CN103185730B - 缺陷分类法则建立方法、缺陷分类与致命缺陷判断方法 - Google Patents
缺陷分类法则建立方法、缺陷分类与致命缺陷判断方法 Download PDFInfo
- Publication number
- CN103185730B CN103185730B CN201210560801.4A CN201210560801A CN103185730B CN 103185730 B CN103185730 B CN 103185730B CN 201210560801 A CN201210560801 A CN 201210560801A CN 103185730 B CN103185730 B CN 103185730B
- Authority
- CN
- China
- Prior art keywords
- defect
- image
- classification
- critical
- semiconductor
- 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.)
- Expired - Fee Related
Links
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
- G01N21/9501—Semiconductor wafers
Landscapes
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种缺陷分类法则建立方法、缺陷分类与致命缺陷判断方法,该缺陷分类法则建立方法,步骤描述如下。将作为例子的具有致命缺陷的多个缺陷分类图像和所有缺陷、图形和背景工艺材料信息输入至制造工具。制造工具取得每一输入图像的缺陷、图形与背景的图像特征、工艺特征与图像关联性(relativity)特征,其中输入的图像包含作为例子的具有致命缺陷的多个缺陷分类图像。根据每一输入图像的缺陷、图形与背景的图像特征、工艺特征与图像关联性特征建立缺陷分类法则。本发明可以把制造效率与产量提高数倍。
Description
技术领域
本发明涉及制造工具(fab tool)中的多个方法,且特别是缺陷分类法则(rule of thumb of defect classification)建立方法,且特别是一种缺陷分类方法与基于缺陷分类法则与关键区域分析(Critical Area Analysis,CAA)的致命缺陷(killer defect)判断方法。
背景技术
在半导体制造厂房中,于半导体制造过程中,多个工艺,例如,涂底、涂布、烘烤以及摄影工艺等会施行于晶圆上。然而,如果在至少一工艺中,发生至少一问题,则会有至少一缺陷形成所制造的半导体上。会导致所制造的半导体失效的缺陷可以称为致命缺陷。例如,半导体中的互不相连的两多边形图形(polygon pattern)可能会因为缺陷而彼此短路,或者,半导体中的一个多边形图形可能会因为缺陷而被分为互不相连两多边形图形。
如果缺陷为致命缺陷,则所制造的半导体的合格率将会降低。幸运的是,在传统半导体工艺技术中,缺陷的尺寸是微小的,故多数的缺陷并非是致命缺陷。然而,当前的半导体工艺技术的临界尺寸(critical dimension)小于先前的半导体工艺技术的临界尺寸,因此,半导体的缺陷不应被忽略。据此,应检测半导体的缺陷,并判断缺陷是否为致命缺陷。
请参照图1,图1为传统缺陷分类与致命缺陷判断的方法的流程图。在传统缺陷分类与致命缺陷判断的方法的步骤S100中,检测人员须取得半导体图像,其中半导体图像中的半导体具有至少一缺陷。半导体图像是通过扫描电子显微镜(SEM)、光学显微镜或电子束显微镜进行自动摄影而获得。接着,在步骤S102中,检测人员需学习典型缺陷类型和致命缺陷判断知识。在步骤S104中,检测人员用眼睛观察出半导体图像中的半导体的至少一缺陷、图形(pattern)和背景(background)。最后,在步骤S106中,检测人员基于典型缺陷类型和致命缺陷判断知识根据步骤S104的观察结果决定缺陷类型与判断半导体中是否存在致命缺陷。
请参照图2,图2为作为例子的半导体图像的示意图。在检测人员观察半导体图像后,检测人员可以得知半导体2包含背景20、具有多个多边形的图形22以及缺陷24。接着,基于典型缺陷类型和致命缺陷判断知识,检测人员可以根据观察结果决定半导体2中的每一缺陷24为桥接(短路)缺陷或断路缺陷。图2中的两缺陷24皆为致命缺陷,且会导致半导体2失效。
当半导体中的致命缺陷频繁地被检测到,检测人员必须停止半导体制造程序,并且须调整工艺的工艺或设备参数,以确保一定的合格率。传传统缺陷分类与致命缺陷判断的方法虽然可以增加合格率,但却会耗费大量人力。
发明内容
针对现有技术中存在的问题,本发明的目的在于提供一种缺陷分类法则建立方法、一种用于制造工具的缺陷分类方法和一种用于制造工具的致命缺陷判断方法。
本发明实施例提供一种用于制造工具的缺陷分类法则建立方法,此缺陷分类法则建立方法包括以下步骤:将作为例子的具有多个致命缺陷的多个缺陷分类图像输入至制造工具;将所有缺陷、图形和背景工艺材料信息输入至制造工具;对每一个输入图像执行图像检测和分析,以创造出每一输入图像的缺陷、图形和背景的图像特征,其中输入图像包括作为例子的具有多个致命缺陷的多个缺陷分类图像;基于每一输入图像的缺陷、图形和背景的图像特征,创造出每一输入图像的缺陷、图形和背景的工艺特征与图像关联性(relativity)特征;以及基于每一输入图像的缺陷、图形和背景的图像特征、工艺特征与图像关联性特征建立缺陷分类法则。
本发明实施例提供一种用于制造工具的缺陷分类方法。此缺陷分类方法基于缺陷分类法则而可以分类出至少一缺陷,所述缺陷分类法则依据前述的缺陷分类法则建立方法而建立。此缺陷分类方法包括以下步骤:输入半导体图像至制造工具,其中半导体图像具有至少一缺陷;输入缺陷扫描数据至制造工具;载入缺陷分类法则;对每一个半导体图像执行图像检测和分析以创造出每一个半导体图像的缺陷、图形和背景的图像特征;基于每一个半导体图像的缺陷、图形和背景的图像特征,创造出每一个半导体图像的缺陷、图形和背景的工艺特征与图像关联性特征;以及基于缺陷分类法则对半导体图像的缺陷、图形与背景进行分类,以创造出半导体的缺陷的分类结果。
本发明实施例提供一种用于制造工具的致命缺陷判断方法。此致命缺陷判断方法基于缺陷分类法则与关键区域分析而可以判断断路或桥接致命缺陷,所述缺陷分类法则依据前述的缺陷分类法则建立方法而建立。此致命缺陷判断方法包括以下步骤:前述基于缺陷分类法则而用以对至少一缺陷进行分类的缺陷分类方法的所有步骤;将典型缺陷类型和致命缺陷判断知识输入至制造工具;基于典型缺陷类型和致命缺陷判断知识与缺陷的分类结果创造出缺陷区域内的图像图形轮廓、缺陷区域外的图像图形轮廓以及缺陷轮廓;恢复缺陷区域内的图像图形轮廓;合并缺陷区域内所恢复的图像图形轮廓与缺陷区域外的图像图形轮廓,以创造出布局多边形的图像图形轮廓;基于缺陷轮廓以及合并后的图像图形轮廓执行关键区域分析,以取得关键区域分析结果;以及根据关键区域分析结果判断断路或桥接致命缺陷是否存在于半导体中。
本发明实施例提供另一种用于制造工具的致命缺陷判断方法。此致命缺陷判断方法基于缺陷分类法则与关键区域分析而可以判断断路或桥接致命缺陷,所述缺陷分类法则依据前述的缺陷分类法则建立方法而建立。此致命缺陷判断方法包括以下步骤:前述基于缺陷分类法则而用以对至少一缺陷进行分类的缺陷分类方法的所有步骤;将设计布局(design layout)图形文件输入至制造工具;创造出半导体图像的缺陷轮廓以及图形轮廓;对半导体图像和设计布局图形文件的设计布局图形执行尺度比对,以调整设计布局图形文件的设计布局图形的尺度;对经尺度调整后的设计布局图形和半导体图像进行图形比对,以探得正确的缺陷坐标;以及对缺陷轮廓和经尺度调整后的设计布局图形执行关键区域分析,以判断断路或桥接致命缺陷是否存在于半导体中。
本发明的有益效果在于,综上所述,上述各方法可以应用于制造工具。当半导体制造厂房在使用上述方法来分类缺陷与判断断路或桥接致命缺陷时,将可以把制造效率与产量提高数倍,且同时可以减少合格率学习周期(yield learning cycle time)。另外,上述基于缺陷分类法则和关键区域分析的致命缺陷判断方法可以在不需要设计布局图形文件的情况下,便能够执行与判断是有致命缺陷存在于半导体中。
为使能更进一步了解本发明的特征及技术内容,请参阅以下有关本发明的详细说明与附图,但是此等说明与附图仅用来说明本发明,而非对本发明的权利范围作任何的限制。
附图说明
图1为传统缺陷分类与致命缺陷判断的方法的流程图。
图2为作为例子的半导体图像的示意图。
图3为本发明实施例的缺陷分类法则建立方法的流程图。
图4为本发明实施例的基于缺陷分类法则的缺陷分类方法的流程图。
图5A与图5B分别为本发明实施例的基于缺陷分类法则与关键区域分析的致命缺陷判断方法的流程图的上半部分与下半部分。
图5C为本发明实施例的步骤S522的细节的流程图。
图6A至图6D分别为本发明实施例的缺陷轮廓、缺陷区域外的图像图形轮廓、缺陷区域内的图像图形轮廓与所恢复的缺陷区域内的图像图形轮的示意图。
图7A与图7B分别为本发明另一实施例的基于缺陷分类法则与关键区域分析的致命缺陷判断方法的流程图的上半部分与下半部分。
其中,附图标记说明如下:
S100~S106:步骤流程
2:半导体
20:背景
22:图形
24:缺陷
S300~S310:步骤流程
S400~S412:步骤流程
S500~S528:步骤流程
S5200~S5202:步骤流程
S700~S730:步骤流程
62:缺陷区域外的图像图形轮廓
64:缺陷区域内的图像图形轮廓
66:图像图形多边形
P1~P8:端点
具体实施方式
本发明实施例提供一种缺陷分类法则建立方法。本发明另一实施例提供一种基于缺陷分类法则的缺陷分类方法与基于缺陷分类法则和关键区域分析的致命缺陷判断方法。上述各方法皆可以应用于制造工具,例如用于半导体厂、封装厂、印刷电路制造厂、太阳能厂、面板厂、光罩厂与发光二极体厂的制造工具,且所述制造工具可以执行于具有计算能力的装置中。相较于传统方法,上述各方法可以把制造效率与产量提高数倍,并减少合格率学习周期与制造成本。
请参照图3,图3为本发明实施例的缺陷分类法则建立方法的流程图。在制造工具自动分类缺陷类型和判断断路或桥接致命缺陷之前,制造工具会先自动地建立出缺陷分类法则。然后,缺陷分类方法会基于缺陷分类法则,而进一步地决定缺陷类型。另外,致命缺陷判断方法则会基于缺陷分类法则及关键区域分析判断断路或桥接致命缺陷是否存在于半导体中。
在步骤S300中,将多个半导体图像输入至该制造工具,其中每个半导体图像具有至少一缺陷。此多个半导体图像由扫描电子显微镜(scanningelectron microscope,SEM)、光学显微镜以及电子束显微镜摄影而获得。在步骤S302中,将作为例子的具有多个致命缺陷的多个缺陷分类图像输入至制造工具。在步骤S304中,将所有缺陷、图形和背景工艺材料信息输入至制造工具,其中材料可为多晶硅或金属等材料,且金属例如为铜。
值得说明的是,若基于作为例子的具有多个致命缺陷的多个缺陷分类图像所建立的缺陷分类法则已足以对不同总类的所有缺陷都进行分类,则步骤S300可以被移除。然而,为了确保缺陷分类以及致命缺陷判断的精确性,较佳的是,基于步骤S300所述的半导体图像与作为例子的具有多个致命缺陷的多个缺陷分类图像来建立缺陷分类法则。
在步骤S306中,制造工具对每一个输入图像(输入图像包括作为例子的具有多个致命缺陷的多个缺陷分类图像与所输入的半导体图像)执行图像检测和分析,以创造出每一输入图像的缺陷、图形和背景的多个图像特征。每一个输入图像的缺陷、图形和背景的图像检测与分析结果为每一个输入图像的缺陷、图形和背景的图像特征。由于不同的材料和工艺可能有不同的图像特征,例如,不同的亮度和不同的多边形,因此所述缺陷、图形和背景工艺材料信息可以用来指示制造工具执行适合的图像检测与分析。举例来说,铜金属的亮度为亮,而孔洞的亮度为暗。
图像检测和分析的实现方式说明如下,但却不用以限制本发明。图像检测和分析包括边缘检测、噪声滤除、门槛值分析、特征检测、图像尺度检测、轮廓切割、特征形状分析、轮廓生成、图形比对、遮罩、逻辑运算、字形识别、对焦/散焦分析、光源检测、色彩检测与使用灰阶共现矩阵(gray levelco-occurrence matrix,GLCM)的纹理分析的至少其中之一。
边缘检测可以是离散余弦变换(discrete cosine transformation,DCT)检测,Sobel检测或Canny检测。噪声的过滤可以为低通滤波、带通滤波、中值滤波(median filtering)、Despeckle滤波或适性多项式滤波(fit polynomialfiltering)。门槛值分析的门槛值可以为直方图分布分析门槛值,Otsu门槛值,区域直方图分布分析门槛值或二进位门槛值。特征检测可以是前述的边缘检测或Hough转换的直线检测。图像尺度检测可以为视野(field of view,FOV)尺度辨识、比例尺尺度辨识、与图像像素大小尺度辨识。轮廓切割可以为图像特征分割。特征形状分析可以为圆形、椭圆形与长方形检测。轮廓产生可以为轮廓追踪。图形比对可以为位元映像图形比对、角落图形比对或顶点图形比对。逻辑运算可以为加、减、反向运算、对数和指数的组合。字形识别可以为光学特性辨识。对焦/散焦分析可以为高斯模糊或Wiener滤波。色彩检测可以为RGB分析。
在步骤S308中,基于每一输入图像的缺陷、图形和背景的多个图像特征,制造工具创造出每一输入图像的缺陷、图形和背景的多个工艺特征与多个图像关联性特征。
值得说明的是,缺陷、图形和背景的工艺特征的类型并非用以限制本发明。工艺特征包括材料来源、位置、亮度、形状、尺寸、边缘、阴影、粗糙度、硬度和方向的至少其中之一。缺陷的材料来源为图形材料、背景材料或颗粒,且图形与背景的材料来源分别为图形材料与背景材料。
值得说明的是,缺陷、图形和背景的图像关联性特征的类型并非用以限制本发明。图像关联性特征包括相对位置、相对亮度、相对平滑度、俯视图像、侧视图像、位于该缺陷的区域的图形边缘能见度、发生较佳位置、发散或收敛程度与先前图形形状的至少其中之一。举例来说,缺陷对应于图形的相对位置为上、下或相同,缺陷对应于背景的相对位置为上、下或相同,且图形对应于背景的该相对位置为上、下或相同。
在步骤S310中,制造工具基于每一输入图像的缺陷、图形和背景的多个图像特征、多个工艺特征与多个图像关联性特征建立缺陷分类法则。不同的缺陷有不同的工艺特征、不同的图像特征和不同图像关联性特征,因此制造工具会指派不同的多个特定识别码给不同的缺陷。基于相同的理由,制造工具也会不同的多个特定识别码给不同的图形与背景。缺陷分类法则用以记录缺陷、图形和背景的图像特征、工艺特征、图像关联性特征及其对应的特定识别码。
换句话说,于缺陷分类法则中,缺陷的特定辨别码可以用来表示具有特定的图像特征、工艺特征与图像关联性特征的缺陷。同样地,图形的特定辨别码可以用来表示具有特定的图像特征、工艺特征与图像关联性特征的图形,而背景的特定辨别码可以用来表示具有特定的图像特征、工艺特征与图像关联性特征的背景。
请参照图4,图4为本发明实施例提供的基于缺陷分类法则的缺陷分类方法的流程图。使用上述缺陷分类方法的制造工具可以基于缺陷分类法则自动分类半导体的缺陷、图形和背景。
在步骤S400中,将半导体图像输入至制造工具,其中半导体图像具有至少一缺陷。在步骤S404中,将缺陷扫描数据输入至制造工具,其中的缺陷扫描数据用以表示半导体图像的批号或半导体图像是在哪个工艺中被摄影。因此,在制造工具建立分类结果后,制造工具的使用者可得知多个工艺与批号的分类结果。在步骤S402中,载入缺陷分类法则方法至制造工具。
在步骤S406中,制造工具对每一个半导体图像执行图像检测和分析,以创造出每一个半导体图像的缺陷、图形和背景的多个图像特征。然后,在步骤S408中,制造工具基于每一个半导体图像的缺陷、图形和背景的多个图像特征,创造出每一个半导体图像的缺陷、图形和背景的多个工艺特征与多个图像关联性特征。
接着,在步骤S410中,制造工具基于缺陷分类法则对半导体图像的缺陷、图形与背景进行分类,以创造出半导体的缺陷的分类结果。最后,在步骤S412中,制造工具将半导体的缺陷的分类结果输出至制造工具使用者或存储装置。
制造工具将半导体的缺陷的多个图像特征、多个工艺特征与多个图像关联性特征与缺陷分类法则中所有缺陷的多个图像特征、多个工艺特征与多个图像关联性特征进行比对,以在缺陷分类法则中找出相似的缺陷,且制造工具将缺陷分类法则中相似的缺陷的对应的特定识别码指派给半导体的缺陷。同样地,制造工具将将缺陷分类法则中相近于半导体的图形与背景的相似图形与背景的对应的特定识别码指派给半导体的图形与背景。所述被指派的特定识别码即为缺陷的分类结果的内容。
值得注意的是,基于缺陷分类法则的缺陷分类方法还包括下述的步骤。如果缺陷的特定识别码为致命缺陷的特定识别码,则制造工具可以大致判断出致命缺陷存在于半导体中。另外,在下面的说明中,将进一步地描述其的致命缺陷判断方法。
请参照图5A和图5B,图5A与5B分别为本发明实施例的基于缺陷分类法则与关键区域分析的致命缺陷判断方法的流程图的上半部分与下半部分。制造工具会基于缺陷分类法则而先对半导体的缺陷分类,且接着,缺陷的分类结果可以据此用以来判断断路或桥接致命缺陷是否存在于半导体中。在图5A中,步骤S500至步骤S512相同于步骤S400至步骤S412,故不再赘述。在步骤S514中,将典型缺陷类型和致命缺陷判断知识输入至制造工具。
接着,如图5B所示,在步骤S516中,基于典型缺陷类型和致命缺陷判断知识与缺陷的分类结果,制造工具创造出缺陷区域内的图像图形轮廓。在步骤S518中,基于典型缺陷类型和致命缺陷判断知识与缺陷的分类结果,制造工具创造出缺陷轮廓,其中制造工具自半导体图像剪下的缺陷轮廓,来获得缺陷轮廓。在步骤S520,基于典型缺陷类型和致命缺陷判断知识与缺陷的分类结果,制造工具创造出缺陷区域外的图像图形轮廓。
在步骤S522中,制造工具恢复缺陷区域内的图像图形轮廓。上述恢复缺陷区域内的图像图形轮廓的细节可见于图5C,在此,先将步骤S522的细节省略。在步骤S524中,制造工具合并缺陷区域内所恢复的图像图形轮廓与缺陷区域外的图像图形轮廓,以创造出布局多边形的图像图形轮廓。接下来,在步骤S526,制造工具基于缺陷轮廓以及合并后的图像图形轮廓(亦即布局多边形的图像图形轮廓)执行关键区域分析,以取得关键区域分析结果。最后,在步骤S528中,制造工具根据关键区域分析结果判断断路或桥接致命缺陷是否存在于半导体中,也就是说,关键区域分析结果指出是否半导体中是否存在着使其失效的缺陷。值得注意的是,图5A与图5B所述的基于缺陷分类法则和关键区域分析的致命缺陷判断方法并不需要设计布局图形文件。
请参照图5C,图5C为本发明实施例的步骤S522的细节的流程图。在步骤S5200中,制造工具移除缺陷轮廓与缺陷区域外的图像图形轮廓,以提取缺陷区域内的图像图形轮廓。然后,在步骤S5202中,制造工具延伸与连接缺陷区域内的图像图形轮廓的相对应的每两个互不相连的端点,以恢复缺陷区域内的图像图形轮廓,其中经恢复后的缺陷区域内的图像图形轮廓近似于布局多边形。
请参照图2和图6A至图6D,图6A至图6D分别为本发明实施例的缺陷轮廓、缺陷区域外的图像图形轮廓、缺陷区域内的图像图形轮廓与所恢复的缺陷区域内的图像图形轮廓的示意图。
制造工具将图2中将半导体图像的缺陷24的缺陷轮廓剪下,以据此获得如图6A所示的剪下的缺陷24的缺陷轮廓。与缺陷轮廓不重叠的图像图形轮廓即为如图6B所示的缺陷区域外的图像图形轮廓62。与缺陷轮廓重叠的图像图形轮廓即为如图6C所示的缺陷区域内的图像图形轮廓64。制造工具延伸与连接每两个互不相连的端点P1~P8,以获得如同图6D所示的缺陷区域内的图像图形多边形166。
请参照图7A和图7B,图7A与图7B分别为本发明另一实施例的基于缺陷分类法则与关键区域分析的致命缺陷判断方法的流程图的上半部分与下半部分。不同于图5A和图5B的基于缺陷分类法则和关键区域分析的致命缺陷判断方法,图7A和图7B的基于缺陷分类法则和关键区域分析的致命缺陷判断方法使用设计布局图形文件来判断断路或桥接致命缺陷。
在图7A,步骤S700至S712相同图4中的步骤S400至S412,因此不再赘述。在步骤S714中,将设计布局图形文件输入至制造工具。
在图7B的步骤S728中,制造工具创造出半导体图像的缺陷轮廓以及图形轮廓。接下来,在步骤S724中,制造工具对半导体图像和设计布局图形文件的设计布局图形执行尺度比对,以调整设计布局图形文件的设计布局图形的尺度。然后,在步骤S726中,制造工具对经尺度调整后的设计布局图形和半导体图像进行图形比对,以探得正确的缺陷坐标。最后,在步骤S730中,对缺陷轮廓和经尺度调整后的设计布局图形执行关键区域分析,以判断断路或桥接致命缺陷是否存在于半导体中。
综上所述,本发明实施例提供了一种缺陷分类法则建立方法、基于缺陷分类法则的缺陷分类方法与基于缺陷分类法则与关键区域分析的致命缺陷判断方法,且上述各方法可以应用于制造工具。当半导体制造厂房在使用上述方法来分类缺陷与判断断路或桥接致命缺陷时,将可以把制造效率与产量提高数倍,且同时可以减少合格率学习周期。另外,上述基于缺陷分类法则和关键区域分析的致命缺陷判断方法可以在不需要设计布局图形文件的情况下,便能够执行与判断是有致命缺陷存在于半导体中。
以上所述仅为本发明的实施例,其并非用以局限本发明的专利范围。
Claims (4)
1.一种致命缺陷判断方法,用于制造工具,其特征在于,基于缺陷分类法则与关键区域分析而可以判断致命缺陷,其中该缺陷分类法则通过一用于该制造工具的缺陷分类法则建立方法而建立,其中该缺陷分类法则建立方法包括步骤:
将作为例子的具有多个致命缺陷的多个缺陷分类图像输入至该制造工具;
将所有缺陷、图形和背景工艺材料信息输入至该制造工具;
对每一个输入图像执行图像检测和分析,以创造出每一输入图像的至少一缺陷、图形和背景的多个图像特征,其中所述输入图像包括作为例子的具有所述多个致命缺陷的所述多个缺陷分类图像;
基于每一输入图像的该缺陷、该图形和该背景的所述多个图像特征,创造出每一输入图像的该缺陷、该图形和该背景的多个工艺特征与多个图像关联性特征;以及
基于每一输入图像的该缺陷、该图形和该背景的所述多个图像特征、所述多个工艺特征与所述多个图像关联性特征建立该缺陷分类法则;
且该致命缺陷判断方法包括步骤:
输入半导体图像至该制造工具,其中该半导体图像具有至少一缺陷;
输入缺陷扫描数据至该制造工具;
载入该缺陷分类法则;
对每一个半导体图像执行该图像检测和分析,以创造出每一个半导体图像的该缺陷、该图形和该背景的多个图像特征;
基于每一个半导体图像的该缺陷、该图形和该背景的所述多个图像特征,创造出每一个半导体图像的该缺陷、该图形和该背景的多个工艺特征与多个图像关联性特征;以及
基于该缺陷分类法则对该半导体图像的该缺陷、该图形与该背景进行分类,以创造出半导体的该缺陷的分类结果;
将典型缺陷类型和致命缺陷判断知识输入至该制造工具;
基于该典型缺陷类型和致命缺陷判断知识与该缺陷的该分类结果创造出缺陷区域内的图像图形轮廓、该缺陷区域外的图像图形轮廓以及缺陷轮廓;
恢复该缺陷区域内的该图像图形轮廓;
合并该缺陷区域内所恢复的该图像图形轮廓与该缺陷区域外的该图像图形轮廓,以创造出布局多边形的图像图形轮廓;
基于该缺陷轮廓以及合并后的该图像图形轮廓执行该关键区域分析,以取得关键区域分析结果;以及
根据该关键区域分析结果判断该致命缺陷是否存在于该半导体中。
2.如权利要求1所述的致命缺陷判断方法,其特征在于,其中该制造工具移除该缺陷轮廓与该缺陷区域外的该图像图形轮廓,以提取该缺陷区域内的该图像图形轮廓,且该制造工具延伸与连接该缺陷区域内的该图像图形轮廓的相对应的每两个互不相连的端点,以恢复该缺陷区域内的该图像图形轮廓。
3.一种致命缺陷判断方法,用于制造工具,其特征在于,基于缺陷分类法则与关键区域分析而可以判断致命缺陷,其中该缺陷分类法则系通过一用于该制造工具的缺陷分类法则建立方法而建立,其中该缺陷分类法则建立方法包括步骤:
将作为例子的具有多个致命缺陷的多个缺陷分类图像输入至该制造工具;
将所有缺陷、图形和背景工艺材料信息输入至该制造工具;
对每一个输入图像执行图像检测和分析,以创造出每一输入图像的至少一缺陷、图形和背景的多个图像特征,其中所述输入图像包括作为例子的具有所述多个致命缺陷的所述多个缺陷分类图像;
基于每一输入图像的该缺陷、该图形和该背景的所述多个图像特征,创造出每一输入图像的该缺陷、该图形和该背景的多个工艺特征与多个图像关联性特征;以及
基于每一输入图像的该缺陷、该图形和该背景的所述多个图像特征、所述多个工艺特征与所述多个图像关联性特征建立该缺陷分类法则;
且该致命缺陷判断方法包括步骤:
输入半导体图像至该制造工具,其中该半导体图像具有至少一缺陷;
输入缺陷扫描数据至该制造工具;
载入该缺陷分类法则;
对每一个半导体图像执行该图像检测和分析,以创造出每一个半导体图像的该缺陷、该图形和该背景的多个图像特征;
基于每一个半导体图像的该缺陷、该图形和该背景的所述多个图像特征,创造出每一个半导体图像的该缺陷、该图形和该背景的多个工艺特征与多个图像关联性特征;以及
基于该缺陷分类法则对该半导体图像的该缺陷、该图形与该背景进行分类,以创造出半导体的该缺陷的分类结果;
将设计布局图形文件输入至该制造工具;
创造出该半导体图像的缺陷轮廓以及图形轮廓;
对该半导体图像和该设计布局图形文件的设计布局图形执行尺度比对,以调整该设计布局图形文件的该设计布局图形的尺度;
对经尺度调整后的该设计布局图形和该半导体图像进行图形比对,以探得正确的缺陷坐标;以及
对该缺陷轮廓和经尺度调整后的该设计布局图形执行该关键区域分析,以判断该致命缺陷是否存在于该半导体中。
4.如权利要求3所述的致命缺陷判断方法,其特征在于,其中该制造工具移除该缺陷轮廓与该缺陷区域外的该图像图形轮廓,以提取该缺陷区域内的该图像图形轮廓,且该制造工具延伸与连接该缺陷区域内的该图像图形轮廓的相对应的每两个互不相连的端点,以恢复该缺陷区域内的该图像图形轮廓。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US13/338,672 | 2011-12-28 | ||
US13/338,672 US8908957B2 (en) | 2011-12-28 | 2011-12-28 | Method for building rule of thumb of defect classification, and methods for classifying defect and judging killer defect based on rule of thumb and critical area analysis |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103185730A CN103185730A (zh) | 2013-07-03 |
CN103185730B true CN103185730B (zh) | 2015-05-13 |
Family
ID=48677012
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210560801.4A Expired - Fee Related CN103185730B (zh) | 2011-12-28 | 2012-12-19 | 缺陷分类法则建立方法、缺陷分类与致命缺陷判断方法 |
Country Status (3)
Country | Link |
---|---|
US (1) | US8908957B2 (zh) |
CN (1) | CN103185730B (zh) |
TW (1) | TWI480967B (zh) |
Families Citing this family (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103811369B (zh) * | 2013-10-21 | 2016-09-07 | 上海华力微电子有限公司 | 铜连接孔刻蚀不足缺陷在线检测方法 |
US10650508B2 (en) | 2014-12-03 | 2020-05-12 | Kla-Tencor Corporation | Automatic defect classification without sampling and feature selection |
CN110709887B (zh) * | 2017-01-18 | 2023-10-24 | Asml荷兰有限公司 | 级联缺陷检查 |
US11238579B2 (en) * | 2017-01-18 | 2022-02-01 | Asml Netherlands B.V. | Defect pattern grouping method and system |
CN107590511A (zh) * | 2017-08-30 | 2018-01-16 | 武汉华星光电技术有限公司 | 一种缺陷识别方法以及用于自动检查机的缺陷识别*** |
CN107886495B (zh) * | 2017-09-30 | 2020-04-14 | 北京得华机器人技术研究院有限公司 | 一种基于相似度匹配的汽车零配件缺陷识别方法 |
JP2019066399A (ja) * | 2017-10-04 | 2019-04-25 | 三菱電機株式会社 | 半導体装置仕分けシステムおよび半導体装置 |
TWI692700B (zh) * | 2017-10-05 | 2020-05-01 | 敖翔科技股份有限公司 | 智慧型的缺陷校正系統與其實施方法 |
CN108133900A (zh) * | 2017-12-21 | 2018-06-08 | 上海华力微电子有限公司 | 一种缺陷扫描机台及其缺陷自动分类方法 |
CN110021005B (zh) * | 2018-01-05 | 2022-03-15 | 财团法人工业技术研究院 | 电路板瑕疵筛选方法及其装置与计算机可读取记录介质 |
CN110727247B (zh) * | 2018-07-17 | 2022-10-04 | 敖翔科技股份有限公司 | 半导体厂缺陷操作***及装置 |
TWI671838B (zh) * | 2018-07-17 | 2019-09-11 | 敖翔科技股份有限公司 | 半導體廠缺陷作業系統及裝置 |
CN110969175B (zh) * | 2018-09-29 | 2022-04-12 | 长鑫存储技术有限公司 | 晶圆处理方法及装置、存储介质和电子设备 |
CN110796187A (zh) * | 2019-10-22 | 2020-02-14 | 西安奕斯伟硅片技术有限公司 | 不良分类方法及装置 |
CN111054638A (zh) * | 2019-11-27 | 2020-04-24 | 奥特斯科技(重庆)有限公司 | 制造部件承载件的方法及在制造期间操控面板的设备 |
CN111079564B (zh) | 2019-11-27 | 2021-06-01 | 奥特斯科技(重庆)有限公司 | 处理部件承载件的方法及光学检查设备和计算机可读介质 |
TWI757973B (zh) | 2019-12-06 | 2022-03-11 | 美商伊路米納有限公司 | 使用圖形檔案控制電子元件的方法和裝置以及相關的電腦程式產品和圖形檔案組 |
WO2024036552A1 (en) * | 2022-08-18 | 2024-02-22 | Applied Materials, Inc. | Method for defect review measurement on a substrate, apparatus for imaging a substrate, and method of operating thereof |
CN117783769B (zh) * | 2024-02-28 | 2024-05-10 | 国网山西省电力公司太原供电公司 | 基于可视平台的配电网络故障定位方法、***、设备及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1473360A (zh) * | 2001-09-19 | 2004-02-04 | ���ְ�˹��ѧ��ҵ��ʽ���� | 半导体晶片检查设备 |
CN101000311A (zh) * | 2006-01-11 | 2007-07-18 | 索尼株式会社 | 缺陷检查装置及缺陷检查方法 |
CN101178809A (zh) * | 2007-10-12 | 2008-05-14 | 西安电子科技大学 | 集成电路功能成品率估计方法 |
CN101197301A (zh) * | 2006-12-08 | 2008-06-11 | 奥林巴斯株式会社 | 缺陷检查装置及缺陷检查方法 |
US7602962B2 (en) * | 2003-02-25 | 2009-10-13 | Hitachi High-Technologies Corporation | Method of classifying defects using multiple inspection machines |
CN101788503A (zh) * | 2009-01-22 | 2010-07-28 | 久元电子股份有限公司 | 用于检测裸片背面缺陷的裸片缺陷检测***及其使用方法 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5544256A (en) * | 1993-10-22 | 1996-08-06 | International Business Machines Corporation | Automated defect classification system |
US6246787B1 (en) * | 1996-05-31 | 2001-06-12 | Texas Instruments Incorporated | System and method for knowledgebase generation and management |
US6292582B1 (en) * | 1996-05-31 | 2001-09-18 | Lin Youling | Method and system for identifying defects in a semiconductor |
US6092059A (en) * | 1996-12-27 | 2000-07-18 | Cognex Corporation | Automatic classifier for real time inspection and classification |
US6148099A (en) * | 1997-07-03 | 2000-11-14 | Neopath, Inc. | Method and apparatus for incremental concurrent learning in automatic semiconductor wafer and liquid crystal display defect classification |
US6922482B1 (en) * | 1999-06-15 | 2005-07-26 | Applied Materials, Inc. | Hybrid invariant adaptive automatic defect classification |
US7142992B1 (en) * | 2004-09-30 | 2006-11-28 | Kla-Tencor Technologies Corp. | Flexible hybrid defect classification for semiconductor manufacturing |
US7987150B1 (en) * | 2007-02-09 | 2011-07-26 | Siglaz | Method and apparatus for automated rule-based sourcing of substrate microfabrication defects |
US8095895B2 (en) | 2009-01-14 | 2012-01-10 | Iyun Leu | Method for defect diagnosis and management |
US8473223B2 (en) | 2009-10-07 | 2013-06-25 | Iyun Leu | Method for utilizing fabrication defect of an article |
-
2011
- 2011-12-28 US US13/338,672 patent/US8908957B2/en not_active Expired - Fee Related
-
2012
- 2012-11-28 TW TW101144587A patent/TWI480967B/zh not_active IP Right Cessation
- 2012-12-19 CN CN201210560801.4A patent/CN103185730B/zh not_active Expired - Fee Related
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1473360A (zh) * | 2001-09-19 | 2004-02-04 | ���ְ�˹��ѧ��ҵ��ʽ���� | 半导体晶片检查设备 |
US7602962B2 (en) * | 2003-02-25 | 2009-10-13 | Hitachi High-Technologies Corporation | Method of classifying defects using multiple inspection machines |
CN101000311A (zh) * | 2006-01-11 | 2007-07-18 | 索尼株式会社 | 缺陷检查装置及缺陷检查方法 |
CN101197301A (zh) * | 2006-12-08 | 2008-06-11 | 奥林巴斯株式会社 | 缺陷检查装置及缺陷检查方法 |
CN101178809A (zh) * | 2007-10-12 | 2008-05-14 | 西安电子科技大学 | 集成电路功能成品率估计方法 |
CN101788503A (zh) * | 2009-01-22 | 2010-07-28 | 久元电子股份有限公司 | 用于检测裸片背面缺陷的裸片缺陷检测***及其使用方法 |
Also Published As
Publication number | Publication date |
---|---|
TW201330135A (zh) | 2013-07-16 |
CN103185730A (zh) | 2013-07-03 |
US20130170733A1 (en) | 2013-07-04 |
US8908957B2 (en) | 2014-12-09 |
TWI480967B (zh) | 2015-04-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103185730B (zh) | 缺陷分类法则建立方法、缺陷分类与致命缺陷判断方法 | |
CN105894036B (zh) | 一种应用于手机屏幕缺陷检测的图像特征模板匹配方法 | |
Xue-Wu et al. | A vision inspection system for the surface defects of strongly reflected metal based on multi-class SVM | |
US6961466B2 (en) | Method and apparatus for object recognition | |
CN112955732A (zh) | 用于确定空白光罩上的缺陷的类型及大小的***及方法 | |
US20220309637A1 (en) | Electronic substrate defect detection | |
US6463175B1 (en) | Structure-guided image processing and image feature enhancement | |
CN105139386A (zh) | 一种快速自动检测电气接插件焊点不合格品的图像处理方法 | |
CN110021012B (zh) | 基于机器视觉技术的手机镜头视窗玻璃缺陷检测方法 | |
US20070127817A1 (en) | Change region detection device and change region detecting method | |
US6507675B1 (en) | Structure-guided automatic learning for image feature enhancement | |
CN107369176B (zh) | 一种柔性ic基板氧化面积检测***及方法 | |
JP2009259036A (ja) | 画像処理装置、画像処理方法、画像処理プログラム、記録媒体、及び画像処理システム | |
CN115290663B (zh) | 基于光学检测的Mini LED晶圆外观缺陷检测方法 | |
CN115908415B (zh) | 基于边缘的缺陷检测方法、装置、设备及存储介质 | |
CN109166092A (zh) | 一种图像缺陷检测方法及*** | |
CN109378279A (zh) | 晶圆检测方法及晶圆检测*** | |
CN114417993A (zh) | 一种基于深度卷积神经网络和图像分割的划痕检测方法 | |
CN114255212A (zh) | 一种基于cnn的fpc表面缺陷检测方法及其*** | |
CN109001213B (zh) | 一种卷到卷超薄柔性ic基板外观检测方法 | |
Meng et al. | Defect detection of glassivation passivation parts wafer surface with random texture and different brightness | |
CN114486916A (zh) | 基于机器视觉的手机玻璃盖板缺陷检测方法 | |
Milecki et al. | The application of a vision system to detect trajectory points for soldering robot programming | |
CN113344858B (zh) | 特征检测方法、装置及计算机存储介质 | |
CN117523543B (zh) | 一种基于深度学习的金属压印字符识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20150513 Termination date: 20211219 |
|
CF01 | Termination of patent right due to non-payment of annual fee |