TWI798329B - 基板之缺陷檢查裝置、基板之缺陷檢查方法及記錄媒體 - Google Patents

Abstract

本發明之課題在於提供一種技術，可基於拍攝基板所獲得之檢查對象的影像，而適當地分類基板的缺陷。 為解決上述課題，係針對拍攝基板所獲得之拍攝影像，藉由深度學習及二元分類部3獲得包含缺陷區域的二值化資料。從此二值化資料製作包含缺陷區域之矩形的彩色影像，並基於此影像而使用深度學習推定缺陷的種類。又，基於該二值化資料而求出缺陷區域的形狀等屬性及晶圓W上的位置，並基於該等資訊而使用規則庫推定缺陷的種類。接著，基於藉由深度學習所推定之推定結果及藉由規則庫所推定之推定結果而綜合判斷缺陷的種類。

Description

基板之缺陷檢查裝置、基板之缺陷檢查方法及記錄媒體

本發明係關於一種使用拍攝基板所獲得之影像資料來判斷在基板產生何種缺陷的技術。

半導體裝置製程中的光微影製程，係對基板亦即半導體晶圓(以下，記載為晶圓)之表面依序進行藉由塗佈光阻而進行之光阻膜的形成、該光阻膜的曝光及顯影，以形成光阻圖案。

接著，藉由檢查裝置對已完成一系列製程的晶圓W進行是否在晶圓表面形成良好的光阻圖案、及是否有損傷或異物附著等檢查。若將這些問題稱為缺陷，則缺陷會因應其產生原因而有各種態樣。因此，從半導體裝置之製造管理的觀點來看，需要求檢查裝置不僅要檢查在基板是否有缺陷，更要能知悉檢查到的缺陷為何種缺陷，亦即需具備掌握缺陷種類的功能。

檢查裝置係如以下所述構成：一邊使照明區域相對於載置有晶圓的載置台而相對地移動，一邊藉由例如CCD相機等拍攝該晶圓，並對拍攝到的影像進行處理以判斷有無缺陷及缺陷種類。

又，作為判斷缺陷種類的手法，吾人知悉使用稱為深度學習(Deep Learning)的手法。例如，專利文獻1中記載了基於拍攝基板所獲得之檢查對象的影像而計算缺陷的特徵量(缺陷的明暗、顏色等特徵、及幾何特徵)，並基於該等特徵量而使用類神經網路(Neural Network)等手法來分類缺陷。

藉由深度學習所進行之缺陷分類，雖藉由使用教導用資料而加以學習來進行，但在其學習不充分的情況下等，亦無法避免分類錯誤的情況產生。另一方面，由於半導體整合電路的生產率被要求進一步提高，因此要求更加確實地進行缺陷分類。

[習知技術文獻] [專利文獻]

專利文獻1：日本特開2009-238992號公報(段落0057~0060)

本發明係基於如此之情事所完成者，其目的在供一種技術，可基於拍攝基板所獲得之檢查對象的影像，而適當地分類基板的缺陷。

本發明為一種基板之缺陷檢查裝置，係基於拍攝基板所獲得之檢查對象亦即拍攝影像，而將在基板產生之缺陷加以分類，包含：第一儲存部，將缺陷分類判斷用的第一影像資料加以儲存，該第一影像資料，係從基於該拍攝影像而製作的影像截取，其包含產生有該缺陷的缺陷區域及該缺陷區域的周圍區域，並將像素值分配至該第一影像中的每個像素；第一推定部，基於儲存於該第一儲存部的第一影像資料，而使用深度學習推定缺陷的種類；第二儲存部，將缺陷分類推定用的第二影像資料加以儲存，該第二影像資料，係基於該拍攝影像而製作，並藉由二值化資料來表示產生有該缺陷之缺陷區域及該缺陷區域之周圍區域；第二推定部，基於從儲存於該第二儲存部的第二影像資料取得之缺陷區域的屬性，而使用規則為本的系統(rule-based system)來推定缺陷的種類；及綜合判斷部，基於藉由該第一推定部所推定出的缺陷種類及藉由該第二推定部所推定出的缺陷種類，而綜合判斷缺陷的種類。

本發明之另一發明為一種基板之缺陷檢查方法，係基於拍攝基板所獲得之檢查對象亦即拍攝影像，而將在基板產生之缺陷加以分類，其包含以下步驟：第一推定步驟，使用缺陷分類推定用之第一影像資料，並基於該第一影像資料，而使用深度學習推定缺陷的種類。該第一影像資料，係從基於該拍攝影像而製作的影像截取，其包含產生有該缺陷的缺陷區域及該缺陷區域的周圍區域，並將像素值分配至該第一影像中的每個像素； 第二推定步驟，使用缺陷分類推定用之第二影像資料，並基於從該第二影像資料取得之缺陷區域的屬性，而使用規則為本的系統來推定缺陷的種類。該第二影像資料，係基於該拍攝影像而製作，並藉由二值化資料來表示產生有該缺陷之缺陷區域及該缺陷區域之周圍區域；及綜合判斷步驟，基於藉由該第一推定步驟所推定出的缺陷種類及藉由該第二推定步驟所推定出的缺陷種類而綜合判斷缺陷的種類。

本發明之另一發明為一種記錄媒體，係儲存用在基於拍攝基板所獲得之檢查對象亦即拍攝影像，而將在基板產生之缺陷加以分類之裝置的軟體；該軟體具備：包含用於執行本發明之基板之缺陷檢查方法的命令群的程式。

本發明係基於第一影像資料，而使用深度學習推定缺陷的種類，該第一影像資料，係基於拍攝基板所獲得之拍攝影像而製作，包含缺陷區域及周圍區域，並將與明暗對應的像素值(灰值)分配至該第一影像中的每個像素。又，基於從第二影像資料所取得之缺陷區域的屬性，而使用規則為本的系統來推定缺陷的種類，該第二影像，係藉由二值化資料來表示基於拍攝影像而製作的影像中產生之缺陷的缺陷區域及周圍區域。接著，基於藉由深度學習而推定的推定結果及藉由規則為本的系統而推定的推定結果，來判斷缺陷的種類。因此，可高精度地判斷產生於基板之缺陷的種類。

2:特徵區域取出部

3:二元分類部

4:第一推定部

5:缺陷候選對象輸出部

6:第二推定部

7:綜合判斷部

11:拍攝影像

12:第一前處理部

20:輸入影像

21~23:卷積層

21a、22a:池化層

24:結合層

30:二值化資料

40:第二前處理部

41:選擇部

50:偏差輸出部

51:像素

52:節點

61:屬性取出部

62:缺陷位置偵測部

63:規則為本的系統

71:顯示部

90:匯流排

91:CPU

92~94:儲存部

95:操作畫面

101:載具

102:光阻膜形成模組

103:顯影模組

104:拍攝模組

801:框體

802:載置台

803:搬運口

804:引導部

805:半反射鏡

806:照明部

807:拍攝部

A1:載具區塊

A2:中間區塊

A3:處理區塊

A4:介面區塊

A5:曝光機

F1~F3、Fm:濾波片

f1~f3:像素值

Sa、Sb、S1~S6、T1~T6:閾值

P1~P6:缺陷位置

W:晶圓

圖1係概略地顯示本發明所適用之塗佈顯影裝置之全體的構成圖。

圖2係為了取得晶圓表面的影像而設於該塗佈顯影裝置的拍攝模組。

圖3係顯示本發明之基板之缺陷檢查裝置之實施態樣之概略的說明圖。

圖4係顯示將本發明之基板之缺陷檢查裝置之實施態樣中的構成及資料的流程加以組合的說明圖。

圖5係顯示使用於上述實施態樣之特徵區域取出部之構成形象的說明圖。

圖6係顯示藉由使用於上述實施態樣之二元分類部而獲得之輸出結果，亦即使缺陷區域與輸入至特徵區域取出部之影像區域對應的說明圖。

圖7(a)~(c)係顯示將從包含藉由二元分類部而獲得之缺陷區域之影像所截取的截取影像作為包含缺陷區域之矩形影像的說明圖。

圖8係顯示使用於上述實施態樣之缺陷候選對象輸出部之構成形象的說明圖。

圖9係顯示本發明之基板之缺陷檢查裝置之實施態樣之構成的構成圖。

圖10係顯示將藉由綜合判斷而判斷出之缺陷種類與晶圓上的位置相對應而顯示之顯示畫面之一例的說明圖。

圖11(a)~(d)係示意地顯示缺陷之具體例的說明圖。

本發明之基板之缺陷檢查裝置係適用於例如進行光阻塗佈、曝光後之顯影的塗佈顯影裝置，其藉由導入設於塗佈顯影裝置內的拍攝模組所拍攝之晶圓的影像以進行缺陷檢查。

首先，參照概略圖亦即圖1說明塗佈顯影裝置之一例。塗佈顯影裝置係在水平方向上將載具區塊A1、中間區塊A2、處理區塊A3及介面區塊A4依照此順序而連接成直線狀。曝光機A5與介面區塊A4連接。收納有基板亦即晶圓W之載具101係藉由未圖示之載具搬運機構搬運而載置於載具區塊A1。在處理區塊A3設有：光阻膜形成模組102，將光阻供給至基板亦即晶圓W之表面而形成光阻膜；及顯影模組103，將顯影液供給至已在曝光機A5沿既定圖案曝光之光阻膜，而形成光阻圖案。在中間區塊A2係顯示拍攝模組104，其拍攝已顯影之晶圓W的整體表面。又，所謂此晶圓W的整體表面，較佳係半導體元件所形成之區域的整體表面。

各區塊A1~A4包含未圖示之晶圓搬運機構。收納於載具101的晶圓W係藉由晶圓搬運機構取出，而依照中間區塊A2→光阻膜形成模組102→介面區塊A4→曝光機A5→介面區塊A4→顯影模組103→拍攝模組104的順序搬運，再回到載具101。圖1中虛線的箭頭係表示晶圓W的搬運路徑。藉由如此搬運晶圓W而在晶圓W之表面形成光阻圖案，其後，在拍攝模組104進行晶圓W之整體表面的拍攝。

如圖2所示，拍攝模組104包含框體801，在框體801內設有載置台802，其吸附晶圓W之背面側中央部且水平地固持晶圓W。圖中803係在框體801側方形成開口之晶圓W的搬運口。在框體801內，若將搬運口803所形成開口之一側作為前側，則載置台802可在前側與後側之間自由地水平移動。圖中804係用於此載置台802之水平移動的引導部，其從前側往後側延伸。

在引導部804上設有在框體801內左右延伸之橫向較長的半反射鏡805，此半反射鏡805係在側面觀察下以相對於該引導部804之延伸方向而為傾斜的方式設置。又，在半反射鏡805的上方設有透過該半反射鏡805而朝下方照射光的照明部806。在半反射鏡805的後側設有例如由CCD相機所構成的拍攝部807。來自照明部806的照明係通過半反射鏡805，而照射至半反射鏡805下方的照射區域。接著，此照射區域中的物體的反射光會藉由半反射鏡805反射而進入至拍攝部807。亦即，拍攝部807可拍攝位於半反射鏡805下方的物體。接著，當晶圓W在半反射鏡805下方沿著引導部804從前側朝後側移動時，拍攝部807可進行間歇拍攝，以拍攝晶圓W的整體表面而製作晶圓整體表面的影像資料。

在以下的說明中，為了避免用語混亂，因此將在拍攝部807所拍攝到之晶圓W之整體表面的影像資料稱為拍攝影像。

接著，說明本發明之基板之缺陷檢查裝置及基板之缺陷檢查方法的實施態樣。本發明之實施態樣的概要，係基於拍攝影像而取得包含缺陷區域之缺陷分類判斷用的兩種(第一及第二)影像資料，並基於第一影像資料而以第一推定手法推定缺陷的種類，又，基於第二影像資料而以第二推定手法推定缺陷的種類，再基於兩個推定結果而綜合判斷缺陷的種類。

圖3係顯示本發明之實施態樣之概要的說明圖，將第一影像資料輸入至第一推定部4，而在第一推定部4推定第一影像資料所包含之缺陷的種類。第一推定部係由包含在之後詳述之深度學習的系統(軟體)所構成。第一影像資料係從拍攝影像處理後之影像所截取成矩形的影像資料，其包含產生有缺陷之缺陷區域及該缺陷區域之周圍區域。第一影像資料可為黑白的影像資料，亦可為彩色的影 像資料，在以下的實施態樣中，係以彩色的影像資料，亦即將R成分、G成分、B成分的各像素值分配至影像中的每個像素的影像資料作為例子。

更具體地說明，第一影像資料係在拍攝影像中例如包含有與複數缺陷分別對應之複數缺陷區域時，以僅包含複數缺陷區域中的一個缺陷區域的方式，包含該缺陷區域及其周圍區域之矩形的影像資料。又，儘管實際上亦有在同一部位產生複數缺陷的情況，但所謂「僅包含一個缺陷區域」，係指在軟體中識別為一個缺陷區域的區域。

又，第二影像資料係藉由二值化資料來表示產生有缺陷的缺陷區域及該缺陷區域之周圍區域的影像資料。第二推定部6係基於從第二影像資料所取得之缺陷區域的屬性以及晶圓W上之缺陷區域的位置，而使用規則為本的系統來推定缺陷的種類。

藉由第一影像資料所構成之缺陷區域與藉由第二影像資料所構成之缺陷區域必需在拍攝影像中為同一區域。

7為綜合判斷部，係基於藉由第一推定部4所推定出的缺陷種類及藉由第二推定部6所推定出的缺陷種類而綜合判斷缺陷的種類。71為顯示部，係顯示在綜合判斷部7所綜合判斷出的缺陷種類。

圖4係顯示將本發明之實施態樣中的全體構成及資料的流程加以組合的說明圖。基於圖4說明第一影像資料及第二影像資料的製作及影像資料的處理。11為在拍攝部807(參照圖2)所拍攝到之包含晶圓W之整體表面的拍攝影像，此拍攝 影像11係將R(紅)成分，G(綠)成分，B(藍)成分的各像素值(受光強度)分配至每各像素(畫素)。此拍攝影像11係在第一前處理部12進行例如對比增強處理。

對比增強處理係為了易於從拍攝影像11中取出缺陷區域而增強從R成分、G成分、B成分所選出之成分的處理，例如，係針對所選出之成分對於既定範圍大小的像素值使其增加既定值的份量之處理。

特徵區域取出部2係由執行深度學習的軟體所構成。作為深度學習係使用例如卷積類神經網路，參照圖5說明此情況的處理。圖5係為了避免說明及圖示的複雜化，而非常示意地記載卷積類神經網路的圖式。20為在第一前處理部12所獲得之輸入影像(亦可稱為前處理後的拍攝影像)，21、22、23為卷積層，21a、22a為池化層，24為結合層。卷積層21~23係將複數濾波片加以層疊，以卷積層21為代表係將濾波片F1、F2...的配置作為圖像而顯示。

首先，為了容易理解，係將在第一前處理部12所獲得之輸入影像20設為係由縱橫n×n的像素所構成的灰階，並將該輸入影像20輸入至前段卷積層21中之最前列的由n×n像素所構成之濾波片F1。輸入影像20的像素值可為正規化處理後的值，亦可為標準化處理後的值，即「0」~「1」的數值。若將輸入影像之像素(i，j)的像素值設為x(i，j)，則濾波片F1的畫素亦即像素(i，j)的像素值係與x(i，j)為相同值，該像素值記載為f1(i，j){=x(i，j)}。又，(i，j)係指在n×n的像素中，i行、j列的像素。濾波片的像素亦可稱為節點。

濾波片F2中之像素(i，j)的像素值{f2(i，j)}係將既定係數累計至濾波片F1中之n×n之各像素(1，1)~(n，n)的像素值，並將所有獲得之累計值相加而得到加總值I，再藉由對此加總值I進行既定運算而獲得該像素值{f2(i，j)}。所謂既定係數，係藉由學習每一個濾波片F1之像素與濾波片F2之像素的組合而設定的值。更詳而言之，係藉由重複教導(附正確解答標籤)學習而設定。

又，既定運算可列舉例如，使用將該加總值I作為輸入的S型函數(sigmoid function)的運算。如此進行卷積處理，可求出濾波片F2中之n×n之各像素(1，1)~(n，n)的像素值。

濾波片F3中的像素值亦即f3(i，j)亦使用濾波片F2中之各像素的像素值而進行相同的計算，並依序以相同的方式計算各濾波片中的像素值，而求出最終層之濾波片Fm中的各像素值。

由於卷積層21與下一層的卷積層22之間夾設池化層21a，故卷積層22之像素數小於卷積層21的像素數。池化層21a係進行像素的細化處理的部分，例如，如圖5之形象所示，將卷積層21之最終層濾波片Fm中的像素群中，彼此鄰接而構成正方形的例如2×2的像素群加以整合而作為一個像素。此情況下，將例如2×2的像素群中的最大值分配作為一個像素的像素值，換言之，係排除最大值的像素以外的像素，例如，若對於27×27的像素群進行如此之細化處理，則會成為13×13的像素群。

在卷積層22、23的各濾波片間進行同樣的運算。到目前為止的說明係將輸入影像20的像素作為灰階而進行處理，但在將R成分、G成分、B成分的各像素 值分配至輸入影像20之像素的情況下，卷積層21、22、23，池化層21a、22a及結合層24的組合係各設於R成分、G成分、B成分，例如，在將上述的組合各設一組於R成分、G成分、B成分，合計存在三組的情況下，運算處理係在各該等三組中並列進行。又，R成分、G成分、B成分的各像素值為例如正規化或是標準化後的0~1的值。

如此之運算處理係將特徵部分從輸入影像20分離取出的處理(卷積處理)，具體而言，係偵測形成於濾波片之明暗圖案位於輸入影像的哪個位置的處理。又，若以另一種方式說明，運算處理可謂係使用濾波片而從輸入影像20取出濾波片所表示之特徵部分的處理。

回到圖4，二元分類部3係基於特徵區域取出部2的處理結果，而判斷輸入影像20之各像素是否為相當於缺陷的像素(缺陷像素：黑像素)，或相當於不相當於缺陷之正常部位的像素(白像素)。具體而言，二元分類部3係基於藉由在特徵區域取出部2所獲得到之輸入影像20之各像素中的複數特徵向量所構成之向量空間分布，而判斷各像素是否為缺陷像素。此處所謂之特徵向量，係針對構成卷積層21~23之所有的濾波片，與輸入影像20之各像素對應之像素的像素值。因此，針對輸入影像20之各像素，二元分類部3係基於與其像素對應之所有濾波片之像素值的配置分布，而判斷該像素係缺陷像素或是正常部位的像素。

二元分類部3可列舉例如執行SVM(Support Vector Machine：支援向量機)的軟體等。

將二元分類部3的輸出結果之一例顯示於圖6。圖6中正方形的區域係對應於以n×n的像素群所構成之輸入影像20的區域，D係表示缺陷區域(僅附上兩處缺陷區域D作為代表)。缺陷區域D係例如缺陷像素亦即黑像素的集合體，但在圖6中係以反白顯示。圖6所示之影像資料係相對於圖4所示之二值化後的影像資料(稱為「二值化資料30」)。又，二值化資料30係相當於圖3所示之第二影像資料。

在圖4中，40為第二前處理部，5為使用深度學習的缺陷候選對象輸出部，41為選擇部，缺陷候選對象輸出部5及選擇部41構成圖3所示之第一推定部4。

在第二前處理部40中，係基於二值化資料30，而進行在圖3之說明處所詳述之製作第一影像資料的處理。亦即，在此實施態樣中，缺陷分類判斷用的第一影像資料係基於缺陷分類判斷用的第二影像資料及輸入影像20而製作。如前所述，第一影像資料係包含一個缺陷區域及該缺陷區域之周圍區域的矩形影像資料，並將R成分、G成分、B成分的各像素值分配至該第一影像中的每個像素，R成分、G成分、B成分的各像素值例如為正規化或是標準化後的0~1的值。圖7係顯示在第二前處理部40所獲得之第一影像資料之一例的說明圖。

缺陷候選對象輸出部5係由執行深度學習的軟體所構成，例如，使用在特徵區域取出部2所說明的卷積類神經網路。接著，使缺陷候選對象輸出部5與圖5對應而進行說明，位於結合層24之後段的輸出層(輸出層未記載於圖5)係由與各缺陷種類對應的節點所構成。例如，若欲偵測的缺陷種類為十個，則節點的數量亦為十個。結合層24的像素值與從各節點輸出的值的關係，概略而言係與「在圖5說明之例如濾波片F2之各像素的像素值與濾波片F3之各像素的像素值的關 係」相同(係數、函數係與圖5的情況不同)。亦即，結合層之各像素的像素值係經過既定運算而累計，並將所有該累計值的加總值輸出至各節點，各節點係對該加總值進行既定運算而輸出。

圖8係示意地顯示構成缺陷候選對象輸出部5之類神經網路之輸出層的說明圖，在此例中，結合層的像素數為k個，輸出層的節點數為十個。51-1~51-k係表示結合層的像素，52-1~52-10係表示輸出層的節點，缺陷(1)~(10)係表示缺陷的種類(類別)。50為將加總至該累計值之偏差值輸出的偏差輸出部。

各節點52-1~52-10係分別與十種類的缺陷對應，並且，從各節點52-1~52-10所輸出的輸出值(運算值)為0~1的值。此輸出值係表示在缺陷候選對象輸出部5中於候選對象所列舉出之缺陷的正確程度的數字，「1」係表示據類神經網路推定為100%，「0」係表示不可能作為缺陷的候選對象。例如，若節點52-1的輸出值為「0.8」，則表示缺陷種類為與該節點52-1對應之缺陷種類的概率為80%。

如此，若藉由類神經網路(缺陷候選對象輸出部5)而求出缺陷種類的候選對象及可謂係表示正確程度之概率的分數，則可基於缺陷種類的候選對象及分數，藉由圖4所示之選擇部41選擇作為第一推定部4所推定的缺陷種類，並將其選擇結果作為判斷結果而輸出。

作為第一推定部4中之判斷步驟的具體例，係說明將「甜甜圈痕」、「熱點」、「慧星痕」三種列舉為類神經網路中缺陷種類的候選對象的情況。又，關於缺陷的種類為何種缺陷，包含該等三種缺陷，皆會在之後詳細敘述。

又，在選擇部41中的選擇手法係在第一候選對象之分數在閾值Sa(例如為0.9)以上，且第一候選對象之分數與第二候選對象之分數的差在閾值Sb(例如為0.25)以上時，選擇第一候選對象作為推定結果。

<案例1>

第一候選對象=甜甜圈痕(分數為0.92)

第二候選對象=熱點(分數為0.64)

第三候選對象=慧星痕(分數為0.46)

此情況下，第一候選對象的分數在閾值Sa(0.9)以上。接著，由於第一候選對象與第二候選對象的差為0.28在閾值Sb(0.25)以上，故將「甜甜圈痕」作為推定結果而輸出。

<案例2>

第一候選對象=甜甜圈痕(分數為0.92)

第二候選對象=熱點(分數為0.88)

第三候選對象=慧星痕(分數為0.46)

此情況下，第一候選對象的分數雖在閾值Sa(0.9)以上，但由於第一候選對象與第二候選對象的差為0.04低於閾值Sb(0.25)，故將「無法分類」作為推定結果而輸出。

<案例3>

第一候選對象=甜甜圈痕(分數為0.84)

第二候選對象=熱點(分數為0.55)

第三候選對象=慧星痕(分數為0.43)

此情況下，雖然第一候選對象與第二候選對象的差為0.29在閾值Sb(0.25)以上，但由於第一候選對象的分數低於閾值Sa(0.9)，故將「無法分類」作為推定結果而輸出。

選擇手法並不限定於上述的例子，例如，亦可為僅藉由第一候選對象與第二候選對象的差是否在閾值以上而將第一候選對象的缺陷分類設為輸出或是無法分類這樣的手法。

再者，第一推定部4亦可不進行藉由選擇部41而進行之選擇處理，而係藉由類神經網路(缺陷候選對象輸出部5)在輸出之缺陷種類的候選對象中，將第一候選對象(分數最大的候選對象)作為推定結果。

回到圖4，第二推定部6係基於第二影像資料亦即二值化資料，而一個一個依序將缺陷區域取出，並針對各缺陷區域求出其屬性及其在晶圓W上之缺陷區域的位置(位置資訊)，再將該屬性及位置與預先製作好的規則庫(Rule base)進行對照，而推定每個缺陷區域的缺陷種類。因此，第二推定部6包含：屬性取出部，取出缺陷區域的屬性；缺陷位置偵測部，偵測在晶圓W上之缺陷區域的位置；及規則為本的系統。所謂缺陷區域的屬性例如：形狀、面積、長度尺寸、寬度尺寸、周長、延伸的方向及灰值的平均值等。所謂缺陷區域的形狀可列舉缺陷區域的圓度及周圍的不規則程度等。

在以下記載關於缺陷區域的長度尺寸等的求取方法之一例。

‧所謂缺陷區域的長度尺寸係相當於等效橢圓形之長軸的長度。長軸之長度的求取方法如下所述。

首先，求出缺陷區域之X方向的重心Gx，Y方向的重心Gy，接著，求出X軸方向的變異數Ax(針對每個像素將X座標位置與重心Gx的差異量平方，並將此值加總後的值)，Y軸方向的變異數Ay，XY軸的共變異數Axy((針對每個像素將X座標位置與重心Gx的差異量及Y座標位置與重心Gy的差異量加以累計，並將累計值加總後的值)。長軸之長度係藉由下式求出。

長軸之長度=2^1/2×[Ax+Ay+{(Ax-Ay)²+4Axy²}^1/2]^1/2

‧所謂缺陷區域的寬度尺寸例如相當於等效橢圓形之短軸的長度。短軸之長度係藉由下式求出。

短軸之長度=2^1/2×[Ax+Ay-{(Ax-Ay)²+4Axy²}^1/2]^1/2

‧所謂缺陷區域之延伸的方向係等效橢圓形之長軸延伸的方向。

‧所謂缺陷區域的圓度例如係以4π×(缺陷區域的面積)/(缺陷區域的周長)²所表示的值。

‧所謂缺陷區域之周圍的不規則程度例如為(缺陷區域的面積)/(缺陷區域之凸包的面積)。所謂凸包的面積，係將缺陷區域的像素全部包含之最小的凸多角形的面積。又，所謂晶圓W上之缺陷區域的位置(位置資訊)例如為晶圓W上的座標位置及/或距晶圓W之中心的距離。

規則為本的系統，例如包含對每個缺陷種類加以定義的規則(條件式)，並藉由將缺陷區域的屬性及位置與規則對照而推定缺陷的種類。

於以下記載規則的例子。

在缺陷為「甜甜圈痕」的情況下，

IF(到中心的距離為閾值S1到S2之間)

且IF(面積為閾值S3到S4之間)

且IF(圓形度為閾值S5~S6之間)

→缺陷的種類為甜甜圈痕。

在缺陷為「熱點」的情況下，

IF(面積為閾值T1到T2之間)

且IF(圓形度為閾值T3到T4之間)

且IF(灰值的平均值為閾值T5到T6之間)

→缺陷的種類為熱點。

同樣地，其他缺陷亦以IF(...)且IF(...)且...→缺陷的種類為○○○，這樣的條件界定。

接著，例如若缺陷的種類為十個，而與十個缺陷對應的條件式為條件式1~條件式10，則規則為本的系統係基於針對作為推定對象之缺陷區域所偵測到屬性及位置，而判斷是否與條件式1~10匹配。接著，若有匹配之條件式，則將與其條件式對應之缺陷種類作為推定結果，若未有匹配之條件式則作為無法分類而處理。又，藉由預先決定條件式的優先順序，而在匹配之條件式複數存在的情況下，將與優先順序高之條件式對應的缺陷種類作為推定結果。

回到圖4，7為綜合判斷部，綜合判斷部7係基於使用深度學習之第一推定部4的推定結果及使用規則為本的系統之第二推定部6的推定結果，而針對缺陷的 種類進行綜合判斷。所謂綜合判斷，係對於作為判斷對象的缺陷區域為何種缺陷進行最後判斷。在綜合判斷的說明中，為了方便將第一推定部4的推定結果稱為DL(深度學習)分類，將第二推定部6的推定結果稱為規則為本的分類。

於以下列舉綜合判斷手法之一例。

‧在DL分類與規則為本的分類為相同的情況下，直接將推定結果作為判斷結果而採用。

‧關於要採用DL分類及規則為本的分類中之哪一個的推定結果，係對每個缺陷種類設定其優先順序，並在DL分類與規則為本的分類不同的情況下，依照優先順序而輸出判斷結果。

‧由於DL分類根據事前學習會大幅顯響其精度，故針對學習不足之缺陷分類推定的DL分類，係降低其優先度(使規則為本的分類優先)，而針對充分學習之缺陷分類推定之DL分類，係提高其優先度(使DL分類優先)。

為了實施如此之判斷手法，例如可使用表1所示之優先度矩陣表。

若藉由綜合判斷部7基於表1而針對作為判斷對象之缺陷區域的缺陷種類進行判斷，則判斷結果係顯示於顯示部71。關於判斷結果的顯示及缺陷種類的具體例，係於後述之功能說明中敘述。

於圖9顯示與圖4之方塊圖對應之電腦中的構成。90為匯流排，91為CPU。第一前處理部12、特徵區域取出部2、二元分類部3、第二前處理部40、第一推定部4、第二推定部6及綜合判斷部7在圖9所示之中，係相當於內儲用於執行各前述處理之軟體的內儲部。針對第二推定部6，係將各符號61、62、63分配至前述之屬性取出部，缺陷位置偵測部及規則為本的系統而顯示。規則為本的系統63包含使用前述之規則(條件式)而進行推測的推測引擎。

92、93、94為儲存部，儲存部92係將拍攝影像、及在第一前處理部12進行前處理後的資料加以儲存。儲存部93係將第一影像資料及第二影像資料加以儲存，並兼作為第一儲存部及第二儲存部。儲存部94係將藉由第一推定部4而推定之推定結果及藉由第二推定部6而推定之推定結果加以儲存。95為電腦的操作畫面，並兼作為顯示部71。

前述之各軟體係儲存於例如軟性磁碟、光碟、硬碟、MO(磁光碟)及記憶卡等記錄媒體，再從記錄媒體安裝至各內儲部(12、2、3、40、4、6、7)。

接著，針對依基板之缺陷檢查裝置及基板之缺陷檢查方法之上述實施態樣的整體功能，以圖4的說明為中心進行總結敘述。

在拍攝部807所拍攝到之基板亦即晶圓W整體的影像(拍攝影像)係在第一前處理部12進行增強處理及縮小處理而成為使用深度學習之特徵區域取出部2的輸入影像20(參照圖5)。在特徵區域取出部2中進行卷積處理，針對輸入影像20之各像素獲得其在濾波片上對應之像素的像素值。接著藉由二元分類部3，根據與輸入影像20之各像素對應的濾波片之像素值的群中之像素值的配置分布，而判斷該像素是否為缺陷像素，進而獲得二值化資料(第二影像資料)(參照圖6)。

二值化資料係在第二前處理部40進行前處理。亦即，基於二值化資料與已藉由第一前處理部12進行完前處理之拍攝影像(輸入影像20)，而獲得包含一個缺陷區域的矩形影像，亦即包含R成分、G成分、B成分之像素值的影像(第一影像資料)。在第一推定部4中係基於此第一影像，而使用深度學習獲得將「與缺陷區域對應之缺陷種類的候選對象」和「表示正確程度之數值」相對應的資料，並基於此資料而輸出缺陷種類的推定結果。

另一方面，在第二推定部6中，係求出該一個缺陷區域之屬性及晶圓W上的位置，並基於該等資訊，而使用規則庫推定與該缺陷區域對應之缺陷的種類。在綜合判斷部7中，係基於第一推定部4的推定結果及第二推定部6的推定結果，並參照表1之優先度矩陣表，而綜合判斷缺陷的種類。

在二值化資料包含複數缺陷區域的情況下，係在第一推定部4及第二推定部6針對該等缺陷區域而一個一個依序進行推定，並基於各推定結果而進行綜合判斷。圖10係顯示在顯示部71所顯示之綜合判斷結果之一例。圖10中，P1~P6係表 示例如拍攝影像中之晶圓上的缺陷位置，並在晶圓W之輪郭的旁邊顯示與各P1~P6對應之缺陷的種類。

此處，事先於以下針對缺陷的種類及其缺陷的狀態(或是原因)舉例。

刮痕：晶圓W表面上的刮傷。

慧星痕：對晶圓W之表面旋轉塗佈光阻(旋轉塗佈處理)時，在滴入之光阻液中具有氣泡的情況下等所產生之塗佈不均勻的部位，該部位與周圍相比，其膜厚有較薄的傾向。

電弧痕：在電漿處理中，如雷擊之放電現象產生於晶圓表面(或是背面)，而導致表面如燒焦的缺陷。

甜甜圈痕：對晶圓W之表面旋轉塗佈光阻(旋轉塗佈處理)時，在光阻噴嘴的位置從晶圓W之旋轉中心位置錯開的情況下所產生的缺陷。

熱點：起因於在曝光機中失焦的缺陷，亦即在曝光機內的晶圓平台與晶圓背面之間夾設有異物的情況下所產生。

圖11係代表四個缺陷種類並將其狀態以圖式表示者，分別顯示(a)為慧星痕、(b)為刮痕、(c)為熱點、(d)為電弧痕。在圖11中框內的縱橫線為切割道。

上述的實施態樣係藉由將「藉由深度學習而進行之缺陷分類推定」及「藉由將缺陷區域的屬性及晶圓W上的位置列入考慮之規則庫而進行之缺陷分類推定」加以組合，以判斷缺陷的種類。因此，能以高精度判斷產生於晶圓W之缺陷的種類。又，由於二值化資料亦基於拍攝影像而使用深度學習加以製作，故 可藉由進行充分的學習，而以高精度取出缺陷區域，就此點而言，缺陷種類的判斷精度亦會較高。

事先於以下記載本發明之變形例。

如在基板之缺陷檢查裝置之實施態樣的一開始中所記載，本發明亦可藉由黑白相機拍攝基板而獲得拍攝影像。此情況下，圖5所示之輸入影像20及圖4所示之第二前處理輸出部40的輸出資料亦即第一影像資料為黑白影像，可與彩色影像同樣地使用每個像素的像素值(灰值)而進行相同的處理。

又，即使拍攝影像為彩色影像，亦可使用R成分、G成分、B成分中的任一成分或是兩個成分而製作輸入影像20及第一影像資料，並基於該等影像而進行處理。

規則為本的系統在上述的例子中，係基於針對作為推定對象之缺陷區域所偵測到之屬性及位置而製作條件式，但亦可不使用位置而僅使用屬性製作條件。又，作為用於條件式之缺陷區域的屬性亦可為：形狀、面積、長度尺寸、寬度尺寸、周長及延伸之方向中的至少一者。例如，在對於每個缺陷種類所製作的條件式中，亦可僅包含缺陷區域的形狀。

相當於第二影像資料的二值化資料並不限定於如上述之實施態樣所製作者，例如，亦可為使用閾值而對拍攝影像之每個像素所表示之各R成分、G成分、B成分的受光強度(明暗程度)的值進行二值化所製作的資料。

又，作為在特徵區域取出部2及缺陷候選對象輸出部5所使用的深度學習，並不限於卷積類神經網路，亦可為其他深度學習。

2‧‧‧特徵區域取出部

3‧‧‧二元分類部

4‧‧‧第一推定部

5‧‧‧缺陷候選對象輸出部

6‧‧‧第二推定部

7‧‧‧綜合判斷部

11‧‧‧拍攝影像

12‧‧‧第一前處理部

30‧‧‧二值化資料

40‧‧‧第二前處理部

41‧‧‧選擇部

71‧‧‧顯示部

Claims (12)

1. 一種基板之缺陷檢查裝置，係基於拍攝基板所獲得之檢查對象亦即拍攝影像，而將產生於基板之缺陷加以分類，包含：特徵區域取出部，使用深度學習進行運算處理，該深度學習具備包含複數濾波片之複數卷積層，該複數濾波片係以與該拍攝影像對應而將像素值分配至每個像素之拍攝影像資料作為輸入資料，並分別將複數像素配置成矩陣狀；二元分類部，使用將「在各該等複數卷積層藉由卷積處理所獲得之像素」與「卷積處理結果亦即運算值」兩者相對應的資料，並基於每個像素之該等複數卷積層之運算值的配置分布，而分類該像素係與缺陷對應之像素或係與正常部位對應之像素，以獲得將該拍攝影像資料的全部區域藉由二值化資料表示為「產生有該缺陷的缺陷區域」及「該缺陷區域的周圍區域」之影像資料；第二前處理部，基於藉由該二值化資料所表示的該影像資料及該拍攝影像資料，製作缺陷分類判斷用的第一影像資料，該第一影像資料，係從該拍攝影像資料截取，其包含產生有該缺陷的缺陷區域及該缺陷區域的周圍區域，並將像素值分配至該第一影像中的每個像素；第一推定部，基於該第一影像資料，而使用深度學習推定缺陷的種類；第二推定部，若將藉由該二值化資料所表示的該影像資料稱為缺陷分類判斷用的第二影像資料，則基於從該第二影像資料所取得的缺陷區域的屬性，而使用規則為本的系統來推定缺陷的種類；及綜合判斷部，基於藉由該第一推定部所推定出的缺陷種類及藉由該第二推定部所推定出的缺陷種類，而綜合判斷缺陷的種類。
2. 如請求項第1項所述之基板之缺陷檢查裝置，其中，該第一推定部係基於該第一影像資料，而使用深度學習推定缺陷種類的候選對象，並取得將推定出之缺陷種類的複數候選對象與表示各候選對象之正確程度之數值相對應的資料，再基於此資料而推定缺陷的種類。
3. 如請求項第1或2項所述之基板之缺陷檢查裝置，其中，該第二推定部係基於該缺陷區域的屬性及位置，而使用規則為本的系統來推定缺陷的種類。
4. 如請求項第1或2項所述之基板之缺陷檢查裝置，其中，該缺陷區域的屬性為：形狀、面積、長度尺寸、寬度尺寸、周長及延伸之方向中的至少一者。
5. 如請求項第4項所述之基板之缺陷檢查裝置，其中，該缺陷區域的屬性包含形狀，該形狀包含該缺陷區域的圓形度及周圍的不規則程度。
6. 如請求項第1或2項所述之基板之缺陷檢查裝置，其中，該第一影像資料係將R成分、G成分、B成分的各像素值分配至該第一影像中的每個像素。
7. 如請求項第1或2項所述之基板之缺陷檢查裝置，其中，該綜合判斷部在以該第一推定部所推定出之缺陷種類與以該第二推定部所推定出之缺陷種類不同時，係基於決定好使哪個推定結果優先之規則而進行判斷。
8. 一種基板之缺陷檢查方法，係基於拍攝基板所獲得之檢查對象亦即拍攝影像，而將產生於基板之缺陷加以分類，其包含以下步驟：運算處理步驟，使用深度學習進行運算處理，該深度學習具備包含複數濾波片之複數卷積層，該複數濾波片係以與該拍攝影像對應而將像素值分配至每個像素之拍攝影像資料作為輸入資料，並分別將複數像素配置成矩陣狀；影像資料獲得步驟，使用將「在各該等複數卷積層藉由卷積處理所獲得之像素」與「卷積處理結果亦即運算值」兩者相對應的資料，並基於每個像素之該等複數卷積層之運算值的配置分布，而分類該像素係與缺陷對應之像素或係與正常部位對應之像素，以獲得將該拍攝影像資料的全部區域藉由二值化資料表示為「產生有該缺陷的缺陷區域」及「該缺陷區域的周圍區域」之影像資料；第一影像資料製作步驟，基於藉由該二值化資料所表示的該影像資料及該拍攝影像資料，製作缺陷分類推定用的第一影像資料，該第一影像資料，係從該拍攝影像資料截取，其包含產生有該缺陷的缺陷區域及該缺陷區域的周圍區域，並將像素值分配至該第一影像中的每個像素；第一推定步驟，基於該第一影像資料，而使用深度學習推定缺陷的種類；第二推定步驟，若將藉由該二值化資料所表示的該影像資料稱為缺陷分類判斷用的第二影像資料，則基於從該第二影像資料所取得之缺陷區域的屬性，而使用規則為本的系統來推定缺陷的種類；及 綜合判斷步驟，基於以該第一推定步驟所推定出的缺陷種類及以該第二推定步驟所推定出的缺陷種類，而綜合判斷缺陷的種類。
9. 如請求項第8項所述之基板之缺陷檢查方法，其中，該第一推定步驟係使用深度學習而推定缺陷種類的候選對象，並取得將推定出之缺陷種類的複數候選對象與表示各候選對象之正確程度的數值相對應的資料，再基於此資料而推定缺陷的種類。
10. 如請求項第8或9項所述之基板之缺陷檢查方法，其中，該第二推定步驟係基於該缺陷區域的屬性及位置，而使用規則為本的系統來推定缺陷的種類。
11. 如請求項第8或9項所述之基板之缺陷檢查方法，其中，該缺陷區域的屬性為：形狀、面積、長度尺寸、寬度尺寸、周長及延伸之方向中的至少一者。
12. 一種記錄媒體，儲存有軟體，該軟體係用在基於拍攝基板所獲得之檢查對象亦即拍攝影像，而將產生於基板之缺陷加以分類之裝置；該軟體具備：包含用於執行如請求項第8至11項中任一項之基板之缺陷檢查方法之命令群的程式。

Images