WO2013026826A1 - Inspektionsverfahren - Google Patents

Inspektionsverfahren Download PDF

Info

Publication number
WO2013026826A1
WO2013026826A1 PCT/EP2012/066189 EP2012066189W WO2013026826A1 WO 2013026826 A1 WO2013026826 A1 WO 2013026826A1 EP 2012066189 W EP2012066189 W EP 2012066189W WO 2013026826 A1 WO2013026826 A1 WO 2013026826A1
Authority
WO
WIPO (PCT)
Prior art keywords
defects
defect
pixels
image
grouping
Prior art date
Application number
PCT/EP2012/066189
Other languages
English (en)
French (fr)
Inventor
Frank Hinze
Original Assignee
Hseb Dresden Gmbh
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 Hseb Dresden Gmbh filed Critical Hseb Dresden Gmbh
Publication of WO2013026826A1 publication Critical patent/WO2013026826A1/de

Links

Classifications

    • 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
    • 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
    • G01N2021/9513—Liquid crystal panels
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
    • H01L22/10—Measuring as part of the manufacturing process
    • H01L22/12—Measuring as part of the manufacturing process for structural parameters, e.g. thickness, line width, refractive index, temperature, warp, bond strength, defects, optical inspection, electrical measurement of structural dimensions, metallurgic measurement of diffusions

Definitions

  • the invention relates to a method for inspecting flat objects, in particular wafers, with the steps:
  • wafers are slices of semiconductor, glass, foil or ceramic materials.
  • the wafers are typically tested over the whole area or at least over large areas. This exam is called macro inspection.
  • the lateral resolution required for the detection of the errors sought increases with the further development of general production technology.
  • resolutions in the macro-inspection of 5 ⁇ and smaller are required for new technologies.
  • devices with a high throughput of wafers to be tested are desirable.
  • Analogous tasks have to be solved in other branches of industry.
  • the displays in production have to be checked for errors. It will be some of the entire area on the displays imaging techniques used for troubleshooting.
  • errors in the testing of printed circuit boards are determined by optical methods on series of DUTs.
  • Such objects are printed circuit boards, wafers, solar cells, displays and the like.
  • sensors Common to the applications is the use of sensors to generate large-area images of the samples. Depending on the nature of the fault sought, the images can be generated both with optically photographing systems and with sensors operating at specific points.
  • Optically photographing systems are, for example, surface or line scan cameras.
  • Pointing sensors are, for example, detectors for measuring the reflection of optical rays, microwaves or sound waves. Magnetic sensors can also be used.
  • Such an image can be generated as a binary image. This means: either a defect is present on a pixel or not. Defects on the surface, such as scratches, impurities or production-related defects, are very clearly visible in such a binary image, for example as black defects on a white background. The defects can also be very small and have the order of only one pixel in the range of 5 microns.
  • the real images of the object surface are composed of a large number of single images. They take up a lot of storage capacity in the range of Gbyte. This makes the handling of the images difficult.
  • a typical requirement is, among other things, to detect scratches, cracks, fractures reliably against a background of uninteresting micro-defects and to distinguish these from other larger, but flat defects in the form of dot clouds or spots.
  • the background of micro-defects may have a very high density.
  • US 5913105 discloses a method in which the selection of scratches is achieved by the linear regression of a straight line. However, this method fails if the scratch is significantly bent or even has an irregular shape. However, especially the latter scratches are particularly important because their production must have had a very high contact pressure and thus a considerable damage to the wafer can be assumed. Scratches, on the other hand, can also be generated by significantly lower forces. Disclosure of the invention It is an object of the invention to provide a method of the type mentioned, with which scratches, cracks and breakage approaches can be reliably detected from a background of unattractive micro defects.
  • step (d) filtering the groups generated in step (c) discarding groups that do not reach a minimum number M of pixels on which a defect is detected;
  • cluster and “clusters” are generally understood to mean phenomena and methods in which all or approximately all defect points are assigned to a cluster. However, this is not the goal for the inventive finding and filtering of scratches, cracks and breakage approaches. In particular, it is not detrimental to the method according to the invention if the described algorithm terminates prematurely because none of the defects and defect groups meet the criteria for scratches, cracks and breakage approaches. This only means that such defects are not present in the investigated area.
  • group is understood to mean the clustering of pixels on which a defect is detected.
  • the method corresponds to a multiple application of the DB SC AN method, wherein the parameters grouping distance and minimum number of pixels are developed in accordance with the invention.
  • the DB SC AN procedure is general known and need not be explained here. It is in its original version eg in Martin Ester, Hans-Peter Kriegel, Joerg Sander, Xiaowei Xu: A density-based algorithm for discovering clusters in large spatial databases with noise. In: Evangelos Simoudis, Jiawei Han, Usama M. Fayyad (ed.): Proceedings of the Second International Conference on Knowledge Discovery and Data Mining (KDD-96). AAAI Press, 1996, ISBN 1-57735-004-9, pp. 226-231.
  • defects of interest such as scratches, cracks, circular imprints and the like, are filtered out of the "starry sky" of uninteresting micro-defects and made recognizable.This is completely automated and manual assessment by the user is not required.
  • result files with coordinates and geometric sizes are not evaluated, but reference is made to the primary image data in the form of defect images. These have a much higher information content. It is therefore more likely to recognize the desired signatures.
  • the difference with the prior art is that in known result files with coordinates and geometrical sizes contain maximum information on the defect surface, X and Y expansion.
  • the aspect ratio is also indicated. Aspect ratio is understood to be the size ratio of the side or main axes of a rectangle or an ellipse circumscribing the defect. That such a rectangle (such an ellipse) is determined which has the smallest surface area among all the rectangles (ellipses) containing all the pixels belonging to the defect in its area.
  • the ratio of the longer to shorter side lengths is the aspect ratio of the defect circumscribing rectangle (ellipse) and is called the aspect ratio of the defect.
  • a diagonal scratch has the same X and Y dimensions and a high aspect ratio in known methods.
  • the aspect ratio one can distinguish the scratch from, for example, a round spot of the same size, which has an aspect ratio close to one.
  • the direction of the scratch is no longer accessible for such a downstream evaluation.
  • the Primary image data contains all the information gained from the image.
  • M is the minimum number of pixels of a group of pixels that detect a defect that is not discarded during filtering and may be referred to as the "minimum pixel count", where r is the grouping distance, which is the maximum distance between nearest neighbors Group of pixels on which a defect is detected.
  • the environment of all pixels is considered, on which a defect is detected.
  • start point For each considered pixel (“start point") containing a defect, all the pixels on which a defect is also detected are grouped together at a distance smaller than r with the starting point Group added pixel repeated until for all members of the group no further pixel with a defect in a smaller distance than r can be found.
  • the affiliation to a group with at least M pixels, on which a defect is detected, leads to the defect is not filtered out.
  • the filtering step takes place. In this step, all defects that do not belong to one of the groups with at least M pixels with defects are deleted.
  • the painted defects and defect groups represent part of the "starry sky" of tiny defects, and it has been found that multiple iterations of grouping and filtering are required to eliminate all uninteresting defects so that only the larger defects of interest are visible.
  • the detection of defects preferably takes place by comparison of the recorded image with a reference image.
  • the reference image can also be computationally generated from a plurality of images or partial images.
  • the grouping of defective pixels into groups can be carried out in such a way that all pixels between defective pixels which occur within a selected maximum distance r or which occur with at least one selected minimum density are also assumed to be defective.
  • the environment of a defective pixel, which is decisive for the selection of the group is thus determined either by its distance from a defective pixel or by the density with which defective pixels occur in a region. It is understood that both criteria can be decisive.
  • Steps (c) to (e) may be performed in sections for the captured image or a larger portion of the captured image.
  • the computing power can be distributed among several computers, for example, and the result is available faster.
  • the edited sections can then be reassembled into an overall picture of the object.
  • the multiple repetition of the grouping is terminated with a suitable termination criterion.
  • One or more such criteria may be applied together or individually: the grouping distance r reaches a predetermined final value and / or the minimum number M of pixels reaches a predetermined final size. In this way, for example, it can be set to what size even smaller scratches are ignored.
  • the smallest defects are sufficiently filtered out.
  • defect groups nor the desired scratches, cracks, breakage approaches as well as area defects such as spots and point clouds.
  • area defects such as spots and point clouds.
  • the possibility can be created to distinguish linear defects from larger area defects, such as clouds or patches. This can possibly be done in a second step.
  • the morphology of the defect groups found can be used.
  • the mere evaluation e.g.
  • the aspect ratio of the group is not sufficient because it only distinguished straight or slightly curved scratches from spots and clouds. A scratch with an irregular shape can easily be misinterpreted as a flat defect if only the aspect ratio is evaluated.
  • the defect groups are decomposed into n subgroups and their aspect ratio determined.
  • various well-known standard cluster methods are available.
  • the group can be divided into n subgroups. It does not depend on a high morphological purity of the subgroups. The aim is only to gain suitable subgroups for the evaluation of the aspect ratio.
  • the k-means method is useful because it ensures that n subgroups are generated.
  • the subgroups determine the aspect ratio.
  • the largest and smallest linear expansion are determined and their ratio stored as an aspect ratio.
  • the aspect ratio of the defect subgroup is determined to be the smallest circumscribing ellipse (or the smallest circumscribing rectangle) and its aspect ratio (aspect ratio of the major to minor semiaxes, and the longer to shorter sides, respectively) is stored.
  • the orientation of the larger expansion axis which is also called "large half-axis", can be additionally stored.
  • linear defect such as scratches, cracks or breakage
  • flat defect such as spot or cloud
  • the average or the median aspect ratios of all sub-groups is used.
  • a flat defect it will usually be close to 1, for a line defect well above 1.
  • FIG. 12 is a schematic representation of a prior art recording of the wafer surface of FIG. 1 with high resolution.
  • 3 is a schematic representation of a recording of the wafer surface
  • FIG. 4 illustrates the grouping of defects in an image of the wafer surface of FIG. 1 according to the distance according to a first exemplary embodiment.
  • FIG. 5 shows the result of grouping from FIG. 4.
  • Fig. 6 illustrates the filtering of small defects after grouping.
  • FIG. 7 shows the result of the filtering from FIG. 6.
  • FIG. 8 illustrates the renewed, coarser grouping of defects occurring after the
  • Fig. 9 shows the result of regrouping in Fig. 8.
  • FIG. 10 illustrates the re-filtering of defects after grouping in FIG. 9.
  • FIG. 1 shows the result of the re-filtering in FIG. 10.
  • FIG. 12 illustrates the size ratios of the defect shown in FIG. 11 on a typical wafer.
  • Fig. 13 shows a composite of several processed sections
  • FIG. 14 shows the result of a further grouping step from FIG. 13.
  • Fig. 15 illustrates the result of further filtering defects on the
  • Fig. 16 illustrates the signature recognition at a first major defect.
  • Fig. 17 illustrates a defect from a library caused by a tool in the manufacturing process. shows defects in a high resolution image according to a second embodiment.
  • Fig. 19 illustrates the group spacing in the defects in Fig. 18 and indicates which defects are filtered out.
  • FIG. 20 shows the situation of FIG. 19 after filtering and indicates which one
  • Defects are filtered out in a second step.
  • Fig. 21 shows the situation of Fig. 20 after filtering and indicates which
  • Defects are filtered out in a third step.
  • Fig. 22 shows the situation of Fig. 21 after filtering and indicates which
  • Defects are filtered out in a fourth step.
  • FIG. 23 shows the result of image processing according to FIGS. 19 to 22.
  • FIG. 24 illustrates how linear defects in FIG. 23 can be distinguished from flat defects. illustrates where further grouping and filtering may be required.
  • Fig. 26 illustrates the result of image processing after the separation of area defects.
  • FIG. 1 schematically shows a part of a wafer surface 10 with a scratch 12 and a plurality of small defects 14, 16, 18 of the prior art.
  • This wafer surface 10 can be picked up with the camera of an inspection device.
  • the unprocessed high resolution recording is shown in FIG. It can be seen that all small defects, such as defects 14 and 18, are well represented. Larger defects, such as the defect 16 and the scratch 12 in this recording consist of a plurality of individual points. The defect 16 consists for example of two individual points 20 and 22. The scratch 12 is no longer recognizable as such. Rather, points 24 are present in its place in its place.
  • FIG. 3 is a schematic representation of a prior art recording of the wafer surface of FIG. 1 with low resolution.
  • this recording not all defects are recognized.
  • the defect 18 is not present at all, while the defect 14 is easy to recognize.
  • slightly larger defect 16 is only a part 20 to see. It can be seen from these images that the use of a lower or higher resolution does not lead to the fact that existing scratches or other major defects are detected.
  • Figures 4 to 17 illustrate a first embodiment of the invention in which larger defects can be detected and assigned by repeated grouping and filtering.
  • Figure 4 illustrates the grouping of defects in an image of the wafer surface of Figure 1 after the group spacing.
  • an outline with a selected minimum distance to the recorded defect is placed around each defect in a high-resolution image, such as from FIG. 2.
  • the defect 16, for example, in this illustration consists of two individual defects 22 and 20.
  • Around each of these two individual defects 20 and 22 an outline 26 with a group spacing as radius r is placed.
  • FIG. 6 illustrates the filtering of small defects after grouping. In doing so, all defects that are smaller than a selected dimension are eliminated. The size to be filtered is selected so that defects remain, but also some defects are filtered out. It is not harmful if some of the minor defects, which are also uninteresting, remain in the image.
  • FIG. 8 illustrates the renewed, coarser grouping of defects which remain after the filter step according to FIG.
  • the outline 26, which is placed around a defect, for example 16, is now a little wider and has a greater distance from the actual, so far recognized defect.
  • parts of larger structures that were not yet recognized as part of the larger structure in the first cluster with a minimum distance are also detected.
  • An example of this is the left upper end 30 of the scratcher 12. While the outlines 32 in Figure 4 still had a gap, the outlines in Figure 8 overlap.
  • Figure 9 shows the result of regrouping in Figure 8. Part 30 is now recognizable as part of the scratch 12.
  • Figures 10 and 11 illustrate the re-filtering of defects after grouping in Figure 9.
  • FIG. 11 shows the result of the renewed filtering in FIG. 10. It can be seen that now only the scratch 12 and a scratch 34 remain in the image. It is understood that the grouping and filtering steps can be repeated more times depending on the application.
  • FIG. 12 illustrates the size ratios of the defect shown in Figure 11 on a typical wafer. All sections taken images of the wafer 36 are now assembled. The result is an image of the wafer with several, larger defects.
  • FIG. 13 shows an overall picture composed of a plurality of processed sections of a wafer 36 in front of the further groups. It can be seen that defects, for example 38 or 40, are also present in other sections.
  • FIG. 14 shows the result of another grouping step for the overall picture. It can be seen that the scratch 12 is now represented by a continuous line. The scratch 12 is easy to recognize as such. In addition to the scratch 12, other, smaller structures, eg structure 44, can be seen. Even such small structures can be filtered out. For this purpose, another filtering step takes place, the result of which can be seen in FIG.
  • the defects can be stored in a text file with little storage space. Then the originally recorded image can be discarded with high resolution and high storage space requirement after image processing.
  • FIGS. 18 to 23 demonstrates the procedure on a small section in a further exemplary embodiment.
  • Fig. 18 is the output image
  • Figs. 19 to 22 illustrate the 4 repetition steps of this example
  • Fig. 23 shows the obtained final image.
  • Pixels 58 on which a defect was detected are shown in black.
  • Circles 56 in each figure depict the radius-of-distance distances being surveyed around a pixel 58 on which a defect was detected.
  • those pixels 58 on which a defect was detected are encircled by a circle of radius r which are deleted in the next step, the filtering step.
  • Step 2 Step 3.
  • Step 4. Step r 2.2 2.6 3.2 3.8
  • the defect groups are decomposed into n subgroups and their respective aspect ratios are determined.
  • various well-known standard cluster methods are available.
  • the group can be divided into n subgroups. It does not depend on a high morphological purity of the subgroups. The aim is only to gain suitable subgroups for the evaluation of the aspect ratio.
  • the k-means method is useful because it ensures that n subgroups are created.
  • the subgroups determine the aspect ratio.
  • the largest and smallest linear expansion are determined and their ratio stored as an aspect ratio.
  • the orientation of the larger expansion axis (large half-axis) can be additionally stored.
  • linear defect 50 such as scratches, cracks or breakage
  • area defect 80 such as spot or cloud
  • the mean or the median of the aspect ratios of all sub-groups is used.
  • a flat defect it will usually be close to 1, for a line defect well above 1.
  • the areal defect 80 indicates a cloud of 1-pixel defects and clearly has an aspect ratio close to 1 for all subgroups and can thus be distinguished from the line-type defects 50, 60, 70.
  • the image shown in FIG. 23 can also be subjected to the known Hough transformation for this analysis.
  • the Hough Transformation is well known and therefore need not be further explained here. Reference is made to the publication Bernd Jähne: Digital Image Processing. 5. revised and expanded edition. Springer, Berlin 2002, ISBN 3-540-41260-3, p. 459ff, the contents of which are incorporated herein by reference.
  • each pair of points from each group is advantageously assigned a straight line.
  • the parameters of all these lines are stored in the transformation space, the Hough space. It is advantageous here to describe the straight line in Hessian normal form and to enter it with the parameters angle to x-axis, and distance to the origin point in Hough space.
  • the picture is taken with lower left corner as origin point and lower edge as x-axis as coordinate system.
  • the two small defects 52 and 54 as shown in FIG. 25, which evidently do not belong to the scratch can also be subsequently filtered out.
  • the criterion is that the parameter accumulation for the formed straight line, the now summarized scratch defect, is significant and that the straight lines formed with these four pixels on which a defect was detected deviate considerably therefrom.
  • the two line defects 50 and 60 and 70 shown in FIG. 26 remain. These can now be further merged with the results of the adjacent defect images, as has already been explained with reference to the first embodiment.
  • the described use of the Hough transformation is also suitable for guiding scratch sections together.

Abstract

Ein Verfahren zur Inspektion von flachen Objekten, insbesondere Wafern mit den Schritten: Aufnehmen eines digitalen Bildes der Objektoberfläche mit einem Detektor mit einer Vielzahl von Bildelementen; Erfassen von Defekten auf der Objektoberfläche; ist gekennzeichnet, durch die Schritte: Zusammenfassen von defekten Bildpunkten zu Gruppen; Filtern der so erzeugten Gruppen, wobei Gruppen, welche eine Minimalgröße nicht erreichen und bei denen keine weiteren defekte Bildpunkte innerhalb eines Minimalabstands vorhanden sind, verworfen werden; Wiederholen der Schritte Gruppieren und Filtern, wobei die Minimalgröße der Gruppebei jeder Wiederholung durch eine Größe ersetzt wird, die größer ist, als die Minimalgröße und/oder der Minimalabstand bei jeder Wiederholung durch einen Abstand ersetzt wird, der größer ist, als der Minimalabstand, bis eine Maximalgröße und/oder ein Maximalabstand erreicht sind.

Description

Inspektionsverfahren
Technisches Gebiet
Die Erfindung betrifft ein Verfahren zur Inspektion von flachen Objekten, insbesondere Wafern mit den Schritten:
(a) Aufnehmen eines digitalen Bildes der Objektoberfläche mit einem Detektor mit einer Vielzahl von Bildelementen;
(b) Erfassen von Defekten auf der Objektoberfläche.
In verschiedenen Industriezweigen werden flächige Produkte mit optischen, bildgebenden Verfahren auf Fehler untersucht. In der Halbleiter- und Solarzellenindustrie sind dies unter anderem Wafer. Wafer sind Scheiben aus Halbleiter-, Glas-, Folien- oder Keramikmaterialien. Die Wafer werden in bestimmten Anwendungen typischerweise ganzflächig oder zumindest auf großen Teilflächen geprüft. Diese Prüfung nennt man Makro-Inspektion. Die für die Erkennung der gesuchten Fehler erforderliche laterale Auflösung steigt dabei mit der Weiterentwicklung der allgemeinen Produktionstechnik. Typischerweise werden für neue Technologien Auflösungen in der Makro-Inspektion von 5 μηι und kleiner verlangt. Gleichzeitig sind Geräte mit einem hohen Durchsatz an zu prüfenden Wafern wünschenswert.
Analoge Aufgabenstellungen sind in anderen Industriezweigen zu lösen. In der Flat- Panel-Industrie sind die Displays in der Produktion auf Fehler zu prüfen. Dabei werden zum Teil ganzflächig auf den Displays bildgebende Verfahren zur Fehlersuche benutzt. In der Elektroindustrie werden bei der Prüfung von Leiterplatten Fehler mit optischen Verfahren auf Serien von Prüflingen ermittelt. Gemeinsam ist allen diesen Anwendungen der Bedarf an schneller Prüfung einer hohen Anzahl von in der Regel gleichartigen Prüflingen. Solche Objekte sind Leiterplatten, Wafer, Solarzellen, Displays und dergleichen. Gemeinsam ist den Anwendungen auch der Einsatz von Sensoren zur Erzeugung von großflächigen Abbildungen der Prüflinge. Die Abbildungen können je nach Art des gesuchten Fehlers sowohl mit optisch fotografierenden Systemen als auch mit punktuell arbeitenden Sensoren erzeugt werden. Optisch fotografierende Systeme sind beispielsweise Flächen- oder Zeilenkameras. Punktuell arbeitende Sensoren sind beispielsweise Detektoren zur Messung der Reflektion von optischen Strahlen, Mikrowellen oder Schallwellen. Es können auch magnetische Sensoren eingesetzt werden.
Stand der Technik
Es ist bekannt, Wafer oder andere Oberflächen zu scannen und das Bild zunächst mit einem fehlerfreien oder annähernd fehlerfreien Referenzbild zu vergleichen. Aus den Unterschieden des aktuellen Bildes und dem Referenzbild kann ein neues Bild erzeugt werden. Ein solches Bild kann als Binärbild erzeugt werden. Das bedeutet: entweder ein Defekt liegt auf einem Bildpunkt vor oder nicht. Defekte auf der Oberfläche, etwa Kratzer, Verunreinigungen oder produktionsbedingte Defekte, werden in einem solchen Binärbild, beispielsweise als schwarze Defekte auf weißem Hintergrund sehr gut sichtbar. Dabei können die Defekte auch sehr klein sein und die Größenordnung von nur einem Bildpunkt im Bereich von 5 Mikrometer haben.
Die realen Bilder der Objektoberfläche setzen sich aus einer Vielzahl von Einzelbildern zusammen. Sie nehmen sehr viel Speicherkapazität im Bereich von Gbyte ein. Dadurch wird die Handhabung der Bilder erschwert.
Bei in der Praxis üblichen Oberflächen treten sehr viele Defekte auf, die häufig unkritisch sind. Der Betrachter kann dann die interessierenden Defekte, etwa Kratzer, nicht mehr in der Masse unterschiedlicher Defekte identifizieren. Eine reduzierte Auflösung zur Defekterkennung kann die Detektion verhindern. Insbesondere Kratzer oder beginnende Brüche sind durch die extrem geringe Breite schwer erkennbar. Kratzer bilden oft nur eine langgestreckte Spur aus Kleinstdefekten. Ein einfaches Filtern, etwa nach Defektgröße führt somit ebenfalls nicht zur sicheren Detektion. Umgekehrt führt die hochauflösende Defekterkennung zu einer Datenflut, die sich in der industriellen Praxis schlecht handhaben lässt. Die hochauflösende Defekterkennung führt daher ohne manuelle Datenauswertung nur in geringem Umfang zu zusätzlichen Informationen für den Benutzer.
Eine typische Anforderung besteht daher unter anderem darin, Kratzer, Risse, Bruchansätze sicher vor einem Untergrund aus uninteressanten Kleinstdefekten zu erkennen und diese auch von anderen größeren, aber flächigen Defekten in Form von Punkt-Wolken oder Flecken zu unterscheiden. Dabei kann der Hintergrund aus Kleinstdefekten eine sehr hohe Dichte aufweisen.
Aus dem Stand der Technik sind für diese Aufgabe viele bekannte Clusterverfahren bekannt. Solche Verfahren sind unter den Stichworten DBSCAN, k-Means-Verfahren und EM- Algorithmus bekannt. Diese sind jedoch meist nicht geeignet Kratzer, Risse, Bruchansätze vor einem relativ dichten Hintergrund an Kleinstdefekten heraus zu filtern.
US 5913105 offenbart eine Methode, bei der die Selektion von Kratzer durch die lineare Regression einer Gerade erreicht wird. Dieses Verfahren schlägt jedoch fehl, wenn der Kratzer deutlich gebogen ist oder gar eine unregelmäßige Form hat. Gerade letztere Kratzer sind jedoch besonders wichtig, da für ihre Erzeugung eine sehr hohe Anpresskraft gewirkt haben muss und somit von einer erheblichen Schädigung des Wafers auszugehen ist. Gerade Kratzer können hingegen auch durch deutlich geringere Kräfte erzeugt werden. Offenbarung der Erfindung Es ist Aufgabe der Erfindung, ein Verfahren der eingangs genannten Art zu schaffen, mit welchem Kratzer, Risse und Bruchansätze sicher vor einem Untergrund aus uninteressanten Kleinstdefekten erkannt werden können.
Erfindungsgemäß wird die Aufgabe mit einem Verfahren gelöst mit den Schritten:
(c) Zusammenfassen von Bildpunkten, auf denen ein Defekt erfasst wird, zu Gruppen, wobei alle diejenigen Bildpunkte zu einer Gruppe zusammengefasst werden, die durch Bildpunkte, auf denen ein Defekt erfasst wird, mit einem Abstand verbunden werden können, der kleiner als ein Gruppierungsabstand r ist;
(d) Filtern der in Schritt (c) erzeugten Gruppen, wobei Gruppen verworfen werden, welche eine minimale Anzahl M von Bildpunkten, auf denen ein Defekt erfasst wird, nicht erreichen;
(e) Wiederholen der Schritte (c) und (d), wobei die Parameter r und M schrittweise verändert werden, so daß der Gruppierungsabstand r und die minimale Anzahl M von Bildpunkten wachsen, bis wenigstens einer der Parameter r oder M entweder einen maximalen Grenzwert erreichen, oder alle Bildpunkte auf denen ein Defekt erfasst wird, durch die wiederholte Filterung aussortiert wurden.
Unter den Begriffen„Cluster" und„Clustern" werden in der Regel Phänomene und Verfahren verstanden, bei denen alle oder annähernd alle Defekt-Punkte einem Cluster zugeordnet werden. Dies ist für die erfindungsgemäße Auffindung und Ausfilterung von Kratzern, Rissen und Bruchansätzen aber nicht das Ziel. Es ist insbesondere nicht schädlich für das erfindungsgemäße Verfahren, wenn der beschriebene Algorithmus vorzeitig abbricht weil keine der Defekte und Defekt-Gruppen den Kriterien für Kratzer, Risse und Bruchansätze entsprechen. Dies bedeutet nur, das im untersuchten Gebiet solche Defekte nicht vorhanden sind. Bei der vorliegenden Erfindung wird unter dem Begriff„Gruppe" die Häufung von Bildpunkten verstanden, auf denen ein Defekt erfasst wird.
Das Verfahren entspricht einer mehrfachen Anwendung des DB SC AN- Verfahrens, wobei die Parameter Gruppierungsabstand und minimal Anzahl von Bildpunkten in erfindungsgemäßer Weise entwickelt werden. Das DB SC AN- Verfahren ist allgemein bekannt und braucht hier nicht erläutert zu werden. Es ist in seiner Originalfassung z.B. in Martin Ester, Hans-Peter Kriegel, Jörg Sander, Xiaowei Xu: A density-based algorithm for discovering Clusters in large spatial databases with noise. In: Evangelos Simoudis, Jiawei Han, Usama M. Fayyad (Hrsg.): Proceedings of the Second International Conference on Knowledge Discovery and Data Mining (KDD-96). AAAI Press, 1996, ISBN 1-57735-004-9, S. 226-231 veröffentlicht. Mit dem erfindungsgemäßen Verfahren werden interessierende Defekte, etwa Kratzer, Risse, kreisförmige Abdrücke und dergleichen aus dem„Sternenhimmel" von uninteressanten Kleinstdefekten herausgefiltert und erkennbar gemacht. Dies erfolgt vollständig automatisiert. Eine manuelle Beurteilung durch den Benutzer ist nicht erforderlich.
Anders als bekannte Lösungen der Halbleiterbranche werden nicht Ergebnisdateien mit Koordinaten und geometrischen Größen ausgewertet, sondern Bezug auf die primären Bilddaten in Form der Defektbilder genommen. Diese haben einen wesentlich höheren Informationsgehalt. Es ist daher wahrscheinlicher, die gewünschten Signaturen zu erkennen. Der Unterschied zum Stand der Technik besteht darin, dass in bekannten Ergebnisdateien mit Koordinaten und geometrischen Größen maximal Angaben zur Defektfläche, X- und Y-Ausdehnung enthalten. In Ausnahmefällen wird auch das Aspektverhältnis angegeben. Unter Aspektverhältnis versteht man dabei das Größenverhältnis der Seiten- bzw- Hauptachsen eines den Defekt umschreibenden Rechtecks oder einer Ellipse. D.h. es wird ein solches Rechteck (eine solche Ellipse) ermittelt, das (die) unter allen Rechtecken (Ellipsen), welche alle zum Defekt gehörenden Bildpunkte in seiner (ihrer) Fläche enthält den kleinsten Flächeninhalt hat. Das Verhältnis der Längen der längeren zur kürzeren Seite (der großen zur kleinen Halbachse) ist das Aspektverhältnis des (der) den Defekt umschreibenden Rechtecks (Ellipse) und wird Aspektverhältnis des Defekts genannt.
Ein diagonaler Kratzer hat bei bekannten Verfahren z.B. gleiche X- und Y-Ausdehnung und ein hohes Aspektverhältnis. Am Aspektverhältnis kann man den Kratzer von einem beispielsweise runden Fleck gleicher Größe unterscheiden, welcher ein Aspektverhältnis nahe 1 hat. Die Richtung des Kratzers ist im Gegensatz zum erfindungsgemäßen Verfahren jedoch für eine solche nachgelagerte Auswertung nicht mehr zugänglich. Die primären Bilddaten hingegen enthalten alle durch die Aufnahme gewonnen Informationen.
Bei dem Verfahren wird die Auswahl der Kratzer durch eine wiederholt angewandte Kombination aus Gruppierung und Filterung erreicht. Die Parameter, welche diese Iteration bestimmen sind M und r. M ist hier die minimale Anzahl von Bildpunkten einer Gruppe aus Bildpunkten, auf denen ein Defekt erfasst wird, die beim Filtern nicht verworfen wird und kann mit „Minimalpixelzahl" bezeichnet werden, r ist der Gruppierungsabstand. Das ist der maximale Abstand zwischen den nächsten Nachbarn einer Gruppe aus Bildpunkten, auf denen ein Defekt erfasst wird.
Dazu wird zunächst die Umgebung aller Bildpunkte betrachtet, auf denen ein Defekt erfasst wird. Für jeden betrachteten Bildpunkt („Startpunkt"), der einen Defekt enthält werden alle Bildpunkte, auf denen ebenfalls ein Defekt erfasst ist, die in einem Abstand, der kleiner als r ist mit dem Startpunkt zu einer Gruppe zusammengefasst. Dieser Schritt wird für jeden zur Gruppe hinzugekommen Bildpunkt solange widerholt, bis für alle Mitglieder der Gruppe kein weiterer Bildpunkt mit einem Defekt in einem kleineren Abstand als r auffindbar ist. Die Zugehörigkeit zu einer Gruppe mit mindestens M Bildpunkten, auf denen ein Defekt erfasst wird, führt dazu, dass der Defekt nicht herausgefiltert wird.
Nach diesem Gruppierungsschritt erfolgt der Filterschritt. In diesem Schritt werden alle Defekte gestrichen, die nicht zu einer der Gruppen mit mindestens M Bildpunkten mit Defekten gehören.
Die gestrichenen Defekte und Defekt-Gruppen repräsentieren einen Teil des „Sternenhimmels" aus Kleinstdefekten. Es hat sich herausgestellt, dass mehrere Wiederholungen des Gruppierens und Filterns erforderlich sind, um alle uninteressanten Defekte zu eliminieren, so dass lediglich die größeren, interessierenden Defekte sichtbar sind.
Vorzugsweise erfolgt das Erfassen von Defekten durch Vergleich des aufgenommenen Bildes mit einem Referenzbild. Dabei kann das Referenzbild von einem anderen, fehlerfreien Objekt oder von einem anderen Teil des gleichen Objekts stammen. Das Referenzbild kann auch aus einer Vielzahl von Bildern oder Teilbildern rechnerisch erzeugt werden. Das Zusammenfassen von defekten Bildpunkten zu Gruppen kann derart erfolgen, dass alle Bildpunkte zwischen defekten Bildpunkten, die innerhalb eines ausgewählten maximalen Abstands r auftreten oder die mit mindestens einer ausgewählten, minimalen Dichte auftreten, ebenfalls als defekt angenommen werden. Die Umgebung eines defekten Bildpunktes welche für die Auswahl der Gruppe maßgeblich ist, bestimmt sich also entweder durch ihren Abstand zu einem defekten Bildpunkt oder durch die Dichte, mit der defekte Bildpunkte in einem Bereich auftreten. Es versteht sich, dass auch beide Kriterien maßgeblich sein können.
Schritte (c) bis (e) können abschnittsweise für das aufgenommene Bild oder einen größeren Teil des aufgenommenen Bildes durchgeführt werden. Dadurch kann die Rechenleistung beispielsweise auf mehrere Rechner verteilt werden und das Ergebnis steht schneller zur Verfügung. Die bearbeiteten Abschnitte können anschließend wieder zu einem Gesamtbild des Objekts zusammengesetzt werden. Die mehrfache Wiederholung der Gruppierung wird mit einem geeigneten Abbruchkriterium beendet. Ein oder mehrere solcher Kriterium können gemeinsam oder einzeln angewandt werden: der Gruppierungsabstand r erreicht einen vorgegebenen Endwert und/oder die minimale Anzahl M der Bildpunkte erreicht eine vorgegebene Endgröße. Auf diese Weise lässt sich beispielsweise einstellen, bis zu welcher Größe auch kleinere Kratzer ignoriert werden.
Würde man versuchen, für die Aufgabe in vorbekannter Weise nur einen DBSCAN- Schritt anzuwenden, lassen sich z.B. bei Verwendung des Gruppenabstands für r kleine, am Kratzer liegende Defekte nicht herausfiltern.
Durch diese Vorgehensweise werden Kleinstdefekte hinreichend herausgefiltert. Es verbleiben als Defektgruppen noch die gesuchten Kratzer, Risse, Bruchansätze sowie flächige Defekte wie Flecken und Punktwolken. In einer besonders bevorzugten Ausgestaltung der Erfindung kann die Möglichkeit geschaffen werden lineare Defekte von größeren flächigen Defekten, wie etwa Wolken oder Flecken zu unterscheiden. Dies kann ggf. in einem 2. Schritt erfolgen.
Um zwischen diesen beiden Gruppen, linienförmige Defekte und flächige Defekte, zu unterscheiden kann die Morphologie der gefundenen Defektgruppen genutzt werden. Die bloße Auswertung z.B. des Aspektverhältnisses der Gruppe reicht jedoch nicht aus, da dabei nur gerade oder schwach gebogene Kratzer von Flecken und Wolken unterschieden werden. Ein Kratzer mit unregelmäßiger Form kann leicht als flächiger Defekt fehlinterpretiert werden, wenn nur das Aspektverhältnis ausgewertet wird.
In einem vorteilhaften Verfahren werden die Defektgruppen in n Untergruppen zerlegt und deren Aspektverhältnis bestimmt. Für die Unterteilung in n Untergruppen bieten sich verschiedene gut bekannte Standard-Clusterverfahren an. Beispielsweise kann durch ein k-Means-Verfahren die Gruppe in n Untergruppen geteilt werden. Es kommt hierbei nicht auf eine hohe morphologische Reinheit der Untergruppen an. Ziel ist nur geeignete Teilgruppen für die Auswertung des Aspektverhätnisses zu gewinnen. Das k-Means-Verfahren bietet sich an, da es sicherstellt, dass n Unterguppen erzeugt werden. Bei dem k-Means- Verfahren werden alle Bildpunkte der Defektgruppe in eine als Parameter fest vorgegebene Anzahl k von Untergruppen („Clustern") eingeordnet. Es werden k Startwerte für die Schwerpunkte m; der k Untergruppen gesetzt. Der Index i läuft hierbei von 1 bis k. Die Positionen der k Startpunkte m; können dabei rein statistisch oder nach einem geeigneten Kriterium verteilt werden, da ihre Verteilung in der Regel lediglich Auswirkungen auf die Rechenzeit und nicht auf die letztlich gefundene Zuordnung der Bildpunkte zu den k Untergruppen hat. Jeder Bildpunkt der gesamten Defektgruppe wird nun derjenigen Untergruppe zugeordnet, von dessen Schwerpunkt m; er den kleinsten Abstand hat. Nach erfolgter Zuordnung wird für jede Untergruppe der Schwerpunkt m; aus den zugeordneten Bildpunktkoordinaten neu berechnet. Die Schritte Zuordnung zu den Untergruppen und Neuberechnung der Schwerpunkte aufgrund der neuen Zuordnung werden solange widerholt, bis keine Veränderung der Zuordnung der Bildpunkte zu den k Untergruppen mehr auftritt. Von den Untergruppen wird jeweils das Aspektverhältnis bestimmt. Hierfür werden die größte und kleinste lineare Ausdehnung ermittelt und deren Verhältnis als Aspektverhältnis gespeichert. Das Aspektverhältnis der Defekt-Untergruppe wird wie oben beschrieben die kleinste umschreibende Ellipse (oder das kleinste umschreibende Rechteck) ermittelt und deren Aspektverhältnis (Längenverhältnis der großen zur kleinen Halbachse, bzw. der längeren zur kürzeren Seite) gespeichert. Die Ausrichtung der größeren Ausdehnungsachse, die auch mit„große Halbachse" bezeichnet wird, kann zusätzlich gespeichert werden.
Zur Unterscheidung zwischen linienhaftem Defekt, etwa Kratzer, Risse oder Bruchansätze, und flächigem Defekt, etwa Fleck oder Wolke, wird der Mittelwert oder der Median der Aspektverhältnisse aller Unterpruppen genutzt. Für einen flächigen Defekt wird er in der Regel nahe bei 1 liegen, für einen linienhaften Defekt deutlich über 1.
Ausgestaltungen der Erfindung sind Gegenstand der Unteransprüche. Ein Ausführungsbeispiel ist nachstehend unter Bezugnahme auf die beigefügten Zeichnungen näher erläutert.
Kurze Beschreibung der Zeichnungen illustriert einen Teil einer Waferoberfläche mit einem Kratzer und einer Vielzahl von Kleinstdefekten aus dem Stand der Technik. ist eine schematische Darstellung einer Aufnahme der Waferoberfläche aus Figur 1 mit hoher Auflösung nach dem Stand der Technik.
Fig.3 ist eine schematische Darstellung einer Aufnahme der Waferoberfläche aus
Figur 1 mit geringer Auflösung nach dem Stand der Technik. Fig.4 illustriert das Gruppieren von Defekten in einem Bild der Waferoberfläche aus Figur 1 nach dem Abstand entsprechend einem ersten Ausführungsbeispiel. Fig.5 zeigt das Ergebnis des Gruppierens aus Figur 4.
Fig.6 illustriert das Filtern kleiner Defekte nach dem Gruppieren.
Fig.7 zeigt das Ergebnis des Filterns aus Figur 6.
Fig.8 illustriert das erneute, gröbere Gruppieren von Defekten, die nach dem
Filterschritt gemäß Figur 6 verbleiben.
Fig.9 zeigt das Ergebnis des erneuten Gruppieren in Figur 8.
Fig.10 illustriert das erneute Filtern von Defekten nach dem Gruppieren in Figur 9.
Fig.l 1 zeigt das Ergebnis des erneuten Filterns in Figur 10. Fig.12 illustriert die Größenverhältnisse des in Figur 11 gezeigten Defekts auf einem typischen Wafer.
Fig.13 zeigt ein aus mehreren, bearbeiteten Abschnitten zusammengesetztes
Gesamtbild eines Wafers vor weiterem Gruppieren.
Fig.14 zeigt das Ergebnis eines weiteren Gruppierschritts aus Figur 13.
Fig.15 illustriert das Ergebnis eines weiteren Filterns von Defekten auf dem
Gesamtbild eines Wafers nach dem Gruppieren in Figur 14.
Fig.16 illustriert die Signaturerkennung an einem ersten größeren Defekt. Fig.17 illustriert einen von einem Werkzeug im Herstellungsprozess verursachten Defekt aus einer Bibliothek. zeigt Defekte in einem hochauflösenden Bild entsprechend einem zweiten Ausführungsbeispiel.
Fig.19 illustriert den Gruppenabstand bei den Defekten in Figur 18 und zeigt an, welche Defekte herausgefiltert werden.
Fig.20 zeigt die Situation aus Figur 19 nach dem Filtern und zeigt an, welche
Defekte in einem zweiten Schritt herausgefiltert werden.
Fig.21 zeigt die Situation aus Figur 20 nach dem Filtern und zeigt an, welche
Defekte in einem dritten Schritt herausgefiltert werden.
Fig.22 zeigt die Situation aus Figur 21 nach dem Filtern und zeigt an, welche
Defekte in einem vierten Schritt herausgefiltert werden.
Fig.23 zeigt das Ergebnis der Bildbearbeitung nach den Figuren 19 bis 22.
Fig.24 illustriert, wie linienhafte Defekte in Figur 23 von flächigen Defekten unterschieden werden können. illustriert, an welchen Stellen eine weitere Gruppierung und Filterung erforderlich sein kann.
Fig.26 illustriert das Ergebnis der Bildbearbeitung nach der Abtrennung von flächigen Defekten.
Beschreibung der Ausführungsbeispiele Fig.l zeigt schematisch einen Teil einer Waferoberfläche 10 mit einem Kratzer 12 und einer Vielzahl von Kleinstdefekten 14, 16, 18 aus dem Stand der Technik. Diese Waferoberfläche 10 kann mit der Kamera eines Inspektionsgerätes aufgenommen werden.
Die nicht bearbeitete Aufnahme mit hoher Auflösung, wie sie aus dem Stand der Technik bekannt ist, ist in Figur 2 dargestellt. Man erkennt, dass alle kleinen Defekte, beispielsweise die Defekte 14 und 18 gut dargestellt sind. Größere Defekte, wie der Defekt 16 und der Kratzer 12 bestehen bei dieser Aufnahme aus einer Vielzahl von einzelnen Punkten. Der Defekt 16 besteht beispielsweise aus zwei einzelnen Punkten 20 und 22. Der Kratzer 12 ist als solcher nicht mehr zu erkennen. Vielmehr sind an seiner Stelle Punkte 24 in der Aufnahme vorhanden.
Fig.3 ist eine schematische Darstellung einer Aufnahme der Waferoberfläche aus Figur 1 mit geringer Auflösung nach dem Stand der Technik. Bei dieser Aufnahme sind nicht mehr alle Defekte zu erkennen. So ist beispielsweise der Defekt 18 überhaupt nicht vorhanden, während der Defekt 14 gut zu erkennen ist. Vom real vorhandenen, etwas größeren Defekt 16 ist nur noch ein Teil 20 zu sehen. Man erkennt an diesen Aufnahmen, dass die Verwendung einer geringeren oder größeren Auflösung nicht dazu führt, dass tatsächlich vorhandene Kratzer oder sonstige größere Defekte erkannt werden.
Die Figuren 4 bis 17 illustrieren ein erstes Ausführungsbeispiel der Erfindung, bei dem durch wiederholtes Gruppieren und Filtern größere Defekte erkannt und zugeordnet werden können.
Figur 4 illustriert das Gruppieren von Defekten in einem Bild der Waferoberfläche aus Figur 1 nach dem Gruppenabstand. Im Prinzip wird dabei um jeden Defekt in einem hochaufgelösten Bild, wie etwa aus Figur 2, ein Umriss mit einem ausgewählten Minimalabstand zum aufgenommenen Defekt gelegt. Der Defekt 16 beispielsweise besteht in dieser Darstellung aus zwei Einzeldefekten 22 und 20. Um jeden dieser beiden Einzeldefekte 20 und 22 wird ein Umriss 26 mit einem Gruppenabstand als Radius r gelegt. Der Umriss einzelner, kleiner Defekte, beispielsweise des Defekts 18, überlappt mit keinem weiteren Defekt. Solche Defekte bleiben in der Darstellung in Figur 4 zunächst wie sie sind. Die Umrisse 26 anderer Defekte, beispielsweise der Defekte 20 und 22 in Figur 4 überlappen. Diese Defekte werden„gruppiert", d.h. der Zwischenraum zwischen diesen Defekten wird ebenfalls als Defekt angenommen. Fig.5 zeigt das Ergebnis des Gruppierens aus Figur 4. Man erkennt, dass der Defekt 16 und der Kratzer 12 jetzt praktisch vollständig zu erkennen ist. Der Kratzer liegt jedoch immer noch vor einem „Sternenhimmel" aus einer Vielzahl von uninteressanten Kleinstdefekten, beispielsweise Defekt 18. Es ist daher erforderlich, den Kratzer 12 von den Kleinstdefekten 18 durch Filtern zu trennen. Fig.6 illustriert das Filtern kleiner Defekte nach dem Gruppieren. Dabei werden alle Defekte, die kleiner sind als ein ausgewähltes Maß eliminiert. Die Größe, nach der gefiltert wird, wird dabei so ausgewählt, dass noch Defekte übrig bleiben, aber auch einige Defekte herausgefiltert werden. Es ist nicht schädlich, wenn einige der kleineren Defekte, die ebenfalls uninteressant sind, im Bild verbleiben. Wichtig ist es, dass die Schritte Gruppieren und Filtern mehrfach wiederholt werden. Dadurch gehen anders als bei der Aufnahme mit unterschiedlicher Auflösung kleine Defekte, die Teil eines größeren Defekts sind, nicht einfach verloren. Vielmehr wird der volle Informationsgehalt einer hochauflösenden Aufnahme verwendet. Fig.7 zeigt das Ergebnis des Filterns aus Figur 6. Man erkennt, dass bereits weniger Kleinstdefekte in dem Bild vorliegen.
Die Schritte Gruppieren und Filtern werden nun mehrfach wiederholt. Figur 8 illustriert das erneute, gröbere Gruppieren von Defekten, die nach dem Filterschritt gemäß Figur 6 verbleiben. Der Umriss 26 der um einen Defekt, beispielsweise 16, gelegt wird, ist nun etwas weiter und hat einen größeren Abstand zu dem eigentlichen, bisher erkannten Defekt. Dadurch werden Teile von größeren Strukturen, die bei dem ersten Clustern mit einem Minimalabstand noch nicht als Teil der größeren Struktur erkannt wurden, ebenfalls erfasst. Ein Beispiel hierfür ist das linke, obere Ende 30 des Kratzers 12. Während die Umrisse 32 in Figur 4 noch eine Lücke aufwiesen, überlappen die Umrisse in Figur 8. Figur 9 zeigt das Ergebnis des erneuten Gruppierens in Figur 8. Man erkennt Teil 30 nun als Teil des Kratzers 12. Fig.10 und 11 illustrieren das erneute Filtern von Defekten nach dem Gruppieren in Figur 9. Einzelne Defekte - auch der Defekt 16, der sich über mehrere Bildpunkte erstreckt - werden bei diesem Filtervorgang eliminiert. Figur 11 zeigt das Ergebnis des erneuten Filterns in Figur 10. Man erkennt, dass nun lediglich der Kratzer 12 und ein Kratzer 34 im Bild verbleiben. Es versteht sich, dass die Schritte Gruppieren und Filtern je nach Anwendung weitere Male wiederholt werden können.
Der Mensch erkennt bei der Betrachtung der beiden Defekte in Figur 11 sofort, dass beide Teile 12 und 34 vermutlich Teil eines noch größeren Kratzers sind. Die automatisierte Auswertung bei der Bildverarbeitung muss dies jedoch noch erkennen. Fig.12 illustriert die Größenverhältnisse des in Figur 11 gezeigten Defekts auf einem typischen Wafer. Alle abschnittsweise aufgenommenen Bilder des Wafers 36 werden nun zusammengesetzt. Im Ergebnis ergibt sich ein Bild des Wafers mit mehreren, größeren Defekten. Dies ist in Figur 13 dargestellt. Figur 13 zeigt ein aus mehreren, bearbeiteten Abschnitten zusammengesetztes Gesamtbild eines Wafers 36 vor dem weiteren Gruppen. Man erkennt, dass auch in anderen Abschnitten Defekte, beispielsweise 38 oder 40, vorliegen.
Je nach Abschnittsgröße, mit der die Abschnitte aufgenommen wurden, liegen nicht alle Teile eines größeren Defekts auf einem Abschnitt. So gehören zum Kratzer 12 und 34 weitere Teile 42 aus anderen Abschnitten. Dies ist nur im Gesamtbild in Figur 13 zu erkennen. Das Gesamtbild wird daher bei Fällen wie diesem wenigstens ein weiteres Mal gruppiert und gefiltert. Fig.14 zeigt das Ergebnis eines weiteren Gruppierungsschritts für das Gesamtbild. Man erkennt, dass der Kratzer 12 nun von einer durchgehenden Linie repräsentiert wird. Der Kratzer 12 ist gut als solcher zu erkennen. Neben dem Kratzer 12 sind weitere, kleiner Strukturen, z.B. Struktur 44, zu erkennen. Auch solche kleinen Strukturen können herausgefiltert werden. Hierzu erfolgt ein weiterer Filterschritt, dessen Ergebnis in Figur 15 zu erkennen ist. In diesem Bild sind nur noch die wirklich interessierenden Defekte, nämlich der Kratzer 12 und die kreisförmigen Strukturen 38 und 40 zu erkennen. Diese verbleibenden Strukturen 12, 38 und 40 werden einer automatisierten Formanalyse nach Geometrie und/oder Lage unterzogen, welche im Ergebnis ergibt, dass die Struktur 12 ein Kratzer ist. Dies ist in Figur 16 dargestellt. Der Vergleich der Strukturen 38 und 40 mit einer gespeicherten Bibliothek aus Defektsignaturen liefert Rückschlüsse auf die Herkunft der Defekte. Auf diese Weise können Probleme im Herstellungsprozess des Wafers schnell erkannt und behoben werden.
Die Defekte können mit geringem Speicherplatz in einer Textdatei gespeichert werden. Dann kann das ursprünglich aufgenommene Bild mit hoher Auflösung und hohem Speicherplatzbedarf nach der Bildverarbeitung verworfen werden.
Die Reihe der Fig. 18 bis 23 demonstriert das Vorgehen an einem kleinen Ausschnitt in einem weiteren Ausführungsbeispiel. Dabei ist Fig. 18 das Ausgangsbild, Fig. 19 bis 22 illustriert die 4 Wiederholungsschritte dieses Beispiels und Fig. 23 zeigt das erzielte Endbild. Bildpunkte 58, auf denen ein Defekt erfasst wurde, sind schwarz dargestellt. Die Kreise 56 in jeder Figur stellen die untersuchten Abstandsumgebungen mit Radius r um einen Bildpunkt 58, auf dem ein Defekt erfasst wurde, dar. Es sind in der Regel diejenigen Bildpunkte 58, auf denen ein Defekt erfasst wurde, mit einem Kreis mit Radius r eingekreist, die beim nächsten Schritt, dem Filterschritt gestrichen werden.
Im illustrierten Beispiel wurde mit der Anzahl der Bildpunkte mit einem Defekt M = 2 und einem Gruppenabstand r= 2,2 begonnen. Dies ist in Figur 19 dargestellt. In jedem Schritt wurde M um 1 erhöht. Dies ist in Figur 20 und 21 dargestellt. Im letzten Schritt wurde M um 2 erhöht. Dies ist in Figur 22 dargestellt. Der Gruppenabstand r wurde von Schritt zu Schritt mit 1,2 multipliziert. Die Angaben für r sind in relativen Einheiten mit Bezug auf die Kantenlänge eines Bildpunkts der Größe 1. Bei Erreichen von M = 6 wurde die Wiederholung beendet. Die dann erreichte Situation ist in Figur 23 dargestellt. Die Vorgehensweise lässt sich in der folgenden Tabelle zusammenfassen:
Parameter I.Schritt 2. Schritt 3. Schritt 4. Schritt r 2,2 2,6 3,2 3,8
M 2 3 4 6 Die gewählten Startwerte sowie die Art der Veränderung von r und M stellt selbstverständlich nur ein Beispiel dar. Es können ebenso andere Faktoren für r oder Schrittweiten für M gewählt werden. Ebenso können die Werte auch über verschiedene Schritte gleich bleiben. So kann man z.B. M auch nur jeden zweiten oder jeden dritten Schritt vergrößern oder r konstant lassen.
Nun werden die Defektgruppen in n Untergruppen zerlegt und jeweils deren Aspektverhältnis bestimmt. Für die Unterteilung in n Untergruppen bieten sich verschiedene gut bekannte Standard-Clusterverfahren an. Beispielsweise kann durch ein k-Means-Verfahren die Gruppe in n Untergruppen geteilt werden. Es kommt hierbei nicht auf eine hohe morphologische Reinheit der Untergruppen an. Ziel ist nur geeignete Teilgruppen für die Auswertung des Aspektverhätnisses zu gewinnen. Das k-Means- Verfahren bietet sich an, da es sicherstellt, dass n Unterguppen erzeugt werden. Von den Untergruppen wird jeweils das Aspektverhältnis bestimmt. Hierfür werden die größte und kleinste lineare Ausdehnung ermittelt und deren Verhältnis als Aspektverhältnis gespeichert. Die Ausrichtung der größeren Ausdehnungsachse (große Halbachse) kann zusätzlich gespeichert werden. Zur Unterscheidung zwischen linienhaftem Defekt 50, etwa Kratzer, Risse oder Bruchansätze, und flächigem Defekt 80, etwa Fleck oder Wolke, wird der Mittelwert oder der Median der Aspektverhältnisse aller Unterpruppen genutzt. Für einen flächigen Defekt wird er in der Regel nahe bei 1 liegen, für einen linienhaften Defekt deutlich über 1.
Dieses Verfahren ist in Fig. 24 illustriert. Es wurde für jede der in Bild 6 verbliebenen Gruppen (50, 60, 70, 80) ein k-Mean mit n= 4 ausgeführt, n ist die Zahl der zu bildenden Untergruppen. Der flächenhafte Defekt 80 deutet auf eine Wolke aus 1 -Pixeldefekten hin und weist klar erkennbar ein Aspektverhältniss nahe 1 für alle Untergruppen auf und kann so von den linienhaften Defekten 50, 60, 70 unterschieden werden.
In einer anderen Ausgestaltung der Erfindung kann für diese Analyse auch das in Fig. 23 dargestellte Bild der bekannten Hough-Transformation unterzogen werden. Die Hough- Transformation ist allgemein bekannt und braucht daher hier nicht weiter erläutert werden. Es wird Bezug genommen auf die Veröffentlichung Bernd Jähne: Digitale Bildverarbeitung. 5. überarbeitete und erweiterte Auflage. Springer, Berlin 2002, ISBN 3-540-41260-3, S. 459ff, deren Inhalt hier durch Bezugnahme eingefügt wird.
Bei der Hough-Transformation wird vorteilhafter Weise jedem Punktpaar aus jeder Gruppe eine Gerade zugeordnet. Die Parameter aller dieser Geraden werden im Transformationsraum, dem Hough-Raum, gespeichert. Vorteilhaft ist hier die Gerade in Hessescher Normalform zu beschreiben und mit den Parametern Winkel zur x-Ache, und Abstand zum Ursprungspunkt im Hough-Raum einzutragen. Dabei fasst man das Bild mit unterer linker Ecke als Ursprungspunkt und untere Kante als x-Achse als Koordinatensystem auffasst.
Für die linienhaften Defekte 50, 60, 70 ergeben sich entsprechende Häufungspunkte im Hough-Raum, da viele der gebildeten Geraden annähernd die gleiche Steigung und ähnliche Abstände zum Ursprung haben. Für die Defekte 50 und 60 wird es jeweils eine Häufung geben, für 70 zwei Häufungen. Demgegenüber ergibt die Transformation für den flächenhaften Defekt 80 keine Häufung. Es ist wiederum eine Trennung von flächenhaften und linienhaften Defekten möglich.
Mit der beschriebenen Nutzung der Hough-Transformation lassen sich unter zusätzlicher Betrachtung der räumlichen Nähe der Defekte, d.h. dem Abstand des Schwerpunktes der Defekte 50 und 60 auch diese beiden Kratzerstücken zu einem Defekt zusammenfassen. Dies ist in Figur 24 dargestellt. Die räumliche Nähe und die ähnliche Häufung im Hough- Raum belegen, dass es sich um Teilstücken desselben Kratzers handelt.
Ebenso können unter Nutzung der Hough-Transformationsdaten auch die zwei Kleindefekte 52 und 54 wie in Figur 25 dargestellt, welche offenbar nicht zum Kratzer gehören nachträglich herausgefiltert werden. Das Kriterium ist wiederum, dass die Parameter- Häufung für die gebildeten Geraden, des nunmehr zusammengefassten Kratzer-Defektes, signifikant ist und die mit diesen vier Bildpunkten, auf denen ein Defekt erfasst wurde, gebildeten Geraden davon erheblich abweichen. Nach den durchgeführten Schritten verbleiben die in Fig. 26 dargestellten zwei linienhaften Defekte 50 bzw. 60 und 70. Diese können nun mit den Ergebnissen der benachbarten Defektbilder weiter zusammengeführt werden, wie dies bereits anhand des ersten Ausführungsbeispiels erläutert wurde. Die beschriebene Nutzung der Hough- Transformation ist geeignet auch hierbei Kratzer-Teilstücken zusammen zu führen.
Das vorstehende Ausführungsbeispiel dient nur zu illustrierenden Zwecken. Es versteht sich, dass eine Vielzahl von Änderungen vorgenommen werden können, die sich dem Fachmann unmittelbar erschließen, ohne vom Erfindungsgedanken abzuweichen. So variieren die Anzahl der Wiederholungen der Schritte Gruppieren und Filtern je nach Art der Anwendung und gewünschtem Ergebnis. Auch können unterschiedliche Gruppierungs- und Filterverfahren eingesetzt werden und die Wiedergabe von Defekten kann mit unterschiedlichen Referenzbildern erfolgen.

Claims

Patentansprüche
1. Verfahren zur Inspektion von flachen Objekten, insbesondere Wafern mit den Schritten:
(a) Aufnehmen eines digitalen Bildes der Objektoberfläche mit einem Detektor mit einer Vielzahl von Bildelementen;
(b) Erfassen von Defekten auf der Objektoberfläche;
gekennzeichnet, durch die Schritte
(c) Zusammenfassen von Bildpunkten, auf denen ein Defekt erfasst wird, zu Gruppen, wobei alle diejenigen Bildpunkte zu einer Gruppe zusammengefasst werden, die durch Bildpunkte, auf denen ein Defekt erfasst wird, mit einem Abstand verbunden werden können, der kleiner als ein Gruppierungsabstand r ist;
(d) Filtern der in Schritt (c) erzeugten Gruppen, wobei Gruppen verworfen werden, welche eine minimale Anzahl M von Bildpunkten, auf denen ein Defekt erfasst wird, nicht erreichen;
(e) Wiederholen der Schritte (c) und (d), wobei die Parameter r und M schrittweise verändert werden, so dass der Gruppierungsabstand r und die minimale Anzahl M von Bildpunkten wachsen, bis wenigstens einer der Parameter r oder M entweder einen maximalen Grenzwert erreichen, oder alle Bildpunkte auf denen ein Defekt erfasst wird, durch die wiederholte Filterung aussortiert wurden.
2. Verfahren nach Anspruch 1, dadurch gekennzeichnet, dass das Erfassen von Defekten durch Vergleich des aufgenommenen Bildes mit einem Referenzbild erfolgt.
Verfahren nach einem der vorgehenden Ansprüche, dadurch gekennzeichnet, dass das Zusammenfassen von defekten Bildpunkten zu Gruppen derart erfolgt, dass alle Bildpunkte zwischen defekten Bildpunkten, die innerhalb eines ausgewählten maximalen Abstands auftreten oder die mit mindestens einer ausgewählten, minimalen Dichte auftreten, ebenfalls als defekt angenommen werden.
Verfahren nach einem der vorgehenden Ansprüche, dadurch gekennzeichnet, dass die Schritte (c) bis (e) abschnittsweise für das aufgenommene Bild oder einen größeren Teil des aufgenommenen Bildes durchgeführt werden.
Verfahren nach Anspruch 4, dadurch gekennzeichnet, dass die bearbeiteten Abschnitte wieder zu einem Gesamtbild des Objekts zusammengesetzt werden.
Verfahren nach einem der vorgehenden Ansprüche, dadurch gekennzeichnet, dass für die nach der Bildbearbeitung verbleibenden Defekte eine Signaturerkennung durchgeführt wird.
7. Verfahren nach Anspruch 6, dadurch gekennzeichnet, dass die nach der Bildbearbeitung verbleibenden Defekte mit geometrischen Mustern verglichen werden.
8. Verfahren nach Anspruch 6 oder 7, dadurch gekennzeichnet, dass die nach der Bildbearbeitung verbleibenden Defekte mit einer Defekt-Bibliothek verglichen werden, in welcher Defektsignaturen gespeichert sind, welche von Werkzeugen erzeugt werden, die im Herstellungs- oder Bearbeitungsprozess des Objekts verwendet werden.
9. Verfahren nach Anspruch 8, dadurch gekennzeichnet, dass das Bild als reduziertes Signaturbild in einer Textdatei gespeichert wird.
PCT/EP2012/066189 2011-08-24 2012-08-20 Inspektionsverfahren WO2013026826A1 (de)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102011052943.8 2011-08-24
DE201110052943 DE102011052943A1 (de) 2011-08-24 2011-08-24 Inspektionsverfahren

Publications (1)

Publication Number Publication Date
WO2013026826A1 true WO2013026826A1 (de) 2013-02-28

Family

ID=46826455

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/EP2012/066189 WO2013026826A1 (de) 2011-08-24 2012-08-20 Inspektionsverfahren

Country Status (2)

Country Link
DE (1) DE102011052943A1 (de)
WO (1) WO2013026826A1 (de)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109449093A (zh) * 2018-10-24 2019-03-08 武汉新芯集成电路制造有限公司 晶圆检测方法
CN111815565A (zh) * 2020-06-11 2020-10-23 上海华虹宏力半导体制造有限公司 晶圆背面的检测方法、设备和存储介质
CN112204385A (zh) * 2018-06-29 2021-01-08 富士胶片株式会社 缺陷显示装置及方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5913105A (en) 1995-11-29 1999-06-15 Advanced Micro Devices Inc Method and system for recognizing scratch patterns on semiconductor wafers
US6246472B1 (en) * 1997-07-04 2001-06-12 Hitachi, Ltd. Pattern inspecting system and pattern inspecting method
US7315365B2 (en) * 2000-05-04 2008-01-01 Kla-Tencor Corporation System and methods for classifying anomalies of sample surfaces
WO2011036846A1 (ja) * 2009-09-28 2011-03-31 株式会社日立ハイテクノロジーズ 欠陥検査装置および欠陥検査方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020184172A1 (en) * 2001-04-16 2002-12-05 Vladimir Shlain Object class definition for automatic defect classification

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5913105A (en) 1995-11-29 1999-06-15 Advanced Micro Devices Inc Method and system for recognizing scratch patterns on semiconductor wafers
US6246472B1 (en) * 1997-07-04 2001-06-12 Hitachi, Ltd. Pattern inspecting system and pattern inspecting method
US7315365B2 (en) * 2000-05-04 2008-01-01 Kla-Tencor Corporation System and methods for classifying anomalies of sample surfaces
WO2011036846A1 (ja) * 2009-09-28 2011-03-31 株式会社日立ハイテクノロジーズ 欠陥検査装置および欠陥検査方法
US20120229618A1 (en) * 2009-09-28 2012-09-13 Takahiro Urano Defect inspection device and defect inspection method

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
BERND JÄHNE: "Digitale Bildverarbeitung.", vol. 5, 2002, SPRINGER, pages: 459FF
MARTIN ESTER; HANS-PETER KRIEGEL; JÖRG SANDER; XIAOWEI XU: "Proceedings of the Second International Conference on Knowledge Discovery and Data Mining (KDD-96", 1996, AAAI PRESS, article "A density-based algorithm for discovering clusters in large spatial databases with noise.", pages: 226 - 231

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112204385A (zh) * 2018-06-29 2021-01-08 富士胶片株式会社 缺陷显示装置及方法
CN109449093A (zh) * 2018-10-24 2019-03-08 武汉新芯集成电路制造有限公司 晶圆检测方法
CN109449093B (zh) * 2018-10-24 2020-12-04 武汉新芯集成电路制造有限公司 晶圆检测方法
CN111815565A (zh) * 2020-06-11 2020-10-23 上海华虹宏力半导体制造有限公司 晶圆背面的检测方法、设备和存储介质

Also Published As

Publication number Publication date
DE102011052943A1 (de) 2013-02-28

Similar Documents

Publication Publication Date Title
DE112015004721B4 (de) Defektdetektion unter verwendung von strukturinformation
DE112012001439B4 (de) Computerimplementierte entwurfsbasierte Inspektion unter Verwendung wiederholender Strukturen
DE112016002090T5 (de) Verfahren und system zur defektklassifizierung
DE69818438T2 (de) Verfahren zur kontrolle der oberfläche einer laufenden materialbahn mit bildsegmentierung zur umgrenzung von defektbereichen
EP3432266A1 (de) Verfahren und vorrichtung zum erkennen von fehlstellen
DE102012107287A9 (de) System und Verfahren zum identifizieren von Fehlern in einem Material
EP1132732A2 (de) Verfahren zur Bewertung von strukturfehlern auf einer Waferoberfläche
DE102006000946A1 (de) Verfahren und System zur optischen Inspektion einer periodischen Struktur
DE112012004809T5 (de) Kantenverfolgung mit Hysterese-Schwellenwertbildung
EP3108461B1 (de) Verfahren zum untersuchen eines wertdokuments und mittel zur durchführung des verfahrens
DE2653590C3 (de) Vorrichtung zum Ermitteln von Fehlern in flächenhaften Mustern, insbesondere in Photomasken
DE102008002753B4 (de) Verfahren zur optischen Inspektion, Detektion und Visualisierung von Defekten auf scheibenförmigen Objekten
DE102006044595B4 (de) Bildverarbeitungsvorrichtung zur Segmentierung anhand von Konturpunkten
WO2013026826A1 (de) Inspektionsverfahren
EP2815230B1 (de) Inspektionsverfahren
DE102009040649A1 (de) Verfahren und Vorrichtung zur Erzeugung von digitalen Einzelbildern von scheibenförmigen Elementen in einem Herstellungsprozess
DE102012111835A1 (de) Inspektionsvorrichtung
DE102016100134B4 (de) Verfahren und Vorrichtung zum Untersuchen eines Objekts unter Verwendung von maschinellem Sehen
AT513126A4 (de) Co-Occurrence Matrix
EP2887010A1 (de) Verfahren und Vorrichtung zum dreidimensionalen optischen Vermessen von Objekten mit einem topometrischen Messverfahren sowie Computerprogramm hierzu
DE20317095U1 (de) Vorrichtung zur Erkennung von Oberflächenfehlern
EP3316216A1 (de) Verfahren zum prüfen eines gegenstands
DE102018122842A1 (de) Computerimplementiertes Verfahren zur Komprimierung von Messdaten aus einer Messung eines Messvolumens
AT511399B1 (de) Verfahren zur automatisierten klassifikation von einschlüssen
EP1347286A1 (de) Verfahren und Vorrichtung zur Kontrolle von Objekten

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 12756407

Country of ref document: EP

Kind code of ref document: A1

DPE1 Request for preliminary examination filed after expiration of 19th month from priority date (pct application filed from 20040101)
NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 12756407

Country of ref document: EP

Kind code of ref document: A1