KR20240003985A - 이미지 처리 방법 및 시스템 - Google Patents

이미지 처리 방법 및 시스템 Download PDF

Info

Publication number
KR20240003985A
KR20240003985A KR1020220081954A KR20220081954A KR20240003985A KR 20240003985 A KR20240003985 A KR 20240003985A KR 1020220081954 A KR1020220081954 A KR 1020220081954A KR 20220081954 A KR20220081954 A KR 20220081954A KR 20240003985 A KR20240003985 A KR 20240003985A
Authority
KR
South Korea
Prior art keywords
image
linewidth
image processing
clause
processing system
Prior art date
Application number
KR1020220081954A
Other languages
English (en)
Inventor
강민수
김장훈
정우진
Original Assignee
삼성전자주식회사
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 삼성전자주식회사 filed Critical 삼성전자주식회사
Priority to KR1020220081954A priority Critical patent/KR20240003985A/ko
Priority to US18/141,690 priority patent/US20240005476A1/en
Priority to EP23173898.0A priority patent/EP4303810B1/en
Priority to TW112119820A priority patent/TWI840235B/zh
Priority to CN202310763496.7A priority patent/CN117350937A/zh
Publication of KR20240003985A publication Critical patent/KR20240003985A/ko

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G06T7/0006—Industrial image inspection using a design-rule based approach
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/90—Dynamic range modification of images or parts thereof
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/12—Edge-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/40—Image enhancement or restoration using histogram techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10056—Microscopic image
    • G06T2207/10061—Microscopic image from scanning electron microscope
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30148—Semiconductor; IC; Wafer

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Geometry (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

이미지 처리 방법 및 시스템이 제공된다. 몇몇 실시예들에 따른 이미지 처리 시스템은 복수의 공정 단계 중 일부 공정 중인 반도체 장치에 대해, 제1 방향으로 바라본 제1 방향 이미지와 제1 방향과 교차하는 제2 방향으로 바라본 제2 방향 이미지를 수신받는 입력부, 제1 방향 이미지를 바탕으로 경계를 검출하는 경계 검출(edge detection) 동작을 수행하며, 제1 방향 이미지에 대해 이미지 이진화 동작을 수행하는 프로세서, 및 이미지 이진화 동작을 통해 측정된 내부 영역의 선폭인 제1 선폭과 제2 방향 이미지를 통해 측정된 내부 영역의 선폭인 제2 선폭을 머신 런닝을 통해 비교하여, 제1 선폭과 제2 선폭의 연관성(correlation)이 최대가 될 때의 이진화 동작의 조건을 학습하는 런닝 장치를 포함한다.

Description

이미지 처리 방법 및 시스템{Image processing method and system thereof}
본 발명은 이미지 처리 방법 및 시스템에 관한 것이다.
최근 반도체 장치가 고집적화 되어감에 따라 칩 내의 소자 크기와 소자 사이의 간격이 점점 줄어들고 있다. 역으로, 소자의 크기를 줄이고 소자 사이의 간격을 줄이는 것이 반도체를 고집적화 시킬 수 있는 관건이다. 메모리(memory) 분야에서뿐만 아니라 비메모리 분야에서도 고집적화와 고속화가 중요하게 부각되고 있다. CPU(Central Processing Unit)와 같은 로직 장치(logic device)에서는 신호의 고속화를 구현하기 위해 게이트 전극의 폭인 게이트 선폭(CD: Critical Dimension)를 줄임으로써 소자의 속도를 증가시킬 수 있다. 고집적화와 속도 향상을 위해 게이트 선폭을 조절하는 것이 중요하다.
본 발명이 해결하고자 하는 기술적 과제는 반도체 장치에 대한 공정 중의 이미지를 바탕으로 측정한 선폭의 신뢰성이 향상된 이미지 처리 시스템을 제공하는 것이다.
본 발명이 해결하고자 하는 다른 기술적 과제는 반도체 장치에 대한 공정 중의 이미지를 바탕으로 측정한 선폭의 신뢰성이 향상된 이미지 처리 방법을 제공하는 것이다.
본 발명의 기술적 과제들은 이상에서 언급한 기술적 과제로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.
상기 기술적 과제를 달성하기 위한 본 발명의 몇몇 실시예에 따른 이미지 처리 시스템은, 복수의 공정 단계 중 일부 공정 중인 반도체 장치에 대해, 제1 방향으로 바라본 제1 방향 이미지와, 상기 제1 방향 이미지가 생성된 제1 높이에서 제1 방향과 교차하는 제2 방향으로 바라본 제2 방향 이미지를 수신받는 입력부, 제1 방향 이미지를 바탕으로 경계를 검출하는 경계 검출(edge detection) 동작을 수행하며, 제1 방향 이미지에 대해 이미지 이진화 동작을 수행하는 프로세서, 및 이미지 이진화 동작을 통해 생성된 이미지의 선폭인 제1 선폭과 제2 방향 이미지를 통해 측정된 제1 높이에서의 선폭인 제2 선폭을 머신 런닝을 통해 비교하여, 제1 선폭과 제2 선폭의 연관성(correlation)이 최대가 될 때의 이진화 동작의 조건을 학습하는 런닝 장치를 포함한다.
상기 기술적 과제를 달성하기 위한 본 발명의 몇몇 실시예에 따른 이미지 처리 시스템은, 외부와 통신하는 통신부, 통신부를 통해, 복수의 공정 단계 중 일부 공정 중인 반도체 장치에 대해, 제1 방향으로 바라본 제1 방향 이미지와, 제1 방향 이미지가 생성된 제1 높이에서 제1 방향과 교차하는 제2 방향으로 바라본 제2 방향 이미지를 수신받는 입력부, 제1 방향 이미지와 제2 방향 이미지를 바탕으로 머신 런닝을 수행하는 런닝 장치, 머신 런닝을 수행하는 머신 런닝 모델을 저장하는 메모리, 및 통신부, 입력부, 런닝 장치, 및 메모리를 제어하는 프로세서를 포함하되, 프로세서를 통해, 제1 방향 이미지를 바탕으로 경계를 검출하는 경계 검출(edge detection) 동작을 수행하며, 제1 방향 이미지에 대해 이미지 이진화 동작을 수행하고, 런닝 장치를 통해, 이미지 이진화 동작을 통해 생성된 이미지의 선폭인 제1 선폭과 제2 방향 이미지를 통해 상기 제1 높이에서의 선폭인 제2 선폭을 머신 런닝을 통해 비교하여, 제1 선폭과 제2 선폭의 연관성(correlation)이 최대가 될 때의 이진화 동작의 조건을 학습한다.
상기 기술적 과제를 달성하기 위한 본 발명의 몇몇 실시예에 따른 이미지 처리 방법은, 입력부를 통해, 복수의 공정 단계 중 일부 공정 중인 반도체 장치에 대해, 제1 방향으로 바라본 제1 방향 이미지와, 상기 제1 방향 이미지가 생성된 제1 높이에서 제1 방향과 교차하는 제2 방향으로 바라본 제2 방향 이미지를 수신받고, 프로세서를 통해, 제1 방향 이미지를 바탕으로 경계를 검출하는 경계 검출(edge detection) 동작을 수행하며, 제1 방향 이미지에 대해 이미지 이진화 동작을 수행하고, 런닝 장치를 통해, 이미지 이진화 동작을 통해 생성된 이미지의 선폭인 제1 선폭과 제2 방향 이미지를 통해 제1 높이에서의 선폭인 제2 선폭을 머신 런닝을 통해 비교하여, 제1 선폭과 제2 선폭의 연관성(correlation)이 최대가 될 때의 이진화 동작의 조건을 학습한다.
기타 실시예들의 구체적인 사항들은 상세한 설명 및 도면들에 포함되어 있다.
도 1은 ACI(After Clean Inspection) 이미지를 예시적으로 도시하는 반도체 장치에 대한 공정 단계 중 일부 단계에서의 반도체 장치의 단면도이다.
도 2는 ACI 이미지를 예시적으로 도시하는 반도체 장치에 대한 공정 단계 중 일부 단계에서의 반도체 장치의 상면도이다.
도 3은 도 2의 이미지에 대해, 경계 검출(edge detection) 동작이 수행되어 경계가 검출된 이미지를 도시하는 상면도이다.
도 4는 도 3의 이미지의 일부분을 확대하여 도시된 확대도이다.
도 5는 ADI(After Develop Inspection) 이미지를 예시적으로 도시하는 반도체 장치에 대한 공정 단계 중 일부 단계에서의 반도체 장치의 단면도이다.
도 6은 ADI 이미지를 예시적으로 도시하는 반도체 장치에 대한 공정 단계 중 일부 단계에서의 반도체 장치의 상면도이다.
도 7은 도 6의 이미지에 대해, 경계 검출(edge detection) 동작이 수행되어 경계가 검출된 이미지를 도시하는 상면도이다.
도 8은 도 6의 이미지의 위치에 따른 밝기 변화를 나타내는 그래프이다.
도 9는 도 8의 그래프를 바탕으로, 도 6의 이미지의 위치에 따른 밝기의 그라디언트(gradient) 변화를 나타내는 그래프이다.
도 10는 도 7의 이미지의 일부분을 확대하여 도시된 확대도이다.
도 11은 도 6의 이미지에 대해 이미지 이진화 동작이 수행된 이미지를 도시한 도면이다.
도 12는 도 6의 이미지에 대해 이미지 이진화 동작이 수행된 다른 이미지를 도시한 도면이다.
도 13은 몇몇 실시예들에 따른 이미지 처리 시스템이 머신 러닝을 통해 선폭을 비교하며 학습하는 대상을 설명하기 위한 도면이다.
도 14는 몇몇 실시예들에 따른 이미지 처리 방법을 설명하기 위한 흐름도이다.
도 15는 몇몇 실시예들에 따른 이미지 처리 시스템을 설명하기 위한 예시적인 도면이다.
도 16은 몇몇 실시예들에 따른 이미지 처리 시스템의 메모리를 설명하기 위한 예시적인 도면이다.
상세한 설명에서 사용되는 부 또는 유닛(unit), 모듈(module), 블록(block), ~기(~or, ~er) 등의 용어들을 참조하여 설명되는 구성 요소들 및 도면에 도시된 기능 블록들은 소프트웨어, 또는 하드웨어, 또는 그것들의 조합의 형태로 구현될 수 있다. 예시적으로, 소프트웨어는 기계 코드, 펌웨어, 임베디드 코드, 및 애플리케이션 소프트웨어일 수 있다. 예를 들어, 하드웨어는 전기 회로, 전자 회로, 프로세서, 컴퓨터, 집적 회로, 집적 회로 코어들, 압력 센서, 관성 센서, 멤즈 (microelectromechanical system; MEMS), 수동 소자, 또는 그것들의 조합을 포함할 수 있다.
도 1은 ACI(After Clean Inspection) 이미지를 예시적으로 도시하는 반도체 장치에 대한 공정 단계 중 일부 단계에서의 반도체 장치의 단면도이다.
도 1을 참조하면, 반도체 장치를 제조하는 복수의 공정 단계 중 일부 단계 공정 중의 이미지(ACI_img(a))가 도시된다.
이미지(ACI_img(a))는 예를 들어, SEM(Scanning Electron Microscope)을 통해 얻은 이미지 또는 TEM(Transmission Electron Microscope)을 통해 얻은 이미지일 수 있다.
이미지(ACI_img(a))는 예를 들어, 기판(110) 상에 패드 산화막(112), 폴리 실리콘막(114), 반사 방지막(ARL:Anti Reflective Layer)(116), 및 포토 레지스트 막(118)이 형성된 반도체 장치의 공정 단계 중 일부에 대한 이미지일 수 있다.
참고적으로, 본 명세서에서 설명하는 공정 중의 반도체 장치는 임의의 단계에 대한 설명으로, 기타 다른 공정 단계에서도 적용될 수 있음은 물론이다.
이때, 도 1의 공정 중의 반도체 장치에 대한 이미지(ACI_img(a))는 패드 산화막(112), 폴리 실리콘막(114), 반사 방지막(ARL:Anti Reflective Layer)(116), 및 포토 레지스트 막(118)이 식각된 후인 ACI(After Clean Inspection) 이미지일 수 있다.
즉, 패드 산화막(112), 폴리 실리콘막(114), 반사 방지막(ARL:Anti Reflective Layer)(116), 및 포토 레지스트 막(118)을 식각 후, 채널 홀(CH1a)가 형성될 수 있다.
도 1의 공정 중의 반도체 장치를 제2 방향(y)으로의 임의의 높이에서 바라본 이미지가 생성될 수 있다. 즉, 도 1의 공정 중의 반도체 장치에 대한 상면도를 도 2를 참조하여 설명한다.
도 2는 ACI 이미지를 예시적으로 도시하는 반도체 장치에 대한 공정 단계 중 일부 단계에서의 반도체 장치의 상면도이다.
도 1 및 도 2를 참조하면, 도 1의 공정 중의 반도체 장치에 대한 상면도(ACI_img(b))는 복수의 채널 홀들을 포함할 수 있다.
상면도(ACI_img(b))는 예를 들어, SEM(Scanning Electron Microscope)을 통해 얻은 이미지 또는 TEM(Transmission Electron Microscope)을 통해 얻은 이미지일 수 있다.
채널 홀(CH1a)은 예를 들어, 도 1의 채널 홀(CH1a)일 수 있다.
상면도(ACI_img(b))는 포토 레지스트 막(118)이 식각된 후에 촬영된 이미지로, 포토 레지스트 막(118)으로 인한 잡음(noise)이 발생되지 않는다.
즉, 복수의 채널 홀들 사이의 경계가 명확함을 알 수 있다.
이때, 도 1의 공정 중의 반도체 장치의 선폭 측정을 위해, 상면도(ACI_img(b))에 대한 경계 검출 동작이 수행될 수 있다. 상면도(ACI_img(b))에 대한 경계 검출 동작이 수행된 후의 도면을 도 3을 통해 설명한다.
도 3은 도 2의 이미지에 대해, 경계 검출(edge detection) 동작이 수행되어 경계가 검출된 이미지를 도시하는 상면도이다.
도 3을 참조하면, 도 2의 상면도(ACI_img(b))에 대한 경계 검출 동작이 수행된 후의 도면(ACI_img(c))이 도시된다.
경계 검출 동작은 도 2의 상면도(ACI_img(b))의 픽셀의 위치에 따른 밝기 정보를 바탕으로 수행되는데, 경계 검출 동작에 대한 자세한 설명은 도 8 및 도 9를 통해 후술됨으로, 본 도면에선 간단히 설명한다.
도 2의 상면도(ACI_img(b))의 픽셀의 위치에 따른 밝기 정보를 바탕으로 검출된 경계가 이미지(ACI_img(c))에 표시된다. 즉, 이미지(ACI_img(c))는 경계와 경계가 아닌 부분 두 영역으로 나뉘어 표시될 수 있다.
이때, 이미지(ACI_img(c))는 도 2의 상면도(ACI_img(b))를 바탕으로 생성된 이미지로, 도 2의 상면도(ACI_img(b))가 포토 레지스트 막(118)이 식각된 후에 촬영된 이미지로, 포토 레지스트 막(118)으로 인한 잡음(noise)이 발생되지 않은 이미지이기 때문에, 복수의 채널들을 정의하는 경계가 명확히 나타난다.
복수의 채널들을 정의하는 경계를 좀 더 자세히 살펴보기 위해 예시적으로 채널 홀(CH1b)이 존재하는 위치를 중심으로 확대하여 살펴본다.
도 4는 도 3의 이미지의 일부분을 확대하여 도시된 확대도이다.
도 4의 이미지를 참조하면, 채널 홀(CH1b)을 정의하는 경계가 명확히 정의됨을 알 수 있다. 더 자세히는, 채널 홀(CH1b)을 정의하는 경계가 닫혀 있는 폐곡선(closed curve) 형태를 가짐을 알 수 있다.
이는, 도 2의 상면도(ACI_img(b))가 포토 레지스트 막(118)이 식각된 후에 촬영된 이미지로, 포토 레지스트 막(118)으로 인한 잡음(noise)이 발생되지 않은 이미지이기 때문일 수 있다.
도 1 내지 도 4를 통해 설명한 예시에서는, 선폭, 더 자세히는 채널 홀의 선폭의 측정 정확도가 높을 수 있다.
하지만, 상면도에 잡음이 많이 포함되어, 경계 검출 후 생성된 이미지의 경계가 명확하지 않는 경우가 발생될 수 있다. 이런 경우, 선폭, 더 자세히는 채널 홀의 선폭의 측정 정확도가 낮아질 수 있다. 이런 경우, 몇몇 실시예들에 따른 이미지 처리 시스템 혹은 이미지 처리 방법을 통해 선폭, 더 자세히는 채널 홀의 선폭의 측정 정확도를 높일 수 있다.
이하의 도 5 내지 도 10를 통해, 상면도에 잡음이 많이 포함되어, 경계 검출 후 생성된 이미지의 경계가 명확하지 않는 경우가 발생되는 경우를 살펴본다.
도 5는 ADI(After Develop Inspection) 이미지를 예시적으로 도시하는 반도체 장치에 대한 공정 단계 중 일부 단계에서의 반도체 장치의 단면도이다.
도 5를 참조하면, 반도체 장치를 제조하는 복수의 공정 단계 중 일부 단계 공정 중의 이미지(ADI_img(a))가 도시된다.
이미지(ADI_img(a))는 예를 들어, SEM(Scanning Electron Microscope)을 통해 얻은 이미지 또는 TEM(Transmission Electron Microscope)을 통해 얻은 이미지일 수 있다.
이미지(ADI_img(a))는 예를 들어, 기판(110) 상에 패드 산화막(112), 폴리 실리콘막(114), 반사 방지막(ARL:Anti Reflective Layer)(116), 및 포토 레지스트 막(118)이 형성된 반도체 장치의 공정 단계 중 일부에 대한 이미지일 수 있다.
참고적으로, 본 명세서에서 설명하는 공정 중의 반도체 장치는 임의의 단계에 대한 설명으로, 기타 다른 공정 단계에서도 적용될 수 있음은 물론이다.
이때, 도 5의 공정 중의 반도체 장치에 대한 이미지(ADI_img(a))는 패드 산화막(112), 폴리 실리콘막(114), 반사 방지막(ARL:Anti Reflective Layer)(116), 및 포토 레지스트 막(118)이 식각되기 전인 ADI(After Develop Inspection) 이미지일 수 있다. 즉, 도 5의 공정 중의 반도체 장치에 대한 이미지(ADI_img(a))는 사진 공정 후 형성된 마스크가 존재하는 공정 중의 반도체 장치에 대한 이미지일 수 있다.
즉, 패드 산화막(112), 폴리 실리콘막(114), 반사 방지막(ARL:Anti Reflective Layer)(116) 상의 포토 레지스트 막들(118) 사이에 채널 홀(CH2a)이 형성될 수 있다.
채널 홀(CH2a)은 물론 패드 산화막(112), 폴리 실리콘막(114), 및 반사 방지막(ARL:Anti Reflective Layer)(116)이 식각되기 전에 형성되는 채널 홀 형성 과정 중의 채널 홀을 통칭할 수 있다.
이때, 채널 홀(CH2a)의 선폭은 제2 방향(y)의 높이에 따라 서로 다른 폭을 가질 수 있다.
예를 들어, 제2 방향(y)으로의 제1 높이(P1)에서의 선폭은 제1 선폭(CD1a)을 가질 수 있다. 또한, 제2 방향(y)으로의 제2 높이(P2)에서의 선폭은 제2 선폭(CD2a)을 가질 수 있다.
제1 선폭(CD1a)과 제2 선폭(CD2a)은 서로 다를 수 있다. 예를 들어, 제2 선폭(CD2a)이 제1 선폭(CD1a)보다 작을 수 있다.
참고적으로, 선폭(예를 들어, 제1 선폭(CD1a)과 제2 선폭(CD2a))은 제1 방향(x)과 제3 방향(z)으로 이루어진 평면 상에서 측정되는 크기일 수 있다. 본 도면에서 선폭(예를 들어, 제1 선폭(CD1a)과 제2 선폭(CD2a))은 제1 방향(x)으로 연장되는 크기일 수 있다.
도 6은 ADI 이미지를 예시적으로 도시하는 반도체 장치에 대한 공정 단계 중 일부 단계에서의 반도체 장치의 상면도이다.
도 5 및 도 6를 참조하면, 도 5의 공정 중의 반도체 장치에 대한 상면도(ADI_img(b))는 복수의 채널 홀들을 포함할 수 있다.
상면도(ADI_img(b))는 예를 들어, SEM(Scanning Electron Microscope)을 통해 얻은 이미지 또는 TEM(Transmission Electron Microscope)을 통해 얻은 이미지일 수 있다.
채널 홀(CH2a)은 예를 들어, 도 5의 채널 홀(CH2a)일 수 있다.
상면도(ADI_img(b))는 포토 레지스트 막(118)이 식각되기 전에 촬영된 이미지로, 포토 레지스트 막(118)으로 인한 잡음(noise)이 발생될 수 있다.
즉, 복수의 채널 홀들 사이의 경계가 명확하지 않을 수 있다.
이때, 도 5의 공정 중의 반도체 장치의 선폭 측정을 위해, 상면도(ADI_img(b))에 대한 경계 검출 동작이 수행될 수 있다. 상면도(ACI_img(b))에 대한 경계 검출 동작이 수행된 후의 도면을 도 7을 통해 설명한다.
도 7은 도 6의 이미지에 대해, 경계 검출(edge detection) 동작이 수행되어 경계가 검출된 이미지를 도시하는 상면도이다.
경계 검출 동작은 도 6의 상면도(ADI_img(b))의 픽셀의 위치에 따른 밝기 정보를 바탕으로 수행되는데, 경계 검출 동작에 대한 자세한 설명을 도 8 및 도 9를 통해 설명한다.
도 8은 도 6의 이미지의 위치에 따른 밝기 변화를 나타내는 그래프이다.
도 6 및 도 8을 참조하면, 도 6의 상면도(ADI_img(b))의 픽셀의 위치에 따른 밝기 그래프(Graph I)가 도시된다.
참고적으로, 본 도면에서의 그래프(Graph I)는 설명을 위해 편의적으로 그려진 그래프로, 도 6의 상면도(ADI_img(b))의 픽셀의 위치에 따른 밝기와 정확히 일치하지 않을 수 있다.
그래프(Graph I)의 가로 축은 도 6의 상면도(ADI_img(b))의 픽셀의 위치(제1 방향(x), 및 제3 방향(z))를 나타낼 수 있으며, 세로 축은 그 위치에 따른 밝기를 나타낼 수 있다.
예를 들어, 도 6의 상면도(ADI_img(b))의 픽셀 중 위치(x1, z1)에서 밝기가 가장 밝은 값으로 나타날 수 있으며, 위치(x2, z2)에서 밝기가 가장 낮은 값으로 나타날 수 있다.
도 9는 도 8의 그래프를 바탕으로, 도 6의 이미지의 위치에 따른 밝기의 그라디언트(gradient) 변화를 나타내는 그래프이다.
참고적으로, 본 도면에서의 그래프(Graph II)는 설명을 위해 편의적으로 그려진 그래프로, 도 8의 그래프(Graph I)의 가로 축에 따른 그라디언트값과 정확히 일치하지 않을 수 있다.
도 6, 도 8, 및 도 9를 참조하면, 도 9의 그래프(Graph II)는 도 8의 그래프(Graph I)에 대한 그라디언트값에 절대값을 취한 그래프이다.
더 자세히는, 도 9의 그래프(Graph II)는 도 6의 상면도(ADI_img(b))의 픽셀의 위치에 따른 밝기에 대한 그래프인 도 8의 그래프(Graph I)에 대한 그라디언트값에 절대값을 적용시킨 그래프이다.
도 9의 그래프(Graph II)를 참조하면, 예를 들어, 위치(x11, z11)과 위치(x22, z22)에서 가장 큰 값을 가질 수 있다. 위치(x11, z11)과 위치(x22, z22)에서의 밝기 변화가 최대란 뜻으로, 이는 도 6의 상면도(ADI_img(b))에서 채널 홀의 바깥으로부터 채널 홀의 안쪽으로 진입하는 경계가 될 수 있다는 의미가 될 수 있다.
하지만, 도 6의 상면도(ADI_img(b))에 잡음이 많이 포함되어, 채널 홀의 경계가 명확하지 않는 경우가 발생될 수 있다. 이런 경우를 대비해, 경계를 정의하기 위한 마진(margin)을 설정할 수 있다. 그 마진값을 임계 그라디언트값(Th(b))이라고 정의할 수 있다. 임계 그라디언트값(Th(b))은 이미지를 처리하는 사용자에 의해 임의로 정의되는 값일 수 있다.
예를 들어, 도 6의 상면도(ADI_img(b))에 대한 경계 검출 동작을 수행하기 위해, 임계 그라디언트값(Th(b))이 임의로 설정될 수 있다. 이때, 도 6의 상면도(ADI_img(b))의 픽셀 위치에 따른 그라디언트값이 임계 그라디언트값(Th(b))보다 큰 값을 갖는 픽셀의 위치를 도 6의 상면도(ADI_img(b))의 경계라고 정의할 수 있다.
즉, 도 9의 그래프(Graph II)에서 위치(x3, z3)와 위치(x4, z4) 사이의 픽셀들과, 위치(x5, z5)와 위치(x6, z6) 사이의 픽셀들에 대해, 도 6의 상면도(ADI_img(b))의 경계가 위치하는 픽셀이라고 정의할 수 있다.
이를 바탕으로 검출된 경계를 표시하여 나타낸 도면이 도 7의 이미지(ADI_img(c))가 될 수 있다.
계속하여 도 7을 참조하면, 도 6의 상면도(ADI_img(b))의 픽셀의 위치에 따른 밝기 정보를 바탕으로 검출된 경계가 이미지(ADI_img(c))에 표시된다. 즉, 이미지(ADI_img(c))는 경계와 경계가 아닌 부분 두 영역으로 나뉘어 표시될 수 있다.
이때, 이미지(ADI_img(c))는 도 6의 상면도(ACI_img(b))를 바탕으로 생성된 이미지로, 도 6의 상면도(ADI_img(b))가 포토 레지스트 막(118)이 식각되기 전에 촬영된 이미지로, 포토 레지스트 막(118)으로 인한 잡음(noise)이 발생된 이미지이기 때문에, 복수의 채널들을 정의하는 경계가 명확히 나타나지 않을 수 있다.
복수의 채널들을 정의하는 경계를 좀 더 자세히 살펴보기 위해 예시적으로 채널 홀(CH2b)이 존재하는 위치를 중심으로 확대하여 살펴본다.
도 10는 도 7의 이미지의 일부분을 확대하여 도시된 확대도이다.
도 10의 이미지를 참조하면, 채널 홀(CH2b)을 정의하는 경계가 명확하지 않을 수 있다. 더 자세히는, 채널 홀(CH2b)을 정의하는 경계가 열려 있는 개곡선(opened curve) 형태를 가짐을 알 수 있다.
이는, 도 6의 상면도(ADI_img(b))가 포토 레지스트 막(118)이 식각되기 전에 촬영된 이미지로, 포토 레지스트 막(118)으로 인한 잡음(noise)이 발생된 이미지이기 때문일 수 있다.
도 6 내지 도 9를 통해 설명한 예시에서는, 선폭, 더 자세히는 채널 홀의 선폭의 측정 정확도가 낮을 수 있다.
즉, 상면도에 잡음이 많이 포함되어, 경계 검출 후 생성된 이미지의 경계가 명확하지 않는 경우가 발생된 경우, 선폭, 더 자세히는 채널 홀의 선폭의 측정 정확도가 낮아질 수 있다. 이런 경우, 몇몇 실시예들에 따른 이미지 처리 시스템 혹은 이미지 처리 방법을 통해 선폭, 더 자세히는 채널 홀의 선폭의 측정 정확도를 높일 수 있다.
이하에서, 몇몇 실시예들에 따른 이미지 처리 시스템 혹은 이미지 처리 방법을 통해 선폭, 더 자세히는 채널 홀의 선폭의 측정 정확도를 높이는 구성 및 동작을 자세히 살펴본다.
도 11은 도 6의 이미지에 대해 이미지 이진화 동작이 수행된 이미지를 도시한 도면이다.
도 11을 참조하면, 경계 검출 동작이 수행된 도 6의 이미지(ADI_img(b))에 대해 이미지 이진화 동작이 수행된 이미지 이진화 이미지(ADI_img(d)_1)가 도시된다.
이미지 이진화 동작을 도 8과 함께 설명한다.
도 6, 도 8, 및 도 11을 참조하면, 도 6의 이미지(ADI_img(b))에 대해서 이미지를 처리하는 사용자가 임계 밝기(Th(a))를 정의할 수 있다.
즉, 도 6의 이미지(ADI_img(b))에 대한 이미지 이진화 동작을 위해, 도 6의 이미지(ADI_img(b))의 픽셀 위치들 중 임계 밝기(Th(a)) 이상의 밝기를 가지는 영역과, 그렇지 않은 영역으로 나누어, 도 6의 이미지(ADI_img(b))를 두 영역으로 나눌 수 있다.
예를 들어, 도 6의 상면도(ADI_img(b))의 픽셀의 위치에 따른 밝기 그래프(Graph I)에 대하여, 임계 밝기(Th(a))보다 큰 밝기를 갖는 픽셀들과 그렇지 않은 픽셀들을 나누어 표시할 수 있다.
즉, 도 6의 상면도(ADI_img(b))의 픽셀의 위치에 따른 밝기 그래프(Graph I)에 대하여, 임계 밝기(Th(a))보다 큰 밝기를 갖는 픽셀들(위치(x1a, z1a)와 위치(x1b, z1b) 사이에 위치한 픽셀들)과 그렇지 않은 픽셀들을 구분하여 도 6의 상면도(ADI_img(b))를 이진화한 이진화된 이미지를 생성할 수 있다.
이렇게 생성된 이진화된 이미지는 도 11과 같이 표현될 수 있다.
계속하여, 도 11을 참조하면, 도 6의 상면도(ADI_img(b))를 이진화하여, 영역이 이진화될 수 있다. 이를 통해, 경계 내부 영역(Inner region 1)과 외부 영역(Outer region 1)이 정의될 수 있다.
이때, 임계 밝기(Th(a))를 조절함으로써, 도 6의 상면도(ADI_img(b))의 내부 영역과 외부 영역이 달라질 수 있다.
이를 도 12를 통해 살펴본다.
도 12는 도 6의 이미지에 대해 이미지 이진화 동작이 수행된 다른 이미지를 도시한 도면이다.
도 6, 도 8, 및 도 12를 살펴보면, 이미지를 처리하는 사용자가 임계 밝기(Th(aa))로 설정한 것으로 예를 든다.
이런 경우, 사용자가 임계 밝기(Th(a))로 설정한 경우 보다, 내부 영역으로 정의되는 넓이가 더 커질 수 있다.
즉, 도 11의 이진화된 이미지(ADI_img(d)_1)에서의 내부 영역(Inner region 1)보다 도 12의 이진화된 이미지(ADI_img(d)_2)에서의 내부 영역(Inner region 2)이 더 넓을 수 있다.
다르게 설명하면, 도 11의 이진화된 이미지(ADI_img(d)_1)에서의 외부 영역(Outer region 1)보다 도 12의 이진화된 이미지(ADI_img(d)_2)에서의 외부 영역(Outer region 2)이 더 좁아질 수 있다.
몇몇 실시예들에 따른 이미지 처리 시스템 또는 이미지 처리 방법에서 임계 밝기를 설정하는 방법에 대해 설명한다.
도 10을 통해, 채널 홀(CH2b)을 구성하는 경계가 경계 검출 동작을 통해 생성될 수 있다. 경계 검출 동작을 통해 생성된 경계는 도 7의 이미지(ADI_img(c))와 같이, 구성될 수 있다.
도 11 및 도 12에서 설명된 이진화된 이미지들(ADI_img(d)_1, ADI_img(d)_2) 역시, 도 7의 이미지(ADI_img(c))의 픽셀들에 오버랩되어 내부 영역과 외부 영역이 나뉘어 표시될 수 있다.
즉, 도 11의 이진화된 이미지(ADI_img(d)_1)에서와 같이, 내부 영역(Inner region 1)에 경계가 적게 포함될 수 있다.
또는, 도 12의 이진화된 이미지(ADI_img(d)_2)에서와 같이, 내부 영역(Inner region 2)에 경계가 도 11의 이진화된 이미지(ADI_img(d)_1)에서보다 많이 포함될 수 있다.
도 8의 그래프(Graph I)에서 설정되는 임계 밝기는 내부 영역 내에 포함되는 경계의 수를 바탕으로 조절될 수 있다.
더 자세히는, 이진화된 이미지를 통해 생성된 내부 영역에 포함된 경계의 수와 경계 검출 동작을 통해 검출된 모든 경계의 수 사이에서의 비율값을 정의할 수 있다.
이때, 비율값은 수학식 1과 같이, 내부 영역 내에 포함된 경계의 수를 경계 검출 동작을 통해 검출된 이미지(예를 들어, 도 7의 이미지(ADI_img(c))에서의 모든 경계의 수로 나눈 값으로 정의할 수 있다.
비율값 = (내부 영역 내에 포함된 경계의 수)/(검출된 모든 경계의 수)
수학식 1
즉, 이미지를 처리하는 사용자가 정의하는 비율값에 따라 임계 밝기가 조절될 수 있다.
이때, 몇몇 실시예들에 따른 이미지 처리 시스템 또는 이미지 처리 방법은 사용자가 정의하는 비율값에 만족하는 임계 밝기를 찾기 위해, 임계 밝기를 높은 값에서부터 낮은 값으로 낮추어 가면서, 비율값을 만족하는 임계 밝기를 찾는다.
예를 들어, 사용자가 비율값을 0.5로 정의한 경우, 임계 밝기를 매우 높은 값으로 설정한 후의 비율값을 측정한다. 이때, 비율값이 0.1인 경우, 임계 밝기를 좀 더 높인 후의 비율값을 측정한다. 이때, 비율값이 0.3인 경우, 임계 밝기를 더 높여서 비율값을 측정한다. 상술된 방식으로 임계 밝기를 높여가며 비율값이 최초로 0.5가 될 때의 임계 밝기를 찾는다.
몇몇 실시예들에 따른 이미지 처리 시스템 또는 이미지 처리 방법은 정확한 선폭의 측정을 위해, 비율값을 조절할 수 있다. 이를 이하의 도 13을 통해 살펴본다.
도 13은 몇몇 실시예들에 따른 이미지 처리 시스템이 머신 러닝을 통해 선폭을 비교하며 학습하는 대상을 설명하기 위한 도면이다.
도 13을 참조하면, 예를 들어, 비율값을 0.5로 설정하여 얻은 것으로 가정한 도 12의 이진화된 이미지(ADI_img(d)_2)를 예를 들어 설명한다.
몇몇 실시예들에 따른 이미지 처리 시스템 또는 이미지 처리 방법은 도 12의 이진화된 이미지(ADI_img(d)_2)의 내부 영역(Inner region 2)을 통해 선폭(CD1b)을 측정한다.
이때, 이미지(Img(b))는 도 5의 반도체 장치를 제조하는 복수의 공정 단계 중 일부 단계 공정 중의 이미지(ADI_img(a))의 제1 높이(P1)에서의 상면도 이미지인 것으로 가정한다.
또한, 이미지(Img(a))는 도 5의 반도체 장치를 제조하는 복수의 공정 단계 중 일부 단계 공정 중의 이미지(ADI_img(a))를 제2 방향(y)에서 절단하여 제3 방향(z)에서 바라본 단면도인 것으로 가정한다.
이미지들(Img(a) 및/또는 Img(b))는 예를 들어, SEM(Scanning Electron Microscope)을 통해 얻은 이미지 또는 TEM(Transmission Electron Microscope)을 통해 얻은 이미지일 수 있다.
몇몇 실시예들에 따른 이미지 처리 시스템 또는 이미지 처리 방법은 이미지(Img(a))의 제1 높이(P1)에서의 선폭(CD1a)을 측정한다. 또한, 몇몇 실시예들에 따른 이미지 처리 시스템 또는 이미지 처리 방법은 이미지(Img(b))에서 선폭(CD1b)을 측정한다.
몇몇 실시예들에 따른 이미지 처리 시스템 또는 이미지 처리 방법은 머신 런닝을 통해, 선폭(CD1a)과 선폭(CD1b)의 연관성(correlation)이 최대가 될 때까지 학습을 수행한다.
머신 런닝은 예를 들어, 인공 신경망(ANN: Artificial Neural Network)를 통해 수행될 수 있으나, 몇몇 실시예들에 따른 이미지 처리 시스템 또는 이미지 처리 방법이 수행하는 머신 런닝은 이에 제한되는 것은 아니다.
몇몇 실시예들에 따른 이미지 처리 시스템 또는 이미지 처리 방법은 머신 런닝을 통해 학습하며 생성된 데이터들은 메모리에 저장되어 데이터 베이스를 구축할 수 있다.
즉, 몇몇 실시예들에 따른 이미지 처리 시스템 또는 이미지 처리 방법은 머신 런닝을 통해, 선폭(CD1a)과 선폭(CD1b)의 연관성(correlation)이 최대가 될 때까지 학습을 수행하는 과정에서, 선폭(CD1a)과 선폭(CD1b)의 연관성(correlation)이 최대가 되는 비율값을 지속적으로 학습할 수 있다.
이러한 과정에서의 학습 데이터는 메모리에 저장되어 데이터 베이스가 구축될 수 있다.
즉, 몇몇 실시예들에 따른 이미지 처리 시스템 또는 이미지 처리 방법을 통해 구축된 데이터 베이스는 반도체 장치를 제조하는 복수의 공정 단계 중 일부 단계 공정 중의 선폭 측정의 신뢰성을 향상시키는데 도움을 줄 수 있다.
도 14는 몇몇 실시예들에 따른 이미지 처리 방법을 설명하기 위한 흐름도이다.
이하에서는, 상술된 설명들과 중복되는 설명은 간략히 설명한다.
도 14를 참조하면, 몇몇 실시예들에 따른 이미지 처리 방법은 공정 중의 반도체 장치에 대한 일부 높이에서의 상면도에 대한 경계 검출(edge detection) 동작을 수행할 수 있다(S100).
이후, 머신 런닝을 통해, 제1 방향의 높이의 상면도를 통해 추출된 선폭과 제1 방향과 교차하는 제2 방향에서 바라본 선폭의 연관성(correlation)이 최대가 될 때까지 학습을 수행한다(S300).
상술된 이미지 처리 과정에서 생성되는 이미지 처리 데이터(예를 들어, 학습 데이터)들이 메모리에 저장될 수 있다(S400).
도 15는 몇몇 실시예들에 따른 이미지 처리 시스템을 설명하기 위한 예시적인 도면이다.
도 15를 참조하면, 몇몇 실시예들에 따른 이미지 처리 시스템(100)은 예를 들어 TV, 프로젝터, 휴대폰, 스마트폰, 데스크탑 컴퓨터, 노트북, 디지털방송용 단말기, PDA(personal digital assistants), PMP(portable multimedia player), 네비게이션, 태블릿 PC, 웨어러블 장치, 셋톱박스(STB), DMB 수신기, 라디오, 데스크탑 컴퓨터, 로봇, 차량 등과 같은 고정형 기기 또는 이동 가능한 기기 등으로 구현될 수 있다.
이미지 처리 시스템(100)은 통신부(200), 입력부(300), 런닝 장치(400), 프로세서(500), 메모리(600), 및 출력부(700)를 포함한다. 이미지 처리 시스템(100)의 구성은 이에 제한되는 것이 아니며, 다른 구성이 더 추가될 수도 있다.
통신부(200)는 유무선 통신 기술을 이용하여 외부의 다른 전자 장치(예를 들어, SEM(Scanning Electron Microscope)을 통해 얻은 이미지를 처리하는 장치 또는 TEM(Transmission Electron Microscope)을 통해 얻은 이미지를 처리하는 장치)들과 데이터를 송수신할 수 있다. 예컨대, 통신부(200)는 외부의 다른 장치들과 센서 정보, 사용자 입력, 학습 모델, 제어 신호 등을 송수신할 수 있다.
이때, 통신부(200)가 이용하는 통신 기술에는 GSM(Global System for Mobile communication), CDMA(Code Division Multi Access), LTE(Long Term Evolution), 5G, WLAN(Wireless LAN), Wi-Fi(Wireless-Fidelity), 블루투스(Bluetooth), RFID(Radio Frequency Identification), 적외선 통신(Infrared Data Association; IrDA), ZigBee, NFC(Near Field Communication) 등이 있을 수 있으나, 이에 제한되는 것은 아니다.
입력부(300)는 다양한 종류의 데이터(예를 들어, 도 2의 이미지(ACI_img(b), 도 6의 이미지(ADI_img(b), 또는 도 13의 이미지(Img(a))를 획득할 수 있다.
입력부(300)가 획득하는 다양한 종류의 데이터(예를 들어, 도 2의 이미지(ACI_img(b), 도 6의 이미지(ADI_img(b), 또는 도 13의 이미지(Img(a))는 통신부(200)가 외부의 다른 전자 장치(예를 들어, SEM(Scanning Electron Microscope)을 통해 얻은 이미지를 처리하는 장치 또는 TEM(Transmission Electron Microscope)을 통해 얻은 이미지를 처리하는 장치)들을 통해 수신받은 데이터일 수 있다.
이때, 입력부(300)는 영상 신호 입력을 위한 카메라, 오디오 신호를 수신하기 위한 마이크로폰, 사용자로부터 정보를 입력 받기 위한 사용자 입력부 등을 포함할 수 있다. 여기서, 카메라나 마이크로폰을 센서로 취급하여, 카메라나 마이크로폰으로부터 획득한 신호를 센싱 데이터 또는 센서 정보라고 할 수도 있다.
입력부(300)는 런닝 장치(400)에서 머신 런닝 모델 학습을 위한 학습 데이터 및/또는 머신 러닝 학습 모델을 이용하여 출력을 획득할 때 사용될 입력 데이터(예를 들어, 도 2의 이미지(ACI_img(b), 도 6의 이미지(ADI_img(b), 또는 도 13의 이미지(Img(a)) 등을 획득할 수 있다.
입력부(300)는 가공되지 않은 입력 데이터를 획득할 수도 있으며, 이 경우 런닝 장치(400)는 입력부(300)로부터 수신 받은 입력 데이터에 대하여 전처리로써 입력 특징점(input feature)을 추출할 수 있다.
예를 들어, 입력부(300)는 반도체 장치 및/또는 반도체 장치 제조 공정 과정 중에 대한 이미지(예를 들어, SEM(Scanning Electron Microscopy) 이미지)들을 획득하여, 런닝 장치(400)로 송신할 수 있다.
런닝 장치(400)는 입력부(300)로부터 수신한 데이터(예를 들어, 이미지)를 이용하여, 인공 신경망으로 구성된 모델을 학습시킬 수 있다. 여기서, 학습된 인공 신경망을 학습 모델이라 칭할 수 있다. 학습 모델은 학습 데이터가 아닌 새로운 입력 데이터에 대하여 결과 값을 추론해 내는데 사용될 수 있고, 추론된 값은 어떠한 동작을 수행하기 위한 판단의 기초로 이용될 수 있다.
이때, 런닝 장치(400)는 내부의 러닝 프로세서를 통해, 머신 러닝 프로세싱을 수행할 수 있다.
이때, 런닝 장치(400)는 메모리(600)에 직접 결합된 외부 메모리 또는 외부 장치에서 유지되는 메모리를 이용하여 구현될 수도 있다.
출력부(700)는 시각, 청각 또는 촉각 등과 관련된 출력을 발생시킬 수 있다.
이때, 출력부(700)에는 시각 정보를 출력하는 디스플레이부, 청각 정보를 출력하는 스피커, 촉각 정보를 출력하는 햅틱 모듈 등이 포함될 수 있다.
메모리(600)는 런닝 장치(400)의 다양한 기능을 지원하는 데이터들을 저장할 수 있다. 예를 들어, 메모리(600)는 입력부(300)에서 획득한 입력 데이터, 학습 데이터, 학습 모델, 학습 히스토리 등을 저장할 수 있다.
메모리(600)는 예를 들어, NAND 플래시와 같은 비휘발성 메모리를 포함할 수도 있다.
학습 모델은 학습 데이터가 아닌 새로운 입력 데이터에 대하여 결과 값을 추론해 내는데 사용될 수도 있고, 추론된 값은 어떠한 동작을 수행하기 위한 판단의 기초로 이용될 수도 있다.
프로세서(500)는 이미지 처리 시스템(100)의 전반적인 동작을 제어할 수 있다. 또한, 프로세서(500)는 사용자 입력에 대하여 의도 정보를 획득하고, 획득한 의도 정보에 기초하여 사용자의 요구 사항을 결정할 수 있다. 또한, 프로세서(500)는 메모리(600)에 저장된 응용 프로그램을 구동하기 위하여, 런닝 장치(400)의 구성 요소들 중 적어도 일부를 제어할 수 있다. 나아가, 프로세서(500)는 상기 응용 프로그램의 구동을 위하여, 런닝 장치(400)에 포함된 구성 요소들 중 둘 이상을 서로 조합하여 동작시킬 수 있다.
예를 들어, 프로세서(500)는 상술된 경계 검출 동작 및/또는 이미지 이진화 동작을 수행할 수 있다.
도 16은 몇몇 실시예들에 따른 이미지 처리 시스템의 메모리를 설명하기 위한 예시적인 도면이다.
도 15 및 도 16를 참조하면, 메모리(600)는 모델 저장부(610)를 포함할 수 있다. 모델 저장부(610)는 런닝 장치(400)를 통하여 학습 중인 또는 학습된 모델(또는 인공 신경망)(620)을 저장할 수 있다.
상술된 도 15 및 도 16를 참조하면, 런닝 장치(400)는 입력부(300)를 통해 제공받은 반도체 장치에 대한 이미지(예를 들어, SEM(Scanning Electron Microscopy) 이미지)를 학습하고, 학습된 모델을 이용하여 선폭을 측정할 수 있다.
이상 첨부된 도면을 참조하여 본 발명의 실시예들을 설명하였으나, 본 발명은 상기 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 제조될 수 있으며, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자는 본 발명의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다.
100: 이미지 처리 시스템

Claims (20)

  1. 복수의 공정 단계 중 일부 단계 공정 중인 반도체 장치에 대해, 제1 방향으로 바라본 제1 방향 이미지와, 상기 제1 방향 이미지가 생성된 제1 높이에서 상기 제1 방향과 교차하는 제2 방향으로 바라본 제2 방향 이미지를 수신받는 입력부;
    상기 제1 방향 이미지를 바탕으로 경계를 검출하는 경계 검출(edge detection) 동작을 수행하며, 상기 제1 방향 이미지에 대해 이미지 이진화 동작을 수행하는 프로세서; 및
    상기 이미지 이진화 동작을 통해 생성된 이미지의 선폭인 제1 선폭과 상기 제2 방향 이미지를 통해 상기 제1 높이에서의 선폭인 제2 선폭을 머신 런닝을 통해 비교하여, 상기 제1 선폭과 상기 제2 선폭의 연관성(correlation)이 최대가 될 때의 상기 이진화 동작의 조건을 학습하는 런닝 장치를 포함하는 이미지 처리 시스템.
  2. 제 1항에 있어서,
    상기 이진화 동작의 조건을 저장하는 메모리를 더 포함하는 이미지 처리 시스템.
  3. 제 1항에 있어서,
    상기 제1 방향 이미지와 상기 제2 방향 이미지를 생성하는 외부 장치와 통신하는 통신 장치를 더 포함하는 이미지 처리 시스템.
  4. 제 1항에 있어서,
    상기 제1 방향 이미지와 상기 제2 방향 이미지는 SEM(Scanning Electron Microscope)을 통해 얻은 이미지 또는 TEM(Transmission Electron Microscope)을 통해 얻은 이미지인 이미지 처리 시스템.
  5. 제 1항에 있어서,
    상기 경계 검출 동작은,
    상기 제1 방향 이미지의 픽셀들에 대한 밝기 정보들을 바탕으로, 상기 밝기 정보들에 대해 그라디언트를 적용한 그라디언트값을 바탕으로 수행되는 이미지 처리 시스템.
  6. 제 5항에 있어서,
    상기 경계 검출 동작은,
    상기 그라디언트값이 임계 그라디언트값)보다 큰 값을 갖는 픽셀들을 상기 경계로 검출하는 이미지 처리 시스템.
  7. 제 1항에 있어서,
    상기 이미지 이진화 동작은,
    상기 제1 방향 이미지의 픽셀들에 대한 밝기 정보를 바탕으로, 임계 밝기)보다 큰 밝기를 갖는 픽셀들을 내부 영역으로 정의하는 이미지 처리 시스템.
  8. 제 7항에 있어서,
    상기 프로세서는,
    상기 내부 영역 내에 포함된 상기 경계의 수를 상기 제1 방향 이미지에서 검출된 상기 경계의 모든 수로 나눈 경계 검출 비율값을 계산하고,
    상기 경계 검출 비율값이 미리 정의된 경계 검출 비율값에 근접하도록 상기 이미지 이진화 동작을 수행하는 이미지 처리 시스템.
  9. 외부와 통신하는 통신부;
    상기 통신부를 통해, 복수의 공정 단계 중 일부 공정 중인 반도체 장치에 대해, 제1 방향으로 바라본 제1 방향 이미지와, 상기 제1 방향 이미지가 생성된 제1 높이에서 상기 제1 방향과 교차하는 제2 방향으로 바라본 제2 방향 이미지를 수신받는 입력부;
    상기 제1 방향 이미지와 상기 제2 방향 이미지를 바탕으로 머신 런닝을 수행하는 런닝 장치;
    상기 머신 런닝을 수행하는 머신 런닝 모델을 저장하는 메모리; 및
    상기 통신부, 상기 입력부, 상기 런닝 장치, 및 상기 메모리를 제어하는 프로세서를 포함하되,
    상기 프로세서를 통해, 상기 제1 방향 이미지를 바탕으로 경계를 검출하는 경계 검출(edge detection) 동작을 수행하며, 상기 제1 방향 이미지에 대해 이미지 이진화 동작을 수행하고,
    상기 런닝 장치를 통해, 상기 이미지 이진화 동작을 통해 이미지의 선폭인 제1 선폭과 상기 제2 방향 이미지를 통해 상기 제1 높이에서의 선폭인 제2 선폭을 상기 머신 런닝을 통해 비교하여, 상기 제1 선폭과 상기 제2 선폭의 연관성(correlation)이 최대가 될 때의 상기 이진화 동작의 조건을 학습하는 이미지 처리 시스템.
  10. 제 9항에 있어서,
    상기 메모리는,
    상기 이진화 동작의 조건을 저장하는 이미지 처리 시스템.
  11. 제 9항에 있어서,
    상기 제1 방향 이미지와 상기 제2 방향 이미지는 SEM(Scanning Electron Microscope)을 통해 얻은 이미지 또는 TEM(Transmission Electron Microscope)을 통해 얻은 이미지인 이미지 처리 시스템.
  12. 제 9항에 있어서,
    상기 경계 검출 동작은,
    상기 제1 방향 이미지의 픽셀들에 대한 밝기 정보들을 바탕으로, 상기 밝기 정보들에 대해 그라디언트를 적용한 그라디언트값을 바탕으로 수행되는 이미지 처리 시스템.
  13. 제 12항에 있어서,
    상기 경계 검출 동작은,
    상기 그라디언트값이 임계 그라디언트값)보다 큰 값을 갖는 픽셀들을 상기 경계로 검출하는 이미지 처리 시스템.
  14. 제 9항에 있어서,
    상기 이미지 이진화 동작은,
    상기 제1 방향 이미지의 픽셀들에 대한 밝기 정보를 바탕으로, 임계 밝기)보다 큰 밝기를 갖는 픽셀들을 내부 영역으로 정의하는 이미지 처리 시스템.
  15. 제 9항에 있어서,
    상기 프로세서는,
    상기 내부 영역 내에 포함된 상기 경계의 수를 상기 제1 방향 이미지에서 검출된 상기 경계의 모든 수로 나눈 경계 검출 비율값을 계산하고,
    상기 경계 검출 비율값이 미리 정의된 경계 검출 비율값에 근접하도록 상기 이미지 이진화 동작을 수행하는 이미지 처리 시스템.
  16. 입력부를 통해, 복수의 공정 단계 중 일부 공정 중인 반도체 장치에 대해, 제1 방향으로 바라본 제1 방향 이미지와, 상기 제1 방향 이미지가 생성된 제1 높이에서 상기 제1 방향과 교차하는 제2 방향으로 바라본 제2 방향 이미지를 수신받고,
    프로세서를 통해, 상기 제1 방향 이미지를 바탕으로 경계를 검출하는 경계 검출(edge detection) 동작을 수행하며, 상기 제1 방향 이미지에 대해 이미지 이진화 동작을 수행하고,
    런닝 장치를 통해, 상기 이미지 이진화 동작을 통해 생성된 이미지의 선폭인 제1 선폭과 상기 제2 방향 이미지를 통해 상기 제1 높이에서의 선폭인 제2 선폭을 머신 런닝을 통해 비교하여, 상기 제1 선폭과 상기 제2 선폭의 연관성(correlation)이 최대가 될 때의 상기 이진화 동작의 조건을 학습하는 것을 포함하는 이미지 처리 방법.
  17. 제 16항에 있어서,
    상기 경계 검출 동작은,
    상기 제1 방향 이미지의 픽셀들에 대한 밝기 정보들을 바탕으로, 상기 밝기 정보들에 대해 그라디언트를 적용한 그라디언트값을 바탕으로 수행되는 이미지 처리 방법.
  18. 제 17항에 있어서,
    상기 경계 검출 동작은,
    상기 그라디언트값이 임계 그라디언트값)보다 큰 값을 갖는 픽셀들을 상기 경계로 검출하는 이미지 처리 방법.
  19. 제 16항에 있어서,
    상기 이미지 이진화 동작은,
    상기 제1 방향 이미지의 픽셀들에 대한 밝기 정보를 바탕으로, 임계 밝기)보다 큰 밝기를 갖는 픽셀들을 상기 내부 영역으로 정의하는 이미지 처리 방법.
  20. 제 19항에 있어서,
    상기 프로세서는,
    상기 내부 영역 내에 포함된 상기 경계의 수를 상기 제1 방향 이미지에서 검출된 상기 경계의 모든 수로 나눈 경계 검출 비율값을 계산하고,
    상기 경계 검출 비율값이 미리 정의된 경계 검출 비율값에 근접하도록 상기 이미지 이진화 동작을 수행하는 이미지 처리 방법.
KR1020220081954A 2022-07-04 2022-07-04 이미지 처리 방법 및 시스템 KR20240003985A (ko)

Priority Applications (5)

Application Number Priority Date Filing Date Title
KR1020220081954A KR20240003985A (ko) 2022-07-04 2022-07-04 이미지 처리 방법 및 시스템
US18/141,690 US20240005476A1 (en) 2022-07-04 2023-05-01 Image processing method and system thereof
EP23173898.0A EP4303810B1 (en) 2022-07-04 2023-05-17 Improving the reliability of an image-based line width measurement of a semiconductor device
TW112119820A TWI840235B (zh) 2022-07-04 2023-05-29 影像處理方法及其系統
CN202310763496.7A CN117350937A (zh) 2022-07-04 2023-06-27 图像处理方法及其系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020220081954A KR20240003985A (ko) 2022-07-04 2022-07-04 이미지 처리 방법 및 시스템

Publications (1)

Publication Number Publication Date
KR20240003985A true KR20240003985A (ko) 2024-01-11

Family

ID=86387351

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020220081954A KR20240003985A (ko) 2022-07-04 2022-07-04 이미지 처리 방법 및 시스템

Country Status (5)

Country Link
US (1) US20240005476A1 (ko)
EP (1) EP4303810B1 (ko)
KR (1) KR20240003985A (ko)
CN (1) CN117350937A (ko)
TW (1) TWI840235B (ko)

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20180033367A (ko) * 2016-09-23 2018-04-03 삼성전자주식회사 패턴 측정 방법 및 그를 포함하는 반도체 소자의 제조 방법
TWI672628B (zh) * 2016-12-08 2019-09-21 日商摩如富股份有限公司 影像處理裝置、方法以及電腦可讀取的記錄媒體
US10748290B2 (en) * 2018-10-31 2020-08-18 Fei Company Smart metrology on microscope images
US20210350570A1 (en) * 2018-11-13 2021-11-11 Sony Corporation Image processing device, image processing method, and program
JP7546001B2 (ja) * 2019-06-07 2024-09-05 カール・ツァイス・エスエムティー・ゲーエムベーハー 改善された３ｄボリューム像再構成精度を有する断面イメージング
JP2022536388A (ja) * 2019-06-14 2022-08-15 サイクル クラリティ，エルエルシー 生殖補助技術における適応型画像処理方法およびシステム
JP7288870B2 (ja) * 2020-02-05 2023-06-08 株式会社日立製作所 画像を生成するシステム

Also Published As

Publication number Publication date
US20240005476A1 (en) 2024-01-04
EP4303810B1 (en) 2024-10-23
EP4303810A1 (en) 2024-01-10
TW202404064A (zh) 2024-01-16
CN117350937A (zh) 2024-01-05
TWI840235B (zh) 2024-04-21

Similar Documents

Publication Publication Date Title
EP3742388B1 (en) Electronic device, image processing method thereof, and computer-readable recording medium
CN108009543B (zh) 一种车牌识别方法及装置
US11341375B2 (en) Image processing apparatus and method based on deep learning and neural network learning
TWI764905B (zh) 偵測物體的裝置與方法、製造處理器的方法以及建構積體電路的方法
US9418319B2 (en) Object detection using cascaded convolutional neural networks
US6961466B2 (en) Method and apparatus for object recognition
EP2797052B1 (en) Detecting a saliency region in an image
US8687855B2 (en) Method for detecting facial features
JP2012032370A (ja) 欠陥検出方法、欠陥検出装置、学習方法、プログラム、及び記録媒体
US11270152B2 (en) Method and apparatus for image detection, patterning control method
CN108154149B (zh) 基于深度学习网络共享的车牌识别方法
CN111126108A (zh) 图像检测模型的训练和图像检测方法及装置
CN104813343A (zh) 具有边缘选择功能的图像处理器
KR20220111061A (ko) 웨이퍼 비전검사 장치 및 방법
US20200005078A1 (en) Content aware forensic detection of image manipulations
CN111539256B (zh) 一种虹膜特征提取方法、装置及存储介质
WO2018080204A1 (ko) 영상처리장치, 영상처리방법 및 컴퓨터 판독가능 기록 매체
CN113139540A (zh) 背板检测方法及设备
KR20240003985A (ko) 이미지 처리 방법 및 시스템
KR20220101373A (ko) 영상 기반 pcb 결함 검출 장치 및 방법
CN117992898B (zh) 异常检测模型的训练方法、物体异常检测方法和装置
CN112069885A (zh) 人脸属性识别方法、装置及移动终端
US20240323534A1 (en) Electronic device and electronic device control method
CN117576520B (zh) 目标检测模型的训练方法、目标检测方法及电子设备
CN109427067A (zh) 图像处理方法、装置及计算机可读存储介质