WO2025134591A1 - 欠陥分類装置 - Google Patents

欠陥分類装置 Download PDF

Info

Publication number
WO2025134591A1
WO2025134591A1 PCT/JP2024/039882 JP2024039882W WO2025134591A1 WO 2025134591 A1 WO2025134591 A1 WO 2025134591A1 JP 2024039882 W JP2024039882 W JP 2024039882W WO 2025134591 A1 WO2025134591 A1 WO 2025134591A1
Authority
WO
WIPO (PCT)
Prior art keywords
defect
image
view
field
classification unit
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
PCT/JP2024/039882
Other languages
English (en)
French (fr)
Inventor
強志 夏目
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Toray Engineering Co Ltd
Tasmit Inc
Original Assignee
Toray Engineering Co Ltd
Tasmit Inc
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 Toray Engineering Co Ltd, Tasmit Inc filed Critical Toray Engineering Co Ltd
Publication of WO2025134591A1 publication Critical patent/WO2025134591A1/ja
Anticipated expiration legal-status Critical
Pending legal-status Critical Current

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
    • 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 OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • H—ELECTRICITY
    • H10—SEMICONDUCTOR DEVICES; ELECTRIC SOLID-STATE DEVICES NOT OTHERWISE PROVIDED FOR
    • H10P—GENERIC PROCESSES OR APPARATUS FOR THE MANUFACTURE OR TREATMENT OF DEVICES COVERED BY CLASS H10
    • H10P74/00—Testing or measuring during manufacture or treatment of wafers, substrates or devices

Definitions

  • the surface of the semiconductor wafer is inspected for defects.
  • the defect detection is performed, for example, based on an inspection image captured by a camera connected to an optical microscope or a scanning electron microscope.
  • defect patterns are classified based on feature quantities such as the shape, size, and color of the defects. Examples of defect patterns include foreign objects and scratches.
  • defect patterns have been classified by visual inspection by workers.
  • the classification results of defect patterns can vary depending on the worker's subjective judgment, making it impossible to classify defect patterns with a high degree of accuracy.
  • an automatic defect classification device (ADC) that automatically classifies defect patterns that occur on the surface of a semiconductor wafer, as shown in Patent Document 1.
  • the semiconductor wafer to be inspected is usually larger than the field of view (imaging range) of the camera. Therefore, the semiconductor wafer is divided into multiple fields of view and images are captured by the camera, to obtain inspection images for each of the multiple fields of view. At this time, defects that occur on the semiconductor wafer may span multiple fields of view.
  • the defect pattern may not be classified accurately. For example, if only a small portion of a defect is captured at the edge of that field of view, the original features (shape, size, color, etc.) of the partially captured defect cannot be fully grasped, and therefore the defect pattern cannot be accurately identified.
  • This disclosure has been made in light of these points, and its purpose is to accurately classify defect patterns that occur in an object being inspected.
  • the defect classification device includes a classification unit that classifies a pattern of defects that have occurred in an object to be inspected, the image of which has been divided into a plurality of fields of view, and the plurality of fields of view include a first field of view and a second field of view that are adjacent to each other, a first end portion of the first field of view that is an end portion of the second field of view that is an end portion of the second field of view that is an end portion of the first ...
  • the first defect image extracted from the first field of view and the second defect image extracted from the second field of view are combined so that the first defect and the second defect overlap.
  • the defect pattern is classified.
  • the classification unit cuts out a region in the first defect image that includes the first end as a matching image, and sets a region in the second defect image that includes the second end as a search range, the classification unit cuts out a plurality of target images that correspond to the matching images from within the search range, and the classification unit aligns the first defect image and the second defect image so as to overlay the matching image on the target image that is closest to the matching image among the plurality of target images.
  • the first defect image and the second defect image are aligned so that the matching image overlaps with the target image that is closest to the matching image among the multiple target images T, thereby making it possible to more accurately overlap the first defect and the second defect. This is advantageous in accurately classifying the patterns of defects that have occurred in the object being inspected.
  • the classification unit determines the feature amounts of the matching image and each of the multiple target images, the classification unit compares the feature amounts of the matching image with the feature amounts of each of the multiple target images, and the classification unit overlays the matching image on the target image that has the feature amounts closest to the feature amounts of the matching image among the multiple target images.
  • the classification unit aligns the first defect image and the second defect image in an adjacent direction in which the first field of view and the second field of view are adjacent, and in a cross direction that crosses the adjacent direction.
  • the first defect image and the second defect image can be appropriately aligned in at least two directions, the adjacent direction and the intersecting direction.
  • FIG. 1 is a schematic diagram showing a defect classification method using a defect classification device.
  • FIG. 2 shows a combination of the first and second defect images.
  • FIG. 3 shows the superposition of the first defect and the second defect.
  • the defect classification device 1 is an automatic defect classification device (ADC).
  • the defect classification device 1 includes a classification unit 10.
  • the classification unit 10 is built into the main body of the defect classification device 1.
  • the classification unit 10 is, for example, a computer.
  • the classification unit 10 includes, for example, a processor mounted on a substrate and a memory device that stores software for operating the processor.
  • the classification unit 10 of the defect classification device 1 classifies the patterns of defects X that occur in the object to be inspected W.
  • the object to be inspected W is the surface of a semiconductor wafer (substrate) in the semiconductor manufacturing process.
  • a defect detection device detects defect X.
  • an image of the inspected object W is captured by a camera (not shown) connected to an optical microscope or scanning electron microscope to obtain an inspection image J, and the inspection image J is compared with a reference image K.
  • the reference image K is also called a fitting image or a statistically acceptable image.
  • the reference image K is obtained, for example, by averaging images of the inspected object W that has been determined to be acceptable.
  • the reference image K is set in advance.
  • the inspection image J is superimposed on the reference image K.
  • the classification unit 10 of the defect classification device 1 classifies the pattern of defect X only for the inspected object W in which defect X has been detected by the defect detection device.
  • defect X patterns include foreign matter, scratches, poor edge rinsing, through-hole abnormalities, uneven coating, peeling, scratches, bonding pad abnormalities, uneven color, pattern abnormalities, stains, discoloration, deformation, etc.
  • the classification unit 10 of the defect classification device 1 classifies the pattern of defect X in the inspection image J of the inspected object W based on a predetermined feature amount of defect X.
  • Feature quantities of defect X include, for example, area, brightness, color, luminance, shape, clarity, length, width, width/length, angle, transparency, etc. Feature quantities of defect X are preregistered in the classification unit 10 of the defect classification device 1.
  • the classification unit 10 of the defect classification device 1 may classify the pattern of defect X for the inspection image J of the inspected object W based on classification conditions generated by AI (Artificial Intelligence) learning.
  • AI learning include machine learning and deep learning.
  • machine learning include "supervised learning”, “unsupervised learning”, and “reinforcement learning”.
  • the object W to be inspected is usually larger than the field of view (imaging range) F of the camera. Therefore, the object W to be inspected is imaged so as to be partitioned into a plurality of fields of view F. In this way, an inspection image J is obtained for each of the plurality of fields of view F.
  • Each field of view F (each test image J) is adjacent to one another.
  • each field of view F is rectangular.
  • Each field of view F is arranged in a rectangular grid. In other words, each field of view F is adjacent to one another vertically and horizontally.
  • Each field of view F is further divided into a number of pixels.
  • FOV field of view
  • the multiple fields of view F are exemplified by FOV11 at the upper left, FOV12 at the lower left, FOV21 at the upper right, and FOV22 at the lower right.
  • FOV11 and FOV12 are adjacent to each other in the vertical direction.
  • FOV11 and FOV21 are adjacent to each other in the left-right direction.
  • FOV21 and FOV22 are adjacent to each other in the vertical direction.
  • FOV12 and FOV22 are adjacent in the left-right direction.
  • the edge includes the edge of the field of view F and the area slightly inward from the edge.
  • the camera obtains four test images J11, J12, J21, and J22 corresponding to the four fields of view F (FOV11, FOV12, FOV21, and FOV22).
  • the reference image K is similar to the test image J.
  • four reference images K11, K12, K21, and K22 are prepared in advance to correspond to the four fields of view F (FOV11, FOV12, FOV21, and FOV22).
  • a defect X that occurs in the object W to be inspected may span multiple fields of view F (inspection images J).
  • the defect X that occurs in the object W to be inspected spans the left-right direction across FOV11 (inspection image J11) and FOV21 (inspection image J21).
  • defect X extends from the middle of FOV11 (inspection image J11) to the right end 11b, and then reaches the left end 21d of FOV21 (inspection image J21).
  • Defect X has a jagged shape like the teeth of a saw.
  • the defect detection device detects defect X in FOV11 (inspection image J11) and FOV21 (inspection image J21) of the inspected object W.
  • the defect detection device does not detect defect X in FOV12 (inspection image J12) and FOV22 (inspection image J22) of the inspected object W. Note that defect X does not exist in any of the four reference images K11, K12, K21, and K22.
  • FOV11 inspection image J11
  • FOV21 inspection image J21
  • the pattern of defect X may not be classified accurately. For example, only a small portion of defect X is visible in FOV21 (inspection image J21) near its left end 21d. For this reason, even if FOV21 (inspection image J21) is compared with reference image K22, the original features of defect X (shape, size, color, etc.) cannot be fully grasped, and the pattern of defect X cannot be accurately grasped.
  • defect X is seen in most of FOV11 (inspection image J11) from its middle to the right end 11b. Therefore, when FOV11 (inspection image J11) is compared with reference image K11, it may be possible to grasp the original feature amount of defect X, and it may be possible to grasp the accurate pattern of defect X. For example, it may be possible to classify the pattern of defect X as a "scratch" based on the jagged shape of defect X seen in FOV11 (inspection image J11).
  • defect X is only faintly visible in FOV11 (inspection image J11) just like in FOV21 (inspection image J21), the true feature amount of defect X cannot be grasped, and the accurate pattern of defect X cannot be grasped.
  • the defect classification device 1 makes it possible to accurately classify the pattern of defect X even when the defect X occurring in the object W to be inspected spans multiple fields of view F (inspection images J) by implementing the following measures.
  • the FOV11 is referred to as the first field of view F1.
  • the FOV21 is referred to as the second field of view F2.
  • the multiple fields of view F include the FOV11 as the first field of view F1 and the FOV21 as the second field of view F2.
  • the FOV11 (first field of view F1) and the FOV21 (second field of view F2) are adjacent to each other in the left-right direction.
  • the right end 11b which serves as the first end F1p and which is the end of the FOV11 (first field of view F1) on the FOV21 (second field of view F2) side, and the left end 21d, which serves as the second end F2p and which is the end of the FOV21 (second field of view F2) on the FOV11 (first field of view F1) side, overlap each other.
  • the right end 11b (first end F1p) of FOV11 includes the right end of FOV11 (first field of view F1) and an area slightly to the left of the right end.
  • the left end 21d (second end F2p) of FOV21 (second field of view F2) includes the left end of FOV21 (second field of view F2) and an area slightly to the right of the left end.
  • the right end of FOV11 (first field of view F1), which is the end on the FOV21 (second field of view F2) side, is located to the right, closer to FOV21 (second field of view F2), than the left end of FOV21 (second field of view F2).
  • the left end of FOV21 (second field of view F2) which is the end on the FOV11 (first field of view F1) side, is located to the left, closer to FOV11 (first field of view F1), than the right end of FOV11 (first field of view F1).
  • FOV11 first field of view F1
  • FOV21 second field of view F2
  • the first defect X1 is part of defect X.
  • the second defect X2 is part of defect X.
  • the classification unit 10 of the defect classification device 1 cuts out the area in the FOV 11 (first field of view F1) that contains the first defect X1 as a first defect image C1.
  • the classification unit 10 of the defect classification device 1 cuts out the area in the FOV 21 (second field of view F2) that contains the second defect X2 as a second defect image C2.
  • the first defect image C1 is smaller than FOV11 (first field of view F1).
  • the second defect image C2 is smaller than FOV21 (second field of view F2).
  • the size and position of the first defect image C1 are set so that the first defect X1 is easily visible.
  • the size and position of the second defect image C2 are set so that the second defect X2 is easily visible.
  • the size and position of the first defect image C1 and the size and position of the second defect image C2 may be the same as or different from each other.
  • FIG. 2 shows the combination of the first defect image C1 and the second defect image C2.
  • the classification unit 10 of the defect classification device 1 classifies the pattern of the defect X in a state in which the first defect image C1 and the second defect image C2 are aligned so that the first defect X1 and the second defect X2 overlap each other.
  • the first defect image C1 includes the right end 11b of the FOV 11.
  • the second defect image C2 includes the left end 21d of the FOV 21. Therefore, the first defect image C1 and the second defect image C2 are aligned so that the first defect X1 and the second defect X2 overlap. Then, in the state in which the first defect image C1 and the second defect image C2 are aligned (the state in which the first defect X1 and the second defect X2 overlap), the pattern of defect X is classified.
  • adjacent direction A Adjacent direction A is also the direction in which FOV11 and FOV21 overlap.
  • Intersecting direction B is also a direction parallel to the right side of FOV11 and the left side of FOV21.
  • the classification unit 10 of the defect classification device 1 aligns the first defect image C1 and the second defect image C2 in the adjacent direction (left-right direction) A and the intersecting direction (up-down direction) B. That is, the first defect image C1 and the second defect image C2 are aligned while being moved in the adjacent direction A and the intersecting direction B, so that the first defect X1 and the second defect X2 overlap.
  • the classification unit 10 of the defect classification device 1 does not align the first defect image C1 and the second defect image C2 (does not superimpose the first defect X1 and the second defect X2). In this case, the classification unit 10 of the defect classification device 1 classifies the pattern of defect X based on the first defect image C1 alone and/or the second defect image C2 alone.
  • Fig. 3 shows the overlapping of the first defect X1 and the second defect X2.
  • the classification unit 10 of the defect classification device 1 cuts out a part of an area including the right end 11b (first end F1p) of the FOV 11 (first field of view F1) in the first defect image C1 as a matching image M.
  • the classification unit 10 of the defect classification device 1 sets the area including the left end 21d (second end F2p) of the FOV21 (second field of view F2) in the second defect image C2 as the search range N.
  • the matching image M is smaller than the first defect image C1.
  • the search range N is smaller than the second defect image C2.
  • the matching image M is smaller than the search range N.
  • the matching image M may be cut out after the search range N is set in the reverse order to the above.
  • the classification unit 10 of the defect classification device 1 extracts multiple target images T (T1, T2, ... Tn) from within the search range N set in the second defect image C2.
  • Each target image T extracted from the search range N of the second defect image C2 corresponds to a matching image M extracted from the first defect image C1.
  • the size of each target image T is equal to the size of the matching image M.
  • the classification unit 10 of the defect classification device 1 determines the feature amount Ma of the matching image M.
  • the classification unit 10 of the defect classification device 1 determines the feature amount Ta (Ta1, Ta2, ... Tan) of each of the multiple target images T (T1, T2, ... Tn).
  • the classification unit 10 of the defect classification device 1 compares the feature quantity Ma of the matching image M with the feature quantities Ta (Ta1, Ta2, ... Tan) of each of the multiple target images T (T1, T2, ... Tn).
  • the classification unit 10 of the defect classification device 1 determines the target image T that is closest to the matching image M among the multiple target images T as the closest target image TC.
  • the classification unit 10 of the defect classification device 1 aligns the first defect image C1 and the second defect image C2 so as to overlay the matching image M on the most recent target image TC (the target image T that is closest to the matching image M among the multiple target images T).
  • the classification unit 10 of the defect classification device 1 determines, among the multiple target images T, the target image T having the feature amount Ta closest to the feature amount Ma of the matching image M as the closest target image TC.
  • the classification unit 10 of the defect classification device 1 superimposes the matching image M on the most recent target image TC (the target image T among the multiple target images T that has the feature value Ta closest to the feature value Ma of the matching image M).
  • the SIFT Scale-Invariant Feature Transform
  • the Euclidean distance between the feature vector of the matching image M and the feature vector of each target image T is calculated.
  • the smaller the Euclidean distance the higher the similarity between the feature points of the matching image M and the feature points of the target image T.
  • the identity of the feature points of the matching image M and the feature points of the target image T is determined.
  • a portion of the area including the right end 11b of the FOV 11 in the first defect image C1 is cut out as a matching image M.
  • An area including the left end 21d of the FOV 21 in the second defect image C2 is set as a search range N.
  • Multiple target images T (T1, T2, ... Tn) are cut out from the search range N.
  • the feature points of the matching image M are found to obtain the feature amount Ma.
  • the feature points of each target image T (T1, T2, ... Tn) are found to obtain the feature amount Ta (Ta1, Ta2, ... Tan).
  • the feature amount Ma of the feature points of the matching image M is matched with the feature amount Ta (Ta1, Ta2, ... Tan) of the feature points of each target image T (T1, T2, ... Tn).
  • the target image T with the largest overlapping area between the feature amount Ma of the feature points of the matching image M and the feature amount Ta (Ta1, Ta2, ... Tan) of the feature points of each target image T (T1, T2, ... Tn) is obtained and designated as the nearest target image TC.
  • the overlap value between the first defect image C1 and the second defect image C2 is obtained from the deviation amount between the matching image M and the nearest target image TC, and the first defect image C1 and the second defect image C2 are combined.
  • the classification unit 10 of the defect classification device 1 classifies the defect X pattern in a state in which the first defect image C1 and the second defect image C2 are aligned (a state in which the first defect X1 and the second defect X2 overlap).
  • the defect X pattern that has occurred in the inspected object W and straddles the right end 11b of the FOV 11 and the left end 21d of the FOV 21 is correctly classified as a "flaw.”
  • the first defect image C1 extracted from the FOV11 (first field of view F1) and the second defect image C2 extracted from the FOV21 (second field of view F2) are combined such that the first defect X1 and the second defect X2 overlap each other.
  • the pattern of the defect X is classified.
  • the pattern of defect X occurring in the object W to be inspected can be classified with high accuracy.
  • the first defect image C1 and the second defect image C2 are aligned so that the matching image M overlaps with the target image T (closest target image TC) that is closest to the matching image M among the multiple target images T. This allows the first defect X1 and the second defect X2 to be more accurately overlapped. This is advantageous in accurately classifying the pattern of the defect X that has occurred in the inspected object W.
  • the first defect image C1 and the second defect image C2 can be suitably aligned in at least two directions, the adjacent direction A and the intersecting direction B.
  • the defect X straddles the left-right direction between FOV11 as the first field of view F1 and FOV21 as the second field of view F2, but this is not limited to this.
  • the defect X may straddle the top-bottom direction between FOV11 as the first field of view F1 and FOV12 as the second field of view F2.
  • the top-bottom direction is the adjacent direction A
  • the left-right direction is the intersecting direction B.
  • the bottom end 11c of FOV11 is the first end F1p
  • the top end 12a of FOV12 is the second end F2p.
  • defect X may straddle the left-right direction between FOV12 as the first field of view F1 and FOV22 as the second field of view F2, or may straddle the top-bottom direction between FOV21 as the first field of view F1 and FOV22 as the second field of view F2.
  • first field of view F1 and the second field of view F2 may be applied in reverse.
  • the upper left FOV11, the lower left FOV12, the upper right FOV21, and the lower right FOV22 are exemplified as multiple fields of view F, but many other fields of view may also be included.
  • the field of view F is not limited to a rectangle, but may be a polygon other than a rectangle, or a shape other than a polygon.
  • the defect classification device 1 may include a judgment unit for judging whether the defect X obtained when the first defect image C1 and the second defect image C2 are aligned (when the first defect X1 and the second defect X2 overlap) appears natural.
  • the classification unit 10 may not be built into the main body of the defect classification device 1, but may be provided on a server or the like that is external to the main body of the defect classification device 1.
  • the object W to be inspected is not limited to a semiconductor wafer, and various objects are possible.
  • the object W to be inspected may be, for example, glass, metal, resin, etc.
  • the object W to be inspected does not have to be a plate material, and may be, for example, an electric wire, etc.
  • This disclosure is extremely useful and has high industrial applicability because it can be applied to defect classification devices.

Landscapes

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

Abstract

被検査対象に発生した欠陥のパターンを精度よく分類する。　具体的には、欠陥分類装置１は、複数の視野Ｆに区画されるように撮像された被検査対象Ｗに発生した欠陥Ｘのパターンを分類する分類部１０を備える。複数の視野は、互いに隣接した第１視野Ｆ１と第２視野Ｆ２とを含む。第１視野における第２視野側の第１端部Ｆ１ｐと、第２視野における第１視野側の第２端部Ｆ２ｐとは、互いに重なり合う。第１視野には、第１欠陥Ｘ１が含まれる。第２視野には、第２欠陥Ｘ２が含まれる。分類部は、第１視野における第１欠陥が映る領域を第１欠陥画像Ｃ１として切り出すとともに、第２視野における第２欠陥が映る領域を第２欠陥画像Ｃ２として切り出す。分類部は、第１欠陥画像が第１端部を含み且つ第２欠陥画像が第２端部を含むとき、第１欠陥と第２欠陥とが重なり合うように第１欠陥画像と第２欠陥画像とを位置合わせした状態にて、欠陥のパターンを分類する。

Description

欠陥分類装置
　本開示は、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接続されたカメラ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、欠陥の形状や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バラツキが生じ得るので、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に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。
　被検査対象である半導体ウエハは、通常、カメラの視野（撮像範囲）よりも大きい。そこで、半導体ウエハを複数の視野に区画してカメラで撮像することによって、複数の視野毎に検査画像を得る。このとき、半導体ウエハに発生した欠陥が、複数の視野に亘って跨ることがある。
　このため、１つの視野のみに基づいて欠陥パターンを分類しようとすると、欠陥パターンを正確に分類できないことがある。例えば、当該１つの視野の端部に僅かに一部だけ欠陥が映っている場合、一部だけ映された欠陥の本来の特徴量（形状やサイズや色など）を十分に把握できないので、正確な欠陥パターンを把握することができない。
　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の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、複数の視野に区画されるように撮像された被検査対象に発生した欠陥のパターンを分類する分類部を備え、複数の前記視野は、互いに隣接した第１視野と第２視野とを含み、前記第１視野における前記第２視野側の端部である第１端部と、前記第２視野における前記第１視野側の端部である第２端部とは、互いに重なり合い、前記第１視野には、前記欠陥としての第１欠陥が含まれ、前記第２視野には、前記欠陥としての第２欠陥が含まれ、前記分類部は、前記第１視野における前記第１欠陥が映る領域を第１欠陥画像として切り出すとともに、前記第２視野における前記第２欠陥が映る領域を第２欠陥画像として切り出し、前記分類部は、前記第１欠陥画像が前記第１端部を含み且つ前記第２欠陥画像が前記第２端部を含むとき、前記第１欠陥と前記第２欠陥とが重なり合うように前記第１欠陥画像と前記第２欠陥画像とを位置合わせした状態にて、前記欠陥のパターンを分類する。
　本実施形態によれば、第１視野から切り出された第１欠陥画像と、第２視野から切り出された第２欠陥画像とは、第１欠陥と第２欠陥とが重なり合うように、結合される。第１欠陥画像と第２欠陥画像とが結合した状態にて、欠陥のパターンが分類される。
　被検査対象に発生した欠陥が第１視野と第２視野とに亘って跨っている場合であっても、欠陥の本来の特徴量を把握することができる。
　以上、被検査対象に発生した欠陥のパターンを精度よく分類することができる。
　一実施形態では、前記分類部は、前記第１欠陥画像における前記第１端部を含む領域をマッチング画像として切り出すとともに、前記第２欠陥画像における前記第２端部を含む領域を探索範囲として設定し、前記分類部は、前記探索範囲の中から前記マッチング画像に対応する複数のターゲット画像を切り出し、前記分類部は、複数の前記ターゲット画像のうちの、前記マッチング画像に最も近い前記ターゲット画像に対して、前記マッチング画像を重ね合わせるように、前記第１欠陥画像と前記第２欠陥画像とを位置合わせする。
　かかる構成によれば、複数のターゲット画像Ｔのうちの、マッチング画像に最も近いターゲット画像に対して、マッチング画像が重なり合うように、第１欠陥画像と第２欠陥画像とを位置合わせすることによって、第１欠陥と第２欠陥とをより正しく重ね合わせることができる。これにより、被検査対象に発生した欠陥のパターンを精度よく分類する上で、有利になる。
　一実施形態では、前記分類部は、前記マッチング画像の特徴量を求めるとともに、複数の前記ターゲット画像それぞれの特徴量を求め、前記分類部は、前記マッチング画像の特徴量と複数の前記ターゲット画像それぞれの特徴量とを比較し、前記分類部は、複数の前記ターゲット画像のうちの、前記マッチング画像の特徴量と最も近い特徴量を有する前記ターゲット画像に対して、前記マッチング画像を重ね合わせる。
　かかる構成によれば、マッチング画像の特徴量と複数のターゲット画像それぞれの特徴量とを比較することによって、複数のターゲット画像の中からマッチング画像に最も近いターゲット画像を、より精度よく判定することができる。
　一実施形態では、前記分類部は、前記第１視野と前記第２視野とが隣接する隣接方向、及び前記隣接方向に交差する交差方向において、前記第１欠陥画像と前記第２欠陥画像とを位置合わせする。
　かかる構成によれば、第１欠陥画像と第２欠陥画像とを、隣接方向及び交差方向の少なくとも２方向において、好適に位置合わせすることができる。
　本開示によれば、被検査対象に発生した欠陥のパターンを精度よく分類することができる。
図１は、欠陥分類装置による欠陥分類方法を模式的に示す。 図２は、第１欠陥画像と第２欠陥画像との結合を示す。 図３は、第１欠陥と第２欠陥との重ね合わせを示す。
　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。
　（欠陥分類）
　図１は、欠陥分類装置１による欠陥分類方法を模式的に示す。欠陥分類装置１は、自動欠陥分類装置（Automatic Defect Classification：ＡＤＣ）である。欠陥分類装置１は、分類部１０を備える。分類部１０は、欠陥分類装置１本体に内蔵されている。分類部１０は、例えばコンピュータである。分類部１０は、例えば、基板上に搭載されたプロセッサと、プロセッサを動作させるためのソフトウエアを格納するメモリデバイスと、を含む。
　欠陥分類装置１の分類部１０は、被検査対象Ｗに発生した欠陥Ｘのパターンを、分類する。本例では、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。
　欠陥分類装置１による欠陥Ｘのパターンの分類工程よりも前工程において、欠陥検出装置（図示せず）による欠陥Ｘの検出が行われる。欠陥Ｘの検出にあたって、光学顕微鏡や走査電子顕微鏡に接続されたカメラ（図示せず）によって被検査対象Ｗを撮像して検査画像Ｊを得るとともに、検査画像Ｊを基準画像Ｋと比較する。
　基準画像Ｋは、フィッティング画像や統計的良品画像とも呼ばれる。基準画像Ｋ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。基準画像Ｋは、事前に設定されている。欠陥Ｘの検出にあたって、検査画像Ｊを、基準画像Ｋに重ね合わせる。
　欠陥分類装置１の分類部１０は、欠陥検出装置により欠陥Ｘが検出された被検査対象Ｗについてのみ、欠陥Ｘのパターンを分類する。ここで、欠陥Ｘのパターンとして、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。
　欠陥分類装置１の分類部１０は、被検査対象Ｗの検査画像Ｊに対して、欠陥Ｘにおける所定の特徴量に基づいて、欠陥Ｘのパターンを分類する。
　欠陥Ｘの特徴量として、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。欠陥分類装置１の分類部１０には、欠陥Ｘの特徴量が、事前に登録されている。
　欠陥分類装置１の分類部１０は、被検査対象Ｗの検査画像Ｊに対して、ＡＩ（Artificial Intelligence）学習により生成された分類条件に基づいて、欠陥Ｘのパターンを分類してもよい。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。
　（視野の区画）
　ここで、被検査対象Ｗは、通常、カメラの視野（撮像範囲）Ｆよりも大きい。そこで、被検査対象Ｗは、複数の視野Ｆに区画されるように、撮像される。これにより、複数の視野Ｆ毎に検査画像Ｊが得られる。
　各視野Ｆ（各検査画像Ｊ）は、互いに隣接している。本例では、各視野Ｆは、四角形である。各視野Ｆは、四角形の格子状に並んでいる。換言すると、各視野Ｆは、上下左右に互いに隣接している。各視野Ｆは、さらに複数の画素に区画されている。
　以下、視野ＦをＦＯＶ（field of view）という場合がある。
　図１では、複数の視野Ｆとして、左上のＦＯＶ１１と、左下のＦＯＶ１２と、右上のＦＯＶ２１と、右下のＦＯＶ２２と、を例示する。
　ＦＯＶ１１とＦＯＶ１２とは、上下方向に隣接している。ＦＯＶ１１におけるＦＯＶ１２側の端部である下端部１１ｃと、ＦＯＶ１２におけるＦＯＶ１１側の端部である上端部１２ａとは、互いに重なり合っている（オーバラップしている）。
　ＦＯＶ１１とＦＯＶ２１とは、左右方向に隣接している。ＦＯＶ１１におけるＦＯＶ２１側の端部である右端部１１ｂと、ＦＯＶ２１におけるＦＯＶ１１側の端部である左端部２１ｄとは、互いに重なり合っている（オーバラップしている）。
　ＦＯＶ２１とＦＯＶ２２とは、上下方向に隣接している。ＦＯＶ２１におけるＦＯＶ２２側の端部である下端部２１ｃと、ＦＯＶ２２におけるＦＯＶ２１側の端部である上端部２２ａとは、互いに重なり合っている（オーバラップしている）。
　ＦＯＶ１２とＦＯＶ２２とは、左右方向に隣接している。ＦＯＶ１２におけるＦＯＶ２２側の端部である右端部１２ｂと、ＦＯＶ２２におけるＦＯＶ１２側の端部である左端部２２ｄとは、互いに重なり合っている（オーバラップしている）。
　上述の「端部」は、視野Ｆにおける端及び端からやや内側の領域を含む。
　カメラによって、４つの視野Ｆ（ＦＯＶ１１，ＦＯＶ１２，ＦＯＶ２１，ＦＯＶ２２）に対応するように、４つの検査画像Ｊ１１，Ｊ１２，Ｊ２１，Ｊ２２が得られる。
　基準画像Ｋも、検査画像Ｊと同様である。すなわち、４つの視野Ｆ（ＦＯＶ１１，ＦＯＶ１２，ＦＯＶ２１，ＦＯＶ２２）に対応するように、４つの基準画像Ｋ１１，Ｋ１２，Ｋ２１，Ｋ２２が予め用意されている。
　ここで、被検査対象Ｗに発生した欠陥Ｘが、複数の視野Ｆ（検査画像Ｊ）に亘って跨ることがある。図１の例では、被検査対象Ｗに発生した欠陥Ｘは、ＦＯＶ１１（検査画像Ｊ１１）とＦＯＶ２１（検査画像Ｊ２１）とに亘って左右方向に跨っている。
　図１に示すように、欠陥Ｘは、ＦＯＶ１１（検査画像Ｊ１１）における中間部から右端部１１ｂまで延びた後に、ＦＯＶ２１（検査画像Ｊ２１）における左端部２１ｄに至っている。欠陥Ｘには、ノコギリの歯のようなギザギザの形状がある。
　ここで、欠陥検出装置は、被検査対象ＷにおけるＦＯＶ１１（検査画像Ｊ１１）及びＦＯＶ２１（検査画像Ｊ２１）において、欠陥Ｘを検出する。一方、欠陥検出装置は、被検査対象ＷにおけるＦＯＶ１２（検査画像Ｊ１２）及びＦＯＶ２２（検査画像Ｊ２２）において、欠陥Ｘを検出しない。なお、４つの基準画像Ｋ１１，Ｋ１２，Ｋ２１，Ｋ２２のいずれにも、欠陥Ｘは存在しない。
　欠陥分類装置１による欠陥Ｘのパターンの分類では、欠陥検出装置により欠陥Ｘの検出された視野Ｆ（検査画像Ｊ）のみを、抽出して、基準画像Ｋと比較する。図１の例では、欠陥Ｘの検出された視野Ｆ（検査画像Ｊ）として、ＦＯＶ１１（検査画像Ｊ１１）及びＦＯＶ２１（検査画像Ｊ２１）が、先ず抽出される。そして、ＦＯＶ１１（検査画像Ｊ１１）が基準画像Ｋ１１と比較されるとともに、ＦＯＶ２１（検査画像Ｊ２１）が基準画像Ｋ２１と比較される。
　１つの視野Ｆのみに基づいて欠陥Ｘのパターンを分類しようとすると、欠陥Ｘのパターンを正確に分類できないことがある。例えば、ＦＯＶ２１（検査画像Ｊ２１）には、その左端部２１ｄ付近に僅かにしか欠陥Ｘが映っていない。このため、ＦＯＶ２１（検査画像Ｊ２１）を基準画像Ｋ２２と比較したとしても、欠陥Ｘの本来の特徴量（形状やサイズや色など）を十分に把握できず、正確な欠陥Ｘのパターンを把握することができない。
　一方、ＦＯＶ１１（検査画像Ｊ１１）には、その中間部から右端部１１ｂに亘って大部分で欠陥Ｘが映っている。このため、ＦＯＶ１１（検査画像Ｊ１１）を基準画像Ｋ１１と比較した場合、欠陥Ｘの本来の特徴量を把握できるかもしれず、正確な欠陥Ｘのパターンを把握できるかもしれない。例えば、ＦＯＶ１１（検査画像Ｊ１１）に映る欠陥Ｘにおけるギザギザの形状に基づいて、欠陥Ｘのパターンを「傷」と分類できるかもしれない。
　しかしながら、仮に、ＦＯＶ１１（検査画像Ｊ１１）にも、ＦＯＶ２１（検査画像Ｊ２１）と同様に僅かにしか欠陥Ｘが映っていなければ、やはり欠陥Ｘの本来の特徴量を把握できず、正確な欠陥Ｘのパターンを把握できないであろう。
　このように、被検査対象Ｗに発生した欠陥Ｘが複数の視野Ｆ（検査画像Ｊ）に亘って跨る場合に、欠陥Ｘのパターンを精度よく分類することは難しい。
　本実施形態に係る欠陥分類装置１では、以下の工夫を施すことによって、被検査対象Ｗに発生した欠陥Ｘが複数の視野Ｆ（検査画像Ｊ）に亘って跨る場合であっても、欠陥Ｘのパターンを精度よく分類することを可能にした。
　（欠陥画像の切り出し）
　以下、ＦＯＶ１１を第１視野Ｆ１とする。ＦＯＶ２１を第２視野Ｆ２とする。図１に示すように、複数の視野Ｆは、第１視野Ｆ１としてのＦＯＶ１１と、第２視野Ｆ２としてのＦＯＶ２１と、を含む。ＦＯＶ１１（第１視野Ｆ１）とＦＯＶ２１（第２視野Ｆ２）とは、左右方向に互いに隣接している。
　ＦＯＶ１１（第１視野Ｆ１）におけるＦＯＶ２１（第２視野Ｆ２）側の端部である第１端部Ｆ１ｐとしての右端部１１ｂと、ＦＯＶ２１（第２視野Ｆ２）におけるＦＯＶ１１（第１視野Ｆ１）側の端部である第２端部Ｆ２ｐとしての左端部２１ｄとは、互いに重なり合っている（オーバラップしている）。
　ＦＯＶ１１（第１視野Ｆ１）の右端部１１ｂ（第１端部Ｆ１ｐ）は、ＦＯＶ１１（第１視野Ｆ１）における右端及び右端からやや左側の領域を含む。ＦＯＶ２１（第２視野Ｆ２）の左端部２１ｄ（第２端部Ｆ２ｐ）は、ＦＯＶ２１（第２視野Ｆ２）における左端及び左端からやや右側の領域を含む。
　ＦＯＶ１１（第１視野Ｆ１）におけるＦＯＶ２１（第２視野Ｆ２）側の端である右端は、ＦＯＶ２１（第２視野Ｆ２）の左端よりも、ＦＯＶ２１（第２視野Ｆ２）寄りである右寄りに位置する。ＦＯＶ２１（第２視野Ｆ２）におけるＦＯＶ１１（第１視野Ｆ１）側の端である左端は、ＦＯＶ１１（第１視野Ｆ１）の右端よりも、ＦＯＶ１１（第１視野Ｆ１）寄りである左寄りに位置する。
　図１に示すように、ＦＯＶ１１（第１視野Ｆ１）には、欠陥Ｘとしての第１欠陥Ｘ１が含まれる。ＦＯＶ２１（第２視野Ｆ２）には、欠陥Ｘとしての第２欠陥Ｘ２が含まれる。第１欠陥Ｘ１は、欠陥Ｘの一部である。第２欠陥Ｘ２は、欠陥Ｘの一部である。
　図１に示すように、欠陥分類装置１の分類部１０は、ＦＯＶ１１（第１視野Ｆ１）における第１欠陥Ｘ１が映る領域を、第１欠陥画像Ｃ１として切り出す。欠陥分類装置１の分類部１０は、ＦＯＶ２１（第２視野Ｆ２）における第２欠陥Ｘ２が映る領域を、第２欠陥画像Ｃ２として切り出す。
　第１欠陥画像Ｃ１は、ＦＯＶ１１（第１視野Ｆ１）よりも小さい。第２欠陥画像Ｃ２は、ＦＯＶ２１（第２視野Ｆ２）よりも小さい。第１欠陥画像Ｃ１は、第１欠陥Ｘ１が視認しやすくなるように、サイズ及び位置が設定される。第２欠陥画像Ｃ２は、第２欠陥Ｘ２が視認しやすくなるように、サイズ及び位置が設定される。第１欠陥画像Ｃ１のサイズ及び位置と第２欠陥画像Ｃ２のサイズ及び位置とは、互いに同じこともあれば、互いに異なることもある。
　（欠陥画像の結合）
　第１欠陥画像Ｃ１と第２欠陥画像Ｃ２との結合について、詳細に説明する。図２は、第１欠陥画像Ｃ１と第２欠陥画像Ｃ２との結合を示す。欠陥分類装置１の分類部１０は、第１欠陥画像Ｃ１がＦＯＶ１１（第１視野Ｆ１）の右端部１１ｂ（第１端部Ｆ１ｐ）を含み且つ第２欠陥画像Ｃ２がＦＯＶ２１（第２視野Ｆ２）の左端部２１ｄ（第２端部Ｆ２ｐ）を含むとき、第１欠陥Ｘ１と第２欠陥Ｘ２とが重なり合うように第１欠陥画像Ｃ１と第２欠陥画像Ｃ２とを位置合わせした状態にて、欠陥Ｘのパターンを分類する。
　本例では、第１欠陥画像Ｃ１は、ＦＯＶ１１の右端部１１ｂを含む。第２欠陥画像Ｃ２は、ＦＯＶ２１の左端部２１ｄを含む。このため、第１欠陥画像Ｃ１と第２欠陥画像Ｃ２とは、第１欠陥Ｘ１と第２欠陥Ｘ２とが重なり合うように、位置合わせされる。そして、第１欠陥画像Ｃ１と第２欠陥画像Ｃ２とが位置合わせされた状態（第１欠陥Ｘ１と第２欠陥Ｘ２とが重なり合った状態）にて、欠陥Ｘのパターンが分類される。
　ここで、ＦＯＶ１１（第１視野Ｆ１）とＦＯＶ２１（第２視野Ｆ２）とが隣接する左右方向を、隣接方向Ａとする。隣接方向Ａは、ＦＯＶ１１とＦＯＶ２１とが重なり合う（オーバラップする）方向でもある。左右方向である隣接方向Ａに交差（詳細には直交）する上下方向を、交差方向Ｂとする。交差方向Ｂは、ＦＯＶ１１の右辺及びＦＯＶ２１の左辺に対して平行な方向でもある。
　欠陥分類装置１の分類部１０は、隣接方向（左右方向）Ａ及び交差方向（上下方向）Ｂにおいて、第１欠陥画像Ｃ１と第２欠陥画像Ｃ２とを位置合わせする。すなわち、第１欠陥画像Ｃ１と第２欠陥画像Ｃ２とは、隣接方向Ａ及び交差方向Ｂに動かされながら、第１欠陥Ｘ１と第２欠陥Ｘ２とが重なり合うように、位置合わせされる。
　逆に、欠陥分類装置１の分類部１０は、第１欠陥画像Ｃ１がＦＯＶ１１（第１視野Ｆ１）の右端部１１ｂ（第１端部Ｆ１ｐ）を含まない又は第２欠陥画像Ｃ２がＦＯＶ２１（第２視野Ｆ２）の左端部２１ｄ（第２端部Ｆ２ｐ）を含まないとき、第１欠陥画像Ｃ１と第２欠陥画像Ｃ２とを位置合わせしない（第１欠陥Ｘ１と第２欠陥Ｘ２とを重ね合わせない）。この場合、欠陥分類装置１の分類部１０は、第１欠陥画像Ｃ１単体及び／又は第２欠陥画像Ｃ２単体に基づいて、欠陥Ｘのパターンを分類する。
　（第１欠陥と第２欠陥との重ね合わせ）
　第１欠陥Ｘ１と第２欠陥Ｘ２との重ね合わせについて、詳細に説明する。図３は、第１欠陥Ｘ１と第２欠陥Ｘ２との重ね合わせを示す。欠陥分類装置１の分類部１０は、第１欠陥画像Ｃ１におけるＦＯＶ１１（第１視野Ｆ１）の右端部１１ｂ（第１端部Ｆ１ｐ）を含む領域の一部をマッチング画像Ｍとして切り出す。
　次に、欠陥分類装置１の分類部１０は、第２欠陥画像Ｃ２におけるＦＯＶ２１（第２視野Ｆ２）の左端部２１ｄ（第２端部Ｆ２ｐ）を含む領域を探索範囲Ｎとして設定する。
　マッチング画像Ｍは、第１欠陥画像Ｃ１よりも小さい。探索範囲Ｎは、第２欠陥画像Ｃ２よりも小さい。マッチング画像Ｍは、探索範囲Ｎよりも小さい。上記とは逆の順序で、探索範囲Ｎの設定の後に、マッチング画像Ｍの切り出しを行ってもよい。
　欠陥分類装置１の分類部１０は、第２欠陥画像Ｃ２に設定された探索範囲Ｎの中から、複数のターゲット画像Ｔ（Ｔ１，Ｔ２，…Ｔｎ）を切り出す。第２欠陥画像Ｃ２の探索範囲Ｎから切り出された各ターゲット画像Ｔは、第１欠陥画像Ｃ１から切り出されたマッチング画像Ｍに対応している。各ターゲット画像Ｔのサイズは、マッチング画像Ｍのサイズに等しい。
　欠陥分類装置１の分類部１０は、マッチング画像Ｍの特徴量Ｍａを求める。欠陥分類装置１の分類部１０は、複数のターゲット画像Ｔ（Ｔ１，Ｔ２，…Ｔｎ）それぞれの特徴量Ｔａ（Ｔａ１，Ｔａ２，…Ｔａｎ）を求める。
　欠陥分類装置１の分類部１０は、マッチング画像Ｍの特徴量Ｍａと複数のターゲット画像Ｔ（Ｔ１，Ｔ２，…Ｔｎ）それぞれの特徴量Ｔａ（Ｔａ１，Ｔａ２，…Ｔａｎ）とを比較する。
　欠陥分類装置１の分類部１０は、複数のターゲット画像Ｔのうちの、マッチング画像Ｍに最も近いターゲット画像Ｔを、最近ターゲット画像ＴＣとする。
　欠陥分類装置１の分類部１０は、最近ターゲット画像ＴＣ（複数のターゲット画像Ｔのうちのマッチング画像Ｍに最も近いターゲット画像Ｔ）に対してマッチング画像Ｍを重ね合わせるように、第１欠陥画像Ｃ１と第２欠陥画像Ｃ２とを位置合わせする。
　詳細には、欠陥分類装置１の分類部１０は、複数のターゲット画像Ｔのうちの、マッチング画像Ｍの特徴量Ｍａと最も近い特徴量Ｔａを有するターゲット画像Ｔを、最近ターゲット画像ＴＣとする。
　欠陥分類装置１の分類部１０は、最近ターゲット画像ＴＣ（複数のターゲット画像Ｔのうちの、マッチング画像Ｍの特徴量Ｍａと最も近い特徴量Ｔａを有するターゲット画像Ｔ）に対して、マッチング画像Ｍを重ね合わせる。
　マッチング画像Ｍの特徴量Ｍａと各ターゲット画像Ｔの特徴量Ｔａとを比較するに際して、例えば、ＳＩＦＴ（Scale-Invariant Feature Transform）法が用いられる。マッチング画像Ｍから特徴点を検出する。マッチング画像Ｍの特徴点の周辺領域における特徴ベクトルを求める。各ターゲット画像Ｔから特徴点を検出する。各ターゲット画像Ｔの特徴点の周辺領域における特徴ベクトルを求める。
　マッチング画像Ｍの特徴ベクトルと各ターゲット画像Ｔの特徴ベクトルとのユークリッド距離を計算する。当該ユークリッド距離が小さいほど、マッチング画像Ｍの特徴点とターゲット画像Ｔの特徴点との類似性が高くなるとして、マッチング画像Ｍの特徴点とのターゲット画像Ｔの特徴点との同一性を判定する。
　本例に当てはめると、第１欠陥画像Ｃ１におけるＦＯＶ１１の右端部１１ｂを含む領域の一部をマッチング画像Ｍとして切り出す。第２欠陥画像Ｃ２におけるＦＯＶ２１の左端部２１ｄを含む領域を探索範囲Ｎとして設定する。探索範囲Ｎの中から、複数のターゲット画像Ｔ（Ｔ１，Ｔ２，…Ｔｎ）を切り出す。
　マッチング画像Ｍの特徴点を求めて特徴量Ｍａを得る。各ターゲット画像Ｔ（Ｔ１，Ｔ２，…Ｔｎ）の特徴点を求めて特徴量Ｔａ（Ｔａ１，Ｔａ２，…Ｔａｎ）を得る。
　マッチング画像Ｍの特徴点の特徴量Ｍａと各ターゲット画像Ｔ（Ｔ１，Ｔ２，…Ｔｎ）の特徴点の特徴量Ｔａ（Ｔａ１，Ｔａ２，…Ｔａｎ）とをマッチングする。マッチング画像Ｍの特徴点の特徴量Ｍａと各ターゲット画像Ｔ（Ｔ１，Ｔ２，…Ｔｎ）の特徴点の特徴量Ｔａ（Ｔａ１，Ｔａ２，…Ｔａｎ）との重なり領域面積が最も大きいターゲット画像Ｔを求めて、最近ターゲット画像ＴＣとする。マッチング画像Ｍと最近ターゲット画像ＴＣとのずれ量から、第１欠陥画像Ｃ１と第２欠陥画像Ｃ２とのオーバラップ値を求めて、第１欠陥画像Ｃ１と第２欠陥画像Ｃ２とを結合する。
　このようにして、欠陥分類装置１の分類部１０は、第１欠陥画像Ｃ１と第２欠陥画像Ｃ２とが位置合わせされた状態（第１欠陥Ｘ１と第２欠陥Ｘ２とが重なり合った状態）にて、欠陥Ｘのパターンを分類する。これにより、ＦＯＶ１１の右端部１１ｂとＦＯＶ２１の左端部２１ｄとに跨るようにして、被検査対象Ｗに発生した欠陥Ｘのパターンは、「傷」と正しく分類される。
　（作用効果）
　ＦＯＶ１１（第１視野Ｆ１）から切り出された第１欠陥画像Ｃ１と、ＦＯＶ２１（第２視野Ｆ２）から切り出された第２欠陥画像Ｃ２とは、第１欠陥Ｘ１と第２欠陥Ｘ２とが重なり合うように、結合される。第１欠陥画像Ｃ１と第２欠陥画像Ｃ２とが結合した状態にて、欠陥Ｘのパターンが分類される。
　被検査対象Ｗに発生した欠陥ＸがＦＯＶ１１（第１視野Ｆ１）とＦＯＶ２１（第２視野Ｆ２）とに亘って跨っている場合であっても、欠陥Ｘの本来の特徴量を把握することができる。
　以上、被検査対象Ｗに発生した欠陥Ｘのパターンを精度よく分類することができる。
　ＦＯＶ１１とＦＯＶ２１とを直接的に結合するのではなく、ＦＯＶ１１から切り出された第１欠陥画像Ｃ１とＦＯＶ２１から切り出された第２欠陥画像Ｃ２とを結合することによって、欠陥分類装置１の分類部１０に保存される画像の容量を節約できる。
　複数のターゲット画像Ｔのうちの、マッチング画像Ｍに最も近いターゲット画像Ｔ（最近ターゲット画像ＴＣ）に対して、マッチング画像Ｍが重なり合うように、第１欠陥画像Ｃ１と第２欠陥画像Ｃ２とを位置合わせする。これによって、第１欠陥Ｘ１と第２欠陥Ｘ２とを、より正しく重ね合わせることができる。そして、被検査対象Ｗに発生した欠陥Ｘのパターンを精度よく分類する上で、有利になる。
　マッチング画像Ｍの特徴量Ｍａと複数のターゲット画像Ｔそれぞれの特徴量Ｔａとを比較することによって、複数のターゲット画像Ｔの中からマッチング画像Ｍに最も近いターゲット画像Ｔ（最近ターゲット画像ＴＣ）を、より精度よく判定することができる。
　第１欠陥画像Ｃ１と第２欠陥画像Ｃ２とを、隣接方向Ａ及び交差方向Ｂの少なくとも２方向において、好適に位置合わせすることができる。
　（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、置換又は組合せが可能である。
　上記実施形態では、欠陥Ｘが、第１視野Ｆ１としてのＦＯＶ１１と第２視野Ｆ２としてのＦＯＶ２１との間に亘って左右方向に跨っているが、これに限定されない。例えば、欠陥Ｘは、第１視野Ｆ１としてのＦＯＶ１１と第２視野Ｆ２としてのＦＯＶ１２との間に亘って上下方向に跨ってもよい。この場合、上下方向が隣接方向Ａとなり、左右方向が交差方向Ｂとなる。また、ＦＯＶ１１の下端部１１ｃが第１端部Ｆ１ｐとなり、ＦＯＶ１２の上端部１２ａが第２端部Ｆ２ｐとなる。
　他にも、欠陥Ｘは、第１視野Ｆ１としてのＦＯＶ１２と第２視野Ｆ２としてのＦＯＶ２２との間に亘って左右方向に跨ったり、第１視野Ｆ１としてのＦＯＶ２１と第２視野Ｆ２としてのＦＯＶ２２との間に亘って上下方向に跨ったりしてもよい。
　上で例示したケースに対して、第１視野Ｆ１と第２視野Ｆ２とを逆に適用してもよい。
　「第１…」及び「第２…」は、明細書での説明の便宜上の理由で、名付けたにすぎない。
　上記実施形態では、複数の視野Ｆとして、左上のＦＯＶ１１と左下のＦＯＶ１２と右上のＦＯＶ２１と右下のＦＯＶ２２とを例示したが、他にも多数の視野が含まれてもよい。
　視野Ｆは、四角形に限定されず、四角形以外の多角形や、多角形以外の形状などでもよい。
　欠陥分類装置１は、第１欠陥画像Ｃ１と第２欠陥画像Ｃ２とが位置合わせされた状態（第１欠陥Ｘ１と第２欠陥Ｘ２とが重なり合った状態）で得られる欠陥Ｘが自然な見え方であるかを判定するため判定部を、備えてもよい。
　マッチング画像Ｍの特徴量Ｍａと各ターゲット画像Ｔの特徴量Ｔａとを比較するに際して、ＳＩＦＴ法の代わりに、他の方法（例えば機械学習モデルを用いた方法など）を適用してもよい。
　分類部１０は、欠陥分類装置１本体に内蔵されるのではなく、欠陥分類装置１本体の外部にあるサーバなどに設けられてもよい。
　被検査対象Ｗは、半導体ウエハに限定されず、種々の対象が考えられ得る。被検査対象Ｗは、例えば、ガラスや金属や樹脂等でもよい。被検査対象Ｗは、板材でなくてもよく、例えば電線等でもよい。
　本開示は、欠陥分類装置に適用できるので、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
　　Ｘ　　　欠陥
　　Ｘ１　　第１欠陥
　　Ｘ２　　第２欠陥
　　Ｊ　　　検査画像
　　Ｋ　　　基準画像
　　Ｆ　　　視野
　　ＦＯＶ１１
　　Ｆ１　　第１視野
　　ＦＯＶ２１
　　Ｆ２　　第２視野
　　１１ｂ　右端部
　　Ｆ１ｐ　第１端部
　　２１ｄ　左端部
　　Ｆ２ｐ　第２端部
　　Ｃ１　　第１欠陥画像
　　Ｃ２　　第２欠陥画像
　　Ａ　　　隣接方向
　　Ｂ　　　交差方向
　　Ｍ　　　マッチング画像
　　Ｎ　　　探索範囲
　　Ｔ　　　ターゲット画像
　　ＴＣ　　最近ターゲット画像
　　Ｍａ　　特徴量
　　Ｔａ　　特徴量
　　１　　　欠陥分類装置
　　１０　　分類部

Claims (11)

  1. [引用による補充（規則20.6）05.12.2024]
    　複数の視野に区画されるように撮像された被検査対象に発生した欠陥のパターンを分類する分類部を備え、
    　複数の前記視野は、互いに隣接した第１視野と第２視野とを含み、
    　前記第１視野における前記第２視野側の端部である第１端部と、前記第２視野における前記第１視野側の端部である第２端部とは、互いに重なり合い、
    　前記第１視野には、前記欠陥としての第１欠陥が含まれ、
    　前記第２視野には、前記欠陥としての第２欠陥が含まれ、
    　前記分類部は、前記第１視野における前記第１欠陥が映る領域を第１欠陥画像として切り出すとともに、前記第２視野における前記第２欠陥が映る領域を第２欠陥画像として切り出し、
    　前記分類部は、前記第１欠陥画像が前記第１端部を含み且つ前記第２欠陥画像が前記第２端部を含むとき、前記第１欠陥と前記第２欠陥とが重なり合うように前記第１欠陥画像と前記第２欠陥画像とを位置合わせした状態にて、前記欠陥のパターンを分類する、欠陥分類装置。
  2. [引用による補充（規則20.6）05.12.2024]
    　前記分類部は、前記第１欠陥画像における前記第１端部を含む領域をマッチング画像として切り出すとともに、前記第２欠陥画像における前記第２端部を含む領域を探索範囲として設定し、
    　前記分類部は、前記探索範囲の中から前記マッチング画像に対応する複数のターゲッ卜画像を切り出し、
    　前記分類部は、複数の前記ターゲット画像のうちの前記マッチング画像に最も近い前記ターゲット画像に対して、前記マッチング画像を重ね合わせるように、前記第１欠陥画像と前記第２欠陥画像とを位置合わせする、請求項１に記載の欠陥分類装置。
  3. [引用による補充（規則20.6）05.12.2024]
    　前記分類部は、前記マッチング画像の特徴量を求めるとともに、複数の前記ターゲッ卜画像それぞれの特徴量を求め、
    　前記分類部は、前記マッチング画像の特徴量と複数の前記ターゲット画像それぞれの特徴量とを比較し、
    　前記分類部は、複数の前記ターゲット画像のうちの、前記マッチング画像の特徴量と最も近い特徴量を有する前記ターゲット画像に対して、前記マッチング画像を重ね合わせる、請求項２に記載の欠陥分類装置。
  4. [引用による補充（規則20.6）05.12.2024]
    　前記分類部は、前記第１視野と前記第２視野とが隣接する隣接方向、及び前記隣接方向に交差する交差方向において、前記第１欠陥画像と前記第２欠陥画像とを位置合わせする、請求項１から３のいずれか１つに記載の欠陥分類装置。
  5. [誤った提出（規則20.5の2）]
    　基板を保持するステージを備え、
    　前記ステージは、前記基板が載置される載置面と、前記載置面に設けられた凹部で形成され且つ同心状に配置された複数の吸着溝と、を含み、
    　前記吸着溝は、負圧によって前記基板を吸着し、
    　前記載置面は、前記吸着溝を横切る境界部を含み、
    　前記吸着溝は、前記境界部で分割されている、基板保持装置。
  6. [誤った提出（規則20.5の2）]
    　前記基板のエッジを前記吸着溝に合わせることによって、前記基板が前記ステージに位置決めされる、請求項１に記載の基板保持装置。
  7. [誤った提出（規則20.5の2）]
    　前記基板の寸法に基づいて、同心状に配置された複数の前記吸着溝の中から、前記基板の前記エッジを合わせるべき前記吸着溝を、判定する判定部を備える、請求項２に記載の基板保持装置。
  8. [誤った提出（規則20.5の2）]
    　前記吸着溝の気体を吸引する負圧ポンプと、
    　前記負圧ポンプと前記吸着溝との間での前記気体の通路を開閉する複数のバルブと、
    　判定部と、を備え、
    　前記バルブは、同心状に配置された複数の前記吸着溝毎に、前記吸着溝における前記境界部で分割された部分の両方に、それぞれ対応しており、
    　前記判定部は、前記基板の寸法に基づいて、複数の前記バルブの中から、開くべき前記バルブを判定する、請求項１から３のいずれか１つ記載の基板保持装置。
  9. [誤った提出（規則20.5の2）]
    　前記ステージは、同心状に配置された複数の前記吸着溝とは同心にならない位置に、前記境界部で分割されない非分割吸着溝を含み、
    　前記非分割吸着溝は、負圧によって前記基板を吸着する、請求項１から３のいずれか１つに記載の基板保持装置。
  10. [誤った提出（規則20.5の2）]
    　前記ステージは、前記載置面に設けられた凹部で形成され且つ前記吸着溝に隣り合う隣接溝を含む、請求項１から３のいずれか１つに記載の基板保持装置。
  11. [誤った提出（規則20.5の2）]
    　前記吸着溝は、四角形状である、請求項１から３のいずれか１つに記載の基板保持装置。
PCT/JP2024/039882 2023-12-20 2024-11-08 欠陥分類装置 Pending WO2025134591A1 (ja)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2023-214903 2023-12-20
JP2023214903A JP2025098638A (ja) 2023-12-20 2023-12-20 欠陥分類装置

Publications (1)

Publication Number Publication Date
WO2025134591A1 true WO2025134591A1 (ja) 2025-06-26

Family

ID=96136701

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2024/039882 Pending WO2025134591A1 (ja) 2023-12-20 2024-11-08 欠陥分類装置

Country Status (2)

Country Link
JP (1) JP2025098638A (ja)
WO (1) WO2025134591A1 (ja)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000022934A (ja) * 1998-07-03 2000-01-21 Sharp Corp 画像処理装置
WO2011007516A1 (ja) * 2009-07-17 2011-01-20 株式会社日立ハイテクノロジーズ 走査型電子顕微鏡装置及びそれを用いたパターン寸法の計測方法
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 (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000022934A (ja) * 1998-07-03 2000-01-21 Sharp Corp 画像処理装置
WO2011007516A1 (ja) * 2009-07-17 2011-01-20 株式会社日立ハイテクノロジーズ 走査型電子顕微鏡装置及びそれを用いたパターン寸法の計測方法
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
JP2025098638A (ja) 2025-07-02

Similar Documents

Publication Publication Date Title
JP6618478B2 (ja) 射影画像を用いた自動インライン検査及び計測
US8538168B2 (en) Image pattern matching systems and methods for wafer alignment
CN110517969B (zh) 晶圆缺陷监测方法及系统和计算机存储介质
KR102557190B1 (ko) 설계를 사용한 사전 층 결함 사이트 검토
US7953269B2 (en) Method for inspecting pattern defect occured on patterns formed on a substrate
WO2008008817A2 (en) Edge inspection and metrology
JP2010519772A (ja) エッジビード除去プロセスを含む、ウェハ製造モニタリング・システム及び方法
JPH11307604A (ja) プロセスモニタ方法及びプロセス装置
EP1928583A2 (en) A method and a system for establishing an inspection recipe
US11821847B2 (en) Wafer backside defect detection method and wafer backside defect detection apparatus
KR102350548B1 (ko) 웨이퍼 검사 방법
WO2026000867A1 (zh) 硅晶圆的边缘缺陷的检测方法及装置、处理方法、产品
WO2025134591A1 (ja) 欠陥分類装置
JP2012190935A (ja) チップ位置特定システム、チップ位置特定装置、チップ位置特定プログラム及びチップ位置特定方法
WO2020240707A1 (ja) 光電子デバイス製造支援装置
WO2024166609A1 (ja) 欠陥分類装置及び欠陥分類方法
KR102583036B1 (ko) 기판 검사 방법
KR100774826B1 (ko) 웨이퍼 결함 검출방법
WO2025164100A1 (ja) 検査装置及び検査方法
US6944573B2 (en) Method and apparatus for the analysis of scratches on semiconductor wafers
KR20170036222A (ko) 다이 검사 방법
JP2024114428A (ja) 検査装置及び検査方法
KR20240104872A (ko) 기판 처리 방법 및 기판 처리 시스템
WO2020240708A1 (ja) 光電子デバイスの製造方法、及び光電子デバイス製造支援システム
CN120765556A (zh) 一种晶圆缺陷检测方法、装置及介质

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: 24906979

Country of ref document: EP

Kind code of ref document: A1