KR102327761B1 - System for inspecting photoresist coating quality of spin coater - Google Patents

System for inspecting photoresist coating quality of spin coater Download PDF

Info

Publication number
KR102327761B1
KR102327761B1 KR1020200042732A KR20200042732A KR102327761B1 KR 102327761 B1 KR102327761 B1 KR 102327761B1 KR 1020200042732 A KR1020200042732 A KR 1020200042732A KR 20200042732 A KR20200042732 A KR 20200042732A KR 102327761 B1 KR102327761 B1 KR 102327761B1
Authority
KR
South Korea
Prior art keywords
photoresist
deep learning
dvs
spin coater
wafer
Prior art date
Application number
KR1020200042732A
Other languages
Korean (ko)
Other versions
KR20210125637A (en
Inventor
박경남
Original Assignee
주식회사 이지스로직
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 주식회사 이지스로직 filed Critical 주식회사 이지스로직
Priority to KR1020200042732A priority Critical patent/KR102327761B1/en
Publication of KR20210125637A publication Critical patent/KR20210125637A/en
Application granted granted Critical
Publication of KR102327761B1 publication Critical patent/KR102327761B1/en

Links

Images

Classifications

    • G—PHYSICS
    • G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
    • G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
    • G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
    • G03F7/70—Microphotolithographic exposure; Apparatus therefor
    • G03F7/70483—Information management; Active and passive control; Testing; Wafer monitoring, e.g. pattern monitoring
    • G03F7/70605—Workpiece metrology
    • G03F7/70608—Monitoring the unpatterned workpiece, e.g. measuring thickness, reflectivity or effects of immersion liquid on resist
    • G—PHYSICS
    • G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
    • G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
    • G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
    • G03F7/16—Coating processes; Apparatus therefor
    • G03F7/162—Coating on a rotating support, e.g. using a whirler or a spinner
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
    • H01L21/67—Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere
    • H01L21/67005—Apparatus not specifically provided for elsewhere
    • H01L21/67011—Apparatus for manufacture or treatment
    • H01L21/6715—Apparatus for applying a liquid, a resin, an ink or the like
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
    • H01L21/67—Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere
    • H01L21/67005—Apparatus not specifically provided for elsewhere
    • H01L21/67242—Apparatus for monitoring, sorting or marking
    • H01L21/67288—Monitoring of warpage, curvature, damage, defects or the like
    • 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
    • H01L22/10—Measuring as part of the manufacturing process
    • H01L22/12—Measuring as part of the manufacturing process for structural parameters, e.g. thickness, line width, refractive index, temperature, warp, bond strength, defects, optical inspection, electrical measurement of structural dimensions, metallurgic measurement of diffusions

Abstract

본 발명은 스핀 코터의 공급노즐로부터 공급되는 포토레지스트의 이미지를 획득하도록 상기 스핀 코터에 설치되는 제 1 DVS(Dynamic Vision Sensor); 상기 공급노즐로부터 스핀척 상의 웨이퍼 상면에 공급되어 원심력에 의해 퍼져나가는 포토레지스트의 이미지를 획득하도록 상기 스핀 코터에 설치되는 제 2 DVS(Dynamic Vision Sensor); 상기 제 1 내지 제 3 DVS로부터 획득되는 이미지로부터 딥러닝 알고리즘에 의해 포토레지스트의 결함 여부를 판별하도록 하는 딥러닝판단부; 상기 딥러닝판단부의 판별 결과에 따라 포토레지스트의 결함 발생시 경보 발생을 위한 제어신호를 출력하도록 하는 제어부; 및 상기 제어부의 제어신호에 따라 경보를 발생시키는 경보발생부;를 포함하도록 한 DVS와 딥러닝을 이용한 스핀 코터의 포토레지스트 코팅 품질 검사 시스템에 관한 것이다. 본 발명에 따르면, 반도체 제조공정 중 하나인 포토레지스트(Photo Resist, PR) 코팅에 사용되는 노즐의 상태와 포토레지스트의 코팅 영역을 DVS(Dynamic Vision Sensor) 및 딥러닝 기술을 활용하여 정확한 결함 감지를 가능하도록 하고, 포토레지스트 도포 과정에 대한 영상 상태의 검출 처리능력을 향상시켜 실시간으로 노즐 상태를 감시하며, 비정상적 결함상태가 감지될 경우 해당 유닛에 경보를 울리게 하여 공정불량 예방 및 수율 강화에 따른 생산효율을 극대화할 수 있다. The present invention relates to a first Dynamic Vision Sensor (DVS) installed in the spin coater to acquire an image of the photoresist supplied from the supply nozzle of the spin coater; a second Dynamic Vision Sensor (DVS) installed in the spin coater to acquire an image of a photoresist that is supplied from the supply nozzle to the upper surface of the wafer on the spin chuck and spreads by centrifugal force; a deep learning judging unit configured to determine whether the photoresist is defective by a deep learning algorithm from the images obtained from the first to third DVS; a control unit configured to output a control signal for generating an alarm when a photoresist defect occurs according to the determination result of the deep learning determination unit; And it relates to a photoresist coating quality inspection system of a spin coater using DVS and deep learning to include; an alarm generating unit that generates an alarm according to the control signal of the control unit. According to the present invention, the state of the nozzle used for photoresist (PR) coating, which is one of the semiconductor manufacturing processes, and the coating area of the photoresist can be accurately detected by using DVS (Dynamic Vision Sensor) and deep learning technology. It monitors the nozzle status in real time by improving the detection processing capability of the image status for the photoresist application process, and when an abnormal defect condition is detected, an alarm is sounded to the unit to prevent process defects and increase yield. efficiency can be maximized.

Figure R1020200042732
Figure R1020200042732

Description

ＤＶＳ와 딥러닝을 이용한 스핀 코터의 포토레지스트 코팅 품질 검사 시스템{System for inspecting photoresist coating quality of spin coater}Photoresist coating quality inspection system of spin coater using DVS and deep learning {System for inspecting photoresist coating quality of spin coater}

본 발명은 스핀 코터의 포토레지스트 코팅 품질 검사 시스템에 관한 것으로서, 보다 상세하게는 반도체 제조공정 중 하나인 포토레지스트(Photo Resist, PR) 코팅에 사용되는 노즐의 상태와 포토레지스트의 코팅 영역을 DVS(Dynamic Vision Sensor) 및 딥러닝 기술을 활용하여 정확한 결함 감지를 가능하도록 하는 DVS와 딥러닝을 이용한 스핀 코터의 포토레지스트 코팅 품질 검사 시스템에 관한 것이다.The present invention relates to a photoresist coating quality inspection system of a spin coater, and more particularly, the state of a nozzle used for photoresist (PR) coating, which is one of the semiconductor manufacturing processes, and the coating area of the photoresist (DVS (DVS)). It relates to a photoresist coating quality inspection system of a spin coater using DVS and deep learning that enables accurate defect detection using Dynamic Vision Sensor) and deep learning technology.

일반적으로, 반도체소자 제조공정 중 패턴 형성을 위한 포토리소그래피 공정은 웨이퍼에 포토레지스트를 도포하고, 포토마스크를 이용하여 노광하고, 현상액에 현상함으로써, 포토 마스크의 일정 패턴이 포토레지스터 막에 전사되도록 하는 공정이다. 이때, 웨이퍼에 포토레지스트를 도포하는 공정을 수행하게 되는데, 이는 주로 스핀 코터를 이용하여 이루어진다.In general, in the photolithography process for pattern formation during the semiconductor device manufacturing process, a photoresist is applied to a wafer, exposed using a photomask, and developed in a developer, so that a certain pattern of the photomask is transferred to the photoresist film. it is fair At this time, a process of applying a photoresist to the wafer is performed, which is mainly performed using a spin coater.

이러한 스핀 코터는 웨이퍼를 고정하고 회전할 수 있도록 이루어진 회전척 위에 외부에서 공급된 웨이퍼가 놓이면, 회전척은 웨이퍼를 고정하고 회전을 시작한다. 그리고 포토레지스트의 공급노즐은 대기 위치에서 분사 위치로 이동하여 일정량의 포토레지스트를 회전하는 웨이퍼 중앙부에 뿌려주게 되고, 이 액상의 포토레지스터는 회전하는 웨이퍼 상에서 원심력에 의해 넓게 퍼져나가며 자체의 점성에 의해 웨이퍼에 거의 고른 두께로 분포된다. 이후 액상의 포토레지스터는 베이크 같은 일련의 경화과정을 거쳐 고상을 이루고, 노광공정에 투입된다.In this spin coater, when an externally supplied wafer is placed on a rotary chuck configured to fix and rotate the wafer, the rotary chuck fixes the wafer and starts rotation. And the photoresist supply nozzle moves from the standby position to the injection position and sprays a certain amount of photoresist on the center of the rotating wafer. This liquid photoresist spreads widely by centrifugal force on the rotating wafer, It is distributed with an almost even thickness on the wafer. After that, the liquid photoresist goes through a series of curing processes such as baking to form a solid phase, and is put into the exposure process.

이와 같은 스핀 코터에 의한 웨이퍼의 포토레지스트 코팅에 대한 품질 관리는 웨이퍼 불량률과 밀접한 관계를 가질 뿐만 아니라, 반도체에서의 미세 선폭 구현에 있어서 더욱 중요해지고 있다. The quality control for the photoresist coating of the wafer by the spin coater is not only closely related to the wafer defect rate, but is becoming more important in realizing a fine line width in a semiconductor.

종래 포토레지스트의 코팅 품질 관리를 위한 기술로서, 한국공개특허 제10-2003-0085692호의 "스핀코터의 포토레지스트 센싱장치 및 센싱방법"이 제시된 바 있는데, 이는 구동수단에 의해 회전될 수 있도록 하는 회전척과; 포토레지스트의 양이 감지될 수 있는 제3 센싱부가 구비되고, 상기 회전척의 상부에 위치된 웨이퍼에 일정량의 포토레지스트가 도포되는 포토레지스트 공급용 노즐과; 포토레지스트의 양이 감지될 수 있는 제1 센싱부가 구비되고, 상기 웨이퍼에 분산될 포토레지스트가 담겨져 있는 포토레지스트 용기와; 포토레지스트의 양이 감지될 수 있는 제2 센싱부가 구비되고, 상기 포토레지스트 용기에 담긴 포토레지스트를 상기 포토레지스트 공급용 노즐에 공급될 수 있도록 펌핑시키는 펌핑부과; 상기 회전척이 회전될 수 있도록 구동수단을 콘트롤하고, 상기 포토레지스트 용기에 담긴 포토레지스트를 펌핑하여 포토레지스트 공급용 노즐로 이동되도록 상기 펌핑부를 콘트롤하는 콘트롤러가 구비되어 있다.As a technique for controlling the coating quality of a conventional photoresist, "Photoresist Sensing Device and Sensing Method of Spin Coater" of Korean Patent Application Laid-Open No. 10-2003-0085692 has been proposed, which rotates so that it can be rotated by a driving means. Chuck and; a photoresist supply nozzle having a third sensing unit capable of detecting an amount of photoresist and applying a predetermined amount of photoresist to a wafer positioned above the rotary chuck; a photoresist container provided with a first sensing unit capable of detecting an amount of photoresist and containing photoresist to be dispersed on the wafer; a pumping unit provided with a second sensing unit capable of detecting the amount of photoresist, and pumping the photoresist contained in the photoresist container to be supplied to the photoresist supply nozzle; A controller is provided for controlling the driving means so that the rotary chuck can be rotated, and for controlling the pumping unit so that the photoresist contained in the photoresist container is pumped to move to the photoresist supply nozzle.

그러나, 종래 기술은 도 1에서와 같은 포토레지스트의 코팅 품질 불량을 야기하는 결함을 정확하게 판별하는데 한계를 가지고, 이로 인해, 웨이퍼의 불량률 감소에 기여하는 정도가 크지 않다는 문제점을 가지고 있었다.However, the prior art has a limitation in accurately discriminating defects that cause poor coating quality of the photoresist as shown in FIG.

이와 같은 포토레지스트의 코팅 결함을 검출하기 위한 다른 종래 방안으로서, 머신비전 방식을 이용하는 경우, 정상영역 대비 확연한 형상 차이를 보이는 결함(Defect)을 검출(Detection)하는 방식이며, 조명 대비 배경의 밝기 차이, 그리고 윤곽(Edge)을 이용한 형상 검출, 영상을 주파수 공간으로 변환하는 이산 푸리에 변환 알고리즘을 이용한 결함 검출 방법을 사용하게 되는데, 이 경우, 다음과 같은 문제점들을 가질 수 있다.As another conventional method for detecting such a coating defect of a photoresist, when using a machine vision method, it is a method of detecting a defect showing a clear shape difference compared to the normal area, and the difference in brightness of the background compared to the lighting , and a shape detection using an edge and a defect detection method using a discrete Fourier transform algorithm that transforms an image into a frequency space are used. In this case, the following problems may occur.

머신비전 방식의 첫 번째 제한요소는 영상데이터 배경과 결함요소가 바뀔 때 마다 검출 방법을 다르게 만들어야 한다는 것이며, 검사의 대상이 바뀔 때마다 새로운 특징(Feature)을 갖는 데이터를 수집하고, 그 데이터에서 특징을 추출하여 알고리즘을 적용해야 하기 때문에, 다양한 결함 종류에 대한 통합적인 검사 알고리즘을 구성하기가 어려우며, 추가적인 시간과 비용이 크게 발생되는 문제점을 가진다.The first limiting factor of the machine vision method is that a different detection method should be made whenever the image data background and defect elements change. Since it is necessary to extract and apply an algorithm, it is difficult to construct an integrated inspection algorithm for various types of defects, and additional time and cost are greatly generated.

머신비전 방식의 두 번째 제한요소는 다양한 배경에서 알고리즘을 적용시킬 경우, 검출 제품의 변화에 따라 결함 검출 방법의 수정이 필요하며, 배경 분석을 통해 검출 방법을 결정하는 것을 작업자가 각 제품의 모델별로 정상제품의 기준 영상이미지와 결함의 영상이미지에 대해서 결함부분에 대한 티칭(Teaching) 작업이 필요하게 된다는 것이며, 작업자의 능력에 따라 티칭(Teaching) 작업 시 에러가 발생할 수 있는 위험이 존재하여, 예측하지 못한 결함이 발생할 경우, 신뢰성이 하락하게 되는 문제점을 가진다. The second limiting factor of the machine vision method is that when the algorithm is applied in various backgrounds, the defect detection method needs to be modified according to the change of the detection product, and the operator determines the detection method through background analysis for each product model. For the reference image image of a normal product and the image image of a defect, it is necessary to teach the defective part, and there is a risk that an error may occur during the teaching operation depending on the ability of the operator. When an unsuccessful defect occurs, there is a problem in that reliability is lowered.

상기한 바와 같은 종래 기술의 문제점을 해결하기 위하여, 본 발명은 반도체 제조공정 중 하나인 포토레지스트(Photo Resist, PR) 코팅에 사용되는 노즐의 상태와 포토레지스트의 코팅 영역을 DVS(Dynamic Vision Sensor) 및 딥러닝 기술을 활용하여 정확한 결함 감지를 가능하도록 하고, 포토레지스트의 결함 발생 우려 가능성이 높은 공급노즐 부근이나 웨이퍼의 평면 뿐만 아니라, 웨이퍼의 가장자리를 집중적으로 모니터링함으로써 포토레지스트의 결함 검출의 정확도를 높이도록 하며, 특히 반도체 리소그래피(Lithography) 공정에서 핵심적 공정 장치에 해당하는 포토레지스트 코팅을 위한 노즐의 포토레지스트 공급 상태 검출을 통해, 반도체 업계에서 요구하는 반도체 소자의 고신뢰성 및 수율 증대에 대한 요구를 만족시키는데 목적이 있다.In order to solve the problems of the prior art as described above, the present invention is a DVS (Dynamic Vision Sensor) to measure the state of the nozzle used for photoresist (PR) coating, which is one of the semiconductor manufacturing processes, and the coating area of the photoresist. and deep learning technology to enable accurate defect detection, and improve the accuracy of photoresist defect detection by intensively monitoring the edge of the wafer as well as the vicinity of the supply nozzle or the plane of the wafer, which is highly likely to cause defects in the photoresist. In particular, by detecting the photoresist supply state of the nozzle for photoresist coating, which is a key process device in the semiconductor lithography process, the demand for high reliability and yield increase of semiconductor devices required in the semiconductor industry purpose is to satisfy.

본 발명의 다른 목적들은 이하의 실시례에 대한 설명을 통해 쉽게 이해될 수 있을 것이다.Other objects of the present invention will be easily understood through the description of the following embodiments.

상기한 바와 같은 목적을 달성하기 위해, 본 발명의 일측면에 따르면, 스핀 코터의 공급노즐로부터 공급되는 포토레지스트의 이미지를 획득하도록 상기 스핀 코터에 설치되는 제 1 DVS(Dynamic Vision Sensor); 상기 공급노즐로부터 스핀척 상의 웨이퍼 상면에 공급되어 원심력에 의해 퍼져나가는 포토레지스트의 이미지를 획득하도록 상기 스핀 코터에 설치되는 제 2 DVS(Dynamic Vision Sensor); 상기 제 1 내지 제 3 DVS로부터 획득되는 이미지로부터 딥러닝 알고리즘에 의해 포토레지스트의 결함 여부를 판별하도록 하고, 상기 딥러닝 알고리즘의 구현을 위하여, CNN 하드웨어 가속기를 가지는 딥러닝판단부; 상기 딥러닝판단부의 판별 결과에 따라 포토레지스트의 결함 발생시 경보 발생을 위한 제어신호를 출력하도록 하는 제어부; 및 상기 제어부의 제어신호에 따라 경보를 발생시키는 경보발생부;를 포함하는, DVS와 딥러닝을 이용한 스핀 코터의 포토레지스트 코팅 품질 검사 시스템이 제공된다.In order to achieve the above object, according to one aspect of the present invention, a first DVS (Dynamic Vision Sensor) installed in the spin coater to acquire an image of the photoresist supplied from the supply nozzle of the spin coater; a second Dynamic Vision Sensor (DVS) installed in the spin coater to acquire an image of a photoresist that is supplied from the supply nozzle to the upper surface of the wafer on the spin chuck and spreads by centrifugal force; a deep learning determination unit having a CNN hardware accelerator to determine whether the photoresist is defective by a deep learning algorithm from the images obtained from the first to third DVS, and to implement the deep learning algorithm; a control unit configured to output a control signal for generating an alarm when a photoresist defect occurs according to the determination result of the deep learning determination unit; and an alarm generating unit for generating an alarm according to the control signal of the control unit; including, a photoresist coating quality inspection system of a spin coater using DVS and deep learning is provided.

상기 제 1 DVS는, 한 쌍으로 이루어져서 상기 공급노즐을 중심으로 90도의 각도로 배치되고, 상기 제어부는, 상기 공급노즐로부터 정상적으로 공급되는 포토레지스트의 단면과 상기 제 1 DVS로부터 획득되는 이미지로부터 산출되는 실제 포토레지스트의 단면을 오버랩되도록 디스플레이함으로써, 포토레지스트의 공급 결함을 직관적으로 표시할 수 있다.The first DVS consists of a pair and is disposed at an angle of 90 degrees with respect to the supply nozzle, and the control unit is calculated from the cross-section of the photoresist normally supplied from the supply nozzle and the image obtained from the first DVS By displaying the cross section of the actual photoresist to overlap, it is possible to intuitively display the supply defect of the photoresist.

상기 제어부는, 상기 딥러닝판단부의 판별 결과에 따라 포토레지스트의 결함 발생시, 상기 스핀 코터의 동작을 정지시키도록 제어할 수 있다.The control unit may control to stop the operation of the spin coater when a defect in the photoresist occurs according to the determination result of the deep learning determination unit.

상기 딥러닝판단부는, 상기 공급노즐의 하단으로부터 수직 하방으로 연장되는 가상의 수직선에 대하여, 상기 공급노즐의 하단으로부터 하방으로 공급되는 포토레지스트의 이격량에 따라 상기 포토레지스트의 결함을 판별하도록 하거나, 상기 포토레지스트가 도포되는 상기 웨이퍼 상에서 중심부와 차별되는 색상이나 형태를 가지는 영역 비율에 따라 상기 포토레지스트의 결함을 판별하도록 할 수 있다.The deep learning determining unit, with respect to a virtual vertical line extending vertically downward from the lower end of the supply nozzle, to determine the defect of the photoresist according to the separation amount of the photoresist supplied downward from the lower end of the supply nozzle, On the wafer to which the photoresist is applied, defects of the photoresist may be determined according to a ratio of an area having a color or shape different from that of the center.

웨이퍼에 대한 상기 포토레지스트의 도포후, 후속 공정에서 상기 웨이퍼의 다이별로 검사된 프로브 테스트의 데이터를 통해서 상기 웨이퍼의 다이별 불량률을 산출하는 웨이퍼수율관리시스템으로부터 상기 불량률을 수신받도록 하는 불량률수신부를 더 포함하고, 상기 딥러닝판단부는, 상기 딥러닝 알고리즘에 의해 학습된 가중치를 상기 불량률에 비례하도록 수정하여, 상기 포토레지스트의 결함 판별시 사용하도록 할 수 있다.After application of the photoresist to the wafer, a defective rate receiving unit that receives the defective rate from the wafer yield management system that calculates the defective rate for each die of the wafer through the data of the probe test inspected for each die of the wafer in a subsequent process. Including, the deep learning determining unit, by modifying the weight learned by the deep learning algorithm to be proportional to the defective rate, can be used when determining the defect of the photoresist.

본 발명에 따른 DVS와 딥러닝을 이용한 스핀 코터의 포토레지스트 코팅 품질 검사 시스템에 의하면, 반도체 제조공정 중 하나인 포토레지스트(Photo Resist, PR) 코팅에 사용되는 노즐의 상태와 포토레지스트의 코팅 영역을 DVS(Dynamic Vision Sensor) 및 딥러닝 기술을 활용하여 정확한 결함 감지를 가능하도록 하고, 포토레지스트 도포 과정에 대한 영상 상태의 검출 처리능력을 향상시켜 실시간으로 노즐 상태를 감시하며, 비정상적 결함상태가 감지될 경우 해당 유닛에 경보를 울리게 하여 공정불량 예방 및 수율 강화에 따른 생산효율을 극대화할 수 있고, 포토레지스트의 결함 발생 우려 가능성이 높은 공급노즐 부근이나 웨이퍼의 평면 뿐만 아니라, 웨이퍼의 가장자리를 집중적으로 모니터링함으로써 포토레지스트의 결함 검출의 정확도를 높일 수 있으며, 특히 반도체 리소그래피(Lithography) 공정에서 핵심적 공정 장치에 해당하는 포토레지스트 코팅을 위한 노즐의 포토레지스트 공급 상태 검출을 통해, 반도체 업계에서 요구하는 반도체 소자의 고신뢰성 및 수율 증대에 대한 요구를 만족시키는 효과를 가진다.According to the photoresist coating quality inspection system of the spin coater using DVS and deep learning according to the present invention, the state of the nozzle used for photoresist (PR) coating, which is one of the semiconductor manufacturing processes, and the coating area of the photoresist It enables accurate defect detection by utilizing DVS (Dynamic Vision Sensor) and deep learning technology, and monitors the nozzle state in real time by improving the detection processing capability of the image state for the photoresist coating process. In this case, it is possible to raise an alarm to the unit to maximize production efficiency by preventing process defects and enhancing yield, and intensively monitor the edge of the wafer as well as the vicinity of the supply nozzle or the flat surface of the wafer, where there is a high possibility of photoresist defects. By doing so, the accuracy of photoresist defect detection can be increased. It has the effect of satisfying the requirements for high reliability and increased yield.

도 1은 종래의 포토레지스트 코팅 품질의 저하로 인한 불량을 나타낸 이미지이다.
도 2는 본 발명의 일 실시례에 따른 DVS와 딥러닝을 이용한 스핀 코터의 포토레지스트 코팅 품질 검사 시스템이 마련되는 스핀 코터의 내부를 도시한 정면도이다.
도 3은 본 발명의 일 실시례에 따른 DVS와 딥러닝을 이용한 스핀 코터의 포토레지스트 코팅 품질 검사 시스템을 도시한 구성도이다.
도 4는 본 발명의 일 실시례에 따른 DVS와 딥러닝을 이용한 스핀 코터의 포토레지스트 코팅 품질 검사 시스템에서 제 1 DVS의 배치를 도시한 평면도이다.
도 5는 본 발명의 일 실시례에 따른 DVS와 딥러닝을 이용한 스핀 코터의 포토레지스트 코팅 품질 검사 시스템의 결함 판별 기준을 설명하기 위한 측면도이다.
도 6은 본 발명의 일 실시례에 따른 DVS와 딥러닝을 이용한 스핀 코터의 포토레지스트 코팅 품질 검사 시스템의 결함 판별 기준의 다른 예를 설명하기 위한 평면도이다.
도 7은 본 발명의 일 실시례에 따른 DVS와 딥러닝을 이용한 스핀 코터의 포토레지스트 코팅 품질 검사 시스템에서, 딥러닝판단부의 CNN 하드웨어 가속기의 블록도이다.
도 8은 본 발명의 일 실시례에 따른 DVS와 딥러닝을 이용한 스핀 코터의 포토레지스트 코팅 품질 검사 시스템에서, 딥러닝판단부의 Convolution Layer 모듈의 블록도이다.
도 9는 본 발명의 일 실시례에 따른 DVS와 딥러닝을 이용한 스핀 코터의 포토레지스트 코팅 품질 검사 시스템에서, 딥러닝판단부의 Max Pooling Layer 모듈의 블록도이다.
도 10은 본 발명의 일 실시례에 따른 DVS와 딥러닝을 이용한 스핀 코터의 포토레지스트 코팅 품질 검사 시스템에서, 딥러닝판단부의 Fully Connected Layer 모듈의 블록도이다.
도 11은 본 발명의 일 실시례에 따른 DVS와 딥러닝을 이용한 스핀 코터의 포토레지스트 코팅 품질 검사 시스템에서, 딥러닝판단부의 Layer별 입력 행렬과 필터 및 Pooling 구조의 블록도이다.
도 12는 본 발명의 일 실시례에 따른 DVS와 딥러닝을 이용한 스핀 코터의 포토레지스트 코팅 품질 검사 시스템에서, 딥러닝판단부의 일례를 도시한 블록도이다.
도 13은 본 발명의 일 실시례에 따른 DVS와 딥러닝을 이용한 스핀 코터의 포토레지스트 코팅 품질 검사 시스템에서, 딥러닝판단부의 Faster R-CNN 기반 검출구현 블록도이다.
도 14는 본 발명의 일 실시례에 따른 DVS와 딥러닝을 이용한 스핀 코터의 포토레지스트 코팅 품질 검사 시스템에서, 딥러닝판단부의 Ground-truth and anchor box(Left dispensing 검출의 경우를 설명하기 위한 도면이다.
도 15는 본 발명의 일 실시례에 따른 DVS와 딥러닝을 이용한 스핀 코터의 포토레지스트 코팅 품질 검사 시스템의 딥러닝판단부에서 지주박스를 기준박스로 미세 조정을 설명하기 위한 도면이다.
도 16은 본 발명의 일 실시례에 따른 DVS와 딥러닝을 이용한 스핀 코터의 포토레지스트 코팅 품질 검사 시스템에서, 딥러닝판단부의 1x1xN convolution 기법을 설명하기 위한 도면이다.
도 17은 본 발명의 일 실시례에 따른 DVS와 딥러닝을 이용한 스핀 코터의 포토레지스트 코팅 품질 검사 시스템에서, 딥러닝판단부의 C-언어 기반 Quasi-Simulator 소프트웨어 네트워크 구조이다.
도 18은 본 발명의 일 실시례에 따른 DVS와 딥러닝을 이용한 스핀 코터의 포토레지스트 코팅 품질 검사 시스템에서, 딥러닝판단부의 학습용 데이터 샘플을 도시한 이미지이다.
도 19는 본 발명의 일 실시례에 따른 DVS와 딥러닝을 이용한 스핀 코터의 포토레지스트 코팅 품질 검사 시스템에서, 검사 모니터링 UI 예시이다.
도 20은 본 발명의 일 실시례에 따른 DVS와 딥러닝을 이용한 스핀 코터의 포토레지스트 코팅 품질 검사 시스템에서, DVS의 구체적인 블록도이다.
도 21은 본 발명의 일 실시례에 따른 DVS와 딥러닝을 이용한 스핀 코터의 포토레지스트 코팅 품질 검사 시스템에서, 해상도 확장 DVS 설계 예시이다.
도 22는 본 발명의 일 실시례에 따른 DVS와 딥러닝을 이용한 스핀 코터의 포토레지스트 코팅 품질 검사 시스템에서, DVS의 민감도 개선 개념도이다.
도 23은 본 발명의 일 실시례에 따른 DVS와 딥러닝을 이용한 스핀 코터의 포토레지스트 코팅 품질 검사 시스템에서, DVS의 최적화 개념도이다.
도 24는 본 발명의 일 실시례에 따른 DVS와 딥러닝을 이용한 스핀 코터의 포토레지스트 코팅 품질 검사 시스템에서 제 3 DVS의 획득 이미지를 통한 결함 측정을 설명하기 위한 부분 확대도이다.
도 25는 본 발명의 일 실시례에 따른 DVS와 딥러닝을 이용한 스핀 코터의 포토레지스트 코팅 품질 검사 시스템에서 포토레지스트의 공급 결함을 직관적으로 디스플레이하는 모습을 도시한 도면이다.1 is an image showing a defect due to deterioration of the conventional photoresist coating quality.
2 is a front view showing the inside of the spin coater in which the photoresist coating quality inspection system of the spin coater using DVS and deep learning according to an embodiment of the present invention is provided.
3 is a block diagram illustrating a photoresist coating quality inspection system of a spin coater using DVS and deep learning according to an embodiment of the present invention.
4 is a plan view illustrating an arrangement of a first DVS in a photoresist coating quality inspection system of a spin coater using DVS and deep learning according to an embodiment of the present invention.
5 is a side view for explaining a defect determination criterion of a photoresist coating quality inspection system of a spin coater using DVS and deep learning according to an embodiment of the present invention.
6 is a plan view for explaining another example of a defect determination criterion of a photoresist coating quality inspection system of a spin coater using DVS and deep learning according to an embodiment of the present invention.
7 is a block diagram of a CNN hardware accelerator of a deep learning decision unit in a photoresist coating quality inspection system of a spin coater using DVS and deep learning according to an embodiment of the present invention.
8 is a block diagram of the Convolution Layer module of the deep learning decision unit in the photoresist coating quality inspection system of the spin coater using DVS and deep learning according to an embodiment of the present invention.
9 is a block diagram of the Max Pooling Layer module of the deep learning judgment unit in the photoresist coating quality inspection system of the spin coater using DVS and deep learning according to an embodiment of the present invention.
10 is a block diagram of the Fully Connected Layer module of the deep learning judging unit in the photoresist coating quality inspection system of the spin coater using DVS and deep learning according to an embodiment of the present invention.
11 is a block diagram of an input matrix for each layer of a deep learning judgment unit, a filter, and a pooling structure in a photoresist coating quality inspection system of a spin coater using DVS and deep learning according to an embodiment of the present invention.
12 is a block diagram illustrating an example of a deep learning judgment unit in a photoresist coating quality inspection system of a spin coater using DVS and deep learning according to an embodiment of the present invention.
13 is a block diagram of a Faster R-CNN based detection implementation of a deep learning decision unit in a photoresist coating quality inspection system of a spin coater using DVS and deep learning according to an embodiment of the present invention.
14 is a diagram for explaining a case of detecting a ground-truth and anchor box (Left dispensing) of a deep learning decision unit in a photoresist coating quality inspection system of a spin coater using DVS and deep learning according to an embodiment of the present invention. .
15 is a view for explaining the fine adjustment of the holding box to the reference box in the deep learning judgment part of the photoresist coating quality inspection system of the spin coater using DVS and deep learning according to an embodiment of the present invention.
16 is a view for explaining a 1x1xN convolution technique of a deep learning decision unit in a photoresist coating quality inspection system of a spin coater using DVS and deep learning according to an embodiment of the present invention.
17 is a C-language-based Quasi-Simulator software network structure of a deep learning judgment unit in a photoresist coating quality inspection system of a spin coater using DVS and deep learning according to an embodiment of the present invention.
18 is an image showing a learning data sample of the deep learning judgment unit in the photoresist coating quality inspection system of the spin coater using DVS and deep learning according to an embodiment of the present invention.
19 is an example of an inspection monitoring UI in a photoresist coating quality inspection system of a spin coater using DVS and deep learning according to an embodiment of the present invention.
20 is a detailed block diagram of DVS in a photoresist coating quality inspection system of a spin coater using DVS and deep learning according to an embodiment of the present invention.
21 is an example of a resolution extension DVS design in a photoresist coating quality inspection system of a spin coater using DVS and deep learning according to an embodiment of the present invention.
22 is a conceptual diagram for improving sensitivity of DVS in a photoresist coating quality inspection system of a spin coater using DVS and deep learning according to an embodiment of the present invention.
23 is a conceptual diagram of DVS optimization in a photoresist coating quality inspection system of a spin coater using DVS and deep learning according to an embodiment of the present invention.
24 is a partially enlarged view for explaining defect measurement through the acquired image of the third DVS in the photoresist coating quality inspection system of the spin coater using DVS and deep learning according to an embodiment of the present invention.
25 is a diagram illustrating a state in which a supply defect of a photoresist is intuitively displayed in a photoresist coating quality inspection system of a spin coater using DVS and deep learning according to an embodiment of the present invention.

본 발명은 다양한 변경을 가할 수 있고, 여러 가지 실시례를 가질 수 있는 바, 특정 실시례들을 도면에 예시하고, 상세하게 설명하고자 한다. 그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니고, 본 발명의 기술 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 식으로 이해되어야 하고, 여러 가지 다른 형태로 변형될 수 있으며, 본 발명의 범위가 하기 실시례에 한정되는 것은 아니다. Since the present invention can have various changes and can have various embodiments, specific embodiments are illustrated in the drawings and described in detail. However, this is not intended to limit the present invention to a specific embodiment, it should be understood as including all changes, equivalents or substitutes included in the spirit and scope of the present invention, and may be modified in various other forms. and the scope of the present invention is not limited to the following examples.

이하, 첨부된 도면을 참조하여 본 발명에 따른 실시례를 상세히 설명하며, 도면 부호에 관계없이 동일하거나 대응하는 구성요소에 대해서는 동일한 참조 번호를 부여하고, 이에 대해 중복되는 설명을 생략하기로 한다.Hereinafter, an embodiment according to the present invention will be described in detail with reference to the accompanying drawings, and the same reference numerals are assigned to the same or corresponding components regardless of reference numerals, and redundant description thereof will be omitted.

도 2는 본 발명의 일 실시례에 따른 DVS와 딥러닝을 이용한 스핀 코터의 포토레지스트 코팅 품질 검사 시스템이 마련되는 스핀 코터의 내부를 도시한 정면도이고, 도 3은 본 발명의 일 실시례에 따른 DVS와 딥러닝을 이용한 스핀 코터의 포토레지스트 코팅 품질 검사 시스템을 도시한 구성도이다.2 is a front view showing the inside of a spin coater in which a photoresist coating quality inspection system of a spin coater using DVS and deep learning according to an embodiment of the present invention is provided, and FIG. 3 is a front view according to an embodiment of the present invention It is a configuration diagram showing the photoresist coating quality inspection system of the spin coater using DVS and deep learning.

도 2 및 도 3을 참조하면, 본 발명의 일 실시례에 따른 DVS와 딥러닝을 이용한 스핀 코터의 포토레지스트 코팅 품질 검사 시스템(100)은 제 1 DVS(Dynamic Vision Sensor; 110), 제 2 DVS(Dynamic Vision Sensor; 120), 제 3 DVS(Dynamic Vision Sensor; 260), 딥러닝판단부(130), 제어부(140) 및 경보발생부(150)를 포함할 수 있다. 2 and 3, the photoresist coating quality inspection system 100 of the spin coater using DVS and deep learning according to an embodiment of the present invention is a first Dynamic Vision Sensor (DVS; 110), a second DVS (Dynamic Vision Sensor; 120), a third DVS (Dynamic Vision Sensor; 260), a deep learning determination unit 130, a control unit 140, and may include an alarm generator 150.

제 1 DVS(110)는 스핀 코터(10)의 공급노즐(210)로부터 공급되는 포토레지스트의 이미지를 획득하도록 스핀 코터(10)에 설치된다. 제 1 DVS(110)는 후술하게 될 제 2 DVS(120)와 마찬가지로, 일반 이미지 센서보다 20배 정도 빠르며, 비교적 원거리에서도 움직임을 정확하게 인식하도록 함으로써, 움직이는 물체의 파악에 유용하다. The first DVS 110 is installed in the spin coater 10 to acquire an image of the photoresist supplied from the supply nozzle 210 of the spin coater 10 . The first DVS 110, like the second DVS 120 to be described later, is about 20 times faster than a general image sensor, and by enabling accurate recognition of motion even from a relatively long distance, it is useful for grasping a moving object.

제 1 DVS(110)는 공급노즐(210)로부터 하방으로 공급되는 포토레지스트가 균일한 두께를 가지고서 수직되게 제대로 공급되는지를 정확하게 검출하기 위하여, 여러 방향에서 이미지를 획득할 필요가 있는데, 이를 위해 가장 적은 개수로서 정확한 결함 검출을 위하여, 도 4에서와 같이, 한 쌍으로 이루어져서 공급노즐(210)을 중심으로 90도의 각도로 배치될 수 있다. 제 1 DVS(110) 각각은 공급노즐(210)로부터 하방으로 공급되는 포토레지스트를 향하도록 스핀 코터(10)의 케이싱(230) 내에 설치될 수 있다. The first DVS 110 needs to acquire images from several directions in order to accurately detect whether the photoresist supplied downward from the supply nozzle 210 has a uniform thickness and is properly supplied vertically. For accurate defect detection with a small number, as shown in FIG. 4 , a pair may be formed and disposed at an angle of 90 degrees with respect to the supply nozzle 210 . Each of the first DVS 110 may be installed in the casing 230 of the spin coater 10 to face the photoresist supplied downward from the supply nozzle 210 .

제 2 DVS(Dynamic Vision Sensor; 120)는 공급노즐(210)로부터 스핀척(220) 상의 웨이퍼 상면에 공급되어 원심력에 의해 퍼져나가는 포토레지스트의 이미지를 획득하도록 스핀 코터(10)에 설치된다. 제 2 DVS(120)는 예컨대 공급노즐(210)이 고정된 노즐아암(211)에 하방을 향하도록 설치될 수 있다.A second DVS (Dynamic Vision Sensor) 120 is supplied from the supply nozzle 210 to the upper surface of the wafer on the spin chuck 220 and is installed in the spin coater 10 to acquire an image of the photoresist spread by centrifugal force. The second DVS 120 may be installed, for example, to the nozzle arm 211 to which the supply nozzle 210 is fixed so as to face downward.

제 3 DVS(Dynamic Vision Sensor; 260)는 공급노즐(210)로부터 스핀척(220) 상의 웨이퍼 상면에 공급되어 원심력에 의해 퍼져나가는 포토레지스트의 이미지를 웨이퍼에 수평된 방향에서 웨이퍼의 가장자리로부터 획득하도록 스핀 코터(10)에 설치된다. 제 3 DVS(260)는 웨이퍼에 수평된 방향에서, 도 24에서와 같이, 웨이퍼(W)의 가장자리에 대한 영상(B)을 획득하여, 포토레지스트(PR)에서 볼록한 부분(b1)이나 오목한 부분(b2) 등과 같이, 포토레지스트(PR)에 대한 결함 관측에 유리하도록 한다. 즉, 웨이퍼(W)에서 가장자리 부분에 대해서 포토레지스트(PR)의 결함 발생 우려가 높은데, 웨이퍼(W)에서 수평방향으로 가장자리의 이미지를 획득시, 포토레지스트(PR)의 평탄도를 해치는 볼록한 부분(b1)의 관측이 용이하면서도 정확해지고, 오목한 부분(b2)은 웨이퍼(W)의 회전시 다른 부분에 비하여 얼룩진 것과 같은 형태를 나타내므로, 이 역시 관측이 용이하면서도 정확해진다. A third DVS (Dynamic Vision Sensor) 260 is supplied from the supply nozzle 210 to the upper surface of the wafer on the spin chuck 220 to acquire an image of the photoresist spread by centrifugal force from the edge of the wafer in a direction horizontal to the wafer. It is installed in the spin coater (10). The third DVS 260 acquires an image B of the edge of the wafer W in a direction horizontal to the wafer, as shown in FIG. 24 , and a convex portion b1 or a concave portion in the photoresist PR As in (b2), it is advantageous to observe defects on the photoresist (PR). That is, there is a high possibility of the occurrence of defects in the photoresist PR with respect to the edge portion of the wafer W. When the image of the edge is acquired in the horizontal direction from the wafer W, the convex portion that impairs the flatness of the photoresist PR Observation of (b1) is easy and accurate, and since the concave part (b2) shows a stained shape compared to other parts when the wafer W is rotated, it is also easy and accurate to observe.

딥러닝판단부(130)는 제 1 내지 제 3 DVS(110,120,260)로부터 획득되는 이미지로부터 딥러닝 알고리즘에 의해 포토레지스트의 결함 여부를 판별하도록 한다. 딥러닝판단부(130)는 후술하게 될 제어부(140), 경보발생부(150), 불량률수신부(160) 등과 함께 스핀 코터(10)의 케이싱(230) 내에 마련되는 콘트롤박스(231)에 수용될 수 있다. The deep learning determination unit 130 determines whether the photoresist is defective by a deep learning algorithm from the images obtained from the first to third DVSs 110 , 120 , and 260 . The deep learning determination unit 130 is accommodated in the control box 231 provided in the casing 230 of the spin coater 10 together with the control unit 140, the alarm generating unit 150, the defective rate receiving unit 160, etc., which will be described later. can be

딥러닝판단부(130)는 일례로, 도 5에서와 같이, 공급노즐(210)의 하단으로부터 수직 하방으로 연장되는 가상의 수직선(H)에 대하여, 공급노즐(210)의 하단으로부터 하방으로 공급되는 포토레지스트(P)의 이격량, 예컨대 최대 이격 거리(d)에 따라 포토레지스트의 결함을 판별하도록 할 수 있다. 이러한 이격량은 이미지 프로세싱을 통해 포토레지스트(P)의 정해진 두께를 기준으로 산출하도록 구성될 수 있다. 또한 딥러닝판단부(130)는 다른 예로서, 도 6에서와 같이, 포토레지스트가 도포되는 웨이퍼(W) 상에서 중심부(A1)와 차별되는 색상이나 형태를 가지는 영역(A2) 비율에 따라 포토레지스트의 결함을 판별하도록 할 수 있는데, 이 역시 이미지 프로세스에 의해 픽셀별 색상이나 형태의 차이를 면적 산출 알고리즘을 이용하여, 중심부(A1)를 기준으로 이와는 차별되는 색상이나 형태를 가지는 영역(A2)의 면적 비율을 산출하여 포토레지스트의 결함 판별에 사용하도록 구성될 수 있다.The deep learning determination unit 130 is, for example, as shown in FIG. 5 , with respect to a virtual vertical line (H) extending vertically downward from the lower end of the supply nozzle 210, from the lower end of the supply nozzle 210 is supplied downward. Defects of the photoresist may be determined according to the separation amount of the photoresist P, for example, the maximum separation distance d. Such a separation amount may be configured to be calculated based on a predetermined thickness of the photoresist P through image processing. In addition, as another example, the deep learning determination unit 130 is a photoresist according to the ratio of the area A2 having a color or shape that is differentiated from the center A1 on the wafer W on which the photoresist is applied, as shown in FIG. 6 . of the area A2 that has a color or shape that is different from that of the center A1 based on the center A1 by using an area calculation algorithm for the difference in color or shape of each pixel by the image process. It can be configured to calculate the area ratio and use it for defect determination of the photoresist.

딥러닝판단부(130)는 딥러닝 알고리즘의 구현을 위해, 일례로, 도 7에서와 같은 CNN 하드웨어 가속기를 가지는데, 이러한 CNN 하드웨어 가속기는 Verilog 기반 PL(Programmable Logic) 하드웨어로 구현될 수 있고, 데이터 전송은 AMBA AXI4 버스를 이용할 수 있으며, 임베디드 환경에서 CNN의 실시간 처리를 위하여 Convolution 연산 및 기타 연산들을 병렬로 처리하여 CNN의 속도를 향상시키는 하드웨어 구조로서 구현될 수 있고, 도 8 내지 도 11에서와 같이, Convolution 모듈, Max Pooling 모듈, Fully Connected 모듈로 구성될 수 있다. 이들의 동작 과정은 Bus Interface를 통해서 CNN 연산에 필요한 weight와 bias, 입력 영상을 Block Memory(weight memory, bias memory, Input image)에 저장하고, Convolution1 모듈부터 순차적으로 동작을 구현하는데, Max Pooling은 모든 feature map에 대해 동시에 수행되고, 각 모듈의 연산 결과는 Block Memory에 저장된다. 여기서 하드웨어 구조는 Convolution Layer의 수행 시간을 최대한 줄이기 위해서 곱셈기를 사용할 수 있고, Convolution 연산이 1 clk에 수행되게 하며, 더블 버퍼를 이용하여 연속적으로 계산이 이루어지도록 구현 처리될 수 있다.The deep learning decision unit 130 has, for example, a CNN hardware accelerator as in FIG. 7 for the implementation of a deep learning algorithm, and this CNN hardware accelerator may be implemented with Verilog-based PL (Programmable Logic) hardware, Data transmission can use the AMBA AXI4 bus, and can be implemented as a hardware structure to improve the speed of CNN by processing convolution operations and other operations in parallel for real-time processing of CNNs in an embedded environment, and in FIGS. As shown, it can be composed of a Convolution module, a Max Pooling module, and a Fully Connected module. Their operation process stores the weights, biases, and input images necessary for CNN operation in the block memory (weight memory, bias memory, and input image) through the bus interface, and implements the operation sequentially from the Convolution1 module. It is performed on the feature map at the same time, and the operation result of each module is stored in the block memory. Here, the hardware structure can be implemented so that a multiplier can be used to reduce the execution time of the convolution layer as much as possible, the convolution operation is performed in 1 clk, and the calculation is continuously performed using a double buffer.

또한 딥러닝판단부(130)는 구체적으로 도 12에서와 같은 구성들을 포함할 수 있는데, 신경망 시스템 개발을 위한 FPGA 보드로서 제작될 수 있고, AXI4 simulation 환경 및 logic 설계, Channel write input arbiter, address/data fifo 설계, Channel write input arbiter, address/data fifo 설계, Boundary write split 설계, AXI I/F write wrapper 설계, AXI Master wrapper I/F, Slave I/F 설계, FPGA top module 설계, 병렬 프로세서를 위한 시뮬레이션 환경 구축 및 모델링, 병렬 프로세서에서 객체인식 알고리즘 매핑 등이 구현되고, 학습된 가중치를 메모리에 저장하도록 함과 아울러, 카메라 인터페이스 설계도 함께 구현된다. In addition, the deep learning decision unit 130 may specifically include the same components as in FIG. 12 , and may be manufactured as an FPGA board for neural network system development, AXI4 simulation environment and logic design, Channel write input arbiter, address/ Data fifo design, Channel write input arbiter, address/data fifo design, Boundary write split design, AXI I/F write wrapper design, AXI Master wrapper I/F, Slave I/F design, FPGA top module design, for parallel processor Simulation environment construction and modeling, object recognition algorithm mapping in a parallel processor, etc. are implemented, and the learned weights are stored in memory, and camera interface design is also implemented.

딥러닝판단부(130)에서, 기반 객체검출 알고리즘의 구현은, 도 13에서와 같이, Faster R-CNN을 이용하여 포토레지스트의 공급노즐(210)에서 포토레지스트에 대한 좌,우측 분배 및 드롭, 잔존 등의 결함영역을 검출하는 알고리즘이 구현되고, 제안영역(Region Proposal)은 추출방법을 CNN에 포함하여 입력부터 출력까지 전과정을 하나의 네트워크로 운용할 수 있도록 하여, 처리시간의 단축과 학습의 일관성을 갖도록 구현된다. Fast R-CNN 구성에는 기존 이미지 센서가 측정하기 어려운 1,000rpm 이상의 고속으로 움직이는 피사체에 대해서도 정확한 이미지 획득이 가능하도록 구성될 수 있다. In the deep learning decision unit 130, the implementation of the based object detection algorithm is, as in FIG. 13, using Faster R-CNN to distribute and drop left and right for the photoresist in the supply nozzle 210 of the photoresist, An algorithm for detecting defect regions such as residuals is implemented, and the region proposal includes the extraction method in CNN so that the entire process from input to output can be operated as one network, thereby reducing processing time and improving learning. implemented to be consistent. In the Fast R-CNN configuration, it can be configured to enable accurate image acquisition even for subjects moving at a high speed of 1,000 rpm or more, which is difficult to measure with existing image sensors.

도 14를 참조하면, 딥러닝판단부(130)에 의해, 입력영상으로부터 CNN과 다운샘플링(max pooling)으로 특징맵을 추출하고, 검출하려는 객체가 있는 전경(object) 영역과 없는 배경(not object) 영역을 구분하고, 특징맵을 CNN(Conv.3)을 통과시키고, 다시 Conv.1을 통과시킨 후, 이를 완전연결층(FC: fully connected layer)에 연결하여 배경 영역과 전경 영역을 분류한다. 전경 영역의 위치와 전경 영역에 외접하는 사각형(bounding-box)을 구하는 과정으로서, 위치는 전경 영역을 둘러싸는 사각형의 중심좌표(x,y)이고, 사각형의 크기는 가로폭(w)과 세로높이(h)로 x,y,w,h로 표시되며, 결과는 전경 배경과 x, y, w, h의 6개 값이 되며, 이를 이용하여 제안영역을 표현할 수 있다. 전경 배경은 각각 0과 1 사이의 실수값을 가진다. 이 값은 지주(anchor)박스와 기준(ground-truth)박스를 이용하여 구하며, 지주박스는 검출영역을 탐색하는 윈도우이다. 전경 및 배경을 구별하기 위한 값은 아래 수학식 1을 이용한다.Referring to FIG. 14 , by the deep learning decision unit 130, a feature map is extracted from an input image by CNN and downsampling (max pooling), and a foreground (object) area with an object to be detected and a background without (not object) ) region, pass the feature map through CNN (Conv.3), and then pass it through Conv. . It is a process of obtaining the position of the foreground region and a bounding-box circumscribed in the foreground region. The position is the center coordinate (x, y) of the rectangle enclosing the foreground region, and the size of the rectangle is the width (w) and length. The height (h) is expressed as x, y, w, h, and the result becomes the foreground background and six values of x, y, w, and h, and the proposed area can be expressed using this. The foreground and background each have a real value between 0 and 1. This value is obtained using an anchor box and a ground-truth box, and the anchor box is a window for searching the detection area. Equation 1 below is used as a value for distinguishing the foreground and the background.

Figure 112020036505443-pat00001
Figure 112020036505443-pat00001

여기서, A는 지주박스 면적이고 B는 기준박스 면적이며, S는 두 박스가 겹치는 면적으로서, 전경과 배경에 대한 영역 값을 설정할 수 있다. Here, A is the area of the holding box, B is the area of the reference box, and S is the area where the two boxes overlap.

도 15를 참조하면, 검출과정은 ROI(region of interesting) pooling층, 두 개의 완전연결(fully connected layer)층, 좌우 분배(Left & Right dispensing), 드롭(drop), 잔류물(residues) 영역의 검출 과정으로 구성될 수 있다. ROI pooling층의 출력은 두 개의 완전 연결층(FC)을 거쳐, 좌우 분배(Left & Right dispensing), 드롭(drop), 잔류물(residues) 영역과 배경으로 구분된다. 객체 영역을 둘러싸는 사각형의 위치를 미세조정(fine-tune)하는 과정은 검출된 영역을 확정하기 위한 것으로 검출된 객체에 외접하는 사각형을 구하는 과정이기도 하다.Referring to FIG. 15 , the detection process is a region of interesting (ROI) pooling layer, two fully connected layers, Left & Right dispensing, drop, and residues of the region. It may consist of a detection process. The output of the ROI pooling layer goes through two fully connected layers (FC), and is divided into Left & Right dispensing, drop, residue regions and background. The process of fine-tuning the position of the rectangle surrounding the object region is for determining the detected region, and is also a process of obtaining a rectangle circumscribing the detected object.

도 16 및 도 17을 참조하면, 기준박스와 지주박스 검출의 경우, RTL을 위한 동작검증용 시뮬레이터(Simulator)를 개발할 수 있는데, 이는 하드웨어와 정확한 동작을 확인하기 위한 검증용으로서 필요하다. 이를 위한 C-언어 기반의 시뮬레이터로 구현할 수 있고, 객체인식 성능을 최대한 유지하면서 연산량(FLOPs)을 개선하기 위해 1 x 1 x N channel reduction layer의 삽입이나, Weight pruning 기법, Weight quantization 기법 등 네트워크 압축 기법으로 구현 처리할 수 있다. 또한, 기존 네트워크 계층(layer)을 줄이고, 대신 인식 성능 저하를 최소화하기 위한 route(skip connection), reorg와 같은 신규 네트워크 기법을 도입하여 연산량을 개선시킬 수 있다. 검증을 위한 프로파일링 기능 구현 과정, 각 레이어의 입력/출력 정보를 로그 파일 생성 과정, 그리고 각 레이어의 가중치 및 파라미터 정보를 로그 파일로 생성하는 과정들이 수행될 수 있다. 16 and 17 , in the case of detecting the reference box and the holding box, a simulator for operation verification for RTL can be developed, which is necessary for verification to confirm the correct operation with hardware. For this, it can be implemented as a C-language-based simulator, and network compression such as insertion of a 1 x 1 x N channel reduction layer, weight pruning technique, and weight quantization technique to improve computational amount (FLOPs) while maintaining object recognition performance as much as possible. method can be implemented. In addition, the amount of computation can be improved by reducing the existing network layer and introducing a new network technique such as route (skip connection) and reorg to minimize recognition performance degradation instead. A process of implementing a profiling function for verification, a process of generating a log file of input/output information of each layer, and a process of generating weight and parameter information of each layer as a log file may be performed.

도 18을 참조하면, 학습하고자 하는 데이터는 반도체 산업의 특성상 보안 문제로 인해 데이터 수집에 대한 접근에 많은 어려움이 있어, 결함데이터 이미지를 학습하기에는 매우 불충분한 상황이다. 따라서, 충분한 학습용 데이터를 확보하기 위하여 관련 유지보수 업체를 활용하여 산업체 현장에서 사용하는 포토레지스트 코팅용 공급노즐 및 포토레지스를 확보한 후, 다른 장소에서 유사 환경실험을 통하여 확보할 수 있다. 또한 원본 이미지에 대해 변환(평행 이동, 각도 조절 등)처리를 이용해서 확보할 수도 있다. 학습은 네가지 단계를 거쳐 이루어질 수 있는데, 첫 번째 단계는, 학습데이터를 이용하여 RPN을 학습하고, 두 번째 단계는 학습된 RPN으로부터 얻은 제안영역을 이용하여 검출기를 학습하고, 세 번째 단계는 콘볼루션(CNN) 및 Max pooloing 단계의 가중치를 고정한 후 RPN을 미세조정할 수 있다. 네번째 단계는 세 번째 단계로부터 구한 제안영역을 이용하여 검출기를 미세조정 하는 과정이다. 여기서 세 번째 및 네 번째 단계에서는 콘볼루션 및 Max pooling 과정의 가중치를 서로 공유하게 된다. 또한 외부에 별도로 존재하는 RPN을 네트워 크 내부로 통합함으로써, 콘볼루션 및 Max pooling 부분을 공유하게 되어 객체검출 시간을 크게 단축할 수 있다. Referring to FIG. 18 , the data to be learned has many difficulties in accessing data collection due to security problems due to the characteristics of the semiconductor industry, which is a very insufficient situation to learn the defect data image. Therefore, in order to secure sufficient data for learning, it is possible to secure the supply nozzle and photoresist for photoresist coating used at the industrial site by using a related maintenance company, and then secure it through a similar environmental experiment in another place. It can also be secured by using transformation (parallel movement, angle adjustment, etc.) processing on the original image. Learning can be done through four steps, the first step is to learn the RPN using the training data, the second step is to learn the detector using the proposed area obtained from the learned RPN, and the third step is convolution After fixing the weights of the (CNN) and Max pooloing steps, the RPN can be fine-tuned. The fourth step is the process of fine-tuning the detector using the proposed area obtained from the third step. Here, in the third and fourth steps, the weights of the convolution and Max pooling processes are shared with each other. In addition, by integrating the RPN, which exists separately from the outside, into the network, the convolution and Max pooling parts are shared, and the object detection time can be greatly reduced.

도 19 내지 도 21을 참조하면, 플랫폼기반의 이미징 시스템 개발을 위해, 딥러닝 영상감시 플랫폼 적용, 반도체 장비에 특화된 UI 기반 결함검사 모니터링 프로그램 개발, 네트워크 8채널 이상의 비디오 입력, 화면분할(1분할, 4분할, 8분할), 연속 또는 이벤트시 영상 저장 모드의 구현, H.265,H.264,MJPEG 압축방식과 HDMI, VGA 모니터 출력, 1TB 이상 저장공간이 구현되도록 할 수 있다.19 to 21 , for the development of a platform-based imaging system, a deep learning image monitoring platform is applied, a UI-based defect inspection monitoring program specialized for semiconductor equipment is developed, a video input of more than 8 channels in the network, a screen division (1 division, 4 division, 8 division), continuous or event video storage mode implementation, H.265, H.264, MJPEG compression methods, HDMI, VGA monitor output, and storage space of 1TB or more can be implemented.

도 22를 참조하면, 제 1 내지 제 3 DVS(110,120,260)에 대한 높은 이미지 품질을 위한 해상도 확장이 필요한데, 이를 위해, 높은 수준의 영향을 획득하기 위해서 128*128 이상의 해상도로 확장되도록 구성될 수 있고, 집적화를 최대화하기 위해 성능을 유지하면서 픽셀 면적을 줄여 기존 전체 칩 사이즈에 더 큰 해상도를 확보할 수 있도록 할 필요가 있다. Referring to FIG. 22, resolution expansion for high image quality is required for the first to third DVSs 110, 120, and 260. , in order to maximize integration, it is necessary to reduce the pixel area while maintaining performance so that a larger resolution can be secured for the existing overall chip size.

도 23을 참조하면, 낮은 조도에서도 사물을 감지할 수 있기 위해서는 픽셀의 고감도(high sensitivity)가 필요하다. 이를 위해 디퍼런싱 증폭기(Differencing Amplifier)의 높은 이득(gain)이 필요하기 때문에 빛을 모아주는 포토다이오드의 필 팩터(fill factor)가 감소하는 문제점이 존재하는데, 이의 해결을 위하여, 디퍼런싱 증폭기(differencing amp)를 펄스 발생기(pulse generator)로 대체할 수 있다. Referring to FIG. 23 , in order to detect an object even in low illuminance, high sensitivity of the pixel is required. To this end, there is a problem in that the fill factor of the photodiode that collects light decreases because a high gain of the differencing amplifier is required. (Differencing amp) can be replaced with a pulse generator.

제어부(140)는 딥러닝판단부(130)의 판별 결과에 따라 포토레지스트의 결함 발생시 경보 발생을 위한 제어신호를 출력하도록 한다. 제어부(140)는 딥러닝판단부(130)의 판별 결과에 따라 포토레지스트의 결함 발생시, 스핀 코터(10)의 동작을 정지시키도록 제어할 수 있는데, 이를 위해 스핀 코터(10)에 마련되는 결함중단부(250)가 제어부(140)의 제어신호를 수신받아 스핀 코터(10)의 동작을 정지시키도록 구성될 수도 있다.The control unit 140 outputs a control signal for generating an alarm when a photoresist defect occurs according to the determination result of the deep learning determination unit 130 . The control unit 140 may control to stop the operation of the spin coater 10 when a defect occurs in the photoresist according to the determination result of the deep learning determination unit 130 . For this purpose, the defect provided in the spin coater 10 . The stop unit 250 may be configured to receive a control signal from the control unit 140 to stop the operation of the spin coater 10 .

제어부(140)는 공급노즐(210)로부터 정상적으로 공급될 때의 포토레지스트의 단면과 한 쌍으로 이루어져서 공급노즐(210)을 중심으로 90도의 각도로 배치되는 상기 제 1 DVS(110)로부터 획득되는 이미지로부터 산출되는 실제 포토레지스트의 단면을 오버랩되도록 디스플레이부(미도시)를 통해서 디스플레이함으로써, 포토레지스트의 공급 결함을 직관적으로 표시하도록 할 수 있다. 따라서, 작업자는 이러한 디스플레이 결과를 통해서 현재 공급노즐(210)의 상태를 확인할 수 있도록 할 뿐만 아니라, 이에 대한 신속한 후속 조치를 취할 수 있도록 한다. 제어부(140)는 서로 직교하도록 이미지를 획득하는 한 쌍의 제 1 DVS(110) 각각의 획득 이미지로부터 공급되는 포토레지스트가 정상임을 판단하기 위한 기준이 되는 수직선(도 5 참조)으로부터 어느 정도 일치 내지 이격되었는지를 이미지 프로세싱에 의해 수치적으로 획득하고, 이를 기초로 하여, 공급노즐(210)로부터 공급되는 포토레지스트의 단면 형태를 실험에 의해 획득하고, 이러한 단면 형태를 기준이 되는 수직선으로부터 어느 정도 이격되었는지 수치적으로 획득한 값을 적용하여 기준으로부터 배치함으로써, 도 25에서와 같이, 평면적으로 정상 포토레지스트의 단면(기준)을 기준으로 전후 및 좌우 이격치를 반영하여 실제 공급되는 포토레지스트의 단면(실제)을 나타냄으로써, 실제 포토레지스트의 결함 편차를 직관적으로 신속하게 파악할 수 있도록 한다. The control unit 140 is made of a pair with the cross section of the photoresist when normally supplied from the supply nozzle 210, and the image obtained from the first DVS 110 is arranged at an angle of 90 degrees with respect to the supply nozzle 210. By displaying through a display unit (not shown) to overlap the cross section of the actual photoresist calculated from , it is possible to intuitively display the supply defect of the photoresist. Therefore, the operator can not only check the current state of the supply nozzle 210 through the display result, but also take quick follow-up measures. The control unit 140 agrees to some extent from a vertical line (refer to FIG. 5) as a standard for determining that the photoresist supplied from each of the acquired images of a pair of first DVS 110 for acquiring images to be orthogonal to each other is normal. It is numerically obtained by image processing whether it is spaced apart, and based on this, the cross-sectional shape of the photoresist supplied from the supply nozzle 210 is obtained by an experiment, and the cross-sectional shape is separated from the standard vertical line to some extent. By applying the numerically obtained value and placing it from the reference, as in FIG. 25, the cross-section of the photoresist that is actually supplied (actual ), so that the defect deviation of the actual photoresist can be intuitively and quickly grasped.

경보발생부(150)는 제어부(140)의 제어신호에 따라 경보를 발생시키도록 하는데, 케이싱(230)의 외측에 마련되는 디스플레이부(170)를 통해서 경보 메시지를 디스플레이하도록 하거나, 경보음을 출력하도록 스피커로 이루어지거나, 발광이나 점멸 등에 의해 경보를 제공하도록 발광유닛으로 이루어질 수 있다.The alarm generating unit 150 generates an alarm according to the control signal of the control unit 140 , and displays an alarm message through the display unit 170 provided on the outside of the casing 230 or outputs an alarm sound. It may be made of a speaker, or a light emitting unit to provide an alarm by light emission or blinking.

본 발명의 일 실시례에 따른 DVS와 딥러닝을 이용한 스핀 코터의 포토레지스트 코팅 품질 검사 시스템(100)에는, 데이터나 명령의 입력을 위한 입력부(180), 동작에 필요한 전원을 분배하는 전원공급부(미도시), 각종 데이터나 프로그램 등의 저장을 위한 메모리부(미도시) 등이 마련될 수도 있고, 웨이퍼에 대한 포토레지스트의 도포후, 후속 공정에서 웨이퍼의 다이(chip)별로 검사된 프로브(probe) 테스트의 데이터를 통해서 웨이퍼의 다이별 불량률을 산출하는 웨이퍼수율관리시스템(300)으로부터 불량률을 유선이나 무선 통신을 이용하여 데이터로서 수신받도록 하는 불량률수신부(160)가 마련될 수 있다. In the photoresist coating quality inspection system 100 of the spin coater using DVS and deep learning according to an embodiment of the present invention, an input unit 180 for inputting data or commands, a power supply unit for distributing power required for operation ( (not shown), a memory unit (not shown) for storing various data or programs, etc. ) The defective rate receiving unit 160 may be provided to receive the defective rate as data from the wafer yield management system 300 that calculates the defective rate for each die of the wafer through the data of the test using wired or wireless communication.

이때, 딥러닝판단부(130)는 딥러닝 알고리즘에 의해 학습된 가중치를 불량률에 비례하도록 수정하여, 포토레지스트의 결함 판별시 사용하도록 할 수 있다. 여기서 비례 상수로는 0.1~10을 비롯하여, 불량률의 최소화를 위해 실험적으로 구해질 수 있다. 여기서, 웨이퍼수율관리시스템(300)은 웨이퍼의 다이별로 검사된 프로브(probe) 테스트 데이터를 입력받아, 입력된 프로브 테스트 데이터를 이용하여, 정해진 수율 산출 방식에 따라 웨이퍼 각각에 대한 수율을 산출하게 되고, 웨이퍼 각각에 대한 식별정보와 함께 해당하는 수율을 불량률수신부(160)에 제공하도록 한다. In this case, the deep learning determination unit 130 may correct the weight learned by the deep learning algorithm to be proportional to the defective rate, and may be used when determining the defect of the photoresist. Here, the proportional constant, including 0.1 to 10, may be experimentally obtained to minimize the defective rate. Here, the wafer yield management system 300 receives the probe test data inspected for each die of the wafer, and uses the input probe test data to calculate the yield for each wafer according to a predetermined yield calculation method. , to provide the corresponding yield along with identification information for each wafer to the defective rate receiving unit 160 .

스핀 코터(10)는 공급노즐(210)을 통한 포토레지스의 공급을 개폐시키기 위한 노즐개폐부(212)가 마련될 수 있고, 케이싱(230) 내에 공급노즐(210)이 고정된 노즐아암(211)을 스핀척(220)의 상측에 로딩하도록 하거나, 스핀척(220)의 상측으로부터 언로딩시키는 노즐이송부(213)가 마련될 수 있고, 또한 스핀 코터(10)는 정해진 프로세스를 수행하도록 노즐개폐부(212), 노즐이송부(213) 및 스핀척(220) 등의 제어를 수행하도록 하는 메인제어부(240)가 마련될 수 있다.The spin coater 10 may be provided with a nozzle opening/closing part 212 for opening and closing the supply of the photoresist through the supply nozzle 210 , and a nozzle arm 211 to which the supply nozzle 210 is fixed in the casing 230 . A nozzle transfer unit 213 for loading or unloading from the upper side of the spin chuck 220 may be provided, and the spin coater 10 may have a nozzle opening/closing unit to perform a predetermined process. A main control unit 240 for controlling the 212 , the nozzle transfer unit 213 , and the spin chuck 220 may be provided.

이와 같은 본 발명에 따른 DVS와 딥러닝을 이용한 스핀 코터의 포토레지스트 코팅 품질 검사 시스템에 따르면, 딥러닝(Deep learning) 기술을 활용한 스핀 코터의 공급노즐 상태에 대한 유형 데이터를 정량화하고, 포토레지스트 도포 과정에 대한 영상 상태의 검출 처리능력을 향상시켜 실시간으로 공급노즐 상태를 감시하고, 비정상적 결함상태가 감지될 경우 해당 유닛에 경보를 울리게 하여 공정불량 예방 및 수율 강화에 따른 생산효율을 극대화할 수 있다.According to the photoresist coating quality inspection system of the spin coater using DVS and deep learning according to the present invention, the type data for the supply nozzle state of the spin coater using deep learning technology is quantified, and the photoresist By improving the detection processing capability of the image status of the coating process, the supply nozzle status is monitored in real time, and when an abnormal defect condition is detected, an alarm is sounded on the unit to maximize production efficiency by preventing process defects and enhancing yield. have.

또한, 본 발명에 따르면, 딥러닝 기반 이미지 분석은 육안 검사의 정교함과 유연성을 컴퓨터 비전의 신뢰성, 일관성, 속도와 결합하여, 기존 머신비전으로는 유지관리가 거의 불가능한 까다로운 비전 애플리케이션을 정밀하고, 반복적으로 해결할 수 있으며, 허용되지 않는 결함을 구분하는 동시에 복잡한 패턴의 자연적인 변동을 용인할 수 있으며, 코어 알고리즘을 다시 프로그래밍하지 않고도 새로운 예시에 맞게 바로 조정할 수 있는 장점을 가지도록 한다.In addition, according to the present invention, deep learning-based image analysis combines the sophistication and flexibility of visual inspection with the reliability, consistency, and speed of computer vision, enabling precise, repeatable, and difficult-to-maintain difficult vision applications with conventional machine vision. , it can distinguish unacceptable defects while also tolerating natural variations in complex patterns, and has the advantage of being able to adapt directly to new examples without reprogramming the core algorithm.

또한, 본 발명에 따르면, 딥러닝 기반 기술은 포토레지스트의 공급노즐 상태의 결함 기준에서 영상을 분류(Classification)하고, 결함영역 구분 및 물체 검출은 컨볼루션신경망(CNN)을 이용하여 입력된 영상의 특징 맵(feature map)을 생성하여, 영상데이터에서 결함영역 구분 및 물체 검출을 수행하는 영상처리 알고리즘을 사용하여, 결함 영상처리 능력을 향상시키고, 검사신뢰성을 높일 수 있다는 점에서 머신비전 방식과 차별성을 가지게 된다.In addition, according to the present invention, the deep learning-based technology classifies the image based on the defect criterion of the supply nozzle state of the photoresist, and the defect area classification and object detection are performed using a convolutional neural network (CNN) of the input image. It is differentiated from the machine vision method in that it can generate a feature map and use an image processing algorithm that performs defect area classification and object detection in image data to improve defect image processing capability and increase inspection reliability. will have

이와 같이, 웨이퍼 제조공정의 초기단계인 포토리소그래피(Photo-Lithograghy) 공정의 포토레지스트 노즐로부터 공급 결함으로 인한 레지스트 필름의 두께 이상 및 불균일성으로 인한 피해를 예방함으로써, 수입 대체 및 비용 절감에 따른 경제적인 효과를 달성할 수 있다.As such, by preventing damage due to irregularity and thickness abnormality of the resist film due to a supply defect from the photoresist nozzle of the photo-lithography process, which is the initial stage of the wafer manufacturing process, it is economical due to import substitution and cost reduction. effect can be achieved.

이와 같이 본 발명에 대해서 첨부된 도면을 참조하여 설명하였으나, 본 발명의 기술적 사상을 벗어나지 않는 범위 내에서 다양한 수정 및 변형이 이루어질 수 있음은 물론이다. 그러므로, 본 발명의 범위는 설명된 실시례에 한정되어서는 아니되며, 후술하는 특허청구범위뿐만 아니라 이러한 특허청구범위와 균등한 것들에 의해 정해져야 한다.As described above, the present invention has been described with reference to the accompanying drawings, but it goes without saying that various modifications and variations may be made within the scope without departing from the spirit of the present invention. Therefore, the scope of the present invention should not be limited to the described embodiments, and should be defined by the claims described below as well as those claims and equivalents.

110 : 제 1 DVS 120 : 제 2 DVS
130 : 딥러닝판단부 140 : 제어부
150 : 경보발생부 160 : 불량률수신부
170 : 디스플레이부 180 : 입력부
210 : 공급노즐 211 : 노즐아암
212 : 노즐개폐부 213 : 노즐이송부
220 : 스핀척 230 : 케이싱
231 : 콘트롤박스 240 : 메인제어부
250 : 결함중단부 260 : 제 3 DVS
300 : 웨이퍼수율관리시스템110: first DVS 120: second DVS
130: deep learning judgment unit 140: control unit
150: alarm generating unit 160: defective rate receiving unit
170: display unit 180: input unit
210: supply nozzle 211: nozzle arm
212: nozzle opening and closing part 213: nozzle transfer part
220: spin chuck 230: casing
231: control box 240: main control unit
250: defect stop 260: third DVS
300: wafer yield management system

Claims (5)

스핀 코터의 공급노즐로부터 공급되는 포토레지스트의 이미지를 획득하도록 상기 스핀 코터에 설치되는 제 1 DVS(Dynamic Vision Sensor);
상기 공급노즐로부터 스핀척 상의 웨이퍼 상면에 공급되어 원심력에 의해 퍼져나가는 포토레지스트의 이미지를 획득하도록 상기 스핀 코터에 설치되는 제 2 DVS(Dynamic Vision Sensor);
상기 공급노즐로부터 상기 스핀척 상의 웨이퍼 상면에 공급되어 원심력에 의해 퍼져나가는 포토레지스트의 이미지를 상기 웨이퍼에 수평된 방향에서 상기 웨이퍼의 가장자리로부터 획득하도록 상기 스핀 코터에 설치되는 제 3 DVS(Dynamic Vision Sensor);
상기 제 1 내지 제 3 DVS로부터 획득되는 이미지로부터 딥러닝 알고리즘에 의해 포토레지스트의 결함 여부를 판별하도록 하고, 상기 딥러닝 알고리즘의 구현을 위하여, CNN 하드웨어 가속기를 가지는 딥러닝판단부;
상기 딥러닝판단부의 판별 결과에 따라 포토레지스트의 결함 발생시 경보 발생을 위한 제어신호를 출력하도록 하는 제어부;
상기 제어부의 제어신호에 따라 경보를 발생시키는 경보발생부;
웨이퍼에 대한 상기 포토레지스트의 도포후, 후속 공정에서 상기 웨이퍼의 다이별로 검사된 프로브 테스트의 데이터를 통해서 상기 웨이퍼의 다이별 불량률을 산출하는 웨이퍼수율관리시스템으로부터 상기 불량률을 수신받도록 하는 불량률수신부;
를 포함하고,
상기 딥러닝판단부는,
상기 딥러닝 알고리즘에 의해 학습된 가중치를 상기 불량률에 비례하도록 수정하여, 상기 포토레지스트의 결함 판별시 사용하도록 하고,
상기 제 1 DVS는,
한 쌍으로 이루어져서 상기 공급노즐을 중심으로 90도의 각도로 배치되고,
상기 제어부는,
상기 공급노즐로부터 정상적으로 공급되는 포토레지스트의 단면과 상기 제 1 DVS로부터 획득되는 이미지로부터 산출되는 실제 포토레지스트의 단면을 오버랩되도록 디스플레이함으로써, 포토레지스트의 공급 결함을 직관적으로 표시하도록 하고,
상기 제어부는,
상기 딥러닝판단부의 판별 결과에 따라 포토레지스트의 결함 발생시, 상기 스핀 코터의 동작을 정지시키도록 제어하는 것을 특징으로 하는, DVS와 딥러닝을 이용한 스핀 코터의 포토레지스트 코팅 품질 검사 시스템.a first Dynamic Vision Sensor (DVS) installed in the spin coater to acquire an image of the photoresist supplied from the supply nozzle of the spin coater;
a second Dynamic Vision Sensor (DVS) installed in the spin coater to acquire an image of a photoresist that is supplied from the supply nozzle to the upper surface of the wafer on the spin chuck and spreads by centrifugal force;
A third Dynamic Vision Sensor (DVS) installed in the spin coater to acquire an image of photoresist supplied from the supply nozzle to the upper surface of the wafer on the spin chuck and spread by centrifugal force from the edge of the wafer in a direction horizontal to the wafer );
a deep learning determination unit having a CNN hardware accelerator to determine whether the photoresist is defective by a deep learning algorithm from the images obtained from the first to third DVS, and to implement the deep learning algorithm;
a control unit configured to output a control signal for generating an alarm when a photoresist defect occurs according to the determination result of the deep learning determination unit;
an alarm generating unit for generating an alarm according to a control signal of the control unit;
a defective rate receiving unit configured to receive the defective rate from a wafer yield management system that calculates a defective rate for each die of the wafer through data of a probe test inspected for each die of the wafer in a subsequent process after the photoresist is applied to the wafer;
including,
The deep learning decision unit,
By modifying the weight learned by the deep learning algorithm to be proportional to the defective rate, it is used to determine the defect of the photoresist,
The first DVS,
It consists of a pair and is disposed at an angle of 90 degrees around the supply nozzle,
The control unit is
By displaying the cross section of the photoresist normally supplied from the supply nozzle and the cross section of the actual photoresist calculated from the image obtained from the first DVS to overlap, the supply defect of the photoresist is displayed intuitively,
The control unit is
A photoresist coating quality inspection system of a spin coater using DVS and deep learning, characterized in that controlling to stop the operation of the spin coater when a photoresist defect occurs according to the determination result of the deep learning judging unit. 삭제delete 삭제delete 청구항 1에 있어서,
상기 딥러닝판단부는,
상기 공급노즐의 하단으로부터 수직 하방으로 연장되는 가상의 수직선에 대하여, 상기 공급노즐의 하단으로부터 하방으로 공급되는 포토레지스트의 이격량에 따라 상기 포토레지스트의 결함을 판별하도록 하거나, 상기 포토레지스트가 도포되는 상기 웨이퍼 상에서 중심부와 차별되는 색상이나 형태를 가지는 영역 비율에 따라 상기 포토레지스트의 결함을 판별하도록 하는, DVS와 딥러닝을 이용한 스핀 코터의 포토레지스트 코팅 품질 검사 시스템.The method according to claim 1,
The deep learning decision unit,
With respect to an imaginary vertical line extending vertically downward from the lower end of the supply nozzle, the defect of the photoresist is determined according to the separation amount of the photoresist supplied downward from the lower end of the supply nozzle, or the photoresist is applied A photoresist coating quality inspection system of a spin coater using DVS and deep learning to discriminate defects of the photoresist according to the ratio of regions having a color or shape that are differentiated from the center on the wafer. 삭제delete
KR1020200042732A 2020-04-08 2020-04-08 System for inspecting photoresist coating quality of spin coater KR102327761B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200042732A KR102327761B1 (en) 2020-04-08 2020-04-08 System for inspecting photoresist coating quality of spin coater

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200042732A KR102327761B1 (en) 2020-04-08 2020-04-08 System for inspecting photoresist coating quality of spin coater

Publications (2)

Publication Number Publication Date
KR20210125637A KR20210125637A (en) 2021-10-19
KR102327761B1 true KR102327761B1 (en) 2021-11-19

Family

ID=78228464

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200042732A KR102327761B1 (en) 2020-04-08 2020-04-08 System for inspecting photoresist coating quality of spin coater

Country Status (1)

Country Link
KR (1) KR102327761B1 (en)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2020031083A (en) * 2018-08-20 2020-02-27 株式会社Ｓｃｒｅｅｎホールディングス Substrate processing method, substrate processing apparatus, and substrate processing system
JP2020031103A (en) 2018-08-21 2020-02-27 株式会社Ｓｃｒｅｅｎホールディングス Substrate processing method, substrate processing apparatus, and substrate processing system

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20040060553A (en) * 2002-12-30 2004-07-06 동부전자 주식회사 monitoring apparatus of photo resist coating defect and its method
KR20190015160A (en) * 2018-11-01 2019-02-13 주식회사 수아랩 Method for training artificial neural network

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2020031083A (en) * 2018-08-20 2020-02-27 株式会社Ｓｃｒｅｅｎホールディングス Substrate processing method, substrate processing apparatus, and substrate processing system
JP2020031103A (en) 2018-08-21 2020-02-27 株式会社Ｓｃｒｅｅｎホールディングス Substrate processing method, substrate processing apparatus, and substrate processing system

Also Published As

Publication number Publication date
KR20210125637A (en) 2021-10-19

Similar Documents

Publication Publication Date Title
US9031313B2 (en) Inspection system
CA2843892C (en) System and method for remote full field three-dimensional displacement and strain measurements
TWI597689B (en) Defect classification using topographical attributes
TWI616823B (en) Defect classification using cad-based context attributes
CN110969598A (en) Wafer inspection method and wafer inspection system
US20140037187A1 (en) Inspecting a Wafer and/or Predicting One or More Characteristics of a Device Being Formed on a Wafer
US20120229618A1 (en) Defect inspection device and defect inspection method
US9262821B2 (en) Inspection recipe setup from reference image variation
US20210012475A1 (en) System and method for set up of production line inspection
TW202105549A (en) Method of defect detection on a specimen and system thereof
JP2002100660A (en) Defect detecting method, defect observing method and defect detecting apparatus
KR100598381B1 (en) in-line typed apparatus for auto wafer-defect classification and control method thereof
KR102108956B1 (en) Apparatus for Performing Inspection of Machine Vision and Driving Method Thereof, and Computer Readable Recording Medium
JP2001326263A (en) Method of assessing structural defect on wafer surface
JP4357134B2 (en) Inspection system, inspection apparatus, semiconductor device manufacturing method, and inspection program
US20150346610A1 (en) Aerial mask inspection based weak point analysis
CN108431936A (en) Grouping based on shape
JP4126189B2 (en) Inspection condition setting program, inspection apparatus and inspection system
JP4109799B2 (en) Manufacturing method of semiconductor device
KR102585478B1 (en) System for inspecting photoresist dispensing condition of spin coater
KR102327761B1 (en) System for inspecting photoresist coating quality of spin coater
KR102324162B1 (en) Spin coater with funcion of inspecting photoresist coating quality
KR102368201B1 (en) System for inspecting photoresist coating quality of spin coater
KR20240051370A (en) Spin coater with funcion of inspecting coating quality of semiconductor photoresist apparatus
JP7475901B2 (en) Method and system for detecting defects on a test piece

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right