JP2004077165A - 欠陥分類方法及びその装置 - Google Patents
欠陥分類方法及びその装置 Download PDFInfo
- Publication number
- JP2004077165A JP2004077165A JP2002234302A JP2002234302A JP2004077165A JP 2004077165 A JP2004077165 A JP 2004077165A JP 2002234302 A JP2002234302 A JP 2002234302A JP 2002234302 A JP2002234302 A JP 2002234302A JP 2004077165 A JP2004077165 A JP 2004077165A
- Authority
- JP
- Japan
- Prior art keywords
- defect
- image
- class
- classifying
- classes
- 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.)
- Granted
Links
- 230000007547 defect Effects 0.000 title claims abstract description 139
- 238000000034 method Methods 0.000 title claims abstract description 81
- 238000003860 storage Methods 0.000 claims description 10
- 230000002950 deficient Effects 0.000 claims description 5
- 239000000284 extract Substances 0.000 claims description 2
- 238000003384 imaging method Methods 0.000 claims 7
- 238000000605 extraction Methods 0.000 claims 4
- 239000004065 semiconductor Substances 0.000 abstract description 7
- 239000000758 substrate Substances 0.000 abstract description 2
- 239000002245 particle Substances 0.000 description 23
- 238000010894 electron beam technology Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 8
- 230000006978 adaptation Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 239000010749 BS 2869 Class C1 Substances 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000010354 integration Effects 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 238000012217 deletion Methods 0.000 description 2
- 230000037430 deletion Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000002083 X-ray spectrum Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000008570 general process Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000012528 membrane Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
- G06T7/001—Industrial image inspection using an image reference approach
Landscapes
- Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
【解決手段】システムが提供するクラス、またはユーザが定義したクラスを、ユーザが任意に組み合わせて分類クラス構成を定義し、更に、ユーザが欠陥のクラスに関する先験的知識を制約として与え、制約付の学習を行う。
【選択図】 図1
Description
【発明の属する技術分野】
本発明はデータの分類方法及びその装置に関する。特に、半導体電子回路基板やプリント回路基板、液晶表示基板等の表面に生じた欠陥を、検出画像やEDX検出スペクトル等に基づいて分類する方法及びその装置に関する。
【0002】
【従来の技術】
近年、半導体電子回路基板等の表面に生じた欠陥の発生状況の迅速な把握や、欠陥種毎の発生数のモニタ等を目的として、欠陥部の画像を自動分類する方法が開発されてきている。
【0003】
画像を自動分類する方法については、パターン認識の分野において、古くから多様な手法が研究されている。
【0004】
古典的な方法論の一つは、学習型分類と呼ばれる方法である。この方法論においては、教師画像を事前に収集し、これを学習することにより、分類器を最適化する(ニューラルネット等)。学習型分類器は、ユーザの要求に応じた柔軟な分類が可能となる可能性がある反面、一般に良好な性能を得るためには、教示データを大量に収集する必要があるため、生産プロセス立ち上げ時には実質的に使用できない、という問題がある。逆に、少数の教示データのみを用いた場合には、過学習と呼ばれる、教示データに対する学習の過剰適合現象が生じて性能が低下することが知られている。
【0005】
また、他の古典的な方法論の一つはルールベース型分類と呼ばれる方法である。この方法論においては、分類対象である画像から特徴量を抽出し、システムに組み込んだ“if−then”式のルールに基づいて、特徴量の値を判定することにより、欠陥をクラスの一つに分類する。ルールベース型分類器は、分類するクラス・ルールが固定で、ユーザの要求に柔軟に対応できない反面、教示データが不要であるため、生産プロセス立ち上げ時より使用可能である、という利点がある。
【0006】
また、上述のルールベース型分類器と学習型分類器を併用する構成として、特開2001−135692号公報には、ハイブリッドで一様に適用可能な自動欠陥分類法が開示されている。すなわち、前記公報に記載された技術においては、“コア分級器”と呼ばれるルールベース型分類器によって、固定数の事前に組み込まれたクラス(“コア分類”と呼ばれる)に欠陥を分類し、更に、コア分類に関連付けられた“特定の適用可能な分級器”と呼ばれる学習型分類器によって、任意数からなる“下位分類“に分類する。
【0007】
上記公報に記載された技術では、コア分級器を用いることにより、教示データ数を収集する必要なく、プロセス立ち上げ時よりコア分類を行うことができるとされる。また、更に詳細な分類が必要な場合には、学習型の“特定の適用可能な分級器”による分類が可能とされる。
【0008】
【発明が解決しようとする課題】
しかしながら、上記述べたルールベース型分類器、及び、ルールベース型分類器がその一部として組み込まれている方法論、例えば、上記公報に開示された発明には、ルールが固定型であるという制約と、クラスが固定されているという制約があった。以下に、それらの制約について説明する。
(1)固定ルールの制約
ルールベース型分類器においては、分類クラスに対して、組み込みの分類規則が事前に対応付けられているがゆえに、高い分類性能を実現できない場合がある。実際、“粒子”、“パターン欠陥”という“コア分類”に相当するクラスへの分類も、一般的なユーザ、一般的なプロセスに対して、ルールベース型分類器で高い分類性能を実現することは難しい。この理由は、クラスと、そのクラスに属する欠陥の画像から観察される定性的な性質が、ユーザによって微妙に(時には大きく)異なっている、すなわち不変ではないことに起因する。
【0009】
例えば、“粒子欠陥”、“パターン欠陥”の2クラスを例に説明する。ユーザAにおいては、“粒子欠陥”は“突起状かつ面積任意”、“パターン欠陥”は“平坦状かつ面積任意”、と観察され、ユーザBにおいては、“粒子欠陥“は、“突起もしくは平坦状、かつ小面積”、“パターン欠陥”は“平坦状”かつ“大面積”と観察されたとする。ユーザAにおいては、突起状か否かが識別に有効な特徴である一方、ユーザBにおいては、突起状か否かは識別に有効な情報ではなく、面積が識別に有効な情報となる。明らかに、“粒子欠陥”と“パターン欠陥”を明確に分類できる、突起状態、または面積に着目した共通の分類規則は存在しない。
つまり、たとえ多くのユーザが分類を要求する汎用性の高いクラスであっても、そのクラスに対応する、不変な分類規則は一般的には存在しない。汎用性の高いクラスであることと、ルールベース型分類器によって分類できる可能性があるかどうかは、別次元の問題である。
【0010】
(2)固定クラスの制約
ルールベース型分類器では分類するクラスも組み込みであるがゆえに、ユーザの要求に合致した分類クラスを提供できない場合がある。
【0011】
例えば、上記公報に記載された技術においては、ルールベース型分類器によって、欠陥を“粒子”と“パターン”に二分することが前提となっている。しかし、ユーザのプロセスによっては、実質的に“パターン“欠陥は生じないので、“粒子”のみで十分な場合がある。余分なクラスがルールとして組み込まれている場合、ユーザにとって、本来不要なクラスへの誤分類により性能が低下してしまうという問題が生じる。
【0012】
また、上記公報に記載された技術においては、ルールベース型分類器によって、“粒子”を“粒子及び変形したパターン”、“表面上の粒子”、“埋込まれた粒子”に細分化しているが、このような細分化がユーザにとって不要な場合がある。あるいは、対象プロセスに対して十分な性能を達成できないため、細分化を廃止したい場合がある。
【0013】
また、細分化の尺度を変更したい場合もある。すなわち、例えば、“粒子”を“粒子及び変形したパターン”、“表面上の粒子”、“埋込まれた粒子”に細分化するかわりに、“大”、“小”の尺度で細分化したい場合もある。
また、同様の理由によって、分類を部分的に統合、あるいはさらに細分化した方が望ましい場合もある。
【0014】
このように、ルールベース型分類器では分類クラスが組み込みであるがゆえに、ユーザに対して、不要なクラス提供や、過剰な細分化、特定の分類尺度を強要してしまうため、結果としてユーザの要求に合致する分類を実現できない場合がある。更には、付随的に性能低下が生じる場合がある。
【0015】
以上、述べてきたように、従来のルールベース型分類器、ないし、ルールベース型分類器をその一部に含むような方法論においては、クラスに対応する分類規則が組み込みであるため、ユーザによってクラスに属するデータの性質が異なる場合、対応できなくなる可能性がある、ないし分類性能が低くなる可能性があるという問題点がある。また、ルールベース型分類器の提供する分類クラスが組み込みであるため、ユーザの要求する分類クラスを過不足なく提供できなくなってしまう場合がある、更には、それゆえに誤分類による性能低下引き起こしてしまう可能性がある、という問題がある。
【0016】
前記公報に記載された技術における分類の方法論、すなわち、ルールベース型分類器を用いて、あらかじめ数の決まった“コア分類”に分類する、という概念は、いかなるユーザの分類要求に対しても公約数的なクラスとしての“コア分類”が存在し、かつ、前記公約数的な“コア分類”に対し、共通の不変な分類規則で分類できること、を前提としている。
【0017】
しかしながら、上記に説明したように、実際にはいかなるユーザの分類要求に対しても公約数となり得るようなクラスは存在しないし、また、仮に、大多数のユーザの分類要求に対して公約数的なクラスが存在したとしても、共通の不変な分類規則によって分類することは一般的には難しい。
【0018】
本発明の目的は、従来の学習型分類器のもつ過学習という問題を低減すると同時に、従来のルールベース型分類器のもつユーザの要求に合致する分類を実現できない場合があるという問題を解決できる分類方法及びその装置を提供することにある。
【0019】
【課題を解決するための手段】
上記、目的を達成する為に、本発明では、試料を撮像してこの試料の画像を得る工程と、この試料の画像を参照画像と比較して試料の欠陥画像を抽出する工程と、
この抽出した欠陥画像をこの欠陥画像を分類するための複数のクラスとの対応付けを行う工程と、対応付けの情報を記憶する工程と、欠陥画像を複数のクラスに分類する為の制約条件を設定する工程と、記憶した対応付けの情報と設定した制約条件とを用いて抽出した欠陥画像を複数のクラスに分類する工程と、分類した欠陥画像を画面上に表示する工程とを備えた欠陥分類方法とした。
【0020】
すなわち、上記したような本発明による欠陥分類方法においては、ユーザが設定した制約条件の下で学習を行うため、学習型分類器のもつ過学習という問題を低減すると同時に、クラス定義、及びその分類規則を学習によって決定するため、前記した従来のルールベース型分類器、ないし、ルールベース型分類器をその一部として前提にするような方法における課題が解決される。
【0021】
【発明の実施の形態】
本発明の第一の実施形態について説明する。
本実施の形態においては、制約つき学習型分類器と呼ぶ構成を採用する。制約つき学習型分類器とは、ユーザがクラス構成を定義し、かつ、クラスに対応する分類規則の性質を制約条件としてユーザが設定し、更に、ユーザが設定した制約の下で学習を行う方法論である。
【0022】
本発明による分類方法が、従来のルールベース型分類器ないしルールベース型分類器をその一部に含む分類器と大きく異なる点は、クラス構成をユーザが自由に設定することができる学習型の分類器であり、システムが、組み込みのクラス及びクラスに対応する分類規則を提供しない点にある。
【0023】
同時に、本発明による分類方法が古典的な学習型分類器と大きく異なる点は、クラスを分離する境界の性質をユーザが制約として設定する点にある。制約を課すことにより、学習における自由度が減り、通常の学習型分類器において生じる“過学習”、すなわち、教示データに対する過剰適合現象を低減することができる。
【0024】
一般に、古典的な学習型分類器におけるモデルの自由度の妥当性を自動的に判断することは難しい。換言すれば、解くべき分類問題の性質に対して、学習型分類器が前提とするモデルの自由度が適正か不適正か、自動的に判断することは難しい。これに対し、本方法は、モデルの自由度に関する制約をユーザが直接設定することにより、ユーザが分類問題の性質に応じてモデルの自由度を制御することができる方法と言える。
【0025】
本発明による分類方法では、始めに、ユーザは欠陥の画像を収集する。図2(a)の21には収集した画像が、分類されずに一覧表示されている様子を示す。次に、ユーザは欠陥を分類するクラス構成を設定する。ユーザは任意のクラス構成を設定することができる。図2(b)の22は、クラス構成の設定例である。ユーザはクラスを自由に命名し、クラスを直列ないし、並列に組み合わせて任意のクラス構成を設定する。22においては、“異物”、“凹み”、のクラスが並列に設定され、更に、“異物“の下位に”大“、”小“のクラスが設定されている。
【0026】
次に、ユーザは教示を行う。例えば、図2(c)の23に示すように、分類された欠陥画像をドラッグ・アンド・ドロップ操作によって正しい分類クラスに対して教示する。
【0027】
次に、ユーザはクラスに分類する規則の制約条件を設定する。図3は、クラスに対し分類する規則の制約条件を設定する画面である。図3は“異物 大”クラスにおける設定画面である。31〜33の画像群は、それぞれ検出した欠陥画像、参照画像、及び抽出した欠陥領域を示している。34は、欠陥領域を解析して得られた欠陥の特徴を示しており、例えば、大きさ、明るさ、高さ、等の特徴量を表示している。
【0028】
ユーザは、検出画像を観察したり上記算出した特徴量を参考にして、経験や知識に基づいて、欠陥の性質を規定できる場合、これを入力部35から入力する。図3の例では、二つの式に基づいて制約条件を定義している。すなわち、No.1式として『欠陥は一定値(1μm)以上の大きさである』、No.2式として『欠陥は一定値以上(しきい値不明)の高さである』を定義した上で、No.1かつNo.2( 1*2 )の成立を制約条件として設定している。
【0029】
式は、(1)特徴量の種類(例えば、大きさ、高さ等)、(2)式の種類(例えば、“〜より大”、“〜より小”、“〜と等しい”、“〜と等しくない”等)、(3)しきい値の有無、を指定して設定する。
【0030】
制約条件は、上記定義した式の論理演算による組み合わせ、(例えば“式1かつ式2“)として定義する。
【0031】
制約つき学習型分類器において、通常の学習型分類器における過学習を回避できることを、別の例を挙げて説明する。今、仮に、図4(a)の41に示すような“粒子1”、“粒子2”の教示データ群が得られたと仮定する。“粒子1”の教示データ群はいずれも、“面積が大きく”、“白い”。一方、“粒子2”は、いずれも“面積が小さく“、“灰色”である。図4(b)の42、図4(c)の43に教示データの特徴量の分布ヒストグラムを示す。ここで、仮に、”粒子1“の教示データにたまたま面積が大きい欠陥が集まったとすると、“面積”を識別に有効な特徴と判断することは、望ましくない。通常、制約のない学習型分類器においては、“粒子1”と“粒子2”とを識別する上で、“面積”が有効な特徴と判定される。すなわち過学習が生じる。
【0032】
しかし、ユーザが何らかの先験的な知識に基づいて、教示データにおける”粒子1”の面積が大きいことは偶然、すなわち、教示データの偏りに起因すると判断できる場合、“面積”という特徴を利用しない、あるいは、面積がどの程度の範囲に分布している、等の制約を図3に示した画面を用いて設定することにより、過学習を低減することが可能である。
【0033】
図5に、制約つき学習によって、特徴量空間におけるクラス間の分離境界を学習する一例を示す。図5は、F1、F2の2軸からなる2次元の特徴量空間において、下記制約条件の下で、C1、C2の2クラスを分離する境界abcdeが、最近傍法によって学習された様子を示している。下記制約条件はユーザが設定する。
制約条件:クラスC1の存在範囲は、F1>th1、または、F2>th2を満足する。
図5では、C1、C2の各クラスに属する特徴量ベクトルをそれぞれ○、△で示す。上記制約条件の下では、クラスC1の境界は灰色に彩色した部分に存在が限定される。
【0034】
一方、最近傍法(本例では1−最近傍法)においては、特徴量空間の任意の点に対し、その点からの距離が最も近い教示データの属するクラスに分類される。そこで、最近傍法によって定まるクラスC1の勢力範囲と上記制約条件によって定まる領域が、クラスC1に分類される領域として決定される。結果として、クラスC1、C2の境界abcdeは、最近傍法によって決定される部分(区間a〜b、区間d〜e)と、制約条件によって決定される部分(区間b〜d)から成る。
【0035】
この結果、51のような、制約条件を満足しない領域に存在する教示データは無視される。すなわち、教示データに“たまたま紛れ込んだ”、ユーザの先験的な知見に合致しないデータは用いられない。
【0036】
また、別の効果として、51を特徴量の算出に失敗したデータとみなせば、特徴量の算出に失敗したデータを自動的に棄却する、という利点も併せ持っている。
次に、ユーザが定義したクラス構成に従って、制約条件つき学習器で分類する方法について、図2(a)の収集した欠陥画像21を例に説明する。
【0037】
上に述べた教示手順、GUIの操作により、ユーザは異物大、異物小、凹み、の各クラスに対し、教示データを教示するとともに、制約条件を設定する。本分類器は、クラス構成の各階層に対し特徴量空間を生成する。すなわち、異物と凹みを弁別するための第一の特徴量空間と、異物大と異物小を弁別するための第二の特徴量空間を生成する。
【0038】
第一の特徴量空間では、異物大、及び異物小として教示されたデータ全てを異物の教示データとして用い、異物、凹みの2クラス分離のための境界を学習する。 第二の特徴量空間では、異物大、異物小として教示されたデータを用いて、異物大、異物小の2クラス分離のための境界を学習する。
【0039】
分類にあたっては、初めに第一の特徴量空間における学習結果に従って、分類すべき欠陥を異物、または凹みに分類する。更に、異物に分類された欠陥に関しては、第二の特徴量空間における学習結果に従って、異物大、または異物小に分類する。
【0040】
以上の説明では、制約条件の下での学習について説明した。一方、制約条件をクラスの判定条件として直接用いる方法も考えられる。その例を、図15に示す。
図15は、制約条件の入力画面例である。図15に示す画面を用いて、ユーザは、欠陥が
式No.1 : 凸、凹、平、不定
式No.2 : 配線上、下地上、配線及び下地上
のいずれに該当するか、を制約条件として指定する。また、151によって、制約条件をクラスの判定条件として直接用いるか(“ルール”ボタンを押下)、もしくは制約条件の下での学習を行うか(“学習”ボタンを押下)を指定する。
【0041】
システムは、欠陥領域を解析して式No.1、式No.2の判定に必要な情報を計算し、151の“ルール”ボタンを押下したときには、制約条件をクラスの判定条件として直接用いて分類を実行し、また、151の“学習”ボタンを押下したときには、上記に説明したような方法で制約条件の下での学習を行い分類を実行する。
【0042】
以上、第一の実施の形態におけるユーザによるクラス構成の定義方法、教示データの与え方、制約条件つき学習器と、制約条件つき学習器を階層的に構成することによるユーザ定義クラス分類の実現、制約条件を与えるためのユーザインタフェース画面について述べた。
【0043】
次に、本発明の第二の実施の形態について述べる。本実施の形態においては、図1(a)〜(d)に示すように、ユーザは分類に先立って、欠陥を分類するためのクラス構成をユーザインタフェースに従って、設定する。ユーザはシステムの提供するクラスや、ユーザ自身が定義するクラスを組み合わせて、クラス構成を設定する。初めに、クラス構成の設定手順を説明し、次に、分類器の自動適合化について説明する。
【0044】
(1)クラス構成の設定手順
図6〜図10は、クラス構成を設定するための画面、並びに設定手順を示している。以下、クラス構成の設定操作について説明する。
【0045】
操作1:分類尺度の選択(図6)
初期状態では、図6(a)の61に示すようにクラスは定義されていない。ユーザはどのような分類尺度に従って分類するのか、システムが提示する分類尺度から選択することができる。分類尺度には例えば、次のようなものがある。
(a)異物・凹み・パターン
(b)膜上異物・膜下異物
(c)膜上パターン・膜下パターン
(d)大・小
(e)パターンオープン・パターンショート・それ以外
(f)高・低
(g)明・暗
(h)パターン上・下地上
(i)跨線・単線・孤立
操作手順としては、例えば、カーソル操作によって図6(b)の62のように分類尺度を選択すればよい。図6(c)の63は、異物・凹み・パターンという分類尺度が選択された状態を示している。
【0046】
また、ユーザはシステムが提供するクラスとは別に、ユーザクラスを新たに定義することができる。ユーザが定義するクラスはシステムの提供するクラスと同様に、以下に述べる操作2〜5の対象となる。
【0047】
操作2:クラスの削除(図7)
ユーザは、任意のクラスを削除することができる。操作手順としては、例えば、図7(a)の71のように削除するクラスを選択した上で、操作パネルを表示させ、削除操作を選択すればよい。図7(b)の72は(a)の71のクラス構成に対して、パターン欠陥を削除した結果を示す。
【0048】
操作3:階層の定義(図8)
ユーザは、特定のクラスを他の分類尺度によって細分するべくクラス構成を定義することができる。例えば、“パターン”欠陥を、更に、“パターンオープン”・“パターンショート”・“それ以外”に細分するように、必要に応じて設定することができる。あるいは、“凹み”欠陥を、更に、“深い”凹み・“浅い”凹みに細分するように必要に応じて設定することができる。操作手順としては、例えば、図8(a)の81のように、細分化するクラスを選択した上で、操作パネルを表示させ、操作1で説明した分類尺度の選択操作を行えばよい。図8(b)の82は“異物”の下位に“大”、“小”、の分類尺度が設定された結果を示す。
【0049】
操作4:クラスの分割(図9)
一部の分類尺度においては、ユーザは、細分化の程度を変えることができる。例えば、大・小の分類尺度において、2クラスではなくより多くのクラス(大・中・小の3クラス)に変更することができる。操作手順としては、例えば、図9(a)の91のように、細分化するクラスを選択した上で、操作パネルを表示させ、分割操作を行う。図9(b)の92は“異物”の下位クラスである“大”が、“大1”、“大2”に分割された結果を示す。
【0050】
操作5:クラスの統合(図10)
ユーザは不要な細分化を避けるため、複数のクラスを統合できる。操作手順としては、例えば、図10(a)の101のように統合するクラスを選択した上で操作パネルを表示させ、統合操作を行う。図10(b)の102は“凹み”と“パターン欠陥”が統合された結果を示す。
【0051】
(2)分類器の自動適合化
上記ユーザが定義したクラス構成に対し、システムが分類規則を自動的に適合化する方法について説明する。
【0052】
システムには分類クラス毎に分類規則の初期状態が組み込まれている。ここで、分類規則の初期状態とは、分類尺度毎に、その分類尺度を実現するために好適な特徴量から構成される特徴量空間と、特徴量空間におけるクラスの境界として定義される。図11にその一例を示す。
【0053】
図11(a)〜(c)には、3つの分類尺度、すなわち、異物/凹み/パターン、膜上/膜下、オープン/ショート/その他、とそれぞれに対応する特徴量空間を示している。それぞれの特徴量空間は、各分類尺度に属するクラスと一意に対応づけられる領域に分割されている。
【0054】
以上に、クラス構成の設定手順について述べたが、操作の容易化を図るため、推奨クラス構成を事前に組み込んでおき、ユーザが必要であれば、組み込みの推奨クラス構成を選択してもよい。
【0055】
次に、既に述べたクラス構成の各設定操作に対し、分類規則を初期状態から適合化させる方法について説明する。
【0056】
操作1:分類尺度の選択
分類尺度を選択することは、その分類尺度に対応する特徴量空間を使用することを意味する。
【0057】
操作2:クラスの削除
クラスを削除した場合、分類規則の適合化には二つの場合がある。
【0058】
(1)冗長特徴の自動検知と廃止
クラスの廃止に伴い、特徴空間が冗長になる場合がある。例えば、“異物”、“凹み”、“パターン”を分類するための分類規則が初期状態において特徴量1、特徴量2を用いるとし、更に、パターンか否かは、特徴量2のみによって識別されるとしよう。ユーザが仮に、クラス“パターン”を削除した場合、 “異物”、“凹み”の2クラス分類において、特徴量2は冗長となる。
分類エンジンの自動適合化においては、分類ルールの整合性をチェックし、特徴量2のような冗長な特徴を自動的に検知、削除する。
【0059】
(2)特徴空間の自動完備化
削除したクラスに分類していた領域を他のどのクラスに分類するか再定義する必要が生じる場合がある。図12(a)では、分類尺度として“異物”、“凹み”、“パターン”を選択した場合の、各クラスに対応する分類規則の初期状態を示している。すなわち、“異物”、“凹み”、“パターン”分類において、特徴量空間はfeature1を軸とする1次元空間であり、分類規則の初期状態においては、feature1の任意の値に対し、上記3クラスのうちの1クラスが対応付けられている。
【0060】
仮に、図12(b)のようにクラス“パターン”を削除すると、特徴量空間中に、どのクラスにも対応付けられない“空いた領域”が生じる。
【0061】
分類エンジンの自動適合化においては、特徴量空間における“空き領域”を自動的に検知し、“空き領域”を自動的に他のクラスに割り当てる。例えば、空き領域の各点に対し、最も近いクラスを割り当ててもよいし、あるいは、空き領域の割り当て方を事前に組み込んでおいても良いし、あるいは、教示データを用いて学習してもよい。
【0062】
操作3:階層の定義
階層関係を定義した場合、下位クラスの分類規則は上位クラスの分類規則を継承する。すなわち、クラスA、Bに対し、それぞれ分類規則群Ra、Rbが定義されていたとする。すなわち、Ra(Rb)が成立するならば、クラスA(B)に分類するものとする。ここで、仮に、クラスAの下位にクラスBを設定したとすると、クラスBの分類規則は、RaかつRb、すなわち、RaかつRbが成立するならば、クラスBに分類する。
【0063】
操作4:クラスの分割
特定の分類尺度、例えば、欠陥の大きさ、明るさ、高さ等に対しては、クラスの分割を行うことができる。分割する境界はユーザが図3のような設定画面によって設定してもよいし、教示データを用いても良い。
【0064】
操作5:クラスの統合
クラスを統合した場合、特徴量空間において、統合したクラスに対応する領域は、統合する各クラスに対応する領域の和とする。言い換えれば、クラスA,Bに対し、対応する分類規則群Ra、Rbが定義されていたとすると、A,Bを統合したクラスに対する分類規則はRaまたはRbとなる。
【0065】
以上述べた第三の実施の形態において、ユーザが、システムの提供するクラス並びに、ユーザ自身が定義するクラスを組み合わせてクラス構成を定義する方法を述べた。また、定義したクラス構成において、分類規則の初期値が組み込まれているクラスに関しては、分類規則を自動的に再構成する方法を述べた。
【0066】
次に本発明の第四の実施の形態について説明する。本実施の形態では、ユーザが設定したクラス構成の下で、システムに組み込まれているデフォルトの教示データ集合を再学習することにより、分類器を適合化させる。
【0067】
図13を用いて、本実施の形態における分類器の適合化について説明する。システムには事前に教示データをデフォルトとして組み込んでおき、各教示データは、図13(a)の1301に示すごとく、組み込みの各分類尺度における正解を付与されている。
図13(b)の1302、(c)の1303は、それぞれユーザが設定したクラス構成例を示している。図13(b)の構成1302においては、(a)の1301の教示データ▲1▼、▲3▼は、“異物、大”クラスの教示データ、教示データ▲2▼、▲4▼は、“異物、小”クラスの教示データとして自動的に学習する。また、図13(c)の構成1303においては、(a)の1301の教示データ▲1▼、▲2▼は、“異物、膜上”クラスの教示データ、教示データ▲3▼、▲4▼は、“異物、膜下”クラスの教示データとして自動的に学習する。このように、ユーザが設定したクラス構成に対し、デフォルトとして組み込まれた教示データを再学習することにより、分類器を自動的に適合化する。
【0068】
このように、教示データをシステムに組み込んでおくことにより、ユーザは新たな教示データを収集することなく、欠陥自動分類を行うことができる。
また、システムが提供する推奨クラス構成に対しては、組み込みの教示データを用いて出荷前に事前に学習をおこなっておいてもよい。
【0069】
また、教示データ集合を複数持ってもよい。すなわち、例えば、配線工程、ゲート工程、穴工程、キャパシタ工程等、工程毎に教示データ集合をシステムに組み込んでおき、ユーザはクラス構成を定義した後、どの教示データ集合を用いて学習するのか指定する。ユーザは各々の要求分類に近い教示データを用いることにより、より信頼性の高い分類が可能となる。
【0070】
次に、本発明における欠陥を検出して分類するシステムの概略構成を、図14に示す。1401は電子線照明光学系であり、検査対象である半導体電子回路基板1402上に生じた欠陥部に電子線を照射する。1402の表面から生じた2次電子は画像を形成するべく、電子線検出器1403を介して検出、電気信号に変換され、さらにデジタル画像に変換されてコンピュータ1404に転送される。コンピュータ1404は、検出した電子線画像を記憶装置1405に記憶する。コンピュータ1404は、検出した電子線画像を参照画像と比較して差画像を算出することにより欠陥部を抽出し、抽出した欠陥部における特徴量を算出し、記憶装置1405に記憶する。コンピュータ1404は、上記第一から第四の実施の形態において述べた設定用画面をユーザに提示し、ユーザに欠陥の分類を促す。
【0071】
ユーザは、第一から第三の実施の形態で述べた方法でクラス構成を設定し、ソフトウエアとしてコンピュータ1404上に実装された分類器に対し、必要に応じて教示データを学習させる。これにより、半導体電子回路基板上に生じた欠陥の画像を自動的に分類できる。
【0072】
以上、第一から第五の実施の形態に関し、述べた。これらいずれの形態においても、ユーザが新たに追加した教示データを用いて追加学習を行うこともできる。
【0073】
更に、他の形態として、第五の実施の形態においては電子線式の画像検出器によって検出した欠陥画像の分類を想定していたが、光学式の画像検出器よって検出した欠陥画像の分類を行ってもよい。
【0074】
更に、電子線式、あるいは光学式の画像検出器、あるいはX線分光特性を検出するX線スペクトル分光器の出力情報(画像情報及び組成情報)に基づき欠陥の分類を行ってもよい。
【0075】
更に、半導体電子回路基板上に生じた欠陥画像の分類を適用対象例として、本発明の詳細を述べたが、本発明の適用対象は上記に限るものではない。例えば、プリント回路基板、FPD、液晶表示基板等の表面に生じた欠陥部の画像を自動分類する方法にも適用することができる。
【0076】
【発明の効果】
本発明によれば、多様なユーザ要求に対して常に信頼性の高い分類が可能になる。これにより、分類クラスに対応する分類規則を組み込むルールベース型分類器と比較し、分類規則を学習によってユーザ毎に適合化することができる。
【0077】
また、本発明によれば、教示データではないデータに対する分類性能の低下を回避できる。すなわち、分類クラスに対応する分類規則を学習する際、ユーザによる先験的知識を制約として与え、制約のもとで学習することにより、一般的な学習型分類器と比較し、教示データに対する過学習を避けることができ、教示データではないデータに対する分類性能の低下を回避できる。
【0078】
さらに、本発明によれば、ルールベース型分類器と学習型分類器の利点を同じに備えることができる。すなわち、ルールベース型分類器の如く、教示データが全くない、ないしほとんどない状況下でも即時使用可能であり、かつ、学習型分類器の如く、ユーザの要求するクラス構成に柔軟に対応し、かつ、教示データの学習により分類性能を向上させることができる。
【図面の簡単な説明】
【図1】クラス構成を設定する教示画面の正面図である。
【図2】第一の実施の形態におけるクラス構成設定画面と教示画面の正面図である。
【図3】第一の実施の形態における制約条件の設定画面の正面図である。
【図4】制約つき学習による効果の具体例を説明する図である。
【図5】制約つき学習の一例を説明する欠陥の特徴量空間分布図である。
【図6】クラス構成の設定手順を説明するクラス構成設定画面の正面図である。
【図7】クラスを削除する手順を説明するクラス構成設定画面の正面図である。
【図8】クラスに階層関係を定義する手順を説明するクラス構成設定画面の正面図である。
【図9】クラスを分割する手順を説明するクラス構成設定画面の正面図である。
【図10】クラスを統合する手順を説明するクラス構成設定画面の正面図である。
【図11】分類尺度に対応する特徴量空間を説明する図である。
【図12】クラス削除に伴う分類規則の自動適合化を説明するクラス構成設定画面の正面図である。
【図13】第四の実施の形態における分類器の自動適合化を説明する図である。
【図14】本発明における欠陥を検出して分類するシステムの概略構成を示すブロック図である。
【図15】第一の実施の形態における制約条件の設定画面の正面図である。
【符号の説明】
21・・・収集した画像を表示する画面 22・・・設定したクラス構成を表示する画面 23・・・設定したクラス構成に対し、教示操作を行う画面
31、32、33・・・欠陥画像、参照画像、差画像 61、62、63、64・・・クラス構成を設定する手順 81、82・・・クラスに階層関係を定義する手順 91、92・・・クラスを分割する手順 101、102・・・クラスを統合する手順 1401・・・電子線照明光学系 1402・・・半導体電子回路基板 1403・・・電子線検出器 1404・・・コンピュータ 1405・・・記憶装置 151・・・分類方法の選択ボタン
Claims (18)
- 試料を撮像して該試料の画像を得る工程と、
該試料の画像を参照画像と比較して前記試料の欠陥画像を抽出する工程と、
該抽出した欠陥画像を該欠陥画像を分類するための複数のクラスとの対応付けを行う工程と、
該対応付けの情報を記憶する工程と、
前記欠陥画像を複数のクラスに分類する為の制約条件を設定する工程と、
前記記憶した対応付けの情報と前記設定した制約条件とを用いて前記抽出した欠陥画像を前記複数のクラスに分類する工程と、
該分類した欠陥画像を画面上に表示する工程と
を備えたことを特徴とする欠陥分類方法。 - 前記欠陥画像を分類するための複数のクラスは、予め設定されていたクラスを組み合わせて構成されたものであることを特徴とする請求項1記載の欠陥分類方法。
- 前記記憶する対応付けの情報は、前記複数のクラスのそれぞれに対応する欠陥画像の特徴量であることを特徴とする請求項1記載の欠陥分類方法。
- 試料を撮像して該試料の画像を得る工程と、
該試料の画像を参照画像と比較して前記試料の欠陥画像を抽出する工程と、
該欠陥画像を分類するための複数のクラスからなるクラス構成を設定する工程と、
該設定したクラス構成のそれぞれのクラスと前記欠陥画像との対応付けを行う工程と、
該設定したクラス構成と該クラス構成のそれぞれのクラスに対応付けられた欠陥画像との対応関係を記憶する工程と、
前記設定したクラス構成のそれぞれのクラスに分類するための制約条件を設定する工程と、
前記記憶した対応関係と前記設定した制約条件とを用いて前記抽出した欠陥画像を前記設定したクラス構成のそれぞれのクラスに分類する工程と、
該分類した欠陥画像を画面上に表示する工程と
を備えたことを特徴とする欠陥分類方法。 - 試料を撮像して該試料の画像を得る工程と、
該試料の画像を参照画像と比較して前記試料の欠陥画像を抽出する工程と、
該抽出した欠陥画像を分類するための複数のクラスを設定する工程と、
該設定した複数のクラスと前記表示された欠陥画像との対応付けを行う工程と、
該設定した複数のクラスと表示された欠陥画像との対応関係を記憶する工程と、
前記設定した複数のクラスに分類する為の制約条件を設定する工程と、
前記設定した複数のクラスの組み合わせに基づくクラス構成を設定する工程と、
該設定したクラス構成に基づいて前記記憶した対応関係と前記設定した制約条件とを用いて前記抽出した欠陥画像を分類する工程と、
該分類した欠陥画像を画面上に表示する工程と
を備えたことを特徴とする欠陥分類方法。 - 前記複数のクラスを設定する工程において、予め記憶しておいた複数のクラスの中から前記抽出した欠陥画像を分類するためのクラスを選択するとともに、新たな分類のためのクラスを追加し、該選択した予め記憶しておいたクラスと追加したクラスとを用いて前記複数のクラスを設定することを特徴とする請求項5記載の欠陥分類方法。
- 前記欠陥画像を抽出する工程で抽出した欠陥画像を画面上に表示する工程を更に備え、前記対応付けを行う工程は、前記画面上で前記表示された欠陥画像を前記設定したクラス構成のそれぞれのクラスに振り分ける事を特徴とする請求項4又は5に記載の欠陥分類方法。
- 前記欠陥画像を分類するための複数のクラスからなるクラス構成は、予め記憶しておいた欠陥画像を分類するためのクラスを組み合わせて構成されたものであることを特徴とする請求項4記載の欠陥分類方法。
- 前記記憶する欠陥画像との対応関係の情報は、前記複数のクラスのそれぞれに対応する欠陥画像の特徴量であることを特徴とする請求項4又は5に記載の欠陥分類方法。
- 前記制約条件は、前記欠陥画像の特徴量の種類および該特徴量の大きさに関するものであることを特徴とする請求項4又は5に記載の欠陥分類方法。
- 試料を撮像して該試料の画像を得る工程と、
該試料の画像を参照画像と比較して前記試料の欠陥画像を抽出する工程と、
該抽出した欠陥画像を分類するためのクラスの構成を設定する工程と、
予め記憶しておいた欠陥画像を分類するためのクラス分けのデータを前記設定したクラスの構成に対応させて編集する工程と、
該設定したクラスの構成に対応させて編集したそれぞれのクラス分けのデータを用いて前記抽出した欠陥画像を前記設定したクラス構成に分類する工程と、
該分類した欠陥画像を画面上に表示する工程と
を備えたことを特徴とする欠陥分類方法。 - 前記予め記憶しておいたクラス分けのデータは、欠陥画像の複数の特徴量で構成されたものであることを特徴とする請求項11記載の欠陥分類方法。
- 試料を撮像して該試料の画像を取得する画像取得手段と、該画像取得手段で取得した前記試料の画像を参照画像と比較して前記試料の欠陥画像を抽出する欠陥画像抽出手段と、該欠陥画像抽出手段で抽出した欠陥画像を複数のクラスに分類する欠陥分類手段とを備えた欠陥を分類する装置であって、前記欠陥分類手段は、
前記画像取得手段で取得した欠陥画像を分類するための複数のクラスからなるクラス構成と欠陥画像との対応関係の情報を記憶する記憶部と、
前記欠陥画像を複数のクラスからなるクラス構成に分類する為の制約条件を設定する制約条件設定部と、
前記記憶部に記憶した対応付けの情報と前記制約条件設定部に設定した制約条件とを用いて前記欠陥画像抽出手段で抽出した欠陥画像を前記複数のクラスからなるクラス構成に分類する欠陥分類部と、
該欠陥分類部で分類した欠陥画像を前記表示する表示部と
を有する事を特徴とする欠陥分類装置。 - 前記記憶部に記憶する前記欠陥画像を分類するための複数のクラスからなるクラス構成は、予め記憶しておいた欠陥画像を分類するためのクラスを組み合わせて構成されたものであることを特徴とする請求項13記載の欠陥分類装置。
- 前記記憶部に記憶する欠陥画像との対応関係の情報は、前記クラス構成の複数のクラスのそれぞれに対応する欠陥画像の特徴量であることを特徴とする請求項13記載の欠陥分類装置。
- 前記制約条件設定部で設定する制約条件は、前記欠陥画像の特徴量の種類および該特徴量の大きさに関するものであることを特徴とする請求項13に記載の欠陥分類装置。
- 試料を撮像して該試料の画像を得る撮像手段と、
該撮像手段で撮像して得た試料の画像を参照画像と比較して前記試料の欠陥画像を抽出する欠陥抽出手段と、
該欠陥抽出手段で抽出した欠陥画像を分類するための複数のクラスからなるクラス構成を設定するクラス構成設定手段と、
欠陥画像を分類するためのクラス分けのデータを記憶しておく記憶手段と、
該記憶手段に記憶しておいた欠陥画像を分類するためのクラス分けのデータを前記クラス構成設定手段で設定したクラスの構成に対応させて編集するクラス分けデータ編集手段と、
該クラス分けデータ編集手段で編集したそれぞれのクラス分けのデータを用いて前記欠陥抽出手段で抽出した欠陥画像を前記クラス構成設定手段で設定したクラス構成に分類する分類手段と、
該分類手段で分類した欠陥画像を画面上に表示する表示手段と
を備えたことを特徴とする欠陥分類装置。 - 前記記憶手段に記憶しておくクラス分けのデータは、欠陥画像の複数の特徴量で構成されたものであることを特徴とする請求項17記載の欠陥分類装置。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2002234302A JP3978098B2 (ja) | 2002-08-12 | 2002-08-12 | 欠陥分類方法及びその装置 |
IL154676A IL154676A (en) | 2002-08-12 | 2003-02-27 | Method for sorting out defects |
US10/378,016 US7583832B2 (en) | 2002-08-12 | 2003-02-28 | Method and its apparatus for classifying defects |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2002234302A JP3978098B2 (ja) | 2002-08-12 | 2002-08-12 | 欠陥分類方法及びその装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2004077165A true JP2004077165A (ja) | 2004-03-11 |
JP3978098B2 JP3978098B2 (ja) | 2007-09-19 |
Family
ID=30113008
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2002234302A Expired - Fee Related JP3978098B2 (ja) | 2002-08-12 | 2002-08-12 | 欠陥分類方法及びその装置 |
Country Status (3)
Country | Link |
---|---|
US (1) | US7583832B2 (ja) |
JP (1) | JP3978098B2 (ja) |
IL (1) | IL154676A (ja) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006098155A (ja) * | 2004-09-29 | 2006-04-13 | Hitachi High-Technologies Corp | 検査方法及びその装置 |
JP2008516259A (ja) * | 2004-10-12 | 2008-05-15 | ケイエルエイ−テンコー・テクノロジーズ・コーポレーション | 試験体上の欠陥を分類するためのコンピュータに実装された方法およびシステム |
JP2008523395A (ja) * | 2004-12-07 | 2008-07-03 | ケイエルエイ−テンコー・テクノロジーズ・コーポレーション | レティクルの設計パターンにおける欠陥を検出し、かつ(あるいは)ソートするためのコンピュータに実装された方法 |
JP2009037592A (ja) * | 2007-07-12 | 2009-02-19 | Ricoh Co Ltd | 画像処理装置、画像処理方法およびプログラム |
WO2009119314A1 (ja) * | 2008-03-27 | 2009-10-01 | 東京エレクトロン株式会社 | 欠陥分類方法、コンピュータ記憶媒体及び欠陥分類装置 |
WO2011010557A1 (ja) * | 2009-07-23 | 2011-01-27 | 株式会社日立ハイテクノロジーズ | 欠陥分類装置及び分類調整方法 |
JP2011053823A (ja) * | 2009-08-31 | 2011-03-17 | Tokyo Institute Of Technology | 特徴量抽出装置及び方法、並びに位置推定装置及び方法 |
US8244039B2 (en) | 2007-07-12 | 2012-08-14 | Ricoh Company, Limited | Apparatus, method, and computer program product for acquiring processing content for image data |
WO2013099487A1 (ja) * | 2011-12-28 | 2013-07-04 | 株式会社日立ハイテクノロジーズ | Gui、分類装置、分類方法、プログラム及び分類プログラムを記憶した記憶媒体 |
JP2021032629A (ja) * | 2019-08-21 | 2021-03-01 | 株式会社ブイ・テクノロジー | 欠陥部認識装置及び欠陥部認識方法 |
Families Citing this family (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006507539A (ja) * | 2002-11-21 | 2006-03-02 | トッパン、フォウタマスクス、インク | 欠陥画像を検査システムからデータベースに自動的に送信するシステム及び方法 |
JP2005158780A (ja) * | 2003-11-20 | 2005-06-16 | Hitachi Ltd | パターン欠陥検査方法及びその装置 |
JP2006098151A (ja) * | 2004-09-29 | 2006-04-13 | Dainippon Screen Mfg Co Ltd | パターン検査装置およびパターン検査方法 |
US7844100B2 (en) * | 2004-11-29 | 2010-11-30 | Applied Materials Israel, Ltd. | Method for filtering nuisance defects |
US7894677B2 (en) * | 2006-02-09 | 2011-02-22 | Microsoft Corporation | Reducing human overhead in text categorization |
DE102007047933B3 (de) * | 2007-12-20 | 2009-02-26 | Vistec Semiconductor Systems Gmbh | Verfahren zur Inspektion von einer Oberfläche eines Wafers mit Bereichen unterschiedlicher Detektionsempfindlichkeit |
US8331650B2 (en) | 2010-07-29 | 2012-12-11 | Sharp Laboratories Of America, Inc. | Methods, systems and apparatus for defect detection |
US8995747B2 (en) | 2010-07-29 | 2015-03-31 | Sharp Laboratories Of America, Inc. | Methods, systems and apparatus for defect detection and classification |
JP6951659B2 (ja) | 2017-05-09 | 2021-10-20 | オムロン株式会社 | タスク実行システム、タスク実行方法、並びにその学習装置及び学習方法 |
KR102309569B1 (ko) * | 2017-06-14 | 2021-10-07 | 캠텍 리미티드 | 자동 결함 분류 |
US10713534B2 (en) * | 2017-09-01 | 2020-07-14 | Kla-Tencor Corp. | Training a learning based defect classifier |
US10607119B2 (en) | 2017-09-06 | 2020-03-31 | Kla-Tencor Corp. | Unified neural network for defect detection and classification |
US10854486B2 (en) * | 2018-09-19 | 2020-12-01 | Kla Corporation | System and method for characterization of buried defects |
US10762618B1 (en) * | 2019-02-14 | 2020-09-01 | United Microelectronics Corp. | Mask weak pattern recognition apparatus and mask weak pattern recognition method |
US11475556B2 (en) | 2019-05-30 | 2022-10-18 | Bruker Nano, Inc. | Method and apparatus for rapidly classifying defects in subcomponents of manufactured component |
US11315342B2 (en) * | 2019-11-21 | 2022-04-26 | International Business Machines Corporation | Automated explanation of machine learning predictions using classification score targeting |
CN111178169B (zh) * | 2019-12-12 | 2023-03-10 | 广州地理研究所 | 一种基于遥感影像的城市地表覆盖物精细分类方法及装置 |
US11880968B2 (en) | 2019-12-20 | 2024-01-23 | Boe Technology Group Co., Ltd. | Distributed computing system for product defect analysis |
JP2023005477A (ja) * | 2021-06-29 | 2023-01-18 | 株式会社日立ハイテク | 検査装置及び計測装置 |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS59226981A (ja) * | 1983-06-08 | 1984-12-20 | Fujitsu Ltd | パタ−ンマツチング方法および装置 |
US5796410A (en) * | 1990-06-12 | 1998-08-18 | Lucent Technologies Inc. | Generation and use of defective images in image analysis |
US5544256A (en) * | 1993-10-22 | 1996-08-06 | International Business Machines Corporation | Automated defect classification system |
US5640200A (en) * | 1994-08-31 | 1997-06-17 | Cognex Corporation | Golden template comparison using efficient image registration |
US5694481A (en) * | 1995-04-12 | 1997-12-02 | Semiconductor Insights Inc. | Automated design analysis system for generating circuit schematics from high magnification images of an integrated circuit |
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 |
US6987873B1 (en) * | 1998-07-08 | 2006-01-17 | Applied Materials, Inc. | Automatic defect classification with invariant core classes |
JP4206192B2 (ja) * | 2000-11-09 | 2009-01-07 | 株式会社日立製作所 | パターン検査方法及び装置 |
US6922482B1 (en) * | 1999-06-15 | 2005-07-26 | Applied Materials, Inc. | Hybrid invariant adaptive automatic defect classification |
JP2001256480A (ja) | 2000-03-09 | 2001-09-21 | Hitachi Ltd | 画像自動分類方法及び装置 |
JP4526661B2 (ja) * | 2000-06-28 | 2010-08-18 | 株式会社日立製作所 | 検査装置および検査方法 |
-
2002
- 2002-08-12 JP JP2002234302A patent/JP3978098B2/ja not_active Expired - Fee Related
-
2003
- 2003-02-27 IL IL154676A patent/IL154676A/en active IP Right Grant
- 2003-02-28 US US10/378,016 patent/US7583832B2/en active Active
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006098155A (ja) * | 2004-09-29 | 2006-04-13 | Hitachi High-Technologies Corp | 検査方法及びその装置 |
JP2008516259A (ja) * | 2004-10-12 | 2008-05-15 | ケイエルエイ−テンコー・テクノロジーズ・コーポレーション | 試験体上の欠陥を分類するためのコンピュータに実装された方法およびシステム |
US8111900B2 (en) | 2004-12-07 | 2012-02-07 | Kla-Tencor Technologies Corp. | Computer-implemented methods for detecting and/or sorting defects in a design pattern of a reticle |
JP2008523395A (ja) * | 2004-12-07 | 2008-07-03 | ケイエルエイ−テンコー・テクノロジーズ・コーポレーション | レティクルの設計パターンにおける欠陥を検出し、かつ(あるいは)ソートするためのコンピュータに実装された方法 |
KR101296532B1 (ko) | 2004-12-07 | 2013-08-13 | 케이엘에이-텐코 코포레이션 | 레티클의 설계 패턴에서의 결함들을 검출 및/또는 분류하기 위한 컴퓨터 구현 방법들 |
JP2009037592A (ja) * | 2007-07-12 | 2009-02-19 | Ricoh Co Ltd | 画像処理装置、画像処理方法およびプログラム |
US8244039B2 (en) | 2007-07-12 | 2012-08-14 | Ricoh Company, Limited | Apparatus, method, and computer program product for acquiring processing content for image data |
JP2009238992A (ja) * | 2008-03-27 | 2009-10-15 | Tokyo Electron Ltd | 欠陥分類方法、プログラム、コンピュータ記憶媒体及び欠陥分類装置 |
WO2009119314A1 (ja) * | 2008-03-27 | 2009-10-01 | 東京エレクトロン株式会社 | 欠陥分類方法、コンピュータ記憶媒体及び欠陥分類装置 |
US8379965B2 (en) | 2008-03-27 | 2013-02-19 | Tokyo Electron Limited | Defect classification method, computer storage medium, and defect classification apparatus |
WO2011010557A1 (ja) * | 2009-07-23 | 2011-01-27 | 株式会社日立ハイテクノロジーズ | 欠陥分類装置及び分類調整方法 |
JP2011027498A (ja) * | 2009-07-23 | 2011-02-10 | Hitachi High-Technologies Corp | 欠陥分類装置及び分類調整方法 |
US8892494B2 (en) | 2009-07-23 | 2014-11-18 | Hitachi High-Technologies Corporation | Device for classifying defects and method for adjusting classification |
JP2011053823A (ja) * | 2009-08-31 | 2011-03-17 | Tokyo Institute Of Technology | 特徴量抽出装置及び方法、並びに位置推定装置及び方法 |
WO2013099487A1 (ja) * | 2011-12-28 | 2013-07-04 | 株式会社日立ハイテクノロジーズ | Gui、分類装置、分類方法、プログラム及び分類プログラムを記憶した記憶媒体 |
JP2013137203A (ja) * | 2011-12-28 | 2013-07-11 | Hitachi High-Technologies Corp | Gui、分類装置、分類方法、プログラム及び分類プログラムを記憶した記憶媒体 |
KR20140097484A (ko) * | 2011-12-28 | 2014-08-06 | 가부시키가이샤 히다치 하이테크놀로지즈 | Gui, 분류 장치, 분류 방법 및 기록 매체 |
CN104024838A (zh) * | 2011-12-28 | 2014-09-03 | 株式会社日立高新技术 | Gui、分类装置、分类方法、程序以及存储分类程序的存储介质 |
CN104024838B (zh) * | 2011-12-28 | 2016-04-13 | 株式会社日立高新技术 | Gui、分类装置、分类方法、程序以及存储分类程序的存储介质 |
KR101888227B1 (ko) | 2011-12-28 | 2018-08-13 | 가부시키가이샤 히다치 하이테크놀로지즈 | Gui, 분류 장치, 분류 방법 및 기록 매체 |
US10203851B2 (en) | 2011-12-28 | 2019-02-12 | Hitachi High-Technologies Corporation | Defect classification apparatus and defect classification method |
JP2021032629A (ja) * | 2019-08-21 | 2021-03-01 | 株式会社ブイ・テクノロジー | 欠陥部認識装置及び欠陥部認識方法 |
Also Published As
Publication number | Publication date |
---|---|
IL154676A (en) | 2010-06-30 |
IL154676A0 (en) | 2003-09-17 |
US7583832B2 (en) | 2009-09-01 |
JP3978098B2 (ja) | 2007-09-19 |
US20040028276A1 (en) | 2004-02-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP3978098B2 (ja) | 欠陥分類方法及びその装置 | |
US7602962B2 (en) | Method of classifying defects using multiple inspection machines | |
JP4253522B2 (ja) | 欠陥分類方法及び装置 | |
KR102218364B1 (ko) | 패턴 검사 시스템 | |
US8331651B2 (en) | Method and apparatus for inspecting defect of pattern formed on semiconductor device | |
TWI226591B (en) | Automatic defect classification with invariant core classes | |
US7231079B2 (en) | Method and system for inspecting electronic circuit pattern | |
TWI706484B (zh) | 將客製化度量與全球分類法結合以在極端高產能下監控加工工具狀況之基於晶圓及批量之階級式方法 | |
TWI502189B (zh) | 指導資料驗證裝置、指導資料製作裝置、圖像分類裝置、指導資料驗證方法、指導資料製作方法及圖像分類方法 | |
US20060078188A1 (en) | Method and its apparatus for classifying defects | |
WO2018061067A1 (ja) | 欠陥検査装置及び欠陥検査方法 | |
JP2004047939A (ja) | 欠陥分類器の生成方法および欠陥自動分類方法 | |
KR20010015028A (ko) | 결함에 대한 하이브리드식 불변의 적응성 자동 분류 방법및 장치 | |
WO2005100962A1 (ja) | 分類装置及び分類方法 | |
JP2001156135A (ja) | 欠陥画像の分類方法及びその装置並びにそれを用いた半導体デバイスの製造方法 | |
WO2013099487A1 (ja) | Gui、分類装置、分類方法、プログラム及び分類プログラムを記憶した記憶媒体 | |
Vajravelu et al. | Machine learning techniques to detect bleeding frame and area in wireless capsule endoscopy video | |
Choi et al. | Deep learning based defect inspection using the intersection over minimum between search and abnormal regions | |
JP3020973B2 (ja) | 画像処理方法 | |
US20050058335A1 (en) | Defect management method | |
CN115362445A (zh) | 数据分类装置、数据分类方法以及数据分类程序 | |
CN112927215A (zh) | 一种消化道活检病理切片自动分析方法 | |
JP2840347B2 (ja) | 基板実装検査装置 | |
JP2001134763A (ja) | 撮像画像に基づく欠陥の分類方法、および、その結果の表示方法 | |
CN113298166A (zh) | 缺陷分类器和缺陷分类方法、装置、设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A821 Effective date: 20031024 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20040116 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20040119 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20041228 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20060104 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20060314 |
|
RD02 | Notification of acceptance of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7422 Effective date: 20060512 |
|
RD04 | Notification of resignation of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7424 Effective date: 20060512 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20060515 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20061010 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20061207 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20070612 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20070622 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20100629 Year of fee payment: 3 |
|
R150 | Certificate of patent or registration of utility model |
Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20100629 Year of fee payment: 3 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20110629 Year of fee payment: 4 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20110629 Year of fee payment: 4 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20120629 Year of fee payment: 5 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20120629 Year of fee payment: 5 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20130629 Year of fee payment: 6 |
|
LAPS | Cancellation because of no payment of annual fees |