[go: up one dir, main page]

JP7087397B2 - 基板の欠陥検査装置、基板の欠陥検査方法及び記憶媒体 - Google Patents

基板の欠陥検査装置、基板の欠陥検査方法及び記憶媒体 Download PDF

Info

Publication number
JP7087397B2
JP7087397B2 JP2018005584A JP2018005584A JP7087397B2 JP 7087397 B2 JP7087397 B2 JP 7087397B2 JP 2018005584 A JP2018005584 A JP 2018005584A JP 2018005584 A JP2018005584 A JP 2018005584A JP 7087397 B2 JP7087397 B2 JP 7087397B2
Authority
JP
Japan
Prior art keywords
defect
image data
pixel
type
region
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
JP2018005584A
Other languages
English (en)
Other versions
JP2019124591A (ja
Inventor
修児 岩永
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.)
Tokyo Electron Ltd
Original Assignee
Tokyo Electron Ltd
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 Tokyo Electron Ltd filed Critical Tokyo Electron Ltd
Priority to JP2018005584A priority Critical patent/JP7087397B2/ja
Priority to TW108100931A priority patent/TWI798329B/zh
Priority to KR1020190003651A priority patent/KR102730800B1/ko
Priority to US16/248,329 priority patent/US10818004B2/en
Priority to CN201910043684.6A priority patent/CN110047770B/zh
Publication of JP2019124591A publication Critical patent/JP2019124591A/ja
Priority to US17/014,556 priority patent/US11227381B2/en
Priority to US17/546,888 priority patent/US11636585B2/en
Application granted granted Critical
Publication of JP7087397B2 publication Critical patent/JP7087397B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/0002Inspection of images, e.g. flaw detection
    • G06T7/0004Industrial image inspection
    • G06T7/0006Industrial image inspection using a design-rule based approach
    • HELECTRICITY
    • H01ELECTRIC ELEMENTS
    • H01LSEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L21/00Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
    • H01L21/67Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere
    • H01L21/67005Apparatus not specifically provided for elsewhere
    • H01L21/67242Apparatus for monitoring, sorting or marking
    • H01L21/67271Sorting devices
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/0002Inspection of images, e.g. flaw detection
    • G06T7/0004Industrial image inspection
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01NINVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84Systems specially adapted for particular applications
    • G01N21/88Investigating the presence of flaws or contamination
    • G01N21/95Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • G01N21/9501Semiconductor wafers
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01NINVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84Systems specially adapted for particular applications
    • G01N21/88Investigating the presence of flaws or contamination
    • G01N21/8851Scan 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
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/0002Inspection of images, e.g. flaw detection
    • G06T7/0004Industrial image inspection
    • G06T7/001Industrial image inspection using an image reference approach
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/60Analysis of geometric attributes
    • G06T7/66Analysis of geometric attributes of image moments or centre of gravity
    • HELECTRICITY
    • H01ELECTRIC ELEMENTS
    • H01LSEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L21/00Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
    • H01L21/67Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere
    • H01L21/67005Apparatus not specifically provided for elsewhere
    • H01L21/67242Apparatus for monitoring, sorting or marking
    • H01L21/67288Monitoring of warpage, curvature, damage, defects or the like
    • HELECTRICITY
    • H01ELECTRIC ELEMENTS
    • H01LSEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L22/00Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
    • H01L22/10Measuring as part of the manufacturing process
    • H01L22/12Measuring as part of the manufacturing process for structural parameters, e.g. thickness, line width, refractive index, temperature, warp, bond strength, defects, optical inspection, electrical measurement of structural dimensions, metallurgic measurement of diffusions
    • HELECTRICITY
    • H01ELECTRIC ELEMENTS
    • H01LSEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L22/00Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
    • H01L22/30Structural arrangements specially adapted for testing or measuring during manufacture or treatment, or specially adapted for reliability measurements
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01BMEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B2210/00Aspects not specifically covered by any group under G01B, e.g. of wheel alignment, caliper-like sensors
    • G01B2210/56Measuring geometric parameters of semiconductor structures, e.g. profile, critical dimensions or trench depth
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/10Image acquisition modality
    • G06T2207/10024Color image
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/20Special algorithmic details
    • G06T2207/20076Probabilistic image processing
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/20Special algorithmic details
    • G06T2207/20081Training; Learning
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/20Special algorithmic details
    • G06T2207/20084Artificial neural networks [ANN]
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/20Special algorithmic details
    • G06T2207/20112Image segmentation details
    • G06T2207/20132Image cropping
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/30Subject of image; Context of image processing
    • G06T2207/30108Industrial image inspection
    • G06T2207/30148Semiconductor; IC; Wafer

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Manufacturing & Machinery (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Power Engineering (AREA)
  • Quality & Reliability (AREA)
  • Geometry (AREA)
  • Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Pathology (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Signal Processing (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
  • Image Analysis (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)
  • Length Measuring Devices By Optical Means (AREA)
  • Liquid Crystal (AREA)

Description

本発明は基板を撮像して得られる画像データを用いて基板にどのような欠陥が発生しているかを判定する技術に関する。
半導体装置の製造工程におけるフォトリソグラフィ工程では、基板である半導体ウエハ(以下、ウエハと記載する)の表面に対して、レジストの塗布によるレジスト膜の形成、当該レジスト膜の露光、現像が順次行われて、レジストパターンが形成される。
一連の工程を終了したウエハWに対しては、検査装置によってウエハ表面に良好なレジストパターンが形成されているか否か、傷または異物が付着しているか否かなどの検査が行われる。こうした不具合を欠陥と呼ぶとすると、欠陥はその発生原因に応じて種々の態様がある。従って半導体装置の製造管理の観点から、検査装置には基板に欠陥があるか否かにとどまらず、見つかった欠陥がどのような欠陥であるか、即ち欠陥の種類を把握する機能を備えていることが要請される。
検査装置は、ウエハを載置している載置台に対して照明領域を相対的に移動しながら当ウエハを例えばCCDカメラなどにより撮像し、撮像された画像を処理して欠陥の有無、欠陥の種類を判定するように構成される。
欠陥の種類を判定する手法としては、ディープラーニングと呼ばれる手法を利用することが知られている。例えば特許文献1には、基板を撮像して得られた検査対象画像に基づいて欠陥の特徴量(欠陥の濃淡、色などの特徴、幾何学的特徴)を算出し、これら特徴量に基づいてニューラルネットワークなどの手法を用いて欠陥を分類することが記載されている。
ディープラーニングによる欠陥分類は、教示用データを用いて学習することにより行われるが、その学習が不十分な場合などには誤分類の発生を避けることはできない。一方、半導体集積回路の歩留まりの更なる向上が要請されていることから、欠陥分類をより一層確実に行うことが要求される。
特開2009-238992号公報(段落0057~0060)
本発明はこのような事情に基づいてなされたものであり、その目的は、基板を撮像して得た検査対象の画像に基づいて、基板の欠陥を適切に分類することができる技術を提供することにある。
本発明は、基板を撮像して得た検査対象である撮像画像に基づいて、基板に発生している欠陥を分類する装置において、
前記撮像画像に対応し、画素毎に画素値が割り当てられている撮像画像データを入力データとし、各々複数の画素をマトリックス状に配列した複数のフィルタを含む畳み込み層を複数備えたディープラーニングを用いて演算処理を行う特徴領域抽出部と
前記複数の畳み込み層の各々にて畳み込み処理により得られた画素と畳み込み処理結果である演算値とを対応付けたデータを用い、画素ごとに前記複数の畳み込み層の演算値の配列分布に基づき、当該画素が欠陥に対応する画素であるか正常部位に対応する画素であるかを分類して、前記撮像画像データの全体領域を、前記欠陥が発生している欠陥領域と当該欠陥領域の周囲の領域とを二値化データにより表した画像データを得るように構成されている2クラス分類部と、
前記二値化データにより表した画像データ及び前記撮像画像データに基づいて、当該撮像画像データから切り取られ、前記欠陥が発生している欠陥領域と当該欠陥領域の周囲の領域とを含み、画素毎に画素値が割り当てられている欠陥分類判定用の第1の画像データを作成する前処理部と、
前記第1の画像データに基づいて、ディープラーニングを用いて欠陥の種類を推定する第1の推定部と、
前記二値化データにより表した画像データを欠陥分類判定用の第2の画像データと呼ぶこととすると、当該第2の画像データから抽出された欠陥領域の属性に基づいて、ルールベースシステムを用いて欠陥の種類を推定する第2の推定部と、
前記第1の推定部で推定された欠陥の種類と前記第2の推定部で推定された欠陥の種類とに基づいて欠陥の種類を総合判定する総合判定部と、を備えたことを特徴とする。
他の発明は、基板を撮像して得た検査対象である撮像画像に基づいて、基板に発生している欠陥を分類する基板の欠陥検査方法において、
前記撮像画像に対応し、画素毎に画素値が割り当てられている撮像画像データを入力データとし、各々複数の画素をマトリックス状に配列した複数のフィルタを含む畳み込み層を複数備えたディープラーニングを用いて演算処理を行う工程と、
前記複数の畳み込み層の各々にて畳み込み処理により得られた画素と畳み込み処理結果である演算値とを対応付けたデータを用い、画素ごとに前記複数の畳み込み層の演算値の配列分布に基づき、当該画素が欠陥に対応する画素であるか正常部位に対応する画素であるかを分類して、前記撮像画像データの全体領域を、前記欠陥が発生している欠陥領域と当該欠陥領域の周囲の領域とを二値化データにより表した画像データを得る工程と、
前記二値化データにより表した画像データ及び前記撮像画像データに基づいて、当該撮像画像データから切り取られ、前記欠陥が発生している欠陥領域と当該欠陥領域の周囲の領域とを含み、画素毎に画素値が割り当てられている欠陥分類判定用の第1の画像データを作成する工程と、
前記第1の画像データに基づいて、ディープラーニングを用いて欠陥の種類を推定する第1の推定工程と、
前記二値化データにより表した画像データを欠陥分類判定用の第2の画像データと呼ぶこととすると、当該第2の画像データから抽出された欠陥領域の属性に基づいて、ルールベースシステムを用いて欠陥の種類を推定する第2の推定工程と、
前記第1の推定工程で推定された欠陥の種類と前記第2の推定工程で推定された欠陥の種類とに基づいて欠陥の種類を総合判定する総合判定工程と、を備えたことを特徴とする。
更に他の発明は、基板を撮像して得た検査対象である撮像画像に基づいて、基板に発生している欠陥を分類する装置に用いられるソフトウェアを記憶する記憶媒体であって、
前記ソフトウェアは、本発明の基板の欠陥検査方法を実行するための命令群を含むプログラムを備えていることを特徴とする。




本発明は、基板を撮像して得た撮像画像に基づいて作成され、欠陥領域と周囲の領域とを含む、画素毎に濃淡に対応する画素値(濃淡値)が割り当てられている第1の画像データに基づいて、ディープラーニングを用いて欠陥の種類を推定している。また撮像画像に基づいて作成され、欠陥が発生している欠陥領域と周囲の領域とを二値化データにより表した第2の画像データから抽出された欠陥領域の属性に基づいて、ルールベースシステムを用いて欠陥の種類を推定している。そしてディープラーニンによる推定結果とルールベースシステムによる推定結果とに基づいて欠陥の種類を総合判定するようにしている。従って基板に発生している欠陥の種類を高い精度で判定することができる。
本発明が適用される塗布、現像装置の全体を概略的に示す構成図である。 ウエハの表面の画像を取得するために前記塗布、現像装置に設けられる撮像モジュールである。 本発明の基板の欠陥検査装置の実施形態の概略を示す説明図である。 本発明の基板の欠陥検査装置の実施形態における構成とデータの流れとを組み合わせて示す説明図である。 上述実施形態に使用される特徴領域抽出部の構成のイメージを示す説明図である。 上述実施形態に使用される2クラス分類部により得られた出力結果であり、欠陥領域を、特徴領域抽出部に入力される画像領域に対応させて示す説明図である。 2クラス分類部により得られた欠陥領域を含む画像から欠陥領域を含む矩形の画像として切り取られた切り取り画像を示す説明図である。ある。 上述実施形態に使用される欠陥候補出力部の構成のイメージを示す説明図である。 本発明の基板の欠陥検査装置の実施形態の構成を示す構成図である。 総合判定により判定された欠陥の種類とウエハ上の位置とを対応付けて表示する表示の一例を示す説明図である。 欠陥の具体例を模式的に示す説明図である。
本発明の基板の欠陥検査装置は、例えばレジスト塗布、露光後の現像を行う塗布、現像装置に適用され、塗布、現像装置内に設けられる撮像モジュールにより撮像されたウエハの画像を取り込むことにより欠陥検査を行う。
先ず、塗布、現像装置の一例について、概略図である図1を参照して説明する。塗布、現像装置は、キャリアブロックA1と、中間ブロックA2と、処理ブロックA3と、インターフェイスブロックA4と、をこの順に、水平方向に直線状に接続して構成されている。インターフェイスブロックA4には、露光機A5が接続されている。キャリアブロックA1には、基板であるウエハWが格納されたキャリア101が、図示しないキャリア搬送機構によって搬送されて載置される。処理ブロックA3には、基板であるウエハWの表面にレジストを供給してレジスト膜を形成する塗布モジュール102と、露光機A5にて所定のパターンに沿って露光されたレジスト膜に現像液を供給してレジストパターンを形成する現像モジュール103と、が設けられている。中間ブロックA2には、現像されたウエハWの表面全体を撮像する撮像モジュール104が示されている。なお、このウエハWの表面全体とは、半導体デバイスが形成される領域の表面全体であればよい。
各ブロックA1~A4は図示しないウエハ搬送機構を備えている。キャリア101に収納されているウエハWは、ウエハ搬送機構により取り出され、中間ブロックA2→レジスト膜形成モジュール102→インターフェイスブロックA4→露光機A5→インターフェイスブロックA4→現像モジュール101→撮像モジュール104の順で搬送されて、キャリア101に戻される。図1の点線の矢印は、ウエハWの搬送経路を示している。このようにウエハWが搬送されることで、ウエハWの表面にレジストパターンが形成され、その後、撮像モジュール104にてウエハWの表面全体の撮像が行われる。
図2に示すように撮像モジュール104は筐体801を備えており、筐体801内にウエハWの裏面側中央部を吸着し、ウエハWを水平に保持する載置台802が設けられている。図中803は、筐体801の側方に開口したウエハWの搬送口である。筐体801内において搬送口803が開口している側を手前側とすると、載置台802は手前側と奥側との間で水平移動自在に構成されている。図中804は、この載置台802の水平移動のためのガイドであり手前側から奥側へと伸長している。
ガイド804上には筐体801内を左右に伸びる横長のハーフミラー805が設けられており、このハーフミラー805は当該ガイド804の伸長方向に対して側面視斜めに設けられている。また、ハーフミラー805の上方には当該ハーフミラー805を介して下方に光を照射する照明806が設けられている。ハーフミラー805の奥側には例えばCCDカメラからなる撮像部807が設けられている。照明806からの照明がハーフミラー805を通過し、ハーフミラー805の下方の照射領域に当てられる。そして、この照射領域における物体の反射光がハーフミラー805で反射し、撮像部807に取り込まれる。即ち撮像部807は、ハーフミラー805の下方に位置する物体を撮像することができる。そして、ウエハWがガイド804に沿ってハーフミラー805の下方を手前側から奥側に向けて移動しているときに、撮像部807が間欠的に撮像を行い、ウエハWの表面全体を撮像してウエハ表面全体の画像データを作成することができる。
以下の説明においては、用語の混乱をさけるために、撮像部807にて撮像されたウエハWの表面全体の画像データを撮像画像と呼ぶことにする。
次に本発明の基板の欠陥検査装置及び基板の欠陥検査方法の実施形態について説明する。本発明の実施形態の概要は、撮像画像に基づいて欠陥領域を含む欠陥分類判定用の2種類(第1及び第2)の画像データを取得し、第1の画像データに基づいて第1の推定手法で欠陥の種類を推定し、また第2の画像データに基づいて第2の推定手法で欠陥の種類を推定し、2つの推定結果に基づいて欠陥の種類を総合判定することである。
図3は、本発明の実施形態の概要を示す説明図であり、第1の画像データが第1の推定部4に入力され、第1の推定部4にて第1の画像データに含まれる欠陥の種類を推定する。第1の推定部は後で詳述するディープラーニングを含むシステム(ソフトウェア)からなる。第1の画像データは、欠陥が発生している欠陥領域と当該欠陥領域の周囲の領域とを含み、撮像画像を処理した画像から矩形に切り取られた画像データである。第1の画像データは、モノクロの画像データであってもカラーの画像データであってもよいが、以下の実施形態ではカラーの画像データ、即ち画素毎にR成分、G成分、B成分の各画素値が割り当てられている画像データの場合を例として取り上げる。
より具体的に説明すると、第1の画像データは、撮像画像に例えば複数の欠陥に夫々対応する複数の欠陥領域が含まれているとき、複数の欠陥領域のうちの一つの欠陥領域だけを含むように、当該欠陥領域とその周囲の領域とを含む矩形の画像データである。なお、複数の欠陥が同一の部位に発生している場合も実際にはあり得るが、「一つの欠陥領域だけを含む」とは、ソフトウェアにおいて一つの欠陥領域であると認識した領域である。
また第2の画像データは、欠陥が発生している欠陥領域と当該欠陥領域の周囲の領域とを二値化データにより表した画像データである。第2の推定部6は、第2の画像データから抽出された欠陥領域の属性、更にはウエハW上の欠陥領域の位置に基づいて、ルールベースシステムを用いて欠陥の種類を推定するものである。
第1の画像データにより構成される欠陥領域と第2の画像データにより構成される欠陥領域とは、撮像画像において同一の領域であることが必要である。
7は総合判定部であり、第1の推定部4で推定された欠陥の種類と第2の推定部6で推定された欠陥の種類とに基づいて欠陥の種類を総合判定するものである。71は、表示部であり、総合判定部7にて総合的に判定された欠陥の種類を表示するものである。
図4は、本発明の実施形態における全体構成とデータの流れとを組み合わせて示す説明図である。図4に基づいて、第1の画像データ及び第2の画像データの作成と、画像データの処理について説明する。11は撮像部807(図2参照)にて撮像されたウエハWの表面全体を含む撮像画像であり、この撮像画像11は、各画素(ピクセル)毎にR(赤)成分、G(緑)成分、B(青)成分の各画素値(受光強度)が割り当てられている。この撮像画像11は、第1の前処理部12にて例えばコントラスト強調処理が行われる。
コントラスト強調処理は、撮像画像11の中から欠陥領域を抽出しやすいようにR成分、G成分、B成分から選択された成分を強調する処理であり、例えば、選択された成分について所定の範囲の大きさの画素値について所定値だけ増加させる処理である。
特徴領域抽出部2は、ディープラーニングを実行するソフトウェアにより構成される。ディープラーニングとしては、例えば畳み込みニューラルネットワークが用いられ、この場合の処理について図5を参照しながら説明する。図5は、説明及び図示の煩雑化を避けるために、畳み込みニューラルネットワークを極めて模式的に記載した図である。20は、第1の前処理部12にて得られた入力画像(前処理後の撮像画像とも言うことができる)であり、21、22、23は畳み込み層、21a、22aはプーリング層、24は結合層である。畳み込み層21~23は、複数のフィルタが積層されており、代表して畳み込み層21についてフィルタF1、F2…の配列をイメージとして示している。
先ず理解を容易にするために第1の前処理部12にて得られた入力画像20が縦横n×n画素からなるグレースケールであるとすると、前段の畳み込み層21における最前列のn×n画素からなるフィルタF1に入力される。入力画像20の画素値は、正規化処理された値であってもよいし、標準化処理された値あってもよく、「0」~「1」の数値である。入力画像の画素(i、j)の画素値をx(i、j)とすると、フィルタF1のピクセルである画素(i、j)の画素値はx(i、j)と同じ値であるが、f1(i、j){=x(i、j)}と記載する。なお、(i、j)は、n×n画素においてi行、j列の画素を指す。フィルタの画素はノードとも言うことができる。
フィルタF2における画素(i、j)の画素値{f2(i、j)}は、フィルタF1におけるn×nの各画素(1、1)~(n、n)の画素値に所定の係数を積算し、得られた積算値の全てを加算して加算値Iを得、この加算値Iに所定の演算を行うことにより得られる。所定の係数とは、フィルタF1の画素とフィルタF2の画素との組み合わせ毎に学習によって決められた値である。より詳しくは、教示有り(正解ラベル付き)学習を重ねていくことにより決定される。
また所定の演算は、例えば前記加算値Iを入力とするシグモイド関数を用いた演算が挙げられる。こうして畳み込み処理が行われ、フィルタF2におけるn×nの各画素(1、1)~(n、n)の画素値が求められる。
フィルタF3における画素値であるf3(i、j)もフィルタF2における各画素の画素値を用いて同様にして計算され、順次同様にして各フィルタにおける画素値が計算され、最終段のフィルタFmにおける各画素値が求まる。
畳み込み層21の次段の畳み込み層22は、プーリング層21aの介在により畳み込み層21の画素数よりも少なくなっている。プーリング層21aは、画素の間引き処理を行う部分であり、例えば図5にイメージを示すように、畳み込み層21の最終段のフィルタFmにおける画素群において互に隣接して正方形を構成する例えば2×2の画素群を一つの画素としてまとめる。この場合、例えば2×2の画素群のうち最大値を一つの画素の画素値として割り当て、言い換えると最大値の画素以外を除外し、例えば27×27の画素群に対してこのような間引き処理を行うと、13×13の画素群となる。
同様にして畳み込み層22、23の各フィルタ間で演算が行われる。これまでの説明は入力画像20の画素がグレースケールであるとして取り扱ったが、入力画像20の画素にR成分、G成分、B成分の各画素値が割り当てられている場合には、畳み込み層21、22、23、プーリング層21a、22a及び結合層24の組がR成分、G成分、B成分ごとに設けられている。例えばR成分、G成分、B成分ごとに上記の組が1組ずつ設けられていて、合計3組が存在する場合、これら3組の各々において並列して演算処理が行われる。なお、R成分、G成分、B成分の各画素値は、例えば正規化あるいは標準化された0~1の値である。
このような演算処理は、入力画像20から特徴部分を分離抽出する処理(畳み込み処理)であり、具体的には、フィルタに形成された濃淡パターンが入力画像のどの位置にあるのかを検出する処理である。また別の言い方をすれば、演算処理はフィルタを用いてフィルタが表す特徴部分を入力画像20から抽出する処理であるということができる。
図4に戻って、2クラス分類部3は、特徴領域抽出部2の処理結果に基づいて、入力画像20の各画素が欠陥に相当する画素(欠陥画素:黒画素)であるのか、欠陥に相当しない正常部位に相当する画素(白画素)であるのかを判定するように構成される。具体的には、2クラス分類部3は、特徴領域抽出部2にて得られた、入力画像20の各画素における複数の特徴量ベクトルにより構成されるベクトル空間分布に基づいて各画素が欠陥画素であるか否かを判定するように構成されている。ここで言う特徴量ベクトルとは、畳み込み層21~23を構成するすべてのフィルタについて、入力画像20の各画素に対応する画素の画素値である。従って2クラス分類部3は、入力画像20の各画素について、その画素に対応するすべてのフィルタの画素値の配列分布に基づいて、当該画素が欠陥画素であるのか正常部位の画素であるのかを判定する。
2クラス分類部3は、例えばSVM(Support Vector Machine)を実行するソフトウェアなどを挙げることができる。
2クラス分類部3の出力結果の一例を図6に示す。図6において正方形の領域は、n×nの画素群で構成される入力画像20の領域に対応しており、Dは欠陥領域を示している(代表して2カ所の欠陥領域のみDを付している)。欠陥領域Dは例えば欠陥画素である黒画素の集合体であるが、図6では白抜きで示している。図6に示す画像データは図4に示す二値化された画像データ(「二値化データ」と呼ぶ)30に相当する。また二値化データ30は、図3に示す第2の画像データに相当する。
図4において40は第2の前処理部、5はディープラーニングを用いた欠陥候補出力部、41は選択部であり、欠陥候補出力部5及び選択部41は、図3に示す第1の推定部4を構成する。
第2の前処理部40においては、二千翔データ30に基づいて、図3の説明箇所にて詳述した第1の画像データを作成する処理を行う。即ち、この実施形態では、欠陥分類判定用の第1の画像データは、欠陥分類判定用の第2の画像データと入力画像20とに基づいて作成されることになる。第1の画像データは、既述のように一つの欠陥領域と当該欠陥領域の周囲の領域とを含む矩形の画像データであって、画素毎にR成分、G成分、B成分の各画素値が割り当てられており、R成分、G成分、B成分の各画素値は、例えば正規化あるいは標準化された0~1の値である。図7は、第2の前処理部40にて得られた第1の画像データの一例を示す説明図である。
欠陥候補出力部5は、ディープラーニングを実行するソフトウェアにより構成され、例えば特徴領域抽出部2にて説明した畳み込みニューラルネットワークが用いられる。そして欠陥候補出力部5を図5に対応させて説明すると、結合層24の後段に位置する出力層(図5には出力層は記載していない)は、欠陥の種類の各々に対応するノードにより構成される。例えば検出すべき欠陥の種類が10個であれば、ノードの数は10個となる。
結合層24の画素値と各ノードから出力される値との関係は、概略的に言えば、図5にて説明した例えばフィルタF2の各画素の画素値とフィルタF3の各画素の画素値との関係と同様である(係数、関数は図5の場合とは異なる)。即ち、結合層の各画素の画素値が所定の演算を経て積算され、その積算値の全ての加算値が各ノードに出力され、各ノードは、その加算値に対して所定の演算を行って出力する。
図8は、欠陥候補出力部5を構成するニューラルネットワークの出力層を模式的に示す説明図であり、この例では、結合層の画素数がk個、出力層のノードの数が10個であるとしている。51-1~51-kは結合層の画素、52-1~52-10は出力層のノード、欠陥(1)~(10)は欠陥の種類(クラス)を示している。50は、前記積算値に加算されるバイアス値を出力するバイアス出力部である。
各ノード52-1~52-10は、夫々10種類の欠陥に対応し、各ノード52-1~52-10から出力される出力値(演算値)は0~1の値である。この出力値は欠陥候補出力部5にて候補に挙げた欠陥の正解の度合いを示す数字であり、「1」はニューラルネットワークにて推定する限りにおいて100%であることを表し、「0」は、欠陥の候補としてあり得ないことを表している。例えばノード52-1の出力値が「0.8」であるとすると、欠陥の種類が当該ノード52-1に対応する欠陥の種類である確率が80%であることを意味している。
このようにしてニューラルネットワーク(欠陥候補出力部5)により欠陥の種類の候補と正解の度合いを表す確率とも言うべきスコアとが求まると、欠陥の種類の候補とスコアとに基づいて、図4に示す選択部41により第1の推定部4として推定した欠陥の種類を選択し、その選択結果を判定結果として出力する。
第1の推定部4における判定の手順の具体例として、ニューラルネットワークにて欠陥の種類の候補として「センターモード」、「ホットスポット」、「コメット」の3種類が挙げられた場合について説明する。なお、欠陥の種類がどのような欠陥であるのかについては、これら3種類の欠陥も含めて、後で詳述する。
また選択部41における選択手法は、第1候補のスコアがしきい値Sa(例えば0.9)以上であり、かつ第1候補のスコアと第2候補のスコアとの差がしきい値Sb(例えば0.25)以上であるときに第1候補を推定結果として選択するものとする。
<ケース1>
第1候補=センターモード(スコアが0.92)
第2候補=ホットスポット(スコアが0.64)
第3候補=コメット (スコアが0.46)
この場合第1候補のスコアがしきい値Sa(0.9)以上である。そして第1候補と第2候補との差が0.28であり、しきい値Sb(0.25)以上であることから推定結果として「センターモード」が出力される。
<ケース2>
第1候補=センターモード(スコアが0.92)
第2候補=ホットスポット(スコアが0.88)
第3候補=コメット (スコアが0.46)
この場合第1候補のスコアがしきい値Sa(0.9)以上であるが、第1候補と第2候補との差が0.04であり、しきい値Sb(0.25)未満であることから推定結果として「分類不可」が出力される。
<ケース3>
第1候補=センターモード(スコアが0.84)
第2候補=ホットスポット(スコアが0.55)
第3候補=コメット (スコアが0.43)
この場合第1候補と第2候補との差が0.29であり、しきい値Sb(0.25)以上であるが、第1候補のスコアがしきい値Sa(0.9)未満であることから、推定結果として「分類不可」が出力される。
選択手法は上述の例に限られるものではなく、例えば第1候補と第2候補との差がしきい値以上であるか否かのみで第1候補の欠陥分類を出力するかあるいは分類不可とするかといった手法であってもよい。
更にまた第1の推定部4は選択部41による選択処理を行わずに、ニューラルネットワーク(欠陥候補出力部5)により出力された欠陥の種類の候補の中で第1候補(最もスコアが大きい候補)を推定結果としてもよい。
図4に戻って、第2の推定部6は、第2の画像データである二値化データに基づいて欠陥領域を一つ一つ順番に取り出し、各欠陥領域について属性とウエハW上における欠陥領域の位置(位置情報)とを求め、当該属性と位置とを予め作成したルールベースに照らし合わせて欠陥領域ごとに欠陥の種類を推定する。このため第2の推定部6は、欠陥領域の属性を抽出する属性抽出部とウエハW上における欠陥領域の位置を検出する欠陥位置検出部とルールベースシステムとを備えている。欠陥領域の属性とは、例えば形状、面積、長さ寸法、幅寸法、周囲長、伸びている方向及び濃淡値の平均値などである。欠陥領域の形状とは、欠陥領域の円形度及び周囲の凹凸の度合いなどが挙げられる。
欠陥領域の長さ寸法等についての求め方の一例を下記に記載する。
・欠陥領域の長さ寸法とは、等価楕円形の長軸の長さに相当する。長軸の長さの求め方は次の通りである。
先ず欠陥領域のX方向の重心Gx、Y方向の重心Gyを求め、次にX軸方向の分散Ax(画素毎にX座標位置と重心Gxとの差分を2乗し、この値を合計した値)、Y軸方向の分散Ay、XY軸の共分散Axy((画素毎にX座標位置と重心Gxとの差分とY座標位置と重心Gyとの差分を積算し、積算した値を合計した値)を求める。長軸の長さは下記の式により求まる。
長軸の長さ=21/2×[Ax+Ay+{(Ax-Ay)+4Axy1/2 ]1/2
・欠陥領域の幅寸法とは、例えば等価楕円形の短軸の長さに相当する。短軸の長さは下記の式により求まる。
短軸の長さ=21/2×[Ax+Ay-{(Ax-Ay)+4Axy1/2 ]1/2
・欠陥領域の伸びている方向とは、等価楕円形の長軸が伸びている方向である。
・欠陥領域の円形度とは、例えば4π×(欠陥領域の面積)/(欠陥領域の周囲長)で表される値である。
・欠陥領域の周囲の凹凸の度合いとは、例えば(欠陥領域の面積)/(欠陥領域の凸包の面積)である。凸包の面積とは、欠陥領域の画素を全て包含する最小の凸多角形である。
また、ウエハW上における欠陥領域の位置(位置情報)とは、例えばウエハW上の座標位置及び/またはウエハWの中心からの距離である。
ルールベースシステムは、例えば欠陥の種類ごとに定義されたルール(条件式)を備えており、欠陥領域の属性及び位置を、ルールと照らし合わせることにより欠陥の種類を推定する。
ルールの例を以下に記載する。
欠陥が「センターモード」の場合には、
IF(中心からの距離がしきい値S1からS2の間)
かつIF(面積がしきい値S3からS4の間)
かつIF(円形度がしきい値S5~S6の間)
→ 欠陥の種類はセンターモードである
欠陥が「ホットスポット」の場合には、
IF(面積がしきい値T1からT2の間)
かつIF(円形度がしきい値T3からT4の間)
かつIF(濃淡値の平均値がしきい値T5からT6の間)
→ 欠陥の種類はホットスポットである
同様にして他の欠陥についても、
IF(…)かつIF(…)かつ… → 欠陥の種類は○○○である、といった具合に規定される。
そして例えば欠陥の種類が10個あり、10個の欠陥に対応する条件式が条件式1~条件式10であるとすると、ルールベースシステムは、推定の対象としている欠陥領域について検出された属性及び位置に基づいて、条件式1~10に合致するか否かを判断する。そして合致する条件式があれば、その条件式に対応する欠陥の種類が推定結果となり、合致する条件式がなければ分類不能として取り扱う。また予め条件式の優先順位を決めておくことにより、合致する条件式が複数存在する場合には、優先順位の高い条件式に対応する欠陥の種類が推定結果となる。
図4に戻って7は総合判定部であり、総合判定部7は、欠陥の種類についてディープラーニングを用いた第1の推定部4の推定結果とルールベースシステムを用いた第2の推定部6の推定結果とに基づいて、総合判定を行う。総合判定とは、判定対象となる欠陥領域についていずれの種類の欠陥であるかを最終的に決定することである。
総合判定の説明においては、便宜上、第1の推定部4の推定結果をDL(ディープラーニング)分類、第2の推定部6の推定結果をルールベース分類と呼ぶことにする。
総合判定の手法の一例を以下に挙げる。
・DL分類とルールベース分類とが同じ場合にはそのまま推定結果を判定結果として採用する。
・DL分類及びルールベース分類のいずれの推定結果を採用するかについて、その優先順位が欠陥の種類ごとに設定されており、DL分類とルールベース分類とが異なる場合には、優先順位に従って判定結果を出力する。
・DL分類は事前学習によりその精度が大きく影響されるため、学習不足の欠陥分類の推定に係るDL分類については優先度を低くし(ルールベース分類を優先し)、学習が十分な欠陥分類の推定に係るDL分類については優先度を高くする(DL分類を優先する)。
このような判定手法を実施するためには、例えば表1に示す優先度マトリックス表を用いることができる。
Figure 0007087397000001
判定対象となる欠陥領域の欠陥の種類について総合判定部7により表1に基づいて判定されると、判定結果は表示部71に表示される。判定結果の表示及び欠陥の種類の具体例に関しては、後述の作用説明において記述する。
図4のブロック図に対応するコンピュータにおける構成を図9に示す。90はバスであり、91はCPUである。第1の前処理部12、特徴領域抽出部2、2クラス分類部3、第2の前処理部40、第1の推定部4、第2の推定部6及び総合判定部7は、図9に示す限りにおいては、各々既述の処理を実行するためのソフトウェアを格納する格納部に相当する。第2の推定部6については、既述の属性抽出部、欠陥位置検出部及びルールベースシステムに夫々符号61、62、63を割り当てて示している。ルールベース61は、既述のルール(条件式)とルールを用いて推論する推論エンジンとを備えている。
92、93、94は記憶部であり、記憶部92は撮像画像、第1の前処理部12にて前処理された後のデータが記憶される。記憶部93は、第1の画像データ及び第2の画像データが記憶され、第1の記憶部及び第2の記憶部を兼用している。記憶部94は、第1の推定部4による推定結果及び第2の推定部6による推定結果を記憶する。95は、コンピュータの操作画面であり、表示部71を兼用している。
既述の各ソフトウェアは、例えばフレキシブルディスク、コンパクトディスク、ハードディスク、MO(光磁気ディスク)、メモリーカードなどの記憶媒体に格納されており、記憶媒体から各格納部(12、2、3、40、4、6、7)にインストールされる。
次に基板の欠陥検査装置及び基板の欠陥検査方法に係る上述の実施形態の作用全体について図4の説明を中心にまとめて述べる。
撮像部807にて撮像された基板であるウエハW全体の画像(撮像画像)は、第1の前処理部12にて強調処理、縮小処理が行われてディープラーニングを用いた特徴領域抽出部2の入力画像20(図5参照)となる。特徴領域抽出部2において畳み込み処理が行われ、入力画像20の各画素についてフィルタ上の対応する画素の画素値が得られる。次いで2クラス分類部3により、入力画像20の各画素に対応するフィルタの画素値の群における画素値の配列分布に応じて、当該画素が欠陥画素か否かを判定し、二値化データ(第2の画像データ)を得る(図6参照)。
二値化データは第2の前処理部40にて前処理される。即ち、二値化データと第1の前処理部12により前処理された撮像画像(入力画像20)とに基づいて、1個の欠陥領域を含む矩形の画像であって、R成分、G成分、B成分の画素値を含む画像(第1の画像データ)が得られる。この第1の画像に基づいて第1の推定部4では、ディープラーニングを利用して欠陥領域に対応する欠陥の種類の候補と正解の度合いを示す数値とを対応付けたデータを得、このデータに基づいて欠陥の種類の推定結果を出力する。
一方、第2の推定部6において、前記1個の欠陥領域の属性及びウエハW上の位置を求め、これらの情報に基づいてルールベースを用いて当該欠陥領域に対応する欠陥の種類を推定する。第1の推定部4の推定結果と第2の推定部6の推定結果とに基づいて、表1の優先度マトリックス表を参照して、欠陥の種類を総合判定する。
二値化データに複数の欠陥領域が含まれる場合には、これら欠陥領域について順番に一つずつ第1の推定部4及び第2の推定部6にて推定が行われ、各推定結果に基づいて総合判定される。図10は表示部71にて総合判定結果の表示の一例を示している。図10において、P1~P6は例えば撮像画像におけるウエハ上の欠陥の位置を示しており、ウエハWの輪郭の横にP1~P6に夫々対応する欠陥の種類が表示されている。
ここで欠陥の種類とその欠陥の状態(あるいは原因)とについて以下に例を挙げておく。
スクラッチ:ウエハWは表面上の引っかき傷である。
コメット:ウエハWの表面に対してレジストをスピンコーティング(回転塗布処理)しているときに、滴下したレジスト液中に気泡がある場合などに発生する塗布ムラ部位であり、当該部位は周囲に比べると膜厚が薄い傾向にある。
アーキング:プラズマ処理において、ウエハ表面(または裏面)にカミナリが落ちるような放電現象が生じ、表面が焦げたような欠陥。
センターモード:ウエハWの表面に対してレジストをスピンコーティング(回転塗布処理)しているときに、レジストノズルの位置がウエハWの回転中心位置からずれている場合に発生する欠陥。
ホットスポット:露光機においてデフォーカスに起因する欠陥であり、露光機内のウエハステージとウエハの裏面との間に異物が介在している場合に発生する。
図11は、4個の欠陥の種類を代表してその状態を図示したものであり、(a)はコメット、(b)はスクラッチ、(c)はホットスポット、(d)はアーキングを夫々示している。図11において枠内の縦横の線はスクライブラインである。
上述の実施形態は、ディープラーニングによる欠陥の分類の推定と欠陥領域の属性及びウエハW上の位置を考慮したルールベースによる欠陥の分類の推定とを組み合わせることにより、欠陥の種類を判定している。従ってウエハWに発生している欠陥の種類を高い精度で判定することができる。また二値化データについても撮像画像に基づいてディープラーニングを用いて作成していることから、十分な学習を行うことにより、欠陥領域を高い精度で抽出することができ、この点においても欠陥の種類の判定精度が高い。
以下に本発明の変形例について記載しておく。
基板の欠陥検査装置の実施形態の冒頭においても記載したように、本発明はモノクロカメラにより基板を撮像して撮像画像を得るようにしてもよい。この場合には図5に示す入力画像20及び図4に示す第2の前処理出力部40の出力データである第1の画像データはモノクロ画像となり、カラー画像と同様に画素ごとの画素値(濃淡値)を用いて同様にして処理を行うことができる。
また撮像画像がカラー画像であっても、R成分、G成分、B成分のいずれか一つの成分あるいは2つの成分を用いて入力画像20及び第1の画像データを作成し、これらに基づいて処理を行うようにしてもよい。
ルールベースシステムは、上述の例では、推定の対象としている欠陥領域について検出された属性及び位置に基づいて条件式を作成しているが、位置を用いずに属性だけ用いて条件を作成してもよい。また条件式に用いる欠陥領域の属性としては、形状、面積、長さ寸法、幅寸法、周囲長及び伸びている方向の少なくとも一つであってもよい。例えば各欠陥の種類ごとに作成された条件式の中には欠陥領域の形状だけ含まれる場合であってもよい。
第2の画像データに相当する二値化データは、上述の実施形態のようにして作成されたものに限られるものではなく、例えば撮像画像の画素毎に表されるR成分、G成分、B成分の各々の受光強度(濃淡の度合い)の値に対して閾値を用いて二値化して作成されたデータであってもよい。
また特徴領域抽出部2及び欠陥候補出力部5で用いたディープラーニングとしては、畳み込みニューラルネットワークに限られず、他のディープラーニングであってもよい。
W ウエハ
102 レジスト膜形成モジュール
103 現像モジュール
104 撮像モジュール
807 撮像部
11 撮像画像
12 第1の前処理部
2 特徴抽出部
21~23 畳み込み層
21a、22a プーリング層
F1~F3 フィルタ
3 2クラス分類部
4 第1の推定部
41 選択部
5 欠陥候補出力部
6 第2の推定部
7 総合判定部
71 表示部
92、93、94 記憶部

Claims (12)

  1. 基板を撮像して得た検査対象である撮像画像に基づいて、基板に発生している欠陥を分類する装置において、
    前記撮像画像に対応し、画素毎に画素値が割り当てられている撮像画像データを入力データとし、各々複数の画素をマトリックス状に配列した複数のフィルタを含む畳み込み層を複数備えたディープラーニングを用いて演算処理を行う特徴領域抽出部と
    前記複数の畳み込み層の各々にて畳み込み処理により得られた画素と畳み込み処理結果である演算値とを対応付けたデータを用い、画素ごとに前記複数の畳み込み層の演算値の配列分布に基づき、当該画素が欠陥に対応する画素であるか正常部位に対応する画素であるかを分類して、前記撮像画像データの全体領域を、前記欠陥が発生している欠陥領域と当該欠陥領域の周囲の領域とを二値化データにより表した画像データを得るように構成されている2クラス分類部と、
    前記二値化データにより表した画像データ及び前記撮像画像データに基づいて、当該撮像画像データから切り取られ、前記欠陥が発生している欠陥領域と当該欠陥領域の周囲の領域とを含み、画素毎に画素値が割り当てられている欠陥分類判定用の第1の画像データを作成する前処理部と、
    前記第1の画像データに基づいて、ディープラーニングを用いて欠陥の種類を推定する第1の推定部と、
    前記二値化データにより表した画像データを欠陥分類判定用の第2の画像データと呼ぶこととすると、当該第2の画像データから抽出された欠陥領域の属性に基づいて、ルールベースシステムを用いて欠陥の種類を推定する第2の推定部と、
    前記第1の推定部で推定された欠陥の種類と前記第2の推定部で推定された欠陥の種類とに基づいて欠陥の種類を総合判定する総合判定部と、を備えたことを特徴とする基板の欠陥検査装置。
  2. 前記第1の推定部は、前記第1の画像データに基づいて、ディープラーニングを用いて欠陥の種類の候補を推定し、推定された欠陥の種類の複数の候補と各候補の正解の度合いを表す数値とを対応付けたデータを取得し、このデータに基づいて欠陥の種類を推定することを特徴とする請求項1記載の基板の欠陥検査装置。
  3. 前記第2の推定部は、前記欠陥領域の属性及び位置に基づいて、ルールベースシステムを用いて欠陥の種類を推定するように構成されていることを特徴とする請求項1または2に記載の基板の欠陥検査装置。
  4. 前記欠陥領域の属性は、形状、面積、長さ寸法、幅寸法、周囲長及び伸びている方向の少なくとも一つであることを特徴とする請求項1ないし3のいずれか一項に記載の基板の欠陥検査装置。
  5. 前記欠陥領域の属性は、形状を含み、
    前記形状は、前記欠陥領域の円形度及び周囲の凹凸の度合いを含むことを特徴とする請求項4に記載の基板の欠陥検査装置。
  6. 前記第1の画像データは、画素毎にR成分、G成分、B成分の各画素値が割り当てられていることを特徴とする請求項1ないし5のいずれか一項に記載の基板の欠陥検査装置。
  7. 前記総合判定部は、前記第1の推定部で推定された欠陥の種類と第2の推定部で推定された欠陥の種類とが異なったときにいずれの推定結果を優先させるかを決めた規則に基づいて判定するように構成されていることを特徴とする請求項1ないし6のいずれか一項に記載の基板の欠陥検査装置。
  8. 基板を撮像して得た検査対象である撮像画像に基づいて、基板に発生している欠陥を分類する基板の欠陥検査方法において、
    前記撮像画像に対応し、画素毎に画素値が割り当てられている撮像画像データを入力データとし、各々複数の画素をマトリックス状に配列した複数のフィルタを含む畳み込み層を複数備えたディープラーニングを用いて演算処理を行う工程と、
    前記複数の畳み込み層の各々にて畳み込み処理により得られた画素と畳み込み処理結果である演算値とを対応付けたデータを用い、画素ごとに前記複数の畳み込み層の演算値の配列分布に基づき、当該画素が欠陥に対応する画素であるか正常部位に対応する画素であるかを分類して、前記撮像画像データの全体領域を、前記欠陥が発生している欠陥領域と当該欠陥領域の周囲の領域とを二値化データにより表した画像データを得る工程と、
    前記二値化データにより表した画像データ及び前記撮像画像データに基づいて、当該撮像画像データから切り取られ、前記欠陥が発生している欠陥領域と当該欠陥領域の周囲の領域とを含み、画素毎に画素値が割り当てられている欠陥分類判定用の第1の画像データを作成する工程と、
    前記第1の画像データに基づいて、ディープラーニングを用いて欠陥の種類を推定する第1の推定工程と、
    前記二値化データにより表した画像データを欠陥分類判定用の第2の画像データと呼ぶこととすると、当該第2の画像データから抽出された欠陥領域の属性に基づいて、ルールベースシステムを用いて欠陥の種類を推定する第2の推定工程と、
    前記第1の推定工程で推定された欠陥の種類と前記第2の推定工程で推定された欠陥の種類とに基づいて欠陥の種類を総合判定する総合判定工程と、を備えたことを特徴とする基板の欠陥検査方法。
  9. 前記第1の推定工程は、ディープラーニングを用いて欠陥の種類の候補を推定し、推定された欠陥の種類の複数の候補と各候補の正解の度合いを表す数値とを対応付けたデータを取得し、このデータに基づいて欠陥の種類を推定することを特徴とする請求項記載の基板の欠陥検査方法。
  10. 前記第2の推定工程は、前記欠陥領域の属性及び位置に基づいて、ルールベースシステムを用いて欠陥の種類を推定することを特徴とする請求項またはに記載の基板の欠陥検査方法。
  11. 前記欠陥領域の属性は、形状、面積、長さ寸法、幅寸法、周囲長及び伸びている方向の少なくとも一つであることを特徴とする請求項ないし10のいずれか一項に記載の基板の欠陥検査方法。
  12. 基板を撮像して得た検査対象である撮像画像に基づいて、基板に発生している欠陥を分類する装置に用いられるソフトウェアを記憶する記憶媒体であって、
    前記ソフトウェアは、請求項ないし11のいずれか一項の基板の欠陥検査方法を実行するための命令群を含むプログラムを備えていることを特徴とする記憶媒体。
JP2018005584A 2018-01-17 2018-01-17 基板の欠陥検査装置、基板の欠陥検査方法及び記憶媒体 Active JP7087397B2 (ja)

Priority Applications (7)

Application Number Priority Date Filing Date Title
JP2018005584A JP7087397B2 (ja) 2018-01-17 2018-01-17 基板の欠陥検査装置、基板の欠陥検査方法及び記憶媒体
TW108100931A TWI798329B (zh) 2018-01-17 2019-01-10 基板之缺陷檢查裝置、基板之缺陷檢查方法及記錄媒體
KR1020190003651A KR102730800B1 (ko) 2018-01-17 2019-01-11 기판의 결함 검사 장치, 기판의 결함 검사 방법 및 기억 매체
US16/248,329 US10818004B2 (en) 2018-01-17 2019-01-15 Substrate defect inspection apparatus, substrate defect inspection method, and storage medium
CN201910043684.6A CN110047770B (zh) 2018-01-17 2019-01-17 基片的缺陷检查装置、基片的缺陷检查方法和存储介质
US17/014,556 US11227381B2 (en) 2018-01-17 2020-09-08 Substrate defect inspection apparatus, substrate defect inspection method, and storage medium
US17/546,888 US11636585B2 (en) 2018-01-17 2021-12-09 Substrate defect inspection apparatus, substrate defect inspection method, and storage medium

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2018005584A JP7087397B2 (ja) 2018-01-17 2018-01-17 基板の欠陥検査装置、基板の欠陥検査方法及び記憶媒体

Publications (2)

Publication Number Publication Date
JP2019124591A JP2019124591A (ja) 2019-07-25
JP7087397B2 true JP7087397B2 (ja) 2022-06-21

Family

ID=67214123

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2018005584A Active JP7087397B2 (ja) 2018-01-17 2018-01-17 基板の欠陥検査装置、基板の欠陥検査方法及び記憶媒体

Country Status (5)

Country Link
US (3) US10818004B2 (ja)
JP (1) JP7087397B2 (ja)
KR (1) KR102730800B1 (ja)
CN (1) CN110047770B (ja)
TW (1) TWI798329B (ja)

Families Citing this family (47)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7018368B2 (ja) * 2018-07-12 2022-02-10 東京エレクトロン株式会社 検査装置及び検査装置の清浄化方法
KR20200039047A (ko) * 2018-10-01 2020-04-16 에스케이씨 주식회사 필름 결함 검출 방법 및 시스템
US11308365B2 (en) * 2019-06-13 2022-04-19 Expedia, Inc. Image classification system
CN112304952B (zh) * 2019-07-23 2024-04-02 纬创资通股份有限公司 影像辨识装置、影像辨识方法及其计算机程序产品
US11087449B2 (en) * 2019-10-24 2021-08-10 KLA Corp. Deep learning networks for nuisance filtering
CN110827249A (zh) * 2019-10-28 2020-02-21 上海悦易网络信息技术有限公司 电子设备背板外观瑕疵检测方法及设备
KR20210059411A (ko) * 2019-11-15 2021-05-25 한국전자기술연구원 하이브리드 기반 이상 행위 인지 시스템 및 그 방법
EP4081978A1 (en) * 2019-12-23 2022-11-02 Boon Logic Inc. Product inspection system and method
US11449711B2 (en) * 2020-01-02 2022-09-20 Applied Materials Isreal Ltd. Machine learning-based defect detection of a specimen
CN111311542B (zh) * 2020-01-15 2023-09-19 歌尔股份有限公司 一种产品质量检测方法及装置
JP7200955B2 (ja) * 2020-01-20 2023-01-10 Jfeエンジニアリング株式会社 ボルト検査装置、ボルト検査システム、ボルト検査方法及びプログラム
US11435391B2 (en) 2020-01-22 2022-09-06 Nanya Technology Corporation Dual-sided wafer imaging apparatus and methods thereof
CN111462038A (zh) * 2020-02-26 2020-07-28 东莞理工学院 一种基于深度学习的风机齿轮缺陷检测方法
CN111429415B (zh) * 2020-03-18 2020-12-08 东华大学 基于网络协同剪枝的产品表面缺陷高效检测模型构建方法
KR102168724B1 (ko) * 2020-04-06 2020-10-22 이교혁 이미지 검사를 이용한 이상 판별 방법 및 장치
US12020417B2 (en) * 2020-04-24 2024-06-25 Camtek Ltd. Method and system for classifying defects in wafer using wafer-defect images, based on deep learning
JP7446156B2 (ja) * 2020-05-21 2024-03-08 三菱電機株式会社 半導体装置、電力変換装置、半導体装置の検査方法、半導体装置の製造方法、学習装置および推論装置
TWI777173B (zh) * 2020-06-01 2022-09-11 汎銓科技股份有限公司 人工智慧辨識之半導體影像量測方法
KR102302540B1 (ko) * 2020-07-06 2021-09-16 한국생산기술연구원 데이터 페어 생성 기술을 이용한 딥러닝 기반 제품 결함 검사 시스템 및 방법
JP7527162B2 (ja) * 2020-09-08 2024-08-02 株式会社Screenホールディングス 教師データ作成支援装置、教師データ作成支援システムおよび教師データ作成支援方法
KR102671246B1 (ko) 2020-09-18 2024-06-03 세메스 주식회사 기판 처리 장치 및 기판 공정 처리의 정상 여부 판단 방법
JP7393313B2 (ja) * 2020-09-29 2023-12-06 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
US12019032B2 (en) * 2020-12-07 2024-06-25 Nanya Technology Corporation Electronic system and method of specimen qualification
JPWO2022130762A1 (ja) 2020-12-15 2022-06-23
JP7563665B2 (ja) * 2021-01-26 2024-10-08 日東電工株式会社 検査システム、検査方法及び検査プログラム
KR102582008B1 (ko) * 2021-02-15 2023-09-22 호서대학교 산학협력단 검사 장치 및 그 제어 방법
KR102315935B1 (ko) * 2021-02-23 2021-10-22 양진석 복수의 칩 이송 장치 및 복수의 칩 이송 방법
CN113032919B (zh) * 2021-03-12 2022-03-04 奥特斯科技(重庆)有限公司 部件承载件制造方法、处理系统、计算机程序和系统架构
KR102366032B1 (ko) * 2021-03-25 2022-02-23 데이터크러쉬 주식회사 머신러닝에 기반하여 자동 증강된 회로 기판 이미지를 학습함으로써 회로 기판 불량 여부를 판별하는 방법 및 이를 이용한 컴퓨팅 장치
JP2024102390A (ja) * 2021-06-03 2024-07-31 コニカミノルタ株式会社 検査装置、検査方法、および検査プログラム
JP2023038863A (ja) * 2021-09-07 2023-03-17 株式会社ディスコ 検査装置、剥離装置及び学習済みモデルの生成方法
JP7614058B2 (ja) * 2021-09-15 2025-01-15 株式会社日立ハイテク 欠陥検査システム及び欠陥検査方法
TWI839650B (zh) * 2021-10-25 2024-04-21 美商學觀有限責任公司 基於數位資料的評分裝置及方法
KR102666787B1 (ko) * 2021-11-03 2024-05-17 (주)플레이오니 인공지능을 이용한 결함 검사방법, 장치 및 프로그램
KR20230081363A (ko) 2021-11-30 2023-06-07 삼성전자주식회사 딥러닝 기반 반도체 소자의 디펙 검출 방법 및 그 디펙 검출 방법을 포함한 반도체 소자 제조방법
WO2023106157A1 (ja) * 2021-12-10 2023-06-15 東京エレクトロン株式会社 基板検査方法、基板検査プログラム、及び基板検査装置
CN114199892B (zh) * 2021-12-10 2022-11-18 江苏雷默智能科技有限公司 一种基于机器视觉的板材测量方法及系统
JP2023133939A (ja) * 2022-03-14 2023-09-27 東レエンジニアリング株式会社 欠陥分類装置
JP7240780B1 (ja) 2022-10-04 2023-03-16 株式会社 システムスクエア 検査装置
US20240303794A1 (en) * 2023-03-08 2024-09-12 UnitX, Inc. Combining defect neural network with location neural network
JP7491427B1 (ja) 2023-03-15 2024-05-28 日本電気株式会社 印刷物検査装置、印刷物検査方法、プログラム
CN116385375B (zh) * 2023-03-17 2023-10-20 银河航天(北京)网络技术有限公司 基于遥感图像的森林缺陷区域检测方法、装置及存储介质
CN116051564B (zh) * 2023-04-02 2023-06-16 广东仁懋电子有限公司 芯片封装缺陷检测方法和系统
CN116703921B (zh) * 2023-08-07 2023-12-05 东莞市溢信高电子科技有限公司 一种柔性线路板表面镀层质量检测方法
CN117173188B (zh) * 2023-11-03 2024-01-26 泸州通鑫显示科技有限公司 一种玻璃瘢痕识别方法
CN117409001B (zh) * 2023-12-14 2024-04-05 合肥晶合集成电路股份有限公司 一种晶圆键合的气泡分析方法及分析装置
CN117636077B (zh) * 2024-01-25 2024-04-02 高视科技(苏州)股份有限公司 缺陷检测参数调整方法、电子设备和储存介质

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004294360A (ja) 2003-03-28 2004-10-21 Hitachi High-Technologies Corp 欠陥分類方法及び装置
JP2005274285A (ja) 2004-03-24 2005-10-06 Olympus Corp 欠陥分類辞書教示装置
JP2007225531A (ja) 2006-02-27 2007-09-06 Hitachi High-Technologies Corp 欠陥観察方法及びその装置
JP2008281580A (ja) 2008-06-26 2008-11-20 Olympus Corp 欠陥分類装置
JP2011174757A (ja) 2010-02-23 2011-09-08 Tokyo Electron Ltd 欠陥検査方法、プログラム、コンピュータ記憶媒体及び欠陥検査装置
JP2012026982A (ja) 2010-07-27 2012-02-09 Panasonic Electric Works Sunx Co Ltd 検査装置
US20160163035A1 (en) 2014-12-03 2016-06-09 Kla-Tencor Corporation Automatic Defect Classification Without Sampling and Feature Selection
JP2017062677A (ja) 2015-09-25 2017-03-30 株式会社Screenホールディングス 分類器構築方法、画像分類方法、分類器構築装置および画像分類装置
JP2018005640A (ja) 2016-07-04 2018-01-11 タカノ株式会社 分類器生成装置、画像検査装置、及び、プログラム

Family Cites Families (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPWO2001041068A1 (ja) * 1999-11-29 2004-01-08 オリンパス光学工業株式会社 欠陥検査システム
JP4516253B2 (ja) * 2001-12-04 2010-08-04 オリンパス株式会社 欠陥分類装置
JP2007194262A (ja) * 2006-01-17 2007-08-02 Olympus Corp 欠陥判定システムおよび基板処理システム
JP5156452B2 (ja) 2008-03-27 2013-03-06 東京エレクトロン株式会社 欠陥分類方法、プログラム、コンピュータ記憶媒体及び欠陥分類装置
JP2009281836A (ja) * 2008-05-21 2009-12-03 Olympus Corp 基板観察装置、基板観察方法、制御装置、およびプログラム
JP5553716B2 (ja) * 2010-09-15 2014-07-16 株式会社日立ハイテクノロジーズ 欠陥検査方法及びその装置
JP5566265B2 (ja) * 2010-11-09 2014-08-06 東京エレクトロン株式会社 基板処理装置、プログラム、コンピュータ記憶媒体及び基板の搬送方法
JP2014115245A (ja) * 2012-12-12 2014-06-26 Tokyo Electron Ltd 基板の欠陥検査方法、基板の欠陥検査装置、プログラム及びコンピュータ記憶媒体
JP6527808B2 (ja) * 2015-10-27 2019-06-05 株式会社ニューフレアテクノロジー 検査方法および検査装置
JP6643072B2 (ja) * 2015-12-10 2020-02-12 キヤノン株式会社 顕微鏡システムおよびその制御方法
US10282588B2 (en) * 2016-06-09 2019-05-07 Siemens Healthcare Gmbh Image-based tumor phenotyping with machine learning from synthetic data
US10395362B2 (en) * 2017-04-07 2019-08-27 Kla-Tencor Corp. Contour based defect detection
KR20190051395A (ko) * 2017-11-06 2019-05-15 삼성전자주식회사 피검사 장치의 검사 시스템 및 방법
US10885659B2 (en) * 2018-01-15 2021-01-05 Samsung Electronics Co., Ltd. Object pose estimating method and apparatus
US11087449B2 (en) * 2019-10-24 2021-08-10 KLA Corp. Deep learning networks for nuisance filtering

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004294360A (ja) 2003-03-28 2004-10-21 Hitachi High-Technologies Corp 欠陥分類方法及び装置
JP2005274285A (ja) 2004-03-24 2005-10-06 Olympus Corp 欠陥分類辞書教示装置
JP2007225531A (ja) 2006-02-27 2007-09-06 Hitachi High-Technologies Corp 欠陥観察方法及びその装置
JP2008281580A (ja) 2008-06-26 2008-11-20 Olympus Corp 欠陥分類装置
JP2011174757A (ja) 2010-02-23 2011-09-08 Tokyo Electron Ltd 欠陥検査方法、プログラム、コンピュータ記憶媒体及び欠陥検査装置
JP2012026982A (ja) 2010-07-27 2012-02-09 Panasonic Electric Works Sunx Co Ltd 検査装置
US20160163035A1 (en) 2014-12-03 2016-06-09 Kla-Tencor Corporation Automatic Defect Classification Without Sampling and Feature Selection
JP2017062677A (ja) 2015-09-25 2017-03-30 株式会社Screenホールディングス 分類器構築方法、画像分類方法、分類器構築装置および画像分類装置
JP2018005640A (ja) 2016-07-04 2018-01-11 タカノ株式会社 分類器生成装置、画像検査装置、及び、プログラム

Also Published As

Publication number Publication date
KR20190088013A (ko) 2019-07-25
US20200402225A1 (en) 2020-12-24
US10818004B2 (en) 2020-10-27
TWI798329B (zh) 2023-04-11
US11636585B2 (en) 2023-04-25
TW201932827A (zh) 2019-08-16
JP2019124591A (ja) 2019-07-25
CN110047770B (zh) 2024-07-02
KR102730800B1 (ko) 2024-11-18
CN110047770A (zh) 2019-07-23
US20220101517A1 (en) 2022-03-31
US11227381B2 (en) 2022-01-18
US20190220972A1 (en) 2019-07-18

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
US11947890B2 (en) Implementation of deep neural networks for testing and quality control in the production of memory devices
US10853932B2 (en) Method of defect detection on a specimen and system thereof
KR101934313B1 (ko) 검사 이미지들 내에서 결함들을 검출하기 위한 시스템, 방법 및 컴퓨터 프로그램 제품
US8045789B2 (en) Method and apparatus for inspecting defect of pattern formed on semiconductor device
JP5225297B2 (ja) ウエハー上に形成されたダイに於けるアレイ領域の認識方法、ならびに係る方法の設定方法
JP5624326B2 (ja) ウェーハ上に形成されたアレイ領域のための検査領域のエッジを正確に識別する方法、及び、ウェーハ上に形成されたアレイ領域に検知された欠陥をビニングする方法
CN109919908B (zh) 发光二极管芯片缺陷检测的方法和装置
TWI855263B (zh) 用於選擇用於對樣品執行程序的工具之一模式的系統及電腦實施之方法以及相關的儲存程式指令之非暫時性電腦可讀媒體
CN112561852B (zh) 图像判断装置和图像判断方法
TW202242390A (zh) 缺陷檢查裝置、缺陷檢查方法以及製造方法
TWI822968B (zh) 濾色器檢查裝置、檢查裝置、濾色器檢查方法及檢查方法
JP2020106461A (ja) 画像生成装置及び外観検査装置
JPWO2018163572A1 (ja) 画像処理システム、画像処理装置、画像処理方法及び画像処理プログラム
WO2020080250A1 (ja) 画像処理装置、画像処理方法、及び画像処理プログラム
TW202338745A (zh) 檢查系統、教師資料生成裝置、教師資料生成方法以及程式
CN118037619A (zh) 缺陷检测方法、装置、设备、系统及存储介质
CN115222017A (zh) 对确定图像中的预定点的机器学习方法进行训练的方法和系统
KR102610783B1 (ko) Cad 영상을 활용한 전처리가 구현된 딥러닝 검사시스템
CN117788452A (zh) 用于检测晶圆背侧上的缺陷的方法和装置

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20201104

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20201204

RD02 Notification of acceptance of power of attorney

Free format text: JAPANESE INTERMEDIATE CODE: A7422

Effective date: 20201204

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20210830

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20210914

A601 Written request for extension of time

Free format text: JAPANESE INTERMEDIATE CODE: A601

Effective date: 20211111

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20211227

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20220510

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20220523

R150 Certificate of patent or registration of utility model

Ref document number: 7087397

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250