JP7391235B2 - 画質改善システム及び画質改善方法 - Google Patents
画質改善システム及び画質改善方法 Download PDFInfo
- Publication number
- JP7391235B2 JP7391235B2 JP2022553245A JP2022553245A JP7391235B2 JP 7391235 B2 JP7391235 B2 JP 7391235B2 JP 2022553245 A JP2022553245 A JP 2022553245A JP 2022553245 A JP2022553245 A JP 2022553245A JP 7391235 B2 JP7391235 B2 JP 7391235B2
- Authority
- JP
- Japan
- Prior art keywords
- image
- quality improvement
- image quality
- deformation
- predicted
- 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
- 230000006872 improvement Effects 0.000 title claims description 163
- 238000000034 method Methods 0.000 title claims description 37
- 238000012937 correction Methods 0.000 claims description 47
- 238000007689 inspection Methods 0.000 claims description 35
- 238000011156 evaluation Methods 0.000 claims description 31
- 230000006870 function Effects 0.000 claims description 27
- 238000003384 imaging method Methods 0.000 claims description 21
- 238000012545 processing Methods 0.000 claims description 18
- 238000009826 distribution Methods 0.000 claims description 15
- 238000010801 machine learning Methods 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 21
- 238000012790 confirmation Methods 0.000 description 12
- 238000005259 measurement Methods 0.000 description 12
- 230000008569 process Effects 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 8
- 239000004065 semiconductor Substances 0.000 description 7
- 238000012805 post-processing Methods 0.000 description 6
- 235000012431 wafers Nutrition 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 230000007547 defect Effects 0.000 description 4
- 238000012935 Averaging Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000010894 electron beam technology Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000002441 reversible effect Effects 0.000 description 2
- 238000003708 edge detection Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
- H01J37/00—Discharge tubes with provision for introducing objects or material to be exposed to the discharge, e.g. for the purpose of examination or processing thereof
- H01J37/02—Details
- H01J37/22—Optical or photographic arrangements associated with the tube
- H01J37/222—Image processing arrangements associated with the tube
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/80—Geometric correction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/60—Image enhancement or restoration using machine learning, e.g. neural networks
-
- 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
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
- H01J37/00—Discharge tubes with provision for introducing objects or material to be exposed to the discharge, e.g. for the purpose of examination or processing thereof
- H01J37/02—Details
- H01J37/22—Optical or photographic arrangements associated with the tube
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
- H01J37/00—Discharge tubes with provision for introducing objects or material to be exposed to the discharge, e.g. for the purpose of examination or processing thereof
- H01J37/26—Electron or ion microscopes; Electron or ion diffraction tubes
- H01J37/28—Electron or ion microscopes; Electron or ion diffraction tubes with scanning beams
-
- 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
-
- 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
-
- 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
- G06T2207/30168—Image quality inspection
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
- H01J2237/00—Discharge tubes exposing object to beam, e.g. for analysis treatment, etching, imaging
- H01J2237/22—Treatment of data
- H01J2237/221—Image processing
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
- H01J2237/00—Discharge tubes exposing object to beam, e.g. for analysis treatment, etching, imaging
- H01J2237/26—Electron or ion microscopes
- H01J2237/28—Scanning microscopes
- H01J2237/2809—Scanning microscopes characterised by the imaging problems involved
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
- Closed-Circuit Television Systems (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
Description
本発明は、電子顕微鏡による検査又は計測を行う検査・計測装置の構成とその制御に係り、特に、電子線による撮像ダメージが発生しやすい半導体ウエハや液晶パネルの検査又は計測に適用して有効な技術に関する。
半導体や液晶パネル等の製造ラインにおいては、工程初期に不良が発生すると、その後の工程の作業は無駄になってしまうため、工程の要所毎に検査・計測工程を設けて、一定の歩留まりを確認・維持しながら製造を進める。これらの検査・計測工程には、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 Dimension-SEM)や欠陥レビューSEM(Defect Review-SEM)等が用いられている。
電子顕微鏡による検査・計測には、精度向上のために複数回の撮像結果を積算して高画質な画像を作成して利用する。しかしながら、撮像回数の増加はスループットの低下につながるため、なるべく少ない撮像回数で高画質な画像を生成することが求められる。
本技術分野の背景技術として、例えば、特許文献1のような技術がある。特許文献1には「ノイズを含む訓練画像を作成し、前記訓練画像よりも少ないノイズを含む教師画像を作成し、前記訓練画像の入力に対して前記教師画像相当の画像を出力する順伝播型ニューラルネットワークを構成する画像ノイズ低減方法」が開示されている。
上記特許文献1には、低積算画像を入力し、高積算画像を教示情報として与えて、低積算画像から高積算画像を予測する技術が記載されている。特許文献1では、撮像回数の少ない低積算画像からノイズの少ない高積算画像を予測している。
しかしながら、半導体のような微細な回路パターンの検査や計測の場合、撮像毎に回路パターンに電子線照射による撮像ダメージが発生し、回路形状が変形する場合がある。このような場合には、低積算画像の平均画像で作成する高画質画像では適切な教示情報を作成するのは困難である。また、回路形状の変形以外にも複数回の撮像毎に視野ずれや帯電による輝度変化が発生する場合にも単なる平均画像では適切な教示情報を作成することは困難となる。
そこで、本発明の目的は、機械学習により低画質画像の画質改善を行う画質改善システム及び画質改善方法において、撮像毎に画像が変化しやすい試料に対しても適切な教示情報での学習が可能な高精度かつ高信頼な画質改善システム及び画質改善方法を提供することにある。
上記課題を解決するために、本発明は、低画質画像の画質改善を行う画質改善システムであって、低画質画像の画質改善を行う画質改善部と、入力された低画質画像列に含まれる第1の低画質画像と前記第1の低画質画像とは異なる第2の低画質画像との間に発生した変形量を予測する変形予測部と、前記第1の低画質画像に前記画質改善部での処理を適用し得られる第1の予測画像、前記第2の低画質画像、もしくは前記第2の低画質画像に前記画質改善部での処理を適用し得られる第2の予測画像のいずれかを前記変形予測部で予測された前記変形量に基づいて補正する変形補正部と、を備え、前記変形補正部によって補正された前記第1の予測画像と前記第2の低画質画像もしくは前記第2の予測画像との損失関数の評価もしくは前記第1の予測画像と前記変形補正部によって補正された前記第2の低画質画像もしくは前記第2の予測画像との損失関数の評価が小さくなるように学習することを特徴とする。
また、本発明は、(a)検査画像を複数取得するステップ、(b)前記(a)ステップの後、取得した検査画像に対して画質改善モデルを適用し、各検査画像に対する予測画像を取得するステップ、(c)前記(b)ステップの後、取得した予測画像間の変形量を予測するステップ、(d)前記(c)ステップの後、予測した変形量に基づいて任意の予測画像を異なる検査画像に対する予測画像となるように変形した補正予測画像を生成するステップ、(e)前記(d)ステップの後、生成した補正予測画像と補正対象となった検査画像を用いて画質改善の誤差を評価するステップ、(f)前記(e)ステップの後、評価した画質改善の誤差を小さくするように画質改善モデルのパラメータを更新するステップ、を含むことを特徴とする画質改善方法である。
本発明によれば、機械学習により低画質画像の画質改善を行う画質改善システム及び画質改善方法において、撮像毎に画像が変化しやすい試料に対しても適切な教示情報での学習が可能な高精度かつ高信頼な画質改善システム及び画質改善方法を実現することができる。
これにより、迅速かつ高精度な電子デバイスの検査及び計測が可能となる。
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。
以下、図面を用いて本発明の実施例を説明する。なお、重複する部分についてはその詳細な説明は省略する。
本発明による画質改善を分かり易くするために、先ず図12を用いて、従来技術による画質改善について説明する。図12は、上記特許文献1による画質改善を概念的に示す図である。
図12に示すように、従来技術では、同一試料(例えば半導体ウエハ)の同一箇所を撮像した複数(n枚)の低画質画像のうち、補正対象として低画質画像1を抽出し、画質改善部で機械学習を用いた画質改善処理を行い、予測画像を出力する。一方、低画質画像1とは別の低画質画像2~nを積算処理(例えば平均化処理)して高画質画像を作成し、その高画質画像を教師画像として低画質画像1の予測画像に対して教示する。
上述したように、この方法では半導体集積回路のような微細な回路パターンの検査や計測の場合、撮像毎に回路パターンに電子線照射による撮像ダメージが発生し、回路形状が変形する可能性があり、適切な教示情報(高画質画像)を作成するのは困難である。
次に、図1から図9を参照して、本発明の実施例1に係る画質改善システム及び画質改善方法について説明する。図1は、本発明による画質改善を概念的に示す図である。
図1に示すように、本発明では、同一試料(例えば半導体ウエハ)の同一箇所を撮像した複数(n枚)の低画質画像のうち、補正対象として低画質画像1を抽出し、画質改善部で機械学習を用いた画質改善処理を行い、予測画像を出力する。一方、低画質画像1と、低画質画像1とは別の低画質画像2~nの各低画質画像間に発生する変形を予測し、その変形を変形補正部で補正して作成した変形補正画像を教師画像として低画質画像1の予測画像に対して教示する。
低画質画像2~nは、低画質画像1との変形が比較可能であればよく、低画質画像2の1枚のみとすることもできる。つまり、少なくとも低画質画像1と低画質画像2の2枚の撮像画像を取得することで、変形を予測して教師画像(変形補正画像)を作成することができる。
図2を用いて、図1で説明した機能を実現するための具体的な構成について説明する。図2は、本実施例の画質改善モデル学習の構成を示すブロック図である。
図2に示すように、本実施例の画像改善システム1は、画質改善部2と、変形予測部4と、変形補正部5と、補正画像6と、画質改善誤差評価部7と、画質改善パラメータ更新部8を備えて構成されている。
画質改善部2は、入力された低画質画像列に含まれる低画質画像i9(第1の低画質画像)に対して画質改善処理を適用して予測画像i3(第1の予測画像)を作成する。画質改善部2での画質改善モデルには、例えば、U-NetなどのEncode-DecoderタイプのCNN(Convolution Neural Network)やその他の構造を持つCNNを用いる。
変形予測部4は、後述する変形量データベース(図6の変形量DB19)に予め保存された変形量データを利用するなどして予測画像i3(第1の予測画像)の変形量を予測する。変形予測部4は、予測画像の各ピクセルの変形量(D)を予測する。
変形補正部5は、変形予測部4で予測された変形量に基づいて予測画像i3(第1の予測画像)を補正する。例えば、補正画像Y’は変形補正部5が予測画像Yから変形量(D)だけ変形した画像であると仮定した場合、Y’の[i,j]ピクセルはYの[i+D[i,j,0],j+D[i,j,1]]ピクセルの情報となる。ここで変形量Dは予測画像Yと同じ高さ及び幅を持つ2チャンネル画像であり、各チャンネルには各画像座標における高さ方向,幅方向での変形量をもつ。D[i,j]が整数でない場合は、バイリニアサンプリングなどの方法で補正画像Y’を生成する。補正画像6は変形予測部4が予測した変形量に基づいて予測画像i3を低画質画像j10と回路パターン形状が一致するように変形補正を行った画像である。
また変形補正部5は撮像ダメージによる回路変形だけでなく、撮像毎の視野ずれや輝度変化を予測してもよい。これらは画像間のマッチングによる位置補正や輝度値分布の変化の補正によって行ってもよい。
画質改善誤差評価部7は、変形補正部5によって変形補正された補正画像6(第1の予測画像)と低画質画像j10(第2の低画質画像)との誤差を評価する。画質改善誤差評価部7で用いる誤差関数または損失関数は、例えば、絶対誤差,二乗誤差,またはガウス分布,ポアソン分布,ガンマ分布などによる尤度関数である。
画質改善パラメータ更新部8は、画質改善誤差評価部7での評価結果に基づいて、変形補正部5によって補正された補正画像6(第1の予測画像)と低画質画像j10(第2の低画質画像)との損失関数の評価が小さくなるように、画質改善部2での画質改善モデルのパラメータを更新し、最適化する。この更新は例えば確率勾配降下法によって行う。 また、画質改善誤差評価部7及び画質改善パラメータ更新部8で誤差評価に用いる誤差関数または損失関数は、第1の予測画像と第2の低画質画像以外の組み合わせで計算してもよい。例えば、第1の予測画像と第2の低画質画像に画質改善処理を適用した第2の予測画像とで損失関数を計算してもよい。
また第1の低画質画像から第2の低画質画像に対する変形補正は可逆であるため、変形補正部5が行う変形補正は第2の低画質画像もしくは第2の予測画像に対して行ってもよい。つまり、撮像ダメージの補正の場合は、第1の低画質画像に対して回路を細くするダメージが発生する際には第2の低画質画像もしくは第2の予測画像の回路を太くする補正を行ってもよいし、視野ずれや輝度値分布の変化に対しても同様に、可逆となる位置補正や輝度値補正を行ってもよい。
また、画質改善誤差評価部7及び画質改善パラメータ更新部8で誤差評価に用いる誤差関数または損失関数は、第1の予測画像と第1の低画質画像の組み合わせで計算してもよい。この場合は変形補正部5による変形補正は実施しなくてもよい。
また、画質改善誤差評価部7及び画質改善パラメータ更新部8で誤差評価に用いる誤差関数または損失関数は、前記誤差関数または損失関数の組み合わせもしくは加重平均によって求めてもよい。
図3に、図2で説明した画質改善システム1を検査装置16に搭載した場合の具体的なシステム構成例を示す。
検査装置16は、撮像レシピ15に基づいて、試料14(例えば半導体ウエハ)の同一箇所を撮像した複数(n枚)の低画質画像17を取得する。
画質改善システム1は、画像データベース(DB)13と、計算機11と、学習結果データベース(DB)12を備えて構成されている。
画像データベース(DB)13には、2枚以上の無積算画像列および撮像条件が格納される。
学習結果データベース(DB)12には、計算機11で学習処理された画質改善モデルが保存される。なお、図3では、学習結果データベース(DB)12が画質改善システム1に含まれて構成される例を示しているが、集中監理システム等を介して外付けで構成してもよい。
計算機11は、撮像した低画質画像17と、画像データベース(DB)13から読み出された情報に基づき、画質改善モデルの学習処理を行い、画質改善画像18を出力する。
図4及び図5を用いて、上記で説明した画質改善システム1による代表的な処理(画質改善方法)を説明する。図4は、本実施例の画質改善方法における学習フェーズの処理を示すフローチャートである。
先ず、ステップS101において、撮像レシピ15に基づいて、検査装置16は1枚以上の試料14から1つ以上の撮像点に対して2枚以上の検査画像(低画質画像17)を取得し、画像データベース(DB)13に格納する。
次に、ステップS102において、計算機11は、画質改善モデルの学習処理を開始する。
続いて、ステップS103において、計算機11は、画像データベース(DB)13から同一ウエハ,同一撮像点の検査画像を2枚以上取得する。
次に、ステップS104において、計算機11は、取得した検査画像に対して画質改善モデルを適用し各検査画像に対する予測画像を取得する。
続いて、ステップS105において、変形予測部4は、予測画像間の変形量を予測する。
次に、ステップS106において、変形補正部5は、予測した変形量に基づいて任意の予測画像を異なる検査画像に対する予測画像となるように変形し、補正画像を生成する。
続いて、ステップS107において、画質改善誤差評価部7は、補正画像と補正対象となった検査画像を用いて画質改善の誤差を評価する。ここで補正画像とは図2における補正画像6であり、補正対象となった検査画像とは図2における低画質画像10である。
次に、ステップS108において、画質改善パラメータ更新部8は、画質改善誤差を小さくするように画質改善モデルのパラメータを更新する。
続いて、ステップS109において、学習の終了条件に達したか否かを判定し、学習の終了条件に達したと判定した場合(YES)は、ステップS110に移行し、計算機11は、画質改善モデルを学習結果データベース(DB)12に保存し、学習処理を終了する。一方、学習の終了条件に達していないと判定した場合(NO)は、ステップS103に戻り、ステップS103以降の処理を再び実行する。
図5は、本実施例の画質改善方法における推論フェーズの処理を示すフローチャートである。
先ず、ステップS201において、撮像レシピ15に基づいて、検査装置16は、試料14から1つ以上の撮像点に対して1枚以上の検査画像を取得する。
次に、ステップS202において、計算機11は、学習結果データベース(DB)12から画質改善モデルを読み込む。
最後に、ステップS203において、計算機11は、画質改善モデルを検査画像に適用し画質改善画像を出力する。
図6は、本実施例の変形予測部の構成を示すブロック図である。図6に示すように、変形予測部21は、変形量データベース(DB)19に予め保存された変形量データに基づいて予測画像i20の変形量を予測し、変形量i22を出力する。
一般に回路パターンに発生する変形は回路端部に発生する。また、変形は回路パターンを細くする方向に発生する。そのため変形予測部21は予測画像i20から回路パターンのエッジを抽出し、パターンが細くなるような変形量を求める。図6における変形予測部21はエッジ方向検出部と変形量生成部とを有する。エッジ方向検出部はパターンのエッジを検出し、エッジ毎に対するパターン中心への方向をエッジ方向として検出する。その後、変形量生成部はヘッジ方向検出部が検出したエッジ方向に基づいて変形量を生成する。ここで生成する変形量は変形量DB19において保存されている撮像条件毎に発生する変形量を参照し、入力画像に該当する変形量を求め、各エッジの領域に変形量を与え予測画像i20と同じ高さ及び幅で2チャンネルの画像となる。また、変形量DB19に格納する変形量データは撮像条件のみだけでなくエッジ形状に依存するものであってもよい。
図7A及び図7Bを用いて、本発明による効果を説明する。図7Aは、本発明における撮像回数と精度の関係を概念的に示す図であり、図7Bは、従来技術における撮像回数と精度の関係を概念的に示す図である。
図7Bに示すように、例えば上記特許文献1のような従来技術では、試料が変形(シュリンク)しづらい場合、撮像回数が増える毎に、教師画像となる高画質画像の画質が向上し、それに伴って検査・計測装置の精度も向上する。一方、試料が変形(シュリンク)しやすい場合、撮像回数が増える毎に、試料が変形(シュリンク)するため、適切な教師画像(高画質画像)を作成するのが困難となり、試料の変形情報を含んだ画質改善画像による検査・計測が行われ、検査・計測装置の精度が低下する。これに対して、図7Aに示すように、本発明では、撮像中に形状が変形(シュリンク)しやすい試料に対しても適切な教師画像(変形補正画像)を作成することができ、その教師画像(変形補正画像)により適切な学習が可能となるため、撮像回数に依らずに安定した検査・計測装置の精度を担保することができる。
図8及び図9を用いて、画質改善システム1の制御に用いる入出力装置GUI(Graphical User Interface)の具体例を説明する。図8は、学習用GUIを示す図であり、図9は、推論用GUIを示す図である。
図8に示すように、学習用GUIには、(1)学習データ選択部、(2)評価データ選択部、(3)学習条件設定部、(4)学習モード選択部、(5)学習結果確認部、(6)学習指示部などが設定される。
(5)学習結果確認部には、例えば、画像確認部や結果確認部が設定される。画像確認部に、画質改善前の低画質画像と画質改善後の画質改善画像を並べて表示することで、作業者は画質改善システム1による画質改善の効果を確認しながら作業を進めることができる。
(3)学習条件設定部では、画質改善部2で用いるCNNの構成,利用する損失関数と加重平均に用いる係数,学習回数や学習率などの学習スケジュール等を設定する。また、変形補正を行う場合では、ここで変形補正に用いるデータベースを指定してもよい。
(4)学習モード選択部では、変形補正を行うか行わないかを選択する。例えば、変形しづらい試料に対しては、変形補正を行わないようにすることも可能である。
図9に示すように、推論用GUIには、(1)推論データ選択部、(2)学習モデル選択部、(3)推論実行部、(4)推論結果確認部、(5)後処理結果確認部、(6)変形量確認部などが設定される。
(4)推論結果確認部には、例えば、画質改善前の低画質画像と画質改善後の画質改善画像を並べて表示する。
(5)後処理結果確認部では例えば、画質改善前の低画質画像と画質改善後の画質改善画像にそれぞれ後処理を適用した際の結果を表示する。ここで後処理とは撮像画像に対するエッジ抽出や特定部位の測長であったり、欠陥検査などである。図9ではエッジ検出を例示した。ユーザはこの後処理結果確認部によって画質改善を適用した画像に後処理を適用した際に所望の結果が得られるか確認することで、得られた画質改善部の利用可否を決定することができる。
また、(6)変形量確認部には、複数の低画質画像と画質改善画像を表示し、それらの画像から求めた変形量画像などを表示する。
(5)後処理結果確認部では例えば、画質改善前の低画質画像と画質改善後の画質改善画像にそれぞれ後処理を適用した際の結果を表示する。ここで後処理とは撮像画像に対するエッジ抽出や特定部位の測長であったり、欠陥検査などである。図9ではエッジ検出を例示した。ユーザはこの後処理結果確認部によって画質改善を適用した画像に後処理を適用した際に所望の結果が得られるか確認することで、得られた画質改善部の利用可否を決定することができる。
また、(6)変形量確認部には、複数の低画質画像と画質改善画像を表示し、それらの画像から求めた変形量画像などを表示する。
なお、本実施例では、変形補正を画質改善後の予測画像に対して適用する例を示したが、低画質画像に対して直接適用してもよく、複数の予測画像または低画質画像に対して適用した結果から平均処理などで教師画像を生成して学習に用いてもよい。
図10及び図11を参照して、本発明の実施例2に係る画質改善システム及び画質改善方法について説明する。図10は、本実施例の画質改善モデル学習の構成を示すブロック図であり、実施例1(図2)の変形例に相当する。本実施例では、変形予測部が変形量DB19を用いずに画質改善部26同様にCNNによって構成されるという点において、実施例1(図2)と異なっている。その他の基本的な構成は、実施例1と同様である。
図10に示すように、本実施例の画質改善システム23は、画質改善部26と、変形予測部29と、変形補正部30と、補正画像比較部31と、画質改善誤差評価部32と、画質改善パラメータ更新部33を備えて構成されている。
入力された低画質画像列に含まれる低画質画像i24(第1の低画質画像)及び低画質画像i24(第1の低画質画像)とは異なる低画質画像j25(第2の低画質画像)は、いずれも画質改善部26において画質改善処理が適用され、それぞれ予測画像i27,予測画像j28が作成される。
予測画像i27及び予測画像j28は、いずれも変形予測部29に入力され、変形予測部29は、各予測画像間の変形量を予測する。変形予測部29は画質改善部26同様にCNNであり、変形予測部29の学習は図11に示す構成によって行う。
変形補正部30は、変形予測部29で予測された各予測画像間の変形量に基づいて予測画像i27を補正する。
補正画像比較部31は、変形補正部30で補正された補正予測画像i及び補正予測画像jを比較する。
画質改善誤差評価部32は、補正画像比較部31での比較結果に基づいて、変形補正部30によって補正された補正予測画像iと補正予測画像jとの誤差を評価する。
画質改善パラメータ更新部33は、画質改善誤差評価部32での評価結果に基づいて、変形補正部30によって補正された補正予測画像iと補正予測画像jとの誤差関数の評価が小さくなるように、画質改善部26での画質改善モデルのパラメータを更新し、最適化する。
図11は、本実施例の変形予測部の学習時の構成を示すブロック図である。図11に示すように、変形予測部37は、予測画像i35、予測画像j36を入力とし、変形量i38を予測する。この変形量i38は変形補正部30で使用される変形量である。図11は適切な変形量i38を求めるための変形予測部37を学習するための構成である。変形予測部37は予測画像i35及び予測画像j36を入力とし変形量i38を予測する。その後、変形補正部39において、予測画像i35および変形量i38から予測画像i35を予測画像j36の回路パターン形状に合うように変形を行い、補正画像40を取得する。その後、変形予測誤差評価部41は補正画像40と予測画像j36との誤差を評価する。ここで評価する誤差は例えば、絶対誤差,二乗誤差,またはガウス分布,ポアソン分布,ガンマ分布などによる尤度関数もしくはカルバックライブラ情報量である。変形予測部パラメータ更新部42は変形予測誤差評価部41が予測した誤差を小さくするように変形予測部37のパラメータを更新する。この更新は例えば確率勾配降下法によって行う。
またここで行う予測は回路パターン形状に関する変形だけでなく、実施例1同様に視野ずれ量の予測や輝度値分布の補正量予測を行ってもよい。この場合であっても、予測した回路パターン形状の変形、視野ずれ量、輝度値分布の補正量に基づいて予測画像i35を変形予測部37で補正した補正画像40と予測画像j36による誤差関数または損失関数を小さくするように変形予測部37のパラメータを更新する。
また、実施例1と同様に、ここで行う変形量の予測は予測画像i35を予測画像j36に合わせる変形であってもよいし、逆に予測画像j36を予測画像i35に合わせるための変形であってもよい。
このような学習は図4に示した画質改善部の学習フローと同様に行われる。また、変形予測部37の学習は画質改善部と同時に行ってもよいし個別に行ってもよい。
実施例2記載の変形予測部37を用いる場合は、図8における(3)学習条件設定部では変形予測部37の学習に関する設定項目を追加してもよい。すなわち、変形予測部37のネットワーク構造や損失関数、学習スケジュールに関する項目を追加してもよい。
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、上記の実施例は本発明に対する理解を助け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。また、各実施例の構成の一部について、他の構成の追加・削除・置換をすることが可能である。
1,23…画質改善システム、2,26…画質改善部、3,20,27,35…予測画像i、4,21,29,34,37…変形予測部、5,30,39…変形補正部、6,31,40…補正画像(補正画像i>j)、7,32…画質改善誤差評価部、8,33…画質改善パラメータ更新部、9,24…低画質画像i、10,25…低画質画像j、11…計算機、12…学習結果データベース(DB)、13…画像データベース(DB)、14…試料、15…撮像レシピ、16…検査装置、17…低画質画像、18…画質改善画像、19…変形量データベース(DB)、20…予測画像i、22,38…変形量i,28,36…予測画像j、41…変形予測誤差評価部、42…変形予測部パラメータ更新部。
Claims (13)
- 低画質画像の画質改善を行う画質改善システムであって、
低画質画像の画質改善を行う画質改善部と、
入力された低画質画像列に含まれる第1の低画質画像と前記第1の低画質画像とは異なる第2の低画質画像との間に発生した変形量を予測する変形予測部と、
前記第1の低画質画像に前記画質改善部での処理を適用し得られる第1の予測画像、前記第2の低画質画像、もしくは前記第2の低画質画像に前記画質改善部での処理を適用し得られる第2の予測画像のいずれかを前記変形予測部で予測された前記変形量に基づいて補正する変形補正部と、を備え、
前記変形補正部によって補正された前記第1の予測画像と前記第2の低画質画像もしくは前記第2の予測画像との損失関数の評価もしくは前記第1の予測画像と前記変形補正部によって補正された前記第2の低画質画像もしくは前記第2の予測画像との損失関数の評価が小さくなるように学習することを特徴とする画質改善システム。 - 請求項1に記載の画質改善システムであって、
前記変形予測部は事前に設計された変形量データベースを用いて前記第1の低画質画像に発生する変形量を予測すること、
もしくは前記第1の低画質画像もしくは前記第1の予測画像と前記第2の低画質画像もしくは前記第2の予測画像とを入力とし変形補正後の二つの入力による損失関数の評価を小さくするように変形量を予測すること、
のいずれかを特徴とする画質改善システム。 - 請求項1に記載の画質改善システムであって、
前記低画質画像列は、同一試料の同一箇所を2回以上撮像した画像列であることを特徴とする画質改善システム。 - 請求項1に記載の画質改善システムであって、
前記変形予測部は、変形量データベースに予め保存された変形量データに基づいて各予測画像間の変形量を予測することを特徴とする画質改善システム。 - 請求項1に記載の画質改善システムであって、
前記画質改善部は、CNN(Convolution Neural Network)を用いた機械学習により各低画質画像に対する予測画像を取得することを特徴とする画質改善システム。 - 請求項1に記載の画質改善システムであって、
前記変形補正部で補正した補正予測画像と補正対象となった低画質画像を用いて画質改善の誤差を評価する画質改善誤差評価部を備え、
前記画質改善誤差評価部は、絶対誤差、二乗誤差、またはガウス分布、ポアソン分布、ガンマ分布のいずれかによる尤度関数を用いて、前記画質改善部での画質改善の誤差を評価することを特徴とする画質改善システム。 - 請求項6に記載の画質改善システムであって、
前記画質改善誤差評価部での評価結果に基づいて前記画質改善部での画質改善モデルのパラメータを更新する画質改善パラメータ更新部を備え、
前記画質改善部での画質改善の誤差を小さくするように画質改善モデルのパラメータを更新することを特徴とする画質改善システム。 - 請求項1に記載の画質改善システムであって、
低画質画像列および撮像条件を格納する画像データベースと、
画質改善モデルの学習処理を行う計算機と、を備え、
前記計算機は、前記画像データベースから読み出された低画質画像列間に発生する変形を前記変形予測部で予測し、当該予測した変形量に基づいて前記変形補正部で前記第1の予測画像を補正することを特徴とする画質改善システム。 - 以下のステップを含む画質改善方法;
(a)検査画像を複数取得するステップ、
(b)前記(a)ステップの後、取得した検査画像に対して画質改善モデルを適用し、各検査画像に対する予測画像を取得するステップ、
(c)前記(b)ステップの後、取得した予測画像間の変形量を予測するステップ、
(d)前記(c)ステップの後、予測した変形量に基づいて任意の予測画像を異なる検査画像に対する予測画像となるように変形した補正予測画像を生成するステップ、
(e)前記(d)ステップの後、生成した補正予測画像と補正対象となった検査画像を用いて画質改善の誤差を評価するステップ、
(f)前記(e)ステップの後、評価した画質改善の誤差を小さくするように画質改善モデルのパラメータを更新するステップ。 - 請求項9に記載の画質改善方法であって、
前記(a)ステップにおいて、同一試料の同一箇所の検査画像を2枚以上取得することを特徴とする画質改善方法。 - 請求項9に記載の画質改善方法であって、
前記(c)ステップにおいて、予め保存した変形量データに基づいて予測画像間の変形量を予測することを特徴とする画質改善方法。 - 請求項9に記載の画質改善方法であって、
前記(b)ステップにおいて、CNN(Convolution Neural Network)を用いた機械学習により各検査画像に対する予測画像を取得することを特徴とする画質改善方法。 - 請求項9に記載の画質改善方法であって、
前記(e)ステップにおいて、絶対誤差、二乗誤差、またはガウス分布、ポアソン分布、ガンマ分布のいずれかによる尤度関数を用いて、画質改善の誤差を評価することを特徴とする画質改善方法。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/JP2020/036792 WO2022070236A1 (ja) | 2020-09-29 | 2020-09-29 | 画質改善システム及び画質改善方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
JPWO2022070236A1 JPWO2022070236A1 (ja) | 2022-04-07 |
JP7391235B2 true JP7391235B2 (ja) | 2023-12-04 |
Family
ID=80951471
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2022553245A Active JP7391235B2 (ja) | 2020-09-29 | 2020-09-29 | 画質改善システム及び画質改善方法 |
Country Status (6)
Country | Link |
---|---|
US (1) | US20230298137A1 (ja) |
JP (1) | JP7391235B2 (ja) |
KR (1) | KR20230045074A (ja) |
CN (1) | CN116157892A (ja) |
TW (1) | TWI788024B (ja) |
WO (1) | WO2022070236A1 (ja) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2016146362A (ja) | 2016-05-16 | 2016-08-12 | 株式会社日立ハイテクノロジーズ | 荷電粒子線装置、試料画像取得方法、およびプログラム記録媒体 |
JP2018152217A (ja) | 2017-03-13 | 2018-09-27 | 株式会社日立製作所 | 荷電粒子線装置 |
JP2020113769A (ja) | 2017-02-20 | 2020-07-27 | 株式会社日立ハイテク | 画像推定方法およびシステム |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5813413B2 (ja) * | 2011-08-22 | 2015-11-17 | 株式会社日立ハイテクノロジーズ | シュリンク前形状推定方法およびcd−sem装置 |
JP2019008599A (ja) | 2017-06-26 | 2019-01-17 | 株式会社 Ngr | 順伝播型ニューラルネットワークを用いた画像ノイズ低減方法 |
-
2020
- 2020-09-29 JP JP2022553245A patent/JP7391235B2/ja active Active
- 2020-09-29 CN CN202080105370.5A patent/CN116157892A/zh active Pending
- 2020-09-29 KR KR1020237007854A patent/KR20230045074A/ko unknown
- 2020-09-29 WO PCT/JP2020/036792 patent/WO2022070236A1/ja active Application Filing
- 2020-09-29 US US18/021,219 patent/US20230298137A1/en active Pending
-
2021
- 2021-09-24 TW TW110135557A patent/TWI788024B/zh active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2016146362A (ja) | 2016-05-16 | 2016-08-12 | 株式会社日立ハイテクノロジーズ | 荷電粒子線装置、試料画像取得方法、およびプログラム記録媒体 |
JP2020113769A (ja) | 2017-02-20 | 2020-07-27 | 株式会社日立ハイテク | 画像推定方法およびシステム |
JP2018152217A (ja) | 2017-03-13 | 2018-09-27 | 株式会社日立製作所 | 荷電粒子線装置 |
Also Published As
Publication number | Publication date |
---|---|
JPWO2022070236A1 (ja) | 2022-04-07 |
TWI788024B (zh) | 2022-12-21 |
TW202213267A (zh) | 2022-04-01 |
CN116157892A (zh) | 2023-05-23 |
WO2022070236A1 (ja) | 2022-04-07 |
US20230298137A1 (en) | 2023-09-21 |
KR20230045074A (ko) | 2023-04-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6668278B2 (ja) | 試料観察装置および試料観察方法 | |
JP5030906B2 (ja) | 走査荷電粒子顕微鏡を用いたパノラマ画像合成方法およびその装置 | |
US7164127B2 (en) | Scanning electron microscope and a method for evaluating accuracy of repeated measurement using the same | |
JP5103219B2 (ja) | パターン寸法計測方法 | |
US8363923B2 (en) | Pattern generating apparatus and pattern shape evaluating apparatus | |
JP4365854B2 (ja) | Sem装置又はsemシステム及びその撮像レシピ及び計測レシピ生成方法 | |
KR101623135B1 (ko) | 패턴 평가 장치 및 패턴 평가 방법 | |
US11600536B2 (en) | Dimension measurement apparatus, dimension measurement program, and semiconductor manufacturing system | |
US8090186B2 (en) | Pattern inspection apparatus, pattern inspection method, and manufacturing method of semiconductor device | |
JP2009243993A (ja) | 走査型電子顕微鏡を用いた回路パターンの寸法計測装置およびその方法 | |
KR102278879B1 (ko) | 계측 장치, 방법 및 표시 장치 | |
CN112259469B (zh) | 半导体器件关键尺寸量测方法及取得sem图像的方法 | |
JP5321775B2 (ja) | パターン検査方法およびパターン検査装置 | |
JP7391235B2 (ja) | 画質改善システム及び画質改善方法 | |
WO2021260765A1 (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 | |
KR20190088761A (ko) | 웨이퍼 측정 설비, 웨이퍼 측정 시스템 및 이를 이용한 반도체 장치의 제조 방법 | |
JP2023005477A (ja) | 検査装置及び計測装置 | |
TWI827393B (zh) | 圖像檢查裝置,圖像處理方法 | |
TWI809432B (zh) | 圖案匹配裝置、圖案測定系統、圖案匹配程式 | |
JP2022084041A (ja) | 荷電粒子ビーム装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20230206 |
|
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: 20231107 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20231121 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7391235 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |