JP6778451B1 - 異物分析方法、異物分析プログラムおよび異物分析装置 - Google Patents

Abstract

【課題】多変量解析用のコンピュータの演算素子のメモリー使用範囲を抑え、また、多変量解析に掛かる時間の短縮化を可能にする異物の分析方法を提供すること。【解決手段】異物分析方法は、測定試料上の測定領域の複数の測定点について、顕微分光装置を用いて各々の分光スペクトルを測定するステップ（Ｓ３）と、コンピュータを用いて、測定したスペクトルデータの特徴量を算出するステップ（Ｓ４）と、当該特徴量に基づいて、各々の測定点が異物上であるか否かを判別するステップ（Ｓ５）と、異物上と判別された測定点のスペクトルデータを保持して、異物上と判別されなかった測定点のスペクトルデータについては、削除する、または、記憶手段に記憶させるステップ（Ｓ６）と、異物上と判別された複数の測定点のスペクトルデータを多変量解析する、又は、ＡＩ検索を用いた分類をするステップ（Ｓ７）と、を含む。【選択図】 図１

Description

本発明は、試料など被測定物に光を照射し、透過光、反射光、散乱光または蛍光の分光スペクトルを測定する顕微分光装置（ラマン分光装置、赤外分光装置、紫外可視分光装置、分光蛍光装置など）を用いて、被測定物中の異物を認識し、分析する方法に関する。

被測定物において、本来の被測定物の成分とは異なる成分である「異物」の有無を判定する場合には、異物を見落としなく検出でき、さらには異物を構成する物質を精度よく特定できる分析装置が求められる。

近年、顕微分光装置の測定能力が向上して、異物を含んだ測定領域に複数の測定点を設定し、多数のスペクトルデータを測定することが可能になった。そして、これらのスペクトルデータを統計的に分析することによって、被測定物中の異物の分布状態を２次元的または３次元的な画像データ（スペクトルイメージデータ）として表示させるというスペクトルイメージングの手法が発展してきた。さらに、データベースを利用したスペクトル検索プログラムを使って異物の構成物質を同定し、その結果をスペクトルイメージに反映させることも可能になってきた。

多数のスペクトルデータを統計的に分析する手法として、多変量解析が非常に有効である。非特許文献１には、多変量解析を利用したスペクトルイメージングの利点および問題点が紹介されている。

渡辺，石塚，"多変量統計解析を利用したスペクトル・イメージの解析：利点と問題点"，顕微鏡，日本顕微鏡学会，2015年，第50巻，第1号，p.23―27，［2019年7月1日検索］，インターネット＜URL:http://microscopy.or.jp/jsm/wp-content/uploads/publication/kenbikyo/50_1/pdf/50-1-23.pdf＞

しかし、顕微分光装置の測定能力が向上してきたとは言え、異物を含んだ測定領域の測定点が多くなればなるほど、より多くのスペクトルデータが多変量解析などの詳細な分析手法の対象になる。そのような膨大なスペクトルデータを詳細な分析手法にかけるには、コンピュータの演算素子のメモリー容量を増やしたり、処理速度がより速い演算素子を実装させたりする必要があり、顕微分光装置が非常に高価になってしまうという問題があった。

本発明の目的は、被測定物上の多数の測定点のスペクトルデータを測定し、それらのスペクトルデータに基づく異物分析を実行するという分析方法において、測定された全てのスペクトルデータを使って異物分析する場合と比較して、演算素子のメモリー使用範囲を抑えることが可能で、また、異物分析に掛かる時間の短縮化を可能にする異物の分析方法を提供することにある。

発明者らは、スペクトルデータ処理用のコンピュータに、算出に必要な時間が比較的短くて済むようなスペクトルデータの特徴量を算出させて、測定したスペクトルデータの測定点を異物分析の対象にすべきか否かを判別させることにした。つまり、何らかの異物上に設定された測定点であれば、その測定点のスペクトルデータの特徴量は被測定物自体のスペクトルデータの特徴量とは異なるから、両者の比較等によって、測定領域から異物に該当する測定点のスペクトルデータを抽出することができる。

スペクトルデータの特徴量として、スペクトルのトータル面積、基準スペクトルとの相関性（類似度）、標準偏差スペクトルとの比較によるピーク波数値を利用することが特に好ましいが、その他に、ピーク高さ、ピーク面積、ピークのシフト量、半値幅なども利用できる。また、この判別によって異物分析の対象にならなかった測定点のスペクトルデータについては削除してもよいし、分析対象のスペクトルデータと区別可能なフラグを付すなどして別のデータ保存場所に移動させた上で保存してもよい。

すなわち、本発明に係る被測定物中の異物を分析する方法は、
被測定物上の測定領域を複数の測定点に区画して、当該複数の測定点について、各々の分光スペクトルを測定するスペクトル測定ステップと、
測定したスペクトルデータの特徴量を算出する特徴量算出ステップと、
前記特徴量に基づいて各々の測定点が異物上であるか否かを判別する異物判別ステップと、
異物上と判別された測定点のスペクトルデータを保持するとともに、異物上と判別されなかった測定点のスペクトルデータについては削除する、又は記憶手段に記憶させるデータ保持ステップと、
異物上と判別された複数の測定点のスペクトルデータに基づいて、前記特徴量算出ステップよりも詳細に異物を分析する異物分析ステップと、を含むことを特徴とする。
なお、詳細な異物分析には、例えば、異物上と判別された複数の測定点のスペクトルデータの主成分を抽出する多変量解析、異物の構成物質を同定するスペクトルデータ検索、機械学習に基づくスペクトル分類、機械学習に基づく構成物質の予測、異物の構成物質ごとの正確な分布状況の取得、または、これらを組み合わせた分析手法が含まれる。

前記異物判別ステップでは、前記特徴量を或る閾値と比較することによって判別することが好ましい。

前記特徴量算出ステップでは、前記スペクトルデータの特徴量として、スペクトルのトータル面積、基準スペクトルとの相関性を示す値（例えば、ユークリッド距離、相関係数、差の絶対値の和、差の二乗和など。）、標準偏差スペクトルとの比較によるピーク波数値、又は、これらに相当する数値を算出することが好ましい。

さらに、前記スペクトル測定ステップの実行中に、前記特徴量算出ステップ、前記異物判別ステップおよび前記データ保持ステップを、順次繰り返して実行する同時進行ステップを含むことが好ましい。

前記データ保持ステップでは、異物上と判別されなかった測定点のスペクトルデータを、異物上と判別された測定点のスペクトルデータと区別して前記記憶手段に記憶させる、ことが好ましい。

前記データ保持ステップでは、異物上と判別された測定点のグループが異物上と判別されなかった測定点によって囲まれた状態（クローズ状態）になったタイミングで、当該異物上と判別された測定点のスペクトルデータのグループを１つの異物を表すデータグループとして保持するとともに、異物上と判別されなかった測定点のスペクトルデータの削除または記憶手段への記憶を実行することが好ましい。

前記スペクトル測定ステップは、複数の測定点からの光を別々に検出可能な検出器を用いて、複数の測定点の分光スペクトルを同時に検出する多チャンネル同時測定ステップであることが好ましい。

前記データ保持ステップでは、異物上と判別された測定点であって互いに近隣する複数の測定点を１グループとして、当該グループに含まれるスペクトルデータに基づく平均スペクトルデータを算出し、当該グループに含まれる測定点のスペクトルデータとして保持し、
前記異物分析ステップでは、前記平均スペクトルデータを異物分析の対象に含めることが好ましい。

前記異物判別ステップの後、異物上と判別された測定点のうちの少なくとも一部を再測定の対象にして、
(i) 測定点への照射光の波長（長波長化など）、
(ii) 露光時間または積算回数の条件、
(iii) 測定点への照射光の照射範囲（ライン照射、ポイント照射など）、
(iv) 測定点からの光を検出する検出器の種類、および、
(v) 測定点から検出器までの光路のいずれかの位置に設けられたアパーチャー、
のうちの少なくとも１つの測定条件を変更することによって、変更前よりも高いＳ／Ｎ比で再測定対象の測定点の分光スペクトルを再測定する再測定ステップを含み、
前記異物分析ステップでは、再測定されたスペクトルデータを異物分析の対象に含めること、が好ましい。

前記再測定ステップでは、少なくとも前記アパーチャーの孔の形状を変更し、
前記スペクトル測定ステップが、複数の測定点からの光を検出可能な検出器を用いて、複数の測定点の分光スペクトルを同時に検出する多チャンネル同時測定ステップであり、
前記再測定ステップが、１つの測定点の分光スペクトルを検出する単チャンネル測定ステップであることが好ましい。

異物上と判別された測定点のスペクトルデータのＳ／Ｎ比が基準値より低い場合に、当該測定点について前記再測定ステップを実行することが好ましい。

前記Ｓ／Ｎ比が基準値より低い場合とは、前記スペクトルデータのトータル面積が一定以上の場合であることが好ましい。

さらに、前記異物分析ステップには、データベースを利用したスペクトル検索プログラムを使って、異物の構成を同定する異物同定ステップが含まれる、ことが好ましい。

また、本発明に係る異物分析用プログラムは、コンピュータに上記の各ステップを実行させるためのプログラムであることを特徴とする。

また、本発明に係る異物分析装置は、
被測定物上の測定領域を複数の測定点に区画して、当該複数の測定点について、各々の分光スペクトルを測定可能に構成されたスペクトル測定手段、
測定されたスペクトルデータの特徴量を算出し、当該特徴量に基づいて、各々の測定点が被測定物中の異物上の点であるか否かを判別する異物判別手段、
異物上と判別された測定点のスペクトルデータを保持し、異物上と判別されなかった測定点のスペクトルデータについては、削除する、または、記憶手段に記憶させるデータ保持制御手段、および、
異物上と判別された複数の測定点のスペクトルデータに基づいて、前記特徴量算出ステップよりも詳細に異物を分析する異物分析手段、
を備えることを特徴とする。

なお、スペクトル測定手段には、被測定物に光を照射し、透過光、反射光、散乱光または蛍光の分光スペクトルを測定する顕微分光装置（ラマン分光装置、赤外分光装置、紫外可視分光装置、分光蛍光装置など）を用いることができる。

以上の本発明の異物分析方法によれば、測定された全てのスペクトルデータを使って異物分析をするのではなく、測定された各々のスペクトルデータの特徴量に基づいて異物分析の対象にすべきか否かが効率的に判別され、分析対象と判別された測定点のスペクトルデータに基づいて異物分析が実行される。つまり、分析対象が被測定物に含まれる異物の上に設定された測定点のスペクトルデータに絞られる。従って、測定された全てのスペクトルデータを異物分析する場合と比較して、演算素子のメモリー使用範囲を抑えることが可能となり、また、異物分析に掛かる時間の短縮化が可能になる。

第一実施形態に係る異物分析方法のフロー図である。 図１の異物分析に用いる顕微分光装置の構成図である。 図１の異物分析の具体例を示すフローである。 図１の異物分析に用いる演算処理手段の構成図である。 判別に利用する特徴量の種類を説明するための図である。 平均化処理を説明するための図である。 第二実施形態に係るクローズ領域の登録ステップを説明するための図。 第三実施形態に係るスリットを利用した顕微分光装置およびピンホールを利用した顕微分光装置の構成の違いを示す図。 共焦点アパーチャーを切り替える前後のスペクトルデータを示す図。 励起波長を変更する前後のスペクトルデータを示す図である。 第四実施形態に係る顕微赤外分光装置の構成図である。 図１１の装置においてアパーチャーの最適化を説明するための図である。 半導体ウェハーの欠陥を異物として捉えた観察画像およびスペクトルイメージデータの比較を示す図。 異物分析に掛かる時間の短縮化を可能にする顕微赤外分光装置の構成図。 図１４の顕微赤外分光装置を用いた分析方法のフロー図である。 図１５の各手順の具体例を示す第１の図である。 図１５の各手順の具体例を示す第２の図である。

＜第一実施形態＞
以下、本発明の第一実施形態である異物分析方法を図１〜図６を参照して説明する。

図１の手順フローに基づいて、本実施形態の異物測定方法の概要を説明する。被測定物である測定試料を試料ステージにセットし（ステップＳ１）、試料上に複数の測定点を設定する等、各種の測定条件を設定する（ステップＳ２）。測定準備が終わったら、各々の測定点の分光スペクトルの測定を開始する（ステップＳ３）。測定したスペクトルデータについて、演算処理手段３０を用いて測定点毎に特徴量を算出し（ステップＳ４）、その特徴量に基づいて、各々の測定点が異物上であるか否かを判別する（ステップＳ５）。そして、異物上と判別された測定点のスペクトルデータについては保持し続け、異物上と判別されなかった測定点のスペクトルデータについては削除するか、又は記憶手段４０に記憶させる（ステップＳ６）。演算処理手段３０が保持しているスペクトルデータに対して多変量解析を実行するか、ＡＩ検索による分類を実行する（ステップＳ７）。ここで、ＡＩ検索（人工知能検索）による分類とは、多数のスペクトルデータに基づく機械学習済みのプログラムを使って、未知のスペクトルデータがどのような物質のグループに属するかを予測するという分析手法である。

図２を用いて、本実施形態の異物測定で使用する顕微分光装置２０の構成を説明する。具体例として顕微レーザーラマン分光光度計の構成を示す。なお、顕微分光装置（スペクトル測定手段）２０および後述する演算処理手段３０によって、異物分析装置が構成される。

顕微分光装置２０は、レーザー光を照射したときに生じる試料Ｓからのラマン散乱光を分光検出し、スペクトルデータを取得するための装置である。加えて、複数の測定点からそれぞれ取得されるスペクトルデータに基づき、マッピングデータ（スペクトルイメージデータとも呼ぶ。）を作成することもでき、二次元または三次元の広範囲マッピング測定に適する。

顕微分光装置２０を、便宜的に、レーザー照射光学系、共焦点顕微光学系、ラマン観察光学系（分光検出系に相当する。）および可視観察光学系に分けて説明する。

顕微分光装置２０のレーザー照射光学系は、レーザー装置ＬＳ１と、自動レーザーアライメント機ＡＬにセットされた一対の自動アライメントミラーＭ１，Ｍ２と、減光器ＡＴと、ライン照射光学系の切替機ＳＷ２と、ビームスプリッタＢＳ／ＤＭ１とを備える。ここで、レーザー装置ＬＳ１は、図２のように励起波長の異なるレーザー装置ＬＳ２，ＬＳ３とともに、レーザー自動切替機ＳＷ１にセットされた状態にしてもよい。

ライン照射光学系の切替機ＳＷ２には、スポット状ビームをライン状ビームに切り替えるためのライン照射光学系（例えば、シリンドリカルレンズＣＬ）が、オンライン又はオフラインに切替可能にセットされている。

選択されたレーザー装置からの照射光（レーザー）は、自動レーザーアライメント機ＡＬによる光軸調整、減光機ＡＴによる光量調整を受けて、ライン照射光学系の切替機ＳＷ２を経て、ビームスプリッタＢＳ／ＤＭ１に入射する。ビームスプリッタＢＳ／ＤＭ１は、照射光を対物レンズＯＢに向けて反射するとともに、対物レンズＯＢからのラマン光を透過させる。

ライン照射光学系の切替機ＳＷ２がシリンドリカルレンズＣＬをオンラインに移動させると、そのシリンドリカルレンズＣＬと対物レンズＯＢの組合せによって、照射光が試料において細長形のライン状の像、つまり、ライン照射領域が形成される。シリンドリカルレンズＣＬをオフラインにすると、円形断面の照射光によるビームスポットが試料に形成される。このような切替機ＳＷ２によって、ラインマッピング測定とポイントマッピング測定との切替をスムーズに行うことができる。ライン照射領域を形成する手法として、この他に、ビーム走査型のビーム整形手段およびガルバノミラーを用いて、円形断面のレーザー光による試料上のスポット位置を高速に移動させる手法も採用できる。

顕微分光装置２０の共焦点顕微光学系は、自動ＸＹＺステージＳＴと、対物レンズＯＢと、ラマン光の光路を変更するための一対のミラーＭ３，Ｍ４と、リジェクションフィルタ自動切替機ＳＷ４と、結像レンズＩＬと、分光器前の共焦点アパーチャー切替機ＳＷ５と、を備える。

対物レンズＯＢによって集光された試料Ｓからのラマン光は、ビームスプリッタＢＳ／ＤＭ１を透過し、一対のミラーＭ３，Ｍ４によって平行光束のままリジェクションフィルタ自動切替機ＳＷ４に導かれる。リジェクションフィルタ自動切替機ＳＷ４にセットされた複数のリジェクションフィルタ（帯域阻止フィルタとも呼ばれる。例えば図中のＲＦ１，ＲＦ２）のうち、選択されたフィルタを通過した光だけが、結像レンズＩＬに導かれる。共焦点アパーチャー切替機ＳＷ５には、スリット型のアパーチャーＡＰ１とピンホール型のアパーチャーＡＰ２とがそれぞれ少なくとも１種類ずつセットされており、測定条件および異物の形状に応じて選択された大きさや形状の孔を有するアパーチャーが結像レンズＩＬの結像面に位置決めされる。

顕微分光装置２０のラマン観察光学系は、分光器１３およびＣＣＤ検出器１４を備える。分光器１３に、グレーティングを切り替え可能なグレーティング自動切替機ＳＷ６を設けてもよい。ＣＣＤ検出器１４については、異なる感度帯域のＣＣＤ検出器から適切なものに切り替え可能な検出器自動切替機ＳＷ７を設けてもよい。また、電子倍増機能が付加されたＥＭＣＣＤ検出器に切り替えることで、より高速な微弱光測定が可能になる。

顕微分光装置２０の可視観察光学系は、ミラーＭ３をオフラインにする観察切替機ＳＷ３と、ビームスプリッタＢＳ／ＤＭ２と、レンズＬ１と、観察用カメラＣ１、ミラーＭ５と、レンズＬ２と、照明用光源Ｓ４と、を備える。

次に、図３を用いて、演算処理手段３０によって実行される異物分析プログラムについて説明する。プログラムを実行すると、まず、ステージＳＴに試料Ｓが適切にセットされているかが判断される（ステップＳ１）。また、モニター手段５０に測定条件の設定画面が表示される（ステップＳ２）。設定される測定条件は、顕微分光装置２０において切替可能に構成されている各種の光学素子の選択、測定範囲、積算回数、露光時間、異物の判定基準、再測定の判定基準、再測定の測定条件などである。

これらの測定開始条件が満たされると、複数の測定点の分光スペクトルの自動測定が開始される（ステップＳ３）。分光スペクトルの測定では、ライン照射光学系ＣＬを光路上に配置することによって、試料Ｓ上にライン照射が実行される。ライン照射とは、直線状に配置された複数の測定点をまとめて照射する方式を指し、その測定点の数はＣＣＤ検出器のチャンネル数に対応する。あるいは、ライン照射光学系ＣＬを光路上から外すことによって、試料Ｓ上にポイント照射が実行され、かつ、試料ステージＳＴを高速移動させることによって、そのポイント照射が直線状に配置された複数の測定点を順次高速で照射するようにする。いずれにしても、ＣＣＤ検出器において、複数の測定点のスペクトルデータが同時に測定される（多チャンネル同時測定）。

次に、異物上のスペクトルデータの抽出が実行される（ステップＳ１０）。この抽出ステップＳ１０では、まず、それぞれの測定点のスペクトルデータの特徴量が算出される（ステップＳ４）。特徴量として、本実施形態では、スペクトルのトータル面積、基準スペクトルとの相関性を示す値、標準偏差スペクトルとの比較によるピーク波数値、又は、これらに相当する数値を算出する。

基準スペクトルとは、本来の試料の成分を示すスペクトルデータを指し、それとの相関性を示す値としては、例えば、ユークリッド距離、相関係数、差の絶対値の和、差の二乗和などを用いることができる。

次に、異物の判別基準として設定された或る閾値を使って、スペクトルデータの特徴量とその閾値とを比較して、個々の測定点が異物上であるか否かの判別を行う（ステップＳ５）。そして、異物上と判別された測定点のスペクトルデータについては保持し続け、異物上と判別されなかった測定点のスペクトルデータについては削除するか、又は記憶手段４０に記憶させる（ステップＳ６）。

以上のステップＳ４〜Ｓ６によって、測定された全ての測定点のスペクトルデータの中から、異物上であると判別された測定点のスペクトルデータの抽出が完了する。

抽出されたスペクトルデータについて、測定点のグルーピングを実行して、個々のグループについての平均スペクトルデータを算出するようにしてもよい（ステップＳ７１）。

また、測定されたスペクトルデータに基づいて、測定点毎に、再測定の要否を判断するようにしてもよい（ステップＳ７２）。ここでは、スペクトルデータのＳ／Ｎ比が低い場合を再測定の要件にすることができる。例えば、スペクトルのトータル面積がある閾値よりも大きい場合（試料Ｓが発する蛍光の影響が大きい場合）に、再測定を実行するようにしてもよい。再測定では、高いＳ／Ｎ比のスペクトルデータを測定できるような測定条件に変更され、分光スペクトル測定が実行される（ステップＳ７３）。

多チャンネル同時測定の手法は、多くの測定点のスペクトルデータを一度に取得できるため、試料Ｓの広範囲を高速測定するのに適している。一方、高速測定を前提にしているため、露光時間や積算回数をどうしても小さい値に設定する場合が多くなる。そのため、得られるスペクトルデータのＳ／Ｎ比は比較的低くなってしまう。そこで、上記のステップＳ７３の再測定によって、異物上と判別された測定点のみから高いＳ／Ｎ比のスペクトルデータを測定し、スペクトルデータの分析精度の向上を図ることにした。

次に、異物上と判別された測定点のみのスペクトルデータ、または、平均スペクトルデータに対して、多変量解析が実行される（ステップＳ７）。さらに、多変量解析の結果に対して、データベースを利用したスペクトル検索が実行され（ステップＳ８）、その検索結果を反映したスペクトルイメージデータがモニター手段５０に表示される。または、そのスペクトルイメージデータが外部に出力されて（ステップＳ９）、異物分析が終了する。なお、多変量解析（ステップＳ７）で得られた主成分のスペクトルデータに対して、ＡＩ検索による分類（ステップＳ８）を実行して、異物が属するグループの情報を得るようにしてもよい。

異物分析プログラムによる異物分析について、図４に示したスペクトルデータの処理の流れを用いて更に説明する。演算処理手段３０のスペクトル測定指令部３は、顕微分光装置２０に対して、所定の測定条件（例えば、多チャンネル同時測定条件）での分光スペクトル測定の実行を指令する。

演算処理手段３０は、顕微分光装置２０からのスペクトルデータを受け取る。ここでは、説明を分かり易くするため、直径５〜１０μｍ程度のマイクロ粒子を異物として混入させた試料のスペクトルイメージを作成する場合を示す。まず、画像Ａは、試料上に設定された縦横１００μｍの正方形の測定領域と、その中に縦横４０マスに区画した測定点の配列を示す。なお、画像Ａは、便宜的に異物の分布を撮影した観察画像データ上にマス目を重ね合わせている。分光スペクトル測定の結果、各マス目（各測定点）のスペクトルデータが演算処理手段３０に入力される。

特徴量算出部４が画像Ａの測定領域の全てのスペクトルデータに基づいて、画像Ｂのような判定用スペクトルイメージデータ（色分け図）を作成する。ここでは母材となる試料自体の成分が一様であるため、画像Ｂにおいて最も面積の大きい色の領域が試料とみなされて、それ以外の色の領域が異物とみなされる。次に、異物判定部５が、画像Ｂのイメージデータを閾値によって二値化処理し、異物と判別された部位が検出される。また、予測した異物の形状データに基づいて、異物の固体ごとのラベリングを実行してもよい。この異物判定部５によって作成された二値化イメージデータを画像Ｃに示す。

次に、データ保持制御部６が、検出された異物と重なっている測定点のスペクトルデータをそのまま保持し、それ以外の測定点のスペクトルデータについては不要データとして削除する。または、削除する代わりに、記憶手段４０に移動させて保存する。つまり、データ保持制御部６は、画像Ａに画像Ｃを重ね合わせた際に、異物の部位に対応する測定点だけを残すという処理を実行したことになる。画像Ｄに、必要な測定点だけが残された状態を示す。

データ保持制御部６は、さらに、オプション機能として、クローズ領域登録部６１および平均化処理部７１を備える。画像Ｅは、詳細を後述するが、平均化処理部７１による平均化領域の指定の状態を示す。平均化処理部７１は、平均化領域ごとの平均スペクトルデータを算出する。

次に、再測定判定部７２が、異物と判別された測定点（画像Ｄ）のスペクトルデータ、または、その平均化領域（画像Ｅ）の平均スペクトルデータに基づいて、再測定の要否を判定する。再測定が必要な場合は、再測定指令部７３が、顕微分光装置２０に対して、所定の再測定条件（例えば、単チャンネル測定条件）での分光スペクトル測定の実行を指令する。再測定では、異物と判別された測定点（画像Ｄ）、または、その平均化領域（画像Ｅ）に対して、その測定点または平均化領域の１つずつが高Ｓ／Ｎ比条件で分光スペクトル測定される。再測定で取得されたスペクトルデータは、多変量解析部７に入力される。

再測定が不要な場合は、多変量解析部７が、異物と判別された測定点（画像Ｄ）のスペクトルデータ、または、その平均化領域（画像Ｅ）の平均スペクトルデータを多変量解析する。再測定された場合は、再測定で取得されたスペクトルデータを多変量解析する。ここでは、多変量解析の１つである主成分分析の結果を示す。画像Ｇは、主成分１〜主成分３のそれぞれの主成分スペクトルデータを示す。画像Ｆは、画像Ｄの測定点を主成分１〜３毎に色分けした図であり、結果表示・データ出力部９によってモニター手段５０に表示される。或いは画像データが外部に出力される。なお、モニター手段５０には、多変量解析結果の色分け図（画像Ｆ）だけでなく、それまでの分析過程を示す画像（画像Ａ〜画像Ｇ）を適宜表示させてもよい。

さらに、データベース検索手段８が、スペクトルライブラリー６０のような検索用データベースを使って、主成分１〜主成分３のそれぞれの主成分スペクトルデータ（画像Ｇ）を検索し、該当する構成成分を同定する処理をしてもよい。また、検索用データベースでの検索に換えて、ＡＩ検索による分類を実行してもよい。結果表示・データ出力部９は、最もヒット率の高い結果を、モニター手段５０に表示させることができる。画像Ｈは、観察画像に映っている異物の位置に、データベース検索手段８で同定された成分名を色分けで表示させた画像データの例である。

図５に、特徴量算出部４に採用可能な種々の特徴量の算出方法の説明図、および、その結果得られる判別用スペクトルイメージデータを示す。

スペクトルデータのトータル面積は、ラマンシフトの測定範囲におけるスペクトルピークの総面積（図５のスペクトル画像ＳＰ１において色塗りされた範囲）に相当する数値である。画像Ｂ１は、トータル面積に基づいて色分けした図であり、試料Ｓから異物の部位が浮かび上がっている。このトータル面積は、異物自体に蛍光成分が含まれている場合に有効的で、異物を判別しやすくなる。

また、再測定判定部７２においても、トータル面積を利用した再測定の要否判定が有効になる。例えば、試料Ｓ自体やそこに含まれる異物からの蛍光が強過ぎる場合には、トータル面積が大きくなるので、その数値の大小によって再測定の要否を判断できる。蛍光が強い場合に、異なる励起波長の励起レーザーへ切り替えるべきか等、蛍光の影響が小さくなるような測定条件に変更するかどうかを判断し易い。

スペクトルの相関性は、測定点のスペクトルデータと、基準スペクトルデータ（試料自体のスペクトルデータ）との相関性であり、計算アルゴリズムとして、ユークリッド距離、相関係数、差の絶対値の和、差の二乗和などの各種計算アルゴリズムによる相関性の数値化処理を選択することができる。図５のスペクトル画像ＳＰ２が示すように、異物部のスペクトルデータと、基準スペクトルデータとは、相関性の数値（類似度）が低くなる。画像Ｂ２は、その数値に基づいて色分けした図であり、試料Ｓから異物の部位が浮かび上がる。試料Ｓが基板であるなど、試料について一定強度のスペクトルが得られる状態で、スペクトルの変質が起きるような試料に対して、スペクトルの相関性の利用が有効である。

次に、標準偏差スペクトルを図５のスペクトル画像ＳＰ３に示す。この標準偏差のスペクトル画像ＳＰ３には、全測定点のスペクトルデータの情報が含まれている。すなわち、特徴量算出部４は、測定点ごとのスペクトルデータから、同じ波数領域のスペクトル強度値を抽出し、それらのスペクトル強度値の標準偏差を算出する。スペクトル画像ＳＰ３は、波数を横軸とし、算出したスペクトル強度値の標準偏差を縦軸として、標準偏差のスペクトルデータとして表示されたものである。このように標準偏差スペクトルは、波数ごとのスペクトル強度値のバラツキの大きさを表している。そして、特徴量算出部４は、公知の自動ピーク検出手段を実行して、標準偏差スペクトルのピークを検出する。図５のスペクトル画像ＳＰ３から検出された複数のピーク（ピーク値が大きいもの）の波数を矢印で示した。

画像Ｂ３は、縦横の各軸によって測定点の位置を特定し、検出されたピーク波数に基づいて作成された色分け図である。適切な色分け図の作成方法を説明する。一つ目は、検出されたピーク波数ごとの単色の色分け図を画像処理して作成する方法である。特徴量算出部４は、複数の単色の色分け図を画像として比較して、最もコントラスト（または偏差）の大きい色分け図（第一のピーク波数）を抽出し、赤色を指定する。次に、抽出した単色の色分け図に対する類似度が最も低い色分け図（第二のピーク波数）を抽出し、緑色を指定する。同様に、残りの色分け図から、上記で抽出された単色の色分け図に対する類似度が最も低い色分け図（第三のピーク波数）を抽出し、青色を指定する。このように抽出された３つの単色の色分け図（３つのピーク波数）を重ね合わせることによって、三色の色分け図が得られる。二色または四色以上の色分け図についても同様に作成することができる。

二つ目は、測定点毎のスペクトルデータからピーク波数ごとのスペクトル強度値を抽出し、２つのピーク波数のスペクトル強度値の相関をとって、適切なピーク波数の組合せを選択するという方法である。具体的には、特徴量算出部４は、すべての測定点のスペクトルデータから、ピーク波数１およびピーク波数２の各スペクトル強度値を抽出し、ピーク波数１のスペクトル強度値を横軸に、ピーク波数２のスペクトル強度値を縦軸にそれぞれプロットして相関をとる。相関の傾きが負になる場合は、異なる成分のピークの組合せとみなすことができる。従って、すべてのピーク波数の組合せについて、上記の相関をとることによって、異なる成分とみなせる２以上のピーク波数の組合せを選択することができる。あとは、上記の画像処理の方法と同様に、選択されたピーク波数についての単色の色分け図を重ね合わせて、適切な色分け図を得ることができる。

複数の種類の異物が混入していて、トータル面積や相関性では区別がつきにくい（例えば、境界面が分かれにくい）場合に、上記のような標準偏差スペクトルを利用した判別方法が有効になる。

次に、図６を使って、平均化処理部７１の動作を説明する。平均化処理部７１では、異物判別部５によって異物上と判別された測定点（画像Ｄ）について、近隣する測定点のグループを作成するとともに、そのグループ（平均化領域）に含まれる測定点のスペクトルデータに基づいて平均スペクトルデータを算出する。

ここでは、異物判別部５においてラベリングされた異物のかたまりを参照にグルーピングを行う。画像Ｅの平均化領域は、画像Ｄの測定点よりも大きい矩形状の図形で表示されている。従って、画像Ｅを見れば、平均化処理部７１によって指定された平均化領域の分布が分かる。また、図６のスペクトルデータＳＰ６１は、異物上と判別された任意の１つの測定点のスペクトルデータを示し、スペクトルデータＳＰ６２は、平均化処理後の任意の１つの平均化領域の平均スペクトルデータを示す。平均化によって、ノイズの少ないスペクトルデータが得られる。

＜本実施形態の効果＞
図１〜図６に示した本実施形態の異物分析方法によれば、測定された全てのスペクトルデータが多変量解析されるのではなく、測定された各々のスペクトルデータの特徴量に基づいて多変量解析の対象にすべきか否かが効率的に判別され（ステップＳ５）、解析対象と判別された測定点のスペクトルデータだけが多変量解析される（ステップＳ７）。つまり、解析対象が被測定物に含まれる異物の上に設定された測定点のスペクトルデータに絞られる。従って、測定された全てのスペクトルデータを多変量解析する場合と比較して、演算素子のメモリー使用範囲を抑えることが可能となり、また、多変量解析に掛かる時間の短縮化が可能になる。

また、図３のステップＳ９のように、多変量解析の結果やデータベース検索結果に基づいて、異物の構成成分ごとの分布状態を２次元的または３次元的な画像データとして表示すれば、異物の構成物質の分布状態や、被測定物の物性が異物によってどのように変化しているか等をユーザーが一目で認識できるようになる。

さらに、ステップＳ３の分光スペクトル測定において高速イメージングを実行する場合、露光時間や積算回数を少なくするケースが多く、低いＳ／Ｎ比のスペクトルデータになり易い。本実施形態の異物分析方法においてステップＳ７１で示したように、１点分の測定エリアよりも異物のサイズが大きい場合には、スペクトルを合算平均することで、Ｓ／Ｎ比の改善を図ることができる。その際、ステップＳ３の分光スペクトル測定で取得したスペクトルイメージを画像処理することによって、合算平均するエリアを自動で設定することもできる。なお、後述する再測定ステップＳ７３および多変量解析ステップＳ７も、Ｓ／Ｎ比の改善を図ることができる手法である。

なお、多変量解析の代わりに、他の異物分析の手法（ＡＩ検索による分類、既存のデータベースを利用したスペクトル検索、ＡＩ検索による構成物質の予測、構成物質ごとの正確な分布状況の取得等）を実行する場合や、これらの複数の分析手法を組み合わせて実行する場合にも、同様に分析に要する時間の短縮化が可能になる。

＜第二実施形態＞
本発明の第二実施形態である異物分析方法について図７を参照して説明する。この異物分析方法は、図３の手順フローがベースであるので、共通する部分の説明を省く。

本実施形態では、図３の手順フローのうちのステップＳ３からステップＳ６までの処理について、同時進行ステップＳ１１を取り入れたものである。同時進行ステップＳ１１では、分光スペクトル測定（Ｓ３）、特徴量の算出（Ｓ４）、異物上であるか否かの判別（Ｓ５）およびスペクトルデータの保持等（Ｓ６）を同時に実行する。

このステップＳ１１について、ステップＳ６中のクローズ領域の登録ステップ（Ｓ６１）を用いて説明する。クローズ領域の登録ステップＳ６１とは、異物上と判断された測定点のグルーピングがクローズ状態になったタイミングで、１つの異物を表すデータグループとして登録することを示す。

図７の画像Ｃ１〜画像Ｃ３は、測定領域の左辺から１本のライン照射を右辺まで所定の速度で移動させる際のデータ処理の流れを模式的に示したものである。分光スペクトル測定（Ｓ３）が開始されると、ライン照射の範囲にある１列の測定点のスペクトルデータが同時に取得される。その１列分のスペクトルデータが取得されると、ライン照射範囲は次の１列へと進むが、同時に、取得したスペクトルデータの特徴量を算出し（Ｓ４）、測定点が異物上であるか否かの判別を行う（Ｓ５）。また、異物上と判断された測定点のグループがクローズ状態になっているかどうかを判断し（Ｓ６）、未だクローズ状態になっていない場合は、そのまま次のステップに進む。ステップＳ４〜Ｓ６の間に、２列目のスペクトルデータが取得されれば、同様に、ステップＳ４〜Ｓ６までの処理が実行される。このようにして、ライン照射の範囲が左へと徐々に進行するのと同時進行で、取得されたスペクトルデータの特徴量の算出からクローズ状態になっているかどうかの判断までの処理が進む。

画像Ｃ１では、相関性を特徴量として異物上であると判別された測定点が、黒色の塗りつぶしで表示されている。異物上と判別された領域は、基準スペクトル（試料自体のスペクトルデータ）に対する相関性が低い領域であり、１列目のスペクトルデータから異物であると疑われる場所が生じていることが分かる。

画像Ｃ２までライン照射が進むと、取得されたスペクトルデータの蓄積量が増加して、相関性の低い領域が徐々に広くなっているが、このタイミングでは、未だその領域がクローズ状態になっていない。クローズ状態とは、相関性の低い領域が、相関性の高い領域によって囲まれた状態を示す。

さらに、画像Ｃ３までライン照射が進むと、このタイミングで、相関性の低い領域がクローズ状態になる。クローズ領域の登録ステップ（Ｓ６１）によって、クローズ状態になった領域のスペクトルデータが１つの異物を表すデータグループとして登録される。また、同じタイミングで、異物上と判断されなかった測定点のスペクトルデータが、削除または記憶手段４０に保存される。

このように、分光スペクトル測定中に、異物検出の閾値設定が容易なスペクトル相関を計算しつつ、データ取得を進めていく。スペクトル相関のイメージ図を作成しながら、ラベリング処理を行って、クローズ状態になったら異物として登録していくことで、不要なスペクトルデータをいつまでも保持し続ける必要がなくなる。

＜第三実施形態＞
本発明の第三実施形態である異物分析方法について図８〜図１０を参照して説明する。この異物分析方法は、図３の手順フローがベースであるので、共通する部分の説明を省く。

本実施形態は、図３の手順フローのうちの再測定の要否判定ステップＳ７２および再測定ステップＳ７３に関するもので、再測定の測定条件の最適化の具体的方法を説明する。図８に、スリットを利用した分光スペクトル測定（ステップＳ３）における光学素子の構成と、ピンホールを利用した再測定（ステップＳ７３）における光学素子の構成の違いを示す。

スリットを利用した分光スペクトル測定（ステップＳ３）では、励起レーザーからの照射光の光路上に、ライン照射光学系の素子ＣＬを挿入することによって、試料Ｓにラインビームが照射される。試料Ｓからのラマン光は、分光器前の共焦点アパーチャーＡＰ１に達し、そのスリットを通過した光だけが分光検出される。スリットを通過した光は、分光器１３の回折格子によって、そのスリットの長手方向に直角の方向に分散され、２次元アレイ型のＣＣＤ検出器１４上の複数のチャンネルに対して結像して検出される。

つまり、ラインビームの照射範囲にある１列の測定点からのラマン光は、スリットを通過して、分散光となってＣＣＤ検出器１４で検出されるから、１列の測定点に対応する複数のスペクトルデータが一度に取得される。よって、高速ステージである自動ＸＹＺステージＳＴとの組合せによって、高速イメージングが可能になる。図８には、取得されるマルチスペクトルデータ（ＳＰ１，ＳＰ２，・・・，ＳＰｘ）を示す。このような分光スペクトル測定は、多チャンネル同時測定の１パターンである。

一方、ピンホールを利用した再測定（ステップＳ７３）では、励起レーザーからの照射光の光路上からライン照射光学系の素子ＣＬを外すことによって、試料Ｓへの照射光が一点に絞り込まれて、ポイント照射になる。試料Ｓからのラマン光は、分光器前の共焦点アパーチャーＡＰ２に達し、そのピンホールを通過した光だけが、分光器１３の回折格子によって分散されて、２次元アレイ型のＣＣＤ検出器１４で検出されるから、空間分解能が高い。

つまり、ポイント照射される１つの測定点（ライン照射時の測定点よりも大きい測定点でもよい）からのラマン光は、ピンホールを通過して、ＣＣＤ検出器１４上では１チャンネル分のスペクトルデータとして検出されるので、１つの測定点のスペクトルデータが高い分解能で取得される。図８には、取得されるシングルスペクトルデータ（ＳＰ１）を示す。このような分光スペクトル測定は、本書では単チャンネル測定とも呼んでいる。

なお、照射光の光路上に、ライン照射光学系の素子ＣＬを出し入れする動作、および、スリットからピンホールへの切り替え動作については、図２に示したライン照射光学系の切替機ＳＷ２および共焦点アパーチャー切替機ＳＷ５によって、自動での切り替えが可能になっている。

顕微ラマン分光装置の場合、ライン照射光学系にすると、分光器前の共焦点アパーチャーを縦長スリットにするため、ピンホールに比べて空間分解能が低下する。そこで、再測定（ステップＳ７３）時には、スペクトルデータのＳ／Ｎ比の改善のため、図８に示したように、
（１）ライン照射光学系からポイント照射用の光学系に切り替える、および、
（２）共焦点アパーチャーを縦長スリット（ＡＰ１）からピンホールアパーチャー（ＡＰ２）に切り替える、ことが好ましい。また、
（３）露光時間・積算回数などの測定条件を変更する、および、
（４）試料自体の蛍光が強い場合は、励起レーザーの励起波長を変更する、
ことも好ましい。

図９に、共焦点アパーチャーを２００μｍスリットから１７μｍピンホールに切り替えた場合のそれぞれのスペクトルデータを示す。ＲＧＢカラーフィルタ上に長辺が５〜１０μｍ程度の異物が含まれている場合の、その異物上の測定点のスペクトルデータである。スリットでは、カラーフィルタ由来の蛍光によってスペクトルのベースラインが高くなってしまって、微小異物を示すピークが相対的に小さくなっている。これに対し、ピンホールに切り替えると、空間分解能が向上し、ベースラインが低くなり、相対的に微小異物のピークが検出可能なレベルに達する。

また、図９の例示からも、蛍光の影響が疑われる場合は、再測定の要否判定の条件として、トータル面積がある閾値以上であることを条件にすることが適切だと言える。

図１０に、励起レーザーの励起波長を５３２ｎｍから７８５ｎｍに長波長化した場合のそれぞれのスペクトルデータを示す。５３２ｎｍレーザー励起では、試料の自家蛍光が強く、Ｓ／Ｎ比の良いスペクトルデータの取得が難しい場合がある。励起レーザーを７８５ｎｍレーザー励起に切り替えることで、蛍光回避が可能となり、良質なスペクトルデータの取得ができることを示す一例である。

なお、励起波長の変更に伴って、レーザー装置の切り替え、光軸のアライメント調整、リジェクションフィルタの切り替え、および、回折格子の切り替えをするとよい。本実施形態の顕微分光装置には、これらの光学素子の調整および切り替えについて、図２に示した、レーザー自動切替機ＳＷ１、自動レーザーアライメント機ＡＬ、リジェクションフィルタ自動切替機ＳＷ４、および、グレーティング自動切替機ＳＷ６によって、自動での調整および切り替えが可能になっている。

図９および図１０の例示からも、蛍光の影響が疑われる場合は、再測定の要否判定の条件として、トータル面積がある閾値以上であることを条件にすることが適切だと言える。

＜第四実施形態＞
次に、図１１および図１２を用いて、上述の各実施形態の異物測定をフーリエ変換型の顕微赤外分光装置で実行する場合について説明する。なお、異物分析方法のフローおよび演算処理手段の個々の機能については、図２の顕微ラマン分光装置に共通する。

図１１は、顕微赤外分光装置１２０の構成の一例である。この顕微赤外分光装置１２０を用いて、測定試料Ｓ上の測定点の赤外吸収スペクトルを測定する場合には、赤外光源ＩＲ、マイケルソン干渉計１０２で生成された赤外干渉光（測定光）が、入射側アパーチャー１０３と半透鏡１０４を透過して、切替ミラー１０５に入射する。この切替ミラー１０５は、９０度旋回可能に構成され、旋回前の姿勢（図中で破線で示す）では、入射光を反射測定用の光路に導く。また、９０度旋回後の姿勢では、入射光を透過測定用の光路に導く。

反射測定用の光路には、切替ミラー１０５を反射した入射光をステージＳＴの上方に配置された反射測定用の対物鏡１０８まで導くための２つの固定鏡１０６，１０７が配置されている。そして、入射光は、反射測定用の対物鏡１０８を介して試料Ｓ上の測定点を上方から照射する。測定点からの反射光は、反射測定用の対物鏡１０８を介して出射光になる。

透過測定用の光路には、切替ミラー１０５を反射した入射光をステージＳＴの下方に配置された透過測定用の対物鏡１１１まで導くための２つの固定鏡１０９，１１０が配置されている。そして、入射光は、透過測定用の対物鏡１１１およびステージＳＴを介して試料Ｓ上の測定点を下方から照射する。なお、ステージＳＴには光路に沿って貫通する孔が設けられている。測定点を透過した光は、反射測定用の対物鏡１０８を介して出射光になる。

反射測定用の対物鏡１０８からの出射光は、固定鏡１１２を反射して、さらに分離半透鏡１１３と出射側アパーチャー１１４を透過し、ＭＣＴ検出器に導かれる。そして、ＭＣＴ検出器でその光強度が検出され、その検出信号が信号処理装置１１５に供給される。この際、レーザー１１２から出射されたレーザー光をマイケルソン干渉計１０２に導光し、レーザー干渉光を生成してその光強度をフォトダイオードＰＤで検出し、その検出信号をサンプリング信号として信号処理装置１１５へ供給する。このサンプリング信号は、マイケルソン干渉計１０２の可動ミラーの１サイクルの動作の同期信号であり、信号処理装置１１５は、このサンプリング信号に同期して、ＭＣＴ検出器からの光強度信号を読み取り、フーリエ変換等、公知の信号処理をおこなって赤外吸収スペクトルを取得する。

また、顕微赤外分光装置１２０には、試料Ｓを観察する光学系が設けられている。試料Ｓの観察画像を取得する場合、可視光源Ｌからの可視光（観察光）が、半透鏡１０４および切替ミラー１０５を反射して、入射光になる。その入射光が、反射測定用または透過測定用の光路を通って測定点を照射する。測定点からの反射光または透過光は、反射測定用の対物鏡１０８を介して出射光になる。出射光は固定鏡１１２および分離半透鏡１１３を反射して、カメラ１１６に導かれる。

マイケルソン干渉計１０２の出口の入射側アパーチャー１０３、および、ＭＣＴ検出器の入口の出射側アパーチャー１１４は、それぞれ交換可能に設けられている。入射側アパーチャー１０３は、入射側アパーチャー切替機ＳＷ５１によって、形状および大きさの異なる孔を有する複数のアパーチャーから選択されたアパーチャーである。出射側アパーチャー１１４は、出射側アパーチャー切替機ＳＷ５２によって、形状および大きさの異なる孔を有する複数のアパーチャーから選択されたアパーチャーである。これらのアパーチャー切替機ＳＷ５１，ＳＷ５２を用いれば、例えば、スリット状からピンホール状に適宜アパーチャーを変更することができる。

また、ＭＣＴ検出器は、検出器自動切替機ＳＷ７１によって、他の検出器への自動切替が可能になっている。例えば、ＭＣＴ検出器を多チャンネルのリニアアレイ型から単眼ミッドバンド型に適宜切り替えることができる。

以上の構成の顕微赤外分光装置１２０を用いて試料中の異物を測定する場合、図１２のように、アパーチャーの最適化を行うと良い。図１２は、顕微赤外分光装置において、リニアアレイ検出器を用いた場合の試料上の１点当たりの測定サイズと、単眼検出器を用いた場合の試料上の１点当たりの測定サイズとを示した図である。

リニアアレイ検出器（１ライン当たり１６チャンネル）の場合、１点の測定サイズが検出器の１ｃｈ当たりの素子サイズに依存してしまい、試料上における１点当たりの測定サイズが固定されてしまう。これに対して、単眼検出器（１チャンネルのみ）の場合、測定サイズが固定されてしまうという制約が無く、アパーチャーサイズ（Ｘ，Ｙ，θ）を異物のサイズに合わせて最適化することができ、Ｓ／Ｎの良い吸収スペクトルを得ることができる。なお、アパーチャーサイズのＸ，Ｙは、例えばアパーチャーが矩形の開口部である場合、開口部の縦横の寸法を表す。また、アパーチャーサイズのθは、試料上に設定した直交２軸方向に対する矩形の開口部の回転角度の値を表す。

本実施形態の顕微赤外分光装置１２０には、図１１に示したように、アパーチャー切替機ＳＷ５１，ＳＷ５２が設けられており、検出された異物サイズに合わせて、最適なアパーチャーサイズのアパーチャーへの自動変更および回転角度の変更が可能になっている。

さらに、アパーチャーの自動設定後、積算回数を多くしてフーリエ変換型のスペクトル測定をすることで、より高いＳ／Ｎ比の吸収スペクトルデータを取得することができる。

図８〜図１０に示した顕微ラマン分光装置による異物分析方法によれば、複数の測定点のラマンスペクトル測定（ステップＳ３）、および、異物上のラマンスペクトルデータの抽出（ステップＳ１０）を順次実行した後に、異物上の測定点を対象とする再測定（ステップＳ７３）を実行するという、二段階のラマンスペクトル測定による異物分析の手法が確立された。

また、図１１および図１２に示した顕微赤外分光装置による異物分析方法によれば、複数の測定点の吸収スペクトル測定（ステップＳ３）、および、異物上の吸収スペクトルデータの抽出（ステップＳ１０）を順次実行した後に、異物上の測定点を対象とする再測定（ステップＳ７３）を実行するという、二段階の吸収スペクトル測定による異物分析の手法が確立された。

つまり、これらの異物分析方法において、前半のステップでは、ある程度Ｓ／Ｎ比を犠牲にしてでも、広い測定領域における多数の測定点を高速にスペクトル測定（ステップＳ３）して、そのスペクトルデータに基づいて異物の分布を把握（ステップＳ１０）する。そして、後半のステップでは、測定対象の測定点が絞られた状態で、高いＳ／Ｎ比のスペクトルデータを取得する。このような二段階のスペクトル測定を実行することによって、異物分析を早く、かつ、高い分析精度で実行することができる。

また、再測定の要否判断（ステップＳ７２）を自動で実行することも可能となり、２段階のスペクトル測定が一連の測定動作としてスムーズに実行されるようになる。

発明者らは、観察画像に基づいて、保持すべきスペクトルデータのエリアを決定する手法についても知見を得ている。しかし、本実施形態のようにスペクトルイメージから異物上の測定点であるかどうかを判別する機能が、図１３に示すような事情によって重要になる。図１３に、半導体ウェハー（ＳｉＣ）の欠陥を異物として捉えた観察画像およびスペクトルイメージデータを示す。すなわち、観察画像で異物部分を判定できる試料であればよいが、試料によっては、観察画像には映らない部分を異物として有しているものもあり、スペクトルデータを測定することによって、初めて異物を識別できるようなケースがある。
観察画像では判別するのが困難である試料に対しては、本実施形態のようなスペクトルデータの特徴量に基づいて、保持すべきスペクトルデータのエリアを判別する手法が優れている。

なお、各実施形態の異物分析方法を、「ラマン分光法」および「赤外分光法」を利用した顕微分光装置をベースに説明したが、これに限られず、その他の分光法を利用した顕微分光装置による異物分析方法への適用も同様に可能である。

次に、上述の各実施形態と同様に、異物分析に掛かる時間の短縮化を可能にする顕微赤外分光装置の構成の一例を図１４に示す。同図に示す顕微赤外分光装置２２０は、図１１の顕微赤外分光装置１２０と共通する構成を有し、それらには同じ符号を用いることで、説明を省略する。

図１４の顕微赤外分光装置２２０を用いて、試料Ｓ中の異物を測定する場合、通常は、赤外吸収スペクトルのＳ／Ｎ比が適切な値になるように、１つの測定点に対して設定された積算回数分のサンプリングが実行される。取得した赤外吸収スペクトルデータは、信号処理装置１１５から演算処理手段１３０に送られる。また、カメラ１１６で撮像された観察画像データも演算処理手段１３０に送られる。

異物分析方法について、図１５〜図１７を用いて説明する。なお、図１５のフローは、演算処理手段１３０が測定プログラムを実行することによって、自動的に実行される。

まず、顕微赤外分光装置２２０は、可視光源Ｌおよびカメラ１１６を用いて測定試料の観察画像を得るため、測定試料に対するオートフォーカスを実行する（ステップＳ１０１）。図１６の具体例には、自動ＸＹＺステージＳＴによる試料の昇降動作を示す。次に、顕微赤外分光装置２２０は、カメラ１１６の観察画像の輝度を最適化する（ステップＳ１０２）。図１６に示す観察画像Ｊ１の例では、カメラ１１６の個々の画素の受光量がサチレーションしないように、可視光源Ｌの光量（明るさ）が調整される。

次に、演算処理手段１３０が、カメラ１１６から受け取った観察画像データに基づき、観察画像上の測定候補位置とその個数をリアルタイムで検出する（ステップＳ１０３）。観察画像は個々の画素データで構築されているので、演算処理手段１３０は、個々の画素データ（輝度値など）に対して例えば二値化処理を行って、測定すべき範囲およびその範囲の分布を識別する。そして、これら識別された範囲およびその分布を、測定候補位置とその個数として検出する。図１６の観察画像Ｊ２の例では、演算処理手段１３０は、個々の画素データに基づいて、例えば同じ輝度値の画素を抽出することで、測定すべき範囲の輪郭線（Ｊ２１、Ｊ２２等）を識別している。そして、これら識別された輪郭線およびその分布を、測定候補位置とその個数として検出している。

演算処理手段１３０は、検出された測定候補位置とその個数をモニター手段１５０に表示させる。これによって、ユーザーは、観察画像に重ねて表示されたこれらの測定候補位置をリアルタイムに認識できる。必要に応じて、ユーザーの操作または演算処理手段１３０自身の判断で、観察画像の取得条件を最適化し、演算処理手段１３０が再度取得した観察画像に基づいて、測定候補位置とその個数を再検出してもよい（ステップＳ１０４）。

次に、演算処理手段１３０は、サンプルサーチを実行する（ステップＳ１０５）。ここでは、検出された測定候補位置のデータを、演算処理手段１３０に内蔵されたアパーチャー設定用の画像処理部１３２に転送する。そして、画像処理部１３２が、転送されてきた測定候補位置のデータに基づいて、スペクトル測定のための測定点を設定する。また、画像処理部１３２は、設定された測定点に対して、適切なアパーチャー１０３，１１４を設定する（ステップＳ１０６）。例えば、画像処理部１３２は、二値化された画素群の形状などに基づいて、測定点の形状およびその大きさを設定する。これらの測定点の形状および大きさは、そのままアパーチャーの開口部の形状および大きさになる。画像処理部１３２は、二値化された画素群の形状に対して外接（または内接）するようなサイズの矩形の輪郭線を設定してもよい。図１７の観察画像Ｊ３の例では、測定点ごとに矩形の開口部（Ｊ３１、Ｊ３２等）の縦方向および横方向のサイズが設定される。さらに、観察画像上の直交２軸方向を基準に矩形の開口部を回転させる場合の回転角度の値を設定してもよい。

次に、演算処理手段１３０は、画像処理部１３２によって設定された測定点の位置データをアパーチャーのデータ（枠のサイズ、回転角度など）とともに、記憶手段１４０に登録する（ステップＳ１０７）。測定条件（レシピ）として、測定点ごとに設定された積算回数等も一緒に登録してもよい。微小アパーチャーに対しては、積算回数を増やすことによって、Ｓ／Ｎ比を改善することができるからである。

なお、演算処理手段１３０は、バックグラウンドのスペクトルを測定するために、バックグラウンド用の測定点を設定し、その測定位置データを登録してもよい（ステップＳ１０８）。

以上の測定準備が終わったら、顕微赤外分光装置２２０は、登録された多数の測定点に対して、順次、分光スペクトルを測定する。図１７の具体例では、顕微赤外分光装置２２０は、ステージＳＴを水平方向に駆動して、対物鏡１０６による測定光のスポットを１つの測定点に位置決めし（ステップＳ１０９）、その測定点について登録されたレシピ（アパーチャーの設定など）に従って、分光スペクトルを測定する（ステップＳ１１０）。登録されたレシピに従うとは、例えば、アパーチャー切替機ＳＷ５１，ＳＷ５２を用いて、その測定点に設定されたアパーチャーに切り替える動作や、検出器自動切替機ＳＷ７１を用いて検出器を切り替える動作などを指す。

顕微赤外分光装置２２０は、１つの測定点のスペクトルデータの測定が完了したら、すぐに、次の測定点にスポットを移動させて（ステップＳ１０９）、同様に、分光スペクトルの測定を実行する（ステップＳ１１０）。

演算処理手段１３０は、顕微赤外分光装置２２０から受け取ったスペクトルデータをその測定点の位置情報とともに、記憶手段１４０に記憶させる。また、演算処理手段１３０は、スペクトルライブラリー１６０の中から、１つの測定点について測定されたスペクトルデータとの一致度の高い既知物質のスペクトルデータを検索する。あるいは、測定されたスペクトルデータに基づいて、その測定点の物質を、属する可能性の高い化合物グループに分類する（ステップＳ１１１）。

演算処理手段１３０は、ステップＳ１１１の検索結果または分類結果を分析結果として、モニター手段１５０に表示させる（ステップＳ１１２）とともに、検索結果または分類結果のデータを該当する測定点の位置情報に関連付けた状態で、記憶手段１４０に記憶させる（ステップＳ１１３）。

図１７の分析結果の表示画像Ｊ４のように、モニター手段１５０が表示している測定点のアパーチャーの枠（Ｊ４１、Ｊ４２等）に対して、１つの測定点の分析結果が得られたら、その都度、その分析結果の色分け表示を実行させるとよい。つまり、演算処理手段１３０のスペクトルの分析処理の動作（ステップＳ１１１〜Ｓ１１３）は、顕微赤外分光装置２２０によるスペクトル測定の反復動作（ステップＳ１０９〜Ｓ１１０）と同時に実行される。顕微赤外分光装置２２０が測定点を順次、スペクトル測定している裏で、演算処理手段１３０が測定されたスペクトルデータの検索または分類を実行する。これによって、全ての測定点の測定が完了していなくても、モニター手段１５０には、先に測定されたスペクトルデータの分析結果が逐一、該当する測定点のアパーチャーの枠に表示されていく。図１７の表示画像Ｊ４の例では、１４分類の化合物グループに分類された結果が、グループごとに色分けして観察画像上のアパーチャーの枠内に表示される。その際、観察画像が分析結果に対応する色を透過するように表示するので、ユーザーが異物分析の結果を認識しやすい。

なお、全反射光学素子を用いて全反射測定を可能とする顕微全反射測定装置を適用することで、試料と対物鏡の相対的な位置関係を変えることなく、測定光のスポット位置を目的の測定点に移動させることができる。また、図１１は、反射測定および透過測定の両方が可能な装置構成であるが、反射測定または透過測定のいずれかの測定が可能な装置構成にしてもよい。

また、演算処理手段１３０は、スペクトル分類のステップＳ１１１において、ＡＩ検索による分類を実行するとよい。

＜ＡＩ検索による未知化合物の分類＞
最後に、各実施形態で用いる機械学習されたＡＩ検索による分類について、簡単に説明する。ＡＩ検索による分類の手法では、経験則に従って、複数の化合物グループを設定するとともに、化合物グループの各々に属する複数の既知化合物の分光スペクトルデータを既知スペクトルとして準備する。そして、コンピュータ装置上のニューラルネットワークが、準備された既知スペクトルおよび化合物グループの情報を読み取って、同一の化合物グループに属する複数の既知スペクトルに共通するスペクトル形状の特徴等を学習する。

学習済みのニューラルネットワークは、未知化合物の分光スペクトルデータを未知スペクトルとして読み取って、共通するスペクトル形状の特徴等の有無に基づいて、未知スペクトルが属する化合物グループを出力する。なお、既知スペクトルの準備段階では、例えば、複数の化合物グループに属し得るそれぞれの化合物グループのスペクトル形状の特徴等を併せ持った分光スペクトルデータに対して、経験則によりいずれかの化合物グループへの属性を定めて、学習用の既知スペクトルとすることが好ましい。そして、学習ステップでは、全結合層を有するニューラルネットワークを用いて、全結合層が、既知スペクトルとそれに対応する化合物グループの情報を読み取り、同一の化合物グループに属する複数の既知スペクトルに共通するスペクトル形状の特徴等を学習する。

スペクトルライブラリーから測定されたスペクトルデータとの一致度の高い既知物質のスペクトルデータを検索する、という従来の分析手法（いわゆるスペクトル検索）では、データベースのヒットリストの第１位の物質が必ずしも正解ではない。そのため、従来のスペクトル検索よりも短時間で結果が得られるＡＩ検索の分類の方が、未知化合物に対して凡その判断が求められる場合には、非常に役に立ち、実用性が高い。

３ スペクトル測定制御部
４ 特徴量算出部
５ 異物判別部
６ データ保持制御部
７ 多変量解析部
８ データベース検索手段
２０ 顕微分光装置（スペクトル測定手段）
３０ 演算処理手段
４０ 記憶手段
５０ モニター手段
６１ クローズ領域登録部
７１ 平均化処理部
７２ 再測定判定部
７３ 再測定指令部
１２０ 顕微赤外分光装置（スペクトル測定手段）
１３０ 演算処理手段
１４０ 記憶手段
１５０ モニター手段
２２０ 顕微赤外分光装置

Claims (15)

1. 被測定物中の異物を分析する方法であって、
   被測定物上の測定領域を複数の測定点に区画して、当該複数の測定点について、各々の分光スペクトルを測定するスペクトル測定ステップと、
   測定したスペクトルデータの特徴量を算出する特徴量算出ステップと、
   前記特徴量に基づいて各々の測定点が異物上であるか否かを判別する異物判別ステップと、
   異物上と判別された測定点のスペクトルデータを保持するとともに、異物上と判別されなかった測定点のスペクトルデータについては削除する、又は記憶手段に記憶させるデータ保持ステップと、
   異物上と判別された複数の測定点のスペクトルデータに基づいて、前記特徴量算出ステップよりも詳細に異物を分析する異物分析ステップと、を含むことを特徴とする異物分析方法。
2. 請求項１記載の方法において、前記異物判別ステップでは、前記特徴量を或る閾値と比較することによって判別することを特徴とする異物分析方法。
3. 請求項１または２記載の方法において、前記特徴量算出ステップでは、前記スペクトルデータの特徴量として、スペクトルのトータル面積、基準スペクトルとの相関性を示す値、標準偏差スペクトルとの比較によるピーク波数値、又は、これらに相当する数値を算出することを特徴とする異物分析方法。
4. 請求項１から３のいずれかに記載の方法において、前記スペクトル測定ステップの実行中に、前記特徴量算出ステップ、前記異物判別ステップおよび前記データ保持ステップを、順次繰り返して実行する同時進行ステップを含むことを特徴とする異物分析方法。
5. 請求項１から４のいずれかに記載の方法において、前記データ保持ステップでは、異物上と判別されなかった測定点のスペクトルデータを、異物上と判別された測定点のスペクトルデータと区別して前記記憶手段に記憶させる、ことを特徴とする異物分析方法。
6. 請求項１から５のいずれかに記載の方法において、
   前記データ保持ステップでは、異物上と判別された測定点のグループが、異物上と判別されなかった測定点によって囲まれた状態になったタイミングで、当該異物上と判別された測定点のスペクトルデータのグループを１つの異物を表すデータグループとして保持するとともに、異物上と判別されなかった測定点のスペクトルデータの削除または記憶手段への記憶を実行することを特徴とする異物分析方法。
7. 請求項１から６のいずれかに記載の方法において、前記スペクトル測定ステップは、複数の測定点からの光を別々に検出可能な検出器を用いて、複数の測定点の分光スペクトルを同時に検出する多チャンネル同時測定ステップであることを特徴とする異物分析方法。
8. 請求項１から７のいずれかに記載の方法において、
   前記データ保持ステップでは、異物上と判別された測定点であって互いに近隣する複数の測定点を１グループとして、当該グループに含まれるスペクトルデータに基づく平均スペクトルデータを算出し、当該グループに含まれる測定点のスペクトルデータとして保持し、
   前記異物分析ステップでは、前記平均スペクトルデータを異物分析の対象に含めることを特徴とする異物分析方法。
9. 請求項１から８のいずれかに記載の方法において、前記異物判別ステップの後、異物上と判別された測定点のうちの少なくとも一部を再測定の対象にして、
   (i) 測定点への照射光の波長、
   (ii) 露光時間または積算回数の条件
   (iii) 測定点への照射光の照射範囲、
   (iv) 測定点からの光を検出する検出器、および、
   (v) 測定点から検出器までの光路のいずれかの位置に設けられたアパーチャー、
   のうちの少なくとも１つの測定条件を変更することによって、変更前よりも高いＳ／Ｎ比で再測定対象の測定点の分光スペクトルを再測定する再測定ステップを含み、
   前記異物分析ステップでは、再測定されたスペクトルデータを異物分析の対象に含めること、を特徴とする異物分析方法。
10. 請求項９記載の方法において、
    前記再測定ステップでは、少なくとも前記アパーチャーの孔の形状を変更し、
    前記スペクトル測定ステップが、複数の測定点からの光を検出可能な検出器を用いて、複数の測定点の分光スペクトルを同時に検出する多チャンネル同時測定ステップであり、
    前記再測定ステップが、１つの測定点の分光スペクトルを検出する単チャンネル測定ステップであることを特徴とする異物分析方法。
11. 請求項９または１０記載の方法において、異物上と判別された測定点のスペクトルデータのＳ／Ｎ比が基準値より低い場合に、当該測定点について前記再測定ステップを実行することを特徴とする異物分析方法。
12. 請求項１１記載の方法において、前記Ｓ／Ｎ比が基準値より低い場合とは、前記スペクトルデータのトータル面積が一定以上の場合であることを特徴とする異物分析方法。
13. 請求項１から１２のいずれかに記載の方法において、前記異物分析ステップには、データベースを利用したスペクトル検索プログラムを使って、異物の構成を同定する異物同定ステップが含まれる、ことを特徴とする異物分析方法。
14. コンピュータに請求項１から１３のいずれかに記載の各ステップを実行させるための異物分析用プログラム。
15. 被測定物中の異物を分析する装置であって、
    被測定物上の測定領域を複数の測定点に区画して、当該複数の測定点について、各々の分光スペクトルを測定可能に構成されたスペクトル測定手段、
    測定されたスペクトルデータの特徴量を算出し、当該特徴量に基づいて、各々の測定点が被測定物中の異物上の点であるか否かを判別する異物判別手段、
    異物上と判別された測定点のスペクトルデータを保持し、異物上と判別されなかった測定点のスペクトルデータについては、削除する、または、記憶手段に記憶させるデータ保持制御手段、および、
    異物上と判別された複数の測定点のスペクトルデータに基づいて、前記特徴量算出ステップよりも詳細に異物を分析する異物分析手段、
    を備えることを特徴とする異物分析装置。