JP7262409B2 - 試料観察システム及び画像処理方法 - Google Patents
試料観察システム及び画像処理方法 Download PDFInfo
- Publication number
- JP7262409B2 JP7262409B2 JP2020038745A JP2020038745A JP7262409B2 JP 7262409 B2 JP7262409 B2 JP 7262409B2 JP 2020038745 A JP2020038745 A JP 2020038745A JP 2020038745 A JP2020038745 A JP 2020038745A JP 7262409 B2 JP7262409 B2 JP 7262409B2
- Authority
- JP
- Japan
- Prior art keywords
- image
- learning
- defect
- reference image
- observation system
- 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.)
- Active
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
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
- H01J37/00—Discharge tubes with provision for introducing objects or material to be exposed to the discharge, e.g. for the purpose of examination or processing thereof
- H01J37/02—Details
- H01J37/22—Optical or photographic arrangements associated with the tube
- H01J37/222—Image processing arrangements associated with the tube
-
- 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
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B15/00—Measuring arrangements characterised by the use of electromagnetic waves or particle radiation, e.g. by the use of microwaves, X-rays, gamma rays or electrons
- G01B15/04—Measuring arrangements characterised by the use of electromagnetic waves or particle radiation, e.g. by the use of microwaves, X-rays, gamma rays or electrons for measuring contours or curvatures
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
- H01J37/00—Discharge tubes with provision for introducing objects or material to be exposed to the discharge, e.g. for the purpose of examination or processing thereof
- H01J37/02—Details
- H01J37/22—Optical or photographic arrangements associated with the tube
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
- H01J37/00—Discharge tubes with provision for introducing objects or material to be exposed to the discharge, e.g. for the purpose of examination or processing thereof
- H01J37/26—Electron or ion microscopes; Electron or ion diffraction tubes
- H01J37/28—Electron or ion microscopes; Electron or ion diffraction tubes with scanning beams
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
- H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Quality & Reliability (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Electromagnetism (AREA)
- Computer Hardware Design (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Power Engineering (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Manufacturing & Machinery (AREA)
- Biomedical Technology (AREA)
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
- Length-Measuring Devices Using Wave Or Particle Radiation (AREA)
- Image Analysis (AREA)
Description
(1)前記走査型電子顕微鏡が撮像した複数の画像を取得し、
(2)前記複数の画像から、欠陥部位を含む学習用欠陥画像と、前記欠陥部位を含まない学習用参照画像と、を取得し、
(3)前記学習用欠陥画像と、前記学習用参照画像と、を用いて、推定処理パラメータを算出し、
(4)欠陥部位を含む検査用欠陥画像を取得し、
(5)前記推定処理パラメータと、前記検査用欠陥画像と、を用いて、擬似参照画像を推定する。
前記走査型電子顕微鏡が撮像した複数の画像を取得し、
前記複数の画像から、欠陥部位を含む学習用欠陥画像を取得し、
前記学習用欠陥画像を用いて、推定処理パラメータを算出し、
欠陥部位を含む検査用欠陥画像を取得し、
前記推定処理パラメータと、前記検査用欠陥画像と、を用いて、前記検査用欠陥画像中の欠陥部位を推定する。
<システム構成>
本実施例に関わる試料観察システムについて、図1を用いて説明する。本実施例では、試料を撮像する撮像装置として、走査型電子顕微鏡(SEM:Scanning Elecron Microscope)を備えた試料観察システムを対象に説明する。しかし、本実施例に関わる撮像装置は、SEM以外でも良く、光学顕微鏡やイオンなどの荷電粒子を用いた撮像装置でも良い。また、観察対象の画像として半導体ウェハ上の欠陥を撮像した画像を対象に説明するが、フラットパネルディスプレイや生体試料など他の試料を撮像した画像でも良い。
ユーザインターフェース111は、例えば、タッチパネル、ディスプレイ、キーボード、マウス等であるが、作業者(ユーザ)からの操作を受け付け、情報を表示ができるのであれば、他のデバイスであっても良い。ネットワークインターフェース112は、ネットワークを介して、欠陥検査装置やSEMなどの外部装置と通信するためのインターフェースである。
試料の観察処理に関して図2を用いて説明する。
S211において欠陥部位を特定した結果の例を図3を用いて説明する。検査用欠陥画像301と擬似参照画像302を用いて、欠陥部位を特定すると、欠陥部位と欠陥部位以外の領域を区別可能な特定欠陥部位画像303が得られる。特定欠陥部位画像303において、例えば、欠陥部位の画素値は1、欠陥部位以外の領域の画素値は0とすれば良い。
S205の学習シーケンスにより推定処理パラメータを算出し、結果を推定処理パラメータ記憶エリア121に記憶する処理に関して図4を用いて説明する。
ここで、S403に関して図5を用いて説明する。まず、学習対象とする欠陥位置周辺と同様の回路パターンが形成されるように設計された(または想定される)領域(以降、参照領域と記載)がSEM101の撮像視野に含まれるようにステージ105を制御して移動させる(S501)。なお、参照領域の特定には設計データ程精度の良い情報は不要である。半導体ウェハにおいては,同様の回路パターンが形成されるように設計されたチップがウェハ上に複数配置されているため,最も簡単な方法としては欠陥座標から1チップ分ずらした領域を参照領域とすることが考えられる。しかし他の方法で参照領域を選択してもよい。
図4の説明に戻る。以下に説明するS404とS405は、学習シーケンスと並行して欠陥部位の特定と欠陥観察に必要な処理を行うことで、時間を要する学習シーケンス時間中であっても欠陥観察を行えるメリットを意図した処理である。
S407の推定処理パラメータ算出処理に関して図6を用いて説明する。推定処理パラメータの算出には、設計データは不要であり、学習用欠陥画像と学習用参照画像を用いる。
(学習終了条件1)推定誤差と予め設定された推定誤差しきい値THを比較し推定誤差がしきい値THよりも小さい。
(学習終了条件2)ユーザから学習終了の操作を受け付けた。
(学習終了条件3)S605からS608までの処理を、予め設定された指定回数MRだけ繰り返した。
また、S605において学習用部分欠陥画像から擬似参照画像を推定する一方法として、非特許文献1に記載されているニューラルネットワークを用いれば良い。なお、このニューラルネットワークは、S210において検査用欠陥画像から擬似参照画像を推定する際にも用いる。具体的には図8に示すようなU―netと呼ばれるU字形式のニューラルネットワークを用いれば良い。ここで、Yは入力画像を示す。F11(Y)、F12(Y)、F13(Y)、F21(Y)、F22(Y)、F23(Y)、F24(Y)、F31(Y)、F32(Y)は中間データを示す。F(Y)が擬似参照画像の推定結果を示す。
W1はc1個のc0×f1×f1サイズのフィルタ
c0は入力画像のチャネル数
f1は空間フィルタのサイズ
入力画像にc0×f1×f1サイズのフィルタをc1回畳み込むことでc1次元の特徴マップが得られる。
B1はc1次元のベクトル(c1個のフィルタに対応したバイアス成分)
W2はc1×f2×f2サイズのフィルタ
B2はc2次元のベクトル
W3はc2×f3×f3サイズのフィルタ
B3はc3次元のベクトル
W4はc3×f4×f4サイズのフィルタ
B4はc2次元のベクトル
W5は(c2×2)×f5×f5サイズのフィルタ
B5はc2次元のベクトル
W6はc2×f6×f6サイズのフィルタ
B6はc1次元のベクトル
W7は(c1×2)×f7×f7サイズのフィルタ
B7はc4次元のベクトル
W8はc4×f8×f8サイズのフィルタ
B8はc5次元のベクトル。
次に、ユーザインターフェース111に表示されるGUIについて説明する。
図13に、従来の試料観察システムにおいて、観察対象欠陥(1)と(2)を順次観察する場合のシーケンスを示す。横軸は時間を表し、縦軸は観察対象欠陥を表している。
観察対象欠陥(1)に対応する参照領域がSEM101の撮像視野に含まれるようにステージを移動させる(S)
参照領域をSEM101で撮像して学習用参照画像を取得する(RI)
観察対象欠陥(1)を含む領域がSEM101の撮像視野に含まれるようにステージを移動させる(S)
観察対象欠陥(1)を含む比較的広い領域をSEM101で撮像して学習用欠陥画像を取得する(DI)
学習用欠陥画像と学習用参照画像を用いて、学習用欠陥画像中の欠陥部位を特定する(D)
特定した欠陥部位を含む比較的狭い領域をSEM101で撮像して観察用欠陥画像を取得する(HI)。
観察対象欠陥(1)を含む領域がSEM101の撮像視野に含まれるようにステージを移動させる(S)
観察対象欠陥(1)を含む比較的広い領域をSEM101で撮像して検査用欠陥画像を取得する(DI)
推定処理パラメータに基づいて、検査用欠陥画像から擬似参照画像を推定する(P)
検査用欠陥画像と擬似参照画像を用いて、検査用欠陥画像中の欠陥部位を特定する(D)
特定した欠陥部位を含む比較的狭い領域をSEM101で撮像して観察用欠陥画像を取得する(HI)。
実施例1では、SEMを用いて、欠陥領域及び参照領域を撮像し、学習用欠陥画像及び学習用参照画像を取得し、学習用欠陥画像と学習用参照画像を用いて推定処理パラメータを算出し、試料観察において、検査用欠陥画像から擬似参照画像を推定することで、試料観察のスループットを向上させる方法について述べた。推定処理パラメータの算出時には、学習用欠陥画像と学習用参照画像の対の数が多いほど、効率的に学習が可能となる。本実施例では、学習対象欠陥が存在しない、または、少数の場合でも、学習用参照画像に擬似欠陥を付与することで学習用欠陥画像を生成し、学習用参照画像と、生成した学習用欠陥画像の対を用いて、推定処理パラメータを算出する方法について述べる。
S205の学習シーケンスに関して図15を用いて説明する。
実施例1及び実施例2では、学習用欠陥画像と学習用参照画像の対応関係を学習することで得られる推定処理パラメータを用いて、試料観察において、検査用欠陥画像から擬似参照画像を推定し、検査用欠陥画像と擬似参照画像を比較することで、検査用欠陥画像中の欠陥部位を特定する方法について述べた。本実施例では、欠陥画像中の欠陥部位を推定するための推定処理パラメータを算出し、推定処理パラメータに基づいて検査用欠陥画像中の欠陥部位を推定する方法について述べる。
本実施例に関わる試料観察システム100の構成に関して、SEM101と欠陥検査装置102は実施例1で説明した図1に示した構成と同様であり、異なるのは、計算機103の構成である。以降においては、実施例1と異なる部分についてのみ説明する。
試料の観察方法に関して図17を用いて説明する。S1701~S1703については図2のS201~S203と同様である。
S1705の学習シーケンスに関して、S407以外は、実施例1で説明した図4で示した処理フローと同等のシーケンスを備える。
以上の実施例1から実施例3にて下記を説明した。なお、以下の説明に付与したカッコで覆われた数字やアルファベットは各処理の実行順序を示すものではない。
走査型電子顕微鏡と、計算機と、を有する試料観察システムであって、
前記計算機は:
(1)前記走査型電子顕微鏡が撮像した複数の画像を取得し、
(2)前記複数の画像から、欠陥部位を含む学習用欠陥画像と、前記欠陥部位を含まない学習用参照画像と、を取得し、
(3)前記学習用欠陥画像と、前記学習用参照画像と、を用いて、推定処理パラメータを算出し、
(4)欠陥部位を含む検査用欠陥画像を取得し、
(5)前記推定処理パラメータと、前記検査用欠陥画像と、を用いて、擬似参照画像を推定する、
試料観察システム。
観点1記載の試料観察システムであって、
前記計算機は:
(6)前記擬似参照画像と、前記検査用欠陥画像と、を比較して、前記検査用欠陥画像の欠陥部位を特定する、
試料観察システム。
観点1記載の試料観察システムであって、
前記計算機は、前記(3)の処理として:
(3A)所定の評価値に基づいて、前記学習用欠陥画像と、前記学習用参照画像と、の位置合わせを行うことで、アライメント量を取得し、
(3B)前記アライメント量に基づいて、前記学習用欠陥画像から学習用部分欠陥画像を切り出し、
(3C)前記アライメント量に基づいて、前記学習用参照画像から学習用部分参照画像を切り出し、
(3D)前記学習用部分欠陥画像と、前記学習用部分参照画像と、を用いて、前記推定処理パラメータを算出する、
試料観察システム。
観点1記載の試料観察システムであって、
前記推定処理パラメータは、ニューラルネットワークのパラメータであり、
前記ニューラルネットワークは、入力層に入力する画像の最小サイズは第1サイズであり、
前記計算機は、前記(1)の処理として:
各々が前記第1サイズ以上の前記複数の画像を取得する、
試料観察システム。
観点3記載の試料観察システムであって、
前記推定処理パラメータは、ニューラルネットワークのパラメータであり、
前記ニューラルネットワークは、入力層に入力する画像の最小サイズは第1サイズであり、
前記計算機は、前記(3)の処理として:
(3E)前記学習用部分欠陥画像と、前記学習用部分参照画像と、少なくとも一方のサイズが前記第1サイズ以上であることをチェックする、
試料観察システム。
観点1記載の試料観察システムであって、
前記計算機は、前記推定処理パラメータの算出処理の終了条件を取得し、
前記計算機は、前記(3)の処理として:
(3F)前記終了条件を満たすことを検知した時に、前記推定処理パラメータの更新を終了する、
試料観察システム。
観点6記載の試料観察システムであって、
前記推定処理パラメータの算出と並行して、前記計算機は:
(7)前記学習用欠陥画像と、前記学習用参照画像と、を比較することで、前記学習用欠陥画像の欠陥部位を特定する、
試料観察システム。
観点1に記載の試料観察システムであって、
前記計算機は、前記検査用欠陥画像に対応する参照画像の取得を省略する、
試料観察システム。
走査型電子顕微鏡と、計算機と、を有する試料観察システムであって、
前記計算機は:
前記走査型電子顕微鏡が撮像した複数の画像を取得し、
前記複数の画像から、欠陥部位を含む学習用欠陥画像を取得し、
前記学習用欠陥画像を用いて、推定処理パラメータを算出し、
欠陥部位を含む検査用欠陥画像を取得し、
前記推定処理パラメータと、前記検査用欠陥画像と、を用いて、前記検査用欠陥画像中の欠陥部位を推定する、
試料観察システム。
101:SEM
102:欠陥検査装置
103:計算機
Claims (19)
- 走査型電子顕微鏡と、計算機と、を有する試料観察システムであって、
前記計算機は:
(1)前記走査型電子顕微鏡が撮像した複数の画像を取得し、
(2)前記複数の画像から、欠陥部位を含む学習用欠陥画像と、前記欠陥部位を含まない学習用参照画像と、を取得し、
(3)前記学習用欠陥画像と、前記学習用参照画像と、を用いて、推定処理パラメータを算出し、
(4)欠陥部位を含む検査用欠陥画像を取得し、
(5)前記推定処理パラメータと、前記検査用欠陥画像と、を用いて、擬似参照画像を推定し、
前記(3)の処理は:
(3A)所定の評価値に基づいて、前記学習用欠陥画像と、前記学習用参照画像と、の位置合わせを行うことで、アライメント量を取得し、
(3B)前記アライメント量に基づいて、前記学習用欠陥画像から学習用部分欠陥画像を切り出し、
(3C)前記アライメント量に基づいて、前記学習用参照画像から学習用部分参照画像を切り出し、
(3D)前記学習用部分欠陥画像と、前記学習用部分参照画像と、を用いて、前記推定処理パラメータを算出する、
試料観察システム。 - 請求項1記載の試料観察システムであって、
前記計算機は:
(6)前記擬似参照画像と、前記検査用欠陥画像と、を比較して、前記検査用欠陥画像の欠陥部位を特定する、
試料観察システム。 - 請求項1記載の試料観察システムであって、
前記推定処理パラメータは、ニューラルネットワークのパラメータであり、
前記ニューラルネットワークは、入力層に入力する画像の最小サイズは第1サイズであり、
前記計算機は、前記(1)の処理として:
各々が前記第1サイズ以上の前記複数の画像を取得する、
試料観察システム。 - 請求項1記載の試料観察システムであって、
前記推定処理パラメータは、ニューラルネットワークのパラメータであり、
前記ニューラルネットワークは、入力層に入力する画像の最小サイズは第1サイズであり、
前記走査型電子顕微鏡は、前記第1サイズと、アライメント量の最大値に基づいて、撮像画像のサイズを設定し、
前記設定したサイズに基づいて複数の画像を撮像し、
前記アライメント量の最大値は、前記走査型電子顕微鏡の(A1)ステージ移動誤差および(A2)電子ビームの照射位置決め誤差に基づいて求める、
試料観察システム。 - 請求項1記載の試料観察システムであって、
前記計算機は、前記推定処理パラメータの算出処理の終了条件を取得し、
前記計算機は、前記(3)の処理として:
(3E)前記終了条件を満たすことを検知した時に、前記推定処理パラメータの更新を終了する、
試料観察システム。 - 請求項5記載の試料観察システムであって、
前記推定処理パラメータの算出と並行して、前記計算機は:
(7)前記学習用欠陥画像と、前記学習用参照画像と、を比較することで、前記学習用欠陥画像の欠陥部位を特定する、
試料観察システム。 - 請求項1に記載の試料観察システムであって、
前記計算機は、前記検査用欠陥画像に対応する参照画像の取得を省略する、
試料観察システム。 - 走査型電子顕微鏡と、計算機と、を有する試料観察システムであって、
前記計算機は:
前記走査型電子顕微鏡が撮像した複数の画像を取得し、
前記複数の画像から、欠陥部位を含む学習用欠陥画像を取得し、
前記学習用欠陥画像を用いて、推定処理パラメータを算出し、
欠陥部位を含む検査用欠陥画像を取得し、
前記推定処理パラメータと、前記検査用欠陥画像と、を用いて、前記検査用欠陥画像中の欠陥部位を推定し、
前記推定処理パラメータの算出は:
所定の評価値に基づいて、前記学習用欠陥画像と、学習用参照画像との位置合わせを行うことで、アライメント量を取得し、
前記アライメント量に基づいて、前記学習用欠陥画像から学習用部分欠陥画像を切り出し、
前記アライメント量に基づいて、前記学習用参照画像から学習用部分参照画像を切り出し、
前記学習用部分欠陥画像と、前記学習用部分参照画像と、を用いて、前記推定処理パラメータを算出する、
試料観察システム。 - 計算機による画像処理方法であって、
(M1)走査型電子顕微鏡が撮像した複数の画像を取得し、
(M2)前記複数の画像から、欠陥部位を含む学習用欠陥画像と、前記欠陥部位を含まない学習用参照画像と、を取得し、
(M3)前記学習用欠陥画像と、前記学習用参照画像と、を用いて、推定処理パラメータを算出し、
(M4)欠陥候補部位を含む検査用欠陥画像を取得し、
(M5)前記推定処理パラメータと、前記検査用欠陥画像と、を用いて、擬似参照画像を推定し、
前記(M3)として:
(M3A)所定の評価値に基づいて、前記学習用欠陥画像と、前記学習用参照画像と、の位置合わせを行うことで、アライメント量を取得し、
(M3B)前記アライメント量に基づいて、前記学習用欠陥画像から学習用部分欠陥画像を切り出し、
(M3C)前記アライメント量に基づいて、前記学習用参照画像から学習用部分参照画像を切り出し、
(M3D)前記学習用部分欠陥画像と、前記学習用部分参照画像と、を用いて、前記推定処理パラメータを算出する、
画像処理方法。 - 請求項9記載の画像処理方法であって、
(M6)前記擬似参照画像と、前記検査用欠陥画像と、を比較して、前記検査用欠陥画像の欠陥部位を特定する、
画像処理方法。 - 請求項9記載の画像処理方法であって、
前記推定処理パラメータは、ニューラルネットワークの重み値であり、
前記ニューラルネットワークは、入力層に入力する画像の最小サイズは第1サイズであり、
前記(M1)として:
各々が前記第1サイズ以上の前記複数の画像を取得する、
画像処理方法。 - 請求項9記載の画像処理方法であって、
前記推定処理パラメータは、ニューラルネットワークの重み値であり、
前記ニューラルネットワークは、入力層に入力する画像の最小サイズは第1サイズであり、
前記走査型電子顕微鏡は、前記第1サイズと、アライメント量の最大値に基づいて、撮像画像のサイズを設定し、
前記設定したサイズに基づいて複数の画像を撮像し、
前記アライメント量の最大値は、前記走査型電子顕微鏡の(A1)ステージ移動誤差および(A2)電子ビームの照射位置決め誤差に基づいて求める、
画像処理方法。 - 請求項9記載の画像処理方法であって、
前記推定処理パラメータの推定処理の終了条件を取得し、
前記(M3)として:
(M3E)前記終了条件を満たすことを検知した時に、前記推定処理パラメータの更新を終了する、
画像処理方法。 - 請求項13記載の画像処理方法であって、
(M7)前記学習用欠陥画像と、前記学習用参照画像と、を比較することで、前記学習用欠陥画像の欠陥部位を特定する、ことを前記推定処理パラメータの算出と並行に行う、
画像処理方法。 - 請求項9に記載の画像処理方法であって、
前記検査用欠陥画像に対応する参照画像の取得を省略する、
画像処理方法。 - 請求項1記載の試料観察システムであって、
前記学習用参照画像は、前記学習用欠陥画像に撮像された回路パターンと同様の回路パターンが形成されるように設計された領域の画像であり、
前記(3A)の処理により、位置合わせがされたときの前記学習用参照画像と前記学習用欠陥画像間の座標差が、前記アライメント量として取得される、
試料観察システム。 - 請求項16記載の試料観察システムであって、
前記学習用参照画像は、前記走査型電子顕微鏡によって撮像されるウェハに配置された複数の同様なチップおいて、前記学習用欠陥画像に撮像された回路パターンが形成されたチップから1チップ分ずらしたチップに形成された回路パターンの領域の画像である、
試料観察システム。 - 請求項9記載の画像処理方法であって、
前記学習用参照画像は、前記学習用欠陥画像に撮像された回路パターンと同様の回路パターンが形成されるように設計された領域の画像であり、
前記(M3A)の処理により、位置合わせがされたときの前記学習用参照画像と前記学習用欠陥画像間の座標差が、前記アライメント量として取得される、
画像処理方法。 - 請求項18記載の画像処理方法であって、
前記学習用参照画像は、前記走査型電子顕微鏡によって撮像されるウェハに配置された複数の同様なチップおいて、前記学習用欠陥画像に撮像された回路パターンが形成されたチップから1チップ分ずらしたチップに形成された回路パターンの領域の画像である、
画像処理方法。
Priority Applications (6)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020038745A JP7262409B2 (ja) | 2020-03-06 | 2020-03-06 | 試料観察システム及び画像処理方法 |
US17/802,161 US20230005123A1 (en) | 2020-03-06 | 2021-01-08 | Sample observation system and image processing method |
KR1020227027317A KR20220123708A (ko) | 2020-03-06 | 2021-01-08 | 시료 관찰 시스템 및 화상 처리 방법 |
CN202180013541.6A CN115088061A (zh) | 2020-03-06 | 2021-01-08 | 试样观察***以及图像处理方法 |
PCT/JP2021/000484 WO2021176841A1 (ja) | 2020-03-06 | 2021-01-08 | 試料観察システム及び画像処理方法 |
TW110100934A TWI793496B (zh) | 2020-03-06 | 2021-01-11 | 試料觀察系統及畫像處理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020038745A JP7262409B2 (ja) | 2020-03-06 | 2020-03-06 | 試料観察システム及び画像処理方法 |
Publications (3)
Publication Number | Publication Date |
---|---|
JP2021141231A JP2021141231A (ja) | 2021-09-16 |
JP2021141231A5 JP2021141231A5 (ja) | 2022-06-15 |
JP7262409B2 true JP7262409B2 (ja) | 2023-04-21 |
Family
ID=77613622
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020038745A Active JP7262409B2 (ja) | 2020-03-06 | 2020-03-06 | 試料観察システム及び画像処理方法 |
Country Status (6)
Country | Link |
---|---|
US (1) | US20230005123A1 (ja) |
JP (1) | JP7262409B2 (ja) |
KR (1) | KR20220123708A (ja) |
CN (1) | CN115088061A (ja) |
TW (1) | TWI793496B (ja) |
WO (1) | WO2021176841A1 (ja) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001085482A (ja) | 1999-09-14 | 2001-03-30 | Toshiba Corp | 半導体検査装置及び半導体検査方法 |
JP2004354251A (ja) | 2003-05-29 | 2004-12-16 | Nidek Co Ltd | 欠陥検査装置 |
JP2006269489A (ja) | 2005-03-22 | 2006-10-05 | Hitachi High-Technologies Corp | 欠陥観察装置及び欠陥観察装置を用いた欠陥観察方法 |
JP2007184565A (ja) | 2005-12-07 | 2007-07-19 | Hitachi High-Technologies Corp | 欠陥レビュー方法及びその装置 |
JP2010161247A (ja) | 2009-01-09 | 2010-07-22 | Hitachi High-Technologies Corp | Semを用いた欠陥観察方法及びその装置 |
JP2014145694A (ja) | 2013-01-30 | 2014-08-14 | Hitachi High-Technologies Corp | 欠陥観察方法および欠陥観察装置 |
JP2018137275A (ja) | 2017-02-20 | 2018-08-30 | 株式会社日立ハイテクノロジーズ | 試料観察装置および試料観察方法 |
JP2018205163A (ja) | 2017-06-06 | 2018-12-27 | 株式会社デンソー | 外観検査装置、変換データ生成装置、及びプログラム |
US20190287230A1 (en) | 2018-03-19 | 2019-09-19 | Kla-Tencor Corporation | Semi-supervised anomaly detection in scanning electron microscope images |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH08136466A (ja) * | 1994-11-10 | 1996-05-31 | Dainippon Screen Mfg Co Ltd | 画像パターン検査装置 |
JP3893825B2 (ja) | 1999-12-28 | 2007-03-14 | 株式会社日立製作所 | 半導体ウェーハの欠陥観察方法及びその装置 |
JP2004349515A (ja) * | 2003-05-23 | 2004-12-09 | Hitachi High-Technologies Corp | Sem式外観検査装置,レビュー装置、およびアライメント座標設定方法 |
EP3499459A1 (en) * | 2017-12-18 | 2019-06-19 | FEI Company | Method, device and system for remote deep learning for microscopic image reconstruction and segmentation |
JP7058324B2 (ja) | 2018-05-09 | 2022-04-21 | レーザーテック株式会社 | 検査装置、検査方法、学習方法、及びプログラム |
-
2020
- 2020-03-06 JP JP2020038745A patent/JP7262409B2/ja active Active
-
2021
- 2021-01-08 WO PCT/JP2021/000484 patent/WO2021176841A1/ja active Application Filing
- 2021-01-08 CN CN202180013541.6A patent/CN115088061A/zh active Pending
- 2021-01-08 KR KR1020227027317A patent/KR20220123708A/ko active Search and Examination
- 2021-01-08 US US17/802,161 patent/US20230005123A1/en active Pending
- 2021-01-11 TW TW110100934A patent/TWI793496B/zh active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001085482A (ja) | 1999-09-14 | 2001-03-30 | Toshiba Corp | 半導体検査装置及び半導体検査方法 |
JP2004354251A (ja) | 2003-05-29 | 2004-12-16 | Nidek Co Ltd | 欠陥検査装置 |
JP2006269489A (ja) | 2005-03-22 | 2006-10-05 | Hitachi High-Technologies Corp | 欠陥観察装置及び欠陥観察装置を用いた欠陥観察方法 |
JP2007184565A (ja) | 2005-12-07 | 2007-07-19 | Hitachi High-Technologies Corp | 欠陥レビュー方法及びその装置 |
JP2010161247A (ja) | 2009-01-09 | 2010-07-22 | Hitachi High-Technologies Corp | Semを用いた欠陥観察方法及びその装置 |
JP2014145694A (ja) | 2013-01-30 | 2014-08-14 | Hitachi High-Technologies Corp | 欠陥観察方法および欠陥観察装置 |
JP2018137275A (ja) | 2017-02-20 | 2018-08-30 | 株式会社日立ハイテクノロジーズ | 試料観察装置および試料観察方法 |
JP2018205163A (ja) | 2017-06-06 | 2018-12-27 | 株式会社デンソー | 外観検査装置、変換データ生成装置、及びプログラム |
US20190287230A1 (en) | 2018-03-19 | 2019-09-19 | Kla-Tencor Corporation | Semi-supervised anomaly detection in scanning electron microscope images |
Also Published As
Publication number | Publication date |
---|---|
WO2021176841A1 (ja) | 2021-09-10 |
TWI793496B (zh) | 2023-02-21 |
KR20220123708A (ko) | 2022-09-08 |
TW202135119A (zh) | 2021-09-16 |
JP2021141231A (ja) | 2021-09-16 |
CN115088061A (zh) | 2022-09-20 |
US20230005123A1 (en) | 2023-01-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11170483B2 (en) | Sample observation device and sample observation method | |
JP4695239B2 (ja) | 形状特徴に基づく欠陥検出方法及び装置 | |
JP5581286B2 (ja) | 欠陥検査方法および欠陥検査装置 | |
TWI515813B (zh) | Charged particle - ray device | |
US9082585B2 (en) | Defect observation method and device using SEM | |
JP2020115131A (ja) | 試験片の調査の方法およびそのシステム | |
JP7203678B2 (ja) | 欠陥観察装置 | |
CN112313786A (zh) | 集成式扫描电子显微镜及用于先进工艺控制的光学分析技术 | |
JP7262409B2 (ja) | 試料観察システム及び画像処理方法 | |
KR20200089618A (ko) | 반도체 시편에서 결함들을 분류하는 방법 및 그 시스템 | |
JP7404399B2 (ja) | 欠陥検査システムおよび欠陥検査方法 | |
JP4262288B2 (ja) | パターンマッチング方法及び装置 | |
TW202011121A (zh) | 用於較佳設計對準之目標選擇改良 | |
US11728126B2 (en) | 3D metrology from 3D datacube created from stack of registered images obtained during delayering of the sample | |
US11828714B2 (en) | Image acquisition by an electron beam examination tool for metrology measurement | |
JP5163731B2 (ja) | 欠陥候補の画像表示方法 | |
US20150241369A1 (en) | Charged particle beam apparatus, image acquiring method and non-transitory computer-readable recording medium | |
JP2022014880A (ja) | 半導体試料中のアレイの識別 | |
WO2015064399A1 (ja) | 荷電粒子線装置およびプログラム記録媒体 | |
JP2015161578A (ja) | ウェーハの検査方法および荷電粒子線装置 | |
JP2014130745A (ja) | 荷電粒子線装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220607 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220607 |
|
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: 20230404 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230411 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7262409 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |