TWI646505B - 用於利用一數位匹配濾波器之增強型缺陷偵測之系統及方法 - Google Patents
用於利用一數位匹配濾波器之增強型缺陷偵測之系統及方法 Download PDFInfo
- Publication number
- TWI646505B TWI646505B TW104137396A TW104137396A TWI646505B TW I646505 B TWI646505 B TW I646505B TW 104137396 A TW104137396 A TW 104137396A TW 104137396 A TW104137396 A TW 104137396A TW I646505 B TWI646505 B TW I646505B
- Authority
- TW
- Taiwan
- Prior art keywords
- optical mode
- locations
- additional
- image
- test images
- Prior art date
Links
- 230000007547 defect Effects 0.000 title claims abstract description 142
- 238000000034 method Methods 0.000 title claims description 49
- 238000001514 detection method Methods 0.000 title abstract description 25
- 230000003287 optical effect Effects 0.000 claims abstract description 113
- 238000007689 inspection Methods 0.000 claims abstract description 78
- 238000009826 distribution Methods 0.000 claims abstract description 52
- 238000012360 testing method Methods 0.000 claims abstract description 49
- 239000000523 sample Substances 0.000 claims description 49
- 238000005286 illumination Methods 0.000 claims description 43
- 238000012795 verification Methods 0.000 claims description 7
- 239000004065 semiconductor Substances 0.000 claims description 5
- 239000012472 biological sample Substances 0.000 claims description 2
- 238000001914 filtration Methods 0.000 claims 1
- 238000010998 test method Methods 0.000 claims 1
- 239000011159 matrix material Substances 0.000 description 12
- 238000012935 Averaging Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 230000002950 deficient Effects 0.000 description 4
- 235000012431 wafers Nutrition 0.000 description 4
- 230000015572 biosynthetic process Effects 0.000 description 3
- 230000010287 polarization Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000003595 spectral effect Effects 0.000 description 3
- 230000003321 amplification Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000003199 nucleic acid amplification method Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000008021 deposition Effects 0.000 description 1
- 239000012769 display material Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000011065 in-situ storage Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000005468 ion implantation Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000001459 lithography Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000003607 modifier Substances 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 101150031287 petH gene Proteins 0.000 description 1
- 238000007747 plating Methods 0.000 description 1
- 238000005498 polishing Methods 0.000 description 1
- 210000001747 pupil Anatomy 0.000 description 1
- 238000007634 remodeling Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 238000010897 surface acoustic wave method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
-
- 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
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/97—Determining parameters from multiple pictures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/10—Image acquisition
- G06V10/12—Details of acquisition arrangements; Constructional details thereof
- G06V10/14—Optical characteristics of the device performing the acquisition or on the illumination arrangements
- G06V10/147—Details of sensors, e.g. sensor lenses
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10056—Microscopic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
-
- 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
- G06T2207/30004—Biomedical image processing
- G06T2207/30024—Cell structures in vitro; Tissue sections in vitro
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30148—Semiconductor; IC; Wafer
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Vascular Medicine (AREA)
- Artificial Intelligence (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Image Processing (AREA)
Abstract
一樣本之增強型缺陷偵測包含針對一第一光學模式自一樣本之兩個或兩個以上位置獲取來自該樣本之兩個或兩個以上檢驗影像。該缺陷偵測亦基於針對該第一光學模式來自該兩個或兩個以上位置之該兩個或兩個以上檢驗影像,針對一選定缺陷類型而產生一經匯總缺陷分佈,以及計算針對該第一光學模式自該兩個或兩個以上位置獲取之該兩個或兩個以上檢驗影像之一或多個雜訊相關性特性。缺陷偵測進一步包含基於該所產生之經匯總缺陷分佈及該所計算之一或多個雜訊相關性特性而產生用於該第一光學模式之一匹配濾波器。
Description
本申請案依據35 U.S.C.§ 119(e)主張於2014年11月11日提出申請之為標題為METHOD TO ENHANCE DEFECT DETECTION IN OPTICAL WAFER INSPECTIONBYUSING DIGITAL MATCHED FILTER之發明者為Pavel Kolchin及Eugene Shifrin之序列號為62/078,802之美國臨時申請案之權益,該美國臨時申請案以全文引用方式併入本文中。
本發明大體而言係關於樣本檢驗及缺陷偵測,且更特定而言係關於利用一匹配數位濾波器之產生及實施來改良缺陷偵測。
由於對具有愈來愈小之裝置特徵之積體電路之需求繼續增加,因此對經改良基板檢驗系統之需要繼續增長。檢驗工具操作之一項態樣包含實施一數位濾波器以改良一樣本(諸如一半導體晶圓)之檢驗及/或缺陷偵測。然而,當前數位濾波器技術受限於預定義數位濾波器模板。受限數目個數位濾波器選項對於用於具挑戰性檢驗及/或缺陷偵測設定之不斷增加之缺陷偵測敏感性係不充足的。因此,將期望提供一種用於補救諸如上文所識別之彼等缺陷之缺陷之系統及方法。
根據本發明之一或多項說明性實施例揭示一種用於利用一匹配濾波器之增強型缺陷偵測之系統。在一項實施例中,該系統包含一檢驗子系統。在另一實施例中,該檢驗子系統包含經組態以將照明引導至樣本之一或多個選定部分上之一照明源,以及一或多個偵測器,該一或多個偵測器經組態以針對一第一光學模式自該樣本之兩個或兩個以上位置獲取來自該樣本之兩個或兩個以上檢驗影像。在另一實施例中,該系統包含以通信方式耦合至該一或多個偵測器之一控制器。在另一實施例中,該控制器包含經組態以執行程式指令之一或多個處理器,該等程式指令經組態以致使該一或多個處理器:自該一或多個偵測器接收針對該第一光學模式自該兩個或兩個以上位置獲取之該兩個或兩個以上檢驗影像;基於針對該第一光學模式自該一或多個偵測器接收之來自該兩個或兩個以上位置之該兩個或兩個以上檢驗影像,針對一選定缺陷類型而產生一經匯總缺陷分佈;計算針對該第一光學模式自該兩個或兩個以上位置獲取之該兩個或兩個以上檢驗影像之一或多個雜訊相關性特性;及基於該所產生之經匯總缺陷分佈及該所計算之一或多個雜訊相關性特性而產生用於該第一光學模式之一匹配濾波器。
根據本發明之一或多項說明性實施例揭示一種用於利用一匹配濾波器之增強型缺陷偵測之方法。在一項實施例中,該方法包含針對一第一光學模式自一樣本之兩個或兩個以上位置獲取來自該樣本之兩個或兩個以上檢驗影像。在另一實施例中,該方法包含基於針對該第一光學模式來自該兩個或兩個以上位置之該兩個或兩個以上檢驗影像,針對一選定缺陷類型而產生一經匯總缺陷分佈。在另一實施例中,該方法包含計算針對該第一光學模式自該兩個或兩個以上位置獲取之該兩個或兩個以上檢驗影像之一或多個雜訊相關性特性。在另一實施例中,該方法包含基於該所產生之經匯總缺陷分佈及該所計算之
一或多個雜訊相關性特性而產生用於該第一光學模式之一匹配濾波器。
應理解,前述大體闡述及以下詳細闡述兩者皆僅為例示性及解釋性且不必限制所請求之本發明。併入本說明書中並構成本說明書之一部分之隨附圖式解說明本發明之實施例,並與該大體闡述一起用於闡釋本發明之原理。
100‧‧‧系統
101‧‧‧檢驗子系統
102‧‧‧照明源
103‧‧‧控制器
104‧‧‧樣本
105‧‧‧樣本載台
106‧‧‧光學子系統/檢驗影像
107‧‧‧照明臂
109‧‧‧收集臂
110‧‧‧物鏡
112‧‧‧分束器
114‧‧‧透鏡
117‧‧‧透鏡
118‧‧‧偵測器
119‧‧‧檢驗影像/缺陷影像
119a‧‧‧數位檢驗影像/影像/第一影像
119b‧‧‧數位檢驗影像/影像/第二影像
119c‧‧‧數位檢驗影像/影像
120‧‧‧使用者介面
122‧‧‧顯示器
124‧‧‧處理器
126‧‧‧記憶體/非暫時性記憶體媒體/記憶體媒體
222a‧‧‧位置
222b‧‧‧位置
222c‧‧‧位置
224a‧‧‧未對準缺陷區域
224b‧‧‧未對準缺陷區域
224c‧‧‧未對準缺陷區域
227a‧‧‧像素窗
227b‧‧‧像素窗
227c‧‧‧像素窗
251a‧‧‧濾波器框/第一濾波器框
251b‧‧‧濾波器框/第二濾波器框
251c‧‧‧濾波器框
252‧‧‧選定缺陷圖案/圖案/匹配圖案/第一缺陷圖案
253‧‧‧第二缺陷圖案/圖案/匹配圖案
254‧‧‧經平均缺陷分佈/平均缺陷分佈
290‧‧‧經平均缺陷分佈
291‧‧‧非對稱性匹配濾波器/匹配濾波器
292‧‧‧未經濾波缺陷影像
293‧‧‧左右對稱性匹配濾波器/匹配濾波器/濾波器
294‧‧‧經數位濾波影像
熟習相關技術者可藉由參考隨附圖式更好地理解本發明之眾多優點,在隨附圖式中:圖1A係根據本發明之一項實施例之用於利用一匹配濾波器之增強型缺陷偵測之系統之一概念視圖。
圖1B係根據本發明之一項實施例之用於在一明場檢驗組態中利用一匹配濾波器之增強型缺陷偵測之系統之一簡化示意性視圖。
圖1C係根據本發明之一項實施例之用於在一暗場檢驗組態中利用一匹配濾波器之增強型缺陷偵測之系統之一簡化示意性視圖。
圖2A係繪示根據本發明之一項實施例之用於利用一匹配濾波器之增強型缺陷偵測之一方法之一程序流程圖。
圖2B圖解說明繪示根據本發明之一項實施例之來自一樣本之不同位置之缺陷區域之一集合之一系列影像。
圖2C係繪示根據本發明之一項實施例之產生一經匯總缺陷分佈之一程序流程圖。
圖2D圖解說明繪示根據本發明之一項實施例之一第一影像中之一缺陷之識別及基於第一影像的一第二影像中之一匹配缺陷之識別之一系列概念視圖。
圖2E圖解說明根據本發明之一項實施例之與一系列缺陷區域相關聯之一系列濾波器框及使用含於該系列濾波器框中之每一者之影像
資料所產生之經平均缺陷分佈。
圖2F係繪示根據本發明之一項實施例之計算針對一選定光學模式之檢驗影像之一或多個雜訊相關性特性之一程序流程圖。
圖2G圖解說明根據本發明之一項實施例之用於計算一或多個檢驗影像之一局部雜訊相關性矩陣之一像素窗。
圖2H圖解說明根據本發明之一項實施例之一經平均缺陷分佈、一非對稱性匹配濾波器及一LR對稱性匹配濾波器。
圖2I圖解說明根據本發明之一項實施例之一未經濾波缺陷影像及由未經濾波缺陷影像與一所產生之匹配濾波器之一迴旋組成之一經數位濾波影像。
現在將詳細參考圖解說明於隨附圖式中之所揭示之標的物。
大體參考圖1A至圖2I,根據本發明闡述一種用於缺陷偵測之一數位匹配濾波器之產生及應用之系統及方法。
本發明之實施例係關於光學樣本檢驗中之缺陷偵測之增強及改良。本發明之實施例可透過一匹配濾波器之形成及應用達成經改良缺陷偵測能力,此引起對目標缺陷類型之較高敏感性。本發明之實施例亦可用以增加對受關注缺陷(DOI)之偵測率且/或同時減小對擾亂性事件之偵測率。本發明之額外實施例允許利用高周圍雜訊識別一光學影像中之一目標缺陷分佈。
本發明之實施例針對一第一光學模式自一樣本之兩個或兩個以上位置獲取來自該樣本之兩個或兩個以上檢驗影像。本發明之額外實施例基於針對第一光學模式來自兩個或兩個以上位置之兩個或兩個以上檢驗影像,針對一選定缺陷類型而產生一經匯總(例如,經對準且經平均)缺陷分佈。本發明之額外實施例計算針對第一光學模式自兩個或兩個以上位置獲取之兩個或兩個以上檢驗影像之一或多個雜訊相
關性特性。本發明之額外實施例基於所產生之經匯總缺陷分佈及所計算之一或多個雜訊相關性特性而產生用於第一光學模式之一匹配濾波器。基於本發明之所產生之匹配濾波器,額外實施例將匹配濾波器應用於一或多個檢驗影像以提供增強型缺陷偵測。
圖1A圖解說明根據本發明之一項實施例之利用一匹配濾波器之增強型缺陷偵測之一系統100之一概念視圖。在一項實施例中,系統100包含一檢驗子系統101。檢驗子系統101經組態以執行對一或多個樣本104之一或多個光學檢驗。舉例而言,檢驗子系統101可獲取樣本104之表面之一或多個部分之一或多個檢驗影像119。
檢驗子系統101可包含此項技術中已知之用於樣本檢驗之任何檢驗子系統或工具,諸如(但不限於)一光學檢驗工具。舉例而言,在光學檢驗之情形中,檢驗子系統101可包含(但不限於)一明場檢驗工具(如在圖1B中所展示),或一暗場檢驗工具(如在圖1C中所展示)。在本文中應注意,出於簡化目的,已在圖1A中以一概念方塊圖形式繪示檢驗子系統101。此繪示(包含組件及光學組態)並非限制性的且僅出於說明性目的提供。在本文中認識到,檢驗子系統101可包含任一數目個光學元件、照明源及偵測器以執行本文中闡述之檢驗程序。
圖1B圖解說明根據本發明之一或多項實施例之一明場檢驗組態中之系統100之一簡化示意性視圖。圖1C圖解說明根據本發明之一或多項實施例之一暗場檢驗組態中之系統100之一簡化示意性視圖。
在一項實施例中,檢驗子系統101包含一照明源102。照明源102可包含此項技術中已知之用於樣本檢驗之任何照明源。舉例而言,照明源102可包含(但不限於)一窄頻照明源。例如,照明源102可包含(但不限於)一雷射(例如,二極體雷射、一連續波雷射或一寬頻雷射)。在另一實施例中,照明源102可包含(但不限於)一寬頻源。例如,照明源102可包含(但不限於)一寬頻燈(例如,放電燈、雷射維持電漿燈,
以及諸如此類者)。
在一項實施例中,檢驗子系統101包含用於固定一或多個樣本104(例如,一或多個半導體晶圓)之一樣本載台105。樣本載台可包含此項技術中已知之用於樣本檢驗之任何樣本載台。舉例而言,樣本載台105可包含(但不限於)一旋轉樣本載台、一線性樣本載台或一旋轉樣本載台與一線性樣本載台之一組合。儘管本發明之大部分著重於系統100在半導體晶圓檢驗之內容脈絡中之實施,但此不係對本發明之一限制。在本文中認識到,系統100可延伸至此項技術中已知之任何檢驗設定,其包含(但不限於)半導體裝置檢驗、倍縮光罩檢驗、生物試樣檢驗以及諸如此類者。
在一項實施例中,檢驗子系統101包含一光學子系統106。光學子系統106可包含用於將來自照明源102之照明引導至樣本104且自樣本收集散射及/或反射光之任一數目及類型之光學組件。
在一項實施例中,光學子系統106包含照明臂107及收集臂109。照明臂107可包含用於將來自照明源102之照明引導至一樣本104之一表面且/或調節來自照明源102之照明之一或多個照明光學元件。舉例而言,光學子系統106之照明臂107之一或多個光學元件可包含(但不限於)一或多個透鏡、一或多個分束器、一或多個光瞳遮罩、一或多個鏡、一或多個濾波器或一或多個偏光器。在一項實施例中,照明臂107之一或多個照明光學件經配置以將來自照明源102之照明透過物鏡110引導至樣本104。例如,照明臂107可包含用於將光透過物鏡110聚焦且引導至樣本104之一選定部分上之一或多個透鏡114及一分束器112。
收集臂109可包含用於收集來自樣本104之照明及/或調節來自樣本104之照明之一或多個收收集學元件。舉例而言,光學子系統106之收集臂109之一或多個光學元件可包含(但不限於)一或多個分束器、
一或多個透鏡、一或多個鏡、一或多個濾波器或一或多個偏光器。在一項實施例中,物鏡110經配置以便收集自樣本104散射、反射及/或繞射之光。此外,收集臂109可包含用於將由物鏡110收集之光引導至一或多個偵測器118之成像部分之一或多個額外光學元件(例如,一或多個透鏡117)。
一或多個偵測器118可包含此項技術中已知之用於檢驗之任何偵測器或感測器。舉例而言,檢驗子系統101之偵測器118可包含(但不限於)一或多個TDI偵測器或一或多個CCD偵測器。
在本文中應注意,出於簡化目的,已在圖1B至圖1C中以簡化方塊圖形式繪示檢驗子系統101。此繪示(包含組件及光學組態)並非限制性的且僅出於說明性目的提供。在本文中認識到,檢驗子系統101可包含任一數目個光學元件、照明源及偵測器以執行本文中闡述之檢驗程序。檢驗工具之實例詳細地闡述於美國專利第7,092,082號、美國專利第6,702,302號、美國專利第6,621,570號及美國專利第5,805,278號,該等美國專利各自以全文引用方式併入本文中。
在另一實施例中,系統100包含一控制器103。在一項實施例中,控制器103以通信方式耦合至檢驗子系統101。舉例而言,控制器103可耦合至檢驗子系統101之一或多個偵測器118之輸出。控制器103可以任何適合方式(例如,藉由圖1A至圖1C中展示之線指示之一或多個傳輸媒體)耦合至一或多個偵測器118,使得控制器103可接收藉由檢驗子系統101之一或多個偵測器118自樣本104獲取之檢驗影像119。
在一項實施例中,控制器103包含一或多個處理器124。在一項實施例中,一或多個處理器124經組態以執行儲存於記憶體126中之程式指令之一集合。在另一實施例中,程式指令經組態以致使一或多個處理器124接收針對一第一光學模式由一或多個偵測器118自樣本104之兩個或兩個以上位置獲取之兩個或兩個以上檢驗影像119。在另一
實施例中,程式指令經組態以致使一或多個處理器124基於針對第一光學模式來自兩個或兩個以上位置之兩個或兩個以上檢驗影像119針對一選定缺陷類型而產生一經匯總缺陷分佈。在另一實施例中,程式指令經組態以致使一或多個處理器124計算針對第一光學模式的樣本104自兩個或兩個以上位置獲取之兩個或兩個以上檢驗影像119之一或多個雜訊相關性特性。在另一實施例中,程式指令經組態以致使一或多個處理器124基於所產生之經匯總缺陷分佈及所計算之一或多個雜訊相關性特性而產生用於第一光學模式之一匹配濾波器。
控制器103之一或多個處理器124可包含此項技術中已知之任一或多個處理元件。在此意義上,一或多個處理器124可包含經組態以執行軟體演算法及/或指令之任何微處理器類型裝置。在一項實施例,一或多個處理器124可由一桌上型電腦、主機電腦系統、工作站、影像電腦、平行處理器或經組態以執行經組態以如本發明通篇中所闡述操作系統100之一程式之其他電腦系統(例如,聯網電腦)組成。應認識到,本發明通篇中所闡述之步驟可由一單個電腦系統或另一選擇係多個電腦系統執行。一般而言,術語「處理器」可在廣義上經定義以涵蓋具有執行來自一非暫時性記憶體媒體126之程式指令之一或多個處理元件之任何裝置。此外,系統100之不同子系統(例如,檢驗子系統101、顯示器122或使用者介面120)可包含適用於執行本發明通篇中所闡述之步驟之至少一部分之處理器或邏輯元件。因此,以上說明不應解釋為對本發明之一限制而僅係一圖解說明。
記憶體媒體126可包含此項技術中已知之適用於儲存可由相關聯的一或多個處理器124執行之程式指令之任何儲存媒體。舉例而言,記憶體媒體126可包含一非暫時性記憶體媒體。例如,記憶體媒體126可包含(但不限於)一唯讀記憶體、一隨機存取記憶體、一磁性或光學記憶體裝置(例如,磁碟)、一磁帶、一固態磁碟機以及諸如此類者。
在另一實施例中,記憶體126經組態以儲存來自檢驗子系統101之一或多個結果及/或本文中闡述之各個步驟之輸出。應進一步注意,記憶體126可與一或多個處理器124一起容納於一共同控制器殼體中。在一替代實施例中,記憶體126可相對於處理器及控制器103之實體位置遙遠地定位。例如,控制器103之一或多個處理器124可存取可透過一網路(例如,網際網路、內部網路以及諸如此類者)存取之一遙遠記憶體(例如,伺服器)。在另一實施例中,記憶體媒體126維持用於致使一或多個處理器124執行本發明通篇中闡述之各個步驟之程式指令。
在另一實施例中,系統100包含一使用者介面120。在一項實施例中,使用者介面120以通信方式耦合至控制器103之一或多個處理器124。在另一實施例中,控制器103可利用使用者介面120來接受來自一使用者之選擇及/或指令。在本文中進一步闡述之某些實施例中,一顯示器可用以將資料顯示給一使用者。繼而,一使用者可回應於顯示給使用者之資料而經由使用者介面120輸入選擇及/或指令(例如,選擇、定大小及/或濾波器框之位置)。
使用者介面120可包含此項技術中所已知之任何使用者介面。舉例而言,使用者介面120可包含(但不限於)一鍵盤、一小鍵盤、一觸控螢幕、一控制桿、一旋鈕、一滾輪、一軌跡球、一切換器、一標度盤、一滑條、一滾動條、一滑塊、一把手、一觸控板、一槳、一轉向盤、一操縱桿、一遮光板輸入裝置等。在一觸控螢幕介面裝置之情形中,熟悉此項技術者應認識到大量觸控螢幕介面裝置可適於在本發明中實施。例如,顯示器122可與一觸控螢幕介面(諸如(但不限於)一電容性觸控螢幕、一電阻性觸控螢幕、一基於表面聲波之觸控螢幕、一基於紅外線之觸控螢幕或諸如此類者)整合。在一般意義上,能夠與一顯示器122之顯示部分整合之任何觸控螢幕介面適於在本發明中實施。
顯示器122可包含此項技術中已知之任何顯示裝置。在一項實施例中,顯示器122可包含(但不限於)一液晶顯示器(LCD)、一基於有機發光二極體(OLED)之顯示器或一CRT顯示器。熟習此項技術者應認識到各種顯示裝置可適於在本發明中實施且顯示裝置之特定選擇可相依於各種因素,包含(但不限於)外觀尺寸、成本及諸如此類者。在一般意義上,能夠與一使用者介面裝置(例如,觸控螢幕、遮光板安裝之介面、鍵盤、滑鼠、軌跡墊及諸如此類者)整合之任何顯示裝置適於在本發明中實施。
在某些實施例中,本文中闡述之系統100可組態為一「獨立工具」或不實體地耦合至一程序工具之一工具。在其他實施例中,此一檢驗系統可藉由一傳輸媒體(其可包含有線及/或無線部分)而耦合至一程序工具(未展示)。程序工具可包含此項技術中已知之任何程序工具,諸如一微影工具、一蝕刻工具、一沈積工具、一拋光工具、一電鍍工具、一清洗工具或一離子植入工具。由本文中闡述之系統執行之檢驗之結果可用以使用一回饋控制技術、一前饋控制技術及/或一原位控制技術更改一程序或一程序工具之一參數。可手動或自動更改程序或程序工具之參數。
圖1A至圖1C中所圖解說明之系統100之實施例可如本文中所闡述進一步經組態。另外,系統100可經組態以執行本文中所闡述之該(等)方法實施例中之任一者之任何其他步驟。
圖2A係圖解說明根據本發明之一項實施例之在產生用於光學檢驗之一方法200中所執行之步驟之一流程圖。在本文中應注意,方法200之步驟可全部或部分地由系統100實施。然而,進一步認識到,方法200不限於系統100,此乃因額外或替代性系統層級實施例可執行方法200之所有或部分步驟。
在步驟220中,針對一第一光學模式自一樣本之兩個或兩個以上
位置獲取檢驗影像。在一項實施例中,如在圖1A至圖1C中所展示,檢驗子系統101之一或多個偵測器118自樣本104獲取兩個或兩個以上檢驗影像106。舉例而言,在一第一光學模式中操作的檢驗子系統101之一或多個偵測器118可自樣本104獲取兩個或兩個以上檢驗影像106。在本文中應注意,以此項技術中已知之任何方式實施第一光學模式及/或任何額外光學模式。舉例而言,一光學模式可透過以下各項中之任一者之組合而實施:所利用之光譜帶、照明位準、照明及/或收集孔徑、照明及/或收集偏光濾波器、放大、焦點偏移以及諸如此類者。就此而言,一第一光學模式可利用包含(但不限於)光譜帶、照明位準、照明及/或收集孔徑、照明及/或收集偏光濾波器、放大、焦點偏移以及諸如此類者之設定之一第一組合而形成。一額外光學模式(例如,第二光學模式、第三光學模式以及諸如此類者)可利用包含(但不限於)光譜帶、照明位準、照明及/或收集孔徑、照明及/或收集偏光濾波器、放大、焦點偏移以及諸如此類者之設定之一額外組合而形成。
例如,圖2B圖解說明利用檢驗子系統101自樣本104之多個位置收集之數位檢驗影像119a至119c(例如,TDI差分影像)之一集合。自跨越樣本104之不同位置222a至222c獲得之影像119a至119c含有埋沒於雜訊光學背景內之未對準缺陷區域224a至224c(或塊區)。
在另一實施例中,一旦獲取影像119,檢驗子系統101便將兩個或兩個以上檢驗影像119傳輸至控制器103之一或多個處理器124。
在步驟240中,基於來自兩個或兩個以上位置之檢驗影像,針對一選定缺陷類型而產生一經匯總缺陷分佈。在一項實施例中,可分析一受關注缺陷類型(或樣本104之缺陷之一子集)。就此而言,一使用者可經由使用者介面120選擇一受關注缺陷類型進行分析。在本文中應注意,受關注缺陷類型可包含此項技術中已知之任何缺陷類型。舉
例而言,受關注缺陷類型可包含(但不限於)一橋樑缺陷、一突起缺陷、一表面顆粒以及諸如此類者。可以此項技術中已知之任何方式執行缺陷分類。舉例而言,可在產生匹配濾波器之前由一使用者利用一SEM再檢測工具(未展示)將一或多個缺陷分類。
基於一受關注缺陷類型及/或樣本104之缺陷之一子集之選擇,系統100及/或方法200產生針對選定缺陷類型或缺陷子集定製之一匹配濾波器。在選擇一缺陷類型或子集之後,控制器103之一或多個處理器124旋即可基於針對第一光學模式之檢驗影像119而產生選定缺陷類型之經匯總缺陷分佈(例如,經平均缺陷分佈)。在本文中應注意,可產生針對系統100所使用之光學模式中之每一者之一不同經匯總缺陷分佈。
圖2C圖解說明繪示產生針對一第一光學模式之一經匯總缺陷分佈之程序240之一展開程序流程圖。在一項實施例中,一經匯總缺陷分佈之產生在步驟241處開始。在步驟242中,該程序包含在一第一影像中界定一濾波器框。舉例而言,如在圖2D中所展示,一濾波器框251a可形成或放置於一第一影像119a上以便圍繞一選定缺陷圖案252。例如,一使用者可利用一拖放功能以識別第一影像119a之一區域作為用於進一步分析之濾波器框。藉由另一實例方式,一或多個圖案識別及/或一機器學習演算法可識別一缺陷並指派圍繞特定缺陷之選定大小之一濾波器框。
在步驟243中,該程序包含識別一第二影像中之一缺陷。在一項實施例中,在第一影像中找出之缺陷圖案可由一或多個處理器124用以識別第二影像(或一第N個影像)中之一匹配缺陷圖案。舉例而言,如在圖2D中所展示,識別匹配第一影像119a之圖案252(或一選定容限內之匹配圖案252)的第二影像119b之一圖案253。濾波器框251b然後可形成或放置於第二影像119b上以便包圍經識別匹配圖案253。應
進一步注意,一使用者可經由使用者介面120及顯示器122調整濾波器框251b之位置以便提供第二影像中之經改進缺陷識別。第一影像119a之第一缺陷圖案252可用以以此項技術中已知之任何方式找出第二影像119b之一第二缺陷圖案253。舉例而言,系統100可應用一或多個圖案匹配演算法以匹配第一影像119a之第一缺陷圖案252與第二影像119b中之一或多個圖案253。在一項實施例中,以像素層級準確性執行步驟243。就此而言,以像素層級準確性識別各別影像119a至119b上之缺陷位置及對應濾波器框位置。在本文中應注意,此程序可重複任一數目次,從而允許步驟243基於第一影像中識別之缺陷圖案而識別任一數目個後續影像中之匹配缺陷圖案。
在步驟244中,該程序包含對準第一影像之濾波器框與第二影像之濾波器框。舉例而言,控制器103之一或多個處理器124可執行第一影像119a之第一濾波器框251a與第二影像119b之第二濾波器框251b之一子像素對準程序。舉例而言,為達成子像素對準,一或多個處理器124可對含於濾波器框251a、251b中之樣本104之一或多個區域進行提升取樣。然後,繼提升取樣之後,一或多個處理器124可對準濾波器框251a、251b內之經提升取樣影像區域。經提升取樣影像資料之對準提供一子像素層級之準確性。繼而,繼濾波器框251a、251b內之經提升取樣影像之對準之後,一或多個處理器124可對濾波器框251a、251b內之影像進行降低取樣以在提升取樣之前匹配影像資料之原始影像網格。本文中所闡述之子像素對準過程能夠達成遠低於一單個像素之準確性之對準。舉例而言,本發明之子像素對準過程可達成一像素之1/10或以下之子像素準確性。
在步驟245中,該程序包含平均化(或匯總)第一影像之濾波器框與第二影像之濾波器框以形成一經平均缺陷分佈。舉例而言,在濾波器框251a、251b之對準之後,控制器103之一或多個處理器124可平均
化第一影像之濾波器框251a內之像素與第二影像之濾波器框251b內之像素。舉例而言,圖2E圖解說明一系列濾波器框251a至251c經匯總以形成一經平均缺陷分佈254。應注意,此項技術中已知之任何影像平均技術可用以平均化濾波器框251a、251b之像素值。
在步驟246中,該程序包含識別一額外影像(例如,第三影像)中之一缺陷。在一項實施例中,在步驟245中找出之經平均缺陷分佈254可由一或多個處理器124用以識別一第三影像(或一第N個影像)中之一匹配圖案。一濾波器框然後可形成或放置於第三影像上以便包圍經識別匹配圖案。應進一步注意,一使用者可經由使用者介面120及顯示器122調整濾波器框之位置以便提供第三影像中之經改進缺陷識別。在本文中應注意,此程序可重複任一數目次,從而允許步驟246基於在步驟245中找出的經平均缺陷分佈而識別任一數目個後續影像中之匹配缺陷圖案。
在步驟247中,該程序包含平均化額外影像之濾波器框與在步驟245中找出之經平均缺陷分佈254。就此而言,該程序可首先對準平均缺陷分佈254與第三影像之濾波器框。舉例而言,控制器103之一或多個處理器124可執行經平均缺陷分佈254之像素與第三影像之第三濾波器框之像素之一像素逐像素對準程序。更一般而言,控制器103之一或多個處理器124可執行經平均缺陷分佈254之像素與一第N個影像之一第N個濾波器框之像素之一像素逐像素對準程序。
在另一實施例中,在對準第三影像之濾波器框與平均缺陷分佈254之後,一或多個處理器124可對經平均缺陷分佈254與第三影像之濾波器框執行一平均程序以形成一經改進平均缺陷分佈254。
應注意,可對由檢驗子系統101獲取之所有影像重複額外影像之濾波器框至平均缺陷分佈254中之對準及平均化。在步驟248中,若存在額外影像,則取「是」分支且重複步驟246。若不存在用於分析之
額外影像,則取「否」分支且該程序移動至步驟249。
如在本文中先前所述及,可針對每一選定光學模式重複經平均缺陷分佈254產生程序。在步驟249中,若存在待分析之額外光學模式,則取「是」分支且該程序移動至步驟242,藉此分析一額外光學模式。若不存在待分析之額外光學模式,則取「否」分支且該程序移動至「結束」步驟251。
又參考圖2A,在程序200之步驟260中,計算針對第一光學模式之檢驗影像106之一或多個雜訊相關性特性。在一項實施例中,在步驟260中計算之一或多個雜訊特性包含針對檢驗子系統101之第一光學模式自兩個或兩個以上位置獲取之兩個或兩個以上檢驗影像119之一或多個雜訊相關性矩陣。
圖2F圖解說明繪示根據本發明之一或多項實施例之計算檢驗影像119之一雜訊相關性矩陣之程序之一展開程序流程圖260。在本文中應注意,圖2F之流程圖260之步驟不應被解釋為限制性的且僅出於說明性目的提供。
在一項實施例中,該程序在步驟261處開始。在步驟262中,該程序包含在一影像之一雜訊區域中界定一像素窗。舉例而言,如在圖2G中所展示,一像素窗227a可界定於一檢驗影像119a之雜訊區域內。例如,一N×M像素窗(例如,9×9像素窗)可放置於影像119a之一雜訊區域中。
在步驟263中,該程序包含計算像素窗227a之一局部雜訊相關性矩陣。舉例而言,局部雜訊相關性矩陣M可計算為N×M像素窗內之每一像素對之一信號乘積(Si*Sj)。就此而言,i及j索引中之每一者涵蓋給定像素窗227a之所有N×M像素。舉例而言,在一9×9窗之情形中,i及j索引中之每一者涵蓋給定像素窗227a之所有81個像素。在此情形中,相關性矩陣之維度係N2×M2,在一9×9窗之情形中,其對應於81
或92×92之一維度。
在步驟264中,該程序包含判定是否需要分析額外像素。若需要額外像素分析,則取「是」分支以至步驟265。
在步驟265中,該程序包含使像素窗移位一選定數目個像素。舉例而言,如在圖2G中所展示,可使影像119a之像素窗227a在影像119a之雜訊區域內移位一個像素(例如,沿X方向或Y方向移位)。在像素窗227a移位一或多個像素之後,該程序移動至步驟263且再次計算局部相關性矩陣M=S i* S j 。重複步驟263至265直至反覆通過給定檢驗影像119a之所有所要像素為止。在已經反覆通過檢驗影像119a之雜訊區域之所要像素之後,取「否」分支以至步驟266。
在步驟266中,該程序包含平均化來自影像119a中之所有像素位置之局部雜訊相關性矩陣以形成影像119a之一經平均雜訊相關性矩陣。就此而言,每一位置對應於由程序在步驟265中形成且由程序在步驟263中計算之像素窗之一移位版本。
在步驟267中,該程序包含判定是否需要分析額外影像。若使用額外影像來計算相關性矩陣,則取「是」分支且重複步驟262至266。舉例而言,如在圖2G中所展示,可使用分別針對影像119b、119c之像素窗227b、227c重複步驟262至266。另一選擇係,若不使用額外影像來計算雜訊相關性矩陣,則取「否」分支以至步驟268。
在步驟268中,該程序包含平均化跨越所有影像119a至119c之局部雜訊相關性矩陣以形成一經平均雜訊相關性矩陣。在步驟269中,該程序結束。應注意,若僅使用一個影像,則繞開步驟268且該程序移動至「結束」步驟269。
又參考圖2A,在程序200之步驟280中,產生用於第一光學模式之一匹配濾波器。在一項實施例中,匹配濾波器係基於經匯總缺陷分佈(步驟240)以及所計算之一或多個雜訊相關性特性(步驟260)而產
生。舉例而言,可使用經匯總缺陷分佈D及雜訊相關性矩陣M計算匹配濾波器。就此而言,匹配濾波器(MF)可採用以下形式:MF=M -1*Dv
其中Dv係基於初始經匯總缺陷分佈D之一重塑向量或行N×M(例如,9×9)像素經匯總(或經平均)缺陷塊區。一匹配濾波器之形成係由Dimitris G.Manolakis及Vinay K.Ingle之以全文引用方式併入本文中之「Applied Digital Signal Processing:Theory and Practice」(第860頁,Cambridge University Press,2011年)大體闡述。一匹配濾波器之形成亦由N.E.Mastorakis之以全文引用方式併入本文中之「Multidimensional Matched Filters」(Proceedings of the Third IEEE International Conference on Electronics,Circuits,and Systems,第1卷,第467頁,1996年)大體闡述。
在本文中應注意,由步驟280產生之匹配濾波器可形成為一非對稱性匹配濾波器或一左右(LR)對稱性匹配濾波器。圖2H圖解說明一經平均缺陷分佈290、一非對稱性匹配濾波器291以及左右對稱性匹配濾波器293。如在圖2H中所展示,匹配濾波器291及293與經平均缺陷分佈290顯著不同。此差異係在本文中先前所闡述之N×M像素窗內之強雜訊像素至像素相關性之一結果。
又參考圖2A,在方法200之一額外步驟中,控制器103之一或多個處理器124可將在步驟280中產生之匹配濾波器應用於自檢驗子系統101接收之一或多個檢驗影像119。在一項實施例中,一或多個處理器124迴旋一或多個所獲取之缺陷影像119與所產生之匹配濾波器291(或濾波器293)。舉例而言,圖2I圖解說明一未經濾波缺陷影像292及由未經濾波缺陷影像292與所產生之匹配濾波器291之一迴旋組成之一經數位濾波影像294。在本文中應注意,可使用此項技術中已知之任何影像迴旋過程執行未經濾波缺陷影像292與所產生之匹配濾波器291
之迴旋。
在方法200之一額外步驟中,可產生用於用以擷取檢驗影像119之每一光學模式的一匹配濾波器291。舉例而言,一或多個處理器124可產生用於一第一光學模式之一第一匹配濾波器,可產生用於一第二光學模式之一第二匹配濾波器且可產生用於一第三光學模式之一第三匹配濾波器。更一般而言,可產生針對一第N個光學模式之一第N個匹配濾波器。
在另一實施例中,一或多個處理器124可將所產生之匹配濾波器應用於對應光學模式之影像以計算一或多個影像參數。影像參數可包含此項技術中已知之任何數位影像參數,諸如(但不限於)信號雜訊比(SNR)、信號值、雜訊值以及諸如此類者。然後,一或多個處理器124可比較多個光學模式之影像之經濾波輸出。基於此比較,一或多個處理器124可依據一受關注參數(例如,SNR值、雜訊值、信號值以及諸如此類者)將多個光學模式排名。
儘管本發明之大部分內容已著重於針對一特定缺陷類型或子群組之匹配濾波器之產生,但在本文中應注意,此並非對本發明之一限制。舉例而言,本發明之系統100及方法200可延伸至提供用於一給定影像之多個匹配濾波器之產生。就此而言,系統100及/或方法200可基於濾波器框影像而將一影像中存在之各個缺陷劃分成缺陷類型或子群組之一集合。然後,可產生用於缺陷子群組之集合中之每一者之一匹配濾波器。
本文中所闡述之標的物有時圖解說明含於其他組件內或與其他組件連接之不同組件。應理解,此等所繪示架構僅係例示性的,且事實上可實施達成相同功能性之諸多其他架構。在一概念意義上,達成相同功能性之任一組件配置係有效地「相關聯」以使得達成所期望之功能性。因此,可將本文中經組合以達成一特定功能性之任何兩個組
件視為彼此「相關聯」以使得達成所期望之功能性,而無論架構或中間組件如何。同樣地,亦可將如此相關聯之任何兩個組件視為彼此「連接」或「耦合」以達成所期望功能性,且亦可將能夠如此相關聯之任何兩個組件視為彼此「可耦合」以達成所期望功能性。可耦合之特定實例包括但不限於可實體配合及/或實體相互作用之組件及/或可以無線方式相互作用及/或以無線方式相互作用之組件及/或以邏輯方式相互作用及/或可以邏輯方式相互作用之組件。
此外,應理解,本發明由隨附申請專利範圍界定。熟習此項技術者將理解,一般而言本文所使用及尤其在隨附申請專利範圍(例如,隨附申請專利範圍之主體)中所使用之術語通常意欲為「開放式」術語(例如,術語「包含(including)」應解釋為「包含但不限於」,術語「具有(having)」應解釋為「至少具有」,術語「包含(includes)」應解釋為「包含但不限於」等等)。熟習此項技術者應進一步理解,若有意圖將一所介紹請求要件表述為特定數目,則將在請求項中明確地敘述此一意圖,且在無此敘述時,不存在此意圖。舉例而言,作為理解之一輔助,以下隨附申請專利範圍可含有說明性片語「至少一個(at least one)」及「一或多個(one or more)」之使用來說明請求要件。然而,此等片語之使用不應解釋為暗指藉由不定冠詞「一(a/an)」介紹之一請求要件限制含有此經介紹請求要件之任一特定請求項為僅含有一個此敘述之發明,甚至當相同請求項包含說明性片語「一或多個」或「至少一個」且諸如「一(a/an)」之不定冠詞(例如,「一(a及/或an)」應通常解釋為意指「至少一個」或「一或多個」);對於用於介紹請求要件之定冠詞之使用亦如此。另外,即使明確地列述一說明請求要件之特定數目,熟習此項技術者亦將認識到,此敘述通常應解釋為意指至少所列述之數目(例如,「兩個敘述」之明瞭列述,而無其他修飾語,通常意指至少兩個要件,或兩個或兩個以上要
件)。此外,在其中使用類似於「A、B及C中之至少一者」之一慣例之彼等例項中,一般而言,此一構造意欲指熟習此項技術者將理解該慣例之含義(例如,「具有A、B及C中之至少一者之一系統」將包含但不限於僅具有A、僅具有B、僅具有C,同時具有A及B、同時具有A及C、同時具有B及C及/或同時具有A、B及C等等之系統)。在其中使用類似於「A、B或C中之至少一者」之一慣例之彼等例項中,一般而言,此一構造意欲指熟習此項技術者將理解該慣例之含義(例如,「具有A、B或C中之至少一者之一系統」將包含但不限於僅具有A、僅具有B、僅具有C,同時具有A及B、同時具有A及C、同時具有B及C及/或同時具有A、B及C等等之系統)。熟習此項技術者應進一步理解,實質上表示兩個或兩個以上替代術語之任一轉折字及/或片語(無論係在說明書中、申請專利範圍中亦係在圖式中)皆應被理解為涵蓋包含該等術語中之一者、該等術語中之任一者或兩個術語之可能性。舉例而言,片語「A或B」應被理解為包含「A」或「B」或「A及B」之可能性。
據信,藉由前述闡述將理解本發明及諸多其隨附優點,且將明瞭可在不背離所揭示標的物或不犧牲所有其材料優點之情況下在組件之形式、構造及配置態樣作出各種改變。所闡述形式僅系解釋性,且以下申請專利範圍之意圖系囊括並包含此等改變。此外,應理解,本發明由隨附申請專利範圍界定。
Claims (25)
- 一種方法,其包括:針對一第一光學模式自一樣本之兩個或兩個以上位置獲取來自該樣本之兩個或兩個以上檢驗影像;基於針對該第一光學模式來自該兩個或兩個以上位置之該兩個或兩個以上檢驗影像,針對一選定缺陷類型而產生一經匯總缺陷分佈;計算針對該第一光學模式自該兩個或兩個以上位置獲取之該兩個或兩個以上檢驗影像之一或多個雜訊相關性特性;及基於該所產生之經匯總缺陷分佈及該所計算之一或多個雜訊相關性特性而產生用於該第一光學模式之一匹配濾波器。
- 如請求項1之方法,其進一步包括:將該所產生之匹配濾波器應用於針對該第一光學模式之一所獲取檢驗影像以形成一第一經濾波影像。
- 如請求項2之方法,其中該將該所產生之匹配濾波器應用於針對該第一光學模式之一所獲取檢驗影像包括:迴旋該所產生之匹配濾波器與針對該第一光學模式之一所獲取檢驗影像。
- 如請求項2之方法,其進一步包括:針對一額外光學模式自該樣本之兩個或兩個以上位置獲取來自該樣本之兩個或兩個以上檢驗影像;基於針對該額外光學模式來自該兩個或兩個以上位置之該兩個或兩個以上檢驗影像,針對一選定缺陷類型而產生一額外經匯總缺陷分佈;計算針對該額外光學模式自該兩個或兩個以上位置獲取之該 兩個或兩個以上檢驗影像之一或多個額外雜訊相關性特性;基於該所產生之額外經匯總缺陷分佈及該所計算之一或多個額外雜訊相關性特性而產生用於該額外光學模式之一額外匹配濾波器;及將該所產生之額外匹配濾波器應用於針對該額外光學模式之該兩個或兩個以上所獲取該檢驗影像之至少一者以形成一額外經濾波影像。
- 如請求項4之方法,其進一步包括:比較該第一經濾波影像與該額外經濾波影像以將該第一光學模式與該額外光學模式排名。
- 如請求項1之方法,其中該基於針對該第一光學模式來自該兩個或兩個以上位置之該兩個或兩個以上檢驗影像,針對一選定缺陷類型而產生一經匯總缺陷分佈包括:基於針對該第一光學模式來自該兩個或兩個以上位置之該兩個或兩個以上檢驗影像,針對一選定缺陷類型而產生一經平均缺陷分佈。
- 如請求項1之方法,其中該計算針對該第一光學模式自該兩個或兩個以上位置獲取之該兩個或兩個以上檢驗影像之一或多個雜訊相關性特性包括:計算針對該第一光學模式自該兩個或兩個以上位置獲取之該兩個或兩個以上檢驗影像之一或多個雜訊相關性矩陣。
- 如請求項1之方法,其中該針對一第一光學模式自一樣本之兩個或兩個以上位置獲取來自該樣本之兩個或兩個以上檢驗影像包括:經由一暗場檢驗程序針對一第一光學模式自一樣本之兩個或兩個以上位置獲取來自該樣本之兩個或兩個以上檢驗影像。
- 如請求項1之方法,其中該針對一第一光學模式自一樣本之兩個或兩個以上位置獲取來自該樣本之兩個或兩個以上檢驗影像包括:經由一明場檢驗程序針對一第一光學模式自一樣本之兩個或兩個以上位置獲取來自該樣本之兩個或兩個以上檢驗影像。
- 一種系統,其包括:一檢驗子系統,其包含經組態以將照明引導至一樣本之一或多個選定部分上之一照明源,以及一或多個偵測器,該一或多個偵測器經組態以針對一第一光學模式自該樣本之兩個或兩個以上位置獲取來自該樣本之兩個或兩個以上檢驗影像;及一控制器,其以通信方式耦合至該一或多個偵測器,該控制器包含經組態以執行程式指令之一或多個處理器,該等程式指令經組態以致使該一或多個處理器:自該一或多個偵測器接收針對該第一光學模式自該兩個或兩個以上位置獲取之該兩個或兩個以上檢驗影像;基於針對該第一光學模式自該一或多個偵測器接收之來自該兩個或兩個以上位置之該兩個或兩個以上檢驗影像,針對一選定缺陷類型而產生一經匯總缺陷分佈;計算針對該第一光學模式自該兩個或兩個以上位置獲取之該兩個或兩個以上檢驗影像之一或多個雜訊相關性特性;及基於該所產生之經匯總缺陷分佈及該所計算之一或多個雜訊相關性特性而產生用於該第一光學模式之一匹配濾波器。
- 如請求項10之系統,其中該一或多個處理器進一步經組態以:將該所產生之匹配濾波器應用於針對該第一光學模式之一所獲取檢驗影像以形成一第一經濾波影像。
- 如請求項11之系統,其中該一或多個處理器進一步經組態以: 迴旋該所產生之匹配濾波器與針對該第一光學模式之一所獲取檢驗影像。
- 如請求項11之系統,其中該一或多個處理器進一步經組態以:針對一額外光學模式自該樣本之兩個或兩個以上位置獲取來自該樣本之兩個或兩個以上檢驗影像;基於針對該額外光學模式來自該兩個或兩個以上位置之該兩個或兩個以上檢驗影像,針對一選定缺陷類型而產生一額外經匯總缺陷分佈;計算針對該額外光學模式自該兩個或兩個以上位置獲取之該兩個或兩個以上檢驗影像之一或多個額外雜訊相關性特性;基於該所產生之額外經匯總缺陷分佈及該所計算之一或多個額外雜訊相關性特性而產生用於該額外光學模式之一額外匹配濾波器;及將該所產生之額外匹配濾波器應用於針對該額外光學模式之該兩個或兩個以上所獲取檢驗影像之至少一者以形成一額外經濾波影像。
- 如請求項13之系統,其中該一或多個處理器進一步經組態以:比較該第一經濾波影像與該額外經濾波影像以將該第一光學模式與該額外光學模式排名。
- 如請求項10之系統,其中該基於針對該第一光學模式來自該兩個或兩個以上位置之該兩個或兩個以上檢驗影像,針對一選定缺陷類型而產生一經匯總缺陷分佈包括:基於針對該第一光學模式來自該兩個或兩個以上位置之該兩個或兩個以上檢驗影像,針對一選定缺陷類型而產生一經平均缺陷分佈。
- 如請求項10之系統,其中該計算針對該第一光學模式自該兩個 或兩個以上位置獲取之該兩個或兩個以上檢驗影像之一或多個雜訊相關性特性包括:計算針對該第一光學模式自該兩個或兩個以上位置獲取之該兩個或兩個以上檢驗影像之一或多個雜訊相關性矩陣。
- 如請求項10之系統,其中所產生之匹配濾波器包括:一非對稱性匹配濾波器。
- 如請求項10之系統,其中所產生之匹配濾波器包括:一左右對稱性匹配濾波器。
- 如請求項10之系統,其進一步包括:一或多個顯示裝置。
- 如請求項10之系統,其進一步包括:一或多個使用者輸入裝置。
- 如請求項10之系統,其中檢驗子系統包括:一明場檢驗子系統。
- 如請求項10之系統,其中檢驗子系統包括:一暗場檢驗子系統。
- 如請求項10之系統,其中該照明源包括:一寬頻照明源或一窄頻照明源中之至少一者。
- 如請求項10之系統,其中該一或多個偵測器包括:一TDI偵測器或一CCD偵測器中之至少一者。
- 如請求項10之系統,其中該樣本包括:一半導體晶圓、一倍縮光罩或一生物試樣中之至少一者。
Applications Claiming Priority (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201462078802P | 2014-11-12 | 2014-11-12 | |
US62/078,802 | 2014-11-12 | ||
US14/937,409 | 2015-11-10 | ||
US14/937,409 US9734422B2 (en) | 2014-11-12 | 2015-11-10 | System and method for enhanced defect detection with a digital matched filter |
Publications (2)
Publication Number | Publication Date |
---|---|
TW201626329A TW201626329A (zh) | 2016-07-16 |
TWI646505B true TWI646505B (zh) | 2019-01-01 |
Family
ID=55955002
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW104137396A TWI646505B (zh) | 2014-11-12 | 2015-11-12 | 用於利用一數位匹配濾波器之增強型缺陷偵測之系統及方法 |
Country Status (7)
Country | Link |
---|---|
US (1) | US9734422B2 (zh) |
JP (1) | JP6712591B2 (zh) |
KR (1) | KR102312850B1 (zh) |
CN (1) | CN107077733B (zh) |
SG (1) | SG11201703564PA (zh) |
TW (1) | TWI646505B (zh) |
WO (1) | WO2016077487A1 (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10043265B2 (en) * | 2016-03-17 | 2018-08-07 | Kla-Tencor Corporation | System, method and computer program product for identifying fabricated component defects using a local adaptive threshold |
EP3482192A4 (en) * | 2016-07-08 | 2020-08-05 | ATS Automation Tooling Systems Inc. | SYSTEM AND PROCEDURE FOR COMBINED AUTOMATIC AND MANUAL INSPECTION |
US10082470B2 (en) * | 2016-09-27 | 2018-09-25 | Kla-Tencor Corporation | Defect marking for semiconductor wafer inspection |
JP7087792B2 (ja) * | 2018-07-31 | 2022-06-21 | 株式会社リコー | 画像データ生成装置、画像データ生成方法およびプログラム |
US11151707B2 (en) * | 2018-12-07 | 2021-10-19 | Kla Corporation | System and method for difference filter and aperture selection using shallow deep learning |
CN112229853B (zh) * | 2019-06-26 | 2022-11-29 | 长鑫存储技术有限公司 | 液滴型缺陷的检测方法和检测系统 |
US11087449B2 (en) * | 2019-10-24 | 2021-08-10 | KLA Corp. | Deep learning networks for nuisance filtering |
US11557031B2 (en) * | 2019-11-21 | 2023-01-17 | Kla Corporation | Integrated multi-tool reticle inspection |
US20220383470A1 (en) * | 2021-05-21 | 2022-12-01 | Kla Corporation | System and method for optical wafer characterization with image up-sampling |
WO2023018919A1 (en) * | 2021-08-11 | 2023-02-16 | Bedrock Surgical, Inc | Methods for monitoring and tracking sterile processing of surgical instruments |
CN116934746B (zh) * | 2023-09-14 | 2023-12-01 | 常州微亿智造科技有限公司 | 划伤缺陷检测方法、系统、设备及其介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080015802A1 (en) * | 2006-07-14 | 2008-01-17 | Yuta Urano | Defect Inspection Method and Apparatus |
US20090161097A1 (en) * | 2007-12-19 | 2009-06-25 | Vistec Semiconductor Systems Gmbh | Method for optical inspection, detection and visualization of defects on disk-shaped Objects |
TW201100779A (en) * | 2009-01-13 | 2011-01-01 | Semiconductor Technologies & Instr Pte Ltd | System and method for inspecting a wafer (3) |
US20120044486A1 (en) * | 2009-01-26 | 2012-02-23 | Kla-Tencor Corporation | Detecting Defects on a Wafer |
US20120328181A1 (en) * | 2006-12-05 | 2012-12-27 | Ngr Inc. | Pattern inspection apparatus and method |
US8723789B1 (en) * | 2011-02-11 | 2014-05-13 | Imimtek, Inc. | Two-dimensional method and system enabling three-dimensional user interaction with a device |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5805278A (en) | 1995-02-09 | 1998-09-08 | Inspex, Inc. | Particle detection method and apparatus |
JP4765387B2 (ja) * | 2005-04-27 | 2011-09-07 | 株式会社ニコン | ノイズ抑制装置、電子カメラおよびノイズ抑制プログラム |
JP4928862B2 (ja) | 2006-08-04 | 2012-05-09 | 株式会社日立ハイテクノロジーズ | 欠陥検査方法及びその装置 |
JP2014035326A (ja) | 2012-08-10 | 2014-02-24 | Toshiba Corp | 欠陥検査装置 |
JP5921990B2 (ja) * | 2012-08-23 | 2016-05-24 | 株式会社ニューフレアテクノロジー | 欠陥検出方法 |
US10290092B2 (en) * | 2014-05-15 | 2019-05-14 | Applied Materials Israel, Ltd | System, a method and a computer program product for fitting based defect detection |
-
2015
- 2015-11-10 US US14/937,409 patent/US9734422B2/en active Active
- 2015-11-11 WO PCT/US2015/060207 patent/WO2016077487A1/en active Application Filing
- 2015-11-11 SG SG11201703564PA patent/SG11201703564PA/en unknown
- 2015-11-11 JP JP2017525565A patent/JP6712591B2/ja active Active
- 2015-11-11 CN CN201580059583.8A patent/CN107077733B/zh active Active
- 2015-11-11 KR KR1020177015775A patent/KR102312850B1/ko active IP Right Grant
- 2015-11-12 TW TW104137396A patent/TWI646505B/zh active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080015802A1 (en) * | 2006-07-14 | 2008-01-17 | Yuta Urano | Defect Inspection Method and Apparatus |
US20120328181A1 (en) * | 2006-12-05 | 2012-12-27 | Ngr Inc. | Pattern inspection apparatus and method |
US20090161097A1 (en) * | 2007-12-19 | 2009-06-25 | Vistec Semiconductor Systems Gmbh | Method for optical inspection, detection and visualization of defects on disk-shaped Objects |
TW201100779A (en) * | 2009-01-13 | 2011-01-01 | Semiconductor Technologies & Instr Pte Ltd | System and method for inspecting a wafer (3) |
US20120044486A1 (en) * | 2009-01-26 | 2012-02-23 | Kla-Tencor Corporation | Detecting Defects on a Wafer |
US8723789B1 (en) * | 2011-02-11 | 2014-05-13 | Imimtek, Inc. | Two-dimensional method and system enabling three-dimensional user interaction with a device |
Also Published As
Publication number | Publication date |
---|---|
CN107077733B (zh) | 2019-03-01 |
JP2017535772A (ja) | 2017-11-30 |
US9734422B2 (en) | 2017-08-15 |
WO2016077487A1 (en) | 2016-05-19 |
SG11201703564PA (en) | 2017-05-30 |
TW201626329A (zh) | 2016-07-16 |
US20160140412A1 (en) | 2016-05-19 |
KR102312850B1 (ko) | 2021-10-13 |
JP6712591B2 (ja) | 2020-06-24 |
CN107077733A (zh) | 2017-08-18 |
KR20170086061A (ko) | 2017-07-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI646505B (zh) | 用於利用一數位匹配濾波器之增強型缺陷偵測之系統及方法 | |
JP7080884B2 (ja) | 三次元半導体構造の検査用の欠陥発見およびレシピ最適化 | |
US10132760B2 (en) | Apparatus and methods for finding a best aperture and mode to enhance defect detection | |
JP6231156B2 (ja) | ウエハ上の欠陥を検出するためのシステムおよび方法 | |
JP6598914B2 (ja) | ウェハおよびレチクル検査システムならびに照明瞳配置を選択するための方法 | |
TWI679710B (zh) | 用於判定樣品上缺陷之系統、非暫時性電腦可讀媒體及方法 | |
JP7200113B2 (ja) | 深くスタック化された層を有するウェハにおいて欠陥分類器を訓練して適用するためのシステムと方法 | |
US9601393B2 (en) | Selecting one or more parameters for inspection of a wafer | |
TWI641062B (zh) | 偵測在晶圓上之缺陷 | |
CN107003250B (zh) | 检验系统及具有增强检测的技术 | |
TW201824417A (zh) | 用於影像融合之以卷積神經網路為基礎之模式選擇及缺陷分類 | |
US9239295B2 (en) | Variable polarization wafer inspection | |
TWI780309B (zh) | 檢測位於具有非重複特徵的背景中之晶粒重複程式化缺陷 | |
JP6545164B2 (ja) | ウェハ検査プロセスの1つ以上のパラメータを決定するための方法、コンピュータ読み出し可能な媒体およびシステム | |
JP2010535430A (ja) | 半導体デバイス特徴の抽出、生成、視覚化、ならびに監視方法 | |
TWI778258B (zh) | 缺陷偵測之方法、系統及非暫時性電腦可讀媒體 | |
JP7236473B2 (ja) | 多重散乱信号に基づく埋設粒子深度値域分類 | |
TW202013538A (zh) | 用於損害篩選之跨層共同─獨特分析 | |
US9714905B1 (en) | Wafer inspection recipe setup | |
JP6906044B2 (ja) | 感度改善およびニューサンス抑制のため、論理的およびホットスポット検査でzレイヤコンテキストを使用するシステムおよび方法 | |
KR102557194B1 (ko) | 검사를 위한 결함 후보 생성 | |
US20220307990A1 (en) | Imaging reflectometry for inline screening |