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 PDFInfo
- 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
Links
Images
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
- G06T7/0006—Industrial image inspection using a design-rule based approach
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
- H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
- H01L21/67—Apparatus 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
- H01L21/67005—Apparatus not specifically provided for elsewhere
- H01L21/67242—Apparatus for monitoring, sorting or marking
- H01L21/67271—Sorting devices
-
- 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
- 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
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
- G06T7/001—Industrial image inspection using an image reference approach
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
- H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
- H01L21/67—Apparatus 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
- H01L21/67005—Apparatus not specifically provided for elsewhere
- H01L21/67242—Apparatus for monitoring, sorting or marking
- H01L21/67288—Monitoring of warpage, curvature, damage, defects or the like
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
- H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
- H01L22/10—Measuring as part of the manufacturing process
- H01L22/12—Measuring 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
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
- H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
- H01L22/30—Structural arrangements specially adapted for testing or measuring during manufacture or treatment, or specially adapted for reliability measurements
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B2210/00—Aspects not specifically covered by any group under G01B, e.g. of wheel alignment, caliper-like sensors
- G01B2210/56—Measuring geometric parameters of semiconductor structures, e.g. profile, critical dimensions or trench depth
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20076—Probabilistic image processing
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
- G06T2207/20132—Image cropping
-
- 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)
- 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
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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)2+4Axy2}1/2 ]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)2+4Axy2}1/2 ]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)2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。
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。
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。
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。
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。
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。
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)
- 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。 - 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。
- 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。
- 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。
- 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。 - 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。
- 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。
- 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。 - 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8記載の基板の欠陥検査方法。
- 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8または9に記載の基板の欠陥検査方法。
- 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8ないし10のいずれか一項に記載の基板の欠陥検査方法。
- 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8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。
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)
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)
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)
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 |
-
2018
- 2018-01-17 JP JP2018005584A patent/JP7087397B2/ja active Active
-
2019
- 2019-01-10 TW TW108100931A patent/TWI798329B/zh active
- 2019-01-11 KR KR1020190003651A patent/KR102730800B1/ko active Active
- 2019-01-15 US US16/248,329 patent/US10818004B2/en active Active
- 2019-01-17 CN CN201910043684.6A patent/CN110047770B/zh active Active
-
2020
- 2020-09-08 US US17/014,556 patent/US11227381B2/en active Active
-
2021
- 2021-12-09 US US17/546,888 patent/US11636585B2/en active Active
Patent Citations (9)
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 |