JP2019004115A - 設計データを用いた欠陥可視化方法及び欠陥検出方法 - Google Patents
設計データを用いた欠陥可視化方法及び欠陥検出方法 Download PDFInfo
- Publication number
- JP2019004115A JP2019004115A JP2017119829A JP2017119829A JP2019004115A JP 2019004115 A JP2019004115 A JP 2019004115A JP 2017119829 A JP2017119829 A JP 2017119829A JP 2017119829 A JP2017119829 A JP 2017119829A JP 2019004115 A JP2019004115 A JP 2019004115A
- Authority
- JP
- Japan
- Prior art keywords
- pattern
- defect
- inspection
- gray level
- image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
- G06T7/001—Industrial image inspection using an image reference approach
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10056—Microscopic image
- G06T2207/10061—Microscopic image from scanning electron microscope
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
【課題】半導体デバイスを構成するパターンの欠陥を高精度且つ広範囲で可視化する方法を提供する。【解決手段】欠陥可視化方法は、複数のパターン画像を走査電子顕微鏡により生成し、複数のパターン画像内のパターンの位置を合わせつつ、複数のパターン画像同士を重ね合わせ、複数のパターン画像に亘るグレイレベルの分散を、パターン上の複数の検査領域ごとに算出し、複数の検査領域を分散の大きさに従って色分けすることで疑似カラー画像を生成し、疑似カラー画像を表示する。【選択図】図8
Description
本発明は、設計データに基づき製造された、半導体集積回路(LSI)や液晶パネルを構成するパターンの欠陥検出方法に適用可能な画像生成方法に関する。
半導体集積回路の製造工程におけるウェーハのパターン検査、あるいはそのパターン形成用のホトマスクのパターン検査には、ダイ・ツー・ダイ(die to die)比較方法を用いた光学式パターン検査装置が使われている。このダイ・ツー・ダイ比較方法は、検査対象のダイと呼ばれる半導体デバイスとその近接ダイの同じ位置から得られる画像どうしを比較することで微細欠陥を検出する方法である。
一方、近接ダイの存在しないレチクルと呼ばれるホトマスクの検査には、ダイ・ツー・データベース(die to database)比較と呼ばれる方法が使用されている。この方法は、マスクデータを画像に変換してダイ・ツー・ダイ比較方法で用いた近接ダイの画像の代わりとし、前述同様の検査をする方法である。マスクデータとは設計データにホトマスク用の補正を施して得られるデータである。当該技術は、たとえば米国特許第5563702号公報“Automated photomask inspection apparatus and method”に記載されている。
しかし、ダイ・ツー・データベース比較方法をウェーハ検査に使用すると、実際にウェーハに形成されたパターンのコーナーラウンドが欠陥として検出される。ホトマスクの検査では、マスクデータから変換された画像にスムージングフィルタでコーナーラウンドをもたせる前処理でコーナーラウンドを欠陥として検出しないようにしている。しかしながら、ウェーハ検査では、この前処理によるコーナーラウンドは、ウェーハに形成されたそれぞれのパターンのコーナーラウンドに等しくないので、コーナーラウンドを欠陥として検出しないようにできないことがある。そこで、この違いを無視するように許容パターン変形量を設定すると、コーナー以外に存在する欠陥を検出できないという問題が発生している。
半導体集積回路生産での問題に注目すると、ゴミなどに起因するランダム欠陥よりも繰り返し発生する欠陥が重要視されている。繰り返し発生する欠陥(システマティック欠陥)とは、ホトマスク不良などを原因としてウェーハ上の全ダイにおいて繰り返し発生する欠陥と定義される。繰り返し発生する欠陥は検査対象のダイおよびその比較対象の近接ダイの両方に発生しているため、ダイ・ツー・ダイ比較では検出できない。ゆえに、ダイ・ツー・データベース比較方式でのウェーハ検査が必要とされている。
しかしながら、システマティック欠陥を対象としたダイ・ツー・データベース比較方式とランダム欠陥を対象としたダイ・ツー・ダイ方式は、いずれも欠陥のサイズがLER(Line edge Roughness)に近づくにつれて欠陥検出率が低下する事が知られている。すなわち、2次元パターンの計測結果は、パターン境界面における化学反応のばらつきから生ずる欠陥では無いパターン変形であるLER(Line edge Roughness)を含む為、ダイ・ツー・データベース比較方式における設計データに対するパターン変形許容量はLER(Line edge Roughness)より大きい値を用いる事が一般的であり、欠陥のサイズがLER(Line edge Roughness)のサイズに近付くほど、その欠陥の検出は困難である。
そこで、本発明は、半導体デバイスを構成するパターンの欠陥を高精度且つ広範囲で可視化する方法、及び欠陥を高精度且つ広範囲で検出する方法を提供する。
本発明の一態様では、複数のパターン画像を走査電子顕微鏡により生成し、前記複数のパターン画像内のパターンの位置を合わせつつ、前記複数のパターン画像同士を重ね合わせ、前記複数のパターン画像に亘るグレイレベルの分散を、前記パターン上の複数の検査領域ごとに算出し、前記複数の検査領域を前記分散の大きさに従って色分けすることで疑似カラー画像を生成し、前記疑似カラー画像を表示することを特徴とする欠陥可視化方法が提供される。
一実施形態では、前記複数の検査領域は、設計データに含まれる前記パターンの形状に基づいて予め設定されることを特徴とする。
一実施形態では、前記複数の検査領域のうちの少なくとも1つは、前記パターンに沿って延びる前記パターンのエッジ上の領域であることを特徴とする。
一実施形態によれば、複数のパターン画像を走査電子顕微鏡により生成し、前記複数のパターン画像内のパターンの位置を合わせつつ、前記複数のパターン画像同士を重ね合わせ、前記複数のパターン画像に亘るグレイレベルを、前記パターン上の複数の検査領域ごとに取得することで、グレイレベルのデータを検査領域ごとに作成し、前記データに基づいて、前記複数の検査領域にそれぞれ対応する複数のしきい値を決定し、前記複数の検査領域内のピクセルごとのグレイレベルを、前記複数のしきい値のうちの対応するしきい値と比較し、前記しきい値よりも大きいグレイレベルを持つピクセルに第1色を付し、前記しきい値よりも小さいグレイレベルを持つピクセルに第2色を付すことで2値化画像を生成し、設定数以上連結された、前記第1色が付されたピクセルを検出することでパターン欠陥を検出することを特徴とする欠陥検出方法が提供される。
一実施形態では、前記複数のしきい値は、前記データの四分位範囲または標準偏差に基づいて決定されることを特徴とする。
一実施形態では、前記複数の検査領域のうちの少なくとも1つは、前記パターンに沿って延びる前記パターンのエッジ上の領域であることを特徴とする。
一実施形態によれば、複数のパターン画像を走査電子顕微鏡により生成し、前記複数のパターン画像内のパターンの位置を合わせつつ、前記複数のパターン画像同士を重ね合わせ、前記複数のパターン画像に亘るグレイレベルを、前記パターン上の複数の検査領域ごとに取得することで、グレイレベルのデータを検査領域ごとに作成し、前記データに基づいて、前記複数の検査領域にそれぞれ対応する複数のしきい値を決定し、前記複数の検査領域内のピクセルごとのグレイレベルを、前記複数のしきい値のうちの対応するしきい値と比較し、前記しきい値よりも大きいグレイレベルを持つピクセルに第1色を付し、前記しきい値よりも小さいグレイレベルを持つピクセルに第2色を付すことで2値化画像を生成し、設定数以上連結された、前記第1色が付されたピクセルを検出することでパターン欠陥を検出することを特徴とする欠陥検出方法が提供される。
一実施形態では、前記複数のしきい値は、前記データの四分位範囲または標準偏差に基づいて決定されることを特徴とする。
本発明によれば、グレイスケールで表現されたパターン画像は、グレイレベルの分散の大きさに従って色分けされた疑似カラー画像に変換される。よって、ユーザーは、欠陥の存在する領域を容易に視認することができる。
以下、本発明の実施形態について図面を参照して説明する。
以下に説明する一実施形態の目的は、ダイ・ツー・データベース比較方式及びダイ・ツー・ダイ比較方式の後処理として、LER(Line edge Roughness)と同等なサイズの微細な欠陥の可視化をする事である。
以下に説明する一実施形態の目的は、ダイ・ツー・データベース比較方式及びダイ・ツー・ダイ比較方式の後処理として、LER(Line edge Roughness)と同等なサイズの微細な欠陥の可視化をする事である。
さらに、一実施形態の別の目的は、ダイ・ツー・データベース比較方式及びダイ・ツー・ダイ比較方式の後処理として、LER(Line edge Roughness)と同等なサイズの微細な欠陥の検出をする事である。
さらに、一実施形態の別の目的は、設計データを用いて、微細欠陥可視化及び検出の為の領域を定義する事により、2値化画像生成に用いる閾値を設計データにより定義した前記領域に帰属させ、閾値算出の計算量を減らす事である。設計データは、ライン、スペース、コーナー、パターンエンドに分類され、更にパターンの端部、中央部、パターンサイズの違いにより独立した閾値算出が可能である。パターン中心判定、更にパターンサイズによる領域の細分化は自由に設定可能である。すなわち、縦1000×横1000ピクセルの画像で閾値を100万個持つ必要は無く、本実施形態では、閾値はパターンに帰属する。
さらに、一実施形態の別の目的は、微細欠陥検出の為の閾値算出の計算において、四分位範囲または標準偏差値を用い、閾値算出に用いる情報を統計的に選別する事により、閾値設定の精度を向上させる事である。
さらに、一実施形態の別の目的は、SEM画像に一般的に用いられるグレイスケール画像を疑似カラー画像に変換し、RGB諧調に知覚度の高い人間の目の特性を考慮し、目視による微細欠陥認識の効果を向上させる事である。
以下、図面を参照しつつ実施形態について詳しく説明する。
図1は、走査電子顕微鏡を備えた画像生成システムの一実施形態を示す模式図である。
図1に示すように、画像生成システムは、走査電子顕微鏡100と、走査電子顕微鏡の動作を制御するコンピュータ150とを備えている。走査電子顕微鏡100は、一次電子(荷電粒子)からなる電子ビームを発する電子銃111と、電子銃111から放出された電子ビームを収束する集束する集束レンズ112、電子ビームをX方向に偏向するX偏向器113、電子ビームをY方向に偏向するY偏向器114、電子ビームを試料であるウェーハ124にフォーカスさせる対物レンズ115を有する。
図1は、走査電子顕微鏡を備えた画像生成システムの一実施形態を示す模式図である。
図1に示すように、画像生成システムは、走査電子顕微鏡100と、走査電子顕微鏡の動作を制御するコンピュータ150とを備えている。走査電子顕微鏡100は、一次電子(荷電粒子)からなる電子ビームを発する電子銃111と、電子銃111から放出された電子ビームを収束する集束する集束レンズ112、電子ビームをX方向に偏向するX偏向器113、電子ビームをY方向に偏向するY偏向器114、電子ビームを試料であるウェーハ124にフォーカスさせる対物レンズ115を有する。
集束レンズ112及び対物レンズ115はレンズ制御装置116に接続され、集束レンズ112及び対物レンズ115の動作はレンズ制御装置116によって制御される。このレンズ制御装置116はコンピュータ150に接続されている。X偏向器114、Y偏向器115は、偏向制御装置117に接続されており、X偏向器113、Y偏向器114の偏向動作は偏向制御装置117によって制御される。この偏向制御装置117も同様にコンピュータ150に接続されている。二次電子検出器130と反射電子検出器131は画像取得装置118に接続されている。画像取得装置118は二次電子検出器130と反射電子検出器131の出力信号を画像に変換するように構成される。この画像取得装置118も同様にコンピュータ150に接続されている。
試料チャンバー120内に配置されるXYステージ121は、ステージ制御装置122に接続されており、XYステージ121の位置はステージ制御装置122によって制御される。このステージ制御装置122はコンピュータ150に接続されている。ウェーハ124を、試料チャンバー120内のXYステージ121に載置するためのウェーハ搬送装置140も同様にコンピュータ150に接続されている。コンピュータ150は、設計データベースが格納された記憶装置162、及びキーボード、マウス等の入力装置163、表示装置164を備えている。
電子銃111から放出された電子ビームは集束レンズ112で集束された後に、X偏向器113、Y偏向器114で偏向されつつ対物レンズ115により集束されてウェーハ124の表面に照射される。ウェーハ124に電子ビームの一次電子が照射されると、ウェーハ124からは二次電子及び反射電子が放出される。二次電子は二次電子検出器130により検出され、反射電子は反射電子検出器131により検出される。検出された二次電子の信号、及び反射電子の信号は、画像取得装置118に入力され画像データに変化される。画像データはコンピュータ150に送信され、ウェーハ124の画像はコンピュータ150の表示装置164上に表示される。
ウェーハ124の設計データ(パターンの設計情報などを含む)は、記憶装置162に予め記憶されている。設計データは、配線、ゲート、トランジスタなどの複数種のパターンの設計図である。設計データには、チップ302内のパターン303の形状と位置を表す二次元設計情報が含まれている。ウェーハ124の設計データは、記憶装置162内に予め格納される。コンピュータ150は、記憶装置162からウェーハ124の設計データを読み出すことが可能である。
ウェーハ124に関して図2、図3を参照して説明する。ウェーハ124上には複数のショット202が形成される。各ショット202は、半導体デバイスの加工に用いられるフォトレジストパターンをウェーハ124上に描画するための単位である。図3に示すように、各ショット202には複数のチップ302を含めることができる。チップ302内にはパターン303が形成されている。
図4は、欠陥を含まないパターン303の一部を示す図である。LER(Line edge Roughness)は図4のパターン303内に存在するが、欠陥は存在していない。図5は、欠陥を含むパターン303の一部を示す図である。図5のパターン303内には、LER(Line edge Roughness)、及び欠陥203が存在する。
コンピュータ150は、記憶装置162から設計データを読み込み、ウェーハのパターンエッジの形状に基づいて複数の検査領域を設定する。例えば、図6に示すように、パターンのエッジ、パターンの中央部、パターンのエンド、パターンのコーナーなどのパターン形状に基づいて、コンピュータ150はパターン上に複数の検査領域を設定(定義)する。
図6に示す例では、6つの検査領域がパターン303上に設定されている。すなわち、第1の検査領域はパターン303の中央部に設定され、第2の検査領域はパターン303のラインエッジに設定され、第3の検査領域はパターン303のコーナーエッジに設定され、第4の検査領域はパターン303のコーナーの中央部に設定され、第5の検査領域はパターン303のエンドエッジに設定され、第6の検査領域はパターン303のエンドの中央部に設定されている。
走査電子顕微鏡100は、少なくとも1枚のウェーハ画像を生成し、コンピュータ150は、ウェーハ画像を走査電子顕微鏡100から取得する。走査電子顕微鏡100によって生成されるウェーハ画像は複数枚であってもよい。ウェーハ画像には、複数のパターン画像が含まれる。コンピュータ150は、設計データに含まれている二次元設計情報に基づいて、複数のパターン画像をウェーハ画像から抽出する。これらパターン画像は、同一形状を有するパターンの画像である。抽出すべきパターン画像の枚数は、コンピュータ150内に予め設定されている。
さらに、コンピュータ150は、図7に示すように、複数のパターン画像304内のパターン303の位置を合わせつつ、これらのパターン画像304を重ね合わせる。パターン303の位置合わせには、正規化相互相関法などの公知の技術を用いることができる。コンピュータ150は、図7に示す複数のパターン画像304内のグレイレベルの分散を、図6に示す複数の検査領域ごとに算出する。各パターン画像上の各検査領域内のグレイレベルは、その検査領域を構成するピクセルのグレイレベルの平均である。例えば、あるパターン画像上の第1の検査領域内のグレイレベルは、その第1の検査領域を構成するピクセルのグレイレベルの平均である。グレイレベルは、一般に、0〜255の範囲内の数値である。
走査電子顕微鏡100によって生成されたパターン画像304は、グレイスケールで表現されたSEM画像である。パターンに欠陥がない場合は、同一位置において複数のパターン画像304間でのグレイスケールのばらつきは実質的にない。しかしながら、図5に示すように、あるパターン画像304上のパターン303に欠陥203が存在する場合、その欠陥203はそのパターン画像304上に白く現れるので、グレイレベルの分散は大きくなる。
そこで、本実施形態では、コンピュータ150は、分散の大きさに従って複数の検査領域を色分けすることで疑似カラー画像を生成する。コンピュータ150は、疑似カラー画像を表示装置164上に表示する。疑似カラー画像は、RGB画像、すなわち赤、緑、青の組み合わせからなる画像である。一実施形態では、コンピュータ150は、グレイレベルの分散が第1のしきい値よりも低い検査領域には青を付し、グレイレベルの分散が第1のしきい値から第2のしきい値までの範囲内にある検査領域には緑を付し、さらに、グレイレベルの分散が第3のしきい値よりも高い検査領域には赤を付すように構成される。
図5に示す例では、第1の検査領域内に欠陥203が存在するため、第1の検査領域内のグレイレベルの分散が大きくなる。したがって、第1の検査領域は赤または緑で表される。
次に、図8に示すフローチャートを参照して本実施形態の疑似カラー表示について説明する。ステップ1では、走査電子顕微鏡100により少なくとも1枚のウェーハ画像を生成する。ステップ2では、コンピュータ150は、得られたウェーハ画像内のパターンと設計データ内のパターンとを比較することによってウェーハ画像内のパターンエッジを検出するダイ・ツー・データベース検査を実施する。ダイ・ツー・データベース検査は、たとえば米国特許6868175号“Pattern inspection apparatus, pattern inspection method, and recording medium”に記載されている。米国特許6868175号の内容は、本明細書に参照により組み込まれる。
ステップ3では、コンピュータ150は、同一形状のパターンを示す画像、すなわちパターン画像をウェーハ画像から抽出する。パターン画像の抽出は、パターン画像の枚数が予め設定された枚数を超えるまで繰り返される(ステップ4)。ステップ5では、コンピュータ150は、複数のパターン画像内のパターンの位置を合わせつつ、複数のパターン画像同士を重ね合わせる(図7参照)。パターンの位置合わせは、正規化相互相関法を用いることができる。
ステップ6では、コンピュータ150は、複数のパターン画像に亘るグレイレベルの分散を、パターン上の複数の検査領域ごとに算出する。各パターン画像上の各検査領域内のグレイレベルは、その検査領域を構成するピクセルのグレイレベルの平均である。例えば、あるパターン画像上の第1の検査領域内のグレイレベルは、その第1の検査領域を構成するピクセルのグレイレベルの平均である。ステップ7では、コンピュータ150は、複数の検査領域を分散の大きさに従って色分けすることで疑似カラー画像を生成する。ステップ8では、コンピュータ150は、疑似カラー画像を表示装置164上に表示する。
本実施形態によれば、グレイスケールで表現されたパターン画像は、グレイレベルの分散の大きさに従って色分けされた疑似カラー画像に変換される。よって、ユーザーは、欠陥の存在する領域を容易に視認することができる。
次に、パターンの欠陥を検出するための一実施形態について図9及び図10に示すフローチャートを参照して説明する。図9のステップ1からステップ5は、図8に示すフローチャートのステップ1からステップ5と同じであるので、その重複する説明を省略する。
ステップ6では、コンピュータ150は、複数のパターン画像に亘るグレイレベルを、パターン上の複数の検査領域ごとに取得することで、グレイレベル(数値)のデータを検査領域ごとに作成する。より具体的には、コンピュータ150は、複数のパターン画像のそれぞれの複数の検査領域のグレイレベルを取得して、複数のパターン画像に亘るグレイレベル(数値)のデータを検査領域ごとに作成する。各パターン画像上の各検査領域内のグレイレベルは、その検査領域を構成するピクセルのグレイレベルの平均である。例えば、あるパターン画像上の第1の検査領域内のグレイレベルは、その第1の検査領域を構成するピクセルのグレイレベルの平均である。
ステップ7では、コンピュータ150は、グレイレベルのデータに基づいて、複数の検査領域にそれぞれ対応する複数のしきい値を決定する。しきい値は、データの四分位範囲または標準偏差に基づいて決定することができる。例えば、コンピュータ150は、各検査領域でのデータの四分位範囲または標準偏差を算出し、四分位範囲または標準偏差に係数を乗算することでしきい値を決定する。係数は、予め設定された数値である。係数は1であってもよい。
ステップ8では、コンピュータ150は、各検査領域内のピクセルごとのグレイレベルを、対応するしきい値と比較する。例えば、コンピュータ150は、第1の検査領域を構成する各ピクセルのグレイレベルを、第1の検査領域について設定されたしきい値と比較する。ステップ9では、コンピュータ150は、しきい値以上のグレイレベルを持つピクセルに第1色を付し、前記しきい値よりも小さいグレイレベルを持つピクセルに第2色を付すことで2値化画像を生成する。2値化画像は、全ての検査領域において生成される(ステップ10)。ステップ11では、コンピュータ150は、2値化画像を表示装置164上に表示する。
図10に示すように、ステップ12では、コンピュータ150は、第1色が付されたピクセルの連結個数を設定数と比較する。ステップ13では、コンピュータ150は、第1色が付されたピクセルの連結個数が設定数以上である場合は、コンピュータ150は、パターンに欠陥が存在すると判定する。ピクセルの連結個数が設定数以上であるか否を判定する理由は、ノイズを排除するためである。
図11は、2値化画像の一例を示す図である。図11に示す黒い領域は、図5に示す欠陥203に相当する。ユーザーは、2値化画像から欠陥の位置を視認することができる。
図9及び図10に示す実施形態において、グレイレベルでは無く、設計データからパターン輪郭までの距離を用いて欠陥を検出する事も可能である。
図12は、コンピュータ150の構成を示す模式図である。コンピュータ150は、プログラムやデータなどが格納される記憶装置162と、記憶装置162に格納されているプログラムに従って演算を行うCPU(中央処理装置)などの処理装置1120と、データ、プログラム、および各種情報を記憶装置162に入力するための入力装置163と、処理結果や処理されたデータを出力するための出力装置1140と、インターネットなどのネットワークに接続するための通信装置1150を備えている。
記憶装置162は、処理装置1120がアクセス可能な主記憶装置1111と、データおよびプログラムを格納する補助記憶装置1112を備えている。主記憶装置1111は、例えばランダムアクセスメモリ(RAM)であり、補助記憶装置1112は、ハードディスクドライブ(HDD)またはソリッドステートドライブ(SSD)などのストレージ装置である。
入力装置163は、キーボード、マウスを備えており、さらに、記憶媒体からデータを読み込むための記憶媒体読み込み装置1132と、記憶媒体が接続される記憶媒体ポート1134を備えている。記憶媒体は、非一時的な有形物であるコンピュータ読み取り可能な記憶媒体であり、例えば、光ディスク(例えば、CD−ROM、DVD−ROM)や、半導体メモリ(例えば、USBフラッシュドライブ、メモリーカード)である。記憶媒体読み込み装置132の例としては、CDドライブ、DVDドライブなどの光学ドライブや、カードリーダーが挙げられる。記憶媒体ポート1134の例としては、USB端子が挙げられる。記憶媒体に電気的に格納されているプログラムおよび/またはデータは、入力装置163を介してコンピュータ150に導入され、記憶装置162の補助記憶装置1112に格納される。出力装置1140は、表示装置164、印刷装置1142を備えている。
コンピュータ150は、記憶装置162に電気的に格納されたプログラムに従って動作する。このプログラムは、非一時的な有形物であるコンピュータ読み取り可能な記憶媒体に記憶され、記憶媒体を介してコンピュータ150に提供される。または、プログラムは、インターネットなどの通信ネットワークを介してコンピュータ150に提供されてもよい。
上述した実施形態は、本発明が属する技術分野における通常の知識を有する者が本発明を実施できることを目的として記載されたものである。上記実施形態の種々の変形例は、当業者であれば当然になしうることであり、本発明の技術的思想は他の実施形態にも適用しうる。したがって、本発明は、記載された実施形態に限定されることはなく、特許請求の範囲によって定義される技術的思想に従った最も広い範囲に解釈されるものである。
100 走査電子顕微鏡
111 電子銃
112 集束レンズ
113 X偏向器
114 Y偏向器
115 対物レンズ
116 レンズ制御装置
117 偏向制御装置
118 画像取得装置
120 試料チャンバー
121 XYステージ
122 ステージ制御装置
130 二次電子検出器
131 反射電子検出器
140 ウェーハ搬送装置
150 コンピュータ
162 記憶装置
163 入力装置
164 表示装置
W ウェーハ
111 電子銃
112 集束レンズ
113 X偏向器
114 Y偏向器
115 対物レンズ
116 レンズ制御装置
117 偏向制御装置
118 画像取得装置
120 試料チャンバー
121 XYステージ
122 ステージ制御装置
130 二次電子検出器
131 反射電子検出器
140 ウェーハ搬送装置
150 コンピュータ
162 記憶装置
163 入力装置
164 表示装置
W ウェーハ
Claims (5)
- 複数のパターン画像を走査電子顕微鏡により生成し、
前記複数のパターン画像内のパターンの位置を合わせつつ、前記複数のパターン画像同士を重ね合わせ、
前記複数のパターン画像に亘るグレイレベルの分散を、前記パターン上の複数の検査領域ごとに算出し、
前記複数の検査領域を前記分散の大きさに従って色分けすることで疑似カラー画像を生成し、
前記疑似カラー画像を表示することを特徴とする欠陥可視化方法。 - 前記複数の検査領域は、設計データに含まれる前記パターンの形状に基づいて予め設定されることを特徴とする請求項1に記載の欠陥可視化方法。
- 前記複数の検査領域のうちの少なくとも1つは、前記パターンに沿って延びる前記パターンのエッジ上の領域であることを特徴とする請求項1に記載の欠陥可視化方法。
- 複数のパターン画像を走査電子顕微鏡により生成し、
前記複数のパターン画像内のパターンの位置を合わせつつ、前記複数のパターン画像同士を重ね合わせ、
前記複数のパターン画像に亘るグレイレベルを、前記パターン上の複数の検査領域ごとに取得することで、グレイレベルのデータを検査領域ごとに作成し、
前記データに基づいて、前記複数の検査領域にそれぞれ対応する複数のしきい値を決定し、
前記複数の検査領域内のピクセルごとのグレイレベルを、前記複数のしきい値のうちの対応するしきい値と比較し、
前記しきい値よりも大きいグレイレベルを持つピクセルに第1色を付し、前記しきい値よりも小さいグレイレベルを持つピクセルに第2色を付すことで2値化画像を生成し、
設定数以上連結された、前記第1色が付されたピクセルを検出することでパターン欠陥を検出することを特徴とする欠陥検出方法。 - 前記複数のしきい値は、前記データの四分位範囲または標準偏差に基づいて決定されることを特徴とする請求項4に記載の欠陥検出方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2017119829A JP2019004115A (ja) | 2017-06-19 | 2017-06-19 | 設計データを用いた欠陥可視化方法及び欠陥検出方法 |
US16/009,660 US20190026881A1 (en) | 2017-06-19 | 2018-06-15 | Method of visualizing defect using design data and defect detection method |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2017119829A JP2019004115A (ja) | 2017-06-19 | 2017-06-19 | 設計データを用いた欠陥可視化方法及び欠陥検出方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2019004115A true JP2019004115A (ja) | 2019-01-10 |
Family
ID=65006271
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2017119829A Pending JP2019004115A (ja) | 2017-06-19 | 2017-06-19 | 設計データを用いた欠陥可視化方法及び欠陥検出方法 |
Country Status (2)
Country | Link |
---|---|
US (1) | US20190026881A1 (ja) |
JP (1) | JP2019004115A (ja) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114399507A (zh) * | 2022-03-25 | 2022-04-26 | 季华实验室 | 一种手机外观质量检测方法、装置、电子设备及存储介质 |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102019209394B4 (de) * | 2019-06-27 | 2024-06-20 | Carl Zeiss Smt Gmbh | Verfahren und Vorrichtung zum Überlagern von zumindest zwei Bildern einer fotolithographischen Maske |
US11880193B2 (en) * | 2019-07-26 | 2024-01-23 | Kla Corporation | System and method for rendering SEM images and predicting defect imaging conditions of substrates using 3D design |
CN111128777B (zh) * | 2019-12-12 | 2022-08-19 | 福建省福联集成电路有限公司 | 一种芯粒缺陷检测的方法和存储介质 |
-
2017
- 2017-06-19 JP JP2017119829A patent/JP2019004115A/ja active Pending
-
2018
- 2018-06-15 US US16/009,660 patent/US20190026881A1/en not_active Abandoned
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114399507A (zh) * | 2022-03-25 | 2022-04-26 | 季华实验室 | 一种手机外观质量检测方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
US20190026881A1 (en) | 2019-01-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP5065943B2 (ja) | 製造プロセスモニタリングシステム | |
JP5981838B2 (ja) | 検査画像内の欠陥を検出するためのシステム、方法及びコンピュータプログラム製品 | |
TW490591B (en) | Pattern inspection apparatus, pattern inspection method, and recording medium | |
US8295584B2 (en) | Pattern measurement methods and pattern measurement equipment | |
JP6078234B2 (ja) | 荷電粒子線装置 | |
JP5543872B2 (ja) | パターン検査方法およびパターン検査装置 | |
JP6637375B2 (ja) | パターン検査方法及びパターン検査装置 | |
JP2019008599A (ja) | 順伝播型ニューラルネットワークを用いた画像ノイズ低減方法 | |
JP2019004115A (ja) | 設計データを用いた欠陥可視化方法及び欠陥検出方法 | |
JP2013257304A5 (ja) | ||
JP2007079982A (ja) | 画像処理装置、画像処理方法および走査型電子顕微鏡 | |
JP2016028252A (ja) | 画像処理装置およびコンピュータプログラム | |
US20190005650A1 (en) | Pattern edge detection method | |
WO2013015204A1 (ja) | 半導体検査システム | |
JP6900252B2 (ja) | パターン検査装置の検査結果の度数分布形状に関する情報を活用する方法 | |
JP2005189655A (ja) | マスク検査方法 | |
WO2020195304A1 (ja) | パターンマッチング方法 | |
JP6932565B2 (ja) | パターン欠陥検出方法 | |
JP7451287B2 (ja) | パターン欠陥検出方法 | |
JP2021129043A (ja) | 検査装置、検査方法、及びプログラム | |
JP7459007B2 (ja) | 欠陥検査装置及び欠陥検査方法 | |
WO2021210505A1 (ja) | パターンマッチング方法 | |
JP6224467B2 (ja) | パターン評価装置および走査型電子顕微鏡 | |
JP7411594B2 (ja) | 欠陥検査装置及び欠陥検査方法 | |
TW201710673A (zh) | 資料修正裝置、描繪裝置、檢查裝置、資料修正方法、描繪方法、檢查方法及記錄有程式之記錄媒體 |