TWI827393B - 圖像檢查裝置,圖像處理方法 - Google Patents
圖像檢查裝置,圖像處理方法 Download PDFInfo
- Publication number
- TWI827393B TWI827393B TW111147553A TW111147553A TWI827393B TW I827393 B TWI827393 B TW I827393B TW 111147553 A TW111147553 A TW 111147553A TW 111147553 A TW111147553 A TW 111147553A TW I827393 B TWI827393 B TW I827393B
- Authority
- TW
- Taiwan
- Prior art keywords
- learning
- probability distribution
- image
- aforementioned
- position offset
- Prior art date
Links
- 238000007689 inspection Methods 0.000 title claims abstract description 106
- 238000003672 processing method Methods 0.000 title claims description 10
- 238000009826 distribution Methods 0.000 claims abstract description 229
- 238000012545 processing Methods 0.000 claims abstract description 116
- 238000013461 design Methods 0.000 claims abstract description 71
- 238000011156 evaluation Methods 0.000 claims abstract description 57
- 238000000034 method Methods 0.000 claims description 65
- 230000008569 process Effects 0.000 claims description 43
- 238000010801 machine learning Methods 0.000 claims description 6
- 230000006641 stabilisation Effects 0.000 claims description 2
- 238000011105 stabilization Methods 0.000 claims description 2
- 238000003384 imaging method Methods 0.000 abstract description 9
- 230000007423 decrease Effects 0.000 abstract description 6
- 230000006870 function Effects 0.000 description 33
- 238000010586 diagram Methods 0.000 description 18
- 230000007547 defect Effects 0.000 description 11
- 238000004519 manufacturing process Methods 0.000 description 10
- 239000004065 semiconductor Substances 0.000 description 10
- 238000003860 storage Methods 0.000 description 7
- 239000000463 material Substances 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000010894 electron beam technology Methods 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000002950 deficient Effects 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 238000011478 gradient descent method Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000013100 final test Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000000087 stabilizing effect Effects 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 230000009885 systemic effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
- G01N23/22—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material
- G01N23/225—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material using electron or ion
- G01N23/2251—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material using electron or ion using incident electron beams, e.g. scanning electron microscopy [SEM]
Landscapes
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
針對會學習模型之圖像處理提供一種圖像檢查裝置,可防止設計資料與攝像圖像之間之位置偏移造成機率分佈之推定值的精確度降低;該模型是使用試料之設計資料與攝像圖像來推定攝像圖像之像素值的機率分佈。該圖像檢查裝置是使用試料之設計資料與前述試料之攝像圖像來檢查前述攝像圖像,具備:學習處理部,學習機率分佈推定模型,該機率分佈推定模型是從設計資料推定攝像圖像之像素值的機率分佈;以及檢查處理部,使用前述學習處理部所做成的機率分佈推定模型、檢查用設計資料、檢查用攝像圖像,來檢查前述檢查用攝像圖像,前述學習處理部具有:機率分佈推定部,從試料之學習用設計資料,來推定試料之學習用攝像圖像之像素值的機率分佈;位置偏移量推定部,推定以前述機率分佈推定部所推定之學習時機率分佈與前述學習用攝像圖像之間的位置偏移量;位置偏移量反映部,將前述位置偏移量推定部所推定的推定位置偏移量,反映於前述學習時機率分佈;以及模型評價部,使用前述位置偏移反映部所算出之位置偏移反映後學習時機率分佈、前述學習用攝像圖像,來評價前述機率分佈推定部的機率分佈推定模型,並按照評價值來更新前述機率分佈推定模型的參數。
Description
本發明關於一種處理圖像資料的圖像處理技術,尤其關於有效適用在使用圖像資料之檢查的技術。
為了評價半導體電路的缺陷檢查等等,會進行以下比較:將檢查對象亦即試料的設計資料,與攝像檢查對象而形成之攝像資料進行比較。
隨著半導體電路圖案的細微化,要在晶圓上形成與設計相同的電路圖案變得愈來愈困難,也更容易發生配線寬度或形狀與設計值不同的不良狀況。這種不良狀況稱為系統性缺陷,會共同發生在所有晶粒中,所以靠著比較檢查對象晶粒與鄰近晶粒來檢測缺陷的方法(晶粒對晶粒(Die to Die)檢查)很難檢測出來。以包含未檢測出之缺陷的晶粒所製造出來的半導體裝置,在實施最終測試等其他檢查時會成為不良品,而有降低產能的可能。
相對地有一種檢查方法,不是比較鄰近晶粒,而是將CAD資料等設計資料圖像化成為設計資料圖像,再與檢查對象晶粒進行比較來檢測出缺陷(晶粒對資料庫(Die to Database)檢查)。晶粒對資料庫檢查,是比較設計資料與檢查對象晶粒,因此理論上可檢測出系統性缺陷。
作為本技術領域的背景技術,例如有專利文獻1那樣的技術。專利文獻1中揭示以下檢查方法:在不影響半導體裝置之電特性的程度下,可容許設計資料與檢查對象之攝像圖像的形狀乖離所造成之虛報,因此藉由機械學習從設計資料推定攝像圖像之像素值的機率分佈,將可容許之形狀乖離當作製造裕度並表現為機率分佈之不均。
[先前技術文獻]
[專利文獻]
專利文獻1:國際公開第2020/250373號
[發明欲解決之課題]
如上述專利文獻1所示,要學習攝像圖像之像素值之機率分佈的情況下,將用於學習資料之設計資料與攝像圖像事先進行圖案對準就很重要,圖案不一致會降低機率分佈的學習精確度,引發檢查性能之低落。
但是,以檢查裝置所攝像之攝像圖像,有時候會發生起因於攝像的圖像扭曲,而在設計資料與攝像圖像之間產生難以事先對準、非線性且局部的位置偏移。例如以掃描電子顯微鏡(Scanning Electron Microscope:SEM)進行之攝像中,就可能因電子束造成試料帶電而發生影像扭曲。
專利文獻1中為了學習攝像圖像之像素值的機率分佈,前提是對學習用設計資料與攝像圖像充分進行事先的對準。如果使用包含起因於攝像的圖像扭曲,具有難以事先對準、非線性且局部之位置偏移的攝像圖像進行學習,位置偏移就會被模型化成為製造裕度,而增大機率分佈的不均。結果在比較攝像圖像與機率分佈的檢查中,有檢查靈敏度會降低的問題。
因此,本發明之目的是針對會學習模型之圖像處理提供一種圖像檢查裝置及圖像檢查方法,可防止設計資料與攝像圖像之間之位置偏移造成機率分佈之推定值的精確度降低;該模型是使用試料之設計資料與攝像圖像來推定攝像圖像之像素值的機率分佈。
[供解決課題之手段]
為了解決上述課題,本發明的圖像檢查裝置是使用試料之設計資料與前述試料之攝像圖像來檢查前述攝像圖像,具備:學習處理部,學習機率分佈推定模型,該機率分佈推定模型是從設計資料推定攝像圖像之像素值的機率分佈;以及檢查處理部,使用前述學習處理部所做成的機率分佈推定模型、檢查用設計資料、檢查用攝像圖像,來檢查前述檢查用攝像圖像,前述學習處理部具有:機率分佈推定部,從試料之學習用設計資料,來推定試料之學習用攝像圖像之像素值的機率分佈;位置偏移量推定部,推定以前述機率分佈推定部所推定之學習時機率分佈與前述學習用攝像圖像之間的位置偏移量;位置偏移量反映部,將前述位置偏移量推定部所推定的推定位置偏移量,反映於前述學習時機率分佈;以及模型評價部,使用前述位置偏移反映部所算出之位置偏移反映後學習時機率分佈、前述學習用攝像圖像,來評價前述機率分佈推定部的機率分佈推定模型,並按照評價值來更新前述機率分佈推定模型的參數。
再者,本發明的圖像處理方法會學習模型,該模型是使用試料之設計資料與前述試料之攝像圖像來推定攝像圖像之像素值的機率分佈,其特徵為具有:(a)步驟,從試料之學習用設計資料,推定試料之學習用攝像圖像之像素值的學習時機率分佈;(b)步驟,推定以前述(a)步驟所推定之學習時機率分佈與前述學習用攝像圖像之間的位置偏移量;(c)步驟,將前述(b)步驟所推定的推定位置偏移量,反映於前述學習時機率分佈;以及(d)步驟,使用前述(c)步驟所算出之位置偏移反映後學習時機率分佈、前述學習用攝像圖像,來評價以前述(a)步驟所推定的機率分佈推定模型,並按照評價值來更新前述機率分佈推定模型的參數。
[發明之效果]
若依據本發明,可針對會學習模型之圖像處理實現一種圖像檢查裝置及圖像檢查方法,可防止設計資料與攝像圖像之間之位置偏移造成機率分佈之推定值的精確度降低;該模型是使用試料之設計資料與攝像圖像來推定攝像圖像之像素值的機率分佈。
藉此,可防止設計資料與攝像圖像之間之位置偏移造成機率分佈之不均加大,並學習以下模型:可僅考慮製造裕度所造成之變形,來推定適合於試料檢查的機率分佈。
結果,在比較攝像圖像與機率分佈的圖像檢查中,可以提升檢查精確度。
除上述之外的課題、結構及效果,將由以下實施型態之說明來解釋清楚。
以下,使用圖式說明本發明的實施例。另外,對於各圖式中的相同結構附加相同符號,重複部分省略其詳細說明。
本說明書所例舉的檢查裝置,是關於以下的圖像檢查裝置及使用該裝置的圖像檢查方法:在推定攝像圖像之像素值之機率分佈的模型的學習中,可推定設計資料與攝像圖像之間的位置偏移,反映於推定機率分佈並進行學習,藉此可防止所推定之機率分佈的不均加大。
在本說明書中,做為試料及其攝像圖像,是舉出以掃描電子顯微鏡(Scanning Electron Microscope:SEM)所攝像的半導體電路,但本發明並不限定於此。再者,當然可適用於以其他攝像裝置所攝像的圖像。
實施例1
參照圖1A至圖6,說明有關本發明實施例1之圖像檢查裝置及使用該裝置的圖像處理方法。
首先使用圖1A至圖1C,說明本實施例中設計資料與攝像圖像的一例。
圖1A,是表示半導體電路之設計資料之一例的圖。如圖1A所示,設計資料是將登錄有半導體電路之佈局或製造條件的CAD資料等設計資料,加以圖像化而成。圖1A所示的設計資料101,舉例表示將電路圖案之配線部與空間部分別填入不同顏色的二值圖像,但在半導體電路中有時候配線部為兩層以上的多層。例如,若配線為一層,可使用配線部與空間部的二值圖像;若配線為二層,可使用下層配線部、上層配線部、空間部的三值圖像。
再者,為了表現半導體電路的製造條線,設計資料可以是彩色圖像等具有二維以上之值的圖像,也可以是以連續值來表現的圖像,並不限定於一維離散值的圖像。
圖1B係表示對應設計資料101之攝像圖像之一例的圖。圖1C是以虛線表示設計資料101並與攝像圖像102重疊的例子,此圖表示設計資料101與攝像圖像102之間的電路圖案位置偏移。如圖1C所示,設計資料101與攝像圖像102之間有位置偏移,愈往圖像左側,位置偏移的強度愈大。產生這種位置偏移的要因如下:以掃描電子顯微鏡進行攝像時,以電子源所釋出的電子束控制不良;或者試料因為電子束的掃描而帶電,從試料釋出之二次電子或後方散射電子的釋出量或電子軌道變動,造成影像扭曲。
在此做為位置偏移的例子,是表示往左右方向的位置偏移,但並不限定於此。例如非線性的平移偏移或旋轉偏移,配線呈現波浪狀的偏移等等,任何位置偏移皆可。再者,半導體電路之製造裝置或攝像裝置,當其結構或設定量引發裝置肇因的位置偏移,則可藉由事先解析之模擬等方法,來獲得位置偏移的大小或方向。這種情況下,攝像圖像可以事先補正裝置肇因的位置偏移。
圖3,係表示有關本發明一個實施例之檢查裝置之整體結構例的功能方塊圖。
如圖3所示,檢查裝置由學習處理部303與檢查處理部307所構成。在此,學習處理部303與檢查處理部307,例如以未圖示之CPU等處理器、容納各種程式之ROM、暫時容納運算過程之RAM、外部記憶裝置等記憶裝置來實現,同時CPU等處理器會讀出被容納於ROM的各種程式來執行,將執行結果亦即允算結果容納於RAM、外部記憶裝置,或經由網路連接等容納於雲端儲存器。
學習處理部303會學習模型,該模型使用學習用設計資料301與學習用攝像資料302,從設計資料推定攝像圖像之像素值的機率分佈。
檢查處理部307,使用學習處理部303所做成的模型資料304、檢查用設計資料305、檢查用攝像圖像306,來檢查檢查用攝像圖像306,並輸出檢查結果308。
在此,學習處理部303中之學習處理,可以與檢查處理部307中之檢查處理同時進行,也可分別進行。再者,執行檢查處理部307的計算機,只要可以經由網路連接等取得模型資料304,檢查處理部307與學習處理部303也可用不同計算機來執行。
圖4係對應圖3之學習處理部303之本實施例的學習處理部401,表示其具體結構的功能方塊圖。
本實施例的學習處理部401,由機率分佈推定部402、位置偏移量推定部404、位置偏移反映部406及模型評價部408所構成;當規定之學習處理結束時則輸出模型資料410,容納於RAM、外部記憶裝置,或者經由網路連接等容納於雲端儲存器。
機率分佈推定部402,是從學習用設計資料301,以使用機械學習之模型來推定學習用攝像圖像302之像素值的機率分佈,並輸出學習時機率分佈403。推定機率分佈,是以對應設計資料或攝像圖像中各像素之機率分佈的參數來表示。
做為所推定之機率分佈的例子,以正規分佈來說可舉出平均與標準差,以卜松分佈來說可舉出到達率等等。推定攝像圖像之像素值之機率分佈的機率分佈推定模型,例如使用U-Net等編碼-解碼器(Encode-Decoder)型的CNN(卷積神經網路,Convolution Neural Network)或具有其他構造的CNN,但並不限定於CNN。
位置偏移量推定部404,推定以機率分佈推定部402所推定之學習時機率分佈403與學習用攝像圖像302之間的位置偏移量,並輸出推定位置偏移量405。推定位置偏移量405,是以對應設計資料或攝像圖像中各像素的二維向量(dx,dy)來表示,當使推定機率分佈中各像素僅移動對應向量的量,攝像圖像之像素值就會更好地依循該分佈。在此,舉出向量做為推定位置偏移量405的形式,但假設是旋轉偏移或平移偏移等可以定型化的扭曲量,則可以是旋轉角或平移量之類的參數,也可以是多個形式的組合。
位置偏移反映部406,將以推定位置偏移量405所表示的位置偏移,反映於學習時機率分佈403,並輸出位置偏移反映後學習時機率分佈407。
模型評價部408,使用學習用攝像圖像302與位置偏移反映後學習時機率分佈407,來評價機率分佈推定部402的機率分佈推定模型,並按照評價值來算出前述機率分佈推定模型的更新量,按照更新量來更新機率分佈推定模型的參數(模型參數更新量409)。此時所算出的參數更新量,使學習用攝像圖像302的像素值更好地依循位置偏移反映後學習時機率分佈407。
圖5係表示有關本實施例之學習處理部401之處理動作的流程圖。如圖5所示,當學習處理開始,在步驟S501中,學習用攝像圖像302與學習用設計資料301會被輸入至學習處理部401。
在步驟S502中,構成學習處理部401的機率分佈推定部402,是從被輸入的學習用設計資料301,使用機率分佈推定模型來推定學習用攝像圖像302之像素值的機率分佈,並輸出學習時機率分佈403。
在步驟S503中,構成學習處理部401的位置偏移量推定部404,從學習時機率分佈403與被輸入之學習用攝像圖像302,推定學習時機率分佈403與學習用攝像圖像302之間的位置偏移量。
做為推定方法,可例舉以下方法:設定任意或隨機的位置偏移量初始值,因應後述之步驟S504的評價值,來更新位置偏移量。
更具體來說,可舉出以下方法:關於機率分佈R與攝像圖像I、位置偏移反映處理函數f、推定位置偏移量D、評價機率分佈R與攝像圖像I之差的距離函數d,以動態規劃法等來解最佳化問題,使得以評價函數d(R,f(I,D))所計算的評價值最小化。距離函數d是用以評價機率分佈與攝像圖像的差,可舉出負的對數似然度。再者,若機率分佈為正規分佈,可舉出機率分佈平均值與攝像圖像像素值的絕對誤差或平方誤差。
在步驟S504中,位置偏移量推定部404會評價以步驟S503所推定之位置偏移量,判斷該評價值是否滿足評價標準,當滿足評價標準時(是)則輸出推定位置偏移量405。當不滿足評價標準時(否),則回到步驟S503,再次執行步驟S503的處理。
關於評價值可舉出函數的值,該函數評價以前述之距離函數d所計算之機率分佈與攝像圖像的差。評價標準可舉出以下內容;若評價值愈小則攝像圖像愈依循機率分佈,標準是指定值以下;若評價值愈大則攝像圖像愈依循機率分佈,標準是指定值以上;還有,從步驟S503前往實施步驟S504之處理達到指定次數以上。
在步驟S505中,構成學習處理部401的位置偏移反映部406,將以推定位置偏移量405所表示的位置偏移,反映於學習時機率分佈403,並輸出位置偏移反映後學習時機率分佈407。
做為位置偏移量的反映方法,可例舉出以下方法;若位置偏移量是二維向量形式,則按照向量使機率分佈的各像素值移往其他像素。再者,若是平移偏移或旋轉偏移等可定型化的位置偏移參數,可舉出使用該些參數的仿射轉換。
在步驟S506中,構成學習處理部401的模型評價部408,是使用被輸入的學習用攝像圖像302與位置偏移反映後學習時機率分佈407,評價機率分佈推定部402之機率分佈推定模型的誤差函數或損失函數。機率分佈推定模型的誤差函數或損失函數,可例舉如下:位置偏移反映後學習時機率分佈407對學習用攝像圖像302的負對數似然度,或者從位置偏移反映後學習時機率分佈407取樣之圖像與學習用攝像圖像302之像素值的絕對誤差或平方誤差等等。
在步驟S507中,模型評價部408基於步驟S506中的評價結果,算出機率分佈推定模型之參數的更新量,並按照更新量來更新參數,使得機率分佈推定部402之機率分佈推定模型的誤差函數或損失函數變小。此更新,例如以機率梯度下降法來進行。
在步驟S508中,學習處理部401判斷是否達到學習結束條件,若判定達到學習結束條件(是)則前往步驟S509,學習處理部401會將機率分佈推定部402之包含有機率分佈推定模型參數的模型資料410加以保存,結束學習處理。另一方面,當判定未達到學習結束條件(否),則回到步驟S501,再次執行步驟S501以下的處理。
學習結束條件可舉出以下條件:從步驟S501到步驟S507為止的處理,是否重複了一定次數以上;或者以步驟S506所求出之機率分佈推定模型的誤差值,即使從步驟S501到步驟S507為止的處理重複了一定次數仍沒有變小,而判斷機率分佈推定部402之機率分佈推定模型的學習已經收斂。
圖6係對應圖3之檢查處理部307的本實施例檢查處理部307A,表示其處理動作的流程圖。
如圖6所示,當檢查處理開始,在步驟S601中,檢查用攝像圖像306、檢查用設計資料305、包含以學習處理部401所學習之機率分佈模型之參數的模型資料410,會被輸入至檢查處理部307A。
在步驟S602中,檢查處理部307A使用被輸入的檢查用設計資料305、模型資料410所包含的機率分佈推定模型,來推定所對應之檢查用攝像圖像306之像素值的機率分佈。
在步驟S603中,檢查處理部307A以與圖5所示之學習處理部401之步驟S503同樣的方法,推定步驟S602所推定之機率分佈與檢查用攝像圖像306之間的位置偏移。
在此表示的例子,是在檢查處理中推定位置偏移量,但是在學習處理部401中,針對學習用設計資料301與學習用攝像圖像302所包含之多個設計資料與攝像圖像的組合,若幾乎所有情況下都能獲得相同推定位置偏移量405,則可判斷由設計資料所推定之機率分佈與攝像圖像之間的位置偏移,是源自裝置的位置偏移。在這種情況下,以學習處理獲得之推定位置偏移量的平均值,可先被記憶為代表的位置偏移量,並做為步驟S603的輸出。
在步驟S604中,檢查處理部307A會評價以步驟S603所推定之位置偏移量,判斷該評價值是否滿足評價標準,當滿足評價標準時(是)則輸出檢查用攝像圖像306的推定位置偏移量。當不滿足評價標準時(否),則回到步驟S603,再次執行步驟603的處理。
評價標準可舉出以下內容:評價機率分佈與攝像圖像之差之函數的值,該機率分佈與圖5所示之學習處理部401的步驟S504相同;還有,從步驟S603前往實施步驟S604之處理達到指定次數以上。
在步驟S605中,檢查處理部307A使用以步驟603所推定之位置偏移量,將位置偏移反映於以步驟S602所推定之機率分佈,並輸出位置偏移反映後機率分佈。
在步驟S606中,檢查處理部307A將以步驟S605所得之位置偏移反映後機率分佈與檢查用攝像圖像306加以比較,進行缺陷檢查。
做為比較方法可舉出以下方法:當檢查圖像之像素值x所對應的機率分佈是依循正規分佈,則使用平均值μ與標準差σ,算出以|x-μ|/σ表示的異常度,並將具有超過指定臨限值之異常度的像素當作缺陷。
在步驟S607中,檢查處理部307A輸出步驟S606的檢查結果,容納至RAM、外部記憶體或雲端儲存器等,或者顯示於GUI(使用者圖形介面Graphical User
Interface)等,並結束檢查處理。
使用圖2A及圖2B,說明本實施例造成的效果。圖2A的例子,是使用專利文獻1所記載之手法所學習之機率分佈推定模型,對於如圖1A與圖1B所示那般設計資料與攝像圖像之間具有位置偏移的學習資料,所得到的推定機率分佈(平均圖像、標準差圖像)。再者,圖2B的例子是以本實施例所學習之機率分佈推定模型所得到的推定機率分佈。圖2A、圖2B所示之各圖像,表示亮度值所推定的機率分佈值。
專利文獻1所記載之手法,是假設在設計資料與攝像圖像之間沒有製造裕度以外的位置偏移,所以當學習資料所包含的攝像圖像具有事先難以對準之非線性或局部性位置偏移,像素值之位置偏移會被學習成為製造裕度所造成的像素值不均。
結果就如圖2A所示,推定機率分佈之平均圖像所表示的電路圖案,邊緣變得模糊不清;或者標準差圖像在電路圖案的邊緣,取了較大的數值。若使用這種機率分佈,實施前述之檢查處理部307A在步驟S606的缺陷檢查,則電路圖案在邊緣附近的異常度會被評價得較小,造成缺陷未被檢測。
相對地,本實施例中,推定攝像圖像像素值之機率分佈的模型會進行以下學習:依序推定出推定機率分佈與攝像圖像之間的位置偏移,將反映有推定機率分佈的位置反映後機率分佈加以最佳化;藉此,在設計資料與攝像圖像之間因製造裕度以外之位置偏移所造成的不均,可被防止加大。
結果可得到如圖2B所示那般電路圖案邊緣清楚的平均圖像,與僅將製造裕度當作不均的標準差圖像。
再者,做為本實施例其他效果,可舉出以下的例子:學習用設計資料與學習用攝像圖像之位置偏移會造成機率分佈學習精度下降,為了減輕此問題,可緩和設計資料與攝像圖像之事先對準的要求精確度,進而刪減學習資料的成形成本。
實施例2
參照圖7至圖10,說明有關本發明實施例2之圖像檢查裝置及使用該裝置的圖像處理方法。
圖7係表示本發明實施例2之學習處理部701之結構的功能方塊圖。
本實施例之學習處理部701,相當於上述實施例1(圖4)中的學習處理部401,但不同點是在位置偏移量推定部702中具有位置偏移推定設定量704的輸入,該位置偏移推定設定量704藉由位置偏移量的制約使適用於檢查之機率分佈的學習安定化,該位置偏移量的制約包含所推定之位置偏移量的最大值等等並且對應學習步驟數。
再者,不同點是在學習處理部701中具有:學習經過顯示部705,將學習時機率分佈403、位置偏移反映後學習時機率分佈407、推定位置偏移量703可見化之後的結果,分別針對每個學習步驟進行紀錄,並顯示於GUI;以及位置偏移推定設定量更新部706,使用者可基於學習經過顯示部705的顯示結果更新位置偏移推定設定量704,使機率分佈的學習安定化。
如圖7所示,本實施例的學習處理部701,由機率分佈推定部402、位置偏移量推定部702、位置偏移反映部406、模型評價部408、學習經過顯示部705及位置偏移推定設定量更新部706所構成;當規定之學習處理結束時則輸出模型資料410,容納於RAM、外部記憶裝置,或者經由網路連接等容納於雲端儲存器。以下說明與實施例1的不同點。
位置偏移量推定部702,推定以機率分佈推定部402所推定之學習時機率分佈403與學習用攝像圖像302之間的位置偏移量,並輸出推定位置偏移量703。此時位置偏移量的推定要滿足制約條件,該制約條件對應位置偏移推定設定量704所設定的學習步驟。
學習經過顯示部705,將學習時機率分佈403、位置偏移反映後學習時機率分佈407、推定位置偏移量703加以可見化之後的結果,分別針對每個學習步驟進行紀錄,並顯示於GUI。
位置偏移推定設定量更新部706,是使用者可基於學習經過顯示部705的顯示結果更新位置偏移推定設定量704,使機率分佈的學習安定化,並以更新後之位置偏移推定設定量704再次實施學習處理。
圖8係表示本實施例之位置偏移推定設定量704之一例的圖。
位置偏移推定設定量704,是依據有沒有對應學習步驟的位置偏移量反映處理,或者設定推定位置偏移量的大小上限,藉此在學習時機率分佈403無法充分表現電路圖案的學習初期,阻止推定位置偏移量703成為超過圖像尺寸的龐大向量。再者,於如圖1A所示的重複圖案電路中,並不預測偏移了一個週期的位置偏移量。
藉由此等動作,本發明所實施的學習會將位置偏移反映後機率分佈最佳化,進而可使機率分佈推定模型的學習安定化。
圖8所示的例子是設定如下:在學習步驟數0至400之間,並不進行位置偏移反映部406的處理。此時,在所有像素中,推定位置偏移量的向量範數都是0。再者,於學習步驟數400至1000之間,將推定位置偏移量的範數限制為2像素,於學習步驟數1000至10000之間,將推定位置偏移量的範數限制為5像素,於學習步驟數10000以上則解除對推定位置偏移量之範數的限制。
尤其在學習初期,位置偏移量推定的精確度會降低,機率分佈推定模型的學習並不安定,因此推薦隨著學習步驟數的增加來放寬制約。圖8所示的位置偏移推定設定量是一個例子,制約內容或參數值是因應做為學習對象之試料的電路尺寸或電路圖案形狀、位置偏移量的推定方法而決定,但並不限定於此。
圖9係表示本實施例之學習處理部701之處理動作的流程圖。說明與圖5所示實施例1的不同點。
在步驟S903中,位置偏移量推定部702會接收位置偏移推定設定量704的輸入。
在步驟S904中,構成學習處理部701的位置偏移量推定部702,從學習時機率分佈403與被輸入之學習用攝像圖像302,推定學習時機率分佈403與學習用攝像圖像302之間的位置偏移量。
此時位置偏移量的推定要滿足制約條件,該制約條件被設定於位置偏移推定設定量704。更具體來說,可舉出以下方法:在圖5的步驟S503如之前所述,關於機率分佈R與攝像圖像I、位置偏移反映處理函數f、推定位置偏移量D、評價機率分佈R與攝像圖像I之差的距離函數d,以動態規劃法等來解附加制約的最佳化問題,而解決將評價函數d(R,f(I,D))所計算之評價值加以最小化的問題,其中該制約的條件被設定於位置偏移推定設定量704。
在步驟S905中,位置偏移量推定部702會評價以步驟S904所推定之位置偏移量,判斷該評價值是否滿足評價標準,當滿足評價標準時(是)則輸出推定位置偏移量703。當不滿足評價標準時(否),則回到步驟S904,再次執行步驟904的處理。
關於評價值可舉出函數的值,該函數評價以前述之距離函數d所計算之機率分佈與攝像圖像的差。評價標準可舉出以下內容;若評價值愈小則攝像圖像愈依循機率分佈,標準是指定值以下;若評價值愈大則攝像圖像愈依循機率分佈,標準是指定值以上;從步驟S904前往實施步驟S905之處理達到指定次數以上;還有,被設定於位置偏移推定設定量704的制約條件達到規定數字以上。
在步驟S909中,學習處理部701,將學習經過綁定學習步驟數,保存於RAM、外部記憶裝置或儲存器,並輸出至學習經過顯示部705的GUI而提示給使用者,其中學習經過包含:步驟S902所推定之學習時機率分佈403、步驟S904所推定之推定位置偏移量703、步驟S906所算出之位置偏移反映後學習時機率分佈407。
此時,學習時機率分佈403、推定位置偏移量703、位置偏移反映後學習時機率分佈407,會被轉換為使用者可辨認的形式而顯示於GUI。
例如,機率分佈可以顯示為圖像,該圖像將對應各像素之參數值分別作為亮度值。再者,將對應之學習用設計資料301或學習用攝像圖像302加以重疊顯示,藉此顯示出來的形式可確認機率分佈是否為適合檢查的機率分佈。
當位置偏移量為向量形式的情況下,位置偏移量可以顯示為圖像,該圖像針對各像素或以規定之像素間隔,將向量範數與表示方向的箭頭描繪出來。再者,可以轉換為以明度為向量範數、以色相為方向的HSV色彩空
間彩色圖像來顯示。當位置偏移量可定型化,其參數為數值形式的情況下,可以將學習步驟做為橫軸、數值做為縱軸而顯示成圖表,也可以直接以文字列來顯示數值。
圖10係表示學習經過顯示部705及位置偏移推定設定量更新部706之GUI畫面的一例。
圖10所示的GUI1000,由推論結果選擇部1001、推論圖像顯示部1002、顯示步驟數選擇部1003、座標-放大倍率設定部1004、位置偏移推定設定量輸入部1005、位置偏移推定設定量決定部1006所構成。以構成GUI1000之各部所進行的使用者輸入操作,是使用滑鼠、鍵盤、觸控平板等來進行。
推論結果選擇部1001,是從學習處理部701在步驟S909所保存的學習經過中選擇任一個以上並顯示於推論圖像顯示部1002,該學習經過包含學習時機率分佈403、推定位置偏移量703、位置偏移反映後學習時機率分佈407。
推論圖像顯示部1002,是針對推論結果選擇部1001所選擇之學習經過,將後述之顯示步驟數選擇部1003所指定之學習步驟數所造成的結果,以圖像或圖表來顯示。在此舉出一個圖像的例子,但也可並排顯示多個圖像或圖表。
顯示步驟數選擇部1003,可以將顯示於推論圖像顯示部1002之學習經過的學習步驟數加以變更,並切換圖像或圖表。
座標-放大倍率設定部1004,可以變更所顯示之圖像或圖表的顯示倍率或位置。
位置偏移推定設定量輸入部1005,是針對被輸入至位置偏移量推定部702之位置偏移推定設定量704來顯示其各個項目,使用者可以用鍵盤輸入或下拉式選單來指定其數值參數或內容。
位置偏移推定設定量決定部1006進行處理,並更新位置偏移推定設定量704的內容,該處理是被將輸入到位置偏移推定設定量輸入部1005的內容輸入至圖7的位置偏移推定設定量更新部706。更新處理之後,再次實施圖7之學習處理部701的學習處理。
若依本實施例,以位置偏移量推定部702推定時,所推定的位置偏移量要滿足被設定於位置偏移推定設定量704的制約條件,藉此可使學習初期階段之機率分佈推定模型的學習安定化。
做為適用本實施例的例子,是於如圖1A所示的重複圖案電路中,推定偏移了一個週期的過度位置偏移量。再者,直線狀圖案並排的線寬與間距(line and space)電路中,有時要推定不在線圖案之延伸方向上的位置偏移量。在這些情況下,於對應設計資料之位置上有時無法正常學習攝像圖像之像素值的機率分佈,但藉由適用本實施例,可以防止推定出過剩或不存在的位置偏移量,而可穩定學習攝像圖像之像素值的機率分佈。
實施例3
參照圖11至圖13,說明有關本發明實施例3之圖像檢查裝置及使用該裝置的圖像處理方法。
圖11係表示本發明實施例3之學習處理部1101之結構的功能方塊圖。
本實施例之學習處理部1101,相當於上述實施例2(圖7)中的學習處理部701,但不同點是在位置偏移量推定部1102中,使用以機械學習所生成的位置偏移量推定模型,來推定學習時機率分佈403與學習用攝像圖像302之間的位置偏移。
再者,不同點在於模型評價部1104中,除了評價機率分佈推定模型還評價位置偏移量推定模型,並按照評價值來算出位置偏移量推定模型的更新量,按照更新量來更新位置偏移量推定模型的參數。
如圖11所示,本實施例的學習處理部1101,由機率分佈推定部402、位置偏移量推定部1102、位置偏移反映部406、模型評價部1104、學習經過顯示部705及位置偏移推定設定量更新部706所構成;當規定之學習處理結束時則輸出模型資料1108,容納於RAM、外部記憶裝置,或者經由網路連接等容納於雲端儲存器。以下說明與實施例1及實施例2的不同點。
位置偏移量推定部1102,是使用以機械學習所做成的位置偏移量推定模型,推定以機率分佈推定部402所推定之學習時機率分佈403與學習用攝像圖像302之間的位置偏移量,並輸出推定位置偏移量1103。此時位置偏移量的推定要滿足制約條件,該制約條件對應被設定於位置偏移推定設定量1107(相當於圖7之位置偏移推定設定量704)的學習步驟。
推定位置偏移量的位置偏移量推定模型,例如使用U-Net等編碼-解碼器型的CNN或具有其他構造的CNN,但並不限定於CNN。
模型評價部1104,使用學習用攝像圖像302與位置偏移反映後學習時機率分佈407,來評價機率分佈推定部402的機率分佈推定模型,並按照評價值來算出前述機率分佈推定模型的更新量,按照更新量來更新機率分佈推定模型的參數(機率分佈推定模型參數更新量1105)。再者,評價位置偏移量推定部1102之位置偏移量推定模型,並按照評價值來算出位置偏移量推定模型的更新量,按照更新量來更新位置偏移量推定模型的參數(位置偏移量推定模型參數更新量1106)。此時所算出的參數更新量,使學習用攝像圖像302的像素值更好地依循位置偏移反映後學習時機率分佈407。
圖12係表示本實施例之學習處理部1101之處理動作的流程圖。說明與圖9所示實施例2的不同點。
在步驟S1203中,學習處理部1101會接收位置偏移推定設定量1107的輸入。位置偏移推定設定量1107相當於圖7之位置偏移推定設定量704,除了圖8所示的制約條件例子之外,在後述之步驟S1208中,對於評價位置偏移量推定部1102之位置偏移量推定模型所用的誤差函數及損失函數,可以設定追加制約。
在步驟S1204中,構成學習處理部1101的位置偏移量推定部1102,使用學習時機率分佈403與學習用攝像圖像302之間的位置偏移量來推定出位置偏移量推定模型,並推定出推定位置偏移量1103。
此時位置偏移量的推定要滿足制約條件,該制約條件被設定於位置偏移推定設定量1107。舉例,在指定有推定位置偏移量之範數上限值的情況下,將使位置偏移量之範數成為指定上限值以下的激活函數,用於推定出位置偏移量推定模型。
在步驟S1208中,構成學習處理部1101的模型評價部1104,是使用被輸入的學習用攝像圖像302與位置偏移反映後學習時機率分佈407,評價位置偏移量推定部1102之位置偏移量推定模型的誤差函數或損失函數。
位置偏移量推定模型的誤差函數或損失函數,可例舉如下:位置偏移反映後學習時機率分佈407對學習用攝像圖像302的負對數似然度,或者從位置偏移反映後學習時機率分佈407取樣之圖像與學習用攝像圖像302之像素值的絕對誤差或平方誤差等等。再者,可舉出被設定於位置偏移推定設定量1107的追加誤差函數及損失函數,例如在推定位置偏移量之範數超過指定值的情況下,可舉出以下做法:使用函數減少推定位置偏移量的範數,該函數評價該範數與該指定值的差。此時,模型評價部1104也使用推定位置偏移量1103來進行位置偏移量推定模型的評價。
在步驟S1209中,模型評價部1104基於步驟S1208中的評價結果,算出位置偏移量推定模型之參數的更新量,並按照更新量來更新參數,使得位置偏移量推定部1102之位置偏移量推定模型的誤差函數或損失函數變小。此更新,例如以機率梯度下降法來進行。
在步驟S1211中,學習處理部1101判斷是否達到學習結束條件,若判定達到學習結束條件(是)則前往步驟S1212,學習處理部1101會將機率分佈推定部402之模型資料1108加以保存,結束學習處理,該模型資料1108包含有機率分佈推定模型的參數、位置推移量推定部1102之位置偏移量推定模型的參數。另一方面,當判定未達到學習結束條件(否),則回到步驟S1201,再次執行步驟S1201以下的處理。
學習結束條件可舉出以下條件:從步驟S1201到步驟S1210為止的處理,是否重複了一定次數以上;或者以步驟S1206所求出之機率分佈推定模型的誤差函數值及以步驟S1208所求出之位置偏移量推定模型的誤差函數值,即使從步驟S1201到步驟S1210為止的處理重複了一定次數仍沒有變小,而判斷機率分佈推定部402之機率分佈推定模型及位置偏移量推定部1102之位置偏移量推定模型的學習已經收斂。
圖13係表示本實施例之檢查處理部307B之處理動作的流程圖。說明與實施例1(圖6)的不同點。
如圖13所示,在步驟S1301中,檢查用攝像圖像306、檢查用設計資料305、模型資料1108會被輸入至檢查處理部307B,該模型資料1108包含以學習處理部1101所學習之機率分佈推定模型的參數與位置偏移量推定模型的參數。
在步驟S1303中,檢查處理部307B以被輸入之模型資料1108所包含的位置偏移量推定模型,推定出步驟S1302所推定之機率分佈與檢查用攝像圖像306之間的位置偏移。
像這樣對位置偏移量推定模型使用機械學習的情況,藉由改變位置偏移量推定模型的結構,會犧牲推定精確度,但優點是可減少計算機實施學習處理或檢查處理時的計算機記憶體使用量或運算時間。藉由改變位置偏移量推定模型之結構來減少運算時間的方法,可例舉出減少CNN中所使用之卷積層的通道數,或減少層數。
如以上所說明,若依據本實施例,除了實施例1及實施例2的效果之外,藉由改變位置偏移量推定模型的結構,但可減少計算機實施檢查時的計算機記憶體使用量或運算時間。
另外,本發明並不限定於上述的實施例,並包含各種變形例。例如,上述實施例是為了清楚說明本發明而進行詳細說明,但並不限定於要具備說明過的所有結構。再者,可將某實施例的一部份結構替換為其他實施例的結構,再者,也可在某實施例的結構中加入其他實施例的結構。再者,對各個實施例的一部份結構,追加、刪除、替換為其他結構。
101:設計資料
102:攝像圖像
301:學習用設計資料
302:學習用攝像圖像
303,401,701,1101:學習處理部
304,410,1108:模型資料
305:檢查用設計資料
306:檢查用攝像圖像
307,307A,307B:檢查處理部
308:檢查結果
402:機率分佈推定部
403:學習時機率分佈
404,702,1102:位置偏移量推定部
405,703,1103:推定位置偏移量
406:位置偏移反映部
407:位置偏移反映後學習時機率分佈
408,1104:模型評價部
409:模型參數更新量
704,1107:位置偏移推定設定量
705:學習經過顯示部
706:位置偏移推定設定量更新部
1000:圖形使用者介面,GUI
1001:推論結果選擇部
1002:推論圖像顯示部
1003:顯示步驟數選擇部
1004:座標-放大倍率設定部
1005:位置偏移推定設定量輸入部
1006:位置偏移推定設定量決定部
1105:機率分佈推定模型參數更新量
1106:位置偏移量推定模型參數更新量
[圖1A]係表示設計資料之一例的圖。
[圖1B]係表示攝像圖像之一例的圖。
[圖1C]係表示設計資料與攝像圖像之間的位置偏移之一例的圖。
[圖2A]係表示學習資料所包含之設計資料與攝像圖像之間的位置偏移,造成不均加大之機率分佈之一例的圖。
[圖2B]係表示以有關本發明一個實施例之學習處理部所學習的模型,所推定出的機率分佈之一例的圖。
[圖3]係表示有關本發明一個實施例之檢查裝置之整體結構例的功能方塊圖。
[圖4]係表示有關實施例1之學習處理部之結構的功能方塊圖。
[圖5]係表示有關實施例1之學習處理部之處理動作的流程圖。
[圖6]係表示有關實施例1之檢查裝置之檢查處理部之處理動作的流程圖。
[圖7]係表示有關實施例2之學習處理部之結構的功能方塊圖。
[圖8]係表示有關實施例2之位置偏移推定設定量之一例的圖。
[圖9]係表示有關實施例2之學習處理部之處理動作的流程圖。
[圖10]係表示有關實施例2之學習經過顯示部及位置偏移推定設定量更新部之GUI畫面之一例的圖。
[圖11]係表示有關實施例3之學習處理部之結構的功能方塊圖。
[圖12]係表示有關實施例3之學習處理部之處理動作的流程圖。
[圖13]係表示有關實施例3之檢查裝置之檢查處理部之處理動作的流程圖。
301:學習用設計資料
302:學習用攝像圖像
401:學習處理部
402:機率分佈推定部
403:學習時機率分佈
404:位置偏移量推定部
405:推定位置偏移量
406:位置偏移反映部
407:位置偏移反映後學習時機率分佈
408:模型評價部
409:模型參數更新量
410:模型資料
Claims (10)
- 一種圖像檢查裝置,是使用試料之設計資料與前述試料之攝像圖像,來檢查前述攝像圖像,其特徵為具備:學習處理部,學習機率分佈推定模型,該機率分佈推定模型是從前述設計資料推定前述攝像圖像之像素值的機率分佈;以及檢查處理部,使用前述學習處理部所做成的前述機率分佈推定模型、檢查用設計資料、檢查用攝像圖像,來檢查前述檢查用攝像圖像,前述學習處理部具有:機率分佈推定部,從試料之學習用設計資料,來推定前述試料之學習用攝像圖像之像素值的機率分佈;位置偏移量推定部,推定以前述機率分佈推定部所推定之學習時機率分佈與前述學習用攝像圖像之間的位置偏移量;位置偏移反映部,將前述位置偏移量推定部所推定的推定位置偏移量,反映於前述學習時機率分佈;以及模型評價部,使用前述位置偏移反映部所算出之位置偏移反映後學習時機率分佈、前述學習用攝像圖像,來評價前述機率分佈推定部的前述機率分佈推定模型,並按照評價值來更新前述機率分佈推定模型的參數。
- 如請求項1記載的圖像檢查裝置,其中具有位置偏移推定設定量的輸入,該位置偏移推定設 定量藉由位置偏移量的制約使攝像圖像之像素值之機率分佈的學習安定化,該位置偏移量的制約包含以前述位置偏移量推定部所推定之前述位置偏移量的最大值並且對應學習步驟數。
- 如請求項2記載的圖像檢查裝置,其中具有:學習經過顯示部,將前述學習時機率分佈、前述位置偏移反映後學習時機率分佈、前述推定位置偏移量加以可見化之後的結果,分別針對每個學習步驟進行紀錄,並顯示於使用者圖形介面(GUI);以及位置偏移推定設定量更新部,使用者可基於前述學習經過顯示部的顯示結果,更新前述位置偏移推定設定量。
- 如請求項1記載的圖像檢查裝置,其中前述位置偏移量推定部,是使用以機械學習所做成之位置偏移量推定模型,推定前述學習時機率分佈與前述學習用攝像圖像之間的前述位置偏移量。
- 如請求項4記載的圖像檢查裝置,其中前述模型評價部,是分別評價前述機率分佈推定模型與前述位置偏移量推定模型,並按照評價值分別更新前述機率分佈推定模型的參數與前述位置偏移量推定模型的參數。
- 一種圖像處理方法,會學習模型,該模型是使用試料之設計資料與前述試料之攝像圖像來推定前述攝像圖像之像素值的機率分佈,其特徵為具有: (a)步驟,從試料之學習用設計資料,推定試料之學習用攝像圖像之像素值的學習時機率分佈;(b)步驟,推定以前述(a)步驟所推定之學習時機率分佈與前述學習用攝像圖像之間的位置偏移量;(c)步驟,將前述(b)步驟所推定的推定位置偏移量,反映於前述學習時機率分佈;以及(d)步驟,使用前述(c)步驟所算出之位置偏移反映後學習時機率分佈、前述學習用攝像圖像,來評價以前述(a)步驟所推定的機率分佈推定模型,並按照評價值來更新前述機率分佈推定模型的參數。
- 如請求項6記載的圖像處理方法,其中前述(b)步驟中具有位置偏移推定設定量的輸入,該位置偏移推定設定量藉由位置偏移量的制約使攝像圖像之像素值之機率分佈的學習安定化,該位置偏移量的制約包含所推定之位置偏移量的最大值並且對應學習步驟數。
- 如請求項7記載的圖像處理方法,其中將前述學習時機率分佈、前述位置偏移反映後學習時機率分佈、前述推定位置偏移量加以可見化之後的結果,分別針對每個學習步驟進行紀錄,並顯示於使用者圖形介面(GUI);使用者可基於前述使用者圖形介面的顯示結果,更新前述位置偏移推定設定量。
- 如請求項6記載的圖像處理方法,其中前述(b)步驟中,是使用以機械學習所做成之位置偏 移量推定模型,推定前述學習時機率分佈與前述學習用攝像圖像之間的位置偏移量。
- 如請求項9記載的圖像處理方法,其中前述(d)步驟中,分別評價前述機率分佈推定模型與前述位置偏移量推定模型,並按照評價值分別更新前述機率分佈推定模型的參數與前述位置偏移量推定模型的參數。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/JP2021/048757 WO2023127081A1 (ja) | 2021-12-28 | 2021-12-28 | 画像検査装置、画像処理方法 |
WOPCT/JP2021/048757 | 2021-12-28 |
Publications (2)
Publication Number | Publication Date |
---|---|
TW202326533A TW202326533A (zh) | 2023-07-01 |
TWI827393B true TWI827393B (zh) | 2023-12-21 |
Family
ID=86998394
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW111147553A TWI827393B (zh) | 2021-12-28 | 2022-12-12 | 圖像檢查裝置,圖像處理方法 |
Country Status (2)
Country | Link |
---|---|
TW (1) | TWI827393B (zh) |
WO (1) | WO2023127081A1 (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190303717A1 (en) * | 2018-03-28 | 2019-10-03 | Kla-Tencor Corporation | Training a neural network for defect detection in low resolution images |
WO2020250373A1 (ja) * | 2019-06-13 | 2020-12-17 | 株式会社日立ハイテク | 画像処理プログラム、画像処理装置および画像処理方法 |
WO2021255819A1 (ja) * | 2020-06-16 | 2021-12-23 | 株式会社日立ハイテク | 画像処理方法、形状検査方法、画像処理システム及び形状検査システム |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9916965B2 (en) * | 2015-12-31 | 2018-03-13 | Kla-Tencor Corp. | Hybrid inspectors |
US11580398B2 (en) * | 2016-10-14 | 2023-02-14 | KLA-Tenor Corp. | Diagnostic systems and methods for deep learning models configured for semiconductor applications |
JP7002949B2 (ja) * | 2018-01-22 | 2022-01-20 | 株式会社日立ハイテク | 画像評価方法及び画像評価装置 |
JPWO2020121739A1 (ja) * | 2018-12-11 | 2021-11-04 | Tasmit株式会社 | 画像マッチング方法、および画像マッチング処理を実行するための演算システム |
JP2020123064A (ja) * | 2019-01-29 | 2020-08-13 | Tasmit株式会社 | 画像マッチング判定方法、画像マッチング判定装置、および画像マッチング判定方法をコンピュータに実行させるためのプログラムを記録したコンピュータ読み取り可能な記録媒体 |
-
2021
- 2021-12-28 WO PCT/JP2021/048757 patent/WO2023127081A1/ja unknown
-
2022
- 2022-12-12 TW TW111147553A patent/TWI827393B/zh active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190303717A1 (en) * | 2018-03-28 | 2019-10-03 | Kla-Tencor Corporation | Training a neural network for defect detection in low resolution images |
WO2020250373A1 (ja) * | 2019-06-13 | 2020-12-17 | 株式会社日立ハイテク | 画像処理プログラム、画像処理装置および画像処理方法 |
WO2021255819A1 (ja) * | 2020-06-16 | 2021-12-23 | 株式会社日立ハイテク | 画像処理方法、形状検査方法、画像処理システム及び形状検査システム |
Also Published As
Publication number | Publication date |
---|---|
TW202326533A (zh) | 2023-07-01 |
WO2023127081A1 (ja) | 2023-07-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10937146B2 (en) | Image evaluation method and image evaluation device | |
KR102513717B1 (ko) | 픽셀 레벨 이미지 정량화를 위한 딥 러닝 기반 결함 검출 및 분류 스킴의 사용 | |
JP5695924B2 (ja) | 欠陥推定装置および欠陥推定方法並びに検査装置および検査方法 | |
JP5081590B2 (ja) | 欠陥観察分類方法及びその装置 | |
US6913861B2 (en) | Method of observing exposure condition for exposing semiconductor device and its apparatus and method of manufacturing semiconductor device | |
US8671366B2 (en) | Estimating shape based on comparison between actual waveform and library in lithography process | |
US7760347B2 (en) | Design-based method for grouping systematic defects in lithography pattern writing system | |
US8260031B2 (en) | Pattern inspection apparatus, pattern inspection method, and computer-readable recording medium storing a program | |
TWI474363B (zh) | Pattern evaluation device and pattern evaluation method | |
JP5202110B2 (ja) | パターン形状評価方法,パターン形状評価装置,パターン形状評価データ生成装置およびそれを用いた半導体形状評価システム | |
JP2017198589A (ja) | パターン検査方法及びパターン検査装置 | |
JP4585822B2 (ja) | 寸法計測方法及びその装置 | |
KR20100111620A (ko) | 포토리소그래피 마스크의 리페어 검증 방법 | |
KR20230171378A (ko) | 결함 검사 장치 | |
JP2011085536A (ja) | レビュー装置および検査装置システム | |
TWI827393B (zh) | 圖像檢查裝置,圖像處理方法 | |
JP4870704B2 (ja) | パターン検査装置及びパターン検査方法 | |
JP6368081B2 (ja) | 計測装置 | |
JP6259642B2 (ja) | 計測装置 | |
KR20240091149A (ko) | 화상 검사 장치, 화상 처리 방법 | |
JP4772815B2 (ja) | 補正パターン画像生成装置、パターン検査装置および補正パターン画像生成方法 | |
WO2021260765A1 (ja) | 寸法計測装置、半導体製造装置及び半導体装置製造システム | |
US20080244308A1 (en) | Defect inspection apparatus, defect inspection program, recording medium storing defect inspection program, figure drawing apparatus and figure drawing system | |
TWI600898B (zh) | 資料修正裝置、描繪裝置、檢查裝置、資料修正方法、描繪方法、檢查方法及記錄有程式之記錄媒體 | |
JP2016035539A (ja) | 位置測定方法、位置ずれマップの作成方法および検査システム |