JP4132229B2

JP4132229B2 - 欠陥分類方法

Info

Publication number: JP4132229B2
Application number: JP15486598A
Authority: JP
Inventors: 篤下田; 裕治高木
Original assignee: Renesas Technology Corp
Current assignee: Renesas Technology Corp
Priority date: 1998-06-03
Filing date: 1998-06-03
Publication date: 2008-08-13
Anticipated expiration: 2018-06-03
Also published as: JPH11344450A

Description

【０００１】
【発明の属する技術分野】
本発明は、半導体ウェハ等の製造プロセスにおける欠陥検査で発見された欠陥を撮像して得られた画像信号に基づいて欠陥の種類を分類して欠陥の発生原因を推定可能にする欠陥分類方法およびその装置に関する。
【０００２】
【従来の技術】
特開平８−２１８０３号公報には、欠陥種別判定装置が記載されている。これは、ニューロ処理ユニットの入力として欠陥画像から抽出した欠陥情報（面積、形状、位置、明るさ、等）を与え、出力として欠陥種別を得る構成とし、欠陥種別に対応した欠陥情報に対してそれぞれの欠陥種別が出現するように前記ニューロ処理ユニットを学習させておくものである。この結果、分類対象画像から抽出した欠陥情報を前記ニューロ処理ユニットに入力して、その出力から欠陥種別を判定するものである。
【０００３】
【発明が解決しようとする課題】
上記学習型欠陥分類装置では、ユーザが提示する学習用データに矛盾したデータが含まれ易い問題がある。特に、画像の分類においては、ユーザはあいまいな判定を行いやすいため、上記の傾向は顕著である。しかし、上記従来技術では、ユーザが矛盾したデータを与えた場合でもシステムは汎用的に対応しようとするため、全体としての性能を低下させる恐れがあった。
【０００４】
本発明の目的は、上記課題に鑑みて、欠陥の発生原因を推定するために欠陥の画像信号から欠陥の種類を分類するための正確な教示用データの作成を支援できるようにした教示用データ作成方法を提供することにある。
また、本発明の他の目的は、正確な教示用データの作成を支援できることによって、欠陥の発生原因を推定するために欠陥の画像信号から欠陥の種類を正確に分類できるようにした学習機能を備えた欠陥分類方法およびその装置を提供することにある。
【０００５】
【課題を解決するための手段】
上記目的を達成するために、本発明は、欠陥画像信号を元に欠陥の種類を分類するための教示用データ作成方法であって、複数の教示用欠陥画像に対して欠陥の種類に対応するカテゴリを付与することにより教示用データを作成し、前記教示用欠陥画像の各々について複数の特徴量を算出し、前記付与されたカテゴリと前記算出された特徴量とに基づき教示用欠陥画像の特徴量空間におけるカテゴリ間の判別関数を算出し、該判別関数を用いて教示用欠陥画像とカテゴリの対応からなる教示用データを診断し、少なくとも性能を低下させる可能性がある教示用欠陥画像を画面に表示して前記教示用データを修正することを特徴とする。
また、本発明は、予め複数の教示用欠陥を撮像して複数の教示用欠陥画像を検出する教示用欠陥画像検出過程と、該教示用欠陥画像検出過程で検出された複数の教示用欠陥画像を表示手段に表示し、該表示された複数の教示用欠陥画像に対してカテゴリを付与することにより教示用欠陥画像とカテゴリとの対応を教示するカテゴリ教示過程と、前記教示用欠陥画像検出過程で検出された複数の教示用欠陥画像から複数の教示用欠陥の各々について所望の複数の特徴量を算出し、前記付与されたカテゴリと前記算出された特徴量に基づき教示用欠陥画像の特徴量空間におけるカテゴリ間の判別関数を算出し、該判別関数を用いて各教示用欠陥を分類してカテゴリを付与するカテゴリ付与過程と、各教示用欠陥について前記カテゴリ教示過程で教示されたカテゴリと前記カテゴリ付与過程で付与されたカテゴリとを比較して、両カテゴリが相違する場合、少なくともその情報を表示手段に表示し、該表示された情報を元に、教示用欠陥についてカテゴリを修正または教示用欠陥を除外して教示用欠陥とカテゴリとの対応を教示する修正または除外教示過程とを有し、複数の教示用欠陥と欠陥の種類に対応するカテゴリとの対応関係を示す教示用データを学習して取得する学習工程と、被検査物に対して検査されて見付かった欠陥について撮像して被検査対象の欠陥画像を検出し、該検出された被検査対象の欠陥画像を元に、前記学習工程で取得された教示用データから前記欠陥の種類を分類する分類工程とを有することを特徴とする欠陥分類方法である。
【０００６】
また、本発明は、予め複数の教示用欠陥を撮像して複数の教示用欠陥画像を検出する教示用欠陥画像検出過程と、該教示用欠陥画像検出過程で検出された複数の教示用欠陥画像を表示手段に表示し、該表示された複数の教示用欠陥画像に対してカテゴリを付与することにより教示用欠陥画像とカテゴリとの対応を教示するカテゴリ教示過程と、前記教示用欠陥画像検出過程で検出された複数の教示用欠陥画像から複数の教示用欠陥の各々について所望の複数の特徴量を算出し、該算出された各教示用欠陥についての所望の複数の特徴量の関係から各教示用欠陥を分類してカテゴリを付与するカテゴリ付与過程と、各教示用欠陥について前記カテゴリ教示過程で教示されたカテゴリと前記カテゴリ付与過程で付与されたカテゴリとを比較して、両カテゴリが相違する場合、少なくともその情報を表示手段に表示し、該表示された情報を元に、教示用欠陥についてカテゴリを修正または教示用欠陥を除外して教示用欠陥とカテゴリとの対応を教示する修正または除外教示過程とを有し、複数の教示用欠陥の特徴量と欠陥の種類に対応するカテゴリとの対応関係を示す教示用データを学習して取得する学習工程と、被検査物に対して検査されて見付かった欠陥について撮像して被検査対象の欠陥画像を検出し、該検出された被検査対象の欠陥画像から欠陥の所望の特徴量を算出し、該算出された欠陥の所望の特徴量を元に、前記学習工程で取得された教示用データから前記欠陥の種類を分類する分類工程とを有することを特徴とする欠陥分類方法である。
【０００７】
また、本発明は、予め複数の教示用欠陥を撮像して複数の教示用欠陥画像を検出する教示用欠陥画像検出過程と、該教示用欠陥画像検出過程で検出された複数の教示用欠陥画像を表示手段に表示し、該表示された複数の教示用欠陥画像に対してカテゴリを付与することにより教示用欠陥画像とカテゴリとの対応を教示するカテゴリ教示過程と、前記教示用欠陥画像検出過程で検出された複数の教示用欠陥画像から複数の教示用欠陥の各々について所望の複数の特徴量を算出し、該算出された各教示用欠陥についての所望の複数の特徴量の関係からカテゴリを分類するためのパラメータを算出し、該算出された分類パラメータに基づいて各教示用欠陥を分類してカテゴリを付与するカテゴリ付与過程と、各教示用欠陥について前記カテゴリ教示過程で教示されたカテゴリと前記カテゴリ付与過程で付与されたカテゴリとを比較して、両カテゴリが相違する場合、少なくともその情報を表示手段に表示し、該表示された情報を元に、教示用欠陥についてカテゴリを修正または教示用欠陥を除外して教示用欠陥とカテゴリとの対応を教示する修正または除外教示過程とを有し、複数の教示用欠陥の特徴量と欠陥の種類に対応するカテゴリとの対応関係を示す教示用データを学習して取得する学習工程と、被検査物に対して検査されて見付かった欠陥について撮像して被検査対象の欠陥画像を検出し、該検出された被検査対象の欠陥画像から欠陥の所望の特徴量を算出し、該算出された欠陥の所望の特徴量を元に、前記学習工程で取得された教示用データから前記欠陥の種類を分類する分類工程とを有することを特徴とする欠陥分類方法である。
【０００８】
また、本発明は、前記欠陥分類方法の学習工程におけるカテゴリ付与過程において、各教示用欠陥についてカテゴリを分類する際、算出された特徴量の中から所望の複数の特徴量を選択する特徴量選択過程を有することを特徴とする。
また、本発明は、予め複数の教示用欠陥を撮像して複数の教示用欠陥画像を検出する教示用欠陥画像検出過程と、該教示用欠陥画像検出過程で検出された複数の教示用欠陥画像を表示手段に表示し、該表示された複数の教示用欠陥画像に対してカテゴリを付与することにより教示用欠陥画像とカテゴリとの対応を教示するカテゴリ教示過程と、前記教示用欠陥画像検出過程で検出された複数の教示用欠陥画像から複数の教示用欠陥の各々について所望の複数の特徴量を算出し、前記付与されたカテゴリと前記算出された特徴量に基づき教示用欠陥画像の特徴量空間におけるカテゴリ間の判別関数を算出し、該判別関数を用いて各教示用欠陥を分類するためのカテゴリ分類評価値を算出するカテゴリ分類評価値算出過程と、各教示用欠陥について前記カテゴリ分類評価値算出過程で算出されたカテゴリ分類評価値を表示手段に表示し、該表示されたカテゴリ分類評価値を元に、教示用欠陥についてカテゴリを修正または教示用欠陥を除外して教示用欠陥とカテゴリとの対応を教示する修正または除外教示過程とを有し、複数の教示用欠陥の特徴量と欠陥の種類に対応するカテゴリとの対応関係を示す教示用データを学習して取得する学習工程と、被検査物に対して検査されて見付かった欠陥について撮像して被検査対象の欠陥画像を検出し、該検出された被検査対象の欠陥画像から欠陥の所望の特徴量を算出し、該算出された欠陥の所望の特徴量を元に、前記学習工程で取得された教示用データから前記欠陥の種類を分類する分類工程とを有することを特徴とする欠陥分類方法である。
また、本発明は、前記欠陥分類方法の学習工程におけるカテゴリ分類評価値算出過程において、各教示用欠陥を分類するカテゴリ分類評価値を算出する際、算出された特徴量の中から所望の複数の特徴量を選択する特徴量選択過程を有することを特徴とする。
【０００９】
また、本発明は、予め複数の教示用欠陥を撮像して複数の教示用欠陥画像を検出する教示用欠陥画像検出過程と、該教示用欠陥画像検出過程で検出された複数の教示用欠陥画像から複数の教示用欠陥の各々について複数の特徴量を算出する特徴量算出過程と、該特徴量算出過程で算出される複数の特徴量の関係に基づく特徴量空間上に教示用欠陥を位置させて表示手段に表示し、該表示された特徴量空間上における教示用欠陥の位置に応じて該教示用欠陥に対してカテゴリを付与することにより教示用欠陥とカテゴリとの対応を教示するカテゴリ教示過程とを有し、複数の教示用欠陥の特徴量と欠陥の種類に対応するカテゴリとの対応関係を示す教示用データを学習して取得する学習工程と、被検査物に対して検査されて見付かった欠陥について撮像して被検査対象の欠陥画像を検出し、該検出された被検査対象の欠陥画像から欠陥の所望の特徴量を算出し、該算出された欠陥の所望の特徴量を元に、前記学習工程で取得された教示用データから前記欠陥の種類を分類する分類工程とを有することを特徴とする欠陥分類方法である。
また、本発明は、予め複数の教示用欠陥を撮像して複数の教示用欠陥画像を検出する教示用欠陥画像検出過程と、該教示用欠陥画像検出過程で検出された複数の教示用欠陥画像から複数の教示用欠陥の各々について複数の特徴量を算出する特徴量算出過程と、該特徴量算出過程で算出される特徴量の中から所望の複数の特徴量を選択する特徴量選択過程と、該特徴量選択過程で選択された所望の複数の特徴量の関係に基づく特徴量空間上に、前記特徴量算出過程で算出する教示用欠陥を位置させて表示手段に表示し、該表示された特徴量空間上における教示用欠陥の位置に応じて該教示用欠陥に対してカテゴリを付与することにより教示用欠陥とカテゴリとの対応を教示するカテゴリ教示過程とを有し、複数の教示用欠陥の特徴量と欠陥の種類に対応するカテゴリとの対応関係を示す教示用データを学習して取得する学習工程と、被検査物に対して検査されて見付かった欠陥について撮像して被検査対象の欠陥画像を検出し、該検出された被検査対象の欠陥画像から欠陥の所望の特徴量を算出し、該算出された欠陥の所望の特徴量を元に、前記学習工程で取得された教示用データから前記欠陥の種類を分類する分類工程とを有することを特徴とする欠陥分類方法である。
【００１０】
また、本発明は、前記欠陥分類方法において、更に、前記分類工程で分類された欠陥の種類に基づいて欠陥の発生原因を推定する欠陥の発生原因推定工程とを有することを特徴とする。
また、本発明は、被検査物の欠陥検査で発見された欠陥を撮像して得られた画像信号に基づいて欠陥の種類を分類する欠陥分類方法であって、ユーザが予め教示用欠陥画像にカテゴリＡを付与することにより教示用欠陥画像とカテゴリの対応を教示する教示過程と、教示用欠陥画像の特徴量と付与されたカテゴリＡを元に計算手段が分類してカテゴリＢを付与する付与過程と、カテゴリＡとカテゴリＢが一致しない教示用欠陥画像を表示する表示過程と、前記表示された教示用欠陥についてカテゴリＡを修正または教示用画像から除外する修正または除外過程とを含み、複数の教示用欠陥と欠陥の種類に対応するカテゴリとの対応関係を示す教示用データを取得する学習工程を有することを特徴とする。
また、本発明は、被検査物の欠陥検査で発見された欠陥を撮像して得られた画像に基づいて欠陥種類を分類する欠陥分類方法であって、ユーザが予め教示用欠陥画像にカテゴリＡを付与することにより教示用欠陥画像とカテゴリの対応をシステムに教示する教示過程と、教示用欠陥画像の各カテゴリに対する分類評価値（連続量）を算出する算出過程と、該算出過程で算出された教示用欠陥画像の分類評価値を表示手段に表示し、該表示結果に基づきカテゴリＡを修正または教示用画像から除外する修正または除外過程と、前記修正したカテゴリＡに基づき画像との対応をシステムに教示する過程とを含み、複数の教示用欠陥と欠陥の種類に対応するカテゴリとの対応関係を示す教示用データを取得する学習工程を有することを特徴とする。
【００１１】
また、本発明は、被検査物の欠陥検査で発見された欠陥を撮像して得られた画像に基づいて欠陥種類を分類する欠陥分類方法であって、教示用欠陥画像から特徴量を抽出する過程と、該抽出された特徴量に基づく特徴量空間に各々の教示用欠陥画像を表示し、該表示結果に基づきユーザが欠陥を選択し、該選択された教示用欠陥画像を表示し、該表示結果に基づきユーザが教示用欠陥画像にカテゴリＡを付与するカテゴリ付与過程とを含み、複数の教示用欠陥と欠陥の種類に対応するカテゴリとの対応関係を示す教示用データを取得する学習工程を有することを特徴とする。
また、本発明は、予め複数の教示用欠陥を撮像して複数の教示用欠陥画像を検出する欠陥画像検出手段と、前記欠陥画像検出手段で検出された複数の教示用欠陥画像に基づいて複数の教示用欠陥の各々を分類してカテゴリを付与する計算手段と、前記欠陥画像検出手段で検出された複数の教示用欠陥画像と前記計算手段で複数の教示用欠陥に対して分類されたカテゴリとを表示する表示手段とを備え、複数の教示用欠陥と欠陥の種類に対応するカテゴリとの対応関係を示す教示用データを取得して記憶手段に格納する学習部と、被検査物に対して検査されて見付かった欠陥について撮像して被検査対象の欠陥画像を検出する欠陥画像検出手段と、該欠陥画像検出手段で検出された被検査対象の欠陥画像を元に、前記学習部の記憶手段に格納された教示用データから前記欠陥の種類を分類する計算手段とを備えた分類部とで構成することを特徴とする欠陥分類装置である。
【００１２】
また、本発明は、予め複数の教示用欠陥を撮像して複数の教示用欠陥画像を検出する欠陥画像検出手段と、該欠陥画像検出手段で検出された複数の教示用欠陥画像から複数の教示用欠陥の各々について所望の複数の特徴量を算出する計算手段と、該計算手段で算出された所望の複数の特徴量の関係に基づく特徴量空間上に教示用欠陥を位置させて表示し、更に教示用欠陥に対して付与されたカテゴリを表示する表示手段とを備え、複数の教示用欠陥の特徴量と欠陥の種類に対応するカテゴリとの対応関係を示す教示用データを取得して記憶手段に格納する学習部と、被検査物に対して検査されて見付かった欠陥について撮像して被検査対象の欠陥画像を検出する欠陥画像検出手段と、該欠陥画像検出手段で検出された被検査対象の欠陥画像から欠陥の所望の特徴量を算出し、該算出された欠陥の所望の特徴量を元に、前記学習部の記憶手段に格納された教示用データから前記欠陥の種類を分類する分類部とで構成することを特徴とする欠陥分類装置である。
また、本発明は、予め複数の教示用欠陥を撮像して複数の教示用欠陥画像を検出する欠陥画像検出手段と、該欠陥画像検出手段で検出された複数の教示用欠陥画像から複数の教示用欠陥の各々について所望の複数の特徴量を算出し、該算出された各教示用欠陥についての所望の複数の特徴量の関係から各教示用欠陥を分類するカテゴリ分類評価値を算出する計算手段と、各教示用欠陥について前記計算手段で算出されたカテゴリ分類評価値を表示し、更に教示用欠陥に対して付与されたカテゴリを表示する表示手段とを備え、複数の教示用欠陥の特徴量と欠陥の種類に対応するカテゴリとの対応関係を示す教示用データを取得して記憶手段に格納する学習部と、被検査物に対して検査されて見付かった欠陥について撮像して被検査対象の欠陥画像を検出し、該検出された被検査対象の欠陥画像から欠陥の所望の特徴量を算出し、該算出された欠陥の所望の特徴量を元に、前記学習部の記憶手段に格納された教示用データから前記欠陥の種類を分類する分類部とで構成することを特徴とする欠陥分類装置である。
【００１３】
また、本発明は、被検査物の欠陥検査で発見された欠陥を撮像して得られた画像に基づいて欠陥種類を分類する欠陥分類装置であって、教示用欠陥画像に基づき分類パラメータを算出し、該算出された分類パラメータに基づき教示用欠陥画像にカテゴリを付与するカテゴリ付与手段と、該カテゴリ付与手段でカテゴリが付与された教示用欠陥画像を表示する表示手段と、複数の教示用欠陥と欠陥の種類に対応するカテゴリとの対応関係を示す教示用データを取得して格納する記憶手段とを備えたことを特徴とする。
また、本発明は、被検査物の欠陥検査で発見された欠陥を撮像して得られた画像に基づいて欠陥種類を分類する欠陥分類装置であって、教示用欠陥画像に基づき分類パラメータを算出し、該算出された分類パラメータに基づき教示用欠陥画像の各カテゴリに対する分類評価値（連続値）を算出する算出手段と、該算出手段によって算出された教示用欠陥画像の各カテゴリに対する分類評価値を表示する表示手段と、複数の教示用欠陥と欠陥の種類に対応するカテゴリとの対応関係を示す教示用データを取得して格納する記憶手段とを備えたことを特徴とする。また、本発明は、被検査物の欠陥検査で発見された欠陥を撮像して得られた画像に基づいて欠陥種類を分類する欠陥分類装置であって、教示用欠陥画像から特徴量を抽出する特徴量抽出手段と、該特徴量抽出手段で抽出された特徴量に基づく特徴空間に位置する教示用欠陥画像を表示する表示手段と、複数の教示用欠陥と欠陥の種類に対応するカテゴリとの対応関係を示す教示用データを取得して格納する記憶手段とを備えたことを特徴とする。
【００１４】
以上説明したように、前記構成によれば、学習型欠陥分類装置を用いて統計的に有意な教示用データを効率的に作成可能となり、欠陥分類装置の性能を高い次元で活用することができ、この結果、欠陥分類精度が向上し、ひいては製造プロセスの異常原因を高精度に推定することが可能となり、製造プロセスの異常改善に効果を発揮することができる。
【００１５】
【発明の実施の形態】
本発明に係る実施の形態について、図面を用いて説明する。
図１は、本発明に係る欠陥分類方法およびその装置が半導体製造プロセスにおいて果たす役割を説明するための図である。半導体素子の製品は、ウエハ等の基板１に対して数百もの製造プロセス工程１〜ｎを経て製造され、完成までに約百日もの期間を要する場合がある。しかし、半導体素子の製品の良否が判明するのは、ほぼ全ての製造プロセスが完了したプローブ検査工程１ｔである。このため、歩留まりを向上するためには途中の製造プロセス工程におけるプロセス処理の良否を推定する手段が必須である。このために、例えば、製造プロセス工程１においてプロセス処理された基板１に対して外観検査装置（光学的検査するものとか、電子線を用いて検査するものとがある。）２による外観検査が行われ、基板１に形成された配線パターンの外観異常からプロセス処理の良否を判定することが行われている。プロセス処理の異常が確認された場合、対策を実施する必要があるが、このための情報収集手段としての欠陥分類装置３は重要な役割を果たしている。すなわち、外観検査装置２の検査結果４からは欠陥の場所と数は把握できるが、その中身についての情報は得られない。このため、欠陥分類装置３において、外観検査装置２から得られる欠陥の場所での画像５を基にして欠陥の種類（異物なのか、パターン欠陥なのか、傷なのか、その他なのか）を分類し、品質管理システム７において、この分類された情報に基づいて不良モード別の発生頻度６を表示手段を用いて表示させることにより、作業者が対策候補絞り込み工程８（ａ）において対策候補を絞り込むことができる。ところで、製造プロセス工程１としては、成膜工程、レジスト塗布工程、露光・現像工程、エッチング工程、およびレジスト剥離工程などから構成され、様々なプロセス処理装置が設置される製造ラインによって構成されることになる。従って、様々な種類（カテゴリ）の欠陥を発生する様々なプロセス処理装置が存在することになる。
【００１６】
図１に示す実施例では、パターン欠陥に比べ異物の発生頻度が大きいため、異物発生防止対策を行えば良いことが判る。即ち、作業者は、原因推定工程８（ｂ）において、発生頻度が高い欠陥を優先的に原因推定し、対策工程９において、該推定された原因を基にプロセス処理を実行するプロセス処理装置に対して対策を施すことで、迅速に歩留まり向上が図れる。本発明に係る欠陥分類装置３は、従来目視で行われていた欠陥分類作業を自動化する装置であり、高い分類性能が要求される。
次に、本発明に係る欠陥分類装置ならびに分類手順について、図２〜図５を用いて説明する。図２は、本発明に係る欠陥分類装置の一実施例を示す構成図である。図３は、図２に示す欠陥分類装置で行う分類手順を説明するための図である。図４は、教示用データ作成手順ならびに画面ならびに教示用データの一実施例を示す図である。図５は、学習の原理を説明するための図である。説明は図３の分類手順に従って図２を参照して行う。該当する箇所で図４、図５を参照する。
【００１７】
分類手順は、図３（ａ）に示す学習工程と図３（ｂ）に示す分類工程に分かれる。
【００１８】
まず、本発明に係る欠陥分類装置において実行する図３（ａ）に示す学習工程について説明する。
学習工程では、ステップＳ３１において、次に具体的に説明するように、教示用データを作成するための欠陥画像が収集されて画像記録装置（画像記憶装置）２０に格納される。即ち、まず、図２に示す如く、基板搬送制御部２４で制御される基板搬送装置１１により教示用データを作成するための教示用欠陥が形成された基板１２’をステージ１３上に搭載する。一方、ホストコンピュータ１５は、外観検査装置２等で検査されて選択された教示データ用の基板１２’に対応する欠陥座標情報を上位システムからネットワーク１４を経由して受け取る。ホストコンピュータ１５は、受け取られた欠陥座標情報を参照してステージ制御部１６に指示を送り、ステージ１３を移動して基板１２’上の教示用欠陥を観察位置に移動させる。そして、ＴＶカメラ等の撮像装置１８は、光学系１７を介して得られる欠陥の画像を撮像し、撮像された欠陥の画像信号を画像入力装置１９を介して画像記録装置２０に記録させる。以上の処理を指定された欠陥について繰り返すことによって、教示用データを作成するための教示用欠陥画像信号が画像記録装置２０に蓄積されて、教示用欠陥画像信号が収集させることになる。以上説明したように、上記基板１２’は、予め教示用データを作成するためのものである。
【００１９】
次に、ステップＳ３２において、ホストコンピュータ１５に対するオペレータの操作によって教示用データ作成（カテゴリＡ付与）が行われる。即ち、図４（ａ）は教示用データ作成のフローを示し、同図（ｂ）は教示用データ作成におけるモニタ２３の画面を示し、同図（ｃ）は記憶装置２５に記憶された教示用データの例である。図４（ａ）に示す如く、ステップＳ５１において、オペレータがキーボード等の入力手段２２を用いて欠陥画像ｉ＝１を指定操作することにより、ホストコンピュータ１５は、ステップＳ５２において、画像記録装置（画像記憶装置）２０に記録された教示用データ用の欠陥画像信号ｉ＝１を呼び出してモニタ２３に表示させる。同時に、オペレータは、教示用の欠陥画像を順番に観察していく過程で、類似した欠陥画像を同一カテゴリとして登録すべく、カテゴリと欠陥名（欠陥の種類：異物、パターン欠陥、傷、その他）との対応関係（カテゴリ一覧表）を入力手段２２を用いてホストコンピュータ１５に入力して記憶装置２５に登録する。これによって、ホストコンピュータ１５は、モニタ２３の画面に、カテゴリと欠陥名との対応関係を示すカテゴリ一覧表３２を表示することができる。ステップＳ５３において、オペレータは、図４（ｂ）に示すように、モニタ２３の画面に３１として表示された教示用欠陥画像ｉ＝１を観察し、カテゴリ一覧表（カテゴリと欠陥名との対応関係）３２を参照して教示用欠陥画像ｉ＝１に対して入力手段２２によりカテゴリＡ（モニタ２３の画面における３３）を入力して付与することにより、教示用欠陥画像を示す欠陥番号ｉ＝１に対してカテゴリＡが記憶装置２５に記憶される。ステップＳ５４において、画像記録装置２０に収集記録されたすべての教示用欠陥について処理が終わるまで、ステップＳ５５において、オペレータが入力手段２２を用いて教示用欠陥画像ｉ＝ｉ＋１の指定操作を繰り返すことにより、ホストコンピュータ１５は、ステップＳ５２において、画像記録装置２０に記録された教示用欠陥画像信号ｉ＝ｉ＋１を順次呼び出してモニタ２３の画面に表示させることを繰り返すことになる。更に、ステップＳ５３において、オペレータは、順次モニタ２３に表示された教示用欠陥画像ｉ＝ｉ＋１を観察し、モニタ２３の画面に表示されたカテゴリ一覧表（カテゴリと欠陥名との対応関係）３２を参照して順次教示用欠陥画像ｉ＝ｉ＋１に対して入力手段２２によりカテゴリを入力して付与することにより、順次教示用欠陥画像を示す欠陥番号ｉ＝ｉ＋１に対して記憶装置２５に記憶されることになる。
【００２０】
即ち、図４（ｂ）に示すように、モニタ２３の画面には、教示用欠陥画像３１とカテゴリ一覧表３２とが表示されるので、オペレータは、教示用欠陥画像３１を観察しながら、一覧表３２から該当するカテゴリ番号を選択してカテゴリ番号入力部３３を用いて入力する。ここで、カテゴリとは、欠陥の種類に与えられる番号であり、欠陥の種類に対応して決められる。例えば異物は１、パターン欠陥は２、傷は３、その他は４のようなものである。オペレータが入力手段２２を用いて入力されたカテゴリは、ホストコンピュータ１５において教示用データとして記憶装置２５に記憶される。ここで、カテゴリとは予め決められるものではなく、教示用欠陥画像ｉを順番に観察していく過程で決まることに注意を要する。すなわち、画像記録装置２０に収集された教示用欠陥画像の全体の傾向は未知であるため、順番に教示用欠陥画像ｉを観察しながら類似した欠陥を同一カテゴリとして登録する必要がある。このため、教示用データは、矛盾したデータを含みやすい傾向にある。
次に、ステップＳ３３において、画像処理装置２１は各教示用欠陥画像ｉに対して各種特徴量３４の抽出（特徴量選択も含む。）を行ってホストコンピュータ１５に提供し、カテゴリ３５と対応させて図４（ｃ）に示す教示用データとして記憶装置２５に記憶される。即ち、画像処理装置２１は、画像記録装置２０に記憶された各教示用欠陥画像信号ｉを読み出し、この読み出された各教示用欠陥画像信号ｉに対して画像処理を実施して教示用欠陥画像ｉの各種特徴量を抽出してホストコンピュータ１５に提供し、記憶装置２５に記憶させる。ここで、欠陥画像の各種特徴量とは、欠陥画像の色情報、形状、サイズ等である。例えば、カテゴリ１の異物は暗く、円形に近いが、カテゴリ２のパターン欠陥は周辺パターンと同一色で形状が複雑であり、カテゴリ３の傷は面積が小さいが長さが長い性質、等の特徴がある。そこで、画像処理装置２１は、予め決められた種類の特徴量１〜５（図４（ｃ）の例では５通り３４）を計算してホストコンピュータ１５に提供し、記憶装置２５に教示用データとして欠陥番号に対応して記憶する。ここで、分類に有効な特徴量は一意に決められないということに注意を要する。欠陥分類装置３が対象とする製品または工程によって欠陥は異なる。このため、考えられる範囲で多数の特徴量（色情報、形状、サイズ等）を用意しておき、収集された欠陥の分類に有効な特徴量のみを選択して使用することが行われる。特徴量の選択方法については後述する。図３（ａ）に示すステップＳ３３における特徴抽出には、特徴量選択も含まれる。
【００２１】
次に、ステップＳ３４において、ホストコンピュータ１５は、ステップＳ３２においてカテゴリＡが付与された教示用データを基に学習（分類パラメータ算出）が行われ、算出された分類パラメータ２６を記憶装置２５に記憶される。図５（ａ）（ｂ）は学習の原理を説明するための図である。図５（ａ）はステップＳ３２においてカテゴリＡが付与された教示用データを特徴量空間にプロットした図である。ここで、×４２はカテゴリ１であり、□４３はカテゴリ２であり、Ｘ１は特徴量１、Ｘ２は特徴量２を示す軸である。ホストコンピュータ１５において行う学習とは、ステップＳ３２において付与されたカテゴリ間の判別関数を計算することを意味し、前記関数を分類パラメータ２６と称する。判別関数を図示すると、図５（ｂ）に示す４６は、カテゴリの境界となる。判別関数の算出方法は多くの手法が知られているが、本明細書では代表的手法である判別分析を例に説明する。以後、判別分析を例に説明を進めるが、本発明は他の手法においても同様に成り立つ。
【００２２】
次に、複数の特徴量を基にして分類パラメータ２６であるカテゴリ間の判別関数を算出する方法である判別分析について、図５（ｂ）を用いて説明する。同図において、点４７はカテゴリ１の重心、点４８はカテゴリ２の重心、楕円４９は重心からの距離が等しい点の集まりを表す。ここで距離とは特徴量空間におけるユークリッド距離を、教示用データの分散で基準化したものでありマハラノビス距離と呼ばれる。境界線４６はカテゴリ１およびカテゴリ２の重心から等距離にある点の集合である。未知の点５０（欠陥に対応）に対するカテゴリ間の判別関数は次に示す（数１）式で与えられる。
【００２３】
【数１】
Ｚ１・２＝Ｄ１²−Ｄ２²
但し、Ｚ１・２：カテゴリ１とカテゴリ２との判別関数
Ｄ１²：カテゴリ１の重心とのマハラノビス平方距離
Ｄ２²：カテゴリ２の重心とのマハラノビス平方距離
このため、Ｚ１・２に基づく下記（数２）式により分類が可能である。
【００２４】
【数２】
Ｚ１・２＜０ → カテゴリ１に属する
Ｚ１・２＞０ → カテゴリ２に属する
ここで、図５（ａ）（ｂ）では２つの特徴量を用いて説明したが実際には多次元のベクトル空間が構成されることに注意を要する。
【００２５】
次に、本発明に係る実際に所望のプロセス処理工程に設置されたプロセス処理装置によってプロセス処理された被検査対象基板（ウエハ）に対して基板単位またはロット単位で抜き取られて外観検査装置２で検査され、該外観検査装置２で欠陥と判定された基板単位若しくはロット単位での被検査対象基板に対して欠陥分類装置において実行する図３（ｂ）に示す分類工程について説明する。
分類工程では、ステップＳ４１において、次に具体的に説明するように、実際に所望のプロセス処理工程においてプロセス処理装置によってプロセス処理された被検査対象基板（ウエハ）に対して基板単位またはロット単位で抜き取られて外観検査装置２で検査され、該外観検査装置２で欠陥と判定された基板単位若しくはロット単位での被検査対象基板の欠陥画像が収集されて画像記録装置（画像記憶装置）２０に格納される。即ち、まず、図２に示す如く、基板搬送制御部２４で制御される基板搬送装置１１により外観検査装置２で欠陥と判定された基板単位若しくはロット単位での被検査対象基板１２をステージ１３上に搭載する。一方、ホストコンピュータ１５は、外観検査装置２等で基板単位若しくはロット単位で検査されて欠陥が存在する被検査対象基板１２に対応する欠陥座標情報を上位システムからネットワーク１４を経由して受け取る。ホストコンピュータ１５は、受け取られた欠陥座標情報を参照してステージ制御部１６に指示を送り、ステージ１３を移動して被検査対象基板１２上の欠陥を観察位置に移動させる。そして、ＴＶカメラ等の撮像装置１８は、光学系１７を介して得られる欠陥の画像を撮像し、撮像された欠陥の画像信号を画像入力装置１９を介して画像記録装置２０に記録させる。以上の処理を外観検査装置２によって検査された欠陥について繰り返すことによって、カテゴリを分類するための欠陥画像信号が分類対象の欠陥番号に対応させて画像記録装置２０に蓄積されて、分類対象の欠陥画像信号が収集させることになる。
【００２６】
次に、ステップＳ４２において、画像処理装置２１は、分類対象の欠陥画像に対して各種特徴量の抽出（特徴量選択も含む。）を行ってホストコンピュータ１５に提供し、記憶装置２５に記憶される。即ち、画像処理装置２１は、画像記録装置２０に分類対象の欠陥番号に対応させて記憶された分類対象の欠陥画像信号を読み出し、この読み出された各欠陥画像信号に対して画像処理を実施して欠陥画像の各種特徴量（分類データと称する。）を抽出してホストコンピュータ１５に提供し、記憶装置２５に記憶させる。ここで、欠陥画像の各種特徴量とは、欠陥画像の色情報、形状、サイズ等である。上記記憶装置２５に記憶された分類データは、図４（ｃ）の教示用データと同様な形態であるが、カテゴリ欄３５は空欄となっている。
そこで、ホストコンピュータ１５は、ステップＳ４３において、上記記憶装置２５に記憶された各欠陥ごとの分類データ（各種特徴量）と、学習工程で算出されて上記記憶装置２５に記憶された分類パラメータ（特徴量空間におけるカテゴリ間の判別関数）２６で示される教示用データとを用いてカテゴリ（欠陥の種類に対応する。）を推定する分類演算を行って分類カテゴリＢ２７を推定し、この推定された分類カテゴリＢ（欠陥の種類に対応する。）２７を上記分類対象の欠陥番号に対応させて記憶装置２５に記憶させる。
【００２７】
このように、記憶された分類カテゴリＢ２７は、ネットワーク１４を経由して上位システムである品質管理システム７に転送され、品質管理システム７において図１に示すような不良モード（欠陥の種類に対応する分類カテゴリＢ）について表示され、対策候補の絞り込みや欠陥の発生原因の推定等の解析が行われる。以上説明したような学習型分類システム（欠陥分類装置）３では、教示用データ作成が最も重要である。オペレータが矛盾した教示用データしか作成することができないと、システムの機能を十分に活用することができない。例えば、図４（ｂ）に示す画面において、オペレータが教示用欠陥画像３１に対して教示カテゴリ３３について入力ミスを犯すことが考えられる。このように入力ミスを犯した場合、図５（ｃ）に示すように、特徴量空間でカテゴリ１およびカテゴリ２に分離したクラスタ５２においてノイズ５３が混入した教示用データとなる。また、図４（ｂ）に示す画面において、オペレータが教示用欠陥画像３１を観察したとき、例えば、カテゴリ１とカテゴリ２のどちらに属するか迷うことがある。このように迷って教示カテゴリ３３を入力した場合、入力するカテゴリに一貫性がなくなり、図５（ｄ）に示すように特徴空間での境界が交差した教示用データとなる。さらに、オペレータが未熟で、教示用欠陥画像３１に対して教示カテゴリ３３を入力した場合、カテゴリに一貫性がなくなり、図５（ｅ）に示すように異なるカテゴリが特徴量空間に均一に分布した矛盾した教示用データを作成するおそれがある。このような場合、システムが正常に動作しなくなり欠陥分類性能が著しく低下する。従来のシステムでは、このような場合、オペレータが何をどのように改善して良いのかの指針を与えてくれなかった。
【００２８】
次に、本発明に係るオペレータが教示用データを作成する過程で、教示用データを診断・評価したり、また作成支援する機能を提供することにより、未熟なオペレータであっても高い分類性能で欠陥分類装置を操作できる構成について、図６および図７を用いて説明する。
即ち、本発明に係る第１の実施例である教示用データ診断機能について、図６および図７を用いて説明する。図６は、教示用データ診断機能のフローチャートである。図７は、教示用データ診断機能を実現する画面の説明図である。以下で述べるオペレータの操作はキーボード等の入力手段２２を通して行われ、結果はモニタ２３に表示される。また、オペレータの操作結果もモニタ２３に表示される。さらに、オペレータの操作に対する処理はホストコンピュータ１５で行われ、結果はホストコンピュータ１５の記憶装置２５等に格納されるものである。
【００２９】
ところで、図６に示す最終欠陥判定ステップＳ５４までは、図４（ａ）に示す教示用データ作成操作フローと同じである。そして、特に、本発明においては、前述したように１度作成された教示用データの診断を行うことに特徴がある。以下に、この診断手順について説明する。
まず、ホストコンピュータ１５は、ステップＳ５６において、ステップＳ５４までに作成されて記憶装置２５に記憶された教示用データを用いて特徴量の選択を行う。すなわち、ホストコンピュータ１５は、予め用意してある特徴量の内、教示用データを分類する上で有効に機能する特徴量のみを選択する。特徴量の選択手順は、例えば、判別分析における変数選択法として知られている。変数選択法では変数を追加する前後の判別効率（上記（数１）式で示される重心間のマハラノビス平方距離）を比較することにより、統計的有意性を判定するものである。
【００３０】
次に、ホストコンピュータ１５は、ステップＳ５７において、選択された特徴量を用いて分類パラメータ（特徴量空間におけるカテゴリ間の判別関数）２６を算出し、ステップＳ５８において、該算出された分類パラメータに基づいて教示用データの分類を実施する。
【００３１】
ところで、良い教示用データが作成されている場合、分類結果である分類カテゴリＢ２７はオペレータが予め付与したカテゴリＡと完全に一致するはずである。ここで、カテゴリＡとＢが一致しない（相違する）教示用データはユーザがミスを犯した可能性が高い。このため、ホストコンピュータ１５は、ステップＳ５９において、カテゴリＡとＢが一致しない（相違する）教示用データをモニタ２３の画面に表示してオペレータの確認を促す。図７（ａ）はカテゴリＡとＢが一致しない教示用データを表示した例である。画面右隣の特徴量空間５９は説明のために図示したものである。画面左端の画像はカテゴリＡとＢが１または２で一致した教示用欠陥（例えば暗い丸い状欠陥および明るい星形状欠陥）を参照するために表示してある。画面真ん中の画像と左端の画像がカテゴリが不一致であった教示用欠陥（例えば明るい丸い形状欠陥、明るい２種類の多角形状欠陥、暗い星形状欠陥）である。画像の下の数字は→の左側６２がカテゴリＡを、→の右側６３がカテゴリＢを示す。図の例は、教示用欠陥６０（ａ）、６１（ａ）は丸い形状をしておりオペレータは丸さに着目してカテゴリ１とし、教示用欠陥６０（ｂ）、６１（ｃ）は複雑な形状をしておりオペレータは形状に着目してカテゴリ２としたと推定される。ところが、ホストコンピュータ１５は、教示用欠陥６１（ａ）、６０（ｂ）をカテゴリ２、教示用欠陥６０（ａ）、６１（ｃ）をカテゴリ１と判定した。これは、教示用データ作成の過程で、本来オペレータは形状ではなく教示用欠陥の明るさに着目してカテゴリを付与したためである。特徴量空間では、暗い欠陥６０（ａ）と明るい欠陥６１（ｂ）が分離したクラスタを形成しており、暗い欠陥のクラスタ６０（ａ）に明るい欠陥６１（ａ）が、明るい欠陥のクラスタ６０（ｂ）に暗い欠陥６１（ｃ）が混入している。これはユーザがカテゴリ付けをする過程で分類基準を変更または迷ったために生じたノイズである。このため、ホストコンピュータ１５はこれらのノイズ６１（ａ）、６１（ｃ）に影響されて本来の分類パラメータとはずれた値を出力する。判別分析を例に説明すれば、ノイズの影響で教示用データの分散が増加し、２群の分離度が低下し、交差領域６４が大きくなる。
【００３２】
そこで、ステップＳ６０において、オペレータは、図７（ｂ）（ｄ）に示すように、モニタ２３の画面を見ながら、ホストコンピュータ１５に対して入力手段２２を用いてカテゴリＡの修正または教示用データからの削除を行う。即ち、分類パラメータ（特徴量空間におけるカテゴリ間の判別関数）を修正するために、図７（ｂ）に示すように、カテゴリＡとＢとが一致しない欠陥６１（ａ）、６１（ｃ）では、オペレータは入力手段２２を用いてカテゴリＡを修正する。欠陥６１（ａ）のカテゴリを１から２に、欠陥６１（ｃ）のカテゴリを２から１に修正した様子を示す。同図（ｃ）は、これらノイズとなっている欠陥のカテゴリ６５を修正して、再度、ホストコンピュータ１５が学習シーケンスを繰り返した結果である。この結果、教示用データの分散が低下し、２群の分離度が向上し、ひいては分類性能が向上した。
【００３３】
ホストコンピュータ１５は、再度求めた分類パラメータに従って教示用データを分類すると、欠陥６１（ｂ）、６１（ｄ）がカテゴリＡとＢが一致しない教示用データとしてモニタ２３の画面に表示される。これらは、欠陥の外観からどちらのカテゴリとも判別が難しいものであり、教示用データとしてふさわしくない。このため、オペレータは入力手段２２を用いて、図７（ｄ）に示すようにこれら欠陥６６を教示用データから除外することで、曖昧な判定を低減し、明確な特徴を有する欠陥のみを教示用データとして選別することが可能となる。この結果、再度学習・分類を行った結果では、図７（ｅ）に示すように教示用データの分散はさらに低下し、２群６７が明瞭に分離して良好な分類パラメータを算出することができる。以上の操作を画面にカテゴリＡとＢが不一致となる欠陥画像が表示されなくなるまで繰り返す。
以上説明したように、上記実施例では、特定の条件に該当する欠陥の画像のみを画面に表示することに特徴がある。即ち、教示用データとは人間が目視した結果を真とするため、必ず欠陥画像をオペレータに提示する必要があるのである。この際、分類に悪影響を与える恐れがある欠陥のみを選別して表示することで、ユーザは効率的に教示用データを修正することが可能となる。
【００３４】
次に、本発明に係る第２の実施例である教示用データ評価機能について、図８、図９を用いて説明する。図８は、教示用データ評価機能のフローチャートである。図９は、教示用データ評価機能を実現する画面の説明図である。図８のフローチャートは図６と類似しており、図６との違いは分類評価値算出手順（ステップＳ６１）が含まれることである。一般に、分類処理では分類の信頼性を定量的に求められる場合が多い。例えば、判別分析法では、前述したように（数１）式で示される判別関数によりカテゴリへの帰属確率が定量的に出力される。この結果、カテゴリ別に帰属確率を評価できることになる。一般に、欠陥画像は明瞭にカテゴリを決めることができない場合が多く、この場合、オペレータはホストコンピュータ（システム）１５が算出する帰属確率を拠り所にして教示用データを作成することが可能となる。
例えば、ある欠陥画像はカテゴリ１〜５の内、カテゴリ１と３の距離が他より小さく、ほぼ同等であるとする。この結果、ユーザはカテゴリを５通りから選択する代わりに前記２通りから選択することが指針として得られる。
【００３５】
図９（ａ）は教示用データを分類した結果を表示した画面の例である。同図の上段６９（ａ）、６９（ｂ）、６９（ｃ）はオペレータが予め付与したカテゴリＡがカテゴリ１である欠陥の画像を、下段６９（ｄ）、６９（ｅ）、６９（ｆ）はオペレータが予め付与したカテゴリＡがカテゴリ２である欠陥の画像が表示されている。ここで、ステップＳ６２において、上段には、ホストコンピュータ１５が判別関数によりカテゴリの帰属確率として定量的に算出したカテゴリ１の分類評価値７０が小さい順（帰属確率が大きい順）に左から右に並べて表示されていることに注意されたい。同様に、ステップＳ６２において、下段には、カテゴリ２の分類評価値７１が小さい順（帰属確率が大きい順）に左から右に並べて表示されている。同図（ａ）より、欠陥６９（ｃ）は分類評価値が大きく逆転しており（カテゴリ１の評価値０．８に対してカテゴリ２の評価値０．２）教示用データが正しくないことが定量的に把握できる。欠陥６９（ｂ）についても分類評価値がカテゴリＡに比べて逆転しているが、カテゴリ間の差が小さく明瞭に分離できないことが判る。図９（ｂ）〜図９（ｅ）では、ステップＳ６０において、図７と同様の順序でカテゴリを修正して学習し直した過程を示している。図７と比較すると、分類評価値を参照することにより、カテゴリＡの修正を定量的に判定できる利点がある。また、図９（ａ）と図９（ｅ）の欠陥を比較すると、カテゴリ１の帰属確率７１（ａ）が向上しており、教示用データ修正による効果を定量的に把握できる。
【００３６】
以上説明した第２の実施例では、ステップＳ６２において、図９に示すように、欠陥の画像６９（ａ）〜６９（ｆ）が分類評価値７０、７１を参照してモニタ２３の画面に表示されることに特徴がある。即ち、分類評価値が高い欠陥はオペレータが作成した教示用データのカテゴリを代表する欠陥画像であり、分類評価値が低い欠陥は教示用データとして曖昧な欠陥である指針となる。このため、オペレータが予め付与したカテゴリＡとシステムが分類したカテゴリＢがたまたま一致した欠陥であっても、分類評価値が低い場合は教示用データとして相応しくないと判断できる。このように、第１の実施例では欠陥画像の観察結果から判定せざるを得なかった曖昧な欠陥画像に対しても、分類評価値を参照することにより、正確な判定が可能となる。
次に、本発明に係る第３の実施例である教示用データ作成支援機能を図１０〜１２を用いて説明する。前記第１、および第２の実施例では、オペレータが予め教示用データへカテゴリＡを付与する必要があった。一度付与したカテゴリを診断機能または評価機能を用いて修正する方法である。第３の実施例では、オペレータがカテゴリを付与する前に教示用データの傾向を示唆し、教示用データ作成の助けにすることを目的としている。このことにより、最初から曖昧な分類カテゴリを付与することを防止することが可能となり、欠陥分類装置３の条件出しを効率的に実施することが可能となる。図１０は教示用データ作成支援機能のフローチャートである。本第３の実施例では、図４に示す教示用データ作成を行う前に、ステップＳ６３において、教示なしクラスタリング処理を実施することに特徴がある。妥当な教示なしクラスタリングを実施することで分類に有効に寄与する特徴量が選択できる効果がある。
【００３７】
教示なしクラスタリングでは、特徴量選択の指針がないことに加え、クラスタ数が未知であること等から、最適クラスタリングの自動判定が難しい。このため、ユーザとの対話的な処理が実用的である。図１１に対話的な教示なしクラスタリングの処理手順の一実施例を示す。ステップＳ１１１において、ホストコンピュータ１５は、記憶装置２５に記憶された教示用データから予め全特徴量（ｍ個）を算出する。次に、ステップＳ１１２において、オペレータが任意のクラスタ数をキーボード等の入力手段２２を用いてホストコンピュータ１５に入力する。次に、ステップＳ１１４において、入力手段２２を用いてｉ個を入力することによって、ホストコンピュータ１５は、記憶された全特徴量（ｍ個）からｉ個の特徴量を選択してｍＣｉ通りの特徴量のグループを作成する。ホストコンピュータ１５は、ステップＳ１１５において、各グループについて主成分分析を行いｉ次元のベクトルをｊ次元に低減する。主成分分析はもとのデータの線形変換を行うものであり、主成分の固有値の占める割合が高ければ情報の損失を少なくしつつ次元の低減が可能である。この結果、クラスタリングはｊ次元のベクトルに対して実行されるため計算時間を短縮できる利点がある。
【００３８】
次に、ホストコンピュータ１５は、ステップＳ１１６において、ｊ次元の特徴量空間でクラスタリング処理を実施する。このクラスタリング処理は一般的な手法であり様々な方式が知られている（奥野、他、多変量解析法、１９７１、日科技連出版社、ｐｐ３９１−４１２）。クラスタリング処理によりｍＣｉ種類のクラスタリング結果が得られると、ホストコンピュータ１５は、ステップＳ１１７において、これらクラスタリング結果の妥当性を評価して順位付けを行う。クラスタリング妥当性の判定は次に示す（数３）式の評価値が小さいほど良いことが知られている。
【００３９】
【数３】
ｔｒＷ
ここで、ｔｒ：行列のトレース
Ｗ：各クラスタ内の分散の和
そして、ステップＳ１１９において、ホストコンピュータ１５は、上記評価値の降順または昇順にクラスタリング結果をモニタ２３に表示する。ここで、ステップＳ１１８において、ホストコンピュータ１５は、表示のためｊ次元空間を２次元に主成分分析により次元を低減する。次に、ステップＳ１２０において、オペレータは、表示されたクラスタリング結果を目視確認してクラスタの妥当性を判断する。判断の基準としては、図１２に示すように、特徴量空間で欠陥が分離したクラスタとして表示されていること、および、各クラスタの代表的欠陥をモニタに表示・観察して有意な分類が達成されていることである。
そして、ステップＳ１２０において、クラスタが妥当でない不良の場合には、ステップＳ１２１において、特徴量選択数ｉが不適切（ＮＯ）と判断されたとき、ステップＳ１２３において、入力手段２２を用いてホストコンピュータ１５に対して特徴量選択数ｉを変更する。また、ステップＳ１２１において、特徴量選択数ｉが適切（ＹＥＳ）と判断されても、ステップＳ１２２においてクラスタが妥当でない不良の場合には、Ｓ１２４において、入力手段２２を用いてホストコンピュータ１５に対してクラスタ数（例えばクラスタ数を２から３へと）を変更して再度上記処理を繰り返す。
【００４０】
以上説明したように、ステップＳ１２２において、妥当なクラスタが生成された場合、選択されたｉ個の特徴量は分類に寄与するものと推定される。従って、ホストコンピュータ１５は、選択されたｉ個の特徴量を元に学習することになる。
【００４１】
次に、教示用データ作成支援機能を実現する画面について、図１２を用いて説明する。ホストコンピュータ１５は、図１１に示すフローで選択された特徴量を基にして、図１２に示すような特徴量空間を構成し、教示用データをプロットする。ここで、教示用データを画面に表示することにより、特徴量空間での距離に応じてカテゴリＡを付与する場合の指針となる。複数の特徴空間を参照する目的は、統計的に有意な分類がオペレータが望むカテゴリと一致するとは限らないためである。また、３個以上の特徴量が選択された場合は主成分分析により、第１主成分と第２主成分による２次元の特徴量空間を表示する。図１２には２つの特徴量空間８５が表示されている。表示される特徴量空間の数はユーザが指定可能である。特徴量空間１の１つの点８６（□、欠陥に対応）を選択すると特徴量空間２の該当する欠陥に□８７が表示され、欠陥画像８８が表示される。これをカテゴリ１（８９）とする。次に、特徴量空間１の別の点９０（○）を選択すると特徴量空間２の該当する欠陥に○９１が表示され、欠陥画像９２が表示される。□（８６、８７）と○（９０、９１）は２つの特徴量空間で別のクラスタに属するため、○（９０、９１）をカテゴリ１とは別のカテゴリとすると良いことが判る。これをカテゴリ２（９３）とする。この場合、△９４は特徴量空間２では２つのカテゴリの境界に位置しているが特徴量空間１の△９５は○９０に近い。表示された欠陥画像９６を確認した上でカテゴリ２（９７）とすることができる。
【００４２】
上記第３の実施例では、オペレータがカテゴリを付与する以前にホストコンピュータ（システム）１５が統計的有意性を検証して特徴量空間を表示することに特徴がある。ここで、画面に表示される欠陥の画像が特徴量空間の点に対応して画面に表示されることに注意を要する。欠陥画像のみでは曖昧なカテゴリ付けを行う場合であっても、特徴量空間の距離を参照することで、カテゴリへの帰属度を定性的に把握することができ、高い再現性で教示用データを作成することが可能となる。
そして、前記したように作成された教示用データに基づいて学習することにより、高い分類性能で欠陥分類が可能となる。
【００４３】
【発明の効果】
本発明によれば、学習型欠陥分類装置を用いて統計的に有意な教示用データを効率的に作成可能となり、欠陥分類装置の性能を高い次元で活用することができ、その結果、欠陥の分類精度が向上し、ひいては製造プロセスの異常原因を高精度に推定することが可能となり、製造プロセスの異常改善に効果を発揮することができる。
また、本発明によれば、欠陥の発生原因を推定するために欠陥の画像信号から欠陥の種類を分類するための正確な教示用データを作成する際、ユーザが与える矛盾した教示用データを指摘することによって、正確な教示用データを取得することができ、その結果、欠陥の分類精度が向上し、ひいては製造プロセスの異常原因を高精度に推定することが可能となる効果を奏する。
【図面の簡単な説明】
【図１】本発明に係る欠陥分類方法およびその装置が半導体製造プロセスにおいて果たす役割を説明するための図である。
【図２】本発明に係る欠陥分類装置の一実施例を示す構成図である。
【図３】図２に示す欠陥分類装置が行う処理手順を説明するための図である。
【図４】教示用データ作成手順ならびにモニタの画面ならびに教示用データの例を示す図である。
【図５】学習工程における学習の原理を説明するための図である。
【図６】本発明に係る第１の実施例である教示用データ診断機能を説明するフローチャート図である。
【図７】本発明に係る第１の実施例である教示用データ診断機能を実現するモニタ画面の説明図である。
【図８】本発明の第２の実施例である教示用データ評価機能を説明するフローチャート図である。
【図９】本発明の第２の実施例である教示用データ評価機能を実現するモニタ画面の説明図である。
【図１０】本発明の第３の実施例である教示用データ作成支援機能を説明するフローチャート図である。
【図１１】対話的な教示なしクラスタリングの処理手順の一実施例をの説明図である。
【図１２】本発明の第３の実施例である教示用データ作成支援機能を実現するモニタ画面の説明図である。
【符号の説明】
１…基板、１ｔ…プローブ検査工程、２…外観検査装置、３…欠陥分類装置、４…外観検査結果、５…欠陥画像、６…不良モード別の発生頻度、７…品質管理システム、８（ａ）…対策候補の絞り込み、８（ｂ）…原因推定、９…対策（対策工程）、１１…基板搬送装置、１２、１２’…基板、１３…ステージ、１４…ネットワーク、１５…ホストコンピュータ、１６…ステージ制御部、１７…光学系、１８…ＴＶカメラ、１９…画像入力装置、２０…画像記録装置、２１…画像処理装置、２２…キーボード、２３…モニタ、２５…記憶装置、２６…分類パラメータ、２７…分類カテゴリＢ、３１…欠陥画像、３２…カテゴリ一覧表、３３…カテゴリ番号入力部、３４…５種特徴量、３５…カテゴリ欄。

Claims

複数の教示用欠陥と欠陥の種類に対応するカテゴリとの対応関係を示す教示用データを学習して取得する学習工程と、被検査物を検査して抽出された欠陥を撮像して検出した該欠陥の画像を元にして前記学習工程で取得された教示用データに基づいて前記検出した欠陥の種類を分類する分類工程とを有する欠陥分類方法であって、
前記学習工程は、
予め複数の教示用欠陥を撮像して複数の教示用欠陥画像を検出する教示用欠陥画像検出過程と、
前記検出した複数の教示用欠陥画像に対してカテゴリを付与することにより教示用欠陥画像とカテゴリとの対応を教示するカテゴリ教示過程と、
前記検出した複数の教示用欠陥画像からそれぞれの教示用欠陥の複数の特徴量を算出し、該算出した特徴量と前記付与されたカテゴリとに基づいて教示用欠陥画像の特徴量空間におけるカテゴリ間の判別関数を算出し、該算出した判別関数を用いて各教示用欠陥を分類してカテゴリを付与するカテゴリ付与過程と、
各教示用欠陥について前記カテゴリ教示過程で教示されたカテゴリと前記カテゴリ付与過程で付与されたカテゴリとを比較して両カテゴリが相違する場合には教示用欠陥についてカテゴリを修正または教示用欠陥を除外する修正または除外教示過程と
を有し、
該修正または除外教示過程において、前記両カテゴリが相違する場合には、該相違する教示用欠陥の画像と該相違するカテゴリに関する情報を並べて表示手段に表示し、該表示された情報を元に、前記教示用欠陥についてカテゴリを修正または教示用欠陥を除外して前記複数の教示用欠陥と前記カテゴリとの対応関係を示す前記教示データを取得することを特徴とする欠陥分類方法。
前記修正または除外教示過程において、
前記付与されたカテゴリと前記算出された特徴量に基づき前記教示用欠陥画像の特徴量空間におけるカテゴリ間の判別関数を算出し、該判別関数を用いて各教示用欠陥の分類の信頼性を評価するためのカテゴリ分類評価値を算出し、該算出したカテゴリ分類評価値を前記相違するカテゴリに関する情報として前記教示用欠陥の画像と並べて表示手段に表示することを特徴とする請求項１記載の欠陥分類方法。
前記カテゴリ分類評価値は前記付与されたカテゴリへの帰属確率であって、前記教示用欠陥の画像と並べて該教示用欠陥の複数のカテゴリに対するカテゴリ分類評価値を表示手段に表示することを特徴とする請求項２記載の欠陥分類方法。
更に、前記分類工程で分類された欠陥の種類に基づいて欠陥の発生原因を推定する欠陥の発生原因推定工程とを有することを特徴とする請求項２記載の欠陥分類方法。