KR20120014886A

KR20120014886A - 검사 레시피 생성 및 검사 레시피를 기반으로 한 검사

Info

Publication number: KR20120014886A
Application number: KR1020110079780A
Authority: KR
Inventors: 엘다드 랑마츠; 시몬 코렌; 메나켐 레겐스버거; 제하바 벤-에제르
Original assignee: 캠텍 리미티드
Priority date: 2010-08-10
Filing date: 2011-08-10
Publication date: 2012-02-20
Also published as: US20120057773A1; TW201220039A; US8699784B2; TWI547802B

Abstract

시스템, 컴퓨터로 읽을 수 있는 매체 및 방법이 개시된다. 상기 시스템은, (i) 검사되는 물체의 적어도 일부분에 대한 데이터를 획득하도록 구성되는 데이터 획득 모듈; 및 (ii) (a) 검사 레시피를 제공하기 위해 데이터를 처리하는 동작, 및 (b) 결함을 검출하기 위해 검사 레시피를 사용하면서 데이터를 처리하는 동작 중 적어도 하나의 데이터 처리 동작을 수행하도록 구성되는 프로세서를 포함하며, 상기 검사 레시피는 다수의 구역 타입의 다수의 구역을 포함하고, 제 1 구역 타입의 구역은 제 2 구역 타입의 구역과 상이하다.

Description

검사 레시피 생성 및 검사 레시피를 기반으로 한 검사{INSPECTION RECIPE GENERATION AND INSPECTION BASED ON AN INSPECTION RECIPE}

본원은 2010년 8월 10일에 출원된 미국 가출원번호 61/372,109를 기초로 우선권을 주장하며, 상기 출원은 여기에 참조로 포함된다.

본 발명은 검사 레시피 생성 및 검사 레시피를 기반으로 한 검사에 관한 것이다.

도 1은 종래의 검사 프로세스(100)를 도시한다. 검사 공정(100)은 일반적으로 시스템의 설정 도중 수행되는 모델링 단계(110)를 포함한다. 모델링 단계(110) 후, 검사 단계(120)가 수행된다.

단계(110)는 이미지를 획득하는 단계(112) 및 모델(114)을 생성하는 단계(획득된 이미지를 기반으로 함)를 포함한다. 모델의 각 픽셀에 대하여, 모델은 최소 그레이 레벨 값, 최대 그레이 레벨 값 및 일반적인 그레이 레벨 값을 갖는다.

단계(120)는 모델을 독출하는 단계(124), 물체의 이미지를 획득하는 단계(122) 및 물체의 이미지를 설정 도중 생성된 모델로부터 독출된 이미지와 비교하는 단계(126)를 포함한다. 비교 단계(126) 후에, 결함 목록을 생성할 수 있는 결정 단계(128)(결함이 있는지 여부를 결정함)가 수행된다.

도 2는 종래의 모델 생성 프로세스(130)를 도시한다. 설정 도중, 이미지의 세트가 다수의 다이로부터 수집된다(132). 상기 다이는 무작위로 선택되거나 사용자에 의해 선택된다. 상기 이미지는 다이의 "골든 이미지(golden image)"를 생성하도록 사용되며, 상기 골든 이미지는 바람직하게 결함을 갖지 않는 것으로 가정된다. "골든 이미지"의 각각의 픽셀은 일반적인 그레이 레벨 값("Typ"), 최소 그레이 레벨 값("Min") 및 최대 그레이 레벨 값("Max")으로 구성된다(136). 상기 세 가지 값들은 결함의 존재를 결정하는 동시에 결함 검출에 실패하는 것을 최소화하도록 검사 도중 사용될 수 있다.

본 발명은 검사 레시피 생성 및 검사 레시피를 기반으로 한 검사를 제공하는 것을 목적으로 한다.

본 발명의 일 실시예에 따르면, 방법이 제공된다. 상기 방법은: 데이터 획득 모듈에 의해, 검사되는 물체의 적어도 일 부분에 대한 데이터를 획득하는 단계로서, 상기 검사되는 물체는 특정 클래스의 적어도 하나의 오브젝트를 포함하는 단계; 및 프로세서에 의해, (a) 검사 레시피를 제공하기 위한 데이터 프로세싱 및 (b) 검사 레시피를 이용하면서 결함을 검출하기 위한 데이터 프로세싱 중 적어도 하나의 데이터 프로세싱 동작을 수행하는 단계로서, 상기 검사 레시피는 특정 클래스의 오브젝트 모델을 포함하고, 데이터 수집 규칙(rule)은 광학적 조명 규칙 및 광학적 수집 규칙을 포함하고, 상기 오브젝트 모델은 오브젝트(감지 수단으로부터 수신됨)의 픽셀 값을 대표하는 데이터 및 적어도 오브젝트 모델의 형상, 오브젝트 모델의 사이즈, 오브젝트 모델의 위치 및 오브젝트 모델의 배향 중 선택된 적어도 하나의 추가적인 기하학적 파라미터를 포함한다.

본 발명의 일 실시예에 따르면, 상기 방법은 비-일시적인 컴퓨터로 독출 가능한 매체에 저장된 명령을 실행하는 하나 또는 그 이상의 컴퓨터(또는 프로세서)에 의해 실행될 수 있다.

본 발명의 일 실시예에 따르면, 비-일시적인 컴퓨터로 독출 가능한 매체가 제공되고, 상기 매체는: 검사되는 물체의 적어도 일부에 대한 데이터를 획득하는 단계로서, 상기 검사되는 물체는 특정 클래스의 적어도 하나의 오브젝트를 포함할 수 있는 단계; 및 (a) 검사 레시피를 제공하기 위한 데이터 프로세싱 및 (b) 검사 레시피를 이용하면서 결함을 검출하기 위한 데이터 프로세싱 중 적어도 하나의 데이터 프로세싱 동작을 수행하는 단계를 위한 명령을 저장할 수 있으며, 상기 검사 레시피는 특정 클래스의 오브젝트 모델을 포함할 수 있으며, 오브젝트 모델은 오브젝트(감지 수단으로부터 수신됨)의 픽셀 값을 대표하는 데이터 및 오브젝트 모델의 형상, 오브젝트 모델의 사이즈, 오브젝트 모델의 위치 및 오브젝트 모델의 배향 중 선택된 적어도 하나의 추가적인 기하학적 파라미터를 포함할 수 있다.

본 발명의 일 실시예에 따르면, 시스템이 제공될 수 있으며, 상기 시스템은 데이터 획득 모듈 및 프로세서를 포함할 수 있으며, 상기 데이터 획득 모듈은 검사되는 물체의 적어도 일부에 대한 데이터를 획득하도록 구성되고, 상기 검사되는 물체는 특정 클래스의 적어도 하나의 오브젝트를 포함할 수 있으며, 상기 프로세서는: (a) 검사 레시피를 제공하기 위한 데이터 프로세싱 및 (b) 검사 레시피를 이용하면서 결함을 검출하기 위한 데이터 프로세싱 중 적어도 하나의 데이터 프로세싱 동작을 수행하도록 구성되며, 상기 오브젝트 모델은 오브젝트(감지 수단으로부터 수신됨)의 픽셀 값을 대표하는 데이터 및 오브젝트 모델의 형상, 오브젝트 모델의 사이즈, 오브젝트 모델의 위치 및 오브젝트 모델의 배향 중 선택되는 적어도 한하의 추가적인 기하학적 파라미터를 포함할 수 있다.

검사 레시피는 규칙들의 적어도 하나의 조합을 포함할 수 있으며, 규칙들의 조합 각각은 데이터 수집 규칙, 데이터 프로세싱 규칙 및 상기 프로세싱의 적어도 하나의 결과에 대한 적어도 하나의 응답에 관한 응답 규칙 중 적어도 두 개의 규칙을 포함한다.

오브젝트 모델은: 오브젝트 모델의 배향, 특정 클래스의 적어도 두 개의 오브젝트들 간의 공간적인 관계, 특정 클래스의 오브젝트의 3차원 이미지 및 특정 클래스의 오브젝트의 2차원 이미지 중 적어도 두 개의 추가적인 파라미터를 포함할 수 있다.

상기 방법은 오브젝트의 다수의 클래스들 중 오브젝트의 각 클래스를 제공하기 위해 적어도 하나의 부분에 대한 데이터를 처리하는 단계를 포함할 수 있으며, 오브젝트 모델은 오브젝트 클래스의 다수의 오브젝트를 대표한다(추가적으로 또는 대안적으로, 컴퓨터로 독출 가능한 매체는 상기 처리하는 단계를 위한 명령을 저장할 수 있음).

상기 시스템은 오브젝트의 다수의 클래스 중 오브젝트의 각 클래스를 제공하기 위해 적어도 일부분에 대한 데이터를 처리하도록 구성될 수 있으며, 오브젝트 모델은 오브젝트 클래스의 다수의 오브젝트를 대표한다.

상기 방법은 검사되는 물체의 적어도 두 개의 상이한 영역 중 각각의 영역을 제공하기 위해 이미지를 처리하는 단계를 포함할 수 있으며(추가적으로 또는 대안적으로, 컴퓨터로 읽을 수 있는 매체는 상기 처리 단계를 위한 명령을 저장할 수 있음), 오브젝트 모델은 검사되는 물체의 영역 내에 위치하는 특정 클래스의 다수의 오브젝트를 대표한다.

상기 시스템은 검사되는 물체의 적어도 두 개의 서로 다른 영역 중 각각의 영역을 제공하기 위해 이미지를 처리하도록 구성되며, 오브젝트 모델은 검사되는 물체의 영역 내에 위치하는 특정 클래스의 다수의 오브젝트를 대표한다.

검사되는 물체의 적어도 일부는 검사되는 물체 전부일 수 있으며, 상기 방법은 검사되는 물체의 모델을 제공하기 위해 검사되는 물체의 적어도 일부분에 대한 데이터를 처리하는 단계를 포함할 수 있으며, 상기 검사되는 물체의 모델은 매크로 정보 및 국부적인 조절 규칙(local adaptation rules)을 포함할 수 있다. 매크로 정보는 검사되는 물체 전체에 대한 일반적인 데이터 수집 규칙, 데이터 프로세싱 규칙 및/또는 응답 규칙을 정의하며, 국부적인 조절 규칙은 매크로 정보에 국부적인 편차(local deviations)를 제공할 수 있다.

검사되는 물체는 다수의 다이스를 포함할 수 있는 웨이퍼일 수 있으며, 다수의 다이스 중 각각의 다이스는 특정 클래스의 다수의 오브젝트를 포함할 수 있으며, 상기 방법은 다수의 다이스를 대표하는 다이 모델을 제공하기 위해 이미지를 처리하는 단계를 포함할 수 있다(추가적으로 또는 대안적으로, 컴퓨터로 읽을 수 있는 매체는 상기 처리 단계를 위한 명령을 저장할 수 있음).

상기 방법은 서로 다른 규칙의 조합을 적용함으로써 데이터를 획득하는 단계를 포함할 수 있다(추가적으로 또는 대안적으로, 컴퓨터로 읽을 수 있는 매체는 상기 획득 단계를 위한 명령을 저장할 수 있음).

상기 시스템은 서로 다른 규칙의 조합을 적용함으로써 데이터를 획득하도록 구성될 수 있다.

상기 방법은 다수의 오브젝트 모델을 생성하는 단계를 포함할 수 있으며(추가적으로 또는 대안적으로, 컴퓨터로 읽을 수 있는 매체는 상기 생성 단계를 위한 명령을 저장할 수 있음), 서로 다른 오브젝트 모델이 서로 다른 규칙의 조합을 적용함으로써 획득된다.

상기 시스템은 다수의 오브젝트 모델을 생성하도록 구성될 수 있으며, 서로 다른 오브젝트 모델은 서로 다른 규칙의 조합을 적용함으로써 획득된다.

데이터를 획득하는 단계는 검사되는 물체의 적어도 일부의 동일한 위치 상에 서로 다른 규칙의 조합을 적용하는 단계를 포함할 수 있다.

검사 레시피는 다수의 타입의 구역에 대한 다수의 구역을 정의할 수 있으며, 구역들 중 제 1 타입의 적어도 하나의 구역 및 제 2 타입의 적어도 하나의 다른 구역은 부분적으로 중복되며, 구역의 타입은 데이터 수집 구역, 데이터 프로세싱 구역 및 응답 구역 중 적어도 두 개를 포함할 수 있으며, 서로 다른 데이터 수집 구역은 적어도 하나의 데이터 수집 규칙에 의해 서로 상이하며, 서로 다른 데이터 처리 구역은 적어도 하나의 데이터 처리 규칙에 의해 서로 상이하며, 서로 다른 응답 구역은 적어도 하나의 응답 규칙에 의해 서로 상이하다.

구역의 타입은 데이터 수집 구역, 데이터 처리 구역 및 응답 구역을 포함할 수 있다.

구역의 타입은 데이터 수집 구역 및 데이터 처리 구역을 포함할 수 있다.

적어도 두 개의 데이터 처리 구역은 오브젝트 모델이 데이터 처리 도중 이용되도록 정의하는 데이터 처리 규칙에 의해 서로 상이할 수 있다.

상기 방법은, 다수의 이터레이션 도중 적용되는 규칙의 조합에 의해 서로 다른 데이터 획득에 대한 다수의 이터레이션을 수행함으로써, 검사되는 물체의 적어도 일부분에 대한 데이터를 획득하는 단계; 및 상기 데이터를 기반으로 서로 다른 타입의 구역에 대한 서로 다른 구역을 정의하는 단계를 포함하며, 구역의 타입은 데이터 수집 구역 및 데이터 처리 구역 중 적어도 하나를 포함할 수 있다.

상기 시스템은 다수의 이터레이션 도중 적용되는 규칙의 조합에 의해 서로 상이한 데이터 획득에 대한 다수의 이터레이션을 수행함으로써, 검사되는 물체의 적어도 일부분에 대한 데이터를 획득하고; 상기 데이터를 기반으로 서로 다른 타입의 구역에 대한 서로 다른 구역을 정의하도록 구성될 수 있으며, 상기 구역의 타입은 데이터 수집 구역 및 데이터 처리 구역 중 적어도 하나를 포함할 수 있다.

상기 방법은 검사되는 물체의 적어도 일부의 서로 다른 위치에서 획득된 데이터의 퀄리티를 기반으로 서로 다른 구역을 정의하는 단계를 포함할 수 있다(추가적으로 또는 대안적으로, 컴퓨터로 읽을 수 있는 매체는 상기 정의하는 단계를 위한 명령을 저장할 수 있음).

상기 시스템은 검사되는 물체의 적어도 일부의 서로 다른 위치에서 획득된 데이터의 퀄리티를 기반으로 서로 다른 구역을 정의하도록 구성될 수 있다.

상기 방법은 검사되는 물체의 적어도 일부의 서로 다른 위치에서 서로 다른 규칙의 조합으로 획득되는 데이터 간의 차이를 기반으로 서로 다른 구역을 정의하는 단계를 포함할 수 있다(추가적으로 또는 대안적으로, 컴퓨터로 읽을 수 있는 매체는 상기 정의하는 단계를 위한 명령을 저장할 수 있음).

상기 시스템은 검사되는 물체의 적어도 일부의 서로 다른 위치에서 서로 다른 규칙의 조합으로 획득된 데이터 간의 차이를 기반으로 서로 다른 구역을 정의하도록 구성될 수 있다.

본 발명의 일 실시예에 따르면, 방법은 검사 레시피를 생성하거나 이용하는 단계를 제공할 수 있으며, 상기 방법은: 데이터 획득 모듈에 의해, 검사되는 물체의 적어도 일부분에 대한 데이터를 획득하는 단계로서, 상기 검사되는 물체는 특정 클래스의 적어도 하나의 오브젝트를 포함할 수 있는 단계; 및 프로세서에 의해, (a) 검사 레시피를 제공하기 위한 데이터 프로세싱, 및 (b) 검사 레시피를 이용하면서 결함을 검출하기 위한 데이터 프로세싱 중 적어도 하나의 데이터 프로세싱 동작을 수행하는 단계를 포함하며, 상기 검사 레시피는 다수의 타입의 구역에 대한 다수의 구역을 포함할 수 있으며, 상기 구역들의 제 1 타입의 적어도 하나의 구역 및 제 2 타입의 적어도 하나의 다른 구역은 부분적으로 중복되며, 상기 구역의 타입은 데이터 수집 구역, 데이터 처리 구역 및 응답 구역 중 적어도 두 개를 포함할 수 있으며, 서로 다른 데이터 수집 구역은 적어도 하나의 데이터 수집 규칙에 의해 서로 간에 상이하며, 서로 다른 데이터 처리 구역은 적어도 하나의 데이터 처리 규칙에 의해 서로 간에 상이하며, 서로 다른 응답 구역은 적어도 하나의 응답 규칙에 의해 서로 간에 상이하다. 응답 구역은 동일한 응답 규칙이 적용되어야 하는 오브젝트의 위치에 대응하는 가상 구역이다. 응답 규칙은 검사 프로세스의 특정 출력에 응답하는 방법을 정의할 수 있다. 데이터 수집 구역은 동일한 데이터 수집 규칙이 적용되는 오브젝트의 위치에 대응하는 가상 구역이다. 데이터 처리 구역은 동일한 데이터 처리 규칙이 적용되어야 하는 오브젝트의 위치에 대응하는 가상 구역이다.

본 발명의 일 실시예에 따르면, 상기 방법은 비-일시적인 컴퓨터로 읽을 수 있는 매체에 저장된 명령을 실행하는 하나 또는 그 이상의 컴퓨터(또는 프로세서)에 의해 실행될 수 있다.

본 발명의 일 실시예에 따르면, 비-일시적인 컴퓨터로 읽을 수 있는 매체가 제공되고, 상기 매체는: 데이터 획득 모듈에 의해, 검사되는 물체의 적어도 일부분에 대한 데이터를 획득하는 단계로서, 상기 검사되는 물체는 특정 클래스의 적어도 하나의 오브젝트를 포함할 수 있는 단계; 및 프로세서에 의해, (a) 검사 레시피를 제공하기 위한 데이터 프로세싱, 및 (b) 검사 레시피를 이용하면서 결함을 검출하기 위한 데이터 프로세싱 중 적어도 하나의 데이터 프로세싱 동작을 수행하는 단계를 위한 명령을 저장할 수 있으며, 구역들 중 제 1 타입의 적어도 하나의 구역 및 제 2 타입의 적어도 하나의 다른 구역은 부분적으로 중첩되며, 상기 구역의 타입은 데이터 수집 구역, 데이터 처리 구역 및 응답 구역 중 적어도 두 개를 포함할 수 있으며, 서로 다른 데이터 수집 구역은 적어도 하나의 데이터 수집 규칙에 의해 서로 간에 상이하며, 서로 다른 데이터 처리 구역은 적어도 하나의 데이터 처리 규칙에 의해 서로 간에 상이하며, 서로 다른 응답 구역은 적어도 하나의 응답 규칙에 의해 서로 간에 상이하다.

본 발명의 일 실시예에 따르면, 시스템이 제공될 수 있으며, 상기 시스템은 데이터 획득 모듈 및 프로세서를 포함할 수 있으며, 상기 데이터 획득 모듈은 검사되는 물체의 적어도 일부분에 대한 데이터를 획득하도록 구성되며, 상기 검사되는 물체는 특정 클래스의 적어도 하나의 오브젝트를 포함할 수 있으며, 상기 프로세서는 (a) 검사 레시피를 제공하기 위한 데이터 프로세싱, 및 (b) 검사 레시피를 이용하면서 결함을 검출하기 위한 데이터 프로세싱 중 적어도 하나의 데이터 프로세싱 동작을 수행하도록 구성되며, 구역들 중 제 1 타입의 적어도 하나의 구역 및 제 2 타입의 적어도 하나의 다른 구역은 부분적으로 중첩되며, 상기 구역들의 타입은 데이터 수집 구역, 데이터 처리 구역 및 응답 구역 중 적어도 두 개를 포함할 수 있으며, 서로 다른 데이터 수집 구역은 적어도 하나의 데이터 수집 규칙에 의해 서로 간에 상이하며, 서로 다른 데이터 처리 구역은 적어도 하나의 데이터 처리 규칙에 의해 서로 간에 상이하며, 서로 다른 응답 구역은 적어도 하나의 응답 규칙에 의해 서로 간에 상이하다.

상기 구역들의 타입은 데이터 수집 구역, 데이터 처리 구역 및 응답 구역을 포함할 수 있다.

상기 구역의 타입은 데이터 수집 구역 및 데이터 처리 구역을 포함할 수 있다.

적어도 두 개의 데이터 처리 구역은 오브젝트 모델이 데이터 처리 도중 이용되도록 정의하는 데이터 처리 규칙에 의해 서로 간에 상이할 수 있다.

상기 방법은: 다수의 이터레이션 도중 적용되는 규칙의 조합에 의해 서로 상이한 데이터 획득에 대한 다수의 이터레이션을 수행함으로써, 검사되는 물체의 적어도 일부분에 대한 데이터를 획득하는 단계; 및 상기 데이터를 기반으로 서로 다른 타입의 구역의 서로 다른 구역을 정의하는 단계를 포함할 수 있으며(추가적으로 또는 대안적으로, 상기 컴퓨터로 읽을 수 있는 매체는 상기 획득하는 단계 및 상기 정의하는 단계를 위한 명령을 저장할 수 있음), 상기 구역의 타입은 데이터 수집 구역 및 데이터 처리 구역 중 적어도 하나를 포함할 수 있다.

상기 시스템은 다수의 이터레이션 도중 적용되는 규칙의 조합에 의해 서로 상이한 데이터 획득에 대한 다수의 이터레이션을 수행함으로써, 검사되는 물체의 적어도 일부분에 대한 데이터를 획득하고, 상기 데이터를 기반으로 서로 다른 타입의 구역에 대한 서로 다른 구역을 정의하도록 구성될 수 있으며, 상기 구역의 타입은 데이터 수집 구역 및 데이터 처리 구역 중 적어도 하나를 포함할 수 있다.

상기 방법은 검사되는 물체의 적어도 일부의 서로 다른 위치에서 서로 다른 규칙의 조합으로 획득된 데이터 간의 차이를 기반으로 서로 다른 구역을 정의하는 단계를 포함할 수 있다(추가적으로 또는 대안적으로, 컴퓨터로 읽을 수 있는 매체는 상기 정의하는 단계를 위한 명령을 저장할 수 있음).

본 발명의 추가적인 세부내용, 양태 및 실싱예가 도면을 참조로 오직 예로서 기술될 것이다. 도면에서, 유사한 도면번호는 유사하거나 기능상 유사한 구성요소를 식별하기 위해 사용된다. 도면의 구성요소는 간결함과 명확함을 위해 도시되었으며, 반드시 스케일에 따라 도시되지는 않았다.
도 1은 종래의 검사 프로세스를 도시한다.
도 2는 종래의 모델링 프로세스를 도시한다.
도 3은 본 발명의 일 실시예에 따른 모델을 생성하고 물체를 검사하는 방법을 도시한다.
도 4는 본 발명의 일 실시예에 따른 웨이퍼 모델, 다이 모델 및 오브젝트 모델을 생성하는 프로세스를 도시한다.
도 5 내지 도 7은 본 발명의 다양한 실시예에 따른 오브젝트 모델링 프로세스를 도시한다.
도 8은 본 발명의 일 실시예에 따른 시스템 구역 및 적용 구역에 대한 분할을 도시한다.
도 9는 본 발명의 일 실시예에 따른 멀티-레벨 모델을 도시한다.
도 10은 본 발명의 일 실시예에 따른 이미지 획득 구역의 세트, 데이터 처리 구역의 세트 및 오브젝트 모델 구역의 세트를 도시한다.
도 11 내지 도 13은 본 발명의 일 실시예에 따른 다수의 이미지, 다수의 처리 알고리즘 또는 이 둘의 조합을 포함하는 프로세스를 도시한다.
도 14 내지 도 18은 본 발명의 다양한 실시예에 따른 방법을 도시한다.

본 발명의 전술한 목적, 특징 및 효과 및 다른 목적, 특징 및 효과는 첨부한 도면과 함께 이어지는 발명의 상세한 설명으로부터 명백해질 것이다. 도면에서, 유사한 도면부호는 서로 다른 도면에 걸쳐 유사한 구성요소를 나타낸다.

본 발명의 설명되는 실시예는 대부분 통상의 기술자에게 알려진 전자 컴포넌트 및 회로를 사용하여 구현될 수 있으므로, 세부적인 내용은 본 발명의 내용을 애매하게 하거나 혼란스럽게 하는 것을 방지하기 위해, 본 발명의 기본 개념의 이해와 인식에 필요하다고 간주되는 범위를 넘어 설명되지는 않을 것이다.

이어지는 발명의 상세한 설명은 반도체 웨이퍼에 대하여 설명하지만, 상기 방법 및 시스템은 다른 검사되는 물체, 예컨대 PCB(Printed Circuit Boards), 태양전지 패널, FPD(Flat Panel Display) 등에도 적용될 수 있으며, 상기 검사되는 물체는 이에 제한되지 않는다.

용어 검사 레시피(inspection recipe)는 검사 프로세스가 수행되어야 하는 방식에 영향을 미칠 수 있는 정보를 의미한다. 검사 레시피는 이미지가 획득되는 방법, 획득된 이미지를 처리하는 방법 등을 결정할 수 있다. 검사 레시피는 물체(또는 물체의 일부)로부터 획득된 정보와 비교되어야 할 기준 정보(예컨대, 하나 또는 그 이상의 모델)를 포함할 수 있다. 검사 레시피는 전체 검사 프로세스 또는 검사 프로세스의 일부를 결정할 수 있다.

본 발명의 일 실시예에 따르면, 오브젝트의 2차원 또는 3차원(2D 또는 3D) 특징을 기술하는 구체적인 파라미터, 예컨대 질감, 스케일, 위치 및 이들 파라미터의 변형을 연관시킴으로써, 오브젝트와 관련된 결함을 검출하는 것을 개선시키도록, 선택된 오브젝트의 특별한 처리를 가능하게 하는 방법이 제공된다. 이러한 오브젝트는 솔더 범프(solder bumps), 골드 범프(gold bumps), 전도체, 비아(vias) 등을 포함할 수 있다.

용어 구조(structure)는 일반적으로 해석될 수 있으나, 추가적으로 또는 대안적으로 일부 공통된 반복적인 패턴/구조적인 내용을 갖는 영역을 기술하기 위해 사용될 수도 있다. 이 경우 질감은 보다 구조화되거나(그리드 또는 벽돌 패턴과 같은 규칙적인 패턴) 확률적일(파도 또는 모래와 같은 패턴) 수 있는 이미지 질감의 패치의 성질이다. 상기 질감은 패치의 일부 묘사(description)에 의해 생성된다. 일반적으로, 다양한 타입의 통계적인 정보는 그레이 레벨 분포, 에지의 방향 및 강도에 관한 것이다.

용어 스케일(scale)은 모델의 일반적인 사이즈를 의미할 수 있다. 오브젝트가 동일한 형상을 가지지만, 스케일링 팩터에 의해 변경되는 경우(전반적으로 변경되거나 특정 방향으로 변경되는 경우), 상기 스케일은 그 스케일 값으로 지시되어야 한다.

용어 클래스(class)는 분류 프로세스의 출력을 의미한다. 특정 클래스의 오브젝트는 동일한 클래스의 오브젝트들 간에 공유되는(동일한 값을 갖거나 허용 가능하게 변경됨) 특정한 형상, 사이즈 또는 속성을 가질 수 있다. 예를 들어, 범프는 일 클래스일 수 있으나, 서로 다른 속성을 갖는 범프들은 상이한 클래스로 더 분류될 수 있다.

본 발명의 일 실시예에 따르면, 대표적인 픽셀 값, 최소의 픽셀 값 및 최대의 픽셀 값에 더하여 추가적인 파라미터를 포함할 수 있는 모델을 제공할 수 있는 방법이 제공된다. 이러한 추가적인 파라미터는 기하학적인 특징, 기정의된/학습된/훈련된 질감 클래스, 변화도(gradient)(일정 수준의 크기 및 방향) 정보 등을 포함할 수 있다.

본 발명의 일 실시예에 따르면, 멀티 레벨의 기준, 예컨대 다수의 동시적이거나 순차적인 이미징 방법, 고객의 요구에 따른 변화하는 패턴에 대한 검출을 최적화하기 위한 조명 및 해상도를 제공할 수 있는 방법이 제공된다.

본 발명의 일 실시예에 따르면, 풀 웨이퍼 모델링(full-wafer modeling)을 통해 매크로 결함 검사뿐만 아니라 웨이퍼에 걸쳐 다이 모델 및 오브젝트 클래스 모델의 국부적인 조절을 가능하게 할 수 있는 방법이 제공된다. 국부적인 조절은 웨이퍼의 다양한 영역의 전반적인 그레이 픽셀 레벨, 웨이퍼의 다양한 영역의 일반적인 컬러 세트에 대한 정보 등을 포함할 수 있다. 예를 들어, 웨이퍼의 특정 영역이 웨이퍼의 다른 영역보다 더 밝게 나타나는 경우, 이 정보는 해당 영역에서 오브젝트(또는 다이스)를 검사할 때 고려되어야 한다.

본 발명의 일 실시예에 따르면, 검사 도중 다양한 타입의 동적인 변경을 포함할 수 있는 방법이 제공된다. 변경은 이미징 조건, 오브젝트 클래스 모델 특성, 알고리즘 사용 및 실행 시간 파라미터에 관련될 수 있다.

본 발명의 일 실시예에 따르면, 사용되는 모델의 최적화, 이미징 구조의 최적화 및 작업하지 않는 도중과 실행하는 도중의 구체적인 검출 요구를 만족시키는 검출 알고리즘의 최적화를 가능하게 하는 구역 구조를 정의하는 단계를 포함할 수 있다.

도 3은 본 발명의 일 실시예에 따른 방법(300)을 기술한다.

방법(300)은 모델링 단계(310), 구역으로 분할하는 단계(320) 및 검사 단계(340)를 포함한다.

모델링 단계(310)의 일부 구체적인 예가 도 4 내지 도 6에 제공된다.

설정 도중, 웨이퍼 이미지의 전체 또는 일부(특정 응용에 따라 결정됨)가 다수의 이미징 모드를 사용하여, 즉 서로 다른 이미지 획득 조건을 사용하여 획득된다(312). 이미지 획득 조건은 조명 조건, 광 수집 조건 또는 그 조합일 수 있다. 예를 들어, 이미지는 다양한 광학적 설정, 예컨대 밝은 영역, 어두운 영역, 이미징 경로에서 편광을 사용, 조명 경로에서 편광을 사용, 상이한 카메라의 사용, 상이한 해상도의 이미지를 획득, 상이한 스펙트럼 범위의 이미지를 획득, 상이한 타입의 조명을 사용하는 것 등을 통해 획득될 수 있다.

우수한 웨이퍼 통계를 생성하기 위해 다수의 웨이퍼의 이미지가 단계(213) 도중 획득될 수 있다.

본 발명의 일 실시예에 따르면, 모델링 단계(310)는 다음과 같은 모델 중 적어도 하나를 생성하는 단계를 포함할 수 있다: 웨이퍼 모델, 다이 모델 및 오브젝트 모델. 상기 모델은 도 4에 도시된다.

웨이퍼 모델(420)은 이미징 모드 각각에 대하여 생성될 수 있다. 웨이퍼 모델은 다음을 포함할 수 있다:

a. 큰 결함의 검출("매크로 웨이퍼 검사"로 불림)을 위해 추후 사용될 웨이퍼 매크로 모델(422), 및

b. 다이 모델 및 오브젝트 클래스 모델의 변경을 위해 사용되는 국부적인 조절 규칙(424) 뿐만 아니라, 웨이퍼를 거쳐 적절한 변경을 순응시키기 위한 웨이퍼를 가로지르는 상기 모델(알고리즘, 알고리즘 파라미터, 조명 등)에 대한 검사 규칙.

웨이퍼 모델은 부분적인 웨이퍼 모델을 포함할 수 있다.

다이 모델(430)은 각각의 픽셀 및 각각의 이미징 모드에 대하여 생성될 수 있다(또는 이미징 모드의 적어도 일부에 대하여 생성됨).

다이 모델은 다음과 같은 파라미터 중 적어도 하나를 포함할 수 있다: (a) 대표적인 그레이 레벨 값, 최소의 그레이 레벨 값 및 최대의 그레이 레벨 값과 같은 그레이 레벨 통계, (b) 다양한 차수, 스케일 및 타입의 국부적인 인근 변화도(강도 및 방향 둘 모두를 포함), (c) 인근 질감 특성, (d) 초 분해 이미지(super resolved images).

초 분해 이미지 또는 고해상도 이미지는 획득 장치(카메라 및 광학장치)의 해상도보다 더 높은(향상된) 해상도(영역 당 보유 정보의 양)를 갖는 이미지이다. 고해상도 이미지는 다양한 방법, 예컨대 다수의 저해상도 이미지를 결합시키거나, 저해상도 버전을 갖는 고해상도 패치 쌍을 포함하는 샘플을 갖는 일부 학습된 세트를 기반으로 정보를 추가하거나, 또는 이미지 그 자체에서 유사한 영역을 발견함으로써 손실된 정보를 완성함으로써 획득될 수 있다. 고해상도 이미지는 에일리어싱을 감소시키고, 에지 정보를 향상시킬 수 있다. 상기 초 분해 이미지는 낮은 해상도로 다수 번 스캔함으로써 생성될 수 있으며, 각각의 스캔은 다른 픽셀을 기준으로 픽셀의 일부만큼 이동된다.

반복되는 특징의 해상도는 동일한 스캔 도중 파악되는 유사한 특징에 대한 다수의 이미지를 사용함으로써 향상될 수 있다.

오브젝트 클래스 모델(440)은 오브젝트 모델로도 언급된다. 오브젝트 클래스 모델은 주어진 클래스에 속하는 하나/다수의 오브젝트를 기술하기 위해 사용된다. 이미징 모드의 경우, 각각의 오브젝트 클래스 모델은 다른 파라미터들 중에서 다음 중 적어도 하나를 포함할 수 있다: (a) 2D 기준 패치 이미지(전체 오브젝트의 샘플 이미지 및/또는 질감의 예의 샘플 이미지), (b) 3D 기준 패치 이미지, (c) 질감 특성, (d) 일부 기준 프레임워크에 대한 클래스의 각 오브젝트의 상대적인 위치, (e) 클래스의 각 오브젝트의 배향, (f) 2D 스케일, (g) 3D 스케일, (h) 상기 모든 파라미터의 통계적 가변성(statistical variability).

전형적인 오브젝트는, 예를 들어 솔더 범프, 골드 범프 및 패드일 수 있으나, 임의의 기하학적으로 정의 가능한 오브젝트를 포함할 수도 있다.

다이, 웨이퍼 및 오브젝트 클래스 모델은 모델 특성을 기술하는 인위적으로 생성된 벡터 데이터를 포함하여, 데이터 양을 줄이고 보다 적은 인터폴레이션 에러로 스케일링/스케일 변화를 가능하게 할 수도 있다.

도 5는 모델링 단계(450) 전에 수행되는 정의 단계(450)를 도시한다.

정의 단계(450)는 기준 프레임워크로 사용하기 위해 ROI(region of interest)를 생성하는 단계(452)를 포함할 수 있다.

상기 생성 단계 후, 오브젝트 클래스를 식별하는 단계(454)(또는 오브젝트의 분류를 수신하는 단계)(오브젝트 클래스는 유사한 클래스 오브젝트를 포함함) 및 조악한(coarse) 모델을 생성하는 단계가 수행된다.

오브젝트는 임의의 정의 가능한 오브젝트일 수 있다. 오브젝트는 기하학적인 특징에 관하여 웨이퍼/웨이퍼들에 걸쳐 어느 정도 변경될 수 있다(변환). 오브젝트 클래스의 예는 솔더 범프, 패드 또는 골드 범프를 포함할 수 있다.

정의 단계(450)의 단계(454) 후에, 모델링 단계(460)의 단계(462)가 수행될 수 있다. 단계(462)는 ROI(전체 웨이퍼, 롯(lot) 등)의 하나의 예 그리고 바람직하게 다수의 예를 스캐닝하는 단계를 포함한다.

단계(462) 후, 각각의 프레임에 대하여, ROI 기준 프레임에 대한 오브젝트 클래스에 의해 정의된 대로 오브젝트의 관련 부분을 발견하고, 상기 클래스에 대한 데이터를 수집하는 단계(464)가 수행된다.

단계(464) 후, 상기 클래스에 대한 보다 정교한 모델을 생성하고, 다수의 샘플로부터의 동일한 피쳐(features)의 특성을 통합하는 단계(466)가 수행된다.

단계(466) 후, 클래스의 멀티 피쳐 모델(멀티-레벨 모델) 뿐만 아니라, 기준 프레임워크에 대한 해당 클래스의 오브젝트의 초기 예상 위치를 저장하는 단계(468)(상기 단계는 모델링 단계(460)에 포함됨)가 수행된다.

도 6은 조악한 모델을 생성하는 단계(510) 및 정교한 모델을 생성하는 단계(520)를 도시한다.

단계(510)는 단계(502, 504, 512, 516 및 518)을 포함할 수 있다. 단계(502) 후, 단계(504 및 512)가 수행된다. 단계(512)는 단계(512, 514, 516 및 518)을 포함하는 일련의 단계들을 시작한다.

단계(502)는 동일한 클래스 오브젝트를 식별한 후, 오브젝트의 피쳐를 학습하는 단계를 포함한다.

단계(504)는 클래스의 모델로 하나의 오브젝트 클래스를 사용하는 단계를 포함한다. 예를 들어, 다이에 오직 하나의 오브젝트(예컨대, 사각형 패드)가 있는 경우, 첫 단계에서 프로세스는 다이 내에 있는 하나의 오브젝트에 관한 정보를 추출하기 위해, 다이의 초기 포착 이미지를 사용할 수 있다. 그 후, 프로세스는 오브젝트에 대한 정보의 양(전술한 바와 같이, 유사한 사이즈 편차, 위치 안정성, 에지 정보 등)을 늘리기 위해 다른 다이스를 사용할 수 있다.

단계(512)는 클래스 당 다수의 오브젝트를 사용하여 결합된 모델을 생성하는 단계를 포함한다.

단계(514)는 오브젝트의 유사한(동일하지는 않음) 기하학적인 피쳐를 기반으로 일반적인 기하학적 모델(스케일 및 형상)을 정의하는 단계를 포함한다.

단계(516)는 클래스의 각 오브젝트에 대해 기하학적인 변환을 적용하여, 클래스의 모든 오브젝트를 정규화하는 단계를 포함한다.

단계(518)는 정규화된 오브젝트의 다수의 특징을 독출하는 단계를 포함한다.

정교한 모델을 생성하는 단계(520)는 단계(510)와 균등할 수 있으나, 동일한 클래스로 발견된 오브젝트가 기하학적인 기준 모델을 변경하지 않고 상기 모델에 정규화되는 점이 차이가 있을 수 있다.

예를 들어, 모델은 오브젝트에 대한 다수의 레벨을 갖는 기준을 제공하도록 일부 오브젝트로 만들어질 수 있다. 그리고 나서, 상기 오브젝트에 대한 보다 많은 정보가 수신될 수 있고, 상기 오브젝트의 보다 많은 샘플이 스캐닝될 수 있다. 기준 오브젝트의 기하학적인 정보(유사한 사이즈 및 위치)가 연속적으로 변하는 대신, 정보가 새로운 샘플로부터 수집되고, 모델로 "제시되고(cast)", 그리고 모델에 세부내용을 추가할 수 있다. 이는 기하학적인 정보가 기준에 의해 제공된 공통된 기반을 연속적으로 변경하는 것이 손실을 유발할 수 있기 때문이다. 모든 추가적인 피쳐가 다수의 샘플을 사용하여 업데이트될 수 있다.

본 발명의 다양한 실시예에 따르면, 피쳐는 다음 중 하나일 수 있다: (a) 스케일, 배향 등의 가변성 정보를 포함한 기하학적인 정보, (b) 파라미터에 관한 것이거나 샘플 패치(이미지)에 관한 것일 수 있는 질감 정보/패턴 정보, (c) 초 분해된 다수의 샘플, (d) 서로 다른 스케일(높이 정보에 따른 스케일을 포함함), 웨이퍼 상의 서로 다른 위치 등에 관한 다수의 변화. 각각의 피쳐는 상기 피쳐의 분포/가변성에 관한 정보를 포함하는 통계적인 정보를 포함할 수 있다.

다수의 샘플로부터 피쳐의 특성을 통합시키는 방법은 피쳐에 따라 다를 수 있으며, 아웃라이어(outlier)를 제거하는 방법을 사용할 수 있다.

도 7은 단계(534) 전에 수행되는 단계(532), 단계(536) 전에 수행되는 단계(534), 단계(538) 전에 수행되는 단계(526), 단계(552, 540 및 542) 전에 수행되는 단계(538), 단계(554) 전에 수행되는 단계(552)(단계(552 및 554)는 둘 모두 동적인 모델 업데이트 단계(556)에 속함), 단계(556) 후에 수행되는 단계(540 및 542), 및 단계(540) 후에 수행되는 단계(542)를 설명한다.

단계(532)는 프레임을 수신하는 단계를 포함한다.

단계(534)는 설정된 기준 프레임워크에 대한 프레임 내의 클래스의 오브젝트의 예상된 초기 오프셋에 관한 기준 정보를 독출하는 단계를 포함한다.

단계(536)은 클래스의 예상된 오브젝트를 검색하는 단계를 포함한다.

단계(538)은 오브젝트의 기하학적인 피쳐를 학습하는 단계를 포함한다.

단계(540)은 검사되는 기하학적인 피쳐에 매칭되도록 기준 모델을 기하학적으로 변환하는 단계를 포함한다.

단계(542)는 오브젝트가 기하학적으로 스펙 이미지에서 벗어난 경우, 상기 오브젝트를 결함으로 정의하는 단계를 포함한다.

단계(552)는 기준 기하학적 특징에 매칭되도록 각각의 검사 오브젝트를 기하학적으로 변환하는 단계를 포함한다. 단계(554)는 로컬 프레임(local frame)/인 프레임(in-frame) 피쳐의 특성을 포함시키도록 정교하게 설정된 모델을 업데이트하는 단계를 포함한다.

구획화( Zoning )

본 발명의 일 실시예에 따르면, 웨이퍼는 가상적으로 구역들로 분할된다. 구역은 시스템 구역 및 응용 구역을 포함할 수 있다.

시스템 구역은 검사되는 패턴의 물리적인 특성을 기반으로 검출을 최적화하기 위해 사용될 수 있으며, 상기 물리적인 특성은 시스템에 의해 사용될 알고리즘 및 광학적 설정을 결정한다.

응용 구역은 각각의 응용 구역에 일반적인 DOI(defects of interest)를 기반으로 검출을 최적화하기 위해 사용될 수 있다. 검사 레시피는 응용 구역을 고려하고, 매칭된 알고리즘 및 DOI를 발견하기 위한 이미지 획득 조건을 획득할 수 있다.

시스템 구역은 웨이퍼 모델, 다이 모델, 오브젝트 모델 또는 그 조합을 기반으로 자동으로 결정될 수 있다.

도 8을 참조하면, 웨이퍼의 이미지를 획득하는 단계(550) 후, 웨이퍼를 시스템 구역(562) 및 응용 구역(564)으로 분할하는 단계가 수행된다.

전술한 바와 같이, 시스템 구역 정보는 검사 도중 시스템에 의해 사용될 최적의 광학적 설정 및 알고리즘적 설정에 관한 것이다.

응용 구역 정보는 특정 구역, 예컨대 기하학적인 사항, 즉 상한 및 하한과 검출 민감도에 대해 일반적인 DOI에 관한 것이다. 응용 구역은 응용 지식 기반을 사용하여 수동으로 또는 자동으로 생성될 수 있다.

도 3을 다시 참조하면, 검사 단계(340) 도중, 구역 구획이 변경될 수 있고(370), 모델은 검사의 출력으로 조절될 수 있다. 구역의 조절은 동적인 구획화(danamic zoning)로 언급될 수 있다. 동적인 구획화는 검사 중인 특정 웨이퍼를 기반으로 하는 구획 및 기준 모델 정보를 조절하기 위해 실행 이미지(run-time images)를 사용할 수 있다. 이러한 조절은, 예를 들어 불안정한 오브젝트를 변경시킬 수 있다(즉, 적당한 국소화(localization)의 이동 및 범프의 스케일 변경).

추가적인 분석이 수행될 수 있다. 추가적인 분석은 보다 많은 정보를 수집하는 단계, 및 검사를 수행하고, 검사를 최적화하는 동시에 요구되는 처리 양을 줄이기 위해 사용하기 위해 요구되는 구체적인 이미징 모드 및 멀티 레벨 기준의 특정한 세부사항을 명시하기 위해 필요한 정보의 양을 감소시키는 단계를 포함할 수 있다.

추가적인 분석은 검사 도중 사용될 데이터를 제공할 수 있으며, 예를 들어 사용될 이미징 모드(360), 사용될 웨이퍼/다이/오브젝트 클래스 모델(350), 비교를 위해 사용될 알고리즘(380)을 결정할 수 있다.

구획화의 개념은 웨이퍼 레벨 뿐만 아니라 다이 레벨에서도 적용될 수 있다.

멀티 레벨 기준( Multileveled reference )

본 발명의 일 실시예에 따른 멀티 레벨 기준이 도 9에 도시된다.

멀티 레벨 기준은 서로 다른 (N 개의) 이미지 획득 조건(571 내지 579)(전체적으로 (570)으로 도시되는 "조명/이미징 모드")을 포함하며, 상기 이미지 획득 조건은 서로 다른 센서, 다수의 알고리즘/실행 시간 세트(실행할 알고리즘 및 알고리즘 세트를 위한 상기 실행 시간 파라미터)의 서로 다른 구성(581 내지 583) 및 다수의(N 개의) 질감/패턴 초 해상도 기준(591 내지 593), 범프의 반지름(594)과 같은 사이즈 정보, 질감 패턴 클래스 ID(질감의 클래스를 나타냄), 질감/패턴으로부터 유도된 정보(에지 응답 분포, 진폭 및 방향, 그레이 레벨 분포 등), 3차원 정보(높이, 오브젝트의 임의의 3D모델과 같은 완성된 모델)(597)과 같은 다수의 기준 정보(모델 정보)(590)를 포함할 수 있다.

검사 도중, 기준 세트는 알고리즘, 시행 시간 파라미터 및 조명/이미징 모드와 연관되어, 최적화된 결함 검출을 제공할 수 있다. 다수의 기준 세트가 다수의 알고리즘/실행 시간 세트와 함께 병렬적으로 사용될 수 있다. 또한, 하나보다 많은 이미징 모드가 광학 하드웨어의 제한에 따라 병렬적으로 사용될 수 있다.

도 10에 도시된 바와 같이, 하나의 기준 또는 기준 세트의 그룹, 하나의 알고리즘 또는 알고리즘의 그룹 및 하나의 이미징 모드 또는 이미징 모드의 그룹이 주어진 시간에 사용되는 경우, 이들은 스캔 도중 웨이퍼 영역을 가로질러 변경될 수 있다.

도 10은 두 개의 데이터 처리 구역(612 및 614)과 사이즈 및 형상이 상이하고, 두 개의 오브젝트 모델 구역(622 및 624)과 사이즈 및 형상이 상이한 세 개의 데이터 수집 구역(602, 604 및 606)을 도시한다.

본 발명의 일 실시예에 따르면, 멀티-레벨 모델은 오브젝트의 다수의 픽셀 단위 이하만큼 이동된 이미지를 포함할 수 있으며, 상기 픽셀 단위 이하만큼 이동된 이미지는 서로의 이미지로부터 픽셀 단위 이하의 오프셋만큼 이격된 부분에서 획득될 수 있다. 상기 멀티 레벨 모델은 픽셀 단위 이하로 이동된 이미지, 상기 픽셀 단위 이하로 이동된 이미지에 관한 정보 또는 이들의 조합을 포함할 수 있다. 검사 프로세스 도중, 오브젝트의 획득된 이미지는 모든(또는 일부의) 픽셀 단위 이하로 이동된 이미지와 비교될 수 있으며, 가장 잘 매칭되는 픽셀 단위 이하로 이동된 이미지가 관련 기준 이미지로 선택될 것이다.

멀티 레벨 기준 세트의 다른 특징이 도 11 내지 도 13을 참조로 설명된다.

검사 도중, 다수의 이미지(반드시 동일한 사이즈를 가질 필요는 없으나, 검사되는 물체의 적어도 일부의 공통 영역을 포함함, 각각의 이미지는 서로 다른 조명/광학 조건을 가짐)는 동시에 또는 순차적으로 획득될 수 있다. 그리고 나서, 이미지는 설정 도중 수집되거나/생성된 멀티 레벨 기준 정보에 대하여 비교되고 분석된다. 비교 및 분석은 다수의 알고리즘을 사용하여 수행되고, 특정한 타입의 작업, 이미지 및 구역에 맞추어 진다.

도 11은 초기 분석 결과를 생성하기 위해 다수의 알고리즘 및 다수의 이미지를 사용하는 것을 도시하며, 표(632)는 어떤 이미지(열)가 어떤 알고리즘(행)에 의해 처리되어 초기 분석 결과를 제공할 것인지 나타낸다. 초기 분석 결과는 결함을 분류하기 위해 사용되는 조합된 결과를 제공하기 위해 결합된다(634).

초기 결과의 생성에 대한 두 개의 비-제한적인 예가 도 12 및 도 13에 도시된다.

도 12에 도시된 예에서, 하나의 알고리즘(660)이 다수의(N 개의) 이미지(652 내지 658)를 사용하여, 물체의 공통적으로 다루어지는 영역에 관한 단일 세트의 초기 결과를 생성한다. 도 13은 동일한 이미지(670)에 적용되어 해당 이미지에 대한 병렬적인 초기 분석 결과를 제공하는 다수의 알고리즘(682 내지 686)을 도시한다. 다른 결합된 조합이 또한 가능하다.

전술한 바와 같이, 도 11을 참조하면, 초기 분석 결과가 조합될 수 있으며(634), 후보 결함(조합된 결과)의 리스트가 생성되어 결함 및 결함 클래스로 더 분류될 수 있다(636). 이러한 구조는 검출 확률을 높이는 동시에 잘못된 결함률을 낮춘다. 조합하는 단계(634)는 선형적이거나, 비선형적이거나, 기정의되거나, 또는 감독되거나(supervised) 감독되지 않은 함수를 사용할 수 있다. 분류하는 단계(636)는 수동으로 구성되거나 학습될 수 있다.

도 14는 본 발명의 일 실시예에 따른 방법(900)을 도시한다.

검사 레시피를 생성하는 방법(900)은, 시스템에 의해 검사되는 물체의 적어도 일부분의 이미지를 획득하는 단계(910)에 의해 시작될 수 있다. 검사되는 물체는 특정 클래스의 다수의 오브젝트를 포함할 수 있다.

단계(910) 후, 검사 레시피를 제공하기 위해 이미지를 처리하는 단계(920)가 수행된다. 검사 레시피는 특정 클래스의 다수의 오브젝트를 대표하는 오브젝트 모델을 포함할 수 있다. 오브젝트 모델은 오브젝트 모델의 픽셀 값에 관한 통계적인 정보 및 적어도 하나의 추가적인 파라미터를 포함할 수 있으며, 상기 추가적인 파라미터는: 오브젝트 모델의 질감 특성, 오브젝트 모델의 배향, 특정 클래스의 적어도 두 개의 오브젝트들 간의 공간적인 관계, 다수의 오브젝트 중 적어도 하나의 3차원 이미지, 및 다수의 오브젝트 중 적어도 하나의 2차원 이미지를 포함할 수 있다.

오브젝트 모델은 적어도 두 개의 추가적인 파라미터를 포함할 수 있으며, 상기 저겅도 두 개의 추가적인 파라미터 또는 그보다 더 많은 파라미터는 전술한 추가적인 파라미터일 수 있다.

본 발명의 일 실시예에 따르면, 검사되는 물체는 오브젝트의 다수의 클래스들을 포함할 수 있다. 오브젝트의 서로 다른 클래스는 사이즈, 형상, 오브젝트를 형성하는 물질 또는 이들의 조합에 의해 서로 상이할 수 있다. 검사되는 물체가 오브젝트의 다수의 클래스를 포함하는 경우, 단계(920)는 오브젝트의 각 클래스에 대하여(또는 적어도 두 개의 선택된 클래스에 대하여) 오브젝트 모델을 생성하는 단계를 포함할 수 있다. 그 결과, 단계(920)는 오브젝트의 각 클래스에 대하여, 오브젝트의 클래스의 다수의 오브젝트들을 대표하는 오브젝트 모델을 제공하도록 이미지를 처리하는 단계를 포함할 수 있다.

검사되는 물체는 다수의 구역을 포함할 수 있다. 상이한 구역들이 검사되는 물체의 서로 다른 지점에 위치한다. 상이한 구역들은 동일한 사이즈 및 형상을 가질 수 있으나, 사이즈, 형상 또는 둘 모두가 서로 다를 수도 있다. 본 발명의 일 실시예에 따르면, 오브젝트 모델은 구역 당 생성될 수 있으며, 상기 오브젝트 모델은 구역 내에 위치하는 오브젝트의 정보를 기반으로 생성될 수 있다.

그 결과, 단계(920)는 검사되는 물체의 적어도 두 개의 서로 다른 구역들 중 각각의 구역에 대하여, 검사되는 물체의 구역 내에 위치하는 특정 클래스의 다수의 오브젝트를 대표하는 오브젝트 모델을 제공하도록 이미지를 처리하는 단계를 포함할 수 있다.

본 발명의 다른 실시예에 따르면, 오브젝트 모델은 오브젝트의 구역 및 클래스의 각 조합에 대하여 생성될 수 있다. 따라서, 단계(920)는 복수의 오브젝트 모델을 생성하는 단계를 포함할 수 있으며, 여기서 서로 다른 오브젝트 모델은 검사되는 물체 구역 및 오브젝트의 클래스 중 적어도 하나가 서로 상이할 수 있다.

본 발명의 일 실시예에 따르면, 상기 방법은 다수의 모델, 예컨대 검사되는 물체의 모델, 다이의 모델(검사되는 물체가 웨이퍼인 경우)을 제공하도록 이미지를 처리할 수 있다.

추가적인 모델의 생성은, 검사되는 물체의 모델을 제공하기 위해 이미지를 처리하는 단계(930) 및 다이 모델을 제공하기 위해 이미지를 처리하는 단계(940)로 설명된다.

검사되는 물체의 모델은 매크로 정보 및 국부적인 조절 규칙을 포함할 수 있다.

검사되는 물체가 웨이퍼인 경우, 다이 모델은 검사되는 물체의 다이의 모델일 수 있다. 다이 모델은 다수의 다이를 대표할 수 있다.

본 발명의 일 실시예에 따르면, 단계(910)는 서로 다른 이미지 획득 조건을 적용함으로써, 검사되는 물체의 적어도 일부분의 이미지를 획득하는 단계를 포함할 수 있으며, 이미지 획득 조건은 조명 조건 및 광 수집 조건 중 적어도 하나를 포함하며, 단계(920)는 다수의 오브젝트 모델을 생성하는 단계를 포함할 수 있으며, 서로 다른 오브젝트 모델은 서로 다른 이미지 획득 조건 하에서 획득된 이미지를 처리함으로써 획득된다.

본 발명의 일 실시예에 따르면, 상기 방법은 추가적인 검사 레시피 정보를 정의하는 단계를 포함할 수 있다. 추가적인 검사 레시피 정보는 서로 다른 구역, 예컨대 데이터 수집 구역, 데이터 처리 구역, 및 추가적으로 또는 대안적으로 오브젝트 모델 구역(이에 제한되지는 않음)을 정의하는 단계를 포함할 수 있다.

따라서, 방법(900)은 다수의 구역을 정의하는 단계(960)를 포함할 수 있다.

단계(960)는 데이터 수집 구역의 세트, (b) 데이터 처리 구역의 세트 및 오브젝트 모델 구역의 세트, 및 (c) 오브젝트 모델 구역의 세트 중 적어도 하나를 정의하는 단계를 포함할 수 있다.

적어도 두 개의 서로 다른 데이터 수집 구역은, 데이터 수집 구역의 이미지를 획득할 때 적용될 적어도 하나의 이미지 획득 조건이 서로 상이할 수 있다.

적어도 두 개의 데이터 처리 구역은, 데이터 처리 구역의 이미지에 적용될 처리 알고리즘이 서로 상이할 수 있다.

데이터 수집 구역의 세트는 데이터 처리 구역의 세트와 상이할 수 있다.

적어도 두 개의 서로 다른 오브젝트 모델 구역은, 오브젝트 모델 구역의 이미지를 처리할 때 사용될 오브젝트 모델이 서로 상이할 수 있다.

데이터 수집 구역의 세트는 데이터 처리 구역의 세트와 상이할 수 있다. 데이터 수집 구역의 세트는 오브젝트 모델 구역의 세트와 상이할 수 있다. 오브젝트 모델 구역의 세트는 데이터 처리 구역의 세트와 상이할 수 있다.

도 15는 본 발명의 일 실시예에 따른 검사 레시피를 생성하는 방법(1000)을 도시한다.

방법(1000)은, 시스템에 의해, 검사되는 물체의 적어도 일부분의 이미지를 획득하는 단계(1010)로 시작할 수 있으며, 상기 검사되는 물체는 특정 클래스의 다수의 오브젝트를 포함한다.

단계(1010) 후, 검사 레시피를 제공하기 위해 이미지를 처리하는 단계(1020)가 수행되며, 상기 검사 레시피는 데이터 수집 구역의 세트 및 데이터 처리 구역의 세트를 포함한다. 적어도 두 개의 서로 다른 데이터 수집 구역은, 데이터 수집 구역의 이미지를 획득할 때 적용될 적어도 하나의 이미지 획득 조건이 서로 상이하다. 적어도 두 개의 데이터 처리 구역은, 데이터 처리 구역의 이미지에 적용될 처리 알고리즘이 서로 상이하다.

데이터 수집 구역의 세트는 데이터 처리 구역의 세트와 상이할 수 있다. 따라서, 적어도 하나의 데이터 수집 구역은 대응하는 데이터 처리 구역과 사이즈 및 형상이 상이할 수 있어, 제 1 이미지 획득 조건을 적용함으로써 획득된 일부 픽셀이 제 1 알고리즘에 의해 처리되고, 제 2 이미지 획득 조건(제 1 이미지 획득 조건과 상이함)을 적용함으로써 획득된 다른 픽셀은 다른 알고리즘(제 1 알고리즘과 상이함)에 의해 처리될 수 있다.

단계(1020)는 특정 클래스의 다수의 오브젝트를 대표하는 다수의 오브젝트 모델을 제공하기 위해 이미지를 처리하는 단계를 포함할 수 있으며, 검사 레시피를 정의하는 단계는 오브젝트 모델 구역의 세트를 정의하는 단계를 포함하며, 적어도 두 개의 서로 다른 오브젝트 모델 구역은 오브젝트 모델 구역의 이미지를 처리할 때 사용될 오브젝트 모델이 서로 상이하다.

데이터 수집 구역의 세트는 데이터 처리 구역의 세트와 상이하고, 오브젝트 모델 구역의 세트와 상이하다.

도 16은 본 발명의 일 실시예에 따른 물체를 검사하는 방법1100)을 도시한다.

방법(1100)은 검사 레시피를 수신하는 단계(1110) 또는 검사 레시피를 생성하는 단계(1120)를 포함할 수 있다. 검사 레시피는 방법(900), 방법(1000) 또는 그 조합 중 어느 하나를 사용하여 생성될 수 있다.

단계(1110 및 1120) 후, 검사 레시피를 적용함으로써 물체를 검사하는 단계(1130)가 수행될 수 있다. 검사 레시피는 특정 클래스의 다수의 오브젝트를 대표하는 오브젝트 모델을 포함할 수 있다. 오브젝트 모델은 오브젝트 모델의 픽셀 값과 관련된 통계적인 정보 및 적어도 하나의 추가적인 파라미터를 포함할 수 있으며, 상기 추가적인 파라미터는: 오브젝트 모델의 질감 특성, 오브젝트 모델의 배향, 특정 클래스의 적어도 두 개의 오브젝트들 간의 공간적인 관계, 다수의 오브젝트 중 적어도 하나의 3차원 이미지, 및 다수의 오브젝트 중 적어도 하나의 2차원 이미지로부터 선택된다.

방법(1100)은 적어도 하나의 다른 검사되는 물체의 검사 도중 획득된 정보를 기반으로 검사 레시피를 업데이트하는 단계(1140)를 포함할 수도 있다.

검사 레시피는 데이터 수집 구역의 세트 및 데이터 처리 구역의 세트의 정의를 포함할 수 있다. 그 결과, 단계(1130)는 데이터 수집 구역의 세트에 의해 정의된 이미지 획득 조건을 적용함으로써 이미지를 획득하는 단계 및 데이터 처리 구역의 세트에 의해 정의된 알고리즘으로 이미지를 처리하는 단계를 포함할 수 있다.

도 17은 본 발명의 일 실시예에 따른 방법(1700)을 도시한다. 도 19는 본 발명의 일 실시예에 따른 방법(1700)의 단계(1720)의 단계(1721 내지 1729)를 도시한다.

방법(1700)은, 데이터 획득 모듈에 의해, 검사되는 물체의 적어도 일부분에 대한 데이터를 획득하는 단계(1710)로 시작되며, 상기 검사되는 물체는 특정 클래스의 적어도 하나의 오브젝트를 포함한다.

단계(1710) 후, 단계(1720 및 1730) 중 하나 또는 그 이상이 수행된다.

단계(1720)는, 프로세서에 의해, 검사 레시피를 제공하기 위해 데이터를 처리하는 단계를 포함한다. 단계(1730)는 결함을 검출하기 위해 검사 레시피를 이용하면서 데이터를 처리하는 단계를 포함한다.

두 개의 단계(1720 및 1730)에 대하여, 검사 레시피는 특정 클래스의 오브젝트 모델을 포함한다.

오브젝트 모델은 오브젝트(감지 수단으로부터 수신됨)의 픽셀 값을 대표하는 데이터 및 적어도 하나의 추가적인 기하학적 파라미터를 포함할 수 있으며, 상기 추가적인 기하학적 파라미터는 적어도: 오브젝트 모델의 형상, 오브젝트 모델의 사이즈, 오브젝트 모델의 위치 및 오브젝트 모델의 배향 중 선택된다.

검사 레시피는 규칙들의 적어도 하나의 조합을 포함할 수 있으며, 각각의 규칙들의 조합은 데이터 수집 규칙, 데이터 처리 규칙 및 적어도 하나의 처리 결과에 대한 적어도 하나의 응답에 관련된 응답 규칙 중 적어도 두 개의 규칙을 포함한다. 데이터 수집 규칙은 광학적 조명 규칙 및 광학적 수집 규칙을 포함한다.

본 발명의 일 실시예에 따르면, 오브젝트 모델은: 오브젝트 모델의 배향, 특정 클래스의 적어도 두 개의 오브젝트들 간의 공간적인 관계, 특정 클래스의 오브젝트의 3차원 이미지, 및 특정 클래스의 오브젝트의 2차원 이미지 중 선택된 적어도 두 개의 추가적인 파라미터를 포함할 수 있다.

단계(1720)는 오브젝트의 다수의 클래스 중 오브젝트의 각 클래스에 대하여, 오브젝트의 클래스의 다수의 오브젝트를 대표하는 오브젝트 모델을 제공하기 위해 적어도 일부분에 대한 데이터를 처리하는 단계(1721)를 포함할 수 있다.

단계(1720)는 검사되는 물체의 적어도 두 개의 서로 다른 영역 중 각 영역에 대하여, 검사되는 물체의 영역 내에 위치하는 특정 클래스의 다수의 오브젝트를 대표하는 오브젝트 모델을 제공하기 위하여 이미지를 처리하는 단계(1722)를 포함할 수 있다.

검사되는 물체의 적어도 일부는 검사되는 물체 그 전체일 수 있다. 단계(1720)는 검사되는 물체의 모델을 제공하기 위해, 검사되는 물체의 적어도 일부분에 대한 데이터를 처리하는 단계(1723)를 포함할 수 있다. 검사되는 물체의 모델은 매크로 정보 및 국부적인 조절 규칙을 포함할 수 있다.

검사되는 물체는 다수의 다이를 포함할 수 있는 웨이퍼일 수 있으며, 다수의 다이들의 각 다이는 특정 클래스의 다수의 오브젝트를 포함할 수 있으며, 단계(1720)는 다수의 다이를 대표하는 다이 모델을 제공하기 위해 이미지를 처리하는 단계(1724)를 포함할 수 있다. 상기 방법은 규칙의 서로 다른 조합을 적용함으로써 데이터를 획득하는 단계를 포함할 수 있다.

단계(1720)는 다수의 오브젝트 모델을 생성하는 단계(1725)를 포함할 수 있으며, 서로 다른 오브젝트 모델은 규칙의 서로 다른 조합을 적용함으로써 획득된다.

단계(1720)는 검사되는 물체의 적어도 일부의 동일한 위치에 규칙의 서로 다른 조합을 적용하는 단계(1726)를 포함할 수 있다.

검사 레시피는 다수의 타입의 구역들의 다수의 구역을 정의할 수 있으며, 제 1 타입의 적어도 하나의 구역 및 제 2 타입의 적어도 하나의 다른 구역은 부분적으로 중첩되며, 구역의 타입은 데이터 수집 구역, 데이터 처리 구역 및 응답 구역 중 적어도 두 개를 포함할 수 있으며, 서로 다른 데이터 수집 구역은 서로 간에 적어도 하나의 데이터 수집 규칙이 상이하며, 서로 다른 데이터 처리 구역은 서로 간에 적어도 하나의 데이터 처리 규칙이 상이하며, 서로 다른 응답 구역은 서로 간에 적어도 하나의 응답 규칙이 상이하다.

구역들 간의 중첩이 제 1 타입의 구역과 제 2 타입의 구역 중 적어도 하나와 서로 상이한 경우, 구역들 중 제 1 타입의 구역 및 제 2 타입의 구역은 부분적으로 중첩된다.

구역의 타입은 데이터 수집 구역 및 데이터 처리 구역 및 응답 구역을 포함할 수 있다.

적어도 두 개의 데이터 처리 구역은 서로 간에, 데이터의 처리 도중 사용될 오브젝트 모델을 정의하는 데이터 처리 규칙이 상이할 수 있다.

상기 방법은, 다수의 이터레이션 도중 적용되는 규칙의 조합이 서로 상이한 데이터 획득의 다수의 이터레이션을 수행함으로써, 검사되는 물체의 적어도 일부분에 대한 데이터를 획득하는 단계(단계(1711)); 및 상기 데이터를 기반으로 서로 다른 타입의 구역의 서로 다른 구역을 정의하는 단계(1727)를 포함할 수 있으며, 구역의 타입은 데이터 수집 구역 및 데이터 처리 구역 중 적어도 하나를 포함할 수 있다. 그 결과, 구역을 정의하는 것은 서로 다른 데이터 이터레이션의 서로 다른 출력을 기반으로 자동으로 수행될 수 있다. 예를 들어, 제 1 영역(또는 상기 영역의 결함)이 규칙의 제 1 조합을 적용하는 경우 가장 잘 관찰되며 제 2 영역(또는 상기 영역의 결함)이 규칙의 제 2 조합을 적용하는 경우 가장 잘 관찰되는 경우, 제 1 영역은 규칙의 제 1 조합이 적용되어야 하는 구역으로 정의되고, 제 2 영역은 규칙의 제 2 조합이 적용되는 다른 구역으로 관찰되어야 한다.

단계(1720)는 검사되는 물체의 적어도 일부의 서로 다른 위치에서 획득된 데이터의 퀄리티를 기반으로 서로 다른 구역을 정의하는 단계(1728)를 포함할 수 있다. 데이터의 퀄리티는 결함이 관찰될 수 있는 선명도(예를 들어, 보다 선명한 결함, 주변 콘트라스트), 센서가 포화되는지 여부 등을 의미할 수 있다.

단계(1720)는 검사되는 물체의 적어도 일부의 서로 다른 위치에서 규칙의 서로 다른 조합으로 획득된 데이터 간의 차이를 기반으로 서로 다른 구역을 정의하는 단계(1729)를 포함할 수 있다.

도 18은 본 발명의 일 실시예에 따른 방법(1800)을 도시한다. 도 20은 본 발명의 일 실시예에 따른 방법(1700)의 단계(1820)의 다양한 단계(1721 내지 1729)를 도시한다.

방법(1800)은, 데이터 획득 모듈에 의해, 검사되는 물체의 적어도 일부분에 대한 데이터를 획득하는 단계(1810)로 시작될 수 있으며, 상기 검사되는 물체는 특정 클래스의 적어도 하나의 오브젝트를 포함할 수 있다.

단계(1810) 후, 단계(1820) 및 단계(1830) 중 하나 또는 그 이상이 수행될 수 있다.

단계(1820)는, 프로세서에 의해, 검사 레시피를 제공하기 위해 데이터를 처리하는 단계를 포함한다. 단계(1820)는, 프로세서에 의해, 결함을 검출하기 위해 검사 레시피를 사용하면서 데이터를 처리하는 단계를 포함한다.

두 경우(단계(1810 및 1820)) 모두, 검사 레시피는 다수의 타입의 구역의 다수의 구역을 포함할 수 있으며, 구역 중 제 1 타입의 적어도 하나의 구역 및 제 2 타입의 적어도 하나의 다른 구역은 부분적으로 중첩되며, 구역의 타입은 데이터 수집 구역, 데이터 처리 구역 및 응답 구역 중 적어도 두 개를 포함할 수 있으며, 서로 다른 데이터 수집 구역은 적어도 하나의 데이터 수집 규칙이 서로 상이하고, 서로 다른 데이터 처리 구역은 적어도 하나의 데이터 처리 규칙이 서로 상이하고, 서로 다른 응답 구역은 적어도 하나의 응답 규칙이 서로 상이하다.

구역들 간의 중첩이 제 1 타입의 구역과 제 2 타입의 구역 중 적어도 하나와 상이한 경우, 구역들 중 제 1 타입의 구역 및 제 2 타입의 구역은 부분적으로 중첩된다.

적어도 두 개의 데이터 처리 구역은 데이터의 처리 도중 이용될 오브젝트 모델을 정의하는 데이터 처리 규칙이 서로 상이할 수 있다.

상기 방법(1800)은 구역을 자동으로 정의하는 것을 포함할 수 있다. 상기 구역을 자동으로 정의하는 것은, 예를 들어 단계(1810 및 1820)의 다수의 이터레이션에 의해 획득될 수 있다. 따라서, 방법(1800)은 다수의 이터레이션 도중 적용되는 규칙의 조합이 서로 다른, 데이터 획득의 다수의 이터레이션을 수행함으로써, 검사되는 물체의 적어도 일부분에 대한 데이터를 획득하는 단계(1810); 및 상기 데이터를 기반으로 서로 다른 타입의 구역의 서로 다른 구역을 정의하는 단계(1820)를 포함할 수 있으며, 구역의 타입은 데이터 수집 구역 및 데이터 처리 구역 중 적어도 하나를 포함할 수 있다. 단계(1810 및 1820)의 반복 및 이들을 실행하는 처리가 단계(1810 및 1820)의 추가적인 반복이 요구되는지 여부를 결정하는 제어 단계(1840)에 의해 설명된다.

단계(1820)는 검사되는 물체의 적어도 일부의 서로 다른 위치에서 획득된 데이터의 퀄리티를 기반으로 서로 다른 구역을 정의하는 단계(1822)를 포함할 수 있다.

단계(1820)는 검사되는 물체의 적어도 일부의 서로 다른 위치에서 규칙의 서로 다른 조합으로 획득되는 데이터 간의 차이를 기반으로 서로 다른 구역을 정의하는 단계(1823)를 포함할 수 있다.

전술한 방법은 비-일시적인 컴퓨터로 읽을 수 있는 매체, 예컨대 디스크, 디스켓, 테잎, 집적 회로, 저장장치 등에 저장된 명령을 실행하는 컴퓨터에 의해 실행될 수 있다.

Claims

검사 레시피를 생성하거나 사용하는 방법에 있어서,
데이터 획득 모듈에 의해, 검사되는 물체의 적어도 일부분에 대한 데이터를 획득하는 단계로서, 상기 검사되는 물체는 특정 클래스의 적어도 하나의 오브젝트를 포함하는 단계; 및
프로세서에 의해, (a) 상기 검사 레시피를 제공하기 위해 상기 데이터를 처리하는 동작; 및 (b) 결함을 검출하기 위해 상기 검사 레시피를 사용하면서 상기 데이터를 처리하는 동작 중 적어도 하나의 데이터 처리 동작을 수행하는 단계를 포함하며,
상기 검사 레시피는 오브젝트 모델을 포함하되, 상기 오브젝트 모델은:
상기 오브젝트(상기 오브젝트는 감지 수단으로부터 수신됨)의 픽셀 값을 대표하는 데이터; 및
적어도 상기 오브젝트 모델의 형상, 상기 오브젝트 모델의 사이즈, 상기 오브젝트 모델의 위치 및 상기 오브젝트 모델의 배향 중 선택된 적어도 하나의 추가적인 기하학적 파라미터를 포함하는 것을 특징으로 하는 검사 레시피를 생성하거나 사용하는 방법.
제 1항에 있어서,
결함을 검출하기 위해 상기 검사 레시피를 사용하면서 상기 데이터를 처리하는 단계; 및 상기 데이터 획득 모듈에 의해, 검사되는 물체의 적어도 일부분에 대한 데이터를 획득하는 단계를 포함하며,
상기 검사되는 물체는 특정 클래스의 적어도 하나의 오브젝트를 포함하는 것을 특징으로 하는 검사 레시피를 생성하거나 사용하는 방법.
제 1항에 있어서,
오브젝트의 다수의 클래스들 중 오브젝트의 각 클래스에 대하여, 상기 오브젝트의 클래스의 다수의 오브젝트들을 대표하는 오브젝트 모델을 제공하기 위해, 상기 적어도 일부분에 대한 데이터를 처리하는 단계를 포함하는 것을 특징으로 하는 검사 레시피를 생성하거나 사용하는 방법.
제 1항에 있어서,
상기 검사되는 물체의 적어도 두 개의 서로 다른 영역 중 각 영역에 대하여, 상기 검사되는 물체의 영역 내에 위치하는 상기 특정 클래스의 다수의 오브젝트들을 대표하는 오브젝트 모델을 제공하기 위해, 이미지를 처리하는 단계를 포함하는 것을 특징으로 하는 검사 레시피를 생성하거나 사용하는 방법.
제 1항에 있어서,
상기 검사되는 물체의 적어도 일부분은 검사되는 물체 전부이며,
상기 검사 레시피를 생성하거나 사용하는 방법은, 상기 검사되는 물체의 모델을 제공하기 위해, 상기 검사되는 물체의 적어도 일부분에 대한 데이터를 처리하는 단계를 포함하며,
상기 검사되는 물체의 모델은 매크로 정보 및 국부적인 조절 규칙을 포함하는 것을 특징으로 하는 검사 레시피를 생성하거나 사용하는 방법.
제 1항에 있어서,
상기 검사되는 물체는 다수의 다이를 포함하는 웨이퍼이며,
상기 다수의 다이 각각은 상기 특정 클래스의 다수의 오브젝트를 포함하고,
상기 검사 레시피를 생성하거나 사용하는 방법은, 상기 다수의 다이를 대표하는 다이 모델을 제공하기 위해 이미지를 처리하는 단계를 포함하는 것을 특징으로 하는 검사 레시피를 생성하거나 사용하는 방법.
제 1항에 있어서,
규칙의 서로 다른 조합을 적용함으로써 상기 데이터를 획득하는 단계를 포함하는 것을 특징으로 하는 검사 레시피를 생성하거나 사용하는 방법.
제 1항에 있어서,
다수의 오브젝트 모델을 생성하는 단계를 포함하며,
서로 다른 오브젝트 모델은 규칙의 서로 다른 조합을 적용함으로써 획득되는 것을 특징으로 하는 검사 레시피를 생성하거나 사용하는 방법.
제 1항에 있어서,
상기 데이터를 획득하는 단계는, 상기 검사되는 물체의 적어도 일부분의 동일한 위치에 규칙의 서로 다른 조합을 적용하는 단계를 포함하는 것을 특징으로 하는 검사 레시피를 생성하거나 사용하는 방법.
제 1항에 있어서,
상기 검사 레시피는 다수의 구역 타입의 다수의 구역을 정의하고,
제 1 구역 타입의 적어도 하나의 구역은 제 2 구역 타입의 적어도 하나의 다른 구역과 상이하고,
상기 구역 타입은 데이터 수집 구역, 데이터 처리 구역 및 응답 구역 중 적어도 두 개를 포함하고,
서로 다른 데이터 수집 구역들은 적어도 하나의 데이터 수집 규칙이 서로 상이하고,
서로 다른 데이터 처리 구역들은 적어도 하나의 데이터 처리 규칙이 서로 상이하고,
서로 다른 응답 구역들은 적어도 하나의 응답 규칙이 서로 상이한 것을 특징으로 하는 검사 레시피를 생성하거나 사용하는 방법.
제 10항에 있어서,
상기 구역 타입은 상기 데이터 수집 구역, 상기 데이터 처리 구역 및 상기 응답 구역을 포함하는 것을 특징으로 하는 검사 레시피를 생성하거나 사용하는 방법.
제 10항에 있어서,
상기 구역 타입은 상기 데이터 수집 구역 및 상기 데이터 처리 구역을 포함하는 것을 특징으로 하는 검사 레시피를 생성하거나 사용하는 방법.
제 10항에 있어서,
적어도 두 개의 데이터 처리 구역들은, 상기 데이터의 처리 도중 사용될 오브젝트 모델을 정의하는 데이터 처리 규칙이 서로 상이한 것을 특징으로 하는 검사 레시피를 생성하거나 사용하는 방법.
제 1항에 있어서,
다수의 이터레이션 도중 적용되는 규칙의 조합이 서로 상이한 데이터 획득 단계의 다수의 이터레이션을 수행함으로써, 상기 검사되는 물체의 적어도 일부분에 대한 데이터를 획득하는 단계; 및
상기 데이터를 기반으로 서로 다른 구역 타입의 서로 다른 구역을 정의하는 단계를 포함하고,
상기 구역 타입은 데이터 수집 구역 및 데이터 처리 구역 중 적어도 하나를 포함하는 것을 특징으로 하는 검사 레시피를 생성하거나 사용하는 방법.
제 14항에 있어서,
상기 검사되는 물체의 적어도 일부분의 서로 다른 위치에서 획득된 데이터의 퀄리티를 기반으로, 상기 서로 다른 구역을 정의하는 단계를 포함하는 것을 특징으로 하는 검사 레시피를 생성하거나 사용하는 방법.
제 14항에 있어서,
상기 검사되는 물체의 적어도 일부분의 서로 다른 위치에서 규칙의 서로 다른 조합으로 획득된 데이터 간의 차이를 기반으로, 상기 서로 다른 구역을 정의하는 단계를 포함하는 것을 특징으로 하는 검사 레시피를 생성하거나 사용하는 방법.
제 14항에 있어서,
상기 검사 레시피는 상기 특정 클래스의 오브젝트 모델 및 규칙의 적어도 하나의 조합을 포함하며,
규칙의 각 조합은 데이터 수집 규칙, 데이터 처리 규칙 및 적어도 하나의 처리 결과에 대한 적어도 하나의 응답에 관련된 응답 규칙 중 적어도 두 개의 규칙을 포함하며,
상기 데이터 수집 규칙은 광학적 조명 규칙 및 광학적 수집 규칙을 포함하는 것을 특징으로 하는 검사 레시피를 생성하거나 사용하는 방법.
검사 레시피를 생성하거나 사용하는 방법에 있어서,
데이터 획득 모듈에 의해, 검사되는 물체의 적어도 일부분에 대한 데이터를 획득하는 단계; 및
프로세서에 의해, (a) 상기 검사 레시피를 제공하기 위해 상기 데이터를 처리하는 동작; 및 (b) 결함을 검출하기 위해 상기 검사 레시피를 사용하면서 상기 데이터를 처리하는 동작 중 적어도 하나의 데이터 처리 동작을 수행하는 단계를 포함하고,
상기 검사 레시피는 다수의 구역 타입의 다수의 구역을 포함하고,
제 1 구역 타입의 적어도 하나의 구역 및 제 2 구역 타입의 적어도 하나의 다른 구역은 부분적으로 중첩되고,
상기 구역 타입은 데이터 수집 구역, 데이터 처리 구역 및 응답 구역 중 적어도 두 개를 포함하고,
서로 다른 데이터 수집 구역들은 적어도 하나의 데이터 수집 규칙이 서로 상이하고,
서로 다른 데이터 처리 구역들은 적어도 하나의 데이터 처리 규칙이 서로 상이하고,
서로 다른 응답 구역들은 적어도 하나의 응답 규칙이 서로 상이한 것을 특징으로 하는 검사 레시피를 생성하거나 사용하는 방법.
제 18항에 있어서,
상기 구역 타입은 상기 데이터 수집 구역, 상기 데이터 처리 구역 및 상기 응답 구역을 포함하는 것을 특징으로 하는 검사 레시피를 생성하거나 사용하는 방법.
제 18항에 있어서,
상기 구역 타입은 상기 데이터 수집 구역 및 상기 데이터 처리 구역을 포함하는 것을 특징으로 하는 검사 레시피를 생성하거나 사용하는 방법.
제 18항에 있어서,
적어도 두 개의 데이터 처리 구역들은, 상기 데이터의 처리 도중 사용될 오브젝트 모델을 정의하는 데이터 처리 규칙이 서로 상이한 것을 특징으로 하는 검사 레시피를 생성하거나 사용하는 방법.
제 18항에 있어서,
다수의 이터레이션 도중 적용되는 규칙의 조합이 서로 상이한 데이터 획득 단계의 다수의 이터레이션을 수행함으로써, 상기 검사되는 물체의 적어도 일부분에 대한 데이터를 획득하는 단계; 및
상기 데이터를 기반으로 서로 다른 구역 타입의 서로 다른 구역을 정의하는 단계를 포함하고,
상기 구역 타입은 데이터 수집 구역 및 데이터 처리 구역 중 적어도 하나를 포함하는 것을 특징으로 하는 검사 레시피를 생성하거나 사용하는 방법.
제 22항에 있어서,
상기 검사되는 물체의 적어도 일부분의 서로 다른 위치에서 획득된 데이터의 퀄리티를 기반으로, 상기 서로 다른 구역을 정의하는 단계를 포함하는 것을 특징으로 하는 검사 레시피를 생성하거나 사용하는 방법.
제 22항에 있어서,
상기 검사되는 물체의 적어도 일부분의 서로 다른 위치에서 규칙의 서로 다른 조합으로 획득된 데이터 간의 차이를 기반으로, 상기 서로 다른 구역을 정의하는 단계를 포함하는 것을 특징으로 하는 검사 레시피를 생성하거나 사용하는 방법.
검사되는 물체의 적어도 일부분에 대한 데이터를 획득하는 단계로서, 상기 검사되는 물체는 특정 클래스의 적어도 하나의 오브젝트를 포함하는 단계; 및
(a) 검사 레시피를 제공하기 위해 상기 데이터를 처리하는 동작, 및 (b) 결함을 검출하기 위해, 상기 검사 레시피를 사용하면서 상기 데이터를 처리하는 동작 중 적어도 하나의 데이터 처리 동작을 수행하는 단계를 위한 명령을 저장하며,
상기 검사 레시피는 상기 특정 클래스의 오브젝트 모델을 포함하고,
데이터 수집 규칙은 광학적 조명 규칙 및 광학적 수집 규칙을 포함하고,
상기 오브젝트 모델은:
상기 오브젝트(상기 오브젝트는 감지 수단으로부터 수신됨)의 픽셀 값을 대표하는 데이터; 및
적어도 상기 오브젝트 모델의 형상, 상기 오브젝트 모델의 사이즈, 상기 오브젝트 모델의 위치 및 상기 오브젝트 모델의 배향 중 선택되는 적어도 하나의 추가적인 기하학적 파라미터를 포함하는 것을 특징으로 하는 비-일시적인, 컴퓨터로 읽을 수 있는 매체.
데이터 획득 모듈에 의해, 검사되는 물체의 적어도 일부분에 대한 데이터를 획득하는 단계로서, 상기 검사되는 물체는 특정 클래스의 적어도 하나의 오브젝트를 포함하는 단계; 및
프로세서에 의해, (a) 검사 레시피를 제공하기 위해 상기 데이터를 처리하는 동작; 및 (b) 결함을 검출하기 위해 상기 검사 레시피를 사용하면서 상기 데이터를 처리하는 동작 중 적어도 하나의 데이터 처리 동작을 수행하는 단계를 위한 명령을 저장하고,
상기 검사 레시피는 다수의 구역 타입의 다수의 구역을 포함하고,
제 1 구역 타입의 적어도 하나의 구역 및 제 2 구역 타입의 적어도 하나의 다른 구역은 부분적으로 중첩되고,
상기 구역 타입은 데이터 수집 구역, 데이터 처리 구역 및 응답 구역 중 적어도 두 개를 포함하고,
서로 다른 데이터 수집 구역들은 적어도 하나의 데이터 수집 규칙이 서로 상이하고,
서로 다른 데이터 처리 구역들은 적어도 하나의 데이터 처리 규칙이 서로 상이하고,
서로 다른 응답 구역들은 적어도 하나의 응답 규칙이 서로 상이한 것을 특징으로 하는 비-일시적인, 컴퓨터로 읽을 수 있는 매체.
검사되는 물체의 적어도 일부분에 대한 데이터를 획득하도록 구성되는 데이터 획득 모듈로서, 상기 검사되는 물체는 특정 클래스의 적어도 하나의 오브젝트를 포함하는 데이터 획득 모듈; 및
(a) 검사 레시피를 제공하기 위해 상기 데이터를 처리하는 동작; 및 (b) 결함을 검출하기 위해 상기 검사 레시피를 사용하면서 상기 데이터를 처리하는 동작 중 적어도 하나의 데이터 처리 동작을 수행하도록 구성되는 프로세서를 포함하며,
상기 검사 레시피는 상기 특정 클래스의 오브젝트 모델을 포함하고,
상기 오브젝트 모델은:
상기 오브젝트(상기 오브젝트는 감지 수단으로부터 수신됨)의 픽셀 값을 대표하는 데이터; 및
적어도 상기 오브젝트 모델의 형상, 상기 오브젝트 모델의 사이즈, 상기 오브젝트 모델의 위치 및 상기 오브젝트 모델의 배향 중 선택되는 적어도 하나의 추가적인 기하학적 파라미터를 포함하는 것을 특징으로 하는 시스템.
검사되는 물체의 적어도 일부분에 대한 데이터를 획득하도록 구성되는 데이터 획득 모듈로서, 상기 검사되는 물체는 특정 클래스의 적어도 하나의 오브젝트를 포함하는 데이터 획득 모듈; 및
(a) 검사 레시피를 제공하기 위해 상기 데이터를 처리하는 동작; 및 (b) 결함을 검출하기 위해 상기 검사 레시피를 사용하면서 상기 데이터를 처리하는 동작 중 적어도 하나의 데이터 처리 동작을 수행하도록 구성되는 프로세서를 포함하며,
상기 검사 레시피는 다수의 구역 타입의 다수의 구역을 포함하고,
제 1 구역 타입의 적어도 하나의 구역 및 제 2 구역 타입의 적어도 하나의 다른 구역은 부분적으로 중첩되고,
상기 구역 타입은 데이터 수집 구역, 데이터 처리 구역 및 응답 구역 중 적어도 두 개를 포함하고,
서로 다른 데이터 수집 구역들은 적어도 하나의 데이터 수집 규칙이 서로 상이하고,
서로 다른 데이터 처리 구역들은 적어도 하나의 데이터 처리 규칙이 서로 상이하고,
서로 다른 응답 구역들은 적어도 하나의 응답 규칙이 서로 상이한 것을 특징으로 하는 시스템.