[go: up one dir, main page]

CN114402192B - 用于晶片缺陷检测的基于变化的分段 - Google Patents

用于晶片缺陷检测的基于变化的分段 Download PDF

Info

Publication number
CN114402192B
CN114402192B CN202080061765.XA CN202080061765A CN114402192B CN 114402192 B CN114402192 B CN 114402192B CN 202080061765 A CN202080061765 A CN 202080061765A CN 114402192 B CN114402192 B CN 114402192B
Authority
CN
China
Prior art keywords
intensity
range attribute
segments
image
processor
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.)
Active
Application number
CN202080061765.XA
Other languages
English (en)
Other versions
CN114402192A (zh
Inventor
姜旭光
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.)
KLA Corp
Original Assignee
KLA Tencor Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by KLA Tencor Corp filed Critical KLA Tencor Corp
Publication of CN114402192A publication Critical patent/CN114402192A/zh
Application granted granted Critical
Publication of CN114402192B publication Critical patent/CN114402192B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • G01N21/9501—Semiconductor wafers
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration using local operators
    • G06T5/30—Erosion or dilatation, e.g. thinning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • 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
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8854—Grading and classifying of flaws
    • G01N2021/8867—Grading and classifying of flaws using sequentially two or more inspection runs, e.g. coarse and fine, or detecting then analysing
    • G01N2021/887—Grading and classifying of flaws using sequentially two or more inspection runs, e.g. coarse and fine, or detecting then analysing the measurements made in two or more directions, angles, positions
    • 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
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30148—Semiconductor; IC; Wafer

Landscapes

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

Abstract

可将所关注缺陷及扰乱点分离成不同片段，这使得能够仅在一个片段中检测所述所关注缺陷。可将图像的区域分段成多个片段。可确定所述片段的范围属性。可使用阈值以从所述范围属性选择所述片段中的一者。可扩展所选择的所述片段。

Description

用于晶片缺陷检测的基于变化的分段
相关申请案的交叉引用
本申请案要求2019年9月26日申请且被指派第62/906,673号美国申请案的临时专利申请案的优先权，所述申请案的公开内容特此以引用的方式并入。
技术领域
本公开涉及半导体晶片检验。
背景技术
半导体制造产业的演进对良率管理且特定来说对计量及检验系统提出更高要求。临界尺寸继续缩小，而产业需要减少用于实现高良率、高价值生产的时间。最小化从检测良率问题到解决所述问题的总时间确定半导体制造商的投资回报率。
制作例如逻辑及存储器装置的半导体装置通常包含使用大量制作工艺处理半导体晶片以形成半导体装置的各种特征及多个层级。例如，光刻是涉及将图案从光罩转印到布置在半导体晶片上的光致抗蚀剂的半导体制作工艺。半导体制作工艺的额外实例包含但不限于化学机械抛光(CMP)、蚀刻、沉积及离子植入。制作于单个半导体晶片上的多个半导体装置的布置可被分离成个别半导体装置。
在半导体制造期间的各个步骤使用检验工艺来检测晶片上的缺陷以促进制造工艺中的更高良率及因此促进更高利润。检验始终为制作半导体装置(例如集成电路(IC))的重要部分。然而，随着半导体装置尺寸的减小，检验对于可接受半导体装置的成功制造变得甚至更为重要，这是因为较小缺陷可能引起装置发生故障。例如，随着半导体装置尺寸的减小，检测具有减小大小的缺陷已变得必要，这是因为甚至相对较小缺陷可引起半导体装置中的非所要像差。
然而，随着设计规则收缩，半导体制造工艺可更接近工艺的性能能力的限制操作。另外，随着设计规则收缩，较小缺陷可能影响装置的电参数，这驱使更灵敏检验。随着设计规则收缩，通过检验检测到的潜在良率相关缺陷的数量急剧增长，且通过检验检测到的扰乱点缺陷的数量也急剧增加。因此，可在晶片上检测到更多缺陷，且校正工艺以消除全部缺陷可为困难的且昂贵的。确定哪些缺陷实际上影响装置的电参数及良率可允许工艺控制方法集中于所述缺陷而在很大程度上忽略其它缺陷。此外，在较小设计规则下，在一些情况中，工艺诱发的故障趋于为系统性的。也就是说，工艺诱发的故障趋于在通常在设计内重复许多次的预定设计模式下发生故障。空间系统、电相关缺陷的消除可影响良率。
在对半导体晶片执行的每一处理步骤中，在晶片上的每一裸片中印刷相同电路图案。大多数晶片检验系统利用此事实且使用相对简单的裸片间比较来检测晶片上的缺陷。然而，每一裸片中的经印刷电路可包含具有在X或Y方向上重复的图案化特征的许多区域，例如DRAM、SRAM或FLASH的区域。此类型的区域通常被称为阵列区域(其余区域被称为随机或逻辑区域)。为了实现更好的灵敏度，先进检验系统针对检验阵列区域及随机或逻辑区域采用不同策略。
强度可用作用于将类似强度像素分组在一起的分段的特征。接着，将相同组的缺陷检测参数应用于相同基于强度的群组中的全部像素。然而，此方法具有若干缺点。例如，当几何特征均匀散布时，可使用基于强度的分段算法。通常，这是不够的。例如，在基于强度或基于强度总和的分段中，可将晶片图像分段成安静阵列片段、嘈杂分页片段(noisy pagebreak segment)及嘈杂交叉点片段。然而，如果将安静片段错误分类为嘈杂片段，那么可遗漏安静片段中的所关注缺陷(DOI)。当片段之间的相同切割线(cutline)导致训练及运行时间的不同分段时，片段也可被错误分类。片段的这种错误分类对于图像的任何预处理(例如移除分页区域中的周期性图案的预处理)也可为不利的。因而，纯粹基于强度或强度总和的分段易受与运行时间期间的工作间强度变化有关的不稳定性影响。因此，需要基于其它性质的分段。
用于对暗场(DF)检验系统的输出进行分段的另一方法是基于投影的分段(PBS)。PBS提供用于基于X及Y方向上的相对投影强度分离区域中的片段的方式。大多数时间，PBS方法良好运作。然而，由于其用于DF晶片检验算法的预处理部分中，因此存在PBS分段结果沿着下伏物理结构图案的侧波动的情况，这使基于投影的分段不稳定。一些安静片段被不正确地分段为嘈杂片段，且反之亦然。影响是引起缺陷检验对局部噪声的适应性降低。因此，PBS一般仅在区域图像含有主要水平及/或垂直图案时使用。
用于对暗场检验系统的输出进行分段的额外方法是基于中值强度的分段(MBS)。MBS比PBS更稳定，这是因为大多数时间，阵列区域与分页区域之间的中值强度差很大，此提供阵列与分页之间的更容易分离。然而，来自MBS的片段边界可能为不规则的，这可与下伏物理结构图案不相关。因此，MBS一般在缺陷及扰乱点背景强度不同的条件下使用。
存在不满足上述准则且因此旧分段方法不适用的情况。需要经改进方法及系统。
发明内容
在第一实施例中提供一种系统。所述系统包括：光源，其产生光；载物台，其经配置以固持晶片；检测器，其接收从所述晶片反射的所述光；及处理器，其与所述检测器电子通信。所述光源可为激光器。所述处理器经配置以：执行将图像的区域分段成多个片段；确定所述区域中的像素的范围属性；将低通滤波器应用于所述范围属性；应用阈值以从所述范围属性选择所述片段中的一者；及沿着X方向及与所述X方向垂直的Y方向将扩展(dilation)应用于所述片段中的所述一者。所述图像由来自所述检测器的数据产生。
可通过以下步骤确定所述范围属性：以升序对所述图像的全部裸片的位置中的像素强度进行排序；及通过从第二最高强度减去第二最低强度而定义所述范围属性。
也可通过以下步骤确定所述范围属性：以升序对所述图像的裸片中的像素强度进行排序；及通过使用最高强度减去中值强度或中值强度减去最低强度中的较低者来定义所述范围属性。
如果所述范围属性小于或等于切割线，那么所述阈值可选择所述片段中的第一片段，且如果所述范围属性大于所述切割线，那么所述阈值选择所述片段中的第二片段。
所述处理器可进一步经配置以组合具有低强度的所述片段中的至少两者。
所述处理器可进一步经配置以在所述片段中的一或多者中执行缺陷检测。
在第二实施例中提供一种方法。所述方法包括：使用处理器执行将图像的区域分段成多个片段；使用所述处理器确定所述区域中的像素的范围属性；使用所述处理器将低通滤波器应用于所述范围属性；使用所述处理器应用阈值以从所述范围属性选择所述片段中的一者；及使用所述处理器沿着X方向及与所述X方向垂直的Y方向扩展所述片段中的所述一者。
可通过以下步骤确定所述范围属性：以升序对所述图像的全部裸片的位置中的像素强度进行排序；及通过从第二最高强度减去第二最低强度而定义所述范围属性。
也可通过以下步骤确定所述范围属性：以升序对所述图像的裸片中的像素强度进行排序；且通过使用最高强度减去中值强度或中值强度减去最低强度中的较低者来定义所述范围属性。
如果所述范围属性小于或等于切割线，那么所述阈值可选择所述片段中的第一片段，且如果所述范围属性大于所述切割线，那么所述阈值选择所述片段中的第二片段。
所述方法可进一步包含使用所述处理器组合具有低强度的所述片段中的至少两者。
所述方法可进一步包含使用所述处理器在所述片段中的一或多者中执行缺陷检测。
在第三实施例中提供一种非暂时性计算机可读存储媒体。所述非暂时性计算机可读存储媒体包括用于在一或多个运算装置上执行以下步骤的一或多个程序。所述步骤包含：接收半导体晶片的图像；执行将所述图像的区域分段成多个片段；确定所述区域中的像素的范围属性；将低通滤波器应用于所述范围属性；应用阈值以从所述范围属性选择所述片段中的一者；及沿着X方向及与所述X方向垂直的Y方向扩展所述片段中的所述一者。
可通过以下步骤确定所述范围属性：以升序对所述图像的全部裸片的位置中的像素强度进行排序；及通过从第二最高强度减去第二最低强度而定义所述范围属性。
也可通过以下步骤确定所述范围属性：以升序对所述图像的裸片中的像素强度进行排序；及通过使用最高强度减去中值强度或中值强度减去最低强度中的较低者来定义所述范围属性。
如果所述范围属性小于或等于切割线，那么所述阈值可选择所述片段中的第一片段，且如果所述范围属性大于所述切割线，那么所述阈值选择所述片段中的第二片段。
所述步骤可进一步包含组合具有低强度的所述片段中的至少两者。
所述步骤可进一步包含在所述片段中的一或多者中执行缺陷检测。
附图说明
为了更全面理解本公开的性质及目标，应参考结合附图进行的以下详细描述，其中：
图1是根据本公开的方法的流程图与对应示范性裸片图像；
图2A到2C是说明根据本公开的方法的另一实施例的图；及
图3是根据本公开的系统。
具体实施方式
虽然将依据特定实施例描述所要求的主题，但其它实施例(包含未提供本文中所阐述的全部优点及特征的实施例)也在本公开的范围内。可作出各种结构、逻辑、工艺步骤及电子改变而不脱离本公开的范围。因此，本公开的范围仅通过参考所附权利要求书定义。
当前晶片缺陷检测工具在阵列及安静逻辑区域中具有相当良好的灵敏度。本文中所公开的实施例可改进在一般逻辑区域(其通常为嘈杂区域)中的灵敏度。本文中所公开的基于变化的分段(VBS)算法可将从检验工具接收的区域图像分离成不同片段以抑制扰乱点或错误事件，且因此改进缺陷检测灵敏度。此VBS算法可增强缺陷检测灵敏度及扰乱点抑制。在差异图像中，DOI背景比扰乱点更安静。因此，差异图像信息可用于分离DOI与扰乱点。
图1是方法100的实施例。方法100的一些或全部步骤可使用处理器执行。在每一步骤旁边展示示范性裸片图像的图。方法100可基于一或多个图像中的像素执行分段。
在101，接收半导体晶片的一或多个图像及/或接收半导体晶片的一或多个图像的区域定义。可在一或多个区域中确定分段。这将图像或图像的区域划分为片段。区域是将图像分离成可包含阵列、分页、逻辑等的块的用户定义矩形或多边形区域。因此，区域可为半导体晶片的图像的逻辑区域。分段方法(例如VBS)可将逻辑区域划分为片段。
在102，确定区域中的每一像素的范围属性，如图1中针对步骤102通过具有不同灰色阴影的框展示。可取决于来自步骤101的图像的数目而不同地确定范围属性。因此，如果存在更多像素，那么可移除最小及最大强度。所移除的一或多个强度可基于图像的数目。范围属性确定可用于执行所提出的VBS分段。像素范围值与所述像素中的噪声有关。稍后步骤可基于此范围属性。
对于四个或更多个裸片，每一像素位置的范围属性可通过按照强度以升序对全部裸片当中的所述位置中的像素强度进行排序而确定。因此，可按像素计算范围属性。像素强度可为在黑色与白色之间的灰色强度。可在配方设置阶段定义裸片的数目。通过从第二最高强度减去第二最低强度而定义范围属性。因此，可将范围定义为不同图像中的相同位置处的像素强度之间的差。
在例子中，针对其中N≥4的N裸片案例，以升序(例如，I1、I2、...、IN-1、IN)对每一像素的强度(I)进行排序。范围属性等于IN-1–I2。
对于三个裸片，可以升序对像素进行排序。通过使用最高强度减去中值强度或中值强度减去最低强度中的较低者而定义范围属性。
在例子中，针对三裸片案例，以升序对每一像素进行排序以确定最小、中值及最大强度。范围属性等于最大强度减去中值强度或中值强度减去最小强度中的较小者。
可将范围属性计算为两个强度值之间的差。针对具有四个或更多个裸片的实例，在移除最高强度及最低强度之后仍留下两个或更多个裸片。然而，针对三裸片实例，如果移除最高强度及最低强度两者，那么仅留下一个值，这对于范围属性计算是不够的。因此，不同方法可用于三裸片案例以移除最高强度或最低强度中的任一者但非两者。大多数应用包含三个或更多个裸片。
在例子中，代替使用来自每一像素的强度差，可在计算范围属性时确定特定邻域内的标准偏差。
在103，将低通滤波器应用于范围属性。此可抑制由DOI引起的潜在变化。例如，可使用中值滤波器或高斯(Gaussian)滤波器。低通滤波器可抑制具有真实缺陷的位置处的经计算范围值的变化。缺陷像素的强度通常不遵循与非缺陷像素相同的强度分布。低通滤波器可使用相邻像素的范围值来校正来自缺陷的影响。在此步骤之后，可移除经计算范围中的异常高或低值。
在104，应用阈值以从范围属性选择片段中的一者。如果范围属性小于或等于切割线，那么阈值选择所述片段中的第一片段，且如果范围属性大于切割线，那么阈值选择所述片段中的第二片段。切割线可通过用户定义。用户可使用不同切割线直到实现所要分段结果。
在例子中，存在多个阈值[Th0、Th1、…、ThN]。如果范围属性≤Th0，那么可执行VBS以定义第一片段(seg0)。如果Th0<范围属性≤Th1，那么可执行VBS以定义第二片段(seg1)。可相应地定义额外片段。
在105，沿着X方向及Y方向扩展在阈值中选择的片段。Y方向与X方向垂直。这可用于覆盖高噪声区域的相邻区域，如图1的图中所展示。虽然图1中的图包含矩形，但片段可为其它形状，例如圆形、椭圆形、三角形、正方形或多边形。
例如，为了将seg1扩展到seg0中，如果seg0中的像素靠近seg1中的像素，那么将像素的片段设置为seg1(即，seg1的大小增长)。扩展背后的假定是嘈杂区域的邻域也是嘈杂的。归因于强度变化，步骤102到104可未对每一像素正确地分段。扩展可延伸片段以覆盖相邻区域。
在步骤102的例子中，DOI及扰乱点在类似图像背景中。因此，在使用现有分段方法时，它们在相同片段中。在步骤105中，它们在不同片段中。片段内部的详细位置可无关紧要。
运用VBS，可将低变化及高变化区域分离为不同片段。低变化片段可用于增强缺陷检测而高变化片段可用于扰乱点抑制。
当DOI及扰乱点两者定位在具有类似背景强度的随机逻辑区域中时，既不能应用PBS也不能应用MBS。DOI及扰乱点两者皆被检测或两者皆被遗漏。没有仅检测DOI的方式。运用本文中所公开的VBS算法，将DOI及扰乱点分离成不同片段，且因此可在一个片段中仅检测DOI。
方法100可任选地包含使用处理器组合具有低强度的片段中的至少两者。例如，MBS可用于组合片段。此在图2A到2C中说明。
MBS输出两个或更多个片段。在标准MBS使用案例中，使用两个片段。如图2A中所展示，seg0可用于经改进灵敏度且seg1可用于扰乱点抑制。在每一片段中可存在变化。VBS可将每一MBS片段进一步划分为额外片段，如图2B中所展示。将MBS的seg0划分为seg0及seg2。将MBS的seg1划分为seg1及seg3。
在本文中所公开的将MBS与VBS算法组合的实例中，seg0及seg2具有相同灵敏度。可在seg1中执行经改进缺陷检测，且可在seg3中抑制扰乱点。因此，可组合图2B中的seg0及seg2，这导致图2C的分段。图2C中的组合可保留seg0灵敏度，可在先前seg1中检测新缺陷，且可在剩余seg2(先前seg3)中抑制扰乱点。
在图3中展示系统200的一个实施例。系统200包含基于光学的子系统201。一般来说，基于光学的子系统201经配置用于通过将光引导到样品202(或使光在样品202上方扫描)且从样品202检测光而产生样品202的基于光学的输出。在一个实施例中，样品202包含晶片。晶片可包含此项技术中已知的任何晶片。在另一实施例中，样品202包含光罩。光罩可包含此项技术中已知的任何光罩。
在图3中所展示的系统200的实施例中，基于光学的子系统201包含经配置以将光引导到样品202的照明子系统。照明子系统包含至少一个光源。例如，如图3中所展示，照明子系统包含光源203。在一个实施例中，照明子系统经配置以按可包含一或多个倾斜角及/或一或多个法向角的一或多个入射角将光引导到样品202。例如，如图3中所展示，来自光源203的光按倾斜入射角引导穿过光学元件204及接着穿过透镜205而到样品202。倾斜入射角可包含可取决于例如样品202的特性而变化的任何合适的倾斜入射角。
基于光学的子系统201可经配置以在不同时间按不同入射角将光引导到样品202。例如，基于光学的子系统201可经配置以更改照明子系统的一或多个元件的一或多个特性，使得可按不同于图3中所展示的入射角的入射角将光引导到样品202。在一个此实例中，基于光学的子系统201可经配置以使光源203、光学元件204及透镜205移动，使得按不同倾斜入射角或法向(或近法向)入射角将光引导到样品202。
在一些例子中，基于光学的子系统201可经配置以同时按多于一个入射角将光引导到样品202。例如，照明子系统可包含多于一个照明通道，所述照明通道中的一者可包含如图3中所展示的光源203、光学元件204及透镜205，且所述照明通道中的另一者(未展示)可包含可不同地或相同地配置的类似元件，或可包含至少光源及可能一或多个其它组件(例如本文中进一步描述的组件)。如果与另一光同时将此光引导到样品，那么按不同入射角引导到样品202的光的一或多个特性(例如，波长、偏光等)可不同，使得可在(若干)检测器处将源自按不同入射角照明样品202的光彼此区分。
在另一例子中，照明子系统可仅包含一个光源(例如，图3中所展示的光源203)，且可通过照明子系统的一或多个光学元件(未展示)将来自光源的光分离到不同光学路径中(例如，基于波长、偏光等)。接着，可将不同光学路径中的每一者中的光引导到样品202。多个照明通道可经配置以同时或在不同时间(例如，当使用不同照明通道循序照明样品时)将光引导到样品202。在另一例子中，相同照明通道可经配置以在不同时间将具有不同特性的光引导到样品202。例如，在一些例子中，光学元件204可配置为光谱滤光器，且可以多种不同方式(例如，通过调换出光谱滤光器)改变光谱滤光器的性质，使得可在不同时间将不同波长的光引导到样品202。照明子系统可具有此项技术中已知的用于循序或同时按不同或相同入射角将具有不同或相同特性的光引导到样品202的任何其它合适的配置。
在一个实施例中，光源203可包含宽带等离子体(BBP)源。以此方式，由光源203产生且引导到样品202的光可包含宽带光。然而，光源可包含任何其它合适的光源(例如激光器)。激光器可包含此项技术中已知的任何合适的激光器，且可经配置以产生此项技术中已知的任一或多个合适的波长的光。另外，激光器可经配置以产生单色或近单色的光。以此方式，激光器可为窄带激光器。光源203也可包含产生多个离散波长或波带的光的多色光源。
来自光学元件204的光可通过透镜205聚焦到样品202上。虽然透镜205在图3中被展示为单折射光学元件，但应理解，实际上，透镜205可包含组合地将来自光学元件的光聚焦到样品的若干折射及/或反射光学元件。在图3中展示且在本文中描述的照明子系统可包含任何其它合适的光学元件(未展示)。此类光学元件的实例包含但不限于(若干)偏光组件、(若干)光谱滤光器、(若干)空间滤光器、(若干)反射光学元件、(若干)变迹器、(若干)分束器(例如分束器213)、(若干)孔隙及类似者，其可包含此项技术中已知的任何此类合适的光学元件。另外，基于光学的子系统201可经配置以基于待用于产生基于光学的输出的照明类型来更改照明子系统的元件中的一或多者。
基于光学的子系统201还可包含经配置以引起光在样品202上方扫描的扫描子系统。例如，基于光学的子系统201可包含载物台206，在基于光学的输出产生期间，样品202安置在载物台206上。扫描子系统可包含可经配置以使样品202移动使得光可在样品202上方扫描的任何合适的机械及/或机器人组合件(其包含载物台206)。另外或替代地，基于光学的子系统201可经配置使得基于光学的子系统201的一或多个光学元件执行光在样品202上方的某一扫描。光可以任何合适的方式(例如以蛇形路径或以螺旋路径)在样品202上方扫描。
基于光学的子系统201进一步包含一或多个检测通道。一或多个检测通道中的至少一者包含检测器，所述检测器经配置以检测归因于通过子系统照明样品202而来自样品202的光，且响应于经检测光而产生输出。例如，图3中所展示的基于光学的子系统201包含两个检测通道，一个检测通道由集光器207、元件208及检测器209形成且另一检测通道由集光器210、元件211及检测器212形成。如图3中所展示，两个检测通道经配置以按不同收集角收集且检测光。在一些例子中，两个检测通道经配置以检测散射光，且检测通道经配置以检测从样品202按不同角度散射的光。然而，检测通道中的一或多者可经配置以检测来自样品202的另一类型的光(例如，反射光)。
如图3中进一步展示，两个检测通道被展示为定位在纸平面中且照明子系统也被展示为定位在纸平面中。因此，在此实施例中，两个检测通道定位在入射平面中(例如，以入射平面为中心)。然而，检测通道中的一或多者可定位在入射平面外。例如，由集光器210、元件211及检测器212形成的检测通道可经配置以收集且检测从入射平面散射出的光。因此，此检测通道可通常被称为“侧”通道，且此侧通道可以大体上与入射平面垂直的平面为中心。
虽然图3展示包含两个检测通道的基于光学的子系统201的实施例，但基于光学的子系统201可包含不同数目个检测通道(例如，仅一个检测通道或两个或更多个检测通道)。在一个此例子中，由集光器210、元件211及检测器212形成的检测通道可如上文描述般形成一个侧通道，且基于光学的子系统201可包含形成为定位在入射平面的相对侧上的另一侧通道的额外检测通道(未展示)。因此，基于光学的子系统201可包含检测通道，所述检测通道包含集光器207、元件208及检测器209且以入射平面为中心，且经配置以按法向于或接近法向于样品202表面的(若干)散射角收集且检测光。因此，此检测通道可通常被称为“顶部”通道，且基于光学的子系统201还可包含如上文描述般配置的两个或更多个侧通道。因而，基于光学的子系统201可包含至少三个通道(即，一个顶部通道及两个侧通道)，且所述至少三个通道中的每一者具有其自身的集光器，集光器中的每一者经配置以按不同于其它集光器中的每一者的散射角收集光。
如上文进一步描述，包含在基于光学的子系统201中的检测通道中的每一者可经配置以检测散射光。因此，图3中所展示的基于光学的子系统201可经配置用于样品202的暗场(DF)输出产生。然而，基于光学的子系统201也可或替代地包含经配置用于样品202的明场(BF)输出产生的(若干)检测通道。换来说，基于光学的子系统201可包含经配置以检测从样品202镜面反射的光的至少一个检测通道。因此，本文中所描述的基于光学的子系统201可经配置用于仅DF成像、仅BF成像或DF成像及BF成像两者。虽然在图3中将集光器中的每一者展示为单折射光学元件，但应理解，集光器中的每一者可包含一或多个折射光学裸片及/或一或多个反射光学元件。
一或多个检测通道可包含此项技术中已知的任何合适的检测器。例如，检测器可包含光电倍增管(PMT)、电荷耦合装置(CCD)、延时积分(TDI)相机及此项技术中已知的任何其它合适的检测器。检测器还可包含非成像检测器或成像检测器。以此方式，如果检测器是非成像检测器，那么检测器中的每一者可经配置以检测散射光的特定特性(例如强度)，但可未经配置以检测依据在成像平面内的位置而变化的此类特性。因而，由包含在基于光学的子系统的检测通道中的每一者中的检测器中的每一者产生的输出可为信号或数据，而非图像信号或图像数据。在此类例子中，处理器(例如处理器214)可经配置以从检测器的非成像输出产生样品202的图像。然而，在其它例子中，检测器可经配置为经配置以产生成像信号或图像数据的成像检测器。因此，基于光学的子系统可经配置以按若干方式产生本文中所描述的光学图像或其它基于光学的输出。
应注意，本文中提供图3以大体上说明基于光学的子系统201的配置，所述基于光学的子系统201可包含在本文中所描述的系统实施例中或可产生由本文中所描述的系统实施例使用的基于光学的输出。可更改本文中所描述的基于光学的子系统201配置以优化基于光学的子系统201的性能，如在设计商业输出获取系统时所通常执行。另外，可使用现有系统(例如，通过将本文中所描述的功能性新增到现有系统)实施本文中所描述的系统。对于一些此类系统，本文中所描述的方法可提供为系统的选用功能性(例如，除系统的其它功能性之外)。替代地，可将本文中所描述的系统设计为全新系统。
处理器214可以任何合适的方式(例如，经由一或多个传输媒体，其可包含有线及/或无线传输媒体)耦合到系统200的组件，使得处理器214可接收输出。处理器214可经配置以使用输出执行若干功能。系统200可从处理器214接收指令或其它信息。处理器214及/或电子数据存储单元215任选地可与晶片检验工具、晶片计量工具或晶片检查工具(未说明)电子通信以接收额外信息或发送指令。例如，处理器214及/或电子数据存储单元215可与扫描电子显微镜电子通信。
本文中所描述的处理器214、(若干)其它系统或(若干)其它子系统可为各种系统的部分，所述系统包含个人计算机系统、图像计算机、主计算机系统、工作站、网络设备、因特网装置或其它装置。(若干)子系统或(若干)系统还可包含此项技术中已知的任何合适的处理器(例如并行处理器)。另外，(若干)子系统或(若干)系统可包含具有高速处理及软件的平台作为独立工具或网络工具。
处理器214及电子数据存储单元215可安置在系统200或另一装置中或以其它方式作为系统200或另一装置的部分。在实例中，处理器214及电子数据存储单元215可为独立控制单元的部分或在集中式质量控制单元中。可使用多个处理器214或电子数据存储单元215。
实际上，处理器214可通过硬件、软件及固件的任何组合实施。再者，如本文中所描述的它的功能可通过一个单元执行或在不同组件当中划分，所述不同组件中的每一者又可通过硬件、软件及固件的任何组合实施。供处理器214实施各种方法及功能的程序代码或指令可存储在可读存储媒体(例如电子数据存储单元215中的存储器或其它存储器)中。
如果系统200包含多于一个处理器214，那么不同子系统可彼此耦合，使得可在子系统之间发送图像、数据、信息、指令等。例如，一个子系统可通过可包含此项技术中已知的任何合适的有线及/或无线传输媒体的任何合适的传输媒体耦合到(若干)额外子系统。此类子系统中的两者或更多者也可通过共享计算机可读存储媒体(未展示)有效地耦合。
处理器214可经配置以使用系统200的输出或其它输出执行若干功能。例如，处理器214可经配置以将输出发送到电子数据存储单元215或另一存储媒体。可如本文中描述般进一步配置处理器214。
可根据本文中所描述的实施例的任何者配置处理器214。处理器214还可经配置以使用系统200的输出或使用来自其它来源的图像或数据来执行其它功能或额外步骤。
系统200的各种步骤、功能及/或操作以及本文中所公开的方法通过以下中的一或多者实行：电子电路、逻辑门、多路复用器、可编程逻辑装置、ASIC、模拟或数字控件/开关、微控制器或运算系统。实施例如本文中所描述的方法的方法的程序指令可经由载体媒体传输或存储在载体媒体上。载体媒体可包含存储媒体，例如只读存储器、随机存取存储器、磁盘或光盘、非易失性存储器、固态存储器、磁带及类似者。载体媒体可包含传输媒体，例如线、缆线或无线传输链路。例如，在本公开各处描述的各种步骤可通过单处理器214或替代地多个处理器214实行。此外，系统200的不同子系统可包含一或多个运算或逻辑系统。因此，上文描述不应被解释为对本公开的限制而是仅为说明。
在例子中，处理器214与系统200通信。处理器214可经配置以执行本文中所公开的实施例中的任何者，例如图1的方法100。在例子中，处理器214经配置以：执行将图像的区域分段成多个片段；确定区域中的像素的范围属性；将低通滤波器应用于范围属性；应用阈值以从范围属性选择片段中的一者；及沿着X方向及与X方向垂直的Y方向将扩展应用于片段中的所述一者。
可通过以下步骤确定范围属性：以升序对图像的全部裸片的位置中的像素强度进行排序；及通过从第二最高强度减去第二最低强度而定义范围属性。
也可通过以下步骤确定范围属性：以升序对图像的裸片中的像素强度进行排序；及通过使用最高强度减去中值强度或中值强度减去最低强度中的较低者来定义范围属性。
如果范围属性小于或等于切割线，那么阈值可选择所述片段中的第一片段，或如果范围属性大于切割线，那么阈值可选择所述片段中的第二片段。
处理器214可进一步经配置以组合具有低强度的片段中的至少两者。
额外实施例涉及一种存储程序指令的非暂时性计算机可读媒体，所述程序指令可在控制器上执行用于执行用于晶片检验的计算机实施方法，如本文中所公开。特定来说，如图3中所展示，电子数据存储单元215或其它存储媒体可含有包含可在处理器214上执行的程序指令的非暂时性计算机可读媒体。计算机实施方法可包含本文中所描述的任何(若干)方法(包含方法100)的任何(若干)步骤。
在例子中，步骤包含：接收半导体晶片的图像；执行将图像的区域分段成多个片段；确定区域中的像素的范围属性；将低通滤波器应用于范围属性；应用阈值以从范围属性选择片段中的一者；及沿着X方向及与X方向垂直的Y方向扩展片段中的所述一者。
可以各种方式(包含基于过程的技术、基于组件的技术及/或面向对象技术等)中的任何者实施程序指令。例如，可视需要使用ActiveX控件、C++对象、JavaBeans、微软基础类别(MFC)、流式SIMD扩展(SSE)或其它技术或方法论来实施程序指令。
如本文中使用，术语“晶片”大体上指由半导体或非半导体材料形成的衬底。此半导体或非半导体材料的实例包含但不限于单晶硅、氮化镓、砷化镓、磷化铟、蓝宝石及玻璃。此类衬底可普遍在半导体制作设施中找到及/或处理。
晶片可包含形成在衬底上的一或多个层。例如，此类层可包含但不限于光致抗蚀剂、电介质材料、导电材料及半导电材料。许多不同类型的此类层在此项技术中已知，且如本文中所使用的术语晶片旨在涵盖包含全部类型的此类层的晶片。
形成在晶片上的一或多个层可经图案化或未经图案化。例如，晶片可包含每一者具有可重复图案化特征或周期性结构的多个裸片。此类材料层的形成及处理可最终导致完成装置。许多不同类型的装置可形成在晶片上，且如本文中所使用的术语晶片旨在涵盖其上制作此项技术中已知的任何类型的装置的晶片。
也可使用其它类型的晶片。例如，晶片可用于制造LED、太阳能电池、磁盘、平板或抛光板。可使用本文中所公开的技术及系统对其它对象上的缺陷进行分类。
可如本文中所描述般执行方法的步骤中的每一者。方法也可包含可由本文中所描述的处理器及/或(若干)计算机子系统或(若干)系统执行的任何(若干)其它步骤。步骤可通过一或多个计算机系统执行，所述一或多个计算机系统可根据本文中所描述的实施例的任何者配置。另外，上文所描述的方法可通过本文中所描述的系统实施例中的任何者执行。
虽然已关于一或多个特定实施例描述本公开，但应理解，可进行本公开的其它实施例而不脱离本公开的范围。因此，本公开被视为仅由所附权利要求书及其合理解释限制。

Claims (16)

1.一种用于晶片缺陷检测的系统，其包括：
光源，其产生光；
载物台，其经配置以固持晶片；
检测器，其接收从所述晶片反射的所述光；及
处理器，其与所述检测器电子通信，其中所述处理器经配置以：
执行将图像的区域分段成多个片段，其中所述图像由来自所述检测器的数据产生；
确定所述区域中的像素的范围属性，其中通过以下步骤确定所述范围属性：
以升序对所述图像的全部裸片的位置中的像素强度进行排序；及
通过从第二最高强度减去第二最低强度或使用最高强度减去中值强度或中值强度减去最低强度中的较低者而定义所述范围属性；
将低通滤波器应用于所述范围属性；
应用阈值以从所述范围属性选择所述片段中的一者；
沿着X方向及与所述X方向垂直的Y方向将扩展应用于所述片段中的所述一者；及
在所述片段中的一或多者中执行缺陷检测。
2.根据权利要求1所述的系统，其中所述光源是激光器。
3.根据权利要求1所述的系统，其中，当所述裸片的数量大于或等于4个时，所述范围属性通过以下步骤确定：
以升序对所述图像的全部裸片的位置中的所述像素强度进行排序；及
通过从所述第二最高强度减去所述第二最低强度而定义所述范围属性。
4.根据权利要求1所述的系统，其中，当所述裸片的数量等于3个时，所述范围属性通过以下步骤确定：
以升序对所述图像的裸片中的所述像素强度进行排序；及
通过使用所述最高强度减去所述中值强度或所述中值强度减去所述最低强度中的所述较低者来定义所述范围属性。
5.根据权利要求1所述的系统，其中如果所述范围属性小于或等于切割线，那么所述阈值选择所述片段中的第一片段，且如果所述范围属性大于所述切割线，那么所述阈值选择所述片段中的第二片段。
6.根据权利要求1所述的系统，其中所述处理器进一步经配置以组合具有低强度的所述片段中的至少两者。
7.一种用于晶片缺陷检测的方法，其包括：
使用处理器执行将图像的区域分段成多个片段；
使用所述处理器确定所述区域中的像素的范围属性，其中通过以下步骤确定所述范围属性：
以升序对所述图像的全部裸片的位置中的像素强度进行排序；及
通过从第二最高强度减去第二最低强度或使用最高强度减去中值强度或中值强度减去最低强度中的较低者而定义所述范围属性；
使用所述处理器将低通滤波器应用于所述范围属性；
使用所述处理器应用阈值以从所述范围属性选择所述片段中的一者；
使用所述处理器沿着X方向及与所述X方向垂直的Y方向扩展所述片段中的所述一者；及
使用所述处理器在所述片段中的一或多者中执行缺陷检测。
8.根据权利要求7所述的方法，其中，当所述裸片的数量大于或等于4个时，所述范围属性通过以下步骤确定：
以升序对所述图像的全部裸片的位置中的所述像素强度进行排序；及
通过从所述第二最高强度减去所述第二最低强度而定义所述范围属性。
9.根据权利要求7所述的方法，其中，当所述裸片的数量等于3个时，所述范围属性通过以下步骤确定：
以升序对所述图像的裸片中的所述像素强度进行排序；及
通过使用所述最高强度减去所述中值强度或所述中值强度减去最低强度中的较低者而定义所述范围属性。
10.根据权利要求7所述的方法，其中如果所述范围属性小于或等于切割线，那么所述阈值选择所述片段中的第一片段，且如果所述范围属性大于所述切割线，那么所述阈值选择所述片段中的第二片段。
11.根据权利要求7所述的方法，其进一步包括使用所述处理器组合具有低强度的所述片段中的至少两者。
12.一种非暂时性计算机可读存储媒体，其包括用于在一或多个运算装置上执行以下步骤的一或多个程序：
接收半导体晶片的图像；
执行将所述图像的区域分段成多个片段；
确定所述区域中的像素的范围属性，其中通过以下步骤确定所述范围属性：
以升序对所述图像的全部裸片的位置中的像素强度进行排序；及
通过从第二最高强度减去第二最低强度或使用最高强度减去中值强度或中值强度减去最低强度中的较低者而定义所述范围属性；
将低通滤波器应用于所述范围属性；
应用阈值以从所述范围属性选择所述片段中的一者；
沿着X方向及与所述X方向垂直的Y方向扩展所述片段中的所述一者；及
在所述片段中的一或多者中执行缺陷检测。
13.根据权利要求12所述的非暂时性计算机可读存储媒体，其中，当所述裸片的数量大于或等于4个时，所述范围属性通过以下步骤确定：
以升序对所述图像的全部裸片的位置中的所述像素强度进行排序；及
通过从所述第二最高强度减去所述第二最低强度而定义所述范围属性。
14.根据权利要求12所述的非暂时性计算机可读存储媒体，其中，当所述裸片的数量等于3个时，所述范围属性通过以下步骤确定：
以升序对所述图像的裸片中的所述像素强度进行排序；及
通过使用所述最高强度减去所述中值强度或所述中值强度减去所述最低强度中的较低者而定义所述范围属性。
15.根据权利要求12所述的非暂时性计算机可读存储媒体，其中如果所述范围属性小于或等于切割线，那么所述阈值选择所述片段中的第一片段，且如果所述范围属性大于所述切割线，那么所述阈值选择所述片段中的第二片段。
16.根据权利要求12所述的非暂时性计算机可读存储媒体，其中所述步骤进一步包含组合具有低强度的所述片段中的至少两者。
CN202080061765.XA 2019-09-26 2020-09-22 用于晶片缺陷检测的基于变化的分段 Active CN114402192B (zh)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
US201962906673P 2019-09-26 2019-09-26
US62/906,673 2019-09-26
US17/024,681 US11676260B2 (en) 2019-09-26 2020-09-17 Variation-based segmentation for wafer defect detection
US17/024,681 2020-09-17
PCT/US2020/051894 WO2021061585A1 (en) 2019-09-26 2020-09-22 Variation-based segmentation for wafer defect detection

Publications (2)

Publication Number Publication Date
CN114402192A CN114402192A (zh) 2022-04-26
CN114402192B true CN114402192B (zh) 2023-10-31

Family

ID=75163629

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202080061765.XA Active CN114402192B (zh) 2019-09-26 2020-09-22 用于晶片缺陷检测的基于变化的分段

Country Status (5)

Country Link
US (1) US11676260B2 (zh)
KR (1) KR20220070490A (zh)
CN (1) CN114402192B (zh)
TW (1) TWI843894B (zh)
WO (1) WO2021061585A1 (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI798725B (zh) * 2021-06-18 2023-04-11 浚輔科技股份有限公司 晶圓缺口位置之判斷裝置及其方法
CN114511565B (zh) * 2022-04-19 2022-07-26 杭州灵西机器人智能科技有限公司 基于多角度光源的2.5d缺陷检测方法、装置、设备及介质
US20240221141A1 (en) * 2022-12-28 2024-07-04 Kla Corporation Pattern segmentation for nuisance suppression

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004138563A (ja) * 2002-10-18 2004-05-13 Toshiba Corp 欠陥情報検出感度データの決定方法及び欠陥情報検出感度データの決定装置、欠陥検出装置の管理方法、半導体装置の欠陥検出方法及び半導体装置の欠陥検出装置
JP2012026988A (ja) * 2010-07-28 2012-02-09 Hitachi High-Technologies Corp 欠陥検出装置及びコンピュータプログラム
US8977035B2 (en) * 2012-06-13 2015-03-10 Applied Materials Israel, Ltd. System, method and computer program product for detection of defects within inspection images

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6178260B1 (en) * 1998-09-23 2001-01-23 Xerox Corporation Image segmentation apparatus and method
EP3675029B8 (en) 2011-04-08 2022-05-04 Dolby Laboratories Licensing Corporation Local definition of global image transformations
EP2518719B1 (en) 2011-04-08 2016-05-18 Dolby Laboratories Licensing Corporation Image range expansion control methods and apparatus
US8831334B2 (en) * 2012-01-20 2014-09-09 Kla-Tencor Corp. Segmentation for wafer inspection
US10127652B2 (en) 2014-02-06 2018-11-13 Kla-Tencor Corp. Defect detection and classification based on attributes determined from a standard reference image
CN107735731B (zh) * 2015-07-03 2020-12-22 Asml荷兰有限公司 光刻设备、控制方法及计算机程序产品
US10402963B2 (en) * 2017-08-24 2019-09-03 Kla-Tencor Corporation Defect detection on transparent or translucent wafers
TWI638339B (zh) * 2017-11-14 2018-10-11 瑞昱半導體股份有限公司 錯色移除方法
EP3495827A1 (en) * 2017-12-05 2019-06-12 Nederlandse Organisatie voor toegepast- natuurwetenschappelijk onderzoek TNO Atomic force microscopy system
US11170475B2 (en) * 2019-01-10 2021-11-09 Kla Corporation Image noise reduction using stacked denoising auto-encoder
US10621702B1 (en) * 2019-03-20 2020-04-14 Bae Systems Information And Electronic Systems Integration Inc. Edge rejecting scene based non-uniformity correction for uncooled infrared

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004138563A (ja) * 2002-10-18 2004-05-13 Toshiba Corp 欠陥情報検出感度データの決定方法及び欠陥情報検出感度データの決定装置、欠陥検出装置の管理方法、半導体装置の欠陥検出方法及び半導体装置の欠陥検出装置
JP2012026988A (ja) * 2010-07-28 2012-02-09 Hitachi High-Technologies Corp 欠陥検出装置及びコンピュータプログラム
US8977035B2 (en) * 2012-06-13 2015-03-10 Applied Materials Israel, Ltd. System, method and computer program product for detection of defects within inspection images

Also Published As

Publication number Publication date
US11676260B2 (en) 2023-06-13
WO2021061585A1 (en) 2021-04-01
TWI843894B (zh) 2024-06-01
US20210097671A1 (en) 2021-04-01
CN114402192A (zh) 2022-04-26
KR20220070490A (ko) 2022-05-31
TW202127553A (zh) 2021-07-16

Similar Documents

Publication Publication Date Title
CN114402192B (zh) 用于晶片缺陷检测的基于变化的分段
US11783470B2 (en) Design-assisted inspection for DRAM and 3D NAND devices
TWI760523B (zh) 用於偵測一缺陷之方法、非暫時性電腦可讀媒體及系統
KR102201122B1 (ko) 민감도 개선 및 뉴슨스 억제를 위해 로직 및 핫스팟 검사에서 z-층 컨텍스트를 사용하는 시스템 및 방법
KR102719204B1 (ko) 노이즈 특성에 기초한 서브케어 영역의 클러스터링
CN114341630B (zh) 等概率缺陷检测
US11610296B2 (en) Projection and distance segmentation algorithm for wafer defect detection
CN111386596B (zh) 最小化场大小以减少非所要的杂散光
JP2024537955A (ja) レーザアニールパターンの抑制
US20240221141A1 (en) Pattern segmentation for nuisance suppression
TW202301191A (zh) 用於導出及改善成像條件之影像對比度量
CN119384678A (zh) 检测样品上的缺陷

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant