TW201741651A - 缺陷分類裝置及缺陷分類方法 - Google Patents

缺陷分類裝置及缺陷分類方法 Download PDF

Info

Publication number
TW201741651A
TW201741651A TW106113135A TW106113135A TW201741651A TW 201741651 A TW201741651 A TW 201741651A TW 106113135 A TW106113135 A TW 106113135A TW 106113135 A TW106113135 A TW 106113135A TW 201741651 A TW201741651 A TW 201741651A
Authority
TW
Taiwan
Prior art keywords
image
defect
extracted
processing
unit
Prior art date
Application number
TW106113135A
Other languages
English (en)
Other versions
TWI647442B (zh
Inventor
近藤直明
平井大博
原田実
高木裕治
Original Assignee
日立全球先端科技股份有限公司
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 日立全球先端科技股份有限公司 filed Critical 日立全球先端科技股份有限公司
Publication of TW201741651A publication Critical patent/TW201741651A/zh
Application granted granted Critical
Publication of TWI647442B publication Critical patent/TWI647442B/zh

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
    • G06T7/001—Industrial image inspection using an image reference approach
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
    • G01N23/22—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material
    • G01N23/225—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material using electron or ion
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
    • G01N23/22—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material
    • G01N23/225—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material using electron or ion
    • G01N23/2251—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material using electron or ion using incident electron beams, e.g. scanning electron microscopy [SEM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/28—Determining representative reference patterns, e.g. by averaging or distorting; Generating dictionaries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/772—Determining representative reference patterns, e.g. averaging or distorting patterns; Generating dictionaries
    • 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
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2223/00—Investigating materials by wave or particle radiation
    • G01N2223/40—Imaging
    • G01N2223/401—Imaging image processing
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2223/00—Investigating materials by wave or particle radiation
    • G01N2223/60—Specific applications or type of materials
    • G01N2223/611—Specific applications or type of materials patterned objects; electronic devices
    • G01N2223/6116—Specific applications or type of materials patterned objects; electronic devices semiconductor wafer
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30148—Semiconductor; IC; Wafer

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Immunology (AREA)
  • Chemical & Material Sciences (AREA)
  • Pathology (AREA)
  • Biochemistry (AREA)
  • Analytical Chemistry (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Multimedia (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Quality & Reliability (AREA)
  • Manufacturing & Machinery (AREA)
  • Computer Hardware Design (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Power Engineering (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

為了在即使透過影像攝像裝置而攝像的缺陷影像資料少的情況下，仍能以短期間使分類器的分類性能提升至期望的精度，使將對樣品進行攝像而獲得的影像中所包含的前述樣品的缺陷的影像進行分類的缺陷分類裝置構成為具備：將以外部的影像取得手段而取得的樣品的影像進行記憶的影像記憶部、將樣品的影像中包含的缺陷的種類進行記憶的缺陷等級記憶部、從記憶於影像記憶部的樣品的影像將缺陷的影像抽出並對於此所抽出的缺陷的影像進行加工而生成複數個缺陷影像的影像加工部、利用以影像加工部而抽出的樣品的缺陷的影像與所生成的複數個缺陷影像的資料而進行缺陷分類器的學習的分類器學習部、和利用以分類器學習部而學習的分類器對記憶於影像記憶部的樣品的影像進行處理而將樣品的缺陷的影像進行分類的缺陷分類部。

Description

缺陷分類裝置及缺陷分類方法
本發明，係有關將在半導體晶圓的生產線上產生的各種的缺陷進行分類的缺陷分類裝置，更詳細而言有關具備對透過影像攝像裝置而攝像的影像進行加工並利用攝像影像與加工影像使分類器學習的方法及手段的缺陷分類裝置及缺陷分類方法。
在半導體晶圓的製造方面，係迅速創設製程，予以轉移至高良率的量產體制，在為了收益確保上為重要。為了此目的，在生產線係導入各種的檢查、計測裝置。
具代表性的檢查裝置方面，係存在光學式的晶圓檢查裝置。例如，在日本專利特開2000-105203號公報(專利文獻1)中，係已揭露：透過亮場照明，對晶圓表面的光學影像進行攝像，透過與良品部位的影像(例如鄰接晶片的影像)的比較從而檢查缺陷的技術。
然而，如此的光學檢查裝置，係受到該照明波長的影響，取得影像的解析度極限係成為數百奈米程 度。因此，就在晶圓上的數十奈米等級的缺陷，係僅可檢測其有無，進行詳細的缺陷解析的情況下，係另外需要攝像解析度高的缺陷觀察裝置等。
缺陷觀察裝置，係利用檢查裝置的輸出對晶圓上的缺陷位置高解析度地進行攝像，將影像輸出的裝置，使用掃描型電子顯微鏡(SEM：Scanning Electron Microscope)的觀察裝置(以下，記載為檢察SEM)受到廣泛使用。在半導體的量產線方面係期望觀察作業的自動化，檢察SEM係搭載：進行自動收集在樣品內的缺陷位置的影像的缺陷影像自動收集處理(ADR：Automatic Defect Review)的功能、進行透過ADR將所收集的影像自動分類的缺陷影像自動分類處理(ADC：Automatic Defect Classification)的功能。
透過ADR而收集的影像的自動分類方法方面，對分類對象的影像進行加工，將所加工的影像分類的方法已記載於日本專利特開2012-83147號公報(專利文獻2)。此外，對與分類對象的影像比較的設計資訊施加變形，基於所變形的設計資訊而將分類對象的影像分類的方法已記載於日本專利特開2009-164436(專利文獻3)。
[先前技術文獻] [專利文獻]
[專利文獻1]日本專利特開2000-105203號公報
[專利文獻2]日本專利特開2012-83147號公報
[專利文獻3]日本專利特開2009-164436號公報
於半導體晶圓的生產線上所發生的缺陷等級(種類)係多數，此外亦存在一個等級之中在形狀、明度等方面存在變化的情況。要使ADC的分類性能以短期間提升至期望的精度，係需要充分準備各缺陷等級的影像資料，使影像資料分類的分類器學習各缺陷等級所具有的特徵的變化。然而，於半導體晶圓的生產線，係亦存在發生頻率低的缺陷種類，故存在要使分類器的分類性能提升至期望的精度係需要時間如此的課題。
於專利文獻2，係已揭露以透過複數種類的影像攝像裝置而攝像的複數個影像彼此成為互相類似的方式實施加工，將實施加工的影像分類的方法，惟並未記載有關將實施加工的影像使用於分類器的學習的方法。
此外，於專利文獻3，係已揭露對設計資訊施加變形，將分類對象的影像與施加變形的設計資訊進行比較，將分類對象的影像分類的方法，惟並未記載有關利用施加變形的設計資訊而進行分類器的學習的方法。
要使ADC的分類性能以短期間提升至期望的精度，係需要充分準備各缺陷等級的影像資料，使影像資料分類的分類器學習各缺陷等級所具有的特徵的變化。然 而，於半導體晶圓的生產線，係亦存在發生頻率低的缺陷種類，故存在要使分類器的分類性能提升至期望的精度係需要時間如此的課題。
本發明，係解決上述之現有技術的課題，而提供一種自動缺陷分類裝置(以下，記為缺陷分類裝置)及自動缺陷分類方法(以下，記為缺陷分類方法)，在即使透過影像攝像裝置而攝像的缺陷影像資料少的情況下，透過對所攝像的影像資料實施加工，從而仍可令使用於分類器的學習的影像資料的變化增加，可使分類器的分類性能以短期間提升至期望的精度。
為了解決上述的課題，在本發明，係使將對樣品進行攝像而獲得的影像中所包含的前述樣品的缺陷的影像進行分類的缺陷分類裝置，構成為具備：將以外部的影像取得手段而取得的樣品的影像進行記憶的影像記憶部、將樣品的影像中包含的缺陷的種類進行記憶的缺陷等級記憶部、從記憶於影像記憶部的樣品的影像將缺陷的影像抽出並對於此所抽出的缺陷的影像進行加工而生成複數個缺陷影像的影像加工部、利用以影像加工部而抽出的樣品的缺陷的影像與所生成的複數個缺陷影像的資料而進行缺陷分類器的學習的分類器學習部、利用以分類器學習部而學習的分類器對記憶於影像記憶部的樣品的影像進行處理而將樣品的缺陷的影像進行分類的缺陷分類部。
此外，在本發明，係將對樣品進行攝像而獲得的影像中所包含的樣品的缺陷的影像進行分類的缺陷分類方法，將以外部的影像取得手段而取得的樣品的影像記憶於影像記憶部，將含於樣品的影像中的缺陷的種類記憶於缺陷等級記憶部，對記憶於影像記憶部的樣品的影像以影像加工部進行加工而從樣品的影像抽出缺陷的影像，將此所抽出的缺陷的影像進行加工而生成複數個缺陷影像，利用以影像加工部而抽出的樣品的缺陷的影像與所生成的複數個缺陷影像的資料而以分類器學習部進行缺陷分類器的學習，利用以分類器學習部而學習的分類器對記憶於影像記憶部的樣品的影像以缺陷分類部進行處理而將樣品的缺陷的影像進行分類。
依本發明時，透過影像攝像裝置而攝像的缺陷影像資料少的情況下，仍可透過對所攝像的影像資料實施加工，從而令使用於分類器的學習的影像資料的變化增加，使得可使分類器的分類性能以短期間提升至期望的精度。
上述以外的課題、構成及效果，係透過以下的實施形態的說明而更加明朗化。
101‧‧‧缺陷分類裝置
103‧‧‧影像攝像裝置
109‧‧‧影像記憶部
110‧‧‧缺陷等級記憶部
112‧‧‧影像加工部
113‧‧‧分類器學習部
114‧‧‧影像分類部
206‧‧‧樣品晶圓
301~305‧‧‧帶電粒子檢測器
S905‧‧‧影像加工處理
S906‧‧‧加工影像記憶處理
S907‧‧‧加工影像缺陷等級記憶處理
S1008‧‧‧附隨資訊更換處理
S1009‧‧‧缺陷等級複製處理
S1103‧‧‧影像合成處理
S1104‧‧‧合成影像缺陷等級教示處理
[圖1]針對本發明的實施例1相關的缺陷分類裝置的構成進行繪示的方塊圖。
[圖2]針對本發明的實施例1相關的影像攝像裝置的構成進行繪示的方塊圖。
[圖3]針對本發明的實施例1相關的影像攝像裝置的檢測器的配置例進行繪示下的檢測器與配置於載台的樣品晶圓的透視圖。
[圖4]針對本發明的實施例1相關的影像攝像裝置的檢測器的配置從上方視看時的檢測器與載置於載台的樣品晶圓的平面圖。
[圖5]針對本發明的實施例1相關的影像攝像裝置的檢測器的配置從側面視看時的檢測器與載置於載台的樣品晶圓的側面圖。
[圖6]針對本發明的實施例1相關的電子的放出角度與檢測信號的關係進行說明之包含樣品晶圓的剖面的檢測器之側面圖與針對以電子束掃描樣品晶圓上時所獲得的各檢測器的檢測信號波形之例進行繪示的圖。
[圖7A]透過本發明的實施例1相關的影像攝像裝置的檢測器301而獲得的陰影影像。
[圖7B]透過本發明的實施例1相關的影像攝像裝置的檢測器302而獲得的陰影影像。
[圖7C]透過本發明的實施例1相關的影像攝像裝置的檢測器303而獲得的陰影影像。
[圖7D]透過本發明的實施例1相關的影像攝像裝置的 檢測器304而獲得的陰影影像。
[圖7E]針對圖示於作為透過本發明的實施例1相關的影像攝像裝置的檢測器301至304而獲得的陰影影像圖的圖7A~圖7D的圖案的凡例進行繪示的圖。
[圖8]針對透過本發明的實施例1相關的影像攝像裝置的影像攝像相關的處理的流程進行繪示的流程圖。
[圖9]針對透過本發明的實施例1相關的缺陷分類裝置下的缺陷分類相關的處理的流程進行繪示的流程圖。
[圖10]針對透過本發明的實施例1相關的缺陷分類裝置下的影像加工處理的流程進行繪示的流程圖。
[圖11]針對透過本發明的實施例2相關的缺陷分類裝置下的影像加工處理的流程進行繪示的流程圖。
[圖12]針對透過本發明的實施例3相關的缺陷分類裝置下的影像加工處理的流程進行繪示的流程圖。
[圖13A]針對在本發明的實施例1相關的缺陷分類裝置中對於檢測器301的影像實施旋轉處理後的結果例進行繪示的影像。
[圖13B]針對在本發明的實施例1相關的缺陷分類裝置中對於檢測器302的影像實施旋轉處理後的結果例進行繪示的影像。
[圖13C]針對在本發明的實施例1相關的缺陷分類裝置中對於檢測器303的影像實施旋轉處理後的結果例進行繪示的影像。
[圖13D]針對在本發明的實施例1相關的缺陷分類裝 置中對於檢測器304的影像實施旋轉處理後的結果例進行繪示的影像。
[圖14A]針對在本發明的實施例1相關的缺陷分類裝置中對於檢測器301的影像實施反轉處理後的結果例進行繪示的影像。
[圖14B]針對在本發明的實施例1相關的缺陷分類裝置中對於檢測器302的影像實施反轉處理後的結果例進行繪示的影像。
[圖14C]針對在本發明的實施例1相關的缺陷分類裝置中對於檢測器303的影像實施反轉處理後的結果例進行繪示的影像。
[圖14D]針對在本發明的實施例1相關的缺陷分類裝置中對於檢測器304的影像實施反轉處理後的結果例進行繪示的影像。
[圖15A]針對在本發明的實施例1相關的缺陷分類裝置中對於檢測器301的影像實施缺陷等級不變變形後的結果例進行繪示的圖。
[圖15B]針對在本發明的實施例1相關的缺陷分類裝置中對於檢測器302的影像實施缺陷等級不變變形後的結果例進行繪示的圖。
[圖15C]針對在本發明的實施例1相關的缺陷分類裝置中對於檢測器303的影像實施缺陷等級不變變形後的結果例進行繪示的圖。
[圖15D]針對在本發明的實施例1相關的缺陷分類裝 置中對於檢測器304的影像實施缺陷等級不變變形後的結果例進行繪示的圖。
[圖16]在本發明的實施例1相關的缺陷分類裝置中針對影像加工處理前的攝像影像的附隨資訊例以表格形式進行繪示的圖。
[圖17]在本發明的實施例1相關的缺陷分類裝置中針對緊接著旋轉反轉變形處理後的加工影像的附隨資訊例以表格形式進行繪示的圖。
[圖18]在本發明的實施例1相關的缺陷分類裝置中針對附隨資訊更換處理後的加工影像的附隨資訊例以表格形式進行繪示的圖。
[圖19A]在本發明的實施例2相關的缺陷分類裝置中從以檢測器301獲得的影像701抽出缺陷部位而獲得的影像。
[圖19B]在本發明的實施例2相關的缺陷分類裝置中從以檢測器302獲得的影像702抽出缺陷部位而獲得的影像。
[圖19C]在本發明的實施例2相關的缺陷分類裝置中從以檢測器303獲得的影像703抽出缺陷部位而獲得的影像。
[圖19D]在本發明的實施例2相關的缺陷分類裝置中從以檢測器304獲得的影像704抽出缺陷部位而獲得的影像。
[圖20A]在本發明的實施例2相關的缺陷分類裝置中 對從以檢測器301獲得的影像701抽出缺陷部位而獲得的影像實施縱橫比變化後的影像。
[圖20B]在本發明的實施例2相關的缺陷分類裝置中對從以檢測器302獲得的影像702抽出缺陷部位而獲得的影像實施縱橫比變化後的影像。
[圖20C]在本發明的實施例2相關的缺陷分類裝置中對從以檢測器303獲得的影像703抽出缺陷部位而獲得的影像實施縱橫比變化後的影像。
[圖20D]在本發明的實施例2相關的缺陷分類裝置中對從以檢測器304獲得的影像704抽出缺陷部位而獲得的影像實施縱橫比變化後的影像。
[圖21A]在本發明的實施例2相關的缺陷分類裝置中從以檢測器301獲得的影像701而獲得的合成用影像。
[圖21B]在本發明的實施例2相關的缺陷分類裝置中從以檢測器301獲得的影像702而獲得的合成用影像。
[圖21C]在本發明的實施例2相關的缺陷分類裝置中從以檢測器301獲得的影像703而獲得的合成用影像。
[圖21D]在本發明的實施例2相關的缺陷分類裝置中從以檢測器301獲得的影像704而獲得的合成用影像。
[圖22A]在本發明的實施例2相關的缺陷分類裝置中將對從以檢測器301獲得的影像701所抽出的缺陷部位的影像實施縱橫比變化後的缺陷變形影像1905與合成用影像1909合成而獲得的合成影像。
[圖22B]在本發明的實施例2相關的缺陷分類裝置中 將對從以檢測器302獲得的影像702所抽出的缺陷部位的影像實施縱橫比變化後的缺陷變形影像1906與合成用影像1910合成而獲得的合成影像。
[圖22C]在本發明的實施例2相關的缺陷分類裝置中將對從以檢測器303獲得的影像703所抽出的缺陷部位的影像實施縱橫比變化後的缺陷變形影像1907與合成用影像1911合成而獲得的合成影像。
[圖22D]在本發明的實施例2相關的缺陷分類裝置中將對從以檢測器304獲得的影像704所抽出的缺陷部位的影像實施縱橫比變化後的缺陷變形影像1908與合成用影像1912合成而獲得的合成影像。
[圖23]針對在本發明的實施例2相關的缺陷分類裝置中顯示透過影像合成處理而獲得的影像的畫面例進行繪示的畫面的正面圖。
[圖24]針對在本發明的實施例1相關的缺陷分類裝置中顯示分類結果的畫面例進行繪示的畫面的正面圖。
本發明，係針對以具備複數個檢測器的掃描型電子顯微鏡等的影像攝像裝置對樣品的相同處同時攝像所獲得的複數個影像，以影像分類裝置實施相同的加工而使影像的數量增加，從而以短期間獲得具有各種的變化的大量的學習影像。並且，利用此予以增加的大量的學習影像而使影像分類裝置的分類器的學習狀態變化，而以短期 間使分類器的學習狀態(分類參數)熟練。
此外，在本發明，係於將在半導體晶圓的生產線上產生的各種的缺陷進行分類的缺陷分類裝置中，針對透過影像攝像裝置的複數個檢測器而攝像的複數通道的攝像影像實施加工，利用攝像影像與透過加工而獲得的影像使分類器學習。
並且，本發明，係將缺陷影像的分類裝置構成為具備以下手段：對於透過影像攝像裝置的複數個檢測器而攝像的複數通道的影像實施旋轉、反轉等的加工處理的手段；將依加工處理附隨於已實施加工處理的影像的通道資訊更換的手段；和利用攝像影像與加工影像使分類器學習的手段。
以下，根據圖式詳細說明本發明的實施形態。供於說明本實施形態用的全圖中具有相同功能者係附加相同的符號，其反復的說明係原則上省略。其中，本發明係非限定解釋為示於以下的實施形態的記載內容者。在不脫離本發明的思想乃至於趣旨的範圍內，本發明所屬技術域領中具有通常知識者即可輕易理解可變更其具體構成。
[實施例1]
於圖1示出本發明相關的缺陷分類裝置101。圖1中一併示出經由缺陷分類裝置101與通訊手段102而收發資訊的影像攝像裝置103、良率管理系統104。影像 攝像裝置103的細節，係利用圖2而於後說明。
良率管理系統104，係接收從如記載於專利文獻1的晶圓檢查裝置(未圖示)所輸出的缺陷座標、從影像攝像裝置103所輸出的影像、從缺陷分類裝置101所輸出的缺陷等級(缺陷種類)資訊，同時依來自影像攝像裝置103的要求而發送缺陷座標，依來自缺陷分類裝置101的要求而發送影像。
缺陷分類裝置101，係具有將以影像攝像裝置103所獲得的影像進行分類，並將該結果發送至良率管理系統104的功能。在以下說明缺陷分類裝置101的細節。
缺陷分類裝置101，係被構成為記憶部105、演算部106、輸出入介面部108被經由通訊手段111而連接，該輸出入介面部108係與由供於受理對於操作員之資料的提示及來自操作員的輸入用的鍵盤、鼠標、顯示器等而構成的輸出入部107連接。
記憶部105，係具有儲存所取得的影像的影像記憶部109與儲存缺陷等級的缺陷等級記憶部110。此外，演算部106，係具有：於後詳述的對攝像影像實施加工的影像加工部112、基於攝像影像及所加工的影像的缺陷等級而使分類器學習的分類器學習部113、進行影像的分類的影像分類部114。
針對影像攝像裝置103的細節，利用圖2進行說明。影像攝像裝置103，係被構成為掃描型電子顯微鏡(SEM：Scanning Electron Microscope)201、進行整體 的控制的控制部202、將資訊記憶於磁碟、半導體記憶體等的記憶部203、輸出入介面部204、將從檢測器209所取得的信號進行影像化的影像化部211被經由通訊手段205而連接。
掃描型電子顯微鏡201，係載置樣品晶圓206的載台207、對於樣品晶圓206照射1次電子束的電子源208、對於由於透過電子源208的往樣品晶圓206的1次電子束的照射而產生的2次電子、背向散射電子等進行檢測的複數個檢測器209以外，由使電子束收束於樣品上的電子透鏡(未圖示)、供於以電子束在樣品晶圓上進行掃描用的偏向器(未圖示)等而構成。
此外，控制部202，係具有載台控制部212、射束掃描控制部213。記憶部203，係具有配方記憶部216、座標記憶部217。在輸出入介面部204，係連接由鍵盤、鼠標、顯示器等而構成的輸出入部210。
利用圖3~圖5說明有關影像攝像裝置103的檢測器209的配置。圖3，係示意性針對檢測器301至檢測器305與載台207上的樣品晶圓206的位置關係進行繪示的圖。圖4，係從上方(z軸的正方向)視看圖3時的圖，圖5係從側面(y軸的負方向)視看圖3時的圖(檢測器305係未圖示)。
此處檢測器301至檢測器304係表示被構成為選擇性針對具有特定的放出角度的電子進行檢測的複數個檢測器，例如檢測器301係表示針對從樣品晶圓206朝 向y軸的正方向所放出的電子進行檢測的檢測器。另外，檢測器方面係亦可使用如記載於日本專利特開平1-304647號公報的分割型的檢測器。
此外，檢測器305(於圖4~圖5係未圖示)係表示針對從樣品所放出的二次電子進行檢測的檢測器。在之後的說明係雖為了簡略化而以具備所圖示的5個檢測器的裝置為例進行說明，惟本發明係亦可適用於此檢測器配置以外，增加檢測器的數量仍可適用。
利用圖6說明有關電子的放出角度與檢測信號的關係。從電子源208所照射的一次電子束2081到達於樣品晶圓206的表面時，如位置601般若為樣品晶圓206的平面的部分則二次電子2082、反射電子2083等被全方位地放出(圖中的箭頭)。為此，一次電子束2081照射於樣品晶圓206的位置601時的各檢測器302~304的檢測信號604~606的強度係相同程度。
樣品晶圓206非平面的情況下，所放出的電子的角度係發生偏差。如位置602的樣品晶圓206的凸部2061的左側的斜面的情況下，係以一次電子束2081的照射位置為中心而朝左側所放出的二次電子2082、反射電子2083等係比位置601的平面的情況多，故配置於左側的檢測器304的檢測信號604係變強。另一方面，在右側係所放出的二次電子2082、反射電子2083等變少故配置於右側的檢測器302的檢測信號605係變低。
相對於此在樣品晶圓206的凸部2061的右側 的斜面的山腳的位置603，係在一次電子束2081的照射位置上樣品晶圓206雖為平面惟鄰接的凸部2061使得放出電子被遮蔽故到達於配置在左側的檢測器304的二次電子2082、反射電子2083等變少致使檢測信號604變小。
如此般在被構成為選擇性對具有特定的放出角度的電子進行檢測的檢測器301至檢測器304係由於樣品表面的凹凸而發生影像濃淡。在影像上係看似恰如從配置檢測器的方向打光而觀察陰影故此等檢測器影像係亦被稱為陰影影像。以下，於陰影影像，由於樣品表面的凹凸而產生的濃淡之中，將明度高的區域稱為明區，將明度低的區域稱為暗區。
另外，位於上方的檢測器305係主要檢測二次電子2082，因為由於邊緣效應而發生的二次電子2082的放出量的差異使得檢測信號606變化而發生影像濃淡。示意性針對以一次電子束2081從樣品晶圓206的位置601至603進行掃描時的各檢測器的信號分布進行表示者即為檢測信號604至信號606。
圖7A~圖7D，係示意性針對透過檢測器301至檢測器304而攝像的複數通道的影像的陰影方向進行繪示的圖。在圖7E，係說明示於圖7A~圖7D的圖案表示為何。圖7A~圖7D的影像701至影像704，係分別為透過檢測器301至檢測器304而攝像的影像，在此等影像中，係樣品上的相同處的凸狀的缺陷705及凸狀的電路圖案706被攝像。此外，在圖7A至圖7D，係影像701至影 像704上的明區707與暗區708的位置係成為如圖所示。
接著，針對示於圖1及圖2的影像攝像裝置103的動作，利用圖8的流程圖進行說明。首先，將觀察對象的樣品晶圓206裝載於載台207上(S801)，從配方記憶部216讀取記憶影像攝像條件(加速電壓、探測電流等)的配方，依所讀取的條件進行電子光學系統的設定等(S802)。接著，讀取記憶於座標記憶部217的觀察對象的座標(S803)。
之後的處理S804~S806係分別對所讀取的觀察對象座標進行。首先，以觀察對象的座標被包含於攝像視野的方式利用載台控制部212控制載台207而進行載台移動(S804)。
接著，利用射束掃描控制部213控制未圖示的電子光學系統而以一次電子束2081在攝像視野內進行掃描，透過複數個檢測器209檢測從樣品晶圓206所放出的二次電子2082、反射電子2083等。將以複數個檢測器209而檢測的信號透過影像化部211分別影像化，取得複數通道的影像(S805)。
將所取得的複數通道的影像透過輸出入介面部204而輸出(S806)。另外，來自操作員的各種的指示、攝像條件的指定等，係通過由鍵盤、鼠標、顯示器等而構成的輸出入部210而進行。
針對示於圖1的缺陷分類裝置101的動作，利用圖9的流程圖進行說明。
首先，利用輸出入介面部108讀取從影像攝像裝置103所輸出的複數通道的影像(S901)，將所讀取的複數通道的影像，基於分別附隨於影像的通道資訊而作為攝像影像記憶於影像記憶部109(S902)。
之後的處理S903至S907係對於每個對相同處進行攝像的複數通道的影像進行。首先，教示作為攝像影像被記憶於影像記憶部109的複數通道的影像的缺陷等級，賦予供於影像加工用的參數(S903)。將所教示的缺陷等級記憶於缺陷等級記憶部110(S904)，以影像加工部112對複數通道的影像進行加工(S905)。影像加工處理(S905)的細節係於後說明。
接著，將透過影像加工部112而處理的複數通道的影像，基於分別附隨於影像的通道資訊而作為加工影像記憶於影像記憶部109(S906)，將複數通道的加工影像的缺陷等級記憶於缺陷等級記憶部110(S907)。
接著，利用記憶於影像記憶部109的攝像影像及加工影像、記憶於缺陷等級記憶部110的缺陷等級而透過分類器學習部113使對影像的缺陷等級進行分類的分類器學習(S908)，利用予以學習的分類器將記憶於影像記憶部109的攝像影像透過影像分類部114進行分類(S909)。
在分類器學習部113的分類器學習處理(S908)方面，係對於學習對象的影像進行特徵量抽出處理與分類器建構處理的兩個處理。
在特徵量抽出處理，係首先從記憶於影像記憶部109的攝像影像或加工影像中的任一者以上辨識缺陷部位後，算出將該缺陷的凹凸狀態、形狀、明亮等數值化的特徵量。
在分類器建構處理，係首先利用透過特徵量抽出處理而獲得的特徵量，建構神經網路、支持向量機等的分類器。另外，來自操作員的各種的指示、缺陷等級的教示等，係通過由鍵盤、鼠標、顯示器等而構成的輸出入部107而進行。
此外，影像分類處理(S909)方面，係對於分類對象的影像進行前述的特徵量抽出處理、圖案辨識處理的兩個處理。
圖案辨識處理，係利用透過特徵量抽出處理而獲得的特徵量、透過分類器學習處理(S908)而建構的分類器，算出分類對象的影像屬於各缺陷等級的機率，將機率最高的分類等級當作分類結果。
於圖案辨識處理，屬於複數個分類等級的機率為相同程度的情況下、屬於任一等級的機率皆低的情況下等，係亦可能發生屬於缺陷等級中的任一者為不明的情況。所以，發生如此的情況時，係使「缺陷等級不明」為分類結果。
利用圖10說明有關影像加工處理(S905)的細節。
首先，基於在(S903)所賦予的供於影像加工用的參 數，判定表示是否對於加工對象的影像實施旋轉處理的參數p1是否為1(S1001)，參數p1為1時，對影像實施旋轉處理(S1002)。接著，判定表示是否對於加工對象的影像實施反轉處理的參數p2是否為1(S1003)，參數p2為1時，對影像實施反轉處理(S1004)。接著，判定表示是否對於加工對象的影像施加影像的缺陷等級不會變化的變形的缺陷等級不變變形處理的參數p3是否為1(S1005)，參數p3為1時，對影像施加缺陷等級不變變形處理(S1006)。
缺陷等級不變變形處理(S1006)，係不會由於變形而改變影像的缺陷等級的任意的變形，例如使影像整面歪曲的處理、僅對影像中的缺陷部位施加微小的變形的處理、使影像的一部分或整面的對比度變化的處理等。
另外，在圖10，係依旋轉處理S1002、反轉處理S1004、缺陷等級不變變形處理S1006的處理順序而顯示，惟此等三個處理順序係任意，例如亦可依處理S1005、缺陷等級不變變形處理S1006、處理S1001、旋轉處理S1002、處理S1003、反轉處理S1004的順序而處理。此外，參數p1、p2、p3全非1的情況下，係無須進行之後的處理S1007至S1010及S906、S907。
接著，判定p1或p2是否為1(S1007)，p1或p2為1時，依施加於攝像影像的旋轉處理及反轉處理，而將附隨於實施旋轉等的處理後的影像的通道資訊更換(S1008)。有關附隨資訊更換處理(S1008)係於後詳 述。接著，使實施處理的影像的缺陷等級，為與攝像影像的缺陷等級相同者(S1009)。
圖13A~圖13D，係針對僅實施使在圖7A~圖7D所示的複數通道的影像701至704(檢測器305的影像係未圖示)繞順時針旋轉90度的處理從而獲得的複數通道的影像進行繪示的圖。示於圖13A~圖13D的影像1301至影像1304，係將圖7A~圖7D的影像701至影像704分別予以繞順時針旋轉90度從而獲得的影像。在圖13A至圖13D，係雖示出將影像繞順時針旋轉90度之例，惟旋轉的方向係亦可為繞逆時針，旋轉角度亦可為90度以外。
圖14A~圖14D，係針對僅實施使在圖7A~圖7D所示的複數通道的影像701至704(檢測器305的影像係未圖示)左右反轉的處理從而獲得的複數通道的影像進行繪示的圖。示於圖14A~圖14D的影像1401至影像1404，係使圖7A~圖7D的影像701至影像704分別左右反轉從而獲得的影像。在圖14A至圖14D，雖係在反轉處理方面使影像左右反轉之例，惟上下反轉等的在任意的直線上予以反轉的處理皆無妨。
圖15A~圖15D，係針對僅對在圖7A~圖7D所示的複數通道的影像701至704(檢測器305的影像係未圖示)實施缺陷等級不變變形從而獲得的複數通道的影像進行繪示的圖。在圖15A至圖15D，係作為一例，施加使影像整面歪曲的變形。示於圖15A~圖15D的影像 1501至影像1504，係對於圖7A~圖7D的影像701至影像704分別施加缺陷等級不變變形從而獲得的影像。
就附隨資訊更換處理(S1008)，使用圖16~圖18進行說明。在此，係以使複數通道的影像繞順時針旋轉90度之情況為例。
圖16，係針對透過檢測器301至檢測器304分別攝像的影像701至影像704、附隨於透過檢測器305而攝像的影像的資訊1600進行繪示的圖。在示於圖16例，係作為附隨於所攝像的影像的資訊，示出：表示影像種類為攝像影像或加工影像的影像種類1601、顯示所檢測的缺陷的號碼的缺陷ID1602、顯示與缺陷ID1602對應的影像的影像ID1603、與拍攝影像的檢測器對應的通道資訊1604、顯示加工前的影像的ID的加工前的影像ID1605等。
圖17，係在影像種類1701方面示出加工影像，就缺陷ID1702為D13的缺陷，針對緊接著使與通道資訊1704對應的加工前的影像ID1705為「701」、「702」、「703」、「704」、「705」的影像繞順時針旋轉90度旋轉之後的影像的附隨資訊1700進行繪示的圖，使加工前的影像ID1705為701至705的影像分別旋轉後的影像的ID1703係1301至1305。
於此，使示於圖7A~圖7D的複數通道的影像繞順時針旋轉90度時，如示於圖13A~圖13D，影像的陰影方向會變化。複數通道的影像之中陰影影像，係由 於影像的陰影方向的變化，使得無法取得影像的陰影方向與附隨於影像的通道資訊1704的整合性。此情況下，於前述的後階的分類器學習處理及缺陷分類處理的特徵量抽出處理，變得無法正確算出基於影像的陰影方向與附隨於影像的通道資訊而算出的缺陷的凹凸狀態等的特徵量。為此，依施加於影像的旋轉處理及反轉處理，以影像的陰影方向與檢測器的檢測方向成為一致的方式，將附隨於影像的通道資訊在複數通道的影像間進行更換。
圖18，係就影像種類1801為加工影像且缺陷ID1802為D13的缺陷，針對以影像的陰影方向與檢測器的檢測方向成為一致的方式將附隨於影像的通道資訊1804更換後的影像的附隨資訊1800進行繪示的圖。在此，係在影像ID1803的欄，附隨於「1301」的影像的通道資訊1804，被從檢測器301更換為檢測器302。同樣，影像ID1803的欄更換附隨於1302至1304的影像的通道資訊1804。透過此附隨資訊更換處理(S1008)使得可取得影像的陰影方向與附隨於影像的通道資訊1804的整合性。1805，係表示加工前的影像ID。
圖24，係針對將對於記憶於影像記憶部的影像的分類結果顯示於輸出入部107的畫面2400之例進行繪示的圖。畫面2400，係由分類結果顯示部2401、YES按鈕2402、NO按鈕2103而構成。在分類結果顯示部2401，係顯示對於分類器的學習不使用加工影像的情況下的分類結果2410與使用的情況下的分類結果2420。藉 此，具有可一次比較複數個分類結果如此的優點。此外，基於所顯示的分類結果2410與2420對於分類器的學習使用加工影像的情況下，係點擊YES按鈕2402。另一方面，對於分類器的學習不使用加工影像的情況下，係點擊NO按鈕2403。藉此，可選擇分類性能高者。
亦即，在本實施例，係採取：在以缺陷影像的分類裝置對於影像實施的加工方面，對於缺陷影像與參照影像，實施相同的旋轉處理或使左右反轉的反轉處理，並以實施此旋轉或反轉處理後的影像的陰影方向與影像攝像裝置的檢測器的檢測方向成為一致的方式，更換與影像對應的檢測器而當作學習用影像，從而利用比以影像攝像裝置所取得的影像更多的影像而進行分類器的學習。
如以上所說明，對透過影像攝像裝置103的複數個檢測器209而攝像的影像透過旋轉、反轉等的加工實施缺陷等級不變化的加工，依加工更換影像與附隨於影像的通道資訊，使得可一面取得影像的陰影方向與附隨於影像的通道資訊的整合性，一面令使用於分類器學習處理(S908)的影像的數量增加，可建構更高性能的分類器。
[實施例2]
接著，說明有關進行與實施例1係不同的加工處理的缺陷分類裝置。本實施例相關的裝置構成係如同在實施例1所示的圖1。此外，處理的流程亦如同圖9。不同之處係影像加工處理(S905)的處理方法。在以下僅 說明有關與實施例1不同的部分。
於半導體晶圓的生產線所發生的缺陷等級，係多半透過缺陷與電路圖案的位置關係而定義。本實施例，係透過對攝像影像實施加工，從而取得與攝像影像的缺陷等級係不同的缺陷等級的影像資料的方法。據此可使發生頻率低的缺陷等級的影像增加。
利用圖11說明有關具體的處理流程。首先，從加工對象的攝像影像分別抽出缺陷部位(S1101)，對抽出缺陷部位的影像實施放大、縮小、縱橫比變化等的變形(S1102)，將透過變形處理而獲得的影像、和與加工對象的影像係不同的複數通道的影像按通道分別進行合成(S1103)，教示透過合成處理而獲得的影像的缺陷等級(S1104)。以上的處理S1101至處理S1104，係透過影像加工部112而進行。另外，來自操作員的各種的指示、缺陷等級的教示等，係通過由鍵盤、鼠標、顯示器等而構成的輸出入部107而進行。
圖19A~圖22D係就對於示於圖7A~圖7D的影像701至影像704的上述處理S1101至處理S1103的過程進行繪示的圖，圖19A~圖19D的影像1901至影像1904係從示於圖7A~圖7D的影像701至影像704分別抽出缺陷部位而獲得的影像。圖20A~圖20D的影像1905至影像1908，係對於圖19A~圖19D的影像1901至影像1904分別實施變形後的影像。在圖21A至圖21D，係示出在變形方面實施縱橫比變化之例。
此外，圖21A~圖21D的影像1909至影像1912，係與記憶於影像記憶部109的示於圖7A~圖7D的影像701至影像704係攝像位置不同的複數通道的影像，圖22A~圖22D的影像1913係將圖20A的影像1905與圖21A的影像1909合成後的影像。圖22B~圖22D的影像1914至影像1916方面亦為針對圖20B~圖20D與圖21B~圖21D透過同樣的合成處理而獲得的影像。透過處理S1101至處理S1103，使得可作成與攝像影像係不同的缺陷等級的影像。
圖23，係針對將透過影像合成處理S1103而獲得的影像顯示於輸出入部107下的畫面2300之例進行繪示的圖。畫面2300，係由影像顯示部2301、缺陷等級選擇部2303、顯示影像選擇部2304而構成。在影像顯示部2301，透過影像合成處理S1103而獲得的影像，係顯示為稱為縮圖的將影像縮小而圖標化的影像(縮圖影像2302)。藉此，具有可一次觀察複數個影像的優點。
在缺陷等級選擇部2303，係具有供於選擇透過影像合成處理S1103而獲得的影像的缺陷等級用的按鈕，點擊縮圖影像2302，點擊缺陷等級選擇部2303內的按鈕或將縮圖影像2302拖放至缺陷等級選擇部2303內的按鈕時，該影像的缺陷等級成為按鈕所表示的缺陷等級。此外，顯示影像選擇部2304，係用於選擇顯示為縮圖影像的影像的通道，可顯示操作員期望的通道的影像。
亦即，在本實施例，係從以影像攝像裝置對 樣品進行攝像而獲得的包含缺陷的影像抽出缺陷部，對缺陷的影像施加變形，將缺陷的影像或實施變形處理的缺陷影像與參照影像合成而生成學習用影像，作成不同的缺陷形狀、不同的背景的學習用影像，從而使學習用影像的變化增加。
如以上所說明，作成與攝像影像係不同的缺陷等級的影像，使得如同實施例1，可令使用於分類器學習處理(S908)的影像的數量增加，可建構更高性能的分類器。
[實施例3]
於實施例1與實施例2，雖說明有關在加工處理方面分別實施缺陷等級不變加工與影像合成加工之例，惟於實施例3係說明有關將此等2個處理方法雙方皆實施的情況。亦即，在本實施例，係依在實施例1所說明的圖8與圖9的處理流程進行處理，於圖9的影像加工(S905)實施在實施例1利用圖10的流程圖而說明的方法與在實施例2利用圖11的流程圖而說明的方法雙方。
將實施在二個實施例所說明的方法雙方的情況下的加工處理的流程示於圖12。首先，實施在實施例2以圖11的流程圖而說明的缺陷等級可能變化的影像合成加工處理(S1201)，接著實施在實施例1以圖10的流程圖所說明的不使缺陷等級變化的缺陷等級不變加工處理(S1202)。於此，在圖12，係依影像合成加工處理 (S1201)、缺陷等級不變加工處理(S1202)的順序而實施，惟更換順序而依缺陷等級不變加工處理(S1202)、影像合成加工處理(S1201)的順序而實施亦無妨。
101‧‧‧缺陷分類裝置
102‧‧‧通訊手段
103‧‧‧影像攝像裝置
104‧‧‧良率管理系統
105‧‧‧記憶部
106‧‧‧演算部
107‧‧‧輸出入部
108‧‧‧輸出入介面部
109‧‧‧影像記憶部
110‧‧‧缺陷等級記憶部
112‧‧‧影像加工部
113‧‧‧分類器學習部
114‧‧‧影像分類部

Claims (10)

  1. 一種缺陷分類裝置，將對樣品進行攝像而獲得的影像中所包含的前述樣品的缺陷的影像進行分類，該缺陷分類裝置具備：將以外部的影像取得手段而取得的樣品的影像進行記憶的影像記憶部；將前述樣品的影像中包含的缺陷的種類進行記憶的缺陷等級記憶部；從記憶於前述影像記憶部的前述樣品的影像將缺陷的影像抽出並對於該所抽出的缺陷的影像進行加工而生成複數個缺陷影像的影像加工部；利用以前述影像加工部而抽出的前述樣品的缺陷的影像與前述所生成的複數個缺陷影像的資料而進行缺陷分類器的學習的分類器學習部；和利用以前述分類器學習部而學習的分類器對記憶於前述影像記憶部的前述樣品的影像進行處理而將前述樣品的缺陷的影像進行分類的缺陷分類部。
  2. 如申請專利範圍第1項的缺陷分類裝置，其中，前述影像加工部，係對前述所抽出的缺陷的影像實施旋轉處理、或左右反轉處理、或不改變缺陷影像的種類而進行的等級不變變形處理中的任一者或將該等組合實施而從前述所抽出的缺陷的影像生成新的缺陷的影像。
  3. 如申請專利範圍第1項的缺陷分類裝置，其中，前述影像加工部，係對前述所抽出的缺陷的影像實施放大、 或縮小、或縱橫比變化中的任一處理或將該等組合實施而從前述所抽出的缺陷的影像生成新的缺陷的影像。
  4. 如申請專利範圍第1項的缺陷分類裝置，其中，前述影像加工部，係透過對前述所抽出的缺陷的影像實施旋轉處理、或反轉處理、或不改變缺陷影像的種類而進行的等級不變變形處理中的任一者或將該等組合實施、和對前述所抽出的缺陷的影像實施放大、或縮小、或縱橫比變化中的任一處理或將該等組合實施從而從前述所抽出的缺陷的影像生成新的缺陷的影像。
  5. 如申請專利範圍第1項的缺陷分類裝置，其進一步具備於前述分類器學習部選擇對於前述缺陷分類器的學習是否使用前述所生成的複數個缺陷影像的資料的選擇部。
  6. 一種缺陷分類方法，將對樣品進行攝像而獲得的影像中所包含的前述樣品的缺陷的影像進行分類，將以外部的影像取得手段而取得的樣品的影像記憶於影像記憶部，將含於前述樣品的影像中的缺陷的種類記憶於缺陷等級記憶部，對記憶於前述影像記憶部的前述樣品的影像以影像加工部進行加工而從前述樣品的影像抽出缺陷的影像，將該所抽出的缺陷的影像進行加工而生成複數個缺陷影像，利用以前述影像加工部而抽出的前述樣品的缺陷的影像與前述所生成的複數個缺陷影像的資料而以分類器學習部進行缺陷分類器的學習， 利用以前述分類器學習部而學習的分類器對記憶於前述影像記憶部的前述樣品的影像以缺陷分類部進行處理而將前述樣品的缺陷的影像進行分類。
  7. 如申請專利範圍第6項的缺陷分類方法，其中，以前述影像加工部對前述所抽出的缺陷的影像進行加工而生成複數個缺陷影像，對前述所抽出的缺陷的影像實施旋轉處理、或左右反轉處理、或不改變缺陷影像的種類而進行的等級不變變形處理中的任一者或將該等組合實施而從前述所抽出的缺陷的影像生成新的缺陷的影像從而進行。
  8. 如申請專利範圍第6項的缺陷分類方法，其中，以前述影像加工部對前述所抽出的缺陷的影像進行加工而生成複數個缺陷影像，對前述所抽出的缺陷的影像實施放大、或縮小、或縱橫比變化中的任一處理或將該等組合實施而從前述所抽出的缺陷的影像生成新的缺陷的影像從而進行。
  9. 如申請專利範圍第6項的缺陷分類方法，其中，以前述影像加工部對前述所抽出的缺陷的影像進行加工而生成複數個缺陷影像，對前述所抽出的缺陷的影像實施旋轉處理、或反轉處理、或不改變缺陷影像的種類而進行的等級不變變形處理中的任一者或將該等組合實施、對前述所抽出的缺陷的影像實施放大、或縮小、或縱橫比變化中的任一處理或將該等組合實施從而從前述所抽出的缺陷的影像生成新的缺陷的影像從而進行。
  10. 如申請專利範圍第6項的缺陷分類方法，其中， 於前述分類器學習部以選擇部選擇對於前述缺陷分類器的學習是否選擇前述所生成的複數個缺陷影像的資料。
TW106113135A 2016-05-24 2017-04-19 Defect classification device and defect classification method TWI647442B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
??PCT/JP2016/065299 2016-05-24
PCT/JP2016/065299 WO2017203600A1 (ja) 2016-05-24 2016-05-24 欠陥分類装置および欠陥分類方法

Publications (2)

Publication Number Publication Date
TW201741651A true TW201741651A (zh) 2017-12-01
TWI647442B TWI647442B (zh) 2019-01-11

Family

ID=60412713

Family Applications (1)

Application Number Title Priority Date Filing Date
TW106113135A TWI647442B (zh) 2016-05-24 2017-04-19 Defect classification device and defect classification method

Country Status (4)

Country Link
US (1) US10810733B2 (zh)
KR (1) KR102195029B1 (zh)
TW (1) TWI647442B (zh)
WO (1) WO2017203600A1 (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI724827B (zh) * 2019-04-19 2021-04-11 日商日立全球先端科技股份有限公司 缺陷觀察裝置
CN113168687A (zh) * 2019-01-22 2021-07-23 株式会社日立高新技术 图像评价装置和方法
TWI741564B (zh) * 2019-05-08 2021-10-01 日商日立全球先端科技股份有限公司 圖案量測裝置及量測方法
TWI815913B (zh) * 2018-07-06 2023-09-21 日商東麗工程股份有限公司 切晶晶片檢查裝置

Families Citing this family (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102195029B1 (ko) * 2016-05-24 2020-12-28 주식회사 히타치하이테크 결함 분류 장치 및 결함 분류 방법
US10699926B2 (en) * 2017-08-30 2020-06-30 Kla-Tencor Corp. Identifying nuisances and defects of interest in defects detected on a wafer
JP7062960B2 (ja) * 2018-01-12 2022-05-09 株式会社リコー 情報処理システム、プログラム、情報処理装置及び情報出力方法
WO2020234863A1 (en) * 2019-05-22 2020-11-26 Applied Materials Israel Ltd. Machine learning-based classification of defects in a semiconductor specimen
CN110689477B (zh) * 2019-09-07 2023-01-10 创新奇智(重庆)科技有限公司 一种通用的瑕疵图像模拟方法
KR102263716B1 (ko) * 2020-01-22 2021-06-10 라이트비전 주식회사 인공지능 기반 재료 결함 이미지 생성 방법 및 결함 검출시스템
CN111330871B (zh) * 2020-03-31 2023-03-28 新华三信息安全技术有限公司 一种品质分类方法及装置
KR102298708B1 (ko) * 2020-06-15 2021-09-07 한국생산기술연구원 검사 대상에 존재하는 결함을 검사하는 방법 및 이를 수행하는 장치들
KR102532031B1 (ko) * 2020-08-25 2023-05-15 한국과학기술연구원 작물 영상 기반 작물 생육 계측 시스템, 및 방법
US11967060B2 (en) 2020-08-25 2024-04-23 Kla Corporation Wafer level spatial signature grouping using transfer learning
JP7408516B2 (ja) * 2020-09-09 2024-01-05 株式会社東芝 欠陥管理装置、方法およびプログラム
KR102509581B1 (ko) * 2020-11-19 2023-03-13 한양대학교 산학협력단 영상 판단 장치 및 그 판단 방법
CN112749746A (zh) * 2021-01-12 2021-05-04 云南电网有限责任公司电力科学研究院 一种缺陷样本迭代更新方法、系统及装置

Family Cites Families (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2986868B2 (ja) * 1990-03-14 1999-12-06 株式会社日立製作所 外観検査方法及びその装置
US5463459A (en) 1991-04-02 1995-10-31 Hitachi, Ltd. Method and apparatus for analyzing the state of generation of foreign particles in semiconductor fabrication process
JPH05149728A (ja) * 1991-10-04 1993-06-15 Omron Corp 視覚認識装置
US5400135A (en) * 1993-06-08 1995-03-21 Nikon Corporation Automatic defect inspection apparatus for color filter
US5917332A (en) * 1996-05-09 1999-06-29 Advanced Micro Devices, Inc. Arrangement for improving defect scanner sensitivity and scanning defects on die of a semiconductor wafer
US6292582B1 (en) * 1996-05-31 2001-09-18 Lin Youling Method and system for identifying defects in a semiconductor
US6246787B1 (en) * 1996-05-31 2001-06-12 Texas Instruments Incorporated System and method for knowledgebase generation and management
JPH11282822A (ja) * 1998-03-26 1999-10-15 Toshiba Corp 画像処理プログラム合成方法及びその装置並びに最適解探索方法及びその装置
JP3566589B2 (ja) 1998-07-28 2004-09-15 株式会社日立製作所 欠陥検査装置およびその方法
JP4267103B2 (ja) 1998-09-18 2009-05-27 株式会社日立製作所 外観画像分類装置およびその方法
JP2000200356A (ja) * 1999-01-08 2000-07-18 Hitachi Ltd 欠陥分類方法およびその装置
JP4155496B2 (ja) 2002-04-25 2008-09-24 大日本スクリーン製造株式会社 分類支援装置、分類装置およびプログラム
JP2006048370A (ja) 2004-08-04 2006-02-16 Kagawa Univ パターン認識方法、それに用いられる教示データ生成方法およびパターン認識装置
JP2006337152A (ja) 2005-06-01 2006-12-14 Sharp Corp 教示用画像生成方法および装置、画像処理アルゴリズム生成方法および装置、画像検査方法および装置、プログラムならびに記録媒体
JP5075646B2 (ja) 2008-01-09 2012-11-21 株式会社日立ハイテクノロジーズ 半導体欠陥検査装置ならびにその方法
JP5156452B2 (ja) * 2008-03-27 2013-03-06 東京エレクトロン株式会社 欠陥分類方法、プログラム、コンピュータ記憶媒体及び欠陥分類装置
JP2012083147A (ja) 2010-10-08 2012-04-26 Hitachi High-Technologies Corp 欠陥分類システム及び欠陥分類装置及び画像撮像装置
JP5715873B2 (ja) 2011-04-20 2015-05-13 株式会社日立ハイテクノロジーズ 欠陥分類方法及び欠陥分類システム
JP2014207110A (ja) 2013-04-12 2014-10-30 株式会社日立ハイテクノロジーズ 観察装置および観察方法
EP3007133B1 (en) * 2014-10-08 2018-06-20 OCE-Technologies B.V. Apparatus and method for defect detection in a printing system
US10650508B2 (en) * 2014-12-03 2020-05-12 Kla-Tencor Corporation Automatic defect classification without sampling and feature selection
KR102195029B1 (ko) * 2016-05-24 2020-12-28 주식회사 히타치하이테크 결함 분류 장치 및 결함 분류 방법
US10699926B2 (en) * 2017-08-30 2020-06-30 Kla-Tencor Corp. Identifying nuisances and defects of interest in defects detected on a wafer

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI815913B (zh) * 2018-07-06 2023-09-21 日商東麗工程股份有限公司 切晶晶片檢查裝置
CN113168687A (zh) * 2019-01-22 2021-07-23 株式会社日立高新技术 图像评价装置和方法
TWI724827B (zh) * 2019-04-19 2021-04-11 日商日立全球先端科技股份有限公司 缺陷觀察裝置
TWI741564B (zh) * 2019-05-08 2021-10-01 日商日立全球先端科技股份有限公司 圖案量測裝置及量測方法

Also Published As

Publication number Publication date
US10810733B2 (en) 2020-10-20
TWI647442B (zh) 2019-01-11
KR102195029B1 (ko) 2020-12-28
US20190139210A1 (en) 2019-05-09
WO2017203600A1 (ja) 2017-11-30
KR20180113572A (ko) 2018-10-16

Similar Documents

Publication Publication Date Title
TWI647442B (zh) Defect classification device and defect classification method
JP4644613B2 (ja) 欠陥観察方法及びその装置
US8581976B2 (en) Method and apparatus for reviewing defects of semiconductor device
TWI512684B (zh) Defect observation method and defect observation device
US8350905B2 (en) Microscope system, image generating method, and program for practicing the same
JP5715873B2 (ja) 欠陥分類方法及び欠陥分類システム
US11282186B2 (en) Anomaly detection using image-based physical characterization
JP4691453B2 (ja) 欠陥表示方法およびその装置
JP4825530B2 (ja) パターン欠陥検査方法および装置
US8139847B2 (en) Defect inspection tool and method of parameter tuning for defect inspection tool
JP6078234B2 (ja) 荷電粒子線装置
WO2016121265A1 (ja) 試料観察方法および試料観察装置
JP2006269489A (ja) 欠陥観察装置及び欠陥観察装置を用いた欠陥観察方法
KR20130108413A (ko) 하전 입자선 장치
JP5341801B2 (ja) 半導体ウェーハの外観検査方法及びその装置
JP7198360B2 (ja) 荷電粒子線装置
KR20220040466A (ko) 하전 입자선 장치
WO2013008531A1 (ja) 走査電子顕微鏡、欠陥検査システム、および欠陥検査装置