JP5255953B2 - 欠陥検査方法及び装置 - Google Patents

Description

本発明は、半導体ウェハの検査技術に関し、特に検査装置の欠陥分類基準設定方法に適用して有効な技術に関するものである。

電子製品の小型化・高機能化に伴い、半導体の微細化にも著しい進展が見られ、新製品が続々と投入されている。一方、半導体製造工程では半導体ウェハのインライン欠陥検査が行われている。半導体の微細化に伴って、デバイスの不良原因となる欠陥、所謂、注目欠陥(DOI:Defect Of Interest)も微小なものになっており、これに対応するため欠陥検査の高感度化が図られている。このため、ウェハ上の僅かな凹凸のように注目したくないもの(ヌイサンス)を数万個も検出し、ヌイサンスを含む大多数の欠陥の中に少数のDOIが存在する状況が発生する。

従って、新規デバイスに対してDOIだけを確実に検出することが重要となっている。まず、欠陥を自動分類する方法としては、外観検査装置による検査後に、検査時に得られた画像を解析して自動分類する方法(ADC:Aouto Defect Classification)、あるいは外観検査後に欠陥部のより詳細な画像を再検出し、この画像を自動分類する方法が提案されている。

上記ADCには画像より抽出した明るさや欠陥の形状など、複数の画像特徴量より構成される欠陥の特徴をあらかじめ定められたルールに基づいて欠陥クラスに分類するルール形のものや、この欠陥の特徴の各項目を１つのスカラー値として、このスカラー値複数をまとめて多次元ベクトル化し、前記多次元ベクトルにより張られる多次元空間における欠陥クラスの分布をもとに欠陥を分類する基準を自動的に生成する教示形のもの、さらに、ルール形のものと教示形のものを組み合わせたものなどさまざまな方式が提案されている。

ADCにより欠陥を自動的に分類するには、自動分類の実施前に分類クラスが既知である欠陥サンプルをもとに欠陥の分類基準を設定することが必要である。
ルール形の場合には一般に欠陥特徴の幾つかの項目に対し判定閾値を設定することが必要であり、また教示形のものでは前記多次元空間における欠陥クラスの分布を求めることが必要である。
検査装置で多数の欠陥が検出される状況においては、欠陥分類基準の設定は適切かつ容易に行える方法が必要不可欠である。

欠陥分類基準の設定に関して、例えば、特許文献１には、サンプル画像データを例えば正常な画像データと比較して適切な欠陥分類パターンを見つけ出して教示し、その後、各欠陥に対する特徴量を求め、オンライン画像の分類クラスを認識する画像認識装置について示されている。また、特許文献２には、予め求めた分類基準で分類クラスが既知の欠陥群を分類し、既知に対する正解率が低いときに分類基準を見直す検査装置について示されている。また、特許文献３では、欠陥画像情報に基づいた自動分類において用いられる教示データを、欠陥画像の性質を基に更新する機能を持った自動分類装置について示されている。

特開２００５−２９３２６４公報 特表２００４−２９５８７９公報 特開２００１-２５６４８０号公報

上記特許文献１による方法では、欠陥画像データから教師データをユーザが見つけ出して教示する。また、分類した欠陥画像データのうち修正が必要なものをユーザが指示する。いずれにおいても、欠陥画像の選択はユーザに任されている。

また、上記特許文献２による方法では、教示データが多くほど安定した分類基準を得ることが開示されているが、分類基準を少ない教示データで得ることに関しては示されていない。

また、上記特許文献３による方法では、収集した各欠陥画像に対して欠陥クラスをユーザが教示する。このときもともとの教示データと新たに収集した欠陥画像データのうち少なくとも一方を用いて新たな教示データを従来の教示データ作成方法を用いて新たな教示データを作成する。
DOIを確実に検出するにはDOIを確実に教示することが必要である。しかしながら、大多数のヌイサンスの中に少数のDOIが存在する状況で適切に教示するのは容易ではない。数万個の欠陥を一つずつ確認して教示するという負担をユーザに強いるか、一部の欠陥だけを教示した結果、分類基準の最適化が図れずDOIの見逃しやヌイサンスをDOIに分類する虚報を許してしまうかのいずれかになる。

本発明の第１の目的は、欠陥検査において大多数のヌイサンスの中に少数のDOIが存在する状況であっても、少数の適切な欠陥の教示で分類性能を向上することが可能となる検査方法及び検査装置を提供することである。
また、本発明の第２の目的は、欠陥検査において大多数のヌイサンスの中に少数のDOIが存在する状況であっても、ユーザの欠陥教示の負担を軽減しつつ、高い分類性能を確保できる検査方法及び検査装置を提供することである。

上記の目的を達成するため、本発明の検査方法は、試料を撮像して検出した複数の欠陥の中から一つ以上の欠陥を抽出する欠陥抽出ステップと、前記抽出した欠陥の画像を表示する欠陥画像表示ステップと、表示された欠陥の分類クラスを入力する欠陥分類クラス入力ステップと、これまでに抽出された欠陥の画像情報と分類クラスとから分類基準を算出する分類基準算出ステップと、前記分類基準に基づく欠陥分類の性能を判断する分類性能判断ステップと、及び前記分類基準算出ステップで算出された分類基準に基づいて未知の欠陥を検査する検査ステップとを有することを特徴とする。

また、上記の目的を達成するため、本発明の検査装置は、試料を撮像して検出した複数の欠陥の中から一つ以上の欠陥を抽出する欠陥抽出手段と手段と、前記抽出した欠陥の画像を表示する欠陥画像表示手段と、表示された欠陥の分類クラスを入力する欠陥分類クラス入力手段と、これまでに抽出された欠陥の画像情報と分類クラスとから分類基準を算出する分類基準算出手段と、前記分類基準に基づく欠陥分類の性能を判断する分類性能判断手段と、及び前記分類基準算出手段で算出された分類基準に基づいて未知の欠陥を検査する検査手段とを有することを特徴とする。

本発明よれば、欠陥検査において大多数のヌイサンスの中に少数のDOIが存在する状況であっても、少数の適切な欠陥の教示で分類性能を向上することが可能となる検査方法及び検査装置を提供することができる。
また、本発明よれば、欠陥検査において大多数のヌイサンスの中に少数のDOIが存在する状況であっても、ユーザの欠陥教示の負担を軽減しつつ、高い分類性能を確保できる検査方法及び検査装置を提供することである。

以下に、本発明の第1の実施形態を図面を参照しながら説明する。

本実施形態としてＳＥＭ式半導体ウェハ検査装置600の構成の例を図１に示す。図２はそのうち分類条件設定部500の詳細構成を示す。この検査装置は、電子線602を発生させる電子線源601、及び電子線源601からの電子線602をＸ方向に偏向させる偏向器603、及び電子線602を半導体ウェハ605に収束させる対物レンズ604、及び電子線602の偏向と同時に半導体ウェハ605をＹ方向に移動させるステージ606、及び半導体ウェハ605からの二次電子等607を検出する検出器608、及び検出信号をＡ／Ｄ変換してディジタル画像とするＡ／Ｄ変換器609、及び検出したディジタル画像を本来同一である事が期待できる場所のディジタル画像と比較して差がある場所を欠陥候補と判定する複数のプロセッサとＦＰＧＡ等の電気回路で構成された画像処理回路610、及び電子線源601と偏向器602と対物レンズ604と検出器608とステージ606等の画像を形成することに関与する部分の条件を設定する検出条件設定部611、及び画像処理回路の欠陥を判定する条件を設定する判定条件設定部612、及び全体を制御する全体制御部613、及び欠陥を判定する条件を設定する分類条件設定部500より構成される。

判定条件設定部612は、半導体ウェハについて欠陥の判定する条件を有し、画像処理回路610は画像を処理して前記条件に基づき欠陥判定を行い欠陥画像を抽出し、全体制御部613を介して分類条件設定部500に欠陥画像が渡される。分類条件設定部500は欠陥の画像を処理して特徴量を抽出する画像処理部502と、特徴量を演算して欠陥を抽出し、分類基準を作成し、分類性能を算出する欠陥分類部503と、分類基準と欠陥画像と欠陥特徴量と欠陥分類とを記憶しておくデータ記憶部506と、欠陥画像や欠陥特徴量を画面表示し、欠陥分類教示をユーザが入力するユーザインターフェース部507とから構成され、必要に応じてデータのやり取りが行えるように接続されている。

以上の手段を本発明の本実施形態に即して説明する。まず、対象とするウェハ選択し、教示作業を実施する。

図３は、本実施形態のユーザインターフェースが提供する画面の一つであるウェハ選択画面の例を示す。画面上の分類基準設定ボタン201をクリックし、ウェハ選択タブ202をクリックすると、本画面が表示される。画面上には、分類基準設定の対象として選択可能な半導体ウェハのリスト203が表示される。リスト203には1行毎に1ウェハの情報が表示される。表示されるウェハ情報は、品種名、工程名、ロット名、ウェハ名等である。表示されるウェハは予め検査装置で検査され、欠陥判定によって欠陥と判定された箇所の画像が抽出され、各欠陥の画像は画像処理によって特徴量が算出され、特徴量は前述のウェハ情報とともにユーザインターフェースに入力されているものとする。検査条件出したいウェハの行、図ではA品種BB工程CCCロットDDDDウェハ204、をクリックし、開くボタン205をクリックすると分類基準設定の対象ウェハが確定される。

ここで、教示タブ206をクリックすると教示画面に遷移する。図４は、教示画面の例を示す。本実施形態の教示画面は、2つの特徴量を指定できるように第1特徴量指定ボタン305、第２特徴量指定ボタン30６がある。これらボタンを選択すると、例えば特徴量表示部307に特徴量が表れ、特徴量を指定できる。特徴量を指定するとその下にそれぞれの特徴量を軸とする特徴量空間図302が表示される。ユーザは縦軸横軸の値で欠陥の特徴量を把握できる。特徴量空間図302には、欠陥種類を例えば、○(グレイン欠陥)、△(ショート欠陥)、□(異物欠陥)、◇(オープン欠陥)の記号で表示する。また、特徴量空間図302には分類基準340から342(図７参照)が後述手段を実行することによって求められ、ユーザに表示される。

さらに右画面上側には、自動抽出された欠陥の画像301が表示され、その右側には分類クラス表示され、分類クラス入力欄310を指定すると、対象となる欠陥が表示され、ユーザがそれを選択することにより欠陥種類を指定できるようになっている。

その下には、正解率を示す正解率表312があり、横軸は上記手段で判定された欠陥の種類を、縦軸はユーザが分類クラス入力欄310を用いて教示した欠陥の種類を示している。例えば、ショートの欄では、上記手段ではユーザが３個ショートと教示したのに対し、上記手段では１回グレインと判定した結果を示しており、正解率は２／３＝６７％となる。右側下はその正解率の推移を示す分類性能推移グラフ313を表示している。

欠陥種類を教示する画面の他の実施形態を例を図５に示す。画面右側下には、教示画面上に分類クラスが対応付けられたウィンドウが設けられる。図では例えばショート欠陥用ウィンドウ901、オープン欠陥用ウィンドウ902、異物欠陥用ウィンドウ903、グレイン欠陥用ウィンドウ904が設けられている。ウィンドウは4個に限られることなく、いくつでも構わない。教示は、画像表示された欠陥を、その欠陥の分類クラスに対応するウィンドウへユーザが移動することにより行なう。

次に、分類基準設定部500で処理される分類基準・分類性能の設定シーケンスの実施形態を図６に示し、上記教示画面を用いて各手段内容を詳細に説明する。

(1)初期欠陥提示手段101：
選択されたウェハから検出した多数の欠陥は、従来の手法でその特徴量が算出され
ているものとする。そこで、まず各欠陥を一般的に知られている階層的クラスタリン
グ手法を用いて各クラスタに分類する。

第1特徴量指定ボタン305、第２特徴量指定ボタン30６により２つの特徴量が選択され
ると、特徴量空間図302に上記欠陥の位置と○、△等によりクラスタ表示される。

その後、クラスタの種類数に応じて、教示すべき一つ以上の欠陥が所定の処理で自
動抽出され、自動抽出された欠陥の画像301が順次画面に表示される。図４は、４つ
のクラスタに対して１乃至４個計１０抽出(321〜329)された例である。所定の処理で
の自動抽出とは、欠陥の特徴量空間上の座標を用いて処理することとする。例えば、
本図各クラスタ毎にランダムに欠陥が抽出されている。抽出欠陥はランダムに限らず
他の決定方法でも良い。

(2)初期分類クラス教示手段102：
画像表示された１０個の欠陥の正解分類クラスを分類クラス入力欄310を用いて教
示する。従って、教示内容が前記一般的手法で分類されたクラスタと違うこともある。

(3)初期分類基準・分類性能算出手段103
教示された欠陥の分類クラスと特徴量の情報を用いて所定の処理で分類基準と分類
性能を算出する。

初期分類基準算出は、例えば特許文献３に記述されているニューラルネットワーク
を用いた方法を用いる。教示された欠陥についての分類クラスと特徴量がわかってい
るので、これらをニューラルネットワークに入力すると、ニューラルネットワークは
この特徴量を予め設定された重み係数で重み付けし、ニューラルネットワークの出力
情報が欠陥の分類クラスに対応するように学習でして定める。即ち、この学習は得ら
れるニューラルネットワークの出力情報と欠陥の分類クラスとを比較し、これらの
不一致状態を表す誤差値が予め設定されたしきい値を越えると、この誤差値に応じて
そのときの重み係数を修正し、同じ欠陥データを再度入力して、修正された重み係数
で重み付けするようにして、誤差値がしきい値以下になるまで処理を繰り返す。

本実施形態では、特徴量空間図302に示すユーザが教示した10個の欠陥の分布状態
から、特徴量空間図302を下記の3つの直線で領域分けをし、この直線が分類基準とな
る。

(a)特徴量空間の中央でほぼ左右に分割する直線：330
a1×f1＋b1×f2＋c1＝0
(b)特徴量空間の左側でほぼ上下に分割する直線：331
a2×f1＋b2×f2＋c2＝0
(c)特徴量空間の右側でほぼ上下に分割する直線：332
a3×f1＋b3×f2＋c3＝0
分類基準が算出されると、特徴量空間図302の全ての欠陥はこの基準で判断される。

以下の判断で個々の欠陥の分類クラスが判定される。図４の特徴量空間図302は、図
７に示す特徴量空間図302aとなる。

a1×f1i＋b1×f2i＋c1≧0 ∧ a2×f1i＋b2×f2i＋c2≧0 ならば異物
a1×f1i＋b1×f2i＋c1≧0 ∧ a2×f1i＋b2×f2i＋c2＜0 ならばオープン
a1×f1i＋b1×f2i＋c1＜0 ∧ a3×f1i＋b3×f2i＋c3≧0 ならばグレイン
a1×f1i＋b1×f2i＋c1＜0 ∧ a3×f1i＋b3×f2i＋c3＜0 ならばショート
以上の説明では、特徴量空間図302に示すユーザが教示した10個の欠陥の分布状態
から３つの直線で分類基準を定めたが、クラスタ分類さていなくても即ち欠陥の分布
状態から３つの直線で分類基準を定めることが分かれば、既知の方法でクラスタを分
類しなくてもよい。

また、分布状態によっては、ある中心を持った円や楕円などの他の方法で定めるこ
とも可能である。

一方、分類性能の算出は、初期欠陥提示手段101で自動抽出された10個の欠陥うち
例えば５個がユーザの教示内容と一致した場合は５／１０＝５０％となり、正解率の
推移を示す分類性能推移グラフ313に表示される。個々の自動抽出での欠陥クラスと
ユーザの教示欠陥クラスは正解率表312に表示される。

(4)欠陥提示手段104
検査で検出した欠陥の中から次に教示すべき欠陥を一つ以上自動抽出し、初期提示
手段101と同様に自動抽出された欠陥の画像301が画面に表示する。教示すべき欠陥の
自動抽出自体は、各クラスタの境界付近の欠陥を抽出するとか、一般的に知られてい
るk平均法のような分割最適化クラスタリング手法を適用して、隣接するクラスタの
重心に最も近い欠陥を自動抽出する。ここでは、図８に示すように欠陥333〜338の6
個が自動抽出され、算出済みの特徴量に基づいて特徴量空間図302aに表示する。

(5)分類クラス教示手段105
初期分類クラス教示手段102と同様に画像表示された欠陥の分類クラスをユーザが
入力欄310を用いて教示する。

(6)分類基準・分類性能算出手段106
初期分類基準・分類性能算出手段103と同様に、教示された欠陥の分類クラスと特
徴量の情報を用いて所定の処理で分類基準と分類性能を算出する。ここでは、初期欠
陥提示手段101で自動抽出された１0個と欠陥提示手段104で自動抽出去れた６個の計
16個で、初期分類クラス教示手段102で示した方法で、分類基準を算定及び分類性能
を算定し、それぞれの結果を特徴量空間図302、分類性能推移グラフ313、正解率表
312に表示する。また、特徴量空間図は初期分類クラス教示手段102と同様に修正され
図８となる。

(7)分類性能比較手段107
直前の分類基準・分類性能算出手段106で算出した分類性能と、それ以前の分類基
準・分類性能算出手段106または初期分類基準・分類性能算出手段103で算出した分類
性能とを比較する。このとき、直前の分類基準・分類性能算出手段106の分類性能と
１周前の分類基準・分類性能算出手段106の分類性能とを比較しても良い。１周前が
初期分類基準・分類性能算出手段103だった場合はその性能と比較する。また、分類
性能の推移が短い間隔でばらつく可能性があるため、分類性能の推移について移動平
均を算出してから比較を行っても良い。分類性能が1周前より高ければ分類性能が向
上したと判定する。分類性能が1周前より小さいかほぼ変わらなければ分類性能は向
上しなかったと判定する。

ここでは、分類性能推移グラフ313を用いる。分類性能推移グラフ313は、例えば、
横軸を分類基準・分類性能算出手段106の回数、縦軸を分類性能とし、初期分類基準
・分類性能算出手段103及び分類基準・分類性能算出手段106毎に分類性能をプロッ
トする。

分類性能が向上したならば、欠陥提示手段104に戻り、さらに分類クラスを教示されていない欠陥の中から一つ以上の欠陥の画像を画面に表示する。以後、上記と同様に処理を
繰り返す。分類性能が向上しなくなったら
(8)保存手段108に進み、
上記の処理で得られた分類基準を設定値として保存する。以後、設定した分類基準
を用いて検査・分類を行う。

図９は、以上の分類基準設定401のシーケンスに加え、通常検査402のシーケンスを加えたものである。

以下通常検査シーケンスを説明する。通常検査402では、得られた分類基準415を検査レシピに設定し、半導体ウェハに対して欠陥判定416を実行して欠陥画像417を取得する。得られた欠陥画像417に対して画像処理418を実行して欠陥の特徴量419を抽出する。得られた特徴量419を用いて欠陥分類420を実行することによって分類結果421を得る。

また、基準設定401のシーケンスが終了した段階で、対象ウェハについて最良の欠陥分類結果が得られるので、この基準設定401のシーケンスをもって通常検査方法の手順としても良い。

上記の手段、シーケンスにおいて、例えば、初期欠陥提示手段101では欠陥の自動抽出に階層的クラスタリング手法を用いたが、それぞれの手段で採用した手法以外にも適用できる手法がある。勿論、それらの手法を用いてもよい。

上記の実施形態によれば、欠陥検査において大多数のヌイサンスの中に少数のDOIが存在する状況であっても、少数の適切な欠陥の教示で分類性能を向上することが可能となる検査方法及び検査装置を提供することができる。
また、本実施形態によれば、欠陥検査において大多数のヌイサンスの中に少数のDOIが存在する状況であっても、ユーザの欠陥教示の負担を軽減しつつ、高い分類性能を確保できる検査方法及び検査装置を提供することである。

さらに、本実施形態によれば、画面に自動表示された欠陥画像の分類クラスをユーザが教示することを繰り返すことによって、少数の適切な欠陥の教示で分類性能を向上することが可能となり、ユーザの欠陥教示の負担を軽減しつつ高い分類性能を確保できる。
上記実施形態において、基準設定401のシーケンスをもって通常検査方法の手順として用いることを述べた。この場合、更新用分類基準値を算出する。更新用分類基準値が今までの基準値と大きく異なる場合は、プロセス等に変化が起きていると考え、図６に示す手段を用いて新たなデータを用いて分類基準値を見直すのでプロセス等の変化に対応可能である。小さな変化の場合には、プロセス等に小さな変化があったとして、更新用分類基準値を用いて通常検査を続行することも可能である。

また、今までの説明では、分類条件設定部500は装置本体と一体であったが、欠陥画像から欠陥を抽出するのに必要な全体制御部613までを装置本体に内在し、分類基準値などの設定は外部装置で行うこともある。その場合の装置として光学検査装置がある。光学検査の一例を図１０に示す。光学検査装置は、被検査物811を載置し、被検査物811の変位座標を測定するステージ801と、該ステージ801を駆動するステージ駆動部802と、上記ステージ801から測定されるステージ801の変位座標を基にステージ駆動部802を制御するステージ制御部803と、ステージ801上に載置された被検査物811に対して斜方照明する斜方照明光学系804と、被検査物811の表面からの散乱光（０次以外の低次の回折光）を集光させる集光レンズ805およびＴＤＩやＣＣＤセンサ等からなる光電変換器806から構成される検出光学系807と、上記斜方照明光学系804によって被検査物811に対して照明する照度光量や照射角度等を制御する照明制御部808と、光電変換器806から得られる検出画像信号と隣接するチップ若しくはセルから得られる基準画像信号（参照画像信号）とを位置合わせをし、この位置合わせされた検出画像信号と基準画像信号とを比較してそれらの差画像を抽出し、この抽出された差画像に対して予め設定された所定の閾値で判定して欠陥を示す画像信号を検出し、この検出された欠陥を示す画像信号に基づいて欠陥を判定する判定回路（検査アルゴリズム回路）809と、該判定回路809で判定された欠陥をステージ制御部803から得られるステージ座標系に基づいて様々な処理をするＣＰＵ810とで構成される。

このような光学検査装置においても外部装置と共に使用することにより、本発明の効果を得ることが可能である。

本発明の実施形態であるSEM式半導体検査装置の構成を示す図である。 本発明の実施形態である欠陥処理部の構成を示す図である。 本発明の実施形態であるウェハ選択画面の例を示す図である。 本発明の実施の形態において教示画面の例を表す図である。 本発明の実施の形態において教示画面の他の例を表す図である。 本発明の実施の形態において分類基準の設定シーケンスの例を表す図である。 初期サイクルにおける特徴量空間図を示す図である。 二番目のサイクルにおける特徴量空間図を示す図である。 本発明の実施の形態において検査方法の手順を示す図である。 本発明の他の実施形態である光学式検査装置の構成を示す図である

符号の説明

101：初期欠陥提示手段、 102：初期分類クラス教示手段、
103：初期分類基準・分類性能算出手段 104：欠陥提示手段
105：分類クラス教示手段 106：分類基準・分類性能算出手段
107：分類性能比較手段 108：保存手段
201：分類基準設定ボタン 202：ウェハ選択タブ
203：リスト 204：A品種BB工程CCCロットDDDDウェハ
205：開くボタン 206：教示タブ 301：欠陥の画像
302：特徴量空間図 303：検出した欠陥のプロット
304：自動抽出された欠陥のプロット 305：第1特徴量指定ボタン
306：第2特徴量指定ボタン 307：特徴量表示部 308：横軸
309：縦軸 310：入力欄 311：分類クラス選択メニュー
312：分類性能出 401：基準設定 402：通常検査
403：欠陥判定 404：欠陥画像 405：画像処理
406：特徴量 407：分類基準設定 415：分類基準
416：欠陥判定 417：欠陥画像 418：画像処理
419：特徴量 420：欠陥分類 421：分類結果
500：分類条件設定部 501：欠陥判定部 502：画像処理部
503：欠陥分類部 506：データ記憶部
507：ユーザインターフェース部 508：分類基準設定サーバ
600：ＳＥＭ式半導体ウェハ検査装置 601：電子線源
602：電子線 603：偏向器 604：対物レンズ
605：半導体ウェハ 606：ステージ 607：二次電子等
608：検出器 609：Ａ／Ｄ変換器 610：画像処理回路
611：検出条件設定部 612：判定条件設定部 613：全体制御部
801：ステージ 802：ステージ駆動部 803：ステージ制御部
804：斜方照明光学系 805：集光レンズ 806：光電変換器
807：検出光学系 808：照明制御部 809：判定回路
810：ＣＰＵ、 811：被検査物。

Claims (3)

1. 試料を撮像して検出した複数の欠陥群の中から一つ以上の第一の欠陥を抽出し、第一の欠陥の画像を表示してその第一の欠陥の分類クラスを入力するステップと、
   前記入力された分類クラスとその第一の欠陥の特徴量に基づいて前記欠陥群の第一の分類基準および第一の分類性能を算出するステップと、
   算出された前記第一の分類基準に基づいて前記複数の欠陥群とは異なる欠陥群の中から一つ以上の第二の欠陥を抽出し当該第二の欠陥を検査するステップと、
   前記第二の欠陥の画像を表示して前記第二の欠陥の分類クラスを入力するステップと、
   前記入力された分類クラスと前記第二の欠陥の特徴量に基づいて前記異なる欠陥群の第二の分類基準および第二の分類性能を算出するステップと、
   前記第一の分類基性能と前記第二の分類性能を比較する比較ステップを有することを特徴とする検査方法。
2. 試料を撮像して検出した複数の欠陥群の中から一つ以上の第一の欠陥を抽出し、第一の欠陥の画像を表示してその第一の欠陥の分類クラスを入力する手段と、
   前記入力された分類クラスとその第一の欠陥の特徴量に基づいて前記欠陥群の第一の分類基準および第一の分類性能を算出する手段と、
   算出された前記第一の分類基準に基づいて前記複数の欠陥群とは異なる欠陥群の中から一つ以上の第二の欠陥を抽出し当該第二の欠陥を検査する手段と、
   前記第二の欠陥の画像を表示してその前記第二の欠陥の分類クラスを入力する手段と、
   前記入力された分類クラスと前記第二の欠陥の特徴量に基づいて前記異なる欠陥群の第二の分類基準および第二の分類性能を算出する手段と、
   前記第一の分類性能と前記第二の分類性能を比較する比較手段を有することを特徴とする検査装置。
3. 前記比較手段の結果に基づいて、試料作成プロセスの変化を判断する判断手段をさらに有することを特徴とする第２項記載の検査装置。

Images