WO2023176132A1 - 欠陥分類装置 - Google Patents

欠陥分類装置 Download PDF

Info

Publication number
WO2023176132A1
WO2023176132A1 PCT/JP2023/001413 JP2023001413W WO2023176132A1 WO 2023176132 A1 WO2023176132 A1 WO 2023176132A1 JP 2023001413 W JP2023001413 W JP 2023001413W WO 2023176132 A1 WO2023176132 A1 WO 2023176132A1
Authority
WO
WIPO (PCT)
Prior art keywords
defect
classification
reclassification
unit
primary
Prior art date
Application number
PCT/JP2023/001413
Other languages
English (en)
French (fr)
Inventor
英一 大▲美▼
Original Assignee
東レエンジニアリング株式会社
東レエンジニアリング先端半導体Ｍｉテクノロジー株式会社
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 東レエンジニアリング株式会社, 東レエンジニアリング先端半導体Ｍｉテクノロジー株式会社 filed Critical 東レエンジニアリング株式会社
Publication of WO2023176132A1 publication Critical patent/WO2023176132A1/ja

Links

Images

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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • 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
    • 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

Definitions

  • the present disclosure relates to a defect classification device that classifies defect patterns occurring in an object to be inspected.
  • a large number of circuit patterns are formed on the surface of a semiconductor wafer (substrate) by performing treatments such as exposure, development, and etching on the surface of the semiconductor wafer. Then, the semiconductor wafer on which a large number of circuit patterns are formed is singulated into a plurality of chip components. After the singulated chip components are packaged, they are shipped as individual electronic components or incorporated into electrical products.
  • defects are detected on the semiconductor wafer surface. Defect detection is performed, for example, based on an inspection image captured by an optical microscope or a scanning electron microscope.
  • defect patterns are classified for semiconductor wafers in which defects have been detected, based on feature quantities such as defect size and color.
  • Examples of defective patterns include foreign objects and scratches.
  • defect pattern classification has been performed by visual inspection by an operator.
  • the classification results of defect patterns may vary depending on the subjectivity of the operator, and therefore defect patterns cannot be classified with high accuracy.
  • an automatic defect classification device (Automatic Defect Classification: ADC) is known that automatically classifies defect patterns generated on the surface of a semiconductor wafer.
  • the present disclosure has been made in view of these points, and its purpose is to accurately classify defect patterns occurring in the object to be inspected.
  • a defect classification device is a defect classification device that classifies defect patterns occurring in an object to be inspected, and includes a plurality of defect classification units that classify the defect patterns to obtain a primary classification result, and a defect classification device that classifies the defect patterns that occur in an inspected object.
  • a defect reclassification unit that reclassifies the defect pattern to obtain a reclassification result based on the plurality of primary classification results obtained by the classification unit; and a reclassification registration unit that registers reclassification conditions by the defect reclassification unit.
  • FIG. 1 is a schematic configuration diagram of an automatic defect classification device according to an embodiment of the present disclosure.
  • FIG. 2 shows a setting screen of the interface section.
  • FIG. 3 is a flowchart showing a defect pattern classification flow.
  • FIG. 4 is a diagram corresponding to FIG. 3 according to another embodiment.
  • FIG. 1 is a schematic configuration diagram of an automatic defect classification device 1 according to an embodiment of the present disclosure.
  • the automatic defect classification device 1 classifies a defect pattern P that has occurred on an object W to be inspected.
  • the object to be inspected W is the surface of a semiconductor wafer (substrate) in a semiconductor manufacturing process.
  • defects are detected by a defect detection device (not shown).
  • Defect detection is performed based on an inspection image I captured by an optical microscope or a scanning electron microscope. Specifically, defect detection is performed, for example, by superimposing the captured inspection image I on a fitting image (statistically good product image) set in advance.
  • the fitting image is obtained, for example, by averaging images of the inspected object W that has been determined to be non-defective.
  • the automatic defect classification device 1 classifies the defect pattern P only for the inspected object W for which a defect has been detected by the defect detection device.
  • the defective pattern P includes, for example, foreign matter, scratches, edge rinsing failure, through-hole abnormality, coating film unevenness, peeling, scratches, bonding pad abnormality, color unevenness, pattern abnormality, stain, discoloration, deformation, and the like.
  • the automatic defect classification device 1 includes a plurality of defect classification sections 10, a defect reclassification section 20, a reclassification registration section 30, and an interface section 40.
  • the automatic defect classification device 1 is composed of, for example, a microcomputer and a program.
  • the plurality of defect classification units 10 classify the defect patterns P that have occurred on the inspected object W to obtain primary classification results R.
  • the plurality of defect classification units 10 include a feature quantity defect classification unit 11, an AI defect classification unit 12, and a review AI defect classification unit 13.
  • the feature value defect classification unit 11 classifies the defect pattern P in the inspection image I of the object W to be inspected based on the predetermined feature value X of the defect to obtain a feature value primary classification result R1.
  • Examples of the feature amount X of the defect include area, brightness, color, brightness, shape, sharpness, length, width, width/length, angle, and transparency.
  • the feature amount X of a defect is registered in advance in the feature amount defect classification unit 11.
  • the AI defect classification unit 12 classifies the defect pattern P based on the classification condition Y generated by AI (Artificial Intelligence) learning with respect to the inspection image I of the object W to be inspected. I obtain the primary classification result R2. Specifically, the AI defect classification unit 12 automatically generates the optimal classification condition Y for the inspection image I of the object W to be inspected by AI learning. The AI defect classification unit 12 then compares the captured inspection image I with the generated classification condition Y to classify the defect pattern P. The automatic generation of the classification condition Y is performed each time for each object M to be inspected.
  • AI Artificial Intelligence
  • the classification of the defect pattern P by the AI defect classification unit 12 takes more time than the classification of the defect pattern P by the feature value defect classification unit 11.
  • the AI defect classification section 12 can classify the defect pattern P with higher accuracy than the feature value defect classification section 11.
  • AI learning examples include machine learning and deep learning. Additionally, examples of machine learning include “supervised learning,” “unsupervised learning,” and “reinforcement learning.”
  • the AI defect classification unit 12 automatically generates classification conditions Y for the defect pattern P for the captured inspection image I each time by discovering trends in defect classification based on a large amount of input data. .
  • the review AI defect classification unit 13 classifies the defect pattern P based on the classification condition Z generated by AI learning with respect to the review image J acquired at a higher resolution than the inspection image I in the AI defect classification unit 12. Then, the review AI primary classification result R3 is obtained.
  • the configuration of the review AI defect classification section 13 is similar to the AI defect classification section 12 except that the review image J is used instead of the normal inspection image I.
  • the review image J is obtained by imaging the inspection target W at a higher resolution (higher magnification) than the normal inspection image I (used by the feature value defect classification unit 11 and the AI defect classification unit 12). ,can get.
  • the review image J has a narrower imaging range (angle of view) than the normal inspection image I. That is, the review AI defect classification unit 13 needs to acquire a plurality of review images J for one object W to be inspected.
  • the classification of the defect pattern P by the review AI defect classification section 13 takes more time than the classification of the defect pattern P by the AI defect classification section 12.
  • the review AI defect classification unit 13 can classify the defect pattern P with higher accuracy than the AI defect classification unit 12.
  • the plurality of defect classification units 10 step-by-step the defect pattern P of the object W to be inspected from the upstream side to the downstream side, in the order of the feature quantity defect classification unit 11, the AI defect classification unit 12, and the review AI defect classification unit 13. Classify into.
  • the downstream defect classification unit 10 classifies only the defect patterns P of the inspection object W whose classification has not been determined (confirmed) by the upstream defect classification unit 10.
  • the AI defect classification unit 12 classifies only the defect pattern P of the object to be inspected W whose classification has not been determined by the feature quantity defect classification unit 11.
  • the review AI defect classification unit 13 classifies only the defect pattern P of the inspection object W whose classification has not been determined by the AI defect classification unit 12.
  • the defect reclassification unit 20 uses multiple primary classification results R (feature primary classification results R1) obtained by the multiple defect classification units 10 (feature defect classification unit 11, AI defect classification unit 12, and review AI defect classification unit 13). , the AI primary classification result R2 and the review AI primary classification result R3), the defect pattern P is reclassified to obtain a reclassification result T.
  • the reclassification registration unit 30 registers the reclassification conditions V by the defect reclassification unit 20. Further, the reclassification registration unit 30 holds and stores the reclassification condition V.
  • the reclassification condition V includes a priority mode M1, a majority mode M2, and a combination pattern mode M3.
  • the priority mode M1 is a plurality of primary classification results R (feature primary classification results R1, When the AI primary classification result R2 and the review AI primary classification result R3) are different from each other, the reclassification result T by the defect reclassification unit 20 is selected as one of the plurality of primary classification results R based on a predetermined priority. Let's do one.
  • the reclassification result T by the defect reclassification unit 20 is "foreign matter.”
  • a plurality of primary classification results R feature primary classification results R1, AI
  • the reclassification result T by the defect reclassification unit 20 is selected as the one among the plurality of primary classification results R that has a large number of the same primary classification results R. do.
  • the feature value primary classification result R1 is "scar”
  • the AI primary classification result R2 is “foreign object”
  • the review AI primary classification result R3 is "scar”.
  • the combination pattern mode M3 uses a plurality of primary classification results R (feature primary classification results R1, When the AI primary classification result R2 and the review AI primary classification result R3) are different from each other, the reclassification result T by the defect reclassification unit 20 is determined by a combination pattern of the plurality of primary classification results R based on a predetermined algorithm. Details of the combination pattern mode M3 will be described later.
  • the user U inputs the reclassification condition V into the interface unit 40. Further, the interface unit 40 displays the input reclassification condition V to the user U.
  • FIG. 2 shows a setting screen 41 of the interface section 40.
  • the user U selects one of the priority mode M1, the majority mode M2, and the combination pattern mode M3 as the reclassification condition V.
  • combination pattern mode M3 is selected as reclassification condition V, a specific combination pattern is set.
  • the reclassification result is Let T be a "black foreign matter defect”. Note that the logical expression K at this time is "AND”.
  • FIG. 3 is a flowchart showing the classification flow of the defect pattern P1. Note that "classification A” to “classification G”, which will be described later, indicate classifications of defect patterns P such as “foreign matter” and “scratch”.
  • step S1 the user U registers the reclassification condition V by the defect reclassification unit 20 in the reclassification registration unit 30.
  • the combination pattern mode M3 is adopted as the reclassification condition V.
  • User U registers a specific combination pattern in reclassification registration section 30 (see FIG. 2). Note that the reclassification condition V may be registered in the reclassification registration unit 30 after step 6, which will be described later.
  • step S2 an inspection image I of the object W to be inspected is acquired.
  • the feature quantity defect classification unit 11 classifies the defect pattern P of the object W to be inspected based on the predetermined feature quantity X. Specifically, the feature value defect classification unit 11 classifies the defect pattern P into "class A”, “class B”, and “class C” as the feature value primary classification result R1. "Category A” is determined (finalized). “Category B” and “Category C” are undetermined (undetermined).
  • step S4 the AI defect classification unit 12 determines the defect patterns of the inspected object W related to “classification B” and “classification C” whose classification has not been determined by the feature value defect classification unit 11. Only P is classified based on the classification condition Y generated by AI learning for the inspection image I. Specifically, the AI defect classification unit 12 classifies the defect pattern P into "class B”, “class C", “class D”, and "class E” as the AI primary classification result R2. “Category B” and “Category C” are determined (finalized). “Category D” and “Category E” are undetermined (undetermined).
  • step S5 the AI defect classification unit 12 acquires only the review image J of the inspected object W related to "classification D" and "classification E” whose classification has not been determined.
  • Review image J has a higher resolution than inspection image I.
  • step S6 the review AI defect classification unit 13 determines the defect patterns of the inspected object W related to “classification D” and “classification E” whose classification has not been determined in the AI defect classification unit 12. Only P is classified based on the classification condition Z generated for the review image J by AI learning. Specifically, the review AI defect classification unit 13 classifies the defect pattern P into "class D", "class E”, and "class F” as the review AI primary classification result R3. “Category D” and “Category E” are determined (finalized). “Category F” is undetermined (undetermined).
  • step S7 the defect reclassification unit 20 reclassifies only the defect pattern P of the inspected object W related to “classification F” whose classification has not been determined in the review AI defect classification unit 13. Classify and obtain reclassification result T.
  • the defect reclassification unit 20 uses the feature quantity primary classification result R1, the AI primary classification result R2, and the review AI primary classification result obtained by the feature quantity defect classification unit 11, the AI defect classification unit 12, and the review AI defect classification unit 13. Based on the classification result R3 (classification history), the defect pattern P of the inspected object W related to the undetermined "classification F" is reclassified to obtain a reclassification result T.
  • the defect reclassification unit 20 employs the combination pattern mode M3 as the reclassification condition V.
  • the defect reclassification unit 20 reclassifies the defect pattern P of the object to be inspected W based on the combination pattern mode M3 as the reclassification condition V, and obtains a reclassification result T.
  • the defect reclassification unit 20 Let the reclassification result T be "classification G”.
  • the defect reclassification unit 20 sets the reclassification result T to "class F” in cases other than the above. "Class F” is determined (finalized). “Classification G” is undetermined (undetermined).
  • step S8 the defect pattern P of the inspected object W related to the undetermined "classification G" is classified again by visual inspection by the operator.
  • the defect reclassification section 20 reclassifies the defect pattern P and obtains the reclassification result T based on the primary classification results R by the plurality of defect classification sections 10, thereby reclassifying the object to be inspected W. It is possible to accurately classify the defect pattern P that has occurred.
  • classification of defect patterns P by visual inspection can be reduced to a minimum.
  • the reclassification condition V by the defect reclassification unit 20 can be selected from among the priority mode M1, majority mode M2, and combination pattern mode M3, the reclassification condition V can be changed flexibly according to manufacturing conditions, etc. can.
  • the defect classification unit 10 on the downstream side does not need to classify the defect pattern P of the object to be inspected W whose classification has already been determined by the defect classification unit 10 on the upstream side. Therefore, the processing speed of classifying the defect patterns P by the automatic defect classification device 1 can be improved.
  • the classification processing speed and classification accuracy of the defect pattern P by the automatic defect classification device 1 can be improved. It is possible to achieve both.
  • the user U can easily set the reclassification conditions V by the defect reclassification unit 20.
  • the plurality of defect classification units 10 classified the defect patterns P of the object to be inspected W in stages from the upstream side to the downstream side, but the present invention is not limited to this.
  • the feature value defect classification section 11, the AI defect classification section 12, and the review AI defect classification section 13 may classify the defect pattern P of any object W to be inspected in parallel with each other.
  • the feature quantity defect classification unit 11 classifies a defect pattern P of an arbitrary inspected object W into a "flaw" as the feature quantity primary classification result R1.
  • the AI defect classification unit 12 classifies the defect pattern P of the arbitrary inspection target W into "foreign matter” as the AI primary classification result R2.
  • the review AI defect classification unit 13 classifies the defect pattern P of the arbitrary inspected object W into "flaw” as the review AI primary classification result R3.
  • the defect reclassification unit 20 obtains "foreign object" as the reclassification result T.
  • the reclassification condition V is the majority mode M2.
  • the defect reclassification unit 20 obtains "flaw” as the reclassification result T.
  • the reclassification condition V is the combination pattern mode M3.
  • the defect reclassification unit 20 obtains a reclassification result T based on a predetermined algorithm (see FIGS. 2 and 3).
  • the inspection image I may be converted into each color component image of RGB, and the defect pattern P may be reclassified based on which color component image was used to inspect the defect pattern P (color component image condition).
  • the inspection object W is not limited to semiconductor wafers, and various objects that can be classified by the automatic defect classification device 1 can be considered.
  • the inspection target W may be, for example, a glass substrate or an electric wire.
  • the combination of the plurality of defect classification units 10 is not limited to the feature quantity defect classification unit 11, the AI defect classification unit 12, and the review AI defect classification unit 13.
  • the automatic defect classification device 1 may include, as the plurality of defect classification units 10, only two feature quantity defect classification units that use different feature quantities as classification criteria.

Landscapes

  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Analytical Chemistry (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Multimedia (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Medical Informatics (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Manufacturing & Machinery (AREA)
  • Computer Hardware Design (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Power Engineering (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)
  • Image Analysis (AREA)

Abstract

被検査対象に発生した欠陥パターンを精度よく分類する。　具体的には、自動欠陥分類装置１は、被検査対象Ｗに発生した欠陥パターンＰを分類する。自動欠陥分類装置１は、欠陥パターンＰを分類して一次分類結果Ｒを得る複数の欠陥分類部１０と、複数の欠陥分類部１０により得られる複数の一次分類結果Ｒに基づいて、欠陥パターンＰを再分類して再分類結果Ｔを得る欠陥再分類部２０と、欠陥再分類部２０による再分類条件Ｖを登録する再分類登録部３０と、を備える。

Description

欠陥分類装置
　本開示は、被検査対象に発生した欠陥パターンを分類する欠陥分類装置に、関する。
　例えば、半導体デバイスの製造工程では、半導体ウエハ(基板)の表面に露光、現像、エッチング等の処理を行うことによって、半導体ウエハ表面に多数の回路パターンを形成する。そして、多数の回路パターンが形成された半導体ウエハを、複数のチップ部品として個片化する。個片化されたチップ部品は、パッケージングされた後、電子部品単体として出荷されたり、電気製品に組み込まれたりする。
　ここで、半導体ウエハが複数のチップ部品として個片化される前に、半導体ウエハ表面に対して、欠陥の検出が行われる。欠陥の検出は、例えば、光学顕微鏡や走査電子顕微鏡により撮像された検査画像に基づいて、行われる。
　そして、欠陥の検出された半導体ウエハに対して、欠陥のサイズや色などの特徴量に基づいて、欠陥パターンの分類が行われる。欠陥パターンとして、例えば、異物や傷などがある。
　従来、欠陥パターンの分類は、作業者による目視検査によって行われてきた。しかしながら、目視検査では、作業者の主観に応じて、欠陥パターンの分類結果にばらつきが生じ得るので、欠陥パターンを精度よく分類することができなかった。
　そこで、特許文献１に示すように、半導体ウエハ表面に発生した欠陥パターンを自動的分類する自動欠陥分類装置（Automatic Defect Classification：ＡＤＣ）が、知られて
いる。
特開２００４－４７９３９号公報
　しかしながら、特許文献１に係る自動欠陥分類装置を用いて、作業者の主観を排して欠陥パターンを分類したとしても、依然として、欠陥パターンの分類精度に課題がある。
　上記課題は、半導体ウエハ以外の他の被検査対象にも、当てはまる。
　本開示は斯かる点に鑑みてなされたものであり、その目的とするところは、被検査対象に発生した欠陥パターンを精度よく分類することにある。
　本開示に係る欠陥分類装置は、被検査対象に発生した欠陥パターンを分類する欠陥分類装置であって、上記欠陥パターンを分類して一次分類結果を得る複数の欠陥分類部と、上記複数の欠陥分類部により得られる複数の上記一次分類結果に基づいて、上記欠陥パターンを再分類して再分類結果を得る欠陥再分類部と、上記欠陥再分類部による再分類条件を登録する再分類登録部と、を備える。
　本開示によれば、被検査対象に発生した欠陥パターンを精度よく分類することができる。
図１は、本開示の一実施形態に係る自動欠陥分類装置の概略構成図である。 図２は、インターフェース部の設定画面を示す。 図３は、欠陥パターンの分類フローを示すフローチャートである。 図４は、その他の実施形態に係る図３相当図である。
　以下、本開示の一実施形態を図面に基づいて詳細に説明する。以下の好ましい実施形態の説明は、本質的に例示に過ぎず、本開示、その適用物あるいはその用途を制限することを意図するものでは全くない。
　（自動欠陥分類装置の構成）
　図１は、本開示の一実施形態に係る自動欠陥分類装置１の概略構成図である。自動欠陥分類装置１は、被検査対象Ｗに発生した欠陥パターンＰを、分類する。本実施形態では、被検査対象Ｗは、半導体製造工程における半導体ウエハ（基板）の表面である。
　自動欠陥分類装置１による欠陥パターンＰの分類工程の前工程において、欠陥検出装置（図示せず）による欠陥の検出が行われる。欠陥の検出は、光学顕微鏡や走査電子顕微鏡により撮像された検査画像Ｉに基づいて、行われる。具体的には、欠陥の検出は、例えば、撮像された検査画像Ｉを、事前に設定されたフィッティング画像（統計的良品画像）に重ね合わせることによって、行われる。フィッティング画像は、例えば、良品判定された被検査対象Ｗの画像を平均化することによって、得られる。
　自動欠陥分類装置１は、欠陥検出装置により欠陥が検出された被検査対象Ｗについてのみ、欠陥パターンＰを分類する。ここで、欠陥パターンＰとして、例えば、異物、傷、エッジリンス不良、スルーホール異常、塗膜ムラ、剥がれ、スクラッチ、ボンディングパッド異常、色ムラ、パターン異常、染み、変色、変形、などがある。
　自動欠陥分類装置１は、複数の欠陥分類部１０と、欠陥再分類部２０と、再分類登録部３０と、インターフェース部４０と、を備える。自動欠陥分類装置１は、例えば、マイコン及びプログラムで構成されている。
　複数の欠陥分類部１０は、被検査対象Ｗに発生した欠陥パターンＰを分類して、一次分類結果Ｒを得る。複数の欠陥分類部１０として、特徴量欠陥分類部１１と、ＡＩ欠陥分類部１２と、レビューＡＩ欠陥分類部１３と、がある。
　特徴量欠陥分類部１１は、被検査対象Ｗの検査画像Ｉに対して、欠陥における所定の特徴量Ｘに基づいて、欠陥パターンＰを分類して、特徴量一次分類結果Ｒ１を得る。欠陥の特徴量Ｘとして、例えば、面積、明るさ、色、輝度、形状、鮮明さ、長さ、幅、幅／長さ、角度、透明度、などがある。特徴量欠陥分類部１１には、欠陥の特徴量Ｘが、事前に登録されている。
　ＡＩ欠陥分類部１２は、被検査対象Ｗの検査画像Ｉに対して、ＡＩ（Artificial Intelligence）学習により生成された分類条件Ｙに基づいて、欠陥パターンＰを分類して、Ａ
Ｉ一次分類結果Ｒ２を得る。詳細には、ＡＩ欠陥分類部１２は、被検査対象Ｗの検査画像Ｉに対して、最適な分類条件Ｙを、ＡＩ学習によって自動生成する。そして、ＡＩ欠陥分類部１２は、撮像された検査画像Ｉを、生成された分類条件Ｙに比較して、欠陥パターンＰを分類する。分類条件Ｙの自動生成は、被検査対象Ｍ毎に、都度行われる。
　このため、ＡＩ欠陥分類部１２による欠陥パターンＰの分類は、特徴量欠陥分類部１１による欠陥パターンＰの分類に比較して、時間がかかる。一方、ＡＩ欠陥分類部１２は、特徴量欠陥分類部１１に比較して、欠陥パターンＰを、高精度で分類することができる。
　ＡＩ学習として、例えば、機械学習やディープラーニング等がある。また、機械学習として、「教師有り学習」、「教師無し学習」及び「強化学習」等がある。
　例えば、任意の検査画像Ｉ及び当該検査画像Ｉに対する目視検査による欠陥パターンＰの分類結果を、ＡＩ欠陥分類部１２に、データとして予め大量に入力する。ＡＩ欠陥分類部１２は、大量に入力されたこれらのデータに基づいて、欠陥分類の傾向を発見することによって、撮像された検査画像Ｉに対する欠陥パターンＰの分類条件Ｙを、都度、自動生成する。
　レビューＡＩ欠陥分類部１３は、ＡＩ欠陥分類部１２における検査画像Ｉよりも高解像度で取得したレビュー画像Ｊに対して、ＡＩ学習により生成された分類条件Ｚに基づいて、欠陥パターンＰを分類して、レビューＡＩ一次分類結果Ｒ３を得る。レビューＡＩ欠陥分類部１３の構成は、通常の検査画像Ｉではなくレビュー画像Ｊを用いること以外、ＡＩ欠陥分類部１２と同様である。
　ここで、レビュー画像Ｊは、被検査対象Ｗを、（特徴量欠陥分類部１１及びＡＩ欠陥分類部１２で用いられる）通常の検査画像Ｉよりも、高解像度（高倍率）で撮像することによって、得られる。レビュー画像Ｊは、通常の検査画像Ｉよりも、撮像範囲（画角）が狭い。すなわち、レビューＡＩ欠陥分類部１３では、１つの被検査対象Ｗに対して、複数のレビュー画像Ｊを取得する必要がある。
　このため、レビューＡＩ欠陥分類部１３による欠陥パターンＰの分類は、ＡＩ欠陥分類部１２による欠陥パターンＰの分類に比較して、時間がかかる。一方、レビューＡＩ欠陥分類部１３は、ＡＩ欠陥分類部１２に比較して、欠陥パターンＰを、高精度で分類することができる。
　複数の欠陥分類部１０は、上流側から下流側へと、特徴量欠陥分類部１１、ＡＩ欠陥分類部１２及びレビューＡＩ欠陥分類部１３の順に、被検査対象Ｗの欠陥パターンＰを、段階的に分類する。下流側の欠陥分類部１０は、上流側の欠陥分類部１０では分類が決定（確定）しなかった被検査対象Ｗの欠陥パターンＰのみを、分類する。
　具体的には、ＡＩ欠陥分類部１２は、特徴量欠陥分類部１１では分類が決定せずに未決定となった被検査対象Ｗの欠陥パターンＰのみを、分類する。レビューＡＩ欠陥分類部１３は、ＡＩ欠陥分類部１２では分類が決定せずに未決定となった被検査対象Ｗの欠陥パターンＰのみを、分類する。
　欠陥再分類部２０は、複数の欠陥分類部１０（特徴量欠陥分類部１１、ＡＩ欠陥分類部１２及びレビューＡＩ欠陥分類部１３）により得られる複数の一次分類結果Ｒ（特徴量一次分類結果Ｒ１、ＡＩ一次分類結果Ｒ２及びレビューＡＩ一次分類結果Ｒ３）に基づいて、欠陥パターンＰを再分類して、再分類結果Ｔを得る。
　再分類登録部３０は、欠陥再分類部２０による再分類条件Ｖを、登録する。また、再分類登録部３０は、再分類条件Ｖを、保持・記憶する。再分類条件Ｖは、優先度モードＭ１と、多数決モードＭ２と、組合せパターンモードＭ３と、を含む。
　優先度モードＭ１は、複数の欠陥分類部１０（特徴量欠陥分類部１１、ＡＩ欠陥分類部１２及びレビューＡＩ欠陥分類部１３）により得られる複数の一次分類結果Ｒ（特徴量一次分類結果Ｒ１、ＡＩ一次分類結果Ｒ２及びレビューＡＩ一次分類結果Ｒ３）が互いに異なるときに、欠陥再分類部２０による再分類結果Ｔを、所定の優先度に基づいて複数の一次分類結果Ｒのうちのいずれか１つとする。
　例えば、優先度モードＭ１において、欠陥パターンＰとして、予め「異物」を優先した
とする。そして、特徴量一次分類結果Ｒ１が「傷」、ＡＩ一次分類結果Ｒ２が「異物」、
レビューＡＩ一次分類結果Ｒ３が「傷」だったとする。
　この場合、「傷」が２つ、「異物」が１つと、「傷」の方が多いが、予め優先した「異物」が優先される。すなわち、欠陥再分類部２０による再分類結果Ｔは、「異物」となる。
　多数決モードＭ２は、複数の欠陥分類部１０（特徴量欠陥分類部１１、ＡＩ欠陥分類部１２及びレビューＡＩ欠陥分類部１３）により得られる複数の一次分類結果Ｒ（特徴量一次分類結果Ｒ１、ＡＩ一次分類結果Ｒ２及びレビューＡＩ一次分類結果Ｒ３）が互いに異なるときに、欠陥再分類部２０による再分類結果Ｔを、複数の一次分類結果Ｒのうちの同じ一次分類結果Ｒが多数あった方とする。
　例えば、特徴量一次分類結果Ｒ１が「傷」、ＡＩ一次分類結果Ｒ２が「異物」、レビューＡＩ一次分類結果Ｒ３が「傷」だったとする。この場合、「傷」が２つ、「異物」が１つであり、同じ一次分類結果Ｒとして、「傷」の方が多数である。すなわち、欠陥再分類部２０による再分類結果Ｔは、「傷」となる。
　組合せパターンモードＭ３は、複数の欠陥分類部１０（特徴量欠陥分類部１１、ＡＩ欠陥分類部１２及びレビューＡＩ欠陥分類部１３）により得られる複数の一次分類結果Ｒ（特徴量一次分類結果Ｒ１、ＡＩ一次分類結果Ｒ２及びレビューＡＩ一次分類結果Ｒ３）が互いに異なるときに、欠陥再分類部２０による再分類結果Ｔを、所定のアルゴリズムに基づいて複数の一次分類結果Ｒの組合せパターンによって決定する。組合せパターンモードＭ３の詳細については、後述する。
　インターフェース部４０は、再分類条件Ｖを、ユーザＵが入力する。また、インターフェース部４０は、入力された再分類条件Ｖを、ユーザＵに対して表示する。
　図２は、インターフェース部４０の設定画面４１を示す。設定画面４１では、先ず、ユーザＵによって、再分類条件Ｖとして、優先度モードＭ１、多数決モードＭ２及び組合せパターンモードＭ３のうちのいずれか１つが、選択される。
　再分類条件Ｖとして組合せパターンモードＭ３が選択された場合、具体的な組合せパターンを設定する。例えば、第１判定条件Ｈ１では、特徴量一次分類結果Ｒ１が「黒色欠陥」、ＡＩ一次分類結果Ｒ２が「円形欠陥」、且つレビューＡＩ一次分類結果Ｒ３が「異物」だった場合、再分類結果Ｔを「黒色異物欠陥」とする。なお、このときの論理式Ｋは、「ＡＮＤ」である。
　第２判定条件Ｈ２では、特徴量一次分類結果Ｒ１が「白色欠陥」、ＡＩ一次分類結果Ｒ２が「矩形欠陥」、且つレビューＡＩ一次分類結果Ｒ３が「傷」だった場合、再分類結果Ｔを「白色傷欠陥」とする。なお、このときの論理式Ｋは、「ＡＮＤ」である。
　第３判定条件Ｈ３以降でも、上記と同様に、任意の組合せパターンを設定する。また、論理式Ｋは、「ＯＲ」でもよい。
　（欠陥パターンの分類フロー）
　図３は、欠陥パターンＰ１の分類フローを示すフローチャートである。なお、後述する「分類Ａ」～「分類Ｇ」は、「異物」や「傷」等のような欠陥パターンＰの分類を示す。　
　先ず、ステップＳ１において、ユーザＵは、欠陥再分類部２０による再分類条件Ｖを、再分類登録部３０に登録する。本例では、再分類条件Ｖとして、組合せパターンモードＭ３が採用される。ユーザＵは、具体的な組合せパターンを、再分類登録部３０に登録する（図２参照）。なお、再分類条件Ｖの再分類登録部３０への登録は、後述するステップ６の後に行ってもよい。
　次に、ステップＳ２において、被検査対象Ｗの検査画像Ｉが取得される。
　次に、ステップＳ３において、特徴量欠陥分類部１１は、被検査対象Ｗの欠陥パターンＰを、所定の特徴量Ｘに基づいて、分類する。具体的には、特徴量欠陥分類部１１は、欠陥パターンＰを、特徴量一次分類結果Ｒ１として、「分類Ａ」、「分類Ｂ」及び「分類Ｃ」に分類する。「分類Ａ」は、決定（確定）される。「分類Ｂ」及び「分類Ｃ」は、未決定（未確定）とされる。
　次に、ステップＳ４において、ＡＩ欠陥分類部１２は、特徴量欠陥分類部１１では分類が決定せずに未決定となった「分類Ｂ」及び「分類Ｃ」に係る被検査対象Ｗの欠陥パターンＰのみを、検査画像Ｉに対してＡＩ学習により生成された分類条件Ｙに基づいて、分類する。具体的には、ＡＩ欠陥分類部１２は、欠陥パターンＰを、ＡＩ一次分類結果Ｒ２として、「分類Ｂ」、「分類Ｃ」、「分類Ｄ」及び「分類Ｅ」に分類する。「分類Ｂ」及び「分類Ｃ」は、決定（確定）される。「分類Ｄ」及び「分類Ｅ」は、未決定（未確定）とされる。
　次に、ステップＳ５において、ＡＩ欠陥分類部１２では分類が決定せずに未決定となった「分類Ｄ」及び「分類Ｅ」に係る被検査対象Ｗのレビュー画像Ｊのみを、取得する。レビュー画像Ｊは、検査画像Ｉよりも高解像度である。
　次に、ステップＳ６において、レビューＡＩ欠陥分類部１３は、ＡＩ欠陥分類部１２では分類が決定せずに未決定となった「分類Ｄ」及び「分類Ｅ」に係る被検査対象Ｗの欠陥パターンＰのみを、レビュー画像Ｊに対してＡＩ学習により生成された分類条件Ｚに基づいて、分類する。具体的には、レビューＡＩ欠陥分類部１３は、欠陥パターンＰを、レビューＡＩ一次分類結果Ｒ３として、「分類Ｄ」、「分類Ｅ」及び「分類Ｆ」に分類する。「分類Ｄ」及び「分類Ｅ」は、決定（確定）される。「分類Ｆ」は、未決定（未確定）とされる。
　次に、ステップＳ７において、欠陥再分類部２０は、レビューＡＩ欠陥分類部１３では分類が決定せずに未決定となった「分類Ｆ」に係る被検査対象Ｗの欠陥パターンＰのみを、再分類して、再分類結果Ｔを得る。
　具体的には、欠陥再分類部２０は、特徴量欠陥分類部１１、ＡＩ欠陥分類部１２及びレビューＡＩ欠陥分類部１３により得られる特徴量一次分類結果Ｒ１、ＡＩ一次分類結果Ｒ２及びレビューＡＩ一次分類結果Ｒ３（分類履歴）に基づいて、未決定の「分類Ｆ」に係る被検査対象Ｗの欠陥パターンＰを再分類して、再分類結果Ｔを得る。
　上述したように、欠陥再分類部２０は、再分類条件Ｖとして、組合せパターンモードＭ３を採用している。欠陥再分類部２０は、再分類条件Ｖとしての組合せパターンモードＭ３に基づいて、被検査対象Ｗの欠陥パターンＰを再分類して、再分類結果Ｔを得る。
具体的には、欠陥再分類部２０は、特徴量一次分類結果Ｒ１が「分類Ｂ」、ＡＩ一次分類結果Ｒ２が「分類Ｄ」、レビューＡＩ一次分類結果Ｒ３が「分類Ｆ」である場合、再分類結果Ｔを「分類Ｇ」とする。一方、欠陥再分類部２０は、上記以外の場合、再分類結果Ｔを「分類Ｆ」とする。「分類Ｆ」は、決定（確定）される。「分類Ｇ」は、未決定（未確定）とされる。
　最後に、ステップＳ８において、未決定の「分類Ｇ」に係る被検査対象Ｗの欠陥パターンＰを、作業者による目視検査によって、再々分類する。
　（作用効果）
　本実施形態によれば、欠陥再分類部２０が、複数の欠陥分類部１０による一次分類結果Ｒに基づいて、欠陥パターンＰを再分類して再分類結果Ｔを得ることによって、被検査対象Ｗに発生した欠陥パターンＰを、精度よく分類することができる。
　また、目視検査による欠陥パターンＰの分類を、最小限に減らすことができる。
　欠陥再分類部２０による再分類条件Ｖを、優先度モードＭ１、多数決モードＭ２及び組合せパターンモードＭ３の中から選択できるので、再分類条件Ｖを、製造条件等に応じて柔軟に変更することができる。
　下流側の欠陥分類部１０は、上流側の欠陥分類部１０で既に分類が決定した被検査対象Ｗの欠陥パターンＰを、分類しなくてよい。このため、自動欠陥分類装置１による欠陥パターンＰの分類処理速度を、向上させることができる。
　複数の欠陥分類部１０として、特徴量欠陥分類部１１、ＡＩ欠陥分類部１２及びレビューＡＩ欠陥分類部１３を組み合わせることによって、自動欠陥分類装置１による欠陥パターンＰの分類処理速度と分類精度との両立を図ることができる。
　インターフェース部４０の設定画面４１を通じて、ユーザＵは、欠陥再分類部２０による再分類条件Ｖを、容易に設定することができる。
　（その他の実施形態）
　以上、本開示を好適な実施形態により説明してきたが、こうした記述は限定事項ではなく、勿論、種々の改変が可能である。
　上記実施形態では、複数の欠陥分類部１０は、上流側から下流側へ順に、被検査対象Ｗの欠陥パターンＰを段階的に分類したが、これに限定されない。
　図４に示すように、特徴量欠陥分類部１１、ＡＩ欠陥分類部１２及びレビューＡＩ欠陥分類部１３は、互いに並行して、任意の被検査対象Ｗの欠陥パターンＰを分類してもよい。
　例えば、特徴量欠陥分類部１１は、任意の被検査対象Ｗの欠陥パターンＰを、特徴量一次分類結果Ｒ１としての「傷」に分類する。ＡＩ欠陥分類部１２は、当該任意の被検査対象Ｗの欠陥パターンＰを、ＡＩ一次分類結果Ｒ２としての「異物」に分類する。レビューＡＩ欠陥分類部１３は、当該任意の被検査対象Ｗの欠陥パターンＰを、レビューＡＩ一次分類結果Ｒ３としての「傷」に分類する。
　再分類条件Ｖを優先度モードＭ１として、予め「異物」を優先したとする。この場合、欠陥再分類部２０は、再分類結果Ｔとしての「異物」を得る。再分類条件Ｖを多数決モードＭ２としたとする。この場合、欠陥再分類部２０は、再分類結果Ｔとしての「傷」を得る。再分類条件Ｖを組合せパターンモードＭ３としたとする。この場合、欠陥再分類部２０は、所定のアルゴリズムに基づいて、再分類結果Ｔを得る（図２，３参照）。
　検査画像ＩをＲＧＢの各色成分画像に変換して、どの色成分画像にて欠陥パターンＰの検査を行ったのか（色成分画像条件）を、欠陥パターンＰの再分類に利用してもよい。
　検査対象Ｗは、半導体ウエハに限定されず、自動欠陥分類装置１で分類可能な、種々の対象が考えられ得る。検査対象Ｗは、例えば、ガラス基板や電線等でもよい。
　複数の欠陥分類部１０の組合せは、特徴量欠陥分類部１１、ＡＩ欠陥分類部１２及びレビューＡＩ欠陥分類部１３に、限定されない。例えば、自動欠陥分類装置１は、複数の欠陥分類部１０として、互いに異なる特徴量を分類基準とした２つの特徴量欠陥分類部のみを、備えてもよい。
　本開示は、自動欠陥分類装置１に適用できるので、極めて有用であり、産業上の利用可能性が高い。
　　Ｗ　　　被検査対象
　　Ｐ　　　欠陥パターン
　　Ｉ　　　検査画像
　　Ｊ　　　レビュー画像
　　Ｒ　　　一次分類結果
　　Ｒ１　　特徴量一次分類結果
　　Ｒ２　　ＡＩ一次分類結果
　　Ｒ３　　レビューＡＩ一次分類結果
　　Ｘ　　　特徴量
　　Ｙ　　　分類条件
　　Ｚ　　　分類条件
　　Ｔ　　　再分類結果
　　Ｖ　　　再分類条件
　　Ｕ　　　ユーザ
　　Ｍ１　　優先度モード
　　Ｍ２　　多数決モード
　　Ｍ３　　組合せパターンモード
　　１　　　自動欠陥分類装置
　　１０　　欠陥分類部
　　１１　　特徴量欠陥分類部
　　１２　　ＡＩ欠陥分類部
　　１３　　レビューＡＩ欠陥分類部
　　２０　　欠陥再分類部
　　３０　　再分類登録部
　　４０　　インターフェース部

Claims (5)

  1. 　被検査対象に発生した欠陥パターンを分類する欠陥分類装置であって、
    　前記欠陥パターンを分類して一次分類結果を得る複数の欠陥分類部と、
    　前記複数の欠陥分類部により得られる複数の前記一次分類結果に基づいて、前記欠陥パターンを再分類して再分類結果を得る欠陥再分類部と、
    　前記欠陥再分類部による再分類条件を登録する再分類登録部と、を備える、欠陥分類装置。
  2. 　請求項１に記載の欠陥分類装置であって、
    　前記再分類条件は、
    　　前記複数の一次分類結果が互いに異なるときに、前記再分類結果を、所定の優先度に基づいて前記複数の一次分類結果のうちのいずれか１つとする優先度モードと、
    　　前記複数の一次分類結果が互いに異なるときに、前記再分類結果を、前記複数の一次分類結果のうちの同じ前記一次分類結果が多数あった方とする多数決モードと、
    　　前記複数の一次分類結果が互いに異なるときに、前記再分類結果を、所定のアルゴリズムに基づいて前記複数の一次分類結果の組合せパターンによって決定する組合せパターンモードと、のうちの少なくとも１つを含む、欠陥分類装置。
  3. 　請求項１又は２に記載の欠陥分類装置であって、
    　前記複数の欠陥分類部は、上流側から下流側へと順に、前記欠陥パターンを分類しており、
    　下流側の前記欠陥分類部は、上流側の前記欠陥分類部では分類が決定しなかった前記被検査対象の前記欠陥パターンのみを分類する、欠陥分類装置。
  4. 　請求項１から３のいずれか１つに記載の欠陥分類装置であって、
    　前記複数の欠陥分類部として、
    　　前記被検査対象の検査画像に対して所定の特徴量に基づいて、前記欠陥パターンを分類する特徴量欠陥分類部と、
    　　前記検査画像に対してＡＩ学習により生成された分類条件に基づいて、前記欠陥パターンを分類するＡＩ欠陥分類部と、
    　前記ＡＩ欠陥分類部における前記検査画像よりも高解像度で取得したレビュー画像に対してＡＩ学習により生成された分類条件に基づいて、前記欠陥パターンを分類するレビューＡＩ欠陥分類部と、を備える、欠陥分類装置。
  5. 　請求項１から４のいずれか１つに記載の欠陥分類装置であって、
    　前記再分類条件をユーザが入力し且つ入力された前記再分類条件を表示するインターフェース部を備える、欠陥分類装置。
PCT/JP2023/001413 2022-03-14 2023-01-18 欠陥分類装置 WO2023176132A1 (ja)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2022-039210 2022-03-14
JP2022039210A JP2023133939A (ja) 2022-03-14 2022-03-14 欠陥分類装置

Publications (1)

Publication Number Publication Date
WO2023176132A1 true WO2023176132A1 (ja) 2023-09-21

Family

ID=88022752

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2023/001413 WO2023176132A1 (ja) 2022-03-14 2023-01-18 欠陥分類装置

Country Status (3)

Country Link
JP (1) JP2023133939A (ja)
TW (1) TW202339040A (ja)
WO (1) WO2023176132A1 (ja)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008082821A (ja) * 2006-09-27 2008-04-10 Hitachi High-Technologies Corp 欠陥分類方法及びその装置並びに欠陥検査装置
JP2012181209A (ja) * 2012-06-14 2012-09-20 Hitachi Ltd 欠陥分類方法及びその装置
JP2014228496A (ja) * 2013-05-24 2014-12-08 株式会社日立ハイテクノロジーズ 表面欠陥検査装置、および表面欠陥検査方法
JP2019124591A (ja) * 2018-01-17 2019-07-25 東京エレクトロン株式会社 基板の欠陥検査装置、基板の欠陥検査方法及び記憶媒体
JP2020187657A (ja) * 2019-05-16 2020-11-19 株式会社キーエンス 画像検査装置
JP2021021670A (ja) * 2019-07-30 2021-02-18 三菱パワー株式会社 外観検査装置
WO2021090601A1 (ja) * 2019-11-07 2021-05-14 東レエンジニアリング株式会社 分類装置および画像分類システム
JP2022055953A (ja) * 2020-09-29 2022-04-08 タカノ株式会社 欠陥分類装置、欠陥分類方法及びプログラム

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008082821A (ja) * 2006-09-27 2008-04-10 Hitachi High-Technologies Corp 欠陥分類方法及びその装置並びに欠陥検査装置
JP2012181209A (ja) * 2012-06-14 2012-09-20 Hitachi Ltd 欠陥分類方法及びその装置
JP2014228496A (ja) * 2013-05-24 2014-12-08 株式会社日立ハイテクノロジーズ 表面欠陥検査装置、および表面欠陥検査方法
JP2019124591A (ja) * 2018-01-17 2019-07-25 東京エレクトロン株式会社 基板の欠陥検査装置、基板の欠陥検査方法及び記憶媒体
JP2020187657A (ja) * 2019-05-16 2020-11-19 株式会社キーエンス 画像検査装置
JP2021021670A (ja) * 2019-07-30 2021-02-18 三菱パワー株式会社 外観検査装置
WO2021090601A1 (ja) * 2019-11-07 2021-05-14 東レエンジニアリング株式会社 分類装置および画像分類システム
JP2022055953A (ja) * 2020-09-29 2022-04-08 タカノ株式会社 欠陥分類装置、欠陥分類方法及びプログラム

Also Published As

Publication number Publication date
TW202339040A (zh) 2023-10-01
JP2023133939A (ja) 2023-09-27

Similar Documents

Publication Publication Date Title
JP7087397B2 (ja) 基板の欠陥検査装置、基板の欠陥検査方法及び記憶媒体
KR102324677B1 (ko) 결함 검출을 위한 동적 케어 영역
KR101296532B1 (ko) 레티클의 설계 패턴에서의 결함들을 검출 및/또는 분류하기 위한 컴퓨터 구현 방법들
JP7146857B2 (ja) ディープラーニングに基づきウェーハ欠陥画像を用いてウェーハの欠陥を分類するための方法およびシステム
TWI684000B (zh) 產生檢查配方的方法及其系統
US9689805B2 (en) Systems and methods eliminating false defect detections
US20030228050A1 (en) Method for pattern inspection
KR102174286B1 (ko) 결합된 패치 및 설계 기반 결함 검출
US10275872B2 (en) Method of detecting repeating defects and system thereof
US20190293669A1 (en) System, method and computer program product for classifying defects
WO2023176132A1 (ja) 欠陥分類装置
CN108020561B (zh) 用于在检查对象时自适应采样的方法和其系统
US11386539B2 (en) Detecting defects in a semiconductor specimen
JP2013245985A (ja) 欠陥検査装置、欠陥検査方法、及び欠陥検査プログラム
McLaughlin et al. Enhanced defect detection in after develop inspection with machine learning disposition
JP2018536275A (ja) 範囲に基づくリアルタイム走査電子顕微鏡非可視ビナー
KR102352698B1 (ko) 자동화된 이미지 기반 프로세스 모니터링 및 제어
JP2001281178A (ja) 欠陥検出方法、半導体装置の製造方法および欠陥検出装置
Sidorchuk et al. Difference Image-Based Training Sets for Automatic Defect Classification at Outgoing Inspection
US20230260853A1 (en) Method for determining fine particle defects on silicon wafer
CN100456024C (zh) 用于防止光学检查中错误检测的系统和方法
KR100883505B1 (ko) 마스크 검사 장치 및 방법
JP3271622B2 (ja) 半導体デバイスの製造方法
CN107923856B (zh) 以范围为基础的实时扫描电子显微镜的非视觉分格器
Fields et al. Systematic Missing Pattern Defects Introduced by Topcoat Change at PC Lithography: A Case Study in the Tandem Usage of Inspection Methods

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: 23770095

Country of ref document: EP

Kind code of ref document: A1