TWI737375B - 缺陷辨識方法以及影像分析系統 - Google Patents
缺陷辨識方法以及影像分析系統 Download PDFInfo
- Publication number
- TWI737375B TWI737375B TW109122218A TW109122218A TWI737375B TW I737375 B TWI737375 B TW I737375B TW 109122218 A TW109122218 A TW 109122218A TW 109122218 A TW109122218 A TW 109122218A TW I737375 B TWI737375 B TW I737375B
- Authority
- TW
- Taiwan
- Prior art keywords
- image
- defect
- interest
- processor
- pixels
- Prior art date
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
- 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
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30148—Semiconductor; IC; Wafer
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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
- G06T2207/30168—Image quality inspection
Abstract
本發明提出一種缺陷辨識方法以及影像分析系統。缺陷辨識方法包括以下步驟:對於對應於晶圓上的一缺陷的參考影像的第一影像進行灰階分布調整,以產生第二影像;擷取在第二影像中的感興趣的重要缺陷影像;分析感興趣的重要缺陷影像的多個像素,以取得所述多個像素的最小灰階值;依據最小灰階值來分析第二影像的多個像素,以取得感興趣的重要缺陷像素數量以及非感興趣的重要缺陷像素數量;將感興趣的重要缺陷像素數量與非感興趣的重要缺陷像素數量相除,以取得比例值;以及依據比例值來決定第一影像所對應的缺陷的缺陷類型。
Description
本發明是有關於一種分類方法以及分析系統,且特別是有關於一種缺陷辨識方法以及影像分析系統。
對於一般透過影像分析晶圓表面的結構缺陷(Defect)方式的晶圓檢測而言,檢測者對於存在結構缺陷的影像需進行大量的缺陷形狀分析與運算,才能有效辨識與分類各種不同缺陷類型。舉例而言,對於製備有靜態隨機存取記憶體(Static Random Access Memory,SRAM)的多個晶粒的晶圓來說,由於例如具有6個電晶體的靜態隨機存取記憶體(6T SRAM)的各電晶體在晶圓的垂直方向與水平方向上所表現的結構為鏡像結構關係。換言之,一般的缺陷辨識與分類方法,必須針對具有鏡像結構關係的電子元件的缺陷影像進行多次分析與判斷,才可避免將具有不同缺陷影像但實際屬於相同電子元件的缺陷(因鏡像結構關係)辨識或分類為不同缺陷類型。因此,一般的缺陷辨識與分類方式具有須花費較多的運算成本與時間的缺點。另外,一般的晶圓檢測設備所提供的缺陷影像通常還具有嚴重的色差問題,而導致缺陷形狀分析與運算的結果可能發生嚴重的誤差。有鑑於此,如何提供一種可準確且快速地辨識並分類晶圓在製程過程中所產生的結構缺陷,以下將提出幾個實施例的解決方案。
本發明提供一種缺陷辨識方法以及影像分析系統,可對晶圓上的缺陷進行判斷。
本發明的缺陷辨識方法包括以下步驟:對於對應於晶圓上的一缺陷的參考影像的第一影像進行灰階分布調整,以產生第二影像;擷取在第二影像中的感興趣的重要缺陷影像;分析感興趣的重要缺陷影像的多個像素,以取得所述多個像素的最小灰階值;依據最小灰階值來分析第二影像的多個像素,以取得感興趣的重要缺陷像素數量以及非感興趣的重要缺陷像素數量;將感興趣的重要缺陷像素數量與非感興趣的重要缺陷像素數量相除,以取得比例值;以及依據比例值來決定在第一影像中的缺陷的缺陷類型。
本發明的影像分析系統包括記憶體以及處理器。記憶體用以儲存多個模組。處理器耦接記憶體。處理器用以讀取並執行所述多個模組,以進行以下操作。處理器對於對應於晶圓上的一缺陷的參考影像的第一影像進行灰階分布調整,以產生第二影像。處理器擷取在第二影像中的感興趣的重要缺陷影像。處理器分析感興趣的重要缺陷影像的多個像素,以取得所述多個像素的最小灰階值。處理器依據最小灰階值來分析第二影像的多個像素,以取得感興趣的重要缺陷像素數量以及非感興趣的重要缺陷像素數量。處理器將感興趣的重要缺陷像素數量與非感興趣的重要缺陷像素數量相除,以取得比例值。處理器依據比例值來決定在第一影像中的缺陷的缺陷類型。
基於上述,本發明的缺陷辨識方法以及影像分析系統可對於對應於晶圓上的缺陷的影像進行影像處理以及影像分析,以有效判斷此缺陷的缺陷類型。
為讓本發明的上述特徵和優點能更明顯易懂,下文特舉實施例,並配合所附圖式作詳細說明如下。
為了使本揭露之內容可以被更容易明瞭,以下特舉實施例做為本揭露確實能夠據以實施的範例。另外,凡可能之處,在圖式及實施方式中使用相同標號的元件/構件/步驟,係代表相同或類似部件。
圖1是依照本發明的一實施例的影像分析系統的示意圖。參考圖1,影像分析系統100包括電子裝置110以及晶圓檢測設備120。電子裝置110耦接晶圓檢測設備120,並且包括處理器111以及記憶體112。處理器111耦接記憶體(Memory)112,並且記憶體112儲存多個模組包括影像處理模組122_1、影像分析模組122_2以及運算模組122_3。在本實施例中,電子裝置110可例如是電腦設備,並且晶圓檢測設備120可為一種光學檢測設備。在一實施例中,晶圓檢測設備120可為掃描式電子顯微鏡(Scanning Electron Microscope,SEM)或光學檢測儀器,並且可取得多個參考影像,其中所述多個參考影像可為多個截圖影像(Patch image),並且所述多個參考影像分別為灰階影像(Gray level image)。另外,在一實施例中,電子裝置110以及晶圓檢測設備120亦可整合在單一檢測設備中。
在本實施例中,晶圓檢測設備120可對一晶圓(Wafer)進行晶圓檢測,以取得此晶圓的多個區域表面的多個參考影像,並且提供至電子裝置110進行影像處理及分析。此晶圓可例如包括多個記憶體晶粒(Die)。在一實施例中,此晶圓可包括多個靜態隨機存取記憶體(Static Random Access Memory,SRAM)晶粒,但本發明的檢測對象並不限於此。在本實施例中,晶圓檢測設備120可先依據所述多個參考影像來判斷此晶圓的晶圓表面在半導體製程過程中是否有產生結構缺陷,以將存在缺陷的部份的參考影像提供至電子裝置110,其中所述結構缺陷包括物理性缺陷(Physical defect)以及電壓對比缺陷(Voltage contrast defect)。值得注意的是,晶圓檢測設備120可例如是將所述多個參考影像逐一與參考影像進行灰階值比對,以將具有灰階值異常的參考影像視為對應於此晶圓中存在缺陷的部份。
在本實施例中,處理器111可讀取並執行影像處理模組112_1、影像分析模組112_2以及運算模組112_3來對所述對應於此晶圓中存在缺陷的部份的參考影像進行影像處理與分析,以進行辨識此參考影像當中的缺陷的缺陷類型。並且,在一實施例中,電子裝置110還可進一步對於對應於此晶圓中存在缺陷的部份的多個參考影像所辨識出的多個缺陷的多個缺陷類型的辨識結果進行分群(grouping)分析,以建立可對應於所述多個缺陷類型的分群資訊。然而,本發明的處理器111並不限於執行上述模組。在一實施例中,處理器111亦可執行相關程式或透過相對應的硬體電路來實現前述的影像處理與分析。
在本實施例中,處理器111可為圖形處理單元(Graphics processing unit, GPU)、影像處理器(Image Signal Processor, ISP)、中央處理單元(Central Processing Unit, CPU)或是其他可程式化之一般用途或特殊用途的微處理器(Microprocessor)、數位訊號處理器(Digital Signal Processor, DSP)、可程式化控制器、特殊應用積體電路(Application Specific Integrated Circuits, ASIC)、可程式化邏輯裝置(Programmable Logic Device, PLD)、其他類似處理器或這些處理器電路的組合。記憶體112可用於儲存影像以及多個模組或軟體,以供處理器111存取並執行之,以實現本發明各實施例所述的相關手段及缺陷辨識方法。
圖2是依照本發明的一實施例的缺陷辨識方法的流程圖。參考圖1以及圖2,影像分析系統100可先藉由晶圓檢測設備120對一晶圓進行晶圓檢測。圖3是依照本發明的一實施例的參考影像的示意圖。參考圖3,電子裝置110可取得如圖3所示的晶圓檢測設備120所提供在對此晶圓進行晶圓檢測的過程中所判斷存在缺陷的參考影像300。在本實施例中,晶圓檢測設備120可例如是將參考影像300與參考影像進行灰階值比對,並且判斷出參考影像300與參考影像之間具有灰階值差異的情況,以將參考影像300視為對應於此晶圓中存在缺陷的部份的影像。值得注意的是,晶圓檢測設備120可例如比對出參考影像300與參考影像在影像處理範圍310的範圍內具有灰階值差異的情況。因此,晶圓檢測設備120可回報此參考影像300以及具有灰階值差異的影像處理範圍310的範圍資訊給電子裝置110。
圖4A是依照本發明的一實施例的第一影像的示意圖。圖4B是依照圖4A實施例的第一影像的灰階分布圖。參考圖4A以及圖4B,電子裝置110可定義在參考影像300中的影像處理範圍310,以取得對應於影像處理範圍310的第一影像400。第一影像400的像素尺寸(像素尺寸例如為9×9)小於參考影像300的像素尺寸(像素尺寸例如為64×64)。第一影像400可具有如圖4B所示的灰階分布420。接著,電子裝置110可執行步驟S210~S260,來辨識存在第一影像400當中的缺陷的缺陷類型。圖5A是依照本發明的一實施例的第二影像的示意圖。圖5B是依照圖5A實施例的第二影像的灰階分布圖。參考圖5A以及圖5B,在步驟S210中,處理器111可對於對應於缺陷的第一影像400進行灰階分布調整,以產生如圖5A所示的第二影像500。第二影像500可具有如圖5B所示的灰階分布520。在本實施例中,處理器111可例如執行影像處理模塊122_1以調整具有灰階分布420的第一影像400的每一個像素的灰階值,以產生具有灰階分布520的第二影像500。值得注意的是,灰階分布420中的最小灰階值421大於灰階分布520中的最小灰階值521,並且灰階分布420中的最大灰階值422小於灰階分布520中的最大灰階值522。換言之,本實施例的處理器111可將第一影像400的影像的灰階差異較不明顯的顯示結果調整為灰階差異較明顯的第二影像500的顯示結果,以使第二影像500可更為清楚的顯示出晶圓表面特徵,而避免因色差而造成後續的辨識誤差。
值得注意的是,再參考圖4A,晶圓檢測設備120在比對出參考影像300與參考影像的過程中,還可進一步指出在影像處理範圍310的範圍中具有灰階值差異的位置。並且,晶圓檢測設備120還可回報此具有灰階值差異影像處理範圍310的位置資訊給電子裝置110。因此,在步驟S220,處理器111可依據晶圓檢測設備120所回報的位置資訊來決定感興趣的重要缺陷影像(Defects of Interest,DOI)510的位置與範圍,以擷取在第二影像500中的感興趣的重要缺陷影像510。感興趣的重要缺陷影像510的像素尺寸小於第二影像500的像素尺寸。
在步驟S230,處理器111可分析感興趣的重要缺陷影像510的多個像素,以取得所述多個像素的最小灰階值。在本實施例中,處理器111可例如執行影像分析模塊122_2,以分析感興趣的重要缺陷影像510,並取得感興趣的重要缺陷影像510中的每一個像素的像素值。參考圖6A,圖6A是依照圖5A實施例的感興趣的重要缺陷影像的灰階分布圖。舉例而言,感興趣的重要缺陷影像510的像素尺寸可例如為3×3,因此處理器111可取得感興趣的重要缺陷影像510的九個像素的九個灰階值。如圖6A的灰階分布620,處理器111可取得感興趣的重要缺陷影像510的最小灰階值621為90(如圖6A所示的虛線處)。
參考圖6B,圖6B是依照圖5A實施例的第二影像的灰階分布圖。在步驟S240,處理器111可依據最小灰階值(灰階值=90)621來分析第二影像500的多個像素,以取得感興趣的重要缺陷像素(DOI pixels)數量以及非感興趣的重要缺陷像素(non-DOI pixels)數量。在本實施例中,處理器111可例如執行影像分析模塊122_2,以依據最小灰階值(灰階值=90)來對第二影像500的灰階分布520進行分類。舉例而言,處理器111可計算第二影像500的灰階分布520的這些像素中具有灰階值大於或等於最小灰階值(灰階值≧90)的數量(例如為56個),以作為感興趣的重要缺陷像素數量,並且計算第二影像500的灰階分布520的這些像素中具有灰階值小於最小灰階值(灰階值<90)的數量,以作為非感興趣的重要缺陷像素數量(例如為25個)。值得注意的是,前述的感興趣的重要缺陷像素可對應於在晶圓表面所呈現的電子元件的結構接觸部分(contact)或金屬層的區域,並且前述的非感興趣的重要缺陷像素可對應於在晶圓表面所呈現的電子元件的結構接觸部分以外的部分,例如氧化層(oxide layer)的區域。
在步驟S250,處理器111可將感興趣的重要缺陷像素數量與非感興趣的重要缺陷像素數量相除,以取得比例值。在本實施例中,處理器111可例如執行運算模組112_3,以進行數值運算,並且前述感興趣的重要缺陷像素數量與非感興趣的重要缺陷像素數量相除的比例值可例如為2.24(56/25=2.24)。對此,前述的比例值實際上是灰階計數比例(Grey Level Counts Ratio),並且可代表電子元件的接觸層(或金屬層)與氧化層的比例。
在步驟S260,處理器111可依據此比例值來決定第二影像500所對應的缺陷的缺陷類型。舉例而言,前述的晶圓可例如包括多個靜態隨機存取記憶體晶粒,因此前述的缺陷可例如是指對應於靜態隨機存取記憶體的位元線(Bit line)結構、字元線(Word line)結構、共用接點(Share contact)結構、反向器傳輸端(Q,Q bar)結構、接地(Vss)端結構、工作電壓(Vdd)端結構或其他存在結構缺陷的具有金屬材料與氧化層為特定相對位置關係或特定比例關係的部分。對此,參考以下表1,由於位元線結構、字元線結構、共用接點結構、反向器傳輸端結構、接地端結構以及工作電壓端結構可分別由不同數量的N型金屬氧化物半導體場效電晶體(Metal Oxide Semiconductor Field Effect Transistor,MOSFET)以及不同數量的P型金屬氧化物半導體場效電晶體所組成,而導致前述各結構類型(缺陷類型)分別在晶圓表面上所呈現的接觸層(或金屬層)與氧化層之間具有不同且特定的比例關係。因此,本實施例的處理器111可依據前述取得的比例值來有效地判斷存在第一影像400當中的缺陷的缺陷類型。
表1
位置(缺陷類型) | 比例值(灰階計數比例) |
位元線1 | 2.24 |
位元線2 | 3 |
字元線1 | 0.42 |
字元線2 | 0.43 |
共用接點1 | 1.45 |
共用接點2 | 1.5 |
反向器傳輸端1 | 1.19 |
反向器傳輸端2 | 1.23 |
接地端1 | 0.29 |
接地端2 | 0.31 |
工作電壓端1 | 0.61 |
工作電壓端2 | 0.675 |
圖7是依照本發明的一實施例的缺陷分類方法的流程圖。參考圖1以及圖7,影像分析系統100可對於晶圓檢測設備120在對晶圓進行晶圓檢測的過程中所辨識的多個缺陷進行統計並分群。需說明的是,如上述表1所示,由於屬於相同結構類型(缺陷類型)但位於不同位置的缺陷之間的比例值也存在些微差異。例如上述表1當中的位元線1與位元線2即代表處理器111所對在不同位置所取得的不同位元線結構進行比例值計算的結果。因此,在本實施例中,電子裝置110可執行以下步驟S710~S740,以實現缺陷分類。在步驟S710,處理器111可取得晶圓檢測設備120在對晶圓進行晶圓檢測的過程中所判斷存在多個缺陷的多個參考影像(多個類似於圖3的參考影像300)。在步驟S720,處理器111可定義在所述多個參考影像中各別對應的影像處理範圍,以取得多個第一影像(多個類似於圖4A的第一影像400)。在步驟S720,處理器111可分析所述多個第一影像,多以取得對應於所述多個第一影像的個比例值。在步驟S730,處理器111可處理所述多個第一影像,以取得多個第二影像(多個類似於圖5A的第二影像500)。在步驟S740,處理器111可分析所述多個第二影像當中的多個感興趣的重要缺陷影像(多個類似於圖5A的感興趣的重要缺陷影像510),以計算對應於所述多個第二影像的多個比例值。在步驟S750,處理器111可依據所述多個比例值進行分群分析,以決定至少一缺陷類型在數值分布中的數值範圍。
參考圖8A,圖8A是依照本發明的一實施例的多個缺陷類型的數值分布示意圖。所述多個比例值可分別位於圖8A的各自對應的數值範圍P1~P6內。在本實施例中,處理器111可例如針對不同缺陷類型T1~T6的比例值進行統計。延續上述所舉出的範例,缺陷類型T1~T6可例如對應於靜態隨機存取記憶體的各種電子元件結構。缺陷類型T1可例如為位元線結構。缺陷類型T2可例如為共用接點結構。缺陷類型T3可例如為反向器傳輸端結構。缺陷類型T4可例如為工作電壓端結構。缺陷類型T5可例如為字元線結構。缺陷類型T6可例如為接地端結構。也就是說,由於相同缺陷類型的比例值將位於相同對應的數值範圍內,因此處理器111可依據比例值來準確地分類可能對應於多種缺陷類型的多個缺陷,並且建立可對應於所述多個缺陷類型的分群資訊。處理器111還可據此相對地定義或標記出可能對應於不同缺陷類型的所述多個缺陷分別在晶圓上的位置。
然而,在一實施例中,處理器111還可進一步將圖8A所統計的各比例值取對數,以取得多個對數值。處理器111可對於所述多個對數值進行分群,以決定至少一缺陷類型在所述多個對數值的數值分布中的數值範圍。參考圖8B,圖8B是依照本發明的另一實施例的多個缺陷類型的數值分布示意圖。圖8A所統計的各比例值取對數後可產生如圖8B的數值分布結果。所述多個對數值可分別位於圖8B的各自對應的數值範圍P1’~P6’內。對此,比較圖8A與圖8B可知,經由對數轉換後的數值範圍P1’~P6’的範圍大小可較圖8A為平均,而可利於使用者定義數值範圍P1’~P6’的邊界,以減少分類錯誤的情況。舉例而言,參考以下表2,圖8B當中的各缺陷類型的數值範圍P1’~P6’可例如具有以下數值邊界關係。
表2
位置(缺陷類型) | 數值範圍 |
位元線 | <-0.46 |
字元線 | -0.46~-0.3 |
共用接點 | -0.3~-0.07 |
反向器傳輸端 | -0.07~0.12 |
接地端 | 0.12~0.26 |
工作電壓端 | >0.26 |
因此,本實施例的處理器111可提供如圖8B所示的可利於檢測者進行相關判斷或進行後續處理與分析的分群資訊,另外,關於前述圖7至圖8B實施例所述的各步驟的具體實施方式與實施內容可參考上述圖1至圖6實施例的說明而可獲致足夠的教示、建議以及實施說明,因此不多加贅述。
綜上所述,本發明的缺陷辨識方法以及影像分析系統可對於晶圓檢測設備所提供具有缺陷的參考影像灰階影像進行灰階分布調整的影像處理,以強化參考影像當中的特徵,並且可判斷經處理後的參考影像當中的感興趣的重要缺陷像素數量以及非感興趣的重要缺陷像素數量,以取得灰階計數比例。因此,本發明的缺陷辨識方法以及影像分析系統可依據所述灰階計數比例來準確地辨識此缺陷的缺陷類型。並且,本發明的缺陷辨識方法以及影像分析系統還可提供有效的缺陷分類方式,以準確地分類可能對應於多種缺陷類型的多個缺陷,並且建立可對應於所述多個缺陷類型的分群資訊。
雖然本發明已以實施例揭露如上,然其並非用以限定本發明,任何所屬技術領域中具有通常知識者,在不脫離本發明的精神和範圍內,當可作些許的更動與潤飾,故本發明的保護範圍當視後附的申請專利範圍所界定者為準。
100:影像分析系統
110:電子裝置
111:處理器
112:記憶體
112_1:影像處理模組
112_2:影像分析模組
112_3:運算模組
120:晶圓檢測設備
300:參考影像
310:影像處理範圍
400:第一影像
420、520、620:灰階分布
421、521、621:最小灰階值
422、522:最大灰階值
500:第二影像
510:感興趣的重要缺陷影像
P1~P6、P1’~P6’:數值範圍
S210~S260、S710~S740:步驟
T1~T6:缺陷類型
圖1是依照本發明的一實施例的影像分析系統的示意圖。
圖2是依照本發明的一實施例的缺陷辨識方法的流程圖。
圖3是依照本發明的一實施例的參考影像的示意圖。
圖4A是依照本發明的一實施例的第一影像的示意圖。
圖4B是依照圖4A實施例的第一影像的灰階分布圖。
圖5A是依照本發明的一實施例的第二影像的示意圖。
圖5B是依照圖5A實施例的第二影像的灰階分布圖。
圖6A是依照圖5A實施例的感興趣的重要缺陷影像的灰階分布圖。
圖6B是依照圖5A實施例的第二影像的灰階分布圖。
圖7是依照本發明的一實施例的缺陷分類方法的流程圖。
圖8A是依照本發明的一實施例的多個缺陷類型的數值分布示意圖。
圖8B是依照本發明的另一實施例的多個缺陷類型的數值分布示意圖。
S210~S260:步驟
Claims (20)
- 一種缺陷辨識方法,包括:對於對應於一晶圓上的一缺陷的一參考影像的一第一影像進行一灰階分布調整,以產生一第二影像;擷取在該第二影像中的一感興趣的重要缺陷影像;分析該感興趣的重要缺陷影像的多個像素,以取得該些像素的一最小灰階值;依據該最小灰階值來分析該第二影像的多個像素,以取得一感興趣的重要缺陷像素數量以及一非感興趣的重要缺陷像素數量;將該感興趣的重要缺陷像素數量與該非感興趣的重要缺陷像素數量相除,以取得一比例值;以及依據該比例值來決定在該第二影像中的該缺陷的一缺陷類型。
- 如請求項1所述的缺陷辨識方法,其中對於對應於該晶圓上的該缺陷的該參考影像的該第一影像進行該灰階分布調整,以產生該第二影像的步驟包括:調整具有一第一灰階分布的該第一影像的多個像素的多個灰階值,以產生具有一第二灰階分布的該第二影像,其中該第一灰階分布中的一第一最小灰階值大於該第二灰階分布中的一第二最小灰階值,並且該第一灰階分布中的一第一最大灰階值小於該第二灰階分布中的一第二最大灰階值。
- 如請求項1所述的缺陷辨識方法,其中擷取在該第二影像中的該感興趣的重要缺陷影像的步驟包括:定義在該第二影像中的一感興趣範圍,以取得對應於該感興趣範圍的該感興趣的重要缺陷影像,其中該感興趣範圍依據該缺陷類型來決定。
- 如請求項1所述的缺陷辨識方法,其中該感興趣的重要缺陷影像的像素尺寸小於該第二影像的像素尺寸。
- 如請求項1所述的缺陷辨識方法,其中依據該最小灰階值來分析該第二影像的多個像素,以取得該感興趣的重要缺陷像素數量以及該非感興趣的重要缺陷像素數量的步驟包括:計算該些像素中具有灰階值大於或等於該最小灰階值的數量,以作為該感興趣的重要缺陷像素數量;以及計算該些像素中具有灰階值小於該最小灰階值的數量,以作為該非感興趣的重要缺陷像素數量。
- 如請求項1所述的缺陷辨識方法,更包括:取得一晶圓檢測設備在對該晶圓進行晶圓檢測的過程中所判斷存在該缺陷的該參考影像;以及定義該缺陷在該參考影像中的一影像處理範圍,以取得對應於該影像處理範圍的該第一影像。
- 如請求項6所述的缺陷辨識方法,其中該第一影像的像素尺寸小於該參考影像的像素尺寸。
- 如請求項6所述的缺陷辨識方法,更包括: 取得該晶圓檢測設備在對該晶圓進行晶圓檢測的過程中所判斷存在多個缺陷的多個參考影像;定義在該些參考影像中各別對應的一影像處理範圍,以取得多個第一影像;對於該些第一影像各別進行該灰階分布調整,以取得多個第二影像;分析該些第二影像當中的多個感興趣的重要缺陷影像,以計算對應於該些第二影像的多個比例值;以及依據該些比例值進行分群分析,以決定至少一缺陷類型在一數值分布中的一數值範圍。
- 如請求項8所述的缺陷辨識方法,其中依據該些比例值進行分群分析,以決定該至少一缺陷類型在該數值分布中的該數值範圍的步驟包括:對於該些比例值取對數,以取得多個對數值;以及對於該些對數值進行分群,以決定該至少一缺陷類型在該些對數值的該數值分布中的該數值範圍。
- 如請求項6所述的缺陷辨識方法,其中該晶圓檢測設備為一掃描式電子顯微鏡或一光學檢測儀器,並且該參考影像為一灰階影像。
- 一種影像分析系統,包括:一記憶體,用以儲存多個模組;以及一處理器,耦接該記憶體,並且該處理器用以讀取並執行該 些模組,以進行以下操作,其中該處理器對於對應於一晶圓上的一缺陷的一參考影像的一第一影像進行一灰階分布調整,以產生一第二影像,並且該處理器擷取在該第二影像中的一感興趣的重要缺陷影像,其中該處理器分析該感興趣的重要缺陷影像的多個像素,以取得該些像素的一最小灰階值,並且該處理器依據該最小灰階值來分析該第二影像的多個像素,以取得一感興趣的重要缺陷像素數量以及一非感興趣的重要缺陷像素數量,其中該處理器將該感興趣的重要缺陷像素數量與該非感興趣的重要缺陷像素數量相除,以取得一比例值,並且該處理器依據該比例值來決定在該第一影像中的該缺陷的一缺陷類型。
- 如請求項11所述的影像分析系統,其中該處理器調整具有一第一灰階分布的該第一影像的多個像素的多個灰階值,以產生具有一第二灰階分布的該第二影像,其中該第一灰階分布中的一第一最小灰階值大於該第二灰階分布中的一第二最小灰階值,並且該第一灰階分布中的一第一最大灰階值小於該第二灰階分布中的一第二最大灰階值。
- 如請求項11所述的影像分析系統,其中該處理器定義在該第二影像中的一感興趣範圍,以取得對應於該感興趣範圍的該感興趣的重要缺陷影像,其中該感興趣範圍依據該缺陷類型來決定。
- 如請求項11所述的影像分析系統,其中該感興趣的重要缺陷影像的像素尺寸小於該第二影像的像素尺寸。
- 如請求項11所述的影像分析系統,其中該處理器計算該些像素中具有灰階值大於或等於該最小灰階值的數量,以作為該感興趣的重要缺陷像素數量,並且該處理器計算該些像素中具有灰階值小於該最小灰階值的數量,以作為該非感興趣的重要缺陷像素數量。
- 如請求項11所述的影像分析系統,更包括:一晶圓檢測設備,耦接該處理器,並且用於對該晶圓進行晶圓檢測,其中該處理器取得該晶圓檢測設備在對該晶圓進行晶圓檢測的過程中所判斷存在該缺陷的該參考影像,並且該處理器定義在該參考影像中的一影像處理範圍,以取得對應於該影像處理範圍的該第一影像。
- 如請求項16所述的影像分析系統,其中該第一影像的像素尺寸小於該參考影像的像素尺寸。
- 如請求項16所述的影像分析系統,其中該處理器取得該晶圓檢測設備在對該晶圓進行晶圓檢測的過程中所判斷存在多個缺陷的多個參考影像,並且該處理器定義在該些參考影像中各別對應的一影像處理範圍,以取得多個第一影像,其中該處理器對於該些第一影像各別進行該灰階分布調整,以取得多個第二影像,並且該處理器分析該些第二影像當中的多 個感興趣的重要缺陷影像,以計算對應於該些第二影像的多個比例值,其中該處理器依據該些比例值進行分群分析,以決定至少一缺陷類型在一數值分布中的一數值範圍。
- 如請求項18所述的影像分析系統,其中該處理器對於該些比例值取對數,以取得多個對數值,並且該處理器對於該些對數值進行分群,以決定該至少一缺陷類型在該些對數值的該數值分布中的該數值範圍。
- 如請求項16所述的影像分析系統,其中該晶圓檢測設備為一掃描式電子顯微鏡或一光學檢測儀器,並且該參考影像為一灰階影像。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW109122218A TWI737375B (zh) | 2020-07-01 | 2020-07-01 | 缺陷辨識方法以及影像分析系統 |
US16/993,294 US11449983B2 (en) | 2020-07-01 | 2020-08-14 | Defect identification method and image analysis system |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW109122218A TWI737375B (zh) | 2020-07-01 | 2020-07-01 | 缺陷辨識方法以及影像分析系統 |
Publications (2)
Publication Number | Publication Date |
---|---|
TWI737375B true TWI737375B (zh) | 2021-08-21 |
TW202202827A TW202202827A (zh) | 2022-01-16 |
Family
ID=78283518
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW109122218A TWI737375B (zh) | 2020-07-01 | 2020-07-01 | 缺陷辨識方法以及影像分析系統 |
Country Status (2)
Country | Link |
---|---|
US (1) | US11449983B2 (zh) |
TW (1) | TWI737375B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113870754A (zh) * | 2021-12-03 | 2021-12-31 | 中导光电设备股份有限公司 | 一种面板检测电子信号缺陷判定的方法和系统 |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI749687B (zh) * | 2020-08-05 | 2021-12-11 | 力晶積成電子製造股份有限公司 | 電壓對比缺陷的分析方法及分析系統 |
CN114638825B (zh) * | 2022-05-12 | 2022-08-09 | 深圳市联志光电科技有限公司 | 一种基于图像分割的缺陷检测方法和检测系统 |
CN116468728B (zh) * | 2023-06-20 | 2023-08-29 | 深圳市锦红兴科技有限公司 | 一种五金冲压件模具生产质量检测方法 |
CN116934744B (zh) * | 2023-09-14 | 2023-11-17 | 深圳市冠禹半导体有限公司 | 基于机器视觉的mosfet蚀刻缺陷检测方法 |
CN117522876A (zh) * | 2024-01-08 | 2024-02-06 | 成都数智创新精益科技有限公司 | 一种基于颜色和面积的缺陷检测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW388842B (en) * | 1997-08-29 | 2000-05-01 | Nippon Electric Co | Reference image forming method and pattern inspection apparatus |
JP2003058879A (ja) * | 2001-07-31 | 2003-02-28 | Canon Inc | 画像処理方法及び装置 |
TW201702586A (zh) * | 2015-07-03 | 2017-01-16 | 元智大學 桃園市中壢區遠東路 135 號 | 光學薄膜缺陷辨識方法及其系統 |
TWM585899U (zh) * | 2019-06-17 | 2019-11-01 | 日月光半導體製造股份有限公司 | 用於檢測半導體裝置之缺陷之系統 |
CN110942444A (zh) * | 2019-09-30 | 2020-03-31 | 阿里巴巴集团控股有限公司 | 物体检测方法和装置 |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5963662A (en) * | 1996-08-07 | 1999-10-05 | Georgia Tech Research Corporation | Inspection system and method for bond detection and validation of surface mount devices |
JP3397101B2 (ja) * | 1997-10-29 | 2003-04-14 | 株式会社日立製作所 | 欠陥検査方法および装置 |
JP4169573B2 (ja) * | 2002-10-23 | 2008-10-22 | 株式会社東京精密 | パターン検査方法及び検査装置 |
JP4540605B2 (ja) * | 2002-12-06 | 2010-09-08 | シャープ株式会社 | 液晶表示装置 |
US8165384B1 (en) * | 2003-11-19 | 2012-04-24 | Kla-Tencor Corporation | Defect classification |
US7804993B2 (en) * | 2005-02-28 | 2010-09-28 | Applied Materials South East Asia Pte. Ltd. | Method and apparatus for detecting defects in wafers including alignment of the wafer images so as to induce the same smear in all images |
KR100846633B1 (ko) * | 2006-11-09 | 2008-07-16 | 삼성전자주식회사 | 패턴 결함 검출 방법 및 장치 |
US8611639B2 (en) * | 2007-07-30 | 2013-12-17 | Kla-Tencor Technologies Corp | Semiconductor device property extraction, generation, visualization, and monitoring methods |
KR20090100615A (ko) * | 2008-03-20 | 2009-09-24 | 삼성전자주식회사 | 결함 검출 방법 |
JP6047418B2 (ja) * | 2013-02-18 | 2016-12-21 | 株式会社ニューフレアテクノロジー | 検査方法および検査装置 |
US10483081B2 (en) * | 2014-10-22 | 2019-11-19 | Kla-Tencor Corp. | Self directed metrology and pattern classification |
US11037289B2 (en) * | 2018-10-26 | 2021-06-15 | Taiwan Semiconductor Manufacturing Company Ltd. | Method and system for scanning wafer |
-
2020
- 2020-07-01 TW TW109122218A patent/TWI737375B/zh active
- 2020-08-14 US US16/993,294 patent/US11449983B2/en active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW388842B (en) * | 1997-08-29 | 2000-05-01 | Nippon Electric Co | Reference image forming method and pattern inspection apparatus |
JP2003058879A (ja) * | 2001-07-31 | 2003-02-28 | Canon Inc | 画像処理方法及び装置 |
TW201702586A (zh) * | 2015-07-03 | 2017-01-16 | 元智大學 桃園市中壢區遠東路 135 號 | 光學薄膜缺陷辨識方法及其系統 |
TWM585899U (zh) * | 2019-06-17 | 2019-11-01 | 日月光半導體製造股份有限公司 | 用於檢測半導體裝置之缺陷之系統 |
CN110942444A (zh) * | 2019-09-30 | 2020-03-31 | 阿里巴巴集团控股有限公司 | 物体检测方法和装置 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113870754A (zh) * | 2021-12-03 | 2021-12-31 | 中导光电设备股份有限公司 | 一种面板检测电子信号缺陷判定的方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
US20220005170A1 (en) | 2022-01-06 |
US11449983B2 (en) | 2022-09-20 |
TW202202827A (zh) | 2022-01-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI737375B (zh) | 缺陷辨識方法以及影像分析系統 | |
CN115147414B (zh) | 一种双极型功率晶体管表面击穿缺陷检测方法 | |
US10074167B2 (en) | Reducing registration and design vicinity induced noise for intra-die inspection | |
KR20130072177A (ko) | 검사 영상들 내의 분류를 위한 시스템, 방법 및 컴퓨터 프로그램 제품 | |
JPWO2013128617A1 (ja) | 表示デバイスの表示むら検出方法及びその装置 | |
US10192302B2 (en) | Combined patch and design-based defect detection | |
CN111724335A (zh) | 检测方法及检测系统 | |
US20220307991A1 (en) | Wafer surface defect inspection method and apparatus thereof | |
US20190026419A1 (en) | Method and system for quickly diagnosing, classifying, and sampling in-line defects based on caa pre-diagnosis database | |
JP2019144245A (ja) | 前処理を含む線欠陥検出システム及び方法 | |
WO2011043293A1 (ja) | パターンマッチング方法、パターンマッチングプログラム、電子計算機、電子デバイス検査装置 | |
CN114612469A (zh) | 产品缺陷检测方法、装置、设备及可读存储介质 | |
TWI813871B (zh) | 圖像處理程式、圖像處理裝置及圖像處理方法 | |
US20230011569A1 (en) | Method and apparatus for detecting defect, device, and storage medium | |
CN115360116A (zh) | 一种晶圆的缺陷检测方法及系统 | |
CN117152165B (zh) | 感光芯片缺陷的检测方法、装置、存储介质及电子设备 | |
CN109148433B (zh) | 用于确定集成电路器件的尺寸的方法和设备 | |
US8526708B2 (en) | Measurement of critical dimensions of semiconductor wafers | |
CN111739022B (zh) | 一种基于图像检测的晶圆计数方法及系统 | |
JP7475901B2 (ja) | 試験片上の欠陥検出の方法およびそのシステム | |
US8045807B2 (en) | Pattern edge detecting method and pattern evaluating method | |
CN110874837B (zh) | 一种基于局部特征分布的缺陷自动检测方法 | |
CN109817538B (zh) | Sram失效在线测试方法 | |
CN114972147A (zh) | 晶圆缺陷的检测方法及装置 | |
JP2007059858A (ja) | チップ画像検査方法とそのシステム |