JPH0821803A - 欠陥種別判定装置及びプロセス管理システム - Google Patents
欠陥種別判定装置及びプロセス管理システムInfo
- Publication number
- JPH0821803A JPH0821803A JP6157424A JP15742494A JPH0821803A JP H0821803 A JPH0821803 A JP H0821803A JP 6157424 A JP6157424 A JP 6157424A JP 15742494 A JP15742494 A JP 15742494A JP H0821803 A JPH0821803 A JP H0821803A
- Authority
- JP
- Japan
- Prior art keywords
- defect
- type
- processing unit
- information
- inspection
- 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.)
- Granted
Links
Landscapes
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Liquid Crystal (AREA)
Abstract
(57)【要約】
【目的】本発明は、被検体の欠陥種別を自動的に判定で
き、検査結果を迅速かつ正確にフィードバック可能な欠
陥種別判定装置を提供することを目的とする。 【構成】被検体Ｓの欠陥検査で発見された個々の欠陥の
種別を判定する欠陥種別判定装置であって、ある入力パ
ターンを任意の出力パターンに変換するニューロ処理ユ
ニット５を備える。ニューロ処理ユニット５をそれぞれ
の欠陥種別に対応した各欠陥情報の入力パターンに対し
てそれぞれ任意の欠陥種別を示す出力パターンとなるよ
うに種々の欠陥種別を学習させておき、欠陥検査で検出
された欠陥の欠陥情報をニューロ処理ユニット５へ入力
してその出力パターンから当該欠陥の種別を決定する。
き、検査結果を迅速かつ正確にフィードバック可能な欠
陥種別判定装置を提供することを目的とする。 【構成】被検体Ｓの欠陥検査で発見された個々の欠陥の
種別を判定する欠陥種別判定装置であって、ある入力パ
ターンを任意の出力パターンに変換するニューロ処理ユ
ニット５を備える。ニューロ処理ユニット５をそれぞれ
の欠陥種別に対応した各欠陥情報の入力パターンに対し
てそれぞれ任意の欠陥種別を示す出力パターンとなるよ
うに種々の欠陥種別を学習させておき、欠陥検査で検出
された欠陥の欠陥情報をニューロ処理ユニット５へ入力
してその出力パターンから当該欠陥の種別を決定する。
Description
【０００１】
【産業上の利用分野】本発明は、半導体ウエハ又は液晶
ガラス基板等の被検体の製造プロセスラインにおいて、
被検体の表面検査により検出された欠陥の種別を判定す
るための欠陥種別判定装置、又は欠陥種別判定結果に基
づいてプロセス管理を行うプロセス管理システムに関す
る。
ガラス基板等の被検体の製造プロセスラインにおいて、
被検体の表面検査により検出された欠陥の種別を判定す
るための欠陥種別判定装置、又は欠陥種別判定結果に基
づいてプロセス管理を行うプロセス管理システムに関す
る。
【０００２】
【従来の技術】例えば、液晶パネル等のフォト・リソグ
ラフィ・プロセスラインにおいて、基板表面に塗布した
レジストの膜厚むらや塵埃の付着等による欠陥は、エッ
チング後にパターンの線幅不良やパターン内のピンホー
ル等の不良として現れる。そこで、一般にはエッチング
前に基板を検査し、欠陥があればその基板を除去するこ
とにより欠陥のある基板がそのままエッチング工程へ入
るのを未然に防止している。本出願人は、特願平４−３
１９２２号において、基板表面の欠陥を目視検査するの
に好適な投光装置を提案している。このような作業者の
目視による検査は機械的な検査に比べて優れた検査能力
がある。
ラフィ・プロセスラインにおいて、基板表面に塗布した
レジストの膜厚むらや塵埃の付着等による欠陥は、エッ
チング後にパターンの線幅不良やパターン内のピンホー
ル等の不良として現れる。そこで、一般にはエッチング
前に基板を検査し、欠陥があればその基板を除去するこ
とにより欠陥のある基板がそのままエッチング工程へ入
るのを未然に防止している。本出願人は、特願平４−３
１９２２号において、基板表面の欠陥を目視検査するの
に好適な投光装置を提案している。このような作業者の
目視による検査は機械的な検査に比べて優れた検査能力
がある。
【０００３】
【発明が解決しようとする課題】しかしながら、作業者
の目視検査では、作業者の個人差や観察環境の違いによ
り検査レベルにばらつきが生じ検査品質が一定しないと
いう問題がある。また、目視検査が多数回，長時間に及
ぶと作業者の疲労が増大するが、作業者の疲労度によっ
ても検査品質が一定しなくなる可能性がある。
の目視検査では、作業者の個人差や観察環境の違いによ
り検査レベルにばらつきが生じ検査品質が一定しないと
いう問題がある。また、目視検査が多数回，長時間に及
ぶと作業者の疲労が増大するが、作業者の疲労度によっ
ても検査品質が一定しなくなる可能性がある。
【０００４】また、上述した目視検査で発見される欠陥
パターンは、欠陥の発生したプロセスやそこでの欠陥発
生原因によって異なるので、作業者が欠陥を顕微鏡で詳
細に観察した上で自らの経験や製造プロセスの処理内容
から欠陥原因等を推測していた。ところが、欠陥発生プ
ロセスや欠陥発生原因を推測する際に検討すべき検討項
目は多岐に渡るため、作業者の判断力に依存していたの
では迅速に欠陥発生プロセスを突き止めて有効な対策を
講じるのは困難であった。
パターンは、欠陥の発生したプロセスやそこでの欠陥発
生原因によって異なるので、作業者が欠陥を顕微鏡で詳
細に観察した上で自らの経験や製造プロセスの処理内容
から欠陥原因等を推測していた。ところが、欠陥発生プ
ロセスや欠陥発生原因を推測する際に検討すべき検討項
目は多岐に渡るため、作業者の判断力に依存していたの
では迅速に欠陥発生プロセスを突き止めて有効な対策を
講じるのは困難であった。
【０００５】このように、従来の表面欠陥検査装置は、
作業者の目視検査に頼っていたので検査品質が一定せ
ず、且つ検査結果から作業者が経験に基づいて欠陥発生
プロセスや欠陥発生原因を推測していたので、作業者に
かかる負担が大きいと共に迅速かつ正確に欠陥発生プロ
セスや欠陥発生原因を特定するのが困難であった。
作業者の目視検査に頼っていたので検査品質が一定せ
ず、且つ検査結果から作業者が経験に基づいて欠陥発生
プロセスや欠陥発生原因を推測していたので、作業者に
かかる負担が大きいと共に迅速かつ正確に欠陥発生プロ
セスや欠陥発生原因を特定するのが困難であった。
【０００６】本発明は、以上のような実情に鑑みてなさ
れたもので、熟練した作業者の経験に頼ることなく、欠
陥発生プロセスや欠陥発生原因に密接に関連した欠陥の
種別を自動的に判定することができ、欠陥検査結果を製
造プロセスに迅速かつ正確にフィードバック可能な欠陥
種別判定装置及びプロセス管理システムを提供すること
を目的とする。
れたもので、熟練した作業者の経験に頼ることなく、欠
陥発生プロセスや欠陥発生原因に密接に関連した欠陥の
種別を自動的に判定することができ、欠陥検査結果を製
造プロセスに迅速かつ正確にフィードバック可能な欠陥
種別判定装置及びプロセス管理システムを提供すること
を目的とする。
【０００７】
【課題を解決するための手段】本発明は、上記目的を達
成するために以下のような手段を講じた。請求項１に対
応する本発明は、被検体の欠陥検査で発見された個々の
欠陥の種別を判定する欠陥種別判定装置において、ある
入力パターンを任意の出力パターンに変換するニューロ
処理ユニットを備え、それぞれの欠陥種別に対応した入
力パターンの各欠陥情報に対してそれぞれ任意の欠陥種
別を示す出力パターンが現われるように前記ニューロ処
理ユニットを学習させておき、前記欠陥検査で検出され
た欠陥の欠陥情報を前記ニューロ処理ユニットへ入力し
その出力パターンにて欠陥種別を決定するように構成し
た。
成するために以下のような手段を講じた。請求項１に対
応する本発明は、被検体の欠陥検査で発見された個々の
欠陥の種別を判定する欠陥種別判定装置において、ある
入力パターンを任意の出力パターンに変換するニューロ
処理ユニットを備え、それぞれの欠陥種別に対応した入
力パターンの各欠陥情報に対してそれぞれ任意の欠陥種
別を示す出力パターンが現われるように前記ニューロ処
理ユニットを学習させておき、前記欠陥検査で検出され
た欠陥の欠陥情報を前記ニューロ処理ユニットへ入力し
その出力パターンにて欠陥種別を決定するように構成し
た。
【０００８】請求項２に対応する本発明は、所定の光学
系を介して取り込んだ被検体の検査画像を画像処理する
ことにより前記被検体の欠陥を抽出すると共に当該欠陥
に関する欠陥情報を生成する表面欠陥検査装置と、それ
ぞれの欠陥種別に対応した入力パターンの各欠陥情報に
対してそれぞれ任意の欠陥種別を示す出力パターンが現
われるように予め学習され、前記表面欠陥検査装置から
前記欠陥情報が入力するとその欠陥種別を示す出力パタ
ーンを出力するニューロ処理ユニットと、前記ニューロ
処理ユニットで判定された前記被検体の欠陥種別情報に
基づいて前記被検体の製造プロセスを制御するプロセス
管理ユニットとを具備する構成とした。
系を介して取り込んだ被検体の検査画像を画像処理する
ことにより前記被検体の欠陥を抽出すると共に当該欠陥
に関する欠陥情報を生成する表面欠陥検査装置と、それ
ぞれの欠陥種別に対応した入力パターンの各欠陥情報に
対してそれぞれ任意の欠陥種別を示す出力パターンが現
われるように予め学習され、前記表面欠陥検査装置から
前記欠陥情報が入力するとその欠陥種別を示す出力パタ
ーンを出力するニューロ処理ユニットと、前記ニューロ
処理ユニットで判定された前記被検体の欠陥種別情報に
基づいて前記被検体の製造プロセスを制御するプロセス
管理ユニットとを具備する構成とした。
【０００９】請求項３に対応する本発明は、上記構成の
欠陥種別判定装置において、前記ニューロ処理ユニット
に、欠陥の面積，欠陥の形状，欠陥の位置，欠陥の明る
さ，被検体像を取り込む光学系の種類及び被検体の種類
の中から選択された情報を有するデータ構造の欠陥情報
が入力するように構成した。
欠陥種別判定装置において、前記ニューロ処理ユニット
に、欠陥の面積，欠陥の形状，欠陥の位置，欠陥の明る
さ，被検体像を取り込む光学系の種類及び被検体の種類
の中から選択された情報を有するデータ構造の欠陥情報
が入力するように構成した。
【００１０】請求項４に対応する本発明は、上記構成の
欠陥種別判定装置において、前記ニューロ処理ユニット
に、欠陥ではないが検査画像の画像処理で欠陥として抽
出される疑似欠陥が学習されるように構成した。
欠陥種別判定装置において、前記ニューロ処理ユニット
に、欠陥ではないが検査画像の画像処理で欠陥として抽
出される疑似欠陥が学習されるように構成した。
【００１１】請求項５に対応する本発明は、上記構成の
欠陥種別判定装置において、前記ニューロ処理ユニット
で判定された前記欠陥種別情報を蓄積しかつ統計的に処
理して欠陥発生の事前予測を行ように構成した。
欠陥種別判定装置において、前記ニューロ処理ユニット
で判定された前記欠陥種別情報を蓄積しかつ統計的に処
理して欠陥発生の事前予測を行ように構成した。
【００１２】
【作用】本発明は、以上のような手段を講じたことによ
り次のような作用を奏する。請求項１に対応する本発明
によれば、それぞれの欠陥種別に対応した各欠陥情報の
入力パターンに対してそれぞれ任意の欠陥種別を示す出
力パターンとなるようにニューロ処理ユニットが予め学
習される。このように学習したニューロ処理ユニット
に、ある欠陥に関する欠陥情報が入力されると、その欠
陥情報の入力パターンに対応した出力パターンが出力さ
れる。ニューロ処理ユニットは、種々の欠陥の入力パタ
ーンに対して各欠陥の種別を示す出力パターンを出力す
るように学習されているので、この出力パターンが欠陥
種別を表すことになる。
り次のような作用を奏する。請求項１に対応する本発明
によれば、それぞれの欠陥種別に対応した各欠陥情報の
入力パターンに対してそれぞれ任意の欠陥種別を示す出
力パターンとなるようにニューロ処理ユニットが予め学
習される。このように学習したニューロ処理ユニット
に、ある欠陥に関する欠陥情報が入力されると、その欠
陥情報の入力パターンに対応した出力パターンが出力さ
れる。ニューロ処理ユニットは、種々の欠陥の入力パタ
ーンに対して各欠陥の種別を示す出力パターンを出力す
るように学習されているので、この出力パターンが欠陥
種別を表すことになる。
【００１３】請求項２に対応する本発明によれば、被検
体の検査画像が所定の光学系を介して表面欠陥検査装置
へ取り込まれる。表面欠陥検査装置では、画像処理によ
り検査画像から欠陥が検出されると、その欠陥に関する
形状，大きさ等の欠陥情報が作成される。この欠陥情報
はニューロ処理ユニットへ入力される。
体の検査画像が所定の光学系を介して表面欠陥検査装置
へ取り込まれる。表面欠陥検査装置では、画像処理によ
り検査画像から欠陥が検出されると、その欠陥に関する
形状，大きさ等の欠陥情報が作成される。この欠陥情報
はニューロ処理ユニットへ入力される。
【００１４】一方で、ニューロ処理ユニットは、それぞ
れの欠陥種別に対応した各欠陥情報の入力パターンに対
してそれぞれ任意の欠陥種別を示す出力パターンとなる
ように予め学習される。このように学習したニューロ処
理ユニットに表面欠陥検査装置から欠陥情報が入力する
とその欠陥種別を示す出力パターンが出力される。ニュ
ーロ処理ユニットの出力パターンからなる欠陥種別情報
がプロセス管理ユニットへ送出される。
れの欠陥種別に対応した各欠陥情報の入力パターンに対
してそれぞれ任意の欠陥種別を示す出力パターンとなる
ように予め学習される。このように学習したニューロ処
理ユニットに表面欠陥検査装置から欠陥情報が入力する
とその欠陥種別を示す出力パターンが出力される。ニュ
ーロ処理ユニットの出力パターンからなる欠陥種別情報
がプロセス管理ユニットへ送出される。
【００１５】プロセス管理ユニットでは、ニューロ処理
ユニットから入力される欠陥の欠陥種別情報に基づいて
被検体の製造プロセスに制御がかけられる。例えば、欠
陥の発生した工程を特定しその工程を停止させたり、又
は欠陥のあった被検体を再処理工程へ戻すなどの制御が
可能になる。
ユニットから入力される欠陥の欠陥種別情報に基づいて
被検体の製造プロセスに制御がかけられる。例えば、欠
陥の発生した工程を特定しその工程を停止させたり、又
は欠陥のあった被検体を再処理工程へ戻すなどの制御が
可能になる。
【００１６】請求項３に対応する本発明によれば、ニュ
ーロ処理ユニットが欠陥の面積，欠陥の形状，欠陥の位
置，欠陥の明るさ，被検体像を取り込む光学系の種類及
び被検体の種類等の欠陥情報により種々の欠陥種別が学
習される。従って、これらの検討項目からなる欠陥情報
を入力することにより該当する欠陥種別を出力させるこ
とができる。
ーロ処理ユニットが欠陥の面積，欠陥の形状，欠陥の位
置，欠陥の明るさ，被検体像を取り込む光学系の種類及
び被検体の種類等の欠陥情報により種々の欠陥種別が学
習される。従って、これらの検討項目からなる欠陥情報
を入力することにより該当する欠陥種別を出力させるこ
とができる。
【００１７】請求項４に対応する本発明によれば、ある
入力パターンの欠陥情報に対して疑似欠陥を示す出力パ
ターンを出力するようにニューロ処理ユニットが予め学
習されているため、画像処理技術では識別が困難な疑似
欠陥を確実に判別することができる。
入力パターンの欠陥情報に対して疑似欠陥を示す出力パ
ターンを出力するようにニューロ処理ユニットが予め学
習されているため、画像処理技術では識別が困難な疑似
欠陥を確実に判別することができる。
【００１８】請求項５に対応する本発明によれば、ニュ
ーロ処理ユニットで判定された欠陥種別情報が逐次蓄積
されていき、それら欠陥種別情報が統計的に処理されて
欠陥発生の事前予測が行なわれる。
ーロ処理ユニットで判定された欠陥種別情報が逐次蓄積
されていき、それら欠陥種別情報が統計的に処理されて
欠陥発生の事前予測が行なわれる。
【００１９】
【実施例】以下、本発明の実施例について説明する。図
１は、被検体の欠陥検査から製造プロセスの管理までを
行うシステムの機能ブロックを示す図である。本実施例
は、ホストコンピュータ１，検査画像入力装置２，画像
処理装置３，シーケンサ４，ニューロ処理ユニット５，
プロセス管理コンピュータ６等を備えている。
１は、被検体の欠陥検査から製造プロセスの管理までを
行うシステムの機能ブロックを示す図である。本実施例
は、ホストコンピュータ１，検査画像入力装置２，画像
処理装置３，シーケンサ４，ニューロ処理ユニット５，
プロセス管理コンピュータ６等を備えている。
【００２０】検査画像入力装置２は、図３に示すよう
に、干渉光学系、回折光学系、斜照明光学系等からなる
照明光学系、及び被検体の検査画像をＣＣＤ等の撮像素
子上に結像させる撮像光学系を備えている。検査画像入
力装置２で被検体の検査画像が取り込まれる。
に、干渉光学系、回折光学系、斜照明光学系等からなる
照明光学系、及び被検体の検査画像をＣＣＤ等の撮像素
子上に結像させる撮像光学系を備えている。検査画像入
力装置２で被検体の検査画像が取り込まれる。
【００２１】画像処理装置３は、検査画像入力装置２に
接続されており、入力する検査画像から被検体の欠陥
（例えば“膜厚むら”“塵埃”等）を抽出し、且つ抽出
した欠陥の種類，数，位置，面積等を検出する画像処理
機能を備えている。これらの検査項目が後述する欠陥情
報の一部を構成する。この画像処理装置３には画像記憶
装置１１及びＴＶモニタ１２が接続されている。
接続されており、入力する検査画像から被検体の欠陥
（例えば“膜厚むら”“塵埃”等）を抽出し、且つ抽出
した欠陥の種類，数，位置，面積等を検出する画像処理
機能を備えている。これらの検査項目が後述する欠陥情
報の一部を構成する。この画像処理装置３には画像記憶
装置１１及びＴＶモニタ１２が接続されている。
【００２２】ホストコンピュータ１は、システム全体の
動作を管理すると共に、画像処理装置３から入力する欠
陥情報をニューロ処理ユニット５へ入力し、ニューロ処
理ユニット５から出力される欠陥名称情報をプロセス管
理コンピュータ６へ送出する。また、ホストコンピュー
タ１は、ニューロ処理ユニット５から出力され欠陥名称
を逐次蓄積して欠陥発生の事前予測を行う機能を備え
る。このホストコンピュータ１にＴＶモニタ１３，キー
ボード１４，メモリ１５が接続されている。メモリ１５
は、被検体の種類毎の検査条件（光学系の設定と画像処
理の条件）、検査データ等が保存される。
動作を管理すると共に、画像処理装置３から入力する欠
陥情報をニューロ処理ユニット５へ入力し、ニューロ処
理ユニット５から出力される欠陥名称情報をプロセス管
理コンピュータ６へ送出する。また、ホストコンピュー
タ１は、ニューロ処理ユニット５から出力され欠陥名称
を逐次蓄積して欠陥発生の事前予測を行う機能を備え
る。このホストコンピュータ１にＴＶモニタ１３，キー
ボード１４，メモリ１５が接続されている。メモリ１５
は、被検体の種類毎の検査条件（光学系の設定と画像処
理の条件）、検査データ等が保存される。
【００２３】シーケンサ４は、光学制御部１６，ステー
ジ制御部１７，基板搬送制御部１８が接続されていて、
ホストコンピュータ１からの指示を受けてそれら制御部
を制御する。
ジ制御部１７，基板搬送制御部１８が接続されていて、
ホストコンピュータ１からの指示を受けてそれら制御部
を制御する。
【００２４】ニューロ処理ユニット５は、図２に示すよ
うに、入力層と、出力層と、入力層と出力層との間に形
成される複数の中間層（同図には中間層が２つの場合が
示されている）とから構成され、神経細胞（ニューロ
ン）の構造を模して作られたハードウエアユニットであ
る。入力層の全ニューロンは隣接する第１中間層の全ニ
ューロンに接続され、第１中間層の全ニューロンは第２
中間層の全ニューロンに接続される。第２中間層の全ニ
ューロンは出力層の全ニューロンに接続される。そして
互いに接続された各ニューロン間に重み係数が設定され
ている。入力層に与えた入力パターン（入力条件）に対
して任意の出力パターンが出力されるように重み係数を
調整することを一般に学習と呼ぶ。この学習回数を繰り
返すことにより特定の入力パターンに対して希望する出
力パターンを出力させることができるようになる。こう
した学習アルゴリズムをバックプロパゲーションアルゴ
リズムと呼ぶ。
うに、入力層と、出力層と、入力層と出力層との間に形
成される複数の中間層（同図には中間層が２つの場合が
示されている）とから構成され、神経細胞（ニューロ
ン）の構造を模して作られたハードウエアユニットであ
る。入力層の全ニューロンは隣接する第１中間層の全ニ
ューロンに接続され、第１中間層の全ニューロンは第２
中間層の全ニューロンに接続される。第２中間層の全ニ
ューロンは出力層の全ニューロンに接続される。そして
互いに接続された各ニューロン間に重み係数が設定され
ている。入力層に与えた入力パターン（入力条件）に対
して任意の出力パターンが出力されるように重み係数を
調整することを一般に学習と呼ぶ。この学習回数を繰り
返すことにより特定の入力パターンに対して希望する出
力パターンを出力させることができるようになる。こう
した学習アルゴリズムをバックプロパゲーションアルゴ
リズムと呼ぶ。
【００２５】ニューロ処理ユニット５の入力層に印加す
る欠陥情報のデータ構造の詳細が図２に示されている。
この欠陥情報は、欠陥の面積，欠陥の形状（フェレ
径），欠陥の重心位置（Ｘアドレス，Ｙアドレス），光
学系の種類（測定条件），欠陥の明るさ，画像処理装置
３での画像処理方式、及び不図示であるが被検体の種
類，欠陥の形状（円形度，周囲長等）から構成される。
欠陥情報を構成する各項目は夫々所定のビット数で表さ
れる。
る欠陥情報のデータ構造の詳細が図２に示されている。
この欠陥情報は、欠陥の面積，欠陥の形状（フェレ
径），欠陥の重心位置（Ｘアドレス，Ｙアドレス），光
学系の種類（測定条件），欠陥の明るさ，画像処理装置
３での画像処理方式、及び不図示であるが被検体の種
類，欠陥の形状（円形度，周囲長等）から構成される。
欠陥情報を構成する各項目は夫々所定のビット数で表さ
れる。
【００２６】ここで、ニューロ処理ユニット５の入力層
は、欠陥の面積が欠陥部のピクセルサイズをバイナリー
で入力するようになっているが、面積の大きさを大，
中，小に分けて入力する場合は２ビットあればよい。欠
陥の重心位置（Ｘアドレス，Ｙアドレス）も位置データ
をバイナリーで入力している。また、光学系の種類（測
定条件）は、被検体の種類によって欠陥検出方法が変わ
ったり、検出できる欠陥内容が変化するため２ビットで
表している。欠陥が白い欠陥なのか黒い欠陥なのかを切
り分けるために２ビットで表した欠陥の明るさデータを
入力するようにしている。また、画像処理方式は、大き
なムラ検出のための処理，小さなムラ検出のための処
理，キズ検出のための処理等のように検出欠陥の処理内
容を判断するために３ビットで表している。被検体の種
類は、サイズ，工程，種類などの数百種類に及ぶが、同
じ欠陥の出る工程はある程度決まっているので６ビット
で表している。
は、欠陥の面積が欠陥部のピクセルサイズをバイナリー
で入力するようになっているが、面積の大きさを大，
中，小に分けて入力する場合は２ビットあればよい。欠
陥の重心位置（Ｘアドレス，Ｙアドレス）も位置データ
をバイナリーで入力している。また、光学系の種類（測
定条件）は、被検体の種類によって欠陥検出方法が変わ
ったり、検出できる欠陥内容が変化するため２ビットで
表している。欠陥が白い欠陥なのか黒い欠陥なのかを切
り分けるために２ビットで表した欠陥の明るさデータを
入力するようにしている。また、画像処理方式は、大き
なムラ検出のための処理，小さなムラ検出のための処
理，キズ検出のための処理等のように検出欠陥の処理内
容を判断するために３ビットで表している。被検体の種
類は、サイズ，工程，種類などの数百種類に及ぶが、同
じ欠陥の出る工程はある程度決まっているので６ビット
で表している。
【００２７】また、液晶基板の製造プロセスにおいて発
生する欠陥の種類は、レジスト塗布不良，露光不良，現
像不良，キズ，ゴミなど多数ある。これらの欠陥の種別
を欠陥Ａ〜欠陥Ｊの欠陥名称で表している。実際には数
十種類の欠陥名称が存在する。また、欠陥ではないが画
像処理装置３で検出すると欠陥と判断されてしまうよう
な疑似欠陥がある。これらの疑似欠陥の種別を疑似欠陥
Ａ〜疑似欠陥Ｃで表している。
生する欠陥の種類は、レジスト塗布不良，露光不良，現
像不良，キズ，ゴミなど多数ある。これらの欠陥の種別
を欠陥Ａ〜欠陥Ｊの欠陥名称で表している。実際には数
十種類の欠陥名称が存在する。また、欠陥ではないが画
像処理装置３で検出すると欠陥と判断されてしまうよう
な疑似欠陥がある。これらの疑似欠陥の種別を疑似欠陥
Ａ〜疑似欠陥Ｃで表している。
【００２８】プロセス管理コンピュータ６は、ホストコ
ンピュータ１から入力する欠陥名称情報を内部メモリに
記憶すると共に、その記憶した情報に基づいて欠陥の発
生した製造プロセスを割り出す欠陥プロセス割り出し処
理とを実行する。
ンピュータ１から入力する欠陥名称情報を内部メモリに
記憶すると共に、その記憶した情報に基づいて欠陥の発
生した製造プロセスを割り出す欠陥プロセス割り出し処
理とを実行する。
【００２９】次に、以上のように構成された本実施例の
動作について説明する。最初に、ニューロ処理ユニット
５がある欠陥情報の入力に対して特定の欠陥名称を表す
出力パターンを発生するように学習させる。ニューロ処
理ユニット５は図４に示すように、入力層を構成してい
る複数のニューロンに印加された信号が、入力層から中
間層、及び中間層から出力層へと伝達される間に荷重Ｗ
が掛けられた後、出力層を構成する複数のニューロンか
ら出力される。入力パターンが同じであっても荷重Ｗが
変化すれば異なる出力パターンが発生することになる。
このことは、各荷重Ｗの大きさを調整すれば、ある入力
パターンに対して所望の出力パターンが得られることを
意味する。
動作について説明する。最初に、ニューロ処理ユニット
５がある欠陥情報の入力に対して特定の欠陥名称を表す
出力パターンを発生するように学習させる。ニューロ処
理ユニット５は図４に示すように、入力層を構成してい
る複数のニューロンに印加された信号が、入力層から中
間層、及び中間層から出力層へと伝達される間に荷重Ｗ
が掛けられた後、出力層を構成する複数のニューロンか
ら出力される。入力パターンが同じであっても荷重Ｗが
変化すれば異なる出力パターンが発生することになる。
このことは、各荷重Ｗの大きさを調整すれば、ある入力
パターンに対して所望の出力パターンが得られることを
意味する。
【００３０】ここで、製造プロセスにおいて発生する欠
陥Ａ〜Ｊや疑似欠陥Ａ〜Ｃは、上記したデータ構造で表
される欠陥情報（測定条件，被検体の種類を含む）に応
じてほぼ決まっている。従って、図５に示すように、欠
陥Ａの欠陥情報をニューロ処理ユニット５の入力層に項
目別に印加する。このとき出力層に現れた出力パターン
と欠陥Ａを表すパターンの教師信号との差を求め、その
求めた差に基づいてニューロ処理ユニット５の各荷重に
修正を加える。この処理を繰り返すことによりニューロ
処理ユニット５は欠陥Ａの欠陥情報の入力に対して欠陥
Ａを表す出力パターンを発生する荷重Ｗに調整される。
その他の欠陥名称及び疑似欠陥名称についても同様の処
理を繰り返す。
陥Ａ〜Ｊや疑似欠陥Ａ〜Ｃは、上記したデータ構造で表
される欠陥情報（測定条件，被検体の種類を含む）に応
じてほぼ決まっている。従って、図５に示すように、欠
陥Ａの欠陥情報をニューロ処理ユニット５の入力層に項
目別に印加する。このとき出力層に現れた出力パターン
と欠陥Ａを表すパターンの教師信号との差を求め、その
求めた差に基づいてニューロ処理ユニット５の各荷重に
修正を加える。この処理を繰り返すことによりニューロ
処理ユニット５は欠陥Ａの欠陥情報の入力に対して欠陥
Ａを表す出力パターンを発生する荷重Ｗに調整される。
その他の欠陥名称及び疑似欠陥名称についても同様の処
理を繰り返す。
【００３１】学習の初期段階では、ある欠陥名称に対し
ては最適な荷重状態であっても他の欠陥名称に対しては
適当な荷重状態ではないことが多い。しかし、欠陥Ａ〜
Ｊ及び疑似欠陥Ａ〜Ｃに関する学習を繰り返すことによ
り全ての欠陥名称及び疑似欠陥名称に対して最適な荷重
状態となる。
ては最適な荷重状態であっても他の欠陥名称に対しては
適当な荷重状態ではないことが多い。しかし、欠陥Ａ〜
Ｊ及び疑似欠陥Ａ〜Ｃに関する学習を繰り返すことによ
り全ての欠陥名称及び疑似欠陥名称に対して最適な荷重
状態となる。
【００３２】次に、作業者がキーボード１４により被検
体Ｓの種類とともに検査開始を指示すると、メモリ１５
に予め保存されている検査条件の中から、その被検体Ｓ
に該当する条件がホストコンピュータ１に読み込まれ、
シーケンサ４を介して光学系制御部１６が光学系の設定
を行う。次に、ストッカから搬送部によって１枚めの被
検体Ｓが取出され、検査開始点が観察視野の中央にくる
ように位置決めする。
体Ｓの種類とともに検査開始を指示すると、メモリ１５
に予め保存されている検査条件の中から、その被検体Ｓ
に該当する条件がホストコンピュータ１に読み込まれ、
シーケンサ４を介して光学系制御部１６が光学系の設定
を行う。次に、ストッカから搬送部によって１枚めの被
検体Ｓが取出され、検査開始点が観察視野の中央にくる
ように位置決めする。
【００３３】次に、照明系を駆動して検査画像の取込み
を行う。検査画像入力装置２の干渉光学系においては、
図３に示すように、ランプハウス１１内に固定されたハ
ロゲンランプ２２の光が、熱線吸収フィルタ２３を通
り、ランプハウス１１の出射窓に設けられたコンデンサ
レンズ２４から平行光束の状態で出射する。コンデンサ
レンズ２４の射出側に複数の狭帯域干渉フィルタ（図示
せず）が収められた回転ホルダ２５が配置されている。
回転ホルダ２５はモータ（図示しない）で回転可能にな
っており、所望の干渉フィルタを光路内に挿入すること
ができる。光路内に挿入された干渉フィルタを通過した
光束は集光レンズ２６で光ファイバ束２７の端面に集光
される。光ファイバ束２７を出射した光束は拡散板２８
で強度分布を平均化された２次光源となる。拡散板２８
はコリメータレンズの焦平面上に設置されている。拡散
板２８を通過し絞り２９で光束径を調整された光束はハ
ーフミラー３１で反射し、コリメータレンズ３２で平行
光束となり、被検体Ｓに垂直入射する。
を行う。検査画像入力装置２の干渉光学系においては、
図３に示すように、ランプハウス１１内に固定されたハ
ロゲンランプ２２の光が、熱線吸収フィルタ２３を通
り、ランプハウス１１の出射窓に設けられたコンデンサ
レンズ２４から平行光束の状態で出射する。コンデンサ
レンズ２４の射出側に複数の狭帯域干渉フィルタ（図示
せず）が収められた回転ホルダ２５が配置されている。
回転ホルダ２５はモータ（図示しない）で回転可能にな
っており、所望の干渉フィルタを光路内に挿入すること
ができる。光路内に挿入された干渉フィルタを通過した
光束は集光レンズ２６で光ファイバ束２７の端面に集光
される。光ファイバ束２７を出射した光束は拡散板２８
で強度分布を平均化された２次光源となる。拡散板２８
はコリメータレンズの焦平面上に設置されている。拡散
板２８を通過し絞り２９で光束径を調整された光束はハ
ーフミラー３１で反射し、コリメータレンズ３２で平行
光束となり、被検体Ｓに垂直入射する。
【００３４】被検体Ｓで反射した光束は再びコリメータ
レンズ３２を通って収束光となり、ハーフミラー３１を
通過した成分がズーム式の結像レンズ３３に入射する。
この結像レンズ３３が被検体Ｓ表面の像を撮像素子３４
の撮像面上に結像する。
レンズ３２を通って収束光となり、ハーフミラー３１を
通過した成分がズーム式の結像レンズ３３に入射する。
この結像レンズ３３が被検体Ｓ表面の像を撮像素子３４
の撮像面上に結像する。
【００３５】板３５と３６は、ハーフミラー３１を透過
した照明光により無用の物が照明されて被検体像と重畳
した像が撮像素子３４上に投影されるのを防止してい
る。また、検査画像入力装置２の斜照明光学系において
は、図３に示すように、光源部３７が、ライン照明部３
８の光ファイバ束端面に白色光束を入射する。ライン照
明部３８は、出射側で光ファイバ束中の各ファイバを２
列直線状に並べたもので、半円柱形状の集光レンズ３９
と併せて薄いシート状の照明光をつくる。なお、被検体
Ｓに対して同じ入射方向になるように対称な位置に４台
のライン照明部３８を設置しており、互いに補って観察
視野内をほぼ均一に照明し、かつ被検体Ｓ表面の方向性
をもった欠陥の検出感度異方性を補っている。
した照明光により無用の物が照明されて被検体像と重畳
した像が撮像素子３４上に投影されるのを防止してい
る。また、検査画像入力装置２の斜照明光学系において
は、図３に示すように、光源部３７が、ライン照明部３
８の光ファイバ束端面に白色光束を入射する。ライン照
明部３８は、出射側で光ファイバ束中の各ファイバを２
列直線状に並べたもので、半円柱形状の集光レンズ３９
と併せて薄いシート状の照明光をつくる。なお、被検体
Ｓに対して同じ入射方向になるように対称な位置に４台
のライン照明部３８を設置しており、互いに補って観察
視野内をほぼ均一に照明し、かつ被検体Ｓ表面の方向性
をもった欠陥の検出感度異方性を補っている。
【００３６】ライン照明部３８で照明された被検体Ｓの
像はコリメータレンズ３２などを通って撮像素子３４上
に結像され撮像される。微弱な散乱光の減衰を防ぐ必要
があれば、ハーフミラー３１を平行移動ステージ（図示
しない）により紙面と垂直な方向へ移動し、観察光路か
ら外すようにする。
像はコリメータレンズ３２などを通って撮像素子３４上
に結像され撮像される。微弱な散乱光の減衰を防ぐ必要
があれば、ハーフミラー３１を平行移動ステージ（図示
しない）により紙面と垂直な方向へ移動し、観察光路か
ら外すようにする。
【００３７】また、検査画像入力装置２の回折光学系に
おいては、図３に示すように、回折光生成部４０から出
射した光束をコリメータレンズ３２に入射して被検体Ｓ
に垂直に入射させている。被検体Ｓの反射光はコレメー
タレンズ３２，ハーフミラー３１を通過して撮像素子３
４上に投影される。
おいては、図３に示すように、回折光生成部４０から出
射した光束をコリメータレンズ３２に入射して被検体Ｓ
に垂直に入射させている。被検体Ｓの反射光はコレメー
タレンズ３２，ハーフミラー３１を通過して撮像素子３
４上に投影される。
【００３８】以上の３種類の照明系は欠陥の検査内容に
応じて使い分ける。膜厚ムラに起因する欠陥検査を実施
する場合は干渉光学系を使用し、被検体Ｓの回折パター
ンの歪み，シミ等の検査を実施する場合は回折光学系を
使用する。また、被検体Ｓのキズ，ゴミを検査する場合
には斜照明光学系を使用する。
応じて使い分ける。膜厚ムラに起因する欠陥検査を実施
する場合は干渉光学系を使用し、被検体Ｓの回折パター
ンの歪み，シミ等の検査を実施する場合は回折光学系を
使用する。また、被検体Ｓのキズ，ゴミを検査する場合
には斜照明光学系を使用する。
【００３９】一方、画像処理装置３は、ホストコンピュ
ータ１の制御により撮像素子３４から検査画像を取込
む。撮像素子３４は画像処理装置３から読込みタイミン
グ信号を受けると、その撮像面上に投影されている被検
体Ｓの検査画像を光電変換して取込み画像処理装置３へ
入力する。画像処理装置３では検査画像の画像処理を行
って膜厚むらや塵埃等の欠陥を抽出する。次に、検査画
像に対して抽出した欠陥部のみ強調処理し、さらにその
画像を２値化処理する。次に、２値化処理によって抽出
された各欠陥部に対してラベリング処理を実行し各欠陥
部に対してラベル付けする。ラベル付けされた個々の欠
陥部に関して、その面積，周囲長，フェレ径，円形度，
重心アドレスを求める。これら各データがホストコンピ
ュータ１へ送られる。なお、モニタ１２には必要に応じ
て検査画像と処理画像が表示され、画像記憶装置１１に
は検査画像や処理画像が保存される。
ータ１の制御により撮像素子３４から検査画像を取込
む。撮像素子３４は画像処理装置３から読込みタイミン
グ信号を受けると、その撮像面上に投影されている被検
体Ｓの検査画像を光電変換して取込み画像処理装置３へ
入力する。画像処理装置３では検査画像の画像処理を行
って膜厚むらや塵埃等の欠陥を抽出する。次に、検査画
像に対して抽出した欠陥部のみ強調処理し、さらにその
画像を２値化処理する。次に、２値化処理によって抽出
された各欠陥部に対してラベリング処理を実行し各欠陥
部に対してラベル付けする。ラベル付けされた個々の欠
陥部に関して、その面積，周囲長，フェレ径，円形度，
重心アドレスを求める。これら各データがホストコンピ
ュータ１へ送られる。なお、モニタ１２には必要に応じ
て検査画像と処理画像が表示され、画像記憶装置１１に
は検査画像や処理画像が保存される。
【００４０】ホストコンピュータ１は、画像処理装置３
からラベル付けされた個々の欠陥部の欠陥情報（面積，
周囲長，フェレ径，円形度，重心アドレスなど）を読込
み、さらにメモリ１５から測定条件（光学系の設定内
容，画像処理方式）を読込み、それら読込んだ情報を組
み合わせたデータ構造にしてニューロ処理ユニット５に
入力する。
からラベル付けされた個々の欠陥部の欠陥情報（面積，
周囲長，フェレ径，円形度，重心アドレスなど）を読込
み、さらにメモリ１５から測定条件（光学系の設定内
容，画像処理方式）を読込み、それら読込んだ情報を組
み合わせたデータ構造にしてニューロ処理ユニット５に
入力する。
【００４１】ニューロ処理ユニット５は、図２に示すデ
ータ構造の欠陥情報が入力すると、入力データの全ての
入力条件から特定の欠陥名称を割り出し、その欠陥名称
を表す出力パターンを発生する。例えば、欠陥Ａを割り
出したときには、出力層における欠陥Ａのニューロンの
みを発火させる。ニューロ処理ユニット５で判定された
欠陥名称はホストコンピュータ１に入力される。
ータ構造の欠陥情報が入力すると、入力データの全ての
入力条件から特定の欠陥名称を割り出し、その欠陥名称
を表す出力パターンを発生する。例えば、欠陥Ａを割り
出したときには、出力層における欠陥Ａのニューロンの
みを発火させる。ニューロ処理ユニット５で判定された
欠陥名称はホストコンピュータ１に入力される。
【００４２】ホストコンピュータ１は、ニューロ処理ユ
ニット５から判定した欠陥名称が入力されると、その欠
陥名称をモニタ１３上に表示すると共に、プロセス管理
コンピュータ６へ送出する。また、ホストコンピュータ
１は欠陥名称を蓄積しておくと共に、その欠陥データを
被検体別及び製造プロセス毎に仕分けし、統計的な処理
により欠陥の発生トレンドを解析する。この解析した発
生トレンドをグラフ化しそのグラフに設けた閾値を越え
たならばアラームを出力して欠陥発生を予告する。
ニット５から判定した欠陥名称が入力されると、その欠
陥名称をモニタ１３上に表示すると共に、プロセス管理
コンピュータ６へ送出する。また、ホストコンピュータ
１は欠陥名称を蓄積しておくと共に、その欠陥データを
被検体別及び製造プロセス毎に仕分けし、統計的な処理
により欠陥の発生トレンドを解析する。この解析した発
生トレンドをグラフ化しそのグラフに設けた閾値を越え
たならばアラームを出力して欠陥発生を予告する。
【００４３】なお、新たな欠陥が発見された場合には、
その欠陥に関する欠陥情報を分析してその新しい欠陥に
関する欠陥情報を作成し、その欠陥情報にてニューロ処
理ユニット５に学習させる。
その欠陥に関する欠陥情報を分析してその新しい欠陥に
関する欠陥情報を作成し、その欠陥情報にてニューロ処
理ユニット５に学習させる。
【００４４】プロセス管理コンピュータ６では、ホスト
コンピュータ１から欠陥名称が入力されると、その欠陥
名称に基いて欠陥の発生した工程を特定する。そして、
欠陥発生工程を停止させると共に、プロセス工程に制御
を掛けて欠陥と判定された被検体を再処理工程へ戻す。
コンピュータ１から欠陥名称が入力されると、その欠陥
名称に基いて欠陥の発生した工程を特定する。そして、
欠陥発生工程を停止させると共に、プロセス工程に制御
を掛けて欠陥と判定された被検体を再処理工程へ戻す。
【００４５】この様に本実施例よれば、被検体表面の欠
陥から得られる情報，欠陥検出光学系の種類及び欠陥検
出の画像処理方式等からなる欠陥情報と、そのような欠
陥情報となる欠陥名称を表わした教師信号とで学習させ
たニューロ処理ユニット５を備えたので、欠陥部の欠陥
情報から欠陥の種別を自動的に判定することができ、欠
陥の発生した製造プロセスへの迅速なフィードバックが
可能となる。その結果、発生する欠陥を最小限に押さえ
ることができる。しかも、熟練した作業者であっても判
断が困難な多数の測定結果及び測定条件を設定すること
ができるので、再現性の高い欠陥種別判定結果を得るこ
とができる。また、ニューロ処理ユニット５に人間でし
か識別できない疑似欠陥を学習させたので、疑似欠陥の
自動判定が可能となった。
陥から得られる情報，欠陥検出光学系の種類及び欠陥検
出の画像処理方式等からなる欠陥情報と、そのような欠
陥情報となる欠陥名称を表わした教師信号とで学習させ
たニューロ処理ユニット５を備えたので、欠陥部の欠陥
情報から欠陥の種別を自動的に判定することができ、欠
陥の発生した製造プロセスへの迅速なフィードバックが
可能となる。その結果、発生する欠陥を最小限に押さえ
ることができる。しかも、熟練した作業者であっても判
断が困難な多数の測定結果及び測定条件を設定すること
ができるので、再現性の高い欠陥種別判定結果を得るこ
とができる。また、ニューロ処理ユニット５に人間でし
か識別できない疑似欠陥を学習させたので、疑似欠陥の
自動判定が可能となった。
【００４６】本実施例よれば、ニューロ処理ユニット５
で判定した欠陥種別情報を順次蓄積し、欠陥種別に応じ
て求まる欠陥発生場所や各工程毎の欠陥発生頻度を時系
列的に統計的に処理することにより欠陥発生の事前予測
が可能となった。
で判定した欠陥種別情報を順次蓄積し、欠陥種別に応じ
て求まる欠陥発生場所や各工程毎の欠陥発生頻度を時系
列的に統計的に処理することにより欠陥発生の事前予測
が可能となった。
【００４７】なお、上記実施例では、プロセス管理コン
ピュータ６で欠陥発生の事前予測を実行しているが、ホ
ストコンピュータ１で同様の処理を行うようにしてもよ
い。この場合、ニューロ処理ユニット５で判定した欠陥
種別情報をメモリ１５に逐次格納しホストコンピュータ
１が必要に応じて読み出すようにする。本発明は上記実
施例に限定されるものではなく、本発明の要旨を逸脱し
ない範囲内で種々変形実施可能である。
ピュータ６で欠陥発生の事前予測を実行しているが、ホ
ストコンピュータ１で同様の処理を行うようにしてもよ
い。この場合、ニューロ処理ユニット５で判定した欠陥
種別情報をメモリ１５に逐次格納しホストコンピュータ
１が必要に応じて読み出すようにする。本発明は上記実
施例に限定されるものではなく、本発明の要旨を逸脱し
ない範囲内で種々変形実施可能である。
【００４８】
【発明の効果】以上詳記したように本発明によれば、熟
練した作業者の経験に頼ることなく、欠陥発生プロセス
や欠陥発生原因に密接に関連した欠陥の種別を自動的に
判定することができ、欠陥検査結果を製造プロセスに迅
速かつ正確にフィードバック可能な欠陥種別判定装置及
びプロセス管理システムを提供できる。
練した作業者の経験に頼ることなく、欠陥発生プロセス
や欠陥発生原因に密接に関連した欠陥の種別を自動的に
判定することができ、欠陥検査結果を製造プロセスに迅
速かつ正確にフィードバック可能な欠陥種別判定装置及
びプロセス管理システムを提供できる。
【図１】本発明の一実施例の機能ブロック図である。
【図２】ニューロ処理ユニットの構成図である。
【図３】検査画像入力装置の構成図である。
【図４】ニューロ処理ユニットにおける信号の伝達状態
を示す図である。
を示す図である。
【図５】ニューロ処理ユニットにおける学習動作を示す
図である。
図である。
１…ホストコンピュータ、２…検査画像入力装置、３…
画像処理装置、４…シーケンサ、５…ニューロ処理ユニ
ット、６…プロセス管理コンピュータ。
画像処理装置、４…シーケンサ、５…ニューロ処理ユニ
ット、６…プロセス管理コンピュータ。
───────────────────────────────────────────────────── フロントページの続き (51)Int.Cl.6 識別記号 庁内整理番号 ＦＩ 技術表示箇所 Ｈ０１Ｌ 21/02 Ｚ 21/66 Ａ 7514−4Ｍ Ｚ 7514−4Ｍ
Claims (5)
- 【請求項１】 被検体の欠陥検査で発見された個々の欠
陥の種別を判定する欠陥種別判定装置において、 ある入力パターンを任意の出力パターンに変換するニュ
ーロ処理ユニットを備え、それぞれの欠陥種別に対応し
た入力パターンの各欠陥情報に対してそれぞれ任意の欠
陥種別を示す出力パターンが現われるように前記ニュー
ロ処理ユニットを学習させておき、前記欠陥検査で検出
された欠陥の欠陥情報を前記ニューロ処理ユニットへ入
力しその出力パターンにて欠陥種別を決定することを特
徴とする欠陥種別判定装置。 - 【請求項２】 所定の光学系を介して取り込んだ被検体
の検査画像を画像処理することにより前記被検体の欠陥
を抽出すると共に当該欠陥に関する欠陥情報を生成する
表面欠陥検査装置と、 それぞれの欠陥種別に対応した入力パターンの各欠陥情
報に対してそれぞれ任意の欠陥種別を示す出力パターン
が現われるように予め学習され、前記表面欠陥検査装置
から前記欠陥情報が入力するとその欠陥種別を示す出力
パターンを出力するニューロ処理ユニットと、 前記ニューロ処理ユニットで判定された前記被検体の欠
陥種別情報に基づいて前記被検体の製造プロセスを制御
するプロセス管理ユニットとを具備したことを特徴とす
るプロセス管理システム。 - 【請求項３】 前記ニューロ処理ユニットは、欠陥の面
積，欠陥の形状，欠陥の位置，欠陥の明るさ，被検体像
を取り込む光学系の種類及び被検体の種類の中から選択
された情報を有するデータ構造の欠陥情報が入力される
ことを特徴とする請求項１に記載の欠陥種別判定装置。 - 【請求項４】 前記ニューロ処理ユニットは、欠陥では
ないが検査画像の画像処理で欠陥として抽出される疑似
欠陥が学習されていることを特徴とする請求項１に記載
の欠陥種別判定装置。 - 【請求項５】 前記ニューロ処理ユニットで判定された
前記欠陥種別情報を蓄積しかつ統計的に処理して欠陥発
生の事前予測を行うことを特徴とする請求項１に記載の
欠陥種別判定装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP15742494A JP3476913B2 (ja) | 1994-07-08 | 1994-07-08 | 欠陥種別判定装置及びプロセス管理システム |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP15742494A JP3476913B2 (ja) | 1994-07-08 | 1994-07-08 | 欠陥種別判定装置及びプロセス管理システム |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPH0821803A true JPH0821803A (ja) | 1996-01-23 |
| JP3476913B2 JP3476913B2 (ja) | 2003-12-10 |
Family
ID=15649339
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP15742494A Expired - Fee Related JP3476913B2 (ja) | 1994-07-08 | 1994-07-08 | 欠陥種別判定装置及びプロセス管理システム |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP3476913B2 (ja) |
Cited By (30)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2001343336A (ja) * | 2000-05-31 | 2001-12-14 | Nidek Co Ltd | 欠陥検査方法及び欠陥検査装置 |
| WO2002071135A1 (fr) * | 2001-03-05 | 2002-09-12 | Ishikawajima-Harima Heavy Industries Co., Ltd. | Dispositif d'inspection de substrat de commande a cristaux liquides |
| WO2004090521A1 (en) * | 2003-04-09 | 2004-10-21 | Crc For Intelligent Manufacturing Systems & Technologies Ltd | Method of classifying defects |
| JP2004354251A (ja) * | 2003-05-29 | 2004-12-16 | Nidek Co Ltd | 欠陥検査装置 |
| US6870169B2 (en) | 2002-12-11 | 2005-03-22 | Hitachi, Ltd. | Method and apparatus for analyzing composition of defects |
| US6968079B2 (en) | 2000-06-28 | 2005-11-22 | Hitachi, Ltd. | Investigation device and investigation method |
| US7062081B2 (en) * | 2000-02-15 | 2006-06-13 | Hitachi, Ltd. | Method and system for analyzing circuit pattern defects |
| WO2007001045A1 (ja) * | 2005-06-29 | 2007-01-04 | Nikon Corporation | 露光装置、基板処理方法、及びデバイス製造方法 |
| JP2007311734A (ja) * | 2005-06-29 | 2007-11-29 | Nikon Corp | 露光装置、基板処理方法、及びデバイス製造方法 |
| JP2008032600A (ja) * | 2006-07-31 | 2008-02-14 | Hitachi High-Technologies Corp | 外観検査装置 |
| JP2009246286A (ja) * | 2008-03-31 | 2009-10-22 | Toray Eng Co Ltd | 被検査物の外観検査方法およびそれを備えた装置 |
| US7634131B2 (en) | 2003-06-06 | 2009-12-15 | Omron Corporation | Image recognition apparatus and image recognition method, and teaching apparatus and teaching method of the image recognition apparatus |
| US7689029B2 (en) | 2004-09-29 | 2010-03-30 | Dainippon Screen Mfg. Co., Ltd. | Apparatus and method for inspecting pattern |
| US7773801B2 (en) | 2004-03-31 | 2010-08-10 | Olympus Corporation | Learning-type classifying apparatus and learning-type classifying method |
| US8625906B2 (en) | 2008-12-29 | 2014-01-07 | Hitachi High-Technologies Corporation | Image classification standard update method, program, and image classification device |
| KR20140097484A (ko) | 2011-12-28 | 2014-08-06 | 가부시키가이샤 히다치 하이테크놀로지즈 | Ｇｕｉ, 분류 장치, 분류 방법 및 기록 매체 |
| JP2014164998A (ja) * | 2013-02-25 | 2014-09-08 | Kaneka Corp | 有機ｅｌ装置の検査装置、有機ｅｌ装置の検査方法及び有機ｅｌ装置の製造方法 |
| US9401015B2 (en) | 2011-04-20 | 2016-07-26 | Hitachi High-Technologies Corporation | Defect classification method, and defect classification system |
| US9811897B2 (en) | 2013-01-30 | 2017-11-07 | Hitachi High-Technologies Corporation | Defect observation method and defect observation device |
| 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 |
| JP2019023587A (ja) * | 2017-07-24 | 2019-02-14 | 住友化学株式会社 | 欠陥検査システム及び欠陥検査方法 |
| JP2019023588A (ja) * | 2017-07-24 | 2019-02-14 | 住友化学株式会社 | 欠陥検査システム及び欠陥検査方法 |
| JP2019023589A (ja) * | 2017-07-24 | 2019-02-14 | 住友化学株式会社 | 欠陥検査システム及び欠陥検査方法 |
| KR20190048203A (ko) * | 2017-10-30 | 2019-05-09 | 삼성전자주식회사 | 분류 장치 및 분류 장치의 동작 방법 |
| CN109844918A (zh) * | 2016-10-14 | 2019-06-04 | 科磊股份有限公司 | 用于经配置用于半导体应用的深度学习模型的诊断系统及方法 |
| KR20190081710A (ko) * | 2017-12-29 | 2019-07-09 | 주식회사 비스텔 | 웨이퍼 맵을 불량 패턴에 따라 분류하는 방법 및 컴퓨터 프로그램 |
| JP2019522897A (ja) * | 2016-05-25 | 2019-08-15 | ケーエルエー−テンカー コーポレイション | 半導体用途のための、入力画像からのシミュレーション画像の生成 |
| JP2019164156A (ja) * | 2018-02-14 | 2019-09-26 | 株式会社イシダ | 検査装置 |
| KR102633690B1 (ko) * | 2023-07-28 | 2024-02-05 | (주)에스제이테크 | 부품 불량 검출시 휴먼 에러 발생 방지 장치 |
| WO2024029552A1 (ja) * | 2022-08-03 | 2024-02-08 | 株式会社Joled | 検査方法、検査装置及びプログラム |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP4631809B2 (ja) * | 2006-06-09 | 2011-02-16 | 富士ゼロックス株式会社 | 欠陥分類システム、画像形成装置および欠陥分類プログラム |
-
1994
- 1994-07-08 JP JP15742494A patent/JP3476913B2/ja not_active Expired - Fee Related
Cited By (39)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7352890B2 (en) | 2000-02-15 | 2008-04-01 | Hitachi, Ltd. | Method for analyzing circuit pattern defects and a system thereof |
| US7062081B2 (en) * | 2000-02-15 | 2006-06-13 | Hitachi, Ltd. | Method and system for analyzing circuit pattern defects |
| JP2001343336A (ja) * | 2000-05-31 | 2001-12-14 | Nidek Co Ltd | 欠陥検査方法及び欠陥検査装置 |
| US6968079B2 (en) | 2000-06-28 | 2005-11-22 | Hitachi, Ltd. | Investigation device and investigation method |
| US7212024B2 (en) | 2001-03-05 | 2007-05-01 | Ishikawajima-Harima Heavy Industries Co., Ltd. | Inspection apparatus for liquid crystal drive substrates |
| WO2002071135A1 (fr) * | 2001-03-05 | 2002-09-12 | Ishikawajima-Harima Heavy Industries Co., Ltd. | Dispositif d'inspection de substrat de commande a cristaux liquides |
| CN1313865C (zh) * | 2001-03-05 | 2007-05-02 | 石川岛播磨重工业株式会社 | 液晶驱动基板的检查方法和装置 |
| US6870169B2 (en) | 2002-12-11 | 2005-03-22 | Hitachi, Ltd. | Method and apparatus for analyzing composition of defects |
| WO2004090521A1 (en) * | 2003-04-09 | 2004-10-21 | Crc For Intelligent Manufacturing Systems & Technologies Ltd | Method of classifying defects |
| JP2004354251A (ja) * | 2003-05-29 | 2004-12-16 | Nidek Co Ltd | 欠陥検査装置 |
| US7634131B2 (en) | 2003-06-06 | 2009-12-15 | Omron Corporation | Image recognition apparatus and image recognition method, and teaching apparatus and teaching method of the image recognition apparatus |
| US7773801B2 (en) | 2004-03-31 | 2010-08-10 | Olympus Corporation | Learning-type classifying apparatus and learning-type classifying method |
| US7689029B2 (en) | 2004-09-29 | 2010-03-30 | Dainippon Screen Mfg. Co., Ltd. | Apparatus and method for inspecting pattern |
| WO2007001045A1 (ja) * | 2005-06-29 | 2007-01-04 | Nikon Corporation | 露光装置、基板処理方法、及びデバイス製造方法 |
| JP2007311734A (ja) * | 2005-06-29 | 2007-11-29 | Nikon Corp | 露光装置、基板処理方法、及びデバイス製造方法 |
| JP2008032600A (ja) * | 2006-07-31 | 2008-02-14 | Hitachi High-Technologies Corp | 外観検査装置 |
| JP2009246286A (ja) * | 2008-03-31 | 2009-10-22 | Toray Eng Co Ltd | 被検査物の外観検査方法およびそれを備えた装置 |
| US8625906B2 (en) | 2008-12-29 | 2014-01-07 | Hitachi High-Technologies Corporation | Image classification standard update method, program, and image classification device |
| US9401015B2 (en) | 2011-04-20 | 2016-07-26 | Hitachi High-Technologies Corporation | Defect classification method, and defect classification system |
| KR20140097484A (ko) | 2011-12-28 | 2014-08-06 | 가부시키가이샤 히다치 하이테크놀로지즈 | Ｇｕｉ, 분류 장치, 분류 방법 및 기록 매체 |
| US10203851B2 (en) | 2011-12-28 | 2019-02-12 | Hitachi High-Technologies Corporation | Defect classification apparatus and defect classification method |
| US9811897B2 (en) | 2013-01-30 | 2017-11-07 | Hitachi High-Technologies Corporation | Defect observation method and defect observation device |
| JP2014164998A (ja) * | 2013-02-25 | 2014-09-08 | Kaneka Corp | 有機ｅｌ装置の検査装置、有機ｅｌ装置の検査方法及び有機ｅｌ装置の製造方法 |
| 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 |
| US10650508B2 (en) | 2014-12-03 | 2020-05-12 | Kla-Tencor Corporation | Automatic defect classification without sampling and feature selection |
| JP2019522897A (ja) * | 2016-05-25 | 2019-08-15 | ケーエルエー−テンカー コーポレイション | 半導体用途のための、入力画像からのシミュレーション画像の生成 |
| CN109844918B (zh) * | 2016-10-14 | 2023-06-20 | 科磊股份有限公司 | 用于经配置用于半导体应用的深度学习模型的诊断系统及方法 |
| US11580398B2 (en) | 2016-10-14 | 2023-02-14 | KLA-Tenor Corp. | Diagnostic systems and methods for deep learning models configured for semiconductor applications |
| CN109844918A (zh) * | 2016-10-14 | 2019-06-04 | 科磊股份有限公司 | 用于经配置用于半导体应用的深度学习模型的诊断系统及方法 |
| KR20190072569A (ko) * | 2016-10-14 | 2019-06-25 | 케이엘에이-텐코 코포레이션 | 반도체 애플리케이션을 위해 구성된 심층 학습 모델을 위한 진단 시스템 및 방법 |
| JP2019537839A (ja) * | 2016-10-14 | 2019-12-26 | ケーエルエー コーポレイション | 半導体用途向けに構成された深層学習モデルのための診断システムおよび方法 |
| JP2019023587A (ja) * | 2017-07-24 | 2019-02-14 | 住友化学株式会社 | 欠陥検査システム及び欠陥検査方法 |
| JP2019023589A (ja) * | 2017-07-24 | 2019-02-14 | 住友化学株式会社 | 欠陥検査システム及び欠陥検査方法 |
| JP2019023588A (ja) * | 2017-07-24 | 2019-02-14 | 住友化学株式会社 | 欠陥検査システム及び欠陥検査方法 |
| KR20190048203A (ko) * | 2017-10-30 | 2019-05-09 | 삼성전자주식회사 | 분류 장치 및 분류 장치의 동작 방법 |
| KR20190081710A (ko) * | 2017-12-29 | 2019-07-09 | 주식회사 비스텔 | 웨이퍼 맵을 불량 패턴에 따라 분류하는 방법 및 컴퓨터 프로그램 |
| JP2019164156A (ja) * | 2018-02-14 | 2019-09-26 | 株式会社イシダ | 検査装置 |
| WO2024029552A1 (ja) * | 2022-08-03 | 2024-02-08 | 株式会社Joled | 検査方法、検査装置及びプログラム |
| KR102633690B1 (ko) * | 2023-07-28 | 2024-02-05 | (주)에스제이테크 | 부품 불량 검출시 휴먼 에러 발생 방지 장치 |
Also Published As
| Publication number | Publication date |
|---|---|
| JP3476913B2 (ja) | 2003-12-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP3476913B2 (ja) | 欠陥種別判定装置及びプロセス管理システム | |
| US6614520B1 (en) | Method for inspecting a reticle | |
| US5859698A (en) | Method and apparatus for macro defect detection using scattered light | |
| EP0374694B1 (en) | Defect detection system and method for pattern to be inspected | |
| JP3668294B2 (ja) | 表面欠陥検査装置 | |
| EP0930498A2 (en) | Inspection apparatus and method for detecting defects | |
| US5640237A (en) | Method and apparatus for detecting non-uniformities in reflective surafaces | |
| JP3275425B2 (ja) | 欠陥検出装置およびその方法 | |
| JP2006003364A (ja) | ウエハ検査方法及びシステム | |
| US20060158643A1 (en) | Method and system of inspecting mura-defect and method of fabricating photomask | |
| WO1997013140A9 (en) | Technique for determining defect positions in three dimensions in a transparent structure | |
| EP1174707A1 (en) | Defect inspection method and defect inspection apparatus | |
| JP3938227B2 (ja) | 異物検査方法および装置 | |
| TWI778258B (zh) | 缺陷偵測之方法、系統及非暫時性電腦可讀媒體 | |
| JP2004093252A (ja) | 欠陥検査装置および欠陥検査方法 | |
| US6646735B2 (en) | Surface inspection apparatus and surface inspection method | |
| JPH06294749A (ja) | 板ガラスの欠点検査方法 | |
| JP3599631B2 (ja) | 欠陥検査方法及び欠陥検査装置 | |
| JP2001209798A (ja) | 外観検査方法及び検査装置 | |
| JP4529365B2 (ja) | 基板検査システムおよび基板検査方法 | |
| JP3415943B2 (ja) | 欠陥種別判定装置及びプロセス管理システム | |
| JP2001124538A (ja) | 物体表面の欠陥検査方法および欠陥検査装置 | |
| JPH09252035A (ja) | 半導体ウェーハの外観検査方法および装置 | |
| JP2647051B2 (ja) | 外観検査装置 | |
| JP3025946B2 (ja) | 物体表面の粗さ測定方法及び装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20030902 |
|
| LAPS | Cancellation because of no payment of annual fees |