TW202339040A - 缺陷分類裝置 - Google Patents
缺陷分類裝置 Download PDFInfo
- Publication number
- TW202339040A TW202339040A TW112106224A TW112106224A TW202339040A TW 202339040 A TW202339040 A TW 202339040A TW 112106224 A TW112106224 A TW 112106224A TW 112106224 A TW112106224 A TW 112106224A TW 202339040 A TW202339040 A TW 202339040A
- Authority
- TW
- Taiwan
- Prior art keywords
- defect
- classification
- reclassification
- unit
- primary
- Prior art date
Links
- 230000007547 defect Effects 0.000 title claims abstract description 251
- 238000007689 inspection Methods 0.000 claims description 69
- 238000011144 upstream manufacturing Methods 0.000 claims description 6
- 239000004065 semiconductor Substances 0.000 description 12
- 235000012431 wafers Nutrition 0.000 description 12
- 230000002950 deficient Effects 0.000 description 6
- 238000001514 detection method Methods 0.000 description 6
- 238000000034 method Methods 0.000 description 5
- 238000011179 visual inspection Methods 0.000 description 5
- 230000005856 abnormality Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 239000000758 substrate Substances 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 239000011248 coating agent Substances 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000002845 discoloration Methods 0.000 description 1
- 238000005530 etching Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
Classifications
-
- 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
- G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
- G01N21/956—Inspecting patterns on the surface of objects
-
- 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
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Analytical Chemistry (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Medical Informatics (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (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 Analysis (AREA)
Abstract
本揭示之目的在於將被檢查對象所產生之缺陷圖案精度良好地分類。
自動缺陷分類裝置1將被檢查對象W所產生之缺陷圖案P分類。自動缺陷分類裝置1具備:複數個缺陷分類部10,其等將缺陷圖案P分類,獲得一次分類結果R;缺陷再分類部20,其基於藉由複數個缺陷分類部10而得之複數個一次分類結果R,將缺陷圖案P再分類,獲得再分類結果T;及再分類登錄部30,其登錄缺陷再分類部20之再分類條件V。
Description
本揭示係關於一種將被檢查對象所產生之缺陷圖案分類之缺陷分類裝置。
例如,半導體器件之製造步驟中,藉由對半導體晶圓(基板)之表面進行曝光、顯影、蝕刻等處理,而於半導體晶圓表面形成多數電路圖案。且,將形成有多數電路圖案之半導體晶圓作為複數個晶片零件單片化。單片化後之晶片零件於封裝後,作為電子零件單體出貨,或者組入於電性製品中。
此處,於半導體晶圓單片化為複數個晶片零件之前,對半導體晶圓表面進行缺陷檢測。缺陷檢測例如基於由光學顯微鏡或掃描電子顯微鏡拍攝之檢查圖像進行。
且,基於缺陷之尺寸或顏色等特徵量,對檢測出缺陷之半導體晶圓進行缺陷圖案之分類。作為缺陷圖案,例如有異物或損傷等。
先前,缺陷圖案之分類係藉由作業者之目視檢測進行。然而,目視檢查中,根據作業者之主觀,缺陷圖案之分類結果可能會產生偏差,故無法精度良好地將缺陷圖案分類。
因此,如專利文獻1所示,已知有將半導體晶圓表面所產生之缺陷圖案自動分類之自動缺陷分類裝置(Automatic Defect Classification:ADC)。
[先前技術文獻]
[專利文獻]
[專利文獻1]日本專利特開2004-47939號公報
[發明所欲解決之問題]
然而,即使使用專利文獻1之自動缺陷分類裝置,排除作業者之主觀而將缺陷圖案進行分類,缺陷圖案之分類精度依然存在問題。
上述問題亦適於半導體晶圓以外之其他被檢查對象。
本揭示係鑑於該點而完成者,其目的在於將被檢查對象所產生之缺陷圖案精度良好地分類。
[解決問題之技術手段]
本揭示之缺陷分類裝置係將被檢查對象所產生之缺陷圖案分類之缺陷分類裝置,其具備:複數個缺陷分類部,其等將上述缺陷圖案分類,獲得一次分類結果;缺陷再分類部,其基於藉由上述複數個缺陷分類部而得之複數個上述一次分類結果,將上述缺陷圖案再分類,獲得再分類結果;及再分類登錄部,其登錄上述缺陷再分類部之再分類條件。
[發明之效果]
根據本揭示,可將被檢查對象所產生之缺陷圖案精度良好地分類。
以下,基於圖式詳細說明本揭示之一實施形態。以下之較佳實施形態之說明本質上只不過為例示,本揭示完全未意欲限制其適用物或其用途。
(自動缺陷分類裝置之構成)
圖1係本揭示之一實施形態之自動缺陷分類裝置1之概略構成圖。自動缺陷分類裝置1將被檢查對象W所產生之缺陷圖案P分類。本實施形態中,被檢查對象W為半導體製造步驟中之半導體晶圓(基板)之表面。
自動缺陷分類裝置1之缺陷圖案P之分類步驟之前步驟中,由缺陷檢測裝置(未圖示)進行缺陷檢測。缺陷檢測係基於由光學顯微鏡或掃描電子顯微鏡拍攝之檢查圖像I進行。具體而言,缺陷檢測例如藉由將拍攝到之檢查圖像I與事先設定之擬合圖像(統計上之良品圖像)重合而進行。擬合圖像例如藉由將判定為良品之被檢查對象W之圖像平均化而得。
自動缺陷分類裝置1僅針對由缺陷檢測裝置檢測出缺陷之被檢查對象W,將缺陷圖案P分類。此處,作為缺陷圖案P,例如有異物、損傷、邊緣清洗不良、通孔異常、塗膜不均、剝落、劃痕、焊墊異常、色斑、圖案異常、斑點、變色、變形等。
自動缺陷分類裝置1具備複數個缺陷分類部10、缺陷再分類部20、再分類登錄部30及介面部40。自動缺陷分類裝置1例如由微電腦及程式構成。
複數個缺陷分類部10將被檢查對象W所產生之缺陷圖案P分類,獲得一次分類結果R。作為複數個缺陷分類部10,有特徵量缺陷分類部11、AI缺陷分類部12及再檢查AI缺陷分類部13。
特徵量缺陷分類部11對被檢查對象W之檢查圖像I,基於缺陷之特定之特徵量X將缺陷圖案P分類,獲得特徵量一次分類結果R1。作為缺陷之特徵量X,例如有面積、明度、顏色、亮度、形狀、清晰度、長度、寬度、寬度/長度、角度、透明度等。於特徵量缺陷分類部11預先登錄有缺陷之特徵量X。
AI缺陷分類部12對被檢查對象W之檢查圖像I,基於藉由AI(Artificial Intelligence:人工智慧)學習產生之分類條件Y,將缺陷圖案P分類,獲得AI一次分類結果R2。詳細而言,AI缺陷分類部12對被檢查對象W之檢查圖像I,藉由AI學習自動產生最佳之分類條件Y。且,AI缺陷分類部12將拍攝到之檢查圖像I與產生之分類條件Y進行比較,將缺陷圖案P分類。按照每個被檢查對象M每次進行分類條件Y之自動產生。
因此,AI缺陷分類部12之缺陷圖案P之分類與特徵量缺陷分類部11之缺陷圖案P之分類相比,花費時間。另一方面,AI缺陷分類部12與特徵量缺陷分類部11相比,可將缺陷圖案P高精度分類。
作為AI學習,例如有機械學習或深度學習等。又,作為機械學習,有「監督學習」、「無監督學習」及「強化學習」等。
例如,將任意之檢查圖像I及對於該檢查圖像I之目視檢查之缺陷圖案P之分類結果作為資料,預先大量輸入至AI缺陷分類部12。AI缺陷分類部12藉由基於大量輸入之該等資料,發現缺陷分類之傾向,而每次自動產生對於拍攝到之檢查圖像I之缺陷圖案P之分類條件Y。
再檢查AI缺陷分類部13對於以較AI缺陷分類部12之檢查圖像I高之解析度取得之再檢查圖像J,基於藉由AI學習產生之分類條件Z將缺陷圖案P分類,獲得再檢查AI一次分類結果R3。再檢查AI缺陷分類部13之構成除使用再檢查圖像J而非通常之檢查圖像I外,與AI缺陷分類部12同樣。
此處,再檢查圖像J藉由以較(特徵量缺陷分類部11及AI缺陷分類部12所使用之)通常之檢查圖像I高之解析度(高倍率)拍攝被檢查對象W而得。再檢查圖像J之攝像範圍(畫角)窄於通常之檢查圖像I。即,再檢查AI缺陷分類部13中,對於1個被檢查對象W,需要取得複數張再檢查圖像J。
因此,再檢查AI缺陷分類部13之缺陷圖案P之分類與AI缺陷分類部12之缺陷圖案P之分類相比,花費時間。另一方面,再檢查AI缺陷分類部13與AI缺陷分類部12相比,可將缺陷圖案P高精度分類。
複數個缺陷分類部10自上游側向下游側,依特徵量缺陷分類部11、AI缺陷分類部12及再檢查AI缺陷分類部13之順序,將被檢查對象W之缺陷圖案P階段性分類。下游側之缺陷分類部10僅將上游側之缺陷分類部10中未決定(確定)分類之被檢查對象W之缺陷圖案P分類。
具體而言,AI缺陷分類部12僅將特徵量缺陷分類部11中未決定分類而成為未決定之被檢查對象W之缺陷圖案P分類。再檢查AI缺陷分類部13僅將AI缺陷分類部12中未決定分類而成為未決定之被檢查對象W之缺陷圖案P分類。
缺陷再分類部20基於藉由複數個缺陷分類部10(特徵量缺陷分類部11、AI缺陷分類部12及再檢查AI缺陷分類部13)而得之複數個一次分類結果R(特徵量一次分類結果R1、AI一次分類結果R2及再檢查AI一次分類結果R3),將缺陷圖案P再分類,獲得再分類結果T。
再分類登錄部30登錄缺陷再分類部20之再分類條件V。又,再分類登錄部30保持、記憶再分類條件V。再分類條件V包含優先度模式M1、多數決定模式M2、及組合圖案模式M3。
優先度模式M1於藉由複數個缺陷分類部10(特徵量分類部11、AI缺陷分類部12及再檢查AI缺陷分類部13)而得之複數個一次分類結果R(特徵量一次分類結果R1、AI一次分類結果R2及再檢查AI一次分類結果R3)互不相同時,將缺陷再分類部20之再分類結果T基於特定之優先度設為複數個一次分類結果R中之任一者。
例如,優先度模式M1中,作為缺陷圖案P,預先將「異物」優先。且,特徵量一次分類結果R1為「損傷」,AI一次分類結果R2為「異物」,再檢查AI一次分類結果R3為「損傷」。
該情形時,當「損傷」為2個,「異物」為1個時,雖「損傷」更多,故仍然將預先優先之「異物」優先。即,缺陷再分類部20之再分類結果T為「異物」。
多數決定模式M2於藉由複數個缺陷分類部10(特徵量缺陷分類部11、AI缺陷分類部12及再檢查AI缺陷分類部13)而得之複數個一次分類結果R(特徵量一次分類結果R1、AI一次分類結果R2及再檢查AI一次分類結果R3)互不相同時,將缺陷再分類部20之再分類結果T設為複數個一次分類結果R中相同之一次分類結果R為多數者。
例如,特徵量一次分類結果R1為「損傷」,AI一次分類結果R2為「異物」,再檢查AI一次分類結果R3為「損傷」。該情形時,「損傷」為2個,「異物」為1個,作為相同之一次分類結果R,「損傷」個數更多。即,缺陷再分類部20之再分類結果T為「損傷」。
組合圖案模式M3於藉由複數個缺陷分類部10(特徵量缺陷分類部11、AI缺陷分類部12及再檢查AI缺陷分類部13)而得之複數個一次分類結果R(特徵量一次分類結果R1、AI一次分類結果R2及再檢查AI一次分類結果R3)互不相同時,基於特定之算法,藉由複數個一次分類結果R之組合圖案,決定缺陷再分類部20之再分類結果T。對於組合圖案模式M3之細節於下文敘述。
介面部40供使用者U輸入再分類條件V。又,介面部40對使用者顯示輸入之再分類條件V。
圖2顯示介面部40之設定畫面41。設定畫面41中,首先由使用者U選擇優先度模式M1、多數決定模式M2及組合圖案模式M3中之任一者,作為再分類條件V。
選擇組合圖案模式M3作為再分類條件V之情形時,設定具體之組合圖案。例如,第1判定條件H1中,於特徵量一次分類結果R1為「黑色缺陷」,AI一次分類結果R2為「圓形欠陥」,且再檢查AI一次分類結果R3為「異物」之情形時,將再分類結果T設為「黑色異物缺陷」。另,此時之邏輯式K為「AND(和)」。
第2判定條件H2中,於特徵量一次分類結果R1為「白色缺陷」,AI一次分類結果R2為「矩形缺陷」,且再檢查AI一次分類結果R3為「損傷」之情形時,將再分類結果T設為「白色損傷缺陷」。另,此時之邏輯式K為「AND」。
第3判定條件H3之後亦與上述同樣,設定任意之組合圖案。又,邏輯式K亦可為「OR(或)」。
(缺陷圖案之分類流程)
圖3係顯示缺陷圖案P1之分類流程之流程圖。另,後述之「分類A」~「分類G」表示如「異物」或「損傷」等之缺陷圖案P之分類。
首先,步驟S1中,使用者U將缺陷再分類部20之再分類條件V登錄於再分類登錄部30。本例中,作為再分類條件V,採用組合圖案模式M3。使用者U將具體之組合圖案登錄於再分類登錄部30(參照圖2)。另,對再分類登錄部30登錄再分類條件V亦可於後述之步驟6之後進行。
接著,於步驟S2中,取得被檢查對象W之檢查圖像I。
接著,於步驟S3中,特徵量缺陷分類部11基於特定之特徵量X,將被檢查對象W之缺陷圖案P分類。具體而言,特徵量缺陷分類部11將缺陷圖案P分類成「分類A」、「分類B」及「分類C」,作為特徵量一次分類結果R1。「分類A」已決定(確定)。「分類B」及「分類C」未決定(未確定)。
接著,步驟S4中,AI缺陷分類部12基於對於檢查圖像I藉由AI學習產生之分類條件Y,僅將特徵量缺陷部11中未決定分類而成為未決定之「分類B」及「分類C」之被檢查對象W之缺陷圖案P分類。具體而言,AI缺陷分類部12將缺陷圖案P分類為「分類B」、「分類C」、「分類D」及「分類E」,作為AI一次分類結果R2。「分類B」及「分類C」已決定(確定)。「分類D」及「分類E」未決定(未確定)。
接著,步驟S5中,僅取得AI缺陷分類部12中未決定分類而成為未決定之「分類D」及「分類E」之被檢查對象W之再檢查圖像J。再檢查圖像J之解析度較檢查圖像I高。
接著,步驟S6中,再檢查AI缺陷分類部13基於對於再檢查圖像J藉由AI學習產生之分類條件Z,僅將AI缺陷分類部12中未決定分類而成為未決定之「分類D」及「分類E」之被檢查對象W之缺陷圖案P分類。具體而言,再檢查AI缺陷分類部13將缺陷圖案P分類成「分類D」、「分類E」及「分類F」,作為再檢查AI一次分類結果R3。「分類D」及「分類E」已決定(確定)。「分類F」未決定(未確定)。
接著,步驟S7中,缺陷再分類部20僅將再檢查AI缺陷分類部13中未決定分類而成為未決定之「分類F」之被檢查對象W之缺陷圖案P再分類,獲得再分類結果T。
具體而言,缺陷再分類部20基於藉由特徵量缺陷分類部11、AI缺陷分類部12及再檢查AI缺陷分類部13而得之特徵量一次分類結果R1、AI一次分類結果R2及再檢查AI一次分類結果R3(分類歷程),將未決定之「分類F」之被檢查對象W之缺陷圖案P再分類,獲得再分類結果T。
如上述,缺陷再分類部20採用組合圖案模式M3,作為再分類條件V。缺陷再分類部20基於作為再分類條件V之組合圖案模式M3,將被檢查對象W之缺陷圖案P再分類,獲得再分類結果T。具體而言,缺陷再分類部20於特徵量一次分類結果R1為「分類B」,AI一次分類結果R2為「分類D」,再檢查AI一次分類結果R3為「分類F」之情形時,將再分類結果T設為「分類G」。另一方面,缺陷再分類部20於上述以外之情形時,將再分類結果T設為「分類F」。「分類F」已決定(確定)。「分類G」未決定(未確定)。
最後,步驟S8中,藉由作業者之目視檢查,將未決定之「分類G」之被檢查對象W之缺陷圖案P再分類。
(作用效果)
根據本實施形態,缺陷再分類部20基於複數個缺陷分類部10之一次分類結果R,將缺陷圖案P再分類,獲得再分類結果T,藉此可將被檢查對象W所產生之缺陷圖案P精度良好地分類。
又,可將目視檢查之缺陷圖案P之分類減少至最小限度。
由於可自優先度模式M1、多數決定模式M2及組合圖案模式M3中選擇缺陷再分類部20之再分類條件V,故可根據製造條件等靈活變更再分類條件V。
下游側之缺陷分類部10可不將上游側之缺陷分類部10中已決定分類之被檢查對象W之缺陷圖案P分類。因此,可提高自動缺陷分類裝置1之缺陷圖案P之分類處理速度。
藉由組合特徵量缺陷分類部11、AI缺陷分類部12及再檢查AI缺陷分類部13,作為複數個缺陷分類部10,可謀求自動缺陷分類裝置1之缺陷圖案P之分類處理速度與分類精度並存。
使用者可通過介面部40之設定畫面41,容易設定缺陷再分類部20之再分類條件V。
(其他實施形態)
以上,已藉由較佳之實施形態說明本揭示,但此種記述非限定事項,當然可進行各種改變。
上述實施形態中,複數個缺陷分類部10自上游側向下游側,將被檢查對象W之缺陷圖案P階段性分類,但不限定於此。
如圖4所示,特徵量缺陷分類部11、AI缺陷分類部12及再檢查AI缺陷分類部13亦可相互並行地將任意之被檢查對象W之缺陷圖案P分類。
例如,特徵量缺陷分類部11將任意之被檢查對象W之缺陷圖案P分類成作為特徵量一次分類結果R1之「損傷」。AI缺陷分類部12將該任意之被檢查對象W之缺陷圖案P分類成作為AI一次分類結果R2之「異物」。再檢查AI缺陷分類部13將該任意之被檢查對象W之缺陷圖案P分類成作為再檢查AI一次分類結果R3之「損傷」。
將再分類條件V設為優先度模式M1,預先將「異物」優先。該情形時,缺陷再分類部20獲得作為再分類結果T之「異物」。將再分類條件V設為多數決定模式M2。該情形時,缺陷再分類部20獲得作為再分類結果T之「損傷」。將再分類條件V設為組合圖案模式M3。該情形時,缺陷再分類部20基於特定之算法,獲得再分類結果T(參照圖2、3)。
亦可將檢查圖像I轉換為RGB之各色成分圖像,將已由哪個顏色成分圖像進行缺陷圖案P之檢查(顏色成分圖像條件)用於缺陷圖案P之再分類。
檢查對象W不限定於半導體晶圓,可考慮能由自動缺陷分類裝置1分類之各種對象。檢查對象W例如亦可為玻璃基板或電線等。
複數個缺陷分類部10之組合不限定於特徵量缺陷分類部11、AI缺陷分類部12及再檢查AI缺陷分類部13。例如,自動缺陷分類裝置1亦可僅具備將互不相同之特徵量作為分類基準之2個特徵量缺陷分類部,作為複數個缺陷分類部10。
[產業上之可利用性]
由於本揭示可應用於自動缺陷分類裝置1,故極其有用,產業上之可利用性較高。
1:自動缺陷分類裝置
10:缺陷分類部
11:特徵量缺陷分類部
12:AI缺陷分類部
13:再檢查AI缺陷分類部
20:缺陷再分類部
30:再分類登錄部
40:介面部
41:設定畫面
H1:第1判定條件
H2:第2判定條件
H3:第3判定條件
I:檢查圖像
J:再檢查圖像
K:邏輯式
M1:優先度模式
M2:多數決定模式
M3:組合圖案模式
P:缺陷圖案
R:一次分類結果
R1:特徵量一次分類結果
R2:AI一次分類結果
R3:再檢查AI一次分類結果
S1~S8:步驟
T:再分類結果
U:使用者
V:再分類條件
W:被檢查對象
X:特徵量
Y:分類條件
Z:分類條件
圖1係本揭示之一實施形態之自動缺陷分類裝置之概略構成圖。
圖2顯示介面部之設定畫面。
圖3係顯示缺陷圖案之分類流程之流程圖。
圖4係其他實施形態之相當於圖3之圖。
R1:特徵量一次分類結果
R2:AI一次分類結果
R3:再檢查AI一次分類結果
S1~S8:步驟
T:再分類結果
Claims (5)
- 一種缺陷分類裝置,其係將被檢查對象所產生之缺陷圖案分類者,且具備: 複數個缺陷分類部,其等將上述缺陷圖案分類,獲得一次分類結果; 缺陷再分類部,其基於藉由上述複數個缺陷分類部獲得之複數個上述一次分類結果,將上述缺陷圖案再分類,獲得再分類結果;及 再分類登錄部,其登錄上述缺陷再分類部之再分類條件。
- 如請求項1之缺陷分類裝置,其中 上述再分類條件包含以下中之至少一者: 優先度模式,其於上述複數個一次分類結果互不相同時,基於特定之優先度,將上述再分類結果設為上述複數個一次分類結果中之任一者; 多數決定模式,其於上述複數個一次分類結果互不相同時,將上述再分類結果設為上述複數個一次分類結果中相同之上述一次分類結果為多數者;及 組合圖案模式,其於上述複數個一次分類結果互不相同時,基於特定之算法,藉由上述複數個一次分類結果之組合圖案決定上述再分類結果。
- 如請求項1或2之缺陷分類裝置,其中 上述複數個缺陷分類部自上游側向下游側依序將上述缺陷圖案分類, 下游側之上述缺陷分類部僅將上游側之上述缺陷分類部中未決定分類之上述被檢查對象之上述缺陷圖案分類。
- 如請求項1至3中任一項之缺陷分類裝置,其中 作為上述複數個缺陷分類部,具備: 特徵量缺陷分類部,其對於上述被檢查對象之檢查圖像,基於特定之特徵量,將上述缺陷圖案分類; AI缺陷分類部,其對於上述檢查圖像,基於藉由AI學習產生之分類條件,將上述缺陷圖案分類;及 再檢查AI缺陷分類部,其對於以較上述AI缺陷分類部之上述檢查圖像更高之解析度取得之再檢查圖像,基於藉由AI學習產生之分類條件,將上述缺陷圖案分類。
- 如請求項1至4中任一項之缺陷分類裝置,其具備: 介面部,其供使用者輸入上述再分類條件,且顯示輸入之上述再分類條件。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2022039210A JP2023133939A (ja) | 2022-03-14 | 2022-03-14 | 欠陥分類装置 |
JP2022-039210 | 2022-03-14 |
Publications (1)
Publication Number | Publication Date |
---|---|
TW202339040A true TW202339040A (zh) | 2023-10-01 |
Family
ID=88022752
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW112106224A TW202339040A (zh) | 2022-03-14 | 2023-02-21 | 缺陷分類裝置 |
Country Status (3)
Country | Link |
---|---|
JP (1) | JP2023133939A (zh) |
TW (1) | TW202339040A (zh) |
WO (1) | WO2023176132A1 (zh) |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4908995B2 (ja) * | 2006-09-27 | 2012-04-04 | 株式会社日立ハイテクノロジーズ | 欠陥分類方法及びその装置並びに欠陥検査装置 |
JP5439543B2 (ja) * | 2012-06-14 | 2014-03-12 | 株式会社日立製作所 | 欠陥分類方法及びその装置 |
JP2014228496A (ja) * | 2013-05-24 | 2014-12-08 | 株式会社日立ハイテクノロジーズ | 表面欠陥検査装置、および表面欠陥検査方法 |
JP7087397B2 (ja) * | 2018-01-17 | 2022-06-21 | 東京エレクトロン株式会社 | 基板の欠陥検査装置、基板の欠陥検査方法及び記憶媒体 |
JP2020187657A (ja) * | 2019-05-16 | 2020-11-19 | 株式会社キーエンス | 画像検査装置 |
JP7291027B2 (ja) * | 2019-07-30 | 2023-06-14 | 三菱重工業株式会社 | 外観検査装置 |
JP2021076994A (ja) * | 2019-11-07 | 2021-05-20 | 東レエンジニアリング株式会社 | 分類装置および画像分類システム |
JP7393313B2 (ja) * | 2020-09-29 | 2023-12-06 | タカノ株式会社 | 欠陥分類装置、欠陥分類方法及びプログラム |
-
2022
- 2022-03-14 JP JP2022039210A patent/JP2023133939A/ja active Pending
-
2023
- 2023-01-18 WO PCT/JP2023/001413 patent/WO2023176132A1/ja unknown
- 2023-02-21 TW TW112106224A patent/TW202339040A/zh unknown
Also Published As
Publication number | Publication date |
---|---|
JP2023133939A (ja) | 2023-09-27 |
WO2023176132A1 (ja) | 2023-09-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9401015B2 (en) | Defect classification method, and defect classification system | |
KR102324677B1 (ko) | 결함 검출을 위한 동적 케어 영역 | |
EP2198279B1 (en) | Apparatus and method for detecting semiconductor substrate anomalies | |
CN109154575B (zh) | 用于基于设计的缺陷检测的系统和方法 | |
US20130231769A1 (en) | Defect Management Systems and Methods | |
JP2007194262A (ja) | 欠陥判定システムおよび基板処理システム | |
US9569834B2 (en) | Automated image-based process monitoring and control | |
US6200823B1 (en) | Method for isolation of optical defect images | |
KR100673392B1 (ko) | 필름, 테이프 형태의 인쇄회로기판 외관 검사에서의 과검출방지를 위한 시스템 및 그 처리 방법 | |
TW202339040A (zh) | 缺陷分類裝置 | |
CN116364569A (zh) | 利用计算高效分割方法的缺陷检测 | |
KR102380099B1 (ko) | 범위 기반 실시간 스캐닝 전자 현미경 비시각적 비너 | |
KR102352698B1 (ko) | 자동화된 이미지 기반 프로세스 모니터링 및 제어 | |
Dom | Machine vision techniques for integrated circuit inspection | |
JP2001281178A (ja) | 欠陥検出方法、半導体装置の製造方法および欠陥検出装置 | |
US20230260853A1 (en) | Method for determining fine particle defects on silicon wafer | |
JP2010243214A (ja) | 欠陥検出方法および欠陥検出装置 | |
WO2023181918A1 (ja) | 欠陥検査装置及び欠陥検査方法 | |
CN107923856B (zh) | 以范围为基础的实时扫描电子显微镜的非视觉分格器 | |
Sidorchuk et al. | Difference Image-Based Training Sets for Automatic Defect Classification at Outgoing Inspection | |
JP2004165395A (ja) | 検査データ解析プログラムと検査方法 | |
TW201629906A (zh) | 薄膜檢查方法 | |
KR19990023403A (ko) | 초소형 반복패턴의 검사방법 및 장치 | |
JP2012042390A (ja) | 欠陥検査装置および欠陥検査方法 |