WO2023046637A1 - Procede de classification de defauts d'un reseau a analyser - Google Patents

Procede de classification de defauts d'un reseau a analyser Download PDF

Info

Publication number
WO2023046637A1
WO2023046637A1 PCT/EP2022/075982 EP2022075982W WO2023046637A1 WO 2023046637 A1 WO2023046637 A1 WO 2023046637A1 EP 2022075982 W EP2022075982 W EP 2022075982W WO 2023046637 A1 WO2023046637 A1 WO 2023046637A1
Authority
WO
WIPO (PCT)
Prior art keywords
series
pattern
patterns
correlation coefficient
analyzed
Prior art date
Application number
PCT/EP2022/075982
Other languages
English (en)
Inventor
Lucas JALOUSTRE
Original Assignee
Commissariat à l'Energie Atomique et aux Energies Alternatives
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 Commissariat à l'Energie Atomique et aux Energies Alternatives filed Critical Commissariat à l'Energie Atomique et aux Energies Alternatives
Priority to US18/694,790 priority Critical patent/US20240242479A1/en
Priority to EP22789217.1A priority patent/EP4405919A1/fr
Publication of WO2023046637A1 publication Critical patent/WO2023046637A1/fr

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/40—Image enhancement or restoration using histogram techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/60—Extraction of image or video features relating to illumination properties, e.g. using a reflectance or lighting model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/98—Detection or correction of errors, e.g. by rescanning the pattern or by human intervention; Evaluation of the quality of the acquired patterns
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10056—Microscopic image

Definitions

  • the invention relates to the technical field of the analysis of defects in a network of periodic patterns by image processing.
  • the invention finds its application in particular when the periodic patterns are nanostructures, such as nanowires formed by epitaxy.
  • Nanostructure defects such as nanowires or nanopyramids
  • a substrate e.g. a wafer or "wafer”
  • the person skilled in the art seeks to identify the nanostructures presenting morphological defects (size, geometry), and to have a quantitative feedback on the quality of the epitaxies in order to determine if the nanowires of the substrate are of sufficient quality to undergo technological steps. additions of an industrial process in production mode.
  • Such a state-of-the-art method whose approach is based on a threshold, is not entirely satisfactory for detecting defects on nanostructures.
  • the nanostructures present a dispersion in particular in size, shape, contrast, luminosity, which makes extremely complex the precise determination of a threshold allowing a reliable detection of defects.
  • such a process of the state of the art is likely to wrongly consider that nanostructures do not contain defects, or to wrongly consider that nanostructures contain defects.
  • the subject of the invention is a method for classifying faults of a grating to be analyzed comprising periodic patterns, the method comprising the steps: a) providing a digital image of a reference grating, showing a first series periodic patterns; b) defining a reference pattern from the patterns of the first series; c) providing a digital image of the grating to be analyzed, showing a second series of periodic patterns; d) calculating a correlation coefficient between each pattern of the second series and the reference pattern; e) classifying, in a first category, each pattern of the second series whose correlation coefficient, in absolute value, is less than a predetermined threshold; f) extracting a characteristic dimension for each pattern of the second series whose correlation coefficient, in absolute value, is greater than the predetermined threshold; g) calculating an arithmetic mean and a standard deviation of the characteristic dimensions extracted during step f); h) classifying, in a second category,
  • peripheral patterns are meant patterns spaced according to a regular interval of distance (spatial period). In a perfect lattice, the periodic patterns reproduce identically. In practice, the expression “identical” means within the usual tolerances linked to the experimental conditions of manufacture, and not in the literal sense of the term.
  • reference grating is meant a grating whose periodic patterns have previously known geometric characteristics (e.g. by measurements), and satisfying given industrial specifications.
  • reference pattern is meant a pattern having previously known geometric characteristics (e.g. by measurements) and which satisfy given industrial specifications.
  • characteristic dimension is meant a specific dimension (spatial extent) allowing a distinction between the patterns of the second series of which each correlation coefficient, in absolute value, is greater than the predetermined threshold.
  • Step e) makes it possible to detect the patterns of the second series which are the least similar in terms of overall morphology with respect to the reference pattern, and are considered as structural defects, classified in the first category.
  • Step h) allows a finer analysis by detecting the patterns of the second series, resembling in terms of morphology overall with respect to the reference pattern, but which present a disparity for at least one specific dimension with respect to the reference pattern. These detected patterns of the second series are considered as size defects, classified in the second category.
  • Such a method according to the invention therefore makes it possible to greatly limit detection errors wrongly establishing that nanostructures do not contain defects.
  • This double analysis of defects makes it possible to specify the nature of the defects detected, and to facilitate the determination of the origin of these defects, by distinguishing for example the influence of epitaxy and the influence of other technological steps in the case of a network of epitaxial nanowires, in order to improve the homogeneity and the reproducibility of the periodic patterns.
  • the invention also relates to a method for classifying faults of a set of gratings to be analyzed each comprising periodic patterns, the method comprising the steps: a) providing a digital image of a reference grating, showing a first series periodic patterns; b) defining a reference pattern from the patterns of the first series; c) provide at least one digital image of each grating to be analyzed in the set, showing a second series of periodic patterns; the method iterating the following steps, for each digital image of each network to be analyzed of the set: d) calculating a correlation coefficient between each pattern of the second series and the reference pattern; e) classifying, in a first category, each pattern of the second series whose correlation coefficient, in absolute value, is less than a predetermined threshold; f) extracting a characteristic dimension for each pattern of the second series whose correlation coefficient, in absolute value, is greater than the predetermined threshold; g) calculating an arithmetic mean and a standard deviation of the characteristic dimensions extracted during step f);
  • Such a method according to the invention has the same advantages as those mentioned above.
  • An additional advantage is to be able to iterate the double analysis of the faults for each network of the set before engaging additional technological steps of an industrial process in production mode.
  • the method according to the invention may comprise one or more of the following characteristics.
  • step f) comprises the steps: fi) performing a cutting line for each pattern of the second series whose correlation coefficient, in absolute value, is greater than the predetermined threshold; fz) extract the characteristic dimension from the section line.
  • an advantage obtained is to be able to easily measure the characteristic dimension from an image processing operation.
  • step b) consists in selecting a pattern from among the patterns of the first series, the selected pattern defining the reference pattern.
  • an advantage obtained is to authorize a manual selection of the reference pattern.
  • step b) comprises the steps: bi) selecting an initial pattern from among the patterns of the first series; bz) calculating a correlation coefficient between each pattern of the first series and the initial pattern; bs) identifying each pattern of the first series whose correlation coefficient, in absolute value, is greater than a predetermined threshold; b 4 ) defining the reference pattern from a combination of the patterns of the first series identified during step bs).
  • an advantage obtained is to improve the reliability and the representativeness of the reference pattern.
  • the reference pattern is defined during step b) by performing an average of the patterns of the first series.
  • an advantage obtained is to improve the reliability and the representativeness of the reference pattern, when the digital image of the reference grating is of good quality (low rate of defects).
  • the term “average” is understood as an average of the intensities of the pixels of the patterns of the first series.
  • the digital images of the reference grating and of the grating to be analyzed, provided respectively during steps a) and c), each comprise a set of pixels, each pixel possessing an intensity; the correlation coefficient is calculated during step d) between the intensity of the pixels of each pattern of the second series and the intensity of the pixels of the reference pattern.
  • the correlation coefficient is calculated during step d) according to the Bravais-Pearson formula.
  • step d) is preceded by the steps: doi) identifying the position of the patterns of the second series on the digital image of the grating to be analyzed; doz) scale the digital image of the network to be analyzed so that the patterns of the second series are in integer.
  • an advantage obtained is to improve the reliability of the calculation of the correlation coefficient by eliminating the patterns of the second series which are on the edges of the digital image of the grating.
  • step d O i) comprises a step consisting in calculating a correlation coefficient between the digital image of the grating to be analyzed and the reference pattern.
  • an advantage obtained is to be able to precisely determine the position of the patterns of the second series on the digital image of the grating to be analyzed, and this in order to reliably count the number of patterns present on the digital image (with a maximum correlation in absolute value).
  • step f) comprises a step P) consisting in extracting at least one additional characteristic dimension for each pattern of the second series whose correlation coefficient, in absolute value, is greater than the predetermined threshold;
  • - step g) comprises a step g′) consisting in calculating an additional arithmetic mean and an additional standard deviation of the additional characteristic dimensions extracted during step P);
  • - step h) comprises a step h′) consisting in classifying, in the second category, each pattern of the second series whose additional characteristic dimension has a deviation from the additional arithmetic mean greater than the additional standard deviation.
  • an advantage is to refine the analysis of potential defects for the patterns of the second series, resembling in terms of global morphology vis-à-vis the reference pattern, but which present a potential disparity for different specific dimensions (for example along different directions) with respect to the reference pattern, which allows a specific morphology analysis with respect to the reference pattern.
  • the network to be analyzed comprises nanowires, forming periodic patterns, and having a cross section in the shape of a hexagon;
  • the characteristic dimension extracted during step f) is the dimension of one side of the hexagon.
  • transverse we mean a section that cuts perpendicularly to the longitudinal axis of the nanowires.
  • the longitudinal axis is the axis extending along the height of the nanowires.
  • the digital images of the reference grating and of the grating to be analyzed, provided respectively during steps a) and c), are digital images from an electron microscope, preferably scanning.
  • step f) is preceded by the steps: faith) generating a histogram of the intensities of the pixels of the digital image of the grating to be analyzed; ffi) extracting an intensity threshold of the periodic patterns of the second series, from the histogram generated during step f O i).
  • an advantage provided by such an image segmentation is to take into account the intensity threshold extracted during step ffi) in order to extract the characteristic dimension during step f) in a reliable manner.
  • step d is followed by a step d') consisting in counting a total number of patterns of the second series of which each correlation coefficient, in absolute value, is greater than the predetermined threshold;
  • Steps e) to h) are executed if the total number of patterns is greater than a predetermined value.
  • an advantage obtained is to guarantee a minimum number of patterns to be analyzed during steps e) to h) to obtain a reliable and representative analysis from a statistical point of view.
  • Figure 1 is a flowchart schematically representing a method according to the invention.
  • Figure 2 is a flowchart schematically representing a method according to the invention, illustrating in particular an iteration of steps d) to h) in the case of a set of networks to be analyzed.
  • Figure 3 is a flowchart schematically representing a method according to the invention, illustrating in particular steps f 1 ) and f 2 ).
  • Figure 4 is a flowchart schematically representing a method according to the invention, illustrating in particular steps bi) to b ⁇ .
  • Figure 5 is a flowchart schematically representing a method according to the invention, illustrating in particular the steps doi) and doz).
  • Figure 6 is a flowchart schematically representing a method according to the invention, illustrating in particular steps f), g′) and h′).
  • Figure 7 is a flowchart schematically representing a method according to the invention, illustrating in particular the steps f O i) and £ 02 )-
  • Figure 8 is a flowchart schematically representing a method according to the invention, illustrating in particular the step d').
  • Figure 9 is a partial schematic sectional view, representing patterns of the first series, and illustrating a first embodiment of step b).
  • Figure 10 is a partial schematic sectional view, representing patterns of the first series, and illustrating a second embodiment of step b).
  • Figure 11 is a partial cross-sectional diagram, representing patterns of the second series, and illustrating a mode of implementation of steps f) and P).
  • an object of the invention is a method for classifying defects of a network to be analyzed 2 comprising periodic patterns 20, the method comprising the steps: a) providing a digital image of a network of reference 1, showing a first series of periodic patterns; b) defining a reference pattern 100 from the patterns 10 of the first series; c) providing a digital image of the grating 2 to be analyzed, showing a second series of periodic patterns 20; d) calculating a correlation coefficient between each pattern 20 of the second series and the reference pattern 100; e) classifying, in a first category, each pattern 20 of the second series whose correlation coefficient, in absolute value, is less than a predetermined threshold; f) extracting a characteristic dimension D for each pattern 20 of the second series whose correlation coefficient, in absolute value, is greater than the predetermined threshold; g) calculating an arithmetic mean and a standard deviation of the characteristic dimensions D extracted during step f); h) classifying, in a second category, each pattern 20 of the second series
  • an object of the invention is a method for detecting faults in a network to be analyzed 2 comprising periodic patterns 20, the method comprising the steps: a) providing a digital image of a reference grating 1, showing a first series of periodic patterns 10; b) defining a reference pattern 100 from the patterns 10 of the first series; c) providing a digital image of the grating 2 to be analyzed, showing a second series of periodic patterns 20; d) calculating a correlation coefficient between each pattern 20 of the second series and the reference pattern 100; e) detecting each pattern 20 of the second series whose correlation coefficient, in absolute value, is less than a predetermined threshold; f) extracting a characteristic dimension D for each pattern 20 of the second series whose correlation coefficient, in absolute value, is greater than the predetermined threshold; g) calculating an arithmetic mean and a standard deviation of the characteristic dimensions D extracted during step f); h) detecting each pattern 20 of the second series whose characteristic dimension D has a deviation from the arithmetic mean
  • the digital image of the reference network 1, provided during step a), comprises a set of pixels, each pixel having an intensity.
  • the digital image of the reference network 1, provided during step a) may have a TIFF format (“Tag Image File Format” in English).
  • the digital image of reference network 1 may be in grayscale.
  • the digital image of the reference grating 1, provided during step a), can come from an electron microscope, preferably scanning.
  • step b) can consist of selecting a pattern from among the patterns 10 of the first series, the selected pattern defining the reference pattern 100.
  • the reference pattern 100 can be selected by a user via a graphical interface GUI (Graphical User Interface) having a selection window 3, for example square.
  • GUI Graphic User Interface
  • the selection window 3 can have a reframing function (“crop” in English).
  • step b) can include the steps: bi) selecting an initial pattern from among the patterns 10 of the first series; bz) calculating a correlation coefficient between each pattern 10 of the first series and the initial pattern; bs) identifying each pattern 10 of the first series whose correlation coefficient, in absolute value, is greater than a predetermined threshold; b 4 ) defining the reference pattern 100 from a combination of the patterns 10 of the first series identified during step bs).
  • the patterns 10 of the first series, identified during step bs), are represented inside selection windows 3 in FIG. 10. These patterns 10 are selected automatically, and not by the user. Step bi) is implemented by the user, but steps b 2 ) to b 4 ) are advantageously implemented by a computer.
  • the initial pattern, selected during step bi) by the user, must be representative of a reference pattern.
  • the patterns 10 of the first series, identified during step bs), can represent between 0.5% and 1% of the total number of patterns 10 of the first series.
  • the reference pattern 100 can be defined during step b) by performing an average of the patterns 10 of the first series.
  • Step b) can then consist in defining the reference pattern 100 from an average of the intensities of the pixels of the first series of periodic patterns 10 of the digital images of reference networks 1.
  • the digital image of the network to be analyzed 2 comprises a set of pixels, each pixel having an intensity.
  • the digital image of the network to be analyzed, provided during step c) may have a TIFF format (“ag lmage Eile Eormat” in English).
  • the digital image of the network to be analyzed 2 can be in grayscale.
  • the digital image of the network to be analyzed 2, provided during step c), can come from an electron microscope, preferably scanning.
  • the network 2 to be analyzed can comprise nanowires, forming periodic patterns, and having a cross section in the shape of a hexagon.
  • Step d) is advantageously implemented by a computer.
  • the correlation coefficient is advantageously calculated during step d) between the intensity of the pixels of each pattern 20 of the second series and the intensity of the pixels of the reference pattern 100.
  • the correlation coefficient is advantageously calculated during the step d) according to the Bravais-Pearson formula, known to those skilled in the art. More precisely, the correlation between the reference pattern 100 and each point of the digital image of the network to be analyzed 2 is carried out by an image correlation function.
  • This image correlation function will compare the reference pattern 100, T(x t , y t ), where (x t , y t ) represents the coordinates of each pixel of the reference pattern, with the image of the network at analyze 2, S(x, y), where (x, y) represents the coordinates of each pixel of the network image to be analyzed 2.
  • the image correlation function consists in calculating the sum of the products of the coefficients of S (x, y) and T(x t , y t ) for all the positions of the reference pattern 100 with respect to the image of the network to be analyzed 2.
  • - X and Y correspond respectively to the matrix of the intensities of the pixels of the image of the grating to be analyzed 2, and to the matrix of the intensities of the pixels of the reference pattern 100.
  • step d) is advantageously preceded by the steps: doi) identifying the position of the patterns 20 of the second series on the digital image of the grating 2 to be analyzed; doz) scale the digital image of the network to be analyzed 2 so that the 20 patterns of the second series are in integer.
  • the doi) and doz) steps are implemented by computer.
  • the step doi) advantageously comprises a step consisting in calculating a correlation coefficient between the digital image of the network to be analyzed 2 and the reference pattern 100.
  • step d) is advantageously followed by a step d') consisting in counting a total number of patterns 20 of the second series, each correlation coefficient of which, in absolute value, is greater than the predetermined threshold .
  • Step d') is advantageously implemented by a computer.
  • Steps e) to h) are executed if the total number of patterns 20 is greater than a predetermined value.
  • the connection conditional (symbolized by a diamond) of FIG. 8 tests whether the total number of patterns 20 is greater than said predetermined value.
  • Step e) is advantageously implemented by a computer.
  • the threshold may be between 0.6 and 0.7.
  • the pattern 20a of the second series is classified in the first category.
  • the correlation coefficient calculated during step d) between the pattern 20a of the second series and the reference pattern 100 is lower than the predetermined threshold.
  • the defects of the first category, detected during step e), can be mapped on the digital image of the network to be analyzed 2.
  • Step f) is advantageously implemented by a computer.
  • step f) advantageously comprises the steps: f) performing a cutting line for each pattern 20 of the second series whose correlation coefficient, in absolute value, is greater than the predetermined threshold; f 2 ) extract the characteristic dimension D from the cutting line.
  • the characteristic dimension D extracted during step f) can be the dimension of one side of the hexagon.
  • the characteristic dimension D extracted during step f) can be a distance between two parallel sides of the hexagon, or between two opposite vertices of the hexagon.
  • the characteristic dimension D extracted during step f) can also correspond to a diameter of a circle, when the patterns 20 of the second series have a circular section.
  • the characteristic dimension D extracted during step f) can also correspond to the dimension of a diagonal, when the patterns 20 of the second series have a square section.
  • step f) advantageously comprises a step f) consisting in extracting at least one additional characteristic dimension D′ for each pattern 20 of the second series whose correlation coefficient, in absolute value, is greater than the predetermined threshold.
  • step f) is advantageously preceded by the steps: faith) generating a histogram of the intensities of the pixels of the digital image of the network to be analyzed 2; foz) extract an intensity threshold of the periodic patterns of the second series, from the histogram generated during the step foz).
  • step foz) can be performed by the Otsu method, known to those skilled in the art.
  • the faith) and foz) steps are implemented by a computer.
  • Step g) is advantageously implemented by a computer.
  • step g) advantageously comprises a step g′) consisting in calculating an additional arithmetic mean and an additional standard deviation of the additional characteristic dimensions D′ extracted during step f).
  • Step h) is advantageously implemented by a computer.
  • step h) advantageously comprises a step h′) consisting in classifying, in the second category, each pattern 20 of the second series whose additional characteristic dimension D′ exhibits a deviation from the additional arithmetic mean greater than the additional standard deviation.
  • Pattern 20b of the second series is classified in the second category.
  • Pattern 20b of the second series has two additional characteristic dimensions D′ which exhibit a deviation from the additional arithmetic mean greater than the additional standard deviation.
  • the defects of the second category, detected during step h), can be mapped on the digital image of the network to be analyzed 2.
  • an object of the invention is a method for classifying defects in a set of gratings to be analyzed 2 each comprising periodic patterns 20, the method comprising the steps: a) providing a digital image of a reference grating 1, showing a first series of periodic patterns 10; b) defining a reference pattern 100 from the patterns 10 of the first series; c) providing at least one digital image of each grating 2 of the set to be analyzed, showing a second series of periodic patterns 20; the method iterating the following steps, for each digital image of each network to be analyzed 2 of the set: d) calculating a correlation coefficient between each pattern 20 of the second series and the reference pattern 100; e) classifying, in a first category, each pattern 20 of the second series whose correlation coefficient, in absolute value, is less than a predetermined threshold; f) extracting a characteristic dimension D for each pattern of the second series whose correlation coefficient, in absolute value, is greater than the predetermined threshold; g) calculating an arithmetic mean
  • an object of the invention is a method for detecting faults in a set of gratings to be analyzed 2 each comprising periodic patterns, the method comprising the steps: a) providing a digital image of a reference grating 1, showing a first series of periodic patterns; b) defining a reference pattern 100 from the patterns 10 of the first series; c) providing at least one digital image of each grating 2 of the set to be analyzed, showing a second series of periodic patterns 20; the method iterating the following steps, for each digital image of each network to be analyzed 2 of the set: d) calculating a correlation coefficient between each pattern 20 of the second series and the reference pattern 100; e) detecting each pattern 20 of the second series whose correlation coefficient, in absolute value, is less than a predetermined threshold; f) extracting a characteristic dimension D for each pattern of the second series whose correlation coefficient, in absolute value, is greater than the predetermined threshold; g) calculating an arithmetic mean and a standard deviation of the characteristic dimensions

Landscapes

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

Abstract

Ce procédé comporte les étapes : a) prévoir une image numérique d'un réseau de référence, montrant une première série de motifs périodiques; b) définir un motif de référence à partir des motifs de la première série; c) prévoir une image numérique du réseau à analyser, montrant une deuxième série de motifs périodiques; d) calculer un coefficient de corrélation entre chaque motif de la deuxième série et le motif de référence; e) classer, dans une première catégorie, chaque motif de la deuxième série dont le coefficient de corrélation, en valeur absolue, est inférieur à un seuil prédéterminé; f) extraire une dimension caractéristique pour chaque motif de la deuxième série dont le coefficient de corrélation, en valeur absolue, est supérieur au seuil prédéterminé; g) calculer une moyenne arithmétique et un écart-type des dimensions caractéristiques extraites lors de l'étape f); h) classer, dans une deuxième catégorie, chaque motif de la deuxième série dont la dimension caractéristique présente un écart à la moyenne arithmétique supérieur à l'écart-type.

Description

PROCEDE DE CLASSIFICATION DE DEFAUTS D’UN RESEAU A ANALYSER
Domaine technique
L’invention se rapporte au domaine technique de l’analyse de défauts d’un réseau de motifs périodiques par traitement d’images.
L’invention trouve notamment son application lorsque les motifs périodiques sont des nanostructures, telles que des nanofils formés par épitaxie.
État de l’art
Les défauts de nanostructures, comme par exemple des nanofils ou des nanopyramides, peuvent être liés à leur croissance épitaxiale sur un substrat (e.g. une plaquette ou « wafer » en langue anglaise), ou à d’autres étapes technologiques qui leur sont appliquées. L’homme du métier recherche à identifier les nanostructures présentant des défauts morphologiques (taille, géométrie), et à avoir un retour quantitatif sur la qualité des épitaxies afin de déterminer si les nanofils du substrat sont d’une qualité suffisante pour subir des étapes technologiques additionnelles d’un procédé industriel en mode de production.
Un procédé de détection de défauts connu de l’état de la technique, notamment du document US 9,311,698 B2, détecte des défauts à partir d’une corrélation avec un motif de référence.
Un tel procédé de l’état de la technique, dont l’approche est fondée sur un seuil, n’est pas entièrement satisfaisant pour détecter des défauts sur des nanostructures. Les nanostructures présentent une dispersion notamment dans la taille, la forme, le contraste, la luminosité, ce qui rend extrêmement complexe la détermination précise d’un seuil permettant une détection fiable de défauts. En particulier, un tel procédé de l’état de la technique est susceptible de considérer à tort que des nanostructures ne comportent pas de défauts, ou de considérer à tort que des nanostructures comportent des défauts.
Exposé de l’invention
L’invention vise à remédier en tout ou partie aux inconvénients précités. A cet effet, l’invention a pour objet un procédé de classification de défauts d’un réseau à analyser comportant des motifs périodiques, le procédé comportant les étapes : a) prévoir une image numérique d’un réseau de référence, montrant une première série de motifs périodiques ; b) définir un motif de référence à partir des motifs de la première série ; c) prévoir une image numérique du réseau à analyser, montrant une deuxième série de motifs périodiques ; d) calculer un coefficient de corrélation entre chaque motif de la deuxième série et le motif de référence ; e) classer, dans une première catégorie, chaque motif de la deuxième série dont le coefficient de corrélation, en valeur absolue, est inférieur à un seuil prédéterminé ; f) extraire une dimension caractéristique pour chaque motif de la deuxième série dont le coefficient de corrélation, en valeur absolue, est supérieur au seuil prédéterminé ; g) calculer une moyenne arithmétique et un écart-type des dimensions caractéristiques extraites lors de l’étape f) ; h) classer, dans une deuxième catégorie, chaque motif de la deuxième série dont la dimension caractéristique présente un écart à la moyenne arithmétique supérieur à l’écart- type.
Définitions
- Par « motifs périodiques », on entend des motifs espacés selon un intervalle régulier de distance (période spatiale). Dans un réseau parfait, les motifs périodiques se reproduisent à l’identique. En pratique, l’expression « à l’identique » s’entend dans les tolérances usuelles liées aux conditions expérimentales de fabrication, et non au sens littéral du terme.
- Par « réseau de référence », on entend un réseau dont les motifs périodiques présentent des caractéristiques géométriques préalablement connues (e.g. par mesures), et satisfaisant des spécifications industrielles données.
- Par « motif de référence », on entend un motif présentant des caractéristiques géométriques préalablement connues (e.g. par mesures) et qui satisfont des spécifications industrielles données.
- Par « dimension caractéristique », on entend une dimension (étendue spatiale) spécifique permettant une distinction entre les motifs de la deuxième série dont chaque coefficient de corrélation, en valeur absolue, est supérieur au seuil prédéterminé.
Ainsi, un tel procédé selon l’invention permet, grâce aux étapes e) et h), d’effectuer une double analyse des défauts du réseau, plus fiable et robuste que dans l’état de la technique. L’étape e) permet de détecter les motifs de la deuxième série qui sont les moins ressemblants en termes de morphologie globale vis-à-vis du motif de référence, et sont considérés comme des défauts de structure, classés dans la première catégorie. L’étape h) permet une analyse plus fine en détectant les motifs de la deuxième série, ressemblants en termes de morphologie globale vis-à-vis du motif de référence, mais qui présentent une disparité pour au moins une dimension spécifique vis-à-vis du motif de référence. Ces motifs détectés de la deuxième série sont considérés comme des défauts de taille, classés dans la deuxième catégorie. Un tel procédé selon l’invention permet donc de limiter fortement des erreurs de détection établissant à tort que des nanostructures ne comportent pas de défauts. Cette double analyse de défauts permet de préciser la nature des défauts détectés, et de faciliter la détermination de l’origine de ces défauts, en distinguant par exemple l’influence de l’épitaxie et l’influence d’autres étapes technologiques dans le cas d’un réseau de nanofils épitaxiés, et ce en vue d’améliorer l’homogénéité et la reproductibilité des motifs périodiques.
L’invention a également pour objet un procédé de classification de défauts d’un ensemble de réseaux à analyser comportant chacun des motifs périodiques, le procédé comportant les étapes : a) prévoir une image numérique d’un réseau de référence, montrant une première série de motifs périodiques ; b) définir un motif de référence à partir des motifs de la première série ; c) prévoir au moins une image numérique de chaque réseau à analyser de l’ensemble, montrant une deuxième série de motifs périodiques ; le procédé itérant les étapes suivantes, pour chaque image numérique de chaque réseau à analyser de l’ensemble : d) calculer un coefficient de corrélation entre chaque motif de la deuxième série et le motif de référence ; e) classer, dans une première catégorie, chaque motif de la deuxième série dont le coefficient de corrélation, en valeur absolue, est inférieur à un seuil prédéterminé ; f) extraire une dimension caractéristique pour chaque motif de la deuxième série dont le coefficient de corrélation, en valeur absolue, est supérieur au seuil prédéterminé ; g) calculer une moyenne arithmétique et un écart-type des dimensions caractéristiques extraites lors de l’étape f) ; h) classer, dans une deuxième catégorie, chaque motif de la deuxième série dont la dimension caractéristique présente un écart à la moyenne arithmétique supérieur à l’écart- type.
Ainsi, un tel procédé selon l’invention possède les mêmes avantages que ceux évoqués précédemment. Un avantage supplémentaire est de pouvoir itérer la double analyse des défauts pour chaque réseau de l’ensemble avant d’engager des étapes technologiques additionnelles d’un procédé industriel en mode de production.
Le procédé selon l’invention peut comporter une ou plusieurs des caractéristiques suivantes.
Selon une caractéristique de l’invention, l’étape f) comporte les étapes : fi) effectuer une ligne de coupe pour chaque motif de la deuxième série dont le coefficient de corrélation, en valeur absolue, est supérieur au seuil prédéterminé ; fz) extraire la dimension caractéristique à partir de la ligne de coupe.
Ainsi, un avantage procuré est de pouvoir aisément mesurer la dimension caractéristique à partir d’une opération de traitement d’image.
Selon une caractéristique de l’invention, l’étape b) consiste à sélectionner un motif parmi les motifs de la première série, le motif sélectionné définissant le motif de référence.
Ainsi, un avantage procuré est d’autoriser une sélection manuelle du motif de référence.
Selon une caractéristique de l’invention, l’étape b) comporte les étapes : bi) sélectionner un motif initial parmi les motifs de la première série ; bz) calculer un coefficient de corrélation entre chaque motif de la première série et le motif initial ; bs) identifier chaque motif de la première série dont le coefficient de corrélation, en valeur absolue, est supérieur à un seuil prédéterminé ; b4) définir le motif de référence à partir d’une combinaison des motifs de la première série identifiés lors de l’étape bs).
Ainsi, un avantage procuré est d’améliorer la fiabilité et la représentativité du motif de référence.
Selon une caractéristique de l’invention, le motif de référence est défini lors de l’étape b) en effectuant une moyenne des motifs de la première série.
Ainsi, un avantage procuré est d’améliorer la fiabilité et la représentativité du motif de référence, lorsque l’image numérique du réseau de référence est de bonne qualité (faible taux de défauts). Le terme « moyenne » s’entend comme une moyenne des intensités des pixels des motifs de la première série. Selon une caractéristique de l’invention, les images numériques du réseau de référence et du réseau à analyser, prévues respectivement lors des étapes a) et c), comportent chacune un ensemble de pixels, chaque pixel possédant une intensité ; le coefficient de corrélation est calculé lors de l’étape d) entre l’intensité des pixels de chaque motif de la deuxième série et l’intensité des pixels du motif de référence.
Selon une caractéristique de l’invention, le coefficient de corrélation est calculé lors de l’étape d) selon la formule de Bravais-Pearson.
Selon une caractéristique de l’invention, l’étape d) est précédée des étapes : doi) identifier la position des motifs de la deuxième série sur l’image numérique du réseau à analyser ; doz) dimensionner l’image numérique du réseau à analyser de sorte que les motifs de la deuxième série sont en nombre entier.
Ainsi, un avantage procuré est d’améliorer la fiabilité du calcul du coefficient de corrélation en éliminant les motifs de la deuxième série qui sont sur les bords de l’image numérique du réseau.
Selon une caractéristique de l’invention, l’étape dOi) comporte une étape consistant à calculer un coefficient de corrélation entre l’image numérique du réseau à analyser et le motif de référence.
Ainsi, un avantage procuré est de pouvoir déterminer précisément la position des motifs de la deuxième série sur l’image numérique du réseau à analyser, et ce afin de compter de manière fiable le nombre de motifs présents sur l’image numérique (avec un maximum de corrélation en valeur absolue).
Selon une caractéristique de l’invention :
- l’étape f) comporte une étape P) consistant à extraire au moins une dimension caractéristique additionnelle pour chaque motif de la deuxième série dont le coefficient de corrélation, en valeur absolue, est supérieur au seuil prédéterminé ;
- l’étape g) comporte une étape g’) consistant à calculer une moyenne arithmétique additionnelle et un écart-type additionnel des dimensions caractéristiques additionnelles extraites lors de l’étape P) ; - l’étape h) comporte une étape h’) consistant à classer, dans la deuxième catégorie, chaque motif de la deuxième série dont la dimension caractéristique additionnelle présente un écart à la moyenne arithmétique additionnelle supérieur à l’écart-type additionnel.
Ainsi, un avantage procuré est d’affiner l’analyse de défauts potentiels pour les motifs de la deuxième série, ressemblants en termes de morphologie globale vis-à-vis du motif de référence, mais qui présentent une disparité potentielle pour différentes dimensions spécifiques (par exemple selon différentes directions) vis-à-vis du motif de référence, ce qui permet une analyse de morphologie spécifique vis-à-vis du motif de référence.
Selon une caractéristique de l’invention :
- le réseau à analyser comporte des nanofils, formant des motifs périodiques, et présentant une section transversale en forme d’un hexagone ;
- la dimension caractéristique extraite lors de l’étape f) est la dimension d’un côté de l’hexagone.
Définition
Par « transversale », on entend une section qui coupe perpendiculairement l’axe longitudinal des nanofils. L’axe longitudinal est l’axe s’étendant suivant la hauteur des nanofils.
Selon une caractéristique de l’invention, les images numériques du réseau de référence et du réseau à analyser, prévues respectivement lors des étapes a) et c), sont des images numériques issues d’un microscope électronique, de préférence à balayage.
Selon une caractéristique de l’invention, l’étape f) est précédée des étapes : foi) générer un histogramme des intensités des pixels de l’image numérique du réseau à analyser ; ffi) extraire un seuil d’intensité des motifs périodiques de la deuxième série, à partir de l’histogramme généré lors de l’étape fOi).
Ainsi, un avantage procuré par une telle segmentation d’image est de tenir compte du seuil d’intensité extrait lors de l’étape ffi) afin d’extraire la dimension caractéristique lors de l’étape f) de manière fiable.
Selon une caractéristique de l’invention : - l’étape d) est suivie d’une étape d’) consistant à compter un nombre total de motifs de la deuxième série dont chaque coefficient de corrélation, en valeur absolue, est supérieur au seuil prédéterminé ;
- les étapes e) à h) sont exécutées si le nombre total de motifs est supérieur à une valeur prédéterminée.
Ainsi, un avantage procuré est de garantir un nombre minimal de motifs à analyser lors des étapes e) à h) pour obtenir une analyse fiable et représentative d’un point de vue statistique.
Brève description des dessins
D’autres caractéristiques et avantages apparaîtront dans l’exposé détaillé de différents modes de réalisation de l’invention, l’exposé étant assorti d’exemples et de références aux dessins joints.
Figure 1 est un algorigramme représentant schématiquement un procédé selon l’invention.
Figure 2 est un algorigramme représentant schématiquement un procédé selon l’invention, illustrant notamment une itération des étapes d) à h) en cas d’un ensemble de réseaux à analyser.
Figure 3 est un algorigramme représentant schématiquement un procédé selon l’invention, illustrant notamment les étapes fi) et f2).
Figure 4 est un algorigramme représentant schématiquement un procédé selon l’invention, illustrant notamment les étapes bi) à b^.
Figure 5 est un algorigramme représentant schématiquement un procédé selon l’invention, illustrant notamment les étapes doi) et doz).
Figure 6 est un algorigramme représentant schématiquement un procédé selon l’invention, illustrant notamment les étapes f), g’) et h’).
Figure 7 est un algorigramme représentant schématiquement un procédé selon l’invention, illustrant notamment les étapes fOi) et £02)-
Figure 8 est un algorigramme représentant schématiquement un procédé selon l’invention, illustrant notamment l’étape d’).
Figure 9 est une vue schématique partielle en coupe, représentant des motifs de la première série, et illustrant un premier mode de mise en œuvre de l’étape b).
Figure 10 est une vue schématique partielle en coupe, représentant des motifs de la première série, et illustrant un deuxième mode de mise en œuvre de l’étape b). Figure 11 est une schématique partielle en coupe, représentant des motifs de la deuxième série, et illustrant un mode de mise en œuvre des étapes f) et P).
Les formes utilisées pour les figures 1 à 8 respectent la norme ISO 5807 des algorigrammes. « O » signifie « Oui », c'est-à-dire que le résultat du test est vrai. « N » signifie « Non », c'est-à-dire que le résultat du test est faux.
Il est à noter que les figures 9 à 11 décrites ci-avant sont schématiques, et ne sont pas nécessairement à l’échelle par souci de lisibilité et pour en simplifier leur compréhension.
Exposé détaillé des modes de réalisation
Les éléments identiques ou assurant la même fonction porteront les mêmes références pour les différents modes de réalisation, par souci de simplification.
Un réseau à analyser
Comme illustré à la figure 1, un objet de l’invention est un procédé de classification de défauts d’un réseau à analyser 2 comportant des motifs 20 périodiques, le procédé comportant les étapes : a) prévoir une image numérique d’un réseau de référence 1, montrant une première série de motifs 10 périodiques ; b) définir un motif de référence 100 à partir des motifs 10 de la première série ; c) prévoir une image numérique du réseau à analyser 2, montrant une deuxième série de motifs 20 périodiques ; d) calculer un coefficient de corrélation entre chaque motif 20 de la deuxième série et le motif de référence 100 ; e) classer, dans une première catégorie, chaque motif 20 de la deuxième série dont le coefficient de corrélation, en valeur absolue, est inférieur à un seuil prédéterminé ; f) extraire une dimension caractéristique D pour chaque motif 20 de la deuxième série dont le coefficient de corrélation, en valeur absolue, est supérieur au seuil prédéterminé ; g) calculer une moyenne arithmétique et un écart-type des dimensions caractéristiques D extraites lors de l’étape f) ; h) classer, dans une deuxième catégorie, chaque motif 20 de la deuxième série dont la dimension caractéristique D présente un écart à la moyenne arithmétique supérieur à l’écart- type.
Autrement dit, un objet de l’invention est un procédé de détection de défauts d’un réseau à analyser 2 comportant des motifs 20 périodiques, le procédé comportant les étapes : a) prévoir une image numérique d’un réseau de référence 1, montrant une première série de motifs 10 périodiques ; b) définir un motif de référence 100 à partir des motifs 10 de la première série ; c) prévoir une image numérique du réseau à analyser 2, montrant une deuxième série de motifs 20 périodiques ; d) calculer un coefficient de corrélation entre chaque motif 20 de la deuxième série et le motif de référence 100 ; e) détecter chaque motif 20 de la deuxième série dont le coefficient de corrélation, en valeur absolue, est inférieur à un seuil prédéterminé ; f) extraire une dimension caractéristique D pour chaque motif 20 de la deuxième série dont le coefficient de corrélation, en valeur absolue, est supérieur au seuil prédéterminé ; g) calculer une moyenne arithmétique et un écart-type des dimensions caractéristiques D extraites lors de l’étape f) ; h) détecter chaque motif 20 de la deuxième série dont la dimension caractéristique D présente un écart à la moyenne arithmétique supérieur à l’écart-type.
Etape a)
L’image numérique du réseau de référence 1, prévue lors de l’étape a), comporte un ensemble de pixels, chaque pixel possédant une intensité. A titre d’exemple non limitatif, l’image numérique du réseau de référence 1, prévue lors de l’étape a), peut avoir un format TIFF (« Tag Image File Format» en langue anglaise). L’image numérique du réseau de référence 1 peut être en niveaux de gris.
L’image numérique du réseau de référence 1, prévue lors de l’étape a), peut être issue d’un microscope électronique, de préférence à balayage.
Etape b)
Comme illustré à la figure 9, l’étape b) peut consister à sélectionner un motif parmi les motifs 10 de la première série, le motif sélectionné définissant le motif de référence 100. Le motif de référence 100 peut être sélectionné par un utilisateur via une interface graphique GUI (« Graphical User Interface » en langue anglaise) possédant une fenêtre de sélection 3, par exemple carrée. La fenêtre de sélection 3 peut avoir une fonction de recadrage (« crop » en langue anglaise).
Comme illustré à la figure 4, l’étape b) peut comporter les étapes : bi) sélectionner un motif initial parmi les motifs 10 de la première série ; bz) calculer un coefficient de corrélation entre chaque motif 10 de la première série et le motif initial ; bs) identifier chaque motif 10 de la première série dont le coefficient de corrélation, en valeur absolue, est supérieur à un seuil prédéterminé ; b4) définir le motif de référence 100 à partir d’une combinaison des motifs 10 de la première série identifiés lors de l’étape bs).
Les motifs 10 de la première série, identifiés lors de l’étape bs), sont représentés à l’intérieur de fenêtres de sélection 3 à la figure 10. Ces motifs 10 sont sélectionnés automatiquement, et non par l’utilisateur. L’étape bi) est mise en œuvre par l’utilisateur, mais les étapes b2) à b4) sont avantageusement mises en œuvre par un ordinateur. Le motif initial, sélectionné lors de l’étape bi) par l’utilisateur, doit être représentatif d’un motif de référence. Les motifs 10 de la première série, identifiés lors de l’étape bs), peuvent représenter entre 0,5 % et 1 % du nombre total de motifs 10 de la première série.
Selon une alternative, le motif de référence 100 peut être défini lors de l’étape b) en effectuant une moyenne des motifs 10 de la première série.
Selon une autre alternative, il est possible de prévoir lors de l’étape a) plusieurs images numériques de réseaux de référence 1, montrant chacune une première série de motifs 10 périodiques. L’étape b) peut alors consister à définir le motif de référence 100 à partir d’une moyenne des intensités des pixels des premières séries de motifs 10 périodiques des images numériques de réseaux de référence 1.
Etape c)
L’image numérique du réseau à analyser 2, prévue lors de l’étape c), comporte un ensemble de pixels, chaque pixel possédant une intensité. A titre d’exemple non limitatif, l’image numérique du réseau à analyser, prévue lors de l’étape c), peut avoir un format TIFF (« ag lmage Eile Eormat» en langue anglaise). L’image numérique du réseau à analyser 2 peut être en niveaux de gris.
L’image numérique du réseau à analyser 2, prévue lors de l’étape c), peut être issue d’un microscope électronique, de préférence à balayage.
Comme illustré à la figure 11, le réseau à analyser 2 peut comporter des nanofils, formant des motifs 20 périodiques, et présentant une section transversale en forme d’un hexagone.
Etape d)
L’étape d) est avantageusement mise en œuvre par un ordinateur.
Le coefficient de corrélation est avantageusement calculé lors de l’étape d) entre l’intensité des pixels de chaque motif 20 de la deuxième série et l’intensité des pixels du motif de référence 100. Le coefficient de corrélation est avantageusement calculé lors de l’étape d) selon la formule de Bravais-Pearson, connue de l’homme du métier. Plus précisément, la corrélation entre le motif de référence 100 et chaque point de l’image numérique du réseau à analyser 2 est effectuée par une fonction de corrélation d’image. Cette fonction de corrélation d’image va comparer le motif de référence 100, T(xt, yt), où (xt, yt) représente les coordonnées de chaque pixel du motif de référence, à l’image du réseau à analyser 2, S(x, y), où (x, y) représente les coordonnées de chaque pixel de l’image du réseau à analyser 2. La fonction de corrélation d’image consiste à calculer la somme des produits des coefficients de S(x, y) et T(xt, yt) pour toutes les positions du motif de référence 100 par rapport à l’image du réseau à analyser 2. Il est ensuite possible de renormaliser la somme des produits des coefficients de S(x, y) et T(xt, yt) afin d’obtenir un résultat compris entre -1 et 1. « -1 » indique une anti-corrélation, « 0 » une absence de corrélation et « 1 » une corrélation parfaite. Ce coefficient de corrélation correspond à un coefficient de corrélation linéaire de Bravais-Pearson, noté r, entre deux variables aléatoires réelles X et Y. Le coefficient de corrélation linéaire de Bravais-Pearson est généralement décrit par la relation suivante :
Figure imgf000013_0001
où :
- Cov(X,Y) désigne la covariance des variables X et Y ;
- ox et OY désignent respectivement l’écart-type de la variable X et l’écart-type de la variable Y ;
- X et Y correspondent respectivement à la matrice des intensités des pixels de l’image du réseau à analyser 2, et à la matrice des intensités des pixels du motif de référence 100.
Comme illustré à la figure 5, l’étape d) est avantageusement précédée des étapes : doi) identifier la position des motifs 20 de la deuxième série sur l’image numérique du réseau à analyser 2 ; doz) dimensionner l’image numérique du réseau à analyser 2 de sorte que les motifs 20 de la deuxième série sont en nombre entier.
Les étapes doi) et doz) sont mises en œuvre par ordinateur. L’étape doi) comporte avantageusement une étape consistant à calculer un coefficient de corrélation entre l’image numérique du réseau à analyser 2 et le motif de référence 100.
Comme illustré à la figure 8, l’étape d) est avantageusement suivie d’une étape d’) consistant à compter un nombre total de motifs 20 de la deuxième série dont chaque coefficient de corrélation, en valeur absolue, est supérieur au seuil prédéterminé. L’étape d’) est avantageusement mise en œuvre par un ordinateur. Les étapes e) à h) sont exécutées si le nombre total de motifs 20 est supérieur à une valeur prédéterminée. Le branchement conditionnel (symbolisé par un losange) de la figure 8 teste si le nombre total de motifs 20 est supérieur à ladite valeur prédéterminée.
Etape e)
L’étape e) est avantageusement mise en œuvre par un ordinateur.
A titre d’exemple non limitatif, le seuil peut être compris entre 0,6 et 0,7.
Comme illustré à la figure 11, le motif 20a de la deuxième série est classé dans la première catégorie. Le coefficient de corrélation calculé lors de l’étape d) entre le motif 20a de la deuxième série et le motif de référence 100 est inférieur au seuil prédéterminé.
Les défauts de la première catégorie, détectés lors de l’étape e), peuvent être cartographiés sur l’image numérique du réseau à analyser 2.
Etape f)
L’étape f) est avantageusement mise en œuvre par un ordinateur.
Comme illustré à la figure 3, l’étape f) comporte avantageusement les étapes : f) effectuer une ligne de coupe pour chaque motif 20 de la deuxième série dont le coefficient de corrélation, en valeur absolue, est supérieur au seuil prédéterminé ; f2) extraire la dimension caractéristique D à partir de la ligne de coupe.
La dimension caractéristique D extraite lors de l’étape f) peut être la dimension d’un côté de l’hexagone. La dimension caractéristique D extraite lors de l’étape f) peut être une distance entre deux côtés parallèles de l’hexagone, ou entre deux sommets opposés de l’hexagone. La dimension caractéristique D extraite lors de l’étape f) peut également correspondre à un diamètre de cercle, lorsque les motifs 20 de la deuxième série présentent une section circulaire. La dimension caractéristique D extraite lors de l’étape f) peut également correspondre à la dimension d’une diagonale, lorsque les motifs 20 de la deuxième série présentent une section carrée.
Comme illustré à la figure 6, l’étape f) comporte avantageusement une étape f) consistant à extraire au moins une dimension caractéristique D’ additionnelle pour chaque motif 20 de la deuxième série dont le coefficient de corrélation, en valeur absolue, est supérieur au seuil prédéterminé.
Comme illustré à la figure 11, il est possible d’effectuer trois lignes de coupe afin d’extraire une dimension caractéristique D et deux dimensions caractéristiques D’ additionnelles. Une ligne de coupe est avantageusement effectuée en passant par le centre de l’hexagone. Une ligne de coupe peut être effectuée en passant par deux sommets opposés de l’hexagone. Une ligne de coupe peut être effectuée en passant par les milieux de deux côtés parallèles de l’hexagone. Comme illustré à la figure 7, l’étape f) est avantageusement précédée des étapes : foi) générer un histogramme des intensités des pixels de l’image numérique du réseau à analyser 2 ; foz) extraire un seuil d’intensité des motifs 20 périodiques de la deuxième série, à partir de l’histogramme généré lors de l’étape foi).
A titre d’exemple non limitatif, l’étape foz) peut être exécutée par la méthode d’Otsu, connue de l’homme du métier. Les étapes foi) et foz) sont mises en œuvre par un ordinateur.
Etape g)
L’étape g) est avantageusement mise en œuvre par un ordinateur.
Comme illustré à la figure 6, l’étape g) comporte avantageusement une étape g’) consistant à calculer une moyenne arithmétique additionnelle et un écart-type additionnel des dimensions caractéristiques D’ additionnelles extraites lors de l’étape f).
Etape h)
L’étape h) est avantageusement mise en œuvre par un ordinateur.
Comme illustré à la figure 6, l’étape h) comporte avantageusement une étape h’) consistant à classer, dans la deuxième catégorie, chaque motif 20 de la deuxième série dont la dimension caractéristique D’ additionnelle présente un écart à la moyenne arithmétique additionnelle supérieur à l’écart-type additionnel.
Comme illustré à la figure 11, le motif 20b de la deuxième série est classé dans la deuxième catégorie. Le motif 20b de la deuxième série possède deux dimensions caractéristiques D’ additionnelles qui présentent un écart à la moyenne arithmétique additionnelle supérieur à l’écart-type additionnel.
Les défauts de la deuxième catégorie, détectés lors de l’étape h), peuvent être cartographiés sur l’image numérique du réseau à analyser 2.
Un ensemble de réseaux à analyser
Comme illustré à la figure 2, un objet de l’invention est un procédé de classification de défauts d’un ensemble de réseaux à analyser 2 comportant chacun des motifs 20 périodiques, le procédé comportant les étapes : a) prévoir une image numérique d’un réseau de référence 1, montrant une première série de motifs 10 périodiques ; b) définir un motif de référence 100 à partir des motifs 10 de la première série ; c) prévoir au moins une image numérique de chaque réseau à analyser 2 de l’ensemble, montrant une deuxième série de motifs 20 périodiques ; le procédé itérant les étapes suivantes, pour chaque image numérique de chaque réseau à analyser 2 de l’ensemble : d) calculer un coefficient de corrélation entre chaque motif 20 de la deuxième série et le motif de référence 100 ; e) classer, dans une première catégorie, chaque motif 20 de la deuxième série dont le coefficient de corrélation, en valeur absolue, est inférieur à un seuil prédéterminé ; f) extraire une dimension caractéristique D pour chaque motif de la deuxième série dont le coefficient de corrélation, en valeur absolue, est supérieur au seuil prédéterminé ; g) calculer une moyenne arithmétique et un écart-type des dimensions caractéristiques D extraites lors de l’étape f) ; h) classer, dans une deuxième catégorie, chaque motif 20 de la deuxième série dont la dimension caractéristique D présente un écart à la moyenne arithmétique supérieur à l’écart- type.
Autrement dit, un objet de l’invention est un procédé de détection de défauts d’un ensemble de réseaux à analyser 2 comportant chacun des motifs 20 périodiques, le procédé comportant les étapes : a) prévoir une image numérique d’un réseau de référence 1, montrant une première série de motifs 10 périodiques ; b) définir un motif de référence 100 à partir des motifs 10 de la première série ; c) prévoir au moins une image numérique de chaque réseau à analyser 2 de l’ensemble, montrant une deuxième série de motifs 20 périodiques ; le procédé itérant les étapes suivantes, pour chaque image numérique de chaque réseau à analyser 2 de l’ensemble : d) calculer un coefficient de corrélation entre chaque motif 20 de la deuxième série et le motif de référence 100 ; e) détecter chaque motif 20 de la deuxième série dont le coefficient de corrélation, en valeur absolue, est inférieur à un seuil prédéterminé ; f) extraire une dimension caractéristique D pour chaque motif de la deuxième série dont le coefficient de corrélation, en valeur absolue, est supérieur au seuil prédéterminé ; g) calculer une moyenne arithmétique et un écart-type des dimensions caractéristiques D extraites lors de l’étape f) ; h) détecter chaque motif 20 de la deuxième série dont la dimension caractéristique D présente un écart à la moyenne arithmétique supérieur à l’écart-type. Les caractéristiques techniques décrites ci-avant pour les étapes a) à h) s’appliquent pour ces objets de l’invention. Le branchement conditionnel (symbolisé par un losange) de la figure 2 teste la présence d’une image numérique d’un réseau à analyser 2. L’invention ne se limite pas aux modes de réalisation exposés. L’homme du métier est mis à même de considérer leurs combinaisons techniquement opérantes, et de leur substituer des équivalents.

Claims

REVENDICATIONS
1. Procédé de classification de défauts d’un réseau à analyser (2) comportant des motifs (20) périodiques, le procédé comportant les étapes : a) prévoir une image numérique d’un réseau de référence (1), montrant une première série de motifs (10) périodiques ; b) définir un motif de référence (100) à partir des motifs (10) de la première série ; c) prévoir une image numérique du réseau à analyser (2), montrant une deuxième série de motifs (20) périodiques ; d) calculer un coefficient de corrélation entre chaque motif (20) de la deuxième série et le motif de référence (100) ; e) classer, dans une première catégorie, chaque motif (20a) de la deuxième série dont le coefficient de corrélation, en valeur absolue, est inférieur à un seuil prédéterminé ; f) extraire une dimension caractéristique (D) pour chaque motif (20) de la deuxième série dont le coefficient de corrélation, en valeur absolue, est supérieur au seuil prédéterminé ; g) calculer une moyenne arithmétique et un écart-type des dimensions caractéristiques (D) extraites lors de l’étape f) ; h) classer, dans une deuxième catégorie, chaque motif (20) de la deuxième série dont la dimension caractéristique (D) présente un écart à la moyenne arithmétique supérieur à l’écart- type.
2. Procédé de classification de défauts d’un ensemble de réseaux à analyser (2) comportant chacun des motifs (20) périodiques, le procédé comportant les étapes : a) prévoir une image numérique d’un réseau de référence (1), montrant une première série de motifs (10) périodiques ; b) définir un motif de référence (100) à partir des motifs (10) de la première série ; c) prévoir au moins une image numérique de chaque réseau à analyser (2) de l’ensemble, montrant une deuxième série de motifs (20) périodiques ; le procédé itérant les étapes suivantes, pour chaque image numérique de chaque réseau à analyser (2) de l’ensemble : d) calculer un coefficient de corrélation entre chaque motif (20) de la deuxième série et le motif de référence (100) ; e) classer, dans une première catégorie, chaque motif (20a) de la deuxième série dont le coefficient de corrélation, en valeur absolue, est inférieur à un seuil prédéterminé ; f) extraire une dimension caractéristique (D) pour chaque motif (20) de la deuxième série dont le coefficient de corrélation, en valeur absolue, est supérieur au seuil prédéterminé ; g) calculer une moyenne arithmétique et un écart-type des dimensions caractéristiques (D) extraites lors de l’étape f) ; h) classer, dans une deuxième catégorie, chaque motif (20) de la deuxième série dont la dimension caractéristique (D) présente un écart à la moyenne arithmétique supérieur à l’écart- type.
3. Procédé selon la revendication 1 ou 2, dans lequel l’étape f) comporte les étapes : fi) effectuer une ligne de coupe pour chaque motif (20) de la deuxième série dont le coefficient de corrélation, en valeur absolue, est supérieur au seuil prédéterminé ; fz) extraire la dimension caractéristique (D) à partir de la ligne de coupe.
4. Procédé selon l’une des revendications 1 à 3, dans lequel l’étape b) consiste à sélectionner un motif parmi les motifs (10) de la première série, le motif sélectionné définissant le motif de référence (100).
5. Procédé selon l’une des revendications 1 à 3, dans lequel l’étape b) comporte les étapes : bi) sélectionner un motif initial parmi les motifs (10) de la première série ; bz) calculer un coefficient de corrélation entre chaque motif (10) de la première série et le motif initial ; bs) identifier chaque motif (10) de la première série dont le coefficient de corrélation, en valeur absolue, est supérieur à un seuil prédéterminé ; b^ définir le motif de référence (100) à partir d’une combinaison des motifs (10) de la première série identifiés lors de l’étape bs).
6. Procédé selon l’une des revendications 1 à 3, dans lequel le motif de référence (100) est défini lors de l’étape b) en effectuant une moyenne des motifs (10) de la première série.
7. Procédé selon l’une des revendications 1 à 6, dans lequel les images numériques du réseau de référence (1) et du réseau à analyser (2), prévues respectivement lors des étapes a) et c), comportent chacune un ensemble de pixels, chaque pixel possédant une intensité ; le coefficient de corrélation est calculé lors de l’étape d) entre l’intensité des pixels de chaque motif (20) de la deuxième série et l’intensité des pixels du motif de référence (100). 18
8. Procédé selon l’une des revendications 1 à 7, dans lequel le coefficient de corrélation est calculé lors de l’étape d) selon la formule de Bravais-Pearson.
9. Procédé selon l’une des revendications 1 à 8, dans lequel l’étape d) est précédée des étapes : doi) identifier la position des motifs (20) de la deuxième série sur l’image numérique du réseau à analyser (2) ; doz) dimensionner l’image numérique du réseau à analyser (2) de sorte que les motifs (20) de la deuxième série sont en nombre entier.
10. Procédé selon la revendication 9, dans lequel l’étape doi) comporte une étape consistant à calculer un coefficient de corrélation entre l’image numérique du réseau à analyser (2) et le motif de référence (100).
11. Procédé selon l’une des revendications 1 à 10, dans lequel :
- l’étape f) comporte une étape f) consistant à extraire au moins une dimension caractéristique (D’) additionnelle pour chaque motif (20) de la deuxième série dont le coefficient de corrélation, en valeur absolue, est supérieur au seuil prédéterminé ;
- l’étape g) comporte une étape g’) consistant à calculer une moyenne arithmétique additionnelle et un écart-type additionnel des dimensions caractéristiques (D’) additionnelles extraites lors de l’étape P) ;
- l’étape h) comporte une étape h’) consistant à classer, dans la deuxième catégorie, chaque motif (20b) de la deuxième série dont la dimension caractéristique (D’) additionnelle présente un écart à la moyenne arithmétique additionnelle supérieur à l’écart-type additionnel.
12. Procédé selon l’une des revendications 1 à 11, dans lequel :
- le réseau à analyser (2) comporte des nanofils, formant des motifs (20) périodiques, et présentant une section transversale en forme d’un hexagone ;
- la dimension caractéristique (D) extraite lors de l’étape f) est la dimension d’un côté de l’hexagone.
13. Procédé selon l’une des revendications 1 à 12, dans lequel les images numériques du réseau de référence (1) et du réseau à analyser (2), prévues respectivement lors des étapes a) et c), sont des images numériques issues d’un microscope électronique, de préférence à balayage. 19
14. Procédé selon l’une des revendications 1 à 13, dans lequel l’étape f) est précédée des étapes : foi) générer un histogramme des intensités des pixels de l’image numérique du réseau à analyser (2) ;
£02) extraire un seuil d’intensité des motifs (20) périodiques de la deuxième série, à partir de l’histogramme généré lors de l’étape foi).
15. Procédé selon l’une des revendications 1 à 14, dans lequel : - l’étape d) est suivie d’une étape d’) consistant à compter un nombre total de motifs (20) de la deuxième série dont chaque coefficient de corrélation, en valeur absolue, est supérieur au seuil prédéterminé ;
- les étapes e) à h) sont exécutées si le nombre total de motifs (20) est supérieur à une valeur prédéterminée.
PCT/EP2022/075982 2021-09-23 2022-09-19 Procede de classification de defauts d'un reseau a analyser WO2023046637A1 (fr)

Priority Applications (2)

Application Number Priority Date Filing Date Title
US18/694,790 US20240242479A1 (en) 2021-09-23 2022-09-19 Method for classifying faults in a network to be analysed
EP22789217.1A EP4405919A1 (fr) 2021-09-23 2022-09-19 Procede de classification de defauts d'un reseau a analyser

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
FR2110018A FR3127319B1 (fr) 2021-09-23 2021-09-23 Procédé de classification de défauts d’un réseau à analyser
FRFR2110018 2021-09-23

Publications (1)

Publication Number Publication Date
WO2023046637A1 true WO2023046637A1 (fr) 2023-03-30

Family

ID=78483377

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/EP2022/075982 WO2023046637A1 (fr) 2021-09-23 2022-09-19 Procede de classification de defauts d'un reseau a analyser

Country Status (4)

Country Link
US (1) US20240242479A1 (fr)
EP (1) EP4405919A1 (fr)
FR (1) FR3127319B1 (fr)
WO (1) WO2023046637A1 (fr)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR2791775A1 (fr) * 1999-01-08 2000-10-06 Schlumberger Technologies Inc Detection de defauts a base de particularites
JP2004318488A (ja) * 2003-04-16 2004-11-11 Konica Minolta Photo Imaging Inc 製品検査方法及び製品検査装置
US20120155740A1 (en) * 2010-12-17 2012-06-21 Samsung Electronics Co., Ltd. Method of detecting defect in pattern and apparatus for performing the same
US20130070078A1 (en) * 2010-01-05 2013-03-21 Yuji Takagi Method and device for testing defect using sem
US9311698B2 (en) 2013-01-09 2016-04-12 Kla-Tencor Corp. Detecting defects on a wafer using template image matching

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR2791775A1 (fr) * 1999-01-08 2000-10-06 Schlumberger Technologies Inc Detection de defauts a base de particularites
JP2004318488A (ja) * 2003-04-16 2004-11-11 Konica Minolta Photo Imaging Inc 製品検査方法及び製品検査装置
US20130070078A1 (en) * 2010-01-05 2013-03-21 Yuji Takagi Method and device for testing defect using sem
US20120155740A1 (en) * 2010-12-17 2012-06-21 Samsung Electronics Co., Ltd. Method of detecting defect in pattern and apparatus for performing the same
US9311698B2 (en) 2013-01-09 2016-04-12 Kla-Tencor Corp. Detecting defects on a wafer using template image matching

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
OLIVER VAN KAICK ET AL: "A Survey on Shape Correspondence", COMPUTER GRAPHICS FORUM, vol. 30, no. 6, 11 September 2011 (2011-09-11), pages 1681 - 1707, XP055069658, ISSN: 0167-7055, DOI: 10.1111/j.1467-8659.2011.01884.x *

Also Published As

Publication number Publication date
EP4405919A1 (fr) 2024-07-31
FR3127319B1 (fr) 2023-09-29
FR3127319A1 (fr) 2023-03-24
US20240242479A1 (en) 2024-07-18

Similar Documents

Publication Publication Date Title
CN114723701B (zh) 基于计算机视觉的齿轮缺陷检测方法和系统
EP3234913B1 (fr) Procede de detection de defaut sur une surface de pneumatique
CN109685760B (zh) 一种基于matlab的slm粉床铺粉图像凸包凹陷缺陷检测方法
EP0115462A2 (fr) Procédé de reconnaissance automatique d'une image, à partir d'une image correspondante de référence
FR2959046A1 (fr) Methode de controle de l'aspect de la surface d'un pneumatique
CN117252882A (zh) 一种气缸盖质量检测方法及系统
US9189841B2 (en) Method of checking the appearance of the surface of a tyre
EP3008445B1 (fr) Methode de traitement de l'image numerique de la surface d'un pneumatique en vue de la detection d'une anomalie
CN114119603A (zh) 基于图像处理的快餐盒短射缺陷检测方法
FR3079617A1 (fr) Methode de detection de cellules presentant au moins une anomalie dans un echantillon cytologique
WO2023046637A1 (fr) Procede de classification de defauts d'un reseau a analyser
EP0769760B1 (fr) Procédé de détection automatique des zones expertisables dans des images de pièces mécaniques
CN111882518B (zh) 一种漏磁数据自适应伪彩色化方法
FR3069079B1 (fr) Procede de detection de fraude lors d'une reconnaissance d'iris
EP4405897A1 (fr) Procede de caracterisation d'un reseau a analyser comportant des motifs périodiques
FR2769733A1 (fr) Procede d'extraction automatique d'inscriptions imprimees ou manuscrites sur un fond, dans une image numerique multiniveaux
WO2012143199A1 (fr) Analyse de l'image numerique de la surface interne d'un pneumatique - traitement des points de fausse mesure
EP1129432B1 (fr) Procede de comparaison d'images enregistrees formees de pixels representant des equipotentielles d'au moins une puce de circuit integre
FR2978274A1 (fr) Procede de traitement differencie de zones d'une image
FR3038760A1 (fr) Detection d'objets par traitement d'images
EP3745350B1 (fr) Procédé de détection de précipités dans un alliage par traitement d'image
EP4303811A1 (fr) Procédé et dispositif de traitement de données multidimensionnelles de microscopie pour la localisation de déformations dans un échantillon
EP1873483B1 (fr) Procédé de détermination d'au moins une caractéristique du format d'un fragment de pneumatique, et procédé d'examen d'un échantillon de fragments de pneumatiques
JP2004340978A (ja) 色分類装置及び色分類方法並びに色むら検査装置
Choi et al. Defect extraction in photomask image using high order moment

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: 22789217

Country of ref document: EP

Kind code of ref document: A1

WWE Wipo information: entry into national phase

Ref document number: 18694790

Country of ref document: US

WWE Wipo information: entry into national phase

Ref document number: 2022789217

Country of ref document: EP

NENP Non-entry into the national phase

Ref country code: DE

ENP Entry into the national phase

Ref document number: 2022789217

Country of ref document: EP

Effective date: 20240423