TWI607213B - 用於包含區塊與區塊比較的缺陷偵測之裝置與方法 - Google Patents

用於包含區塊與區塊比較的缺陷偵測之裝置與方法 Download PDF

Info

Publication number
TWI607213B
TWI607213B TW102120963A TW102120963A TWI607213B TW I607213 B TWI607213 B TW I607213B TW 102120963 A TW102120963 A TW 102120963A TW 102120963 A TW102120963 A TW 102120963A TW I607213 B TWI607213 B TW I607213B
Authority
TW
Taiwan
Prior art keywords
block
candidate
similar
defect
location
Prior art date
Application number
TW102120963A
Other languages
English (en)
Other versions
TW201403059A (zh
Inventor
達拉吐羅麥克
薛爾曼波里斯
哈達奇昂
達尼諾葉胡達伍迪
布爾基奇諾加
Original Assignee
應用材料以色列公司
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 應用材料以色列公司 filed Critical 應用材料以色列公司
Publication of TW201403059A publication Critical patent/TW201403059A/zh
Application granted granted Critical
Publication of TWI607213B publication Critical patent/TWI607213B/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
    • 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
    • G06T2207/30141—Printed circuit board [PCB]
    • 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

Description

用於包含區塊與區塊比較的缺陷偵測之裝置與方法
本發明大體係關於微觀圖案化物件或物品的分析，且更特定而言係關於檢查物品的表面是否有缺陷及缺陷偵測。
缺陷偵測的常見問題為區別缺陷及雜訊。一般而言，半導體光罩、網線及晶圓上的缺陷偵測藉由比較物品(例如，光罩、網線或晶圓)的一部分的影像與參考影像來進行。在晶粒至模型方法中，藉由比較在檢查晶粒處的所欲位置處的圖案與在基於(例如)晶粒設計資料製備的模型或檢查晶粒的模型中的相同位置的圖案，來檢查位置中缺陷的存在與否。在晶粒至晶粒方法中，藉由比較在檢查晶粒處的所欲位置處的圖案與在相同晶粒(例如，在相同光罩或晶圓上以前檢查的晶粒)中的相同位置的圖案(晶粒間比較)來檢查位置中的缺陷的存在與否。由於在二個不同晶粒上的相同位置中具有相同缺陷的概率實際上接近於零，故二個晶粒之間的顯著不同被視為缺陷。
一般而言，在晶粒間比較方法中，待比較的資料在二個間隔的位置處(每一位置位於不同的晶粒處)收集。當二個位置(在檢查晶粒及參考晶粒中)對應於相同圖案時，每一者受到不同的變化，例如，製程變化、機械及電氣變化。此類變化強制產生雜訊(例如)在差別影像(difference image；Diff)中，該差別影像為藉由(例如)從參考影像中減去檢查影像創建的影像。應考慮或忽視此雜訊；否則妨礙偵測敏感度及完整性。此挑戰隨著設計規則縮小而增加。
存在對於敏感及準確的晶粒至晶粒缺陷偵測技術的需要。
本發明的某些實施例對於檢查用於生產積體電路晶粒或晶片的圖案化半導體晶圓、光罩及網線尤其有用，且因此以下關於此應用具體描述本發明的實施例。
本發明的某些實施例設法提供區別缺陷及雜訊的缺陷偵測問題的解決方案。藉由比較微觀物件位置與參考來進行偵測，該等參考不同於正在檢查的位置，從而引起缺陷偵測製程中的雜訊。框內比較(在該等框內比較中比較相同晶粒的框)提供更類似的參考，減少缺陷偵測製程中的雜訊。本發明的某些實施例設法針對晶粒至晶粒(die-to-die；D2D)應用提供框內缺陷偵測方法，在該框內缺陷偵測方法中雜訊顯著低於晶粒間偵測(在該晶粒間偵測中比較不同晶粒的對應框)，從而顯著增加敏感度以允許真實缺陷與錯誤警報之間更好的區別。在經典的D2D偵測中，缺陷偵測包括相對於區 域差異的範圍或大小，相對遠離的微觀物件位置的框間比較，引起缺陷偵測製程中的雜訊。框內比較比較靠近在一起的微觀物件位置，減少缺陷偵測製程中的雜訊。
框內(內部)偵測(亦即，基於比較單個框內部的類似(缺陷除外)位置的缺陷偵測)的特定優點為雜訊顯著低於晶粒間(之間)偵測，在該晶粒間偵測中對應於晶粒的大小的大的距離分離被比較的位置，使得區域效應(例如，焦點變化及失真、配準誤差、製程變化、機械及電氣變化)藉由影響比較構成關於決定缺陷的目標的顯著雜訊。
在典型的晶粒間缺陷偵測中，比較的位置之間的距離可約為5cm(例如，對於具有每光罩2個晶粒的10 cm×10 cm的光罩而言)，框內偵測則相反，例如，如此處所圖示及描述的，在框內偵測中比較的位置之間的距離可小至僅幾微米。因此，補償在D2D偵測期間積聚的系統誤差，引起改良偵測敏感度。
本發明的某些實施例設法針對晶粒至模型(die-to-model；D2M)應用提供缺陷偵測方法，在該缺陷偵測方法中，不比較影像與模型，而是將影像與自身比較，例如，將影像中的區塊與相同影像中的另一區塊比較，從而提供更好的敏感度，因為模型經常遭受模型化問題，例如，在於模型與影像顯著不同。相對於習知D2M，在該習知D2M中影像及模型經常顯著不同使得比較該二者可導致極差的敏感度，此具有顯著增加敏感度結果的效應。
本發明的某些實施例設法針對促進極其敏感的偵測 的缺陷偵測方法，針對無參考可用的情境提供方法，該方法包括根據正檢查的影像中的其他區塊創建新的參考。對於應用，例如，光罩檢查應用，在該光罩檢查應用中，藉由收集回應於使用(例如)雷射照亮光罩從光罩反射的訊號及光罩透射的訊號創建檢查影像，實施例可使用透射的光及反射的光成像創建影像用於比較。
因此根據本發明的至少一個實施例提供一種用於發現微觀物件中的缺陷的方法，該方法包含以下步驟：基於藉由收集指示物品上的圖案的訊號產生的檢查影像的檢查框的處理，接收該檢查框中的至少一個候選缺陷位置；界定檢查框內部的候選區塊，該候選區塊與候選缺陷位置相關聯；使用預先定義的類似性標準識別檢查框中的至少一個類似區塊；及基於該候選區塊的至少一部分與該至少一個類似區塊的至少一對應的部分的比較，決定是否在候選缺陷位置處存在缺陷。
107‧‧‧缺陷偵測模組
110‧‧‧物品/光罩
120‧‧‧設計
130‧‧‧製造製程
140‧‧‧檢查製程
145‧‧‧缺陷映射
150‧‧‧缺陷分析製程
160‧‧‧缺陷評審製程
200‧‧‧缺陷偵測模組
201‧‧‧檢查子模組
202‧‧‧資料庫
203‧‧‧參考子模組
205‧‧‧缺陷識別字子模組
300‧‧‧方法
301‧‧‧方塊
303‧‧‧方塊
305‧‧‧方塊
307‧‧‧方塊
400‧‧‧方法
401‧‧‧方塊
403‧‧‧方塊
405‧‧‧方塊
407‧‧‧方塊
409‧‧‧方塊
411‧‧‧方塊
413‧‧‧方塊
415‧‧‧方塊
417‧‧‧方塊
501‧‧‧候選缺陷位置
503‧‧‧檢查框
505‧‧‧候選區塊
507‧‧‧第一參考區塊
509‧‧‧參考框
511‧‧‧第二參考區塊
513‧‧‧區塊
515‧‧‧第一參考位置
517‧‧‧第二參考位置
519‧‧‧第二位置
600‧‧‧方法
610‧‧‧方塊
615‧‧‧方塊
620‧‧‧方塊
630‧‧‧方塊
650‧‧‧方法
670‧‧‧方塊
673‧‧‧方塊
675‧‧‧方塊
677‧‧‧方塊
700‧‧‧方法
705‧‧‧方塊
710‧‧‧方塊
715‧‧‧方塊
720‧‧‧方塊
725‧‧‧方塊
800‧‧‧方法
801‧‧‧方塊
803‧‧‧方塊
805‧‧‧方塊
807‧‧‧方塊
809‧‧‧方塊
811‧‧‧方塊
813‧‧‧方塊
815‧‧‧方塊
817‧‧‧方塊
819‧‧‧方塊
821‧‧‧方塊
823‧‧‧方塊
901‧‧‧方塊
903‧‧‧方塊
905‧‧‧方塊
907‧‧‧方塊
1000‧‧‧方法
1001‧‧‧方塊
1003‧‧‧方塊
1005‧‧‧方塊
1007‧‧‧方塊
1009‧‧‧方塊
1011‧‧‧方塊
1013‧‧‧方塊
1015‧‧‧方塊
1017‧‧‧方塊
1019‧‧‧方塊
1100‧‧‧方法
1101‧‧‧方塊
1103‧‧‧方塊
1105‧‧‧方塊
1107‧‧‧方塊
1109‧‧‧方塊
1111‧‧‧方塊
1113‧‧‧方塊
1200‧‧‧方法
1201‧‧‧方塊
1203‧‧‧方塊
1205‧‧‧方塊
1207‧‧‧方塊
1209‧‧‧方塊
1300‧‧‧方法
1301‧‧‧方塊
1303‧‧‧方塊
1305‧‧‧方塊
1307‧‧‧方塊
1309‧‧‧方塊
1400‧‧‧方法
1401‧‧‧方塊
1403‧‧‧方塊
1405‧‧‧方塊
1500‧‧‧方法
1510‧‧‧方塊
1520‧‧‧方塊
1530‧‧‧方塊
1540‧‧‧方塊
1600‧‧‧方法
1610‧‧‧方塊
1620‧‧‧方塊
1630‧‧‧方塊
1640‧‧‧方塊
1650‧‧‧方塊
1653‧‧‧方塊
1700‧‧‧方法
1701‧‧‧方塊
1703‧‧‧方塊
1705‧‧‧方塊
1707‧‧‧方塊
1709‧‧‧方塊
1711‧‧‧方塊
1713‧‧‧方塊
1715‧‧‧方塊
1717‧‧‧方塊
1719‧‧‧方塊
1721‧‧‧方塊
1723‧‧‧方塊
1800‧‧‧方法
1801‧‧‧方塊
1803‧‧‧方塊
1805‧‧‧方塊
1807‧‧‧方塊
1809‧‧‧方塊
1811‧‧‧方塊
1813‧‧‧方塊
1815‧‧‧方塊
1817‧‧‧方塊
1819‧‧‧方塊
1821‧‧‧方塊
1823‧‧‧方塊
1900‧‧‧方法
1901‧‧‧方塊
1903‧‧‧方塊
1905‧‧‧方塊
1907‧‧‧方塊
1909‧‧‧方塊
2000‧‧‧方法
2001‧‧‧方塊
2003‧‧‧方塊
2005‧‧‧方塊
2007‧‧‧方塊
2008‧‧‧方塊
2009‧‧‧方塊
2011‧‧‧方塊
2013‧‧‧方塊
2015‧‧‧方塊
2017‧‧‧方塊
2019‧‧‧方塊
2100‧‧‧方法
2105‧‧‧方塊
2107‧‧‧方塊
2109‧‧‧方塊
2111‧‧‧方塊
2113‧‧‧方塊
2200‧‧‧電腦系統
2202‧‧‧處理裝置
2204‧‧‧主記憶體
2206‧‧‧靜態記憶體
2208‧‧‧網路介面裝置
2210‧‧‧視訊顯示單元
2212‧‧‧字母數位輸入裝置
2214‧‧‧游標控制裝置
2216‧‧‧訊號產生裝置
2218‧‧‧資料儲存裝置
2220‧‧‧網路
2222‧‧‧指令
2228‧‧‧電腦可讀取儲存媒體
2230‧‧‧匯流排
將自以下給出的詳細描述以及自本揭示案的各種實施例的隨附圖式更全面地理解本揭示案的各種實施例。
第1圖為圖示根據一些實施例之生產環境的方塊圖。
第2圖為區塊至區塊缺陷偵測模組的一個實施例的方塊圖。
第3圖為用於藉由比較影像內部的區塊偵測缺陷的方法的實施例流程圖。
第4圖為用於使用參考框識別檢查框中的至少一個類似區塊的方法的實施例流程圖。
第5圖圖示根據一些實施例的示例性影像中的示例性框的示例性區塊。
第6A圖為D2D或D2M偵測的方法的實施例流程圖。
第6B圖為用於決定候選缺陷位置的列表的方法的實施例流程圖。
第7圖為用於基於漏斗範圍映射(funnel scope map)識別候選缺陷位置的子集的方法的實施例流程圖。
第8圖為用於藉由比較影像內部的類似區塊偵測缺陷的方法的實施例流程圖。
第9圖為用於從被提名的類似區塊中搜尋類似區塊的方法的實施例流程圖。
第10圖為用於發現被提名的類似區塊與候選區塊之間的最佳區域的方法的實施例流程圖。
第11圖為用於執行區塊至區塊缺陷偵測以決定是否在候選缺陷位置處存在缺陷的方法的實施例流程圖。
第12圖為用於基於平均值決定是否在對應於候選區塊的候選缺陷位置處存在缺陷的方法的實施例流程圖。
第13圖為用於發現邊界盒的方法的實施例流程圖。
第14圖為用於將候選區塊與被提名的類似區塊配準的方法的實施例流程圖。
第15圖為基於光的成像缺陷偵測的方法的實施例 流程圖。
第16圖為用於框內缺陷偵測的方法的實施例流程圖。
第17圖為用於藉由比較透射的影像內部的類似區塊偵測缺陷的方法的實施例流程圖。
第18圖為用於藉由比較反射的影像內部的類似區塊偵測缺陷的方法的實施例流程圖。
第19圖為用於組合透射影像及反射影像的結果以決定是否存在缺陷的方法的實施例流程圖。
第20圖為用於針對基於光的成像缺陷偵測發現被提名的類似區塊與候選區塊之間的最佳區域的方法的實施例流程圖。
第21圖為用於執行區塊至區塊缺陷偵測以決定是否在候選缺陷位置處存在缺陷的方法的實施例流程圖。
第22圖為可執行此處描述的操作中的一或更多個的電腦系統的一個實施例的圖。
可根據出現在先前技術文獻中的術語的任何定義或根據本說明書，或如以下內容解釋以下術語：基於光的成像缺陷偵測：透射光及反射光成像缺陷偵測；針對微觀物件的缺陷偵測的變體，在該缺陷偵測中在透射光(Tx)的影像與反射光(Rf)的另一影像之間進行比較。可在Tx影像或Rf影像或Tx影像及Rf影像上發現缺陷，且沒有「清楚的」參考可供使用指示圖案看上去應是什麼樣子。
微觀物件：包括但不限於圖案化物件，諸如網線、光罩及晶圓。
「晶粒至晶粒」(D2D)：缺陷偵測模式，在該缺陷偵測模式中相同晶粒之間的晶粒間比較用於藉由使用以前檢查的晶粒作為用於新檢查的晶粒的參考來偵測缺陷。
「晶粒至模型」(D2M)：缺陷偵測模式，針對微觀物件的缺陷偵測的變體，在該缺陷偵測中不具有來自鄰近晶粒的參考影像，使用人工創建的無缺陷的被稱為模型的參考影像。隨後缺陷偵測基於比較晶粒與模型。
框：藉由適當的檢查系統成像的微觀物件的影像，該檢查系統諸如但不限於，AMAT的UVisionTM晶圓檢查系統或AMAT的AERATM光罩檢查系統，以上所有各者可購自Applied Materials,Inc.，地址為3050 Bowers Avenue,P.O.Box 58039,Santa Clara,CA 95054-3299,U.S.A.。
框內：一般包括比較某一框中的區域與相同框內的區域，諸如但不限於，此處圖示及描述的區塊至區塊方法。
不規則事件：具有高的(絕對的)差訊號的圖元，該等圖元一般藉由將閾值應用至差訊號來偵測。
區塊：影像的一部分。本發明適合於具有重複圖案結構的影像。區塊包括至少一個圖案結構，該至少一個圖案結構出現在相同影像的其他區塊中。重複圖案結構不必為週期的。為了便於說明，此處將參考具有矩形形狀的區塊說明本發明，該區塊包含5×5圖元或10×5圖元，但本發明不受限於此及可以許多形狀及大小界定區塊。
術語「檢查」廣泛地用於本專利申請案中以代表任何類型的資料擷取，該資料擷取可提供對偵測缺陷有用的資訊，不管在整個光罩或晶圓上還是在單獨懷疑位置中擷取資料皆如此。本發明適用於分析藉由檢查系統識別的候選缺陷，該檢查系統掃描晶圓或光罩及提供懷疑缺陷的位置的列表。本發明亦適用於分析基於藉由檢查工具提供的懷疑缺陷位置藉由評審工具(或組合的檢查及評審工具的評審單元)再偵測的候選缺陷。
第1圖圖示根據本發明的實施例用於半導體設計及製造的示例性工作流程。如圖所示，可根據設計120經由藉由一組製程參數135控制的製造製程130生產物品110。物品110的實例可包括且並不限於，生產積體電路晶粒及/或晶片的圖案化半導體晶圓、光罩及網線。為了簡要及簡單起見，在整個此文件中光罩被用作物品110的實例。此等製程參數可包括各種參數，例如，光刻參數、蝕刻參數及任何其他類型的參數。
由於各種因素，光罩110中形成的結構(例如，以分離的晶粒形式)可能並非正好匹配設計120。為了決定實際光罩110如何不同於設計120，光罩110中的一或更多個光罩110經歷檢查製程140。可使用任何適當類型的缺陷檢查系統(諸如光學的或電子光束檢查系統)執行檢查製程140。光學檢查系統的實例為可購自加利福尼亞聖克拉拉的Applied Materials®的AeraTM檢查系統。雖然在第1圖中圖示為分離製程，但在一些情況下，檢查製程140可與製造製程130並存 執行。
作為檢查製程140的一部分，可產生識別光罩110中的缺陷的位置的缺陷映射145。映射145中指示的缺陷可為(例如)顆粒的位置或元件的不規則特徵的位置。如圖所示，檢查結果(例如，在缺陷映射中擷取的)可經由缺陷分析製程150與設計120相關，例如，藉由使用缺陷映射145及設計120的電腦自動設計(computer automated design；CAD)模型，例如，以來自(諸如GDS、GDS-II等等)的圖形形式來進行此相關操作。因此，可有效地定位元件上發生的來自映射145的缺陷。缺陷分析製程150可包括區塊至區塊缺陷偵測模組107以藉由比較影像內部的區塊偵測缺陷。
如圖所示，本發明的實施例可提供自動缺陷評審製程160。自動缺陷評審製程160可處理相對大量的缺陷資料以提取可用於透徹理解設計製程互動(design process interaction；DPI)的資訊，亦即，特定設計對於製程變化的敏感度。
第2圖為區塊至區塊缺陷偵測模組200的一個實施例的方塊圖。區塊至區塊缺陷偵測模組200可與第1圖的區塊至區塊缺陷偵測模組107相同。區塊至區塊缺陷偵測模組200包括檢查子模組201、參考子模組203及缺陷識別字子模組205。注意在替代的實施例中，檢查子模組201、參考子模組203及缺陷識別字子模組205的功能可被組合或進一步劃分。
檢查子模組201可識別在檢查影像的檢查框中的候選缺陷位置。以下連同第3圖更詳細地描述檢查影像的檢查 框的一個實施例。檢查子模組201可基於候選缺陷位置界定候選區塊。舉例而言，檢查子模組201可選擇候選區塊的形狀、選擇候選區塊的尺寸的大小、選擇候選區塊的面積及/或調整與候選區塊相關聯的位置以界定候選區塊。
檢查子模組201可使用預先定義的類似性標準識別檢查框中的至少一個類似區塊。預先定義的類似性標準的實例可包括且並不限於，預先定義的絕對灰階差的閾值、絕對訊雜比及正規化相關性。以下連同第3圖更詳細地描述識別至少一個類似區塊的一個實施例。以下連同第4圖更詳細地描述基於參考框識別檢查框中的至少一個類似區塊的一個實施例。在一個實施例中，檢查子模組201使用統計模型識別一或更多個區塊。
缺陷識別字子模組205可基於檢查框中的候選區塊的至少一部分與檢查框中的至少一個類似區塊的至少一對應的部分的比較決定是否在框中的候選缺陷位置處存在缺陷。缺陷識別字子模組205可決定候選區塊與類似區塊之間的差。缺陷識別字子模組205可將差與閾值比較及若差滿足閾值則可識別檢查框中的候選缺陷位置具有缺陷。
在一個實施例中，檢查子模組201基於參考影像中的參考框識別檢查框中的至少一個類似區塊。參考子模組205可接收參考影像的參考框。在一個實施例中，參考框為另一晶粒中的框，該框具有與檢查框類似的晶粒位置。在另一實施例中，參考框為使用設計資料人工創建的檢查框的模型。
在一個實施例中，參考子模組203藉由使用儲存在 設計資料資料庫202中的設計資料創建檢查框的模型來創建參考框。在一個實施例中，參考子模組203耦合至設計資料資料庫202。之前注意到，可根據物品設計(例如，光罩設計)經由藉由一組製程參數控制的製造製程生產物品(例如，光罩)。光罩設計資料可儲存在設計資料資料庫202中。設計資料資料庫202可儲存設計資料，諸如設計佈局、用於設計佈局的路由資訊等等。在一個實施例中，設計資料可為設計的電腦自動設計(CAD)模型形式，例如，以圖形形式(諸如GDS、GDS-II等等)。設計資料資料庫202亦可儲存用於以前設計的光罩的歷史設計資料。
參考子模組203可界定參考框內部的第一參考區塊。第一參考區塊對應於檢查框中的候選區塊。參考子模組203可識別第一參考區塊中的第一參考位置。第一參考位置對應於檢查框中的候選缺陷位置。參考子模組203可使用參考類似性標準選擇參考框內部的參考影像的至少一個第二參考區塊。類似性標準的實例可包括且並不限於，絕對灰階差的預先定義的閾值、絕對訊雜比及正規化相關性。參考子模組203可基於第一參考位置與第一參考區塊的關聯將第二參考位置相關聯於第二參考區塊。舉例而言，在正方形區塊或矩形區塊的情況下，參考子模組203可選擇區塊的中心點或區塊的角中的一個(例如，相對於從晶粒的一個角開始的X,Y軸的最低的x,y值)以將第二參考位置相關聯於第二參考區塊。
檢查子模組201可將參考框中的第二參考位置相關 聯於檢查框中對應的第二位置並將與檢查框中的第二位置相關聯的區塊識別為類似於檢查框中的候選區塊的區塊。舉例而言，識別子模組201可選擇第二參考區塊內部的位置及定位檢查影像中對應的位置。舉例而言，在正方形區塊或矩形區塊的情況下，識別子模組201可選擇第二參考區塊的中心點或第二參考區塊的角中的一個。識別子模組201可基於檢查影像中對應的位置定位檢查影像中的類似區塊。
第3圖為用於藉由比較影像內部的區塊偵測缺陷的方法300的實施例流程圖。方法300可藉由處理邏輯執行，該處理邏輯可包含硬體(例如，電路系統、專用邏輯、可程式邏輯、微代碼等等)、軟體(例如，在處理裝置上執行的指令)或所述者的組合。在一個實施例中，方法300藉由第1圖的區塊至區塊缺陷偵測模組107執行。
在方塊301處，處理邏輯接收檢查框中的至少一個候選缺陷位置。可自處理檢查框接收候選缺陷位置。檢查框可為檢查影像的框，該框藉由收集指示物品上的圖案的訊號而非產生。物品的實例可包括且並不限於，生產積體電路晶粒及/或晶片的圖案化半導體晶圓、光罩及網線。在一個實施例中，藉由使用相干光照亮物品(例如，光罩)引起訊號。在另一實施例中，藉由將帶電粒子束導向物品(例如，光罩)引起訊號。檢查影像的實例可包括且並不限於，反射檢查影像及透射檢查影像。處理邏輯可收集從光罩反射的訊號以創建反射檢查影像。處理邏輯可收集經由光罩透射的訊號以創建透射檢查影像。檢查影像亦可藉由收集回應於藉由(例如) 相干光或藉由帶電粒子照亮光罩從光罩返回的訊號來創建。
在方塊303處，針對每一候選缺陷位置，處理邏輯基於候選缺陷位置界定檢查框中的候選區塊。舉例而言，針對每一候選缺陷位置，處理邏輯可打開圍繞對應的候選缺陷位置的候選區塊。處理邏輯可選擇候選區塊的形狀、選擇候選區塊的尺寸的大小、選擇候選區塊的面積及/或調整與候選區塊相關聯的位置以界定候選區塊。
在方塊305處，處理邏輯使用預先定義的類似性標準識別檢查框中的至少一個類似區塊。預先定義的類似性標準的實例可包括且並不限於，絕對灰階差的預先定義的閾值、絕對訊雜比及正規化相關性。處理邏輯可藉由比較檢查框中的候選區塊與檢查框中的類似區塊之間的圖元來識別至少一個類似區塊。處理邏輯可藉由排除檢查框中的候選區塊與檢查框中的類似區塊之間的比較中的一或更多個圖元來識別至少一個類似區塊。一或更多個圖元可與候選缺陷位置相關聯。在一個實施例中，處理邏輯使用參考框識別檢查框中的至少一個類似區塊。以下連同第4圖更詳細地描述基於參考框識別檢查框中的至少一個類似區塊的一個實施例。在一個實施例中，處理邏輯使用統計模型識別檢查框中的一或更多個區塊。在一個實施例中，處理邏輯改變檢查框中的每一類似區塊關於候選缺陷位置的位置及/或改變類似區塊的尺寸及/或類似區塊的形狀，以便增加類似區塊與候選區塊的類似性。在一個實施例中，處理邏輯將檢查影像中的每一類似區塊對準候選區塊及選擇性地將最佳篩檢程式應用至類似區 塊，從而提高類似區塊及候選區塊的類似性而不是缺陷。
在方塊307處，處理邏輯基於候選區塊的至少一部分與至少一個類似區塊的至少一對應的部分的比較來決定是否在候選缺陷位置處存在缺陷。處理邏輯可決定候選區塊與類似區塊之間的差。處理邏輯可將該差與閾值比較及若差滿足閾值則可識別候選缺陷位置具有缺陷。
在一個實施例中，一旦已經對準及選擇性地篩檢類似區塊，則處理邏輯比較類似區塊與候選區塊及相應地決定是否候選區塊在候選缺陷位置處具有缺陷還是不具有缺陷。若針對候選區塊發現一個以上類似區塊，則處理邏輯可基於(例如)比較各種類似區塊的每一者與候選區塊的結果的平均的適當組合，決定是否候選區塊具有缺陷還是不具有缺陷。
在一個實例中，若缺陷存在於反射檢查影像及/或透射檢查影像的候選缺陷位置處，則處理邏輯決定缺陷存在於候選缺陷位置處。
第4圖為用於使用參考框識別檢查框中的至少一個類似區塊的方法400的實施例流程圖。方法400可藉由處理邏輯執行，該處理邏輯可包含硬體(例如，電路系統、專用邏輯、可程式邏輯、微代碼等等)、軟體(例如，在處理裝置上執行的指令)或所述者的組合。在一個實施例中，方法400藉由第1圖的區塊至區塊缺陷偵測模組107執行。
在方塊401處，處理邏輯接收檢查框中的至少一個候選缺陷位置。在方塊403處，處理邏輯基於候選缺陷位置界定檢查框中的候選區塊。舉例而言，處理邏輯打開圍繞候 選缺陷位置的區塊。處理邏輯可選擇候選區塊的形狀、選擇候選區塊的尺寸的大小、選擇候選區塊的面積及/或調整與候選區塊相關聯的位置以界定候選區塊。
在方塊405處，處理邏輯接收參考影像的參考框。在一個實施例中，參考框為另一晶粒中的框，該框具有與檢查框類似的晶粒位置。在另一實施例中，處理邏輯藉由使用設計資料創建檢查框的模型來創建參考框。在方塊407處，處理邏輯界定參考框內部的第一參考區塊。第一參考區塊對應於檢查框中的候選區塊。在方塊409處，處理邏輯識別第一參考區塊中的第一參考位置。第一參考位置對應於檢查框中的候選缺陷位置。
在方塊411處，處理邏輯選擇參考框內部的參考影像的至少一個第二參考區塊。處理邏輯可使用參考類似性標準。類似性標準的實例可包括且並不限於，絕對灰階差的預先定義的閾值、絕對訊雜比及正規化相關性。在方塊413處，處理邏輯基於第一參考位置與第一參考區塊的相關聯將第二參考位置相關聯於第二參考區塊。舉例而言，在正方形區塊或矩形區塊的情況下，處理邏輯可選擇第二參考區塊的中心點作為第二參考位置。在另一實例中，處理邏輯可選擇第二參考區塊的角中的一個(例如，相對於從晶粒的一個角開始的X,Y軸的最低x,y值)作為第二參考位置。
在方塊415處，處理邏輯將第二參考位置相關聯於檢查框中對應的第二位置及在方塊417處，將與檢查框中的第二位置相關聯的區塊識別為類似於檢查框中的候選區塊的 區塊。舉例而言，在正方形區塊或矩形區塊的情況下，第二參考位置可為第二參考區塊的中心點或角，且處理邏輯可定位檢查影像中對應的位置。處理邏輯隨後識別與對應的位置相關聯的區塊。與對應的位置相關聯的區塊成為檢查影像中的候選區塊的類似區塊。
第5圖圖示根據一些實施例的示例性影像中的示例性框的示例性區塊。在檢查影像的檢查框503中識別候選缺陷位置501。基於候選缺陷位置501界定候選區塊505。第一參考區塊507在參考框509內部界定。第一參考區塊507對應於檢查框503中的候選區塊505。在第一參考區塊507中識別第一參考位置515。第一參考位置515對應於檢查框503中的候選缺陷位置501。選擇參考框509內部的參考影像的至少一個第二參考區塊511。基於第一參考位置與第一參考區塊的相關聯，將第二參考位置517相關聯於第二參考區塊511。第二參考位置517相關聯於檢查框503中的對應的第二位置519。區塊513相關聯於檢查框503中的第二位置519作為類似於檢查框503中的候選區塊505的區塊。
某些實施例的特定優點為缺陷偵測可利用非週期重複，該非週期重複經證明經常發生在許多大量製造的微觀物件中。舉例而言，「接觸」的鄰近性由此可為類似重複的，因為許多接觸可甚至存在在100×100圖元陣列中。
可藉由比較非週期但重複的圖案發現缺陷。此通常比將缺陷偵測的基礎限制為比較週期重複圖案更令人滿意。已經發現晶片設計經常包含非週期圖案，不能使用基於週期 性假設的偵測覆蓋該等非週期圖案。
某些實施例的另一優點為重複(「類似」)區域，該等區域可用作比較的基礎以不依賴已知的週期性發現候選缺陷。替代地，分析區域自身允許甚至藉由窮舉搜尋將特定區域移動至相同框內部的其他類似大小的區域上的所有可能來識別重複。一些光罩可能完全缺乏週期性，但是可能仍然通常具有框內重複，缺陷偵測可基於該框內重複。
可選地，從以下集合中選擇待檢查的物品：晶圓、光罩及網線，且其中該方法亦包含以下步驟：執行至少一個自動製程，該自動製程區別藉由比較發現的缺陷的微觀物件及不藉由比較發現缺陷的微觀物件。自動製程可例如包括「好的」(例如，無缺陷或幾乎無缺陷的物件)的自動包裝及丟棄「差的」物件，該等「差的」物件不具有一定位準的缺陷或具有多於一定位準的缺陷。更一般而言，自動製程可例如包括取決於比較的結果將物件自動分組的任何類型，以促進不同的自動處理或不同的自動組分配。
可選地，為了決定是否類似區塊類似於候選區塊，候選區塊的一部分與類似區塊的對應部分比較，該對應部分不包括候選缺陷的至少一部分。舉例而言，在候選位置處或附近的選擇的圖元從類似性的檢查中被排除。咸信，避免將區塊類似性決定基於被認為包含缺陷的區塊的部分與類似區塊的對應部分的比較係有利的。替代地，所相信的缺陷位置的附近用於做出類似性決定。
可選地，若藉由搜尋發現一個以上類似區塊，則比 較步驟包括以下步驟：比較候選區塊的至少一部分與複數個類似區塊的每一者的至少一對應的部分，從而獲得複數個比較結果，並對複數個比較結果取平均以發現缺陷。
本發明的某些實施例的特定優點為能夠藉由對數個比較製程去取平均發現缺陷，從而減少雜訊，而非藉由依靠單個比較製程(例如，如在習知的晶粒至晶粒製程中)。雖然有時候理論上可能依靠晶粒至晶粒中的一個以上比較製程，但此將涉及檢查物件的多個部分之間的比較，該等多個部分為彼此距離至少二個晶粒，由於區域效應趨向於引起檢查物件的不同部分甚至在缺乏缺陷時亦係不同的，因此該比較不可取。此外，許多光罩僅具有二個晶粒使得不可能對數個比較製程取平均。
可選地，搜尋步驟亦包含以下步驟：調適已經發現的至少一個第一類似區塊的至少一個特徵，從而界定對應於包含候選缺陷的修改後的候選區塊的更類似的區塊及該更類似區塊與修改後的候選區塊的類似性超過第一類似區塊與第一候選區塊之間的類似性，且其中比較步驟包括以下步驟：比較修改後的候選區塊的至少一部分與類似區塊的對應的一部分。
可選地，特徵包含第一類似區塊的至少一個尺寸的長度。可選地，特徵包含候選缺陷與包含候選缺陷的候選區塊之間的相對定位。
如上調適類似區塊特徵的特定優點為可針對給定類似性閾值發現更多類似的區塊，使得偵測方法將更有可能針 對每一候選缺陷成功發現至少一個類似區塊。初始寬鬆的類似性標準可用於識別「被提名者」，亦即，第一類似區塊，該等第一類似區塊非常類似於候選缺陷位置，即使或許出於缺陷偵測目的並非足夠地類似。一旦發現此等非常類似的區塊或「被提名者」，則可改變發現的每一非常類似的區塊的一或更多個尺寸以便發現真正類似的區塊，亦即，出於缺陷偵測目的足夠類似的區塊。或者(或另外)，非常類似的區塊相對於候選缺陷的位置可經改變以便發現真正類似的區塊。
舉例而言，50×50圖元類似區塊可以檢查框中候選缺陷位置為中心及通過初始類似性標準。隨後，可發現包括在檢查框內部的四個不同的40×40圖元類似區塊的每一者通過嚴格的類似性閾值。替代地或額外地，可發現包括候選缺陷位置但不以候選缺陷位置為中心的又三個50×50圖元類似區塊的每一者亦通過嚴格的類似性閾值。舉例而言，三個類似區塊可包括含有位於類似區塊的右上角的候選缺陷位置一個類似區塊、含有位於類似區塊的左下角的候選缺陷位置的一個類似區塊及含有大約位於類似區塊的二個下角中間的候選缺陷位置的一個候選區塊。七個候選區塊的每一者可與候選區塊比較及由此獲得的比較結果可經平均以獲得是否候選區塊包括缺陷的最終決定。
事實上，已經發現決定類似性的試驗及錯誤實驗的結果趨向於群聚使得容易藉由簡單地使用位於較高群及較低群中間的值選擇二元化閾值。針對許多應用的適當的閾值已 經被發現為大約3.5 SNR。
一般而言，若圖元的灰階僅分隔幾個值，例如，0至255個單元中8位元元灰階上1至3個單元，則認為圖元為類似的。若圖元的灰階分隔大於幾個值，例如，8位元灰階上4至255個單元，則認為圖元為不同的。若區塊(或區塊的界定部分)中的全部圖元為互相類似的，則認為區塊為類似的。
可選地，比較步驟亦包含以下步驟：提供最佳篩檢程式，當應用至類似區塊時，該最佳篩檢程式為可操作的以減少類似區塊及與該類似區塊類似的無缺陷候選區塊之間的差；及在比較候選區塊的至少一部分與至少一個類似區塊的至少一對應的部分之前將該最佳篩檢程式應用至至少一個第一類似區塊以發現缺陷。
可選地，比較步驟包括以下步驟：將候選區塊對準類似區塊，執行應用最佳篩檢程式及從篩檢後的對準的類似區塊的各自圖元中減去對準的候選區塊的各自圖元以發現缺陷。
最佳篩檢程式通常最小化候選區塊與類似區塊之間的平均平方差。應理解，最佳篩檢程式在許多其他缺陷偵測製程中為有用的及最佳篩檢程式的適用性不受限於此處圖示及描述的具體框內「區塊至區塊」偵測缺陷製程。更一般而言，本發明包括以下實施例：一種用於發現微觀物件中的缺陷的系統或方法，該系統或方法包含以下步驟：藉由比較候選缺陷位置與類似位 置偵測缺陷，該步驟包括以下步驟：提供最佳篩檢程式，當應用至類似位置時，該最佳篩檢程式為可操作的以減少類似位置與該類似位置類似的無缺陷位置之間的差；及在比較候選缺陷位置與至少一個類似位置之前將該最佳篩檢程式應用至至少一個類似位置。
可選地，該系統或方法亦包含候選分析以識別至少一個候選缺陷位置。可選地，提供電腦程式產品，該電腦程式產品包含電腦可用媒體，該電腦可用媒體具有電腦可讀取程式代碼包含在電腦可用媒體中，該電腦可讀取程式代碼適合於經執行以實施用於發現微觀物件中的缺陷的方法，該方法包含以下步驟：對於單獨框中的至少一個候選缺陷位置，將至少一個製造物件的一部分成像，該至少一個製造物件的表面具有微觀圖案；使用處理器用於搜尋單獨框內部的至少一個第一類似區塊，該至少一個第一類似區塊類似於包含候選缺陷的第一候選區塊；及比較候選區塊的至少一部分與至少一個類似區塊的對應的一部分以發現(若有)在候選缺陷位置處的缺陷。
光罩或類似微觀圖案化物件上的缺陷偵測經常涉及比較相同晶粒。由於在二個不同晶粒上的相同位置中具有相同缺陷的概率實際上為零，故二個晶粒之間的顯著不同被視為有缺陷的。比較發生在晶粒內部的二個對應框之間。由於偵測流為不對稱的，故通常偵測流被應用二次：反覆運算#1：第一晶粒與影像；第二晶粒與參考；及反覆運算#2：第一晶粒與參考；第二晶粒與影像。然而，檢查影像與來另一個晶 粒的參考影像之間的差有雜訊及區別缺陷與雜訊為困難的。因此，本發明的某些實施例的目標為從晶粒間偵測移動至晶粒內偵測。優點包括不同晶粒之間的雜訊比晶粒內部的雜訊更強。此外，在框內偵測中，雜訊為最小的；因此，D2D敏感度可經由框內偵測得以改良。D2D製程的輸入可包括：影像及參考，及「候選者」，外部提供的懷疑位置。輸出可包括決定每個候選者：是缺陷還是錯誤警報(false alarm；FA)。對於每一候選者，該方法通常打開圍繞候選者的區塊，打開參考中對應的區塊，發現參考中對應區塊的類似區塊，打開影像中對應的類似區塊及比較影像中對應的類似區塊與影像中候選的區塊，及若候選區塊不同於影像中的類似區塊則報告缺陷。
第6A圖為D2D或D2M偵測的方法600的實施例流程圖。在一個實施例中，方法600的一些部分藉由任何適當類型的缺陷檢查及/或缺陷分析系統(例如，第1圖中的缺陷分析製程150中的系統及/或第1圖中的檢查製程140中的系統)的處理邏輯執行，且方法600的一些部分藉由第1圖的區塊至區塊缺陷偵測模組107的處理邏輯執行。處理邏輯可包含硬體(例如，電路系統、專用邏輯、可程式邏輯、微代碼等等)、軟體(例如，在處理裝置上執行的指令)或所述者的組合。舉例而言，方法600的方塊620及630可藉由第1圖的區塊至區塊缺陷偵測模組107執行。
在方塊610處，處理邏輯使用任何適當類型的晶粒間(針對D2D)處理預先處理檢查影像。在一個實施例中， 處理邏輯預先處理檢查影像及參考影像。預先處理操作的實例可包括且並不限於，檢查影像與參考影像之間的配準及匹配檢查影像與參考影像之間的動態範圍。處理邏輯可例如藉由計算檢查影像及參考影像的頭二個動差(例如，平均數及標準差(standard deviation；STD))及提取應用至一個影像的增益及抵消，從而匹配另一個影像的動差，來匹配檢查影像與參考影像之間的動態範圍。處理邏輯可使用任何適當的影像-參考配準方法(例如，基於強度對比基於特徵、基於變換模型、基於空間對比頻率域的方法、單一模態對比多模態的方法、自動對比互動的方法)。處理邏輯可使用任何適當的類似性量測用於影像配準，諸如但不限於，相互資訊及正規化相互資訊，該等類似性量測為適合於多模態影像的配準的影像類似性量測。此類量測亦可包括互相關、強度差的平方和及比率影像均一性，該等量測為適合於在相同模態中的影像配準的影像類似性量測。
在方塊615處，處理邏輯將特定於應用的漏斗技術應用至預先處理的一或更多個影像以建議一或更多個候選缺陷位置。漏斗可為任何晶粒間比較電腦化製程，諸如且並不限於，簡單的D2D差及更為複雜的晶粒間比較電腦化製程。處理邏輯可使用任何適當的漏斗演算法，諸如且並不限於，晶粒間漏斗，該晶粒間漏斗為可操作的以指出框中的懷疑缺陷位置，從而決定候選缺陷位置。舉例而言，處理邏輯可從參考影像中減去檢查影像以決定簡單的差並隨後使用差閾值將大的差識別為漏斗。處理邏輯可產生漏斗得分映射用於識 別候選缺陷位置。漏斗得分映射可包括影像，該影像為框的大小，每一圖元處具有漏斗得分，該漏斗得分指示此圖元可能為缺陷的懷疑度。舉例而言，若漏斗為簡單的D2D差，則漏斗映射可包含框中的每一圖元的D2D絕對差訊號的矩陣。待識別的候選缺陷位置的數量可為特定於應用的參數，指示將經歷區塊至區塊缺陷偵測分析(例如，在方塊620處)的候選缺陷位置的數量。候選者的數量可為使用者定義的值(例如，N=25)。以下連同第6B圖更詳細地描述使用漏斗得分映射決定候選缺陷位置列表的一個實施例。
第6B圖為用於決定候選缺陷位置列表的方法650的實施例流程圖。在一個實施例中，方法650藉由任何適當類型缺陷檢查及/或缺陷分析系統(例如，第1圖中的缺陷分析製程150中的系統及/或第1圖的檢查製程140中的系統)的處理邏輯執行。處理邏輯可包含硬體(例如，電路系統、專用邏輯、可程式邏輯、微代碼等等)、軟體(例如，在處理裝置上執行的指令)或所述者的組合。在另一實施例中，方法650藉由第1圖的區塊至區塊缺陷偵測模組107執行。
在方塊670處，處理邏輯接收漏斗得分映射。漏斗得分映射可包括影像，該影像為框的大小，每一圖元處具有漏斗得分，該漏斗得分指示此圖元可能為缺陷的懷疑度。舉例而言，若漏斗為簡單的D2D差，則漏斗映射可包括框中的每一圖元的D2D絕對差訊號的矩陣。在方塊673處，處理邏輯基於漏斗得分映射中的圖元處的漏斗得分識別候選缺陷位置的子集。待識別的候選缺陷位置的數量可為使用者定義的 數量(例如，N=25)。以下連同第7圖更詳細地描述基於漏斗得分映射識別候選缺陷位置子集的一個實施例。在方塊675處，處理邏輯針對子集中的每一候選缺陷位置創建邊界盒。邊界盒可為動態邊界盒。根據某些實施例，如此處所描述的，「動態邊界盒」藉由修改邊界盒的至少一個特徵(諸如，邊界盒的形狀及/或邊界盒的大小的至少一尺寸及/或邊界盒關於候選者的相對位置)從邊界盒得到。選擇修改以更準確地包含缺陷。以下連同第17圖更詳細地描述針對候選缺陷位置創建邊界盒的一個實施例。在方塊677處，處理邏輯基於漏斗得分映射產生最強的候選缺陷位置的列表。處理邏輯可經配置以基於使用者定義的數量產生列表(例如，其中N=25的候選缺陷位置的列表)。針對每一候選缺陷位置，列表可包括位置及針對對應位置的邊界盒。
回到第6A圖，在方塊620處，處理邏輯(例如，第1圖的區塊至區塊缺陷偵測模組107的處理邏輯)可使用檢查影像、參考影像及缺陷候選位置的子集(例如，列表)以執行區塊至區塊缺陷偵測，從而比較檢查框中的區塊以決定是否在一或更多個候選缺陷位置處存在缺陷。以上連同第3圖更詳細地描述了執行區塊至區塊缺陷偵測的一個實施例。
在方塊630處，處理邏輯報告缺陷。處理邏輯可產生當前框(檢查框)中的缺陷圖元的清單及可決定每一候選缺陷位置。舉例而言，針對每一候選缺陷位置，列表可指示是否對應的候選缺陷位置為缺陷、錯誤警報(FA)或無法決定。通常，若檢查框中存在缺陷，則缺陷可相關於高的漏斗 得分及可位於頭N(例如，N=25)個候選者中。通常，框中的圖案為高度重複的。工作假設為參考中的二個類似區塊在影像中為類似的，除非若影像中存在缺陷。若區塊包含缺陷，則影像中通常不會發現類似區塊。
第7圖為用於基於漏斗範圍映射識別候選缺陷位置的子集的方法700的實施例流程圖。在一個實施例中，方法700藉由任何適當類型缺陷檢查及/或缺陷分析系統(例如，第1圖中的缺陷分析製程150中的系統及/或第1圖中的檢查製程140中的系統)的處理邏輯執行。處理邏輯可包含硬體(例如，電路系統、專用邏輯、可程式邏輯、微代碼等等)、軟體(例如，在處理裝置上執行的指令)或所述者的組合。在另一實施例中，方法700藉由第1圖的區塊至區塊缺陷偵測模組107執行。
在方塊705處，處理邏輯接收包括漏斗得分映射的輸入。漏斗得分映射可包括影像，該影像為框的大小，每一圖元處具有漏斗得分，該漏斗得分指示此圖元可能為缺陷的懷疑度。在方塊710處，處理邏輯基於漏斗得分識別漏斗得分映射內部的最強的圖元的預先定義的數量。預先定義的數量可為使用者定義的數量(例如，N=25)。在一個實施例中，處理邏輯遮住每一頂點附近。在方塊715處，處理邏輯藉由將閾值應用至漏斗得分映射來創建重要的漏斗映射。在方塊720處，處理邏輯使用重要的漏斗映射重建最強的圖元。在方塊725處，處理邏輯創建最強候選者(例如，N=25)的列表，包括針對最強候選缺陷位置的每一者的缺陷位置及邊界盒。
第8圖為用於藉由比較影像內部的類似區塊偵測缺陷的方法800的實施例流程圖。方法800可藉由處理邏輯執行，該處理邏輯可包含硬體(例如，電路系統、專用邏輯、可程式邏輯、微代碼等等)、軟體(例如，在處理裝置上執行的指令)或所述者的組合。在一個實施例中，方法800藉由第1圖的區塊至區塊缺陷偵測模組107執行。
在方塊801處，根據一些實施例，針對每一候選缺陷位置，處理邏輯搜尋類似區塊的被提名者。被提名的類似區塊為潛在類似於候選區塊的區塊，該候選區塊與對應的候選缺陷位置相關聯。在一個實施例中，處理邏輯搜尋檢查影像上的類似區塊的被提名者。在另一實施例中，處理邏輯搜尋參考影像上的類似區塊的被提名者。以下連同第9圖更詳細地描述用於從被提名的類似區塊中搜尋類似區塊的一個實施例。
在方塊803處，處理邏輯發現被提名類似區塊與候選區塊之間的最佳區域。最佳區域可僅包含類似圖元。最佳區域可為任何形狀，諸如且並不限於，矩形、環形、正方形或任何任意形狀。以下連同第10圖更詳細地描述發現最佳區域的一個實施例。在方塊805處，處理邏輯基於最佳區域決定是否被提名的類似區塊類似於候選區塊。處理邏輯可決定是否發現了合法區域(例如，矩形)。合法區域可包括滿足標準(諸如具有最小面積(例如，200個圖元)及在每一軸中具有最少數量的圖元(例如，7個圖元))的區域。若發現合法區域(方塊805)，則處理邏輯決定被提名的類似區塊類似 於候選區塊(在最佳區域面積內)及在方塊807處執行區塊至區塊缺陷偵測。若沒有發現合法區域(方塊805)，則處理邏輯決定被提名的類似區塊不類似於候選區塊及在方塊815決定是否存在另一被提名的類似區塊以待處理。
在方塊807處，處理邏輯執行區塊至區塊缺陷偵測以決定是否在候選缺陷位置處存在缺陷。以下連同第11圖更詳細地描述執行區塊至區塊缺陷偵測以決定是否在候選缺陷位置處存在缺陷的一個實施例。若沒有缺陷(方塊809)，則在方塊811處處理邏輯丟棄類似區塊。就比較候選區塊與當前類似區塊產生極低差訊號而言，丟棄的類似區塊可代表錯誤警報。處理邏輯可記錄指示類似區塊為錯誤警報的資料。若存在缺陷(方塊809)，則在方塊813處理邏輯在資料儲存庫中儲存缺陷結果資料，該資料儲存庫耦合至區塊至區塊缺陷偵測模組。
在方塊815，處理邏輯決定是否存在另一被提名的類似區塊。若存在另一被提名的類似區塊，則處理邏輯回到方塊803以發現下一個被提名的類似區塊與候選區塊之間的最佳區域。若不存在另一被提名的類似區塊待評估(方塊815)，則在方塊817處理邏輯決定是否存在足夠儲存的結果以計算平均值。在一個實施例中，若存在針對二個以上類似區塊的儲存結果，則處理邏輯計算儲存的結果的平均值。若不能計算平均值(方塊817)，則在方塊823處理邏輯報告結果。處理邏輯可記錄及/或報告指示對應於候選區塊的候選缺陷位置未解決的資料。
若可計算平均值(方塊817)，則在方塊819處處理邏輯計算儲存的結果的平均值並在方塊821處基於平均值決定是否在對應於候選區塊的候選缺陷位置處存在缺陷。以下連同第12圖更詳細地描述基於平均值決定是否在對應於候選區塊的候選缺陷位置處存在缺陷的一個實施例。
在方塊823處，處理邏輯報告決定的結果。舉例而言，若基於平均值在對應於候選區塊的候選缺陷位置處存在缺陷，則處理邏輯可記錄及/或報告指示存在缺陷的資料。若基於平均值在對應於候選區塊的候選缺陷位置處不存在缺陷，則處理邏輯可記錄及/或報告指示存在錯誤警報的資料。
第9圖為用於從被提名的類似區塊中搜尋類似區塊的方法900的實施例流程圖。方法900可藉由處理邏輯執行，該處理邏輯可包含硬體(例如，電路系統、專用邏輯、可程式邏輯、微代碼等等)、軟體(例如，在處理裝置上執行的指令)或所述者的組合。在一個實施例中，方法900藉由第1圖的區塊至區塊缺陷偵測模組107執行。
在方塊901處，針對當前候選缺陷位置，處理邏輯界定針對候選缺陷位置的區塊以創建候選區塊。在一個實施例中，處理邏輯界定圍繞候選缺陷位置的社區塊。處理邏輯使用類似性度量，諸如平均絕對差(mean absolute difference；MAD)，找到區塊環境內部的類似區塊被提名者(例如，M=30)。MAD(平均絕對差)計算此處亦被稱為絕對差的和(sum absolute difference；SAD)計算。待發現的類似區塊的數量可為使用者定義的值(例如，M=30)。在方塊903處，處 理邏輯在當前感興趣區(region of interest；ROI)上移動候選區塊的範本。在方塊905處，針對每一移動位置，處理邏輯計算絕對差的和(SAD)。在一個實施例中，處理邏輯如下計算SAD：
在方塊907處，處理邏輯輸出最小SAD位置，該最小SAD位置代表與範本區塊最為類似的區塊。最小SAD計算可代表候選區塊(「範本」)的SAD(絕對差的和)的計算，該候選區塊具有ROI=感興趣區中的每一圖元，取具有最小SAD值的位置(例如，30個)。ROI可為框的某一部分，甚至是整個框。
第10圖為用於發現被提名的類似區塊與候選區塊之間的最佳區域的方法1000的實施例流程圖。方法1000可藉由處理邏輯執行，該處理邏輯可包含硬體(例如，電路系統、專用邏輯、可程式邏輯、微代碼等等)、軟體(例如，在處理裝置上執行的指令)或所述者的組合。在一個實施例中，方法1000藉由第1圖的區塊至區塊缺陷偵測模組107執行。
在方塊1001處，處理邏輯將候選區塊與被提名的類似區塊配準。以下連同第14圖更詳細地描述用於將候選區塊與被提名的類似區塊配準的一個實施例。在方塊1003處，處理邏輯擴大候選區塊及被提名的類似區塊至較大的區塊。擴大的大小的實例可包括且並不限於，50個圖元乘以50個圖元、30個圖元乘以30個圖元及70個圖元乘以70個圖元。在 方塊1005處，處理邏輯計算候選區塊與被提名的類似區塊之間的差。在方塊1007處，處理邏輯藉由比較每一圖元與閾值創建指示針對每一圖元的類似性的二元遮罩。
在方塊1009處，處理邏輯發現四角形，該四角形僅內切標記為類似的圖元。在方塊1011處，處理邏輯識別最大的區域(例如，矩形)，該區域一定接觸所發現的四角形的二個對邊。區域的實例可包括且並不限於，矩形、正方形、環形及任意形狀。處理邏輯可藉由僅檢查滿足接觸四角形的二個對邊的性質的區域(例如，矩形)而不是檢查所有可能區域(例如，矩形)來節省發現最大區域(例如，矩形)的時間。在方塊1013處，處理邏輯建構具有二個對角接觸四角形的二個對邊的所有可能區域(例如，矩形)。在方塊1015處，處理邏輯解除不合法區域(例如，不合法的矩形)。不合法區域可包括不滿足標準(諸如具有最小面積(例如，200個圖元)及在每一軸中具有最少數量的圖元(例如，7個圖元))的區域。在方塊1017處，針對每一區域(例如，矩形)，處理邏輯發現區域(例如，矩形)的候選邊界盒與每一邊緣(例如，側邊)之間的最小距離及選擇孔距離邊緣最大的區域(例如，矩形)。
在方塊1019處，處理邏輯將選擇的區域(例如，矩形)中的最大者識別為最佳區域(例如，矩形)。最佳區域(例如，矩形)僅包含類似圖元。根據某些實施例，針對每一(例如，區塊、被提名的類似區塊)對，處理邏輯在該區塊與類似區塊之間搜尋僅包含類似圖元的區域(例如，矩 形)。此區域(例如，矩形)指示其中二個區塊實際上類似的區域。在可能的區域(例如，矩形)中，通常選擇僅包含類似圖元的「最佳矩形」。「最佳的」可取意為候選邊界盒與區塊的邊緣的距離為最大的達到某一距離，該距離憑經驗發現明顯證明影像中的類似性(例如，2至3個圖元)，超過該距離不存在更佳的情況。此允許在邊界盒中儘可能多的圖元上執行偵測。「最佳的」可為最佳的矩形區域，該最佳的矩形區域為最大的以促進穩健的雜訊評估。「最佳的」可為矩形，該矩形為合法的，亦即滿足最小標準，諸如具有最小面積(例如，200個圖元)及在每一軸中具有最少數量的圖元(例如，7個圖元)。
第11圖為用於執行區塊至區塊缺陷偵測以決定是否在候選缺陷位置處存在缺陷的方法1100的實施例流程圖。方法1100可藉由處理邏輯執行，該處理邏輯可包含硬體(例如，電路系統、專用邏輯、可程式邏輯、微代碼等等)、軟體(例如，在處理裝置上執行的指令)或所述者的組合。在一個實施例中，方法1100藉由第1圖的區塊至區塊缺陷偵測模組107執行。
在方塊1101處，根據發現的最佳區域(例如，最佳矩形)，處理邏輯遮住所有非類似區域。在方塊1103處，處理邏輯將候選區塊與類似區塊配準。以下連同第14圖更詳細地描述用於將候選區塊與被提名的類似區塊配準的一個實施例。在一個實施例中，在D2D/D2M應用中，若需要，處理邏輯可使用來自參考的配準結果代替配準(對準)區塊及類似 區塊，或參考結果可用作初始化應用至影像區塊的適當配準製程，故影像區塊上的配準在較少時間內達成，由此節省產量。在方塊1105處，處理邏輯發現類似區塊與候選區塊之間的最佳篩檢程式。舉例而言，處理邏輯可使用「最小平方」解發現最佳篩檢程式。給定二個區塊，R、I，及篩檢程式h，具有圖元大小N×N，滿足以下條件：h=argmin∥R*h-I∥2 方程2
假設R0,R2,...為大小為篩檢程式hR中的某一單元的圖元。
假設為對應於I中單元的中心的圖元。
處理邏輯可尋找一組係數，該組係數最小化：
在決定方程組期間相同情況可應用於區塊中每一單元N×N：
其中每一列A為取得的單元N×N。b為形成為向量的區塊I及h為形成為向量的篩檢係數。
最小平方解由以下給出：
最佳篩檢程式可包含參考區塊與缺陷區塊之間的線性篩檢程式，該線性篩檢程式經設計以克服區塊之間的差，該等差可包括但不限於以下一些或全部：焦點差、視野(field of view；FOV)失真及配準餘數。若需要，則處理邏輯可根據所發現的形狀(例如，矩形)的幾何形狀動態地設置最佳篩 檢程式大小。
回到第11圖，在方塊1107處，處理邏輯將最佳篩檢程式應用至類似區塊。在方塊1109處，處理邏輯從篩檢後的類似區塊中減去候選區塊，包括遮住篩檢程式邊緣。在方塊1111處，處理邏輯評估雜訊標準差(STD)。在一個實施例中，處理邏輯直接藉由計算邊界盒外圖元的STD來評估雜訊STD。在另一實施例中，可藉由預先學習檢查表(look-up-table；LUT)提供雜訊STD用於雜訊評估，該預先學習檢查表藉由在設置階段線下學習雜訊特性來產生。
在方塊1113處，處理邏輯計算邊界盒內部的圖元的訊雜比(SNR)的值。舉例而言，處理邏輯可使用SNR=Diff(GL)/雜訊STD以決定是否候選缺陷位置具有缺陷，其中GL為灰階。不查看候選SNR，處理邏輯使用其他屬性，諸如但不限於，任何或所有規則GL(灰階)差、能量、大小、形狀，從而決定是否候選缺陷位置為缺陷。
第12圖為用於基於平均值決定是否在對應於候選區塊的候選缺陷位置處存在缺陷的方法1200的實施例流程圖。方法1200可藉由處理邏輯執行，該處理邏輯可包含硬體(例如，電路系統、專用邏輯、可程式邏輯、微代碼等等)、軟體(例如，在處理裝置上執行的指令)或所述者的組合。在一個實施例中，方法1200藉由第1圖的區塊至區塊缺陷偵測模組107執行。
可在處理邏輯已經處理完所有被提名的類似區塊及已經選擇通過被視為類似區塊的彼等被提名的類似區塊之後 執行方法1200。每一類似區塊亦可已被配準至候選區塊及選擇性地藉由該區塊的適當最佳篩檢程式篩檢。被提名的類似區塊可經組合以使用(例如)簡單平均及/或加權平均來決定平均值。
在方塊1201處，處理邏輯決定類似區塊的平均值。在一個實施例中，處理邏輯決定所有類似區塊的平均值，其中平均每一圖元可受到相關區塊的影響。在另一實施例中，處理邏輯不平均所發現的所有類似區塊。處理邏輯可基於標準選擇用於平均的類似區塊，例如，產生足夠低的雜訊的類似區塊及/或足夠大的類似區塊。
假設P是圖案及N i (i {1,2,...,K})為獨立的WGN~(0,σ2)。
區塊=P+N 0
類似區塊(i)=P+N i ，i=1,2,3,...,K
在方塊1203處，處理邏輯從平均後的類似區塊中減去候選區塊。
雜訊減少可取決於平均中的區塊數量及因此差中的每一圖元可乘以一因數以獲得均一的雜訊位準。在一個實施例中，處理邏輯可如下決定計算因數：
可針對每一單獨圖元獲得計算因數，其中K為發現的包含單獨圖元的類似區塊的數量。
在一個實施例中，在方塊1203處處理邏輯藉由任何適當的替代方法(諸如，線下學習雜訊特性)評估雜訊STD。在方塊1205處，處理邏輯評估候選區塊的真實輪廓。在方塊1207，處理邏輯計算邊界盒內部的圖元的SNR值。以下連同第13圖更詳細地描述發現邊界盒的一個實施例。處理邏輯可藉由直接計算邊界盒外圖元的STD來評估雜訊STD。替代地或額外地，雜訊STD值可藉由預先學習LUT(檢查表)提供用於雜訊評估。
在方塊1209處，處理邏輯可平行計算能量SNR用於能量偵測以查看候選缺陷位置能量，從而決定是否候選缺陷位置為缺陷。處理邏輯可如下計算能量SNR：
在一個實施例中，在方塊1209處，不查看候選SNR或能量以決定是否候選者為缺陷，處理邏輯可使用其他標準，諸如但不限於以下屬性中的一些或全部：習知灰階(GL)、差異、大小、形狀。
第13圖為用於發現邊界盒的方法1300的實施例流程圖。方法1300可藉由處理邏輯執行，該處理邏輯可包含硬體(例如，電路系統、專用邏輯、可程式邏輯、微代碼等等)、軟體(例如，在處理裝置上執行的指令)或所述者的組合。在一個實施例中，方法1300藉由第1圖的區塊至區塊缺陷偵 測模組107執行。根據本發明的某些實施例，方法1300可有用於第12圖的方塊1205處執行輪廓評估及第12圖的方塊1207處邊界盒內部SNR計算。
在方塊1301處，處理邏輯使用線下雜訊評估標記不同的影像中的不規則圖元。在方塊1303處，處理邏輯遮住發現的全部不規則圖元及僅使用剩餘的，亦即，「正常」(非不規則的)圖元，再評估(線上)雜訊特性，例如，藉由計算「正常」圖元的STD(標準差)來執行。在方塊1305處，處理邏輯基於閾值將圖元標記係不規則的。處理邏輯將與學習的雜訊特性相比為不規則的圖元(例如，差訊號的絕對值高於來自階段1320的K×STD的圖元)標記為不規則的。K可為任何適當的參數，諸如3，或範圍2至5中的任一者。在方塊1307處，處理邏輯將基於閾值標記的所有不規則圖元連接至原始候選邊界盒，及將此等不規則圖元視為屬於缺陷。在方塊1309處，處理邏輯藉由重新評估發現屬於缺陷的所有圖元的邊界盒來界定邊界盒。處理邏輯可界定(不一定矩形的)輪廓，該輪廓包括此等圖元作為缺陷的輪廓。
現在描述二個非限制性實例：實例1：動態邊界盒激勵。候選邊界盒準確度取決於漏斗效能。某些漏斗可產生對缺陷(尤其是大的缺陷)相對不準確的邊界盒。計算缺陷得分(SNR)的可能方式如下：P2P得分=邊界盒內部的差/邊界盒外部差圖元的std。缺陷可能不會全部包含在藉由此處描述的候選分析步驟210計算的邊界盒中。因此，可能存在邊界盒外部缺陷圖元。若根據缺陷圖元評估雜訊STD，在該等缺 陷圖元中差訊號顯著高於規則雜訊圖元，則可產生雜訊STD(P2P得分計算中的分母)的過高評估。因此，大的缺陷的P2P得分趨向低於「真實」得分。
實例2：另一示例性激勵：針對每一缺陷待計算的可能屬性為缺陷的能量，通常定義為遍及所有缺陷圖元的SNR訊號的平方和。能量評分可在能量偵測(例如，如第12圖中的方塊1209處描述的)中執行。若缺陷輪廓為不準確的，則真實的缺陷圖元可在此計算中被忽略或非缺陷的圖元可錯誤地包括在此計算中，產生評估的能量訊號的並非最佳的準確度。因此，通常在計算SNR訊號之前尋找缺陷的真實輪廓。此可藉由發現連接至原始邊界盒的不規則圖元進行，從而正確地決定P2P得分，由此賦能大的缺陷的可靠偵測。
應理解，在某些實施例中，淺的缺陷趨向於相對弱，但遍佈在大的面積中。基於最強的差圖元的偵測機制可引起偵測淺缺陷的困難。計算缺陷的總能量可較佳的用於該等缺陷。
第14圖為用於將候選區塊與被提名的類似區塊配準的方法1400的實施例流程圖。方法1400可藉由處理邏輯執行，該處理邏輯可包含硬體(例如，電路系統、專用邏輯、可程式邏輯、微代碼等等)、軟體(例如，在處理裝置上執行的指令)或所述者的組合。在一個實施例中，方法1400藉由第1圖的區塊至區塊缺陷偵測模組107執行。在一個實施例中，將候選區塊與被提名的類似區塊配準使用Lucas Kanade配準方法。
在方塊1401處，處理邏輯決定二個影像之間線性移動的差。假設T1及T2代表二個影像及△x,△y代表線性移動的差。處理邏輯可決定△x,△y，使得：
在方塊1403處，處理邏輯藉由第二影像的第一階的泰勒級數替換第二影像：
處理邏輯可藉由△x及藉由△y得出SSD(△x,△y)，及將每一者與0比較
在方塊1405處，處理邏輯建構二個簡單的矩陣以得出線性移動。處理邏輯可建構二個簡單的矩陣及執行簡單的倒置。當(T2-T1)為僅有的在每一反覆運算中重新計算的元素時，此製程可反覆運算地進行。
第15圖為基於光的成像缺陷偵測的方法1500的實施例流程圖。在一個實施例中，方法1500的一些部分藉由任何適當類型的缺陷檢查及/或缺陷分析系統(例如，第1圖中的缺陷分析製程150中的系統及/或第1圖中的檢查製程140中的系統)的處理邏輯執行，及方法1500的一些部分藉由第1圖的區塊至區塊缺陷偵測模組107的處理邏輯執行。處理邏輯可包含硬體(例如，電路系統、專用邏輯、可程式邏輯、微代碼等等)、軟體(例如，在處理裝置上執行的指令)或所述者的組合。舉例而言，方法1500的方塊1505及1507可藉由第1圖的區塊至區塊缺陷偵測模組107執行。
如上所述，基於光的成像缺陷偵測為針對微觀物件的缺陷偵測的變體，在該基於光的成像缺陷偵測中在透射光(Tx)的影像與反射光(Rf)的另一影像之間進行比較。用於基於光的成像缺陷偵測的方法1500可具有一些類似的特徵，如在第6A圖的方法600中描述的DTD/DTM(等)缺陷偵測方法。
在方塊1510處，處理邏輯接收以下一些或全部作為輸入：藉由收集經由微觀物件透射的光的感測器(例如，電荷耦合裝置(charge coupled device；CCD))產生的數位透射影像(Tx)、藉由收集自微觀物件反射的光的感測器(例如，CCD)產生的數位反射影像(Rf)、漏斗得分映射及候選者數量。漏斗得分映射可藉由接收Tx及Rf影像及針對每一圖元由Tx及Rf影像產生得分(例如，假設Tx+Rf=255 GL，處理邏輯可查看來自255的Tx+Rf的絕對差)的任何電腦化製程創建，該得分指示懷疑彼圖元為缺陷的強烈程度。「候選者的數量」可為藉由使用者設置的使用者定義的參數及通常根據產量考慮而調諧；候選者的數量越低，電腦化製程越快。
在方塊1510處，處理邏輯預先處理檢查的影像。預先處理操作的實例可包括且並不限於，檢查影像的配準。處理邏輯可使用用於影像配準的任何適當的類似性量測，諸如但不限於，相互資訊及正規化相互資訊，該等類似性量測為適合於多模態影像的配準之影像類似性量測。此類量測亦可包括互相關、強度差的平方和及比率影像均一性，該等量測為適合於在相同模態中的影像配準之影像類似性量測。
在方塊1520處，處理邏輯將特定於應用漏斗技術應 用至一或更多個預先處理的影像以基於透射(Tx)及反射(Rf)影像建議一或更多個候選缺陷位置。處理邏輯可使用任何適當的漏斗演算法，諸如且並不限於，晶粒間漏斗，該晶粒間漏斗為可操作的用於指出框內的懷疑缺陷位置，從而決定候選缺陷位置。舉例而言，處理邏輯可從透射影像及/或反射影像中減去檢查影像以決定簡單的差及隨後使用差閾值將大的差識別為漏斗。處理邏輯可產生漏斗得分映射用於識別候選缺陷位置。漏斗得分映射可包括影像，該影像為框的大小，每一圖元處具有漏斗得分，該漏斗得分指示此圖元可能為缺陷的懷疑度。
在方塊1530處，處理邏輯(例如，第1圖的區塊至區塊缺陷偵測模組107的處理邏輯)可使用檢查影像、透射影像、反射影像及缺陷候選位置的子集(例如，列表)以執行區塊至區塊缺陷偵測，從而比較檢查框中的區塊以決定是否在一或更多個候選缺陷位置處存在缺陷。以上連同第3圖更詳細地描述了執行區塊至區塊缺陷偵測的一個實施例。
在方塊1540處，處理邏輯報告缺陷。處理邏輯可產生當前框(檢查框)中的缺陷圖元的清單並可決定每一候選缺陷位置。舉例而言，針對每一候選缺陷位置，列表可指示是否對應的候選缺陷位置為缺陷、錯誤警報(FA)或無法解決。通常，若檢查框中存在缺陷，則缺陷可相關於高的漏斗得分及可位於頭N(例如，N=25)個候選者中。通常，框中的圖案為高度重複的。假設二個區塊在每一者的中心具有孔，則孔外部(例如，在附近)的類似性指示孔內部的類似 性(假設孔外部的面積足夠大)。因此，孔內部的差指示缺陷。若孔外部發現的類似區域不足夠大，則不認為二個區塊為類似的。此保證僅孔外部的類似區域足夠大的區塊實際上被用來偵測。
在一個實施例中，不搜尋透射影像上及隨後搜尋分別位於反射影像上的類似區塊，而是一個模態(例如，反射影像)可使用來自另一個模態(例如，透射影像)的類似性結果，因為透射影像中的類似區塊經常在反射影像中亦為類似的使得不需要搜尋反射影像及透射影像兩者。
第16圖為用於框內缺陷偵測的方法1600的實施例流程圖。方法1600可藉由處理邏輯執行，該處理邏輯可包含硬體(例如，電路系統、專用邏輯、可程式邏輯、微代碼等等)、軟體(例如，在處理裝置上執行的指令)或所述者的組合。在一個實施例中，方法1600藉由第1圖的區塊至區塊缺陷偵測模組107執行。
在方塊1610處，處理邏輯接收漏斗得分映射。漏斗得分映射可包括影像，該影像為框的大小，每一圖元處具有漏斗得分，該漏斗得分指示此圖元可能為缺陷的懷疑度。在方塊1620處，處理邏輯基於漏斗得分映射中的圖元處的漏斗得分識別候選缺陷位置的子集。待識別的候選缺陷位置的數量可為使用者定義的數量(例如，N=25)。以上連同第7圖更詳細地描述了基於漏斗範圍映射識別候選缺陷位置子集的一個實施例。在方塊1630處，針對當前候選缺陷位置，處理邏輯對透射影像執行區塊至區塊缺陷偵測。以下連同第17圖 更詳細地描述用於對透射影像執行區塊至區塊缺陷偵測的一個實施例。在方塊1640處，針對當前候選缺陷位置，處理邏輯對反射影像執行區塊至區塊缺陷偵測。以下連同第18圖更詳細地描述用於對反射影像執行區塊至區塊缺陷偵測的一個實施例。在方塊1650處，處理邏輯組合透射影像的結果與反射影像的結果以針對當前候選缺陷位置創建最終結果。以下連同第19圖更詳細地描述用於組合透射影像的結果與反射影像的結果的一個實施例。在方塊1653處，處理邏輯決定是否存在待處理的另一候選者。若存在另一候選者，則處理邏輯回到方塊1630。
第17圖為藉由比較透射影像內部的類似區塊偵測缺陷的方法1700的實施例流程圖。方法1700可藉由處理邏輯執行，該處理邏輯可包含硬體(例如，電路系統、專用邏輯、可程式邏輯、微代碼等等)、軟體(例如，在處理裝置上執行的指令)或所述者的組合。在一個實施例中，方法1700藉由第1圖的區塊至區塊缺陷偵測模組107執行。
在方塊1701處，根據一些實施例，針對每一候選缺陷位置，處理邏輯搜尋類似區塊的被提名者。應理解，候選缺陷位置可為缺陷且因此使用圍繞候選缺陷位置的大區域以獲得可靠的圖案匹配(例如，基於MAD)為有利的。在方塊1703處，處理邏輯發現被提名類似區塊與候選區塊之間的最佳區域。最佳的區域可僅包含類似圖元。最佳區域可為任何形狀，諸如且並不限於，矩形、環形、正方形或任何任意形狀。以下連同第20圖更詳細地描述發現最佳區域的一個實施 例。
在方塊1705處，處理邏輯基於最佳區域決定是否被提名的類似區塊類似候選區塊。處理邏輯可決定是否發現合法區域(例如，矩形)。合法區域可包括滿足標準(諸如具有最小面積(例如，200個圖元)及在每一軸中具有最少數量的圖元(例如，7個圖元))的區域。若發現合法區域(方塊1705)，則處理邏輯決定被提名的類似區塊類似於候選區塊(在最佳區域面積內)並在方塊1707處執行區塊至區塊缺陷偵測。若沒有發現合法區域(方塊1705)，則處理邏輯決定被提名的類似區塊不類似於候選區塊並在方塊1715處決定是否存在另一被提名的類似區塊待處理。
在方塊1707處，處理邏輯執行區塊至區塊缺陷偵測以決定是否在候選缺陷位置處存在缺陷。以下連同第21圖更詳細地描述執行區塊至區塊缺陷偵測以決定是否在候選缺陷位置處存在缺陷的一個實施例。
若沒有缺陷(方塊1709)，則在方塊1711處處理邏輯丟棄類似區塊。若訊雜比(SNR)低於閾值，則處理邏輯可決定沒有缺陷。可選擇閾值以保證若差訊號低於閾值，則候選者不是缺陷。舉例而言，使用者可根據她/他期待發現的最小缺陷(例如，大約2 SNR至3 SNR)設置閾值。就比較候選區塊與當前類似區塊產生極低差訊號而言，丟棄的類似區塊可代表錯誤警報。處理邏輯可記錄指示類似區塊為錯誤警報的資料。若存在缺陷(方塊1709)，則在方塊1713處處理邏輯在資料儲存庫中儲存缺陷結果資料，該資料儲存庫耦合 至區塊至區塊缺陷偵測模組。
在方塊1715處，處理邏輯決定是否存在另一被提名的類似區塊。若存在另一被提名的類似區塊，則處理邏輯回到方塊1703以發現下一個被提名的類似區塊與候選區塊之間的最佳區域。若不存在另一被提名的類似區塊待評估(方塊1715)，則在方塊1717處處理邏輯決定是否存在足夠儲存的結果以計算平均值。在一個實施例中，若存在針對二個以上類似區塊的儲存結果，則處理邏輯計算儲存的結果的平均值。若不能計算平均值(方塊1717)，則在方塊1723處處理邏輯報告結果。處理邏輯可記錄及/或報告指示對應於候選區塊的候選缺陷位置未解決的資料。
若可計算平均值(方塊1717)，則在方塊1719處處理邏輯計算儲存結果的平均值，並在方塊1721處基於平均值決定是否在對應於候選區塊的候選缺陷位置處存在缺陷。以上連同第12圖更詳細地描述了基於平均值決定是否在對應於候選區塊的候選缺陷位置處存在缺陷的一個實施例。
在方塊1723處，處理邏輯報告決定的結果。舉例而言，若基於平均值在對應於候選區塊的候選缺陷位置處存在缺陷，則處理邏輯可記錄及/或報告指示存在缺陷的資料。若基於平均值在對應於候選區塊的候選缺陷位置處不存在缺陷，則處理邏輯可記錄及/或報告指示存在錯誤警報的資料。
第18圖為藉由比較反射影像內部的類似區塊偵測缺陷的方法1800的實施例流程圖。方法1800可藉由處理邏輯執行，該處理邏輯可包含硬體(例如，電路系統、專用邏 輯、可程式邏輯、微代碼等等)、軟體(例如，在處理裝置上執行的指令)或所述者的組合。在一個實施例中，方法1800藉由第1圖的區塊至區塊缺陷偵測模組107執行。
在方塊1801處，根據一些實施例，針對每一候選缺陷位置，處理邏輯搜尋類似區塊的被提名者。應理解，候選缺陷位置可為缺陷及因此使用圍繞候選缺陷位置的大區域以獲得可靠的圖案匹配(例如，基於MAD)為有利的。在方塊1803處，處理邏輯發現被提名類似區塊與候選區塊之間的最佳區域。以下連同第20圖更詳細地描述發現最佳區域的一個實施例。
在方塊1805處，處理邏輯基於最佳區域決定是否被提名的類似區塊類似於候選區塊。處理邏輯可決定是否發現合法區域(例如，矩形)。若發現合法區域(方塊1805)，則處理邏輯決定被提名的類似區塊類似於候選區塊(在最佳區域面積內)並在方塊1807處執行區塊至區塊缺陷偵測。若沒有發現合法區域(方塊1805)，則處理邏輯決定被提名的類似區塊不類似於候選區塊並在方塊1815處決定是否存在另一被提名的類似區塊待處理。
在方塊1807處，處理邏輯執行區塊至區塊缺陷偵測以決定是否在候選缺陷位置處存在缺陷。以下連同第21圖更詳細地描述執行區塊至區塊缺陷偵測以決定是否在候選缺陷位置處存在缺陷的一個實施例。
若沒有缺陷(方塊1809)，則在方塊1811處處理邏輯丟棄類似區塊。若訊雜比(SNR)低於閾值，則處理邏輯可 決定沒有缺陷。可選擇閾值以保證若差訊號低於閾值，則候選者不是缺陷。舉例而言，使用者可根據她/他期待發現的最小缺陷(例如，大約2 SNR至3 SNR)設置閾值。就比較候選區塊與當前類似區塊產生極低差訊號而言，丟棄的類似區塊可代表錯誤警報。處理邏輯可記錄指示類似區塊為錯誤警報的資料。若存在缺陷(方塊1809)，則在方塊1813處處理邏輯在資料儲存庫中儲存缺陷結果，該資料儲存庫耦合至區塊至區塊缺陷偵測模組。
在方塊1815處，處理邏輯決定是否存在另一被提名的類似區塊。若存在另一被提名的類似區塊，則處理邏輯回到方塊1803以發現下一個被提名的類似區塊與候選區塊之間的最佳區域。若不存在另一被提名的類似區塊待評估(方塊1815)，則在方塊1817處處理邏輯決定是否存在足夠儲存的結果以計算平均值。在一個實施例中，若存在針對二個以上類似區塊的儲存結果，則處理邏輯計算儲存的結果的平均值。若不能計算平均值(方塊1817)，則在方塊1823處處理邏輯報告結果。處理邏輯可記錄及/或報告指示對應於候選區塊的候選缺陷位置未解決的資料。
若可計算平均值(方塊1817)，則在方塊1819處處理邏輯計算儲存結果的平均值並在方塊1821處基於平均值決定是否在對應於候選區塊的候選缺陷位置處存在缺陷。以上連同第12圖更詳細地描述了基於平均值決定是否在對應於候選區塊的候選缺陷位置處存在缺陷的一個實施例。
在方塊1823處，處理邏輯報告決定的結果。舉例而 言，若基於平均值在對應於候選區塊的候選缺陷位置處存在缺陷，則處理邏輯可記錄及/或報告指示存在缺陷的資料。若基於平均值在對應於候選區塊的候選缺陷位置處不存在缺陷，則處理邏輯可記錄及/或報告指示存在錯誤警報的資料。
第19圖為用於組合透射影像及反射影像的結果以決定是否存在缺陷的方法1900的實施例流程圖。方法1900可藉由處理邏輯執行，該處理邏輯可包含硬體(例如，電路系統、專用邏輯、可程式邏輯、微代碼等等)、軟體(例如，在處理裝置上執行的指令)或所述者的組合。在一個實施例中，方法1900藉由第1圖的區塊至區塊缺陷偵測模組107執行。
在方塊1901處，處理邏輯決定是否組合的結果指示缺陷。若透射影像結果或反射影像結果指示缺陷，則處理邏輯決定存在缺陷。若透射影像結果及反射影像結果兩者指示錯誤警報，則處理邏輯決定不存在缺陷而是存在錯誤警報。若透射影像結果及反射影像結果兩者指示未解決的結果，則處理邏輯決定不存在缺陷而是存在未解決的結果。
若存在缺陷(方塊1901)，則在方塊1903處處理邏輯報告缺陷至使用者。若不存在缺陷(方塊1901)，則在方塊1905處處理邏輯決定是否結果為錯誤警報或未解決的結果。當處理邏輯決定「未解決的」或「錯誤警報」(方塊1901)時，處理邏輯不報告候選缺陷位置至使用者。相反地，在方塊1903處將「缺陷」報告至使用者。
在方塊1905處，處理邏輯決定是否結果為錯誤警報 或未解決的結果。若結果為未解決的(方塊1905)，則處理邏輯執行一或更多個其他或有動作。舉例而言，在「未解決的」決定情況下，是否透射影像為未解決的或反射影像為未解決的或兩者皆為未解決的，處理邏輯可搜尋超過當前框的類似區塊。處理邏輯可搜尋相鄰框或甚至非相鄰框中的類似區塊，直到發現類似區塊。在另一實例中，處理邏輯可自動地恢復至偵測製程，諸如但不限於，D2D、D2M及/或基於光的影像缺陷偵測。
若結果為錯誤警報(方塊1905)，則處理邏輯應用篩檢程式。舉例而言，若該方法假設是缺陷，若框中存在2個區塊，該等區塊在孔外部為類似的及在孔內部為不同的，則若此假設不是正確的，此可能產生錯誤警報。舉例而言，若針對光罩上的真實圖案，則某一(非缺陷)特徵外部的2個區塊為類似的但彼特徵上的2個區塊為不同的。在方塊1905，處理邏輯可如下篩檢錯誤警報：在一個實施例中，在如此處描述的偵測事件(例如，缺陷)之後，處理邏輯應用適當的邏輯以查看透射影像及反射影像中的差訊號的正負號及決定是否將事件作為缺陷報告或將事件篩檢掉。基於界定圖案錯誤警報(FA)的不同行為(behavior)的先前認識(而非各種類型的缺陷)來選擇邏輯。
在另一實施例中，處理邏輯收集此處圖示及描述的缺陷偵測方法報告的所有事件(例如，缺陷)，並隨後在整個光罩位準上篩檢，因為在整個光罩上重複的事件(例如，缺陷)可能並非缺陷並可被篩檢掉。
在另一實施例中，處理邏輯執行組合篩檢技術。
第20圖為針對基於光的成像缺陷偵測用於發現被提名的類似區塊與候選區塊之間的最佳區域的方法2000的實施例流程圖。方法2000可藉由處理邏輯執行，該處理邏輯可包含硬體(例如，電路系統、專用邏輯、可程式邏輯、微代碼等等)、軟體(例如，在處理裝置上執行的指令)或所述者的組合。在一個實施例中，方法2000藉由第1圖的區塊至區塊缺陷偵測模組107執行。
在方塊2001處，處理邏輯將候選區塊與被提名的類似區塊配準。以上連同第14圖更詳細地描述了用於將候選區塊與被提名的類似區塊配準的一個實施例。在方塊2003處，處理邏輯擴大候選區塊及被提名的類似區塊至較大的區塊。在方塊2005處，處理邏輯計算候選區塊與被提名的類似區塊之間的差。
在方塊2007處，處理邏輯藉由比較每一圖元與閾值創建指示針對每一圖元的類似性的二元光罩(類似性光罩)。針對擴大的候選區塊與被提名類似區塊之間類似的圖元(例如，絕對差低於閾值)，類似性光罩設置為真(true)。在方塊2008處，處理邏輯遮住來自光罩的候選者自身。舉例而言，針對組成(屬於)候選者的所有圖元，處理邏輯設置類似性光罩為真。根據此實施例，假設候選必須被遮住，因為不存在參考。假設候選邊界盒中的所有圖元為類似的，不同於第10圖的D2D/D2M實施例。不執行原有的第10圖的方法，而是搜尋類似區塊，忽略候選者。若發現類似區塊，則假設區 塊在候選的圖元中亦為類似的及藉由比較當前區塊與(每一)發現的類似區塊在彼處執行偵測，從而提供實際上基於光的影像。處理邏輯可遮住候選的邊界盒，該候選邊界盒此處亦稱為「孔」。由於處理邏輯已經發現具有孔外部的類似圖元的矩形，故孔內部的圖元應為類似的。
在方塊2009處，處理邏輯發現四角形，該四角形僅內切標記為類似的圖元。在方塊2011處，處理邏輯識別最大的區域(例如，矩形)，該區域一定接觸發現的四角形的二個對邊。區域的實例可包括且並不限於，矩形、正方形、環形及任意形狀。處理邏輯可藉由僅檢查滿足接觸四角形的二個對邊的性質的區域(例如，矩形)而不是檢查所有可能區域(例如，矩形)來節省發現最大區域(例如，矩形)的時間。在方塊2013處，處理邏輯建構具有二個對角接觸四角形的二個對邊的所有可能區域(例如，矩形)。在方塊2015處，處理邏輯解除不合法區域(例如，不合法的矩形)。不合法區域可包括不滿足標準(諸如具有最小面積(例如，200個圖元)及在每一軸中具有最少數量的圖元(例如，7個圖元))的區域。在方塊2017處，針對每一區域(例如，矩形)，處理邏輯發現候選邊界盒與區域(例如，矩形)的每一邊緣(例如，側邊)之間的最小的距離及選擇孔距離邊緣最大的區域(例如，矩形)。在方塊2019處，處理邏輯將選擇的區域(例如，矩形)中的最大者識別為最佳區域(例如，矩形)。最佳區域(例如，矩形)僅包含類似圖元。
在基於光的成像缺陷偵測中，藉由保證候選邊界盒 (「孔」)與區塊的邊緣的距離為最大的達到某一限制(超過該限制不存在更佳的情況)，可最大化孔的類似性的證明。在基於光的成像缺陷偵測中，矩形的合法性一般亦包括孔距矩形的最近邊緣的最小距離。可憑經驗決定最小值以保證該最小值不產生錯誤警報，通常值為2至3個圖元。
第21圖為用於執行區塊至區塊缺陷偵測以決定是否在候選缺陷位置處存在缺陷的方法2100的實施例流程圖。方法2100可藉由處理邏輯執行，該處理邏輯可包含硬體(例如，電路系統、專用邏輯、可程式邏輯、微代碼等等)、軟體(例如，在處理裝置上執行的指令)或所述者的組合。在一個實施例中，方法2100藉由第1圖的區塊至區塊缺陷偵測模組107執行。
應理解，非類似區域被遮住及已經配準區塊。在方塊2105處，處理邏輯發現類似區塊與候選區塊之間的最佳篩檢程式。以上連同第11圖更詳細地描述了發現最佳篩檢程式的一個實施例。在方塊2107處，處理邏輯將最佳篩檢程式應用至類似區塊。在方塊2109處，處理邏輯從篩檢後的類似區塊中減去候選區塊，包括遮住篩檢程式邊緣。在方塊2111處，處理邏輯評估雜訊標準差(STD)。在一個實施例中，處理邏輯直接藉由計算邊界盒外圖元的STD來評估雜訊STD。在另一實施例中，雜訊STD可藉由預先學習LUT(檢查表)提供用於雜訊評估，該預先學習檢查表藉由在設置階段線下學習雜訊行為(behavior)產生。在方塊2113處，處理邏輯計算邊界盒內部的圖元的訊雜比(SNR)的值。舉例而言，處理邏輯可使用 SNR=Diff(GL)/雜訊STD以決定是否候選缺陷位置具有缺陷，其中GL為灰階。不查看候選SNR，處理邏輯使用其他屬性，諸如但不限於，任何或所有規則GL(灰階)差、能量、大小、形狀，從而決定是否候選缺陷位置為缺陷。
應理解，第8圖、第17圖及第18圖的方法僅為示例性的。若候選者類似於框中的另一區塊，例如，由於差訊號極其低以致二個區塊實際上為相同的，則方法通常當場決定此不為缺陷。在此階段，通常使用極低的閾值，因為顯然候選者不是缺陷，故才解除具有真正極低訊號的候選者。關於存在懷疑的所有其他候選者，方法繼續至所有其他類似區塊及將最終決定基於平均的訊號，該平均的訊號為相對無雜訊的。此實施例適合於產量考慮很重要的應用中，因為一發現候選者極其類似於其他區塊就解除候選者允許方法跳過其他被提名者及經常節省此等解除的候選者的許多操作。
在產量不太重要的應用中，可考慮所有被提名者及可平均所有類似的區塊。藉由如上所述設置中間極低閾值為0使得沒有候選者被解除及所有候選者達到平均階段，圖示的方法可簡並至此實施例。
或者，即使候選缺陷類似於被提名者，亦並不立即宣告候選缺陷為錯誤警報。相反地，可使用其他被提名者的資訊平均此類似性資訊。或者，若候選缺陷不同於(一或更多個)被提名者，則候選缺陷被宣佈為缺陷，及否則使用其他被提名者的資訊平均非缺陷資訊。
第22圖圖示電腦系統2200的示例性形式的機器的 圖，在該電腦系統2200內部可執行一組指令，該組指令用於引起機器執行此處論述的方法中的任何一或更多個。在替代的實施例中，機器可連接(例如，網路連接)至LAN、內部網路、外部網路或網際網路中的其他機器。機器可在用戶端-伺服器網路環境中以伺服器或用戶端機器容量操作，或在同級間(或分散式)網路環境中作為同級機器操作。機器可藉由物品檢查系統託管或與物品檢查系統整合，或直接連接至此系統或經由中間系統連接至此系統。機器可為個人電腦(personal computer；PC)、平板PC、機上盒(set-top box；STB)、個人數位助理(personal digital assistant；PDA)、蜂巢式電話、網路裝置、伺服器、網路路由器、交換器或橋接器，或能夠執行指定彼機器採取的行動的一組指令(連續或不連續)的任何機器。進一步而言，雖然僅圖示單個機器，但應採用術語「機器」以包括任何機器的集合，該等機器單獨或共同執行一組(或多組)指令從而執行此處論述的方法中的任何一或更多個。
示例性電腦系統2200包括處理裝置(處理器)2202、主記憶體2204(例如，唯讀記憶體(read-only memory；ROM)、快閃記憶體、動態隨機存取記憶體(dynamic random access memory；DRAM)，諸如同步DRAM(synchronous DRAM；SDRAM)、雙倍資料速率(DDR SDRAM)或DRAM(RDRAM)等等)、靜態記憶體2206(例如，快閃記憶體、靜態隨機存取記憶體(static random access memory；SRAM)等等)及資料儲存裝置2218，該等裝置經由匯流排2230彼此通訊。
處理器2202代表一或更多個通用處理裝置，諸如微處理器、中央處理單元等等。更特定而言，處理器2202可為複雜指令集計算(complex instruction set computing；CISC)微處理器、精簡指令集計算(reduced instruction set computing；RISC)微處理器、超長指令字(very long instruction word；VLIW)微處理器或實施其他指令集的處理器或實施指令集的組合的處理器。處理器2202亦可為一或更多個特殊目的處理裝置，諸如特殊應用積體電路(application specific integrated circuit；ASIC)、現場可程式閘陣列(field programmable gate array；FPGA)、數位訊號處理器(digital signal processor；DSP)、網路處理器等等。處理器2202經配置以執行指令2222用於執行此處論述的操作及步驟。
電腦系統2200可進一步包括網路介面裝置2208。電腦系統2200亦可包括視訊顯示單元2210(例如，液晶顯示器(liquid crystal display；LCD)或陰極射線管(cathode ray tube；CRT))、字母數位輸入裝置2212(例如，鍵盤)、游標控制裝置2214(例如，滑鼠)及訊號產生裝置2216(例如，揚聲器)。
資料儲存裝置2218可包括電腦可讀取儲存媒體2228，在電腦可讀取儲存媒體2228上儲存一或更多個指令集2222(例如，軟體)，該等指令集2222包含此處描述的方法或功能中的任何一或更多個。指令2222在藉由電腦系統2400執行期間亦可完全地或至少部分地駐於主記憶體2204內部及/或處理器2202內部，且主記憶體2204及處理器2202亦組成 電腦可讀取儲存媒體。指令2222可進一步在網路2220上經由網路介面裝置2208傳送或接收。
在一個實施例中，指令2222包括用於區塊至區塊缺陷偵測模組(例如，第2圖的區塊至區塊缺陷偵測模組200)及/或包含調用區塊至區塊缺陷偵測模組的方法的軟體庫的指令。雖然電腦可讀取儲存媒體2228(機器可讀取儲存媒體)在示例性實施例中顯示為單個媒體，但應採用術語「電腦可讀取儲存媒體」以包括單個媒體或多個媒體(例如，集中式或分散式資料庫及/或相關聯的快取記憶體及伺服器)，該等媒體儲存一或更多個指令集。亦應採用術語「電腦可讀取儲存媒體」以包括任何媒體，該媒體能夠儲存、編碼或傳送一組指令用於藉由機器執行，及該組指令集引起機器執行本發明的方法中的任何一或更多個。因此應採用術語「電腦可讀取儲存媒體」以包括但不限於，固態記憶體、光學媒體及磁性媒體。
在前文描述中，闡明許多細節。然而，將顯而易見的是，對於具有本揭示案的優點的所屬技術領域具有通常知識者而言，本發明可在沒有此等具體細節的情況下實作。在一些例子中，眾所周知的結構及裝置以方塊圖的形式顯示，而不是以細節顯示，從而避免模糊本發明。
一部分詳細描述已經根據對電腦記憶體內部資料位元元的操作的演算法及符號表示呈現。該等演算法描述及表示為熟習資料處理領域者使用的手段以最有效地將熟習資料處理領域者的工作實質傳遞給其他熟習此項技術者。此處的 演算法通常設計為引導至所欲的結果的有條理的步驟序列。步驟為要求物理量的物理操作的彼等步驟。通常，儘管非必要地，但此等量採取電的或磁性訊號的形式，該等訊號能夠被儲存、傳遞、組合、比較及以其他方式操縱。已經證明有時出於常見用法的原因，將此等訊號代表為位元、值、元件、符號、字元、項、數字等等為方便的。
然而，應當記住，所有此等及類似術語與適當的物理量相關聯及僅為應用至此等量的方便的標記。除非另有明確說明，否則如從以下論述中顯而易見理解的，貫穿描述，利用諸如「接收」、「定義」、「識別」、「決定」、「選擇」、「相關」、「比較」、「排除」、「收集」、「平均」、「調適」、「提供」、「應用」、「對準」、「減去」等等術語的論述代表電腦系統或類似的電子計算系統的動作及製程，該電腦系統或類似的電子計算系統將電腦系統的暫存器及記憶體內部的物理(例如，電子)量表示的資料操作及轉換為電腦系統記憶體或暫存器或其他此資訊儲存、傳輸或顯示裝置內部的物理量類似表示的其他資料。
為了解釋簡單起見，本文將方法描繪及描述為一系列動作。然而，根據此揭示案的動作可以多種順序發生及/或同時發生，及具有本文沒有出現及描述的其他動作。此外，並非所有說明的動作皆必需才能實施根據揭示的標的的方法。另外，熟習此項技術者將理解及瞭解方法可經由狀態圖或事件替代地表示為一系列相關的狀態。此外，應理解此說明書中揭示的方法能夠儲存在製品上以促進將此類方法傳送 及傳遞至計算裝置。本文所使用的術語「製品」意欲包含可從任何電腦可讀取裝置或儲存媒體獲得的電腦程式。
本發明的某些實施例亦係關於用於執行此處操作的設備。此設備可出於所欲目的構造，或此裝置可包含通用電腦，該通用電腦藉由儲存在電腦中的電腦程式有選擇地啟動或重新配置。此類電腦程式可儲存在電腦可讀取儲存媒體中，諸如但不限於，任何類型的磁碟，包括軟碟、光碟、CD-ROM，及磁性光碟、唯讀記憶體(ROMs)、隨機存取記憶(random access memories；RAMs)、可抹除可程式唯讀記憶體(erasable programmable read-only memory；EPROM)、電子可抹除可程式唯讀記憶體(electrically erasable programmable read-only memory；EEPROM)、磁性或光學卡或適於儲存電子指令的任何類型的媒體。
遍及此說明書引用「一個實施例」或「實施例」意謂與實施例有關的描述的特定特徵、結構或特點包括在至少一個實施例中。因此，遍及此說明書各處出現的片語「在一個實施例中」或「在實施例中」非不一定全部代表相同實施例。此外，術語「或」意欲意謂包含的「或」而非排他的「或」。此外，詞語「實例」或「示例性的」此處用於意謂用作實例、例子或例證。此處描述為「示例性的」的任何態樣或設計並不一定視為相較於其他態樣或設計為較佳的或有利的。確切而言，詞語「實例」或「示例性的」意欲以具體方式呈現概念。
將理解以上描述意欲為說明性的，而不是限制性 的。對於熟習此項技術者而言，許多其他實施例在閱讀及理解以上描述後將是顯而易見的。因此，本發明的範疇應參閱隨附申請專利範圍及連同此申請專利範圍享有的等效物的完全範疇來決定。
300‧‧‧方法
301‧‧‧方塊
303‧‧‧方塊
305‧‧‧方塊
307‧‧‧方塊

Claims (20)

  1. 一種偵測一缺陷的方法，該方法包含以下步驟：基於藉由收集指示一物品上的一圖案的訊號產生的一檢查影像的一檢查框的處理，接收該檢查框中的至少一個候選缺陷位置；界定該檢查框內部的一候選區塊，該候選區塊與該候選缺陷位置相關聯；選擇一參考框中的一參考區塊，其中該選擇之步驟係基於另一參考區塊，該另一參考區塊對應於該檢查框中的該候選區塊；使用該參考框中的該參考區塊識別該檢查影像的該相同檢查框內部的至少一個類似區塊，該至少一個類似區塊類似於該檢查框中的該候選區塊；以及藉由一電腦系統，基於該檢查框中的該候選區塊的至少一部分與該相同檢查框內部的該至少一個類似區塊的至少一對應的部分的一比較，決定是否在該候選缺陷位置處存在一缺陷。
  2. 如請求項1所述之方法，其中選擇該參考區塊之步驟進一步包含以下步驟：接收一參考影像的該參考框；界定該參考框內部的另一第一參考區塊，該另一第一參考區塊與對應於該檢查框中的該候選缺陷位置的該參考框中的一第一參考位置相關聯；以及 使用一參考類似性標準選擇該參考框內部的該參考影像的該參考區塊，並將一第二參考位置相關聯於該第二參考區塊；其中識別該相同檢查框內部的該類似區塊之步驟包含以下步驟：將該第二參考位置相關聯於該檢查框中的一對應的第二位置，並將與該檢查框中的該第二位置相關聯的一區塊識別為該檢查框中的該類似區塊。
  3. 如請求項1所述之方法，其中識別至少一個類似區塊的步驟包含以下步驟：在該檢查框中的該候選區塊與該檢查影像的該相同檢查框內部的該類似區塊之間的一比較中排除一或更多個圖元，該一或更多個圖元與該候選缺陷位置相關聯。
  4. 如請求項1所述之方法，其中識別至少一個類似區塊的步驟包含以下步驟：使用一統計模型識別一或更多個類似區塊。
  5. 如請求項1所述之方法，其中決定是否存在該缺陷的步驟包含以下步驟：比較該檢查框中的該候選區塊的至少該部分與該相同檢查框內部的該至少一個類似區塊的每一者的至少該對應的部分以獲得複數個比較結果；以及平均該等複數個比較結果以決定是否存在該缺陷。
  6. 如請求項1所述之方法，該方法進一步包含以下步驟：調適該至少一個類似區塊的至少一個特徵以界定對應於包含該候選缺陷的一修改後的候選區塊的至少一個第二類似區塊，其中該至少一個第二類似區塊與該修改後的候選區塊的一類似性超過該至少一個類似區塊與該未修改的候選區塊之間的該類似性；以及比較該修改後的候選區塊的至少一部分與該至少一個第二類似區塊的一對應的部分。
  7. 如請求項6所述之方法，其中該至少一個特徵包含：該至少一個類似區塊的至少一個尺寸的一長度。
  8. 如請求項6所述之方法，其中該至少一個特徵包含：該候選缺陷與包含該候選缺陷的該候選區塊之間的一相對定位。
  9. 如請求項1所述之方法，其中決定是否存在該缺陷的步驟包含以下步驟：提供一最佳篩檢程式，當應用至該至少一個類似區塊時，該最佳篩檢程式為可操作的以減少該至少一個類似區塊與一無缺陷的候選區塊之間的差；以及 在比較該候選區塊的至少該部分與該至少一個類似區塊的至少該對應的部分之前，將該最佳篩檢程式應用至該至少一個類似區塊以決定是否存在一缺陷。
  10. 如請求項9所述之方法，其中比較該候選區塊的至少該部分與該至少一個類似區塊的至少該對應的部分的步驟包含以下步驟：對準該候選區塊與該至少一個類似區塊；應用該最佳篩檢程式；以及從該篩檢後的對準的類似區塊的各自圖元中減去該對準的候選區塊的各自圖元，以決定是否存在一缺陷。
  11. 一種用於偵測一缺陷的系統，該系統包含：一記憶體；一處理裝置，該處理裝置耦接至該記憶體，以進行以下操作：基於藉由收集指示一物品上的一圖案的訊號產生的一檢查影像的一檢查框的處理，接收該檢查框中的至少一個候選缺陷位置；界定該檢查框內部的一候選區塊，該候選區塊與該候選缺陷位置相關聯；選擇一參考框中的一參考區塊，其中該選擇之步驟係基於另一參考區塊，該另一參考區塊對應於該檢查框中的該候選區塊； 使用該參考框中的該參考區塊識別該檢查影像的該相同檢查框內部的至少一個類似區塊，該至少一個類似區塊類似於該檢查框中的該候選區塊；以及基於該檢查框中的該候選區塊的至少一部分與該檢查框中的該至少一個類似區塊的至少一對應的部分的一比較，決定是否在該候選缺陷位置處存在一缺陷。
  12. 如請求項11所述之系統，其中該處理裝置將藉由以下操作選擇該參考區塊：接收一參考影像的該參考框；界定該參考框內部的另一第一參考區塊，該另一第一參考區塊與對應於該檢查框中的該候選缺陷位置的該參考框中的一第一參考位置相關聯；以及使用一參考類似性標準選擇該參考框內部的該參考影像的該參考區塊，並將一第二參考位置相關聯於該第二參考區塊；其中該處理裝置將藉由以下操作識別該相同檢查框內部的該類似區塊：將該第二參考位置相關聯於該檢查框中的一對應的第二位置，並將與該檢查框中的該第二位置相關聯的一區塊識別為該檢查框中的該類似區塊。
  13. 如請求項11所述之系統，其中該處理裝置將藉由以下操作識別至少一個類似區塊： 在該檢查框中的該候選區塊與該檢查影像的該相同檢查框內部的該類似區塊之間的一比較中排除一或更多個圖元，該一或更多個圖元與該候選缺陷位置相關聯。
  14. 如請求項11所述之系統，其中該處理裝置將藉由以下操作識別至少一個類似區塊：使用一統計模型識別一或更多個類似區塊。
  15. 如請求項11所述之系統，其中該處理裝置將藉由以下操作決定該缺陷：比較該檢查框中的該候選區塊的至少該部分與該相同檢查框內部的該至少一個類似區塊的每一者的至少該對應的部分以獲得複數個比較結果；以及平均該等複數個比較結果以決定是否存在該缺陷。
  16. 如請求項11所述之系統，其中該處理裝置將進一步進行以下操作：調適該至少一個類似區塊的至少一個特徵以界定對應於包含該候選缺陷的一修改後的候選區塊的至少一個第二類似區塊，其中該至少一個第二類似區塊與該修改後的候選區塊的一類似性超過該至少一個類似區塊與該未修改的候選區塊之間的該類似性；以及比較該修改後的候選區塊的至少一部分與該至少一個第二類似區塊的一對應的部分，其中該至少一個特徵包含：該 至少一個類似區塊的至少一個尺寸的一長度或該候選缺陷與包含該候選缺陷的該候選區塊之間的一相對定位中的至少一者。
  17. 一種非暫態電腦可讀取儲存媒體，該儲存媒體包括指令，該等指令在藉由一處理裝置執行時使該處理裝置執行一操作，該操作包含以下步驟：基於藉由收集指示一物品上的一圖案的訊號產生的一檢查影像的一檢查框的處理，接收該檢查框中的至少一個候選缺陷位置；界定該檢查框內部的一候選區塊，該候選區塊與該候選缺陷位置相關聯；選擇一參考框中的一參考區塊，其中該選擇之步驟係基於另一參考區塊，該另一參考區塊對應於該檢查框中的該候選區塊；使用該參考框中的該參考區塊識別該檢查影像的該相同檢查框內部的至少一個類似區塊，該至少一個類似區塊類似於該檢查框中的該候選區塊；以及藉由該處理裝置，基於該檢查框中的該候選區塊的至少一部分與該相同檢查框內部的該至少一個類似區塊的至少一對應的部分的一比較，決定是否在該候選缺陷位置處存在一缺陷。
  18. 如請求項17所述之非暫態電腦可讀取儲存媒體，其中選擇該參考區塊之步驟包含以下步驟：接收一參考影像的該參考框；界定該參考框內部的另一第一參考區塊，該另一第一參考區塊與對應於該檢查框中的該候選缺陷位置的該參考框中的一第一參考位置相關聯；以及使用一參考類似性標準選擇該參考框內部的該參考影像的該參考區塊，並將一第二參考位置相關聯於該第二參考區塊；其中識別該相同檢查框內部的該類似區塊之步驟包含以下步驟：將該第二參考位置相關聯於該檢查框中的一對應的第二位置，並將與該檢查框中的該第二位置相關聯的一區塊識別為該檢查框中的該類似區塊。
  19. 如請求項17所述之非暫態電腦可讀取儲存媒體，其中識別至少一個類似區塊的步驟包含以下步驟：在該檢查框中的該候選區塊與該檢查影像的該相同檢查框內部的該類似區塊之間的一比較中排除一或更多個圖元，該一或更多個圖元與該候選缺陷位置相關聯。
  20. 如請求項17所述之非暫態電腦可讀取儲存媒體，其中識別至少一個類似區塊的步驟包含以下步驟：使用一統計模型識別一或更多個類似區塊。
TW102120963A 2012-06-13 2013-06-13 用於包含區塊與區塊比較的缺陷偵測之裝置與方法 TWI607213B (zh)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
US13/495,824 US9367911B2 (en) 2012-06-13 2012-06-13 Apparatus and method for defect detection including patch-to-patch comparisons

Publications (2)

Publication Number Publication Date
TW201403059A TW201403059A (zh) 2014-01-16
TWI607213B true TWI607213B (zh) 2017-12-01

Family

ID=49755975

Family Applications (1)

Application Number Title Priority Date Filing Date
TW102120963A TWI607213B (zh) 2012-06-13 2013-06-13 用於包含區塊與區塊比較的缺陷偵測之裝置與方法

Country Status (4)

Country Link
US (1) US9367911B2 (zh)
JP (1) JP6420529B2 (zh)
KR (1) KR101743085B1 (zh)
TW (1) TWI607213B (zh)

Families Citing this family (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10599944B2 (en) * 2012-05-08 2020-03-24 Kla-Tencor Corporation Visual feedback for inspection algorithms and filters
US9057965B2 (en) * 2012-12-03 2015-06-16 Taiwan Semiconductor Manufacturing Company, Ltd. Method of generating a set of defect candidates for wafer
US9235885B2 (en) * 2013-01-31 2016-01-12 Applied Materials Israel Ltd System, a method and a computer program product for patch-based defect detection
US9183624B2 (en) * 2013-06-19 2015-11-10 Kla-Tencor Corp. Detecting defects on a wafer with run time use of design data
US10055833B2 (en) * 2014-12-11 2018-08-21 Carl Zeiss Smt Gmbh Method and system for EUV mask blank buried defect analysis
US10535131B2 (en) * 2015-11-18 2020-01-14 Kla-Tencor Corporation Systems and methods for region-adaptive defect detection
US9904995B2 (en) 2015-12-09 2018-02-27 Applied Materials Israel, Ltd. System and method for patch based inspection
CN106054421B (zh) * 2016-07-28 2019-06-18 京东方科技集团股份有限公司 一种液晶面板缺陷的检测方法及装置
US10031997B1 (en) * 2016-11-29 2018-07-24 Taiwan Semiconductor Manufacturing Co., Ltd. Forecasting wafer defects using frequency domain analysis
WO2018133944A1 (en) 2017-01-20 2018-07-26 Hp Indigo B.V. Determining defects having a characteristic separation distance
JP2019020292A (ja) * 2017-07-19 2019-02-07 株式会社ニューフレアテクノロジー パターン検査装置及びパターン検査方法
US11151706B2 (en) * 2019-01-16 2021-10-19 Applied Material Israel, Ltd. Method of classifying defects in a semiconductor specimen and system thereof
JP7170605B2 (ja) * 2019-09-02 2022-11-14 株式会社東芝 欠陥検査装置、欠陥検査方法、およびプログラム
US11328435B2 (en) * 2020-06-08 2022-05-10 KLA Corp. Image alignment setup for specimens with intra- and inter-specimen variations using unsupervised learning and adaptive database generation methods
US20230080151A1 (en) * 2021-09-13 2023-03-16 Applied Materials Israel Ltd. Mask inspection for semiconductor specimen fabrication

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6727512B2 (en) * 2002-03-07 2004-04-27 Kla-Tencor Technologies Corporation Method and system for detecting phase defects in lithographic masks and semiconductor wafers
US7009695B2 (en) * 2003-04-01 2006-03-07 Applied Materials, Inc. Full frame thermal pump probe technique for detecting subsurface defects
US20070081154A1 (en) * 2002-09-27 2007-04-12 Kla-Tencor Technologies Corporation System and method for conducting adaptive fourier filtering to detect defects in dense logic areas of an inspection surface
US7254263B2 (en) * 2002-06-04 2007-08-07 Dainippon Screen Mfg. Co., Ltd. Apparatus and method for defect detection and program thereof
US20080250384A1 (en) * 2006-12-19 2008-10-09 Brian Duffy Systems and methods for creating inspection recipes
TW200921265A (en) * 2007-07-12 2009-05-16 Applied Materials Israel Ltd Method and system for evaluating an object that has a repetitive pattern

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7684609B1 (en) * 2006-05-25 2010-03-23 Kla-Tencor Technologies Corporation Defect review using image segmentation
JP2008041749A (ja) 2006-08-02 2008-02-21 Tokyo Seimitsu Co Ltd 画像欠陥検査装置
US8718353B2 (en) * 2012-03-08 2014-05-06 Kla-Tencor Corporation Reticle defect inspection with systematic defect filter

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6727512B2 (en) * 2002-03-07 2004-04-27 Kla-Tencor Technologies Corporation Method and system for detecting phase defects in lithographic masks and semiconductor wafers
US7254263B2 (en) * 2002-06-04 2007-08-07 Dainippon Screen Mfg. Co., Ltd. Apparatus and method for defect detection and program thereof
US20070081154A1 (en) * 2002-09-27 2007-04-12 Kla-Tencor Technologies Corporation System and method for conducting adaptive fourier filtering to detect defects in dense logic areas of an inspection surface
US7009695B2 (en) * 2003-04-01 2006-03-07 Applied Materials, Inc. Full frame thermal pump probe technique for detecting subsurface defects
US20080250384A1 (en) * 2006-12-19 2008-10-09 Brian Duffy Systems and methods for creating inspection recipes
TW200921265A (en) * 2007-07-12 2009-05-16 Applied Materials Israel Ltd Method and system for evaluating an object that has a repetitive pattern

Also Published As

Publication number Publication date
JP2014002144A (ja) 2014-01-09
JP6420529B2 (ja) 2018-11-07
KR101743085B1 (ko) 2017-06-02
US20130336573A1 (en) 2013-12-19
TW201403059A (zh) 2014-01-16
KR20130139794A (ko) 2013-12-23
US9367911B2 (en) 2016-06-14

Similar Documents

Publication Publication Date Title
TWI607213B (zh) 用於包含區塊與區塊比較的缺陷偵測之裝置與方法
TWI750553B (zh) 對樣本的缺陷檢測的方法及其系統
TWI603409B (zh) 用於半導體檢查處方創建、缺陷檢閱及計量之適應性取樣
TWI648533B (zh) 用於相對於一所儲存高解析度晶粒圖像判定檢查資料之一位置之電腦實施方法及經組態以相對於一所儲存高解析度晶粒圖像判定檢查資料之一位置之系統
JP5981838B2 (ja) 検査画像内の欠陥を検出するためのシステム、方法及びコンピュータプログラム製品
US8331651B2 (en) Method and apparatus for inspecting defect of pattern formed on semiconductor device
CN110291621B (zh) 用于识别集成电路缺陷的方法和系统
US11686689B2 (en) Automatic optimization of an examination recipe
US20220222806A1 (en) Machine learning-based classification of defects in a semiconductor specimen
TW201351347A (zh) 使用表面形貌屬性之缺陷分類
TW201351305A (zh) 使用以ｃａｄ為基礎之環境背景屬性之缺陷分類
CN114092387B (zh) 生成可用于检查半导体样本的训练数据
TW201731004A (zh) 減少配準及設計附近所引發之晶粒內檢查之雜訊
TWI663667B (zh) 用於在檢查物件時自我調整取樣的方法和其系統
JP7475901B2 (ja) 試験片上の欠陥検出の方法およびそのシステム
CN113947561B (zh) 半导体样本的图像分割
KR20220143644A (ko) 시편의 검사를 위한 결함 위치의 결정