特開 2024-101849 測定装置及び測定方法

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】公開特許公報(A)

(11)【公開番号】P2024101849

(43)【公開日】2024-07-30

(54)【発明の名称】測定装置及び測定方法

(51)【国際特許分類】

   H01L 21/301 20060101AFI20240723BHJP

【ＦＩ】

H01L21/78 F

H01L21/78 B

【審査請求】未請求

【請求項の数】6

【出願形態】ＯＬ

(21)【出願番号】P 2023006011

(22)【出願日】2023-01-18

(71)【出願人】

【識別番号】000151494

【氏名又は名称】株式会社東京精密

(74)【代理人】

【識別番号】100083116

【弁理士】

【氏名又は名称】松浦 憲三

(74)【代理人】

【識別番号】100170069

【弁理士】

【氏名又は名称】大原 一樹

(74)【代理人】

【識別番号】100128635

【弁理士】

【氏名又は名称】松村 潔

(74)【代理人】

【識別番号】100140992

【弁理士】

【氏名又は名称】松浦 憲政

(72)【発明者】

【氏名】對馬 健夫

(72)【発明者】

【氏名】岩城 智

【テーマコード（参考）】

5F063

【Ｆターム（参考）】

5F063AA04

5F063AA48

5F063BA45

5F063DE12

5F063DE23

5F063DE33

(57)【要約】

【課題】 ウェハの欠陥を安定的に検出することができ、チップの加工品質を向上させることが可能な測定装置及び測定方法を提供する。
【解決手段】 測定装置は、ワークの表面に形成された加工溝の撮像画像と、加工溝の周辺の回路パターン領域の少なくとも一部を含む周辺領域の撮像画像と、ワークの種類を示すワーク情報と、により判定された加工溝の良否を示す良否データがラベルされる教師データに基づいて、加工溝の加工結果の良否の判定を行う判定部の教師あり学習を行う機械学習部と、加工対象のワークに加工溝を加工した後の表面の加工溝及び加工溝の周辺の回路パターン領域の少なくとも一部を含む周辺領域の撮像画像と、加工対象のワークのワーク情報と、の入力を受け付ける入力部と、入力部により受け付けた撮像画像及びワーク情報に基づいて、判定部による良否判定の結果を出力する出力部とを備える。
【選択図】 図１

【特許請求の範囲】

【請求項1】

ワークの表面に形成された加工溝の撮像画像と、前記加工溝の周辺の回路パターン領域の少なくとも一部を含む周辺領域の撮像画像と、前記ワークの種類を示すワーク情報と、により判定された前記加工溝の良否を示す良否データがラベルされる教師データに基づいて、前記加工溝の加工結果の良否の判定を行う判定部の教師あり学習を行う機械学習部と、
加工対象のワークに加工溝を加工した後の表面の前記加工溝及び前記加工溝の周辺の回路パターン領域の少なくとも一部を含む周辺領域の撮像画像と、前記加工対象のワークのワーク情報と、の入力を受け付ける入力部と、
前記入力部により受け付けた前記撮像画像及び前記ワーク情報に基づいて、前記判定部による良否判定の結果を出力する出力部と、
を備える測定装置。

【請求項2】

前記判定部は、前記入力部により受け付けた前記撮像画像のうち前記加工溝の撮像画像に基づいて前記加工溝の良否を判定し、前記加工溝の良否の判定結果が不良の場合に、前記入力部により受け付けた前記撮像画像のうち前記周辺領域の撮像画像に基づいて、前記加工溝の加工の良否を判定する、請求項１に記載の測定装置。

【請求項3】

前記機械学習部は、前記加工溝の加工後洗浄前における前記加工溝及び前記周辺領域の撮像画像と、前記加工溝の加工後洗浄後における前記加工溝及び前記周辺領域の撮像画像を入力とし、前記加工溝の良否判定の結果を示す良否データをラベルとする教師データにより、前記加工溝の加工結果の良否を予測して判定を行う判定部の教師あり学習を行う、請求項１又は２に記載の測定装置。

【請求項4】

前記教師あり学習に使用する前記加工溝の撮像画像と、前記周辺領域の撮像画像は、前記ワークの加工中の撮像画像である、請求項１又は２に記載の測定装置。

【請求項5】

前記ワークの加工を行う加工装置とは独立した外部ユニットである、請求項１又は２に記載の測定装置。

【請求項6】

ワークの表面に形成された加工溝の撮像画像と、前記加工溝の周辺の回路パターン領域の少なくとも一部を含む周辺領域の撮像画像と、前記ワークの種類を示すワーク情報と、により判定された前記加工溝の良否を示す良否データがラベルされる教師データに基づいて、前記加工溝の加工結果の良否の判定を行う判定部の教師あり学習を行うステップと、
加工対象のワークに加工溝を加工した後の表面の前記加工溝及び前記加工溝の周辺の回路パターン領域の少なくとも一部を含む周辺領域の撮像画像と、前記加工対象のワークのワーク情報と、の入力を受け付けるステップと、
前記入力を受け付けた前記撮像画像及び前記ワーク情報に基づいて、前記判定部による良否判定の結果を出力するステップと、
を備える測定方法。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は測定装置及び測定方法に係り、特に半導体装置又は電子部品が形成されたウェハを個々のチップに分割するための技術に関する。

【背景技術】

【0002】

半導体装置又は電子部品のデバイスパターンが形成されたウェハを個々のチップに分割するダイシング装置としては、ブレードダイサとレーザダイサがある。これらのダイシング装置により、ウェハに対してダイシング加工を行う際には、切削ラインの品質及びダイシング加工溝の加工状況（例えば、位置精度及び欠陥の有無等）を確認するために、加工領域の測定（カーフチェック）が行われる。カーフチェックでは、例えば、ダイシング加工時の画像データ（例えば、濃淡画像等）を用いて、加工溝の位置の検出及び欠陥の検出等が行われる。

【0003】

画像データを用いたカーフチェックでは、例えば、ストリートの視認性の変化、加工後の品質不良による形状変化又は加工時の用力（例えば、水等）による視認性の変化等により検出結果が不安定になる場合がある。カーフチェックのための画像処理アルゴリズムを適切に動作させ、検出結果を安定させるためには、カーフチェックの実施の都度、習熟度の高いエンジニアが画像処理アルゴリズムの調整を実施する必要があった。このため、カーフチェックによる検出結果は、画像処理アルゴリズムの調整を行うエンジニアの習熟度という人的要因の影響を受けることになる。そして、このような人的要因も、カーフチェックによる検出結果の不安定要因となり得る。

【0004】

上記のような不安定要因をできるだけ除去して、カーフチェックによる検出結果を安定させるための手法としては、機械学習を用いるものが考えられる。特許文献１には、加工溝及び加工溝の近傍に存在する膜剥がれ及び汚れを検出して、加工品質が不良であることを示すラベリングを行う例が記載されている（特に、特許文献１の段落［００３３］参照）。特許文献１に記載の加工装置は、加工溝を撮像した画像を機械学習部に入力し、入力した画像から加工溝の「良」及び「不良」を判別するものである。

【先行技術文献】

【特許文献】

【0005】

【特許文献1】特開２０２２－０１６１５４号公報

【発明の概要】

【発明が解決しようとする課題】

【0006】

しかしながら、実際には、加工溝及び加工溝の近傍から欠陥が検出されなかった場合であっても、加工溝及び加工溝の近傍以外の領域に不具合が発生することがある。加工溝及び加工溝の近傍以外の領域に発生した不具合もチップの加工品質に影響を与え得る。

【0007】

加工溝及び加工溝の近傍以外の領域に発生した不具合を検出するためには、例えば、ウェハの表面と裏面を含むすべての領域について機械学習を行うことが考えられる。しかしながら、ウェハの表面と裏面を含むすべての領域について、教師データを作成して機械学習を行うことは、多大な処理時間を要するため困難である。

【0008】

本発明はこのような事情に鑑みてなされたもので、ウェハの欠陥を安定的に検出することができ、チップの加工品質を向上させることが可能な測定装置及び測定方法を提供することを目的とする。

【課題を解決するための手段】

【0009】

上記課題を解決するために、本発明の第１の態様に係る測定装置は、ワークの表面に形成された加工溝の撮像画像と、加工溝の周辺の回路パターン領域の少なくとも一部を含む周辺領域の撮像画像と、ワークの種類を示すワーク情報と、により判定された加工溝の良否を示す良否データがラベルされる教師データに基づいて、加工溝の加工結果の良否の判定を行う判定部の教師あり学習を行う機械学習部と、加工対象のワークに加工溝を加工した後の表面の加工溝及び加工溝の周辺の回路パターン領域の少なくとも一部を含む周辺領域の撮像画像と、加工対象のワークのワーク情報と、の入力を受け付ける入力部と、入力部により受け付けた撮像画像及びワーク情報に基づいて、判定部による良否判定の結果を出力する出力部とを備える。

【0010】

本発明の第２の態様に係る測定装置は、第１の態様において、判定部は、入力部により受け付けた撮像画像のうち加工溝の撮像画像に基づいて加工溝の良否を判定し、加工溝の良否の判定結果が不良の場合に、入力部により受け付けた撮像画像のうち周辺領域の撮像画像に基づいて、加工溝の加工の良否を判定する。

【0011】

本発明の第３の態様に係る測定装置は、第１又は第２の態様において、機械学習部は、加工溝の加工後洗浄前における加工溝及び周辺領域の撮像画像と、加工溝の加工後洗浄後における加工溝及び周辺領域の撮像画像を入力とし、加工溝の良否判定の結果を示す良否データをラベルとする教師データにより、加工溝の加工結果の良否を予測して判定を行う判定部の教師あり学習を行う。

【0012】

本発明の第４の態様に係る測定装置は、第１から第３の態様のいずれかにおいて、教師あり学習に使用する加工溝の撮像画像と、周辺領域の撮像画像は、ワークの加工中の撮像画像である。

【0013】

本発明の第５の態様に係る測定装置は、第１から第４の態様のいずれかにおいて、ワークの加工を行う加工装置とは独立した外部ユニットである。

【0014】

本発明の第６の態様に係る測定方法は、ワークの表面に形成された加工溝の撮像画像と、加工溝の周辺の回路パターン領域の少なくとも一部を含む周辺領域の撮像画像と、ワークの種類を示すワーク情報と、により判定された加工溝の良否を示す良否データがラベルされる教師データに基づいて、加工溝の加工結果の良否の判定を行う判定部の教師あり学習を行うステップと、加工対象のワークに加工溝を加工した後の表面の加工溝及び加工溝の周辺の回路パターン領域の少なくとも一部を含む周辺領域の撮像画像と、加工対象のワークのワーク情報と、の入力を受け付けるステップと、入力を受け付けた撮像画像及びワーク情報に基づいて、判定部による良否判定の結果を出力するステップとを備える。

【発明の効果】

【0015】

本発明によれば、加工溝と加工溝の近傍だけではなく、例えば、ストリートに沿う回路パターン領域の一部を含む周辺領域を機械学習の対象とするので、周辺領域に生じた不具合を発見することが可能になる。これにより、ウェハの欠陥を安定的に検出することができ、チップの加工品質を向上させることができる。

【図面の簡単な説明】

【0016】

【図1】図１は、本発明の第１の実施形態に係るカーフチェックの概要を示すブロック図である。

【図2】図２は、ウェハの加工例を示す平面図である。

【図3】図３は、本発明の第１の実施形態に係る測定システムを示すブロック図である。

【図4】図４は、本発明の第１の実施形態に係る測定装置により判定を行う手順を示すフローチャートである。

【図5】図５は、本発明の第１の実施形態に係る測定装置における学習又は追加学習の手順を示すフローチャートである。

【図6】図６は、複数の加工装置に対して１台の測定装置を接続する例を示すブロック図である。

【図7】図７は、欠陥とワーク情報と欠陥に対する対処例の関係を示すテーブルである。

【図8】図８は、欠陥の種類を示す平面図である。

【図9】図９は、欠陥の種類を示す平面図である。

【図10】図１０は、欠陥の種類を示す平面図である。

【図11】図１１は、欠陥の種類を示す平面図及び断面図である。

【図12】図１２は、欠陥の種類を示す平面図である。

【図13】図１３は、本発明の第２の実施形態に係るカーフチェックの概要を示すブロック図である。

【図14】図１４は、本発明の第２の実施形態に係る測定装置における学習又は追加学習の手順を示すフローチャートである。

【発明を実施するための形態】

【0017】

以下、添付図面に従って測定装置及び測定方法の実施の形態について説明する。

【0018】

［第１の実施形態］
図１は、本発明の第１の実施形態に係るカーフチェックの概要を示すブロック図であり、図２は、カーフの例を示す平面図である。

【0019】

図１に示すように、本実施形態に係る測定装置１０は、加工対象のワーク（例えば、半導体ウェハ）Ｗに対する加工溝の加工結果を画像処理により認識するための画像処理システムとは独立した機械学習システムを構成する装置である。

【0020】

本実施形態に係る測定装置１０は、入力部１４を介して、撮像画像Ｄ１０と、ワークＷに関するワーク情報Ｄ２０の入力を加工装置１００（図３参照）から受け付ける。ここで、撮像画像Ｄ１０は、ワークＷに形成された加工溝Ｃ１及び加工溝Ｃ１の近傍に加えて、ストリートＳＴ及び回路パターン領域ＤＲの一部の周辺領域Ａ１を含む画像である。ここで、周辺領域Ａ１の範囲は、例えば、ワークＷの種類又はデバイスパターンの材質、加工方法（ブレードダイシングであるか、レーザダイシングであるか）等に応じて、後述の周辺領域Ａ１に生じ得る欠陥（図７参照）が生じやすい範囲として実験的かつ統計的に決定されるようにしてもよい。

【0021】

なお、撮像画像Ｄ１０は、撮像画像Ｄ１０に加えて、撮像位置又は視野範囲を示す座標情報を含んでいてもよい。

【0022】

また、ワーク情報Ｄ２０は、例えば、ワークＷの材質（例えば、シリコンウェハ、基板又は透過性ワーク（ガラス等））に関する情報を含んでいる。なお、ワーク情報Ｄ２０は、ウェハの形状又はサイズに関する情報を含んでいてもよい。

【0023】

測定装置１０は、機械学習部１８において学習済みの判定部ｉを用いて、加工溝及び加工溝の近傍領域、ストリートＳＴ及び回路パターン領域ＤＲの一部の領域Ａ１の加工結果の良否判定を行う。さらに、測定装置１０は、良否判定の結果が「不良」の場合に、学習済みの判定部ｉを用いて、不良種別及び原因のラベリングを行う。

【0024】

良否判定及びラベリングの結果は、出力部１６を介して、測定装置１０のオペレータが確認可能な形式で出力（例えば、モニタ出力）される。また、良否判定及びラベリングの結果は、出力部１６を介して、撮像画像Ｄ１０の入力元の加工装置１００（図３参照）に出力されるようにしてもよく、この場合、出力内容の不良種別・原因によって、その後の処理内容（例えば、ダイシング加工の加工条件等）を変更するようにしてもよい。この処理内容の変更は、出力内容の不良種別・原因に基づいて、加工装置１００の装置制御部１１０により自動的に行われるようにしてもよいし、加工装置１００のオペレータが確認可能な形式で出力（例えば、モニタ出力）して、加工装置１００のオペレータに処理内容の変更を促すようにしてもよい。

【0025】

具体的には、例えば、不良種別・原因がブレード状態不適のためのチッピング等の場合には、ブレードのドレス、摩耗量によってブレード交換、又は加工速度の調整や加工ライン数に応じて段階的に速度を変更（オーバーライド、変速切削）する。また、不良種別・原因がウェハ上の汚れの場合には、洗浄条件の強化、加工部の洗浄機能の起動又は加工部の洗浄機能の条件変更を行う。また、不良種別・原因が水残りによる検査不良の場合には、水を飛ばして再検査、又は加工中の水除去ブロー時間調整を行う。

【0026】

本実施形態に係る測定装置１０によれば、機械学習済みの判定部ｉを用いて、加工溝の加工結果の良否判定と不良種別及び原因のラベリングを行うことができる。さらに、ラベリングの結果を加工装置１００に出力することにより、ワークＷの加工条件を改善することができる。

【0027】

測定装置１０における機械学習は、以下のように行われる。上記の通り、測定装置１０は、加工装置１００において加工溝Ｃ１の加工結果を画像処理により認識するための画像処理システムとは独立した機械学習システムを構成する装置である。測定装置１０における機械学習では、加工装置１００から収集して蓄積した教師データＤ１を用いて機械学習（教師あり学習（Supervised Learning））を行う。ここで、教師データＤ１は、加工溝Ｃ１及び加工溝Ｃ１の近傍の撮像画像Ｄ１２又は回路パターン領域ＤＲの表面状態の撮像画像Ｄ１４と、ワーク情報Ｄ２０を入力とし、画像処理システムを用いた良否判定の結果を示す良否データと、不良種別及び原因のラベリングの結果を示すラベリングデータを含む正解データＤ３０をラベル（出力）とするデータである。機械学習部１８では、加工装置１００から収集して蓄積した教師データＤ１を用いて、判定部ｉの機械学習を行う。

【0028】

本実施形態によれば、ダイシング加工中に得られたデータを教師データＤ１として蓄積して使用するので、機械学習プロセスの効率化を実現することができる。

【0029】

なお、測定装置１０は、加工装置１００の装置制御部１１０（図３参照）等を構成するコンピュータ（例えば、パーソナルコンピュータ（ＰＣ）等）とは別のコンピュータ（外部ユニット）として設けられていてもよいし、同じコンピュータの別のプロセス・スレッドとして設けられていてもよい。また、測定装置１０は、ネットワーク又はクラウド上のコンピュータとして設けられていてもよく、この場合、複数の異なる加工装置１００又は複数の異なる工場に設置された加工装置１００から機械学習のためのデータの蓄積を可能としてもよい。

【0030】

図３は、測定装置１０を含む測定システム１を示すブロック図である。なお、以下では、説明の簡略化のため、測定装置１０と加工装置１００が一対一対応の例について説明する。

【0031】

図３に示すように、本実施形態に係る測定システム１は、測定装置１０及び加工装置１００を含んでいる。

【0032】

加工装置１００は、加工ユニット１０２、ＸＹＺθ軸１０４、モニタ１０６及び顕微鏡１０８並びに装置制御部１１０を含んでいる。

【0033】

加工ユニット１０２は、ワークＷの表面に加工溝Ｃ１を形成するための装置である。加工装置１００がブレードダイサの場合には、加工ユニット１０２はブレード及びスピンドルを含んでいる。一方、加工装置１００がレーザダイサの場合には、加工ユニット１０２はレーザ照射装置（例えば、レーザ光源及び集光レンズを含む。）を含んでいる。

【0034】

ＸＹＺθ軸１０４は、加工ユニット１０２と、ワークＷが吸着保持されるテーブルをＸＹＺ軸に沿って相対的に移動させるための直線運動機構（例えば、ボールねじ又はラック・アンド・ピニオン等）、加工ユニット１０２とテーブルとをＺ軸周りに相対回転させるための回転機構（例えば、モータ等）を含んでいる。ＸＹＺθ軸１０４を用いて、加工ユニット１０２とワークＷとを相対移動及び相対回転させることにより、ワークＷの表面のストリートＳＴに沿って加工溝Ｃ１を形成することができる。ここで、相対移動及び相対回転とは、それぞれ、加工ユニット１０２とテーブルの少なくとも一方を他方に対して移動及び回転させることをいう。

【0035】

モニタ１０６は、例えば、液晶モニタであり、加工装置１００による測定結果、加工装置１００の操作のためのＧＵＩ（Graphical User Interface）、測定装置１０からの出力（例えば、良否判定及びラベリングの結果、処理内容の変更指示等）を表示する。

【0036】

顕微鏡１０８は、加工ユニット１０２によって加工されたワークＷの表面の画像を拡大して観察するための装置である。顕微鏡１０８は、ワークＷの表面の画像を撮像するためのカメラ（例えば、ＣＣＤ（Charge Coupled Device）カメラ又はＣＭＯＳ（Complementary Metal Oxide Semiconductor）カメラ）を含んでいる。

【0037】

装置制御部１１０は、加工装置１００の各部を制御するための装置であり、各種の演算を行うプロセッサ（例えば、ＣＰＵ（Central Processing Unit）又はＭＰＵ（Micro Processing Unit））及びメモリ（例えば、ＲＡＭ（Random Access Memory）等）を含んでいる。装置制御部１１０は、オペレータの操作等にしたがって、ＸＹＺθ軸１０４の軸制御、ダイシング加工のシーケンス制御、顕微鏡１０８により撮像された撮像画像Ｄ１２及びＤ１４（図１参照）の画像処理及びモニタ１０６へのＧＵＩ出力等を行う。

【0038】

装置制御部１１０は、撮像画像Ｄ１２及びＤ１４の良否判定及び不良種別及び原因のラベリングを行うための画像処理システムを構成する。教師データＤ１の蓄積を行う場合には、装置制御部１１０は、撮像画像Ｄ１２及びＤ１４の画像処理（画像認識を行い、良否判定及び不良種別及び原因のラベリングの正解データＤ３０を付与した教師データＤ１を作成して測定装置１０に転送する。

【0039】

一方、測定装置１０により良否判定及び不良種別及び原因のラベリングを行う場合には、装置制御部１１０は、顕微鏡１０８により撮像された撮像画像Ｄ１０を所定の形式に変換して測定装置１０に転送する。これにより、測定装置１０において撮像画像Ｄ１０の良否判定及び不良種別及び原因のラベリングが行われる。

【0040】

測定装置１０は、制御部１２、入力部１４、出力部１６、機械学習部１８及びストレージ２０を含んでいる。

【0041】

制御部１２は、測定装置１０の各部を制御するための装置であり、プロセッサ（例えば、ＣＰＵ（Central Processing Unit）又はＭＰＵ（Micro Processing Unit））及びメモリ（例えば、ＲＡＭ（Random Access Memory）等）を含んでいる。制御部１２は、撮像画像Ｄ１０の良否判定及び不良種別及び原因のラベリングを行うための判定部ｉ（ｉ＝１，２，…）を含んでいる。

【0042】

入力部１４は、加工装置１００からのデータの入力を受け付けるためのインターフェイスであり、例えば、教師データＤ１、撮像画像Ｄ１０及びワーク情報Ｄ２０の入力を受け付ける。

【0043】

出力部１６は、加工装置１００へのデータの出力のためのインターフェイスであり、例えば、良否判定及び不良種別及び原因のラベリングの結果を出力する。

【0044】

機械学習部１８は、判定部ｉの機械学習（教師あり学習（Supervised Learning））を行うための装置である。判定部ｉとしては、例えば、ニューラルネットワーク又は深層学習（Deep Learning）等を用いることができる。

【0045】

なお、制御部１２と機械学習部とは同一のプロセッサにより実現されてもよいし、別々のプロセッサであってもよい。

【0046】

ストレージ２０は、データを格納するための装置であり、例えば、ＨＤＤ（Hard Disk Drive）又はＳＳＤ（Solid State Drive）を含んでいる。ストレージ２０には、例えば、測定装置１０の制御プログラム、撮像画像Ｄ１０～Ｄ１４を格納する画像データベース（画像ＤＢ）及び教師データＤ１が格納される。

【0047】

教師データＤ１は、例えば、加工装置１００におけるアライメント登録又はカーフチェック等の環境登録を行う際に、撮像画像（Ｄ１２及びＤ１４）と、ワーク情報Ｄ２０と、装置制御部１１０の画像処理システムを用いた認識結果（正解データＤ３０）を測定装置１０に転送して蓄積する。それまでの教師データＤ１に含まれていない異常のケース等が発生した場合、ストレージ２０内の過去の蓄積データを検索し、異常のケースに関する撮像画像（Ｄ１２及びＤ１４）、ワーク情報Ｄ２０及び正解データＤ３０を再登録することで異常ケース分類の教師情報として利用（再学習）することも可能である。

【0048】

測定装置１０では、教師データＤ１が一定量（１あるいはそれ以上）蓄積された場合、機械学習部１８において再学習プロセスを自動起動するようにしてもよい。そして、判定部ｉの汎化性能及び正解率がしきい値を越えた場合に運用可能と自動判断し、加工装置１００からの問い合わせに応答可能とする。具体的には、撮像画像Ｄ１０に対して、良否判定と不良種別及び原因のラベリングを行い、その結果が装置制御部１１０の画像処理システムによる判定結果と比較して正解率がしきい値を越えた場合に、画像処理システムによる判定から測定装置１０による判定に切り替えるようにしてもよい。

【0049】

また、データ蓄積に伴い汎化性能が低下する場合は、学習プログラムをワーク情報Ｄ２０に応じて、ワークＷに専用のものと差し替えてもよい。この場合、加工装置１００から測定装置１０に対して、判定に使用する判定部ｉの識別子（学習プログラムＩＤ）を通知することで、ワークＷの加工のレシピ単位で切り替えることも可能である。また、データ蓄積に伴い汎化性能が低下する場合は、画像処理システムによる判定に切り替えてもよい。

【0050】

本実施形態によれば、ダイシング加工中に得られたデータを教師データＤ１として蓄積して使用することができるので、機械学習プロセスの効率化を実現することができ、所望の汎化性能及び正解率を実現することが可能になる。

【0051】

図４は、測定装置１０により判定を行う手順を示すフローチャートである。

【0052】

まず、加工装置１００のテーブルにワークＷがロードされて（ステップＳ１０）、加工ユニット１０２とのアライメントが行われる（ステップＳ１２）。そして、ＸＹＺθ軸１０４により、加工ユニット１０２とワークＷとの相対移動が行われ、ワークＷの表面に加工溝Ｃ１が形成される（ステップＳ１４）。ステップＳ１４では、加工対象のワークＷの種類に応じて、加工条件（例えば、ブレードの種類又はレーザの照射条件等）等を含むレシピが選択され、このレシピに基づいて加工が行われる。

【0053】

次に、カーフチェック（ステップＳ１６）において、ワークＷに形成された加工溝Ｃ１及び加工溝Ｃ１の近傍に加えて、ストリートＳＴ及び回路パターン領域ＤＲの一部の領域Ａ１を含む領域の画像である撮像画像Ｄ１０が顕微鏡１０８により撮像される（図２参照）。また、ワークＷの種類及びレシピに応じてワーク情報Ｄ２０が取得される。そして、撮像画像Ｄ１０と、加工中のワークＷに関するワーク情報Ｄ２０は、測定装置１０の入力部１４を介して機械学習部１８に転送される。

【0054】

次に、測定装置１０において周辺部の欠陥判定が行われる（ステップＳ１８）。ステップＳ１８では、例えば、ワーク情報Ｄ２０に基づいて、制御部１２により判定に用いる判定部ｉが選択される。そして、選択された判定部ｉを用いて、欠陥判定（良否判定及び不良種別及び原因のラベリング）が行われる。

【0055】

この欠陥判定の結果は、出力部１６を介して加工装置１００に出力され、モニタ１０６により確認可能となる。

【0056】

ステップＳ１８における判定は複数の段階に分けて行われてもよい。例えば、判定部ｉは、まず、入力部１４により受け付けた撮像画像Ｄ１０のうち加工溝Ｃ１の撮像画像に基づいて加工溝Ｃ１の良否を判定する。そして、判定部ｉは、加工溝Ｃ１の良否の判定結果が不良の場合に、撮像画像Ｄ１０のうち周辺領域の撮像画像に基づいて、加工溝Ｃ１の加工プロセス全体の良否を判定するようにしてもよい。

【0057】

図５は、測定装置１０における学習又は追加学習の手順を示すフローチャートである。

【0058】

まず、加工装置１００のテーブルにワークＷがロードされて（ステップＳ３０）、加工ユニット１０２とのアライメントが行われる（ステップＳ３２）。そして、ＸＹＺθ軸１０４により、加工ユニット１０２とワークＷとの相対移動が行われ、ワークＷの表面に加工溝Ｃ１が形成される（ステップＳ３４）。

【0059】

次に、装置制御部１１０の画像処理システムによりカーフチェック（欠陥判定）が行われる（ステップＳ３６）。そして、加工溝Ｃ１及び加工溝Ｃ１の近傍の撮像画像Ｄ１２又は回路パターン領域ＤＲの表面状態の撮像画像Ｄ１４と、ワーク情報Ｄ２０と、画像処理システムを用いた良否判定の結果を示す良否データと、不良種別及び原因のラベリングの結果を示すラベリングデータが、装置制御部１１０から測定装置１０に転送される（ステップＳ３８：正解教示）。

【0060】

次に、測定装置１０の機械学習部１８において、判定部ｉの学習又は再学習が行われる（ステップＳ４０）。ステップＳ４０では、加工溝Ｃ１及び加工溝Ｃ１の近傍の撮像画像Ｄ１２又は回路パターン領域ＤＲの表面状態の撮像画像Ｄ１４と、ワーク情報Ｄ２０を入力とし、上記良否データ及びラベリングデータを含む正解データＤ３０をラベル（出力）とする教師データＤ１を用いる。なお、ステップＳ４０以降の工程は、ストレージ２０に蓄積された教師データＤ１が一定量蓄積された場合に実施されるようにしてもよい。または、ステップＳ４０以降の工程は、例えば、加工装置１００の一定の稼働期間（例えば、１ヶ月）ごと、又は一定枚数のワークＷの加工ごとに実施されるようにしてもよい。

【0061】

ステップＳ４０では、判定部ｉを制御部１２から機械学習部１８の判定部Ｔｒａｉｎに複製する。そして、機械学習部１８において、教師データＤ１を用いて、判定部Ｔｒａｉｎに複製された判定部ｉの学習を行う。

【0062】

判定部Ｔｒａｉｎに複製された判定部ｉの学習が終了すると、撮像画像Ｄ１０に対して、学習済みの判定部ｉにより良否判定とラベリングを行う。そして、学習済みの判定部ｉによる良否判定とラベリングの結果が装置制御部１１０の画像処理システムによる判定結果と比較して正解率がしきい値を越えた場合に、制御部１２は汎化性能・正解率達成と判断し（ステップＳ４２のＹｅｓ）、学習済みの判定部ｉを判定部Ｔｒａｉｎから制御部１２の判定部ｉに複製する。この学習済みの判定部ｉは、測定装置１０による以降の欠陥判定に使用される。

【0063】

一方、正解率がしきい値以下の場合には、制御部１２は汎化性能・正解率未達成と判断し（ステップＳ４２のＮｏ）、学習済みの判定部ｉを判定部Ｔｒａｉｎから制御部１２の判定部ｉとは別のサブ判定部ｉ－１として複製する。ここで、サブ判定部ｉ－１は、機械学習部１８内に複製されるようにしてもよい。そして、サブ判定部ｉ－１の再学習を繰り返して、汎化性能・正解率を達成した段階で、制御部１２の判定部ｉとして複製されるようにしてもよい。

【0064】

また、ワークＷまたはチップのチェック等の後工程からフィードバックがあった場合、画像ＤＢ内の問題発生時の撮像画像Ｄ１０と、フィードバックに含まれる良否判定及びラベリングの結果を利用して再学習を実施してもよい（ステップＳ４４）。

【0065】

本実施形態によれば、上記の判定と学習又は再学習を繰り返すことにより、所望の汎化性能及び正解率を実現することが可能になる。

【0066】

なお、上記の例では、測定装置１０と加工装置１００が一対一対応の例を示したが、本発明はこれに限定されない。図６に示すように、複数の加工装置１００－１～１００－Ｎに対して１台の測定装置１０が設けられるようにしてもよい。この場合、測定装置１０と複数の加工装置１００－１～１００－Ｎとは専用線により接続されていてもよい。また、加工装置１００－１～１００－Ｎがそれぞれ異なる工場に設置されている場合には、ＶＰＮ（Virtual Private Network）、インターネットＶＰＮ又はＩＰ－ＶＰＮ（Internet Protocol-VPN）を介して接続されていてもよい。この場合、複数の加工装置１００－１～１００－Ｎから教師データＤ１を収集することができるので、機械学習プロセスのさらなる効率化を実現することができる。

【0067】

図７は、欠陥とワーク情報と欠陥に対する対処例の関係を示すテーブルである。図８～図１２は、欠陥の種類を示す図である。

【0068】

図７に示す例では、欠陥の症状の例として、「Ｙズレ」、「表面チッピング」、「バリ」、「膜剥がれ」、「シェルクラック」、「ワークの汚れ」、「表面側で観察される裏面側欠陥」、「表面側から観察されるブレード倒れ」、「異物付着」、「打痕、スクラッチ」及び「水滴による検査不可」が列挙されている。

【0069】

「Ｙズレ」は、ストリートＳＴに対する加工溝Ｃ１の形成位置（ストリートＳＴに垂直なＹ方向の形成位置）にズレが生じる場合である。図８の左上の図は、ストリートＳＴに対して適切なＹ方向位置に加工溝Ｃ１が形成された例を示している（良否判定が「良」）。図８の右上の図は、ストリートＳＴに対して加工溝Ｃ１のＹ方向位置が＋Ｙ側にずれた例を示している（良否判定が「不良」）。図８の左下の図は、ストリートＳＴに対して適切なＹ方向位置に加工溝Ｃ１が形成されているが、顕微鏡１０８のＹ方向位置がずれた例を示している（良否判定が「良」）。図８の左下の図は、加工結果（「Ｙズレ」）に関する良否判定は「良」となっているものの、ストリートＳＴの上下のチップのアンバランスさ（例えば、サイズの相違又は形状の非対称性等）から、装置状態としては「不良」と判断することができる例である。図８の右下の図は、ストリートＳＴに対して加工溝Ｃ１のＹ方向位置が＋Ｙ側にずれており、かつ、顕微鏡１０８のＹ方向位置がずれた例を示している（良否判定が「不良」）。

【0070】

「表面チッピング」は、例えば、ブレードダイサの場合に、ブレードの状態等に起因して生じるワークＷ表面の欠損である（図９の符号Ｅ１～Ｅ２参照。なお、図９の符号Ｅ２は、観察視野に入らない大きなチッピングである。

【0071】

「バリ」は、例えば、ブレードダイサの場合に、ブレードの状態等に起因して加工面に生じる突起等である（図９の符号Ｅ３～Ｅ４参照。なお、図９の符号Ｅ４は、切削水圧により剥離又は分離したバリである。

【0072】

「膜剥がれ」は、例えば、ブレードダイサの場合に、ブレードの状態等に起因して生じる保護膜等の欠落である（図１０の符号Ｅ５～Ｅ６参照）。なお、図９の符号Ｅ２は、観察視野に入らない広範囲にわたる膜剥がれである。

【0073】

「シェルクラック」は、例えば、ブレードダイサの場合に、ブレードの状態等に起因して生じる加工溝Ｃ１の周囲に生じる弧状のクラックである（図１０の符号Ｅ７）。

【0074】

「ワークの汚れ」は、例えば、切削水圧により加工溝Ｃ１の内部から飛散したコンタミネーションの付着等の汚れである（図１０の符号Ｅ８）。

【0075】

「表面側で観察される裏面側欠陥」は、例えば、表面側から透過観察可能な裏面側のチッピング（図１１の符号Ｅ９）、表面側から透過観察可能なワークＷの内部のクラック（図１１の符号Ｅ１０）である。

【0076】

「表面側から観察されるブレード倒れ」は、ワークＷの表面に対してブレードが傾斜して切り込んだことで生じた加工溝Ｃ１のワークＷの表面に対する傾きであり、表面側から透過観察可能なものである（図１１の符号Ｅ１１）。「表面側から観察されるブレード倒れ」は、ワークＷの裏面側の不所望なクラックが発生する要因となり得るし、切削水による物理的接触の要因ともなり得る。

【0077】

「異物付着」は、ブレード、切削水圧又はレーザ照射によりワークＷを切削加工中に発生したテープ等の屑又は金属屑がワークＷの表面に付着することをいう（図１２の符号Ｅ１２）。

【0078】

「打痕、スクラッチ」は、例えば、ブレード、切削水圧又はレーザ照射によりダイシングテープから剥離して飛散したワークＷの個片により生じたワークＷの表面のダメージである（図１２の符号Ｅ１４）。また、散乱したレーザ光が回路パターン領域ＤＲに照射されてダメージが生じることもあり得る。

【0079】

「水滴による検査不可」は、ワークＷの表面、特に加工溝Ｃ１に水滴が付着することにより（図１２の左下図参照）。

【0080】

図７のワーク情報の項には、ワークの種類（シリコンウェハ、基板及び透過性ワーク）ごとに各欠陥が発生する場合には「○」が記載されている。また、欠陥ごとに対処例が記載されている。測定装置１０は、このような対処例を参照することにより、加工装置１００における加工条件にフィードバックすることが可能になる。なお、欠陥の症状の例及び対処例は、図７に例示したものに限定されない。

【0081】

上記に例示したように、加工溝Ｃ１又は加工溝Ｃ１の近傍が正常（「良」）と判定された場合であっても、ストリートＳＴ又は回路パターン領域ＤＲに不具合が発生することがある。特許文献１に記載の方法では、上記のような異常事態は加工溝Ｃ１又は加工溝Ｃ１の近傍を検出対象とするだけでは発見することができない。本実施形態では、加工溝Ｃ１と加工溝Ｃ１の近傍だけではなく、ストリートＳＴ及び回路パターン領域ＤＲの一部を測定対象とするので、ストリートＳＴ又は回路パターン領域ＤＲに生じた不具合を発見することが可能になる。さらに、ストリートＳＴの上下のチップのアンバランスさを確認することで、装置状態の異常を発見することが可能になる。

【0082】

［第２の実施形態］
図１３は、本発明の第２の実施形態に係るカーフチェックの概要を示すブロック図である。以下の説明において、上記の実施形態と同様の構成については、同一又は添字を付した符号を付して説明を省略する場合がある。

【0083】

通常のカーフチェックでは、「不良」と判定されてしまうような異物又は汚れであっても、洗浄によって除去が可能なものは「良」であると判定する方が生産性を高める上で有効である。そのため、本実施形態に係る測定装置１０Ａでは、機械学習は以下のように行われる。

【0084】

すなわち、教師データＤ２として、ワークＷに関するワーク情報Ｄ２０Ａ、加工後洗浄前の画像Ｄ５２及び加工後洗浄後の画像Ｄ５４を入力とし、洗浄後の画像に基づく良否判定の結果を示す良否データと、不良種別及び原因のラベリングの結果を示すラベリングデータを含む正解データＤ７０をラベル（出力）とするものを使用する。機械学習部１８は、加工装置１００から収集して蓄積した教師データＤ２を用いて、判定部ｉの機械学習（教師あり学習（Supervised Learning））を行う。

【0085】

次に、ワークＷの加工時には、カーフチェック実行時のワーク情報Ｄ２０Ａと、加工後洗浄前の画像Ｄ５０から洗浄後の状態を判定部ｉにより推定して、その良否判定及びラベリングデータを行う。

【0086】

良否判定及びラベリングの結果は、出力部１６を介して、測定装置１０Ａのオペレータが確認可能な形式で出力（例えば、モニタ出力）される。また、良否判定及びラベリングの結果は、出力部１６を介して、撮像画像Ｄ１０の入力元の加工装置１００に出力されるようにしてもよく、この場合、出力内容の不良種別・原因によって、その後の処理内容（例えば、ダイシング加工の加工条件等）を変更するようにしてもよい。

【0087】

図１４は、測定装置における学習又は追加学習の手順を示すフローチャートである。

【0088】

まず、加工装置１００のテーブルにワークＷがロードされて（ステップＳ６０）、加工ユニット１０２とのアライメントが行われる（ステップＳ６２）。そして、ＸＹＺθ軸１０４により、加工ユニット１０２とワークＷとの相対移動が行われ、ワークＷの表面に加工溝Ｃ１が形成される（ステップＳ６４）。ステップＳ６４では、加工対象のワークＷの種類に応じて、加工条件（例えば、ブレードの種類又はレーザの照射条件等）等を含むレシピが選択され、このレシピに基づいて加工が行われる。

【0089】

次に、カーフチェック（ステップＳ６６）において、ワークＷに形成された加工溝Ｃ１及び加工溝Ｃ１の近傍に加えて、ストリートＳＴ及び回路パターン領域ＤＲの一部の領域Ａ１を含む領域の画像である撮像画像であって、加工後洗浄前の撮像画像Ｄ５２が顕微鏡１０８により撮像される。また、ワークＷの種類及びレシピに応じてワーク情報Ｄ２０Ａが取得される。そして、撮像画像Ｄ５０と、加工中のワークＷに関するワーク情報Ｄ２０Ａは、装置制御部１１０から測定装置１０Ａの入力部１４を介して機械学習部１８に転送される。

【0090】

次に、加工装置１００において、ワークＷの洗浄が行われた後（ステップＳ６８）、再度カーフチェックが行われる（ステップＳ７０）。すなわち、加工後洗浄後の撮像画像Ｄ５４が顕微鏡１０８により撮像された後、撮像画像Ｄ５４に対して装置制御部１１０の画像処理システムを用いた良否判定の結果を示す良否データと、不良種別及び原因のラベリングの結果を示すラベリングデータ（正解データＤ７０）が作成され、装置制御部１１０から測定装置１０の機械学習部１８に転送される。

【0091】

これにより、機械学習部１８は、加工後洗浄前の撮像画像Ｄ５２、加工後洗浄後の撮像画像Ｄ５４及びワーク情報Ｄ２０Ａと、正解データＤ７０を順次取得する（ステップＳ７２～Ｓ７６）。機械学習部１８は、これらの情報を相互に紐づけることにより、ワークＷに関するワーク情報Ｄ２０Ａ、加工後洗浄前の画像Ｄ５２及び加工後洗浄後の画像Ｄ５４を入力とし、洗浄後の画像に基づく良否判定の結果を示す良否データと、不良種別及び原因のラベリングの結果を示すラベリングデータを含む正解データＤ７０をラベル（出力）とする教師データＤ２を取得することができる。このような教師データＤ２を使用して機械学習を行うことにより、洗浄によって除去が可能なものは「良」であると予測して判定することができ、加工装置１００の加工プロセスの生産性を高めることが可能となる。

【符号の説明】

【0092】

１０…測定装置、１２…制御部、１４…入力部、１６…出力部、１８…機械学習部、１００…加工装置

【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】