TW202333106A - 圖像處理程式、圖像處理裝置及圖像處理方法 - Google Patents

圖像處理程式、圖像處理裝置及圖像處理方法 Download PDF

Info

Publication number
TW202333106A
TW202333106A TW112115907A TW112115907A TW202333106A TW 202333106 A TW202333106 A TW 202333106A TW 112115907 A TW112115907 A TW 112115907A TW 112115907 A TW112115907 A TW 112115907A TW 202333106 A TW202333106 A TW 202333106A
Authority
TW
Taiwan
Prior art keywords
mentioned
image data
image
image processing
sample
Prior art date
Application number
TW112115907A
Other languages
English (en)
Inventor
大内将記
篠田伸一
豊田康隆
弓場竜
新藤博之
Original Assignee
日商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 日商日立全球先端科技股份有限公司 filed Critical 日商日立全球先端科技股份有限公司
Publication of TW202333106A publication Critical patent/TW202333106A/zh

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • 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
    • 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
    • G06T9/00—Image coding
    • G06T9/005—Statistical coding, e.g. Huffman, run length coding
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Quality & Reliability (AREA)
  • Multimedia (AREA)
  • Mathematical Physics (AREA)
  • Medical Informatics (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
  • Processing Or Creating Images (AREA)
  • Ultra Sonic Daignosis Equipment (AREA)
  • Closed-Circuit Television Systems (AREA)

Abstract

本發明之目的在於提供一種用於實現高速且虛報較少之晶粒至資料庫檢查之電腦程式、及使用其之半導體檢查裝置。為了達成上述目的，本發明提出一種電腦程式及使用其之半導體檢查裝置，其具備：編碼器層S302，其係以決定設計資料圖像之特徵之方式而構成；及解碼器層S303，其係以根據藉由編碼器層所輸出之特徵量，基於對檢查對象圖案進行攝影所得之圖像(檢查對象圖像)之變化而生成各像素中之亮度值之統計量的方式而構成；且藉由將由解碼器層所獲得之與亮度值相關之統計量與檢查對象圖像進行比較，檢測圖像上之缺陷區域，而可實現虛報較少之晶粒至資料庫檢查。

Description

圖像處理程式、圖像處理裝置及圖像處理方法
本發明係關於一種對圖像資料進行處理之圖像處理技術。其中，特別是關於一種可應用於使用圖像資料所進行之檢查之圖像處理技術。檢查對象之一例包含半導體電路。
目前，作為使用圖像資料所進行之檢查，有將對檢查對象進行攝影所得之攝影資料與作為檢查對象之試樣之設計資料進行比較。作為物品之一例，存在檢查半導體電路者。 伴隨著半導體電路圖案之微細化，光曝光裝置之解像度到達極限，於晶圓上形成與設計相同之電路圖案變得困難。形成於半導體晶圓上之電路圖案容易發生如下不良，即，配線之寬度與設計值發生偏差，或圖案前端發生簡併，或圖案之角部或根部之形狀變形等。由於此種缺陷稱為系統性缺陷，所有晶粒共通發生，故而藉由將檢查對象之晶粒與其近接晶粒進行比較而檢測缺陷之方法(晶粒至晶粒檢查)難以檢測。
與此相對，存在將對CAD(Computer Aided Design，電腦輔助設計)資料等設計資料進行圖像化所得之設計資料圖像而不是近接晶粒與檢查對象之晶粒進行比較而檢測缺陷之方法(晶粒至資料庫檢查)。由於晶粒至資料庫檢查比較設計資料圖像與檢查對象之晶粒，故而理論上可檢測所有晶粒所共通之系統性缺陷。
但，於轉印於晶圓上之圖案上較多存在不對半導體器件之電特性產生影響之程度的與設計資料之形狀背離(角部之圓度之不同等)。於晶粒至資料庫中，存在亦檢測出該形狀之背離而多發虛報之問題。為了不將正常之電路圖案錯誤檢測為缺陷，需要容許正常範圍內之形狀背離。
於US9965901B2(專利文獻1)中揭示有使用CNN根據設計資料模擬檢查對象圖案之圖像之方法。將其應用於晶粒至資料庫檢查，使用良品之具有形狀背離之檢查對象圖案之模擬圖像取代設計資料，藉此可進行抑制虛報之檢查。 先前技術文獻 專利文獻
專利文獻1：US9965901B2
[發明所欲解決之問題]
於專利文獻1中，雖可獲得模擬之檢查對象圖案，但獲得之檢查對象圖像係根據製造回次而不同之形狀變形之一例。因此，需要進行複數次模擬以獲知正常之形狀變形之範圍。進而，於將其應用於晶粒至資料庫檢查之情形時，存在由於需要將檢查圖像與生成之複數個模擬圖像循環比較，故而花費處理時間之問題。 [解決問題之技術手段]
為了達成上述目的，於本發明中，基於設計資料等基準資料計算試樣之特徵量，自該特徵量計算表示該試樣之輸入資料可取值之概率分佈之統計量。又，可附帶進行相對於計算出之特徵量之其參數之計算或調整、使用特徵量所進行之製程評估、試樣之檢查中之任一者。
作為本發明之一態樣，包含圖像處理程式、圖像處理裝置及圖像處理方法，其特徵在於具備：編碼器層，其係以決定設計資料圖像之特徵之方式而構成；解碼器層，其係以根據藉由編碼器層所輸出之特徵量，基於檢查對象圖案之攝影圖像之變化而生成各像素之亮度值之統計量之方式而構成；且將由解碼器層所獲得之與亮度值相關之統計量與檢查對象圖案之攝影圖像進行比較，藉此檢測圖像區域內之缺陷。再者，本圖像處理包含包括編碼器層及解碼器層之模型之生成或本模型所具有之參數之調整。
再者，於本發明中，作為檢查對象，除了半導體電路以外，可應用於汽車零件(活塞等)、托盤、瓶等容器、液晶等各種物體。又，於本發明中，除了圖像之攝影以外，包含輸入表示試樣之形狀或物性之資料。再者，形狀包含試樣之大小、長度等。 [發明之效果]
根據本發明，可基於試樣之設計資料等基準資料、與表示試樣之形狀或物性等之資料之對應關係，根據基準資料推定表示試樣之形狀或物性等之資料之正常範圍。
藉由以下進行說明之實施例所例示之半導體檢查裝置係關於用於使用檢查對象圖案之攝影圖像(檢查對象圖像)及設計資料圖像抑制虛報之多發，從而僅檢測缺陷區域的圖像處理程式、及使用該圖像處理程式者。再者，與檢查對象圖像之比較，除了設計資料以外，亦可應用半導體製造製程之模擬圖像或電路圖案之平均圖像、手寫製成之圖像等，並不對其進行限定。
又，作為其具體之一例，表示有如下方法之例，即，使用機械學習，根據設計資料圖像，將檢查對象圖像上之各像素之亮度值推定為界定其概率分佈之統計量，並基於其而檢測檢查對象圖像之缺陷區域。再者，於本實施例中，將與電路圖案之形狀變形相關之統計量設為自設計資料圖像與攝影圖像之對應關係可獲得的界定攝影圖像上之各像素之亮度值之概率分佈的統計量。
以下，對於具備用於在不使用檢查對象圖像及設計資料圖像而使虛報多發之情況下僅檢測缺陷區域之功能之裝置、測定檢查系統，使用圖式進行說明。更具體而言，對於包含作為測定裝置之一種之測長用掃描式電子顯微鏡(Critical Dimension-Scanning Electron Microscope：CD-SEM)之裝置、系統進行說明。
再者，於以下之說明中，作為形成圖像之裝置，例示帶電粒子束裝置。又，作為其一態樣，對使用SEM之例進行說明，但不限定於此，例如，可採用於試樣上掃描離子束而形成圖像之聚焦離子束(Focused Ion Beam：FIB)裝置作為帶電粒子束裝置。但，為了高精度地測定進行微細化之圖案，要求極高倍率，因此一般而言就解析度之方面而言，理想為使用勝過FIB裝置之SEM。
圖13係複數種測定、或檢查裝置連接網絡之測定、檢查系統之概略說明圖。該系統之以下之各裝置經由網絡而連接。其一係測定半導體晶圓或光罩等之圖案尺寸之CD-SEM2401。又，作為其他裝置，存在缺陷檢查裝置2402，其藉由對試樣照射電子束而獲取圖像，並基於該圖像與預先登錄之參照圖像之比較而提取缺陷。又，於網絡中連接有條件設定裝置2403、模擬器2404及記憶媒體2405。條件設定裝置2403具有於半導體器件之設計資料上對測定位置或測定條件等進行設定之功能。模擬器2404具有基於半導體器件之設計資料、及半導體製造裝置之製造條件等而模擬圖案之完成結果之功能。進而，記憶媒體2405對登錄有半導體器件之佈局資料或製造條件之設計資料進行記憶。
設計資料例如藉由GDS格式或OASIS格式等表現，藉由特定之形式記憶。再者，設計資料只要顯示設計資料之軟體可顯示其格式形式並可作為圖形資料進行處理，則不論其種類。又，記憶媒體2405可內置於測定裝置、檢查裝置之控制裝置、或條件設定裝置2403、模擬器2404。再者，CD-SEM2401、及缺陷檢查裝置2402分別具備有控制裝置，進行各裝置所需之控制，亦可於該等之控制裝置搭載上述模擬器之功能或測定條件等設定功能。
於SEM中，由電子源發射之電子束藉由多段透鏡聚焦，且聚焦之電子束藉由掃描偏向器於試樣上進行一維地、或二維地掃描。
藉由電子束之掃描而由試樣發射之二次電子(Secondary Electron：SE)或背向散射電子(Backscattered Electron：BSE)藉由檢測器檢測，並與上述掃描偏向器之掃描同時地，記憶於幀存儲器等記憶媒體。記憶於該幀存儲器之圖像信號藉由搭載於控制裝置內之演算裝置而累計。又，利用掃描偏向器所進行之掃描可為任意之大小、位置、及方向。
如上之控制等藉由各SEM之控制裝置進行，電子束之掃描之結果是，獲得之圖像或信號經由通訊線路網絡而送至條件設定裝置2403。再者，於本例中，將控制SEM之控制裝置、及條件設定裝置2403作為獨立個體進行說明，但不限定於此。例如，可藉由條件設定裝置2403一起進行裝置之控制及測定處理，亦可藉由各控制裝置一起進行SEM之控制及測定處理。
又，於上述條件設定裝置2403或控制裝置記憶有用於執行測定處理之程式，根據該程式進行測定、或演算。 又，條件設定裝置2403具備基於半導體之設計資料製成控制SEM之動作之程式(程序)之功能，作為程序設定部發揮作用。具體而言，於設計資料、圖案之輪廓線資料、或實施模擬之設計資料上，設定所需之測定點、自動調焦、自動像散校正、定址點等之用於進行對SEM而言所需之處理之位置等。然後，基於該設定，製成用於自動控制SEM之試樣載台或偏向器等之程式。又，為了下述之模板之製成，於自設計資料提取成為模板之區域之資訊並基於該提取資訊而製成模板之處理器、或通用之處理器中內置、或記憶有製成模板之程式。又，本程式可經由網絡傳送。
圖14係掃描式電子顯微鏡之概略構成圖。自電子源2501藉由引出電極2502引出並藉由未圖示之加速電極加速之電子束2503藉由作為聚焦透鏡之一形態之聚光透鏡2504縮窄。然後，藉由掃描偏向器2505，於試樣2509上進行一維地、或二維地掃描。電子束2503藉由施加於試樣台2508中內置之電極之負電壓而減速，並藉由物鏡2506之透鏡作用而聚焦照射於試樣2509上。
當電子束2503照射於試樣2509時，自該照射部位發射二次電子、及背向散射電子之電子2510。放出之電子2510藉由基於施加於試樣之負電壓之加速作用而於電子源方向上被加速，並與轉換電極2512碰撞產生二次電子2511。自轉換電極2512發射之二次電子2511藉由檢測器2513捕捉，根據捕捉之二次電子量，檢測器2513之輸出I發生變化。根據該輸出I，未圖示之顯示裝置之亮度發生變化。例如，於形成二維圖像之情形時，使對於掃描偏向器2505之偏向信號、與檢測器2513之輸出I同步，藉此形成掃描區域之圖像。又，於圖22所例示之掃描式電子顯微鏡中具備於電子束之掃描區域移動之偏向器(未圖示)。
再者，對於在圖14之例中，藉由轉換電極將自試樣放出之電子進行一端轉換而進行檢測之例進行說明，但當然不限定於此種構成，例如，可為於加速之電子之軌道上配置電子倍像管或檢測器之檢測面之構成。控制裝置2514具備控制掃描式電子顯微鏡之各構成且基於所檢測之電子而形成圖像之功能、或基於稱為譜線輪廓之檢測電子之強度分佈而測定形成於試樣上之圖案之圖案寬度之功能。
繼而，對使用機械學習所進行之缺陷檢測用之模型製成處理S100或製程評估處理S200或缺陷檢測處理S300之一態樣進行說明。模型製成處理S100或製程評估處理S200或缺陷檢測處理S300亦可內置於控制裝置2514內、或藉由內置之演算裝置執行圖像處理。又，亦可經由網絡，藉由外部之演算裝置(例如，條件設定裝置2403)執行圖像評估。再者，可適當設定內置於控制裝置2514內、或藉由內置之演算裝置及外部之演算裝置執行圖像處理之處理分擔，不限定於所述之例。
圖1係對檢查前所實施之模型製成處理S100之例進行說明之圖。檢查前，使用設計資料圖像及與其對應之攝影圖像作為教師資料，製成根據設計資料圖像推定攝影圖像上之與各像素之亮度值相關之統計量(以下，為亮度值統計量)的模型。具體而言，使用編碼器包括2層以上之捲積層(Convolutional Layer)及池化層(Pooling Layer)且解碼器包括2層以上之逆捲積層(Deconvolution Layer)及池化層之捲積神經網絡(CNN：Convolutional Neural Network)。於該情形時，可藉由以將編碼器之輸入作為設計資料圖像且解碼器之輸出成為教師資料之亮度值統計量之方式學習而實現。
於模型製成處理S100中，藉由編碼器將設計資料圖像轉換成決定設計資料圖像之特徵之特徵量(S101、S102)，藉由解碼器將特徵量轉換成與設計資料圖像相對應之亮度值統計量(S103)。然後，判定是否滿足學習之結束條件(S104)。若不滿足條件，則將與輸入之設計資料圖像相對應之攝影圖像、與輸出之統計量進行比較(S105、S106)，並根據比較結果變更編碼器及解碼器之轉換參數(S107)。另一方面，於S104中，若滿足條件，則保存模型資料(S108)，從而結束模型製成處理S100。
作為S104之學習之結束條件，存在學習之重複次數為界定次數以上，或學習所使用之損失函數收斂等情形。於S108中保存之模型資料係編碼器及解碼器之各層之構成資訊、或其轉換參數。
以下，對於各處理內容進行詳細描述。
於S101中，輸入設計資料圖像作為基準圖像。設計資料圖像係將CAD等設計資料進行圖像化所得者。作為例，可列舉於電路中之配線部與空間部分塗之二值圖像。於半導體電路之情形時，存在配線成為2層以上之多層者。例如，若配線為一層，則可作為配線部與空間部之二值圖像而使用，若配線為2層，則可作為下層之配線部與上層之配線部、空間部之三值圖像而使用。再者，設計資料圖像為基準圖像之一例，並不對其進行限定。
關於S102中所輸出之特徵量，該特徵量具有設計資料圖像上之各像素是否屬於配線部與空間部中之任一者之設計資訊、及包含配線之邊緣附近或角部附近等周邊區域之設計資訊等。
於S103中所輸出之統計量對相對應之攝影圖像上的各像素可取之亮度值之概率分佈(以下，為亮度值分佈)701進行界定(圖7A)。亮度值分佈藉由各像素可取之亮度值所對應之概率表示。具體而言，若攝影圖像為灰度圖像，則可將分佈定義為同256相同之亮度值之頻度。又，作為統計量，亦可將除了像素以外者設為單位。
對於設計資料圖像與攝影圖像之對應關係進行描述。具體而言，使用圖6A～圖6D，對設計資料圖像及檢查對象圖像中之配線之形狀背離之一例進行說明。圖6A係表示設計資料圖像601之一例之圖。圖6B係表示與設計資料圖像601相對應之攝影圖像602之一例之圖。圖6C係表示與設計資料圖像601相對應之攝影圖像603之一例之圖。圖6D係表示與設計資料圖像601相對應之攝影圖像604之一例之圖。
於圖6之設計資料圖像601與攝影圖像602、603、604中，各晶格表示1像素。設計資料圖像601之配線因製造時之形狀變形而與攝影圖像602、603、604之配線具有形狀差，該形狀差根據製造回次而不同。因此，當設計資料圖像上之某一像素取任意之亮度值時，攝影圖像上之相同像素可取之亮度值存在複數個。例如，若攝影圖像602、603、604為灰度圖像，則各像素可取之亮度值為0至255之整數。於該情形時，亮度值分佈表示0～255之亮度值所對應之頻度。作為統計量之例，若亮度值分佈為常態分佈則考慮平均及標準偏差，若為泊松分佈則考慮到達率等。 作為S106之比較處理之實施例，存在基於統計量而取樣所得之圖像與攝影圖像之差分計算。
於S107中變更且於S108中保存之轉換參數係構成編碼器及解碼器之CNN之捲積層或逆捲積層的過濾器之權重。
圖2係對檢查時所實施之製程評估處理S200之例進行說明之圖。於製程評估處理S200中，以與模型製成處理S100之S101、S102、S103中之統計量之推定步驟相同之方式推定統計量(S201、S202、S203)，從而進行基於統計量之製程評估(S204)。
S202之編碼器及S203之解碼器使用藉由模型製成處理S100而調整其參數所得者。因此，僅根據設計資料圖像，可求得對應之亮度值統計量。
S204之製程評估可列舉：基於推定之統計量生成統計圖像而進行GUI(Graphical User Interface，圖形用戶界面)顯示或測量該統計圖像之尺寸。藉此，可評估由製程變動所造成之形狀偏差。圖5A係表示設計資料圖像501之一例之圖。圖5B係表示與設計資料圖像501相對應之攝影圖像502之一例之圖。圖5C係表示與設計資料圖像501相對應之統計圖像503之一例之圖。統計圖像係將推定出之統計量進行圖像化所得者。例如，於藉由亮度值分佈之偏差之大小進行二值化之情形時，統計圖像分為形狀偏差較大之區域504及形狀偏差較小之區域505。
又，由於在製程評估S204中所製成之統計圖像包含伴隨著製程變動之圖像變化，故而亦可將其一部分資訊作為半導體測量及檢查所使用之圖案匹配之模板圖像而使用。
圖11係利用GUI1100所進行之製程評估結果顯示之一例。於GUI1100中，顯示設計資料圖像1101、統計圖像1102、操作面板1105、評估設定面板1106、及測量結果資訊1107。 於測量統計圖像1102之尺寸之情形時，對測量點1103、1104所示之尺寸進行測量，並將其結果顯示於測量結果資訊1107。測量之尺寸係表示製造後配線相對於設計資料圖像上之配線進行哪種程度之形狀變形之變動預測值等。測量之位置係藉由使用者直接利用滑鼠移動測量點1103、1104，或利用滑鼠指定圖像上之任意之圖像區域等而決定。操作面板1105可變更根據來自使用者之輸入而顯示之圖像之倍率或位置等。
於評估設定面板1106中，藉由輸入或下拉等指定統計圖像1102之生成所需之設定事項。設定事項係統計圖像之顯示方法(二值化圖像或熱力圖像等)、或根據顯示方法之設定(變成二值化圖像時之閾值設定或熱力圖像之彩色棒設定等)等。
於測量結果資訊1107中顯示測量點1103、1104之中心座標值、或測量點1103、1104所測量之尺寸之值等。
圖3係對檢查時所實施之缺陷檢測處理S300之例進行說明之圖。於缺陷檢測處理S300中，如下所述進行處理。首先，以與模型製成處理S100之S101、S102、S103中之統計量之推定步驟相同之方式推定統計量(S301、S302、S303)。然後，基於統計量對每個像素決定各像素之亮度值之閾值範圍(S304)。進而，使用所決定之閾值範圍與檢查對象之攝影圖像，對每個像素判定攝影圖像之亮度值是否在閾值範圍內(S305、S306)，若存在閾值範圍外之亮度值之像素，則畫面顯示為缺陷區域(S307)。
以下，對於各處理內容進行詳細描述。
S302之編碼器與S303之解碼器使用藉由模型製成處理S100而調整其參數所得者。 於S304中，基於在S303中所推定之統計量所界定之亮度值分佈，決定亮度值之閾值範圍。圖7B係表示亮度值分佈、及基於其所決定之閾值範圍702之例之圖。例如，於將亮度值分佈設為常態分佈之情形時，可使用作為界定其分佈之統計量之平均μ及標準偏差σ，然後使用任意之常數β，將閾值範圍Th如下(數1)所示進行設定。 μ－β・σ≦Th≦μ＋β・σ…(數1) 該閾值範圍由每個像素決定。常數β係與缺陷判定之感度相關之參數，於圖像整體中可為相同之值，亦可為根據每個像素而不同之值。
於S306中，將為閾值範圍外之亮度值之圖像區域判定為缺陷區域，且將其攝影圖像判定為缺陷圖像。於沒有缺陷區域之情形時，判定為正常圖像。例如，於灰度之攝影圖像中，於某一像素之亮度值為“205”，且該像素所對應之閾值範圍為“20”～“120”之情形時，將該像素判定為缺陷區域，且將攝影圖像判定為缺陷圖像。
作為S307之畫面顯示之例，有於缺陷區域及除其以外之區域分塗之缺陷區域之提取圖像、或檢查對象之攝影圖像與缺陷區域之重載圖像等。
作為實施缺陷檢測處理S300之例，可列舉：使用自過去製造之晶圓所獲取之攝影圖像與其設計資料之情形、及使用自檢查對象之晶圓所獲取之攝影圖像與其設計資料之情形。
再者，可分別藉由不同之程式執行圖1之生成模型之學習處理、圖2之製程評估處理、圖3之缺陷判定處理，亦可藉由個別之程式執行每一個，亦可藉由1個程式執行任意2個處理。進而，執行該等處理之裝置亦與程式相同地，可藉由1個裝置執行各處理，亦可藉由不同之裝置執行各處理。
圖4係本實施例中之內包有模型製成處理S100及缺陷檢測處理S300之缺陷檢測系統之功能方塊圖。學習部403、統計量推定部407、閾值範圍決定部408及缺陷判定部409藉由程式實現。學習用設計資料圖像401、學習用攝影圖像402、檢查用設計資料圖像405及檢查用攝影圖像406保存於記憶媒體2405內。
學習部403藉由機械學習而使用學習用設計資料圖像401及學習用攝影圖像，並製成模型，該模型根據設計資料圖像而推定為界定攝影圖像上之各像素之亮度值分佈之統計量。
學習部403使用學習用設計資料圖像401及學習用攝影圖像402，實施檢查前之模型製成處理S100。此時，自學習部403獲得具有編碼器及解碼器之參數之資訊之模型資料404。統計量推定部407自檢查用設計資料圖像405推定對應之攝影圖像上的與各像素之亮度值相關之統計量。統計量推定部可藉由包括編碼器及解碼器之模型而構成，該等參數反映模型資料404。於亮度值分佈推定部中所推定之統計量於閾值範圍決定部S408中成為缺陷判定用之亮度值之閾值範圍。缺陷判定部409將於閾值範圍決定部408中所決定之各像素之閾值範圍、與檢查用攝影圖像406進行比較，藉此獲得判定結果410。判定結果410可為於圖像上之缺陷區域及除其以外之區域分塗之缺陷圖像，亦可為將缺陷圖像與檢查用攝影圖像406加以合成所得之圖像。
學習用攝影圖像402、及檢查用攝影圖像406可為藉由相同晶圓進行攝影所得者，亦可為藉由不同晶圓進行攝影所得者。再者，於在本實施例中作為對象的容許有正常範圍之形狀變形所進行之缺陷檢測中使用之情形時，較佳為學習用攝影圖像402及檢查用攝影圖像406之製造條件與攝影條件相同。
圖8A係表示設計資料圖像上之注目像素801及其周圍區域802之圖。圖8B係表示攝影圖像上之像素803之圖。注目像素801及像素803設為各圖像上之位於相同座標者。像素803可取之亮度值之統計量藉由注目像素801以及周圍區域802之像素值而推定。其原因在於：藉由CNN之捲積層進行計算時，進行包含周圍像素之演算。再者，周圍區域802之尺寸藉由CNN之步幅數或過濾器尺寸等而決定。
圖9係對電路圖案之邊緣、與於S302～S304中決定之閾值範圍之關係進行說明之圖。由於配線之邊緣附近多發因製造所造成之形狀變形，故而認為與邊緣901相近之區域902之閾值範圍變大。另一方面，由於在遠離配線之邊緣之區域中較少發生形狀變形，故而認為遠離邊緣901之區域903之閾值範圍變小。
圖10係表示本實施例之對於學習用資料設定及檢查用資料設定之前處理之一例的圖。前處理部1003可包括定位部1004及切割部1005。首先，對於學習用設計資料圖像401、及製造其所得之電路之學習用攝影圖像402，藉由定位部1004以電路圖案相一致之方式對準圖像上之位置。作為位置對準之方法之例，有如下方法，即，求出設計資料圖像及攝影圖像之配線之輪廓線，以使輪廓線所包圍之圖形之重心相一致之方式進行定位。然後，進行藉由切割部1005將設計資料圖像及攝影圖像切割成相同圖像尺寸之處理，藉此使檢查用設計資料圖像405及檢查用攝影圖像406之其等圖像上之位置相對應。
理想為包含學習用設計資料圖像401及學習用攝影圖像402之學習用資料設定、與包含檢查用設計資料圖像405及檢查用攝影圖像406之學習用資料設定於檢查前藉由圖10所示之前處理部1003實施設計資料圖像與攝影圖像之位置對準及圖像尺寸之調整。
圖12係利用GUI1200所進行之缺陷檢測結果顯示之一例。
GUI1200顯示設計資料圖像1201、檢查對象圖像1202、缺陷圖像1203、重載圖像1204、閾值圖像1208、亮度值分佈圖像1209、操作面板1211、檢查設定面板1212、檢查資訊1213。於該例中，將1幅攝影圖像所對應之缺陷檢測結果顯示於1個畫面。
缺陷圖像1203係對使用設計資料圖像1201及檢查對象圖像1202進行檢測所得之缺陷區域及除其以外之區域進行區分所得之圖像。 重載圖像1204係將檢查對象圖像1202與缺陷圖像1203重合所得之圖像。於重載圖像1204上，缺陷區域1205、1206被線包圍而顯示。缺陷區域1205、1206係基於判定為缺陷之像素之座標而決定為一個或複數個缺陷區域。
閾值圖像1208係將於閾值範圍決定處理S304中所決定之各像素之閾值範圍進行圖像化所得者。該圖像可基於閾值範圍之大小而變為二值化圖像，亦可變為熱力圖像。
重載圖像1204上之注目位置1207表示顯示於亮度值分佈圖像1209之像素之位置。注目位置1207係使用者使用滑鼠等於重載圖像1204上指定其位置。 於亮度值分佈圖像1209中不僅顯示亮度值分佈，亦可顯示閾值範圍1210。
操作面板1211可變更所顯示之圖像之倍率或位置等。
於檢查設定面板1212中，藉由鍵盤輸入或下拉等指定閾值範圍決定處理S304所需之參數、或用於決定缺陷區域1205、1206所需之參數等。
檢查資訊1213顯示缺陷區域1205、1206之中心座標值、或注目位置1207之座標值等。
描述與SEM之程序相關之實施例。於程序中，可用於檢查設計資料等而登錄。根據缺陷檢測處理或製程評估處理之例，可登錄模型製成處理S100中所製成之模型資料，或登錄製程評估處理S200中所生成之統計圖像。
再者，本發明並不限定於上述之實施例，可包含各種變化例。例如，上述之實施例係為了容易理解地說明本發明而詳細地進行說明者，並不限定於具備所說明之全部構成者。
根據本實施例，可基於試樣之設計資料等基準圖像與攝影圖像之對應關係，根據設計資料圖像將試樣之正常範圍之形狀變形推定為統計量。
例如，可基於將檢查前所獲取之半導體電路之設計資料圖像及電路圖案進行攝影所得之圖像的對應關係，根據設計資料圖像推定檢查對象之電路圖案(檢查對象圖案)中之正常範圍之形狀變形，因此可於藉由設計資料圖像與檢查對象圖案之比較檢查而不使兩者之形狀背離所對應之虛報多發之情況下，僅檢測缺陷部位。又，根據設計資料圖像直接推定正常範圍之形狀變形，因此與合成複數個模擬圖像之情形相比，可縮短處理時間。又，作為本實施例之一個效果，可列舉：可進行考慮到設計資料與攝影資料之畫質差之模型生成。
再者，本實施例亦可作為檢查對象之試樣而應用到除了半導體以外者。又，亦可應用於使用除了圖像以外之輸入資料(利用雷達之形狀測定)之情形，或應用於除了包含缺陷檢查之檢查以外之測量。
又，作為本實施例之效果之一例，可基於檢查前所獲取之試樣之設計資料圖像與試樣之攝影圖像的對應關係，根據設計資料圖像推定檢查對象之試樣之正常範圍之形狀偏差，因此可於藉由設計資料圖像與試樣之比較檢查而不使兩者之形狀背離所對應之虛報多發之情況下，僅檢測缺陷部位。又，根據設計資料圖像直接推定正常範圍之形狀偏差，因此與生成複數個模擬圖像且與檢查對象之攝影圖像循環比較之情形相比，可縮短處理時間。
S100:模型製成處理 S200:製程評估處理 S300:缺陷檢測處理 401:學習用設計資料圖像 402:學習用攝影圖像 403:學習部 404:模型資料 405:檢查用設計資料圖像 406:檢查用攝影圖像 407:統計量推定部 408:閾值範圍決定部 409:缺陷判定部 410:判定結果 501:設計資料圖像 502:攝影圖像 503:統計圖像 504:形狀偏差較大之區域 505:形狀偏差較小之區域 601:設計資料圖像 602:攝影圖像 603:攝影圖像 604:攝影圖像 701:亮度值分佈 702:閾值範圍 801:注目像素 802:周圍區域 803:像素 901:邊緣 902:與邊緣相近之區域 903:遠離邊緣之區域 1003:前處理部 1004:定位部 1005:切割部 1100:製程評估結果顯示之GUI 1101:設計資料圖像 1102:統計圖像 1103:測量點 1104:測量點 1105:操作面板 1106:評估設定面板 1107:測量結果資訊 1200:缺陷檢測結果顯示之GUI 1201:設計資料圖像 1202:檢查對象圖像 1203:缺陷圖像 1204:重載圖像 1205:缺陷區域 1206:缺陷區域 1207:注目位置 1208:閾值圖像 1209:亮度值分佈圖像 1210:閾值範圍 1211:操作面板 1212:檢查設定面板 1213:檢查資訊 2401:CD-SEM 2402:缺陷檢查裝置 2403:條件設定裝置 2404:模擬器 2405:記憶媒體 2501:電子源 2502:引出電極 2503:電子束 2504:聚光透鏡 2505:掃描偏向器 2506:物鏡 2508:試樣台 2509:試樣 2510:電子 2511:二次電子 2512:轉換電極 2513:檢測器 2514:控制裝置
圖1係表示本發明之一實施例的生成模型之學習之流程之流程圖。 圖2係表示本發明之一實施例的製程評估處理之流程之流程圖。 圖3係表示本發明之一實施例的缺陷判定方式之流程之流程圖。 圖4係表示本發明之一實施例中之功能方塊圖之圖。 圖5A係表示設計資料圖像501之一例之圖。 圖5B係表示與設計資料圖像501相對應之攝影圖像502之圖。 圖5C係表示與設計資料圖像501相對應之統計圖像503之一例之圖。 圖6A係表示設計資料圖像601之一例之圖。 圖6B係表示與設計資料圖像601相對應之攝影圖像602之一例之圖。 圖6C係表示與設計資料圖像601相對應之攝影圖像603之一例之圖。 圖6D係表示與設計資料圖像601相對應之攝影圖像604之一例之圖。 圖7A係表示攝影圖像上之各像素中之亮度值分佈之例的圖。 圖7B係表示根據由設計資料圖像所推定出之統計量所界定之推定亮度值分佈、及由其統計量所決定之亮度值之閾值範圍之例的圖。 圖8A係表示設計資料圖像上之注目像素及其周圍區域之圖。 圖8B係表示位於與注目像素相同之位置之攝影圖像上之推定對象像素的圖。 圖9係對設計資料圖像之邊緣、與基於其而決定之形狀變形之閾值範圍之關係進行說明之圖。 圖10係表示於學習或檢查之前對於設計資料圖像及攝影圖像所進行之處理之例的圖。 圖11係用於進行製程評估之設定及結果顯示之GUI畫面之例。 圖12係用於進行缺陷檢測之設定及結果顯示之GUI畫面之例。 圖13係表示半導體測量系統之一例之圖。 圖14係表示掃描式電子顯微鏡之概略之圖。

Claims (21)

  1. 一種圖像處理程式，其係用於使用記憶於記憶媒體之試樣之基準圖像資料及與上述試樣相關之輸入圖像資料而進行對於該試樣之檢查者，其特徵在於執行： 受理上述基準圖像資料之步驟； 基於上述基準圖像資料而計算與上述試樣相關，且用於藉由神經網絡學習而獲得的模型之特徵量之步驟；及 基於上述特徵量而計算表示該輸入圖像資料可取值之概率分佈之統計量之步驟。
  2. 如請求項1之圖像處理程式， 其進而執行： 判斷對於用於計算上述特徵量之參數及用於計算上述統計量之參數的學習之必要性之步驟； 於判斷為需要進行上述學習之情形時，執行：受理上述輸入圖像資料之步驟、將上述輸入圖像資料與上述統計量進行比較之步驟、及根據上述比較之結果將用於計算上述特徵量之參數及計算上述統計量之參數進行變更之步驟；且 於判斷為不需要進行上述學習之情形時，執行將用於計算上述特徵量之參數及用於計算上述統計量之參數作為模型圖像資料進行保存之步驟。
  3. 如請求項1之圖像處理程式， 其進而執行： 受理上述輸入圖像資料之步驟； 將上述輸入圖像資料與上述統計量進行比較之步驟；及 使用上述比較之結果而進行上述試樣之評估之步驟。
  4. 如請求項3之圖像處理程式，其中 上述試樣之評估係對於上述試樣之缺陷檢查、或伴隨著製程變動之上述試樣之形狀偏差評估。
  5. 如請求項1至4中任一項之圖像處理程式，其中 上述表示輸入圖像資料之值係表示上述試樣之形狀或物性之值。
  6. 如請求項3或4之圖像處理程式， 其進而執行顯示上述統計量、或上述評估之結果之步驟。
  7. 如請求項1至4中任一項之圖像處理程式，其中 基於上述基準圖像資料而計算與上述試樣相關之特徵量之步驟中，藉由捲積神經網絡來算出上述特徵量。
  8. 一種圖像處理裝置，其係用於使用記憶於記憶媒體之試樣之基準圖像資料及與上述試樣相關之輸入圖像資料而進行對於該試樣之檢查者，其特徵在於具有： 受理上述基準圖像資料之機構； 基於上述基準圖像資料而計算與上述試樣相關，且用於藉由神經網絡學習而獲得的模型之特徵量之機構；及 基於上述特徵量而計算表示該輸入圖像資料可取值之概率分佈之統計量之機構。
  9. 如請求項8之圖像處理裝置， 其進而具有： 判斷對於用於計算上述特徵量之參數及用於計算上述統計量之參數的學習之必要性之機構；受理上述輸入圖像資料之機構；將上述輸入圖像資料與上述統計量進行比較之機構；以及將用於計算上述特徵量之參數及計算上述統計量之參數進行變更及保存之機構； 於判斷為需要進行上述學習之情形時，上述進行比較之機構將上述輸入圖像資料與上述統計量進行比較，上述變更參數之機構將用於計算上述特徵量之參數及計算上述統計量之參數進行變更，且 於判斷為不需要進行上述學習之情形時，上述保存參數之機構將用於計算上述特徵量之參數及用於計算上述統計量之參數作為模型圖像資料進行保存。
  10. 如請求項9之圖像處理裝置， 其進而具有： 受理上述輸入圖像資料之機構； 將上述輸入圖像資料與上述統計量進行比較之機構；及 使用上述比較之結果而進行上述試樣之評估之機構。
  11. 如請求項10之圖像處理裝置，其中 上述試樣之評估係對於上述試樣之缺陷檢查、或伴隨著製程變動之上述試樣之形狀偏差評估。
  12. 如請求項8至11中任一項之圖像處理裝置，其中 上述表示輸入圖像資料之值係表示上述試樣之形狀或物性之值。
  13. 如請求項10或11之圖像處理裝置， 其進而具有顯示上述統計量、或上述評估之結果之機構。
  14. 如請求項8至11中任一項之圖像處理裝置，其中 基於上述基準圖像資料而計算與上述試樣相關之特徵量之機構係藉由捲積神經網絡來算出上述特徵量。
  15. 一種圖像處理方法，其係用於使用記憶於記憶媒體之試樣之基準圖像資料及與上述試樣相關之輸入圖像資料而進行對於該試樣之檢查者，其特徵在於具有： 受理上述基準圖像資料之步驟； 基於上述基準圖像資料而計算與上述試樣相關，且用於藉由神經網絡學習而獲得的模型之特徵量之步驟；及 基於上述特徵量而計算表示該輸入圖像資料可取值之概率分佈之統計量之步驟。
  16. 如請求項15之圖像處理方法， 其進而具有： 判斷對於用於計算上述特徵量之參數及用於計算上述統計量之參數的學習之必要性之步驟； 於判斷為需要進行上述學習之情形時，受理上述輸入圖像資料之步驟、將上述輸入圖像資料與上述統計量進行比較之步驟、以及根據上述比較之結果將用於計算上述特徵量之參數及計算上述統計量之參數進行變更之步驟； 於判斷為不需要進行上述學習之情形時，將用於計算上述特徵量之參數及用於計算上述統計量之參數作為模型圖像資料進行保存之步驟。
  17. 如請求項15之圖像處理方法， 其進而具有： 受理上述輸入圖像資料之步驟； 將上述輸入圖像資料與上述統計量進行比較之步驟；及 使用上述比較之結果而進行上述試樣之評估之步驟。
  18. 如請求項17之圖像處理方法，其中 上述試樣之評估係對於上述試樣之缺陷檢查、或伴隨著製程變動之上述試樣之形狀偏差評估。
  19. 如請求項15至18中任一項之圖像處理方法，其中 上述表示輸入圖像資料之值係顯示上述試樣之形狀或物性之值。
  20. 如請求項17或18之圖像處理方法， 其進而具有顯示上述統計量、或上述評估之結果之步驟。
  21. 如請求項15至18中任一項之圖像處理方法，其中 基於上述基準圖像資料而計算與上述試樣相關之特徵量之步驟中，藉由捲積神經網絡來算出上述特徵量。
TW112115907A 2019-06-13 2020-04-01 圖像處理程式、圖像處理裝置及圖像處理方法 TW202333106A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
WOPCT/JP2019/023447 2019-06-13
PCT/JP2019/023447 WO2020250373A1 (ja) 2019-06-13 2019-06-13 画像処理プログラム、画像処理装置および画像処理方法

Publications (1)

Publication Number Publication Date
TW202333106A true TW202333106A (zh) 2023-08-16

Family

ID=73781712

Family Applications (3)

Application Number Title Priority Date Filing Date
TW112148609A TW202418220A (zh) 2019-06-13 2020-04-01 圖像處理程式、圖像處理裝置、圖像處理方法及缺陷檢測系統
TW109111264A TWI813871B (zh) 2019-06-13 2020-04-01 圖像處理程式、圖像處理裝置及圖像處理方法
TW112115907A TW202333106A (zh) 2019-06-13 2020-04-01 圖像處理程式、圖像處理裝置及圖像處理方法

Family Applications Before (2)

Application Number Title Priority Date Filing Date
TW112148609A TW202418220A (zh) 2019-06-13 2020-04-01 圖像處理程式、圖像處理裝置、圖像處理方法及缺陷檢測系統
TW109111264A TWI813871B (zh) 2019-06-13 2020-04-01 圖像處理程式、圖像處理裝置及圖像處理方法

Country Status (6)

Country Link
US (1) US20220318975A1 (zh)
JP (2) JP7162134B2 (zh)
KR (1) KR20220002572A (zh)
CN (1) CN113994368A (zh)
TW (3) TW202418220A (zh)
WO (1) WO2020250373A1 (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11854184B2 (en) * 2021-01-14 2023-12-26 Applied Materials Israel Ltd. Determination of defects and/or edge roughness in a specimen based on a reference image
WO2023127081A1 (ja) * 2021-12-28 2023-07-06 株式会社日立ハイテク 画像検査装置、画像処理方法
JP2023181587A (ja) 2022-06-13 2023-12-25 株式会社日立ハイテク 欠陥検査装置
CN115454560A (zh) * 2022-10-18 2022-12-09 上海鼎捷移动科技有限公司 界面布局系统以及界面布局方法

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5275017B2 (ja) * 2008-12-25 2013-08-28 株式会社日立ハイテクノロジーズ 欠陥検査方法及びその装置
US9390490B2 (en) 2010-01-05 2016-07-12 Hitachi High-Technologies Corporation Method and device for testing defect using SEM
JP5622398B2 (ja) 2010-01-05 2014-11-12 株式会社日立ハイテクノロジーズ Ｓｅｍを用いた欠陥検査方法及び装置
US9965901B2 (en) 2015-11-19 2018-05-08 KLA—Tencor Corp. Generating simulated images from design information
US10181185B2 (en) * 2016-01-11 2019-01-15 Kla-Tencor Corp. Image based specimen process control
WO2017194281A1 (en) * 2016-05-12 2017-11-16 Asml Netherlands B.V. Identification of hot spots or defects by machine learning
WO2018042581A1 (ja) * 2016-09-01 2018-03-08 株式会社 日立ハイテクノロジーズ パターン計測装置、及びコンピュータープログラム
JP6759034B2 (ja) 2016-09-29 2020-09-23 株式会社日立ハイテク パターン評価装置及びコンピュータープログラム
US10809635B2 (en) * 2017-11-20 2020-10-20 Taiwan Semiconductor Manufacturing Company, Ltd. Defect inspection method and defect inspection system
US10713769B2 (en) * 2018-06-05 2020-07-14 Kla-Tencor Corp. Active learning for defect classifier training

Also Published As

Publication number Publication date
WO2020250373A1 (ja) 2020-12-17
CN113994368A (zh) 2022-01-28
JP7427744B2 (ja) 2024-02-05
JPWO2020250373A1 (zh) 2020-12-17
TW202046246A (zh) 2020-12-16
KR20220002572A (ko) 2022-01-06
TWI813871B (zh) 2023-09-01
TW202418220A (zh) 2024-05-01
JP7162134B2 (ja) 2022-10-27
JP2023002652A (ja) 2023-01-10
US20220318975A1 (en) 2022-10-06

Similar Documents

Publication Publication Date Title
TWI813871B (zh) 圖像處理程式、圖像處理裝置及圖像處理方法
JP5081590B2 (ja) 欠陥観察分類方法及びその装置
JP5156619B2 (ja) 試料寸法検査・測定方法、及び試料寸法検査・測定装置
JP2019129169A (ja) 画像評価方法及び画像評価装置
TWI722599B (zh) 圖像評價裝置及方法
JP6043735B2 (ja) 画像評価装置及びパターン形状評価装置
JP2009222454A (ja) パターン測定方法及びパターン測定装置
JP2011137901A (ja) パターン計測条件設定装置
WO2014208202A1 (ja) パターン形状評価装置及び方法
TWI567789B (zh) A pattern measuring condition setting means, and a pattern measuring means
TWI777612B (zh) 影像處理方法、形狀檢查方法、影像處理系統及形狀檢查系統
US10558127B2 (en) Exposure condition evaluation device
TWI553309B (zh) Pattern measuring device, and computer program
JP5953117B2 (ja) パターン評価装置、及びコンピュータープログラム
JP5604208B2 (ja) 欠陥検出装置及びコンピュータプログラム