CN101918818A - 检测图案误差的方法和装置 - Google Patents
检测图案误差的方法和装置 Download PDFInfo
- Publication number
- CN101918818A CN101918818A CN2008801234127A CN200880123412A CN101918818A CN 101918818 A CN101918818 A CN 101918818A CN 2008801234127 A CN2008801234127 A CN 2008801234127A CN 200880123412 A CN200880123412 A CN 200880123412A CN 101918818 A CN101918818 A CN 101918818A
- Authority
- CN
- China
- Prior art keywords
- image
- pattern
- error
- defective
- displacement
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
- G01N21/956—Inspecting patterns on the surface of objects
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/30—Measuring arrangements characterised by the use of optical techniques for measuring roughness or irregularity of surfaces
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Immunology (AREA)
- Health & Medical Sciences (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Pathology (AREA)
- Analytical Chemistry (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Image Processing (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
提供了用于与更精确的图案和作为结果的器件的制造和生产相关的质量控制和检测误差的方法和装置。所述图案或器件可以包括在显示应用中使用的图案,所述显示应用例如TFT-LCD、OLED、SED、PDP、FED、LTPS-LCD以及使用至少部分循环的图案的类似显示技术。
Description
优先权声明
此非临时专利申请要求2007年11月12日提交到美国专利与商标局的临时美国专利申请No.60/987,186在35U.S.C.§119(e)之下的优先权,并且其完整内容被通过引用而合并到这里。
背景技术
传统地,用于循环图案的芯片块到芯片块(die-to-die)检查包括比较参考图像与要检查的图案的一部分(例如,像素或其它重复图案单元)的所记录的图像。美国专利No.5,640,200中描述了该方法的示例。在该传统方法中,基于多个测试图像创建“黄金模板”,并稍后将该“黄金模板”与测试图像比较。
可以用多种方法创建参考图像,例如平均来自整个图案的不同部分的许多图像、从数据计算参考图像等等。但,例如,参考图像与图案的所记录部分之间的比较精度由于与该参考图像的创建相关的误差而受到限制。
其它用于检测图案中的重复图案单元或重复图案单元组之间的误差的芯片块到芯片块检查的传统方法包括将来自于完整图案的不同部分的不同像素或其它重复图案单元互相进行比较。
另一传统方法包括比较图案的相同部分的多个图像,其中每个图像在不同条件下由相同成像获取单元记录。美国专利No.6,298,149中描述了该传统方法的例子。在该传统方法中,图案的第一图像和该相同图案的第二图像被产生,并且将第二图像从第一图像中减去来识别图像中的误差。
然而,这些传统方法具有某些缺陷和大量误差源。例如,如果两个图像获取单元(例如,电荷耦合器件(CCD)照相机、互补金属氧化硅(CMOS)照相机、扫描线***等)被并行使用,并且比较来自这些单元的图像,则由各个照相机的校准、各个光学器件和/或各个电子器件导致的赝像降低了真正的误差(例如,CD误差)可以被确定的精度。由多个照相机记录的图像之间的差别不仅取决于实际图案中的差别,还取决于使用两个不同照相机的事实。而且,从工件的不同部分获得多个记录的图像的事实可以限制可确定差别的精度。例如,如果对于两个不同的位置,反射率和透射率不同,则所述图像在被比较时可被感知为不同,即使所述两个位置在检查时基本相同,也是如此。
即使当一个成像获取单元被用来记录工件上不同位置或不同时刻的多个图像时,误差检测的精度也被降低。例如,如果工件的透射率或反射率在工件的不同位置处不同,或者光照条件随着时间变化,则两个图像之间的比较质量受损。
当具有基本相同的图案部分的两个图像在不同条件下(例如,光照、极化(polarization)、时间戳等)被记录时,图像记录之间的条件和时间的改变使误差检测的精度恶化。
在参考图像被用于比较的情况下,参考图像的质量较重要。如果这样的图像是通过平均来自图案内的许多位置的图像而创建的,则例如在被透射或被反射的光的量上的差别破坏参考图像,这降低了可确定重复图案单元之间的差别的精度。
一种本质上循环的误差称为Mura缺陷。Mura缺陷定义为与环境不同或反常的照明区域。用于在完成的显示模块中或在单元格(cell)组装之后检测Mura缺陷的许多传统方法已被公知。例如,美国专利No.5,917,935描述了用于检测平板显示器上的Mura缺陷的方法。在该传统方法中,获取完成的模块的高质量图像,并且分析照明的差别来检测和分类不同类型的Mura缺陷。然而,该传统方法在制造过程后期检测Mura。在制造过程的后期而不是前期检测误差不可避免地导致成本的增加,这由于在每个制造步骤中增加的产品价值。
例如,用以检测Mura缺陷或误差的对光掩膜(photomask)的检查通常通过一般以倾斜角度从后侧或前侧用外部光源照射光掩膜而进行。然后,反射或透射的散射光直接或间接地经由光获取***被人眼检测,来检测理想均匀光中的不均匀或差异。
因为手动检查是器官感觉的,因此它的使用导致Mura质量控制的不确定性,这是因为该传统方法非常主观,并且不同的个体不同地感知Mura缺陷的外观和严重性。而且,例如灯光强度、视角、环境、图案设计等的特性限制了获得客观结果的潜力。
日本专利JP 10-300447A(1998)公开了上文刚提到的方法的自动化变型。在该传统方法中,使用时间延迟和积分(TDI)传感器检测Mura缺陷,该TDI传感器代替人眼检测从图案边缘散射的光。然而,该传统方法在涉及到分类所检测的缺陷的不同误差源和导致缺陷的误差尺寸时也受到限制。此外,使用该传统方法检测与所述循环图案的边缘接近的循环图案部分可能相当困难或不可能。
然而,即使JP 10-300447A(1998)中描述的装置能够检测Mura缺陷,该装置也不能在质量上评价Mura缺陷,因此不能将需要进一步检查的Mura缺陷与不需要进一步检查的Mura缺陷区分。该传统装置也不能基于其强度而在数量上评价Mura缺陷。美国专利申请公布No.2005/0271262公开了处理该限制的传统校准方法。
在美国专利申请公布No.2005/0271262中,具有已知特性和类型的Mura缺陷的预定图案(校准板)被检查来建立设置(set-up)的灵敏度(Mura缺陷检查装置的检测灵敏度)。该检测灵敏度由光接收器和分析器件来确定。通过该Mura缺陷检查装置检测Mura缺陷检查掩膜中的伪Mura缺陷,来确定灵敏度是否足够。前面所提的传统方法或其变型是在数量上检测Mura的次优化方法,这是因为它们依赖于器官感觉的判定或校准板的使用。
此外,如全局差别(例如,要检查的工件的反射率和透射率上的差别)、图案检测的边缘问题、光照机构的角度误差、光照稳定性、检测精度对图案的高依赖性等的误差源使Mura检测的质量恶化。
因为Mura传统上通过眼睛或例如CCD照相机的光强测量器件来检测,因此Mura缺陷可能在“亮掩膜(bright mask)”(例如,具有相对高的反射/透射光比的掩膜)中很难检测。两个掩膜上的相同的位置误差或关键维度(dimension)(CD)误差将具有不同的可见度,因此被不同地判定。
在一个示例中,考虑包括测量为约9μm的不透明线和不透明线之间的测量为约1μm的间隔(例如,间距10μm)的图案,如图1所示,其透射率约为10%。通过引入约50nm的误差(例如,一个间隔变为约1.05μm),对于该图案的所述部分的透射率变为约10.5%。该图案的所述部分中的透射率与该图案的剩余部分的透射率之间的比(例如,对比度)变为约5%。该误差将清晰可见。
然后考虑包含测量为约1μm的不透明线和不透明线之间的测量为约9μm的间隔(例如,间距10μm)的另一个图案,其透射率变为约90%。通过引入约50nm的相同误差(例如,一个间隔变为约9.05μm),该图案的所述部分的透射率变为约90.5%。在该情况下,对比度仅变为约0.5%。在该相对基本的例子中,仅基于图案的极性(polarity),相同的误差的可见度降低了约10倍。如果可见度是非线性的,则因此特定误差的可见度将甚至更受影响。
阐述不同图案之间的可见度差别的另一个方法在图2中描述,其中示出了两个不同的图案A和B。在两个图像中均引入了相同的误差,但识别图案A中的变化比图案B中的变化更易可见和可探测,图案A中的误差引起了更高的透射率变化。
因此,在该示例中,由具有恒定或基本恒定的间距的循环图案中误差的出现所引起的可见度取决于明场和暗场之间的比或图案极性。换句话说,基本(base)透射、反射或其它影响可见度的特性高度影响哪个Mura缺陷可被检测的精度。这通常导致:即使存在将破坏模板、光掩膜、衬底晶片等的案例检测中的最终器件的误差,正被判定的图案也可接受。Mura缺陷检测能力取决于正被检查的图案。
当使用传统CCD或类似的循环传感器器件来检查循环图案时的另一个问题是正被检查的循环图案和CCD上的***间距(各个传感器之间的距离)之间的拍(beating)在所记录的图案上产生莫尔(moiré)。当检测记录的图案中的Mura缺陷时,这使得分析步骤变复杂。
传统CCD照相机可能具有类似于平板显示器的构造。照相机中的每个像素通过输出电信号(以电压)响应于光,该电信号与入射在照相机像素上的光量成比例。照相机像素包括不响应于光的边界。每个像素互相间均匀间隔以形成二维周期图案。像素的图案形成光强度的离散采样点,其定义了刺射(impinging)在CCD照相机上的图像。
通过照相机像素的图像的离散采样创建干涉图案,其公知为莫尔干涉。该干涉图案是CCD照相机创建的图像电压信号的周期调制。调制的周期是CCD像素和平板像素的图案的周期的函数。图像的周期调制经常阻碍检查***检测和表征出现在平板显示器上的真正缺陷的能力。该真正缺陷也调制信号,但本质上不趋于周期的。
已提出降低莫尔赝像的一些传统方法。例如,美国专利No.7,095,883公开了一种记录包括莫尔图案的多个图像的方法。所述图像被组合来形成包括莫尔图案的参考图像,并且该参考图像与样本图像组合来抑制莫尔图案以形成测试图像。
用于降低记录的图像中的莫尔效应的传统方法在例如美国专利NO.7,095,883中描述。在该传统方法中,莫尔赝像的抑制通过创建参考莫尔图像(通过组合许多记录的图案图像)以及接着从在检查阶段期间拍摄的样本图像中除去该参考图像而进行。
美国专利No.5,764,209公开了克服循环图像传感器和循环图案之间的失配的影响的传统方法。这些传统方法包括在每个图像中使用有限数量的传感器元件和使用大量图像,通过平均在不同位置的大量记录的图像以及过滤所记录的图像来去除特定拍频。
其它用于处理莫尔的破坏性出现的传统方法在美国专利No.5,764,209中被公开。在该示例中,来自在不同位移的位置处记录的大量图像的强度被抵消。在该示例中,所记录的图像是照相机位移的而不是图案位移的。
发明内容
示例实施例涉及用于与更精确的图案和作为结果的器件的制造和生产相关的质量控制和检测误差的方法和装置。所述图案或器件可以包括显示应用中使用的图案,所述显示应用例如薄膜晶体管液晶显示器(TFT-LCD)、有机发光二极管(OLED)、表面传导电子发射显示器(SED)、等离子显示板(PDP)、场致发射显示器(FED)、低温多晶硅LCD(LTPS-LCD)以及使用至少部分循环图案的类似的显示技术。图案还可以包括诸如CCD传感器、CMOS传感器和其它传感器之类的传感器器件、或本质上为循环的(或周期的)图像拾取(获取)技术的图案。
示例实施例还涉及用于生产本质上为循环的器件的其它器件或材料的质量控制,例如,存储器(例如静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、闪存、铁电存储器、铁磁存储器等)、表征为循环图案的光学器件(例如光栅、标尺(scale)、衍射光元件(DOE)、开诺全息照片、全息图等)以及其它循环结构(例如3D结构,压***、胶印版、浮雕等)。
这些精确图案的载体(此后称为工件)可以是(但不限定于)半导体晶片、塑料材料(例如,聚对苯二甲酸乙二醇酯(PET)、聚邻苯二甲酸酯(PEN)等)、镀铬石英掩膜、柔性材料、金属等。具体的例子可以是用于显示器制造的玻璃衬底、用于光刻的光掩膜、半导体晶片、基于弹性体的模板等。
示例实施例还涉及检测至少部分循环的图案中的缺陷。这样的缺陷或误差可以定义为(但不限定于)关键维度(CD)或线宽与特定特征或特征组的预期值之间的差别、布置与特定特征或特征组的预期位置的差别、特征或特征组之间间距的差别、或者特定特征或特征组之间的形状的差别。特征的预期CD值或预期位置可以从图案设计中得到或者由图案自身定义。
示例实施例还涉及检测一个方向或平面上的循环图案或结构中的缺陷,该方向或平面具有相对于要被检查的工件的表平面的斜角和/或具有相对于用于创建该循环图案或结构的写射束的入射角、***或压辊的斜角,例如,检测具有通过压花(embossing)技术创建的循环3D结构的倾斜平面“检查表面”中的缺陷。
示例实施例还涉及芯片块到芯片块检查的方法。芯片块到芯片块检查是至少部分循环的图案中相同或至少相似的特征之间的比较。这些特征可以包括实际记录的图案单元、测量的图案单元或其它图像表示。
示例实施例还涉及(但不局限于)通常被称为Mura缺陷的误差或缺陷。Mura缺陷通过分布在工件的更大区域中,与更孤立的图案误差(例如,开路、短路、穿孔等)在性质上分开。换句话说,Mura缺陷通常不是点缺陷。使用传统检查方法,检测Mura缺陷被公知为有问题的,这是因为传统检查方法通常集中于循环图案的相对小的部分。结果,只要使用显微图案检查,Mura缺陷就可能看上去像规则排列的图案。
一旦来自图案的较大部分的区域被观察到,Mura缺陷就可以被识别为与所述图案的主要部分不同的图案部分。
当Mura缺陷存在于传感器器件或显示器件中时,可以产生灵敏度波动或显示波动,这可以降低器件性能。此外,当Mura缺陷在光掩膜或类似的制造模板的图案中产生时,Mura缺陷可能被传递到图像器件的图案中,这也降低图像器件的性能,其中所述制造模板用于制造传感器器件、显示器件或任何其它本质上为循环的器件。
示例实施例还涉及公知为莫尔赝像的问题。莫尔赝像是有关图像恶化的问题,这由通过本质上为循环的(周期的)图像记录器件记录循环图案引起。
至少一个示例实施例提供了可以相对高的精度确定循环图案中的重复特征之间的差别的方法。至少一个示例实施例还提供了在某种意义上将要被检查的图案的所记录的图像与自身相比较的方法。结果,与存储的参考图像、由于图像记录之间的时间而导致的外部条件变化、或多位置图像相关的误差源被消除。通过消除或至少降低通常折磨传统技术的误差源,该图像内比较可以实现在检测例如在各个重复图案单元之间的CD、形状和/或位置的偏差时的相对高的精度。
至少一些示例实施例还减少了依赖于图案设计的检测精度的差别。例如,根据至少一些示例实施例,图案的占空比或基本对比度不限制精度。
示例实施例不要求显示器具有识别Mura缺陷的功能,因此误差检测可以在常规器件生产流程中的上游进行。
示例实施例还涉及Mura检测。传统和现有技术的Mura检测方法具有由示例实施例处理的许多缺点。例如,这里所讨论的方法不依赖于斜入射光,而是相反,依赖相对于检查表面而垂直或基本垂直的图像获取。这使其尤其适于整个图案的精确检查而不降低接近于图案边缘的检测精度。
示例实施例还提供了以客观的和/或在数量上的方式检测Mura缺陷的各种方法,而不使用给定的或预定的校准板对不同类型的Mura缺陷分类。
示例实施例提供了用于检测Mura和/或点缺陷的方法,其中检查的图案设计中差别的影响被降低。该方法使误差检测能在周期图案的极性或占空比的较不重要或不重要的环境下执行。
示例实施例提供了在循环传感器记录中降低至少部分循环的图案的莫尔的潜在存在性的方法。
示例实施例提供了用于检测包括至少部分循环结构的工件上的偏差和/或缺陷、和/或至少部分被周期图案覆盖的工件上的偏差和/或缺陷的方法和装置。
示例实施例提供了用于通过将误差/缺陷检测主要基于来自与它们自身相比较的单个图像的数据、以增加的精度检测循环图案中相对小的误差的更快、更有效和易懂的方法。
另一个示例实施例提供了用于与相对于占空比或极性的图案设计无关地检测循环图案中相对小的误差的方法。
另一个示例实施例提供了不使用参考图像、多个图像获取单元或在多于一个时间点(instance in time)记录相同图像的芯片块到芯片块的检查方法。
另一个示例实施例提供了不比较通过不同图像获取***记录的图案中的不同位置的芯片块到芯片块的检查方法。
另一个示例实施例提供了在不使用复杂过滤或边缘确定函数的情况下检测循环图案中相对小的误差的更有效方法。
另一个示例实施例提供了确定缺陷幅度的方法。
另一个示例实施例提供了可基于统计计算而检测和分类Mura和/或莫尔缺陷的方法。
另一个示例实施例融合来自可能至少部分重叠的多个图像的信息来检测Mura和/或莫尔缺陷。
另一个示例实施例结合各种Mura和/或莫尔误差的分类和/或来自在前Mura和/或莫尔产生的统计,使用多个图像来检测Mura和/或莫尔缺陷。
另一个示例实施例提供了用于提高记录的图像的质量、同时抑制和/或控制莫尔效应的方法。
附图说明
此处描述的附图仅仅为了所选示例实施而不是所有可能的实施方式的描述目的,而且非意在限制本公开的范围。
图1图示了包括测量为约9μm的不透明线和不透明线之间的测量为约1μm的间隔(例如,间距为10μm)的图案。
图2是用于图示不同图案之间的可见度差别的示例。
图3以概念形式图示了用于实现根据示例实施例的方法的图像获取器件。
图4图示了置于CCD网格上的循环图案的旋转部分。
图5示出了发射定义矩形图的光的有限数目的点源。
图6图示了实现方程(2)的解调器的模拟模型。
图7是图示根据示例实施例的用于误差检测的方法的流程图。
图8图示了示例获取的图像和差别图像。
图9图示了另一个示例获取的图像和差别图像。
图10图示了用于阐述示例的4点插值(interpolation)的虚拟网格的部分。
图11A-11D示出了当采用边缘的不同导数(derivative)对信号采样以及使用粗略的采样网格时、对于插值误差发生了什么的比较。
图12示出了用于解释旋转误差的图案的部分。
图13是示出在执行了位移操作使得仅有用信息保留在差别图像的灰色阴影区域中之后的结果的示例。
图14示出了用于解释根据示例实施例的估计间距的方法的横截面(cross section)图。
图15图示了根据示例实施例的用于误差检测的另一方法。
图16是在对由图11B中所示的横截面代表的图像在Y方向位移20.5μm之后得到的横截面。
图17示出了视频电子标准协会(VESA)定义的、用于对完成的FPD模块中的误差进行分类的平板显示器测试标准(FPDM)。
图18是根据示例实施例、在用于检测误差的方法的第一和第二位移期间发生了什么的几何表示。
图19示出了例如使用图3所示的图像获取单元在X方向捕获的一些重叠图像的示例。
图20是图示超级采样方法的示例,在该方法中,当沿着边缘时,照相机中的每个像素在传输函数的不同物理点处采样边缘。
贯穿附图的几个视图,相应的附图标记指示相应部分。
具体实施方式
下面将参照附图更全面地描述本发明的各个示例实施例,所述附图中示出了本发明的一些示例实施例。在附图中,为了清楚起见,层和区域的厚度被夸大。
本发明的详细阐述实施例在此公开。然而,这里所公开的特定结构和功能细节仅是为了描述本发明的示例实施例目的的代表。然而,本发明可以以许多可替代的形式实施,而不应该被解释为仅限于这里提出的实施例。
因此,当本发明的示例实施例能够有各种修改和不同的形式时,其实施例通过举例在附图中示出,并将在此详细描述。然而,应当理解,并非意在将本发明的示例实施例限定到公开的特定形式,而相反,本发明的示例实施例将覆盖落入本发明范围内的所有修改、等价物和替代物。贯穿附图描述,相同的数字指相同的元件。
将理解,尽管这里可以使用术语“第一”、“第二”等来描述各种元件,但这些元件不应该被这些术语限制。这些术语仅用来将一个元件和另一个元件区别。例如,第一元件可以被称为第二元件,并且类似地,第二元件可以被称为第一元件,而不偏离本发明的示例实施例的范围。正如这里所用,术语“和/或”包括一个或多个所列关联条目的任何以及所有组合。
将理解,当元件被称为正“连接”或“耦合”到另一个元件时,它可直接连接或耦合到另一个元件,或者可能存在介于其间的元件。相反,当元件被称为正“直接连接”或“直接耦合”到另一个元件时,就不存在介于其间的元件。用来描述元件之间的关系的其它词应该用类似方式解释(例如,“在......之间”和“直接在......之间”,“相邻”和“直接相邻”等)。
这里所用的术语仅是为了描述特定实施例的目的,而并非意在限制本发明的示例实施例。正如这里所用,单数形式“一个(a)”、“一个(an)”和“该(所述)”也意在包括复数形式,除非上下文明确表示其它情况。将进一步理解,当在这里使用时的术语“包括”和/或“包含”指明所述特征、整数、步骤、操作、元件和/或组件的存在,但不排除一个或多个其它特征、整数、步骤、操作、元件、组件和/或其组的出现和加入。
还应当注意,在一些可选实现中,所标注的功能/动作可不以图中所标注的顺序发生。例如,取决于所包含的功能性/动作,顺序示出的两个图事实上可基本同时执行,或者有时可以相反顺序执行。
以下描述中提供具体细节来提供对示例实施例的全面理解。然而,本领域的普通技术人员将理解,示例实施例可以在没有这些具体细节的情况下实施。例如,***可在框图中示出,以使示例实施例在不必要细节中并不难以理解。在其它情况下,公知处理、结构和技术可不在没有不必要的细节的情况下显示,来避免难以理解示例实施例。
而且,注意,示例实施例可以被描述为用流程图、流程图示、数据流图、结构图或框图描绘的处理。虽然流程图可以将操作描述为顺序处理,但许多操作可并行、并发或同时执行。另外,操作的顺序可以被重排列。处理可以在它的操作完成时被终止,但也可以具有不包括在图中的附加步骤。处理可以对应于方法、函数、进程、子例行程序、子程序等。当处理对应于函数时,它的终止可以对应于函数返回到调用函数或主函数。
另外,正如这里公开的,术语“存储介质”可以代表一个或多个用于存储数据的器件,包括只读存储器(ROM)、随机存取存储器(RAM)、磁RAM、磁芯存储器、磁盘存储介质、光存储介质、闪存器件和/或其它用于存储信息的机器可读介质。术语“计算机可读介质”可以包括(但不限定于)便携式或固定存储器件,光存储器件、无线信道和能存储、包含或携带指令和/或数据的各种其它介质。
而且,示例实施例可以通过硬件、软件、固件、中间件、微代码、硬件描述语言或它们的任意组合来实现。当用软件、固件、中间件或微代码实现时,执行必要任务的程序代码或代码段可以被存储在机器或计算机可读介质中,例如存储介质。处理器可以执行所述必要任务。
代码段可以代表进程、函数、子程序、程序、例行程序、子例行程序、模块、软件包、类,或指令、数据结构或程序语句的任何组合。代码段可以通过传递和/或接收信息、数据、自变量、参数或存储器内容而被耦合到另一代码段或硬件电路。信息、自变量、参数、数据等可经由包括存储器共享、消息传递、令牌传递、网络传送等的任何合适的方法来传递、转发或传送。
正如这里所讨论,术语“图像”是指具有一维或多维的图案或结构。例如,图像可以指获取的图案或结构的1维(1D)表示,其中,图案被描述为值的阵列。术语“图像”还可以指获取的图像的2维(2D)表示,其中,图案被描述为值的矩阵。这样的值的例子可以是强度值、维度值(例如,高度或距离)、磁特性值、电特性值或其它描述物理特性的值。图像还可以指获取的图案或结构的多维表示。例如,图像可指循环3D结构的3维(3D)表示、或3D结构的平面的2D表示,例如,包括维度值。
正如这里所讨论的,图案单元指以某频率重复它或它们自身的特征或特征组(图案的部分)。图案单元或单元图案包括循环图案或结构的一个周期的内容。根据图像获取,所述频率可以是空间频率或时间频率。
图3以概念形式图示了用于实现根据示例实施例的方法的图像获取器件。
图3中所示的图像获取器件可以是(但不限定于)例如强度测量器件,诸如照相机、椭偏仪、厚度仪、接触式探头、感应测量器件等。可以在所述图像获取器件或任何其它传统图像获取器件中实现根据示例实施例的方法。
图3中的图像获取器件可以包括布置在工件卡具(holder)708之上的图像获取单元704。工件卡具708可以支持工件706。分析器件702可以被耦合到图像获取单元704。
在至少一个示例实施例中,图像获取单元704可以是CCD照相机。CCD704可以包括CCD像素阵列或矩阵,所述像素是排列在阵列矩阵中的模拟传感器组。每个传感器测量射到该传感器的有效表面的光量。如果将CCD阵列置于一些光收集光学器件之后(例如,如在照相机中)的像平面中,则该阵列中的每个传感器测量图案或结构的一部分。所有传感器一起提供了像平面中(例如,所述传感器所置的地方)的模拟图像的近似。
因为CCD阵列包括有限数目的传感器,并且可以将每个传感器输出量化为有限数目的离散水平,所以使用CCD阵列获取的图像会遭受分辨率和/或灰度级恶坏。
可以将由CCD 704捕获的模拟图像输出到分析器件702。分析器件702处理从CCD 704输出的数据。分析器件702可以是一组用于图像获取的硬件和/或固件。图像获取单元704可以是传感器,诸如CCD阵列、TDI传感器或任何其它用于记录或获取图像的传感器。分析器件702还可以包括用于更高级分析功能的软件。可以计算机或类似的处理器件的形式来实现分析器件702。因为图像获取单元和分析器件在本领域为公知,因此省略详细讨论。
示例实施例提供了用于检测循环图案中的不同误差的方法。例如,可以被检测的误差包括偏移、CD和/或形状误差。取代如在传统技术中应用用于检测图像中的边缘布置的模型,根据示例实施例的方法同时或并发地使用图像中所有或基本上所有的可用边缘信息。在使用CCD或其它光测量器件的情况下(例如,如图3中),测量的光强度的差别被用于检测和量化误差,从而避免使用如在传统技术中的、用于确定边缘的几何布置的相对复杂且误差敏感的边缘布置算法。
通常,当由CCD获取图案的图像时,该图案旋转。图4图示了置于CCD网格上的循环图案的旋转部分。图4中所示的多个矩形表示较大循环图案的部分。在该示例中,图案被旋转并且并非完美地置于CCD网格上。换句话说,图案在CCD网格上摇摆(roll)。
当发生图案旋转时,图像中的边缘并非与图4中一样尖锐。获取的图像的边缘的“尖锐度”取决于光学***的分辨率(点扩散函数(PSF))和对焦。当在图像获取期间、PSF相对较大或光学***没有对焦时,包含布置信息的边缘可以在几个CCD像素上模糊开(smear out)。当包含布置信息的边缘模糊开或扩散开时,沿着边缘的几个像素包括边缘相对于CCD网格而在哪里的信息。如果***的光学分辨率或焦点固定,和/或增加CCD阵列像素的数目,则包含边缘信息的像素数目增加。
如果假定光学***具有无限高的分辨率,则图案可以类似图4中所示的图案的部分。这是理想情况。在该示例中,从无光到有光的转变仅影响CCD上沿着边缘的一个像素。在该相对不真实的情况下,通过检验被边缘影响的像素的灰度值而实现在CCD网格中的边缘位置的相对良好的估计。用于估计CCD像素中的边缘位置的相对简单的公式由如下所示的方程(1)给出。
EDGE_POSITION=(I(PIXEL)/MAX_INTENSITY)*CCD_GRID (1)
在方程(1)中,I(PIXEL)是给定像素的测量强度,MAX_INTENSITY是整个图像中的最大强度,以及CCD_GRID是重新计算到nm量级的CCD的网格。通过图像获取***的光学放大率和CCD中某方向上的像素数目来设置网格CCD_GRID。在传统放大的图像中,可以使用700nm/像素的分辨率。方程(1)中的EDGE_POSITION是边缘相对于重新计算到nm量级的CCD网格的位置。
另一方面,如果假定光学***的更真实的传输函数,则需要来自在所有方向上沿着边缘的几个像素的信息来估计边缘位置。
实际上,像平面中的点上的光是所有围绕该点的光的和。图5示出了发射出定义矩形图的光的有限数目的点源。如果图案的形状被损害,则射到CCD阵列上的每个像素的光是来自几个点源(实际上其是无限数目)的光的和。该和(光子数目)仅取决于距源的距离以及光学***的实际传输函数(例如,点扩散函数(PSF))。
单位移方法
1D情况
至少一个示例实施例提供了用于检测在1D循环图案中的误差的方法,其中,位移一次获取的图像并且然后将其与其自身比较,来检测图像中的误差。可以使用包含TDI传感器或CCD照相机的检测的扫描部件(例如,在转让给Micronic激光***AB公司(Micronic Laser Systems AB)的美国专利申请No.10/587482、11/623174和11/919219中所描述的注册(registration)测量工具)来获取1D循环图案。
当使用扫描射束在探测器上记录循环图案时,时域上的循环信号是所期望的结果。该信号可以相对于其本身位移(例如,延迟)某一时间间隔,以便检测与所获取的图案的期望循环行为的偏差。
在数学上,此时间位移可以通过如下所示的方程(2)描述。
I_DIFF(PIXEL)=I(PIXEL+PITCH)-I(PIXEL) (2)
方程(2)表示两个偏移(PITCH)开的像素之间的强度差。在方程(2)中,I(PIXEL)是图像在某一像素或网格地址上的强度。PITCH是在两个像素单元间的像素数目上的偏移,或者换句话说,图案的两个相同部分之间的偏移。因此,I(PIXEL+PITCH)是从像素PIXEL远离多个(PITCH数目)像素的像素处的强度。此外,I_DIFF(PIXEL)是像素I(PIXEL+PITCH)和I(PIXEL)之间的强度差。
更一般地,方程(2)可以被重写为以下所示的方程(3),其中N是不等于0的正或负整数。
I_DIFF(PIXEL)=I(PIXEL+N*PITCH)-I(PIXEL) (3)
图6图示了实现方程(2)的解调器的模拟模型。如果将图6中所示的延迟602调整为输入信号的一个或多个周期,则可以抑制载波频率,并且如果输入与延迟的输入之间有差别,则可看到不等于0的输出。
图6图示了在1D方法中将信号与其自身比较的时域效应。如所示的,在空域中比较虚拟网格中的两个不同像素。
如果在图像中没有出现误差,则所述像素之间的比较的结果为0。另一方面,如果所述像素之间有差别,则误差被检测为正或负差别。在信号方面,误差对应于来自比较器604的正或负的输出信号。重要的是偏移(PITCH)大于0。
2D情况
另一个示例实施例提供了用于在2D图像中的误差检测的方法。图7是图示根据示例实施例的误差检测方法的流程图。可以由图3中所示的图像获取器件来执行图7中所示的方法,并且为了清楚起见将如此描述。
参照图7,在S1202,图像获取单元704获取或记录至少一部分循环图案,并且将所记录的图像发送到分析器件702。此图像Image1可以被描述为二维像素地图(map),其中,由表示给定像素位置的所获取的图案特性的值来描述所有像素。
如果图像获取单元704是CCD(或任何其它图像获取器件),则所记录的图案特性可以是强度,并且二维像素地图可以对应于CCD传感器矩阵。
像素地图可以位于延伸到该像素地图外的虚拟网格中。虚拟网格的一部分在图10中所示,下文将更详细描述其。在该虚拟网格中,可以自由放置从所获取的图像计算出的后续图像。根据示例实施例,参考像素始终在网格上,因为例如上述方程(3)中的“PIXEL”始终是整数。“PITCH”是浮点数。因此,示例实施例比较网格上的像素与不在网格上的像素。
仍然参照图7,在S1204,分析器件702在虚拟网格中将所记录的图像Image1相对于其自身位移某一距离,来产生位移的图像Image2。换句话说,重计算所记录的图像Image1,以产生新的图像Image2,其具有在虚拟网格中的不同位置发现图案特性(例如,真实的或经插值的图案特性)的表示。
在该操作中,如果位移距离不是所记录的图像Image1中的像素的倍数、而是循环图案中的两个特征之间的真实距离(或投影距离),则插值会是必要的。
仍参照图7,在S1206,分析器件704从所位移的图像Image2中减去所获取的图像Image1,来产生差别图像Image3。差别图像Image3是包含有关该循环图像的各个部分之间的差别的信息的差别图像。可以作为中间步骤而计算所位移的图像Image2的产生,或者所位移的图像Image2的产生可以被包括在差别图像Image3的计算中。
如果图像获取单元704是CCD,则第一差别图像Image3的产生的数学解释可以由如下所示的方程(4)描述。
IDIFF(x,y)=I(x+i*X_PITCH,y+j*Y_PITCH)-I(x,y) (4)
在方程(4)中,x是X方向上的像素指数,y是Y方向上的像素指数,X_PITCH是CCD上的X方向上的图案间距,Y_PITCH是CCD上的Y方向上的图案间距,“i”是定义X间距数目的整数,j是定义Y间距数目的整数,I(x,y)是所获取的图像(Image1)的像素(x,y)的强度,以及IDIFF(x,y)是差别图像(Image3)的像素(x,y)的强度。
仍然参照图7,在S1208,分析器件702可以执行对差别图像Image3的误差分析。如上文所注,分析器件702可以是包括用于从差别图像Image3中的黑色水平确定差别的误差分析软件的计算机。如上文所述,如果所获取的图像Image1和所位移的图像Image2相同,则差别图像Image3为完全黑色。因为所获取的图像Image1和所位移的图像Image2实际上是与其自身比较而相同的图像,所以差别图像Image3中的差别(正或负)揭示了所获取的图像Image1中的误差。因为大部分所获取的图像Image1不包含任何误差,因此在差别图像Image3中的大部分信息将是黑色像素。仅分析差别图像Image3中的不为黑色的像素。因此,示例实施例提供了用以减少需要被分析的数据的更高效的方法。
分析器件702可以使用不同方法将差别图像Image3中的差别转换到像素尺度(scale)上的误差。一种方法是调整方程(4)中的Y_PITCH和X_PITCH参数,以获得最小的IDIFF。因为图案的真实间距已知,因此已知间距和调整的间距之间的差别是像素尺度上的误差的量度。还存在用于将误差信号(其实际上在DAC单元中)变换到像素域中的误差的其它方法。使用不同的数学模型是可以执行该标度(scaling)的方法的另一示例。
在所记录的图像Image1中不存在误差、并且用以产生第一位移图像Image2而执行的位移正好是一个图案间距或者图案间距的倍数(例如,该循环图像的一个全周期或多个周期)的理想情况下,作为结果的差别图像Image3为“0”;即,在所记录的图像Image1和所位移的图像Image2重叠的位置处,所有强度都为0。
不管例如极性、占空比等的图案特性,都可以获得相同的结果(0变化的理论基准水平)。结果,可以认为根据至少该示例实施例的方法是自正则的(self-normalized)。如这里所讨论的,自正则指:如果存在误差,则不管循环图案的特性,其都将具有相同的或基本相同的幅度。
根据至少该示例实施例,如果虚拟网格是在X和Y维度上的2D网格,则可以在X或Y方向上、或者在这两个矢量之间的任何角度或方向上执行上文所提的位移。位移的长度或距离可以约为该图案的空间频率的一个周期、或多个周期。也可以自由地或任意地选择位移的距离。
图8图示了示例获取的图像Image1和差别图像Image3。如所示的,在该示例中,通过在虚拟笛卡尔网格的X方向上位移所记录的图像Image1、并从所记录的获取图像Image1中减去所位移的图像Image2,来产生差别图像Image3。
图9图示了另一示例获取的图像Image1和差别图像Image3。如所示的,可以通过在虚拟笛卡尔网格的任意方向上(例如,在成角度的方向上)位移所获取的图像Image1、并从所获取的图像Image1中减去所位移的图像Image2,来产生差别图像Image3。
如通过检查图8和图9而所示的,感兴趣区域(例如,由虚线轮廓标注的、所获取的图像Image1和所位移的图像Image2重叠的虚拟网格的区域)中的作为结果的图像被抵消,这是因为在虚拟网格中的这些位置上,图案在所获取的图像Image1和所位移的图像Image2的点上具有相同值。
在一个示例实施例中,可以由以下伪代码描述位移方法。在该伪代码中,“src”是包括所获取的图像Image1的像素值的二维矩阵。“dst”是包括差别图像Image3的像素值的作为结果的矩阵。
For x=0 to xIndexMax
{
For y=0 to yIndexMax
{
dst(x,y)=get4PointValue(x+xPitch,y+yPitch)-src(x,y)
}
}
在该示例中,CCD是参考坐标***。所获取的图像(图案)位于相对于CCD网格矩阵平移(translated)或旋转的坐标***中。
实际上,X_PITCH和Y_PITCH是有理数。图案很少在CCD上的“网格上”。由于该原因,当计算所位移的图像Image2的像素强度时,或者可选地当计算差别图像Image3时,可以在CCD网格矩阵中执行插值。插值通常导致插值误差的产生。
可能需要合适的插值算法来较少该插值误差。在一个示例中,可以使用4点插值算法或方法。例如,可以在计算所位移的图像Image2时使用2D-4P插值,或者直接在差别图像Image3的计算中使用2D-4P插值。
图10图示了用于阐述示例的4点插值的虚拟网格的一部分。该4点插值方案是用以从恒定CCD网格产生虚拟网格的相对简单的方法。当然,可以使用用以基于周围像素而计算像素强度值的其它方法。
在4点插值中,可以基于围绕点p的4个虚拟网格点处的强度来计算点“p”处的强度。可以根据以下方程组计算在4个网格点的每个处的强度。
I1=I(i,j)+dy/d*(I(i+1,j)-I(i,j))
I2=I(i,j)+dx/d*(I(i,j+1)-I(i,j))
I3=I(i,j+1)+dy/d*(I(i+1,j+1)-I(i,j+1))
I4=I(i+1,1)+dx/d*(I(i+1,j+1)-I(i+1,j))
在以上方程组中,I1-I4是由CCD中的4个网格点(i,j)、(i+1,j)、(i,j+1)和(i+1,j+1)定义的矩形顶点处的强度。
然后,可以根据下述方程组计算点p处的强度。
I(p)=I1+dx/d*(I3-I1);或者
I(p)=I2+dy/d*(I4-I2)
在2D情况下,当位移获取的图像时,必须处理旋转和标度(scale)误差。无法确定图案的真实间距、理想间距或平均间距(即,位移所获取的图像所利用的间距),这也可以是误差源。下文更详细讨论当位移和/或获取图像时可能发生的插值、旋转和标度误差。
因为不可能捕获不具有CCD网格和图案之间的旋转的图像,所以在1D情况中,由于旋转导致的差别总是存在。重要的是,认识到由旋转(以及标度)引起的误差在位移的图像中产生恒定的非黑色水平。如果旋转较大,则由旋转效应引起的“误差”可以比被检测到的误差大得多。但是,在第二次位移之后,由旋转(或标度)引起的该恒定误差被有效地降低,这是因为在确定差别时考虑该恒量,如以下方程(5)中所示。在方程(5)中,constant指恒定误差,I_DIFF(i)指所获取的图像和位移的图像之间的像素i的强度差,以及I_DIFF(j)指所获取的图像和位移的图像之间的像素j的强度差。
(I_DIFF(i)+constant)-(I_DIFF(j)+constant)=I_DIFF(i)-I_DIFF(j) (5)
插值误差通常由于例如CCD中的传感器或像素的有限数目而存在。如果在坐标轴之一的方向上执行位移,则通过相对于CCD坐标阵列或虚拟网格而旋转图案,引入差别图像Image3中的恒定旋转误差。该旋转误差在大多数情况下为恒量。在该情况下,恒定误差意味着类似的误差出现在差别图像Image3中的所有的或基本上所有的单元图案中;即,差别图像的循环图案的所有周期都包括由原始图像中的旋转引起的相似或基本相似的偏差。
全局线性标度误差(即,如果所获取的图案的间距在图像上以线性方式增加或减小)也可以在差别图像Image3中引入恒定误差。关于线性标度误差,恒定误差意味着相似或基本相似的误差出现在差别图像Image3中的所有的或基本上所有的单元图案中;即,差别图像Image3的循环图案的所有的或基本上所有的周期都可以包含由所获取的图像Image1中出现的线性标度误差引起的相似或基本相似的偏差。
如果不能找到图案的合适间距,则可能发生差别图像Image3中的恒定误差。关于如此的间距误差,恒定误差意味着相似或基本相似的误差出现在差别图像Image3中的所有的或基本上所有的单元图案中,例如,差别图像Image3的循环图案的所有的或基本上所有的周期都包括由所获取的图像Image1中出现的线性标度误差引起的相似或基本相似的偏差。
由于以上误差(例如,旋转、标度、间距等),通常在一般情况下,不可能在差别图像Image3中的每个像素上获得绝对0强度。然而,可以通过包括差别图像Image3的第二位移而取消或至少减小旋转、标度以及间距估计误差的源。单位移方法的此扩展版本在这里有时被称为双位移方法。下面关于图5而更详细描述该示例实施例。
插值误差
如先前提及的,相对于像素数目、传感器间距和CCD尺寸的、像平面上的图像分辨率可以影响:多少像素描述图案边缘。被边缘影响的像素/传感器的数目越少,产生的插值误差越大。
图11A-11D是正方形的循环图案在Y方向上的横截面。图11A和11C是所获取的图像的横截面,而图11B和11D是如上文所讨论而产生的差别图像的横截面。
在该示例中,一个正方形和每侧上两个正方形之间距离的一半构成单元图案。该单元图案位于以下0.0、20.5和41.0μm位置处的、约1μm的CCD网格中。Y方向上的正方形尺寸约为8μm,并且该图案已经通过具有约5.0μm的半功率宽度的高斯核(Gaussian kernel)进行卷积。
图11A-11D示出当利用边缘的不同导数来采样信号并且使用粗略的采样网格时、对于插值误差发生了什么的比较。采样网格(实际上是照相机或CCD网格)在图11A-11D所示的示例中是恒定的。
当产生1D位移图像时,执行插值。在该插值中,必须使用周围的像素。在转变区域中(例如,插值误差具有其最大或最小值的地方),信号具有转折点。在该转折点,导数改变符号。在插值时,不进行信号的实际形状的假定。因此,当采样点之间的距离与边缘导数相比而相对较大时,误差较大。这是因为使用远离转折点的数据不能很好地表示转折点(或接近它)的值。
所述另一方法,如果采样网格相对于边缘导数而小得多,则插值误差可以忽略,这是因为接近于感兴趣点的两个点更好地表示了该点的信号。
参照图11A,约4个CCD像素描述了图案中的每个边缘。在该示例中,用来获得图案的CCD具有约1μm的网格。这些点在图中用圆点表示。
当比较图11A与图16B-16D时,可以清楚地看到:由于固定的CCD网格中的图案边缘的位置而不同地描述不同单元图案。
如果基于图11A中所示的图像产生差别图像,如上文关于图7而描述的,则产生图11B中所示的横截面图。在该示例中,用于产生差别图像的位移图像被位移了约20.5μm。在该示例中,约+/-8单位的插值误差存在。
如果提高***中的光学分辨率(例如,HPW=3μm),但保持CCD中的像素数目,则通过图像获取器件获取具有图11C所示的横截面的图像。图11C中的图像比图11A中所示的图像更尖锐。因此,更少数目的像素描述每个边缘。当产生差别图像时,插值误差可能增加。
图11D示出了基于具有图11C所示的横截面的所获取的图像而产生的差别图像的横截面。在该示例中,存在约+/-14单位的插值误差。图11B所示的差别图像与图11D中的差别图像之间的插值误差增加的原因在于图11D中的差别图像在转变区域中具有边缘的较不准确的近似。
通常,位移图像中的插值误差随着分辨率程度的提高而增加。
旋转误差
当根据示例实施例执行位移算法来产生位移的图像Image2时,从CCD上的参考像素中减去经插值的像素。对于图像中的每个像素执行该操作。图12示出了用于解释旋转误差的图案的一部分。
例如,如果在Y方向上位移图12所示的图像,则可以根据以下伪代码计算强度差:
For x=0 to xIndexMax
{
For y=0 to yIndexMax
{
dst(x,y)=get4PointValue(x,y+yPitch)-src(x,y)
}
}
以上伪代码描述了根据示例实施例计算差别图像的方法。在该伪代码中,xIndexMax是图像在X方向上的最大指数(整型(int)),yIndexMax是图像在Y方向上的最大指数(整型),以及Get4PointValue(x,y)是计算经插值的值的函数。函数Get4PointValue(x,y)在src(x,y)上操作,src(x,y)是原始数据图像的阵列。间距yPitch是其中在图像中捕获位移的数据(实型(float))的偏移(Y方向上),dst(x,y)是存储由伪代码产生的结果的阵列。在该示例中,结果实际上是1D位移图像。
在执行位移操作之后,仅有用的信息保留在差别图像的灰色阴影区域中。这在图13中所示。
如明显的,在差别图像中,旋转在矩形上方产生负差,而在矩形下方产生正差。
旋转信息现在被传递到差别图像中的偏移。在该示例中,旋转被夸大。通常,图像的旋转相对较小,以使得两个矩形之间的偏移差小于CCD上的一个像素。如果线性标度误差存在于图像中,则可以看到相似的影响。
在图13所示的图像中,在X方向上的另一位移可以完全取消所获取的图像中的旋转误差的影响。将与下文更详细描述的双位移示例实施例结合起来进一步描述。
间距估计方法
根据示例实施例,可能需要估计所获取的图像的参数。可能需要估计的参数包括例如所获取的图像的X和Y间距。即使平板或衬底上的图案的设计间距是已知的(这和***的放大率结合,像平面上的投影图案间距已知),计算所获取的图像中的当前间距有时会是有价值的。
当不知放大率时,可以计算间距以确定如何执行足够的位移来检测误差。通常,不同方向上的间距被用于定义在创建差别图像或确定后续位移时应该执行多少位移。
在根据示例实施例估计间距的一种方法中,可以选择图案的快速傅立叶变换(FFT)的功率谱上的第一峰值。这可以通过使用图14所示的横截面图来实现。
在图14中,值得注意的是,稍后用于在创建差别图像时的位移的估计间距的误差对于所有单元图案产生恒定或基本恒定的误差。该类型的误差在性质上与旋转和/或线性标度误差相似或基本相似。
在具有约20μm间距的图案中,观察到约0.05的相应空间频率。在图14所示的FFT图中,第一峰值出现在DC电平之后。DC电平是图14所示的图中的0轴。该点对应于空间频率是0的信号。在一个示例中,如果图像的FFT仅仅包含恒定数据,则所有“能量”都集中在该轴。
根据示例实施例检测误差的双位移方法
图15图示了根据示例实施例的用于误差检测的另一种方法。图15所示的方法与图7的方法类似,但还包含第二位移。该位移进一步增强作为结果的差别图像,以更容易识别图像中存在的误差。如图7所示方法的情况,可以由图3所示的图像获取器件执行图15所示的方法。因为第一获取图像、第一位移图像和第一差别图像可以和以上关于图7而描述的这些相同,因此Image1、Image2和Image3将再次被用于描述图15所示的方法。
参照图15,在S2202,图像获取单元704记录至少一部分循环图案,并将所记录的图像Image1发送给分析器件702。图像获取单元704以如上文关于图7中的S1202而描述的相同方式来记录图像Image1。
在S2204,分析器件702以如上文关于图7中的S1204而描述的相同方式,在虚拟网格中,将第一记录图像Image1相对于其自身而位移某一距离。
在S2206,分析器件702以如上文关于图7中的S1206而描述的相同方式,从第一位移图像Image2中减去第一图像Image1,以产生第一差别图像Image3。
在步骤S2208,分析器件702以与在S2202中位移所获取的图像Image1相同的方式,位移第一差别图像Image3,以产生第二位移图像Image4。
在S2210,接着从第二位移图像Image4中减去第一差别图像Image3,以产生第二差别图像Image5。可以以与在图7中的S1206中的第一差别图像Image3相同的方式产生第二差别图像Image5。
在S2212,分析器件702可以执行对第二差别图像Image5的误差分析。
如上所述,一些剩余的恒定误差(例如,来自旋转、标度等的影响)在1D图像中保留。在2D图像中,这些影响被降低了。结果,仅最终的“真实”误差保留在2D图像中。当然,二阶标度误差可以仍然保留在2D图像中。但,可以使用统计学分别处理(和降低)这些影响。
在单位移方法中,来自旋转、标度、间距估计误差和/或插值的影响保留在不同的图像中。这是当使用单位移时的缺点,因为可能相对难以检测真实误差(描述图案单元之间的偏差的误差)。而且,插值误差的影响可以降低检测精度,因为这些误差的幅度可以与单元图案之间的误差的幅度相似或基本相似。
如果对第一差别图像Image3应用相似的位移和差别方法,则可以降低或甚至消除这些负面影响。
在与第一位移相同的方式中,对位移的方向没有限制。然而,从计算效率或吞吐量的观点看,在虚拟网格中执行正交位移是有价值的。在讨论旋转误差的在前示例中,可以清楚地看到:X方向上的第二位移完全抵消了从第一差别图像Image1中存在的旋转所引起的偏差。
而且,如果对第一位移执行不与所获取的图像的一个周期或整数倍周期相等或基本相等的距离,则误差在第一差别图像Image3中以恒定间距产生。如果接近该恒定间距位移第一获取图像,则第二位移可以在第二差别图像Image5中消除或至少降低这些误差。
可以使用用于第二位移的其它方法。第二位移的特性(例如,位移距离或方向)可以取决于感兴趣检测的误差类型,或例如图案设计。第二位移距离可以被选择为与第一位移距离相同,可以基于第一获取图像Image1或第一差别图像Image3的分析,可以基于第一获取图像Image1或第一差别图像Image3的FFT计算,或者基于其它感兴趣的参数而决定。
使用双位移方法消除或至少降低这些“一阶误差”的能力是有益的。例如,可以建立具有在重复性、光照条件、稳定性、光学性能等上的相对较松的要求的***。
第二位移的一个进一步的影响是可以在第二差别图像Image5中降低插值误差。
如果考虑由图11B中的横截面描述的相同差别图像,则在Y方向上的20.5μm的第一位移之后观察到+/-8单位的插值误差,如前文所述。在Y方向上位移图11B所示的差别图像之后,获得图16中所示的横截面图。
在第二位移之后,降低了插值误差的幅度。在该示例中,仅约+/-1.5单位的误差出现在第二位移图像中。关于第二位移中的插值而真正所做的,本质上是在已经插值的图像中的插值。
可以直接在诸如图3所示的***之类的传统图案误差检测***的硬件中实现检测循环图案的至少一部分中的相对较小的偏差的方法。例如,可经由连接到传统图像获取器件或在图3所示的分析器件702之内的计算机(例如,专用计算机)实现该方法。
当然,也可以在图像收集之后、对所收集的数据(例如,记录的图像)执行所述方法。可以在示例实施例的精神中执行在线位移、离线位移以及分.析各个图像或图像组之间的任何组合。
误差的分类
根据示例实施例的方法也可以被用于检测Mura缺陷,如下文更详细描述的。
可以以多种方式来分类Mura缺陷。视频电子标准协会(VESA)已经定义了平板显示测量标准(FPDM)来对完成的FPD模块中的误差进行分类。该分类如图17所示。VESA规则对被驱动到某灰度级的完成的面板上的Mura进行分类,其中缺陷表现为低对比度、不均匀亮度区域,典型地大于单像素。它们由各种物理因素引起。例如,在LCD显示中,Mura缺陷的原因包括非均匀分布的液晶材料和液晶内的杂质粒子。
示例实施例在组装模块之前检测Mura。这意味着可以在制造过程中的不同阶段检测Mura。这些阶段可以包括在光学掩膜、压印模板、衬底和/或晶片上检测Mura。
可以通过考虑典型器件的一层一层建立而进行进一步的分类。
在完成的显示器或循环传感器上的Mura可能来源于存在于建立器件的一个层中的缺陷。这些误差被称为层内缺陷,并且典型地被分类为CD、边缘粗糙度、形状和/或间距误差。
误差还可以来源于层间的相对偏离(displacement)(例如,层间影响)。类对准(alignment)误差、全局和本地失真误差、标度误差等可以构成来源于层间相对偏离的误差。
例如,在光学掩膜上,可以将误差分类为CD、偏移或形状误差。CD误差被描述为循环图案内单个图案单元或图案单元组的线宽上的差别。如果CD大于或小于预期值或周围特征的CD,则该类别可以具有子类。还可以包括绝对CD误差的估计。
偏移误差被描述为循环图案内单个图案单元或图案单元组的位置差别。偏移误差可以具有定义关于整个图案的偏移的方向的子类。而且可以包括所影响的图案单元的数目。还可以包括绝对偏移距离的估计。
形状误差被描述为循环图案内单个图案单元或图案单元组的形状差别。形状误差可以具有在形状上定义误差的不同类型的子类。而且,可以包括所影响的图案单元的数目。还可以包括绝对意义上的形状误差的估计。
根据示例实施例的方法可以被用于直接通过根据所公开的位移和双位移方法分析获取的图像Image1来检测和分类Mura误差。而且,可以通过组合从经受不同位移方式的多个图像中获得的信息,执行该分类。
例如,如果误差扩展到所获取的图像之外,或者构成比所获取的图像更大的区域,则可以使用从多个图像中得到的信息来检测和分类该误差,例如,分别通过单位移或双位移方法、或者单位移和双位移方法两者的组合来进行分类。
为了根据示例实施例来形象化误差检测方法,在一般的循环图案中引入误差。在该示例中,所引入的误差是一个图案单元中相对于周围图案单元的偏移误差、或图案单元之一的CD误差。
为了进一步简化该解释,在以下示例中仅描述Y方向上的误差。当然不将这考虑为对示例实施例的限制,而是作为有助于相对简单且清楚地理解示例实施例的方法。
在该示例中,原始图像中的图案被表示为:
A B C D E F
在该示例中,A、B......F表示所获取的图像(例如,上文所描述的Image1)中的图案单元的强度。理想地,图案中的间距是恒定的。假定这是理想情况,基于原始图像而产生的差别图像的图案单元(例如,B-A=C-B=D-C)等于K,其中K为恒量。
该理想情况不与真实情况完全相同,因为一个图案单元的位移产生相对较小的间距差别。考虑该差别,假定B-A=K+D(ab)以及C-B=K+D(cb)等。项D(*)说明各个图案单元之间的所有变化。
也可以引入旋转、标度和插值误差(当图案位移一个或多个图案单元时,这些误差可以被看作图案单元强度偏差)。可以根据以下方程组描述这些误差。
旋转误差→Rot(ab)、Rot(bc)...Rot(fe)
标度误差→Scale(ab)、Scale(bc)...Scale(fe)以及
插值误差→IntErr(ab)、IntErr(bc)...IntErr(fe)
包括这些误差,可以根据以下方程确定D(*)。
D(ab)=Rot(ab)+Scale(ab)+IntErr(ab)
D(bc)=Rot(bc)+Scale(bc)+IntErr(bc)
D(fe)=Rot(fe)+Scale(fe)+IntErr(fe),等
此外,还引入了一个图案单元中的误差。在实际情况下,所有图案单元都可以相对于彼此而位移,但为了简化描述,在该示例中仅考虑影响一个特定图案单元的误差。
在一个示例中,在原始图像的图案单元D中引入误差(例如,偏移、CD、形状误差)‘e’。为了方便解释,假定所引入的误差e影响一个图案单元的一个边缘。
在该示例中,当在Y方向上以预期的图案间距距离执行第一位移时,可以根据以下描述作为结果的差别(例如,差别图像):
(B-A)(C-B)((D+e)-C)(E-(D+e))(F-E)。
为上述差别的每个引入的D(*)表示如下。
D(ab)D(bc)D(dc)+e D(ed)-e D(fe)
通过观察该表达式,容易意识到例如旋转误差的影响在所产生的差别图像中是恒定的。
而且,线性标度误差的影响在所产生的差别图像中是恒定的。与旋转和线性标度误差不同,插值误差在差别图像中的像素之间不是恒定的。
如果D(*)被描述为D(*)=R+S+Int,其中R表示恒定旋转误差,S表示恒定标度误差,以及Int表示插值误差。则通过将D(*)=R+S+Int代入上述D(*),可以根据以下描述差别图像。
R+S+IntErr(ab) R+S+IntErr(bc) R+S+IntErr(dc)+e R+S+IntErr(ed)-eR+S+IntErr(fe)
在该示例中,误差e可以比旋转误差R和标度误差S小得多。而且,插值误差项Int可以比误差e大。这可以在准确检测误差e时引起一些困难。因为原始图像中的噪声将在差别图像中乘以因子2,这也影响检测误差e的能力。
当双位移方法被应用时,可以通过以下描述第二差别图像。
(IntErr(bc)-IntErr(ab)) (IntErr(dc)-IntErr(bc)+e) (IntErr(ed)-IntErr(dc)-2e)(IntErr(fe)-IntErr(ed)+e)
如可见的,旋转和线性标度误差的影响被抑制和/或取消了。
另外,测量了在每个像素中的两个插值误差之间的差别。实际上,因为上述原因,该差别相对较小,并且通常比误差e小得多。
如果忽略该误差,则更清楚地看到所述误差的表示。即,图案单元中的所述误差可以被描述如下。
0+e-2e+e
以上序列示出了图案单元中的边缘误差相对于其邻居的标识。通过寻找和识别上述标识,可以检测第一获取图像中存在的误差。误差“e1”、“e2”、“e3”等的不同组合产生相似标识。这使得可以确定存在于第一获取图像中的误差的类型。例如,可以基于对第二差别图像中的误差标识的分析,区分CD误差与偏移误差,因此可以将其相应地(不同地)分类。
不管使用什么方法来测量或检测,噪声都可以设置分辨率的下限。在示例实施例中,以相对有效的方式,同时或并发地使用图像中的所有可用信息。这显著降低了来自噪声的影响。在通常情况下,图案单元是一组特征。这些特征具有不同方向上的边缘。当使用根据示例实施例的方法时,自动使用所有边缘。
当产生差别图像时,原始图案单元中的所有特征都贡献于该图案单元中的强度。当然,当我们产生差别图像时,噪声可能成倍增加,但这与用于计算的像素数目相比是可容忍的。可以使用简单示例来描述此。
如果假定图案中的边缘包括100个像素,并且假定100个像素的N%包括至少一些噪声,则差别图像的每个像素中的噪声被乘以约为2的因子。但是,因为仅对图案单元中的平均光感兴趣,因此根据如下计算像素噪声的平均噪声值。
强度到维度的转换
示例实施例提供了在不使用不精确的人为估计或预定校准工件的情况下量化图案中所检测的误差的方法。
通过作为自正则方法(上文所描述),可以通过从差别图像中的基准值分析差别来估计误差(例如直接估计),在该方法中,不管被检查的循环图案的特性,误差的不存在产生平滑(flat)图像,其在差别图像中的所有位置中具有基本相同的值。
因为根据示例实施例的方法,实际上通过将图案的不同部分与其自身比较而检测图案中的误差,所以来自单位移图像(第一差别图像)和/或双位移图像(第二差别图像)的信息可以被用于估计所检测的误差的几何尺寸。
例如,如果考虑由CCD获取的图像(其中,由强度值描述该图像),则强度信息可以被转化为几何特性。这可以以多种方式完成。下文参照图18描述用于确定图案单元相对于其邻居的位移的一个示例方法。
图18是根据示例实施例、在用于检测误差的方法的第一和第二位移期间发生了什么的几何表示。在该示例中,偏移误差已经被引入到图案单元C中。
在第一位移之后,差别图像图案单元的比较(C-B)中的误差(+e,-e)和差别图像图案单元的比较(D-C)中的误差(-e,+e)的标识如图18所示。这些是第一位移图像中的图案单元。
在该示例中,图案被位移了该图案的一个理想间距。相等的图案单元在第一差别图像中不产生任何强度差别。
在第一差别图像中,对准比较(A-B)和(E-D),以便在这些图案单元位置中检测不到强度(例如,(A-B)=(E-D)=0)。
这提供了第一差别图像中的两个图案单元((C-B)和(D-C))的误差信息。
因为图像被旋转,第一位移不严格是图案间距,并且/或者存在不可预知的插值误差,因此还可能检测到第一差别图像中的所有图案单元中的虚假强度。
用于估计以μm为单位的误差e的尺寸的相对简单方法是:最小化图案单元(C-B)或(D-C)中的一个的强度。这可以使用如下所示的相对简单的算法进行。
Dy=.5
D=0
pattern_unit=“C-B”
Shift(yPitch+D)
minLight=measure(pattern_unit)
loop
{
D=D+Dy
Shift(yPitch+D)
light=measure(pattern_unit)
if(light<minLight){minLight=light Dmin=D}
if(light>minLight)Dy=-Dy/2
if(abs(Dy)<0.001)break
}
Error_in_μm=D
在上述算法中,Dy是以μm为单位的位移,以及D是Y方向上所有Dy位移的和。
以上所注的算法仅仅是示例,并且可以通过各种算法实现所述方法。因此,不应该通过该具体实施方式来限制示例实施例。
使用第一差别图像用于测量可能具有一些缺点。例如,已知第一位移图像中的图案单元遭受不可预见的插值误差。典型地,该误差具有与使用这里所描述的方法检测的误差相同的幅度。
因此,在量化循环图案中的缺陷幅度的另一方法中,计算双位移图像中的位移的影响。
如图18所示,在第一差别图像中,误差可以在两个图案单元中以不同的符号出现。在一个示例中,这对于图案单元(C-B)和(D-C)而发生。对于双位移图像中的图案单元(D-C)-(C-B),测量到所示误差的两倍。而且,插值误差在双位移图像中的所有图案单元中都相对较小。
以下算法仅是两个图案单元的位移的示例实现。
Dy=.5
D=0
left_pattern_unit=“C-B”
right_pattern_unit=“D-C”
double_pattern_unit=“(D-C)-(C-B)”
ShiftUnit(left_pattern_unit,yPitch+D) !这产生C-B图案单元。
ShiftUnit(right_pattern_unit,yPitch-D) !这产生D-C图案单元。
ShiftDouble(double_pattern_unit,yPitch)!这产生(D-C)-(C-B)图案单元。
minLight=measure(double_pattern_unit)
loop
{
D=D+Dy
ShiftUnit(left_pattern_unit,yPitch+D)
ShiftUnit(right_pattern_unit,yPitch-D)
light=measure(double_pattern_unit)
if(light<minLight){minLight=light Dmin=D}
if(light>minLight)Dy=-Dy/2
if(abs(Dy)<0.001)break
}
Error_in_μm=D
在全面实现中,可以计算双位移图像中的所有图案单元的标识和幅度。在双位移图像中的此计算之后,可以使用逻辑运算来确定第一获取图像中的各个图案单元之间的误差。
使用多个图像来检测Mura缺陷
至少一个其它示例实施例提供了用于使用来自几个图像的信息而检测Mura缺陷的方法。如上文已描述的,可以使用单和双位移图像信息来检测图像中的所有误差。当然,所获取的图像之外发生了什么的信息不可用。
图19示出了例如使用图3所示的图像获取单元在X方向上捕获的一些重叠图像的示例。
在该示例中,我们不需要确切地知道图像在X或Y方向上的哪里被获得。而仅需要覆盖近似相同的区域(带有一些重叠)。
假定在Y方向上位移如所述列之一的误差(例如,对接(butting)误差)。在图19中,该列被标记为G。随机误差位移误差作为对接误差,也存在于具有相同或基本相同的幅度的全部列之中。假定可以捕获覆盖X方向上的所有5个像素的图像。可以根据以下方程,基于该图像计算所述列之间的平均差别。
Ydiff(col)=∑Ydiff(Pixel_Unit(i)/number_of_pixelUnits
在该方程中,指数“i”对应于i列中的行指数。对于没有对接误差的此大图像,任何列的平均误差为0。这意味着:对于没有对接误差的列,Ydiff(col)=0。这是因为大量像素单元被用于计算中。所述平均值中的∑(sigma)可以根据下面的方程表达,其中“n”是计算中的像素单元数目。
Sigma(Pixel_unit)/sqrt(n)
在图19中,5个图像覆盖了感兴趣的区域。如果检验一个图像,则可以如上描述地计算相同的平均值。因此,该计算仅基于图像中的像素单元的1/5。结果,用于平均的∑较差。平均的∑可以由下面的方程表达。
在该示例中,假定没有重叠。上面的方程也可以表达为:
与基于对大图像的计算的结果相比,这是更大的∑。但,在“合并”处理中,我们拥有所有5个图像的信息。因此,可以用同样的方式计算平均值。可以分别计算每个图像的平均,并且可以计算每个图像的平均的平均。可选地,该计算可以基于所有Ydiff(i)一起。在整个图案相对于下一图像位移的情况下,当图像之间没有一些重叠时,可能不能检测到误差。重叠提供了图像之间的位移的信息。因此,可以认为重叠尺寸是重要的。
使用简单示例来解释示例实施例的该方面。
如果我们假定存在100nm的图像内的随机误差,并且如果计算基于该图像中的差别yDiff(i),则根据下式计算平均的∑:
图案在图像中移动的事实仅影响插值误差,并且其中在差别图像中发现每个像素(例如,薄膜晶体管(TFT)像素)的光子。因为图案的间距显著大于CCD像素网格,因此,掩蔽(mask)属于相同像素单元的TFT像素或多或少是微不足道的任务。
莫尔抑制
因为示例实施例依赖于一个图像与其自身的位移版本的比较,所以图像的质量相对重要。莫尔被定义为图像中不想要的赝像,其来源于例如循环图案的间距之间的拍频,并且通过本身具有循环行为的传感器记录所述循环图案可以导致图像的恶化。一个示例是使用CCD照相机记录循环显示图案。
在某条件下,所获取的或记录的图像显示出强度变化,其并非来源于显示图案或CCD本身的误差,而是来源于成像的图案间距与CCD芯片的固有间距之间的差别。
因为根据示例实施例的莫尔降低的方法基于记录大量图像,所以所述方法可能不能为依赖于基于单个记录图像分析误差的方法工作。
在一个示例中,可以通过设计图像获取***而降低莫尔的负面影响,从而避免严重的莫尔效应。在一个示例中,可以选择***中的放大率,以使得典型的投影空间图案频率和图像获取单元之间的拍不引起严重的莫尔。还可能需要选择图像获取单元的合适的分辨率。
示例将被用于阐述用于选择放大率来最小化莫尔的方法。为了该示例的目的,假定具有100μm的已知间距的图案。
具有1000×1000个像素的恒定网格的照相机或CCD被用于获取图像。还假定使用变焦光学***(zoom optics)。可以调整变焦来使得场尺寸对应于N x图案间距。在该情况下,N是整数。如果调整变焦以使得在Y方向上获取像场中的5个像素单元,则1000个像素被用来获取这5个单元。另外,每个像素单元正好使用照相机中的在Y方向上的200个像素。因此,图案将在Y方向上的照相机中的网格上。因为图案在网格上,因此降低和/或消除了莫尔效应。自然地,如果假定在两个方向上已经在数据中使用相同的网格,则图案也将在另一方向(例如,X方向)上的网格上。
在另一示例实施例中,可以使用下述检测***记录图像,在该检测***中,通过将在至少一个方向上的图像传感器上的投影图案的间距、与该图像传感器的固有间距匹配,抑制被检查的图案和检测***之间的拍频(例如,其是莫尔赝像的源)。该检查***可以使用变焦光学***来调整放大器,从而其“适合”该图案。换句话说,所记录的图案被放置于照相机或CCD的网格上。
在该示例实施例中,可以改变要记录的图案的间距与传感器的固有间距之间的关系。例如,该传感器可以是CCD。为了阐明,可以用合适的方式控制传感器上所投影的图案的周期与传感器本身的周期之间的关系,来按需匹配间距。
为了抑制和/或消除莫尔赝像,所投影的图案间距与传感器间距必须严格匹配。只要以作为结果的拍频不严重影响所记录的图像的方式来选择所述间距之间的关系,此严格匹配就会是不可能的。例如,如果作为结果的莫尔图案的空间频率足够长,则可以抑制由作为结果的莫尔图案导致的对所记录的图像的破坏。
可以通过许多方式进行所述间距之间的关系的改变,例如,通过改变将图案图像投影到图像获取器件上的光学***的放大率,例如使用光学变焦。这可以在一维或(如果必要)具有两个不同的放大率的二维中进行。改变所述间距之间的关系的另一方法是改变例如CCD的探测器阵列或矩阵上的进入检测场的角度。
在另一示例实施例中,可以通过将工件或图像获取***相对于彼此倾斜和/或旋转来改变间距之间的关系。
可以在执行全图案的检查/检测之前,例如,在执行图像获取***的图案依赖的校准之前,在循环图案的一部分上执行莫尔抑制方法。在另一示例实施例中,可以在图案的检查期间执行Mura抑制的方法。在该示例中,例如,可以在检查期间改变光学***的设置。
找到正确设置的方法可以被用来获取要被检查的图案的图像,通过图案知识或图案间距的测量和成像***或成像获取单元的知识来识别莫尔图案,因此进一步改变成像的图案间距和图像传感器间距之间的比例。
示例实施例还提供了超采样方法。
如上文所提,在很多地方,使用在X和Y方向上具有有限数目的像素的照相机(例如,CCD、TDI传感器或任何其它图像获取器件)。通过在光学***中使用相对较高的放大率,可以由大量像素描述所获取的图像中的每个边缘。在该情况下,获得关于该边缘的真实形状的足够信息。然而,使用相对较高的放大率并非优选的,这是因为像场随着放大率增加而缩小。相对较小的像场意味着可能需要许多图像来覆盖该图案。许多图像和相对较高的放大率可以导致相对昂贵的***。
传统地,如果使用照相机***中的较低放大率和有限数目的像素,则边缘可能不能以足够的点来采样以确定其传输函数的形状。这导致了大的插值误差。
根据示例实施例的方法减小了必需的放大率,同时仍然获得足够的点来确定边缘的形状。示例实施例提供了用来减小必需的放大率、以便获取每个图像中尽可能大的区域和尽可能多的像素单元的方法。
可以以同样的方式使用以上所述的方法,但使用超采样的数据。唯一的区别在于当采样图案时获得高得多的分辨率。
将关于图12而描述根据示例实施例的超采样方法,图12示出了图案的一部分。
为了该示例的目的,如果假定不相对于照相机网格而旋转图案,则该图案的每个点与照相机网格完美对准。例如,如果图案中的边缘在X方向上被追踪,则该方向上的每个像素采样传输函数的相同物理点。在该示例中,传输函数在Y方向上。这很简单,因为图案与照相机的像素网格完全对准。采样点在该方向上的唯一区别在于它们由于来自噪声的影响而导致不相同。
另外,直到Y方向上的下一个像素,才获得关于传输函数的信息。由于照相机中的有限数目的像素导致到Y方向上的下一个像素的距离相对较大。例如,当如上文关于图10而描述地进行插值时,产生相对较大的插值误差。不能重建采样点之间的信息。在传输函数中间(例如,接近于转折点),所述误差最大。
如果相对于照相机网关而旋转图案,则情况完全不同。
参照图12,当沿着边缘时,照相机中的每个像素在传输函数的不同物理点处采样边缘。因此,当沿着边缘时,获得有关边缘转变(transition)函数的更多信息。这在图20中示出。
在该示例实施例中,图案至少在“边缘”方向上扩展一些。如果已知该边缘为直的(不弯曲),则顺着边沿一起处理所有采样的像素,作为对转变函数的说明。
例如,如果在另一方向上将图案旋转100个像素上的5个像素,则当估计边缘传输函数时,获得高20倍的分辨率。如果使用以上描述的相对简单的插值,则获得小得多的插值误差。
如果图案的旋转为已知,则从图像自身计算实际上是相当简单的,顺着图案中的任何边缘的冗余为已知。当估计传输函数时,更长的边缘提供更多的冗余和更高的精度。
因为噪声总是存在于图像中,所以需要一些图像用于平均。顺着边缘的梯度方向散布开的像素比未散布开的像素更佳地用于平均。在该示例中,梯度方向是从(垂直于)边缘方向旋转90度的方向。
使用超采样方法,不扩展需要用于分析的数据量,并且使用与图案间距相比大得多的像场(更低的放大率)。结果,需要更少的图像来覆盖该图案,并且仍能够沿着必要信息所位于的边缘使用相对较高的分辨率。
已经为了例证和说明的目的而提供了所述实施例的前述描述。并非意在穷尽或限制本发明。特定实施例的各个元件或特征通常不限定于该特定实施例,而是,在适用的情况下,可互换并可用于所选择的实施例中,即使没有被具体示出或描述,也是如此。可以以许多方式变化所述元件或特征。这样的变化不被认为偏离本发明,并且所有这样的修改都意在被包含在本发明的范围内。
Claims (62)
1.一种用于检测包括至少部分循环的图案的工件上的缺陷的方法,所述方法的特征在于:
获取所述循环的图案的至少一部分的至少第一图像;
通过在虚拟网格中将所述第一图像相对于其原始位置而位移,产生第二图像;
通过对所述第一图像和所述第二图像执行数学或逻辑运算来创建差别图像,以创建第三图像;以及
分析所述第三图像来检测存在于所述第一图像中的缺陷。
2.如权利要求1所述的方法,其中,在几个第一图像中所检测的缺陷被用来检测Mura缺陷。
3.如权利要求2所述的方法,其中,所述几个第一图像重叠。
4.如权利要求1所述的方法,其中,用于检测所述缺陷的所述虚拟网格相对于所述循环的图案而旋转,以便在估计边缘传输函数时获得更高的分辨率。
5.如权利要求1所述的方法,其中,所检测的缺陷被分类为不同的误差。
6.如权利要求1所述的方法,其中,所检测的缺陷被分类为Mura。
7.如权利要求1所述的方法,其中,所述分析包括:
测量所述第三图像中的强度变化,并且其中所述方法还包括:
对投影图案的间距与成像传感器间距进行间距匹配,来减小所测量的强度变化。
8.如权利要求7所述的方法,其中,所述间距匹配的特征还在于:
在至少一个方向上改变图像传感器上的投影图像尺寸。
9.如权利要求7所述的方法,其中,所述间距匹配的特征还在于:
均匀地改变图像传感器上的投影图像尺寸。
10.如权利要求7所述的方法,其中,所述间距匹配的特征还在于:
在第一方向上将图像传感器上的投影图像尺寸改变第一因子K,而在第二方向上将图像传感器上的投影图像尺寸改变不同的第二因子L。
11.如权利要求7所述的方法,其中,所述间距匹配的特征还在于:
通过相对于所述图像传感器的成像面而倾斜所述工件,来改变图像传感器上的投影图像尺寸。
12.一种用于检测包括至少部分循环的图案的工件上的缺陷的方法,所述方法的特征在于:
获取所述循环的图案的至少一部分的至少第一图像;
通过在虚拟网格中将所述第一图像相对于其原始位置而位移,以产生第二图像;
通过对所述第一图像和所述第二图像执行数学或逻辑运算来创建差别图像,以创建第三图像;
在虚拟网格中将所述第三图像相对其位置而位移,来产生第四图像;
对所述第四图像执行数学或逻辑运算来产生第五图像;以及
分析所述第五图像来检测存在于所述第一图像中的缺陷。
13.如权利要求12所述的方法,其中,在几个第一图像中所检测的缺陷被用来检测Mura缺陷。
14.如权利要求13所述的方法,其中,所述几个第一图像重叠。
15.如权利要求12所述的方法,其中,用于检测所述缺陷的所述虚拟网格相对于所述循环的图案而旋转,以便在估计边缘传输函数时获得更高的分辨率。
16.如权利要求12所述的方法,其中,所检测的缺陷被分类为不同的误差。
17.如权利要求12所述的方法,其中,所检测的缺陷被分类为Mura。
18.如权利要求12所述的方法,其中,所述分析的特征还在于:
测量所述第三图像中的强度变化,并且其中所述方法还包括:
对投影图案的间距与成像传感器间距进行距匹配,来降低所测量的强度变化。
19.如权利要求18所述的方法,其中,所述间距匹配的特征还在于:
在至少一个方向上改变图像传感器上的投影图像尺寸。
20.如权利要求18所述的方法,其中,所述间距匹配的特征还在于:
均匀地改变图像传感器上的投影图像尺寸。
21.如权利要求18所述的方法,其中,所述间距匹配的特征还在于:
在第一方向上将图像传感器上的投影图像尺寸改变第一因子K,而在第二方向上将图像传感器上的投影图像尺寸改变不同的第二因子L。
22.如权利要求18所述的方法,其中,所述间距匹配的特征还在于:
通过相对于所述图像传感器的成像面而倾斜所述工件,来改变图像传感器上的投影图像尺寸。
23.一种用于检测包括至少部分循环的图案的工件上的缺陷的装置,所述装置的特征在于:
用于获取所述循环的图案的至少一部分的至少第一图像的部件;
用于通过在虚拟网格中将所述第一图像相对于其原始位置而位移以产生第二图像的部件;
用于通过对所述第一图像和所述第二图像执行数学或逻辑运算来创建差别图像以创建第三图像的部件;以及
用于分析所述第三图像来检测存在于所述第一图像中的缺陷的部件。
24.如权利要求23所述的装置,其中,所述用于获取的部件是CCD照相机。
25.如权利要求23所述的装置,其中,所述用于获取的部件是TDI传感器。
26.如权利要求23所述的装置,其中,所述至少部分循环的图案是1维图案。
27.如权利要求23所述的装置,其中,所述至少部分循环的图案是2维图案。
28.如权利要求23所述的装置,其中,所述至少部分循环的图案是3维图案。
29.如权利要求23所述的装置,其中,所述至少部分循环的图案是3D结构的2维表示。
30.一种用于检测包括至少部分循环的图案的工件上的缺陷的装置,所述装置的特征在于:
用于获取所述循环的图案的至少一部分的至少第一图像的部件;
用于通过在虚拟网格中将所述第一图像相对于其原始位置而位移以产生第二图像的部件;
用于通过对所述第一图像和所述第二图像执行数学或逻辑运算来创建差别图像以创建第三图像的部件;
用于在虚拟网格中将所述第三图像相对于其位置而位移来产生第四图像的部件;
用于对所述第四图像执行数学或逻辑运算来产生第五图像的部件;以及
用于分析所述第五图像来检测存在于所述第一图像中的缺陷的部件。
31.如权利要求30所述的装置,其中,所述用于获取的部件是CCD照相机。
32.如权利要求30所述的装置,其中,所述用于获取的部件是TDI传感器。
33.如权利要求30所述的装置,其中,所述至少部分循环的图案是1维图案。
34.如权利要求30所述的装置,其中,所述至少部分循环的图案是2维图案。
35.如权利要求30所述的装置,其中,所述至少部分循环的图案是3维图案。
36.如权利要求30所述的装置,其中,所述至少部分循环的图案是3D结构的2维表示。
37.一种用于检测至少部分包括循环结构或至少部分被至少部分循环的图案覆盖的工件上的缺陷的方法,所述方法的特征在于:
获取至少第一图像,所述第一图像包括所述循环的图案的至少一部分;
将所述第一图像映射到虚拟网格上;
在所述虚拟网格中位移所述第一图像来产生第二图像,所述第一图像相对于所述第一图像的原始位置而位移;
基于所述第一图像和所述第二图像,产生第三图像;以及
基于所述第三图像,检测所述工件上的缺陷。
38.如权利要求37所述的方法,其中,所述产生的特征还在于:
从所述第二图像中减去所述第一图像来产生所述第三图像。
39.如权利要求37所述的方法,其中,所检测的缺陷是CD、偏移和形状误差中的一个。
40.如权利要求37所述的方法,其中,通过朝向与所述工件垂直或基本垂直的方向的检测器件,获取所述第一图像。
41.如权利要求37所述的方法,其中,通过朝向与所述工件成倾斜角的检测器件,获取所述第一图像。
42.如权利要求37所述的方法,其中,在位移之前,旋转所述第二图像。
43.如权利要求37所述的方法,其中,在位移之前,镜像所述第二图像。
44.如权利要求37所述的方法,其中,实时进行对所述第三图像的分析。
45.如权利要求37所述的方法,其中,在对后续第一图像的记录之间执行所述检测步骤。
46.如权利要求37所述的方法,其中,所述第二图像的位移距离、与在将被检查的循环的图案中的至少一个方向上存在的至少一个图案间距之间的比是整数或整数的比。
47.一种用于检测至少部分包括循环结构或至少部分被至少部分循环的图案覆盖的工件上的缺陷的方法,所述方法的特征在于:
获取至少第一图像,所述第一图像包括所述循环的图案的至少一部分;
将所述第一图像映射到虚拟网格上;
在所述虚拟网格中位移所述第一图像来产生第二图像,所述第一图像在所述网格中相对于所述第一图像的原始位置而位移;
基于所述第一图像和所述第二图像,产生第三图像;
在所述虚拟网格中位移所述第三图像来产生第四图像,所述第三图像在所述网格中相对于所述第三图像的原始位置而位移;
基于所述第三图像和所述第四图像,产生第五图像;以及
基于所述第五图像,检测所述工件上的缺陷。
48.如权利要求47所述的方法,其中,所检测的缺陷是CD、偏移和形状误差中的一个。
49.一种用于抑制图像获取器件中的莫尔效应的方法,所述方法的特征在于:
通过在至少一个方向上改变图像传感器上的投影图像的间距与所述图像传感器的固有间距之间的比,控制所检查的图案与检测***之间的拍频。
50.一种用于控制获取的图像中莫尔的影响的方法,所述方法的特征在于:
获取将被分析的图案的图像;
测量被认为构成关键莫尔的至少一部分频率的能量内容;
在至少一个方向上改变图像获取单元上的投影图像的间距与所述图像获取单元的固有间距之间的比;
重新测量被认为构成关键莫尔的至少一部分频率的能量内容;以及
重复所述改变和重新测量,直到对于所述关键频率而获得期望能量内容为止。
51.一种用于检测至少部分被循环的图案覆盖的工件上的偏差和缺陷中的至少一个的方法,所述方法的特征在于:
记录所述循环的图案的至少一部分的至少第一图像,使用数字化图像记录单元来执行所述记录;
通过基于所述第一图像和所述图案的间距的估计而执行插值,来计算所述第一图像内的第二图像,其中,所述插值是四点插值,并且所述间距是浮点数;
从所述第二图像中减去所述第一图像来产生第一差别图像,所述减去包括以循环的方式将所述第一图像的所有像素从所述第二图像中的所有对应像素中减去;
通过基于所述第一差别图像和所述图案的间距的估计而执行插值,来计算第二差别图像,其中,所述插值是四点插值,并且所述间距是浮点数;以及
分析所述第二差别图像来定位存在于第一记录图像中的偏差。
52.如权利要求51所述的方法,特征还在于:
从所述第二差别图像中减去所述第一差别图像来产生第三差别图像,所述减去包括以循环的方式将所述第一差别图像的所有像素从所述第二差别图像中的所有对应像素中减去;其中
所述第一图像中的两个位移去除了来自所述第一图像中的不同误差源的影响,所述误差源包括旋转误差、图案间距估计的误差、强度分布误差和插值误差。
53.如权利要求51所述的方法,其中,在不同方向上执行所述第一差别图像和所述第二差别图像的产生,来精确确定所述第一图像中的不同类型的误差。
54.如权利要求51所述的方法,其中,通过执行额外的位移以及数学或逻辑运算,进一步增强所述第二差别图像。
55.如权利要求51所述的方法,其中,产生基于来自所述第一差别图像或所述第二差别图像的结果的误差矢量,并将其用于精确确定所述第一图像中的误差。
56.如权利要求51所述的方法,其中,在位移之前,旋转所述第一图像或第一差别图像。
57.如权利要求51所述的方法,其中,在位移之前,镜像所述第一图像或第一差别图像。
58.如权利要求51所述的方法,其中,所述第一差别图像与所述第二差别图像的位移距离(间距)之间的比是整数或浮点数,所述位移距离是将被检查的循环的图案中的至少一个方向上存在的至少一个图案间距。
59.如权利要求51所述的方法,其中,多个图像被用来(分别分析)产生全局统计误差矢量,其用于精确确定所述图案中的长波误差。
60.一种用于检测至少部分被循环的图案覆盖的工件上的缺陷的方法,所述方法的特征在于:
记录所述循环的图案的至少一部分的至少第一图像;
颠倒所记录的第一图像来创建第二图像;
在虚拟网格中,在至少一个方向上将所述第二图像位移不同的距离;
对于每个距离,对所述第一图像和所位移的第二图像执行数学或逻辑运算,创建大量子图像。
组合所述子图像来创建具有比所述第一图像更大的尺寸的第四图像;以及
分析所述第四图像来找到整个第一记录图像中存在的偏差。
61.如权利要求60所述的方法,其中,所述第二图像或多个第二图像的位移距离、与在所述循环的图案中的至少一个方向上存在的至少一个图案间距之间的比是整数或整数的比。
62.一种用于确定对于特定图案的最佳设置的方法,所述方法的特征在于:
记录已知循环的图案的至少一部分的至少第一图像;
颠倒所记录的第一图像来创建第二图像;
在虚拟网格中,在至少一个方向上位移所述第二图像;以及
对所述第一图像和所位移的第二图像执行数学或逻辑运算来创建第三图像。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US98718607P | 2007-11-12 | 2007-11-12 | |
US60/987,186 | 2007-11-12 | ||
PCT/IB2008/003046 WO2009063295A1 (en) | 2007-11-12 | 2008-11-12 | Methods and apparatuses for detecting pattern errors |
Publications (1)
Publication Number | Publication Date |
---|---|
CN101918818A true CN101918818A (zh) | 2010-12-15 |
Family
ID=40638379
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2008801234127A Pending CN101918818A (zh) | 2007-11-12 | 2008-11-12 | 检测图案误差的方法和装置 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20090175530A1 (zh) |
KR (1) | KR20100092014A (zh) |
CN (1) | CN101918818A (zh) |
WO (1) | WO2009063295A1 (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102566291A (zh) * | 2010-12-29 | 2012-07-11 | 中芯国际集成电路制造(上海)有限公司 | 投影掩膜版的测试*** |
CN102682307A (zh) * | 2012-05-03 | 2012-09-19 | 苏州多捷电子科技有限公司 | 基于图像处理的可编辑答题卡***及其实现方法 |
CN103559857A (zh) * | 2013-10-31 | 2014-02-05 | 桂林机床电器有限公司 | 一种面向oled屏像素缺陷检测的方法及装置 |
CN103559680A (zh) * | 2012-05-21 | 2014-02-05 | 康耐视公司 | 用于为多层图案的视觉***检查生成合成黄金模板图像的***和方法 |
CN103765200A (zh) * | 2011-06-07 | 2014-04-30 | 光子动力公司 | 使用整个原始图像进行缺陷检测的***和方法 |
CN105122046A (zh) * | 2013-03-29 | 2015-12-02 | 斯奈克玛 | 用于检测物体上的缺陷方法 |
CN105321169A (zh) * | 2014-05-31 | 2016-02-10 | 苹果公司 | 用于单幅照相机模块主动对准倾斜校正的方法和*** |
CN105526868A (zh) * | 2014-10-16 | 2016-04-27 | 株式会社拓普康 | 位移测定方法和位移测定装置 |
CN106056608A (zh) * | 2016-06-01 | 2016-10-26 | 武汉精测电子技术股份有限公司 | 一种图像点线缺陷检测方法及装置 |
CN107154041A (zh) * | 2017-05-16 | 2017-09-12 | 武汉精测电子技术股份有限公司 | 一种用于显示面板缺陷分类的学习方法 |
CN107657609A (zh) * | 2017-09-29 | 2018-02-02 | 西安近代化学研究所 | 一种基于激光扫描的获取靶板穿孔密度的方法 |
CN109785324A (zh) * | 2019-02-01 | 2019-05-21 | 佛山市南海区广工大数控装备协同创新研究院 | 一种大幅面pcb板定位方法 |
CN111699378A (zh) * | 2018-01-05 | 2020-09-22 | 统一半导体公司 | 用于光学检查衬底的方法和*** |
CN112556580A (zh) * | 2021-03-01 | 2021-03-26 | 北京领邦智能装备股份公司 | 测量三维尺寸的方法、装置、***、电子设备和存储介质 |
WO2022051967A1 (en) * | 2020-09-10 | 2022-03-17 | Huawei Technologies Co., Ltd. | Optical apparatus |
Families Citing this family (30)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009294027A (ja) * | 2008-06-04 | 2009-12-17 | Toshiba Corp | パターン検査装置及び方法 |
US8559721B1 (en) * | 2010-04-28 | 2013-10-15 | Exelis, Inc. | Filter mosaic for detection of fugitive emissions |
WO2012000650A1 (en) * | 2010-06-28 | 2012-01-05 | Precitec Kg | A method for classifying a multitude of images recorded by a camera observing a processing area and laser material processing head using the same |
US8472735B2 (en) | 2010-09-30 | 2013-06-25 | The Charles Stark Draper Laboratory, Inc. | Attitude estimation with compressive sampling of starfield data |
US8472737B2 (en) | 2010-09-30 | 2013-06-25 | The Charles Stark Draper Laboratory, Inc. | Attitude estimation in compressed domain |
US8472736B2 (en) * | 2010-09-30 | 2013-06-25 | The Charles Stark Draper Laboratory, Inc. | Attitude estimation by reducing noise with dragback |
US8780097B2 (en) * | 2011-10-20 | 2014-07-15 | Sharp Laboratories Of America, Inc. | Newton ring mura detection system |
JP6306811B2 (ja) * | 2012-06-22 | 2018-04-04 | 富士通株式会社 | 画像処理装置、情報処理方法及びプログラム |
EP2865003A1 (en) * | 2012-06-26 | 2015-04-29 | Kla-Tencor Corporation | Scanning in angle-resolved reflectometry and algorithmically eliminating diffraction from optical metrology |
KR101520835B1 (ko) * | 2013-06-27 | 2015-05-18 | 파크시스템스 주식회사 | 이미지 획득 방법 및 이를 이용한 이미지 획득 장치 |
JP6259634B2 (ja) * | 2013-10-17 | 2018-01-10 | 株式会社日立ハイテクノロジーズ | 検査装置 |
CN104019752B (zh) * | 2014-05-29 | 2015-11-25 | 京东方科技集团股份有限公司 | 显示屏的厚度均匀性检测方法、装置及*** |
US9916965B2 (en) * | 2015-12-31 | 2018-03-13 | Kla-Tencor Corp. | Hybrid inspectors |
CN105741250B (zh) * | 2016-02-04 | 2018-10-23 | 东华大学 | 基于二次插值法的自动验布机走布速度不匀的图像矫正方法 |
CN105761221B (zh) * | 2016-02-04 | 2018-10-23 | 东华大学 | 基于自然样条插值法的自动验布机走布速度不匀的图像矫正方法 |
CN105761222B (zh) * | 2016-02-04 | 2018-10-23 | 东华大学 | 基于牛顿插值法的自动验布机走布速度不匀的图像矫正方法 |
CN105761220B (zh) * | 2016-02-04 | 2018-10-23 | 东华大学 | 基于线性插值法的自动验布机走布速度不匀的图像矫正方法 |
US9984454B2 (en) * | 2016-04-22 | 2018-05-29 | Kla-Tencor Corporation | System, method and computer program product for correcting a difference image generated from a comparison of target and reference dies |
US10360238B1 (en) * | 2016-12-22 | 2019-07-23 | Palantir Technologies Inc. | Database systems and user interfaces for interactive data association, analysis, and presentation |
US10838551B2 (en) * | 2017-02-08 | 2020-11-17 | Hewlett-Packard Development Company, L.P. | Calibration of displays |
KR102454986B1 (ko) * | 2017-05-23 | 2022-10-17 | 삼성디스플레이 주식회사 | 얼룩 검출 장치 및 이를 이용한 얼룩 검출 방법 |
US10522376B2 (en) * | 2017-10-20 | 2019-12-31 | Kla-Tencor Corporation | Multi-step image alignment method for large offset die-die inspection |
KR20230147216A (ko) * | 2017-11-29 | 2023-10-20 | 케이엘에이 코포레이션 | 디바이스 검사 시스템을 사용한 오버레이 에러의 측정 |
US10984524B2 (en) * | 2017-12-21 | 2021-04-20 | Advanced Ion Beam Technology, Inc. | Calibration system with at least one camera and method thereof |
US10907968B1 (en) * | 2018-01-29 | 2021-02-02 | Rockwell Collins,, Inc. | Integrity monitoring systems and methods for image sensors |
JP7258509B2 (ja) * | 2018-10-15 | 2023-04-17 | オムロン株式会社 | 画像処理装置、画像処理方法、及び画像処理プログラム |
KR102130960B1 (ko) * | 2019-05-07 | 2020-07-08 | (주) 솔 | 가상의 그리드 선을 이용한 미세 입자 계수용 이미지 센서 패키지, 미세 입자 계수 시스템 및 방법 |
CN111652865B (zh) * | 2020-05-29 | 2022-04-08 | 惠州市华星光电技术有限公司 | Mura检测方法、装置及可读存储介质 |
JP2023000112A (ja) * | 2021-06-17 | 2023-01-04 | キオクシア株式会社 | 計測装置および計測プログラム |
CN115854897A (zh) * | 2022-12-27 | 2023-03-28 | 东莞诺丹舜蒲胶辊有限公司 | 胶辊激光智能检测方法、装置、设备及介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5153444A (en) * | 1988-12-23 | 1992-10-06 | Hitachi, Ltd. | Method and apparatus for detecting patterns |
US20030228050A1 (en) * | 2002-06-10 | 2003-12-11 | Tokyo Seimitsu Israel Ltd. | Method for pattern inspection |
US20050117796A1 (en) * | 2003-11-28 | 2005-06-02 | Shigeru Matsui | Pattern defect inspection method and apparatus |
CN1628324A (zh) * | 2002-02-07 | 2005-06-15 | 应用材料有限公司 | 检测缺陷的方法和*** |
CN1745385A (zh) * | 2003-02-03 | 2006-03-08 | 光子动力学公司 | 用于显示器的光学检测的方法和装置 |
Family Cites Families (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4870357A (en) * | 1988-06-03 | 1989-09-26 | Apple Computer, Inc. | LCD error detection system |
US5764209A (en) * | 1992-03-16 | 1998-06-09 | Photon Dynamics, Inc. | Flat panel display inspection system |
US5640200A (en) * | 1994-08-31 | 1997-06-17 | Cognex Corporation | Golden template comparison using efficient image registration |
US5917935A (en) * | 1995-06-13 | 1999-06-29 | Photon Dynamics, Inc. | Mura detection apparatus and method |
JP2956755B2 (ja) * | 1996-03-11 | 1999-10-04 | 日本電気株式会社 | 微細パターン検査装置 |
US6298149B1 (en) * | 1996-03-21 | 2001-10-02 | Cognex Corporation | Semiconductor device image inspection with contrast enhancement |
JP2004534949A (ja) * | 2001-07-05 | 2004-11-18 | フォトン・ダイナミクス・インコーポレーテッド | モアレ抑制方法および装置 |
US20030081826A1 (en) * | 2001-10-29 | 2003-05-01 | Tokyo Seimitsu (Israel) Ltd. | Tilted scan for Die-to-Die and Cell-to-Cell detection |
WO2005073668A1 (en) * | 2004-01-29 | 2005-08-11 | Micronic Laser Systems Ab | A method for measuring the position of a mark in a deflector system |
JP2005308464A (ja) * | 2004-04-20 | 2005-11-04 | Dainippon Screen Mfg Co Ltd | 欠陥検出装置および欠陥検出方法 |
JP4480002B2 (ja) * | 2004-05-28 | 2010-06-16 | Hoya株式会社 | ムラ欠陥検査方法及び装置、並びにフォトマスクの製造方法 |
JP2006145370A (ja) * | 2004-11-19 | 2006-06-08 | Nippon Sheet Glass Co Ltd | 周期的なパターンを有する被検査体の欠陥箇所検出装置および欠陥箇所検出方法 |
US7804993B2 (en) * | 2005-02-28 | 2010-09-28 | Applied Materials South East Asia Pte. Ltd. | Method and apparatus for detecting defects in wafers including alignment of the wafer images so as to induce the same smear in all images |
WO2006115438A1 (en) * | 2005-04-25 | 2006-11-02 | Micronic Laser Systems Ab | A method for measuring the position of a mark in a micro lithographic deflector system |
JP2009523241A (ja) * | 2006-01-13 | 2009-06-18 | マイクロニック レーザー システムズ アクチボラゲット | 光学系での人為的分解能(artificialresolution)向上のための装置、方法、及びコンピュータ・プログラム |
US7684609B1 (en) * | 2006-05-25 | 2010-03-23 | Kla-Tencor Technologies Corporation | Defect review using image segmentation |
-
2008
- 2008-11-12 WO PCT/IB2008/003046 patent/WO2009063295A1/en active Application Filing
- 2008-11-12 CN CN2008801234127A patent/CN101918818A/zh active Pending
- 2008-11-12 KR KR1020107012924A patent/KR20100092014A/ko active Search and Examination
- 2008-11-12 US US12/292,152 patent/US20090175530A1/en not_active Abandoned
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5153444A (en) * | 1988-12-23 | 1992-10-06 | Hitachi, Ltd. | Method and apparatus for detecting patterns |
CN1628324A (zh) * | 2002-02-07 | 2005-06-15 | 应用材料有限公司 | 检测缺陷的方法和*** |
US20030228050A1 (en) * | 2002-06-10 | 2003-12-11 | Tokyo Seimitsu Israel Ltd. | Method for pattern inspection |
CN1745385A (zh) * | 2003-02-03 | 2006-03-08 | 光子动力学公司 | 用于显示器的光学检测的方法和装置 |
US20050117796A1 (en) * | 2003-11-28 | 2005-06-02 | Shigeru Matsui | Pattern defect inspection method and apparatus |
Cited By (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102566291A (zh) * | 2010-12-29 | 2012-07-11 | 中芯国际集成电路制造(上海)有限公司 | 投影掩膜版的测试*** |
CN103765200B (zh) * | 2011-06-07 | 2016-12-28 | 光子动力公司 | 使用整个原始图像进行缺陷检测的***和方法 |
CN103765200A (zh) * | 2011-06-07 | 2014-04-30 | 光子动力公司 | 使用整个原始图像进行缺陷检测的***和方法 |
CN102682307A (zh) * | 2012-05-03 | 2012-09-19 | 苏州多捷电子科技有限公司 | 基于图像处理的可编辑答题卡***及其实现方法 |
CN103559680A (zh) * | 2012-05-21 | 2014-02-05 | 康耐视公司 | 用于为多层图案的视觉***检查生成合成黄金模板图像的***和方法 |
CN103559680B (zh) * | 2012-05-21 | 2016-12-28 | 康耐视公司 | 用于为多层图案的视觉***检查生成合成黄金模板图像的***和方法 |
CN105122046A (zh) * | 2013-03-29 | 2015-12-02 | 斯奈克玛 | 用于检测物体上的缺陷方法 |
CN105122046B (zh) * | 2013-03-29 | 2018-01-23 | 斯奈克玛 | 用于检测物体上的缺陷方法 |
CN103559857A (zh) * | 2013-10-31 | 2014-02-05 | 桂林机床电器有限公司 | 一种面向oled屏像素缺陷检测的方法及装置 |
CN103559857B (zh) * | 2013-10-31 | 2016-03-16 | 桂林机床电器有限公司 | 一种面向oled屏像素缺陷检测的方法及装置 |
CN105321169A (zh) * | 2014-05-31 | 2016-02-10 | 苹果公司 | 用于单幅照相机模块主动对准倾斜校正的方法和*** |
CN105321169B (zh) * | 2014-05-31 | 2018-07-06 | 苹果公司 | 用于单幅照相机模块主动对准倾斜校正的方法和*** |
CN105526868A (zh) * | 2014-10-16 | 2016-04-27 | 株式会社拓普康 | 位移测定方法和位移测定装置 |
CN106056608A (zh) * | 2016-06-01 | 2016-10-26 | 武汉精测电子技术股份有限公司 | 一种图像点线缺陷检测方法及装置 |
CN107154041A (zh) * | 2017-05-16 | 2017-09-12 | 武汉精测电子技术股份有限公司 | 一种用于显示面板缺陷分类的学习方法 |
CN107154041B (zh) * | 2017-05-16 | 2019-08-09 | 武汉精测电子集团股份有限公司 | 一种用于显示面板缺陷分类的学习方法 |
CN107657609A (zh) * | 2017-09-29 | 2018-02-02 | 西安近代化学研究所 | 一种基于激光扫描的获取靶板穿孔密度的方法 |
CN107657609B (zh) * | 2017-09-29 | 2020-11-10 | 西安近代化学研究所 | 一种基于激光扫描的获取靶板穿孔密度的方法 |
CN111699378A (zh) * | 2018-01-05 | 2020-09-22 | 统一半导体公司 | 用于光学检查衬底的方法和*** |
CN109785324A (zh) * | 2019-02-01 | 2019-05-21 | 佛山市南海区广工大数控装备协同创新研究院 | 一种大幅面pcb板定位方法 |
CN109785324B (zh) * | 2019-02-01 | 2020-11-27 | 佛山市南海区广工大数控装备协同创新研究院 | 一种大幅面pcb板定位方法 |
WO2022051967A1 (en) * | 2020-09-10 | 2022-03-17 | Huawei Technologies Co., Ltd. | Optical apparatus |
CN112556580A (zh) * | 2021-03-01 | 2021-03-26 | 北京领邦智能装备股份公司 | 测量三维尺寸的方法、装置、***、电子设备和存储介质 |
CN112556580B (zh) * | 2021-03-01 | 2021-09-03 | 北京领邦智能装备股份公司 | 测量三维尺寸的方法、装置、***、电子设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
KR20100092014A (ko) | 2010-08-19 |
US20090175530A1 (en) | 2009-07-09 |
WO2009063295A1 (en) | 2009-05-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101918818A (zh) | 检测图案误差的方法和装置 | |
TWI706485B (zh) | 光學晶粒對資料庫檢查 | |
US9875536B2 (en) | Sub-pixel and sub-resolution localization of defects on patterned wafers | |
US10074036B2 (en) | Critical dimension uniformity enhancement techniques and apparatus | |
US7486814B2 (en) | Local bias map using line width measurements | |
JP6328063B2 (ja) | 処理済像を使用するレチクル検査時の選択的感度のための細線の検出 | |
US8458622B2 (en) | Photo-mask acceptance technique | |
JP6617143B2 (ja) | 構造情報を用いた欠陥検出システム及び方法 | |
KR20180030715A (ko) | 전자 빔 이미지에서의 결함 위치 결정 | |
US9875534B2 (en) | Techniques and systems for model-based critical dimension measurements | |
Krüger et al. | Accurate chequerboard corner localisation for camera calibration | |
US9171364B2 (en) | Wafer inspection using free-form care areas | |
TW201702587A (zh) | 光學晶粒至資料庫檢測 | |
Liu et al. | Microscopic scattering imaging measurement and digital evaluation system of defects for fine optical surface | |
US10539512B2 (en) | Block-to-block reticle inspection | |
CN107533759A (zh) | 对于关注图案图像群体的异常检测 | |
JP3660763B2 (ja) | 被検査パターンの検査方法及び製造プロセス診断方法並びに半導体基板の製造方法 | |
KR100913755B1 (ko) | 직선 라인 결함 탐지 | |
US6397165B1 (en) | Microscopic corner radius measurement system | |
CN106895780A (zh) | 用于测量对象的位置的光学装置 | |
Wang et al. | Distortion correction in surface defects evaluating system of large fine optics | |
TWI595232B (zh) | Inspection methods and templates | |
EP1104915B1 (en) | Defect detection using gray level signatures | |
Moly et al. | Self-supervised deep learning neural network for CD-SEM image denoising using reduced dataset | |
Okamoto et al. | Improvement of EPE measurement accuracy on ADI wafer, the method of using machine learning trained with CAD |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20101215 |