TWI722599B - 圖像評價裝置及方法 - Google Patents

圖像評價裝置及方法 Download PDF

Info

Publication number
TWI722599B
TWI722599B TW108136854A TW108136854A TWI722599B TW I722599 B TWI722599 B TW I722599B TW 108136854 A TW108136854 A TW 108136854A TW 108136854 A TW108136854 A TW 108136854A TW I722599 B TWI722599 B TW I722599B
Authority
TW
Taiwan
Prior art keywords
image
defect
information
mentioned
area
Prior art date
Application number
TW108136854A
Other languages
English (en)
Other versions
TW202029124A (zh
Inventor
竇書洋
豊田康隆
別宮史浩
柿沼武史
篠田伸一
Original Assignee
日立全球先端科技股份有限公司
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 日立全球先端科技股份有限公司 filed Critical 日立全球先端科技股份有限公司
Publication of TW202029124A publication Critical patent/TW202029124A/zh
Application granted granted Critical
Publication of TWI722599B publication Critical patent/TWI722599B/zh

Links

Images

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
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • 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
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10056—Microscopic image
    • G06T2207/10061—Microscopic image from scanning electron microscope
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30148—Semiconductor; IC; Wafer
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/06—Recognition of objects for industrial automation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/12—Acquisition of 3D measurements of objects
    • G06V2201/122—Computational image acquisition in electron microscopy

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Quality & Reliability (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Databases & Information Systems (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本發明之目的在於提供一種能夠檢測未知缺陷，且能夠防止機械學習模型之誤辨識之圖像評價裝置及方法。 本發明係一種圖像評價裝置，其特徵在於：其係使用利用機械學習之識別器來識別電子元件之缺陷圖像中之缺陷資訊者，且具備：圖像記憶部，其儲存電子元件之缺陷圖像；缺陷區域記憶部，其儲存缺陷圖像之缺陷區域資訊；識別器，其藉由機械學習來識別缺陷資訊；圖像提取部，其於缺陷圖像之識別處理過程中提取識別器所注目之注目圖像資訊；及評價部，其對注目圖像資訊與缺陷區域資訊進行比較，而評價缺陷圖像之可識別性。

Description

圖像評價裝置及方法
本發明係關於一種進行缺陷圖像中之機械學習模型之注目區域、與缺陷物體之位置資訊之比較之圖像評價裝置及其方法。
近年來，於半導體檢查等領域中使用一種圖像解析技術，其係藉由自圖像提取特徵量，並與事先登錄在資料庫等中之資訊進行比較對照，而判別對象物。
作為該圖像解析技術之一例，已知有一種專利文獻1中所記載之方法。根據專利文獻1，可藉由機械學習機構之應用而自輸入圖像輸出強調特定圖案之輸出圖像。
又，作為判別對象物之機械學習機構之具體之機械學習算法，已知有類神經網路或支援向量機。然而，任一方法均根據挑選何種特徵量而識別精度較大地變動，因此特徵量之選擇方法變得重要。
關於該方面，近年來，開發有一種被稱為CNN(Convolutional Neural Network；卷積類神經網路)之深度學習器，並備受注目。CNN為機械學習器之一種，由深度學習模型自主學習圖像之特徵，進行圖像中所包含之物體圖像之提取、或物體之判別、圖像之分類等。
根據CNN，可自學習資料中自動提取先前之支援向量機等之機械學習中所需之特徵量之選擇，發揮非常高之圖像解析性能。 [先前技術文獻] [專利文獻]
[專利文獻1]日本專利特開2005-34211號公報
[發明所欲解決之問題]
雖然如此CNN具有較高之辨識性能，但是另一方面，包括有如下問題，即，對所學習之種類以外之未知種類圖像亦強烈反應，並以較高之確信度進行誤辨識之情況較多。
具體而言，例如於CNN向半導體生產線之應用時，由於半導體之生產線中所發現之一部分缺陷之出現頻度較低，故而難以大量地收集並學習。因此，存在有忽略教導資料中不包含之未知缺陷之虞之問題。
如此，於將機械學習活用至半導體之圖像檢查中之情形時，有學習完畢之模型對教導資料中不包含之未知種類之缺陷圖像強烈地反應，並以較高之確信度進行誤辨識之虞。由此，有忽略致命性缺陷，招致良率之降低之可能性。因此，要求一種檢測未知缺陷之機構。
基於以上內容，本發明之目的在於提供一種能夠檢測未知缺陷，且能夠防止機械學習模型之誤辨識之圖像評價裝置及方法。 [解決問題之技術手段]
基於以上內容，本發明係設為如下者：「一種圖像評價裝置，其特徵在於：其係使用利用機械學習之識別器來識別電子元件之缺陷圖像之缺陷資訊者，且具備：圖像記憶部，其儲存電子元件之缺陷圖像；缺陷區域記憶部，其儲存缺陷圖像之缺陷區域資訊；識別器，其藉由機械學習來識別缺陷資訊；圖像提取部，其於缺陷圖像之識別處理過程中提取識別器所注目之注目圖像資訊；及評價部，其將注目圖像資訊與缺陷區域資訊進行比較，而評價缺陷圖像之可識別性」。
又，本發明係設為如下者：「一種圖像評價裝置，其特徵在於：其係使用利用複數個機械學習之識別器來識別電子元件之缺陷圖像之缺陷資訊者，且具備：圖像記憶部，其儲存電子元件之缺陷圖像；複數個識別器，其藉由機械學習來識別缺陷資訊；圖像提取部，其於缺陷圖像之識別處理過程中提取複數個識別器所注目之複數個注目圖像資訊；及評價部，其將複數個注目圖像資訊進行比較，而評價複數個識別器」。
又，本發明係設為如下者：「一種圖像評價方法，其特徵在於：其係使用利用機械學習之識別器來識別電子元件之缺陷圖像之缺陷資訊者，且儲存電子元件之缺陷圖像，儲存缺陷圖像之缺陷區域資訊，於缺陷圖像之識別處理過程中提取識別器所注目之注目圖像資訊，將注目圖像資訊與缺陷區域資訊進行比較，而評價缺陷圖像之可識別性」。
又，本發明係設為如下者：「一種圖像評價方法，其特徵在於：其係使用利用複數個機械學習之識別器來識別電子元件之缺陷圖像之缺陷區域資訊者，且儲存電子元件之缺陷圖像，於缺陷圖像之識別處理過程中提取複數個識別器所注目之複數個圖像資訊，將複數個注目圖像資訊進行比較，而評價複數個識別器」。 [發明之效果]
根據本發明，能夠檢測未知缺陷，且能夠防止機械學習模型之誤辨識。
以下，參照圖式對本發明之實施例詳細地進行說明。
本發明之圖像評價裝置可於處理圖像之廣泛技術領域中進行應用，但於以下所示之本發明之實施例中例示了用以防止活用機械學習之半導體檢查中之未知缺陷之誤辨識的圖像評價裝置及方法。又，作為其具體之一例，示出使用學習完畢之機械學習模型與缺陷物體之區域資訊來檢測未知缺陷之例。
因此，於本說明書中，首先，使用圖10、圖11對成為半導體檢查之前提之技術進行說明，其後使用圖1至圖9對實施例進行說明。
以下，使用圖10、圖11對具備活用機械學習之半導體檢查中之未知缺陷檢測功能之裝置、測定檢查系統進行說明。更具體而言，對包括作為測定裝置之一種之測長用掃描電子顯微鏡(Critical Dimension-Scanning Electron Microscope：以下稱為CD-SEM或簡稱為SEM)之裝置、系統進行說明。
再者，於以下說明中，例示帶電粒子束裝置作為形成圖像之裝置，並且說明使用SEM之例作為其一態樣，但並不限於此，例如亦可採用將離子束於試樣上掃描而形成圖像之聚焦離子束(Focused Ion Beam：以下稱為FIB)裝置作為帶電粒子束裝置。然而，為了高精度地測定越來越微細化之圖案，而要求極高之倍率，因此一般較理想為使用在分辨率方面優於FIB裝置之SEM。
圖10係複數個測定或檢查裝置連接於網路之半導體檢查系統之概略說明圖。該系統成為如下構成：主要測定半導體晶圓或光罩等之圖案尺寸之CD-SEM2401、及藉由對試樣照射電子束而獲取圖像並基於該圖像與已預先登錄之參照圖像之比較來提取缺陷之缺陷檢查裝置2402連接於網路NW。
又，網路NW連接有：條件設定裝置2403，其基於半導體元件之設計資料來設定測定位置或測定條件等；模擬器2404，其基於半導體元件之設計資料及半導體製造裝置之製造條件等來模擬圖案之完成情況；及記憶媒體2405，其記憶登錄有半導體元件之佈局資料及製造條件之設計資料。
設計資料例如以GDS(Graphic Data System，圖形資料系統)格式或OASIS(Open Artwork System Interchange Standard，開放圖稿系統交換標準)格式等表現，且被以特定形式記憶。再者，設計資料只要可由顯示設計資料之軟體顯示其格式形式，並可以圖形資料形式進行處理，便不問其種類。又，記憶媒體2405亦可內置測定裝置、檢查裝置之控制裝置、或條件設定裝置2403、模擬器2404。
再者，CD-SEM2401、及缺陷檢查裝置2402分別具備控制裝置，而進行各裝置所需之控制，但亦可於該等控制裝置搭載上述模擬器之功能或測定條件等之設定功能。
於SEM中，自電子源釋出之電子束由複數級透鏡聚焦，並且經聚焦之電子束藉由掃描偏向器而一維或二維地在試樣上掃描。
藉由電子束之掃描而自試樣釋出之二次電子(Secondary Electron：以下稱為SE)或背向散射電子(Backscattered Electron：以下稱為BSE)藉由檢測器檢測，並與上述掃描偏向器之掃描同步地被記憶於訊框記憶體等記憶媒體中。該訊框記憶體中所記憶之圖像信號藉由控制裝置內所搭載之運算裝置進行累加。又，掃描偏向器之掃描可為任意大小、位置及方向。
如上所述之控制等係於各SEM之控制裝置進行，電子束掃描之結果所獲得之圖像或信號經由網路NW被送至條件設定裝置2403。再者，於本例中，將控制SEM之控制裝置、與條件設定裝置2403作為不同體進行說明，但並不限於此，亦可於條件設定裝置2403統一進行裝置之控制與測定處理，亦可於各控制裝置一併進行SEM之控制與測定處理。
又，於上述條件設定裝置2403或控制裝置中記憶有用以執行測定處理之程式，依據該程式進行測定或運算。
又，條件設定裝置2403具備根據半導體之設計資料而作成對SEM之動作進行控制之程式(程序)之功能，作為程序設定部發揮功能。具體而言，基於設計資料、圖案之輪廓線資料、或已實施模擬之設計資料設定所需之測定點、自動調焦、自動像散校正、定址點等用以進行對SEM而言所需之處理之位置等，基於該設定而作成用以對SEM之試樣載台或偏向器等進行自動控制之程式。
圖11係掃描電子顯微鏡之概略構成圖。自電子源2501藉由引出電極2502引出，且藉由未圖示之加速電極加速之電子束2503於藉由作為聚焦透鏡之一形態之聚光透鏡2504聚集後，藉由掃描偏向器2505一維或二維地在試樣2509上掃描。電子束2503藉由施加至內置於試樣台2508之電極之負電壓而被減速，藉由物鏡2506之透鏡作用被聚焦而照射至試樣2509上。
當電子束2503被照射至試樣2509時，自該照射部位釋出如二次電子、及背向散射電子之電子2510。所釋出之電子2510藉由基於對試樣施加之負電壓之加速作用而向電子源方向加速，與轉換電極2512碰撞，而產生二次電子2511。
自轉換電極2512釋出之二次電子2511被檢測器2513捕捉，根據捕捉到之二次電子量，而檢測器2513之輸出I變化。根據該輸出I，而未圖示之顯示裝置之亮度變化。例如於形成二維圖像之情形時，藉由採取向掃描偏向器2505之偏向信號、與檢測器2513之輸出I之同步，而形成掃描區域之圖像。又，於圖11所例示之掃描電子顯微鏡中具備在電子束之掃描區域中移動之偏向器(未圖示)。
再者，於圖11之例中說明在轉換電極將自試樣釋出之電子進行一次轉換而進行檢測之例，當然並不限於此種構成，例如亦可設為如於經加速之電子之軌道上配置電子倍增管或檢測器之檢測面之構成。控制裝置2514控制掃描電子顯微鏡之各構成，並且具備基於檢測出之電子而形成圖像之功能、及基於被稱為譜線輪廓之檢測電子之強度分佈而測定形成於試樣上之圖案之圖案寬度的功能。 [實施例1]
本發明之實施例1之圖像評價裝置及方法，將應用於上述半導體檢查裝置之事例予以表示，並將具備檢測未知缺陷之功能之圖像評價裝置之實施例示於圖1。
圖1係表示具備圖像評價部1之圖像評價裝置10之實施例之圖，圖像評價部1輸入缺陷圖像101及缺陷區域資訊105，參照機械學習模型102獲得評價結果106。
圖像評價裝置10係使用電腦系統而軟體性地構成，但若模式性地表示圖像評價部1之內部之處理功能、或於處理過程中所產生之中間產物，則可包括注目區域檢測部103、所檢測到之注目度圖像104及圖像區域比較部20。
具體而言，於圖像評價部1中，將缺陷圖像101及機械學習模型102輸入至圖像評價部1，於注目區域檢測部103中，機械學習模型102產生圖像中之所注目之區域資訊作為注目度圖像104。然後，將所產生之注目度圖像104與缺陷區域資訊105於圖像區域比較部20中進行比較，並輸出評價結果106。
再者，圖像評價部1被內置於控制裝置2514內，或者亦可藉由內置有圖像處理之運算裝置來執行，亦可經由網路藉由外部之運算裝置(例如圖10中所例示之條件設定裝置2403)來執行圖像評價。
又，於圖1及其他圖式中，關於作為輸入之資料、作為中間產物之資料、或者作為最終產物之資料，雖於圖示上並未明確，但不消說被保存於某種形式之記憶部中。
於注目區域檢測部103中，針對缺陷圖像101，使用機械學習模型102之參數而產生圖像之特徵量圖。於實現注目區域檢測部103之功能時，可使用文獻「Zhou、 Bolei、 et al. “Learning deep features for discriminative localization(用於判別性區域定位之深度特徵之學習).”Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition(IEEE電腦視覺與圖案識別會議). 2016.」。
該Zhou文獻中，CNN係與圖像中之注目區域之可視化相關者，CNN計算自圖像提取之複數個特徵量圖之加權和，並將其作為每個像素之注目度圖像輸出。具體而言，使用與該等特徵量圖關聯之神經元之權重來計算特徵量圖之加權和，進而將調整大小為原圖像之大小之結果作為注目度圖像104輸出。
如此，於注目度圖像104中包含缺陷圖像101之各像素之注目度之資訊。機械學習模型102強烈反應之區域之注目度較高，較弱反應之區域之注目度較低。可使用注目度圖像104來說明成為機械學習模型102所產生之辨識結果之基礎之注目區域。
另一方面，對圖像區域比較部20中之作為其他輸入之缺陷區域資訊105進行觀察，其包含圖像中之缺陷物體之位置資訊。例如，可為包圍缺陷物體之矩形區域，或者亦可為沿著缺陷物體之邊緣之遮罩圖像。關於缺陷區域資訊105之產生，可由工程師以目視確認缺陷圖像，並以手動進行描繪，亦可藉由下述缺陷檢測部30產生。
圖2係表示圖像區域比較部20之一例之圖。對注目度圖像104進行閾值處理201。例如僅提取注目度較某閾值大之像素。然後，利用中心計算202算出所提取之像素之中心點。同樣地，亦自缺陷區域資訊105計算中心點。使用所計算出之兩個中心點，利用中心距離計算203計算兩個中心點之距離，輸出中心距離204。
於中心計算202中，可計算成為計算對象之各像素之平均值，或者亦可計算經加權所得之加權和。作為權重之例，可列舉該像素之注目度、或者該像素成為缺陷之確信度。
關於所求出之中心距離，只要缺陷圖像101之缺陷種類為教導資料中所包含之種類，則機械學習模型102辨識相同種類之缺陷物體，注目於其之區域，因此可使於圖像區域比較部20計算出之上述中心距離204之值較小。另一方面，關於所求出之中心距離，於為不包含於教導資料中之未知缺陷之情形時，機械學習模型102所注目之區域與缺陷區域之偏差較大，因此可使中心距離204之值較大。由於為關於中心距離之傾向，故而可將中心距離204直接用作圖像評價裝置1之評價結果106。或者，亦可將中心距離204與某閾值之比較結果(例如OK(可)與NG(不可))作為評價結果106輸出。
圖2係作為圖像區域比較部20之判斷方法，於作為教導資料中所包含之種類之已知缺陷、與不包含於教導資料中之未知缺陷中，利用中心距離(中心點)產生差異之情況而識別該等。
相對於圖2之利用中心點比較之圖像區域比較，作為另一實施例1之圖3係設為利用矩形區域比較之圖像區域比較者。圖3係將圖2之圖像區域比較部20之中心計算置換成矩形計算者。
於圖3之矩形計算205中，推測包括成為對象之圖像區域(注目區域或缺陷區域)之矩形。使用推測出之兩個矩形，利用矩形重疊度計算206來計算矩形重疊度207。作為矩形重疊度207之一例，可列舉所重疊之區域與整個區域之比率。該矩形重疊度207與圖2中之中心距離204同樣地可用作未知缺陷判斷之指標，因此可直接作為評價結果106輸出，或者亦可將與閾值之比較結果作為評價結果106輸出。
於關於實施例1之上述說明中，對利用中心點比較、或者矩形比較之圖像區域比較部20之實施例進行了說明。除此以外，亦可為不規則區域比較、區域面積比較、區域形狀比較、代表點比較(例如將注目度之最大值設為代表點)等方法。又，亦考慮將複數個比較方法組合之方法。
藉由圖1、2、3之處理，最終獲得之評價結果106包括由圖像區域比較部20輸出之一個或複數個指標、及自指標計算出之結果(例如若指標之值超過某閾值則判斷為未知缺陷之結果)。
圖8係表示圖1之圖像評價裝置10進而亦包括評價結果顯示部5而構成之情形時之構成例的圖。於評價結果顯示部5中，較理想為進行如圖9所例示之形式下之圖像顯示。
根據圖9中之評價結果顯示例，於評價結果顯示部5之顯示畫面上顯示缺陷圖像101、缺陷區域資訊105、注目度圖像104、以及將該等圖像重疊(Overlapping)所得之評價結果106。
於該情形時，在評價結果106中，以斜線表示之區域R1為缺陷區域，以斜線表示之區域R2為自注目度圖像檢測到之注目區域，區域R3為兩者重疊之區域。若區域R3較小，則意指機械學習模型102之注目區域與缺陷區域資訊105之偏差量較大，可以說缺陷圖像101為未知缺陷之可能性較大。使用如圖9之評價結果顯示部5，使用者可更深刻地理解評價結果106。
又，藉由上述顯示，而事先知曉機械學習模型102之注目區域正確，並且於缺陷區域資訊105由工程師在目視下作成之情形時，自評價結果106知曉工程師所標記之缺陷區域與真值之差，因此考慮將該圖像評價裝置亦活用於工程師之教育、能力判定。
藉由以上內容，可實現包括圖像評價部1之圖像評價裝置。
本發明之圖像評價裝置10總而言之係關於一種使用機械學習模型與缺陷區域資訊進行未知之缺陷圖像之評價，而判斷可否識別之裝置，且如下構成：「一種圖像評價裝置，其特徵在於：其係使用利用機械學習之識別器102來識別電子元件之缺陷圖像之缺陷資訊(種類、位置等)者，且具備：圖像記憶部，其儲存電子元件之缺陷圖像101；缺陷區域記憶部，其儲存缺陷圖像之缺陷區域資訊105；識別器102，其藉由機械學習來識別缺陷資訊；圖像提取部103，其於缺陷圖像之識別處理過程中提取識別器所注目之注目圖像資訊104；及圖像評價部20，其對注目圖像資訊與缺陷區域資訊進行比較，而評價缺陷圖像之可識別性」。
又，本發明之圖像評價裝置10內之圖像評價部20(201、202、203)作為其處理之一例，係構成為「一種圖像評價裝置，其係自機械學習之識別器102所注目之圖像區域計算1個以上之注目座標，自缺陷區域資訊計算1個以上之缺陷座標，比較座標間之距離，評價缺陷圖像之可識別性」。
進而，圖像評價部20(201、202、203)作為其處理之一例，係構成為「一種圖像評價裝置，其中圖像評價部(201、202、203)自上述機械學習之識別器所注目之圖像區域計算具有代表性之注目區域，自上述缺陷區域資訊計算缺陷區域，算出區域間之重疊度，評價上述缺陷圖像之可識別性」。
又，本發明之圖像評價裝置10具備顯示圖像評價部(圖像區域比較部20)之評價結果106之圖像顯示部(評價結果顯示部5)，於圖像顯示部中顯示缺陷圖像之缺陷區域資訊、或者與缺陷圖像對應之正常圖像或與缺陷圖像對應之設計資料之至少一者以上。 [實施例2]
於以圖1為代表之實施例1中，以已藉由某種方法獲得了缺陷區域資訊105為前提。
相對於此，於實施例2中，使用圖4對用以獲得缺陷區域資訊105之具體方法進行說明。根據圖4，具備缺陷檢測部30，自缺陷圖像101與正常圖像301或設計資料302產生圖像中之缺陷區域資訊105。
此處，對使用正常圖像301而構成之缺陷檢測部30之一個實施例進行說明。正常圖像301係拍攝圖案與缺陷圖像101相同，但不包含缺陷物體之參照圖像。又，亦考慮將對複數個正常圖案之拍攝圖像進行合成而產生之圖像用作正常圖像301。於缺陷檢測部30中，取缺陷圖像101與正常圖像301之差分，將差分較大之部位判定為缺陷區域，產生缺陷區域資訊105。
又，亦考慮於缺陷檢測部30中，使用自缺陷圖像101提取之邊緣等輪廓資訊，並將其與設計資料302進行比較，而檢測由兩者之間產生之偏差所致之缺陷區域，產生缺陷區域資訊105。再者，所謂正常圖像301，係指按照設計資料302正確地形成圖像時所獲得者，因此可以說與設計資料302相同。
實施例2係於實施例1之構成中，進而關於缺陷區域資訊105之作成方法者，且構成為「一種圖像評價裝置，其具備：缺陷檢測部30，其使用缺陷圖像101，且使用與缺陷圖像對應之正常圖像301及與缺陷畫像對應之設計資料302之任一者或兩者來檢測缺陷區域資訊105；且缺陷區域記憶部儲存來自缺陷檢測部30之缺陷區域資訊105」。 [實施例3]
於實施例3中，對如下情況進行說明：藉由自不同之觀點作成複數個注目度圖像並進行比較而加以評價。可將實施例1之缺陷區域資訊105置換成自不同之視點作成之第2注目度圖像。
關於圖5所中例示之實施例3之圖像評價部1，若模式性地表示其內部之處理功能、或處理過程中所產生之中間產物，則可包括參照2個機械學習模型102、107之注目區域檢測部103、2個所檢測到之注目度圖像104、108、及圖像區域比較部20。
圖5之圖像評價部1將缺陷圖像101、及兩個機械學習模型102、107輸入至圖像評價部1，於注目區域檢測部103中檢測各模型之注目度圖像104、108，於圖像區域比較部20中比較兩個注目度圖像，將其比較結果作為評價結果106輸出。
例如，將一機械學習模型102設為基準模型，將另一機械學習模型107設為評價對象之模型。於該情形時，評價結果106可相對於基準模型之性能對評價對象模型之性能之高低進行評價。
再者，於圖5中，將兩個機械學習模型輸入至圖像評價部1，但亦考慮設為如下圖像評價裝置10，即，輸入三個以上之機械學習模型，對各個注目度圖像進行比較，並輸出評價結果106。
實施例3係設為「一種圖像評價裝置，其特徵在於：其係使用利用複數個機械學習之識別器(102、107)來識別電子元件之缺陷圖像之缺陷資訊(種類、位置等)者，且具備：圖像記憶部，其儲存電子元件之缺陷圖像101；圖像提取部(103)，其於缺陷圖像之識別處理過程中提取複數個識別器所注目之複數個注目圖像資訊；及識別器評價部(20)，其對複數個注目圖像資訊(104、108)進行比較，而評價複數個識別器」。 [實施例4]
於實施例1等中，最終獲取評價結果，例如經由顯示等方式向使用者進行資訊提示，但於實施例4中，使用圖6對如下情況進行說明：藉由使評價結果反映於機械學習模型，而構建更高精度之機械學習模型。
於圖6表示具備對機械學習模型進行再學習之功能之圖像評價裝置10之實施例。於圖6之圖像評價裝置10中，追加模型再學習部4，而調整機械學習模型102，該模型再學習部4係使用圖像評價部1所輸出之評價結果106而獲得模型之學習資訊。
模型再學習部4包括教導資料之調整401、學習參數之調整402、模型之學習403之各功能。於模型再學習部4中，首先進行教導資料之調整401。例如於評價結果106超過閾值，檢測為未知缺陷圖像之情形時，將未知缺陷圖像定義為新的缺陷種類。或者，對未知缺陷圖像進行群集處理，將所產生之各群集分別定義為新的缺陷種類，追加於教導資料中。又，於機械學習模型102之辨識結果與圖像之標識值不同，並且評價結果106表示並非為未知缺陷之情形時，有可能要重新評估圖像之標識值。例如，對真值為A之圖像標註標識B。於辨識結果為A，並且根據評價結果106而機械學習模型102之注目區域與缺陷區域重疊之情形時，有可能該圖像之標識值錯誤。
亦考慮以評價結果106作為參考，而進行學習參數之調整402。例如，雖然事先知曉缺陷圖像101並非為未知缺陷，但於若根據評價結果106則未知缺陷之嫌疑較大之情形時，為了提高機械學習模型102之辨識性能，而使針對該種類之缺陷圖像之誤辨識之懲罰變大。具體而言，對學習時所使用之每個種類之權重進行調整。又，亦考慮於機械學習模型102之注目區域與缺陷區域之偏差較大之情形時，判斷學習不充分，增加學習之次數。
然後，利用模型之學習403進行機械學習模型102之再學習，產生成為圖像評價部1之輸入之機械學習模型102。
再者，於圖6之模型再學習部4中，描繪了包括教導資料之調整401、及學習參數之調整402，但未必需要該兩個步驟之全部。
實施例4係進行機械學習模型102之再學習，其一例為對教導資料之真值進行調整，且設為「一種圖像評價裝置，其特徵在於具備：教導資料調整部(401)，其根據注目圖像資訊與缺陷區域資訊之比較結果來調整教導資料；及識別器(102)，其基於來自教導資料調整部之資訊進行再學習」。
或者，實施例4之另一例為對學習參數進行調整，且設為「一種圖像評價裝置，其特徵在於具備：機械學習參數調整部，其根據注目圖像資訊與缺陷區域之比較結果來調整機械學習之參數；及識別器(102)，其基於來自機械學習參數調整部之資訊進行再學習」。 [實施例5]
圖7所示之實施例5係記述有本發明之圖像評價方法中之一連串處理內容之流程圖。
根據該處理流程，並行執行處理步驟S10所示之缺陷區域檢測處理與處理步驟S20所示之注目區域檢測處理，於兩者之處理結果齊備之階段執行下一處理步驟S30，進行圖像區域比較處理。進而，其後於處理步驟S40中進行模型再學習處理(於實施例4之情形時)。
再者，注目區域檢測處理S20、與圖像區域比較處理S30以外之處理成為可選步驟。關於以上之圖像評價方法，可藉由以在通用CPU(Central Processing Unit，中央處理單元)進行動作之處理程式作成處理之一部分、或全部。又，亦考慮使處理之一部分、或全部設為專用之LSI(Large Scale Integration，大規模積體電路)或FPGA(Field Programmable Gate Array，現場可編程邏輯閘陣列)。
作為圖像評價方法之實施例5係設為：「一種圖像評價方法，其係使用利用機械學習之識別器(102)來識別電子元件之缺陷圖像之缺陷資訊(種類、位置等)(包括1之整個系統)者，且儲存電子元件之缺陷圖像(101)，儲存缺陷圖像之缺陷區域資訊(105)，於缺陷圖像之識別處理過程中提取識別器所注目之圖像資訊(103、104)，將注目圖像資訊與缺陷區域資訊進行比較而評價缺陷圖像之可識別性(20)」。
亦考慮藉由利用模型102計算出之輸出值來判別缺陷圖像101是否為未知缺陷。例如，於模型102為圖像分類模型之情形時，輸出屬於各類別之概率值，於其中之最高概率亦小於閾值時，判別為未知缺陷。然而，根據文獻「Nguyen， Anh， Jason Yosinski， and Jeff Clune. “Deep neural networks are easily fooled： High confidence predictions for unrecognizable images.(深層神經網絡容易受騙上當：準確識別難以辨別的圖像)” Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition(IEEE電腦視覺與圖案識別會議). 2015.」，於多數情形時，存在模型所輸出之概率值過高之傾向。因此，基於閾值之未知缺陷判別之性能不會變高。
又，於多種既有方法中，根據Softmax函數而使用屬於各類別之概率值之合計成為1.0之約束條件。如此，屬於某類別之概率值受到屬於其他類別之概率值影響。因此，概率值並非為屬於某類別之絕對概率值，而是所有學習類別之相對概率值。若為相對概率之閾值處理，則難以判別未知缺陷。例如，於「鳥、虎、魚」之三類別分類任務中辨識貓之圖像。由於貓與三個類別均不相同，故而於絕對概率之情形時，三個概率值全部變低。然而，於相對概率之情形時，三個類別中之貓相對地與虎類似，因此屬於虎之概率值變高。於該情形時，藉由閾值處理，難以將貓辨識為未知類別。
為了解決上述問題，而提出如圖12之模型學習法。首先，於步驟S601中自圖像提取特徵量。使用所提取之特徵量，於步驟S602中計算屬於各類別之概率值。該概率值為絕對概率值，表示屬於該類別之可能性。然後，於步驟S603中更新符合圖像之真值類別之特徵中心點。其後，於步驟S604中計算符合圖像之特徵量距離各類別之特徵中心點之距離。使用該距離於步驟S605中計算各類別之目標概率值。最後，於步驟S606中以步驟S602中計算出之概率值接近目標概率值之方式更新模型之參數。如此反覆進行步驟S601~S606而學習模型，直至滿足學習之收斂條件為止。
於上述說明中，在執行計算圖像之特徵量與特徵中心點之距離之步驟S604之前，調出進行特徵中心點更新之步驟S603，但亦可將步驟S603置於步驟S604之後。或者，亦考慮於進行複數次步驟S604~S606後執行步驟S603。
作為圖像特徵量提取步驟S601之實施例，可列舉多層類神經網路。或者，亦考慮由人設計出之特徵量。基本而言，提取多維圖像特徵量。
作為計算絕對概率值之步驟S602之實施例，藉由複回歸分析或支援向量回歸等回歸法將多維之圖像特徵量轉換成一維，進而利用如Sigmoid般之邏輯函數轉換成0.0~1.0範圍。亦考慮利用類神經網路將多維之圖像特徵量轉換成一維之值。
作為步驟S603之實施例，計算圖像特徵量與真值類別之特徵中心點之差分，對該差分乘以係數後，與當前之特徵中心點相加。可將乘以差分之係數設為使用者所設定之參數，亦可為根據真值類別之取樣數而自動決定之值。
使用步驟S604中所計算出之距離各類別之特徵中心點之距離，於步驟S605中計算各類別之目標概率值。距離變得越遠，目標概率值變得越小。例如考慮距離之指數函數。於多種既有方法中，使用如目標概率值為「真值類別為1.0，真值類別以外為0.0」之One Hot(獨熱)向量。於本發明中，將考慮距離特徵中心點之距離之值設為目標概率值，而非One Hot。再者，亦考慮為了減少計算量，而將真值類別以外之目標值設定為零、或某已定之值。
已對如下情況進行了說明，即，於評價缺陷圖像時，以模型計算出之概率值與閾值來判別是否為未知缺陷，但亦考慮以利用模型所提取之圖像特徵量、與各類別之特徵中心點之距離之大小進行判別。或者，亦可將模型所輸出之概率值作為係數而乘以注目度圖像104後，於圖像區域比較部20中判別是否為未知缺陷。
1:圖像評價部 4:模型再學習部 5:評價結果顯示部 10:圖像評價裝置 20:圖像區域比較部 30:缺陷檢測部 40:模型再學習部 101:缺陷圖像 102:機械學習模型 103:注目區域檢測部 104:注目度圖像 105:缺陷區域資訊 106:評價結果 107:機械學習模型 108:注目度圖像 201:閾值處理 202:中心計算 203:中心距離計算 204:中心距離 205:矩形計算 206:矩形重疊度計算 207:矩形重疊度 301:正常圖像 302:設計資料 401:教導資料之調整 402:學習參數之調整 403:模型之學習 2401:CD-SEM 2402:缺陷檢查裝置 2403:條件設定裝置 2404:模擬器 2405:記憶媒體 2501:電子源 2502:引出電極 2503:電子束 2504:聚光透鏡 2505:掃描偏向器 2506:物鏡 2508:試樣台 2509:試樣 2510:電子 2511:二次電子 2512:轉換電極 2513:檢測器 2514:控制裝置 I:輸出 NW:網路 R1:區域 R2:區域 R3:區域 S10:缺陷區域檢測處理 S20:注目區域檢測處理 S30:圖像區域比較處理 S40:模型再學習處理 S601:圖像特徵量提取處理 S602:絕對概率值計算處理 S603:特徵中心點更新處理 S604:特徵距離計算處理 S605:目標概率值計算處理 S606:參數更新處理
圖1係表示具備圖像評價部之圖像評價裝置之實施例之圖。 圖2係表示利用中心點比較之圖像區域比較部之實施例之圖。 圖3係表示利用矩形區域比較之圖像區域比較部之實施例之圖。 圖4係表示具備缺陷檢測部之圖像評價裝置之實施例之圖。 圖5係表示將複數個機械學習模型進行比較之圖像評價裝置之實施例之圖。 圖6係表示具備模型再學習部之圖像評價裝置之實施例之圖。 圖7係表示圖像評價方法之處理流程之實施例之圖。 圖8係表示具備評價結果顯示部之圖像評價裝置之實施例之圖。 圖9係表示評價結果顯示部中之顯示例之圖。 圖10係說明半導體檢查系統之一例之圖。 圖11係掃描電子顯微鏡之概略說明圖。 圖12係表示機械學習模型之學習法之圖。
1:圖像評價部
10:圖像評價裝置
20:圖像區域比較部
101:缺陷圖像
102:機械學習模型
103:注目區域檢測部
104:注目度圖像
105:缺陷區域資訊
106:評價結果

Claims (20)

  1. 一種圖像評價裝置，其特徵在於：其係使用利用機械學習之識別器來識別電子元件之缺陷圖像之缺陷資訊者，且具備：圖像記憶部，其儲存上述電子元件之缺陷圖像；缺陷區域記憶部，其儲存上述缺陷圖像之缺陷區域資訊；識別器，其藉由機械學習來識別缺陷資訊；圖像提取部，其於上述缺陷圖像之識別處理過程中提取上述識別器所注目之注目圖像資訊；及評價部，其對上述注目圖像資訊與上述缺陷區域資訊進行比較，而評價上述缺陷圖像之可識別性。
  2. 如請求項1之圖像評價裝置，其具備：缺陷檢測部，其使用上述缺陷圖像，且使用與上述缺陷圖像對應之正常圖像及與上述缺陷圖像對應之設計資料之任一者或兩者來檢測缺陷區域資訊；且上述缺陷區域記憶部儲存來自上述缺陷檢測部之缺陷區域資訊。
  3. 如請求項1之圖像評價裝置，其具備：教導資料調整部，其根據上述注目圖像資訊與上述缺陷區域資訊之比較結果來調整教導資料；及上述識別器，其基於來自上述教導資料調整部之資訊而進行再學習。
  4. 如請求項2之圖像評價裝置，其具備：教導資料調整部，其根據上述注目圖像資訊與上述缺陷區域資訊之比較結果來調整教導資料；及上述識別器，其基於來自上述教導資料調整部之資訊而進行再學習。
  5. 如請求項1至4中任一項之圖像評價裝置，其具備：機械學習參數調整部，其根據上述注目圖像資訊與上述缺陷區域資訊之比較結果來調整機械學習之參數；及上述識別器，其基於來自上述機械學習參數調整部之資訊而進行再學習。
  6. 如請求項1至4中任一項之圖像評價裝置，其中上述評價部自上述機械學習之識別器所注目之圖像區域中計算出1個以上之注目座標，自上述缺陷區域資訊中計算出1個以上缺陷座標，對座標間之距離進行比較，評價上述缺陷圖像之可識別性。
  7. 如請求項5之圖像評價裝置，其中上述評價部自上述機械學習之識別器所注目之圖像區域中計算出1個以上之注目座標，自上述缺陷區域資訊中計算出1個以上缺陷座標，對座標間之距離進行比較，評價上述缺陷圖像之可識別性。
  8. 如請求項1至4中任一項之圖像評價裝置，其中上述評價部自上述機械學習之識別器所注目之圖像區域中計算出具有代表性之注目區域，自上述缺陷區域資訊中計算出缺陷區域，而算出區域間之重疊度，評價上述缺陷圖像之可識別性。
  9. 如請求項5之圖像評價裝置，其中上述評價部自上述機械學習之識別器所注目之圖像區域中計算出具有代表性之注目區域，自上述缺陷區域資 訊中計算出缺陷區域，而算出區域間之重疊度，評價上述缺陷圖像之可識別性。
  10. 一種圖像評價裝置，其特徵在於：其係使用利用複數個機械學習之識別器來識別電子元件之缺陷圖像之缺陷資訊者，且具備：圖像記憶部，其儲存上述電子元件之缺陷圖像；複數個識別器，其等藉由機械學習來識別缺陷資訊；圖像提取部，其於上述缺陷圖像之識別處理過程中提取上述複數個識別器所注目之複數個注目圖像資訊；及評價部，其對上述複數個注目圖像資訊進行比較而評價上述複數個識別器。
  11. 如請求項1至4、10中任一項之圖像評價裝置，其具備顯示上述評價部之評價結果之圖像顯示部。
  12. 如請求項11之圖像評價裝置，其中上述圖像顯示部顯示上述缺陷圖像之缺陷區域資訊。
  13. 如請求項12之圖像評價裝置，其中上述圖像顯示部顯示與上述缺陷圖像對應之正常圖像、與上述缺陷圖像對應之設計資料之至少1個以上。
  14. 一種圖像評價方法，其特徵在於：其係使用利用機械學習之識別器來識別電子元件之缺陷圖像之缺陷資訊者，且 儲存上述電子元件之缺陷圖像，儲存上述缺陷圖像之缺陷區域資訊，於上述缺陷圖像之識別處理過程中提取上述識別器所注目之注目圖像資訊，將上述注目圖像資訊與上述缺陷區域資訊進行比較而評價上述缺陷圖像之可識別性。
  15. 如請求項14之圖像評價方法，其中使用上述缺陷圖像，且使用與上述缺陷圖像對應之正常圖像及與上述缺陷圖像對應之設計資料之任一者或兩者來檢測缺陷區域資訊，並儲存上述缺陷區域資訊。
  16. 如請求項14之圖像評價方法，其中根據上述注目圖像資訊與上述缺陷區域資訊之比較結果來調整教導資料，且上述識別器基於來自上述經調整之教導資料之資訊而進行再學習。
  17. 如請求項15之圖像評價方法，其中根據上述注目圖像資訊與上述缺陷區域資訊之比較結果來調整教導資料，且上述識別器基於來自上述經調整之教導資料之資訊而進行再學習。
  18. 如請求項14至17中任一項之圖像評價方法，其中根據上述注目圖像資訊與上述缺陷區域資訊之比較結果來調整機械學習之參數，且上述識別器基於來自上述經調整之機械學習參數之資訊而進行再學習。
  19. 如請求項14至17中任一項之圖像評價方法，其中顯示上述評價之結果。
  20. 一種圖像評價方法，其特徵在於：其係使用利用複數個機械學習之識別器來識別電子元件之缺陷圖像之缺陷區域資訊，且儲存上述電子元件之缺陷圖像，於上述缺陷圖像之識別處理過程中提取上述複數個識別器所注目之複數個圖像資訊，對上述複數個注目圖像資訊進行比較，而評價上述複數個識別器。
TW108136854A 2019-01-22 2019-10-14 圖像評價裝置及方法 TWI722599B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2019008386A JP7137487B2 (ja) 2019-01-22 2019-01-22 画像評価装置及び方法
JP2019-008386 2019-01-22

Publications (2)

Publication Number Publication Date
TW202029124A TW202029124A (zh) 2020-08-01
TWI722599B true TWI722599B (zh) 2021-03-21

Family

ID=71736313

Family Applications (1)

Application Number Title Priority Date Filing Date
TW108136854A TWI722599B (zh) 2019-01-22 2019-10-14 圖像評價裝置及方法

Country Status (6)

Country Link
US (1) US20220067902A1 (zh)
JP (1) JP7137487B2 (zh)
KR (1) KR20210087063A (zh)
CN (1) CN113168687A (zh)
TW (1) TWI722599B (zh)
WO (1) WO2020152925A1 (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109561257B (zh) * 2019-01-18 2020-09-18 深圳看到科技有限公司 画面对焦方法、装置、终端及对应的存储介质
JP7085605B2 (ja) * 2020-10-30 2022-06-16 みずほリサーチ＆テクノロジーズ株式会社 モデル評価システム、モデル評価方法及びモデル評価プログラム
US11789079B2 (en) * 2021-03-24 2023-10-17 Rohde & Schwarz Gmbh & Co. Kg Measurement system and measurement method
US20230033187A1 (en) * 2021-07-28 2023-02-02 Coopervision International Limited Systems and methods for acquiring and inspecting lens images of ophthalmic lenses
CN116563276B (zh) * 2023-07-05 2023-09-01 菲特（天津）检测技术有限公司 一种化纤长丝在线缺陷检测方法及检测系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000057349A (ja) * 1998-08-10 2000-02-25 Hitachi Ltd 欠陥の分類方法およびその装置並びに教示用データ作成方法
JP2000200356A (ja) * 1999-01-08 2000-07-18 Hitachi Ltd 欠陥分類方法およびその装置
CN106290378A (zh) * 2016-08-23 2017-01-04 东方晶源微电子科技（北京）有限公司 缺陷分类方法和缺陷检查系统
TW201809640A (zh) * 2016-06-02 2018-03-16 住友化學股份有限公司 缺陷檢查系統、薄膜製造裝置及缺陷檢查方法

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005034211A (ja) 2003-07-16 2005-02-10 Fuji Photo Film Co Ltd 画像判別装置、方法およびプログラム
JP4791267B2 (ja) * 2006-06-23 2011-10-12 株式会社日立ハイテクノロジーズ 欠陥検査システム
JP5460662B2 (ja) * 2011-09-07 2014-04-02 株式会社日立ハイテクノロジーズ 領域決定装置、観察装置または検査装置、領域決定方法および領域決定方法を用いた観察方法または検査方法
JP5647999B2 (ja) * 2012-01-04 2015-01-07 株式会社日立ハイテクノロジーズ パターンマッチング装置、検査システム、及びコンピュータプログラム
WO2017203600A1 (ja) * 2016-05-24 2017-11-30 株式会社日立ハイテクノロジーズ 欠陥分類装置および欠陥分類方法
CN106875381B (zh) * 2017-01-17 2020-04-28 同济大学 一种基于深度学习的手机外壳缺陷检测方法
JP6936958B2 (ja) * 2017-11-08 2021-09-22 オムロン株式会社 データ生成装置、データ生成方法及びデータ生成プログラム
KR20190073756A (ko) * 2017-12-19 2019-06-27 삼성전자주식회사 반도체 결함 분류 장치, 반도체의 결함을 분류하는 방법, 그리고 반도체 결함 분류 시스템

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000057349A (ja) * 1998-08-10 2000-02-25 Hitachi Ltd 欠陥の分類方法およびその装置並びに教示用データ作成方法
JP2000200356A (ja) * 1999-01-08 2000-07-18 Hitachi Ltd 欠陥分類方法およびその装置
TW201809640A (zh) * 2016-06-02 2018-03-16 住友化學股份有限公司 缺陷檢查系統、薄膜製造裝置及缺陷檢查方法
CN106290378A (zh) * 2016-08-23 2017-01-04 东方晶源微电子科技（北京）有限公司 缺陷分类方法和缺陷检查系统

Also Published As

Publication number Publication date
WO2020152925A1 (ja) 2020-07-30
CN113168687A (zh) 2021-07-23
JP2020119135A (ja) 2020-08-06
KR20210087063A (ko) 2021-07-09
TW202029124A (zh) 2020-08-01
JP7137487B2 (ja) 2022-09-14
US20220067902A1 (en) 2022-03-03

Similar Documents

Publication Publication Date Title
KR102218364B1 (ko) 패턴 검사 시스템
TWI722599B (zh) 圖像評價裝置及方法
JP5408852B2 (ja) パターン測定装置
TW490591B (en) Pattern inspection apparatus, pattern inspection method, and recording medium
JP5948138B2 (ja) 欠陥解析支援装置、欠陥解析支援装置で実行されるプログラム、および欠陥解析システム
US20130216141A1 (en) Pattern matching method, image processing device, and computer program
US20220222806A1 (en) Machine learning-based classification of defects in a semiconductor specimen
JP7427744B2 (ja) 画像処理プログラム、画像処理装置、画像処理方法および欠陥検出システム
US9153419B2 (en) Pattern defect inspection using data based on secondary electron from pattern
TW202139133A (zh) 半導體樣本的檢查
JP5953117B2 (ja) パターン評価装置、及びコンピュータープログラム
WO2023112302A1 (ja) 教師データ作成支援装置、教師データ作成支援方法
TW202418220A (zh) 圖像處理程式、圖像處理裝置、圖像處理方法及缺陷檢測系統
JP2015138710A (ja) パターン評価装置および走査型電子顕微鏡