KR102055877B1 - 반복 패턴 영상의 결함 위치 파악 장치 및 방법 - Google Patents

반복 패턴 영상의 결함 위치 파악 장치 및 방법 Download PDF

Info

Publication number
KR102055877B1
KR102055877B1 KR1020180051811A KR20180051811A KR102055877B1 KR 102055877 B1 KR102055877 B1 KR 102055877B1 KR 1020180051811 A KR1020180051811 A KR 1020180051811A KR 20180051811 A KR20180051811 A KR 20180051811A KR 102055877 B1 KR102055877 B1 KR 102055877B1
Authority
KR
South Korea
Prior art keywords
defect
image
semiconductor circuit
module
machine learning
Prior art date
Application number
KR1020180051811A
Other languages
English (en)
Other versions
KR20190127320A (ko
Inventor
이성근
장현희
Original Assignee
(주) 브릭
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by (주) 브릭 filed Critical (주) 브릭
Priority to KR1020180051811A priority Critical patent/KR102055877B1/ko
Publication of KR20190127320A publication Critical patent/KR20190127320A/ko
Application granted granted Critical
Publication of KR102055877B1 publication Critical patent/KR102055877B1/ko

Links

Images

Classifications

    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
    • H01L22/30—Structural arrangements specially adapted for testing or measuring during manufacture or treatment, or specially adapted for reliability measurements
    • 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
    • G01N21/956—Inspecting patterns on the surface of objects
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
    • H01L22/20—Sequence of activities consisting of a plurality of measurements, corrections, marking or sorting steps
    • H01L22/24—Optical enhancement of defects or not directly visible states, e.g. selective electrolytic deposition, bubbles in liquids, light emission, colour change
    • 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
    • G01N2021/8887—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 based on image processing techniques

Abstract

반복 패턴 영상의 결함 유형 파악 장치 및 방법이 개시된다. 테스트하고자 하는 반도체 회로 이미지를 입력 받는 이미지 입력 모듈; 상기 이미지 입력 모듈에서 입력 받은 반도체 회로 이미지를 소정의 기준에 따라 특징을 추출하는 적어도 하나 이상의 특징 추출 필터; 상기 적어도 하나 이상의 특징 추출 필터에서 추출된 특징을 이용하여 상기 반도체 회로 이미지 상의 결함의 존재 여부를 검출하며, 상기 입력 받은 테스트하고자 하는 반도체 회로 이미지를 해당 레퍼런스 이미지와 대비하여 결함의 존재 여부를 검출하는 결함 검출 모듈; 상기 레퍼런스 이미지의 크기를 줄여가면서 상기 반도체 회로 이미지의 해당 영역과 대비하여 결함의 위치를 파악하는 결함 위치 파악 모듈; 반도체 회로 이미지의 테스트를 통해 기 생성된 결함 기계 학습 모델을 적용하여 상기 결함 검출 모듈에서 검출된 결함의 결함 유형을 판단하여 분류하는 결함 기계 학습 모델 적용 모듈; 상기 결함 기계 학습 모델 적용 모듈에서 분류된 결함 유형에 따라 결함을 예측하여 출력하는 결함 예측 모듈을 구성한다. 상술한 구성에 의하면, 웨이퍼 상의 반도체 회로의 픽셀이나 라인 등을 정확하게 지정하여 하나의 레퍼런스 이미지를 생성하고 이를 실제 반도체 테스트 이미지와 템플릿 매칭을 수행하도록 구성됨으로써, 미세한 결함을 정확하게 파악하고 그 유형을 분류해 낼 수 있는 효과가 있다.

Description

반복 패턴 영상의 결함 위치 파악 장치 및 방법{APPARATUS AND METHOD OF FIGURING OUT THE LOCATION OF DEFECT OF REPETITION PATTERN IMAGE}
본 발명은 반도체 공정 상의 결함 위치 파악 장치 및 방법에 관한 것으로서, 구체적으로는 반복 패턴 영상의 결함 유형 파악 장치 및 방법에 관한 것이다.
종래에는 반도체 웨이퍼의 회로의 이물질이나 결함(defect)를 테스트하기 위해 다양한 수단을 강구하고 있다.
그 중 템플릿 매칭을 이용한 결함 검출 방식이 많이 이용되고 있다.
하지만, 내부적으로는 매우 복잡하고 미세하면 반복적인 패턴을 갖는 반도체 회로의 특성상 미세한 결함을 정확하게 검출해 내기는 쉽지 않다. 특히, 결함의 모양이나 종류 등이 다양하여 결함의 특징을 정확하게 파악하여 분류해 내기란 쉽지 않다.
이에, 반도체 회로 웨이퍼의 결함을 정확하게 검출하는 것은 물론 그 유형을 제대로 분류해 낼 필요가 있다.
10-1172405 10-2018-0030228
본 발명의 목적은 반복 패턴 영상을 이용한 결함 유형 파악 장치를 제공하는 데 있다.
본 발명의 다른 목적은 반복 패턴 영상을 이용한 결함 유형 파악 방법을 제공하는 데 있다.
상술한 본 발명의 목적에 따른 반복 패턴 영상의 결함 유형 파악 장치는, 테스트하고자 하는 반도체 회로 이미지를 입력 받는 이미지 입력 모듈; 상기 이미지 입력 모듈에서 입력 받은 반도체 회로 이미지를 소정의 기준에 따라 특징을 추출하는 적어도 하나 이상의 특징 추출 필터; 상기 적어도 하나 이상의 특징 추출 필터에서 추출된 특징을 이용하여 상기 반도체 회로 이미지 상의 결함의 존재 여부를 검출하며, 상기 입력 받은 테스트하고자 하는 반도체 회로 이미지를 해당 레퍼런스 이미지(reference image)와 대비하여 결함의 존재 여부를 검출하는 결함 검출 모듈; 상기 레퍼런스 이미지의 크기를 줄여가면서 상기 반도체 회로 이미지의 해당 영역과 대비하여 결함의 위치를 파악하는 결함 위치 파악 모듈; 반도체 회로 이미지의 테스트를 통해 기 생성된 결함 기계 학습 모델을 적용하여 상기 결함 검출 모듈에서 검출된 결함의 결함 유형을 판단하여 분류하는 결함 기계 학습 모델 적용 모듈; 상기 결함 기계 학습 모델 적용 모듈에서 분류된 결함 유형에 따라 결함을 예측하여 출력하는 결함 예측 모듈을 포함하도록 구성될 수 있다.
여기서, 상기 특징 추출 필터는, 소정의 미리 정해진 색상, 조도 및 모양을 추출하도록 구성될 수 있다.
그리고 상기 레퍼런스 이미지는, 상기 테스트하고자 하는 반도체 회로 이미지의 픽셀(pixel) 및 라인(line)으로 구성될 수 있다.
그리고 상기 결함 기계 학습 모델 적용 모듈은, CNN(convolutional neural network) 기계 학습 알고리즘에 의해 미리 형성된 결함 기계 학습 모델을 적용하도록 구성될 수 있다.
상술한 본 발명의 다른 목적에 따른 반복 패턴 영상의 결함 유형 파악 방법은, 이미지 입력 모듈이 테스트하고자 하는 반도체 회로 이미지를 입력 받는 단계; 적어도 하나 이상의 특징 추출 필터가 상기 이미지 입력 모듈에서 입력 받은 반도체 회로 이미지를 소정의 기준에 따라 특징을 추출하는 단계; 결함 검출 모듈이 상기 적어도 하나 이상의 특징 추출 필터에서 추출된 특징을 이용하여 상기 반도체 회로 이미지 상의 결함의 존재 여부를 검출하되, 상기 입력 받은 테스트하고자 하는 반도체 회로 이미지를 해당 레퍼런스 이미지(reference image)와 대비하여 결함의 존재 여부를 검출하는 단계; 결함 위치 파악 모듈이 상기 레퍼런스 이미지의 크기를 줄여가면서 상기 반도체 회로 이미지의 해당 영역과 대비하여 결함의 위치를 파악하는 단계; 결함 기계 학습 모델 적용 모듈이 반도체 회로 이미지의 테스트를 통해 기 생성된 결함 기계 학습 모델을 적용하여 상기 결함 영역 검출 모듈에서 검출된 결함 영역의 결함 유형을 판단하여 분류하는 단계; 결함 예측 모듈이 상기 결함 기계 학습 모델 적용 모듈에서 분류된 결함 유형에 따라 결함을 예측하여 출력하는 단계를 포함하도록 구성될 수 있다.
여기서, 상기 적어도 하나 이상의 특징 추출 필터가 상기 이미지 입력 모듈에서 입력 받은 반도체 회로 이미지를 소정의 기준에 따라 특징을 추출하는 단계는, 소정의 미리 정해진 색상, 조도 및 모양을 추출하도록 구성될 수 있다.
그리고 상기 레퍼런스 이미지는, 상기 테스트하고자 하는 반도체 회로 이미지의 픽셀(pixel) 및 라인(line)으로 구성될 수 있다.
그리고 상기 결함 기계 학습 모델 적용 모듈이 반도체 회로 이미지의 테스트를 통해 기 생성된 결함 기계 학습 모델을 적용하여 상기 결함 영역 검출 모듈에서 검출된 결함 영역 결함 유형을 판단하여 분류하는 단계는, CNN(convolutional neural network) 기계 학습 알고리즘에 의해 미리 형성된 결함 기계 학습 모델을 적용하도록 구성될 수 있다.
상술한 반복 패턴 영상의 결함 유형 파악 장치 및 방법에 의하면, 웨이퍼 상의 반도체 회로의 픽셀이나 라인 등을 정확하게 지정하여 하나의 레퍼런스 이미지를 생성하고 이를 실제 반도체 테스트 이미지와 템플릿 매칭을 수행하도록 구성됨으로써, 미세한 결함을 정확하게 파악하고 그 유형을 분류해 낼 수 있는 효과가 있다.
도 1은 본 발명의 일 실시예에 따른 반복 패턴 영상의 결함 유형 파악 장치의 블록 구성도이다.
도 2는 본 발명의 일 실시예에 따른 반복 패턴 영상의 레퍼런스 이미지의 예시도이다.
도 3은 본 발명의 일 실시예에 따른 결함을 포함하는 반복 패턴 영상의 예시도이다.
도 4는 본 발명의 일 실시예에 따른 반복 패턴 영상의 분할 매칭의 모식도이다.
도 5는 본 발명의 일 실시예에 따른 반복 패턴 영상의 분할 매칭에 의한 결함 위치 파악의 모식도이다.
도 6은 본 발명의 일 실시예에 따른 반복 패턴 영상의 결함 유형 파악 방법의 흐름도이다.
본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시 예들을 도면에 예시하고 발명을 실시하기 위한 구체적인 내용에 상세하게 설명하고자 한다. 그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 각 도면을 설명하면서 유사한 참조부호를 유사한 구성요소에 대해 사용하였다.
제1, 제2, A, B 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다. 예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 명명될 수 있다. 및/또는 이라는 용어는 복수의 관련된 기재된 항목들의 조합 또는 복수의 관련된 기재된 항목들 중의 어느 항목을 포함한다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다.
본 출원에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "포함하다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
이하, 본 발명에 따른 바람직한 실시예를 첨부된 도면을 참조하여 상세하게 설명한다.
도 1은 본 발명의 일 실시예에 따른 반복 패턴 영상의 결함 유형 파악 장치의 블록 구성도이다. 그리고 도 2는 본 발명의 일 실시예에 따른 반복 패턴 영상의 레퍼런스 이미지의 예시도이고, 도 3은 본 발명의 일 실시예에 따른 결함을 포함하는 반복 패턴 영상의 예시도이다. 그리고 도 4는 본 발명의 일 실시예에 따른 반복 패턴 영상의 분할 매칭의 모식도이고, 도 5는 본 발명의 일 실시예에 따른 반복 패턴 영상의 분할 매칭에 의한 결함 위치 파악의 모식도이다.
도 1을 참조하면, 본 발명의 일 실시예에 따른 반복 패턴 영상의 결함 유형 파악 장치(100)는 이미지 입력 모듈(110), 특징 추출 필터(120), 특징 추출 필터 선택 모듈(121), 결함 영역 검출 모듈(130), 레퍼런스 이미지 입력 모듈(131), 템플릿 분할 매칭 모듈(140), 결함 위치 파악 모듈(150), 결함 영역 위치 파악 모듈(160), 결함 기계 학습 모델 적용 모듈(170), 결함 예측 모듈(180), 제어 모듈(190)을 포함하도록 구성될 수 있다.
이하, 세부적인 구성에 대하여 설명한다.
이미지 입력 모듈(110)은 테스트하고자 하는 반도체 회로 이미지를 입력 받도록 구성될 수 있다.
특징 추출 필터(120)는 이미지 입력 모듈(110)에서 입력 받은 반도체 회로 이미지를 소정의 기준에 따라 특징을 추출하도록 구성될 수 있다.
특징 추출 필터(120)는 추출하고자 하는 특징에 따라 적어도 하나 이상 구비될 수 있다.
여기서, 특징 추출 필터(120)는 소정의 미리 정해진 색상, 조도 및 모양을 추출하도록 구성될 수 있다.
예를 들어, 특징 추출 기능은 파란색의 선로만 추출하도록 하던가 또는 노란색의 픽셀만 추출하도록 하는 등이 있을 수 있다.
또한, 특정 조도 영역의 이미지만 추출하여 특정 조도 영역의 특징을 보다 잘 파악할 수 있도록 구성될 수도 있다.
결함 검출 모듈(130)은 적어도 하나 이상의 특징 추출 필터(120)에서 추출된 특징을 이용하여 반도체 회로 이미지 상의 결함을 검출하도록 구성될 수 있다. 정확하게는 결함의 존재 여부를 검출하여 파악하도록 구성될 수 있다.
결함 검출 모듈(130)은 위 특징 추출 필터(120)에 대응하여 적어도 하나 이상 구비될 수 있으며, 해당 특징 추출 필터(120)에서 추출된 특징을 이용하여 해당 결함을 검출하도록 구성될 수 있다.
결함 검출 모듈(130)은 테스트하고자 하는 반도체 회로 이미지를 해당 레퍼런스 이미지(reference image)와 대비하여 결함의 존재 여부를 검출하도록 구성될 수 있다.
웨이퍼(wafer) 상의 반도체 회로 이미지는 도 2와 같이 픽셀(10)과 라인(11)이 반복된 형태의 패턴으로 형성되는 경우가 많기 때문에, 이러한 도 2의 레퍼런스 이미지를 미리 형성하여 이를 이용하도록 구성될 수 있다.
실제 결함이 있는 반도체 회로 이미지는 도 3과 같이 다양한 결함(20)이 있는 것으로 나타날 수 있다.
결함 검출 모듈(130)은 레퍼런스 이미지와 테스트하고자 하는 반도체 회로 이미지에 대해 템플릿(template) 매칭을 수행하여 차별성이 있는 부분을 결함으로 검출할 수 있다. 이때, 결함 유형별로 결함을 보다 잘 추출하기 위해 특징 추출 필터(120)가 이용되는 것이다. 여기서, 결함 유형은 예를 들어, 결함의 모양이 될 수 있으며, 네모 모양, 무정형 모양, 세모 모양 등이 될 수 있다. 또 다른 예로는 결함의 크기가 될 수도 있다. 또 다른 예로는 결함의 색깔로 추출할 수도 있다.
레퍼런스 이미지 입력 모듈(131)은 반도체 회로 이미지에 대응되는 레퍼런스 이미지를 입력 받도록 구성될 수 있다. 레퍼런스 이미지 입력 모듈(131)은 이미지 입력 모듈(110)과 동기화되어 현재 테스트하고자 하는 반도체 회로 이미지의 레퍼런스 이미지를 실시간으로 입력 받도록 구성될 수 있다.
여기서, 레퍼런스 이미지 입력 모듈(131)은 전체 레퍼런스 이미지를 입력한 후, 결함 검출 모듈(130)로부터 결함이 있다는 정보를 피드백받도록 구성될 수 있으며, 피드백을 받으면 제어모듈(190)의 제어 하에 레퍼런스 이미지 입력 모듈(131)이 전체 레퍼런스 이미지의 각 영역을 분할한 분할 레퍼런스 이미지를 입력 받도록 구성될 수 있다.
레퍼런스 이미지는 현재 테스트하고자 하는 반도체 회로 이미지의 픽셀(pixel)과 게이트 라인(gate line) 등의 선로 등으로 구성될 수 있다.
한편, 이러한 특징 추출, 결함 검출, 결함 영역 검출의 일련의 과정은 수없이 많은 반복을 통해 결함 유형이 여러 개로 분류될 수 있다.
템플릿 분할 매칭 모듈(140)은 현재 테스트 중인 반도체 회로 이미지와 그 분할 레퍼런스 이미지에 대해 템플릿 매칭을 수행하도록 구성될 수 있다. 먼저, 전체 영역을 먼저 4분할한 각각의 분할 레퍼런스 이미지를 해당 영역에 대해 템플릿 매칭을 수행하고, 수행 결과 결함이 발견된 영역에 대해 다시 4분할한 분할 레퍼런스 이미지를 다시 템플릿 매칭을 수행하는 방식을 반복 수행하도록 구성될 수 있다. 이러한 경우, 결함 영역에 가장 근접한 분할 레퍼런스 이미지의 매칭을 통해 결함을 보다 정확하게 파악할 수 있다.
도 4는 4분할 방식의 분할 레퍼런스 이미지를 이용하여 템플릿 매칭을 반복 수행해 나가는 방식을 나타내고 있다. 최초에는 ①영역, ②영역, ③영역, ④영역으로 나누어 템플릿 매칭을 수행하고, ②영역에서 결함이 발견되어 있으므로, 다시 ②영역을 4분할하여 ②-1영역, ②-2영역, ②-3영역, ②-4영역으로 나누어 다시 템플릿 매칭을 수행한다. 반복적으로 결함의 크기가 영역의 크기가 유사해질 때까지 템플릿 매칭을 반복 수행해 나갈 수 있다.
결함 위치 파악 모듈(150)은 분할 템플릿 매칭을 반복 수행하여 결함 크기에 거의 근사한 크기의 결함 영역을 찾아낼 수 있으며, 이를 통해 결함 위치를 정확하게 파악할 수 있다. 또한, 분할 템플릿 매칭을 통해 결함 영역의 크기도 가늠할 수 있다. 도 5는 분할 템플릿 매칭에 의해 최종적으로 파악된 결함 영역 이미지를 나타내고 있다.
결함 영역 이미지 추출 모듈(160)은 결함 위치 파악 모듈(150)에 의해 파악된 정밀한 결함 영역에 대해 해당 결함 영역의 크기에 상응하는 결함 영역 이미지를 추출하도록 구성될 수 있다.
이러한 결함 영역 이미지는 결함 기계 학습 모듈(200)과 결함 기계 학습 적용 모듈(170)로 제공될 수 있다.
결함 기계 학습 모듈(200)은 결함 영역 이미지를 수신하여 여러 결함의 유형에 대해 사전에 기계 학습을 반복 수행하도록 구성될 수 있다. 전체 반도체 회로 이미지에서 미세하게 발견되는 결함보다는 결함 영역 이미지에 크기 발견되는 결함을 통해 보다 결함을 상세하게 파악할 수 있고 기계 학습에도 효율적인 장점이 있다.
결함 기계 학습 모델 생성 모듈(300)은 결함 기계 학습 모듈(200)에서 파악된 결함을 통해 결함 유형의 분류가 가능한 결함 기계 학습 모델을 미리 생성하도록 구성될 수 있다.
결함 기계 학습 모델 생성 모듈(300)은 CNN(convolutional neural network) 기계 학습 알고리즘을 적용하여 결함 기계 학습 모델을 생성하도록 구성될 수 있다.
이러한 방식으로 사전에 생성된 결함 기계 학습 모델은 결함 기계 학습 모델 적용 모듈(170)에 제공되며, 결함 기계 학습 모델 적용 모듈(170)은 이를 이용하여 결함 영역 검출 모듈(130)에서 검출된 결함 영역의 결함 유형을 판단하고 분류하도록 구성될 수 있다.
결함 기계 학습 모델 적용 모듈(170)은 CNN(convolutional neural network) 기계 학습 알고리즘에 의해 미리 형성된 결함 기계 학습 모델을 적용하도록 구성될 수 있다.
결함 예측 모듈(180)은 결함 기계 학습 모델 적용 모듈(170)에서 분류된 결함 유형에 따라 결함을 예측하여 출력하도록 구성될 수 있다.
제어 모듈(190)은 이미지 입력 모듈(110)에 입력되는 테스트하고자 하는 이미지와 이에 대응되는 레퍼런스 이미지 입력 모듈(131)로 입력되는 레퍼런스 이미지를 상호 동기화시키도록 구성될 수 있다. 이에, 반도체 회로 이미지가 변경 입력되면 레퍼런스 이미지도 이에 대응하여 변경 입력되도록 제어하는 것으로 구성될 수 있다.
한편, 제어 모듈(190)은 특징 추출 필터 선택 모듈(121)을 제어하여 다양한 특징 추출 필터(120) 중에서 필요한 특징 추출 필터(120)를 선택하여 활성화시키도록 구성될 수 있다. 레퍼런스 이미지나 기계 학습을 통해 학습된 결함 유형에 따라서 필요한 특징 추출 필터(120)가 다를 수 있기 때문에 제어 모듈(190)은 이에 필요한 특징 추출 필터(120)를 선택하여 이용하도록 구성될 수 있다.
도 6은 본 발명의 일 실시예에 따른 반복 패턴 영상의 결함 유형 파악 방법의 흐름도이다.
도 6을 참조하면, 이미지 입력 모듈(110)이 테스트하고자 하는 반도체 회로 이미지를 입력 받는다(S101).
다음으로, 적어도 하나 이상의 특징 추출 필터(120)가 이미지 입력 모듈(110)에서 입력 받은 반도체 회로 이미지를 소정의 기준에 따라 특징을 추출한다(S102).
여기서, 각 특징 추출 필터(120)는 소정의 미리 정해진 색상, 조도 및 모양을 추출하도록 구성될 수 있다.
다음으로, 결함 검출 모듈(130)이 적어도 하나 이상의 특징 추출 필터(120)에서 추출된 특징을 이용하여 반도체 회로 이미지 상의 결함의 존재 여부를 검출하며, 앞서 입력 받은 테스트하고자 하는 반도체 회로 이미지를 해당 레퍼런스 이미지(reference image)와 대비하여 결함의 존재 여부를 검출한다(S103).
여기서, 레퍼런스 이미지는 테스트하고자 하는 반도체 회로 이미지의 픽셀(pixel) 및 라인(line)으로 구성될 수 있다.
다음으로, 결함 위치 파악 모듈(150)이 레퍼런스 이미지의 크기를 줄여가면서 반도체 회로 이미지의 해당 영역과 대비하여 결함의 위치를 파악한다(S104).
다음으로, 결함 기계 학습 모델 적용 모듈(170)이 반도체 회로 이미지의 테스트를 통해 기 생성된 결함 기계 학습 모델을 적용하여 결함 검출 모듈(130)에서 검출된 결함의 결함 유형을 판단하여 분류한다(S105).
여기서, 결함 기계 학습 모델 적용 모듈(170)은 CNN(convolutional neural network) 기계 학습 알고리즘에 의해 미리 형성된 결함 기계 학습 모델을 적용하도록 구성될 수 있다.
다음으로, 결함 예측 모듈(180)이 결함 기계 학습 모델 적용 모듈(170)에서 분류된 결함 유형에 따라 결함을 예측하여 출력한다(S106).
이상 실시예를 참조하여 설명하였지만, 해당 기술 분야의 숙련된 당업자는 하기의 특허청구범위에 기재된 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다.
110: 이미지 입력 모듈
120: 특징 추출 필터
121: 특징 추출 필터 선택 모듈
130: 결함 영역 검출 모듈
131: 레퍼런스 이미지 입력 모듈
170: 결함 기계 학습 모델 적용 모듈
180: 결함 예측 모듈
190: 제어 모듈

Claims (8)

  1. 테스트하고자 하는 반도체 회로 이미지를 입력 받는 이미지 입력 모듈;
    상기 이미지 입력 모듈에서 입력 받은 반도체 회로 이미지를 소정의 기준에 따라 특징을 추출하는 적어도 하나 이상의 특징 추출 필터;
    상기 적어도 하나 이상의 특징 추출 필터에서 추출된 특징을 이용하여 상기 반도체 회로 이미지 상의 결함의 존재 여부를 검출하며, 상기 입력 받은 테스트하고자 하는 반도체 회로 이미지를 해당 레퍼런스 이미지(reference image)와 대비하여 결함의 존재 여부를 검출하는 결함 검출 모듈;
    상기 레퍼런스 이미지의 크기를 줄여가면서 상기 반도체 회로 이미지의 해당 영역과 대비하여 결함의 위치를 파악하는 결함 위치 파악 모듈;
    반도체 회로 이미지의 테스트를 통해 기 생성된 결함 기계 학습 모델을 적용하여 상기 결함 검출 모듈에서 검출된 결함의 결함 유형을 판단하여 분류하는 결함 기계 학습 모델 적용 모듈;
    상기 결함 기계 학습 모델 적용 모듈에서 분류된 결함 유형에 따라 결함을 예측하여 출력하는 결함 예측 모듈을 포함하는 반복 패턴 영상의 결함 유형 파악 장치.
  2. 제1항에 있어서, 상기 특징 추출 필터는,
    소정의 미리 정해진 색상, 조도 및 모양을 추출하도록 구성되는 것을 특징으로 하는 반복 패턴 영상의 결함 유형 파악 장치.
  3. 제2항에 있어서, 상기 레퍼런스 이미지는,
    상기 테스트하고자 하는 반도체 회로 이미지의 픽셀(pixel) 및 라인(line)으로 구성되는 것을 특징으로 하는 반복 패턴 영상의 결함 유형 파악 장치.
  4. 제3항에 있어서, 상기 결함 기계 학습 모델 적용 모듈은,
    CNN(convolutional neural network) 기계 학습 알고리즘에 의해 미리 형성된 결함 기계 학습 모델을 적용하도록 구성되는 것을 특징으로 하는 반복 패턴 영상의 결함 유형 파악 장치.
  5. 이미지 입력 모듈이 테스트하고자 하는 반도체 회로 이미지를 입력 받는 단계;
    적어도 하나 이상의 특징 추출 필터가 상기 이미지 입력 모듈에서 입력 받은 반도체 회로 이미지를 소정의 기준에 따라 특징을 추출하는 단계;
    결함 검출 모듈이 상기 적어도 하나 이상의 특징 추출 필터에서 추출된 특징을 이용하여 상기 반도체 회로 이미지 상의 결함의 존재 여부를 검출하되, 상기 입력 받은 테스트하고자 하는 반도체 회로 이미지를 해당 레퍼런스 이미지(reference image)와 대비하여 결함의 존재 여부를 검출하는 단계;
    결함 위치 파악 모듈이 상기 레퍼런스 이미지의 크기를 줄여가면서 상기 반도체 회로 이미지의 해당 영역과 대비하여 결함의 위치를 파악하는 단계;
    결함 기계 학습 모델 적용 모듈이 반도체 회로 이미지의 테스트를 통해 기 생성된 결함 기계 학습 모델을 적용하여 상기 결함 검출 모듈에서 검출된 결함 영역의 결함 유형을 판단하여 분류하는 단계;
    결함 예측 모듈이 상기 결함 기계 학습 모델 적용 모듈에서 분류된 결함 유형에 따라 결함을 예측하여 출력하는 단계를 포함하는 반복 패턴 영상의 결함 유형 파악 방법.
  6. 제5항에 있어서, 상기 적어도 하나 이상의 특징 추출 필터가 상기 이미지 입력 모듈에서 입력 받은 반도체 회로 이미지를 소정의 기준에 따라 특징을 추출하는 단계는,
    소정의 미리 정해진 색상, 조도 및 모양을 추출하도록 구성되는 것을 특징으로 하는 반복 패턴 영상의 결함 유형 파악 방법.
  7. 제6항에 있어서, 상기 레퍼런스 이미지는,
    상기 테스트하고자 하는 반도체 회로 이미지의 픽셀(pixel) 및 라인(line)으로 구성되는 것을 특징으로 하는 반복 패턴 영상의 결함 유형 파악 방법.
  8. 제7항에 있어서, 상기 결함 기계 학습 모델 적용 모듈이 반도체 회로 이미지의 테스트를 통해 기 생성된 결함 기계 학습 모델을 적용하여 상기 결함 검출 모듈에서 검출된 결함 영역 결함 유형을 판단하여 분류하는 단계는,
    CNN(convolutional neural network) 기계 학습 알고리즘에 의해 미리 형성된 결함 기계 학습 모델을 적용하도록 구성되는 것을 특징으로 하는 반복 패턴 영상의 결함 유형 파악 방법.
KR1020180051811A 2018-05-04 2018-05-04 반복 패턴 영상의 결함 위치 파악 장치 및 방법 KR102055877B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020180051811A KR102055877B1 (ko) 2018-05-04 2018-05-04 반복 패턴 영상의 결함 위치 파악 장치 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020180051811A KR102055877B1 (ko) 2018-05-04 2018-05-04 반복 패턴 영상의 결함 위치 파악 장치 및 방법

Publications (2)

Publication Number Publication Date
KR20190127320A KR20190127320A (ko) 2019-11-13
KR102055877B1 true KR102055877B1 (ko) 2019-12-13

Family

ID=68535203

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020180051811A KR102055877B1 (ko) 2018-05-04 2018-05-04 반복 패턴 영상의 결함 위치 파악 장치 및 방법

Country Status (1)

Country Link
KR (1) KR102055877B1 (ko)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113610155A (zh) * 2021-08-06 2021-11-05 上海众壹云计算科技有限公司 基于相似性比对模型的晶圆缺陷分类方法及装置、电子设备和存储介质
KR102520802B1 (ko) * 2021-08-25 2023-04-12 원광대학교산학협력단 3d 바이오프린터의 모니터링 시스템, 형상 결함 보정용 리페어링 시스템 및 그 방법
CN116258916B (zh) * 2023-05-16 2023-08-15 彼图科技(青岛)有限公司 基于机器学习的啤酒生产线缺陷分类识别系统

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6539106B1 (en) * 1999-01-08 2003-03-25 Applied Materials, Inc. Feature-based defect detection
US8000520B2 (en) 2007-11-28 2011-08-16 Omnivision Technologies, Inc. Apparatus and method for testing image sensor wafers to identify pixel defects
KR20160105082A (ko) * 2015-02-27 2016-09-06 삼성전기주식회사 기판 검사 장치 및 그 검사 방법
CN107851315B (zh) 2015-08-10 2020-03-17 科磊股份有限公司 用于预测晶片级缺陷可印性的设备及方法
WO2017027748A1 (en) * 2015-08-12 2017-02-16 Kla-Tencor Corporation Determining a position of a defect in an electron beam image

Also Published As

Publication number Publication date
KR20190127320A (ko) 2019-11-13

Similar Documents

Publication Publication Date Title
KR20190111644A (ko) 반복 패턴 영상의 결함 유형 분류 장치 및 방법
KR102055877B1 (ko) 반복 패턴 영상의 결함 위치 파악 장치 및 방법
CN100499057C (zh) 晶片检测方法
US7681159B2 (en) System and method for detecting defects in a semiconductor during manufacturing thereof
EP2212909B1 (en) Patterned wafer defect inspection system and method
US9747518B2 (en) Automatic calibration sample selection for die-to-database photomask inspection
CN101930041B (zh) 具主副步骤高压多点测试设备及方法
US6920596B2 (en) Method and apparatus for determining fault sources for device failures
JP7285728B2 (ja) 電気特性を導出するシステム及び非一時的コンピューター可読媒体
Chavan et al. Quality control of PCB using image processing
US7006886B1 (en) Detection of spatially repeating signatures
Xanthopoulos et al. Automated die inking: A pattern recognition-based approach
CN117274245B (zh) 基于图像处理技术的aoi光学检测方法及系统
CN110824338A (zh) 一种自动测试芯片的方法及系统
KR20180097282A (ko) 반도체 gp 예측 방법 및 시스템
CN113725112A (zh) 晶圆检测方法、系统和检测机台
CN108763063B (zh) 一种无需缺陷标注数据的软件缺陷检测方法
You et al. Die-Level Defects Classification using Region-based Convolutional Neural Network
Breaux et al. Integration of automated defect classification into integrated circuit manufacturing
TWI431706B (zh) 辨識晶圓圖樣式的方法與電腦程式產品
JP7345764B2 (ja) 検査システムおよび検査プログラム
CN116453437B (zh) 显示屏模组的测试方法、装置、设备及存储介质
US20210055235A1 (en) Method to Automatically Inspect Parts Using X-Rays
CN114002225B (zh) 光学检测系统与方法
KR102666787B1 (ko) 인공지능을 이용한 결함 검사방법, 장치 및 프로그램

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant