部１０４で検出した欠陥位置を所定の距離内毎にひとまとまりとした欠陥領域抽出部、欠陥領域毎にフィルタ条件に該当するか否かを判定し該当する欠陥領域のみを抽出する欠陥フィルタ部１０５、及び検査画像４を検査時の加工工程と加工工程毎又は撮像条件毎に設定した正規化条件に基づいて正規化を行う正規化部１０１と、を有する。【選択図】 図１

Description

本発明は、電子顕微鏡により取得される試料の検査画像を用いた欠陥検査システムおよび欠陥検査方法に関する。
半導体検査には、走査型電子顕微鏡（ＳＥＭ：Ｓｃａｎｎｉｎｇ Ｅｌｅｃｔｒｏｎ Ｍｉｃｒｏｓｃｏｐｅ）を応用した測長ＳＥＭ（ＣＤ－ＳＥＭ：Ｃｒｉｔｉｃａｌ Ｄｉｍｍｅｎｓｉｏｎ－ＳＥＭ）等で撮影したＳＥＭ画像が用いられる。従来の半導体検査方式として参照画像比較検査があり、検査画像と同一形状で異なる地点の画像である参照画像と検査画像を比較し、それらの画素差から欠陥の有無を判定する。この検査において、微小な欠陥を検出するためには検出感度を上げる必要があるが、検出感度を上げると虚報と呼ばれる誤検出が増加するため、検出感度の調整が困難であるという課題がある。更に、半導体の欠陥種には複数種類が存在するが、参照画像比較検査では検出感度調整による欠陥種識別が困難である。
これらの課題を解決するため、参照画像比較検査の検出結果から虚報を除去するための学習モデルが検討されている。この従来技術として、例えば、特許文献１に、欠陥領域の周辺を抽出し、実欠陥と虚報を分類することにより検査精度が十分な欠陥判定方法を実現可能な技術が開示されている。具体的に特許文献１には、正常データの集合を用いて、上記正常データを判別するための第１のモデルを学習する第１の学習部、予め用意された複数の撮影画像の各々から上記第１のモデルに基づいて検出された、異常の候補領域を示す複数の異常候補領域のうち、ユーザにより選択された異常候補領域を正解データ、上記ユーザにより選択されなかった異常候補領域を非正解データとして上記正解データと上記非正解データを識別するための第２のモデルを学習する第２の学習部、上記撮影画像を取得する取得部、前記第１のモデルを用いて上記取得部により取得された上記撮影画像から上記異常候補領域を検出する検出部、上記第２のモデルを用いて上記検出部により検出された上記異常候補領域が上記正解データに属するのか上記非正解データに属するのかを判断する判断部、及び、上記判断部による判断結果を出力する制御を行う出力制御部と、を備える情報処理装置が記載さている。
特開２０１８－１２０３００号公報
半導体検査の欠陥検出において、検査対象の工程毎に抽出したい欠陥種は異なるため、工程毎に欠陥検出結果をフィルタリングすることが求められる。しかしながら、特許文献１に開示される技術では、フィルタリングするためのモデルを工程毎に学習するため、データ収集や学習に時間を要する。更には、撮像条件の違いにより検査画像が異なる場合にモデルの再学習が必要となる課題が生じ得る。
そこで、本発明は、撮像条件の違いによる検査画像の差を吸収し、または、各検査工程で共通に使用できるフィルタモデルを有することで高効率な検査を可能とし得る欠陥検査システム及び欠陥検査方法を提供する。
上記課題を解決するため、本発明に係る欠陥検査システムは、1つ以上の加工工程により加工される試料において1つ以上の加工工程後に撮像した試料の検査画像に基づき欠陥の有無を検査する欠陥検査システムであって、前記検査画像と前記検査画像と同一検査点で欠陥を有しない画像である参照画像とを比較して検査画像内の欠陥位置を検出する欠陥検出部と、前記欠陥検出部で検出された欠陥位置を虚報若しくは指定された欠陥種に分類するフィルタモデルと、指定された欠陥種及び／又は欠陥サイズにより構成されるフィルタ条件を保持するフィルタ条件保持部と、前記欠陥検出部で検出した欠陥位置を所定の距離内毎にひとまとまりとした欠陥領域抽出部と、前記欠陥領域抽出部で抽出した欠陥領域毎に前記フィルタ条件に該当するか否かを判定し該当する前記欠陥領域のみを抽出する欠陥フィルタ部と、前記検査画像を検査時の前記加工工程と前記加工工程毎又は撮像条件毎に設定した正規化条件に基づいて正規化を行う正規化部と、を有し、前記フィルタモデルは、前記正規化部で正規化された検査画像を用いて学習することにより、前記フィルタモデルを得ることを特徴とする。
また、本発明に係る欠陥検査方法は、1つ以上の加工工程により加工される試料において1つ以上の加工工程後に撮像した試料の検査画像に基づき欠陥の有無を検査する欠陥検査方法であって、欠陥検出部が、前記検査画像と前記検査画像と同一検査点で欠陥を有しない画像である参照画像とを比較して検査画像内の欠陥位置を検出し、フィルタモデルが、前記欠陥検出部で検出された欠陥位置を虚報若しくは指定された欠陥種に分類し、フィルタ条件保持部が、指定された欠陥種及び／又は欠陥サイズにより構成されるフィルタ条件を保持し、欠陥領域抽出部が、前記欠陥検出部で検出した欠陥位置を所定の距離内毎にひとまとまりとした欠陥領域を抽出し、欠陥フィルタ部が、前記欠陥領域抽出部で抽出した欠陥領域毎に前記フィルタ条件に該当するか否かを判定し該当する前記欠陥領域のみを抽出し、正規化部が、前記検査画像を検査時の前記加工工程と前記加工工程毎又は撮像条件毎に設定した正規化条件に基づいて正規化を行い、前記フィルタモデルは、前記正規化部で正規化された検査画像を用いて学習することにより得られることを特徴とする。
本発明によれば、撮像条件の違いによる検査画像の差を吸収し、または、各検査工程で共通に使用できるフィルタモデルを有することで高効率な検査を可能とし得る欠陥検査システム及び欠陥検査方法を提供することが可能となる。
例えば、撮像条件の違いによる検査画像の差を吸収し、各検査工程で共通のフィルタモデルを用いて実欠陥と虚報を分離することが可能となる。更に、工程毎に抽出したい欠陥種および欠陥サイズのみを出力することが可能となる。
上記した以外の課題、構成及び効果は、以下の実施形態の説明により明らかにされる。
本発明の一実施例に係る実施例1の欠陥検査システムの全体構成を示す機能ブロック図である。 図１に示す欠陥検査システムを構成するデータ処理部による学習時の主要機能部ブロック図である。 図１に示す欠陥検査システムによる学習時のフローチャートである。 図１に示す欠陥検査システムを構成するデータ処理部による推論時の主要機能ブロック図である。 図１に示す欠陥検査システムによる推論時のフローチャートである。 実施例１における、具体的な欠陥検査フローの詳細図である。 実施例１に係る欠陥フィルタ部の動作を示す図である。 実施例１に係る欠陥フィルタ部のフローチャートである。 実施例１に係る検査画像正規化部のフローチャートである。 実施例１に係る検査画像正規化部の効果を表す図である。 実施例１における、学習用ＧＵＩを表す図である。 実施例１における、推論用ＧＵＩを表す図である。 本発明の他の実施例に係る実施例２の欠陥検査システムによる学習時のフローチャートである。 従来の具体的な欠陥検査フローの詳細図である。
以下、図面を用いて本発明の実施例について説明する。本発明を説明するための全図において、同一の機能を有するものは、同一の符号を付し、その繰り返しの説明は省略する場合がある。
図１は、本発明の一実施例に係る実施例1の欠陥検査システムの全体構成を示す機能ブロック図である。図１に示すように、欠陥検査システム１００は、試料１、撮像レシピ２、検査装置３、検査画像４、データ処理部１０、及び欠陥分類結果９が出力される出力部１１から構成される。試料１（例えば半導体ウエハ）を検査装置３に入力し、撮像レシピ２により検査画像４を取得する。取得した検査画像４はデータ処理部１０に入力される。検査装置３は、例えば、走査型電子顕微鏡（ＳＥＭ：Ｓｃａｎｎｉｎｇ Ｅｌｅｃｔｒｏｎ Ｍｉｃｒｏｓｃｏｐｅ）を応用した測長ＳＥＭ（ＣＤ－ＳＥＭ：Ｃｒｉｔｉｃａｌ Ｄｉｍｍｅｎｓｉｏｎ－ＳＥＭ）或いは検査ＳＥＭ等を指す。
データ処理部１０は、検査画像ＤＢ５、正規化条件ＤＢ６、計算機７、フィルタモデルＤＢ８、フィルタモデル学習部１０３、フィルタ条件保持部１０６、正規化条件作成部１０７、及び正規化用基準画像保持部１０８から構成される。また、計算機７は、検査画像正規化部１０１、変換後検査画像１０２、欠陥検出部１０４、及び欠陥フィルタ部１０５を有する。ここで、フィルタモデル学習部１０３、正規化条件作成部１０７、検査画像正規化部１０１、欠陥検出部１０４、及び欠陥フィルタ部１０５は、例えば、図示しないＣＰＵなどのプロセッサ、各種プログラムを格納するＲＯＭ、演算過程のデータを一時的に可能するＲＡＭ、外部記憶装置などの記憶装置にて実現されると共に、ＣＰＵなどのプロセッサがＲＯＭに格納された各種プログラムを読み出し実行し、実行結果である演算結果をＲＡＭ又は外部記憶装置に格納する。
加工工程毎に取得する検査画像４は検査画像ＤＢ５へ保持される。検査画像ＤＢ５には、検査画像と同一形状で異なる地点の無欠陥画像である参照画像も含まれる。また、正規化条件作成部１０７は、加工工程毎の検査画像４を計算機７で使用する基準画像に変換するための変換パラメータを算出し、その変換パラメータは正規化条件ＤＢ６へ保持される。計算機７を構成する欠陥検出部１０４は、検査画像に存在する欠陥を検出する。また、計算機７を構成する欠陥フィルタ部１０５は、欠陥検出部１０４の検出結果に含まれる正常部を欠陥と誤検出する虚報を除去し、さらに欠陥サイズや欠陥種を特定する。詳細は図４で説明する。計算機７は、検査画像ＤＢ５に保持されている検査画像と、正規化条件ＤＢ６に保持されている変換パラメータと、フィルタモデルＤＢ８に保持されている欠陥種を分類するためのフィルタモデルを用いて、検査画像４に含まれる虚報、欠陥サイズ、欠陥種を特定し、欠陥分類結果９を出力部１１へ出力する。したがって、試料１の検査画像４をデータ処理部１０に入力すると、検査画像４に含まれる虚報、欠陥サイズ、欠陥種を特定することが可能となる。なお、出力部１１は、例えば、図示しないＬＣＤ（Ｌｉｑｕｉｄ Ｃｒｙｓｔａｌ Ｄｉｓｐｌａｙ）或いはＥＬ（Ｅｌｅｃｔｒｏ Ｌｕｍｉｎｅｓｃｅｎｃｅ）等のディスプレイにて実現される。また、出力部１１は、タッチパネル等の表示のみならずユーザによる入力を受け付ける、所謂、入出力装置ＧＵＩ（Ｇｒａｐｈｉｃａｌ Ｕｓｅｒ Ｉｎｔｅｒｆａｃｅ）として機能する。
図２は、図１に示す欠陥検査システムを構成するデータ処理部による学習時の主要機能部ブロック図である。図２に示すように欠陥検査システム１００を構成するデータ処理部１０は、検査画像ＤＢ５、正規化条件ＤＢ６、検査画像正規化部１０１、フィルタモデル学習部１０３、及びフィルタモデルＤＢ８から構成される。まず、検査画像正規化部１０１は、検査画像ＤＢ５に格納されている検査対象の加工工程における検査画像の学習用データセットを取り出す。それと同時に、正規化条件ＤＢ６に格納されている対象の加工工程における検査画像を基準画像に変換するための変換パラメータを取り出す。ここで、正規化条件ＤＢ６に格納されている変換パラメータは、フィルタモデル（分類モデルと称される場合もある）を学習する前に持っておく必要がある。そこで、例えば、１回目の欠陥検査で使用する検査画像を基準画像とする場合は、２回目以降の欠陥検査に使用する検査画像を入手した時点で、２回目の検査画像を１回目の検査画像に変換するための変換パラメータを算出し、正規化条件ＤＢ６へ格納しておく。この場合、上述の図１に示す正規化用基準画像保持部１０８が１回目の欠陥検査で使用する検査画像を基準画像として保持する。正規化条件作成部１０７は、正規化用基準画像保持部１０８に保持された１回目の欠陥検査で使用する検査画像を読み出し、２回目の検査画像を１回目の検査画像に変換するための変換パラメータを算出する。或いは、基準画像を予め決定しておき、検査画像を入手した時点で、正規化用基準画像保持部１０８に保持された検査画像を、正規化条件作成部１０７が予め決定した基準画像に変換するための変換パラメータを算出し、正規化条件ＤＢ６へ格納しておく。なおここで、基準画像とは、正規化の基準となる画像を意味する。取り出した検査画像のデータセットと、変換パラメータを検査画像正規化部１０１に入力する。検査画像正規化部１０１は、例えば、アフィン変換を適用し、以下の式（１）を用いて検査画像を基準画像へ変換する。
Figure 2023042738000002
ここで、ｆｉ（ｌｉ）＝ａｉｌｉ＋ｂｉで、ａｉ、ｂｉは画像上の座標ｉにおける変換パラメータである。ａｉ＜０の場合、画素の反転が可能である。式（１）は、画像上の任意の座標における輝度値を線形に変更し、基準画像の輝度値ｌｂａｓｅとの差を最小にする。この変換式を適用することで、加工工程の異なる検査画像であっても、同一座標は基準画像と同じ輝度値に変換することが可能となる。これが変換後検査画像１０２となる。変換後検査画像１０２（正規化を行った検査画像とも賞される）は、加工工程に関わらず共通の検査画像であるため、加工工程毎にフィルタモデルを持つ必要がなく、全ての加工工程で共通のフィルタモデルを持てば良い。フィルタモデル学習部１０３は、例えば、Ｕ－ＮｅｔなどのＣＮＮ（Ｃｏｎｖｏｌｕｔｉｏｎ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）を使用する。フィルタモデル学習部１０３で学習したフィルタモデルは、フィルタモデルＤＢ８へ格納される。
図３は図１に示す欠陥検査システム１００による学習時のフローチャートである。まず、ステップＳ１０１では、撮像レシピ２に基づいて、検査装置３により取得された検査画像４を検査画像ＤＢ５へ格納する。次に、ステップＳ１０２では、予めフィルタモデルの学習に使用する基準画像を決めておく。その後、ステップＳ１０３にて、正規化条件作成部１０７が加工工程別に検査画像のデータセットを用意し、検査画像を基準画像へ変換するための変換パラメータａｉ、ｂｉを算出し、正規化条件ＤＢ６へ格納する。そして、ステップＳ１０４にて、検査画像正規化部１０１が、変換式（１）を用いて、検査対象となる検査画像を基準画像へ変換する。その後、ステップＳ１０５にて、変換後検査画像（基準画像）１０２をフィルタモデル学習部１０３であるＣＮＮへ入力し、参照画像と検査画像の画素差から、ピクセル単位で虚報、欠陥サイズ、欠陥種を識別する。虚報、欠陥サイズ、欠陥種の識別は、具体的には、ピクセル毎に実欠陥である確率（確信度）や欠陥種が、例えば、「配線が短い」欠陥である確信度を算出する。ここで、学習の際に使用する教師情報は、例えば、人手によるアノテーションで欠陥部位を囲んだバウンディングボックス内に存在する欠陥検出結果を実欠陥、ボックス外に存在する欠陥検出結果を虚報と設定する。更に、アノテーション時に欠陥種やサイズも教師情報として設定しておく。また、教師あり学習に限らず、教師なし学習でも良い。最後に、ステップＳ１０６にて、学習済のフィルタモデルをフィルタモデルＤＢ８へ格納する。これにより、複数の加工工程において、共通のフィルタモデルを用いて、虚報、欠陥サイズ、欠陥種を識別することができる。これは、同一のパターンが存在する工程間においてフィルタモデル（分類モデル）を共通化できるためである。
図４は図１に示す欠陥検査システムを構成するデータ処理部による推論時の主要機能ブロック図である。図４に示すように欠陥検査システム１００を構成するデータ処理部１０は、欠陥検出部１０４、欠陥フィルタ部１０５、正規化条件ＤＢ６、検査画像正規化部１０１、フィルタモデルＤＢ８、及びフィルタ条件保持部１０６から構成される。また、計算機７は、欠陥検出部１０４、欠陥フィルタ部１０５、及び検査画像正規化部１０１から構成される。まず、検査画像正規化部１０１は検査画像ＤＢ５に格納されている検査対象の加工工程における検査画像の推論用データセットを取り出す。検査対象の加工工程における検査画像の変換パラメータを正規化条件ＤＢ６から取り出し、推論用データセットと共に検査画像正規化部１０１へ入力する。検査画像正規化部１０１により、検査画像はフィルタモデルで使用可能な基準画像へ変換される。欠陥検出部１０４は、例えば、検査画像と参照画像を比較し、その画素差を欠陥として検出するＤ２Ｄ（Ｄｉｅ－ｔｏ－Ｄｉｅ）検査や、検査画像と設計図を比較し欠陥を検出するＤ２ＤＢ（Ｄｉｅ－ｔｏ－Ｄａｔａｂａｓｅ）検査を実行する。したがって、欠陥検出部１０４は、検査画像を入力とし、例えば、欠陥箇所を１、それ以外を０とした画像を欠陥検出結果として欠陥フィルタ部１０５へ出力する。欠陥検出部１０４から出力された欠陥検出結果と、検査画像正規化部１０１から出力された基準画像を欠陥フィルタ部１０５へ入力し、フィルタモデルＤＢ８から読み込んだ学習済みのフィルタモデルを用いて、ピクセル単位で虚報、欠陥サイズ、欠陥種を特定する。その後、フィルタ条件保持部１０６に保持されたフィルタ条件にて指定された確信度、欠陥サイズ及び／又は欠陥種のみをフィルタリングし、出力部１１から最終結果を出力する。フィルタ条件保持部１０６に保持されたフィルタ条件は、欠陥サイズや欠陥種で指定される。欠陥種は、例えば、配線パターンが短いもの、配線パターンが短絡しているもの（本来繋がっているべき配線が断線している状態）、配線パターンが先細りしているもの、配線パターンが開放しているもの（本来離れているべき配線が繋がっている状態）、配線パターン上に傷があるもの、配線パターン上あるいは配線パターン外に異物が乗っているもの、配線パターン以外の部分の欠陥、コントラスト等がある。試料の加工工程により、最終的に出力したい欠陥サイズや欠陥種は異なるため、フィルタ条件保持部１０６に保持されたフィルタ条件により各加工工程で必要な欠陥のみを抽出する必要がある。
図５は、図１に示す欠陥検査システム１００による推論時のフローチャートである。まず、ステップＳ２０１にて、撮像レシピ２に基づき、検査装置３により検査画像を取得する。次に、ステップＳ２０２にて、欠陥検出部１０４が参照画像比較検査にて、欠陥検出結果を取得する。その後、ステップＳ２０３にて検査画像正規化部１０１が、上述の変換式（１）を用いて、検査対象となる検査画像を基準画像（正規化の基準となる画像）へ変換する。そして、ステップＳ２０４では、欠陥フィルタ部１０５がフィルタモデルＤＢ８から学習済のフィルタモデルを読み込む。そして、ステップＳ２０５にて、欠陥フィルタ部１０５に、欠陥検出部１０４の欠陥検出結果と、基準画像を入力し、読み込んだ学習済みのフィルタモデル（分類モデル）を使用して、ピクセル単位で虚報、欠陥サイズ、欠陥種を特定する。最後に、ステップＳ２０６にて、欠陥フィルタ部１０５が、フィルタ条件保持部１０６に保持されたフィルタ条件で設定された欠陥サイズ及び／又は欠陥種のみを出力部１１へ出力する。これにより、前回とは異なる加工工程における欠陥検査においても、フィルタモデルを学習せずに、既存のフィルタモデルを用いて、虚報、欠陥サイズ、欠陥種を識別することができる。更に、欠陥を検出しにくい加工工程における検査において、学習データを収集してフィルタモデルを学習しなくとも、既存のフィルタモデルを用いて、虚報、欠陥サイズ、欠陥種を識別することができる。ここで、欠陥を検出しにくい加工工程における検査とは、欠陥が少なくて学習データの収集が困難である場合を意味する。
図６は、本実施例における具体的な欠陥検査フローの詳細図である。図６に示すように、試料は、加工工程１、加工工程２、加工工程３、加工工程４を経て完成する場合を考える。加工工程１と加工工程３において、それぞれ欠陥を分類する場合、従来は加工工程毎に学習部や欠陥分類部を有する必要があった（図１４参照）。しかし、図６に示すように、検査画像ＤＢと正規化条件ＤＢを有し、加工工程１及び加工工程３の検査画像を検査画像ＤＢへ、加工工程１及び加工工程３のそれぞれの検査画像を基準画像に変換するための変換パラメータを正規化条件ＤＢへ格納しておくことで、加工工程１と加工工程３の検査画像を同一の基準画像に変換することができるため、学習部や欠陥分類部を各加工工程で共通にすることができる。更に、欠陥が出やすい検査画像を用いてフィルタモデルを学習し、学習済のフィルタモデルを用いて欠陥が出にくい別の加工工程の検査ができることも利点である。
図７は、本実施例に係る欠陥フィルタ部の動作を示す図である。欠陥フィルタ部１０５は、検査画像、参照画像、欠陥検出結果をフィルタモデルＤＢ８に格納されているフィルタモデルに入力すると、ピクセル単位で欠陥サイズや欠陥種を判定する。図７では、例として配線パターンが短いもの、短絡しているもの、先細りしているもの、開放しているものの４パターンの欠陥種に分類する場合を示す。その後、フィルタ条件保持部１０６に保持されたフィルタ条件により、例えば、欠陥サイズは２５０ｐｉｘ以上、欠陥種は配線パターンが短いもの、短絡しているもの、開放しているものの３種類のみを検出するように設定し、欠陥フィルタ部１０５にフィルタモデルによる分類結果と、フィルタ条件を入力すると、最終的に配線パターンが先細りしているもの以外の３種類のみを出力することができる。なお、フィルタ条件の欠陥種のうち、先細りについては未検出となっているが、これは先細りについては検出不要であることを意味する。
図８は、本実施例に係る欠陥フィルタ部１０５のフローチャートである。まず、ステップＳ３０１では、ピクセル単位で表示されるフィルタモデルの出力を、所定のピクセル内の検出結果を一塊とする。ここで一塊とは、各ピクセルに入っている情報が０以外の連続した領域（連結領域）を１つの塊と定義する。その後、ステップＳ３０２では、ステップＳ３０１で作成した塊毎に欠陥サイズおよび欠陥種を特定する。最後に、ステップＳ３０３では、フィルタ条件保持部１０６に保持されたフィルタ条件１０６により示される所定の欠陥サイズ、欠陥種に属さないフィルタモデルの出力を検出無しに変更する。これにより、任意の加工工程において必要な欠陥サイズ、欠陥種のみを抽出することができる。
図９は、本実施例に係る検査画像正規化部１０１のフローチャートである。まず、ステップＳ４０１では、予めフィルタモデルの学習に使用する基準画像を決めておく。次に、ステップＳ４０２にて、加工工程別に検査画像を用意し、検査画像と基準画像を同一画像に変換するための変換パラメータａｉ、ｂｉを算出し、それらを正規化条件ＤＢ６へ格納する。最後に、Ｓ４０３にてステップ検査画像正規化部１０１が、検査画像を、上述の変換式（１）を用いて基準画像へ変換する。これにより、加工工程が異なる検査画像を、全ての加工工程において共通のフィルタモデルで使用可能な基準画像に変換することができる。
図１０は、本実施例に係る検査画像正規化部１０１の効果の一例を表す図である。図１０に示すように、加工工程Ａ、加工工程Ｂ、加工工程Ｃがあり、それぞれの検査画像は、配線パターンは同じだが、色味が異なる場合を考える。ここで、加工工程Ａ、加工工程Ｂ、加工工程Ｃは、例えばエッチング工程やリソグラフィ工程等を意味する。検査画像正規化部１０１にて、３枚の検査画像を上述の変換式（１）を用いてそれぞれ変換すると、３枚全てが同一の基準画像になる。これにより、加工工程が異なっていても、同一のフィルタモデルを用いて欠陥種を分類することができる。
図１１と図１２を用いて、欠陥検査システム１００の制御に用いる入出力装置ＧＵＩ（Ｇｒａｐｈｉｃａｌ Ｕｓｅｒ Ｉｎｔｅｒｆａｃｅ）の具体例について説明する。なお上述したように、この入出力装置ＧＵＩは、例えば、図１に示す出力部１１に相当する。 図１１は学習用ＧＵＩを表す図である。学習用ＧＵＩには、（１）学習データ選択部、（２）正規化条件選択部、（３）学習条件設定部、（４）変換後検査画像確認部、（５）学習結果確認部等が設定される。（１）学習データ選択部では、欠陥検査の対象となる加工工程における検査画像を選択する。（２）正規化条件選択部では、（１）で選択した検査画像を基準画像に変換するための変換パラメータａｉ、ｂｉを選択する。（３）学習条件設定部では、損失回数や学習回数、学習率等を設定する。この条件の元で、まず検査画像を基準画像に変換し、その結果を（４）変換後検査画像確認部に出力する。出力された基準画像を用いてフィルタモデルを学習し、学習結果は（５）学習結果確認部に出力される。出力された学習結果を確認し、評価指標であるＰｒｅｃｉｓｉｏｎ（検出精度）、Ｒｅｃａｌｌ（欠陥検出率）、虚報除去率が目標値に達していなければ、再度（３）学習条件設定部で学習条件を設定し直し、フィルタモデルを学習する。
図１２は推論用ＧＵＩを表す図である。推論用ＧＵＩには、（１）推論データ選択部、（２）フィルタモデル選択部、（３）正規化条件選択部、（４）フィルタ条件設定部、（５）変換後検査画像確認部、（６）推論結果確認部等が設定される。（１）推論データ選択部では、欠陥検査の対象となる加工工程における検査画像を選択する。（２）フィルタモデル選択部では、検査対象の加工工程で使用可能なフィルタモデルを選択する。（３）正規化条件選択部では、学習用ＧＵＩと同様に、（１）で選択した検査画像を基準画像に変換するための変換パラメータａｉ、ｂｉを選択する。（４）フィルタ条件設定部では、検査対象の加工工程において、抽出したい欠陥サイズや欠陥種を設定する。検査画像を基準画像に変換した結果は（５）変換後検査画像確認部に出力される。出力された基準画像は、（２）フィルタモデル選択部で指定したフィルタモデルによって推論され、所定のピクセル内の塊単位で欠陥種を分類する。その後、（４）フィルタ条件設定部で設定された条件に基づき、加工工程毎に抽出したい欠陥のみが出力される。これらの推論結果は、（６）推論結果確認部に出力される。
以上の通り本実施例によれば、各検査工程で共通に使用できるフィルタモデルを有することで高効率な検査を可能とし得る欠陥検査システム及び欠陥検査方法を提供することが可能となる。
具体的には、加工工程の異なる検査画像を共通の基準画像に変換することで、フィルタモデルを加工工程毎に有する必要がなくなり、全ての加工工程で共通のフィルタモデルを使用可能となるため、検査時間を短縮できる。また、管理すべきフィルタモデルの数が少なくなるため、管理も容易になるという利点がある。更に、欠陥検出結果に含まれる虚報を除去するだけでなく、加工工程毎に欠陥サイズや欠陥種を特定することができる。そして、欠陥を検出しにくい加工工程における検査において、学習データを収集してフィルタモデルを学習しなくとも、既存のフィルタモデルを用いて、虚報、欠陥サイズ、欠陥種を識別することができる。
図１３は、本発明の他の実施例に係る実施例２の欠陥検査システムによる学習時のフローチャートである。上述の実施例１では、加工工程別に検査画像を用意する構成としたのに対し、本実施例では撮像条件別に検査画像を用意する構成とした点が実施例１と異なる。本実施例に係る欠陥検査システムの構成自体は上述の実施例１における図１、図２、及び図４に示す機能ブロック図と同様であるため、以下では、実施例１と重複する説明を省略する。
本実施例では、撮像条件が異なることによる変形量、画質、コントラストが変わる点に着目したもので有り、また、加工工程毎に、最適な撮像条件も変化し得る点を考慮したものである。
図１３に示すように、まず、ステップＳ１０１では、撮像レシピ２に基づいて、検査装置３により取得された検査画像４を検査画像ＤＢ５へ格納する。次に、ステップＳ１０２では、予めフィルタモデルの学習に使用する基準画像を決めておく。その後、ステップＳ５０３にて、正規化条件作成部１０７が撮像条件別に検査画像のデータセットを用意し、検査画像を基準画像へ変換するための変換パラメータａｉ、ｂｉを算出し、正規化条件ＤＢ６へ格納する。そして、ステップＳ１０４にて、検査画像正規化部１０１が、上述の変換式（１）を用いて、検査対象となる検査画像を基準画像へ変換する。その後、ステップＳ１０５にて、変換後検査画像（基準画像）１０２をフィルタモデル学習部１０３であるＣＮＮへ入力し、参照画像と検査画像の画素差から、ピクセル単位で虚報、欠陥サイズ、欠陥種を識別する。虚報、欠陥サイズ、欠陥種の識別は、具体的には、ピクセル毎に実欠陥である確率（確信度）や欠陥種が、例えば、「配線が短い」欠陥である確信度を算出する。ここで、学習の際に使用する教師情報は、例えば、人手によるアノテーションで欠陥部位を囲んだバウンディングボックス内に存在する欠陥検出結果を実欠陥、ボックス外に存在する欠陥検出結果を虚報と設定する。更に、アノテーション時に欠陥種やサイズも教師情報として設定しておく。また、教師あり学習に限らず、教師なし学習でも良い。最後に、ステップＳ１０６にて、学習済のフィルタモデルをフィルタモデルＤＢ８へ格納する。これにより、複数の加工工程において、共通のフィルタモデルを用いて、虚報、欠陥サイズ、欠陥種を識別することができる。これは、同一のパターンが存在する工程間においてフィルタモデル（分類モデル）を共通化できるためである。以降のデータ処理部１０による推論時の処理フローは、実施例１で説明した図５と同様で有り、また、欠陥フィルタ部１０５による処理フローは、実施例１で説明した図８と同様である。更に、検査画像正規化部１０１の処理フローは、実施例１で説明した図９と同様である。
以上の通り本実施例によれば、撮像条件の違いによる検査画像の差を吸収することが可能となり高効率な検査を可能とし得る欠陥検査システム及び欠陥検査方法を提供することが可能となる。
具体的には、撮像条件が異なることによる変形量、画質、コントラストが変わる場合、或いは、加工工程毎に最適な撮像条件が変化する場合においても、検査画像の差を吸収することが可能となる。
上述の実施例１及び実施例２では、欠陥検査システム１００を構成するデータ処理部１０は検査装置３とは別で構成されていたが、検査装置３の内部に設ける構成としても良い。また、実施例１１及び実施例２では、計算機７の内部に欠陥検出部１０４、欠陥フィルタ部１０５、検査画像正規化部１０１を設ける構成としたが、これに限られるものではない。例えば、欠陥フィルタ部１０５及び検査画像正規化部１０１は、欠陥検出部１０４とは別の計算機或いは装置に設ける構成としても良い。
また、上述の実施例１及び実施例２では、半導体に対する欠陥検査システム１００を一例としたが、半導体に限らず、画像を用いる外観検査装置であれば適用可能である。例えば、部品の不良品検査など、量産ラインにおける外観検査に適用できる。
なお、本発明は上記した実施例に限定されるものではなく、様々な変形例が含まれる。例えば、上記した実施例は本発明を分かりやすく説明するために詳細に説明したものであり、必ずしも説明した全ての構成を備えるものに限定されるものではない。また、ある実施例の構成の一部を他の実施例の構成に置き換えることが可能であり、また、ある実施例の構成に他の実施例の構成を加えることも可能である。
１…試料
２…撮像レシピ
３…検査装置
４…検査画像
５…検査画像ＤＢ
６…正規化条件ＤＢ
７…計算機
８…フィルタモデルＤＢ
９…欠陥分類結果
１０…データ処理部
１１…出力部
１００…欠陥検査システム
１０１…検査画像正規化部
１０２…変換後検査画像
１０３…フィルタモデル学習部
１０４…欠陥検出部
１０５…欠陥フィルタ部
１０６…フィルタ条件保持部
１０７…正規化条件作成部
１０８…正規化用基準画像保持部

Claims (14)

1つ以上の加工工程により加工される試料において1つ以上の加工工程後に撮像した試料の検査画像に基づき欠陥の有無を検査する欠陥検査システムであって、
前記検査画像と前記検査画像と同一検査点で欠陥を有しない画像である参照画像とを比較して検査画像内の欠陥位置を検出する欠陥検出部と、
前記欠陥検出部で検出された欠陥位置を虚報若しくは指定された欠陥種に分類するフィルタモデルと、
指定された欠陥種及び／又は欠陥サイズにより構成されるフィルタ条件を保持するフィルタ条件保持部と、
前記欠陥検出部で検出した欠陥位置を所定の距離内毎にひとまとまりとした欠陥領域抽出部と、
前記欠陥領域抽出部で抽出した欠陥領域毎に前記フィルタ条件に該当するか否かを判定し該当する欠陥領域のみを抽出する欠陥フィルタ部と、
前記検査画像を検査時の前記加工工程と加工工程毎又は撮像条件毎に設定した正規化条件に基づいて正規化を行う正規化部と、を有し、
前記フィルタモデルは、前記正規化部で正規化された検査画像を用いて学習することにより、前記フィルタモデルを得ることを特徴とする欠陥検査システム。
請求項１に記載の欠陥検査システムにおいて、
前記フィルタモデルは、複数の加工工程で共通した前記正規化部で正規化された検査画像を用いて学習することで正規化条件のみ設定すれば学習データのない加工工程に対しても適用し得ることを特徴とする欠陥検査システム。
請求項２に記載の欠陥検査システムにおいて、
前記フィルタモデルは、ＣＮＮ（Ｃｏｎｖｏｌｕｔｉｏｎ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）を用いた機械学習により前記検査画像に存在する欠陥の有無若しくは欠陥種を特定すること特徴とする欠陥検査システム。
請求項２に記載の欠陥検査システムにおいて、
前記フィルタ条件を構成する欠陥種は、少なくとも、配線の短さ、配線の短絡、配線の先細り、配線の開放、配線の傷、配線上及び／又は配線内に存在する異物、配線以外の欠陥、及びコントラストの違いのいずれか１つであることを特徴とする欠陥検査システム。
請求項２に記載の欠陥検査システムにおいて、
前記正規化部は、
前記検査画像を前記フィルタモデルに使用する基準画像に変換するための変換パラメータに基づいて前記検査画像を前記基準画像に変換し、前記フィルタモデルは複数の加工工程で共通に使用できることを特徴とする欠陥検査システム。
請求項５に記載の欠陥検査システムにおいて、
前記フィルタモデルは、
前記検査画像のピクセル単位で虚報若しくは指定された欠陥種に分類することを特徴とする欠陥検査システム。
請求項６に記載の欠陥検査システムにおいて、
正規化条件データベースを備え、
前記正規化部は、予め正規化するための変換パラメータを加工工程毎に算出し、前記正規化条件として正規化条件データベースに格納することを特徴とする欠陥検査システム。
1つ以上の加工工程により加工される試料において1つ以上の加工工程後に撮像した試料の検査画像に基づき欠陥の有無を検査する欠陥検査方法であって、
欠陥検出部が、前記検査画像と前記検査画像と同一検査点で欠陥を有しない画像である参照画像とを比較して検査画像内の欠陥位置を検出し、
フィルタモデルが、前記欠陥検出部で検出された欠陥位置を虚報若しくは指定された欠陥種に分類し、
フィルタ条件保持部が、指定された欠陥種及び／又は欠陥サイズにより構成されるフィルタ条件を保持し、
欠陥領域抽出部が、前記欠陥検出部で検出した欠陥位置を所定の距離内毎にひとまとまりとした欠陥領域を抽出し、
欠陥フィルタ部が、前記欠陥領域抽出部で抽出した欠陥領域毎に前記フィルタ条件に該当するか否かを判定し該当する前記欠陥領域のみを抽出し、
正規化部が、前記検査画像を検査時の前記加工工程と加工工程毎又は撮像条件毎に設定した正規化条件に基づいて正規化を行い、
前記フィルタモデルは、前記正規化部で正規化された検査画像を用いて学習することにより得られることを特徴とする欠陥検査方法。
請求項８に記載の欠陥検査方法において、
前記フィルタモデルは、複数の加工工程で共通した前記正規化部で正規化された検査画像を用いて学習することで正規化条件のみ設定すれば学習データのない加工工程に対しても適用し得ることを特徴とする欠陥検査方法。
請求項９に記載の欠陥検査方法において、
前記フィルタモデルが、ＣＮＮ（Ｃｏｎｖｏｌｕｔｉｏｎ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）を用いた機械学習により前記検査画像に存在する欠陥の有無若しくは欠陥種を特定すること特徴とする欠陥検査方法。
請求項９に記載の欠陥検査方法において、
前記フィルタ条件を構成する欠陥種は、少なくとも、配線の短さ、配線の短絡、配線の先細り、配線の開放、配線の傷、配線上及び／又は配線内に存在する異物、配線以外の欠陥、及びコントラストの違いのいずれか１つであることを特徴とする欠陥検査方法。
請求項９に記載の欠陥検査方法において、
前記正規化部が、 前記検査画像を前記フィルタモデルに使用する基準画像に変換するための変換パラメータに基づいて前記検査画像を前記基準画像に変換し、前記フィルタモデルは複数の加工工程で共通に使用できることを特徴とする欠陥検査方法。
請求項１２に記載の欠陥検査方法において、
前記フィルタモデルは、前記検査画像のピクセル単位で虚報若しくは指定された欠陥種に分類することを特徴とする欠陥検査方法。
請求項１３に記載の欠陥検査方法において、
前記正規化部、予め正規化するための変換パラメータを加工工程毎に算出し、正規化条件として正規化条件データベースに格納することを特徴とする欠陥検査方法。
JP2021150035A 2021-09-15 2021-09-15 欠陥検査システム及び欠陥検査方法 Pending JP2023042738A (ja)

Priority Applications (5)

Application Number Priority Date Filing Date Title
JP2021150035A JP2023042738A (ja) 2021-09-15 2021-09-15 欠陥検査システム及び欠陥検査方法
TW111130174A TWI833326B (zh) 2021-09-15 2022-08-11 缺陷檢查系統及缺陷檢查方法
US17/895,264 US20230077332A1 (en) 2021-09-15 2022-08-25 Defect Inspection System and Defect Inspection Method
KR1020220110528A KR20230040272A (ko) 2021-09-15 2022-09-01 결함 검사 시스템 및 결함 검사 방법
CN202211080646.6A CN115808434A (zh) 2021-09-15 2022-09-05 缺陷检查系统以及缺陷检查方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2021150035A JP2023042738A (ja) 2021-09-15 2021-09-15 欠陥検査システム及び欠陥検査方法

Publications (1)

Publication Number Publication Date
JP2023042738A true JP2023042738A (ja) 2023-03-28

Family

ID=85480271

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2021150035A Pending JP2023042738A (ja) 2021-09-15 2021-09-15 欠陥検査システム及び欠陥検査方法

Country Status (5)

Country Link
US (1) US20230077332A1 (ja)
JP (1) JP2023042738A (ja)
KR (1) KR20230040272A (ja)
CN (1) CN115808434A (ja)
TW (1) TWI833326B (ja)

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWM334411U (en) * 2007-12-19 2008-06-11 Hsiuping Inst Technology Automatic test and efficiency real-time monitoring apparatus of production line
US8331650B2 (en) * 2010-07-29 2012-12-11 Sharp Laboratories Of America, Inc. Methods, systems and apparatus for defect detection
JP6809250B2 (ja) 2017-01-23 2021-01-06 株式会社リコー 情報処理装置、情報処理方法およびプログラム
MX2021007733A (es) * 2018-12-25 2021-08-05 Jfe Steel Corp Metodo de generacion de modelo aprendido, modelo aprendido, metodo de inspeccion de defectos de superficie, metodo de fabricacion de acero, metodo de determinacion de pasa/no pasa, metodo de determinacion de grado, programa de determinacion de defectos de superficie, programa de determinacion de pasa/no pasa, sistema de determinacion y equipo de fabricacion de acero.
CN112766110A (zh) * 2021-01-08 2021-05-07 重庆创通联智物联网有限公司 物体缺陷识别模型的训练方法、物体缺陷识别方法及装置

Also Published As

Publication number Publication date
KR20230040272A (ko) 2023-03-22
TWI833326B (zh) 2024-02-21
CN115808434A (zh) 2023-03-17
TW202314592A (zh) 2023-04-01
US20230077332A1 (en) 2023-03-16

Similar Documents

Publication Publication Date Title
US10297021B2 (en) Defect quantification method, defect quantification device, and defect evaluation value display device
US8625906B2 (en) Image classification standard update method, program, and image classification device
US7681159B2 (en) System and method for detecting defects in a semiconductor during manufacturing thereof
US8428336B2 (en) Inspecting method, inspecting system, and method for manufacturing electronic devices
US9311697B2 (en) Inspection method and device therefor
CN109285791B (zh) 设计布局为主的快速在线缺陷诊断、分类及取样方法及系统
CN109946303A (zh) 检查装置和方法
JP7034840B2 (ja) 外観検査装置および方法
WO2007074770A1 (ja) 画像解析によって欠陥検査を行う欠陥検査装置
KR101759496B1 (ko) Ｐｃｂ 결함 및 결함종류 분류 시스템 및 방법
CN113096119A (zh) 晶圆缺陷分类的方法、装置、电子设备以及存储介质
CN116337868B (zh) 一种表面缺陷检测方法及检测系统
JP2020128877A (ja) 線状体の異常検出装置及び異常検出方法
WO2014103617A1 (ja) 位置合せ装置、欠陥検査装置、位置合せ方法、及び制御プログラム
JP5257063B2 (ja) 欠陥検出方法および欠陥検出装置
TWI833326B (zh) 缺陷檢查系統及缺陷檢查方法
TWI785579B (zh) 元件辨識模型之自動模型重建方法及系統
JP2001134763A (ja) 撮像画像に基づく欠陥の分類方法、および、その結果の表示方法
KR20230036650A (ko) 영상 패치 기반의 불량 검출 시스템 및 방법
JP4599980B2 (ja) 多層配線構造の不良解析方法および不良解析装置
JP2010019561A (ja) 欠陥検査装置および欠陥検査方法
CN117495846B (zh) 图像检测方法、装置、电子设备及存储介质
KR102028196B1 (ko) 영상 처리를 이용한 엘이디 모듈 검사 장치
KR100567895B1 (ko) 자동 결함 분류 방법
TW202248628A (zh) 檢查裝置、檢查方法、玻璃板的製造方法、檢查程式以及電腦程式產品

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20240130