CN113454445A - 零件检查期间对于参考未对准进行补偿 - Google Patents

零件检查期间对于参考未对准进行补偿 Download PDF

Info

Publication number
CN113454445A
CN113454445A CN201980082521.7A CN201980082521A CN113454445A CN 113454445 A CN113454445 A CN 113454445A CN 201980082521 A CN201980082521 A CN 201980082521A CN 113454445 A CN113454445 A CN 113454445A
Authority
CN
China
Prior art keywords
feature
vector
measurement
reference data
edge
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
Application number
CN201980082521.7A
Other languages
English (en)
Inventor
R·P·比肖普
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Fast Image Processing Co ltd
Original Assignee
Fast Image Processing Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Fast Image Processing Co ltd filed Critical Fast Image Processing Co ltd
Publication of CN113454445A publication Critical patent/CN113454445A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
    • G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
    • G03F1/00—Originals for photomechanical production of textured or patterned surfaces, e.g., masks, photo-masks, reticles; Mask blanks or pellicles therefor; Containers specially adapted therefor; Preparation thereof
    • G03F1/68—Preparation processes not covered by groups G03F1/20 - G03F1/50
    • G03F1/82—Auxiliary processes, e.g. cleaning or inspecting
    • G03F1/84—Inspecting
    • 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
    • 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
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/28—Testing of electronic circuits, e.g. by signal tracer
    • G01R31/302—Contactless testing
    • G01R31/308—Contactless testing using non-ionising electromagnetic radiation, e.g. optical radiation
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/28—Testing of electronic circuits, e.g. by signal tracer
    • G01R31/302—Contactless testing
    • G01R31/308—Contactless testing using non-ionising electromagnetic radiation, e.g. optical radiation
    • G01R31/311—Contactless testing using non-ionising electromagnetic radiation, e.g. optical radiation of integrated circuits
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/30—Circuit design
    • G06F30/39—Circuit design at the physical level
    • G06F30/398—Design verification or optimisation, e.g. using design rule check [DRC], layout versus schematics [LVS] or finite element methods [FEM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G06T7/75—Determining position or orientation of objects or cameras using feature-based methods involving models
    • 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
    • G06T2207/30141—Printed circuit board [PCB]
    • 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)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Electromagnetism (AREA)
  • Toxicology (AREA)
  • Quality & Reliability (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Geometry (AREA)
  • Biochemistry (AREA)
  • Signal Processing (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Evolutionary Computation (AREA)
  • Length Measuring Devices By Optical Means (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

用于检查电子零件的方法和装置，诸如半导体晶片、高密度电路板、多层基板、玻璃上铬掩模和补偿参考未对准的其他细线产品。当扫描5零件时，以亚相机像素、亚微米准确度沿着每个导体的整个长度实时执行导体线宽和间距测量。数十亿的计量测量也以亚微米准确度实时执行。描述了从计算机辅助设计（CAD）文件提取测量值的自学习自动化方法。该方法自动确定在定义的可允许制造容差内执行这些数十亿操作的位置。

Description

零件检查期间对于参考未对准进行补偿
相关申请的交叉引用
本申请要求2018年10月12日提交的题为“SUB MICRON INSPECTION”的共同未决美国临时专利申请序列号62/744,746的权益，该共同未决美国临时专利申请的全部内容特此通过引用并入。
技术领域
本专利涉及诸如半导体晶片、高密度电路板、多层基板、内层基板、玻璃上铬掩模以及其他精密零件之类的部件的光学检查和/或计量。
背景技术
考虑示例精密零件，诸如具有多个管芯的多层半导体或电路板，如图1A中所示。此类零件通常通过将多层层压在一起来制造，每层包含金属导体。通过首先用抗蚀剂涂覆该层、然后在该层的不同位置或区段光学投影包含一个或多个管芯的图像、然后蚀刻金属以形成期望的金属电路导体，来制造每个层。该程序通常被称为项目、步骤和重复过程。由于当前的制造限制，已知在不同时间制造的相同层设计之间，或者甚至在相同制造批次中的层之间，投影图案的放置略有不同。对于在薄的柔性有机基板上制造的大型电路板而言尤其如此，其中一些目前的大小在500毫米×500毫米的数量级。
为了促进基板上所有管芯的制造和光学检查，在每个个体的管芯图案中经常放置对准标记。在检查过程期间，通常通过在检查相机下面机械地移动基板或者在基板上移动相机或者它们的一些组合来扫描基板。每个管芯或管芯子区段内的对准标记或唯一导体图案位于扫描图像中，并用于将扫描图像与良好管芯或管芯子区段的存储参考图像对准。一旦对准，图像就被叠覆，并且在其中存储的参考和扫描的相机图像不同的那些位置中报告缺陷。作为示例，图1B图示了导体的参考图像，用黑色示出。图1C图示了带有孔101的导体的扫描相机图像，用灰色示出。图1D图示了放置在图1B的参考图像上的图1C的扫描相机图像的完美叠覆。孔101被检测为其中叠覆图像不同的缺陷。
发明内容
问题识别
通过在参考图像上叠覆扫描图像来检测缺陷具有许多限制，现在使用图2A到图2D、图3A到图3D和图4来描述所述限制。作为第一示例，图2A示出了已知良好电路的参考图案201（用黑色示出），并且图2B示出了叠覆在参考上的该图案202（用灰色示出）的扫描相机图像。由制造过程中的限制、成像光学器件中的非线性、载物台振动和载物台非线性导致的扫描图像中的不准确性限制了该比较的准确性，并且因此限制了最小可检测缺陷的大小。结果，当扫描图像和参考图像叠覆时，存在不完美匹配的区域。为了适应这样的不匹配，现有技术***定义了一个或多个误差容差带，使得仅报告大于最小大小的图案差异。此类容差带203由图2A至图2E中的虚线周界边界线图示。只有当扫描的图案落在容差带之外时，如图2C中所示，缺陷204才被报告，如图2D中所示。
相机像素量化是另一个限制扫描图像和参考图案可以如何准确地比较的因素，从而限制了最小可检测缺陷的大小。在许多现有技术***中，诸如在授予Bishop的题为“Apparatus for and method of automatic optical inspection of electroniccircuit boards, wafers and the like for defects, using skeletal referenceinspection and programmable alignment tolerance and detection parameters”的美国专利6,427,024中，检查过程涉及首先将扫描图像中的每个相机像素分类为导体或绝缘体，然后处理分类的像素以使得能够与参考图像进行比较。作为相机像素量化的示例，图3A表示导体301的光学图像，其宽度等于2.7个相机像素，投影到成像相机上。个体相机像素由2维网格表示。在该示例中，如果像素的百分之五十或更多（P≥50%）被导体的强度特性照亮，则像素被分类为导体。如果少于百分之五十的像素用该强度照亮（P<50%），则该像素被分类为基板。在图3A中，导体301的左边缘覆盖像素1（行中最左侧的像素）的百分之百（100%）、像素2（右边的下一个像素）的百分之百（100%）和像素3（第三列中的像素）的百分之七十（70%）。因此，使用50%阈值规则，导体301被分类为宽度为三（3）个相机像素，如图3B中的分类导体302所示。然而，如果投影到相机上的导体图案仅向右移位一个像素的一小部分，如图3C中的导体303表示的，则同一导体现在将被分类为仅宽度为两（2）个相机像素，如图3D中的导体304表示的。发生该分类线宽的减小是因为在图3C中，导体303的图像现在覆盖了相机像素1的百分之三十五（35%），相机像素2和3的百分之百，以及相机像素4的百分之三十五（35%），使得仅有像素二（2）和三（3）照亮了多于百分之五十的像素。因此，如图3A至图3D图示的，导体相对于相机中的像素的位置可以显著地变更整个相机像素的导体的测量宽度，从而进一步对当比较扫描图像和参考图像时的差异作贡献。
为了最小化由扫描图像和参考图像的此类差异和未对准引起的错误呼叫的数量，如图2A到图2D中图示的，现有技术的***增加了容差带的大小以降低比较的灵敏度。不幸的是，当这样做时，容差带中出现的真正缺陷将被错过。作为示例，两者都在图2E中图示的小缺口缺陷204和小突起缺陷205都将不被检测到。错过此类缺陷是现有技术***的主要限制。
通过叠覆扫描图像和参考图像来检测缺陷的另一个限制是不能以比扫描图像和参考图像的对准准确度更精细的精度检查或验证导体线宽。
作为示例，考虑由图4中的导体401和402表示的具有两个微米（2µm）线的电路，其中两个导体都在相同的相机视场中。在扫描图像中，导体401与导体405在参考中到0.1µm内对准，如未对准箭头406指示的，而在同一扫描图像中的导体402与导体407在同一参考图像中到1 µm内对准，如未对准箭头408指示的。在该示例中，扫描图像满足制造要求，因为导体401和402二者的线宽被校正到+/- 0.1 µm内，这是控制高频阻抗和满足电气要求所需要的，并且在扫描图像和参考图像之间的空间未对准被校正到0.1 µm内，这是确保产品的不同层之间的电路对准所需要的。
然而，使用现有技术的检查方法，如果容差带被放置在参考导体405和407的+/-0.1 µm内以检查合适的线宽，则扫描图像导体402相对于参考导体407的0.1 µm未对准将被不正确地报告为误差。如果容差带被放置在远离参考导体405和407 0.1 µm以检查导体未对准，则导体401和402的小于0.1 µm的线宽误差将不被检测到。因此，如上所述，叠覆扫描图像和参考图像的现有技术***不能以比扫描图像和参考图像的对准准确度更精细的精度来验证导体线宽。
当所需要的待测量的导体数量小时，现有技术已经开发了自动化***来测量零件上“采样位置”处的线宽和临界尺寸。此类***的示例是从以色列雅夫内（Yavne）的Orbotech有限公司可获得的具有2D计量能力的Orbotech® Discovery II、OrbotechFusion和Orbotech Ultra Fusion。（Orbotech是Orbotech 有限公司的注册商标。）然而，除非缺陷应当恰好出现在预定采样位置之一，否则缺陷将不被检测到。由于缺陷的位置是未知的，因此此类基于样本的***通常意图用于过程控制，并且不适合或不意图用于随机缺陷的检测。例如，使用0.7 µm相机像素扫描的300毫米圆形晶片包含超过1.4×1011个像素。使用这样的现有技术在这样零件的每个位置处测量导体宽度和临界尺寸来检测缺陷将花费许多小时，如果不是几天的话。因此，此类现有技术的技术不能满足当今的检查吞吐量要求。
相比之下，本文所述的方法和***可以在以生产速度扫描零件时，实时通过沿零件中每个导体的整个长度或周界以亚微米准确度测量导体线宽和间距来检查零件、执行计量测量并计算特征大小统计，并且不需要扫描图像与存储的参考图案的精细对准。
由于执行了大量的测量，因此还描述了一种自学习自动化算法，用于从参考文件提取测量值，增加制造容差，并确定执行临界尺寸测量的最佳位置。
优选实施例概述
在一个实施例中，用于检查零件中特征的缺陷的方法或***包括定位参考数据，然后定义（一个或多个）容差带，所述（一个或多个）容差带指定一个或多个特征在空间上可以偏离参考数据多少。然后，在围绕每个特征的周界的固定空间位置处创建所谓的测量向量。每个测量向量表示参考数据中从周界上的一点到周界上另一点以指定角度的特征尺寸。还围绕每个固定空间位置定义了线性搜索范围，以使能找到每个测量向量的起始点和结束点。每个线性搜索范围都有搜索轴，其定向在与其对应的测量向量的相同角度定向上。
接下来，对于要检查的每个特征，该特征被移动到该特征的容差带内的多个位置。对于特征的每个这样的位置，在每个先前创建的空间固定的测量位置，在指定的搜索范围内沿着特征的周界搜索点。当在周界上找到一个点时，在由对应的测量向量指定的角度下测量向量尺寸。结果得到的尺寸存储为可允许的。当向量测量超过最大可测量值时，或者当在周界上没有找到点时，该结果也被存储为可允许的。对于每个空间固定的测量位置，存储可允许的最小和最大向量尺寸，对应于特征在其容差带内的多个位置。然后，修改这些最小和最大向量尺寸或其表示，以允许零件检查期间可接受的过程变化。
然后，从扫描图像检查零件的过程继续如下。接下来，对于每个测量向量，并且在该向量的搜索范围内，沿着特征的周界搜索点。当一个点没有被定位时，指示在周界上没有找到点的表示被产生。当一个点被定位时，在为该向量指定的角度下测量向量尺寸，并产生一个表示，该表示指示尺寸何时超过最大可测量值。然后，对于小于最小可允许尺寸（或其表示）或大于最大可允许尺寸（或其表示）的向量尺寸，报告缺陷。
在另一个实施例中，用于测量零件中的特征的方法开始于定位参考数据并定义（一个或多个）容差带，所述（一个或多个）容差带指定一个或多个特征在空间上可以偏离参考数据多少。测量向量是在每个特征的周界周围的固定空间位置处创建的，其中每个测量向量表示参考数据中从周界上的一点到周界上的另一点以指定角度的特征尺寸。还定义了围绕每个固定空间位置的线性搜索范围，以使能找到每个测量向量的起始点和结束点。每个线性搜索范围都有搜索轴，其定向在与其对应的测量向量的相同角度定向上。
接下来，对于要检查的每个特征，该特征被移动到该特征的容差带内的多个位置。对于特征的每个这样的位置，并且在每个先前创建的空间固定的测量位置处，在指定的搜索范围内沿着特征的周界搜索点。当在周界上找到一个点时，在由对应的测量向量指定的角度下测量向量尺寸。结果得到的尺寸存储为可允许的。当向量测量超过最大可测量值时，或者当在周界上没有找到点时，该结果也被存储为可允许的。对于每个空间固定的测量位置，对应于特征在其容差带内的多个位置，存储可允许的最小和最大向量尺寸。
当每个特征在其对应的容差带内移动时，其尺寸不改变或仅在定义的最小临界尺寸容差内改变的测量向量被存储为临界尺寸向量。
然后，对于每个临界尺寸向量，通过在该向量的搜索范围内沿着特征的周界定位点，从扫描图像测量零件的过程然后继续。在所定位的每个这样的周界点处，以与其对应的测量向量相同的角度测量向量尺寸。
然后从向量尺寸测量计算统计数据，作为特征类型的函数，其中所述统计数据在整个零件上计算，或者针对零件的区段计算，或者针对零件上的不同管芯或者零件上不同管芯内的区段计算，其中给定的特征类型由参考数据中相同尺寸的特征表示。可以针对作为最小、最大、平均和标准偏差统计值中的至少一个的特征类型计算统计数据。最后，报告统计数据，以供在表征零件或过程控制中使用。
附图说明
下面的描述参考了附图，其中：
图1A是具有多个管芯的电路板基板的晶片的图示；
图1B是导体参考图像的图示；
图1C是导体的扫描相机图像的图示；
图1D是示出缺陷的参考图像上的扫描相机图像的完美叠覆的图示；
图2A至图2E图示了现有技术检查***使用的图案匹配的限制；
图3A至图3D示出了灰度相机像素如何被分类为导体或绝缘体；
图4示出了与CAD数据相比的扫描图像子区段；
图5是带有向量的图示，其示出了沿着导体的整个长度测量的导体宽度和导体之间的间距；
图6是示出测量不受容差带内运动影响的图示；
图7A示出了根据参考数据计算的向量测量；
图7B是列出从参考数据生成的测量的表格；
图8示出了在扫描图像中寻找边的搜索范围；
图9是其中参考图像水平向右和垂直向下移位的图示；
图10A是示出在移位的参考中找到的特征边的图示；
图10B是列出了从移位的参考生成的测量的表格；
图11A示出了每个向量周围的边界框，其指示不确定性区域，并示出了有效向量值的范围；
图11B是带有导体边位置、测量角度和可允许向量长度的检查参数列表的表格；
图12A是包含窄线缺陷和宽线缺陷的扫描图像的图示；
图12B示出了检查参数列表和检查结果；
图13是超过最大可测量距离的向量测量的图示；
图14A是示出如何在测量间距接近一个像素的情况下在特征的整个周界上执行测量的图示；
图14B是示出为图14A中的特征计算的检查参数列表的表格；
图15A是示出扫描图像放置中的不确定性不影响或损害小于不确定性区域的缺陷突起、缺口和缺陷的能力的图示；
图15B是示出用于检查图15A中特征的检查参数列表和检查结果的表格；
图15C是示出检查参数列表（其中增加了制造容差以检查图15D中的特征）和检查结果的表格；
图15D是示出包含缺陷加上在制造容差内的突起和缺口的特征的图示；
图16A是示出两个导体之间的绝缘体的参考数据的图示；
图16B是示出图16A的测量绝缘体边缘位置、测量角度和可允许向量长度的检查参数列表的表格；
图17A是两个导体之间的绝缘体的扫描图像的图示；
图17B是用于检查图16A中的特征和检查结果的检查参数列表；
图18A至图18E示出了用于在亚像素准确度上找到导体和绝缘体的边缘的信号和图像；
图19A是测试目标1的扫描的玻璃上铬的灰度图像；
图19B是示出使用索贝尔梯度算法测量测试目标1上的线宽的结果的表格；
图20A示出了用于将CAD数据转换成参考灰度像素的方法；
图20B是穿过采样线的参考像素强度对参考像素位置的绘图；
图21A是目标2的扫描相机图像；
图21B是用相机镜头模糊函数卷积的目标2的灰度转换的CAD数据；
图21C是表格，其列出了用镜头模糊函数卷积的CAD数据（图21B）和扫描的相机图像（图21A）之间测量的线宽差异；
图22A是金属导体的扫描荧光图像，其在明亮的荧光基板上呈现黑色；
图22B示出了在图22A的荧光图像中检测到的线宽违规；
图22C示出了在图22A的荧光图像中检测到的间距违规；
图23是示出参考数据中额外金属缺陷的图示；
图24是示出大面积绝缘体中额外金属缺陷的图示；
图25是示出了多个额外的金属缺陷的图示；
图26是示出大面积金属中的孔缺陷的图示；
图27A是具有在每个向量周围的边界框的图示，所述边界框指示不确定性区域并示出向量值的范围；
图27B是图27A中所示特征的测量参数列表，其指示临界宽度向量；
图28A是零件的扫描图像的图示，其示出了找到的特征边缘和计算的临界宽度向量；
图28B是列出根据图28A的扫描图像中的特征计算的临界宽度向量测量的表格；
图28C是列出了根据图28A中特征的临界宽度向量测量计算的统计数据的表格；
图29是与参考数据相比较的扫描图像的图示，并且其中测量向量延伸到特征的相对侧；
图30是示出椭圆形焊盘边缘像素和向量的参考数据的图示；
图31是参考数据的图示，其示出了椭圆形焊盘边缘像素和搜索范围；
图32是参考数据的图示，其示出了用于在扫描数据中定位椭圆形的预期边缘像素位置和搜索范围；
图33是叠覆在具有搜索范围的预期边缘像素位置上的缺陷焊盘的扫描图像的图示；
图34是具有位于搜索范围内的边缘像素的缺陷焊盘的扫描图像的图示，
图35是特征形状处理器的图示；
图36是***框图；
图37是用于示例检查的过程图；和
图38是用于示例测量的过程图。
具体实施方式
如以上提及的，本专利涉及对诸如晶片、高密度电路板、多层基板、内层基板、玻璃上铬掩模以及其他细线产品之类的精密零件的改进检查。该方法在亚相机像素、亚微米准确度内执行数十亿个二维导体宽度和间距计量测量，因为零件是以生产速度实时扫描的。
利用该方法，亚相机像素、亚微米宽度和间距计量测量的准确度不受导体放置准确度限制。作为结果，由于制造过程中的限制或检查扫描过程中的限制，零件的扫描图像中导体放置的变化不限制或降级导体宽度或间距测量的准确度。
在沿着零件上每个导体的整个长度或周界的每个像素位置，可以在所述亚相机像素、亚微米准确度上执行数十亿次计量测量，并且实时执行所有计算。我们的在亚微米准确度上验证正确导体宽度和间距要求的新方法，进行此不需要将扫描图像与存储的参考图案进行精细的对准比较。
简而言之，为了检查零件，该方法或装置首先搜索扫描图像以定位每个特征，并且一旦定位，则测量每个特征的大小并计算特征大小统计。当扫描零件时，可以同时实时执行计量测量和缺陷检测。不同特征类型的示例是不同宽度和直径的线和焊盘，诸如例如2 µm线、5 µm线、20µm直径焊盘、50 µm直径焊盘等。
由于通常必须在整个零件上执行数十亿次测量，因此自学习自动化方法或装置从计算机辅助设计（CAD）文件或参考数据提取测量值，其包括定义允许制造容差的方式。
此外，可以计算统计数据，诸如但不限于，针对整个零件、零件的区段、针对零件上的每个管芯或者针对每个管芯的区段以及针对零件上高达百分之百的特征计算的特征大小、线宽和间距测量的最小、最大、平均和标准偏差。除了基于零件上数十亿个位置生成统计量之外，当零件被实时扫描时，可以确定用于执行用于计算统计数据的测量的最佳位置。这样的自动设置对于拥有大体量不同零件的工厂是有利的。
更特别地，当以生产速度扫描基板时，对于零件上的所有管芯，沿着管芯中每个导体线的整个长度和导体之间的间距实时测量导体宽度。这样的导体宽度和间距测量以亚相机像素、亚微米准确度执行。当扫描零件时，该方法首先搜索以定位每个特征，然后一旦定位就测量其大小。可以对零件上的每个特征执行测量。因此，测量线宽、间距和临界尺寸的数十亿次计算都可以在扫描零件时实时执行。
更特别地，图5是一个示例，其中黑色导体中的灰色箭头表示线宽测量，并且导体之间的白色区域中的黑色箭头表示线间距测量。灰色双向箭头501是一个线宽测量的示例，并且黑色双向箭头502是一个线间距测量的示例。线宽和间距测量二者是沿每个导体的整个长度以及针对电路中的每个导体执行的。此外，优选地在沿着每个导体的整个长度或周界的每个像素位置处计算测量。然后，将这些测量与先前根据CAD数据或根据已知良好零件的扫描计算的预期或正确测量值列表进行比较。此外，此类测量以亚像素、亚微米准确度执行，而不受到零件上特征放置的变化损害。
例如，图6图示了导体601和602如何能够在指定的容差带603内在空间位置中独立地改变（由围绕每个导体的虚线指示），并且仍然以亚像素、亚微米准确度被测量——如黑色导体内和之间的双侧箭头向量线所指示。所有向量从导体的一个边缘延伸到导体的另一个边缘，绕过容差带。向量604是用于测量导体线宽的向量的示例，并且向量605是用于测量导体间距的向量的示例。
图7A至图11现在应该结合下面描述的步骤来参考，所述步骤解释了如何从参考数据生成可接受的宽度测量值列表，然后将所述列表用于检查零件。
a.如图7A中所示，CAD数据或黄金已知良好零件的扫描被标识，并用作被认为是完美零件的参考数据701。
b.根据参考数据701，对于参考数据中的所有特征或至少特征子集，边缘（边界）像素沿着每个特征的整个周界定位。在图7A中，点1A、1B、2A、2B、3A、3B、4A、4B和5A、5B是边缘像素的示例。每个特征的宽度是沿着每个特征的周界测量的，记录用于计算每个测量的宽度和角度的起始和结束边缘像素位置的集合。通常可以垂直于相应边缘像素或者以某个其他预定角度取得该测量。表示该测量的其他方式也是可能的。图7A以及图7B的表格7中的向量V1至V5表示了此类测量及其对应角度的示例。
在图7A的示例参考数据中，并且如图7B的表格7中所示，点1A是起始向量位置，点1B是结束向量位置，向量测量的角度相对于水平为零（0）度，并且R1等于测量向量V1的长度或距离。作为第二示例，点3A是起始向量位置，点3B是结束向量位置，向量测量的角度相对于水平是四十五（45）度，并且R3等于测量向量V3的长度或距离。作为第三示例，点4A是起始向量位置，点4B是结束向量位置，向量测量的角度相对于水平是九十（90）度，并且R4等于测量向量V4的长度或距离。
c.下一步骤是定义参考数据中特征周围的不确定性或容差带，其指示在检查时参考数据和扫描图像之间允许的最大偏移或空间偏差。这样的容差带702由图7A中的虚线边界线指示。
d.对于参考数据中的每个起始和结束像素位置，然后定义“线性搜索范围”，该“线性搜索范围”将在检查时用于搜索扫描图像中的边缘。每个线性搜索范围沿着与参考数据中起始和结束像素位置定义的向量相同的测量角度定向。搜索范围由图8中带有双向箭头的实线图示。作为示例，像素位置5b周围的线性搜索范围是Sr。每个线性搜索范围应延伸超过或至少延伸到容差带的边缘，由图8中的虚线所指示，以确保在检查时，当导体在不确定性区域或容差带内移动时，在扫描图像中找到边缘。
e.为了模拟在检查时向量长度测量将如何受到这样的扫描图像放置不确定性影响，参考数据在容差带内移动以模拟这样的运动，并且为参考数据的每个位置存储结果得到的向量长度测量。
作为示例，图9示出了相对于图7A中所示的标称参考数据位置，参考数据向下移位了半个网格框，并且向右移位了半个网格框。为了模拟在现实零件检查期间将在扫描图像上执行的测量过程，在每个像素的周围线性搜索范围内搜索边缘1A、1B到5A、5B，如图9中带有双向箭头的实线所指示。作为示例，图9中的Sr 902指示在边缘像素5B周围的线性搜索范围。一旦通过该线性搜索找到移位参考的边缘，就在图10A中圆圈（o）所指示的位置处测量每个向量的长度。作为示例，圆圈（o）1001对应于在位置2BF处找到的边缘像素。图10B中的表格10列出了在图10A的示例中找到的每个结果得到的边缘像素的位置，以及对应的测量角度和测量向量的长度。
如图10A和表格10中图示的，在沿向量测量轴的方向上的图案运动不影响向量的测量长度。此外，在恒定特征宽度的区域中，超出测量轴的运动也不影响向量的报告长度。作为示例，图10A和图11A中的向量V2、V3和V4位于恒定特征宽度的区域中，因为当参考数据在容差带内移位时，这些向量的值不改变。这些恒定宽度区域由图11A中围绕向量V2、V3和V4绘制的实心矩形1102、1103和1104用图形图示。
如在表格10、图10B中所示，向量V2、V3和V4的值因此不受这样的图案移动影响，并且与图7B表格7中列出的值一致，所述值是在参考数据移位之前被测量的。然而，当参考数据移位时，快速特征宽度过渡区域中的向量V1和V5受到影响。例如，向量1的长度从图7B的表格7中的R1减少到图10B的表格10中的零，因为当参考数据移位时，在特征的最末端找不到边缘1A和1B，如图10A中所示。同样，向量V5的宽度从R5（在图7B的表格10中）增加到R5+D（在图10B的表格10中），因为该向量也在改变特征宽度的区域中。
分别由箭头1101、1102、1103、1104和1105表示的图11A中围绕向量V1到V4的矩形和围绕向量V5的四边形，用图形指示了当参考数据在容差带内来回移动时将被测量的每个向量的测量值的范围。图11B中的表格11是用于从扫描图像中检查零件的检查列表的示例。该列表包含每个向量的预期导体边缘起始位置、预期导体边缘结束位置、向量测量角度、线性搜索范围长度、最小可允许向量长度和最大可允许向量长度。
此后，该过程继续如下：
f.为了在检查前为每个向量创建有效宽度测量范围列表，参考数据在容差带内“移动”，以模拟检查期间扫描图像的运动（按照图9、图10A、图11A）。通过在每个指定的线性搜索范围内搜索和定位特征的边缘，然后测量边缘之间的长度，例如垂直于边缘方向取得的测量，来测量参考数据的每个位置的向量长度（图9、图10A、图11）。
g.在参考数据图像上使用相同的边缘寻找和测量程序来生成检查列表，如随后在检查时将在扫描图像上使用该检查列表来测量向量长度。然后创建包含所有待测量向量的检查参数列表（图11B）。对于每个这样测量的向量，检查参数列表中的条目包含向量的预期起始边缘位置、预期结束边缘位置、测量角度、线性搜索区域的长度、最小可允许向量长度和最大可允许向量长度。
应该注意的是，给定起始边缘位置、测量角度、最小向量长度和最大向量长度包括在检查参数列表中，在该列表中包含结束边缘位置是可选的，因为它提供了冗余信息。
h.一旦创建了检查参数列表，就在检查过程期间使用它来测量所有临界特征的线宽并检测缺陷，如使用图12A和图12B描述的。
作为示例，图12A示出了具有减小的线宽（缺口）缺陷1202（向量V3）和宽线突出缺陷1203（向量V4）的扫描特征，其中这两个缺陷都落在允许的容差带内。如图2E中所示，当这些类型的缺陷（宽线突出和窄线缺口）落入容差带内时，使用现有技术的检查技术不可检测到它们。
更特别地，在我们的改进方法中，在扫描图像的检查期间，在图12B的表格12中列出的每个起始像素位置1A至5A周围的线性搜索范围Sr（见图8）内搜索特征边缘。如图12A中指示的，在指定搜索范围内的某处，导体边缘在实际位置2AF至5AF处被找到。对于找到的每个边缘，垂直于实际起始边缘2AF至5AF测量特征宽度，其中向量测量V2至V5分别结束于相对的边缘2BF至5BF。如图12A中所示，在扫描图像中找到的实际起始和结束边缘位置在向量V2到V5的开始和结束处用圆圈（o）标记。作为示例，圆圈（o）1204对应于在位置2BF处找到的边缘像素。
i.注意，在图12A的向下移位的扫描图像中没有找到对应于表格12图12B中的位置1A和1B的边缘，因此表格12中的向量V1具有为零的测量值（V1 =0）。因此，在下一个步骤中，将检查期间生成的向量长度V1至V5与检查前创建的对应最小和最大可允许值进行比较。作为示例，将等于零的测量的向量长度V1（V1=0）与图12B的表格12中列出的R1的最小可允许向量长度零（0）和最大可允许向量长度进行比较。由于在扫描零件检查期间测量的零向量长度（V1= 0）在列出的可允许范围内，因此没有报告缺陷。然而，当向量V3测量（R3-D1）与表格12中列出的R3的最小可允许值进行比较时，表格12图12B的分类列中报告了窄导体缺陷测量（R3-D1），因为（R3-D1）< R3。同样，当零件检查期间的向量V4测量R4+D2与表格12中列出的R4最大可允许长度进行比较时，报告长度为（R4+D2）的宽导体缺陷测量，如表格12的分类列中指示的。
为了实现这样的检查***，人们必须认识到，总可存在某些特征，其宽度可能超过检查***的最大可测量距离能力。这由图13中的向量V3指示，其超过了由双向箭头1301指示的最大可测量距离（DMAX）。当出现这种情况时，DMAX或其等效指示符的向量长度测量被输入可允许向量长度的检查列表中。
图7至图13描述的向量测量程序可以在零件上的每个位置执行，以确保检测到所有缺陷，因为缺陷的位置在检查前是未知的。这是与现有技术***相比的另一个主要区别，现有技术***仅在零件上的预定位置处执行样品测量。
作为示例，图14示出了该算法的优选实现，其中沿着参考数据中的每个特征的边缘的每个像素位置被测量，以创建表格14的检查参数列表，在图14B中所示。表格14中所示的示例列表对于每个测量的向量包括：其起始导体边缘位置、结束导体边缘位置、测量角度、搜索范围长度、最小可允许向量长度和最大可允许向量长度。
例如，在表格14中，向量H1具有x=4，y=11的预期起始导体边缘位置，x=6，y=11的预期结束导体边缘位置，相对于水平为零（0）度的测量角度，在扫描图像中寻找围绕起始和结束预期导体边缘位置的+/- ½测量单位的边缘的线性搜索范围，0的最小可允许测量向量长度，以及W1的最大可允许向量长度。
根据参考数据创建的图14B表格14的检查参数列表然后用于检查扫描零件、寻找缺陷并测量沿零件中特征整个长度的导体线宽，如图15A中所示。
图15A中所示的高密度的空间测量提供了冗余，以大大改进了缺陷检测。例如，图15A中向量H2和V2交点处的针孔缺陷是由向量H2和V2二者找到的。图15B表格15-1的“测量向量长度”列中的向量H2测量½ W1小于W1可允许的最小值，并且向量V2测量L1-D2小于L1的最小可允许值。
向量H5和V6交点处的特征宽度（缺口）减少说明了为什么需要这样的冗余。虽然在图15B的表格15-1中的向量H5测量L2-D3肯定与该缺陷相交，但是该测量不落入图15B的表格15-1中列出的W1的可允许最小向量长度值以下，如果扫描图像被向下移位到由图14A中所示的容差带指示的最低位置，则可以出现这种情况。作为结果，向量长度H5等于L2-D3不标志该缺陷。然而，由于冗余，检查期间的向量V6测量W2-D5（图15A和图15B表格15-1中）小于W2的最小可允许向量长度，因此该缺陷被向量V6检测到，并被报告为宽度W2-D5的减小线宽缺陷，如图15B表格15-1中指示的。
向量H6和V10交点处减小的线宽（缺口）缺陷进一步证明了为什么这样的冗余是有益的另一个示例。
虽然在图15A和图15B表格15-1中的向量V10测量W2-D6肯定与该缺陷相交，但该测量不落入表格15-1中列出的为零（0）的可允许最小向量长度值。如果扫描图像被移位到图14A中所示容差带所指示的最左侧位置，则可以出现这种情况。作为结果，向量V10等于W2-D6不标记该缺陷。然而，由于冗余，在检查期间的向量H6测量L2-D4（图15A和图15B表格15-1中）小于L2的最小可允许向量长度，因此该缺陷被向量H6检测到，并被报告为宽度为L2-D4的减小线宽缺陷，如图15B表格15-1中在“测量向量长度”列中指示的。
在另一个示例中，现在找到了图15A中向量V1末端处的宽线突起缺陷，因为即使如图15B表格15-1中列出的为零（0）的最小可允许长度和为L1的最大可允许长度，等于L1+D1的V1的测量长度也超过了L1的所列出的最大可允许长度。
在生产应用中，通常允许相对于CAD或参考数据中指定的尺寸有一些导体大小容差，以允许制造过程中的方差。此类制造方差可以输入到检查列表中。作为示例，图14A中所示的特征以及图14B中提供的对应检查列表表格14包含两个导体宽度W1和W2以及两个导体长度L1和L2。如果导体宽度的可允许制造方差为
Figure 345817DEST_PATH_IMAGE001
，并且导体长度的可允许制造方差为
Figure 637121DEST_PATH_IMAGE002
，则可以修改表格14的检查列表，以包括这些可允许生产方差，如图15C表格15-2中图示的。修改被输入到表格15-2的题为“最小向量长度”和“最大向量长度”的列中。使用方差修改参数来检查图15D中所示的特征，产生图15C表格15-2中题为“图15D检查期间生成的以下信息”的列中提供的结果。参考表格15-2，向量V1测量（L1+D0），由于在特征的左上角有长度为D0的小突起。给定
Figure 904154DEST_PATH_IMAGE003
，则
Figure 103055DEST_PATH_IMAGE004
（参见表格15-2），因此现在在制造f方差内的该制造异常不被标记为缺陷。同样，向量V6测量（W2-D8），由于在该向量的箭头附近有深度为D8的小缺口。给定
Figure 240775DEST_PATH_IMAGE005
，则
Figure 234139DEST_PATH_IMAGE006
，因此表格15-2中也没有将该其他制造异常标记为缺陷。然而，如表格15-2中指示的，诸如向量H2和V2的交点处的针孔和向量H6箭头末端的大缺口之类的真实缺陷被标记为缺陷。
除了通过测量零件中特征的宽度来找到缺陷之外，还可能的是同时测量特征之间的间距，如图5、6、16和17中图示的。在图5和图6中，白色区域中的黑色双向箭头表示如黑色导体所示特征之间的向量间距测量。
图16A至图18E现在用于解释在检查过程中期间如何生成这些间距测量向量以及如何测量间距。
j.让图16A中的参考数据1601表示用白色示出的绝缘体区段，被用灰色示出的导电金属包围。让绝缘体周围的虚线边界线表示检查期间扫描图像相对于参考数据的位置放置的容差带1602或不确定性。
k.为了检查绝缘体，根据检查之前的参考数据创建检查参数列表，使用先前描述用于创建导体的检查列表的相同程序，但是现在使用绝缘体作为感兴趣的特征。
作为示例，图16A是包含用灰色示出的两个导体的零件的参考数据，这两个导体被用白色示出的绝缘体分离。为了创建用于绝缘体检查的检查参数列表，在沿着绝缘体整个长度的每个像素边缘位置执行向量宽度测量，如图16A中所示。为了模拟检查期间可能出现的扫描图像相对于参考数据的未对准，使用与先前针对导体描述的相同的程序，对参考数据在图16A中指示的容差带1602内的每个可能位置执行向量宽度测量。对于每个向量测量，检查参数列表包括：向量起始边缘位置、结束边缘位置、测量角度、搜索范围长度、最小可允许向量长度和最大可允许向量长度。
如图16B表格16中图示的，向量H1的预期绝缘体起始边缘位置为x=6，y=15，预期绝缘体结束边缘位置为x=8，y=15，相对于水平的测量角度为零（0）度，在扫描图像中寻找起始和结束预期边缘位置周围+/- ½测量单位的边缘的线性搜索范围，最小可允许测量向量长度为W3以及最大可允许向量长度为W3。作为另一个示例，表格16中的向量H11具有x=6，y=6的预期起始边缘位置，以及等于“DMAX”的预期结束边缘位置，以指示当从位置x=6，y=6的起始边缘以零（0）度的角度搜索时，在最大可能的可测量向量距离内，在参考数据中没有找到绝缘体的末端。然而，如果图像在容差带内下移位一个像素位置，则H10将测量W3。因此，表格16中向量H10的最小可允许长度被设置为等于W3，并且最大可允许值被设置为等于DMAX，以指示在扫描图像的该空间位置的参考数据中的可测量范围内不可以找到或不可以存在绝缘体的边缘或末端。
检查参数列表在下一步骤中使用，以检查扫描的零件，参考图17A和图17B，在该检查步骤期间，将来自扫描零件的向量长度测量与先前生成的期望值列表进行比较。作为示例，表格17的左侧包含来自从图16A中的参考数据1601生成的表格16的预期向量长度值，并且右侧包含在零件检查期间获得的从图17A中所示的扫描图像1701测量的向量长度。
在该检查步骤期间，在图17A中所示，执行的高密度的空间测量提供了冗余，以大大改进了绝缘体中缺陷的检测。作为第一示例，图17A中的额外导体缺陷1702由向量H11和V9两者找到。表格17的“测量向量长度”列中的向量H11测量L1小于DMAX的允许最小值，并且向量V9测量W4-S1小于W4的最小可允许值。
作为这样的冗余如何增加缺陷检测的第二示例，考虑图17a中向量H10和V7的交点处绝缘体宽度的减小。虽然表格17中的向量H10测量（W3+P2）肯定与该缺陷相交，但该测量不落入表格17中列出的W3的可允许的最小向量长度值以下，如果扫描图像向下移位到图16A中所示容差带指示的最低位置，则可以出现这种情况。作为结果，等于W3+P2的向量长度H10没有标记该缺陷。然而，由于冗余，在检查期间的向量V7测量W4-P1（图17a和表格17中）小于W4的最小可允许向量长度，因此该缺陷被向量V7检测到，并被报告为宽度W4-P1的窄绝缘体缺陷，如表格17中指示的。
在第三示例中，图17a中在向量H6末端的宽绝缘体缺陷被找到，因为H6的测量长度等于W3+N1，超过了所列出的W3最大可允许宽度。
可以测量到：导体线宽测量的准确度与导体边缘位置可以被测量的精度成正比。虽然当从CAD数据提取时，每个边缘的精确位置是非常精确地已知的，但是当从扫描图像提取此类边缘位置时，相机量化引入了位置不确定性，如先前在图3A至图3D中解释和图示的。这样的像素量化可在向量的测量长度中引入多达一个相机像素的误差。
为了实现更精细的向量测量准确度，并以亚像素、亚微米分辨率测量扫描图像中的向量长度，可以执行附加的两步骤过程。
l.首先，灰度相机信号通过二维边缘滤波器来标识边缘过渡区域。
m.然后，将多项式曲线拟合到边缘滤波器的输出，以标识边缘的精确位置，边缘通常存在于相机像素之间的某个地方。
借助于图18A至图18E详细解释该两步骤过程。图18A是在有机绝缘体上带有金属导体的薄柔性电路板的实际扫描荧光图像。在图18A中，非荧光金属导体呈现黑色，并且荧光绝缘体呈现明亮。图18A和图18B两者均示出了扫描线1801，其与金属导体相交，所述金属导体的起始边缘位置为X，并且结束边缘位置为Y，如两图中指示的。如图18A、图18B和图18C中指示的，扫描线1801从相机像素A延伸到相机像素B。
图18B示出了对图18A的图像进行操作的二维边缘滤波器的输出图像。在导体迹线左边缘处的边缘滤波器的输出（与图18B中位置“x”处的水平扫描1801相交）是暗的，其指示这是从明亮绝缘体到暗导体的过渡。沿着扫描线1801在位置“y”，在该导体的右边缘的滤波器的输出呈现为明亮，其指示这是从暗导体到明亮绝缘体的过渡。二维边缘过滤器的输出还指示每个边缘的定向。
图18C是穿过图18A中的扫描线1801的相机像素强度1802和来自边缘滤波器1803的对应输出信号两者的绘图。每个相机像素强度值由实心黑色曲线1802上的黑点指示，其具有由实心灰色曲线1803上的灰点指示的对应边缘滤波器输出值。
图18A和图18B中的左和右边缘x和y的近似位置分别对应于图18C中所示的边缘滤波器输出曲线1803中最正和最负数据点的空间位置。由于相机和边缘滤波器的输出仅提供在离散空间像素位置的强度值，图18C中的黑点和灰点指示，因此实际的导体边缘位置可以容易地存在于这些离散位置之间的任何地方。
为了以亚相机像素准确度估计边缘位置，二阶多项式（抛物线）1804和1805分别拟合到围绕边缘滤波器输出数据的最负和最正峰值的区域中的边缘滤波器输出数据。然后为最佳拟合多项式1804和1805计算导数，并且精确的边缘位置被定义为其中多项式（抛物线）的斜率或导数等于零（0）的坐标。
作为示例，在图18C中，两个最佳拟合抛物线1804和1805（绘制成黑色虚线）独立地拟合到对应于图18B和图18C中的边缘x和y的周围边缘滤波器数据点。图18D和图18E在围绕最佳拟合抛物线1804和1805的峰值的扩展视图中放大，在图18C中所示。在图18D和图18E二者中，导体边缘被定义为其中最佳拟合多项式的导数为零的点，从而对应于其峰值。
作为示例，图18D示出了对应于相机像素位置20和21的边缘滤波器输出值，其中最佳拟合抛物线的负峰值出现在相机像素位置x = 21.53474像素处的这些离散值之间。同样，图18E示出了对应于相机像素位置33和34的边缘滤波器输出值，其中最佳拟合抛物线的正峰值出现在相机像素位置x = 33.6488像素处的这些离散值之间。
图18B至图18D中所示的图像和数据是使用行业已知的索贝尔型边缘滤波器生成的，并且至边缘滤波器输出数据的两个最佳拟合多项式是使用二阶抛物线多项式生成的。行业已知存在许多二维边缘滤波器，诸如例如索贝尔（Sobel）、康尼（Canney）和普鲁伊特（Prewitt）。这些滤波器和其他这样类似的边缘滤波器也可以并入以用于该应用。此外，虽然在该示例中使用二阶抛物线多项式来最佳拟合边缘滤波器输出数据，但是更高阶的多项式也可以替代来用于该应用。
图19A是玻璃上铬校准目标（目标1）的扫描图像，其示出了两个测试图案。一个测试图案包含203行/mm，并且另一个包含228行/mm。203行/mm图案具有等于2.46µm的线和间距宽度，并且 246行/mm图案具有等于2.20µm的线和间距宽度。当使用索贝尔边缘滤波器测量两个测试图案并且边缘位置被估计为最佳拟合抛物曲线的峰值时，其中导数为零（0），用于两个图案的测量线宽在已知正确值的+/-0.035 um内是正确的，如表格19图19B中指示的。
n.为了使能检查和验证正确的测量值，在扫描图像中测量的向量长度必须在指定的容差内，与从检查前参考数据生成的向量长度一致。从参考数据生成检查参数列表（图14B的表格14和图15C的表格15-2中所示的示例）中的测量向量至少存在三种方式：扫描已知良好的完美“黄金部分”以生成参考图像。根据该扫描的灰度参考图像，使用结合图18A-18D描述的边缘滤波器最佳拟合多项式程序以亚像素准确度计算所需的测量向量。
如果参考图像是从CAD数据生成的，则数据的格式可能已经是向量格式，其允许以亚相机像素准确度直接计算这些向量长度。如果是这样，则将CAD数据转换为灰度参考图像，以模拟检查相机的输出，如借助于图20A解释的。然后使用图18A-18D中描述的边缘滤波器最佳拟合多项式程序，从该灰度参考图像计算测量向量。
在将CAD数据转换成灰度参考图像的一个优选方法中，灰度参考图像的每个像素的强度值计算如下：
i.创建参考像素网格，每个参考像素的大小等于相机像素的大小，如图20A中箭头2001指向的示例6×8网格所图示的。
ii.将参考网格2001叠覆在等分辨率或更高分辨率的CAD数据上，使得每个参考像素通常由多个CAD数据点组成或包含多个CAD数据点，如图20A中所示。在图20A的示例中，每个参考像素包含25个CAD数据点，其中箭头2002指向单个CAD数据点。
iii.图20A中每个参考像素的灰度强度值（参考像素强度（Ref Pix Intensity））由下式给出：
参考像素强度=包含CAD导体数据的参考像素面积/参考像素的总面积。
作为示例，图20A中的6×8网格的每个大正方形2001表示参考像素的大小，该参考像素的大小等于相机像素的大小。每个大正方形内的小正方形表示CAD数据的分辨率。在该示例中，每个参考像素包含25个CAD数据点。灰度强度值也列出在每个参考像素中，并且等于导体覆盖的参考像素的面积除以参考像素的总面积。换句话说，图20A中写入每个参考像素中的数值表示该像素的灰度强度值。图20B指示沿着图20A中绘制的扫描线2003的八个参考像素的灰度强度值。
然后，使用如以上结合图18A-18D所述的边缘滤波器最佳拟合多项式曲线程序，根据灰度参考图像中的强度值，计算检查参数列表测量向量中的每个测量向量。
在从扫描的相机图像计算的向量测量和检查列表中的向量测量之间实现甚至更紧密匹配的另一个方法是，首先将灰度参考图像与相机成像镜头的模糊函数进行卷积，使得结果得到的参考数据更好地模拟检查相机的真实输出，然后在该卷积图像上使用边缘滤波器最佳拟合多项式运算来计算测量向量的检查列表。
作为示例，图21A是被称为目标2的校准测试目标的扫描相机图像，其包含1.95 µm和2.19 µm线/间距，如该图中指示的。图21B示出了将目标2的灰度转换的CAD数据与用于将目标2成像到相机上的相机镜头的模糊函数进行卷积的结果。注意，图21B的卷积参考图像与图21A的实际扫描相机图像多么一致。图21A和图21B中分别提供了扫描线2101和2103的强度波形2102和2104，其示出了卷积的参考强度波形和扫描的相机强度波形多么紧密地一致。
然后从图21B的卷积参考图像计算向量长度测量，以创建检查图21A的扫描相机图像所需的测量向量的检查列表。在图21C的表格21中提供了来自目标2的CAD数据的已知线/间距宽度以及从图21B的卷积参考图像和从图21A的扫描相机图像计算的向量长度之间的差，用于比较。
为了对电子零件执行有意义的检查，检查***必须为制造商提供某种方式来指定可接受的容差。存在与本文描述的检查技术相关联的两种类型的容差参数：
用于指定在扫描的相机图像中寻找特征边缘的搜索范围的容差，如图8中的箭头Sr指示，以及
指定了在扫描图像中找到的每个向量测量的可接受长度范围的容差，如图15C的表格15中的容差值
Figure 457310DEST_PATH_IMAGE007
和
Figure 194321DEST_PATH_IMAGE008
指示的。
如表格15-2中图示的，对于不同类型的特征可以设置不同的容差值。例如，对于2µm线/间距，可接受的向量长度测量容差可以设置为+/-0.2 m，并且搜索范围（Sr）设置为等于+/-1.0 µm，而对于10 µm线/间距，测量长度容差可以设置为等于+/-1.0 µm，并且搜索范围设置为等于+/-3 µm。
图22A、图22B和图22C是从薄的柔性荧光有机基板的实际检查取得的示例，其示出了用2 µm线/间距检查其区段的结果，其中搜索范围（Sr）被设置为2.1 µm，并且测量的向量长度容差被设置为等于0.2 µm。图22A是薄柔性荧光有机基板的扫描图像，其中金属导体是黑色的，并且荧光基板是明亮的。图22B示出导体线宽违规，并且图22C示出间距违规。其中线和间距偏离多于指定向量长度容差（0.2 µm）但是小于该容差两倍（0.4 µm）的位置用数字1标记。其中线和间距偏离多于指定向量长度容差两倍（> 0.4 µm）但是在指定搜索范围（2.1 µm）内找到的位置用数字2标记。其中在指定的搜索范围（Sr = 2.1 µm）内未找到线和间距的位置用数字3标记。
图22A、图22B和图22C清楚地图示了如何使用本文描述的技术来检测违反检查参数列表的参数的缺陷。然而，在大面积绝缘体中间的额外金属（导体）形式的缺陷，如图23中的箭头2301所示，或者在大面积金属中间的额外绝缘体（孔）形式的缺陷，没有被检测到，因为参考数据在该区域中没有特征，因此，在检查参数列表中没有创建测量向量来检查这些区域。
为了使能检测扫描图像中以此类额外特征形式的缺陷，还将扫描数据与参考数据的图像进行比较。然而，这样的比较可以在不要求扫描图像和参考图像的精细对准的情况下执行。作为示例，考虑图24的扫描图像中的额外金属缺陷2401，以及图25的扫描图像中的额外金属缺陷2501。
此类检测可以在检查时通过在参考数据中搜索在与扫描图像中找到的额外金属特征的坐标相同的参考数据中坐标周围的邻域内的任何金属来检测。例如，由于在由图24中的虚线矩形2402和图25中的虚线矩形2502限定的搜索区域的界限内，参考数据中不存在金属，因此扫描图像中的额外金属特征被检测到并被分类为缺陷。然而，如果扫描图像中的此类额外特征接近参考数据中的特征（例如，小于如图13中定义的距离Dmax），诸如图25中的缺陷2503，则该额外的金属缺陷2503被检测为间距违规，因为向量2505比Dmax短。
通过在检查时在搜索区域2602内的参考数据中搜索在与扫描图像中的孔的坐标相同的参考数据中坐标周围的绝缘材料，以类似的方式检测扫描图像中以暴露大面积金属中的绝缘体的孔（诸如图26中的孔2601）的形式的缺陷。如果在搜索区域2602内的参考数据中没有找到孔，则图26的扫描图像中的孔被分类为缺陷。
虽然图23、图24和图25以图形图示了导体（黑色）在绝缘基板（白色）上的存在，但是本文描述的方法适用于其中导体可以与绝缘体区分的任何部分。例如，图22A、图22B、图22C示出了在荧光基板上呈现黑色的金属导体，该基板呈现明亮。图19A示出了在呈现黑暗的玻璃绝缘基板上的铬导体，其呈现明亮。其他示例是金属上的明亮荧光抗蚀剂图案，以及非反射或最小反射基板上的明亮反射金属导体。只要在扫描的相机图像中导体可以与绝缘体区分开，本文描述的检查零件的方法就是适用的。
另一个应用是对电子零件（诸如但不限于晶片、电路板、基板、内层和掩模）执行自动化计量测量，以获得统计数据，诸如但不限于针对整个零件、零件的区段、针对零件上的每个管芯或者针对每个管芯的区段以及针对零件上高达百分之百的特征计算的最小、最大、平均和标准偏差特征大小、线宽和间距测量。除了基于零件上的数十亿个位置生成统计量之外，当零件被实时扫描时，本文描述的方法还自动确定用于执行用于计算统计数据的测量的最佳位置。这样的自动设置对于拥有大体量不同零件的工厂而言是必不可少的。
为了解释可以如何执行这样的自动设置，考虑图27A中所示参考数据中的特征2701和图27B中的测量参数列表（表格27）。表格27列出了导体测量边缘位置、向量测量角度，以及当关于特征2701的参考数据在图27A中所示容差带2702定义的不确定性区域内移动时生成的最小和最大可允许向量长度。为了执行准确的计量测量，在扫描零件时计算准确的特征宽度，***优选地被设计成确保所报告的向量测量不由于***中的不准确性而受到不利影响或被不正确地报告，所述不准确性是由例如但不限于载物台中的振动、载物台中的非线性和载物台可重复性中的限制引起的。
零件上自动选择用于测量用于计算统计的数据的位置称为临界宽度向量位置。它们对应于那些称为临界宽度向量的向量，当特征在其容差带内移动时，所述向量不改变量值或仅在小的定义的最小临界宽度容差内改变。例如，特征可以在其容差带内在不同方向上移动+/- 1 µm，但是导体宽度的临界宽度容差可以设置为0.2 µm，以使导体的向量符合临界宽度向量的要求。作为示例，在表格27中，当参考数据在容差带内移动时，向量V2、V3、V4和V5保持恒定，并且因此这些向量可以用于测量临界宽度。另一方面，向量V1和V6不符合测量临界宽度的有效向量的要求，因为当参考数据在容差带内移动时，范围在0和R1之间的向量V1和范围在R6-D和R6+D之间的向量V6改变量值。因为由于***不确定性，向量V1和V6在扫描零件时可以改变值，因此它们不用于计算统计。
图27B中的表格27列出了此类向量的示例，并指示哪些是可以用于计算统计测量的临界宽度向量。
图28A表示扫描的相机图像，其中临界宽度向量的导体边缘在位置2AF、2BF、3AF、3BF、4AF、4BF和5AF、5BF处被找到。这些位置在图28A中用圆圈（o）以图形指示。在扫描图像中找到的此类临界宽度向量，在向量名称前标记有字母“CW”。例如，参考向量V2= CW-V2、V3=CW-V3、V4= CW-V4以及V5 = CW-V5。
为了计算扫描零件的统计数据，参考数据中相同设计大小的所有特征、诸如相同大小的线、相同大小的间距和相同大小的焊盘可以分组在一起。作为示例，其最小和最大可允许量值为W1的所有临界宽度向量（见图27A和图27B）可以被分组在一起，以计算特征大小或线宽W1的统计数据。同样，其最小和最大可允许量值为W2的所有临界宽度向量可以被分组在一起，以计算特征大小或线宽W2的统计数据，等等。
当零件被实时扫描时，该分组导致数十亿个临界宽度测量被执行。使用检查参数列表中提供的所有信息，包括哪些向量构成临界宽度向量，如图27B表格27的最后一列中指示的，使能基于数十亿次亚微米分辨率测量同时计算临界宽度统计量，而同时找到也以亚微米分辨率测量的零件上的缺陷。
图28C中的表格28-2是为图28A中的特征2801计算的统计量示例。表格28-2示出了从整个特征上测量的临界宽度向量计算的针对导体W1和W2的结果得到的最小、平均、最大和标准偏差值。一般来说，可以针对整个零件、零件的区段、针对零件上的每个管芯或者针对每个管芯的区段以及针对零件上高达百分之百的特征计算此类统计量。
在检查时，当扫描零件时，存在用于从扫描图像计算向量长度的两种优选方法。这两种方法定义如下：
向量长度方法1将来自扫描图像的测量的向量长度定义为在指定搜索范围内找到的边缘之一与沿着向量测量轴的下一个材料改变之间的长度。作为示例，在图15A中，在检查时计算的向量H2从特征的一个边缘延伸到位于特征中心的针孔（由材料的改变表示）。
向量长度方法2将来自扫描图像的测量的向量长度定义为在指定搜索范围内，沿向量测量轴在特征相对侧找到的两个边缘像素位置的平方和的平方根。作为示例，图28A中和表格28（图28B）中向量CW-V2F的长度由下式给出：
Figure 717707DEST_PATH_IMAGE009
其中特征的一个边缘位于像素位置（2AFx，2AFy），并且特征的另一个边缘位于像素位置（2BFx，2BFy）。
向量长度方法1具有将检测到特征中间的缺陷的优点，但是要求沿着向量长度的所有像素需要被分析。相比之下，方法2在计算量方面涉及较少，因为仅处理边缘像素位置来计算跨整个特征宽度的向量长度，但是向量长度方法2单独将不检测特征中间的缺陷，诸如针孔。然而，如果检查***并入方法2来测量特征宽度，结合将扫描图像与参考数据进行比较来找到额外的和缺失的特征（如在图24、图25和图26中图示的），则针孔可以被检测为线中间的额外绝缘体缺陷，给定图案匹配搜索区域（也如在图24、图25和图26中图示的）被减少到落在特征的边界内，如由图29中的图案匹配搜索区域2901在向量H2和V2的交点处指示的。
当检查的目的是找到所有缺陷并同时收集统计线宽和线间距数据时；然后，对于当导体的线/间距大小与***中的不准确性相近似时的那些产品，向量长度方法1（其可以检测导体中间的缺陷）是优选的，因为它可能不可能创建保持在导体边界内的图案匹配搜索区域，如图29中所示。然而，如果线/间距宽度足够大，以确保图案匹配搜索区域放置在导体线内，则向量长度方法2适用。此外，在仅对统计线宽/间距数据感兴趣的那些应用中，向量长度方法2也是适用的。
虽然线性测量是用于表征导体线和间距的优选手段，但圆形和椭圆形测量更适合表征通孔和焊盘。当从CAD数据生成参考数据时，诸如通孔和焊盘之类的特征经常要么在单独的设计文件层上提供，要么在CAD文件数据中被唯一地标识。该信息允许检查***知道此类特征将位于零件上的什么位置，因此特征形状处理器可以用于分析此类特征。
例如，图30示出了从以CAD Gerber格式提供的参考数据生成的椭圆形焊盘的边缘像素。箭头3001指向边缘像素之一。对于参考数据中椭圆形上的每个边缘像素，创建向量，通常垂直于边缘，指向并延伸到椭圆形的相对边缘，使用与图7和图8中图示的用于线性导体和间距特征的程序相同的程序来生成这些向量。
对于椭圆形的每个边缘像素，如图31中图示的，使用图8中图示的用于线性边缘特征的相同程序来定义搜索范围Sr 3101。图32图示了在物理空间中，在检查时，将在扫描图像中寻找边缘像素的位置。图33是缺陷焊盘的扫描图像，在焊盘边缘有缺陷3301。图33指示了搜索范围Sr 3101，在该搜索范围Sr 3101内，***预期找到扫描图像中的边缘像素。图34示出了在扫描图像中找到的边缘像素的位置，然后将其呈现给特征形状处理器。
图35表示特征形状处理器3501，其被优化用于椭圆形和圆形焊盘的分析。注意，圆形焊盘是其长轴和短轴相等的椭圆形。在该示例中，特征形状处理器3501计算对扫描数据边缘像素3503的最佳拟合椭圆形（BFE）3502，如图35中所示。特征形状处理器3501然后计算在扫描数据像素3503和BFE 3502之间的标准偏差（STD），以及每个边缘像素与BFE相差多大。如果扫描的边缘像素的差超过预定值，则报告错误，如在图35中图示的，如用边缘像素3504与BFE 3502相差距离“D”来指示。
可以由特征形状处理器计算的其他测量例如是但不限于：长轴和短轴，以及椭圆形的中心。可以计算零件上相同大小的所有椭圆形和圆形的统计数据，诸如但不限于椭圆形焊盘的长轴和短轴的STD，以及从椭圆形焊盘和圆形焊盘中心的STD。此外，可以将附加的特征形状处理器添加到***，每个特征形状处理器被优化用于分析不同的形状，例如，一个特征形状处理器可以被优化用于三角形焊盘，并且另一个特征形状处理器被优化用于泪滴形焊盘，等等。一般来说，当需要执行特征相关测量时，可以并入特征形状处理器。
如先前提及的，在优选实施例中，当扫描零件时，实时执行所有计算，其中特征形状处理器执行其对焊盘和通孔二者的处理，同时与参考数据进行比较，并且这样的处理也与零件上沿着零件上每个特征的整个长度的每个线和间距的任何长度和宽度测量同时执行。
图36是可以提供这样的实时处理的优选***框图的一个示例。该***包含平移载物台3601，其扫描相机3603下方的零件3602，相机3603进而将图像传送到帧抓取器3604。帧抓取器3604然后使图像可用于现场可编程门阵列1（FPGA 1）3605，以供处理和分析，并由FPGA 2 3606执行可选的附加处理和分析。来自FPGA的处理数据被传送到图形处理单元1（GPU-1）3607，并可选地传送到GPU-2 3608，以供进一步的处理和分析。来自FPGA的和GPU的数据被传送到CPU 3609以供附加的处理和分析。所有的FPGA、GPU和CPU都连接到计算机总线3610。
为了实现在扫描零件时实时执行数十亿次测量所需的数据速率和计算能力，可以在实现中并入以下硬件模块。相机3603由Vieworks型号VT-9K7X0H250制造，并且其是8912像素x 128行TDI传感器，其具有为250KHz的行速率以及为2.23千兆像素/秒的数据速率。（Vieworks是韩国京畿道Vieworks有限公司的商标。）帧抓取器（3604）在Gidel model Proc10A制造的板上实现，该板包含多个Altera FPGA芯片（Gidel是以色列Or Akiva的Gidel国际的商标，并且Altera是加利福尼亚州圣何塞的Altera公司的商标）。帧抓取器3606在Altera FPGA芯片之一中实现，并且图36中的FPGA-1 3605在同一板上的另一个芯片中实现。例如，Gidel Proc 10A——包含多个Altera FPGA板——每秒能够处理大约五（5）万亿（5 x 1012字节）的数据。
该架构还支持多个FPGA和多个Gidel Proc 10A处理器，如图36中的FPGA-2，3606指示的。高速数据传输线3611连接帧抓取器3604、FPGA-1 3605、FPGA-2 3606、GPU-1 3607和GPU-2 3608之间的信号。GPU-1 3607和GPU2 3608使用英伟达特斯拉P100和或英伟达特斯拉V100处理加速器卡实现。英伟达特斯拉P100提供多于21万亿次16位浮点（FP16）性能”，并且在提交本申请时，NVIDIA特斯拉V100 Tensor（张量）核是曾经为加速AI（人工智能）、高性能计算（HPC）和图形而构建的最先进的数据中心GPU。它用NVIDIA的Volta架构驱动，具有16和32GB配置，并且在单个GPU中提供高达100个CPU的性能。
它具有该不可思议的计算能力，其包括：单个GPU中高达100个CPU、每秒可以处理大约高达五（5）万亿（5 x 1012字节）数据的FPGA以及以2.23千兆像素/秒的数据速率进行扫描的相机，其使得本文所述的过程和处理器能够实时实现。
所有高速硬件模块（相机、FPGA和GPU）通过PCIE计算机总线3610与通用CPU 3609通信。CPU 3609利用运行由微软制造的Windows 10操作***的由英特尔制造的Xeon处理器实现。
重要的是要强调，即使利用该极高速度的处理硬件，在检查之前对参考数据进行预处理以生成所述检查参数列表和测量参数列表也是必不可少的组成部分，其与这样的高速硬件相组合，使能在扫描零件时实时执行数十亿次计量测量。
现在可以领会，图36中所示的***架构可以用于实现上述检查和/或测量技术中的一个或多个。
作为示例，图37是用于检查零件中的特征以找到缺陷的方法的执行流程。第一步骤（步骤3701）定位参考数据，然后创建（3702）（一个或多个）容差带，（一个或多个）容差带指定一个或多个特征在空间上可以偏离参考数据多少。然后，在围绕每个特征的周界的固定空间位置处创建（3703）测量向量。每个测量向量表示参考数据中从周界上的一点到周界上另一点以指定角度的特征尺寸。还围绕每个固定空间位置定义（3704）线性搜索范围，以使能找到每个测量向量的起始点和结束点。每个线性搜索范围都具有搜索轴，其定向在与其对应的测量向量相同的角度定向上。
接下来，对于要检查的每个特征，将该特征移动（3705）到该特征的容差带内的多个位置。对于特征的每个位置，在每个先前创建的空间固定的测量位置处，在指定的搜索范围内沿着特征的周界搜索（3706）点。当在周界上找到一个点时，在由对应的测量向量指定的角度下测量（3707）向量尺寸。结果得到的尺寸被存储（3708）为可允许的。当向量测量超过最大可测量值时，或者当在周界上没有找到点时，该结果也被存储为可允许的（3708）。对于每个空间固定的测量位置，对应于特征在其容差带内的多个位置，存储（3708）可允许的最小和最大向量尺寸。然后，修改（3709）这些最小和最大向量尺寸或其表示，以允许在零件检查期间可接受的过程变化。
然后，从扫描图像检查零件的过程（步骤3710）继续，对于每个测量向量，在该向量的搜索范围内，沿着特征的周界搜索（3711）点。当一个点没有被定位时，产生（3711）指示在周界上没有找到点的表示。当一个点被定位时，在为该向量指定的角度下测量（3713）向量尺寸，并产生（3713）指示该尺寸何时超过最大可测量值的表示。然后，对于小于最小可允许尺寸或其表示或大于最大可允许尺寸或其表示的向量尺寸，报告（3714）缺陷。
在图38中描绘的另一示例过程中，可以执行用于测量特征的方法。该过程还开始于（3801）定位参考数据，并定义（3802）（一个或多个）容差带，（一个或多个）容差带指定一个或多个特征可以在空间上偏离参考数据多少。在围绕每个特征的周界的固定空间位置处创建（3803）测量向量，其中每个测量向量表示参考数据中从周界上的一点到周界上的另一点以指定角度的特征的尺寸。还定义（3804）围绕每个固定空间位置的线性搜索范围，以使能找到每个测量向量的起始点和结束点。每个线性搜索范围都具有搜索轴，其定向在与其对应的测量向量的相同角度定向上。对于要测量的每个特征，该特征被移动（3805）到该特征的容差带内的多个位置。对于特征的每个位置，在每个先前创建的空间固定的测量位置处，在指定的搜索范围内沿着特征的周界搜索点（3806）。当沿着周界找到一个点时，在由对应的测量向量指定的角度下测量（3807）向量尺寸，并且向量尺寸或指示测量尺寸何时超过最大可测量值的表示被存储（3808）为可允许的。当沿着周界没有找到点时，该结果的表示也被存储（3808）为可允许的。然后，为每个空间固定的测量位置存储（3808）对应于该特征在其容差带内的多个位置的可允许的最小和最大向量尺寸及其可允许的表示。当每个特征在其对应的容差带内移动时，其尺寸不改变或仅在小的定义的最小临界尺寸容差内改变的那些测量向量被存储并标记（3809）为临界尺寸向量。
从扫描图像测量零件的过程（3810）然后对于每个临界尺寸向量（3811）并且在该向量（3811）的搜索范围内，沿着特征的周界搜索（3811）点。在定位的每个这样的周界点处，在与其对应的测量向量相同的角度下测量（3812）向量尺寸。
然后根据向量尺寸测量计算统计数据（3813），作为特征类型的函数，其中所述统计数据在整个零件上计算，或者针对零件的区段计算，或者针对零件上的不同管芯或者零件上不同管芯内的区段计算，其中给定的特征类型由参考数据中相同尺寸的特征表示。可以为作为最小、最大、平均和标准偏差统计值中的至少一个的特征类型计算统计数据。最后，统计数据被报告（3814），以供在表征零件或用于过程控制中使用。
结论
概括地说，上述方法在亚相机像素、亚微米准确度之内，在诸如晶片和高密度电路板的电子零件上执行数十亿个二维导体宽度和间距计量测量，在沿着零件上每个导体和特征的整个长度或周界的每个像素位置计算这样的测量。
亚相机像素、亚微米线宽和间距计量测量的准确度不受零件上或被检查零件的子区段中的导体放置准确度限制。
为了检查零件，该方法首先搜索扫描图像以定位每个特征，并且一旦定位就测量其大小并计算特征大小统计。在扫描零件时，实时同时执行计量测量和缺陷检测。
由于通常必须在整个零件上执行数十亿次测量，因此从计算机辅助设计（CAD）文件或参考数据提取测量值的自学习自动化方法适应允许的制造容差。
此外，该技术可以计算统计数据，诸如但不限于针对整个零件、零件的区段、针对零件上的每个管芯或者针对每个管芯的区段以及针对零件上高达百分之百的特征计算的特征大小、线宽和空间测量的最小、最大、平均和标准偏差。除了基于零件上数十亿个位置生成统计量之外，由于零件是实时扫描的，因此该方法还自动确定用于执行用于计算统计数据的测量的最佳位置。这样的自动设置对于具有大体量不同零件的工厂而言是优选的。
示例性实施例的前述描述图示并描述了用于实现检查和计量工具的***和方法，但不旨在是穷举的或限于所公开的精确形式。
某些部分可以实现为执行一个或多个功能的“逻辑”。该逻辑可以包括硬件——诸如硬连线逻辑、专用集成电路、现场可编程门阵列、图形处理单元，或者也可以全部或部分包括执行软件指令的处理器。因此，一些或全部逻辑可以存储在一个或多个有形的非暂时性计算机可读存储介质中，并且可以包括可以由计算机、数据处理***、专用集成电路、可编程门阵列或任何其他状态机执行的计算机可执行指令。计算机可执行指令可以包括实现本文描述的一个或多个实施例的指令。
还应当理解，框图和过程流程图可以包括更多或更少的元素，其被不同地布置或被不同地表示。例如，虽然上面已经关于流程图描述了一系列步骤，但是可以修改步骤的次序以获得相同的结果。此外，步骤、操作和步骤可以由附加的或其他硬件或软件模块或实体来执行，所述模块或实体可以被组合或分离以形成其他模块或实体。例如，虽然已经关于某些图描述了一系列步骤，但是在其他一致的实现中，可以修改步骤的次序。此外，可以并行执行不相关的步骤。此外，所公开的实现可能不限于硬件或软件的任何特定组合。
因此，现在将清楚的是，可以对所描述的实施例进行其他变型和修改，同时达到它们的优点中的一些或全部。因此，所附权利要求的目的是覆盖如在本文的公开的真实精神和范围及其等同物内的所有此类变型和修改。

Claims (26)

1.一种用于检查零件中特征的缺陷的方法，所述方法包括：
a. 通过使用计算机辅助设计（CAD）数据或通过组合一个或多个已知良好零件的扫描，生成参考数据，所述参考数据用于生成用于检查零件的参数（图7A），
b. 在参考数据中，在待检查的一个或多个特征的每一个周围创建一个或多个容差带，使得当扫描可接受容差的零件进行检查时，每个扫描的特征落入由参考数据中对应容差带定义的容差带内（图7至图12），
c.在参考数据中沿着每个特征的周界定位边缘像素（图7A、图7B），
d.对于这样定位的每个边缘像素，创建从边缘像素起源并指向特征的相对侧的测量向量，所述向量垂直于周界或相对于周界成预定角度定向，从而也指示边缘定向，并且其向量长度是到特征的相对侧上的边缘像素的距离（图7A、图7B），
e.存储代表每个测量向量的向量长度、向量定向、起始边缘像素和结束边缘像素坐标的信息，存储的信息定义了当随后检查零件时要用于定位特征边缘的测量位置（图7A、图7B），
f.定义线性搜索范围，用于当随后检查零件时定位每个测量向量的每个起始和结束边缘像素（图8），
i.其中每个线性搜索范围具有定向在与其对应的测量向量的相同角度定向上的搜索轴（图8），
ii. 在沿着远离每个边缘像素延伸的搜索轴的一个方向上的搜索限制，其中所述方向上的限制延伸到或超出由与所述边缘像素最接近的容差带所定义的边界（图8），以及
iii. 沿着搜索轴的另一个方向上的限制，对于该相同边缘像素，等于或大于位于特征另一侧上的沿着测量轴的边缘像素与其最近容差带之间的最近距离（图8），
g.为每个预期的起始边缘像素和结束边缘像素位置存储对应的搜索范围（图11B），
h. 将参考数据中的每个特征移动到其容差带内的所有位置，以及
i.对于在每个先前存储的起始和结束像素测量位置处的特征的每个位置，在指定的搜索范围内搜索特征的边缘像素，以及
i.当在特征上找到边缘像素时，
A. 计算测量向量的长度，作为从找到的边缘像素到特征相对侧上的边缘像素的长度，所述长度是在先前存储的测量角度下确定的，以及
B. 将与每个测量位置相关联的测量向量的计算长度存储为可允许的结果，以及
C.当测量向量的长度超过最大可测量值时，将该结果的表示存储为可允许的结果（图13，图16A，图16B），
ii. 当在特征上没有找到边缘像素时，将该结果的表示存储为可允许的结果（图12A、图12B），
j.为每个空间固定的测量位置存储对应于特征在其容差带内的多个位置的最小和最大可允许向量尺寸及其可允许表示（图11A、图11B、图12A、图12B），
k.创建存储参数的检查参数列表，用于检查由参考数据定义的零件上的特征（图11B、图16B、图17B），所述列表包含每个测量向量的信息，所述信息代表：
i.可允许的最小和最大向量长度，或者向量长度的表示，其指示测量长度何时超过最大可测量值，或者没有找到边缘像素，
ii. 向量定向，
iii. 搜索范围，以及
iv.起始边缘像素位置和结束边缘像素位置，
l.修改在检查参数列表中的每个最小和最大可允许向量长度，以允许在零件检查期间可接受的过程变化（图15C），
m.对于检查参数列表中的每个测量位置，通过以下从扫描图像检查零件：
i.在检查参数列表（图12A、图12B、图15A、图15B）中指定的预期起始边缘像素和结束边缘像素位置周围的搜索范围内搜索特征的边缘，
A. 当在扫描图像中找到边缘时，在检查参数列表中指定的测量角度下执行向量测量（图12A、图12B、图15A、图15B），
B. 当测量向量的长度超过最大可测量值时，存储该结果的表示，
C.当在扫描图像中没有找到边缘像素时，存储该结果的表示，
ii. 将向量测量长度与检查参数列表（图15B、图15C）中指定的可允许最小和最大长度值或其可允许表示进行比较，以及
iii. 在检查参数列表（图15B、图15C）中，小于可允许最小长度或其表示或大于可允许最大长度或其表示的向量长度被报告为缺陷。
2.根据权利要求1所述的方法，进一步包括：
使用边缘寻找滤波器以亚像素准确度计算边缘像素位置，所述边缘寻找滤波器诸如但不限于索贝尔或普鲁伊特型滤波器（图18A-18E）。
3.根据权利要求1所述的方法，附加地包括：
将零件的扫描图像与参考图像进行比较，以寻找缺陷（图24、图25、图26、图29）。
4.根据权利要求1所述的方法，附加地包括：
a. 将CAD数据转换成灰度图像，以及
b. 通过二维滤波器卷积或处理灰度图像，以模拟成像光学器件的模糊，使参考数据更好地匹配扫描图像（图20A、图21A、图21B）。
5.根据权利要求1所述的方法，其中所述零件包含导体和绝缘体，所述导体和绝缘体可以在扫描的相机图像中彼此区分（图5、图6、图12A、图15A）。
6.根据权利要求1所述的方法，附加地包括：
a. 在从扫描图像检查零件期间，对于对应于参考数据中特征位置的多个测量位置，在那里要计算特征相关的测量，
i.在参考数据（图31、图32、图33）中指定的预期边缘像素位置周围的搜索范围内，搜索扫描图像中所述特征的边缘像素，
ii. 呈现给特征形状处理器以供分析，找到与每个特征相关联的边缘像素的位置（图34、图35），然后
b.使用特征形状处理器以供进一步
i.测量一个或多个特征尺寸，并测量找到的边缘像素到预定预期形状的距离、或特征的最宽尺寸、最窄尺寸或中心中的至少一个（图35），以及
ii. 将超过预定值的测量特征尺寸（边缘像素3504图35）报告为缺陷。
7.一种用于在电子零件上执行自动化计量测量以获得统计数据的方法，所述统计数据诸如但不限于针对整个零件、零件的区段、零件上的每个管芯或者零件上每个管芯的区段计算的最小、最大、平均和标准偏差特征大小、线宽和间距测量，所述方法包括：
a. 通过使用计算机辅助设计（CAD）数据或通过组合一个或多个已知良好零件的扫描，生成参考数据，所述参考数据用于生成测量零件的参数（图7A），
b. 在参考数据中，在待测量的一个或多个特征的每一个周围创建一个或多个容差带，使得当扫描可接受容差的零件时，每个扫描的特征落入由参考数据中对应容差带定义的容差带内（图7A、图8、图27A），
c.在参考数据中沿着每个特征的周界定位边缘像素（图7A、图27A），
d.对于这样定位的每个边缘像素，创建从边缘像素起源并指向特征的相对侧的测量向量，所述向量垂直于周界或相对于周界成预定角度定向，从而也指示边缘定向，并且其向量长度是到特征的相对侧上的边缘像素的距离（图7A、图27A），
e.存储代表每个测量向量的向量长度、向量定向、起始边缘像素和结束边缘像素坐标的信息，存储的信息定义了当随后测量零件时要用于定位特征边缘的测量位置（图7A、图7B、图27A、图27B），
f. 定义线性搜索范围，用于当随后测量零件时定位每个测量向量的每个起始和结束边缘像素（图27B、图28A中的Sr），
i.其中每个线性搜索范围具有定向在与其对应的测量向量的相同角度定向上的搜索轴（图28A），
ii. 在沿着远离每个边缘像素延伸的搜索轴的一个方向上的搜索限制，其中所述一个方向上的限制延伸到或超出由与所述边缘像素最接近的容差带所定义的边界（图28A），以及
iii.对于所述相同的边缘像素，在沿着搜索轴的另一个方向上的限制等于或大于位于特征另一侧上的沿着测量轴的边缘像素与其最近容差带之间的最近距离（图28A），
g. 为每个预期的起始边缘像素和结束边缘像素位置存储对应的搜索范围（图27B），
h. 将参考数据中的每个特征移动到其容差带内的所有位置，并且对于每个先前存储的起始和结束像素测量位置处的特征的每个位置，在指定的搜索范围内搜索特征的边缘像素，以及
i.当在特征上找到边缘像素时，
A. 计算测量向量的长度，作为从找到的边缘像素到特征相对侧上的边缘像素的长度，所述长度是在先前存储的测量角度下确定的，以及
B. 将与每个测量位置相关联的测量向量的计算长度存储为可允许的结果，以及
C.当测量向量的长度超过最大可测量值时，将该结果的表示存储为可允许的结果（图13，图16A，图16B），
ii. 当在特征上没有找到边缘像素时，将该结果的表示存储为可允许的结果（图12A、图12B），
i.为每个空间固定的测量位置存储对应于特征在其容差带内的多个位置的最小和最大可允许向量尺寸及其可允许表示（图11A、图11B、图12A、图12B），
j.在测量参数列表中存储和指示那些向量的边缘像素测量位置，当每个特征在其相应的容差带内移动时，所述向量的长度不改变或仅在小的定义的最小临界宽度容差内改变，此类向量被称为临界宽度向量（图27B），
k.当从扫描图像测量零件上的特征时，对于每个临界宽度向量，在指定的起始和结束边缘像素测量位置周围的搜索范围内搜索特征的边缘像素，并计算被定义为在那两个找到的边缘之间的长度的向量长度测量（图28A），
l.根据那些向量长度测量，计算作为特征类型的函数的统计数据，其中所述统计数据在整个零件上、或者针对零件的区段、或者针对零件上的不同管芯或者零件上不同管芯内的区段计算，其中给定的特征类型由参考数据中相同尺寸的特征表示（图28C），
m.为特征类型计算的统计数据是最小值、最大值、平均值、标准偏差或其他统计值中的至少一个（图28C），以及
n.报告所述统计数据，以表征零件或用于过程控制（图28C）。
8.根据权利要求7所述的方法，进一步包括：
使用边缘寻找滤波器以亚像素准确度计算边缘像素位置，所述边缘寻找滤波器诸如但不限于索贝尔或普鲁伊特型滤波器（图18A-18E）。
9.根据权利要求7所述的方法，附加地包括：
将零件的扫描图像与参考图像进行比较，以寻找缺陷（图24、图25、图26、图29）。
10.根据权利要求7所述的方法，附加地包括：
a. 将CAD数据转换成灰度图像，以及
b. 通过二维滤波器卷积或处理灰度图像，以模拟成像光学器件的模糊，使参考数据更好地匹配扫描图像（图20A、图21A、图21B）。
11.根据权利要求7所述的方法，其中所述零件包含导体和绝缘体，所述导体和绝缘体可以在扫描的相机图像中彼此区分（图5、图6、图12A、图15A）。
12.根据权利要求7所述的方法，附加地包括：
a. 在从扫描图像检查零件期间，对于对应于参考数据中特征位置的多个测量位置，在那里要计算特征相关的测量，
i.在参考数据（图31、图32、图33）中指定的预期边缘像素位置周围的搜索范围内，搜索扫描图像中所述特征的边缘像素，
ii. 向特征形状处理器呈现与每个特征相关联找到的边缘像素的位置以供分析（图34、图35），以及
iii. 特征形状处理器然后测量一个或多个特征尺寸，并测量找到的边缘像素到预定预期形状的距离、或特征的最宽尺寸、最窄尺寸或中心中的至少一个（图35），
b. 从那些特征尺寸计算参考数据中相同形状和大小的特征的统计数据，其中所述统计数据在整个零件上、或者针对零件的区段、或者针对零件上的不同管芯或者零件上不同管芯内的区段计算，和
c.报告所述统计数据，以表征零件或用于过程控制（图35）。
13.根据权利要求1所述的方法，附加地包括：
a. 在所述检查参数列表中存储和指示附加向量，当每个特征在参考数据中其对应的容差带内移动时，所述附加向量的长度不改变或仅在小的定义的最小临界宽度容差内改变，此类向量被称为临界宽度向量（图27B），
b. 当从扫描图像测量零件上的特征时，对于每个临界宽度向量，在指定的起始和结束边缘像素测量位置周围的搜索范围内搜索特征的边缘像素，并计算被定义为在那两个找到的边缘之间的长度的向量长度测量（图28A），
c.根据那些临界宽度向量长度测量，计算作为特征类型的函数的统计数据，其中所述统计数据在整个零件上、或者针对零件的区段、或者针对零件上的不同管芯或者零件上不同管芯内的区段计算，其中给定的特征类型由参考数据中相同尺寸的特征表示（图28C），
d.为特征类型计算的统计数据是最小值、最大值、平均值和标准偏差统计值中的至少一个，以及
e.报告所述统计数据，以表征零件或用于过程控制（图28C）。
14.一种用于检查零件中特征的缺陷的方法，所述方法包括：
a.定位参考数据，
b.定义容差带，所述容差带指定一个或多个特征可以在空间上偏离参考数据多少，
c.在每个特征周界周围的固定空间位置处创建测量向量，
d.每个测量向量表示参考数据中从周界上的一点到周界上的另一点以指定角度的特征尺寸，
e.围绕每个固定空间位置定义线性搜索范围，以使能找到每个测量向量的起始点和结束点，
f. 每个线性搜索范围具有搜索轴，其定向在与其对应的测量向量的相同角度定向上，
g. 对于要检查的每个特征，将所述特征移动到该特征的容差带内的多个位置，以及
h. 对于所述特征的每个位置以及在每个先前创建的空间固定测量位置，在所定义的线性搜索范围内沿着所述特征的周界搜索点，以及
i.当找到一个点时，
A. 在由对应的测量向量指定的角度下测量向量尺寸，以及
B. 将向量尺寸或指示测量尺寸何时超过最大可测量值的表示存储为可允许的，
ii. 当没有找到点时，将该结果的表示存储为可允许的，以及
i.对于每个空间固定的测量位置存储对应于所述特征在其容差带内的多个位置的最小和最大可允许向量尺寸及其可允许表示，
j.通过增加方差来修改每个最小和最大可允许向量尺寸或其表示，以允许在零件检查期间可接受的过程变化，
k.当从扫描图像检查零件时，对于每个测量向量，在所述向量的定义的线性搜索范围内，沿着特征的周界搜索点，以及
i.当一个点没有被定位时，产生指示在周界上没有找到点的表示，
ii. 当一个点被定位时，在为所述向量指定的角度下测量向量尺寸，并产生一个表示，所述表示指示所述尺寸何时超过最大可测量值
l.将小于最小可允许向量尺寸或其表示或大于最大可允许向量尺寸或其表示的向量尺寸报告为缺陷。
15.根据权利要求14所述的方法，其中使用边缘寻找滤波器以亚像素准确度计算沿着特征的周界的点的位置，所述边缘寻找滤波器诸如但不限于索贝尔或普鲁伊特型滤波器（图18A-18E）。
16.根据权利要求14所述的方法，附加地包括：
将零件的扫描图像与参考图像进行比较，以寻找缺陷（图24、图25、图26、图29）。
17.根据权利要求14所述的方法，附加地包括：
a. 将计算机辅助设计（CAD）数据转换成灰度图像，以及
b. 通过二维滤波器卷积或处理灰度图像，以模拟成像光学器件的模糊，从而使参考数据更好地匹配扫描图像（图20A、图21A、图21B）。
18.根据权利要求14所述的方法，其中所述零件包含导体和绝缘体，所述导体和绝缘体可以在扫描的相机图像中彼此区分（图5、图6、图12A、图15A）。
19.根据权利要求14所述的方法，附加地包括：
a. 在从扫描图像检查零件期间，对于对应于参考数据中特征位置的多个测量位置，在那里要计算特征相关的测量，
i.在参考数据（图31、图32、图33）中指定的预期边缘像素位置周围的搜索范围内，搜索扫描图像中所述特征的边缘像素，
ii. 向特征形状处理器呈现与每个特征相关联找到的边缘像素的位置以供分析（图34、图35），以及
iii. 特征形状处理器然后测量一个或多个特征尺寸，并测量找到的边缘像素到预定预期形状的距离、或特征的最宽尺寸、最窄尺寸或中心中的至少一个（图35），以及
b. 将超过预定值的测量特征尺寸（边缘像素3504图35）报告为缺陷。
20.一种用于测量零件中的特征的方法，所述方法包括：
a.定位参考数据，
b.定义容差带，所述容差带指定一个或多个特征可以在空间上偏离参考数据多少，
c.在每个特征周界周围的固定空间位置处创建测量向量，
d.每个测量向量表示参考数据中从周界上的一点到周界上的另一点以指定角度的特征尺寸，
e.围绕每个固定空间位置定义线性搜索范围，以使能找到每个测量向量的起始点和结束点，
f. 每个线性搜索范围具有搜索轴，其定向在与其对应的测量向量的相同角度定向上，
g. 对于要检查的每个特征，将所述特征移动到该特征的容差带内的多个位置，以及
h. 对于所述特征的每个位置以及在每个先前创建的空间固定测量位置处，在所定义的线性搜索范围内沿着所述特征的周界搜索点，以及
i.当找到一个点时，
A. 在由对应的测量向量指定的角度下测量向量尺寸，以及
B. 将向量尺寸或指示测量尺寸何时超过最大可测量值的表示存储为可允许的，
ii. 当没有找到点时，将该结果的表示存储为可允许的，以及
i.对于每个空间固定的测量位置存储对应于所述特征在其容差带内的多个位置的最小和最大可允许向量尺寸及其可允许表示，
j. 进一步存储和标记那些测量向量为临界尺寸向量，当每个特征在其对应的容差带内移动时，所述测量向量的尺寸不改变或仅在定义的最小临界尺寸容差内改变，
k.当从扫描图像测量零件时，对于每个临界尺寸向量，
i.在为所述向量定义的线性搜索范围内，沿着特征的周界定位点，以及
ii. 对于所定位的每个这样的周界点，在与从参考数据计算的其对应测量向量相同的角度下测量向量尺寸，
l.根据临界尺寸向量测量，计算作为特征类型的函数的统计数据，其中所述统计数据在整个零件上、或者针对零件的区段、或者针对零件上的不同管芯或者零件上不同管芯内的区段计算，其中给定的特征类型由参考数据中相同尺寸的特征表示，
m.为特征类型计算的统计数据是最小值、最大值、平均值、标准偏差或其他统计值中的至少一个，以及
n.报告所述统计数据，用于表征零件或用于过程控制。
21.根据权利要求20所述的方法，其中使用边缘寻找滤波器以亚相机像素准确度计算沿着特征的周界的点的位置，所述边缘寻找滤波器诸如但不限于索贝尔或普鲁伊特型滤波器（图18A-18E）。
22.根据权利要求20所述的方法，附加地包括：
将零件的扫描图像与参考图像进行比较，以寻找缺陷（图24、图25、图26、图29）。
23.根据权利要求20所述的方法，附加地包括：
a. 将计算机辅助设计（CAD）数据转换成灰度图像，以及
b. 通过二维滤波器卷积或处理灰度图像，以模拟成像光学器件的模糊，从而使参考数据更好地匹配扫描图像（图20A、图21A、图21B）。
24.根据权利要求20所述的方法，其中所述零件包含导体和绝缘体，所述导体和绝缘体可以在扫描的相机图像中彼此区分（图5、图6、图12A、图15A）。
25.根据权利要求20所述的方法，附加地包括：
a. 在从扫描图像检查零件期间，对于对应于参考数据中特征位置的多个测量位置，在那里要计算特征相关的测量，
i.在参考数据（图31、图32、图33）中指定的预期边缘像素位置周围的搜索范围内，搜索扫描图像中所述特征的边缘像素，
ii. 向特征形状处理器呈现与每个特征相关联找到的边缘像素的位置以供分析（图34、图35），以及
iii. 特征形状处理器然后测量一个或多个特征尺寸，包括测量找到的边缘像素到预定预期形状的距离、或特征的最宽尺寸、最窄尺寸或中心中的至少一个（图35），
b. 从那些特征尺寸计算参考数据中相同形状和大小的特征的统计数据，其中所述统计数据在整个零件上、或者针对零件的区段、或者针对零件上的不同管芯或者零件上不同管芯内的区段计算，统计数据是针对测量的特征尺寸的最小、最大、平均和标准偏差中的至少一个计算的，以及
c.报告统计数据，用于表征零件或用于过程控制（图35）。
26.根据权利要求14所述的方法，附加地包括：
a. 进一步存储和指示被称为临界宽度向量的那些测量向量，当每个特征在参考数据中的其对应容差带内移动时，那些测量向量的尺寸不改变或者仅在小的定义的最小临界尺寸容差内改变，以及
b. 当从扫描图像测量零件时，对于每个临界尺寸向量，
i.在所述向量的搜索范围内，沿着特征的周界定位点，以及
ii. 在所定位的每个这样的周界点处，在与参考数据中的其对应测量向量相同的角度下测量向量尺寸，
c.根据向量尺寸测量计算作为特征类型函数的统计数据，其中所述统计数据在整个零件上、或者针对零件的区段、或者针对零件上的不同管芯或者零件上不同管芯内的区段计算，其中给定的特征类型由参考数据中相同尺寸的特征表示，
d.针对但不限于不同特征类型的最小、最大、平均和标准偏差特征大小计算统计数据，以及
e.报告所述统计数据，用于表征零件或用于过程控制。
CN201980082521.7A 2018-10-12 2019-10-09 零件检查期间对于参考未对准进行补偿 Pending CN113454445A (zh)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
US201862744746P 2018-10-12 2018-10-12
US62/744746 2018-10-12
US16/357,590 US10475179B1 (en) 2018-10-12 2019-03-19 Compensating for reference misalignment during inspection of parts
US16/357590 2019-03-19
PCT/US2019/055350 WO2020076919A1 (en) 2018-10-12 2019-10-09 Compensating for reference misaligment during inspection of parts

Publications (1)

Publication Number Publication Date
CN113454445A true CN113454445A (zh) 2021-09-28

Family

ID=68466308

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201980082521.7A Pending CN113454445A (zh) 2018-10-12 2019-10-09 零件检查期间对于参考未对准进行补偿

Country Status (7)

Country Link
US (1) US10475179B1 (zh)
EP (1) EP3864423A4 (zh)
JP (1) JP7479389B2 (zh)
KR (1) KR20210104028A (zh)
CN (1) CN113454445A (zh)
SG (1) SG11202103585TA (zh)
WO (1) WO2020076919A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114623781B (zh) * 2022-04-28 2024-05-10 农业农村部南京农业机械化研究所 基于图像的绿肥等农作物种子外形尺寸测量方法及测量***

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10902620B1 (en) * 2019-04-18 2021-01-26 Applied Materials Israel Ltd. Registration between an image of an object and a description
CN113077467B (zh) * 2021-06-08 2021-08-31 深圳市华汉伟业科技有限公司 一种目标物体的边缘缺陷检测方法及装置、存储介质
CN113752260B (zh) * 2021-09-07 2023-12-26 京东方科技集团股份有限公司 一种取料定位修正方法及装置
US20230108539A1 (en) * 2021-10-06 2023-04-06 Kla Corporation Design-assisted large field of view metrology
CN114646265B (zh) * 2022-05-24 2022-07-22 四川英创力电子科技股份有限公司 一种精密检测电路板上线路线宽的检测装置及方法
CN115049669A (zh) * 2022-08-16 2022-09-13 如皋富美龙金属制品有限公司 金属缺陷识别方法
US20240112326A1 (en) * 2022-09-30 2024-04-04 Kla Corporation Inspection of adaptive patterned workpieces with dynamic design and deep learning-based rendering
CN116305642B (zh) * 2023-03-09 2024-05-10 之江实验室 永磁同步电机公差敏感度的分析方法及其装置及计算机可读存储介质
CN116952826B (zh) * 2023-09-19 2023-12-05 江苏乔科科技有限公司 一种pcb板抗腐蚀性检测***
CN117420152B (zh) * 2023-12-19 2024-03-19 聚时科技(深圳)有限公司 视觉检测方法、装置、计算机设备及计算机可读存储介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020038510A1 (en) * 2000-10-04 2002-04-04 Orbotech, Ltd Method for detecting line width defects in electrical circuit inspection
US20030026473A1 (en) * 2001-06-13 2003-02-06 Lee Shih-Jong J. Structure-guided automatic alignment for image processing
CN104359403A (zh) * 2014-11-21 2015-02-18 天津工业大学 基于亚像素边缘算法的平面零件尺寸测量方法
US20150228063A1 (en) * 2012-10-15 2015-08-13 Hitachi High-Technologies Corporation Pattern Inspecting and Measuring Device and Program
CN106600600A (zh) * 2016-12-26 2017-04-26 华南理工大学 基于特征匹配的晶圆缺陷检测方法
CN106815830A (zh) * 2016-12-13 2017-06-09 中国科学院自动化研究所 图像的缺陷检测方法
US20170350794A1 (en) * 2014-12-22 2017-12-07 Pirelli Tyre S.P.A. Method and apparatus for detecting defects on tyres in a tyre production process
CN108447070A (zh) * 2018-03-15 2018-08-24 中国科学院沈阳自动化研究所 一种基于像素向量不变关系特征的工业零件缺损检测算法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5495535A (en) * 1992-01-31 1996-02-27 Orbotech Ltd Method of inspecting articles
US6427024B1 (en) 1999-04-02 2002-07-30 Beltronics, Inc. Apparatus for and method of automatic optical inspection of electronic circuit boards, wafers and the like for defects, using skeletal reference inspection and separately programmable alignment tolerance and detection parameters
US7127099B2 (en) 2001-05-11 2006-10-24 Orbotech Ltd. Image searching defect detector
US7570796B2 (en) * 2005-11-18 2009-08-04 Kla-Tencor Technologies Corp. Methods and systems for utilizing design data in combination with inspection data
US8150140B2 (en) * 2008-12-22 2012-04-03 Ngr Inc. System and method for a semiconductor lithographic process control using statistical information in defect identification
JP5254270B2 (ja) 2010-04-09 2013-08-07 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
US10102619B1 (en) * 2011-03-28 2018-10-16 Hermes Microvision, Inc. Inspection method and system

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020038510A1 (en) * 2000-10-04 2002-04-04 Orbotech, Ltd Method for detecting line width defects in electrical circuit inspection
US20030026473A1 (en) * 2001-06-13 2003-02-06 Lee Shih-Jong J. Structure-guided automatic alignment for image processing
US20150228063A1 (en) * 2012-10-15 2015-08-13 Hitachi High-Technologies Corporation Pattern Inspecting and Measuring Device and Program
CN104359403A (zh) * 2014-11-21 2015-02-18 天津工业大学 基于亚像素边缘算法的平面零件尺寸测量方法
US20170350794A1 (en) * 2014-12-22 2017-12-07 Pirelli Tyre S.P.A. Method and apparatus for detecting defects on tyres in a tyre production process
CN106815830A (zh) * 2016-12-13 2017-06-09 中国科学院自动化研究所 图像的缺陷检测方法
CN106600600A (zh) * 2016-12-26 2017-04-26 华南理工大学 基于特征匹配的晶圆缺陷检测方法
CN108447070A (zh) * 2018-03-15 2018-08-24 中国科学院沈阳自动化研究所 一种基于像素向量不变关系特征的工业零件缺损检测算法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114623781B (zh) * 2022-04-28 2024-05-10 农业农村部南京农业机械化研究所 基于图像的绿肥等农作物种子外形尺寸测量方法及测量***

Also Published As

Publication number Publication date
SG11202103585TA (en) 2021-05-28
KR20210104028A (ko) 2021-08-24
JP2022508763A (ja) 2022-01-19
WO2020076919A1 (en) 2020-04-16
EP3864423A4 (en) 2021-12-15
EP3864423A1 (en) 2021-08-18
JP7479389B2 (ja) 2024-05-08
US10475179B1 (en) 2019-11-12

Similar Documents

Publication Publication Date Title
JP7479389B2 (ja) 部品の検査中における参照位置ずれの補償
US8526710B2 (en) Defect review method and apparatus
US5134575A (en) Method of producing numerical control data for inspecting assembled printed circuit board
Moganti et al. Automatic PCB inspection systems
JP2011017705A (ja) パターン検査装置、パターン検査方法および記録媒体
US8577125B2 (en) Method and apparatus for image generation
JP2001338304A (ja) パターン検査装置、パターン検査方法および記録媒体
KR20060045967A (ko) 결함 검출장치 및 방법, 배선영역 추출장치 및 방법
JP5202110B2 (ja) パターン形状評価方法，パターン形状評価装置，パターン形状評価データ生成装置およびそれを用いた半導体形状評価システム
US8090192B2 (en) Pattern misalignment measurement method, program, and semiconductor device manufacturing method
Sanz et al. Machine-vision techniques for inspection of printed wiring boards and thick-film circuits
US20140205180A1 (en) Method, apparatus and device for inspecting circuit pattern defect
Lin et al. An image system for fast positioning and accuracy inspection of ball grid array boards
JP2010034138A (ja) パターン検査装置、パターン検査方法およびプログラム
JP2004251781A (ja) 画像認識による不良検査方法
CN115375610A (zh) 检测方法及装置、检测设备和存储介质
JP4597509B2 (ja) パターン検査装置およびパターン検査方法
JP2008058090A (ja) パターン評価方法およびプログラム
JP5067677B2 (ja) 欠陥検出方法、欠陥検出装置、及びプログラム
JPH04169803A (ja) 検査方法及びその装置
Malge et al. A survey: Automated visual pcb inspection algorithm
JP4629086B2 (ja) 画像欠陥検査方法および画像欠陥検査装置
JP4243268B2 (ja) パターン検査装置、及びパターン検査方法
Nevliudov et al. Automated System Development for the Printed Circuit Boards Optical Inspection Using Machine Learning Methods
JP3857668B2 (ja) パターンの位置合わせ方法

Legal Events

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