欠陥分類装置
【課題】
本発明は集積回路、磁気ヘッド、磁気ディスク、太陽電池、光モジュール、発光ダイオード、液晶表示パネルなど基板上に発生した欠陥や異物の画像を撮像し、欠陥や異物を種類ごとに分類する欠陥分類装置において、撮像した画像に写っている欠陥の重要度を定量的に計算し、重要度の高い欠陥が写っている画像だけをデータベースに保存することで、ネットワーク負荷やデータベース負荷を低減する。
【解決手段】
本発明は、欠陥座標データを入力し、画像撮像プログラム５０１にて画像を撮像し、特徴量抽出プログラム５０２にて撮像した画像から欠陥の特徴量を抽出し、欠陥分類プログラム５０３にて欠陥を種類別に分類し、重要度予測プログラム５０４にて欠陥毎に重要度を計算し、画像選別プログラム５０６にて重要度に基づいて画像をデータベースに伝送するか否かを判定する。
本発明は集積回路、磁気ヘッド、磁気ディスク、太陽電池、光モジュール、発光ダイオード、液晶表示パネルなど基板上に発生した欠陥や異物の画像を撮像し、欠陥や異物を種類ごとに分類する欠陥分類装置において、撮像した画像に写っている欠陥の重要度を定量的に計算し、重要度の高い欠陥が写っている画像だけをデータベースに保存することで、ネットワーク負荷やデータベース負荷を低減する。
【解決手段】
本発明は、欠陥座標データを入力し、画像撮像プログラム５０１にて画像を撮像し、特徴量抽出プログラム５０２にて撮像した画像から欠陥の特徴量を抽出し、欠陥分類プログラム５０３にて欠陥を種類別に分類し、重要度予測プログラム５０４にて欠陥毎に重要度を計算し、画像選別プログラム５０６にて重要度に基づいて画像をデータベースに伝送するか否かを判定する。
【発明の詳細な説明】
【技術分野】
【０００１】
本発明は、検査対象を撮像して得られた画像データより抽出される欠陥部位の特徴量、ならびに欠陥部位の周辺に背景として写っているパターンの特徴量より、当該欠陥の重要度を算出する欠陥分類装置に関する。
【背景技術】
【０００２】
集積回路、薄膜磁気ヘッド、磁気ディスク、太陽電池、液晶ディスプレイなど露光、現像、エッチングなどの薄膜プロセスを用いて製造される製品の製造工程においては、高い製品歩留りを確保するために、その製造工程で発生する各種の欠陥を早期に発見し対策することが必要である。これは通常、以下のステップにより行われる。（１）検査対象となるウエハを、ウエハ外観検査装置もしくはウエハ異物検査装置等により検査し、発生した欠陥や付着した異物のウエハ面内における座標を検出する。（２）検出された欠陥や異物を観察し（これをレビューと呼ぶ）、観察した欠陥や異物を種類別に分類する。尚、このレビュー作業は、通常、欠陥部位を高倍率で観察するための顕微鏡などを持つレビュー専用装置が用いられるが、レビュー機能を備えた他の装置、例えば外観検査装置等を用いる場合もある。（３）分類した結果ごとに電気試験の結果と照合して、欠陥や異物が発生した原因を分析し、対策手段を講じる。
【０００３】
検査装置により検出される欠陥数が多い場合には、上述したレビュー作業は大変な労力を必要とすることから、欠陥部位の画像を自動で撮像し欠陥画像を自動で収集する自動レビュー（Automatic Defect Review）及び、収集された画像を自動で分類する自動欠陥分類（Automatic Defect Classification）の機能を有するレビュー装置の開発が近年盛んである。
【０００４】
特許文献１や特許文献２には、このような自動レビュー機能および自動欠陥分類機能を有するレビュー装置および製造システムについて開示されている。特許文献１には、欠陥部位が撮像された画像から、欠陥部位の特徴量、たとえば、欠陥の大きさや輝度などの特徴量を抽出するとともに、欠陥部位に限らず、欠陥部位の背景として画像に一緒に写り込んでいる回路パターンの形状や輝度などの特徴量も有効に活用し、欠陥を種類別に分類する技術について開示されている。特許文献２には、欠陥を種類別に分類するだけではなく、電気試験の結果として得られる歩留り、すなわちウエハに形成された複数の集積回路のうち良品として出荷できる割合と、欠陥を種類別に分類した結果の相関関係を分析して、欠陥の種類ごとに発生した原因を突き止める製造システムについて開示されている。
【０００５】
従来、レビュー装置の性能、すなわち自動レビュー機能や自動欠陥分類機能の性能は低く、多数の欠陥部位の画像を撮像するためには、多大な時間を要していた。そのような状況では、特許文献３に開示されている技術で、ウエハ外観検査装置やウエハ異物検査装置が検出した欠陥の座標に対して、前処理として重要度の高そうな欠陥を選び出し、重要度の高そうな欠陥だけを観察したり、特許文献４に開示されている技術で、レビューを行わずに、ウエハ外観検査装置やウエハ異物検査装置が出力する欠陥の座標や欠陥の大きさの情報から、電気試験の結果を予測したりしていた。
【０００６】
近年、レビュー装置の性能、すなわち自動レビュー機能や自動欠陥分類機能の性能がそれぞれ向上し、短時間に多数の欠陥部位の画像を撮像できるようになってきた。そのような状況では、特許文献５に開示されている技術で、撮像した多数の画像から、電気的な不良を引き起こしそうな重要度の高い欠陥が写り込んでいる画像を高速に検索し、ディスプレイに瞬時に表示することが効果がある。この技術では、集積回路の設計レイアウトデータと欠陥の座標を比較して重要度を定義し、また、欠陥の大きさと重要度を用いて画像を検索する。また、特許文献６には、撮像した多数の画像から、自動レビューの何らかの不具合で、正しく欠陥が写っていない画像や、フォーカスが合っていない画像などのような将来、見る価値のない画像を削除することで、撮像した画像を管理するデータベースの負荷を低減する技術が開示されている。
【先行技術文献】
【特許文献】
【０００７】
【特許文献１】特開２００１−３３１７８４号公報
【特許文献２】米国特許 ６４０８２１９号
【特許文献３】特許公報 ３６７８１３３号
【特許文献４】特許公報 ４３５７１３４号
【特許文献５】特開２００９−２８３５８４号公報
【特許文献６】特開２００８−２９４３６１号公報
【発明の概要】
【発明が解決しようとする課題】
【０００８】
背景技術として述べた技術は、次の３通りに大別できる。
（１）画像から得られる各種の特徴量を用いて、欠陥の種類を分類する技術。
（２）自動レビュー機能で画像を撮像する前に、欠陥の重要度を予測し、撮像する画像を限定する技術や歩留りを予測する技術。
（３）自動レビュー機能で画像を撮像した後に、重要度の高い欠陥を表示する技術や重要度の低い欠陥を削除する技術。
【０００９】
本発明は、上記（３）の性能の向上を一つの目的とする。具体的には、本発明は、自動レビュー機能で撮像した、欠陥部位が写っている画像に対して、欠陥の重要度を設計レイアウトデータがなくとも、画像から得られる欠陥部位の特徴量、画像に背景として写り込んでいるパターンの特徴量、欠陥の座標などの特徴量を用いて、重要度を定量的に算出する欠陥分類装置を提供する。
【００１０】
また、本発明は、定量的に算出した欠陥の重要度に基づいて、電気的な不良を発生させる確率が高い欠陥が写っている画像を優先的にデータベースに登録する機能を有する欠陥分類装置を提供する。この機能により、欠陥分類装置からデータベースへ画像を転送するためのネットワーク負荷やデータベースへの登録時の負荷を低減できる。また、この機能により、電気試験の結果と、欠陥の分類結果の相関解析を行うとき、電気的に不良品と判定された製品に対して、欠陥部位が写っている画像が存在する確率が増し、その結果、不良の発生の原因解析を従来より迅速化できる。
【課題を解決するための手段】
【００１１】
上記課題を解決するために、例えば特許請求の範囲に記載の構成を採用する。
本願は上記課題を解決する手段を複数含んでいるが、その一例を挙げるならば、ネットワークを介してデータベースと接続され、被検査物上の欠陥の画像を撮像し、欠陥を複数の種類に分類して、前記欠陥を解析する重要度を予測して、前記重要度が高い欠陥の画像を選別して前記データベースへ登録する欠陥分類装置であって、薄膜プロセスを用いて製造される被加工物上に発生した欠陥の座標情報を検査装置より入力する手段と、前記入力した各欠陥の観察用画像を前記座標情報に従って、前記被加工物上の欠陥を撮像する画像撮像手段と、前記各画像に対して、画像処理により欠陥部位と背景を分離し、欠陥部位の特徴量、および背景の特徴量を抽出する特徴量抽出手段と、前記抽出された特徴量を用いて、該欠陥を複数の種類に分類する分類手段と、過去の被検査物から検出された欠陥を観察した欠陥実績データと、当該被検査物を電気試験した結果のチップ単位の良否データとを対応付け、欠陥カテゴリ毎にグループ化したデータより、良品と不良品の割合を目的変数として、前記欠陥の観察画像より抽出した特徴量を説明変数とする欠陥カテゴリ毎の線形多項式を作成して登録する重要度予測式登録手段と、前記特徴量抽出手段により抽出した特徴量と前記分類手段で分類した欠陥種類とを、前記登録されている該当する欠陥カテゴリの重要度予測式へ適用して、欠陥の重要度を予測する予測手段と、該重要度に従って、前記観察画像をデータベースに伝送するか否かを選別する選別手段とを備えた欠陥分類装置を特徴とする。
【発明の効果】
【００１２】
本発明の欠陥分類装置を集積回路、薄膜磁気ヘッド、太陽電池、磁気ディスク、液晶ディスプレイなどの製造過程で適用することで、工場内のネットワークの負荷やデータベースの負荷を低減できる。
【図面の簡単な説明】
【００１３】
【図１】電子顕微鏡装置をベースとした欠陥分類装置の概要の一例を示す図である。
【図２】自動レビューから画像選別までの一連のフローチャートの一例を示す図である。
【図３】欠陥座標データの一例を示す図である。
【図４】欠陥座標データを視覚的に図示したマップの一例を示す図である。
【図５】欠陥分類結果の一例を示す図である。
【図６】欠陥分類結果と特徴量を対応づけたデータの一例を示す図である。
【図７】重要度予測結果の一例を示す図である。
【図８】重要度予測のフローチャートの一例を示す図である。
【図９】重要度予測式の一例を示す図である。
【図１０】重要度予測式を登録するフローチャートの一例を示す図である。
【図１１】ステップ６０１で読み込んだ欠陥実績データと、ステップ６０２で読み込んだ電気試験データとをステップ６０３で欠陥毎に対応づけた結果の一例を示す図である。
【図１２】選別条件設定画面の一例を示す図である。
【図１３】本発明に係る欠陥分類装置とネットワークを介して接続される検査装置やデータベースのハードウェア構成の一例を示す図である。
【図１４】本発明の効果を表すイメージ図の一例を示す図である。
【発明を実施するための形態】
【００１４】
まず、実施形態１として、ウエハに発生した欠陥を観察するための電子顕微鏡をベースとした欠陥分類装置について説明する。
【００１５】
図１は、本発明に係る欠陥分類装置の一例として、電子顕微鏡の概要の一例を示した図である。電子顕微鏡は一次電子２０８を発生させる電子源２０１と、一次電子を加速するための加速電極２０２と、一次電子を収束するための集束レンズ２０３と、一次電子を二次元走査偏向する偏向器２０４と、一次電子をウエハなどの基板２０６上に収束させるための対物レンズ２０５とを備えている。２０７は基板２０６を搭載する駆動ステージである。２１０は基板２０６より発生した二次電子信号２０９を検出する検出器であり、２２０ａ、２２０ｂはそれぞれ反射電子信号２１９を検出する反射電子検出器である。同図では、反射電子検出器２２０ａ、２２０ｂは対向して二つ設置されており、それぞれ基板２０６から放出された反射電子信号の異なる成分を検出する。２１１は検出された信号をデジタル化するためのデジタル変換部である。これらの各部位は、バス２１８を介して全体制御部２１３に接続されている。本電子顕微鏡には、そのほかに、中央演算処理装置(ＣＰＵ)２１４、一次記憶装置２１５、二次記憶装置２１６、キーボード、マウス、ディスプレイ、プリンタ、ネットワークインターフェースなどの入出力部２１７が備わっている。また、二次記憶装置２１６には、基板２０６に発生した欠陥部位の画像を撮像する、すなわち自動レビューを行う画像撮像プログラム５０１、撮像した画像から欠陥部位の特徴量や背景に写っている回路パターンの特徴量を画像処理により抽出する特徴量抽出プログラム５０２、抽出した特徴量を用いて欠陥を種類別に自動で分類する欠陥分類プログラム５０３、予め登録しておく重要度予測式に基づいて欠陥の重要度を計算する重要度予測プログラム５０４、重要度の予測式を設定したり、計算された重要度に基づいて画像をネットワークを介してデータベースに登録するか否かを選別する条件を設定したりする選別条件設定プログラム５０５、設定された条件に基づいて画像を選別する画像選別プログラム５０６、前記重要度予測式を事前に登録する重要度予測式登録プログラム５０７などが格納されている。これらのプログラムは、二次記憶装置２１６から一次記憶装置２１５に読み出され、ＣＰＵ２１４で計算される。
【００１６】
図２は、自動レビュー機能および自動欠陥分類機能を含めた本発明に係る欠陥座標の入力から画像選別までのフローチャートの一例を示す図である。ステップ３０１で、ウエハ外観検査装置やウエハ異物検査装置が検出した欠陥や異物（総称して欠陥）の座標を入力する。ステップ３０２では、変数Ｎを０に初期化する。変数Ｎは、入力した欠陥座標の個数だけループ処理を繰り返すための変数である。ステップ３０３では、変数Ｎをインクリメントする。ステップ３０４では、ステップ３０１で読み込んだ欠陥座標の数を変数Ｎが超えたら、処理フローを終了し、超えていなかったら、ステップ３０５へ処理を進める。ステップ３０５では、欠陥座標の画像を撮像する。このとき、通常は低倍率レンズで画像を撮像し、画像処理にて画像内での欠陥部位の位置を把握し、その後、高倍率レンズに切り換えて、駆動ステージ２０７を微調整して、欠陥部位が確実に画像に写るようにする処理を行う。また、画像を撮像するために焦点を合わせる処理も行う。ステップ３０６では、撮像した画像から特徴量を抽出する。特徴量とは、画像に対して画像処理で欠陥部位と背景を分離し、欠陥部位の大きさ、周囲長、縦横比、輝度や、背景に写っている回路パターンの輝度、形状などを定量化した数値である。具体的には、特許文献１に記載のとおりである。ステップ３０７では、抽出した欠陥部位の特徴量や背景の特徴量、さらに場合によっては、集積回路内における欠陥の座標を用いて、欠陥を種類ごとに分類する。欠陥の種類は、様々な定義がある。例えば、異物、傷、パターン不良といった分け方もあれば、凹部、凸部、平部といった分け方もあれば、短絡、断線、孤立といった分け方もある。ステップ３０８では、欠陥の重要度を予測する。本発明において重要度とは、回路と回路を跨ぐような欠陥であるといった見た目のことではない。本発明において重要度とは、電気試験で不良品を引き起こす確率と定義される。すなわち、前もって、重要度を計算するための回帰式を、欠陥分類の結果と電気試験の結果との間で相関解析を行った結果として登録しておく。ステップ３０９では、計算された重要度に基づいて、ネットワークを介してデータベースに画像を伝送するか否かを選別する。
【００１７】
図３は、ステップ３０１で入力する欠陥座標データの一例である。欠陥座標データ７００は、ウエハ外観検査装置やウエハ異物検査装置などウエハ上に発生した欠陥の位置を検出する装置の出力データとして取得できる。欠陥座標データ７００は、検査対象のウエハ番号の列７０１、ウエハ座標系におけるＸ座標の列７０２、Ｙ座標の列７０３で構成され、縦に画像を撮像する欠陥が並んでいる。ここでは、欠陥の座標をウエハ座標系で表した例を示すが、これに限ったものではない。例えば、ウエハ上に形成される集積回路ごとにチップ番号が付され、集積回路内のチップ座標系で欠陥の座標を表す場合もあり、本発明はどのような方法で欠陥座標を定義しても構わない。
【００１８】
図４は、図３で示した欠陥座標データ７００をウエハ座標系で欠陥の位置を図示した一例である。大きな丸枠４０１はウエハを表し、ウエハの向きを定義するための切り込み、すなわちノッチ４０２が下側にある状態で、ウエハ座標系におけるＸ軸４０５、Ｙ軸４０６が描かれている。ウエハ４０１の内側には、格子状に集積回路４０３が多数描かれている。また、多数の黒丸の打点４０７は、各欠陥の座標を表している。
【００１９】
図５は、ステップ３０７で欠陥ごとに種類を分類した結果の一例を示す図である。分類結果７１０は、欠陥座標データ７００の各行の右端に欠陥の種類、すなわち欠陥カテゴリが追加されている。列７１１はウエハ番号、列７１２はウエハ座標系での欠陥のＸ座標、列７１３は欠陥のＹ座標、列７１４は欠陥カテゴリである。
【００２０】
図６は、欠陥の座標、分類結果、ステップ３０６で抽出した特徴量をそれぞれ欠陥ごとに対応づけたデータの一例である。これが、ステップ３０８で重要度を予測するために入力するデータである。対応づけたデータ７２０は、列７２１にウエハ番号、列７２２に欠陥のＸ座標、列７２３に欠陥のＹ座標、列７２４に欠陥の分類結果、列７３１から列７４０にそれぞれＦ０１からＦ１０と名付けた特徴量が示されている。ここでは特徴量として、Ｆ０１からＦ１０までの１０種類を例として示したが、これに限ったものではない。特徴量は、画像に対して画像処理で欠陥部位と背景を分離し、欠陥部位の大きさ、周囲長、縦横比、輝度や、背景に写っている回路パターンの輝度、形状などを定量化した数値であるが、これに限ったものではなく、例えば、欠陥の座標のような画像以外から得た数値も特徴量として活用してよい。
【００２１】
図７は、ステップ３０８で重要度を予測した結果の一例である。図５に示した欠陥分類の結果７１０の右端に、予測した重要度が追加されている。予測結果７５０は、列７５１にウエハ番号、列７５２に欠陥のＸ座標、列７５３に欠陥のＹ座標、列７５４に欠陥の分類結果、列７５５に計算された重要度が示されている。重要度は、電気的な不良品を引き起こす確率であるため、０以上１以下の数値である。本発明に係る欠陥分類装置は、画像以外に、データ７５０も歩留り管理システムが有するデータベースに伝送し、保存することで不良原因の解析に有用な情報となる。もちろん、図６に示した欠陥の特徴量も歩留り管理システムが有するデータベースに伝送し、保存することも不良原因の解析に有用な情報となる。
【００２２】
図８は、ステップ３０８の重要度予測ステップ、すなわち重要度予測プログラム５０４のフローチャートの一例を示す図である。ステップ５２１で、図６に示した分類結果と特徴量のデータ７２０を読み込む。ステップ５２２で変数Ｎをゼロに初期化する。変数Ｎは、入力したデータの欠陥座標の数だけループ処理を繰り返すための変数である。ステップ５２３で変数Ｎをインクリメントする。ステップ５２４の条件分岐では、ステップ５２１で読み込んだ欠陥座標の数を変数Ｎが超えたら、処理フローを終了し、超えていなかったら、ステップ５２５へ処理を進める。ステップ５２５では、列７２４の欠陥カテゴリに基づいて、予測式を選ぶ。ステップ５２６では、列７３１から列７４０、すなわち特徴量Ｆ０１からＦ１０の値を選んで予測式に代入し、重要度を計算する。ステップ５２７では、重要度を図７に示したデータ７５０のように出力する。
【００２３】
図９は、ステップ５２５の重要度の予測式を選ぶステップ、ならびにステップ５２６の重要度を計算するステップについて、具体的なプログラムの一例である。プログラム５３０は、まず、IF-THENの条件分岐で欠陥カテゴリに応じて予測式を選ぶ。もし、欠陥カテゴリ（変数defect_category）が"Budge"ならば、特徴量Ｆ０１、Ｆ０３、Ｆ０６、Ｆ０７を入力とした線形多項式の結果を変数ｘに代入する。もし、欠陥カテゴリが"Dimple"ならば、特徴量Ｆ０１、Ｆ０３、Ｆ０５、Ｆ０６を入力とした線形多項式の結果を変数ｘに代入する。もし、欠陥カテゴリが"Flat"ならば、特徴量Ｆ０２、Ｆ０３、Ｆ０４、Ｆ０６、Ｆ０８を入力とした線形多項式の結果を変数ｘに代入する。次に、シグモイド関数に変数ｘの値を代入し、重要度（変数Significance）を計算する。
【００２４】
図１０は、ステップ５２５およびステップ５２６で用いた重要度予測式を登録するための重要度予測式登録プログラム５０７のフローチャートの一例を示す。ステップ６０１で、欠陥実績データを読み込み、ステップ６０２で、前記欠陥実績データを収集したウエハに対する電気試験データを読み込み、ステップ６０３で欠陥毎に該欠陥を検出した座標データを含む欠陥実績データと、該欠陥が存在するチップの電気試験データとを対応づける。次にステップ６０４でステップ６０３で対応づけされたデータの中に含まれる欠陥カテゴリの数を抽出する。例えば、欠陥カテゴリとして、"Budge"、"Dimple"、"Flat"の３種類が含まれるならば、カテゴリ数は３となる。ステップ６０５では、カテゴリ毎に行う処理のためのループ変数Ｍを初期化する。ステップ６０６では、変数Ｍをインクリメントする。ステップ６０７の条件分岐では、すべての欠陥カテゴリに対して予測式を登録したら終了に進み、まだ未登録の欠陥カテゴリがあれば、ステップ６０８に進む。ステップ６０８では、各欠陥カテゴリのデータを抽出する。ステップ６０９では、対象の欠陥カテゴリのデータに対して、多重ロジスティック回帰分析を実行する。多重ロジスティック回帰分析とは、図９のプログラム５３０に示したように、シグモイド関数で重要度を予測するための回帰分析であり、シグモイド関数の変数に線形多項式の計算結果を代入する特徴がある。ステップ６１０では、多重ロジスティック回帰分析の結果として得られた重要度の予測式をプログラム５３０のように登録する。
【００２５】
図１１は、ステップ６０１で読み込んだ欠陥実績データと、ステップ６０２で読み込んだ電気試験データとをステップ６０３で欠陥毎に対応づけた結果の一例である。対応づけられたデータ７６０は、列７６１にウエハ番号、列７６２と列７６３に、それぞれウエハ面内での欠陥の位置を表すＸ座標とＹ座標、列７６４に欠陥カテゴリ、列７７１から列７８０に、画像から得られた欠陥ないしは背景として写っているパターンの特徴量、列７８１がステップ６０２で読み込んで、チップ単位に対応づけた電気試験データであり、良品（Pass）ないしは不良品（Fail）の情報である。データ７６０は、列７６１のウエハ番号でわかるように、過去の複数のウエハから検出された欠陥に対して、レビューした欠陥実績データと、それらのウエハの電気試験の結果としてチップ単位に得られた良品ないしは不良品の情報を対応づけたものである。例えば、欠陥カテゴリ"Dimple"に対して、ステップ６０９で多重ロジスティック回帰分析を行う場合、ステップ６０８で、列７６４に"Dimple"と記されている行のデータをすべて抽出し、ステップ６０９で、列７８１に記された良品（Pass）と不良品（Fail）の割合を目的変数、列７７１から列７８０に記された特徴量を説明変数として、多重ロジスティック回帰分析を行う。ただし、すべての特徴量を使う必要はなく、良品と不良品の間で、有意差のない特徴量は、予め線形多項式から除いておくことで、予測式の信頼性は向上する。また、特徴量として、画像から得られた欠陥や背景の特徴量を直接使ってもよいが、予め主成分分析を行っておき、複数の特徴量間の関係を直交にしておく、すなわち独立にしておいてもよい。
【００２６】
図１２は、選別条件設定プログラム５０５のグラフィカルユーザインターフェースの一例である。本発明に係る欠陥分類装置は、欠陥を撮像した画像をネットワークを介してデータベースに登録するために、ステップ５２７で出力した重要度に基づいて、ステップ３０９で画像を選別する機能を有する。グラフィカルユーザインターフェース８００では、画像を選別する機能の動作を設定する。グラフィカルユーザインターフェース８００では、データベースに伝送する画像の枚数、割合、重要度の値を設定できる。チェックボックス８０１をチェックし、テキストボックス８０４に"50"と入力した場合、１回の自動レビュー機能ならびに自動欠陥分類機能で、画像を撮像した多数の欠陥の内、重要度の大きい方から50個の画像をデータベースに伝送する。チェックボックス８０２をチェックし、テキストボックス８０５に"50"と入力した場合、１回の自動レビュー機能ならびに自動欠陥分類機能で、画像を撮像した多数の欠陥の内、重要度の大きい方から50％、すなわち、もし200個の欠陥の画像を撮像したならば、100個の欠陥の画像をデータベースに伝送する。チェックボックス８０１と８０２は、両方ともチェックすることはできない。また、チェックボックス８０３をチェックし、テキストボックス８０６に"0.3"と入力した場合、１回の自動レビュー機能ならびに自動欠陥分類機能で、画像を撮像した多数の欠陥の内、重要度が0.3を超えている欠陥の画像をデータベースに伝送する。図示した例のように、チェックボックス８０１と８０３の両方ともチェックし、テキストボックス８０４に"50"、テキストボックス８０６に"0.3"と入力した場合、重要度が0.3を超えている欠陥の内、上限を欠陥50個として、重要度の大きい方から50個の画像をデータベースに伝送する。ここで、「画像をデータベースに伝送する」とは、プッシュ方式で欠陥分類装置が画像をデータベースに送ってもよいが、プル方式で欠陥分類装置がデータベースから画像伝送の要求があるまで、画像を指定のディレクトリに保存しておくことを意味する。すなわち、画像の選別とは、データベースに伝送するために指定されたディレクトリに画像を保存することを意味する。
【００２７】
図１３は、本発明に係る欠陥分類装置とネットワークを介して接続される検査装置やデータベースのハードウェア構成の一例である。欠陥分類装置８１０は、ネットワーク８１５を介して、ウエハ外観検査装置８１１やウエハ異物検査装置８１２、電気試験装置（テスタ）８１３、歩留り管理システム８１４と接続されている。ウエハ外観検査装置８１１やウエハ異物検査装置８１２は、光学系の違いから、ウエハ外観検査装置８１１を明視野検査装置、ウエハ異物検査装置８１２を暗視野検査装置と称することもある。ウエハ外観検査装置８１１は、高倍率な対物レンズを用いてウエハ上を走査し、逐次撮像した画像を処理し、特異なパターンを検出できる。一方、ウエハ異物検査装置８１２は、ウエハの斜め上方から照明し、ウエハ上の凹凸による散乱光を検出できる。光学系の違いで、それぞれ検出が得意な欠陥や苦手な欠陥が異なるが、いずれもウエハ上の欠陥の位置を検出できる。すなわち、いずれの装置も、欠陥座標データ７００を出力することを目的とした検査装置である。出力された欠陥座標データ７００は、ネットワーク８１５を介して、歩留り管理システム８１４のデータベースに登録される。電気試験装置（テスタ）８１３は、ウエハ上の複数個の集積回路に対して、電気的に良品か不良品かを判定する検査装置である。個々の集積回路は、電気的な試験を行うために、電極パッドが予め作り込んである。電気試験装置８１３は、装置が有するプローバーをウエハ上の集積回路の電極パッドに当てて、様々な試験用の電気的な波形を集積回路に流し、集積回路の性能を試験する。試験結果、すなわちウエハ上の集積回路ごとに良品ないしは不良品のデータは、ネットワーク８１５を経由して、歩留り管理システム８１４のデータベースに登録される。歩留り管理システム８１４は、ウエハ外観検査装置８１１、ウエハ異物検査装置８１２、欠陥分類装置８１０、電気試験装置８１３から送られてくる様々なデータをデータベースに登録し、管理する。また、歩留り管理システム８１４が有する解析ツールは、データベースに登録された様々なデータをリトリーブして、相関解析、回帰分析、分散分析、仮説検定などの統計的手法を用いて、不良の原因を解析できる。また、解析ツールは、ウエハ上の欠陥の座標や集積回路の位置から、図４に示したようなウエハマップを描いて不良の原因を解析できる。
【００２８】
図１４は、本発明に係る欠陥分類装置を使った場合の効果の一例を、歩留り管理システムの解析ツールの画面の例として示した図である。８２０は、本発明に係る欠陥分類装置を使わなかった場合のウエハマップの一例であり、８３０は、本発明に係る欠陥分類装置を使った場合のウエハマップの一例である。大きな丸枠８２１と８３１は、ウエハを表し、ウエハの向きを定義するための切り込み、すなわちノッチ８２２と８３２が下側にある状態でのウエハマップがそれぞれ描かれている。ウエハ８２１と８３１の内側には、格子状に集積回路が多数描かれており、そのうち太枠の四角８２４と８３４は、電気試験で不良品と判定された集積回路、細枠の四角８２３と８３３は、電気試験で良品と判定された集積回路である。また、７個の黒丸の打点８２５、８２６、８３５、８３６は、データベースに画像が保存されていた各欠陥の座標を表している。どちらのウエハマップも、電気試験で各集積回路を良品と不良品に判別した結果を描き、その上に、画像がデータベースに保存されていた欠陥の座標を重ね合わせて表示した結果である。これは、自動レビューおよび自動欠陥分類機能では、多数の欠陥の画像を撮像したが、ネットワーク負荷やデータベース負荷を低減するために、７個の欠陥の画像だけを選んで、データベースに保存していた例である。８２０と８３０の二つのウエハマップの相違点は、データベースに保存されていた７個の欠陥の画像が、ウエハ上の異なる座標で撮像されていた点である。すなわち、保存されていた画像に写っている欠陥が異なるため、黒丸の打点８２５、８２６、８３５、８３６の位置が異なる。本発明に係る欠陥分類装置を使わなかった場合、データベースに保存される画像は、撮像した多数の画像の中からランダムに選ばれる。そのため、保存されている画像と、電気試験の良品と不良品の間に、相関関係は見られない。一方、本発明に係る欠陥分類装置を使った場合、データベースに保存される画像は、重要度予測プログラム５０４、すなわち重要度を予測するステップ３０８で予測した重要度に基づいて選別されて決定される。そのため、保存されている画像と、電気試験の良品と不良品の間に、相関が見える。すなわち、黒打点８３５や８３６が、太枠の四角で表した、電気試験で不良品と判定された集積回路と重なる確率が高くなる。この結果、歩留り管理システム８１４の解析ツールで集積回路の不良の要因を解析するとき、電気試験で不良品となった集積回路上にどのような欠陥が発生したのかを確認する際に、該当する画像を有効に検索することができる。
【符号の説明】
【００２９】
２０１…電子源、２０２…加速電極、２０３…集束レンズ、２０４…偏向器、２０５…対物レンズ、２０６…基板（例えばウエハ）、２０７…駆動ステージ、２０８…一次電子、２０９…二次電子信号、２１０…二次電子検出器、２１１…デジタル変換部、２１３…全体制御部、２１４…ＣＰＵ、２１５…一次記憶装置、２１６…二次記憶装置、２１７…入出力部、２１８…バス、２１９…反射電子信号、２２０ａ、２２０ｂ…反射電子検出器、３０１…欠陥座標データ読み込みステップ、３０２…変数Ｎの初期化ステップ、３０３…変数Ｎのインクリメントステップ、３０４…条件分岐ステップ、３０５…画像撮像プログラム、３０６…特徴量抽出プログラム、３０７…欠陥分類プログラム、３０８…重要度予測プログラム、３０９…画像選別プログラム、４０１…ウエハ、４０２…ノッチ、４０３…集積回路、４０５…Ｘ軸、４０６…Ｙ軸、４０７…欠陥の位置、５０１…画像撮像プログラム、５０２…特徴量抽出プログラム、５０３…欠陥分類プログラム、５０４…重要度予測プログラム、５０５…選別条件設定プログラム、５０６…画像選別プログラム、５０７…重要度予測式登録プログラム、５２１…欠陥分類結果と特徴量の読み込みステップ、５２２…変数Ｎの初期化ステップ、５２３…変数Ｎのインクリメントステップ、５２４…条件分岐ステップ、５２５…予測式の選択ステップ、５２６…重要度予測ステップ、５２７…重要度出力ステップ、５３０…予測式の選択と重要度予測の処理、６０１…欠陥実績データの読み込みステップ、６０２…電気試験データの読み込みステップ、６０３…データの対応付けステップ、６０４…欠陥カテゴリ数の抽出ステップ、６０５…変数Ｍの初期化ステップ、６０６…変数Ｍのインクリメントステップ、６０７…条件分岐ステップ、６０８…対象データ抽出ステップ、６０９…多重ロジスティック回帰分析ステップ、６１０…予測式登録ステップ、７００…欠陥座標データ、７０１…ウエハ番号、７０２…Ｘ座標、７０３…Ｙ座標、７１０…欠陥分類結果、７１１…ウエハ番号、７１２…Ｘ座標、７１３…Ｙ座標、７１４…欠陥カテゴリ、７２０…特徴量抽出結果、７２１…ウエハ番号、７２２…Ｘ座標、７２３…Ｙ座標、７２４…欠陥カテゴリ、７３１…特徴量Ｆ０１、７３２…特徴量Ｆ０２、７４０…特徴量Ｆ１０、７５０…重要度予測結果、７５１…ウエハ番号、７５２…Ｘ座標、７５３…Ｙ座標、７５４…欠陥カテゴリ、７５５…重要度、７６０…欠陥実績データと電気試験結果の対応データ、７６１…ウエハ番号、７６２…Ｘ座標、７６３…Ｙ座標、７６４…欠陥カテゴリ、７７１…特徴量Ｆ０１、７８０…特徴量Ｆ１０、７８１…電気試験結果、８００…選別条件設定グラフィカルユーザインターフェース、８０１〜８０３…チェックボックス、８０４〜８０６…テキストボックス、８１０…欠陥分類装置、８１１…ウエハ外観検査装置、８１２…ウエハ異物検査装置、８１３…電気試験装置（テスタ）、８１４…歩留り管理システム、８１５…ネットワーク、８２０…ウエハマップ、８２１…ウエハ、８２２…ノッチ、８２３…良品の集積回路、８２４…不良品の集積回路、８２５、８２６…画像有り欠陥の位置、８３０…ウエハマップ、８３１…ウエハ、８３２…ノッチ、８３３…良品の集積回路、８３４…不良品の集積回路、８３５、８３６…画像有り欠陥の位置
【技術分野】
【０００１】
本発明は、検査対象を撮像して得られた画像データより抽出される欠陥部位の特徴量、ならびに欠陥部位の周辺に背景として写っているパターンの特徴量より、当該欠陥の重要度を算出する欠陥分類装置に関する。
【背景技術】
【０００２】
集積回路、薄膜磁気ヘッド、磁気ディスク、太陽電池、液晶ディスプレイなど露光、現像、エッチングなどの薄膜プロセスを用いて製造される製品の製造工程においては、高い製品歩留りを確保するために、その製造工程で発生する各種の欠陥を早期に発見し対策することが必要である。これは通常、以下のステップにより行われる。（１）検査対象となるウエハを、ウエハ外観検査装置もしくはウエハ異物検査装置等により検査し、発生した欠陥や付着した異物のウエハ面内における座標を検出する。（２）検出された欠陥や異物を観察し（これをレビューと呼ぶ）、観察した欠陥や異物を種類別に分類する。尚、このレビュー作業は、通常、欠陥部位を高倍率で観察するための顕微鏡などを持つレビュー専用装置が用いられるが、レビュー機能を備えた他の装置、例えば外観検査装置等を用いる場合もある。（３）分類した結果ごとに電気試験の結果と照合して、欠陥や異物が発生した原因を分析し、対策手段を講じる。
【０００３】
検査装置により検出される欠陥数が多い場合には、上述したレビュー作業は大変な労力を必要とすることから、欠陥部位の画像を自動で撮像し欠陥画像を自動で収集する自動レビュー（Automatic Defect Review）及び、収集された画像を自動で分類する自動欠陥分類（Automatic Defect Classification）の機能を有するレビュー装置の開発が近年盛んである。
【０００４】
特許文献１や特許文献２には、このような自動レビュー機能および自動欠陥分類機能を有するレビュー装置および製造システムについて開示されている。特許文献１には、欠陥部位が撮像された画像から、欠陥部位の特徴量、たとえば、欠陥の大きさや輝度などの特徴量を抽出するとともに、欠陥部位に限らず、欠陥部位の背景として画像に一緒に写り込んでいる回路パターンの形状や輝度などの特徴量も有効に活用し、欠陥を種類別に分類する技術について開示されている。特許文献２には、欠陥を種類別に分類するだけではなく、電気試験の結果として得られる歩留り、すなわちウエハに形成された複数の集積回路のうち良品として出荷できる割合と、欠陥を種類別に分類した結果の相関関係を分析して、欠陥の種類ごとに発生した原因を突き止める製造システムについて開示されている。
【０００５】
従来、レビュー装置の性能、すなわち自動レビュー機能や自動欠陥分類機能の性能は低く、多数の欠陥部位の画像を撮像するためには、多大な時間を要していた。そのような状況では、特許文献３に開示されている技術で、ウエハ外観検査装置やウエハ異物検査装置が検出した欠陥の座標に対して、前処理として重要度の高そうな欠陥を選び出し、重要度の高そうな欠陥だけを観察したり、特許文献４に開示されている技術で、レビューを行わずに、ウエハ外観検査装置やウエハ異物検査装置が出力する欠陥の座標や欠陥の大きさの情報から、電気試験の結果を予測したりしていた。
【０００６】
近年、レビュー装置の性能、すなわち自動レビュー機能や自動欠陥分類機能の性能がそれぞれ向上し、短時間に多数の欠陥部位の画像を撮像できるようになってきた。そのような状況では、特許文献５に開示されている技術で、撮像した多数の画像から、電気的な不良を引き起こしそうな重要度の高い欠陥が写り込んでいる画像を高速に検索し、ディスプレイに瞬時に表示することが効果がある。この技術では、集積回路の設計レイアウトデータと欠陥の座標を比較して重要度を定義し、また、欠陥の大きさと重要度を用いて画像を検索する。また、特許文献６には、撮像した多数の画像から、自動レビューの何らかの不具合で、正しく欠陥が写っていない画像や、フォーカスが合っていない画像などのような将来、見る価値のない画像を削除することで、撮像した画像を管理するデータベースの負荷を低減する技術が開示されている。
【先行技術文献】
【特許文献】
【０００７】
【特許文献１】特開２００１−３３１７８４号公報
【特許文献２】米国特許 ６４０８２１９号
【特許文献３】特許公報 ３６７８１３３号
【特許文献４】特許公報 ４３５７１３４号
【特許文献５】特開２００９−２８３５８４号公報
【特許文献６】特開２００８−２９４３６１号公報
【発明の概要】
【発明が解決しようとする課題】
【０００８】
背景技術として述べた技術は、次の３通りに大別できる。
（１）画像から得られる各種の特徴量を用いて、欠陥の種類を分類する技術。
（２）自動レビュー機能で画像を撮像する前に、欠陥の重要度を予測し、撮像する画像を限定する技術や歩留りを予測する技術。
（３）自動レビュー機能で画像を撮像した後に、重要度の高い欠陥を表示する技術や重要度の低い欠陥を削除する技術。
【０００９】
本発明は、上記（３）の性能の向上を一つの目的とする。具体的には、本発明は、自動レビュー機能で撮像した、欠陥部位が写っている画像に対して、欠陥の重要度を設計レイアウトデータがなくとも、画像から得られる欠陥部位の特徴量、画像に背景として写り込んでいるパターンの特徴量、欠陥の座標などの特徴量を用いて、重要度を定量的に算出する欠陥分類装置を提供する。
【００１０】
また、本発明は、定量的に算出した欠陥の重要度に基づいて、電気的な不良を発生させる確率が高い欠陥が写っている画像を優先的にデータベースに登録する機能を有する欠陥分類装置を提供する。この機能により、欠陥分類装置からデータベースへ画像を転送するためのネットワーク負荷やデータベースへの登録時の負荷を低減できる。また、この機能により、電気試験の結果と、欠陥の分類結果の相関解析を行うとき、電気的に不良品と判定された製品に対して、欠陥部位が写っている画像が存在する確率が増し、その結果、不良の発生の原因解析を従来より迅速化できる。
【課題を解決するための手段】
【００１１】
上記課題を解決するために、例えば特許請求の範囲に記載の構成を採用する。
本願は上記課題を解決する手段を複数含んでいるが、その一例を挙げるならば、ネットワークを介してデータベースと接続され、被検査物上の欠陥の画像を撮像し、欠陥を複数の種類に分類して、前記欠陥を解析する重要度を予測して、前記重要度が高い欠陥の画像を選別して前記データベースへ登録する欠陥分類装置であって、薄膜プロセスを用いて製造される被加工物上に発生した欠陥の座標情報を検査装置より入力する手段と、前記入力した各欠陥の観察用画像を前記座標情報に従って、前記被加工物上の欠陥を撮像する画像撮像手段と、前記各画像に対して、画像処理により欠陥部位と背景を分離し、欠陥部位の特徴量、および背景の特徴量を抽出する特徴量抽出手段と、前記抽出された特徴量を用いて、該欠陥を複数の種類に分類する分類手段と、過去の被検査物から検出された欠陥を観察した欠陥実績データと、当該被検査物を電気試験した結果のチップ単位の良否データとを対応付け、欠陥カテゴリ毎にグループ化したデータより、良品と不良品の割合を目的変数として、前記欠陥の観察画像より抽出した特徴量を説明変数とする欠陥カテゴリ毎の線形多項式を作成して登録する重要度予測式登録手段と、前記特徴量抽出手段により抽出した特徴量と前記分類手段で分類した欠陥種類とを、前記登録されている該当する欠陥カテゴリの重要度予測式へ適用して、欠陥の重要度を予測する予測手段と、該重要度に従って、前記観察画像をデータベースに伝送するか否かを選別する選別手段とを備えた欠陥分類装置を特徴とする。
【発明の効果】
【００１２】
本発明の欠陥分類装置を集積回路、薄膜磁気ヘッド、太陽電池、磁気ディスク、液晶ディスプレイなどの製造過程で適用することで、工場内のネットワークの負荷やデータベースの負荷を低減できる。
【図面の簡単な説明】
【００１３】
【図１】電子顕微鏡装置をベースとした欠陥分類装置の概要の一例を示す図である。
【図２】自動レビューから画像選別までの一連のフローチャートの一例を示す図である。
【図３】欠陥座標データの一例を示す図である。
【図４】欠陥座標データを視覚的に図示したマップの一例を示す図である。
【図５】欠陥分類結果の一例を示す図である。
【図６】欠陥分類結果と特徴量を対応づけたデータの一例を示す図である。
【図７】重要度予測結果の一例を示す図である。
【図８】重要度予測のフローチャートの一例を示す図である。
【図９】重要度予測式の一例を示す図である。
【図１０】重要度予測式を登録するフローチャートの一例を示す図である。
【図１１】ステップ６０１で読み込んだ欠陥実績データと、ステップ６０２で読み込んだ電気試験データとをステップ６０３で欠陥毎に対応づけた結果の一例を示す図である。
【図１２】選別条件設定画面の一例を示す図である。
【図１３】本発明に係る欠陥分類装置とネットワークを介して接続される検査装置やデータベースのハードウェア構成の一例を示す図である。
【図１４】本発明の効果を表すイメージ図の一例を示す図である。
【発明を実施するための形態】
【００１４】
まず、実施形態１として、ウエハに発生した欠陥を観察するための電子顕微鏡をベースとした欠陥分類装置について説明する。
【００１５】
図１は、本発明に係る欠陥分類装置の一例として、電子顕微鏡の概要の一例を示した図である。電子顕微鏡は一次電子２０８を発生させる電子源２０１と、一次電子を加速するための加速電極２０２と、一次電子を収束するための集束レンズ２０３と、一次電子を二次元走査偏向する偏向器２０４と、一次電子をウエハなどの基板２０６上に収束させるための対物レンズ２０５とを備えている。２０７は基板２０６を搭載する駆動ステージである。２１０は基板２０６より発生した二次電子信号２０９を検出する検出器であり、２２０ａ、２２０ｂはそれぞれ反射電子信号２１９を検出する反射電子検出器である。同図では、反射電子検出器２２０ａ、２２０ｂは対向して二つ設置されており、それぞれ基板２０６から放出された反射電子信号の異なる成分を検出する。２１１は検出された信号をデジタル化するためのデジタル変換部である。これらの各部位は、バス２１８を介して全体制御部２１３に接続されている。本電子顕微鏡には、そのほかに、中央演算処理装置(ＣＰＵ)２１４、一次記憶装置２１５、二次記憶装置２１６、キーボード、マウス、ディスプレイ、プリンタ、ネットワークインターフェースなどの入出力部２１７が備わっている。また、二次記憶装置２１６には、基板２０６に発生した欠陥部位の画像を撮像する、すなわち自動レビューを行う画像撮像プログラム５０１、撮像した画像から欠陥部位の特徴量や背景に写っている回路パターンの特徴量を画像処理により抽出する特徴量抽出プログラム５０２、抽出した特徴量を用いて欠陥を種類別に自動で分類する欠陥分類プログラム５０３、予め登録しておく重要度予測式に基づいて欠陥の重要度を計算する重要度予測プログラム５０４、重要度の予測式を設定したり、計算された重要度に基づいて画像をネットワークを介してデータベースに登録するか否かを選別する条件を設定したりする選別条件設定プログラム５０５、設定された条件に基づいて画像を選別する画像選別プログラム５０６、前記重要度予測式を事前に登録する重要度予測式登録プログラム５０７などが格納されている。これらのプログラムは、二次記憶装置２１６から一次記憶装置２１５に読み出され、ＣＰＵ２１４で計算される。
【００１６】
図２は、自動レビュー機能および自動欠陥分類機能を含めた本発明に係る欠陥座標の入力から画像選別までのフローチャートの一例を示す図である。ステップ３０１で、ウエハ外観検査装置やウエハ異物検査装置が検出した欠陥や異物（総称して欠陥）の座標を入力する。ステップ３０２では、変数Ｎを０に初期化する。変数Ｎは、入力した欠陥座標の個数だけループ処理を繰り返すための変数である。ステップ３０３では、変数Ｎをインクリメントする。ステップ３０４では、ステップ３０１で読み込んだ欠陥座標の数を変数Ｎが超えたら、処理フローを終了し、超えていなかったら、ステップ３０５へ処理を進める。ステップ３０５では、欠陥座標の画像を撮像する。このとき、通常は低倍率レンズで画像を撮像し、画像処理にて画像内での欠陥部位の位置を把握し、その後、高倍率レンズに切り換えて、駆動ステージ２０７を微調整して、欠陥部位が確実に画像に写るようにする処理を行う。また、画像を撮像するために焦点を合わせる処理も行う。ステップ３０６では、撮像した画像から特徴量を抽出する。特徴量とは、画像に対して画像処理で欠陥部位と背景を分離し、欠陥部位の大きさ、周囲長、縦横比、輝度や、背景に写っている回路パターンの輝度、形状などを定量化した数値である。具体的には、特許文献１に記載のとおりである。ステップ３０７では、抽出した欠陥部位の特徴量や背景の特徴量、さらに場合によっては、集積回路内における欠陥の座標を用いて、欠陥を種類ごとに分類する。欠陥の種類は、様々な定義がある。例えば、異物、傷、パターン不良といった分け方もあれば、凹部、凸部、平部といった分け方もあれば、短絡、断線、孤立といった分け方もある。ステップ３０８では、欠陥の重要度を予測する。本発明において重要度とは、回路と回路を跨ぐような欠陥であるといった見た目のことではない。本発明において重要度とは、電気試験で不良品を引き起こす確率と定義される。すなわち、前もって、重要度を計算するための回帰式を、欠陥分類の結果と電気試験の結果との間で相関解析を行った結果として登録しておく。ステップ３０９では、計算された重要度に基づいて、ネットワークを介してデータベースに画像を伝送するか否かを選別する。
【００１７】
図３は、ステップ３０１で入力する欠陥座標データの一例である。欠陥座標データ７００は、ウエハ外観検査装置やウエハ異物検査装置などウエハ上に発生した欠陥の位置を検出する装置の出力データとして取得できる。欠陥座標データ７００は、検査対象のウエハ番号の列７０１、ウエハ座標系におけるＸ座標の列７０２、Ｙ座標の列７０３で構成され、縦に画像を撮像する欠陥が並んでいる。ここでは、欠陥の座標をウエハ座標系で表した例を示すが、これに限ったものではない。例えば、ウエハ上に形成される集積回路ごとにチップ番号が付され、集積回路内のチップ座標系で欠陥の座標を表す場合もあり、本発明はどのような方法で欠陥座標を定義しても構わない。
【００１８】
図４は、図３で示した欠陥座標データ７００をウエハ座標系で欠陥の位置を図示した一例である。大きな丸枠４０１はウエハを表し、ウエハの向きを定義するための切り込み、すなわちノッチ４０２が下側にある状態で、ウエハ座標系におけるＸ軸４０５、Ｙ軸４０６が描かれている。ウエハ４０１の内側には、格子状に集積回路４０３が多数描かれている。また、多数の黒丸の打点４０７は、各欠陥の座標を表している。
【００１９】
図５は、ステップ３０７で欠陥ごとに種類を分類した結果の一例を示す図である。分類結果７１０は、欠陥座標データ７００の各行の右端に欠陥の種類、すなわち欠陥カテゴリが追加されている。列７１１はウエハ番号、列７１２はウエハ座標系での欠陥のＸ座標、列７１３は欠陥のＹ座標、列７１４は欠陥カテゴリである。
【００２０】
図６は、欠陥の座標、分類結果、ステップ３０６で抽出した特徴量をそれぞれ欠陥ごとに対応づけたデータの一例である。これが、ステップ３０８で重要度を予測するために入力するデータである。対応づけたデータ７２０は、列７２１にウエハ番号、列７２２に欠陥のＸ座標、列７２３に欠陥のＹ座標、列７２４に欠陥の分類結果、列７３１から列７４０にそれぞれＦ０１からＦ１０と名付けた特徴量が示されている。ここでは特徴量として、Ｆ０１からＦ１０までの１０種類を例として示したが、これに限ったものではない。特徴量は、画像に対して画像処理で欠陥部位と背景を分離し、欠陥部位の大きさ、周囲長、縦横比、輝度や、背景に写っている回路パターンの輝度、形状などを定量化した数値であるが、これに限ったものではなく、例えば、欠陥の座標のような画像以外から得た数値も特徴量として活用してよい。
【００２１】
図７は、ステップ３０８で重要度を予測した結果の一例である。図５に示した欠陥分類の結果７１０の右端に、予測した重要度が追加されている。予測結果７５０は、列７５１にウエハ番号、列７５２に欠陥のＸ座標、列７５３に欠陥のＹ座標、列７５４に欠陥の分類結果、列７５５に計算された重要度が示されている。重要度は、電気的な不良品を引き起こす確率であるため、０以上１以下の数値である。本発明に係る欠陥分類装置は、画像以外に、データ７５０も歩留り管理システムが有するデータベースに伝送し、保存することで不良原因の解析に有用な情報となる。もちろん、図６に示した欠陥の特徴量も歩留り管理システムが有するデータベースに伝送し、保存することも不良原因の解析に有用な情報となる。
【００２２】
図８は、ステップ３０８の重要度予測ステップ、すなわち重要度予測プログラム５０４のフローチャートの一例を示す図である。ステップ５２１で、図６に示した分類結果と特徴量のデータ７２０を読み込む。ステップ５２２で変数Ｎをゼロに初期化する。変数Ｎは、入力したデータの欠陥座標の数だけループ処理を繰り返すための変数である。ステップ５２３で変数Ｎをインクリメントする。ステップ５２４の条件分岐では、ステップ５２１で読み込んだ欠陥座標の数を変数Ｎが超えたら、処理フローを終了し、超えていなかったら、ステップ５２５へ処理を進める。ステップ５２５では、列７２４の欠陥カテゴリに基づいて、予測式を選ぶ。ステップ５２６では、列７３１から列７４０、すなわち特徴量Ｆ０１からＦ１０の値を選んで予測式に代入し、重要度を計算する。ステップ５２７では、重要度を図７に示したデータ７５０のように出力する。
【００２３】
図９は、ステップ５２５の重要度の予測式を選ぶステップ、ならびにステップ５２６の重要度を計算するステップについて、具体的なプログラムの一例である。プログラム５３０は、まず、IF-THENの条件分岐で欠陥カテゴリに応じて予測式を選ぶ。もし、欠陥カテゴリ（変数defect_category）が"Budge"ならば、特徴量Ｆ０１、Ｆ０３、Ｆ０６、Ｆ０７を入力とした線形多項式の結果を変数ｘに代入する。もし、欠陥カテゴリが"Dimple"ならば、特徴量Ｆ０１、Ｆ０３、Ｆ０５、Ｆ０６を入力とした線形多項式の結果を変数ｘに代入する。もし、欠陥カテゴリが"Flat"ならば、特徴量Ｆ０２、Ｆ０３、Ｆ０４、Ｆ０６、Ｆ０８を入力とした線形多項式の結果を変数ｘに代入する。次に、シグモイド関数に変数ｘの値を代入し、重要度（変数Significance）を計算する。
【００２４】
図１０は、ステップ５２５およびステップ５２６で用いた重要度予測式を登録するための重要度予測式登録プログラム５０７のフローチャートの一例を示す。ステップ６０１で、欠陥実績データを読み込み、ステップ６０２で、前記欠陥実績データを収集したウエハに対する電気試験データを読み込み、ステップ６０３で欠陥毎に該欠陥を検出した座標データを含む欠陥実績データと、該欠陥が存在するチップの電気試験データとを対応づける。次にステップ６０４でステップ６０３で対応づけされたデータの中に含まれる欠陥カテゴリの数を抽出する。例えば、欠陥カテゴリとして、"Budge"、"Dimple"、"Flat"の３種類が含まれるならば、カテゴリ数は３となる。ステップ６０５では、カテゴリ毎に行う処理のためのループ変数Ｍを初期化する。ステップ６０６では、変数Ｍをインクリメントする。ステップ６０７の条件分岐では、すべての欠陥カテゴリに対して予測式を登録したら終了に進み、まだ未登録の欠陥カテゴリがあれば、ステップ６０８に進む。ステップ６０８では、各欠陥カテゴリのデータを抽出する。ステップ６０９では、対象の欠陥カテゴリのデータに対して、多重ロジスティック回帰分析を実行する。多重ロジスティック回帰分析とは、図９のプログラム５３０に示したように、シグモイド関数で重要度を予測するための回帰分析であり、シグモイド関数の変数に線形多項式の計算結果を代入する特徴がある。ステップ６１０では、多重ロジスティック回帰分析の結果として得られた重要度の予測式をプログラム５３０のように登録する。
【００２５】
図１１は、ステップ６０１で読み込んだ欠陥実績データと、ステップ６０２で読み込んだ電気試験データとをステップ６０３で欠陥毎に対応づけた結果の一例である。対応づけられたデータ７６０は、列７６１にウエハ番号、列７６２と列７６３に、それぞれウエハ面内での欠陥の位置を表すＸ座標とＹ座標、列７６４に欠陥カテゴリ、列７７１から列７８０に、画像から得られた欠陥ないしは背景として写っているパターンの特徴量、列７８１がステップ６０２で読み込んで、チップ単位に対応づけた電気試験データであり、良品（Pass）ないしは不良品（Fail）の情報である。データ７６０は、列７６１のウエハ番号でわかるように、過去の複数のウエハから検出された欠陥に対して、レビューした欠陥実績データと、それらのウエハの電気試験の結果としてチップ単位に得られた良品ないしは不良品の情報を対応づけたものである。例えば、欠陥カテゴリ"Dimple"に対して、ステップ６０９で多重ロジスティック回帰分析を行う場合、ステップ６０８で、列７６４に"Dimple"と記されている行のデータをすべて抽出し、ステップ６０９で、列７８１に記された良品（Pass）と不良品（Fail）の割合を目的変数、列７７１から列７８０に記された特徴量を説明変数として、多重ロジスティック回帰分析を行う。ただし、すべての特徴量を使う必要はなく、良品と不良品の間で、有意差のない特徴量は、予め線形多項式から除いておくことで、予測式の信頼性は向上する。また、特徴量として、画像から得られた欠陥や背景の特徴量を直接使ってもよいが、予め主成分分析を行っておき、複数の特徴量間の関係を直交にしておく、すなわち独立にしておいてもよい。
【００２６】
図１２は、選別条件設定プログラム５０５のグラフィカルユーザインターフェースの一例である。本発明に係る欠陥分類装置は、欠陥を撮像した画像をネットワークを介してデータベースに登録するために、ステップ５２７で出力した重要度に基づいて、ステップ３０９で画像を選別する機能を有する。グラフィカルユーザインターフェース８００では、画像を選別する機能の動作を設定する。グラフィカルユーザインターフェース８００では、データベースに伝送する画像の枚数、割合、重要度の値を設定できる。チェックボックス８０１をチェックし、テキストボックス８０４に"50"と入力した場合、１回の自動レビュー機能ならびに自動欠陥分類機能で、画像を撮像した多数の欠陥の内、重要度の大きい方から50個の画像をデータベースに伝送する。チェックボックス８０２をチェックし、テキストボックス８０５に"50"と入力した場合、１回の自動レビュー機能ならびに自動欠陥分類機能で、画像を撮像した多数の欠陥の内、重要度の大きい方から50％、すなわち、もし200個の欠陥の画像を撮像したならば、100個の欠陥の画像をデータベースに伝送する。チェックボックス８０１と８０２は、両方ともチェックすることはできない。また、チェックボックス８０３をチェックし、テキストボックス８０６に"0.3"と入力した場合、１回の自動レビュー機能ならびに自動欠陥分類機能で、画像を撮像した多数の欠陥の内、重要度が0.3を超えている欠陥の画像をデータベースに伝送する。図示した例のように、チェックボックス８０１と８０３の両方ともチェックし、テキストボックス８０４に"50"、テキストボックス８０６に"0.3"と入力した場合、重要度が0.3を超えている欠陥の内、上限を欠陥50個として、重要度の大きい方から50個の画像をデータベースに伝送する。ここで、「画像をデータベースに伝送する」とは、プッシュ方式で欠陥分類装置が画像をデータベースに送ってもよいが、プル方式で欠陥分類装置がデータベースから画像伝送の要求があるまで、画像を指定のディレクトリに保存しておくことを意味する。すなわち、画像の選別とは、データベースに伝送するために指定されたディレクトリに画像を保存することを意味する。
【００２７】
図１３は、本発明に係る欠陥分類装置とネットワークを介して接続される検査装置やデータベースのハードウェア構成の一例である。欠陥分類装置８１０は、ネットワーク８１５を介して、ウエハ外観検査装置８１１やウエハ異物検査装置８１２、電気試験装置（テスタ）８１３、歩留り管理システム８１４と接続されている。ウエハ外観検査装置８１１やウエハ異物検査装置８１２は、光学系の違いから、ウエハ外観検査装置８１１を明視野検査装置、ウエハ異物検査装置８１２を暗視野検査装置と称することもある。ウエハ外観検査装置８１１は、高倍率な対物レンズを用いてウエハ上を走査し、逐次撮像した画像を処理し、特異なパターンを検出できる。一方、ウエハ異物検査装置８１２は、ウエハの斜め上方から照明し、ウエハ上の凹凸による散乱光を検出できる。光学系の違いで、それぞれ検出が得意な欠陥や苦手な欠陥が異なるが、いずれもウエハ上の欠陥の位置を検出できる。すなわち、いずれの装置も、欠陥座標データ７００を出力することを目的とした検査装置である。出力された欠陥座標データ７００は、ネットワーク８１５を介して、歩留り管理システム８１４のデータベースに登録される。電気試験装置（テスタ）８１３は、ウエハ上の複数個の集積回路に対して、電気的に良品か不良品かを判定する検査装置である。個々の集積回路は、電気的な試験を行うために、電極パッドが予め作り込んである。電気試験装置８１３は、装置が有するプローバーをウエハ上の集積回路の電極パッドに当てて、様々な試験用の電気的な波形を集積回路に流し、集積回路の性能を試験する。試験結果、すなわちウエハ上の集積回路ごとに良品ないしは不良品のデータは、ネットワーク８１５を経由して、歩留り管理システム８１４のデータベースに登録される。歩留り管理システム８１４は、ウエハ外観検査装置８１１、ウエハ異物検査装置８１２、欠陥分類装置８１０、電気試験装置８１３から送られてくる様々なデータをデータベースに登録し、管理する。また、歩留り管理システム８１４が有する解析ツールは、データベースに登録された様々なデータをリトリーブして、相関解析、回帰分析、分散分析、仮説検定などの統計的手法を用いて、不良の原因を解析できる。また、解析ツールは、ウエハ上の欠陥の座標や集積回路の位置から、図４に示したようなウエハマップを描いて不良の原因を解析できる。
【００２８】
図１４は、本発明に係る欠陥分類装置を使った場合の効果の一例を、歩留り管理システムの解析ツールの画面の例として示した図である。８２０は、本発明に係る欠陥分類装置を使わなかった場合のウエハマップの一例であり、８３０は、本発明に係る欠陥分類装置を使った場合のウエハマップの一例である。大きな丸枠８２１と８３１は、ウエハを表し、ウエハの向きを定義するための切り込み、すなわちノッチ８２２と８３２が下側にある状態でのウエハマップがそれぞれ描かれている。ウエハ８２１と８３１の内側には、格子状に集積回路が多数描かれており、そのうち太枠の四角８２４と８３４は、電気試験で不良品と判定された集積回路、細枠の四角８２３と８３３は、電気試験で良品と判定された集積回路である。また、７個の黒丸の打点８２５、８２６、８３５、８３６は、データベースに画像が保存されていた各欠陥の座標を表している。どちらのウエハマップも、電気試験で各集積回路を良品と不良品に判別した結果を描き、その上に、画像がデータベースに保存されていた欠陥の座標を重ね合わせて表示した結果である。これは、自動レビューおよび自動欠陥分類機能では、多数の欠陥の画像を撮像したが、ネットワーク負荷やデータベース負荷を低減するために、７個の欠陥の画像だけを選んで、データベースに保存していた例である。８２０と８３０の二つのウエハマップの相違点は、データベースに保存されていた７個の欠陥の画像が、ウエハ上の異なる座標で撮像されていた点である。すなわち、保存されていた画像に写っている欠陥が異なるため、黒丸の打点８２５、８２６、８３５、８３６の位置が異なる。本発明に係る欠陥分類装置を使わなかった場合、データベースに保存される画像は、撮像した多数の画像の中からランダムに選ばれる。そのため、保存されている画像と、電気試験の良品と不良品の間に、相関関係は見られない。一方、本発明に係る欠陥分類装置を使った場合、データベースに保存される画像は、重要度予測プログラム５０４、すなわち重要度を予測するステップ３０８で予測した重要度に基づいて選別されて決定される。そのため、保存されている画像と、電気試験の良品と不良品の間に、相関が見える。すなわち、黒打点８３５や８３６が、太枠の四角で表した、電気試験で不良品と判定された集積回路と重なる確率が高くなる。この結果、歩留り管理システム８１４の解析ツールで集積回路の不良の要因を解析するとき、電気試験で不良品となった集積回路上にどのような欠陥が発生したのかを確認する際に、該当する画像を有効に検索することができる。
【符号の説明】
【００２９】
２０１…電子源、２０２…加速電極、２０３…集束レンズ、２０４…偏向器、２０５…対物レンズ、２０６…基板（例えばウエハ）、２０７…駆動ステージ、２０８…一次電子、２０９…二次電子信号、２１０…二次電子検出器、２１１…デジタル変換部、２１３…全体制御部、２１４…ＣＰＵ、２１５…一次記憶装置、２１６…二次記憶装置、２１７…入出力部、２１８…バス、２１９…反射電子信号、２２０ａ、２２０ｂ…反射電子検出器、３０１…欠陥座標データ読み込みステップ、３０２…変数Ｎの初期化ステップ、３０３…変数Ｎのインクリメントステップ、３０４…条件分岐ステップ、３０５…画像撮像プログラム、３０６…特徴量抽出プログラム、３０７…欠陥分類プログラム、３０８…重要度予測プログラム、３０９…画像選別プログラム、４０１…ウエハ、４０２…ノッチ、４０３…集積回路、４０５…Ｘ軸、４０６…Ｙ軸、４０７…欠陥の位置、５０１…画像撮像プログラム、５０２…特徴量抽出プログラム、５０３…欠陥分類プログラム、５０４…重要度予測プログラム、５０５…選別条件設定プログラム、５０６…画像選別プログラム、５０７…重要度予測式登録プログラム、５２１…欠陥分類結果と特徴量の読み込みステップ、５２２…変数Ｎの初期化ステップ、５２３…変数Ｎのインクリメントステップ、５２４…条件分岐ステップ、５２５…予測式の選択ステップ、５２６…重要度予測ステップ、５２７…重要度出力ステップ、５３０…予測式の選択と重要度予測の処理、６０１…欠陥実績データの読み込みステップ、６０２…電気試験データの読み込みステップ、６０３…データの対応付けステップ、６０４…欠陥カテゴリ数の抽出ステップ、６０５…変数Ｍの初期化ステップ、６０６…変数Ｍのインクリメントステップ、６０７…条件分岐ステップ、６０８…対象データ抽出ステップ、６０９…多重ロジスティック回帰分析ステップ、６１０…予測式登録ステップ、７００…欠陥座標データ、７０１…ウエハ番号、７０２…Ｘ座標、７０３…Ｙ座標、７１０…欠陥分類結果、７１１…ウエハ番号、７１２…Ｘ座標、７１３…Ｙ座標、７１４…欠陥カテゴリ、７２０…特徴量抽出結果、７２１…ウエハ番号、７２２…Ｘ座標、７２３…Ｙ座標、７２４…欠陥カテゴリ、７３１…特徴量Ｆ０１、７３２…特徴量Ｆ０２、７４０…特徴量Ｆ１０、７５０…重要度予測結果、７５１…ウエハ番号、７５２…Ｘ座標、７５３…Ｙ座標、７５４…欠陥カテゴリ、７５５…重要度、７６０…欠陥実績データと電気試験結果の対応データ、７６１…ウエハ番号、７６２…Ｘ座標、７６３…Ｙ座標、７６４…欠陥カテゴリ、７７１…特徴量Ｆ０１、７８０…特徴量Ｆ１０、７８１…電気試験結果、８００…選別条件設定グラフィカルユーザインターフェース、８０１〜８０３…チェックボックス、８０４〜８０６…テキストボックス、８１０…欠陥分類装置、８１１…ウエハ外観検査装置、８１２…ウエハ異物検査装置、８１３…電気試験装置（テスタ）、８１４…歩留り管理システム、８１５…ネットワーク、８２０…ウエハマップ、８２１…ウエハ、８２２…ノッチ、８２３…良品の集積回路、８２４…不良品の集積回路、８２５、８２６…画像有り欠陥の位置、８３０…ウエハマップ、８３１…ウエハ、８３２…ノッチ、８３３…良品の集積回路、８３４…不良品の集積回路、８３５、８３６…画像有り欠陥の位置
【特許請求の範囲】
【請求項１】
ネットワークを介してデータベースと接続され、被検査物上の欠陥の画像を撮像し、欠陥を複数の種類に分類して、前記欠陥を解析する重要度を予測して、前記重要度が高い欠陥の画像を選別して前記データベースへ登録する欠陥分類装置であって、
薄膜プロセスを用いて製造される被加工物上に発生した欠陥の座標情報を検査装置より入力する手段と、
前記入力した各欠陥の観察用画像を前記座標情報に従って、前記被加工物上の欠陥を撮像する画像撮像手段と、
前記各画像に対して、画像処理により欠陥部位と背景を分離し、欠陥部位の特徴量、および背景の特徴量を抽出する特徴量抽出手段と、
前記抽出された特徴量を用いて、該欠陥を複数の種類に分類する分類手段と、
過去の被検査物から検出された欠陥を観察した欠陥実績データと、当該被検査物を電気試験した結果のチップ単位の良否データとを対応付け、欠陥カテゴリ毎にグループ化したデータより、良品と不良品の割合を目的変数として、前記欠陥の観察画像より抽出した特徴量を説明変数とする欠陥カテゴリ毎の線形多項式を作成して登録する重要度予測式登録手段と、
前記特徴量抽出手段により抽出した特徴量と前記分類手段で分類した欠陥種類とを、前記登録されている該当する欠陥カテゴリの重要度予測式へ適用して、欠陥の重要度を予測する予測手段と、
該重要度に従って、前記観察画像をデータベースに伝送するか否かを選別する選別手段と
を備えたことを特徴とする欠陥分類装置。
【請求項２】
被検査物上の欠陥の画像を撮像し、欠陥を複数の種類に分類して、前記欠陥を解析する重要度を予測して、前記重要度を欠陥毎に対応づけて出力する欠陥分類装置であって、
薄膜プロセスを用いて製造される被加工物上に発生した欠陥の座標情報を検査装置より入力する手段と、
前記入力した各欠陥の観察用画像を前記座標情報に従って、前記被加工物上の欠陥を撮像する画像撮像手段と、
前記各画像に対して、画像処理により欠陥部位と背景を分離し、欠陥部位の特徴量、および背景の特徴量を抽出する特徴量抽出手段と、
前記抽出された特徴量を用いて、該欠陥を複数の種類に分類する分類手段と、
過去の被検査物から検出された欠陥を観察した欠陥実績データと、当該被検査物を電気試験した結果のチップ単位の良否データとを対応付け、欠陥カテゴリ毎にグループ化したデータより、良品と不良品の割合を目的変数として、前記欠陥の観察画像より抽出した特徴量を説明変数とする欠陥カテゴリ毎の線形多項式を作成して登録する重要度予測式登録手段と、
前記特徴量抽出手段により抽出した特徴量と前記分類手段で分類した欠陥種類とを、前記登録されている該当する欠陥カテゴリの重要度予測式へ適用して、欠陥の重要度を予測する予測手段と、
前記予測した重要度を欠陥毎に対応づけて出力する出力手段とを備えたことを特徴とする欠陥分類装置。
【請求項３】
前記重要度予測式登録手段が、
過去の被検査物から検出された欠陥を観察した欠陥実績データと、当該被検査物を電気試験した結果のチップ単位の良否データとを対応付け、欠陥カテゴリ毎にグループ化したデータより、良品と不良品の割合を目的変数として、前記欠陥の観察画像より抽出した特徴量を説明変数とする欠陥カテゴリ毎の多重ロジスティック回帰式を作成して登録することを特徴とする請求項１または請求項２に記載の欠陥分類装置。
【請求項４】
前記特徴量抽出手段が、
前記各画像に対して、画像処理により欠陥部位と背景を分離し、欠陥部位の特徴量、および背景の特徴量の他に、欠陥の位置も特徴量として抽出することを特徴とする請求項１または請求項２に記載の欠陥分類装置。
【請求項５】
前記予測手段が、
前記特徴量抽出手段により抽出した特徴量と前記分類手段で分類した欠陥種類とを、前記登録されている該当する欠陥カテゴリの重要度予測式へ適用して計算し、計算結果をシグモイド関数の変数へ代入して、欠陥の重要度を予測することを特徴とする請求項１または請求項２に記載の欠陥分類装置。
【請求項６】
前記特徴量は、画像から抽出される複数の特徴量に対して、主成分分析にて直交な状態に変換した特徴量であることを特徴とする請求項１乃至請求項５のいずれかの請求項に記載の欠陥分類装置。
【請求項７】
前記選別手段が、前記データベースに伝送する欠陥の数の上限の設定を受け付けることを特徴とする請求項１記載の欠陥分類装置。
【請求項８】
過去の被検査物から検出された欠陥を観察して得られた、欠陥の座標、画像から抽出される特徴量、欠陥の種類を有する欠陥実績データを入力するステップと、
当該被検査物を電気試験装置で判定して、良品ないしは不良品の情報を有する電気試験データを入力するステップと、
該欠陥実績データと該電気試験データをチップ毎に対応づけるステップと、
該欠陥種類ごとに対応づけたデータを抽出するステップと、
該抽出データに対して、該電気試験データを目的変数、該特徴量を説明変数としてロジスティック回帰分析を実行するステップと
を有することを特徴とする重要度予測式の作成方法。
【請求項１】
ネットワークを介してデータベースと接続され、被検査物上の欠陥の画像を撮像し、欠陥を複数の種類に分類して、前記欠陥を解析する重要度を予測して、前記重要度が高い欠陥の画像を選別して前記データベースへ登録する欠陥分類装置であって、
薄膜プロセスを用いて製造される被加工物上に発生した欠陥の座標情報を検査装置より入力する手段と、
前記入力した各欠陥の観察用画像を前記座標情報に従って、前記被加工物上の欠陥を撮像する画像撮像手段と、
前記各画像に対して、画像処理により欠陥部位と背景を分離し、欠陥部位の特徴量、および背景の特徴量を抽出する特徴量抽出手段と、
前記抽出された特徴量を用いて、該欠陥を複数の種類に分類する分類手段と、
過去の被検査物から検出された欠陥を観察した欠陥実績データと、当該被検査物を電気試験した結果のチップ単位の良否データとを対応付け、欠陥カテゴリ毎にグループ化したデータより、良品と不良品の割合を目的変数として、前記欠陥の観察画像より抽出した特徴量を説明変数とする欠陥カテゴリ毎の線形多項式を作成して登録する重要度予測式登録手段と、
前記特徴量抽出手段により抽出した特徴量と前記分類手段で分類した欠陥種類とを、前記登録されている該当する欠陥カテゴリの重要度予測式へ適用して、欠陥の重要度を予測する予測手段と、
該重要度に従って、前記観察画像をデータベースに伝送するか否かを選別する選別手段と
を備えたことを特徴とする欠陥分類装置。
【請求項２】
被検査物上の欠陥の画像を撮像し、欠陥を複数の種類に分類して、前記欠陥を解析する重要度を予測して、前記重要度を欠陥毎に対応づけて出力する欠陥分類装置であって、
薄膜プロセスを用いて製造される被加工物上に発生した欠陥の座標情報を検査装置より入力する手段と、
前記入力した各欠陥の観察用画像を前記座標情報に従って、前記被加工物上の欠陥を撮像する画像撮像手段と、
前記各画像に対して、画像処理により欠陥部位と背景を分離し、欠陥部位の特徴量、および背景の特徴量を抽出する特徴量抽出手段と、
前記抽出された特徴量を用いて、該欠陥を複数の種類に分類する分類手段と、
過去の被検査物から検出された欠陥を観察した欠陥実績データと、当該被検査物を電気試験した結果のチップ単位の良否データとを対応付け、欠陥カテゴリ毎にグループ化したデータより、良品と不良品の割合を目的変数として、前記欠陥の観察画像より抽出した特徴量を説明変数とする欠陥カテゴリ毎の線形多項式を作成して登録する重要度予測式登録手段と、
前記特徴量抽出手段により抽出した特徴量と前記分類手段で分類した欠陥種類とを、前記登録されている該当する欠陥カテゴリの重要度予測式へ適用して、欠陥の重要度を予測する予測手段と、
前記予測した重要度を欠陥毎に対応づけて出力する出力手段とを備えたことを特徴とする欠陥分類装置。
【請求項３】
前記重要度予測式登録手段が、
過去の被検査物から検出された欠陥を観察した欠陥実績データと、当該被検査物を電気試験した結果のチップ単位の良否データとを対応付け、欠陥カテゴリ毎にグループ化したデータより、良品と不良品の割合を目的変数として、前記欠陥の観察画像より抽出した特徴量を説明変数とする欠陥カテゴリ毎の多重ロジスティック回帰式を作成して登録することを特徴とする請求項１または請求項２に記載の欠陥分類装置。
【請求項４】
前記特徴量抽出手段が、
前記各画像に対して、画像処理により欠陥部位と背景を分離し、欠陥部位の特徴量、および背景の特徴量の他に、欠陥の位置も特徴量として抽出することを特徴とする請求項１または請求項２に記載の欠陥分類装置。
【請求項５】
前記予測手段が、
前記特徴量抽出手段により抽出した特徴量と前記分類手段で分類した欠陥種類とを、前記登録されている該当する欠陥カテゴリの重要度予測式へ適用して計算し、計算結果をシグモイド関数の変数へ代入して、欠陥の重要度を予測することを特徴とする請求項１または請求項２に記載の欠陥分類装置。
【請求項６】
前記特徴量は、画像から抽出される複数の特徴量に対して、主成分分析にて直交な状態に変換した特徴量であることを特徴とする請求項１乃至請求項５のいずれかの請求項に記載の欠陥分類装置。
【請求項７】
前記選別手段が、前記データベースに伝送する欠陥の数の上限の設定を受け付けることを特徴とする請求項１記載の欠陥分類装置。
【請求項８】
過去の被検査物から検出された欠陥を観察して得られた、欠陥の座標、画像から抽出される特徴量、欠陥の種類を有する欠陥実績データを入力するステップと、
当該被検査物を電気試験装置で判定して、良品ないしは不良品の情報を有する電気試験データを入力するステップと、
該欠陥実績データと該電気試験データをチップ毎に対応づけるステップと、
該欠陥種類ごとに対応づけたデータを抽出するステップと、
該抽出データに対して、該電気試験データを目的変数、該特徴量を説明変数としてロジスティック回帰分析を実行するステップと
を有することを特徴とする重要度予測式の作成方法。
【図１】
【図２】
【図３】
【図４】
【図５】
【図６】
【図７】
【図８】
【図９】
【図１０】
【図１１】
【図１２】
【図１３】
【図１４】
【図２】
【図３】
【図４】
【図５】
【図６】
【図７】
【図８】
【図９】
【図１０】
【図１１】
【図１２】
【図１３】
【図１４】
【公開番号】特開２０１２−１７３０１７（Ｐ２０１２−１７３０１７Ａ）
【公開日】平成２４年９月１０日（２０１２．９．１０）
【国際特許分類】
【出願番号】特願２０１１−３２７３９（Ｐ２０１１−３２７３９）
【出願日】平成２３年２月１８日（２０１１．２．１８）
【出願人】（５０１３８７８３９）株式会社日立ハイテクノロジーズ (4,325)
【Ｆターム（参考）】
【公開日】平成２４年９月１０日（２０１２．９．１０）
【国際特許分類】
【出願日】平成２３年２月１８日（２０１１．２．１８）
【出願人】（５０１３８７８３９）株式会社日立ハイテクノロジーズ (4,325)
【Ｆターム（参考）】
[ Back to top ]