WO2005100962A1 - 分類装置及び分類方法 - Google Patents

分類装置及び分類方法 Download PDF

Info

Publication number
WO2005100962A1
WO2005100962A1 PCT/JP2005/007228 JP2005007228W WO2005100962A1 WO 2005100962 A1 WO2005100962 A1 WO 2005100962A1 JP 2005007228 W JP2005007228 W JP 2005007228W WO 2005100962 A1 WO2005100962 A1 WO 2005100962A1
Authority
WO
WIPO (PCT)
Prior art keywords
image
classification
category
classification device
area
Prior art date
Legal status (The legal status 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 status listed.)
Ceased
Application number
PCT/JP2005/007228
Other languages
English (en)
French (fr)
Inventor
Yamato Kanda
Susumu Kikuchi
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Olympus Corp
Original Assignee
Olympus Corp
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 Olympus Corp filed Critical Olympus Corp
Priority to CN2005800109520A priority Critical patent/CN1942757B/zh
Priority to US11/546,479 priority patent/US20070025611A1/en
Publication of WO2005100962A1 publication Critical patent/WO2005100962A1/ja
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/47—Scattering, i.e. diffuse reflection
    • G01N21/4788—Diffraction
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • G01N21/9501—Semiconductor wafers
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • G01N21/956—Inspecting patterns on the surface of objects

Definitions

  • the present invention relates to a classification device and a classification method.
  • an image of the entire wafer is taken at a low magnification of the level of the naked eye, and in the macro inspection defect classification for a wide range of defects such as poor resolution, film unevenness, scratches, and foreign matter, multiple images are included in the image.
  • a defect may be present, and this corresponds to the above-mentioned "when there are a plurality of targets to be classified in the processed image".
  • the macroscopic examination and analysis of the subject has advantages such as obtaining a weak result in local examination and analysis and processing the same range at a higher speed. It is an effective method in various fields.
  • Japanese Patent Application Laid-Open No. 2003-168114 by the present inventor discloses a configuration related to a defect classification apparatus for macro inspection for a semiconductor wafer or the like.
  • An inspection image 800 (FIG. 18A) obtained by imaging the entire surface of the subject generally includes defective resolution 801, unevenness 802, scratches 803, and the like.
  • the difference image 860 (FIG. 18 (C)) is obtained by comparing such an inspection image 800 with the non-defective image 850 (FIG. 18 (B)).
  • a defect region extraction image 870 in which defect regions 871 to 873 are extracted is obtained.
  • a printed matter inspection device described in Japanese Patent Application Laid-Open No. 2001-225453 discloses a configuration of a device that determines the type of a defect based on an image and emits an alarm sound according to the type! When two or more defect types are detected, only a warning is issued that the defect is a compound defect, and no information on the defect type is output.
  • the present invention has been made to solve the above-described problem, and an object of the present invention is to output a classification result representing a classification result of each object from an image in which a plurality of classification objects exist. It is an object of the present invention to provide a classification device and a classification method that can perform the classification.
  • a first invention is a classification device, which is a region extraction means for extracting a plurality of regions from an image, and classifies each of the extracted regions into a predetermined category. Classification means, and a representative force in the entire image based on the classification result of each region in the image. Representative category determining means for determining a category.
  • the representative category indicates a value indicating an existence ratio of each area in the image and reliability of a classification result of each area.
  • the value is determined using at least one of the priority of each category.
  • a third invention is the classification device according to the second invention, wherein the value indicating the existence ratio of each region includes a number of regions for each category in the image, a total area for each category, It is represented by at least one of the number of occupied sections for each category when the image is divided into sections of arbitrary size.
  • the value indicating the reliability is calculated based on a distance in the feature amount space used for the classification.
  • the plurality of classification target regions are defect regions when an image of the surface of the subject is imaged.
  • the priority is set according to a criticality of the defective area.
  • a seventh invention is the classification device according to any one of the first to sixth inventions, wherein the subject is a semiconductor wafer or a flat panel display substrate.
  • the image is an interference image or a diffraction image of the surface of the subject.
  • a display capable of switching and displaying a category of each detected area and a representative category in the entire image is provided. Means are further provided.
  • an image to be processed is displayed together with the display of the force category on the display means.
  • the extraction area or the outline of the extraction area is displayed in a color-coded manner for each category with respect to the image to be processed.
  • a step of extracting a plurality of regions from an image, a step of classifying each of the extracted regions into a predetermined category, and a step of classifying each region in the image are performed. And determining a representative category in the entire image.
  • FIG. 1 is a diagram showing a configuration of a defect classification device according to one embodiment of the present invention.
  • FIG. 2 is a diagram for explaining a first method of extracting a defective area.
  • FIG. 3 is a diagram for explaining a second method of defect area extraction.
  • FIG. 4 is a diagram showing an example of a region connection process using a morphological process (closing process).
  • FIG. 5 is a diagram showing an example of a membership function.
  • FIG. 6 is a diagram for explaining the principle of defect type discrimination by a classification rule using a membership function.
  • FIG. 7 is a diagram for explaining the principle of defect type discrimination by the k-nearest neighbor method.
  • FIG. 8 is a diagram for explaining the principle of defect type discrimination based on a distance from a representative point of the teacher data distribution.
  • FIG. 9 is a diagram showing a table of classification result data for each area.
  • FIG. 10 is a view showing a table of classification result data of defect types.
  • FIG. 11 is a diagram for explaining a difference between a judgment result of a person on an inspection image and a judgment result based on the number of areas or a judgment result based on an area area.
  • FIG. 12 is a view showing the state of the occupied section due to the scratches 200 and unevenness 201 in FIG. 11 (A).
  • FIG. 13 is a diagram showing a result of selecting a region having a high reliability index value in a table of classification result data by region.
  • FIG. 14 is a table of defect type classification result data based on the region selected in FIG.
  • FIG. 15 is a display screen displaying representative defect type information and an inspection image.
  • FIG. 16 is a display screen displaying a detailed classification result of slot03 in FIG.
  • FIG. 17 is a flowchart for explaining a processing flow of the defect classification device of the present embodiment.
  • FIG. 18 is a diagram for explaining the principle of a conventional defect classification method.
  • FIG. 19 is a diagram showing an example of feature amounts and classification rules calculated for each defect area. is there.
  • the present invention is applied to a defect classification apparatus used for macro inspection of a semiconductor wafer or a flat panel display substrate.
  • the present invention is not limited to this.
  • a plurality of types of cells are classified.
  • the present invention is also applicable to the use of displaying a representative result.
  • FIG. 1 is a diagram showing a configuration of a defect classification device according to one embodiment of the present invention.
  • the defect classifier includes an illuminator 101 for illuminating an object 112, a band-pass filter 102 for limiting the wavelength of illumination light from the illuminator 101, and a lens for imaging reflected light from the object 112.
  • a CCD camera 104 for converting the formed subject image into an electric signal
  • an image input board 105 for capturing a signal from the CCD camera 104 as an image, holding of image data
  • a memory 106 for use in processing
  • an area extracting means 107 for extracting a defect area to be classified from an image
  • a classifying means 108 for classifying each extracted defect area into a predetermined defect type (or grade or the like).
  • a representative category determining means 109 for determining a representative category in the entire image based on the classification result of each region, a display means 110 for displaying the classification result, and various settings required for each of the above-described means.
  • To set Input means 111 and the force is also constructed.
  • the memory 106 is a memory in the PC 120
  • the area extracting means 107, the classifying means 108, and the representative category determining means 109 are the CPU in the PC 120
  • the display means 110 is a monitor
  • the input means 111 is a keyboard. And so on.
  • the defect classifying apparatus irradiates the object 112 with the light of the illuminator 101 whose wavelength is limited by the band-pass filter 102.
  • the diffracted light (or interference light) that also reflects the surface force of the test object 112 is imaged by the lens 103, and is converted into an electric signal by the CCD force camera 104.
  • the reason why the diffracted light (or the interference light) is obtained is to sufficiently image defects such as poor resolution, film unevenness, scratches, and foreign matter, which are the targets of the macro inspection of the semiconductor wafer.
  • image defects such as poor resolution, film unevenness, scratches, and foreign matter
  • the film unevenness changes the thickness of a transparent resist material, so that it is easy to form an image by obtaining interference light having a light amount difference corresponding to the resist thickness.
  • the electric signal from the CCD camera 104 is digitized through the image input board 105, and is taken into the operation memory 106. This is the test image 133 ((A) in FIG. 2) of the subject.
  • the area extracting means 107 extracts a defective area from the acquired inspection image 133.
  • a threshold is set for the luminance range of the non-defective level with respect to the inspection image 133, and a region of pixels having a luminance exceeding the threshold is extracted as the defect extraction image 140 (see FIG. B)).
  • the threshold indicating the luminance range of the non-defective level may be set in advance in the PC 120 or may be determined adaptively based on the luminance histogram in the image (The University of Tokyo Press: Image Analysis node book: Mikio Takagi, Hirohisa Shimoda, supervision: 502P, binarization).
  • a non-defective wafer image 850 as shown in FIG. 18B (or an image 150 of a certain section which becomes a non-defective product as shown in the upper part of FIG. 3A) is held.
  • this image is aligned with the inspection image 133 (or the corresponding section in the inspection image) as shown in FIG. 3A, and the luminance difference between the overlapping pixels is calculated to obtain the difference image 160 (( B)) is created, and a defect area is extracted using the difference image 160 by the same threshold processing as in the first method.
  • the classifying means 108 classifies each defective area. The classification procedure will be described below.
  • Procedure 1 Calculate the feature amount for each extracted defect area.
  • the same defect may be divided and extracted when extracting a region due to the influence of a base pattern, a dicing line, or the like. Therefore, if necessary, morphological processing ((reference): Corona: Morphology: written by Hidefumi Obata) is performed to connect the areas, and then the feature values are calculated.
  • morphological processing (reference): Corona: Morphology: written by Hidefumi Obata) is performed to connect the areas, and then the feature values are calculated.
  • FIGS. 4A and 4B show one example of a region connection process using a morphological process (closing process). An example is shown.
  • the continuous resolution failure 170 and unevenness 171 shown in FIG. 4A are converted into connection defect areas 170-1 and 171-1 as shown in FIG. 4B by the area connection processing.
  • the feature amount includes a size, a shape, a position, a luminance, and a texture of an area alone, and an arrangement structure of a plurality of areas.
  • the feature amount in the macro inspection is disclosed in Japanese Patent Application Laid-Open No. 2003-168114 by the present inventor. It should be noted that the above-described method of extracting a region and the method of calculating a feature amount are changed according to the classification target, and do not limit the content of the present invention.
  • Step 2 A predetermined classification rule is applied to the calculated feature amount to determine the category of each region.
  • an example using the IF-THEN rule in fuzzy inference as a classification rule is shown. in this case,
  • the relationship between the feature value and the defect type is expressed in IF-THEN format based on human knowledge, as in.
  • the relationship between the labels such as “large” and “small” and the actual values for the degree of each feature used in the above rule is set by a membership function as shown in FIG. 5, and these are set.
  • the type of defect in each area is determined.
  • the horizontal axis is the area
  • the vertical axis is the fitness.
  • Relevance is a value that indicates how much a given feature value matches the target label.
  • FIG. 6 is a diagram for explaining the principle of defect type discrimination based on a classification rule using a membership function.
  • Rule (1) is a rule indicating the feature value for unevenness.
  • certainty is defined as a value indicating the reliability of such a discrimination result by a numerical value of 0 to 1, and between the degree of conformity to the IF clause and the certainty is determined according to the content of the THEN clause.
  • the certainty factor of poor resolution 0.6 from the rule (2)
  • the certainty factor of the defect 0.7 from the rules (3) and (4). Note that using the minimum value of the fitness for each feature value as the fitness of the entire IF clause, or using the maximum value for the confidence of the overlapping rule for each defect type is only an example. Is also conceivable.
  • the region X is finally determined to be flawed (certainty factor: 0.7).
  • Step 2 ′ The type of defect in each region is determined based on the relationship between the calculated feature amount and the teacher data in the feature amount space.
  • the teacher data is a set of features and information on correct defect types, and is prepared in advance.
  • FIG. 7 is a diagram for explaining the principle of defect type determination by the k-nearest neighbor method, which is one of the methods for performing classification using teacher data.
  • ⁇ , ⁇ , and mouth indicate the positions in the feature amount space of the teacher data of unevenness, scratches, and poor resolution, respectively.
  • P is the position in the feature space of the region to be classified.
  • v lm is the (l, m) element of the inverse matrix V ⁇ 1 of the variance-covariance matrix V of the entire teacher data.
  • This distance is a distance in a space in which the influence of the variance of the entire distribution of the teacher data is normalized.
  • w 1 is the weighting factor for feature 1 (pre-set).
  • a method other than the k-nearest neighbor method as shown in FIG. 8, there is a method of classifying based on the distance from a representative point (for example, the center) of the teacher data distribution for each defect type.
  • the value of the feature 1 (L) (1 ⁇ 1 (L) ⁇ N) at the representative point is calculated by the following formula, the above distance calculation is performed, and the defect type having the closest distance is classified.
  • the computational load increases as the number of features (the number of dimensions) increases. It is also possible to determine a method for calculating a feature amount, perform a feature amount reduction process based on the determined feature amount, and then calculate the distance.
  • FIG. 9 is a table of the area-based classification result data.
  • the number of occupied sections in the table is the number of sections where defective areas overlap when the image is divided into sections of an arbitrary size. The effect of using the number of occupied partitions will be described later.
  • the reliability index value is a value of the certainty factor at the time of discrimination.
  • the average distance of teacher data plural
  • the distance to the representative point having the shortest distance is calculated. I do.
  • the confidence is used, the larger the reliability, the higher the reliability of the result.
  • the distance in the feature space is used, the smaller, the more reliable.
  • Figure 10 is a table of this classification result data.
  • the priority in the table indicates the priority level of the defect type as viewed from the user of the classification device, and is set in advance. Usually, the higher the defect type, the higher the priority. (In Fig. 10, the higher the numerical value, the higher the priority.)
  • FIG. 11A consider an image in which a large number of scratches 200 are scattered in the image and unevenness 201 is present in the area.
  • the human perceives the flaw 200 as a representative defect type in the image.
  • the scratch 200 is determined to be the representative defect type, a correct determination result is obtained.
  • FIG. 11B when processing an image as shown in FIG. 11B, a person can judge that the unevenness 201 is the representative defect type, but in the “determination of the number of regions”, the unevenness 201 occupies most of the image. Nevertheless, the representative defect type is determined to be scratch 200.
  • the unevenness 201 is a representative defect type in the image of FIG.
  • the unevenness 201 is determined to be the representative defect type, and the result is also different from the human judgment.
  • FIGS. 12A and 12B are diagrams showing the state of the occupied section due to the scratches 200 and unevenness 201 shown in FIG. 11A.
  • the section size is the exposure section size of the semiconductor wafer
  • the section size is 1/4 exposure section size. This can be arbitrarily set in advance. is there.
  • FIG. 13 shows a region in which the reliability of the result is high in the table of the classification result data by region in FIG. 9 and is shaded.
  • FIG. 14 is a table of defect type classification result data based on the region selected in FIG.
  • the above-described reliability index value is also set using the input unit 111.
  • FIG. 15 shows an example of a display screen of the representative defect types.
  • information (flaw, unevenness, poor resolution, etc.) of the representative defect type for each slot 01 to slot 25 is displayed. Further, in order to make it easy to confirm the correspondence between the classification result and the inspection image, the inspection image display section 301 displays a reduced inspection image of each slot.
  • FIG. 16 shows an example in which slot03 is specified on the display screen of FIG. 15 and the detailed classification result in slot03 is displayed.
  • FIG. 17 is a flowchart for explaining the flow of the processing of the present embodiment described above.
  • an inspection image is obtained by imaging the subject with a CCD camera (step Sl).
  • a defect area to be classified is extracted from the inspection image (step S2).
  • the feature amount of each extracted defect region is extracted (step S3), and each defect region is classified into a predetermined category based on the extracted feature amount (step S4).
  • an area with high reliability of the classification result is selected (step S5).
  • the existence ratio of each category in the image is calculated based on the information (category, area, number of occupied sections) of each area (step S6).
  • a category representing the image is determined based on the priority of each power category and the existence ratio of each category (step S7).
  • the category and the inspection image representing the image, the category of each area, and the outline of the defect area are displayed (step S8).

Landscapes

  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Immunology (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Pathology (AREA)
  • Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)
  • Image Analysis (AREA)
  • Liquid Crystal (AREA)
  • Image Processing (AREA)

Abstract

　分類装置であって、画像内より複数の領域を抽出する領域抽出手段１０７と、抽出した各領域を所定のカテゴリに分類する分類手段１０８と、画像内の各領域の分類結果を基に画像全体における代表のカテゴリを決定する代表カテゴリ決定手段１０９とを備える。

Description

明 細 書
分類装置及び分類方法
技術分野
[0001] 本発明は、分類装置及び分類方法に関するものである。
背景技術
[0002] 現在、被検体を撮像して取得した画像を用いて分類を行う装置には様々なものが ある。それらは"処理画像内に分類すべき対象が 1つしかないもの"ど'処理画像内に 分類すべき対象が複数あるもの"に分けることができる。具体例として、半導体ウェハ の製造工程で用いる欠陥分類装置を考える。
[0003] 配線パターンの異常や結晶欠陥等の微細な欠陥を対象としたミクロ検査の欠陥分 類では、予め検出した欠陥箇所を局所的に拡大撮像し、この画像を用いて対象の欠 陥の分類を行うため、前述の"処理画像内に分類すべき対象が 1つしかな 、もの"に 相当する。
[0004] 一方、裸眼レベルの低倍率でウェハ全体の画像を撮像し、解像不良、膜ムラ、キズ 、異物といった広範囲の欠陥を対象とするマクロ検査の欠陥分類では、画像内に複 数の欠陥が存在することがあり、前述の"処理画像内に分類すべき対象が複数存在 する場合"に相当する。
[0005] 後者のように、被検体をマクロ的に検査、解析することは、局所的な検査、解析では 分力もない結果を得たり、同一範囲をより高速に処理できる等のメリットがあり、様々 な分野で有効な方法である。
[0006] 本発明人による特開 2003— 168114号公報では、半導体ウェハ等を対象としたマ クロ検査の欠陥分類装置に関する構成を開示している。以下、図 18を参照してこの 欠陥分類の原理を説明する。被検体表面の全体を撮像することにより取得した検査 画像 800 (図 18の（A) )には、概して、解像不良 801、ムラ 802、キズ 803等が含まれ ている。このような検査画像 800と、良品画像 850 (図 18の（B) ) )とを比較することに より差分画像 860 (図 18の（C) )を得る。この差分画像 860に対して 2値化等の処理 を行うことにより欠陥領域 871〜873が抽出された欠陥領域抽出画像 870が得られ る。次に、抽出された各欠陥領域 871〜873の大きさ、形状、配置、輝度などに関す る特徴量（図中では仮に特徴量 1, 2, 3,…とする）を算出して図 19の (A)に示すよう な各領域毎の特徴量情報を得る。次に、この情報と図 19の (B)に示すような分類ル ール（ここでは、フアジィ理論における IF-THENルール）を用いて、各欠陥領域 871 〜873を所定の欠陥種（=カテゴリ）に分類する。その結果として、例えば、
欠陥領域 871→ムラ (確信度 : 0. 6)
欠陥領域 872→解像不良 (確信度 : 0. 9)
欠陥領域 873→キズ (確信度 : 0. 8)
のような分類結果が出力される。
発明の開示
[0007] 前記した特開 2003— 168114号公報では、画像内（= 1枚のウェハ内）に検出した 各欠陥領域の分類結果を個別に出力している。しかしながら、実際に装置を利用す る際には、
(1)重要な欠陥種（ =カテゴリ）のみを優先して確認した 、
(2)分類結果の信頼性が高！、欠陥種（ =カテゴリ）を確認した!/ヽ
(3)全体としての傾向を確認した!/ヽ
といった理由により、画像内（ウェハ内）を代表した結果を得たい場合が多々ある。こ れまで、このような課題に対し有効な解決策を示した分類装置は提案されて 、な 、。 例えば、特開 2001— 225453号公報に記載の印刷物検査装置には、画像を基に 欠陥の種類を判別して、種類に応じた警報音を発する装置の構成が示されて!/ヽるが 、 2つ以上の欠陥種を検出した際には、複合欠陥であるという警報を発するのみで、 欠陥種に関する情報は出力していない。
[0008] 本発明は、上記課題を解決するためになされたもので、その目的とするところは、複 数の分類対象が存在する画像より、個々の対象の分類結果を代表した分類結果を 出力することが可能な分類装置及び分類方法を提供することにある。
[0009] 上記の目的を達成するために、第 1の発明は、分類装置であって、画像内より複数 の領域を抽出する領域抽出手段と、前記抽出した各領域を所定のカテゴリに分類す る分類手段と、前記画像内の各領域の分類結果を基に画像全体における代表の力 テゴリを決定する代表カテゴリ決定手段と、を備える。
[0010] また、第 2の発明は、第 1の発明に係る分類装置において、前記代表のカテゴリは、 画像内での各領域の存在割合を示す値、各領域の分類結果の信頼性を示す値、各 カテゴリの優先度のうち、少なくともいずれ力 1つを用いて決定される。
[0011] また、第 3の発明は、第 2の発明に係る分類装置において、前記各領域の存在割 合を示す値は、画像内における各カテゴリ毎の領域数、各カテゴリ毎の総面積、画像 内を任意サイズで区画分割した際の各カテゴリ毎の占有区画数のうち、少なくともい ずれか 1つによって表される。
[0012] また、第 4の発明は、第 2または第 3の発明に係る分類装置において、前記信頼性 を示す値は、分類に用いた特徴量空間内の距離を基に算出される。
[0013] また、第 5の発明は、第 1〜第 4のいずれか 1つの発明に係る分類装置において、 前記複数の分類対象領域は、被検体表面を撮像した際の欠陥領域である。
[0014] また、第 6の発明は、第 5の発明に係る分類装置において、前記優先度は、前記欠 陥領域の致命度に応じて設定される。
[0015] また、第 7の発明は、第 1〜第 6のいずれか 1つの発明に係る分類装置において、 前記被検体は、半導体ウェハまたはフラットパネルディスプレイ基板である。
[0016] また、第 8の発明は、第 7の発明に係る分類装置において、前記画像は、被検体表 面の干渉像または回折像である。
[0017] また、第 9の発明は、第 1〜第 8のいずれか 1つの発明に係る分類装置において、 検出した各領域のカテゴリと、画像全体における代表のカテゴリを切り替えて表示可 能な表示手段を更に備える。
[0018] また、第 10の発明は、第 9の発明に係る分類装置において、前記表示手段での力 テゴリの表示の際に、処理対象の画像を共に表示する。
[0019] また、第 11の発明は、第 10の発明に係る分類装置において、前記処理対象の画 像に対し、抽出領域または抽出領域の外形線をカテゴリ毎に色分けして表示する。
[0020] また、第 12の発明は、画像内より複数の領域を抽出する工程と、前記抽出した各領 域を所定のカテゴリに分類する工程と、前記画像内の各領域の分類結果を基に画像 全体における代表のカテゴリを決定する工程とを有する。 図面の簡単な説明
[図 1]図 1は、本発明の一実施形態に係る欠陥分類装置の構成を示す図である。
[図 2]図 2は、欠陥領域抽出の第 1の方法を説明するための図である。
[図 3]図 3は、欠陥領域抽出の第 2の方法を説明するための図である。
[図 4]図 4は、モルフォロジ一処理（closing処理）を用いた領域連結処理の一例を示 す図である。
[図 5]図 5は、メンバシップ関数の一例を示す図である。
[図 6]図 6は、メンバシップ関数を用いた分類ルールによる欠陥種判別の原理を説明 するための図である。
[図 7]図 7は、 k近傍法による欠陥種判別の原理を説明するための図である。
[図 8]図 8は、教師データ分布の代表点との距離による欠陥種判別の原理を説明する ための図である。
[図 9]図 9は、領域別の分類結果データの表を示す図である。
[図 10]図 10は、欠陥種別の分類結果データの表を示す図である。
[図 11]図 11は、検査画像に対する人の判断結果と、領域数による判断結果または領 域面積による判断結果との差について説明するための図である。
[図 12]図 12は、図 11 (A)のキズ 200、ムラ 201による占有区画の状況を示す図であ る。
[図 13]図 13は、領域別分類結果データの表において信頼性指標値が高い領域を選 択した結果を示す図である。
[図 14]図 14は、図 13で選択された領域を基にした欠陥種別分類結果データの表で ある。
[図 15]図 15は、代表欠陥種情報と検査画像とを表示した表示画面である。
[図 16]図 16は、図 15の slot03の詳細な分類結果を表示した表示画面である。
[図 17]図 17は、本実施形態の欠陥分類装置の処理の流れを説明するためのフロー チャートである。
[図 18]図 18は、従来の欠陥分類方法の原理を説明するための図である。
[図 19]図 19は、各欠陥領域ごとに算出した特徴量および分類ルール例を示す図で ある。
発明を実施するための最良の形態
[0022] 以下、図面を参照して本発明の実施形態を詳細に説明する。ここでは、本発明を、 半導体ウェハやフラットパネルディスプレイ基板を対象としたマクロ検査に用いる欠陥 分類装置に適用した場合について説明するが、これに限定されることはなぐ例えば 、複数種類の細胞を分類し、代表とする結果を表示する用途にも適用可能である。
[0023] 図 1は、本発明の一実施形態に係る欠陥分類装置の構成を示す図である。本欠陥 分類装置は、被検体 112を照明する照明器 101と、照明器 101からの照明光の波長 を制限する帯域通過フィルタ 102と、被検体 112からの反射光を結像させるためのレ ンズ 103と、結像した被検体像を電気信号に変換する CCDカメラ 104と、 CCDカメラ 104からの信号を画像として取り込むための画像入力ボード 105と、画像データの保 持、及び後述の各手段の処理に用いるためのメモリ 106と、画像より分類対象となる 欠陥領域を抽出する領域抽出手段 107と、抽出した各欠陥領域を所定の欠陥種 (ま たはグレードなど）に分類する分類手段 108と、各領域の分類結果を基に画像全体 における代表のカテゴリを決定する代表カテゴリ決定手段 109と、分類の結果を表示 するための表示手段 110と、前述の各手段に必要な諸設定を外部より設定するため の入力手段 111と力も構成される。ここで、メモリ 106は PC120内のメモリにより、領 域抽出手段 107と、分類手段 108と、代表カテゴリ決定手段 109とは PC120内の CP Uにより、表示手段 110はモニタにより、入力手段 111はキーボード等により具現ィ匕さ れる。
[0024] 以下に、上記した欠陥分類装置の動作を説明する。欠陥分類装置は、照明器 101 力もの光を帯域通過フィルタ 102により波長制限して被検体 112に照射する。被検 体 112表面力も反射する回折光 (または干渉光）をレンズ 103により結像して CCD力 メラ 104により電気信号に変換する。
[0025] ここで回折光 (または干渉光）を得るのは、半導体ウェハのマクロ検査で対象とする 解像不良、膜ムラ、キズ、異物などの欠陥を十分に画像ィ匕するためである。例えば、 解像不良が生じた箇所は、表面の微細な凹凸パターンにダレが生じるため、照明光 に対する回折角が正常部とは異なる。このため回折光を得ることで画像ィ匕し易い。 [0026] 一方、膜ムラは、透過性のあるレジスト素材の厚さが変化するため、レジストの厚さ に応じた光量差が得られる干渉光を得ることで画像ィ匕し易い。また、キズ、異物など は、表面が削られたり、物が付着するということから回折光、干渉光どちらでも画像ィ匕 し易い欠陥である。なお、画像ィ匕の程度（=正常部とのコントラストの大きさ）は変化 するが、解像不良、膜ムラに対して、それぞれ干渉光、回折光を用いても画像ィ匕する ことは可能である。
[0027] CCDカメラ 104からの電気信号は画像入力ボード 105を通してデジタル化され、演 算用のメモリ 106に取り込まれる。これが被検体の検査画像 133 (図 2の (A) )となる。 次に、領域抽出手段 107は、取得した検査画像 133から欠陥領域を抽出する。
[0028] 抽出の方法としてここでは 2通りの方法を示す。第 1の方法では、検査画像 133に 対して良品レベルの輝度範囲となる閾値を設定しておき、この閾値を超える輝度を持 つ画素の領域を欠陥抽出画像 140として抽出する（図 2の（B) )。ここで、良品レベル の輝度範囲を示す閾値は、 PC120内に予め設定しておいても良いし、画像内の輝 度ヒストグラムを基に適応的に決定しても良い (東京大学出版会:画像解析ノヽンドブッ ク:高木幹夫、下田陽久、監修: 502P、 2値化、を参照)。
[0029] 第 2の方法では、図 18の（B)に示すような良品ウェハ画像 850 (または図 3の（A)の 上部に示すような、良品となる一定区画の画像 150)を保持しておき、この画像と図 3 の (A)に示すような検査画像 133 (または検査画像内の対応区画)を位置合わせし、 重なり合う画素間の輝度差を求めて差分画像 160 (図 3の (B) )を作成し、この差分 画像 160を用いて上記第 1の方法と同様の閾値処理により欠陥領域を抽出する。
[0030] このようにして欠陥領域を抽出した後は、分類手段 108において各欠陥領域を分 類する。以下に分類の手順を説明する。
[0031] 手順 1)抽出した各欠陥領域に対する特徴量を算出する。なお、半導体ウェハでは、 下地パターンやダイシングラインなどの影響により、領域抽出時に同一の欠陥が分割 されて抽出される場合がある。よって必要に応じてモルフォロジ一処理（（参考）：コロ ナ社：モルフォロジ一：小畑秀文著)などによる領域連結を行 、、その後に特徴量を 算出する。
[0032] 図 4の（A)、 (B)は、モルフォロジ一処理（closing処理）を用いた領域連結処理の一 例を示している。図 4の (A)に示される連続解像不良 170やムラ 171は領域連結処 理により、図 4の（B)に示すような連結欠陥領域 170— 1、 171— 1となる。また、特徴 量としては、領域単体での大きさ、形状、位置、輝度、テクスチャに関するものや、複 数の領域がなす配置構造に関するもの等がある。マクロ検査における特徴量に関し ては、本発明人による特開 2003— 168114号公報に開示されている。なお、前述の 領域の抽出方法や、特徴量の算出方法は、分類の対象に応じて変更されるものであ り、本発明の内容を限定するものではない。
[0033] 手順 2)算出した特徴量に対して所定の分類ルールを適用し、各領域のカテゴリを判 別する。ここでは、分類ルールとして、フアジィ推論における IF-THENルールを用い た例を示す。この場合、
(1) IF (面積 =大 AND 露光区画依存性 =小） THEN (ムラの可能性あり） ここで露光区画依存性とはウェハ製造におけるステツパ露光時の露光区画位置と の関連性を示す特徴量である。
[0034] (2) IF (露光区画依存性 =大） THEN (解像不良の可能性高い）
(3) IF (面積 =小 AND 方向性 =大） THEN (キズの可能性高い）
(4) IF (方向性 =大） THEN (キズの可能性あり）
(5) · · · のごとく特徴量と欠陥種の間の関係を人の知識などを基に IF-THEN形式で表し、事 前に設定しておく。また、上記のルールで用いられる各特徴量の程度に対する"大" 、 "小"などのラベルと実際の値の関係を、図 5に示すような、メンバシップ関数で設定 しておき、これらを基に推論を行って各領域の欠陥種を判別する。図 5のメンバシッ プ関数における横軸は面積であり、縦軸は適合度である。適合度とは所定の特徴量 が対象のラベルにどの程度合致するかを示す値である。
[0035] 図 6は、メンバシップ関数を用いた分類ルールによる欠陥種判別の原理を説明する ための図である。ここでは、上記（1)〜（4)の 4つの分類ルールを用いて、領域 X(面 積 =ax、露光区画依存性 =sx、方向性 =dx)の欠陥種を判別することを考える。ルー ル（1)はムラに対する特徴量を示したルールである力 領域 Xの面積 axは、面積 =大 のメンバシップ関数に対して適合度 =0である。つまり面積 axは"大"ではないというこ とを示している。よって IF節に示される条件に領域 Xは合致しないため、領域 Xがムラ であるという可能性はなくなる。
[0036] ここで、このような判別結果に対する信頼性を 0〜1の数値により示す値として確信 度を定義し、 IF節への適合度と確信度の間に、 THEN節の内容に応じた関係式を設 定する。
[0037] 例えば、 THEN節が、 "可能性あり"の場合には、その際の IF節への適合度に応じて 、確信度が 0〜0.5となる線形式を設定し、 "可能性高い"の場合には、確信度が 0.5〜 1.0となる線形式を設定する。
[0038] 結果として、領域 Xはルール（2)より、解像不良である確信度 = 0.6、ルール（3)、 ( 4)より、キズである確信度 = 0.7となる。なお、 IF節全体の適合度として、各特徴量に おける適合度の最小値を使用したり、欠陥種毎に重複するルールの確信度で最大 値を使用するのは一例であり、他の方法も考えられる。
[0039] 以上、最終的に領域 Xはキズ (確信度: 0.7)と判別される。なお、全欠陥種の確信 度の総和 = 1と成るように計算し直して、ムラ = 0/ (0+0.6+0.7) =0、解像不良 =0.6/ ( 0+0.6+0.7) =0.46、キズ =0/ (0+0.6+0.7) =0.54、これら値を最終的な確信度とする 方法も考えられる。
[0040] 上記手順 2)の推論を用いる以外の方法として、教師データを用いて分類する方法 を手 1噴 2')に示す。
[0041] 手順 2')算出した特徴量に対し、特徴量空間内での教師データとの関係を基に、各 領域の欠陥種を判別する。教師データとは、特徴量と正解欠陥種の情報をセットにし たものであり、事前に用意しておく。
[0042] 図 7は、教師データを用いて分類を行う方法の一つである k近傍法による欠陥種判 別の原理を説明するための図である。図 7の〇、△、口は、それぞれムラ、キズ、解像 不良の教師データの特徴量空間内での位置を示している。これに対し Pは分類対象 の領域の特徴量空間内での位置である。
[0043] k近傍法とは、対象領域 Pに最も近!ヽ k個（例では 5個（事前設定) )の教師データの 中で最も多 、欠陥種を対象領域の欠陥種とする方法である。例ではキズ 3個 >解像 不良 1個 >ムラ 1個で、キズが最も多いので対象領域 =キズと判別する。この方法の 場合、特徴空間 (N次元）内での 2点 (X：教師データ、x：分類対象)間の距離計算 が必要となるが、距離計算法として下記に挙げるもの等がある。
[数 1] く重み付きユークリッド距離〉
但し
Figure imgf000011_0001
み係数 (事前設定)。
[数 2]
<マハラノビス距離 >
「 、 / 1/2
Figure imgf000011_0002
W - J (2)
但し vlra {±χ;と同じ欠陥種の教師データの分散共分散行列 Vの逆行列 V4の（l,m〕要素。 この距離は、教師データの各欠陥種分布の分散による影響を正規化した空間での距離である。
[数 3] くマハラノビス汎距離 > (3)
Figure imgf000011_0003
但し vlmは教師データ全体の分散共分散行列 Vの逆行列 V·1の（l,m)要素。
この距離は、教師データの全体分布の分散による影響を正規化した空間での距離である。
[数 4]
<重み付き市街地距離 >
Figure imgf000011_0004
但し w1は、特徴量 1に対する重み係数 (事前設定)。 また、 k近傍法以外の方法として、図 8に示すように、各欠陥種毎の教師データ分布 の代表点 (例えば中心)との距離に基づいて分類する方法がある。この場合、代表点 における特徴量 1 (エル）（1≤1 (エル）≤N)の値 を下記の式により算出し、上記の 距離計算を行い、最も距離が近い欠陥種に分類する。
[数 5] μ' = -Υ (η:代表点に集約される（同一欠陥種の)教師データ数） (5)
η ,=1
[0045] なお、上記の k近傍法、代表点距離比較法ともに、特徴量数 (次元数)が増えるほど 計算負荷が大きくなるため、事前に、教師データを主成分分析などして分類に必要 な特徴量の算出法を決定し、これに基づく特徴量削減処理を行ってから距離計算を 行っても良い。
[0046] 各欠陥領域を分類した後は、代表カテゴリ決定手段 109において画像を代表する 欠陥種（=カテゴリ）を決定する。代表欠陥種の決定のために、まずは画像内の欠陥 領域の分類結果のデータを得る。
[0047] 図 9はこの領域別分類結果データの表である。表中の占有区画数とは、画像内を 任意のサイズの区画で分割した際に、欠陥領域が重なる区画の個数である。占有区 画数を用いる効果にっ 、ては後述する。
[0048] また、信頼性指標値は、分類手段 108の手順 2)で示した推論による分類を行った 場合には、判別の際の確信度の値とする。また、手順 2')に示した k近傍法を用いた 場合には、近傍 k個のうち、対象領域の欠陥種と同じ欠陥種である (複数の）教師デ ータの平均距離とする。欠陥種分布の代表点との距離比較を用いた場合には、最も 距離が近力つた代表点（当然、対象領域の判別欠陥種と同様の欠陥種分布の代表 点である）との距離とする。なお、確信度を用いた場合には大きいほど結果の信頼性 力 Sあり、特徴量空間内の距離を用いた場合には小さいほど信頼性がある。
[0049] 更に、この結果に基づいて画像内の欠陥種毎の分類結果データを得る。図 10はこ の分類結果データの表である。表中の優先度は、分類装置の利用者から見た場合 の欠陥種の優先レベルを示すもので事前に設定しておく。通常、致命度の高い欠陥 種ほど優先される。（図 10では、数値が大きいほど優先とする。 )
以下に、上記の分類結果データを基に代表欠陥種を求める方法を説明する。まず 基本的な操作として、
"領域数判断"：画像内で領域数が最も多 ヽ欠陥種を代表とする。例：欠陥種 A "総面積判断"：画像内で総面積が最も大き!ヽ欠陥種を代表とする。例：欠陥種 C "総区画数判断"：画像内で占有区画数が最も多！ヽ欠陥種を代表とする。例：欠陥種 B
"優先度判断"：画像内で優先度が最も高 ヽ欠陥種を代表とする。例：欠陥種 B を用意する。
[0050] これらの各判断は、入力手段 111を用いて順序付けられるようにしておき、例えば "優先度判断"→ "総区画数判断"→ "総面積判断"→ "領域数判断"のように順序付 けて設定した場合には、画像内の結果より、まず"優先度判断"による代表欠陥種の 決定を行い、代表が決定すれば処理を終了し、比較要素 (ここでは優先度）が同値 の場合には、順に次の判断を行って決定する。設定した内容は名称付けて保存可 能とし、以後は入力手段 111を用 、て選択的に使用可能とする。
[0051] 以下に、占有区画数を用いた場合の効果について説明する。例えば図 11の (A) に示すように、キズ 200が画像内に多数散在し、ムラ 201がー部に存在するような画 像を考える。この場合、人はキズ 200が画像内を代表する欠陥種だと捉える。また、 " 領域数判断"にお 、ても、キズ 200が代表の欠陥種であると判断されるので正 ヽ判 断結果が得られる。一方、図 11の（B)に示すような画像を処理すると、人はムラ 201 が代表の欠陥種であると判断できるが、 "領域数判断"ではムラ 201が画像の大半を 占めているのにもかかわらず、代表の欠陥種はキズ 200であると判断してしまう。
[0052] 一方、 "領域面積判断"を用いたとすると、図 11の（B)の画像に対してはムラ 201が 代表の欠陥種であると正しく判断できる力 図 11の (A)の画像に対してもムラ 201が 代表の欠陥種であると判断してしまい、やはり人の判断と異なる結果になってしまう。
[0053] そこでこのような欠陥種間の大きさの差を吸収する必要がある場合に占有区画数を 用いる。図 12の（A)、（B)は、図 11の（A)に示すキズ 200、ムラ 201による占有区画 の状況を示す図である。図 12の (A)では区画サイズを半導体ウェハの露光区画サイ ズとし、図 12の（B)では区画サイズを 1/4露光区画サイズとしている力 これは予め任 意に設定することが可能である。このような占有区画数に基づく比較を行うことにより 、図 12の (A)の画像に対してはキズが代表の欠陥種であると判断され、図 11の（B) の画像に対してはムラが代表の欠陥種であると判断されることになり、より自然な代表 欠陥種を決定することができる。
[0054] 以下に、信頼性指標値を考慮する方法を示す。分類結果の信頼性が高！ヽ領域に 絞って判断する方が、より正確な判断となる。そこで画像内の各領域に対する信頼性 指標値の分布を基に信頼性の高いものを選択して上記の各判断を行う。図 13は、図 9の領域別分類結果データの表において、結果の信頼性が高い領域を選択し、斜線 を施したものである。図 14は、図 13で選択された領域を基にした欠陥種別分類結果 データの表である。
[0055] 信頼性の高いものの選択には、以下に示す方法がある。まず、信頼性指標値を 2 分する閾値 Thを考え、この閾値 Thを予め設定した下限値〜上限値の間で変動させ ながら、順次、 Th未満の指標値集団 Lと、 Th以上の指標値集団 Uの分離指標 E (以 下の（6)式で求められる）を求める。次に、求めた分離指標 Eの値が基も大きくなる T hで信頼性指標値を 2分し、信頼性の高!、ものを選択する。
[数 6]
E = L- 但し、 mx :集団 Xの平均値、 σ χ :集団) (の標準偏差 （6)
σひ + σ^
[0056] 上記した信頼性指標値の考慮に関しても入力手段 111を用いて設定する。
[0057] 代表欠陥種が決定された後は、表示手段 110により代表欠陥種（=カテゴリ）の情 報を表示する。
[0058] 図 15は、代表欠陥種の表示画面の一例を示している。図 15の検査情報表示部 30 0には、各 slot01〜slot25毎の代表欠陥種の情報 (キズ、ムラ、解像不良等）が表示さ れている。また、この分類結果と検査画像との対応を確認し易くするために、検査画 像表示部 301には各 slotの縮小検査画像が表示されて 、る。
[0059] また、入力手段 111を用いて、表示手段 110内の、より詳細内容を確認したい対象 を指定することにより、指定対象内の各領域の欠陥種情報を表示する。図 16は、図 1 5の表示画面にぉ 、て slot03を指定し、 slot03内の詳細な分類結果を表示させた例を 示している。この際は、異物 311、キズ 312、ムラ 313の抽出領域または抽出領域の 外形線を欠陥種（=カテゴリ）別に色分けして表示すると、分類結果を速やかに確認 することができる。
[0060] 図 17は、上記した本実施形態の処理の流れを説明するためのフローチャートであ る。まず、被検体を CCDカメラにより撮像することにより検査画像を取得する (ステツ プ Sl)。次に、検査画像から分類対象となる欠陥領域を抽出する (ステップ S2)。次 に、抽出した各欠陥領域の特徴量を抽出し (ステップ S3)、抽出した特徴量を基に各 欠陥領域を所定のカテゴリに分類する (ステップ S4)。次に、分類結果の信頼性が高 い領域を選択する (ステップ S5)。次に、各領域の情報 (カテゴリ、面積、占有区画数 )を基に、画像内での各カテゴリの存在割合値を算出する (ステップ S6)。次に、各力 テゴリの優先度、各カテゴリの存在割合値を基に画像を代表するカテゴリを決定する (ステップ S7)。次に、画像を代表するカテゴリ及び検査画像や、各領域のカテゴリ及 び欠陥領域の外形を表示する (ステップ S8)。
産業上の利用可能性
本発明によれば、画像内における重要なカテゴリのみを優先して確認したり、多数 の被検体における傾向を速やかに確認したり、また必要に応じて画像内の個別の分 類結果を詳細に確認することができる。

Claims

請求の範囲
[I] 画像内より複数の領域を抽出する領域抽出手段と、
前記抽出した各領域を所定のカテゴリに分類する分類手段と、
前記画像内の各領域の分類結果を基に画像全体における代表のカテゴリを決定 する代表カテゴリ決定手段と、
を備える分類装置。
[2] 前記代表のカテゴリは、画像内での各領域の存在割合を示す値、各領域の分類結 果の信頼性を示す値、各カテゴリの優先度のうち、少なくともいずれか 1つを用いて 決定される請求項 1に記載の分類装置。
[3] 前記各領域の存在割合を示す値は、画像内における各カテゴリ毎の領域数、各カテ ゴリ毎の総面積、画像内を任意サイズで区画分割した際の各カテゴリ毎の占有区画 数のうち、少なくとも 、ずれか 1つによって表される請求項 2に記載の分類装置。
[4] 前記信頼性を示す値は、分類に用いた特徴量空間内の距離を基に算出される請求 項 2または 3に記載の分類装置。
[5] 前記複数の分類対象領域は、被検体表面を撮像した際の欠陥領域である請求項 1
〜4のいずれか 1つに記載の分類装置。
[6] 前記優先度は、前記欠陥領域の致命度に応じて設定される請求項 5記載の分類装 置。
[7] 前記被検体は、半導体ウェハまたはフラットパネルディスプレイ基板である請求項 1
〜6のいずれか 1つに記載の分類装置。
[8] 前記画像は、被検体表面の干渉像または回折像である請求項 7に記載の分類装置
[9] 検出した各領域のカテゴリと、画像全体における代表のカテゴリを切り替えて表示可 能な表示手段を更に備える請求項 1〜8のいずれか 1つに記載の分類装置。
[10] 前記表示手段でのカテゴリの表示の際に、処理対象の画像を共に表示する請求項 9 に記載の分類装置。
[II] 前記処理対象の画像に対し、抽出領域または抽出領域の外形線をカテゴリ毎に色 分けして表示する請求項 10に記載の分類装置。 画像内より複数の領域を抽出する工程と、
前記抽出した各領域を所定のカテゴリに分類する工程と、
前記画像内の各領域の分類結果を基に画像全体における代表のカテゴリを決定 する工程とを有する分類方法。
PCT/JP2005/007228 2004-04-14 2005-04-14 分類装置及び分類方法 Ceased WO2005100962A1 (ja)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN2005800109520A CN1942757B (zh) 2004-04-14 2005-04-14 分类装置和分类方法
US11/546,479 US20070025611A1 (en) 2004-04-14 2005-04-14 Device and method for classification

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2004-119291 2004-04-14
JP2004119291A JP4176041B2 (ja) 2004-04-14 2004-04-14 分類装置及び分類方法

Related Child Applications (1)

Application Number Title Priority Date Filing Date
US11546479 Continuation 2006-10-11

Publications (1)

Publication Number Publication Date
WO2005100962A1 true WO2005100962A1 (ja) 2005-10-27

Family

ID=35150112

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2005/007228 Ceased WO2005100962A1 (ja) 2004-04-14 2005-04-14 分類装置及び分類方法

Country Status (4)

Country Link
US (1) US20070025611A1 (ja)
JP (1) JP4176041B2 (ja)
CN (1) CN1942757B (ja)
WO (1) WO2005100962A1 (ja)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104076039A (zh) * 2014-03-28 2014-10-01 合波光电通信科技有限公司 滤光片外观缺陷自动检测方法

Families Citing this family (29)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007248198A (ja) * 2006-03-15 2007-09-27 Sharp Corp 特性分布の特徴量抽出方法および特性分布の分類方法
JP5237596B2 (ja) * 2007-08-10 2013-07-17 オリンパス株式会社 判別装置
JP2010085225A (ja) * 2008-09-30 2010-04-15 Epson Toyocom Corp 圧電振動片ウェハのエッチング欠陥検査方法、及び検査システム
JP5075111B2 (ja) * 2008-12-29 2012-11-14 株式会社日立ハイテクノロジーズ 画像分類基準更新方法、プログラムおよび画像分類装置
GB0909461D0 (en) 2009-06-02 2009-07-15 Ge Healthcare Uk Ltd Image analysis
JP2011023638A (ja) * 2009-07-17 2011-02-03 Toshiba Corp 検査領域設定方法
KR101830679B1 (ko) * 2010-07-29 2018-02-22 삼성디스플레이 주식회사 표시 패널 검사 장치 및 그 방법
WO2012122467A1 (en) * 2011-03-09 2012-09-13 Rolls-Royce Corporation Intelligent airfoil component surface imaging inspection
JP5715873B2 (ja) * 2011-04-20 2015-05-13 株式会社日立ハイテクノロジーズ 欠陥分類方法及び欠陥分類システム
JP5581343B2 (ja) * 2012-01-13 2014-08-27 株式会社日立ハイテクノロジーズ 欠陥検査方法およびその装置
CN102590221A (zh) * 2012-02-24 2012-07-18 深圳大学 一种偏光片的外观缺陷检测系统及检测方法
KR102071735B1 (ko) * 2012-03-19 2020-01-30 케이엘에이 코포레이션 반도체 소자의 자동화 검사용 레시피 생성을 위한 방법, 컴퓨터 시스템 및 장치
CN103383774B (zh) * 2012-05-04 2018-07-06 苏州比特速浪电子科技有限公司 图像处理方法及其设备
US9513215B2 (en) * 2013-05-30 2016-12-06 Seagate Technology Llc Surface features by azimuthal angle
JP5704520B2 (ja) * 2013-10-17 2015-04-22 セイコーエプソン株式会社 圧電振動片ウェハのエッチング欠陥検査方法、及び検査システム
US10062155B2 (en) * 2013-11-19 2018-08-28 Lg Display Co., Ltd. Apparatus and method for detecting defect of image having periodic pattern
DE102014017478A1 (de) * 2014-11-26 2016-06-02 Herbert Kannegiesser Gmbh Verfahren zum Sortieren von Wäschestücken, insbesondere Schmutzwäschestücken
JP6031151B2 (ja) * 2015-04-30 2016-11-24 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
JP6623545B2 (ja) * 2015-04-30 2019-12-25 大日本印刷株式会社 検査システム、検査方法、プログラムおよび記憶媒体
JP6689539B2 (ja) * 2016-08-12 2020-04-28 株式会社ディスコ 判定装置
KR102058427B1 (ko) * 2017-12-21 2019-12-23 동우 화인켐 주식회사 검사 장치 및 방법
WO2019230356A1 (ja) * 2018-05-31 2019-12-05 パナソニックＩｐマネジメント株式会社 学習装置、検査装置、学習方法および検査方法
CN112513926A (zh) * 2018-07-31 2021-03-16 奥林巴斯株式会社 图像解析装置及图像解析方法
CN110957231B (zh) * 2018-09-26 2022-03-11 长鑫存储技术有限公司 电性失效图形判别装置及判别方法
CN109975321A (zh) * 2019-03-29 2019-07-05 深圳市派科斯科技有限公司 一种用于fpc的缺陷检测方法和装置
JP7843022B2 (ja) * 2021-11-22 2026-04-09 株式会社Magnolia Blue 検査方法、検査装置及びプログラム
JP7491427B1 (ja) 2023-03-15 2024-05-28 日本電気株式会社 印刷物検査装置、印刷物検査方法、プログラム
CN117420863B (zh) * 2023-10-30 2024-04-19 上海频准激光科技有限公司 一种增益介质材料隶属函数类型确定方法、设备及介质
TWI874236B (zh) * 2024-06-04 2025-02-21 力晶積成電子製造股份有限公司 圖片中缺陷的分類方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001305073A (ja) * 2000-04-25 2001-10-31 Hitachi Ltd 検査データ処理方法およびその装置
JP2003168114A (ja) * 2001-12-04 2003-06-13 Olympus Optical Co Ltd 欠陥分類装置

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH05264240A (ja) * 1992-03-19 1993-10-12 Fujitsu Ltd 外観検査装置
CA2163965A1 (en) * 1993-05-28 1994-12-08 Marie Rosalie Dalziel An automatic inspection apparatus
JP3974946B2 (ja) * 1994-04-08 2007-09-12 オリンパス株式会社 画像分類装置
JP3088063B2 (ja) * 1994-10-25 2000-09-18 富士通株式会社 カラー画像処理方法及びカラー画像処理装置
JPH0918798A (ja) * 1995-07-03 1997-01-17 Sanyo Electric Co Ltd 文字処理機能付き映像表示装置
JPH11328422A (ja) * 1998-03-13 1999-11-30 Matsushita Electric Ind Co Ltd 画像識別装置
JP3522570B2 (ja) * 1999-03-03 2004-04-26 日本電信電話株式会社 画像検索・画像分類連携システム
JP4017285B2 (ja) * 1999-06-02 2007-12-05 松下電器産業株式会社 パターン欠陥検出方法
US6693664B2 (en) * 1999-06-30 2004-02-17 Negevtech Method and system for fast on-line electro-optical detection of wafer defects
JP2001160057A (ja) * 1999-12-03 2001-06-12 Nippon Telegr & Teleph Corp <Ntt> 画像の階層的分類方法、および画像の分類・検索装置、およびこの方法を実行するプログラムを記録した記録媒体
DE10011200A1 (de) * 2000-03-08 2001-09-13 Leica Microsystems Verfahren zur Bewertung von Strukturfehlern auf einer Waferoberfläche
JP3468755B2 (ja) * 2001-03-05 2003-11-17 石川島播磨重工業株式会社 液晶駆動基板の検査装置
US7602962B2 (en) * 2003-02-25 2009-10-13 Hitachi High-Technologies Corporation Method of classifying defects using multiple inspection machines

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001305073A (ja) * 2000-04-25 2001-10-31 Hitachi Ltd 検査データ処理方法およびその装置
JP2003168114A (ja) * 2001-12-04 2003-06-13 Olympus Optical Co Ltd 欠陥分類装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104076039A (zh) * 2014-03-28 2014-10-01 合波光电通信科技有限公司 滤光片外观缺陷自动检测方法
CN104076039B (zh) * 2014-03-28 2017-05-31 合波光电通信科技有限公司 滤光片外观缺陷自动检测方法

Also Published As

Publication number Publication date
CN1942757B (zh) 2010-11-17
US20070025611A1 (en) 2007-02-01
JP4176041B2 (ja) 2008-11-05
JP2005301823A (ja) 2005-10-27
CN1942757A (zh) 2007-04-04

Similar Documents

Publication Publication Date Title
WO2005100962A1 (ja) 分類装置及び分類方法
JP7325952B2 (ja) 表示装置の欠陥検出システム及び方法
US8437534B2 (en) Defect classification method and apparatus, and defect inspection apparatus
TWI236840B (en) Method and apparatus for optical inspection of a display
US20070165939A1 (en) Reduction of false alarms in pcb inspection
JP5371916B2 (ja) 検査システムにおける対話型閾値調整方法及びシステム
JPH1145919A (ja) 半導体基板の製造方法
JP2005293264A (ja) 学習型分類装置及び学習型分類方法
JP2001156135A (ja) 欠陥画像の分類方法及びその装置並びにそれを用いた半導体デバイスの製造方法
CN106934794A (zh) 信息处理装置，信息处理方法和检查系统
JP2000137804A (ja) デジタル画像の異常検出方法およびシステム、ならびにそのための記憶媒体
JP7492240B2 (ja) 分析装置及び分析方法
CN116091505B (zh) 一种蓝宝石衬底自动缺陷检测分类的方法和系统
CN109919908A (zh) 发光二极管芯片缺陷检测的方法和装置
CN115222705A (zh) 基于改进yolov5的化纤丝饼外观缺陷检测方法
JP2003168114A (ja) 欠陥分類装置
CN116823755A (zh) 一种基于骨架生成和融合构型的柔性电路板缺陷检测方法
JP2840347B2 (ja) 基板実装検査装置
Chang et al. Application of two Hopfield neural networks for automatic four-element LED inspection
CN119048518B (zh) 基于图像识别的消防面具缺陷检测方法
CN118302790A (zh) 示教数据作成辅助装置、示教数据作成辅助方法
CN118674703B (zh) 一种fcob线路载板缺陷检测方法及系统
JP2006047102A (ja) 検査対象物の所定の表面状態の原因を自動的に求める装置
JP4599980B2 (ja) 多層配線構造の不良解析方法および不良解析装置
CN119850539B (zh) 一种基于大模型的电子行业aoi视觉检测优化方法

Legal Events

Date Code Title Description
AK Designated states

Kind code of ref document: A1

Designated state(s): AE AG AL AM AT AU AZ BA BB BG BR BW BY BZ CA CH CN CO CR CU CZ DE DK DM DZ EC EE EG ES FI GB GD GE GH GM HR HU ID IL IN IS KE KG KM KP KR KZ LC LK LR LS LT LU LV MA MD MG MK MN MW MX MZ NA NI NO NZ OM PG PH PL PT RO RU SC SD SE SG SK SL SM SY TJ TM TN TR TT TZ UA UG US UZ VC VN YU ZA ZM ZW

AL Designated countries for regional patents

Kind code of ref document: A1

Designated state(s): BW GH GM KE LS MW MZ NA SD SL SZ TZ UG ZM ZW AM AZ BY KG KZ MD RU TJ TM AT BE BG CH CY CZ DE DK EE ES FI FR GB GR HU IE IS IT LT LU MC NL PL PT RO SE SI SK TR BF BJ CF CG CI CM GA GN GQ GW ML MR NE SN TD TG

121 Ep: the epo has been informed by wipo that ep was designated in this application
WWE Wipo information: entry into national phase

Ref document number: 200580010952.0

Country of ref document: CN

Ref document number: 11546479

Country of ref document: US

NENP Non-entry into the national phase

Ref country code: DE

WWW Wipo information: withdrawn in national office

Country of ref document: DE

WWP Wipo information: published in national office

Ref document number: 11546479

Country of ref document: US

122 Ep: pct application non-entry in european phase