JP7451384B2 - パターンエッジ検出方法、パターンエッジ検出装置、パターンエッジ検出をコンピュータに実行させるためのプログラムが記録された記録媒体 - Google Patents
パターンエッジ検出方法、パターンエッジ検出装置、パターンエッジ検出をコンピュータに実行させるためのプログラムが記録された記録媒体 Download PDFInfo
- Publication number
- JP7451384B2 JP7451384B2 JP2020201982A JP2020201982A JP7451384B2 JP 7451384 B2 JP7451384 B2 JP 7451384B2 JP 2020201982 A JP2020201982 A JP 2020201982A JP 2020201982 A JP2020201982 A JP 2020201982A JP 7451384 B2 JP7451384 B2 JP 7451384B2
- Authority
- JP
- Japan
- Prior art keywords
- edge
- pattern
- pixels
- training
- patterns
- 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
- 238000003708 edge detection Methods 0.000 title claims description 112
- 238000000034 method Methods 0.000 title claims description 44
- 238000012549 training Methods 0.000 claims description 213
- 239000013598 vector Substances 0.000 claims description 165
- 238000004364 calculation method Methods 0.000 claims description 88
- 238000013461 design Methods 0.000 claims description 67
- 238000010801 machine learning Methods 0.000 claims description 63
- 238000003066 decision tree Methods 0.000 claims description 45
- 230000007717 exclusion Effects 0.000 claims description 22
- 238000003860 storage Methods 0.000 claims description 19
- 230000008569 process Effects 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 40
- 235000012431 wafers Nutrition 0.000 description 23
- 238000012545 processing Methods 0.000 description 13
- 238000013528 artificial neural network Methods 0.000 description 7
- 238000010894 electron beam technology Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 230000002950 deficient Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 230000008901 benefit Effects 0.000 description 1
- 238000011960 computer-aided design Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Landscapes
- Image Analysis (AREA)
Description
また、本発明は、機械学習によりエッジ検出モデルを作成する方法および装置に関する。
また、本発明は、機械学習に長い時間をかけることなく、精度のよいエッジ検出モデルを作成することができる方法および装置を提供する。
一態様では、前記パターンエッジ検出方法は、複数の訓練用パターンを設計データから選択し、前記複数の訓練用パターンに基づいてそれぞれ作成された複数の実パターンの複数の訓練用画像を生成し、前記複数の訓練用画像上の前記複数の実パターンのエッジを検出し、前記複数の訓練用画像を構成する複数の参照画素を、エッジを構成する複数の第1参照画素と、エッジを構成しない複数の第2参照画素に分類し、前記複数の第1参照画素の複数の第1特徴ベクトルと、前記複数の第2参照画素の複数の第2特徴ベクトルを生成し、前記複数の第1特徴ベクトルおよび前記複数の第2特徴ベクトルを含む訓練データを用いて、機械学習により前記モデルを構築する工程をさらに含む。
一態様では、前記複数の実パターンは、前記ワークピースに形成されたパターンである。
一態様では、前記複数の訓練用パターンを設計データから選択する工程は、前記設計データに基づいて描画された複数のパターンを含む設計図面を表示画面上に表示し、前記設計図面に含まれる複数のパターンから選択された前記複数の訓練用パターン、または前記複数の訓練用パターンが位置するエリアを視覚的に強調された態様で前記表示画面上に表示す工程である。
一態様では、前記パターンエッジ検出方法は、前記仮想エッジに対して法線方向に延びる複数の探索線に沿った前記対象画像の複数の輝度プロファイルを生成し、複数の前記輝度プロファイルに基づいて複数のエッジ点を決定し、前記複数のエッジ点を線で繋ぐことで、更新されたエッジを生成する工程をさらに含む。
一態様では、前記パターンエッジ検出方法は、前記目標パターンに対応するCADパターンを設計データから生成し、前記CADパターンのエッジから、前記更新されたエッジまでの距離を測定する工程をさらに含む。
一態様では、前記演算システムは、複数の訓練用パターンを設計データから選択し、前記複数の訓練用パターンに基づいてそれぞれ作成された複数の実パターンの複数の訓練用画像を生成し、前記複数の訓練用画像上の前記複数の実パターンのエッジを検出し、前記複数の訓練用画像を構成する複数の参照画素を、エッジを構成する複数の第1参照画素と、エッジを構成しない複数の第2参照画素に分類し、前記複数の第1参照画素の複数の第1特徴ベクトルと、前記複数の第2参照画素の複数の第2特徴ベクトルを生成し、前記複数の第1特徴ベクトルおよび前記複数の第2特徴ベクトルを含む訓練データを用いて、機械学習により前記モデルを構築するように構成されている。
一態様では、前記複数の実パターンは、前記ワークピースに形成されたパターンである。
一態様では、前記演算システムは、表示画面を有しており、前記演算システムは、前記設計データに基づいて描画された複数のパターンを含む設計図面を前記表示画面上に表示し、前記設計図面に含まれる複数のパターンから選択された前記複数の訓練用パターン、または前記複数の訓練用パターンが位置するエリアを視覚的に強調された態様で前記表示画面上に表示するように構成されている。
一態様では、前記演算システムは、前記仮想エッジに対して法線方向に延びる複数の探索線に沿った前記対象画像の複数の輝度プロファイルを生成し、複数の前記輝度プロファイルに基づいて複数のエッジ点を決定し、前記複数のエッジ点を線で繋ぐことで、更新されたエッジを生成するように構成されている。
一態様では、前記演算システムは、前記目標パターンに対応するCADパターンを設計データから生成し、前記CADパターンのエッジから、前記更新されたエッジまでの距離を測定するように構成されている。
一態様では、前記プログラムは、複数の訓練用パターンを設計データから選択するステップと、前記走査電子顕微鏡に指令を発して、前記複数の訓練用パターンに基づいてそれぞれ作成された複数の実パターンの複数の訓練用画像を生成させるステップと、前記複数の訓練用画像上の前記複数の実パターンのエッジを検出するステップと、前記複数の訓練用画像を構成する複数の参照画素を、エッジを構成する複数の第1参照画素と、エッジを構成しない複数の第2参照画素に分類するステップと、前記複数の第1参照画素の複数の第1特徴ベクトルと、前記複数の第2参照画素の複数の第2特徴ベクトルを生成するステップと、前記複数の第1特徴ベクトルおよび前記複数の第2特徴ベクトルを含む訓練データを用いて、機械学習により前記モデルを構築するステップをさらに前記コンピュータに実行させるように構成されている。
一態様では、前記複数の実パターンは、前記ワークピースに形成されたパターンである。
一態様では、前記複数の訓練用パターンを設計データから選択するステップは、前記設計データに基づいて描画された複数のパターンを含む設計図面を表示画面上に表示するステップと、前記設計図面に含まれる複数のパターンから選択された前記複数の訓練用パターン、または前記複数の訓練用パターンが位置するエリアを視覚的に強調された態様で前記表示画面上に表示するステップである。
一態様では、前記プログラムは、前記仮想エッジに対して法線方向に延びる複数の探索線に沿った前記対象画像の複数の輝度プロファイルを生成するステップと、複数の前記輝度プロファイルに基づいて複数のエッジ点を決定するステップと、前記複数のエッジ点を線で繋ぐことで、更新されたエッジを生成するステップをさらに前記コンピュータに実行させるように構成されている。
一態様では、前記プログラムは、前記目標パターンに対応するCADパターンを設計データから生成するステップと、前記CADパターンのエッジから、前記更新されたエッジまでの距離を測定するステップをさらに前記コンピュータに実行させるように構成されている。
一態様では、数Aを数Bで割って得られた値(A/B)は、0.6~1.5の範囲にある。
一態様では、前記非エッジ領域は、前記エッジ領域から予め定められた画素数だけ離れており、前記エッジ近傍領域は、前記エッジ領域と前記非エッジ領域との間に位置する。
一態様では、前記訓練用画像内のターゲット領域を、エッジ領域、エッジ近傍領域、および非エッジ領域に分割する工程は、前記訓練用画像内のターゲット領域を、エッジ領域、除外領域、エッジ近傍領域、および非エッジ領域に分割する工程であり、前記除外領域は、前記エッジ領域に隣接し、かつ前記エッジ領域と前記エッジ近傍領域との間に位置しており、前記訓練データは、前記除外領域内の画素の特徴ベクトルを含まない。
一態様では、前記ターゲット領域は、第1のエッジを含む第1領域と、前記第1エッジと垂直な第2エッジを含む第2領域と、コーナーエッジおよび終端エッジを含む第3領域を含む。
一態様では、前記第1領域内の画素数、前記第2領域内の画素数、および前記第3領域内の画素数は、予め定められた割合にある。
一態様では、数Aを数Bで割って得られた値(A/B)は、0.6~1.5の範囲にある。
一態様では、前記非エッジ領域は、前記エッジ領域から予め定められた画素数だけ離れており、前記エッジ近傍領域は、前記エッジ領域と前記非エッジ領域との間に位置する。
一態様では、前記モデル生成装置は、前記訓練用画像内のターゲット領域を、エッジ領域、除外領域、エッジ近傍領域、および非エッジ領域に分割するように構成されており、前記除外領域は、前記エッジ領域に隣接し、かつ前記エッジ領域と前記エッジ近傍領域との間に位置しており、前記訓練データは、前記除外領域内の画素の特徴ベクトルを含まない。
一態様では、前記ターゲット領域は、第1のエッジを含む第1領域と、前記第1エッジと垂直な第2エッジを含む第2領域と、コーナーエッジおよび終端エッジを含む第3領域を含む。
一態様では、前記第1領域内の画素数、前記第2領域内の画素数、および前記第3領域内の画素数は、予め定められた割合にある。
また、本発明によれば、除外領域内の画素は、機械学習に用いられない。この除外領域内の画素は、エッジの画素かもしれないし、あるいは非エッジの画素であるかもしれない。つまり、除外領域内の画素は、不確定な画素である。このような不確定な画素の特徴ベクトルを訓練データから除外することにより、エッジ検出モデルの機械学習を早期に完了させることができる。
図1は、パターンエッジ検出装置の一実施形態を示す模式図である。図1に示すように、パターンエッジ検出装置は、走査電子顕微鏡1および演算システム3を備えている。走査電子顕微鏡1は、ワークピースの画像を生成する画像生成装置の一例である。ワークピースの例としては、半導体製造に関わるウェーハまたはマスクが挙げられる。以下に説明する実施形態では、ワークピースの例としてウェーハが採用されているが、本発明は以下の実施形態に限定されない。パターンは、ワークピースに形成されている、電子デバイスの配線パターンである。
ステップ1では、演算システム3は、複数の訓練用パターンを設計データから選択(抽出)する。選択される訓練用パターンは、図9に示すように、第1の方向に延びるエッジE1、第1の方向と垂直な第2の方向に延びるエッジE2、コーナーエッジE3、終端エッジE4を有する複数のパターンを含む。
ステップ2では、走査電子顕微鏡1は、選択された複数の訓練用パターンに基づいてそれぞれ作成された複数の実パターンの複数の訓練用画像を生成する。このとき、走査電子顕微鏡1は、仮想エッジを生成すべき目標パターン51の画像を生成してもよい。
ステップ4では、演算システム3は、複数の訓練用画像を構成する複数の参照画素を、エッジを構成する第1参照画素と、エッジを構成しない第2参照画素に分類する。
ステップ5では、演算システム3は、複数の第1参照画素の複数の第1特徴ベクトルと、複数の第2参照画素の複数の第2特徴ベクトルを生成する。具体的には、演算システム3は、各参照画素の複数の特徴量を表す特徴ベクトルを生成する。
ステップ6では、演算システム3は、複数の第1特徴ベクトルおよび複数の第2特徴ベクトルと、これら特徴ベクトルの正解データを含む訓練データ70を作成する(図13参照)。
ステップ8では、演算システム3は、訓練データ70を用いてモデル60の判定精度を検証する。具体的には、演算システム3は、訓練データ70に含まれる複数の特徴ベクトルを1つずつモデル60に入力し、モデル60から複数の判定結果を出力する。演算システム3は、これら複数の判定結果が正解データに合致している割合である判定精度を算出する。
S1=m×S2=n×S3
ただし、mは0.9~1.1であり、nは0.01~0.1である。
3 演算システム
5 データベース
6 記憶装置
7 処理装置
10 表示画面
12 入力装置
15 電子銃
16 集束レンズ
17 X偏向器
18 Y偏向器
20 対物レンズ
21 レンズ制御装置
22 偏向制御装置
25 二次電子検出器
26 反射電子検出器
28 画像取得装置
30 チャンバー
31 ステージ
32 ステージ制御装置
34 搬送装置
50 対象画像
51 目標パターン
55 仮想エッジ
60 モデル
60A,60B,60C 決定木
65 探索線
67 更新されたエッジ
70 訓練データ
70A,70B,70C データグループ
75 設計図面
80 モデル生成装置
100 ターゲット領域
W ウェーハ(ワークピース)
Claims (38)
- ワークピース上に形成された目標パターンの対象画像を生成し、
前記対象画像の各画素の複数の特徴量を表す特徴ベクトルを生成し、
前記特徴ベクトルを、機械学習によって構築されたモデルに入力し、
前記特徴ベクトルを持つ画素はエッジの画素であるか、または非エッジの画素であるかを示す判定結果を前記モデルから出力し、
エッジの画素を示す判定結果が得られた特徴ベクトルを持つ複数の画素を線で繋いで仮想エッジを生成する、パターンエッジ検出方法。 - 前記モデルは、決定木である、請求項1に記載のパターンエッジ検出方法。
- 複数の訓練用パターンを設計データから選択し、
前記複数の訓練用パターンに基づいてそれぞれ作成された複数の実パターンの複数の訓練用画像を生成し、
前記複数の訓練用画像上の前記複数の実パターンのエッジを検出し、
前記複数の訓練用画像を構成する複数の参照画素を、エッジを構成する複数の第1参照画素と、エッジを構成しない複数の第2参照画素に分類し、
前記複数の第1参照画素の複数の第1特徴ベクトルと、前記複数の第2参照画素の複数の第2特徴ベクトルを生成し、
前記複数の第1特徴ベクトルおよび前記複数の第2特徴ベクトルを含む訓練データを用いて、機械学習により前記モデルを構築する工程をさらに含む、請求項1または2に記載のパターンエッジ検出方法。 - 前記複数の訓練用パターンは、少なくとも第1の方向に延びるエッジ、前記第1の方向と垂直な第2の方向に延びるエッジ、コーナーエッジ、終端エッジを有する複数のパターンである、請求項3に記載のパターンエッジ検出方法。
- 前記複数の実パターンは、前記ワークピースに形成されたパターンである、請求項3または4に記載のパターンエッジ検出方法。
- 前記複数の訓練用パターンを設計データから選択する工程は、
前記設計データに基づいて描画された複数のパターンを含む設計図面を表示画面上に表示し、
前記設計図面に含まれる複数のパターンから選択された前記複数の訓練用パターン、または前記複数の訓練用パターンが位置するエリアを視覚的に強調された態様で前記表示画面上に表示する工程である、請求項3乃至5のいずれか一項に記載のパターンエッジ検出方法。 - 前記仮想エッジに対して法線方向に延びる複数の探索線に沿った前記対象画像の複数の輝度プロファイルを生成し、
複数の前記輝度プロファイルに基づいて複数のエッジ点を決定し、
前記複数のエッジ点を線で繋ぐことで、更新されたエッジを生成する工程をさらに含む、請求項1乃至6のいずれか一項に記載のパターンエッジ検出方法。 - 前記目標パターンに対応するCADパターンを設計データから生成し、
前記CADパターンのエッジから、前記更新されたエッジまでの距離を測定する工程をさらに含む、請求項7に記載のパターンエッジ検出方法。 - ワークピース上に形成された目標パターンの対象画像を生成する画像生成装置と、
前記画像生成装置に接続された演算システムを備え、
前記演算システムは、
前記対象画像の各画素の複数の特徴量を表す特徴ベクトルを生成し、
前記特徴ベクトルを、機械学習によって構築されたモデルに入力し、
前記特徴ベクトルを持つ画素はエッジの画素であるか、または非エッジの画素であるかを示す判定結果を前記モデルから出力し、
エッジの画素を示す判定結果が得られた特徴ベクトルを持つ複数の画素を線で繋いで仮想エッジを生成する、パターンエッジ検出装置。 - 前記モデルは、決定木である、請求項9に記載のパターンエッジ検出装置。
- 前記演算システムは、
複数の訓練用パターンを設計データから選択し、
前記複数の訓練用パターンに基づいてそれぞれ作成された複数の実パターンの複数の訓練用画像を生成し、
前記複数の訓練用画像上の前記複数の実パターンのエッジを検出し、
前記複数の訓練用画像を構成する複数の参照画素を、エッジを構成する複数の第1参照画素と、エッジを構成しない複数の第2参照画素に分類し、
前記複数の第1参照画素の複数の第1特徴ベクトルと、前記複数の第2参照画素の複数の第2特徴ベクトルを生成し、
前記複数の第1特徴ベクトルおよび前記複数の第2特徴ベクトルを含む訓練データを用いて、機械学習により前記モデルを構築するように構成されている、請求項9または10に記載のパターンエッジ検出装置。 - 前記複数の訓練用パターンは、少なくとも第1の方向に延びるエッジ、前記第1の方向と垂直な第2の方向に延びるエッジ、コーナーエッジ、終端エッジを有する複数のパターンである、請求項11に記載のパターンエッジ検出装置。
- 前記複数の実パターンは、前記ワークピースに形成されたパターンである、請求項11または12に記載のパターンエッジ検出装置。
- 前記演算システムは、表示画面を有しており、
前記演算システムは、
前記設計データに基づいて描画された複数のパターンを含む設計図面を前記表示画面上に表示し、
前記設計図面に含まれる複数のパターンから選択された前記複数の訓練用パターン、または前記複数の訓練用パターンが位置するエリアを視覚的に強調された態様で前記表示画面上に表示するように構成されている、請求項11乃至13のいずれか一項に記載のパターンエッジ検出装置。 - 前記演算システムは、
前記仮想エッジに対して法線方向に延びる複数の探索線に沿った前記対象画像の複数の輝度プロファイルを生成し、
複数の前記輝度プロファイルに基づいて複数のエッジ点を決定し、
前記複数のエッジ点を線で繋ぐことで、更新されたエッジを生成するように構成されている、請求項9乃至14のいずれか一項に記載のパターンエッジ検出装置。 - 前記演算システムは、
前記目標パターンに対応するCADパターンを設計データから生成し、
前記CADパターンのエッジから、前記更新されたエッジまでの距離を測定するように構成されている、請求項15に記載のパターンエッジ検出装置。 - 走査電子顕微鏡に指令を発してワークピース上に形成された目標パターンの対象画像を生成させるステップと、
前記対象画像の各画素の複数の特徴量を表す特徴ベクトルを生成するステップと、
前記特徴ベクトルを、機械学習によって構築されたモデルに入力するステップと、
前記特徴ベクトルを持つ画素はエッジの画素であるか、または非エッジの画素であるかを示す判定結果を前記モデルから出力するステップと、
エッジの画素を示す判定結果が得られた特徴ベクトルを持つ複数の画素を線で繋いで仮想エッジを生成するステップをコンピュータに実行させるためのプログラムが記録されたコンピュータ読み取り可能な記録媒体。 - 前記モデルは、決定木である、請求項17に記載のコンピュータ読み取り可能な記録媒体。
- 前記プログラムは、
複数の訓練用パターンを設計データから選択するステップと、
前記走査電子顕微鏡に指令を発して、前記複数の訓練用パターンに基づいてそれぞれ作成された複数の実パターンの複数の訓練用画像を生成させるステップと、
前記複数の訓練用画像上の前記複数の実パターンのエッジを検出するステップと、
前記複数の訓練用画像を構成する複数の参照画素を、エッジを構成する複数の第1参照画素と、エッジを構成しない複数の第2参照画素に分類するステップと、
前記複数の第1参照画素の複数の第1特徴ベクトルと、前記複数の第2参照画素の複数の第2特徴ベクトルを生成するステップと、
前記複数の第1特徴ベクトルおよび前記複数の第2特徴ベクトルを含む訓練データを用いて、機械学習により前記モデルを構築するステップをさらに前記コンピュータに実行させるように構成されている、請求項17または18に記載のコンピュータ読み取り可能な記録媒体。 - 前記複数の訓練用パターンは、少なくとも第1の方向に延びるエッジ、前記第1の方向と垂直な第2の方向に延びるエッジ、コーナーエッジ、終端エッジを有する複数のパターンである、請求項19に記載のコンピュータ読み取り可能な記録媒体。
- 前記複数の実パターンは、前記ワークピースに形成されたパターンである、請求項19または20に記載のコンピュータ読み取り可能な記録媒体。
- 前記複数の訓練用パターンを設計データから選択するステップは、
前記設計データに基づいて描画された複数のパターンを含む設計図面を表示画面上に表示するステップと、
前記設計図面に含まれる複数のパターンから選択された前記複数の訓練用パターン、または前記複数の訓練用パターンが位置するエリアを視覚的に強調された態様で前記表示画面上に表示するステップである、請求項19乃至21のいずれか一項に記載のコンピュータ読み取り可能な記録媒体。 - 前記プログラムは、
前記仮想エッジに対して法線方向に延びる複数の探索線に沿った前記対象画像の複数の輝度プロファイルを生成するステップと、
複数の前記輝度プロファイルに基づいて複数のエッジ点を決定するステップと、
前記複数のエッジ点を線で繋ぐことで、更新されたエッジを生成するステップをさらに前記コンピュータに実行させるように構成されている、請求項17乃至22のいずれか一項に記載のコンピュータ読み取り可能な記録媒体。 - 前記プログラムは、
前記目標パターンに対応するCADパターンを設計データから生成するステップと、
前記CADパターンのエッジから、前記更新されたエッジまでの距離を測定するステップをさらに前記コンピュータに実行させるように構成されている、請求項23に記載のコンピュータ読み取り可能な記録媒体。 - パターンが形成されているワークピースの訓練用画像を走査電子顕微鏡で生成し、
前記訓練用画像上の前記パターンのエッジを検出し、
前記訓練用画像を構成する画素の特徴ベクトルを算出し、
前記訓練用画像内のターゲット領域を、エッジ領域、エッジ近傍領域、および非エッジ領域に分割し、
前記エッジ領域内の複数の第1画素の複数の特徴ベクトル、前記エッジ近傍領域内の複数の第2画素の複数の特徴ベクトル、および前記非エッジ領域内の複数の第3画素の複数の特徴ベクトルを含む訓練データを作成し、
前記訓練データを用いて機械学習により前記モデルを作成する工程をさらに含む、請求項1または2に記載のパターンエッジ検出方法。 - 前記複数の第1画素の数をA、前記複数の第2画素の数および前記複数の第3画素の数の合計をBとしたとき、数Aを数Bで割って得られた値(A/B)は、予め定められた数値である、請求項25に記載のパターンエッジ検出方法。
- 数Aを数Bで割って得られた値(A/B)は、0.6~1.5の範囲にある、請求項26に記載のパターンエッジ検出方法。
- 前記非エッジ領域は、前記エッジ領域から予め定められた画素数だけ離れており、
前記エッジ近傍領域は、前記エッジ領域と前記非エッジ領域との間に位置する、請求項25乃至27のいずれか一項に記載のパターンエッジ検出方法。 - 前記訓練用画像内のターゲット領域を、エッジ領域、エッジ近傍領域、および非エッジ領域に分割する工程は、前記訓練用画像内のターゲット領域を、エッジ領域、除外領域、エッジ近傍領域、および非エッジ領域に分割する工程であり、
前記除外領域は、前記エッジ領域に隣接し、かつ前記エッジ領域と前記エッジ近傍領域との間に位置しており、
前記訓練データは、前記除外領域内の画素の特徴ベクトルを含まない、請求項25乃至28のいずれか一項に記載のパターンエッジ検出方法。 - 前記ターゲット領域は、第1のエッジを含む第1領域と、前記第1エッジと垂直な第2エッジを含む第2領域と、コーナーエッジおよび終端エッジを含む第3領域を含む、請求項25乃至29のいずれか一項に記載のパターンエッジ検出方法。
- 前記第1領域内の画素数、前記第2領域内の画素数、および前記第3領域内の画素数は、予め定められた割合にある、請求項30に記載のパターンエッジ検出方法。
- 前記パターンエッジ検出装置は、前記モデルを作成するモデル生成装置をさらに備え、
前記モデル生成装置は、
前記モデルを作成するためのプログラムが格納されている記憶装置と、
前記プログラムに含まれる命令に従って演算を実行する演算装置を備え、
前記モデル生成装置は、
パターンが形成されているワークピースの訓練用画像を走査電子顕微鏡から取得し、
前記訓練用画像上の前記パターンのエッジを検出し、
前記訓練用画像を構成する画素の特徴ベクトルを算出し、
前記訓練用画像内のターゲット領域を、エッジ領域、エッジ近傍領域、および非エッジ領域に分割し、
前記エッジ領域内の複数の第1画素の複数の特徴ベクトル、前記エッジ近傍領域内の複数の第2画素の複数の特徴ベクトル、および前記非エッジ領域内の複数の第3画素の複数の特徴ベクトルを含む訓練データを作成し、
前記訓練データを用いて機械学習により前記モデルを作成するように構成されている、請求項9または10に記載のパターンエッジ検出装置。 - 前記複数の第1画素の数をA、前記複数の第2画素の数および前記複数の第3画素の数の合計をBとしたとき、数Aを数Bで割って得られた値(A/B)は、予め定められた数値である、請求項32に記載のパターンエッジ検出装置。
- 数Aを数Bで割って得られた値(A/B)は、0.6~1.5の範囲にある、請求項33に記載のパターンエッジ検出装置。
- 前記非エッジ領域は、前記エッジ領域から予め定められた画素数だけ離れており、
前記エッジ近傍領域は、前記エッジ領域と前記非エッジ領域との間に位置する、請求項32乃至34のいずれか一項に記載のパターンエッジ検出装置。 - 前記モデル生成装置は、前記訓練用画像内のターゲット領域を、エッジ領域、除外領域、エッジ近傍領域、および非エッジ領域に分割するように構成されており、
前記除外領域は、前記エッジ領域に隣接し、かつ前記エッジ領域と前記エッジ近傍領域との間に位置しており、
前記訓練データは、前記除外領域内の画素の特徴ベクトルを含まない、請求項32乃至35のいずれか一項に記載のパターンエッジ検出装置。 - 前記ターゲット領域は、第1のエッジを含む第1領域と、前記第1エッジと垂直な第2エッジを含む第2領域と、コーナーエッジおよび終端エッジを含む第3領域を含む、請求項32乃至36のいずれか一項に記載のパターンエッジ検出装置。
- 前記第1領域内の画素数、前記第2領域内の画素数、および前記第3領域内の画素数は、予め定められた割合にある、請求項37に記載のパターンエッジ検出装置。
Priority Applications (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US17/791,155 US20230005157A1 (en) | 2020-01-10 | 2020-12-10 | Pattern-edge detection method, pattern-edge detection apparatus, and storage medium storing program for causing a computer to perform pattern-edge detection |
KR1020227026891A KR20220125291A (ko) | 2020-01-10 | 2020-12-10 | 패턴 에지 검출 방법, 패턴 에지 검출 장치, 패턴 에지 검출을 컴퓨터에 실행시키기 위한 프로그램이 기록된 기록 매체 |
PCT/JP2020/046010 WO2021140823A1 (ja) | 2020-01-10 | 2020-12-10 | パターンエッジ検出方法、パターンエッジ検出装置、パターンエッジ検出をコンピュータに実行させるためのプログラムが記録された記録媒体 |
CN202080092004.0A CN114945801A (zh) | 2020-01-10 | 2020-12-10 | 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 |
TW109144517A TW202141031A (zh) | 2020-01-10 | 2020-12-16 | 圖案邊緣檢測方法、圖案邊緣檢測裝置、記錄有使電腦執行圖案邊緣檢測的程式的記錄媒體 |
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020002735 | 2020-01-10 | ||
JP2020002735 | 2020-01-10 |
Publications (3)
Publication Number | Publication Date |
---|---|
JP2021111365A JP2021111365A (ja) | 2021-08-02 |
JP2021111365A5 JP2021111365A5 (ja) | 2023-08-03 |
JP7451384B2 true JP7451384B2 (ja) | 2024-03-18 |
Family
ID=77060052
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020201982A Active JP7451384B2 (ja) | 2020-01-10 | 2020-12-04 | パターンエッジ検出方法、パターンエッジ検出装置、パターンエッジ検出をコンピュータに実行させるためのプログラムが記録された記録媒体 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP7451384B2 (ja) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002373333A (ja) | 2001-05-28 | 2002-12-26 | Honda R & D Europe (Deutschland) Gmbh | 階層ネットワークを用いたパターン認識方法 |
JP2017519277A (ja) | 2014-05-06 | 2017-07-13 | ナント・ホールデイングス・アイ・ピー・エル・エル・シー | エッジベクトルを利用した画像特徴検出 |
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 |
JP2019129169A (ja) | 2018-01-22 | 2019-08-01 | 株式会社日立ハイテクノロジーズ | 画像評価方法及び画像評価装置 |
JP2019174940A (ja) | 2018-03-27 | 2019-10-10 | 株式会社 Ngr | パターンエッジ検出方法 |
-
2020
- 2020-12-04 JP JP2020201982A patent/JP7451384B2/ja active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002373333A (ja) | 2001-05-28 | 2002-12-26 | Honda R & D Europe (Deutschland) Gmbh | 階層ネットワークを用いたパターン認識方法 |
JP2017519277A (ja) | 2014-05-06 | 2017-07-13 | ナント・ホールデイングス・アイ・ピー・エル・エル・シー | エッジベクトルを利用した画像特徴検出 |
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 |
JP2019129169A (ja) | 2018-01-22 | 2019-08-01 | 株式会社日立ハイテクノロジーズ | 画像評価方法及び画像評価装置 |
JP2019174940A (ja) | 2018-03-27 | 2019-10-10 | 株式会社 Ngr | パターンエッジ検出方法 |
Non-Patent Citations (2)
Title |
---|
Contour extraction algorithm for edge placement error measurement using machine learning,PROCEEDINGS OF SPIE,SPIE,2020年03月20日,Vol. 11325,113252A,doi: 10.1117/12.2553663 |
Realizing more accurate OPC models by utilizing SEM contours,PROCEEDINGS OF SPIE,SPIE,2020年03月20日,Vol. 11325,1132524,doi: 10.1117/12.2554527 |
Also Published As
Publication number | Publication date |
---|---|
JP2021111365A (ja) | 2021-08-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9858659B2 (en) | Pattern inspecting and measuring device and program | |
US7889908B2 (en) | Method and apparatus for measuring shape of a specimen | |
TW490591B (en) | Pattern inspection apparatus, pattern inspection method, and recording medium | |
WO2019188009A1 (ja) | パターンエッジ検出方法 | |
JP5948138B2 (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 | |
US11663713B2 (en) | Image generation system | |
JP2018522238A (ja) | 多層構造体の層間のオーバレイを測定する技法 | |
JP2004078659A (ja) | パターン輪郭の抽出方法、画像処理方法、パターンエッジの探索方法、プローブの走査方法、半導体装置の製造方法、パターン検査装置およびプログラム | |
EP3300025A1 (en) | Image processing device and image processing method | |
TW201535555A (zh) | 圖案測定裝置及電腦程式 | |
WO2021140823A1 (ja) | パターンエッジ検出方法、パターンエッジ検出装置、パターンエッジ検出をコンピュータに実行させるためのプログラムが記録された記録媒体 | |
US8238619B2 (en) | Method of extracting ridge line and valley line from three-dimensional point data | |
JP7451384B2 (ja) | パターンエッジ検出方法、パターンエッジ検出装置、パターンエッジ検出をコンピュータに実行させるためのプログラムが記録された記録媒体 | |
WO2020195304A1 (ja) | パターンマッチング方法 | |
CN105809657A (zh) | 一种角点检测方法和装置 | |
WO2020121739A1 (ja) | 画像マッチング方法、および画像マッチング処理を実行するための演算システム | |
JP3959379B2 (ja) | 形状測定装置及び形状測定方法 | |
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 | |
WO2020158261A1 (ja) | 画像マッチング判定方法、画像マッチング判定装置、および画像マッチング判定方法をコンピュータに実行させるためのプログラムを記録したコンピュータ読み取り可能な記録媒体 | |
JP7405959B2 (ja) | パターンマッチング方法 | |
CN115357517B (zh) | 机器视觉底层算法的开发优劣性的评测方法 | |
JP2020123034A (ja) | 画像マッチング支援方法、画像マッチング支援装置、および画像マッチング支援方法をコンピュータに実行させるためのプログラムを記録したコンピュータ読み取り可能な記録媒体 | |
WO2024023955A1 (ja) | 測長システム、モデル作成システム及び測長方法 | |
TW201710673A (zh) | 資料修正裝置、描繪裝置、檢查裝置、資料修正方法、描繪方法、檢查方法及記錄有程式之記錄媒體 | |
JP2021131660A (ja) | 寸法測定方法および寸法測定装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230726 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20230726 |
|
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: 20240220 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20240306 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7451384 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |