JP7341241B2 - 計測システム、所定の構造を含む半導体の画像計測を行う際に用いる学習モデルを生成する方法、およびコンピュータに、所定の構造を含む半導体の画像計測を行う際に用いる学習モデルを生成する処理を実行させるためのプログラムを格納する記憶媒体 - Google Patents
計測システム、所定の構造を含む半導体の画像計測を行う際に用いる学習モデルを生成する方法、およびコンピュータに、所定の構造を含む半導体の画像計測を行う際に用いる学習モデルを生成する処理を実行させるためのプログラムを格納する記憶媒体 Download PDFInfo
- Publication number
- JP7341241B2 JP7341241B2 JP2021541913A JP2021541913A JP7341241B2 JP 7341241 B2 JP7341241 B2 JP 7341241B2 JP 2021541913 A JP2021541913 A JP 2021541913A JP 2021541913 A JP2021541913 A JP 2021541913A JP 7341241 B2 JP7341241 B2 JP 7341241B2
- Authority
- JP
- Japan
- Prior art keywords
- image
- measurement
- learning model
- teacher data
- region
- 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.)
- Active
Links
Images
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
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B15/00—Measuring arrangements characterised by the use of electromagnetic waves or particle radiation, e.g. by the use of microwaves, X-rays, gamma rays or electrons
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
- G01N21/9501—Semiconductor wafers
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
- G01N21/9501—Semiconductor wafers
- G01N21/9505—Wafer internal defects, e.g. microcracks
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
- G01N21/956—Inspecting patterns on the surface of objects
-
- G—PHYSICS
- G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
- G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
- G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
- G03F7/70—Microphotolithographic exposure; Apparatus therefor
- G03F7/70483—Information management; Active and passive control; Testing; Wafer monitoring, e.g. pattern monitoring
- G03F7/70605—Workpiece metrology
- G03F7/70616—Monitoring the printed patterns
- G03F7/70633—Overlay, i.e. relative alignment between patterns printed by separate exposures in different layers, or in the same layer in multiple exposures or stitching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
-
- 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
- G06T7/60—Analysis of geometric attributes
- G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
-
- 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
- G06V10/72—Data preparation, e.g. statistical preprocessing of image or video features
-
- 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
- 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
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B2210/00—Aspects not specifically covered by any group under G01B, e.g. of wheel alignment, caliper-like sensors
- G01B2210/56—Measuring geometric parameters of semiconductor structures, e.g. profile, critical dimensions or trench depth
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8883—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges involving the calculation of gauges, generating models
-
- 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
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Quality & Reliability (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Geometry (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Electromagnetism (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
Description
また、特許文献2に開示の技術には、設計画像が開示されない等の理由で入手できない場合に運用できないという課題がある。
本明細書の記述は典型的な例示に過ぎず、本開示の請求の範囲又は適用例をいかなる意味においても限定するものではない。
本実施形態(および実施例1から6)は、例えば、所定の構造(例えば、多層構造)を含む半導体の画像計測を行う計測システムに関する。当該計測システムは、半導体のサンプル画像から生成された教師データとサンプル画像とに基づいて生成された学習モデルを参照して、所定の構造を有する半導体の入力画像(計測対象)から領域分割画像を生成し、当該領域分割画像を用いて画像計測を行う。ここで、教師データは、サンプル画像における半導体の構造を含むラベルが画像の各画素に割り振られた画像であり、学習モデルは、サンプル画像から教師データを推論するためのパラメータを含んでいる。この学習モデルを用いることにより、サンプル画像から教師データへの推論が入力画像に対して適用されるので、入力画像の設計データを用いることなく計測処理を実行することが可能となる。
図1は、実施例1による教師データ作成からオーバレイ計測までの機能構成の一例を示す図である。教師作成部1、および学習部2の機能は、メイン計算機191のメインプロセッサ190が図示しない記憶部から対応する各処理プログラムを読み込むことによって実現される。また、領域分割部3、グループ化部4、およびオーバレイ計測部5の機能は、メイン計算機191のメインプロセッサ190あるいはサブ計算機191aや191bのサブプロセッサ190aや190bが図示しない記憶部から対応する各プログラムを読み込むことによって実現される。
まず、図1に示される教師データ作成からオーバレイ計測までの機能構成の概要について説明する。サンプル画像13は、事前に収集されたオーバレイ計測の対象とする画像のサンプルである。教師データ14は、オーバレイ計測の計測対象となる半導体中の構造を含むラベルを画像中の各画素に割り振った領域分割画像を、サンプル画像13のそれぞれについて用意したものである。
以下、実施例1の各機能構成の詳細について述べる。サンプル画像13は、オーバレイ計測を運用するよりも前に撮像された画像であって、計測対象となる半導体の試料もしくは計測対象となる半導体の試料に画像の見え方が近い試料の画像である。サンプル画像13は、オーバレイ計測を運用する電子顕微鏡もしくはこの電子顕微鏡と撮影画像の画質が近い電子顕微鏡によって収集することができる。
図9は、グループ化部4が実行するグループ化処理の詳細を説明するためのフローチャートである。グループ化処理は、図10の表80によって指定される計測対象の項目に従って、領域分割画像60の所定の領域に付与されたラベルに応じて関連する小領域ごとにグループ化する
図11は、オーバレイ計測部5が実行するオーバレイ計測処理の詳細を説明するためのフローチャートである。
オーバレイ計測部5は、第1の計測対象に対してテンプレートの位置合わせをする。ここで、テンプレートとは、第1の計測対象の各要素のX座標とY座標であり、オーバレイ計測の運用より事前に用意されたデータである。図12は、テンプレートデータ85の構成例を示す図である。図12において、テンプレートデータ85は、第1から第Nまでの各要素のX座標およびY座標から構成される。テンプレートデータ85は、代表例となるグループ化画像70における小領域71a、71b、71c、および71d等の重心のX座標およびY座標から求められる。あるいは、テンプレートデータ85は、半導体の設計図等から求めてもよい。
オーバレイ計測部5は、位置合わせしたテンプレートデータ85における要素それぞれに対応した小領域71a等を選択する。選択の基準は、小領域71a等の中で重心が最もテンプレートデータ85の要素に近いこととすることができるが、これに限らない。
オーバレイ計測部5は、ステップS12で選択された小領域毎にステップS14からS17の処理を繰り返し実行する。以下の説明では小領域71aを対象とした場合を例として述べる。
オーバレイ計測部5は、第1の計測対象の代表位置である位置1を計算する。位置1は、X座標のX1とY座標のY1という2つの要素から構成される。位置1は、小領域71a等の重心位置のX座標とY座標から計算する。
オーバレイ計測部5は、第2の計測対象の小領域の中で、小領域71aとオーバレイ量を計測するものを選択する。この選択の基準には重心の位置が最も近いものを選択するという基準を適用することができる。図8の場合、例えば、小領域72aが選択される。
オーバレイ計測部5は、ステップS14と同様の手順で、ステップS15で選択した第2の計測対象の小領域(例えば、小領域72a)の代表位置である位置2を求める。位置2は、X座標のX2とY座標のY2という2つの要素から構成される。
オーバレイ計測部5は、位置2と位置1から、下記式1および式2でX座標およびY座標の変位量であるDxおよびDyを計算する。
Dx = X2-X1 ・・・ (式1)
Dy = Y2-Y1 ・・・ (式2)
オーバレイ計測部5は、式1および式2に基づいて求めたDxおよびDyの変位量の統計量を計算する。当該統計量を算出する際には相加平均を適用することができるが、これに限らず相乗平均や中央値であってもよい。オーバレイ計測部5はステップ19で求めた変位量の統計量を画像50のオーバレイ量とする。
実施例1によれば、事前に教師作成部1においてサンプル画像13から作成した教師データ14を用いて学習部2が学習モデル11を求める過程を設けておく。そして、領域分割部3が学習モデル11を参照して入力画像12から求めた領域分割画像60を使うことで、グループ化部4とオーバレイ計測部5によってオーバレイ量を計測することができる。これにより特許文献1とは異なり、ノウハウを要するパラメータの調整を要することなく、また特許文献2とは異なり、入力画像12の設計データを必要とすることなく、領域分割画像60を推論することで正確なオーバレイ計測が可能となる。また、領域分割画像60やグループ化画像70という中間処理データを可視化できるために、特許文献3と異なり予期しないオーバレイ量が計測した場合に中間処理データを画面表示することで要因の把握が可能となる。つまり、領域分割部3では学習モデル11を参照して入力画像12を領域分割するため、上述の第1および第2の課題が解決される。また、領域分割画像は可視化できるデータであるために作業者が確認することが容易である。このため、第3の課題も解決される。
以上述べた実施例1では構成要素を変更することができる。例えば、学習モデル11は、上述のニューラルネットワーク構造以外にも、受容野176の単位で画像30から領域分割画像40を推論する任意の機械学習モデルを適用できる。例えば、画像30の受容野176の全画素から画素177のラベルを定める線形判別器でもよい。
<機能構成例>
図14は、実施例2による教師データ作成からオーバレイ計測までの機能構成例を示す図である。図14において、サンプル画像113は、例えば、撮影条件を変えて半導体ウエハにおける同一箇所を複数回撮影した画像の組である。ここで、撮影条件とは、電子顕微鏡の加速電圧や、反射電子像や二次電子像を撮像することや両者の合成画像を求める際の合成比率等であるが、これに限らない。
実施例2では、以上述べた構成により、単一の撮影条件では正確なオーバレイ計測が困難な場合においても、同一箇所を複数の撮影条件で画像の組を使う。これにより、領域分割部103が推論するラベルが正確となり、オーバレイ計測部105は正確なオーバレイ計測が可能になる。さらに、教師作成部101がサンプル画像113中の鮮明な部分にラベルを割り振るため、教師作成部101は、正確にラベルを小領域に割り振って教師データ114を作成することができる。
図16は、実施例3による教師データ作成からオーバレイ計測までの機能構成例を示す図である。まず実施例3による機能構成例の概要について説明する。
図17から図19を参照して、教師作成データ処理の詳細について説明する。図17は、サンプル画像213の構成例を示す図である。図18は、教師データ214の構成例を示す図である。図19は、教師作成部201による教師データ作成処理を説明するためのフローチャートである。
図17に示されるように、サンプル画像213は、事前に画像群231と画像群233の部分集合に分割される。
教師作成部201は、学習部2と同じ手順に従い、画像群231と領域分割画像群241から中間学習モデル(画像分231から領域分割画像群241を生成するための学習モデル)を求める。
教師作成部201は、領域分割部3と同様に、ステップS202で求めた中間学習モデルを参照して、画像群233から領域分割画像群243中を推論する(正確には画像群233中の画像30それぞれから領域分割画像40を推論することで領域分割画像群243を求める)。
サンプル画像の部分集合である画像群231が画像群233に含まれる全ての画像の性質を完全に網羅することは困難なため、ほとんどの場合において領域分割画像群243には誤ったラベルが含まれる。そこで、教師作成部201は、領域分割画像群243におけるラベルに対して統計処理による補正を実行する。統計処理による補正として、例えば、半導体チップ内における同一撮影箇所を繰返し撮影した領域分割画像群243中の部分集合内においてラベルの最頻値をとる補正を行うことができる。
教師作成部201は、領域分割画像群233中に割り振られたラベルが正確なものであるかを作業者が確認するためのユーザインタフェースを提供する。当該ユーザインタフェースは、領域分割画像群243中を構成する各々の領域分割画像40を表示する。この際に、領域分割画像40に割り振られたラベルの適否を判断しやすいように、ステップS205のユーザインタフェースには画像群233中の画像30を並べて表示したり、画像30上に領域分割画像40を透過させたブレンド画像を付加的に表示したりするようにしても良い。ステップS205で提供されるユーザインタフェースには、領域分割画像群243中の領域分割画像40のラベルを修正する機能を設けてもよい。当該ラベルを修正する機能は、入力画面91(図4参照)中に領域分割画像群243中の領域分割画像40もしくはブレンド画像の表示を行い、入力画面91における入力ペン93の操作により表示中のラベルを修正できるようにするものである。
教師作成部201は、領域分割画像群241と領域分割画像群243を合わせて教師データ214として出力する。
実施例3によれば、サンプル画像213(すなわち画像群233)において、教師作成部201が提供するユーザインタフェース(主画面90)を用いてラベルを割り振る作業の対象を部分集合である画像群231に絞って、かつサンプル画像213内の全ての画像30にラベルを割り振って教師データ214を取得することが可能となる。実施例1においては、学習モデル11はサンプル画像13中の母数が多いほど推論結果がより正確となる。その一方で、作業者が教師データ14のラベルを割り振る作業の作業量が多くなってしまうというトレードオフがあった。しかし、実施例3によれば、ラベル割り振りの作業量を低減することで上記トレードオフが解消できるようになる。特に、オーバレイ計測では通例、半導体画像中において繰返し現れる構造をオーバレイ計測の対象とする。従って、画像分231の母数を大きく絞っても、ステップS204における統計処理による補正やステップS205におけるユーザインタフェースによる補正が困難な程度までステップS203の推論結果の精度が低くなることは少ないと予期できる。よって、実施例3によれば、作業量の低減に有効と考えられる。
(i)図19で示すフローチャートにおいて、ステップS204もしくはステップS205の一方を削除してもよい。これはステップS204だけでも領域分割画像群243のラベルを補正する効果があり、ステップS205だけでも領域分割画像群243のラベルを確認および補正する効果があるためである。
図22から図25を用いて実施例4について説明する。図22は、実施例4の教師データ作成からオーバレイ計測までの機能構成例を示す図である。
まず機能構成の概要について説明する。教師作成部301は、教師作成部1の機能に加え、主画面90(図4参照)で作成された領域分割画像40における各画素から領域分割画像40内の小領域71a等(図8参照)の代表位置までの変位量を保持した位置情報画像を作成する機能を備える。そして、教師作成部301は、教師データ14に位置情報画像を加えた教師データ314を作成する。学習部302は、サンプル画像13中の画像30から、教師データ314中の領域分割画像40ならびに位置情報画像ができるだけ正確に推論できる学習モデル311を計算する。
以下、概要以外に特記のないグループ化部304を除き、実施例4における各機能構成の詳細について述べる。
Rx = Xc-Xp ・・・ (式3)
Ry = Yc-Yp ・・・ (式4)
なお、教師作成部301は、表80中の第2の計測対象のラベルに対しても、位置情報画像340と同様の位置情報画像を付与する。
Xic = Rix +Xip ・・・ (式5)
Yic = Riy +Yip ・・・ (式6)
なお、領域分割部303は、表80中の第2の計測対象のラベルからも、位置情報画像360と同様の位置情報画像を出力する。
図25において、ステップS314およびステップS316以外は、オーバレイ計測部5がオーバレイ計測処理時に実行するフローチャート(図11)と共通であるので、説明は省略する。以下、ステップS13からステップS18のループが、小領域371aを対象とする場合について述べる。
実施例4によれば、位置情報画像360を使ってオーバレイ量を計測できる。入力画像12にランダムノイズが重畳されたり、コントラストが低下したりする等して画質低下する場合がる。このような場合には、領域分割画像60中のラベルが不正確となり、グループ化画像70中の小領域71a等の範囲が不正確になるが、実施例4に開示の技術を用いれば、このような場合でも正確なオーバレイ計測が実行できるようになる。例えば、小領域71aの右半分が欠けてしまった場合、小領域71aの重心が本来の位置から左側にずれてしまい、この結果ステップS14では正確な位置1を求めることはできない。これに対して、ステップS314では位置情報画像370中の小領域371aのどの画素からも代表位置341aが式5および式6から算出することができる。このため、小領域71a(すなわち小領域371a)の右半分が欠けた場合でもステップS314において正確な位置1を計算することができる。
(i)教師作成部301は、教師データ14中の領域分割画像40に対してステップS204の統計処理による補正を行ってもよい。これにより、領域分割画像40中の小領域71a等の重心はオーバレイ計測部5におけるオーバレイ計測の再現性あるいは感度特性が改善するように補正することができる。このため、領域分割画像40中の小領域(71a等)の重心等に応じて定まる教師データ314中の位置情報画像370中の各画素(342m等)もオーバレイ計測の再現性あるいは感度特性が改善するように補正することができる。
実施例5は、限られた量のサンプル画像から領域分割画像(教師データに対応)を生成し、領域分割画像内の小領域を平行移動して領域分割画像およびサンプル画像のレイアウト変更を行う(領域分割画像とサンプル画像を合成する)ことにより、教師データとサンプル画像を積み増す技術について開示する。
図26は、実施例5による教師データ作成からオーバレイ計測までの機能構成例を示す図である。教師作成部401は、教師作成部1と同様に、サンプル画像13から教師データ14を作成するとともに、そのためのユーザインタフェースを提供する。また、教師作成部401は、教師データ14中における領域分割画像40のレイアウトを変更させた教師データ414を生成して出力する。さらに、教師作成部401は、領域分割画像40から画像30を推論する機能を備え(以下、この機能を教師作成部401の画像推論機能と呼ぶ)、教師データ414中の領域分割画像40から対応した画像30の各々を推論することにより、サンプル画像413を出力する。なお、学習部2、領域分割部3、グループ化部4、およびオーバレイ計測部5の各機能は実施例1と同じであるので、説明は省略する。つまり、実施例5における学習部2は、教師データ14と教師データ414ならびにサンプル画像13とサンプル画像413を同質のデータをみなして、実施例1と同じ手順で学習モデル11を計算する。
以下、図27から図29を参照しながら、教師作成部401が教師データ414およびサンプル画像413を出力する際の処理について詳細に説明する。
実施例5によれば、レイアウトの変更により、教師データ14に教師データ414を積み増すことができる。また、レイアウトの変更と教師作成部401の画像推論機能を使うことにより、サンプル画像13にサンプル画像413を積み増すことができる。例えば、サンプル画像13がオーバレイ量の均一な画像30から構成された場合でも、レイアウトの変更により、様々なオーバレイ量の領域分割画像40および画像30を教師データ14とサンプル画像13に積み増すことができる。よって、作業者は、事前に様々なレイアウトを備える多くのサンプル画像を用意する必要が無くなり、オーバレイ計測のための手間を省くことが可能となる。
(i)レイアウトの変更には、上述の平行移動以外にも、拡大や縮小などのオーバレイ量の変化を伴う任意の幾何的な変形も適用することができる。
実施例6は、実施例1から5における教師データ作成処理、学習モデル作成処理、領域分割処理をオーバレイ計測以外の計測処理に適用した場合の実施例について説明する。
例えば、学習モデル511が受容野176単位で推論するために、入力画像12内に周期的なパターンが映る場合であれば、教師作成部501において教師データ14のラベルを割り振る時のサンプル画像13中の画像30の寸法は、入力画像12中の画像60よりも小さな寸法で済む。これにより、作業者が教師データ14のラベルを割り振る工数を低減することが可能となる。
例えば、撮影条件を変えた複数の画像組を用いることで、画像30aおよび30b等の中で対象となる構造が鮮明に映る画像を用いて教師データ114を正確に作成することや、領域分割部503の推論を正確に行うことができる。
例えば、サンプル画像213中で主画面90を用いて教師データを割り振る対象を画像群231に絞ることにより、作業者の工数を減らすことができる。また、実施例3の図19のステップS202およびS203を実行することにより、サンプル画像13(サンプル画像213に対応)の残りの全数に対して教師データ514(教師データ214に対応)を取得することができる。さらに、ステップS204やS205を実行することにより、教師データ514(教師データ214に対応)を補正することもできる。
入力画像12から求めた領域分割画像60と共に位置情報画像360を使った画像計測が可能となる。
例えば、教師作成部501における画像推論機能を用いて、領域分割画像40中のレイアウトを変更することにより、サンプル画像13および教師データ14にサンプル画像413および教師データ414(教師データ14と教師データ414とを合わせて教師データ514とする)を積み増せる。
実施例6によれば、実施例1から5で開示の技術をオーバレイ計測だけでなく、領域分割画像を用いて画像計測や画像検査を行うシステム全般に適用できることが示された。
各実施例は、ソフトウェアのプログラムコードによっても実現できる。この場合、プログラムコードを記録した記憶媒体をシステム或は装置に提供し、そのシステム或は装置のコンピュータ(又はCPUやMPU)が記憶媒体に格納されたプログラムコードを読み出す。この場合、記憶媒体から読み出されたプログラムコード自体が前述した実施形態の機能を実現することになり、そのプログラムコード自体、及びそれを記憶した記憶媒体は本開示を構成することになる。このようなプログラムコードを供給するための記憶媒体としては、例えば、フレキシブルディスク、CD-ROM、DVD-ROM、ハードディスク、光ディスク、光磁気ディスク、CD-R、磁気テープ、不揮発性のメモリカード、ROMなどが用いられる。
2、102、302、502 学習部
3、103、303、503 領域分割部
4、104、304 グループ化部
5、105、305 オーバレイ計測部
11、111、311、511 学習モデル
12、112 入力画像
13、113、213、413 サンプル画像
14、114、214、314、414、514 教師データ
190 メインプロセッサ
190a 第1サブプロセッサ
190b 第2サブプロセッサ
191 メイン計算機
191a 第1サブ計算機
191b 第2サブ計算機
192 入出力装置
193 電子顕微鏡等
505 画像計測検査部
Claims (19)
- 周期的な構造を含む半導体の画像計測を行う計測システムであって、
前記画像計測に関係する各種処理を実行する少なくとも1つのプロセッサと、
前記画像計測の結果を出力する出力デバイスと、を備え、
前記少なくとも1つのプロセッサは、
半導体のサンプル画像から教師データを生成する処理と、
前記サンプル画像と前記教師データに基づいて学習モデルを生成する処理と、
前記学習モデルに基づいて、前記半導体に関連する入力画像から領域分割画像を生成する処理と、
前記領域分割画像を用いて画像計測を行う計測処理と、
前記計測処理の結果を前記出力デバイスに出力する処理と、を実行し、
前記教師データは、前記サンプル画像における前記半導体の構造を含むラベルが画像の各画素に割り振られた画像であり、
前記学習モデルは、前記サンプル画像あるいは前記入力画像から前記教師データあるいは前記領域分割画像を推論するためのパラメータを含み、
前記サンプル画像および前記教師データは、前記入力画像よりも小さいサイズであって、前記周期的な構造に対応する画像領域を含み、
前記少なくとも1つのプロセッサは、前記学習モデルを生成する処理において、前記サンプル画像および前記教師データから前記学習モデルの前記パラメータを生成する、計測システム。 - 請求項1において、
前記学習モデルは、前記各画素に割り振られた前記ラベルを決定する際に、前記入力画像における前記各画素の近傍領域を参照する機械学習モデルである、計測システム。 - 請求項1において、
前記学習モデルは、畳み込みニューラルネットワークである、計測システム。 - 請求項1において、
前記画像領域は、前記周期的な構造のうちの少なくとも一周期の構造に対応する画像領域である、計測システム。 - 請求項1において、
前記計測処理は、前記半導体の、オーバレイ計測処理、寸法計測処理、欠陥パターン検出処理、あるいはパターンマッチング処理である、計測システム。 - 所定の構造を含む半導体の画像計測を行う計測システムであって、
前記画像計測に関係する各種処理を実行する少なくとも1つのプロセッサと、
前記画像計測の結果を出力する出力デバイスと、を備え、
前記少なくとも1つのプロセッサは、
半導体のサンプル画像から教師データを生成する処理と、
前記サンプル画像と前記教師データに基づいて学習モデルを生成する処理と、
前記学習モデルに基づいて、前記半導体に関連する入力画像から領域分割画像を生成する処理と、
前記領域分割画像を用いて画像計測を行う計測処理と、
前記計測処理の結果を前記出力デバイスに出力する処理と、を実行し、
前記教師データは、前記サンプル画像における前記半導体の構造を含むラベルが画像の各画素に割り振られた画像であり、
前記学習モデルは、前記サンプル画像あるいは前記入力画像から前記教師データあるいは前記領域分割画像を推論するためのパラメータを含み、
前記少なくとも1つのプロセッサは、さらに、前記ラベルに対応して前記領域分割画像をさらに画像サイズが小さい小領域に分けて、当該小領域の種別毎にグループ化する処理を実行し、
前記少なくとも1つのプロセッサは、前記計測処理として、前記グループ化された前記小領域ごとの重心からオーバレイ計測を実行する、計測システム。 - 請求項6において、
前記教師データは、各画素から前記ラベルが割り振られた小領域の代表位置までの変位量を示す位置情報画像を含み、
前記少なくとも1つのプロセッサは、前記位置情報画像を含む前記学習モデルに基づいて、前記入力画像の前記領域分割画像および前記位置情報画像を生成し、前記グループ化された小領域における前記位置情報画像を用いて前記オーバレイ計測を実行する、計測システム。 - 請求項7において、
前記位置情報画像は、統計処理による補正が施された前記教師データを用いて求められた前記変位量を示す、計測システム。 - 所定の構造を含む半導体の画像計測を行う計測システムであって、
前記画像計測に関係する各種処理を実行する少なくとも1つのプロセッサと、
前記画像計測の結果を出力する出力デバイスと、を備え、
前記少なくとも1つのプロセッサは、
半導体のサンプル画像から教師データを生成する処理と、
前記サンプル画像と前記教師データに基づいて学習モデルを生成する処理と、
前記学習モデルに基づいて、前記半導体に関連する入力画像から領域分割画像を生成する処理と、
前記領域分割画像を用いて画像計測を行う計測処理と、
前記計測処理の結果を前記出力デバイスに出力する処理と、を実行し、
前記教師データは、前記サンプル画像における前記半導体の構造を含むラベルが画像の各画素に割り振られた画像であり、
前記学習モデルは、前記サンプル画像あるいは前記入力画像から前記教師データあるいは前記領域分割画像を推論するためのパラメータを含み、
前記サンプル画像は、異なる撮像条件で前記半導体における同一箇所を複数回撮像して得られる画像の組を含み、
前記少なくとも1つのプロセッサは、前記サンプル画像から前記撮像条件に対応して前記教師データを生成し、前記撮像条件に対応して生成された前記教師データと前記サンプル画像に基づいて前記学習モデルを生成する、計測システム。 - 請求項9において、
前記異なる撮像条件で撮像することは、加速電圧を変えて撮像すること、異なる種類の電子像を撮像すること、または異なる種類の電子像の合成画像を生成する際の合成比率を変えること、のうち少なくとも1つを含む、計測システム。 - 所定の構造を含む半導体の画像計測を行う計測システムであって、
前記画像計測に関係する各種処理を実行する少なくとも1つのプロセッサと、
前記画像計測の結果を出力する出力デバイスと、を備え、
前記少なくとも1つのプロセッサは、
半導体のサンプル画像から教師データを生成する処理と、
前記サンプル画像と前記教師データに基づいて学習モデルを生成する処理と、
前記学習モデルに基づいて、前記半導体に関連する入力画像から領域分割画像を生成する処理と、
前記領域分割画像を用いて画像計測を行う計測処理と、
前記計測処理の結果を前記出力デバイスに出力する処理と、を実行し、
前記教師データは、前記サンプル画像における前記半導体の構造を含むラベルが画像の各画素に割り振られた画像であり、
前記学習モデルは、前記サンプル画像あるいは前記入力画像から前記教師データあるいは前記領域分割画像を推論するためのパラメータを含み、
前記少なくとも1つのプロセッサは、前記サンプル画像を2つ以上のサンプル画像群に分割し、第1サンプル画像群に含まれる画像に前記ラベルを割り振ることにより第1教師データを生成し、前記第1サンプル画像群の画像と前記第1教師データに基づいて中間学習モデルを生成し、当該中間学習モデルに基づいて前記第1サンプル画像群以外の画像群に含まれる画像を推論することによって生成した教師データを前記第1教師データに追加して第2教師データを生成し、前記サンプル画像と前記第2教師データとに基づいて、前記入力画像に適用するための前記学習モデルを生成する、計測システム。 - 請求項11において、
前記少なくとも1つのプロセッサは、前記第1サンプル画像群以外の画像群に含まれる画像を推論することによって生成した教師データに対して統計処理による補正を実行する、計測システム。 - 請求項12において、
前記少なくとも1つのプロセッサは、前記半導体の同一箇所を繰り返し撮像して得られる複数の画像に対して前記統計処理による補正を行う、計測システム。 - 請求項12において、
前記少なくとも1つのプロセッサは、前記サンプル画像において類似度が高い部分領域を抽出して当該抽出した部分領域に対して前記統計処理による補正を行う、計測システム。 - 請求項12において、
前記統計処理による補正は、前記第2教師データにおける、前記ラベルが割り振られた小領域の単位で平行移動あるいは幾何学的変形を施すことである、計測システム。 - 所定の構造を含む半導体の画像計測を行う計測システムであって、
前記画像計測に関係する各種処理を実行する少なくとも1つのプロセッサと、
前記画像計測の結果を出力する出力デバイスと、を備え、
前記少なくとも1つのプロセッサは、
半導体のサンプル画像から教師データを生成する処理と、
前記サンプル画像と前記教師データに基づいて学習モデルを生成する処理と、
前記学習モデルに基づいて、前記半導体に関連する入力画像から領域分割画像を生成する処理と、
前記領域分割画像を用いて画像計測を行う計測処理と、
前記計測処理の結果を前記出力デバイスに出力する処理と、を実行し、
前記教師データは、前記サンプル画像における前記半導体の構造を含むラベルが画像の各画素に割り振られた画像であり、
前記学習モデルは、前記サンプル画像あるいは前記入力画像から前記教師データあるいは前記領域分割画像を推論するためのパラメータを含み、
前記少なくとも1つのプロセッサは、さらに、前記教師データのレイアウトを変更して変更教師データを生成し、当該変更教師データをレイアウト変更前の前記教師データに追加して更新教師データとする処理と、前記変更教師データから推論した画像を前記サンプル画像に追加して更新サンプル画像とする処理と、を実行し、
前記少なくとも1つのプロセッサは、前記更新教師データと前記更新サンプル画像とに基づいて、前記学習モデルと生成する、計測システム。 - 請求項16において、
前記少なくとも1つのプロセッサは、前記教師データに含まれるラベル間の遮蔽を考慮して、前記教師データのレイアウトを変更する、計測システム。 - 所定の構造を含む半導体の画像計測を行う際に用いる学習モデルを生成する方法であって、
少なくとも1つのプロセッサが、半導体のサンプル画像から得られる領域分割画像に対して少なくとも1つの計測対象の構造を含むラベルを割り振ることにより教師データを生成することと、
前記少なくとも1つのプロセッサが、複数の層から構成されるネットワーク構造に基づいて、前記サンプル画像の前記領域分割画像と前記教師データを用いて、前記学習モデルを生成することと、を含み、
前記学習モデルは、前記サンプル画像あるいは前記半導体に関連する入力画像から前記教師データあるいは前記領域分割画像を推論するためのパラメータを含み、
前記少なくとも1つのプロセッサが、さらに、前記ラベルに対応して前記領域分割画像をさらに画像サイズが小さい小領域に分けて、当該小領域の種別毎にグループ化する処理を実行し、
前記少なくとも1つのプロセッサが、前記グループ化された前記小領域ごとの重心からオーバレイ計測を実行する、方法。 - コンピュータに、所定の構造を含む半導体の画像計測を行う際に用いる学習モデルを生成する処理を実行させるためのプログラムを格納する記憶媒体であって、
前記プログラムは、前記コンピュータに、
半導体のサンプル画像から得られる領域分割画像に対して少なくとも1つの計測対象の構造を含むラベルを割り振ることにより教師データを生成する処理と、
複数の層から構成されるネットワーク構造に基づいて、前記サンプル画像の前記領域分割画像と前記教師データを用いて、前記学習モデルを生成する処理と、を実行させ、
前記学習モデルは、前記サンプル画像あるいは前記半導体に関連する入力画像から前記教師データあるいは前記領域分割画像を推論するためのパラメータを含み、
前記プログラムは、前記コンピュータに、さらに、
前記ラベルに対応して前記領域分割画像をさらに画像サイズが小さい小領域に分けて、当該小領域の種別毎にグループ化する処理と、
前記グループ化された前記小領域ごとの重心からオーバレイ計測する処理と、を実行する、記憶媒体。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/JP2019/034050 WO2021038815A1 (ja) | 2019-08-30 | 2019-08-30 | 計測システム、所定の構造を含む半導体の画像計測を行う際に用いる学習モデルを生成する方法、およびコンピュータに、所定の構造を含む半導体の画像計測を行う際に用いる学習モデルを生成する処理を実行させるためのプログラムを格納する記憶媒体 |
Publications (3)
Publication Number | Publication Date |
---|---|
JPWO2021038815A1 JPWO2021038815A1 (ja) | 2021-03-04 |
JPWO2021038815A5 JPWO2021038815A5 (ja) | 2022-04-26 |
JP7341241B2 true JP7341241B2 (ja) | 2023-09-08 |
Family
ID=74683410
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2021541913A Active JP7341241B2 (ja) | 2019-08-30 | 2019-08-30 | 計測システム、所定の構造を含む半導体の画像計測を行う際に用いる学習モデルを生成する方法、およびコンピュータに、所定の構造を含む半導体の画像計測を行う際に用いる学習モデルを生成する処理を実行させるためのプログラムを格納する記憶媒体 |
Country Status (6)
Country | Link |
---|---|
US (1) | US20220277434A1 (ja) |
JP (1) | JP7341241B2 (ja) |
KR (1) | KR20220029748A (ja) |
CN (1) | CN114270484A (ja) |
TW (1) | TWI766303B (ja) |
WO (1) | WO2021038815A1 (ja) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11967058B2 (en) | 2020-06-24 | 2024-04-23 | Kla Corporation | Semiconductor overlay measurements using machine learning |
CN112785575B (zh) * | 2021-01-25 | 2022-11-18 | 清华大学 | 一种图像处理的方法、装置和存储介质 |
US20230350394A1 (en) * | 2022-04-27 | 2023-11-02 | Applied Materials, Inc. | Run-to-run control at a manufacturing system using machine learning |
WO2023238384A1 (ja) * | 2022-06-10 | 2023-12-14 | 株式会社日立ハイテク | 試料観察装置および方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2018506168A (ja) | 2014-12-03 | 2018-03-01 | ケーエルエー−テンカー コーポレイション | サンプリング及びフィーチャ選択を伴わない自動欠陥分類 |
JP2019110120A (ja) | 2017-12-18 | 2019-07-04 | エフ イー アイ カンパニFei Company | 顕微鏡画像の再構成およびセグメント化のための遠隔深層学習のための方法、装置、およびシステム |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7873585B2 (en) | 2007-08-31 | 2011-01-18 | Kla-Tencor Technologies Corporation | Apparatus and methods for predicting a semiconductor parameter across an area of a wafer |
US9530199B1 (en) | 2015-07-13 | 2016-12-27 | Applied Materials Israel Ltd | Technique for measuring overlay between layers of a multilayer structure |
WO2017130365A1 (ja) | 2016-01-29 | 2017-08-03 | 株式会社 日立ハイテクノロジーズ | オーバーレイ誤差計測装置、及びコンピュータープログラム |
TW201923776A (zh) * | 2017-10-27 | 2019-06-16 | 美商蝴蝶網路公司 | 超音波影像上的自動化測量及用於自動化測量的收集的品質指示器 |
-
2019
- 2019-08-30 JP JP2021541913A patent/JP7341241B2/ja active Active
- 2019-08-30 CN CN201980099234.7A patent/CN114270484A/zh active Pending
- 2019-08-30 US US17/634,805 patent/US20220277434A1/en active Pending
- 2019-08-30 KR KR1020227004040A patent/KR20220029748A/ko not_active Application Discontinuation
- 2019-08-30 WO PCT/JP2019/034050 patent/WO2021038815A1/ja active Application Filing
-
2020
- 2020-07-01 TW TW109122244A patent/TWI766303B/zh active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2018506168A (ja) | 2014-12-03 | 2018-03-01 | ケーエルエー−テンカー コーポレイション | サンプリング及びフィーチャ選択を伴わない自動欠陥分類 |
JP2019110120A (ja) | 2017-12-18 | 2019-07-04 | エフ イー アイ カンパニFei Company | 顕微鏡画像の再構成およびセグメント化のための遠隔深層学習のための方法、装置、およびシステム |
Also Published As
Publication number | Publication date |
---|---|
TWI766303B (zh) | 2022-06-01 |
TW202109339A (zh) | 2021-03-01 |
JPWO2021038815A1 (ja) | 2021-03-04 |
CN114270484A (zh) | 2022-04-01 |
US20220277434A1 (en) | 2022-09-01 |
KR20220029748A (ko) | 2022-03-08 |
WO2021038815A1 (ja) | 2021-03-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7341241B2 (ja) | 計測システム、所定の構造を含む半導体の画像計測を行う際に用いる学習モデルを生成する方法、およびコンピュータに、所定の構造を含む半導体の画像計測を行う際に用いる学習モデルを生成する処理を実行させるためのプログラムを格納する記憶媒体 | |
JP7265592B2 (ja) | 多層構造体の層間のオーバレイを測定する技法 | |
US9165363B2 (en) | Image diagnostic device and image correction method | |
WO2013168487A1 (ja) | 欠陥解析支援装置、欠陥解析支援装置で実行されるプログラム、および欠陥解析システム | |
TWI613510B (zh) | 電子束描繪裝置、電子束描繪方法及記錄媒體 | |
JP2012014475A (ja) | パターンマッチング方法,画像処理装置、及びコンピュータプログラム | |
US9851714B2 (en) | Method of inspecting a specimen and system thereof | |
JP2012177632A (ja) | 画像処理装置、及び画像処理を行うためのコンピュータープログラム | |
JPWO2021038815A5 (ja) | ||
CN114399485A (zh) | 基于残差网络结构的子宫肌瘤目标图像获取方法 | |
CN110555860A (zh) | 医学图像中肋骨区域标注的方法、电子设备和存储介质 | |
WO2018088055A1 (ja) | 画像処理装置、画像処理方法、画像処理システム及びプログラム | |
KR20230069153A (ko) | 웨이퍼 상의 반도체 구조에 대한 결함 검출 | |
JP7164716B2 (ja) | 寸法計測装置、半導体製造装置及び半導体装置製造システム | |
CN112419310A (zh) | 一种基于交并融合边框优选的目标检测方法 | |
CN114266781A (zh) | 缺陷检查装置、方法以及信息记录介质 | |
CN114945801A (zh) | 图案边缘检测方法、图案边缘检测装置、记录有用于让计算机执行图案边缘检测的程序的记录介质 | |
CN114187294B (zh) | 基于先验信息的规则晶片定位方法 | |
CN117518736A (zh) | 套刻误差量测的方法、装置、系统及存储介质 | |
US20230410497A1 (en) | Medical image processing apparatus and medical image processing method | |
JP2006031690A (ja) | 特定画像領域区画装置および方法,ならびに特定画像領域区画処理をコンピュータに実行させるプログラム | |
TW202341025A (zh) | 圖案匹配裝置、圖案測定系統、圖案匹配程式 | |
JPH0728978A (ja) | 画像表示装置 | |
CN113034552A (zh) | 一种光流的修正方法和计算机设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220128 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220128 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230110 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230308 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230627 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230803 |
|
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: 20230815 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230829 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7341241 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |