TWI547802B - 檢驗方策產生技術及基於檢驗方策之檢驗技術 - Google Patents
檢驗方策產生技術及基於檢驗方策之檢驗技術 Download PDFInfo
- Publication number
- TWI547802B TWI547802B TW100128178A TW100128178A TWI547802B TW I547802 B TWI547802 B TW I547802B TW 100128178 A TW100128178 A TW 100128178A TW 100128178 A TW100128178 A TW 100128178A TW I547802 B TWI547802 B TW I547802B
- Authority
- TW
- Taiwan
- Prior art keywords
- data
- regions
- different
- processing
- inspection
- Prior art date
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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- 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)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
Description
本申請案主張2010年8月10日申請之美國臨時專利第61/372,109號之優先權,該美國臨時專利以引用之方式併入本文。
本發明係關於檢驗方策產生技術及基於檢驗方策之檢驗技術。
第1圖圖示先前技術檢驗程序100。檢驗程序100包括模型化階段110,模型化階段110通常在系統之設置期間進行。模型化階段110繼之以檢驗階段120。
階段110包括獲取影像112及建立模型114(基於所獲取之影像)。針對模型之每一像素,模型具有最小灰階值、最大灰階值及典型灰階值。
階段120包括擷取模型124、獲取物品之影像122及比較物品之影像與自設置期間產生之模型擷取之影像(126)。比較126繼之以決定階段128(決定是否存在缺陷),決定階段128可產生缺陷之列表。
第2圖圖示先前技術模型建立程序130。在設置期間,自多個晶粒收集一組影像(132)。此等晶粒係隨機選擇或由使用者選擇。此等影像係用來建立晶粒之「黃金影像」(134),其中黃金影像較佳地假定為不具有缺陷。「黃金影像」之每一像素皆由典型灰階值(「Typ」)、最小灰階值(「Min」)及最大灰階值(「Max」)組成(136)。可在檢驗期間使用此等三個值,以判定缺陷之存在,同時最小化錯誤的缺陷檢測。
根據本發明之一實施例,提供一種方法。該方法可包括:藉由資料獲得模組來獲得關於受檢驗物品之至少一個部分的資料,其中該受檢驗物品包含特定類別之至少一個物件;以及藉由處理器來執行來自以下操作的對該資料之至少一個處理操作:(a)處理資料以提供檢驗方策;(b)處理資料,同時使用該檢驗方策,以檢測缺陷;其中該檢驗方策包含該特定類別之物件模型;其中資料收集規則包含光學照明規則及光學收集規則;其中該物件模型包含:表示該物件之像素值(自感測構件接收到)的資料;以及至少一個額外幾何參數,該至少一個額外幾何參數選自至少以下各項:該物件模型之形狀;該物件模型之大小;該物件模型之位置;以及該物件模型之定向。
根據本發明之一實施例,該方法可由一或更多電腦(或處理器)執行,該一或更多電腦(或處理器)執行儲存在非暫態電腦可讀取媒體中之指令。
根據本發明之一實施例,提供一種非暫態電腦可讀取媒體,且該非暫態電腦可讀取媒體可儲存有指令,該等指令用於:獲得關於受檢驗物品之至少一個部分的資料,其中該受檢驗物品可包括特定類別之至少一個物件;以及執行來自以下操作的對該資料之至少一個處理操作:(a)處理資料以提供檢驗方策;(b)處理資料,同時使用該檢驗方策,以檢測缺陷;其中該檢驗方策可包括該特定類別之物件模型;其中該物件模型可包括:表示該物件之像素值(接收自感測構件)的資料;以及至少一個額外幾何參數,該至少一個額外幾何參數選自至少以下各項:該物件模型之形狀;該物件模型之大小;該物件模型之位置;以及該物件模型之定向。
根據本發明之一實施例,可提供一種系統,且該系統可包括資料獲得模組及處理器;其中資料獲得模組經配置來獲得關於受檢驗物品之至少一個部分的資料;其中該受檢驗物品可包括特定類別之至少一個物件;且其中該處理器經配置來執行來自以下操作的對該資料之至少一個處理操作:(a)處理資料以提供檢驗方策;(b)處理資料,同時使用該檢驗方策,以檢測缺陷;其中該物件模型可包括:表示該物件之像素值(自感測構件接收到)的資料;以及至少一個額外幾何參數,該至少一個額外幾何參數選自至少以下各項:該物件模型之形狀;該物件模型之大小;該物件模型之位置;以及該物件模型之定向。
該檢驗方策亦可包括至少一個規則組合,每一規則組合皆包含來自以下規則的至少兩個規則:資料收集規則、資料處理規則及關於對處理之至少一個結果之至少一個回應的回應規則。
該物件模型可包括來自以下各項之至少兩個額外參數:物件模型之定向;特定類別之至少兩個物件之間的空間關係;特定類別之物件之三維影像;以及特定類別之物件之二維影像。
該方法可包括(且另外或替代地,該電腦可讀取媒體可儲存有指令,該等指令用於)處理關於該至少一個部分之資料,以為來自多個物件類別的每一物件類別提供表示該物件類別之多個物件的物件模型。
該系統可配置來處理關於該至少一個部分之資料,以為來自多個物件類別的每一物件類別提供表示該物件類別之多個物件的物件模型。
該方法可包括(且另外或替代地,該電腦可讀取媒體可儲存有指令,該等指令用於)處理影像,以為來自受檢驗物品之至少兩個不同區域的每一區域提供表示位於受檢驗物品之該區域內的特定類別之多個物件的物件模型。
該系統可配置來處理影像,以為來自受檢驗物品之至少兩個不同區域的每一區域提供表示位於受檢驗物品之該區域內的特定類別之多個物件的物件模型。
受檢驗物品之該至少一部分可為受檢驗物品的全部;其中該方法可包括處理關於受檢驗物品之該至少一個部分的資料,以提供受檢驗物品之模型;其中受檢驗物品之模型可包括巨集資訊及局部調適規則。巨集資訊定義用於整個受檢驗物件之通用資料收集規則、資料處理規則及/或回應規則,而局部調適規則可提供針對巨集資訊局部偏差。
該受檢驗物品可為晶圓,該晶圓可包括多個晶粒,其中該等多個晶粒中之每一晶粒皆可包括特定類別之多個物件;且其中該方法可包括(且另外或替代地,該電腦可讀取媒體可儲存有指令,該等指令用於)處理影像以提供表示多個晶粒的晶粒模型。
該方法可包括(且另外或替代地,該電腦可讀取媒體可儲存有指令,該等指令用於)藉由應用不同規則之組合獲得資料。
該系統可配置來藉由應用不同規則之組合獲得資料。
該方法可包括(且另外或替代地,該電腦可讀取媒體可儲存有指令,該等指令用於)產生多個物件模型,其中不同物件模型係藉由應用不同規則之組合獲得。
該系統可配置來產生多個物件模型,其中不同物件模型係藉由應用不同規則之組合獲得。
資料之獲得可包括將不同規則之組合應用於受檢驗物品之該至少部分的相同位置上。
該檢驗方策可定義多個類型之區域中之多個區域;其中第一類型之至少一個區域與第二類型之區域中之至少一個其他區域部分重疊;其中該等類型之區域可包括來自資料收集區域、資料處理區域及回應區域之至少兩個區域;其中不同的資料收集區域彼此相差至少一個資料收集規則;其中不同的資料處理區域彼此相差至少一個資料處理規則;且其中不同的回應區域彼此相差至少一個回應規則。
該等類型之區域可包括資料收集區域、資料處理區域及回應區域。
該等類型之區域可包括該資料收集區域及該資料處理區域。
至少兩個資料處理區域可彼此相差一資料處理規則,該資料處理規則定義將在資料之處理期間使用的物件模型。
該方法可包括(且另外或替代地,該電腦可讀取媒體可儲存有指令,該等指令用於):藉由執行資料獲得多次重複來獲得關於該受檢驗物品之該至少一個部分的資料,該資料獲得之多次重複彼此相差在該等多次重複期間應用之規則之組合;以及基於該資料來定義不同類型之區域之不同區域;其中該等類型之區域可包括資料收集區域及資料處理區域中之至少一者。
該系統可配置來藉由執行資料獲得多次重複來獲得關於受檢驗物品之該至少一個部分的資料,該資料獲得之多次重複彼此相差在該等多次重複期間應用之規則之組合;且該系統可配置來基於該資料來定義不同類型之區域之不同區域;其中該等類型之區域可包括資料收集區域及資料處理區域中之至少一者。
該方法可包括(且另外或替代地,該電腦可讀取媒體可儲存有指令,該等指令用於)基於在該受檢驗物品之該至少部分之不同位置處獲得的資料之品質,來定義該等不同區域。
該系統可配置來基於在該受檢驗物品之該至少部分之不同位置處獲得的資料之品質,來定義該等不同區域。
該方法可包括(且另外或替代地,該電腦可讀取媒體可儲存有指令,該等指令用於)基於在該受檢驗物品之該至少部分之不同位置處以不同規則之組合獲得的資料之間的差異,來定義該等不同區域。
該系統可配置來基於在該受檢驗物品之該至少部分之不同位置處以不同規則之組合獲得的資料之間的差異,來定義該等不同區域。
根據本發明之一實施例,可提供一種用於產生或使用檢驗方策之方法,該方法可包括:藉由資料獲取模組獲得關於受檢驗物品之至少一個部分的資料,其中該受檢驗物品可包括特定類別之至少一個物件;以及藉由處理器執行來自以下操作的對該資料之至少一個處理操作:(a)處理資料以提供檢驗方策;(b)處理資料,同時使用該檢驗方策,以檢測缺陷;其中該檢驗方策可包括多個類型之區域中之多個區域;其中第一類型之至少一個區域與第二類型之區域之至少一個其他區域部分重疊;其中該等類型之區域可包括來自資料收集區域、資料處理區域及回應區域之至少兩個區域;其中不同資料收集區域彼此相差至少一個資料收集規則;其中不同資料處理區域彼此相差至少一個資料處理規則;且其中不同回應區域彼此相差至少一個回應規則。回應區域為對應於物件上應該應用相同回應規則之位置的虛擬區域。回應規則可定義如何回應於檢驗程序之特定結果。資料收集區域為對應於物件上應用相同資料收集規則之位置的虛擬區域。資料處理區域為對應於物件上應該應用相同資料處理規則之位置的虛擬區域。
根據本發明之一實施例,該方法可由一或更多電腦(或處理器)執行,該一或更多電腦(或處理器)執行儲存在非暫態電腦可讀取媒體中之指令。
根據本發明之一實施例,提供一種非暫態電腦可讀取媒體,且該非暫態電腦可讀取媒體可儲存有指令,該等指令用於:藉由資料獲得模組獲得關於受檢驗物品之至少一個部分的資料,其中該受檢驗物品可包括特定類別之至少一個物件;以及藉由處理器執行來自以下操作的對該資料之至少一個處理操作:(a)處理資料以提供檢驗方策;(b)處理資料,同時使用該檢驗方策,以檢測缺陷;其中第一類型之至少一個區域與第二類型之區域之至少一個其他區域部分重疊;其中該等類型之區域可包括來自資料收集區域、資料處理區域及回應區域之至少兩個區域;其中不同資料收集區域彼此相差至少一個資料收集規則;其中不同資料處理區域彼此相差至少一個資料處理規則;且其中不同回應區域彼此相差至少一個回應規則。
根據本發明之一實施例,可提供一種系統,且該系統可包括資料獲得模組及處理器;其中資料獲得模組配置來獲得關於受檢驗物品之至少一個部分的資料;其中該受檢驗物品可包括特定類別之至少一個物件;且其中該處理器配置來執行來自以下操作的對該資料之至少一個處理操作:(a)處理資料以提供檢驗方策;(b)處理資料,同時使用該檢驗方策,以檢測缺陷;其中第一類型之至少一個區域與第二類型之區域之至少一個其他區域部分重疊;其中該等類型之區域可包括來自資料收集區域、資料處理區域及回應區域之至少兩個區域;其中不同資料收集區域彼此相差至少一個資料收集規則;其中不同資料處理區域彼此相差至少一個資料處理規則;且其中不同回應區域彼此相差至少一個回應規則。
該等類型之區域可包括該資料收集區域、該資料處理區域及該回應區域。
該等類型之區域可包括該資料收集區域及該資料處理區域。
至少兩個資料處理區域可彼此相差定義將在資料之處理期間使用的物件模型之一個資料處理規則。
該方法可包括(且另外或替代地該電腦可讀取媒體可儲存有指令,該等指令用於):藉由執行資料獲得之多次重複來獲得關於該受檢驗物品之至少一個部分的資料,該資料獲得之多次重複彼此相差在該等多次重複期間應用的規則之組合;以及基於該資料來定義不同類型之區域之不同區域;其中該等類型之區域可包括資料收集區域及資料處理區域中之至少一者。
該系統可配置來藉由執行資料獲得之多次重複來獲得關於受檢驗物品之至少一個部分的資料,該資料獲得之多次重複彼此相差在該等多次重複期間應用之規則之組合;且該系統可配置來基於該資料來定義不同類型之區域之不同區域;其中該等類型之區域可包括資料收集區域及資料處理區域中之至少一者。
該方法可包括(且另外或替代地,該電腦可讀取媒體可儲存有指令,該等指令用於)基於在受檢驗物品之該至少部分之不同位置處獲得的資料之品質,來定義該等不同區域。
該系統可配置來基於在受檢驗物品之該至少部分之不同位置處獲得的資料之品質,來定義該等不同區域。
該方法可包括(且另外或替代地,該電腦可讀取媒體可儲存有指令,該等指令用於)基於在受檢驗物品之該至少部分之不同位置處以不同規則之組合獲得的資料之間的差異,來定義該等不同區域。
該系統可配置來基於在受檢驗物品之該至少部分之不同位置處以不同規則之組合獲得的資料之間的差異,來定義該等不同區域。
以下將參閱圖式,僅以實例之方式來描述本發明之其他細節、態樣及實施例。在圖式中,相同的參考標號用來識別相同元件或功能上相似的元件。諸圖中之元件係以簡明及清晰之原則繪示,且該等元件未必按比例繪製。
第1圖繪示先前技術檢驗程序;第2圖繪示先前技術模型化程序;第3圖繪示根據本發明之實施例用於產生模型且用於檢驗物品之方法;第4圖繪示根據本發明之實施例產生晶圓模型、晶粒模型及物件模型之程序;第5圖-第7圖繪示根據本發明之各個實施例之物件模型化程序;第8圖繪示根據本發明之實施例之系統區域及應用區域之分段;第9圖繪示根據本發明之實施例之多級模型;第10圖繪示根據本發明之實施例之一組影像獲得區域、一組資料處理區域及一組物件模型區域;第11圖-第13圖繪示根據本發明之實施例之涉及多個影像、多個處理演算法或多個影像與多個處理演算法之組合的程序;以及第14圖-第19圖繪示根據本發明之各個實施例之方法。
本發明之前述及其他目標、特徵及優點將由以下詳細描述配合隨附圖式審視時可更加明白。在圖式中,相似元件符號在所有不同的視圖中表示相似元件。
因為本發明之說明性實施例在很大程度上可使用熟習此項技術者已知之電子組件及電路來實施,所以將不會以任何比被認為是為理解及瞭解本發明之基礎概念所需程度更大的程度來解說細節,以便不使本發明之教示難以理解或偏離本發明之教示。
以下描述提及半導體晶圓,然而此等方法及系統可加以必要之變動應用於其他檢驗物品,諸如但不限於印刷電路板、太陽能板、平板顯示器(FPD)等。
檢驗方策一語意謂可能影響檢驗程序應執行之方式的資訊。檢驗方策可決定如何獲取影像、應如何處理所獲取之影像等。檢驗方策可包括應與自物品(或物品之部分)獲得之資訊進行比較的參考資訊(諸如一或更多模型)。應注意,檢驗方策可決定完整檢驗程序或檢驗程序之部分。
根據本發明之一實施例,提供一種方法,該方法藉由使特定參數關聯而促進對選定物件之特殊處理,以改善對物件相關缺陷之檢測,該等特定參數描述選定物件之二維或三維(2D或3D)特徵,諸如紋理、標度、位置及此等參數之變化。此等物件可包括焊料凸塊、金凸塊、導體、通孔等。
應注意,結構一詞可能具有該術語之普通解釋,但是該術語亦可能另外或替代地用來描述具有一些共同重複圖樣/結構內容之區域。在此狀況下,紋理為一塊影像之性質,紋理可更具結構化(規則圖樣,如網格圖樣或砌磚式圖樣)或為隨機的(如海浪或沙)。紋理係由該塊影像之一些描述產生。通常,各種類型之統計資訊關於灰階分佈、邊緣方向及強度。
標度一詞可意謂何為模型之共同大小。若物件具有相同之形狀但定標因數不同(整體或在特定方向上),則此狀況應由該等物件之標度值指示。
類別一詞代表分類程序之結果。特定類別之物件可具有在相同類別之物件之間共享之特定形狀、大小或屬性(具有相同值或具有容許變化)。舉例而言,凸塊可為一類別,但是可將具有不同屬性之凸塊進一步分類為不同的類別。
根據本發明之一實施例,提供一種方法,該方法可提供模型,該等模型可包括除典型像素值、最小像素值及最大像素值之外的額外參數。此等額外參數可包括幾何特徵、預定義/學習/訓練紋理類別、梯度(若干次序之幅度及方向)資訊等。
根據本發明之一實施例,提供一種方法,該方法可提供多級參考,例如,針對多個同時或順序成像方法、照明及解析度,以最佳化對每一消費者需要之不同圖樣之檢測。
根據本發明之一實施例,提供一種方法,該方法可包括全晶圓模型化,從而使能夠對晶圓進行巨集缺陷檢驗(諸如銅機械研磨殘餘物或刮痕、材料沈積不均勻性等)以及晶粒模型及物件類別模型之局部調適。局部調適可包括關於晶圓之各個區域之總像素灰階、晶圓之各個區域之典型色集等的資訊。舉例而言,若晶圓之特定區域呈現出比晶圓之另一區域更亮,則在此等區域處檢驗物件(或晶粒)時應慮及此資訊。
根據本發明之一實施例,提供一種方法,該方法可包括在檢驗期間的各種類型之動態修改。修改可關於成像條件、物件類別模型特性、演算法用法及運行時間參數。
根據本發明之一實施例,提供一種方法,該方法可包括定義分區方案,此舉使能夠最佳化所使用之模型、最佳化成像方案及最佳化檢測演算法,以離線及在運行時間期間滿足特定檢測需要。
第3圖描述根據本發明之實施例之方法300。
方法300包括模型化310、分割為區域320及檢驗340。
模型化310之一些詳細實例提供於第4圖-第6圖中。
在設置期間,使用多個成像模式--使用不同影像獲得條件來獲得全晶圓影像或部分晶圓影像(取決於特定應用)(312)。影像獲得條件可為照明條件、集光條件或照明條件與集光條件之組合。舉例而言,可使用諸如明視場、暗視場之各種光學設置,在成像路徑中使用極化,在照明路徑中使用極化,使用不同照相機,獲得不同解析度之影像,獲得不同光譜範圍之影像,使用不同類型之照明等,來獲得影像。
可在階段213期間成像多個晶圓,以建立良好晶圓統計量。
根據本發明之一實施例,模型化310可包括產生以下模型中之至少一者:晶圓模型、晶粒模型及物件模型。此繪示於第4圖中。
可為成像模式中之每一者建立多個晶圓模型(420)。此等晶圓模型可包括:
a.晶圓巨集模型(422),該晶圓巨集模型稍後將用於大缺陷檢測(稱為「巨集晶圓檢驗」);以及
b.局部調適規則(424),該等局部調適規則用於對晶圓修改晶粒模型及物件類別模型以及此等模型之檢驗規則(演算法、演算法參數、照明等),以遵循晶圓之正當變化。
晶圓模型可包括部分晶圓模型。
晶粒模型(430)。可為每一像素且為每一成像模式(或為至少一些成像模式)產生晶粒模型。
晶粒模型可包括以下參數中之至少一者:(a)灰階統計量,諸如典型灰階值、最小灰階值及最大灰階值;(b)各種次序、標度及類型之局部鄰域梯度(強度及方向兩者);(c)鄰域紋理特性化;(d)超解析影像。
超解析影像或高解析度影像為具有比獲取裝置(照像機及光學器件)之解析度高(增強)的解析度(該影像每一區域容納之資訊量)之影像。可以各種方式獲得高解析度影像,該等方式諸如但不限於:組合數個低解析度的影像,或藉由基於一些學習集合來添加資訊,該學習集合具有含有成對的高解析度嵌塊與該等高解析度嵌塊之低解析度版本的樣本,或藉由在影像自身中尋找類似區域來完成遺漏資訊。高解析度影像可減少混疊並增強邊緣資訊。此等超解析影像可使用較低解析度之多個掃描來建立,每一掃描相對於另一掃描移位部分像素。
應注意,可藉由使用在相同掃描期間抓取之類似特徵之多個影像來增強重複特徵解析度。
物件類別模型(440)亦稱為物件模型。物件類別模型用來描述屬於給定類別之單個/多個物件。對於成像模式而言,除其他參數之外,每一物件類別模型可包括以下參數中之至少一者:(a)2D參考嵌塊影像(完整物件之樣本影像及/或紋理之實例之樣本嵌塊);(b)3D參考嵌塊影像;(c)紋理特性;(d)該類別之每一物件相對於某一參考框架之相對位置;(e)該類別之每一物件之定向;(f)2D標度;(g)3D標度;(h)所有上述參數之統計可變性。
典型物件可為例如焊料凸塊、金凸塊及襯墊,但是典型物件可能包括任何幾何上可定義的物件。
晶粒、晶圓及物件類別模型亦可包括描述模型特性之人工產生的向量資料,以減少資料量並允許具有較小內插誤差之定標/標度變化。
第5圖繪示定義階段450,定義階段450繼之以模型化階段450。
定義階段450可包括建立(452)注意區域(ROI)之表示型態,以充當參考框架。
該建立繼之以識別(454)物件類別(或接收物件之分類)及建立粗糙模型,物件類別包括類似類別物件。
物件可為任何可定義的物件。在幾何特徵(變換)方面,物件可在一或更多晶圓上在某種程度上發生變化。物件類別之實例可包括焊料凸塊、襯墊、金凸塊。
定義階段450之階段454可繼之以模型化階段460之階段462。階段462包括掃描ROI(完整晶圓、批量等)之一個實例且較佳掃描ROI之許多實例。
階段462繼之以階段464,階段464用於針對每一圖框,找尋如由物件類別相對於ROI參考框架所定義之物件之相關部分及收集與該類別有關之資料。
階段464繼之以階段466,階段466用於為該類別建立更精細模型、合併來自多個樣本之相同特徵的特性。
階段466繼之階段468(亦為模型化階段460之階段468),階段468用於儲存該類別之多特徵模型(多級模型)以及該類別之物件相對於參考框架的初始預期位置。
第6圖繪示建立粗糙模型之階段510及建立更精細模型之階段520。
階段510可包括階段502、504、512、516及518。階段502繼之以階段504及512。階段512開始一系列階段,該系列階段包括階段512、514、516及518。
階段502包括在識別相同類別物件之後研究物件之特徵。
階段504包括使用單個物件類別作為該等物件類別自身之模型。舉例而言,若在晶粒中僅存在一個物件(諸如矩形襯墊),則在第一階段,其程序可使用晶粒之初始抓取影像來提取關於晶粒中之該單個物件的資訊。然後,此程序可使用其他晶粒來增加關於物件之資訊量(如上文所述,如大小變化、位置穩定性、邊緣資訊等)。
階段512包括每一類別使用多個物件來建立組合模型。
階段514包括基於物件之類似(不完全相同)幾何特徵來定義典型幾何模型(標度及形狀)。
階段516包括將幾何變換應用於該類別之每一物件,從而正規化該類別之所有物件。
階段518包括擷取經正規化物件之多個特徵。
建立精細模型之階段520可等效於階段510,但是階段520與階段510之不同之處可在於,找到的相同類別之物件並不改變幾何參考模型,而是將之針對該模型予以正規化。
舉例而言,模型可由某一物件建構,以為該物件提供多級參考。然後,可接收關於此物件之更多資訊,且可掃描該物件之更多樣本。可自新樣本收集資訊,且可將資訊「投放」至吾人之模型上並將細節添加至模型,而不是連續地改變參考物件之幾何形狀(如大小和位置)。此是因為幾何形狀繼續改變,由參考提供之共同點可能丟失。可使用多個樣本來更新所有額外特徵。
根據本發明之各種實施例,特徵可為:(a)幾何資訊,該幾何資訊包括標度、定向等之可變性資訊;(b)紋理描述/圖樣描述--可為參數性的、可為樣本嵌塊(影像);(c)藉由多個樣本分解予以超解析;(d)關於晶圓上不同標度(包括根據高度資訊)、不同位置之多個變化等。每一特徵皆可包括統計描述,該統計描述包括關於該特徵之分佈/可變性的資訊。
來自多個樣本之特徵之特性的合併方法可根據特徵而不同,且該合併方法可使用用於離群值移除之方法。
第7圖繪示階段532、階段534、階段526、階段538、階段552、階段540及階段542,階段532繼之以階段534,階段534繼之以階段536,階段526繼之以階段538,階段538繼之以階段552、540及542,階段552繼之以階段554(且階段552及554兩者屬於動態模型更新之階段556),階段540及542繼於階段556之後,階段542繼於階段540之後。
階段532包括接收一圖框。
階段534包括擷取與圖框中一類別之物件相對於設置參考框架的預期初始偏移有關之參考資訊。
階段536包括搜尋該類別之預期物件。
階段538包括研究物件幾何特徵。
階段540包括幾何上變換參考模型,以匹配檢驗之幾何特徵。
階段542包括若物件具有幾何上超出規格之影像,則將該物件定義為缺陷。
階段552包括幾何上變換每一檢驗物件,以匹配參考幾何特徵。階段554包括更新精細設置模型,以併入局部圖框/圖框內特徵特性。
根據本發明之一實施例,事實上將晶圓分割為多個區域。區域可包括一些系統區域及一些應用區域。
基於檢驗圖樣之實體特性,可將系統區域用來最佳化檢測,從而決定將由系統使用之演算法及光學設置。
基於對於每一應用區域典型的感興趣的缺陷(DOI),可將應用區域用來最佳化檢測。檢驗方策可慮及應用區域並找尋匹配演算法、影像獲得條件,以找尋感興趣的缺陷。
可基於晶圓模型、晶粒模型、物件模型或上述模型之組合自動決定系統區域。
參閱第8圖--獲取晶圓影像之階段(550)繼之以將晶圓(或晶圓之注意區域)分段為系統區域(562)及分段為應用區域(564)。
如上所指出,系統區域資訊係關於將在檢驗期間由系統使用之最佳光學及演算法設置。
應用區域資訊係關於對於特定區域典型的感興趣的缺陷(DOI),諸如幾何規格(亦即,上下限)及檢測靈敏度。可使用應用知識庫人工或自動地建立此等應用區域。
回頭參閱第3圖,在檢驗階段340期間,可改變對區域之分割(370),且可將模型針對檢驗之結果加以調整。區域之調整可稱為動態分區。基於受檢驗之特定晶圓,動態分區可使用運行時間影像來調適區域及參考模型資訊。此等調適例如為不穩定物件提供修改(亦即,凸塊之正當局部化移位及標度變化)。
可實施進一步分析。該進一步分析可包括:收集愈來愈多之資訊,且然後減少進行檢驗所需要之資訊量並指定需要的特定成像模式及多級參考中之特定細節,該等特定細節將被用於最佳檢驗,同時減少需要之處理量。
該進一步分析可提供將在檢驗期間被使用之資料,且該進一步分析可決定例如將被使用之成像模式(360)、將被使用之晶圓/晶粒/物件類別模型(350)、將被用於比較(380)之演算法。
應注意,可將分區概念應用於晶粒等級及晶圓等級。
根據本發明之一實施例之多級參考繪示於第9圖中。
多級參考包括:不同(N個)影像獲得條件571-579(「照明/成像模式」,共同標示為570),該等不同影像獲得條件可包括不同感測器之不同組態;多個演算法/運行時間集(用於演算法及運行的演算法集合之運行時間參數)581-583;以及多個參考資訊(模型資訊)590,諸如多個(N個)紋理/圖樣超解析度參考591-593、諸如凸塊半徑之大小資訊594、紋理圖樣類別ID(指示紋理之類別)、紋理/圖樣導出資訊(邊緣回應分佈--幅度及方向、灰階分佈等)、三維資訊(高度、完整模型,如物件之某一3D模型)597。
在檢驗期間,可使參考集與演算法、運行時間參數關聯並與照明/成像模式關聯,以提供最佳缺陷檢測。應注意,可結合多個演算法/運行時間集並行使用多個參考集。又,可並行使用多於一個成像模式,此舉易受光學硬體限制。
當在給定時間使用單個參考集或參考集之群組、單個演算法或演算法之群組及單個成像模式或成像模式之群組時,在掃描期間該等參考集、演算法及成像模式可在晶圓區域上改變,如第10圖中所示。
第10圖繪示三個資料收集區域602、604及606,該三個資料收集區域與兩個資料處理區域612及614大小及形狀不同,並且與兩個物件模型區域622及624大小及形狀不同。
根據本發明之一實施例,多級模型可包括物件之多個子像素移位影像--此等子像素移位影像可在彼此子像素偏移下獲得。多級模型可包括多個子像素移位影像或關於此等子像素移位影像之資訊,或其組合。在檢驗程序期間,可將所獲取之物件影像與所有(或一些)子像素移位影像進行比較,且最佳匹配子像素移位影像將被選擇為相關參考影像。
現參閱第11圖-第13圖來解釋多級參考集之另一特徵。
在檢驗期間,可同時或順序地獲取多個影像,該多個影像未必具有相同的大小,但涵蓋受檢驗物品之至少某一共同區域,每一影像具有不同照明/光學條件。然後,相對於在設置期間收集/建立之多級參考資訊來比較並分析該等影像。使用多個演算法來進行此比較及分析,該多個演算法適合特定類型之任務、影像及區域。
第11圖說明使用多個演算法及多個影像以產生初始分析結果--表632指示將由哪些演算法(列)來處理(「x」)哪些影像(行),以提供初始分析結果。然後,組合初始分析結果(634)以提供經組合之結果,該等經組合之結果用以分類缺陷(636)。
用於產生初始結果之兩個非限制式可能性繪示於第12圖-第13圖中。
在第12圖中描述之選項中,單個演算法660使用多個(N個)影像652-658來產生關於物品之共同涵蓋區域的初始結果之單個集合。第13圖繪示多個演算法682-686,該多個演算法被應用於相同影像670,以為該影像產生並行初始分析結果。其他混合組合亦屬可能。
如上所指出,關於第11圖,可組合初始分析結果(634),且可建立候選缺陷之列表(經組合之結果),以進一步將候選缺陷之列表分類為缺陷及缺陷類別(636)。此方案增加檢測機率,同時降低錯誤的缺陷率。組合(634)可使用線性函數、非線性函數、預定義或某些監督式或非監督式學習的函數。此分類(636)可由人工加以組配或訓練。
第14圖繪示根據本發明之實施例之方法900。
用於產生檢驗方策之方法900可開始於階段910,階段910用於藉由系統獲得受檢驗物品之至少一個部分的影像。受檢驗物品可包括特定類別之多個物件。
階段910可繼之以階段920,階段920用於處理影像以提供檢驗方策。檢驗方策可包括物件模型,該物件模型表示特定類別之多個物件。物件模型可包括關於物件模型之像素值的統計資訊;以及至少一個額外參數,該至少一個額外參數來自:物件模型之紋理特性;物件模型之定向;特定類別之至少兩個物件之間的空間關係;多個物件中之至少一者之三維影像;以及多個物件中之至少一者之二維影像。
物件模型可包括至少兩個額外參數、任何上述額外參數中之至少兩個額外參數或更多額外參數。
根據本發明之一實施例,受檢驗物品可包括多個類別之物件。不同類別之物件之大小、形狀、形成物件之材料或其組合可彼此不同。若受檢驗物品包括多個類別之物件,則階段920可包括為每一類別之物件(或為至少兩個選定類別)產生物件模型。因此,階段920可包括處理影像,以為每一類別之物件提供表示該物件類別之多個物件的一物件模型。
受檢驗物品可包括多個區域。不同區域位於受檢驗物件之不同位置。不同區域可具有相同大小及形狀,但該等不同區域之大小、形狀或兩者可彼此不同。根據本發明之一實施例,可每一區域產生一物件模型,且可基於位於該區域中之物件之資訊來產生該物件模型。
因此,階段920可包括處理影像,以為來自受檢驗物品之至少兩個不同區域的每一區域,提供表示位於受檢驗物品之該區域內特定類別之多個物件的一物件模型。
根據本發明之另一實施例,可為區域及物件類別之每一組合產生一物件模型。因此,階段920可包括產生複數個物件模型,本文中不同物件模型可彼此相差受檢驗物品區域及物件類別中之至少一者。
根據本發明之一實施例,該方法可處理影像以提供多個模型,諸如受檢驗物品之模型、晶粒之模型(若受檢驗物品為晶圓)。
額外模型之產生係由階段930及階段940說明,階段930用於處理影像以提供受檢驗物品之模型,階段940用於處理影像以提供晶粒模型。
受檢驗物品之模型可包括巨集資訊及局部調適規則。
當受檢驗物品為晶圓時,晶粒模型可為受檢驗物品之晶粒之模型。晶粒模型代表多個晶粒。
根據本發明之一實施例,階段910可包括藉由應用不同影像獲得條件而獲得受檢驗物品之至少一個部分之影像,其中一影像獲得條件包含照明條件及集光條件中之至少一者,且階段920可包括產生多個物件模型,其中不同物件模型係藉由處理在不同影像獲得條件下獲得之影像而獲得。
根據本發明之一實施例,該方法可包括定義額外檢驗方策資訊。額外檢驗方策資訊可包括定義不同區域,該等不同區域諸如為但不限於:資料收集區域、資料處理區域及(另外或替代地)物件模型區域。
因此,方法900可包括定義多個區域之階段960。
階段960可包括定義來自以下區域中之至少一者:(a)一組資料收集區域;(b)一組資料處理區域及一組物件模型區域;以及(c)一組物件模型區域。
至少兩個不同資料收集區域可彼此相差在獲得資料收集區域之影像時將應用之至少一個影像獲得條件。
至少兩個資料處理區域可彼此相差將被應用於資料處理區域之影像之一處理演算法。
該組資料收集區域可不同於該組資料處理區域。
至少兩個不同物件模型區域可彼此相差在處理物件模型區域之影像時將使用之一物件模型。
該組資料收集區域可不同於該組資料處理區域。該組資料收集區域可不同於該組物件模型區域。該組物件模型區域可不同於該組資料處理區域。
第15圖繪示根據本發明之實施例之產生檢驗方策之方法1000。
方法1000可開始於階段1010,階段1010用於藉由系統獲得受檢驗物品之至少一個部分的影像;其中受檢驗物品包含特定類別之多個物件。
階段1010可繼之以階段1020,階段1020用於處理影像以提供檢驗方策,其中檢驗方策包含一組資料收集區域及一組資料處理區域。至少兩個不同資料收集區域彼此相差將在獲得資料收集區域之影像時應用之至少一個影像獲得條件。至少兩個資料處理區域彼此相差將被應用於資料處理區域之影像的一處理演算法。
該組資料收集區域可不同於該組資料處理區域。因此,至少一個資料收集區域與相應資料處理區域可在大小與形狀上不同,以便由應用第一影像獲得條件獲得之一些像素可由第一演算法處理,而由應用第二影像獲得條件(該等第二影像獲得條件不同於第一影像獲得條件)獲得之其他像素可影像可由另一演算法處理,該另一演算法不同於第一演算法。
階段1020可包括處理影像以提供表示特定類別之多個物件的多個物件模型;其中檢驗方策之定義包含定義一組物件模型區域;且其中至少兩個不同物件模型區域彼此相差將在處理物件模型區域之影像時使用之一物件模型。
該組資料收集區域不同於該組資料處理區域,且不同於該組物件模型區域。
第16圖繪示根據本發明之實施例之用於檢驗物品之方法1100。
方法1100可包括接收檢驗方策之階段1110或產生檢驗方策之階段1120。可藉由使用方法900及方法100中之任一者或其組合來產生檢驗方策。
階段1110及1120可繼之以藉由應用檢驗方策檢驗物品之階段1130。檢驗方策可包括表示特定類別之多個物件的一物件模型。物件模型可包括關於物件模型之像素值的統計資訊;以及至少一個額外參數,該至少一個額外參數選自由以下參數組成之群組:物件模型之紋理特性;物件模型之定向;特定類別之至少兩個物件之間的空間關係;多個物件中之至少一者之三維影像;以及多個物件中之至少一者之二維影像。
方法1100亦可包括階段1140,階段1140用於基於在至少一個其他受檢驗物品之檢驗期間獲得之資訊來更新檢驗方策。
檢驗方策可包括一組資料收集區域及一組資料處理區域之定義。因此,階段1130可包括藉由應用由該組資料收集區域定義之影像獲得條件來獲得影像,及藉由該組資料處理區域所定義之演算法來處理影像。
第17圖繪示根據本發明之實施例之方法1700。第19圖繪示根據本發明之實施例之方法1700之階段1720之階段1721-1729。
方法1700開始於階段1710,階段1710用於藉由資料獲得模組獲得關於受檢驗物品之至少一個部分的資料;其中受檢驗物品包含特定類別之至少一個物件。
階段1710可繼之以階段1720及1730中之一或更多者。
階段1720包括藉由處理器處理資料,以提供檢驗方策。階段1730包括處理資料,同時使用檢驗方策,以檢測缺陷。
對於兩個階段(階段1720及1730)而言,檢驗方策包括特定類別之物件模型。
物件模型可包括表示物件之像素值(接收自感測構件)之資料及至少一個額外幾何參數,該至少一個額外幾何參數來自至少以下各項:物件模型之形狀;物件模型之大小;物件模型之位置;以及物件模型之定向。
檢驗方策可包括至少一個規則組合,每一規則組合皆包含來自以下規則的至少兩個規則:資料收集規則、資料處理規則及關於對處理之至少一個結果之至少一個回應的回應規則。資料收集規則包括光學照明規則及光學收集規則。
根據本發明之一實施例,物件模型可包括來自以下各項之至少兩個額外參數:物件模型之定向;特定類別之至少兩個物件之間的空間關係;特定類別之一物件之三維影像;以及特定類別之一物件之二維影像。
階段1720可包括處理(1721)關於至少一個部分之資料,以為來自多個物件類別的每一物件類別提供表示該物件類別之多個物件的一物件模型。
階段1270可包括處理(1722)影像,以為來自受檢驗物品之至少兩個不同區域之每一區域,提供表示位於受檢驗物品之區域內該特定類別之多個物件的一物件模型。
受檢驗物品之該至少部分可為受檢驗物品的全部。且階段1720可包括處理(1723)關於受檢驗物品之該至少一個部分的資料,以提供受檢驗物品之模型。受檢驗物品之模型可包括巨集資訊及局部調適規則。
受檢驗物品可為晶圓,該晶圓可包括多個晶粒,其中多個晶粒中之每一晶粒皆可包括特定類別之多個物件;且其中階段1720可包括處理(1724)影像,以提供表示多個晶粒的一晶粒模型。該方法可包括藉由應用不同規則組合來獲得資料。
階段1720可包括產生多個物件模型(1725),其中不同物件模型係藉由應用不同規則組合而獲得。
階段1720可包括將不同規則組合應用於至少部分之受檢驗物品之相同位置上(1726)。
檢驗方策可定義多個類型之區域中之多個區域;其中第一類型之至少一個區域與第二類型之區域中之至少一個其他區域部分重疊;其中該等類型之區域可包括來自資料收集區域、資料處理區域及回應區域之至少兩個區域;其中不同資料收集區域彼此相差至少一個資料收集規則;其中不同資料處理區域彼此相差至少一個資料處理規則;且其中不同回應區域彼此相差至少一個回應規則。
若此等區域之間的重疊不同於第一類型之區域及第二類型之區域中之至少一者,則第一類型之區域與第二類型之區域中之區域部分重疊。
該等類型之區域可包括資料收集區域、資料處理區域及回應區域。
該等類型之區域可包括資料收集區域及資料處理區域。
至少兩個資料處理區域可彼此相差一資料處理規則,該資料處理規則定義將在資料之處理期間被使用的物件模型。
該方法可包括:藉由執行資料獲得之多次重複來獲得關於受檢驗物品之至少一個部分的資料(階段1711),該資料獲得之多次重複彼此相差在多次重複期間應用之規則之組合;以及基於該資料來定義不同類型之區域中之不同區域(階段1727);其中該等類型之區域可包括資料收集區域及資料處理區域中之至少一者。因此,可基於不同資料重複之不同結果而自動進行區域之定義。舉例而言,若第一區域(或該區域之缺陷)在應用第一規則之組合時經最佳地觀察,且第二區域(或該區域之缺陷)在應用第二規則之組合時經最佳地觀察,則第一區域可被定義為應該應用第一規則之組合之區域,且第二區域應被視為應用第二規則之組合之另一區域。
階段1720可包括基於在至少部分之受檢驗物品之不同位置處獲得的資料品質,來定義不同區域(1728)。資料品質可代表可看到缺陷之清晰度(例如,形狀缺陷-環境對比)、感測器是否飽和等等。
階段1720可包括基於在至少部分之受檢驗物品之不同位置處以不同規則之組合所獲得的資料之間的差異,來定義不同區域(1729)。
第18圖繪示根據本發明之實施例之方法1800。第19圖繪示根據本發明之實施例之方法1700之階段1820之各個階段1721-1729。
方法1800可開始於階段1810,階段1810用於藉由資料獲得模組來獲得關於受檢驗物品之至少一個部分的資料;其中受檢驗物品可包括特定類別之至少一個物件。
階段1810可繼之以階段1820及1830中之一或更多者。
階段1820包括藉由處理器處理資料,以提供檢驗方策。階段1820包括藉由處理器處理資料,同時使用檢驗方策,以檢測缺陷。
在兩個狀況下(階段1810及1820),檢驗方策可包括多個類型之區域中之多個區域;其中第一類型之至少一個區域與第二類型之區域中之至少一個其他區域部分重疊;其中該等類型之區域可包括來自資料收集區域、資料處理區域及回應區域之至少兩個區域;其中不同資料收集區域彼此相差至少一個資料收集規則;其中不同資料處理區域彼此相差至少一個資料處理規則;且其中不同回應區域彼此相差至少一個回應規則。
若此等區域之間的重疊不同於第一類型之區域及第二類型之區域中之至少一者,則第一類型之區域與第二類型之區域中之區域部分重疊。
該等類型之區域可包括資料收集區域、資料處理區域及回應區域。
該等類型之區域可包括資料收集區域及資料處理區域。
至少兩個資料處理區域可彼此相差一資料處理規則,該資料處理規則定義將在資料之處理期間被使用的一物件模型。
方法1800可包括區域之自動定義。此可例如由階段1810及1820之多次重複獲得。因此,方法1800可包括:藉由執行資料獲得之多次重複來獲得關於受檢驗物品之至少一個部分的資料(1810),該資料獲得之多次重複彼此相差在多次重複期間應用之規則之組合;以及基於該資料來定義不同類型之區域之不同區域(1820);其中該等類型之區域可包括資料收集區域及資料處理區域中之至少一者。階段1810及1820及階段1810及1820之執行之處理的重複係由控制階段1840來說明,控制階段1840用於決定是否需要階段1810及1820更多次重複。
階段1820可包括基於在至少部分之受檢驗物品之不同位置處獲得的資料品質,來定義不同區域(1822)。
階段1820可包括基於在至少部分之受檢驗物品之不同位置處以不同規則之組合所獲得的資料之間的差異,來定義不同區域(1823)。
任何上述方法可由電腦執行,該電腦執行儲存於諸如碟片、磁片、磁帶、積體電路、儲存裝置等之非暫態電腦可讀媒體中之指令。
100...先前技術檢驗程序/檢驗程序
110...模型化階段/階段
112...獲取影像
114...建立模型
120...檢驗階段/階段
122...獲取物品之影像
124...擷取模型
126...比較階段
128...決定階段
130...先前技術模型建立程序
132-136、312、350-380、420、452、454、462-468、502、504、510-520、532-542、550-556、562、564、910、920-940、960、1010、1020、1110-1140、1710、1720、1721-1729、1730、1810、1820、1822、1823、1830...階段
300、900、1000、1100、1700、1800...方法
310...模型化
320...分割為區域
340...檢驗/檢驗階段
422...晶圓巨集模型
424...局部調適規則
430...晶粒模型
440...物件類別模型
450...定義階段
460...模型化階段
570...照明/成像模式
571、572、579...影像獲得條件
581-583...演算法/運行時間集
590...參考資訊
591、593...紋理/圖樣超解析度參考
594...大小資訊
597...三維資訊
602-606、612、614...資料收集區域
622、624...物件模型區域
632...表
634...組合初始分析結果
636...分類缺陷
652、654、658、670...影像
660-686...演算法
1840...控制階段
第1圖繪示先前技術檢驗程序;
第2圖繪示先前技術模型化程序;
第3圖繪示根據本發明之實施例用於產生模型且用於檢驗物品之方法;
第4圖繪示根據本發明之實施例產生晶圓模型、晶粒模型及物件模型之程序;
第5圖-第7圖繪示根據本發明之各個實施例之物件模型化程序;
第8圖繪示根據本發明之實施例之系統區域及應用區域之分段;
第9圖繪示根據本發明之實施例之多級模型;
第10圖繪示根據本發明之實施例之一組影像獲得區域、一組資料處理區域及一組物件模型區域;
第11圖-第13圖繪示根據本發明之實施例之涉及多個影像、多個處理演算法或多個影像與多個處理演算法之組合的程序;以及
第14圖-第19圖繪示根據本發明之各個實施例之方法。
300...方法
310...模型化
312、314、350、360、370、380、390...階段
320...分割為區域
340...檢驗/檢驗階段
Claims (16)
- 一種用以產生或使用檢驗方策之方法,該方法包含以下步驟:藉由一資料獲得模組獲得關於一受檢驗物品之至少一個部分的資料;其中該受檢驗物品包含一特定類別之至少一個物件;以及藉由一處理器執行以下操作中對該資料之至少一個處理操作:(a)處理該資料以提供該檢驗方策;以及(b)處理該資料,同時使用該檢驗方策,以檢測缺陷;其中該檢驗方策包含一物件模型,該物件模型包含:該資料,表示該物件之像素值;以及至少一個額外幾何參數,選自至少以下各項:該物件模型之一形狀;該物件模型之一大小;該物件模型之一位置;以及該物件模型之一定向;其中該受檢驗物品之該至少一個部分為該受檢驗物品的全部;其中該方法包含以下步驟:處理關於該受檢驗物品之該至少一個部分的該資料,以提供該受檢驗物品之一模型;其中該受檢驗物品之該模型包含巨集資訊及局部調適規則。
- 一種用以產生或使用檢驗方策之方法,該方法包含以下步驟:藉由一資料獲得模組獲得關於一受檢驗物品之至少一個部分的資料;其中該受檢驗物品包含一特定類別之至少一個物件;以及藉由一處理器執行以下操作中對該資料之至少一個處理操作:(a)處理該資料以提供該檢驗方策;以及(b)處理該資料,同時使用該檢驗方策,以檢測缺陷;其中該檢驗方策包含一物件模型,該物件模型包含:該資料,表示該物件之像素值;以及至少一個額外幾何參數,選自至少以下各項:該物件模型之一形狀;該物件模型之一大小;該物件模型之一位置;以及該物件模型之一定向;其中該檢驗方策定義多個類型之區域中之多個區域;其中一第一類型之區域中之至少一個區域不同於一第二類型之區域中之至少一個其他區域;其中該等類型之區域包含來自一資料收集區域、一資料處理區域及一回應區域之至少兩個區域;其中不同資料收集區域彼此相差至少一個資料收 集規則;其中不同資料處理區域彼此相差至少一個資料處理規則;以及其中不同回應區域彼此相差至少一個回應規則。
- 如申請專利範圍第2項之方法,其中該等類型之區域包含該資料收集區域、該資料處理區域及該回應區域。
- 如申請專利範圍第2項之方法,其中該等類型之區域包含該資料收集區域及該資料處理區域。
- 如申請專利範圍第2項之方法,至少兩個資料處理區域彼此相差定義將在該資料之該處理期間被使用的一物件模型之一資料處理規則。
- 一種用以產生或使用檢驗方策之方法,該方法包含以下步驟:藉由一資料獲得模組獲得關於一受檢驗物品之至少一個部分的資料;其中該受檢驗物品包含一特定類別之至少一個物件;以及藉由一處理器執行以下操作中對該資料之至少一個處理操作:(a)處理該資料以提供該檢驗方策;以及(b)處理該資料,同時使用該檢驗方策,以檢測缺陷;其中該檢驗方策包含一物件模型,該物件模型包含:該資料,表示該物件之像素值;以及至少一個額外幾何參數,選自至少以下各項: 該物件模型之一形狀;該物件模型之一大小;該物件模型之一位置;以及該物件模型之一定向;藉由執行資料獲得之多次重複來獲得關於該受檢驗物品之該至少一個部分的該資料,該資料獲得之多次重複彼此相差在該多次重複期間應用的規則之組合;以及基於該資料來定義不同類型之區域之不同區域;其中該等類型之區域包含資料收集區域及一資料處理區域中之至少一者。
- 如申請專利範圍第6項之方法,該方法包含以下步驟:基於在該受檢驗物品之該至少部分之不同位置處獲得的一資料之品質,來定義該等不同區域。
- 如申請專利範圍第6項之方法,該方法包含以下步驟:基於在該受檢驗物品之該至少部分之不同位置處以不同規則組合獲得的資料之間的差異,來定義該等不同區域。
- 如申請專利範圍第6項之方法,其中該檢驗方策包含該特定類別之一物件模型及至少一個規則組合,每一規則組合皆包含來自以下規則的至少兩個規則:資料收集規則、資料處理規則及關於對該處理之至少一個結果之至少一個回應的回應規則;其中該等資料收集規則包含光學照明規則及光學收集規則。
- 一種用以產生或使用檢驗方策之方法,該方法包含以下 步驟:藉由一資料獲得模組來獲得關於一受檢驗物品之至少一個部分的資料;以及藉由一處理器執行以下操作中對該資料之至少一個處理操作:(a)處理該資料以提供該檢驗方策;(b)處理該資料,同時使用該檢驗方策,以檢測缺陷;其中該檢驗方策包含多個類型之區域中之多個區域;其中一第一類型之區域中之至少一個區域與一第二類型之區域中之至少一個其他區域部分重疊;其中該等類型之區域包含來自一資料收集區域、一資料處理區域及一回應區域之至少兩個區域;其中不同資料收集區域彼此相差至少一個資料收集規則;其中不同資料處理區域彼此相差至少一個資料處理規則;以及其中不同回應區域彼此相差至少一個回應規則。
- 如申請專利範圍第10項之方法,其中該等類型之區域包含該資料收集區域、該資料處理區域及該回應區域。
- 如申請專利範圍第10項之方法,其中該等類型之區域包含該資料收集區域及該資料處理區域。
- 如申請專利範圍第10項之方法,其中至少兩個資料處理區域彼此相差定義在該資料之該處理期間被使用的一 物件模型之一資料處理規則。
- 如申請專利範圍第10項之方法,該方法包含以下步驟:藉由執行資料獲得之多次重複來獲得關於該受檢驗物品之該至少一個部分的該資料,該資料獲得之多次重複彼此相差在該多次重複期間應用的規則之組合;以及基於該資料來定義不同類型之區域之不同區域;其中該等類型之區域包含資料收集區域及一資料處理區域中之至少一者。
- 如申請專利範圍第14項之方法,該方法包含以下步驟:基於在該受檢驗物品之該至少部分之不同位置處獲得的資料之一品質,來定義該等不同區域。
- 如申請專利範圍第14項之方法,該方法包含以下步驟:基於在該受檢驗物品之該至少部分之不同位置處以不同規則之組合獲得的資料之間的差異,來定義該等不同區域。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US37210910P | 2010-08-10 | 2010-08-10 |
Publications (2)
Publication Number | Publication Date |
---|---|
TW201220039A TW201220039A (en) | 2012-05-16 |
TWI547802B true TWI547802B (zh) | 2016-09-01 |
Family
ID=45770759
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW100128178A TWI547802B (zh) | 2010-08-10 | 2011-08-08 | 檢驗方策產生技術及基於檢驗方策之檢驗技術 |
Country Status (3)
Country | Link |
---|---|
US (1) | US8699784B2 (zh) |
KR (1) | KR20120014886A (zh) |
TW (1) | TWI547802B (zh) |
Families Citing this family (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8855399B2 (en) * | 2012-02-07 | 2014-10-07 | Applied Materials Israel, Ltd. | System, a method and a computer program product for CAD-based registration |
US9599575B2 (en) | 2012-02-07 | 2017-03-21 | Applied Materials Israel, Ltd. | System, a method and a computer program product for CAD-based registration |
US9430824B2 (en) * | 2013-05-14 | 2016-08-30 | Kla-Tencor Corporation | Machine learning method and apparatus for inspecting reticles |
US9626432B2 (en) | 2013-09-09 | 2017-04-18 | International Business Machines Corporation | Defect record classification |
CN112837266A (zh) * | 2014-11-24 | 2021-05-25 | 基托夫系统有限公司 | 自动检查 |
EP3289607A4 (en) * | 2015-04-30 | 2018-12-19 | KLA - Tencor Corporation | Automated image-based process monitoring and control |
US9569834B2 (en) | 2015-06-22 | 2017-02-14 | Kla-Tencor Corporation | Automated image-based process monitoring and control |
US10151706B1 (en) | 2016-04-07 | 2018-12-11 | Kla-Tencor Corp. | Inspection for specimens with extensive die to die process variation |
US10706522B2 (en) * | 2016-11-08 | 2020-07-07 | Kla-Tencor Corporation | System and method for generation of wafer inspection critical areas |
US10438322B2 (en) * | 2017-05-26 | 2019-10-08 | Microsoft Technology Licensing, Llc | Image resolution enhancement |
CN111213045B (zh) * | 2017-06-14 | 2022-07-01 | 康特科技公司 | 自动缺陷分类 |
CN109544548A (zh) * | 2018-11-30 | 2019-03-29 | 北京百度网讯科技有限公司 | 餐盒的缺陷检测方法、装置、服务器、设备和存储介质 |
US11210770B2 (en) | 2019-03-15 | 2021-12-28 | Hitachi, Ltd. | AI-based inspection in transportation |
US20220207686A1 (en) * | 2020-12-30 | 2022-06-30 | Vitrox Technologies Sdn. Bhd. | System and method for inspecting an object for defects |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070230770A1 (en) * | 2005-11-18 | 2007-10-04 | Ashok Kulkarni | Methods and systems for determining a position of inspection data in design data space |
US20090041332A1 (en) * | 2007-07-20 | 2009-02-12 | Kla-Tencor Corporation | Methods for generating a standard reference die for use in a die to standard reference die inspection and methods for inspecting a wafer |
US20090202139A1 (en) * | 2008-02-13 | 2009-08-13 | Yasutaka Toyoda | Pattern generating apparatus and pattern shape evaluating apparatus |
US20090290782A1 (en) * | 2005-09-01 | 2009-11-26 | Menachem Regensburger | Method and a system for establishing an inspection-recipe |
TWI318431B (en) * | 2005-06-07 | 2009-12-11 | Intekplus Co Ltd | Method for inspecting semiconductor device |
US7681159B2 (en) * | 2006-06-23 | 2010-03-16 | Hitachi High-Technologies Corporation | System and method for detecting defects in a semiconductor during manufacturing thereof |
TWI535194B (zh) * | 2009-04-13 | 2016-05-21 | 凡爾賽特公司 | 前置選擇器放大器 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3971937B2 (ja) * | 2002-02-18 | 2007-09-05 | 株式会社日立ハイテクノロジーズ | 露光条件監視方法およびその装置並びに半導体デバイスの製造方法 |
US7693323B2 (en) * | 2002-03-12 | 2010-04-06 | Applied Materials, Inc. | Multi-detector defect detection system and a method for detecting defects |
-
2011
- 2011-08-04 US US13/197,812 patent/US8699784B2/en active Active
- 2011-08-08 TW TW100128178A patent/TWI547802B/zh active
- 2011-08-10 KR KR1020110079780A patent/KR20120014886A/ko not_active Application Discontinuation
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI318431B (en) * | 2005-06-07 | 2009-12-11 | Intekplus Co Ltd | Method for inspecting semiconductor device |
US20090290782A1 (en) * | 2005-09-01 | 2009-11-26 | Menachem Regensburger | Method and a system for establishing an inspection-recipe |
US20070230770A1 (en) * | 2005-11-18 | 2007-10-04 | Ashok Kulkarni | Methods and systems for determining a position of inspection data in design data space |
US7681159B2 (en) * | 2006-06-23 | 2010-03-16 | Hitachi High-Technologies Corporation | System and method for detecting defects in a semiconductor during manufacturing thereof |
US20090041332A1 (en) * | 2007-07-20 | 2009-02-12 | Kla-Tencor Corporation | Methods for generating a standard reference die for use in a die to standard reference die inspection and methods for inspecting a wafer |
US20090202139A1 (en) * | 2008-02-13 | 2009-08-13 | Yasutaka Toyoda | Pattern generating apparatus and pattern shape evaluating apparatus |
TWI535194B (zh) * | 2009-04-13 | 2016-05-21 | 凡爾賽特公司 | 前置選擇器放大器 |
Also Published As
Publication number | Publication date |
---|---|
KR20120014886A (ko) | 2012-02-20 |
TW201220039A (en) | 2012-05-16 |
US8699784B2 (en) | 2014-04-15 |
US20120057773A1 (en) | 2012-03-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI547802B (zh) | 檢驗方策產生技術及基於檢驗方策之檢驗技術 | |
US10853932B2 (en) | Method of defect detection on a specimen and system thereof | |
US8977035B2 (en) | System, method and computer program product for detection of defects within inspection images | |
KR102203112B1 (ko) | 표준 기준 이미지로부터 결정된 속성에 기초한 결함 검출 및 분류 | |
JP5537282B2 (ja) | 欠陥検査装置および欠陥検査方法 | |
JP6009351B2 (ja) | 検査画像内の分類のためのシステム、方法、及びコンピュータプログラム製品 | |
US6539106B1 (en) | Feature-based defect detection | |
JP4776308B2 (ja) | 画像欠陥検査装置、画像欠陥検査システム、欠陥分類装置及び画像欠陥検査方法 | |
JP4095860B2 (ja) | 欠陥検査方法及びその装置 | |
TWI643280B (zh) | 使用結構性資訊之缺陷偵測 | |
US10957034B2 (en) | Method of examination of a specimen and system thereof | |
CN112955732A (zh) | 用于确定空白光罩上的缺陷的类型及大小的系统及方法 | |
TWI631638B (zh) | 由參考影像改變之檢測方式設定 | |
TWI532116B (zh) | 晶圓對齊方法及系統 | |
KR102449376B1 (ko) | 다이 내부 검사에 있어서의 등록 및 설계 주변부에서 야기된 노이즈의 저감 | |
CN113096119A (zh) | 晶圆缺陷分类的方法、装置、电子设备以及存储介质 | |
CN109075094B (zh) | 用于具有噪声边界阈值的晶片检验的系统及方法 | |
TWI664421B (zh) | 用於影像處理的方法、設備、及電腦軟體產品 | |
WO2020071234A1 (ja) | 画像処理装置、画像処理方法、外観検査システムおよびコンピュータプログラム | |
JP2006113073A (ja) | パターン欠陥検査装置及びパターン欠陥検査方法 | |
JP3752849B2 (ja) | パターン欠陥検査装置及びパターン欠陥検査方法 | |
WO2019176614A1 (ja) | 画像処理装置、画像処理方法、およびコンピュータプログラム | |
CN116364569A (zh) | 利用计算高效分割方法的缺陷检测 | |
JP2021140693A (ja) | 試験片上の欠陥検出の方法およびそのシステム |