申请/专利权人：东京毅力科创株式会社

申请日：2019-01-17

公开（公告）日：2024-07-02

公开（公告）号：CN110047770B

主分类号：H01L21/66

分类号：H01L21/66;H01L21/67

优先权：["20180117 JP 2018-005584"]

专利状态码：有效-授权

法律状态：2024.07.02#授权;2020.11.06#实质审查的生效;2019.07.23#公开

摘要：本发明提供一种能够基于拍摄基片得到的检查对象的图像，对基片的缺陷适当地分类的技术。解决方案为：对拍摄基片得到的拍摄图像进行深度学习和两类别分类部3，从而得到包含缺陷区域的二值化数据。根据该二值化数据生成包含缺陷区域的矩形的彩色图像，基于该图像使用深度学习来推断缺陷的种类。另外，基于上述二值化数据求取缺陷区域的形状等属性和晶片W上的位置，基于上述信息使用规则库来推断缺陷的种类。基于深度学习的推断结果和规则库的推断结果，来综合判断缺陷的种类。

主权项：1.一种基片的缺陷检查装置，其能够基于拍摄基片而得到的作为检查对象的拍摄图像，将在基片产生的缺陷分类，所述基片的缺陷检查装置的特征在于，包括：使用深度学习的特征区域抽取部，其具有多个包含多个卷积核的卷积层，所述卷积核将与所述拍摄图像对应地对每个像素分配有像素值的图像数据作为输入数据，将多个像素各自排列为矩阵状；两类别分类部，其构成为：使用使在所述多个卷积层各自中由卷积处理得到的像素与作为卷积处理结果的运算值相关联的数据，对于每个像素，基于所述多个卷积层的运算值的排列分布将该像素分类为与缺陷对应的像素或者与正常部位对应的像素，以获得由二值化数据表示的缺陷分类推断用的第二图像数据；前处理部，其基于所述第二图像数据和所述拍摄图像，来生成缺陷分类推断用的第一图像数据，其中所述第一图像数据是从基于所述拍摄图像而生成的图像中切取的、包括产生有所述缺陷的缺陷区域和该缺陷区域的周围的区域的、对每个像素分配有像素值的数据；用于存储所述第一图像数据的第一存储部；第一推断部，其基于存储于所述第一存储部的第一图像数据，使用深度学习来推断缺陷的种类；用于存储缺陷分类推断用的第二图像数据的第二存储部，其中所述第二图像数据是基于所述拍摄图像而生成的、由二值化数据表示产生有所述缺陷的缺陷区域和该缺陷区域的周围的区域的数据；第二推断部，其基于从存储于所述第二存储部的第二图像数据抽取的缺陷区域的属性，使用规则库系统来推断缺陷的种类；和综合判断部，其基于由所述第一推断部推断的缺陷的种类和由所述第二推断部推断的缺陷的种类来综合判断缺陷的种类。

全文数据：基片的缺陷检查装置、基片的缺陷检查方法和存储介质技术领域本发明涉及使用拍摄基片而得到的图像数据，来判断在基片产生了哪种缺陷的技术。背景技术在半导体装置的制造步骤中的光刻步骤中，对作为基片的半导体晶片以下记为晶片的表面依次通过涂敷抗蚀剂来形成抗蚀剂膜、曝光该抗蚀剂膜、显影，以形成抗蚀剂图案。利用检查装置，对结束了一系列工序的晶片W，进行在晶片表面是否形成有良好的抗蚀剂图案、是否有伤痕或者附着了异物等的检查。将这样的不良状况称为缺陷，缺陷根据其产生原因具有各种各样的形式。因此，从半导体装置的制造管理的观点出发，要求检查装置不止于检查在基片是否产生缺陷，而具有检查发现的缺陷是哪种缺陷即掌握缺陷的种类的功能。检查装置构成为：一边使照明区域相对于载置有晶片的载置台相对地移动，一边利用例如CCD照相机等对该晶片进行拍摄，对拍摄的图像进行处理来判断缺陷的有无、缺陷的种类。作为判断缺陷的种类的方法，已知利用被称为深度学习deeplearning的方法。例如在专利文献1中记载了一种技术，其基于拍摄基片而得到的检查对象图像来计算缺陷的特征量缺陷的浓淡、颜色等特征，几何学特征，根据上述特征量，使用神经网络neuralnetwork等方法对缺陷进行分类。基于深度学习的缺陷分类是通过使用示教用数据来学习而进行的，但是，在该学习不充分的情况等下，无法避免发生误分类。另一方面，由于要求进一步提高半导体集成电路的成品率，因此要求更加可靠地进行缺陷分类。现有技术文献专利文献专利文献1：日本特开2009-238992号公报第0057～0060段发明内容发明想要解决的技术问题本发明是基于这样的情况而完成的，其目的在于提供一种能够基于拍摄基片而得到的检查对象的图像，来对基片的缺陷适当地进行分类的技术。用于解决技术问题的技术方案本发明为一种基片的缺陷检查装置，其能够基于拍摄基片而得到的作为检查对象的拍摄图像，将在基片产生的缺陷分类，所述基片的缺陷检查装置的特征在于，包括：用于存储缺陷分类判断用的第一图像数据的第一存储部，其中所述第一图像数据是从基于所述拍摄图像而生成的图像中切取的、包括产生有所述缺陷的缺陷区域和该缺陷区域的周围的区域的、对每个像素分配有像素值的数据；第一推断部，其基于存储于所述第一存储部的第一图像数据，使用深度学习来推断缺陷的种类；用于存储缺陷分类推断用的第二图像数据的第二存储部，其中所述第二图像数据是基于所述拍摄图像而生成的、由二值化数据表示产生有所述缺陷的缺陷区域和该缺陷区域的周围的区域的数据；第二推断部，其基于从存储于所述第二存储部的第二图像数据抽取的缺陷区域的属性，使用规则库系统来推断缺陷的种类；和综合判断部，其基于由所述第一推断部推断的缺陷的种类和由所述第二推断部推断的缺陷的种类来综合判断缺陷的种类。另一发明为一种基片的缺陷检查方法，其基于拍摄基片而得到的作为检查对象的拍摄图像，将在基片产生的缺陷分类，所述基片的缺陷检查方法的特征在于，包括：第一推断步骤，其使用缺陷分类判断用的第一图像数据，基于该第一图像数据，使用深度学习来推断缺陷的种类，其中，所述第一图像数据是从基于所述拍摄图像而生成的图像中切取的、包括产生有所述缺陷的缺陷区域和该缺陷区域的周围的区域，对每个像素分配有像素值的数据；第二推断步骤，其使用缺陷分类推断用的第二图像数据，基于从该第二图像数据抽取的缺陷区域的属性，使用规则库系统来推断缺陷的种类，其中，所述第二图像数据是基于所述拍摄图像而生成的、由二值化数据表示产生有所述缺陷的缺陷区域和该缺陷区域的周围的区域的数据；和综合判断步骤，其基于由所述第一推断部推断的缺陷的种类和由所述第二推断部推断的缺陷的种类来综合判断缺陷的种类。又一发明为一种存储介质，其存储在基于拍摄基片而得到的作为检查对象的拍摄图像，将在基片产生的缺陷分类的装置中使用的软件，所述存储介质的特征在于：所述软件包括程序，该程序包含用于执行本发明的基片的缺陷检查方法的命令组。发明效果本发明根据第一图像数据，使用深度学习来推断缺陷的种类，其中，该第一图像数据是基于拍摄基片而得到的拍摄图像生成的、包含缺陷区域和周围的区域的对每个像素分配有与浓淡对应的像素值浓淡值的数据。另外，根据从第二图像数据抽取的缺陷区域的属性，使用规则库系统来推断缺陷的种类，其中该第二图像数据是基于拍摄图像生成的、由二值化数据表示产生有缺陷的缺陷区域和周围的区域的数据。然后，基于深度学习的推断结果和规则库系统的推断结果，来综合判断缺陷的种类。因此，能够高精度地判断在基片产生的缺陷的种类。附图说明图1是概略地表示能够应用本发明的涂敷显影装置的整体的构成图。图2是为了获取晶片的表面的图像而设置于上述涂敷显影装置的拍摄模块。图3是表示本发明的基片的缺陷检查装置的实施方式的概略的说明图。图4是将本发明的基片的缺陷检查装置的实施方式中的构成与数据的流向组合起来表示的说明图。图5是表示上述实施方式所使用的特征区域抽取部的构成的图像的说明图。图6是由上述实施方式所使用的两类别分类部得到的输出结果，是将缺陷区域与输入到特征区域抽取部的图像区域对应地表示的说明图。图7是表示从包含由两类别分类部得到的缺陷区域的图像切取作为包含缺陷区域的矩形的图像的、切取图像的说明图。图8是表示上述实施方式所使用的缺陷候选输出部的构成的图像的说明图。图9是表示本发明的基片的缺陷检查装置的实施方式的构成的构成图。图10是表示将通过综合判断判断出的缺陷的种类与晶片上的位置相关联地示出的情况的一例的说明图。图11是示意地表示缺陷的具体例的说明图。附图标记说明W晶片102抗蚀剂膜形成模块103显影模块104拍摄模块807拍摄部11拍摄图像12第一前处理部2特征抽取部21～23卷积层21a、22a池化层F1～F3卷积核3两类别分类部4第一推断部41选择部5缺陷候选输出部6第二推断部7综合判断部71显示部92、93、94存储部。具体实施方式本发明的基片的缺陷检查装置例如根据由拍摄模块拍摄的晶片的图像，来进行缺陷检查，其中该拍摄模块能够应用于进行抗蚀剂涂敷、曝光后的显影的涂敷显影装置，且设置于涂敷显影装置内。首先，参照作为概略图的图1，说明涂敷显影装置的一例。涂敷显影装置以依次在水平方向直线状地连接载体区块A1、中间区块A2、处理区块A3和接口区块A4的方式构成。接口区块A4与曝光器A5连接。收纳有基片即晶片W的载体101，由未图示的载体输送机构输送并载置在载体区块A1。在处理区块A3设置有：向作为基片的晶片W的表面供给抗蚀剂以形成抗蚀剂膜的涂敷模块102；和显影模块103，其向利用曝光器A5沿规定的图案曝光后的抗蚀剂膜供给显影液来形成抗蚀剂图案。中间区块A2表示拍摄显影后的晶片W的整个表面的拍摄模块104。此外，该晶片W的整个表面为形成半导体器件的区域的整个表面即可。各块A1～A4具有未图示的晶片输送机构。收纳于载体101的晶片W由晶片输送机构取出，按中间区块A2→抗蚀剂膜形成模块102→接口区块A4→曝光器A5→接口区块A4→显影模块101→拍摄模块104的顺序输送，返回载体101。图1的虚线的箭头表示晶片W的输送路径。通过如上述那样输送晶片W，在晶片W的表面形成抗蚀剂图案，之后，由拍摄模块104对晶片W的整个表面进行拍摄。如图2所示，拍摄模块104具有壳体801，在壳体801内设置有吸附晶片W的背面侧中央部且水平地保持晶片W的载置台802。图中803是在壳体801的侧方开口的晶片W的输送口。当将在壳体801内以输送口803开口的一侧设为跟前侧时，载置台802构成为能够在跟前侧与里侧之间水平移动。图中804是用于该载置台802水平移动的引导件，从跟前侧向里侧伸长。在引导件804上设置有在壳体801内左右延伸的横长的半反射镜half-mirror805，该半反射镜805相对于该引导件804的伸长方向侧视时倾斜地设置。另外，在半反射镜805的上方设置有隔着该半反射镜805向下方照射光的照明装置806。在半反射镜805的里侧设置有例如由CCD照相机构成的拍摄部807。来自照明装置806的照明光通过半反射镜805，照射到半反射镜805的下方的照射区域。然后，该照射区域中的物体的反射光被半反射镜805反射，收进拍摄部807。即，拍摄部807能够拍摄位于半反射镜805的下方的物体。并且，当晶片W沿引导件804在半反射镜805的下方从跟前侧向里侧移动时，拍摄部807间歇地拍摄，能够拍摄晶片W的整个表面来生成晶片整个表面的图像数据。在以下的说明中，为了避免用语的混乱，将由拍摄部807拍摄的晶片W的整个表面的图像数据称为拍摄图像。接着，说明本发明的基片的缺陷检查装置和基片的缺陷检查方法的实施方式。本发明的实施方式的概要为：基于拍摄图像来获取包含缺陷区域的缺陷分类判断用的2种第一种和第二种图像数据，基于第一图像数据以第一推断方法推断缺陷的种类，另外基于第二图像数据以第二推断方法推断缺陷的种类，基于2个推断结果来综合判断缺陷的种类。图3是表示本发明的实施方式的概要的说明图，将第一图像数据输入第一推断部4，由第一推断部4推断第一图像数据所包含的缺陷的种类。第一推断部由包含在后面详述的深度学习的系统软件构成。第一图像数据是包含产生了缺陷的缺陷区域和该缺陷区域的周围的区域，从处理了拍摄图像后的图像切取矩形而得的图像数据。第一图像数据可以为单色的图像数据，也可以为彩色的图像数据，但是，在以下的实施方式中，以彩色的图像数据，即对每个像素分配有R成分、G成分、B成分的各像素值的图像数据的情况为例。若更具体地说明，第一图像数据是在拍摄图像包含例如与多个缺陷各自对应的多个缺陷区域时，以仅包含多个缺陷区域中的一个缺陷区域的方式包含该缺陷区域及其周围的区域的矩形的图像数据。此外，实际上也可能有在同一部位产生多个缺陷的情况，但是，“仅包含一个缺陷区域”是在软件中被识别为一个缺陷区域的区域。另外，第二图像数据是由二值化数据表示产生了缺陷的缺陷区域和该缺陷区域的周围的区域的图像数据。第二推断部6是基于从第二图像数据抽取的缺陷区域的属性以及晶片W上的缺陷区域的位置，使用规则库系统来推断缺陷的种类的部。要求由第一图像数据构成的缺陷区域和由第二图像数据构成的缺陷区域在拍摄图像中为同一区域。7是综合判断部，基于由第一推断部4推断的缺陷的种类和由第二推断部6推断的缺陷的种类来综合判断缺陷的种类。71是显示部，显示由综合判断部7综合地判断出的缺陷的种类。图4是将本发明的实施方式中的整体构成和数据的流向组合地表示的说明图。根据图4，说明第一图像数据和第二图像数据的生成和图像数据的处理。11是包含由拍摄部807参照图2拍摄的晶片W的整个表面的拍摄图像，该拍摄图像11按各像素pixel分配有R红成分、G绿成分、B蓝成分的各像素值受光强度。该拍摄图像11通过第一前处理部12进行例如对比度增强处理。对比度增强处理是增强从R成分、G成分、B成分中选择的成分以容易从拍摄图像11中抽取缺陷区域的处理，例如是对选择的成分，对规定的范围的大小的像素值增加规定值的处理。特征区域抽取部2由执行深度学习的软件构成。作为深度学习，例如能够使用卷积神经网络，参照图5说明该情况的处理。图5是为了避免说明和图示的复杂化，极端示意地记载卷积神经网络的图。20是由第一前处理部12获得的输入图像也能够称为前处理后的拍摄图像，21、22、23是卷积层，21a、22a是池化层、24是全连接层。卷积层21～23层叠有多个卷积核filter，对作为代表的卷积层21以图像表示了卷积核F1、F2…的排列。首先，为了容易理解，当使由第一前处理部12获得的输入图像20成为由纵横n×n像素构成的灰度图像时，将其输入到前层的卷积层21中最前排的由n×n像素构成的卷积核F1。输入图像20的像素值可以为归一化处理的值，可也为标准化处理的值——“0”～“1”的数值。当令输入图像的像素i，j的像素值为xi，j时，作为卷积核F1的像素的像素i，j的像素值是与xi，j相同的值，记为f1i，j{＝xi，j}。此外，i，j是指在n×n像素中第i行、第j列的像素。卷积核的像素也可以为称为节点。关于卷积核F2中的像素i，j的像素值{f2i，j}，能够通过将卷积核F1中的n×n的各像素1，1～n，n的像素值以规定的系数累加，将得到的所有累加值相加得到相加值I，对该加法值I进行规定的运算来获得。规定的系数是按卷积核F1的像素和卷积核F2的像素的组合来学习，从而决定的值。更详细而言，能够通过重复有示教带准确标签的学习来决定。另外，关于规定的运算，能够列举例如使用了输入上述相加值I的Sigmoid函数的运算。这样进行卷积处理，能够求取卷积核F2中的n×n的各像素1，1～n，n的像素值。也能够使用卷积核F2中的各像素的像素值来同样地计算作为卷积核F3中的像素值的f3i，j，能够依次同样地计算各卷积核中的像素值，求取最终层的卷积核Fm中的各像素值。卷积层21的下一层的卷积层22因间隔着池化层21a而比卷积层21的像素数少。池化层21a是进行像素的稀疏处理的部分，例如如图5中表示的图像那样，在卷积层21的最终层的卷积核Fm中的像素组中，将彼此相邻地构成正方形的例如2×2像素组集合为一个像素。在该情况下，例如将2×2像素组中的最大值分配为一个像素的像素值，换言之除了最大值的像素以外，对例如27×27像素组进行这样的间疏处理后，成为13×13像素组。同样，在卷积层22、23的各卷积核间进行运算。至此为止的说明是将输入图像20的像素处理为灰度的情况，但是，在输入图像20的像素中分配有R成分、G成分、B成分的各像素值的情况下，按R成分、G成分、B成分设置有卷积层21、22、23、池化层21a、22a和全连接层24的组。例如按R成分、G成分、B成分一组组地设置有上述的组，合计存在3组的情况下，在上述3组的各组中并行地进行运算处理。此外，R成分、G成分、B成分的各像素值例如是归一化或者标准化的0～1的值。这样的运算处理是从输入图像20分离抽取特征部分的处理卷积处理，具体而言，是检测形成于卷积核的浓淡图案位于输入图像的哪个位置的处理。另外，换言之，运算处理可以为使用卷积核将卷积核表示的特征部分从输入图像20抽取的处理。返回图4，两类别分类部3构成为能够基于特征区域抽取部2的处理结果，判断输入图像20的各像素是相当于缺陷的像素缺陷像素：黑像素还是不相当于缺陷的正常部位的像素白像素。具体而言，两类别分类部3构成为能够基于由特征区域抽取部2获得的、由输入图像20的各像素中的多个特征向量构成的向量空间分布，来判断各像素是否为缺陷像素。此处，所谓的特征向量是对于构成卷积层21～23的所有卷积核的、与输入图像20的各像素对应的像素的像素值。因此，两类别分类部3基于与输入图像20的各像素对应的所有卷积核的像素值的排列分布，判断该像素是缺陷像素还是正常部位的像素。关于两类别分类部3，能够举出例如执行SVMSupportVectorMachine，支持向量机的软件等。图6表示两类别分类部3的输出结果的一例。在图6中，正方形的区域与由n×n像素组构成的输入图像20的区域对应，D表示缺陷区域代表性地仅对2处缺陷区域标注D。缺陷区域D例如是作为缺陷像素的黑像素的集合体，但是，在图6中以黑边白底表示。图6所示的图像数据相当于图4所示的二值化的图像数据称为“二值化数据”30。另外，二值化数据30相当于图3所示的第二图像数据。在图4中，40是第二前处理部，5是使用深度学习的缺陷候选输出部，41是选择部，缺陷候选输出部5和选择部41构成图3所示的第一推断部4。在第二前处理部40中，基于二值化数据30，进行生成图3的说明中详述的第一图像数据的处理。即，在该实施方式中，缺陷分类判断用的第一图像数据是基于缺陷分类判断用的第二图像数据和输入图像20生成的。第一图像数据是如上述那样包含一个缺陷区域和该缺陷区域的周围的区域的矩形的图像数据，对每个像素分配有R成分、G成分、B成分的各像素值，R成分、G成分、B成分的各像素值例如是归一化或标准化的0～1的值。图7是表示由第二前处理部40获得的第一图像数据的一例的说明图。缺陷候选输出部5由执行深度学习的软件构成，能够使用例如在特征区域抽取部2处说明的卷积神经网络。而且，当与图5对应地说明缺陷候选输出部5时，位于全连接层24的后层的输出层图5中并未记载输出层由与缺陷的各个种类对应的节点构成。例如应检测的缺陷的种类是10个时，节点的个数是10个。概略言之，全连接层24的像素值与从各节点输出的值的关系，与图5中说明的例如卷积核F2的各像素的像素值与卷积核F3的各像素的像素值的关系相同系数、函数与图5的情况不同。即，将全连接层的各像素的像素值经由规定的运算累加起来，该累加值的所有相加值被输出到各节点，各节点对该相加值进行规定的运算并输出。图8是示意地表示构成缺陷候选输出部5的神经网络的输出层的说明图，在该例中，使全连接层的像素数为k个，输出层的节点的数为10个。51-1～51-k表示全连接层的像素，52-1～52-10表示输出层的节点，缺陷1～10表示缺陷的种类类别。50是输出加上上述累加值的偏置值的偏置输出部。各节点52-1～52-10分别与10个种类的缺陷对应，从各节点52-1～52-10输出的输出值运算值是0～1的值。该输出值是表示在缺陷候选输出部5候选地给出的缺陷的准确程度的数字，“1”表示在由神经网络推断的范围内为100％，“0”表示不能够作为缺陷的候选。例如节点52-1的输出值为“0.8”时，是指缺陷的种类为与该节点52-1对应的缺陷的种类的概率为80％。如此由神经网络缺陷候选输出部5求取缺陷的种类的候选和用于描述表示准确程度的概率的分值后，基于缺陷的种类的候选和分值，由图4所示的选择部41选择第一推断部4推断的缺陷的种类，将该选择结果作为判断结果输出。作为第一推断部4中的判断的步骤的具体例，例举在神经网络中作为缺陷的种类的候选的“中心模式centermode”、“热点hotspot”、“彗星痕comet”这3个种类的情况进行说明。此外，关于缺陷的种类是哪种缺陷，在后文详述，其中也包含上述3种缺陷。另外，选择部41中的选择方法为：在第一候选的分值在阈值Sa例如0.9以上且第一候选的分值与第二候选的分值之差在阈值Sb例如0.25以上时，选择第一候选作为推断结果。第一候选＝中心模式分值为0.92第二候选＝热点分值为0.64第三候选＝彗星痕分值为0.46在该情况下，第一候选的分值在阈值Sa0.9以上。而且，第一候选与第二候选之差为0.28，在阈值Sb0.25以上，因此输出“中心模式”作为推断结果。第一候选＝中心模式分值为0.92第二候选＝热点分值为0.88第三候选＝彗星痕分值为0.46在该情况下，第一候选的分值在阈值Sa0.9以上，但是，第一候选与第二候选之差为0.04，不到阈值Sb0.25，因此，输出“不可分类”作为推断结果。第一候选＝中心模式分值为0.84第二候选＝热点分值为0.55第三候选＝彗星痕分值为0.43在该情况下，第一候选与第二候选之差为0.29，在阈值Sb0.25以上，但是，第一候选的分值不到阈值Sa0.9，因此，输出“不可分类”作为推断结果。选择方法不限于上述的例子，也可以为例如仅按第一候选与第二候选之差是否在阈值以上，来输出第一候选的缺陷分类或者将其设为不可分类等的方法。另外，也可以为第一推断部4不进行选择部41的选择处理，在由神经网络缺陷候选输出部5输出的缺陷的种类的候选之中，将第一候选分值最大的候选作为推断结果。返回图4，第二推断部6基于作为第二图像数据的二值化数据依次逐一取出缺陷区域，对各缺陷区域求取属性和晶片W上中的缺陷区域的位置位置信息，将该属性和位置与预先制作的规则库对照，来按缺陷区域推断缺陷的种类。因此，第二推断部6包括：抽取缺陷区域的属性的属性抽取部；检测晶片W上的缺陷区域的位置的缺陷位置检测部；和规则库系统。缺陷区域的属性例如是形状、面积、长度尺寸、宽度尺寸、周长、延伸的方向和浓淡值的平均值等。关于缺陷区域的形状，能够例举缺陷区域的圆度和周围的凹凸的程度等。下面，记载缺陷区域的长度尺寸等的求取方法的一例。·缺陷区域的长度尺寸相当于等价椭圆形的长轴的长度。长轴的长度的求取方法如下所述。首先，求取缺陷区域的X方向的重心Gx、Y方向的重心Gy，接着，求取X轴方向的协方差Ax对每个像素求取X坐标位置与重心Gx之差的二次方，合计该值而得的值、Y轴方向的分散Ay、XY轴的共分散Axy对每个像素将X坐标位置与重心Gx之差和Y坐标位置与重心Gy之差累加，合计累加值而得的值。利用下述的式子求取长轴的长度。长轴的长度＝212×{Ax+Ay+[Ax-Ay2+4Axy2]12}12·缺陷区域的宽度尺寸相当于例如等价椭圆形的短轴的长度。利用下述的式子求取短轴的长度。短轴的长度＝212×{Ax+Ay-[Ax-Ay2+4Axy2]12}12·缺陷区域延伸的方向是等价椭圆形的长轴延伸的方向。·缺陷区域的圆度例如是由4π×缺陷区域的面积缺陷区域的周长2表示的值。·缺陷区域的周围的凹凸的程度例如是缺陷区域的面积缺陷区域的凸包的面积。凸包的面积是包含所有的缺陷区域的像素的最小的凸多边形。另外，晶片W上的缺陷区域的位置位置信息例如是晶片W上的坐标位置和或者距晶片W的中心的距离。规则库系统具有例如按缺陷的种类定义的规则条件式，通过将缺陷区域的属性和位置与规则对照，来推断缺陷的种类。下面，记载规则的例子。在缺陷为“中心模式”的情况下，IF距中心的距离在阈值S1至S2之间且IF面积在阈值S3至S4之间且IF圆度在阈值S5～S6之间→缺陷的种类是中心模式。在缺陷为“热点”的情况下，IF面积在阈值T1至T2之间且IF圆度在阈值T3至T4之间且IF浓淡值的平均值在阈值T5至T6之间→缺陷的种类为热点。同样，将其他的缺陷也规定为IF…且IF…且…→缺陷的种类为○○○的情况。而且，例如当缺陷的种类有10种，将与10种缺陷对应的条件式设为条件式1～条件式10时，规则库系统基于对作为推断的对象的缺陷区域检测出的属性和位置，来判断是否符合条件式1～10。然后，当存在符合的条件式时，与该条件式对应的缺陷的种类为推断结果，当没有符合的条件式时，处理为不可分类。另外，通过预先决定条件式的优先顺序，在存在多个符合的条件式的情况下，与优先顺序高的条件式对应的缺陷的种类为推断结果。返回图4，7是综合判断部，综合判断部7基于使用深度学习的第一推断部4的推断结果和使用规则库系统的第二推断部6的推断结果，来综合判断缺陷的种类。综合判断是最终决定作为判断对象的缺陷区域是哪一种类的缺陷的判断。在综合判断的说明中，为了方便，将第一推断部4的推断结果称为DL深度学习分类，将第二推断部6的推断结果称为规则库分类。下面，列举综合判断的方法的一例。·在DL分类与规则库分类相同的情况下依然将推断结果作为判断结果。·关于采用DL分类和规则库分类的哪一推断结果，其优先顺序按缺陷的种类设定，在DL分类和规则库分类不同的情况下，按照优先顺序输出判断结果。·DL分类的精度基于事先学习而受到较大影响，因此，对学习不充分的缺陷分类的推断的DL分类，降低优先度使规则库分类优先，对学习充分的缺陷分类的推断的DL分类，提高优先度使DL分类优先。为了实施这样的判断方法，例如能够使用表1所示的优先度矩阵表。表1当由综合判断部7基于表1来判断作为判断对象的缺陷区域的缺陷的种类时，判断结果由显示部71显示。关于判断结果的显示和缺陷的种类的具体例，在后述的作用说明中述说。图9表示与图4的框图对应的计算机中的构成。90是总线，91是CPU。在图9所示的范围内，第一前处理部12、特征区域抽取部2、两类别分类部3、第二前处理部40、第一推断部4、第二推断部6和综合判断部7相当于收纳用于执行各个上述处理的软件的收纳部。第二推断部6，对上述的属性抽取部、缺陷位置検出部和规则库系统分别分配附图标记61、62、63来表示。规则库61具有上述规则条件式和使用规则进行推理的推理引擎。92、93、94是存储部，存储部92存储拍摄图像、由第一前处理部12前处理后的数据。存储部93存储第一图像数据和第二图像数据，兼用作第一存储部和第二存储部。存储部94存储第一推断部4的推断结果和第二推断部6的推断结果。95是计算机的操作画面，兼用作作显示部71。上述的各软件例如存储在软盘、光盘、硬盘、MO磁光盘、存储卡等的存储介质中，从存储介质安装到各收纳部12、2、3、40、4、6、7。接着，以图4的说明为中心，总述基片的缺陷检查装置和基片的缺陷检查方法涉及的上述的实施方式的作用。由拍摄部807的拍摄的基片即整个晶片W的图像拍摄图像，由第一前处理部12进行增强处理、缩小处理后，成为使用深度学习的特征区域抽取部2的输入图像20参照图5。在特征区域抽取部2中进行卷积处理，对于输入图像20的各像素，能够获得与卷积核上对应的像素的像素值。接着，利用两类别分类部3，根据与输入图像20的各像素对应的卷积核的像素值的组中的像素值的排列分布，判断该像素是否为缺陷像素，得到二值化数据第二图像数据参照图6。二值化数据由第二前处理部40进行前处理。即，基于二值化数据和由第一前处理部12前处理的拍摄图像输入图像20，能够获得包含一个缺陷区域的矩形的图像，即包含R成分、G成分、B成分的像素值的图像第一图像数据。第一推断部4基于该第一图像，利用深度学习来获得使对应于缺陷区域的缺陷的种类的候选与表示准确程度的数值相关联的数据，基于该数据输出缺陷的种类的推断结果。另一方面，在第二推断部6中，求取上述一个缺陷区域的属性和晶片W上的位置，基于上述的信息，使用规则库来推断与该缺陷区域对应的缺陷的种类。基于第一推断部4的推断结果和第二推断部6的推断结果，参照表1的优先度矩阵表，综合判断缺陷的种类。在二值化数据包含多个缺陷区域的情况下，由第一推断部4和第二推断部6依次逐一地推断上述缺陷区域，基于各推断结果来综合判断。图10表示由显示部71显示综合判断结果的一例。在图10中，P1～P6表示例如拍摄图像中的晶片上的缺陷的位置，晶片W的轮廓的边表示分别与P1～P6对应的缺陷的种类。此处，对于缺陷的种类及其缺陷的状态或者原因，下面进行了举例。刮痕scratch：晶片W在表面上的受到的伤。彗星痕：为在对晶片W的表面旋涂抗蚀剂旋转涂敷处理时，在滴下的抗蚀剂液中存在气泡的情况等下产生的涂敷不均部位，该部位与周围相比有膜厚薄的倾向。电弧痕arcing：在等离子体处理中，在晶片表面或者背面产生落雷的放电现象，表面变焦的缺陷。中心模式：在对晶片W的表面旋涂抗蚀剂旋转涂敷处理时，抗蚀剂喷嘴的位置从晶片W的旋转中心位置错开的情况下产生的缺陷。热点：在曝光器中由散焦导致的缺陷，在曝光器内的晶片台与晶片的背面之间存异物的情况下产生。图11是以4个缺陷的种类为代表并图示了它们状态的图，a表示彗星痕，b表示刮痕，c表示热点，d表示电弧痕。在图11中框内的纵横的线是划线scribeline。上述的实施方式，通过将基于深度学习的缺陷的分类的推断与基于考虑了缺陷区域的属性及晶片W上的位置的规则库的缺陷的分类的推断组合在一起，来判断缺陷的种类。因此，能够高精度地判断在晶片W产生的缺陷的种类。另外，也能够基于拍摄图像使用深度学习来生成二值化数据，因此，通过充分的学习，能够高精度地抽取缺陷区域，在这方面，缺陷的种类的判断精度较高。以下，记载了本发明的变形例。如基片的缺陷检查装置的实施方式的开头所记载的那样，本发明也可以用单色照相机拍摄基片来获取拍摄图像。在该情况下，图5所示的输入图像20和图4所示的第二前处理输出部40的输出数据即第一图像数据成为单色图像，能够与彩色图像同样使用对每个像素不同的像素值浓淡值进行同样的处理。另外，即使拍摄图像为彩色图像，也可以使用R成分、G成分、B成分的任一成分或者两个成分来生成输入图像20和第一图像数据，基于上述数据进行处理。在上述的例中，规则库系统可以基于对作为推断的对象的缺陷区域检测出的属性和位置来生成条件式，但是，也可以不使用位置而仅使用属性来生成条件。另外，作为条件式使用的缺陷区域的属性，可以为形状、面积、长度尺寸、宽度尺寸、周长和延伸的方向的至少一者。例如也可以为在按各缺陷的种类生成的条件式中仅包含缺陷区域的形状的情况。相当于第二图像数据的二值化数据不限于如上述的实施方式那样生成的数据，也可以为例如使用阈值将拍摄图像的像素每一者所示的R成分、G成分、B成分各自的受光强度浓淡的程度的值二值化而生成的数据。另外，作为在特征区域抽取部2和缺陷候选输出部5中使用的深度学习，不限于卷积神经网络，也可以为其他深度学习。

权利要求：1.一种基片的缺陷检查装置，其能够基于拍摄基片而得到的作为检查对象的拍摄图像，将在基片产生的缺陷分类，所述基片的缺陷检查装置的特征在于，包括：用于存储缺陷分类判断用的第一图像数据的第一存储部，其中所述第一图像数据是从基于所述拍摄图像而生成的图像中切取的、包括产生有所述缺陷的缺陷区域和该缺陷区域的周围的区域的、对每个像素分配有像素值的数据；第一推断部，其基于存储于所述第一存储部的第一图像数据，使用深度学习来推断缺陷的种类；用于存储缺陷分类推断用的第二图像数据的第二存储部，其中所述第二图像数据是基于所述拍摄图像而生成的、由二值化数据表示产生有所述缺陷的缺陷区域和该缺陷区域的周围的区域的数据；第二推断部，其基于从存储于所述第二存储部的第二图像数据抽取的缺陷区域的属性，使用规则库系统来推断缺陷的种类；和综合判断部，其基于由所述第一推断部推断的缺陷的种类和由所述第二推断部推断的缺陷的种类来综合判断缺陷的种类。2.如权利要求1所述的基片的缺陷检查装置，其特征在于：所述第一推断部基于所述第一图像数据使用深度学习来推断缺陷的种类的候选，获取使推断出的缺陷的种类的多个候选与表示各候选的准确程度的数值相关联的数据，基于该数据来推断缺陷的种类。3.如权利要求1或2所述的基片的缺陷检查装置，其特征在于：所述第二推断部基于所述缺陷区域的属性和位置，使用规则库系统来推断缺陷的种类。4.如权利要求1至3的任一项所述的基片的缺陷检查装置，其特征在于：所述缺陷区域的属性是形状、面积、长度尺寸、宽度尺寸、周长和延伸的方向的至少一者。5.如权利要求4所述的基片的缺陷检查装置，其特征在于：所述缺陷区域的属性包括形状，所述形状包括所述缺陷区域的圆度和周围的凹凸的程度。6.如权利要求1至5的任一项所述的基片的缺陷检查装置，其特征在于：包括前处理部，所述前处理部基于由所述二值化数据表示的缺陷分类推断用的第二图像数据和拍摄图像来生成第一图像数据。7.如权利要求1至6的任一项所述的基片的缺陷检查装置，其特征在于：所述第一图像数据对每个像素分配有R成分、G成分、B成分的各像素值。8.如权利要求1至7的任一项所述的基片的缺陷检查装置，其特征在于，包括：包括用于生成所述第二图像数据的、使用深度学习的特征区域抽取部和两类别分类部，所述特征区域抽取部具有多个包含多个卷积核的卷积层，所述卷积核将与所述拍摄图像对应地对每个像素分配有像素值的图像数据作为输入数据，将多个像素各自排列为矩阵状，所述两类别分类部构成为：使用使在所述多个卷积层各自中由卷积处理得到的像素与作为卷积处理结果的运算值相关联的数据，对于每个像素，基于所述多个卷积层的运算值的排列分布将该像素分类为与缺陷对应的像素或者与正常部位对应的像素，以获得缺陷分类推断用的第二图像数据。9.如权利要求1至8的任一项所述的基片的缺陷检查装置，其特征在于：所述综合判断部构成为：在由所述第一推断部推断的缺陷的种类与由第二推断部推断的缺陷的种类不同时，能够基于决定哪一推断结果优先的规则来进行判断。10.一种基片的缺陷检查方法，其基于拍摄基片而得到的作为检查对象的拍摄图像，将在基片产生的缺陷分类，所述基片的缺陷检查方法的特征在于，包括：第一推断步骤，其使用缺陷分类判断用的第一图像数据，基于该第一图像数据，使用深度学习来推断缺陷的种类，其中，所述第一图像数据是从基于所述拍摄图像而生成的图像中切取的、包括产生有所述缺陷的缺陷区域和该缺陷区域的周围的区域，对每个像素分配有像素值的数据；第二推断步骤，其使用缺陷分类推断用的第二图像数据，基于从该第二图像数据抽取的缺陷区域的属性，使用规则库系统来推断缺陷的种类，其中，所述第二图像数据是基于所述拍摄图像而生成的、由二值化数据表示产生有所述缺陷的缺陷区域和该缺陷区域的周围的区域的数据；和综合判断步骤，其基于由所述第一推断部推断的缺陷的种类和由所述第二推断部推断的缺陷的种类来综合判断缺陷的种类。11.如权利要求10所述的基片的缺陷检查方法，其特征在于：所述第一推断步骤使用深度学习来推断缺陷的种类的候选，获取使推断出的缺陷的种类的多个候选与表示各候选的准确程度的数值相关联的数据，基于该数据来推断缺陷的种类。12.如权利要求10或11所述的基片的缺陷检查方法，其特征在于：所述第二推断步骤基于所述缺陷区域的属性和位置，使用规则库系统来推断缺陷的种类。13.如权利要求10至12的任一项所述的基片的缺陷检查方法，其特征在于：所述缺陷区域的属性是形状、面积、长度尺寸、宽度尺寸、周长和延伸的方向的至少一者。14.如权利要求10至13的任一项所述的基片的缺陷检查方法，其特征在于：包括基于由所述二值化数据表示的缺陷分类推断用的第二图像数据和拍摄图像来生成第一图像数据的步骤。15.一种存储介质，其存储在基于拍摄基片而得到的作为检查对象的拍摄图像，将在基片产生的缺陷分类的装置中使用的软件，所述存储介质的特征在于：所述软件包括程序，该程序包含用于执行权利要求10至14的任一项的基片的缺陷检查方法的命令组。

百度查询： 东京毅力科创株式会社 基片的缺陷检查装置、基片的缺陷检查方法和存储介质

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD