特開 2024-46905 マーク検出方法およびコンピュータプログラム

(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】P2024046905

(43)【公開日】2024-04-05

(54)【発明の名称】マーク検出方法およびコンピュータプログラム

(51)【国際特許分類】

   G06T 7/00 20170101AFI20240329BHJP

   G06V 10/82 20220101ALI20240329BHJP

   G03F 9/00 20060101ALI20240329BHJP

【ＦＩ】

G06T7/00 350C

G06V10/82

G03F9/00 A

【審査請求】未請求

【請求項の数】9

【出願形態】ＯＬ

(21)【出願番号】P 2022152267

(22)【出願日】2022-09-26

(71)【出願人】

【識別番号】000207551

【氏名又は名称】株式会社ＳＣＲＥＥＮホールディングス

(74)【代理人】

【識別番号】100135013

【弁理士】

【氏名又は名称】西田 隆美

(72)【発明者】

【氏名】岡山 敏之

(72)【発明者】

【氏名】島田 佳典

【テーマコード（参考）】

2H197

5L096

【Ｆターム（参考）】

2H197DA02

2H197EA19

2H197EB16

2H197HA01

2H197HA02

2H197HA03

2H197HA04

2H197HA05

5L096AA06

5L096BA03

5L096CA02

5L096DA02

5L096EA05

5L096EA35

5L096FA12

5L096FA33

5L096FA66

5L096FA69

5L096GA08

5L096GA30

5L096HA11

5L096KA04

(57)【要約】

【課題】アライメントマークを探す作業者の負担を軽減できる技術を提供する。
【解決手段】コンピュータ２０により、エンコード工程と、画像選択工程とを実行する。エンコード工程では、学習済みのＶＡＥモデルＭに、対象物の複数の部分画像Ｄ２を入力し、複数の部分画像Ｄ２を多次元の潜在空間における複数の潜在変数にエンコードする。画像選択工程では、潜在空間における複数の潜在変数の分布に基づき、アライメントマークを含む可能性がある１つまたは複数の部分画像Ｄ２を選択する。このように、ＶＡＥモデルＭを利用して、アライメントマークを含む可能性がある部分画像を、コンピュータ２０により自動検出する。これにより、アライメントマークを探す作業者の負担を軽減できる。
【選択図】図２

【特許請求の範囲】

【請求項1】

対象物からアライメントマークを検出するマーク検出方法であって、
学習済みのＶＡＥモデルに、前記対象物の複数の部分画像を入力し、前記複数の部分画像を多次元の潜在空間における複数の潜在変数にエンコードするエンコード工程と、
前記潜在空間における前記複数の潜在変数の分布に基づき、前記アライメントマークを含む可能性がある１つまたは複数の部分画像を選択する画像選択工程と、
をコンピュータにより実行する、マーク検出方法。

【請求項2】

請求項１に記載のマーク検出方法であって、
前記画像選択工程は、
ａ）前記潜在空間において、前記潜在変数ごとに、最も近い潜在変数までの距離を算出する工程と、
ｂ）前記距離が他の潜在変数よりも大きい１つまたは所定数の潜在変数に対応する１つまたは所定数の部分画像を、前記アライメントマークを含む可能性がある１つまたは複数の部分画像として選択する工程と、
を有する、マーク検出方法。

【請求項3】

請求項１または請求項２に記載のマーク検出方法であって、
前記エンコード工程よりも前に、
前記対象物の画像から特徴的な形状を含む部分画像を抽出する部分画像抽出工程
をさらに実行し、
前記エンコード工程では、前記部分画像抽出工程により抽出された部分画像を前記ＶＡＥモデルに入力する、マーク検出方法。

【請求項4】

請求項１または請求項２に記載のマーク検出方法であって、
教師あり学習により作成された分類器により、前記複数の部分画像から、プローブ痕、傷、またはパーティクルを有する部分画像を除去する画像除去工程
をさらに実行する、マーク検出方法。

【請求項5】

請求項１または請求項２に記載のマーク検出方法であって、
機械学習により前記ＶＡＥモデルを作成または更新する学習工程
をさらに実行し、
前記学習工程では、前記対象物の学習用の入力画像を前記ＶＡＥモデルに入力し、前記入力画像と、前記潜在変数からデコードされた再構成画像との差分が小さくなるように、かつ、前記潜在空間における前記潜在変数の分布が所定の確率分布となるように、前記ＶＡＥモデルのパラメータを調整する、マーク検出方法。

【請求項6】

請求項５に記載のマーク検出方法であって、
前記学習工程は、
前記潜在空間を第１の次元数として機械学習を行う調整前学習工程と、
前記調整前学習工程の後、前記潜在空間の各次元における前記潜在変数の分布に基づいて、前記潜在空間の次元数を、前記第１の次元数よりも少ない第２の次元数に変更する次元数調整工程と、
前記潜在空間を前記第２の次元数として機械学習を行う調整後学習工程と、
を有する、マーク検出方法。

【請求項7】

請求項６に記載のマーク検出方法であって、
前記次元調整工程では、前記潜在空間における前記複数の潜在変数の成分毎に算出された分散または標準偏差に基づいて、前記潜在空間の次元数を減らす、マーク検出方法。

【請求項8】

請求項５に記載のマーク検出方法であって、
前記学習工程は、
第１入力画像に基づいて機械学習を行う第１学習工程と、
前記第１学習工程の後、前記潜在空間における潜在変数の複数の成分うち、標準偏差または分散が大きい所定数の有効成分を決定する有効成分決定工程と、
前記有効成分のみに値をもつ有効ベクトルをデコードすることにより、補正画像を生成する補正画像生成工程と、
前記第１入力画像に前記補正画像をブレンドすることにより、第２入力画像を生成する入力画像補正工程と、
前記第２入力画像に基づいて機械学習を行う第２学習工程と、
を有する、マーク検出方法。

【請求項9】

前記コンピュータに、請求項１または請求項２に記載のマーク検出方法を実行させるコンピュータプログラム。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、対象物からアライメントマークを検出する技術に関する。

【背景技術】

【0002】

従来、半導体製造装置のように、対象物に対して精密な処理を行う装置では、対象物に付されたアライメントマークに基づいて、対象物の位置合わせを行っている。アライメントマークにより対象物の位置合わせを行う従来の技術については、例えば、特許文献１に記載されている。

【先行技術文献】

【特許文献】

【0003】

【特許文献1】特開２０２２－０６８８３２号公報

【発明の概要】

【発明が解決しようとする課題】

【0004】

この種の装置において、対象物の位置合わせを行うときには、従来、作業者が、対象物の画像を拡大しながら、アライメントマークを目視で探していた。しかしながら、このような従来の方法では、アライメントマークの設定に時間がかかり、作業者の負担も大きい。

【0005】

本発明は、このような事情に鑑みなされたものであり、アライメントマークを探す作業者の負担を軽減できる技術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】

【0006】

上記課題を解決するため、本願の第１発明は、対象物からアライメントマークを検出するマーク検出方法であって、学習済みのＶＡＥモデルに、前記対象物の複数の部分画像を入力し、前記複数の部分画像を多次元の潜在空間における複数の潜在変数にエンコードするエンコード工程と、前記潜在空間における前記複数の潜在変数の分布に基づき、前記アライメントマークを含む可能性がある１つまたは複数の部分画像を選択する画像選択工程と、をコンピュータにより実行する。

【0007】

本願の第２発明は、第１発明のマーク検出方法であって、前記画像選択工程は、ａ）前記潜在空間において、前記潜在変数ごとに、最も近い潜在変数までの距離を算出する工程と、ｂ）前記距離が他の潜在変数よりも大きい１つまたは所定数の潜在変数に対応する１つまたは所定数の部分画像を、前記アライメントマークを含む可能性がある１つまたは複数の部分画像として選択する工程と、を有する。

【0008】

本願の第３発明は、第１発明または第２発明のマーク検出方法であって、前記エンコード工程よりも前に、前記対象物の画像から特徴的な形状を含む部分画像を抽出する部分画像抽出工程をさらに実行し、前記エンコード工程では、前記部分画像抽出工程により抽出された部分画像を前記ＶＡＥモデルに入力する。

【0009】

本願の第４発明は、第１発明から第３発明までのいずれか１発明のマーク検出方法であって、教師あり学習により作成された分類器により、前記複数の部分画像から、プローブ痕、傷、またはパーティクルを有する部分画像を除去する画像除去工程をさらに実行する。

【0010】

本願の第５発明は、第１発明から第４発明までのいずれか１発明のマーク検出方法であって、機械学習により前記ＶＡＥモデルを作成または更新する学習工程をさらに実行し、前記学習工程では、前記対象物の学習用の入力画像を前記ＶＡＥモデルに入力し、前記入力画像と、前記潜在変数からデコードされた再構成画像との差分が小さくなるように、かつ、前記潜在空間における前記潜在変数の分布が所定の確率分布となるように、前記ＶＡＥモデルのパラメータを調整する。

【0011】

本願の第６発明は、第５発明のマーク検出方法であって、前記学習工程は、前記潜在空間を第１の次元数として機械学習を行う調整前学習工程と、前記調整前学習工程の後、前記潜在空間の各次元における前記潜在変数の分布に基づいて、前記潜在空間の次元数を、前記第１の次元数よりも少ない第２の次元数に変更する次元数調整工程と、前記潜在空間を前記第２の次元数として機械学習を行う調整後学習工程と、を有する。

【0012】

本願の第７発明は、第６発明のマーク検出方法であって、前記次元調整工程では、前記潜在空間における前記複数の潜在変数の成分毎に算出された分散または標準偏差に基づいて、前記潜在空間の次元数を減らす。

【0013】

本願の第８発明は、第５発明から第７発明までのいずれか１発明のマーク検出方法であって、前記学習工程は、第１入力画像に基づいて機械学習を行う第１学習工程と、前記第１学習工程の後、前記潜在空間における潜在変数の複数の成分うち、標準偏差または分散が大きい所定数の有効成分を決定する有効成分決定工程と、前記有効成分のみに値をもつ有効ベクトルをデコードすることにより、補正画像を生成する補正画像生成工程と、前記第１入力画像に前記補正画像をブレンドすることにより、第２入力画像を生成する入力画像補正工程と、前記第２入力画像に基づいて機械学習を行う第２学習工程と、を有する。

【0014】

本願の第９発明は、コンピュータプログラムであって、コンピュータに、第１発明から第８発明までのいずれか１発明のマーク検出方法を実行させる。

【発明の効果】

【0015】

本願の第１発明～第９発明によれば、ＶＡＥモデルを利用して、アライメントマークを含む可能性がある部分画像を、コンピュータにより自動検出する。これにより、アライメントマークを探す作業者の負担を軽減できる。

【0016】

特に、本願の第２発明によれば、潜在変数間の距離に基づいて、同様の特徴が少ない部分画像を選択する。これにより、アライメントマークを含む可能性がある部分画像を適切に選択できる。

【0017】

特に、本願の第３発明によれば、特徴的な形状を含む部分画像を予め抽出し、抽出された部分画像をＶＡＥモデルに入力する。これにより、ＶＡＥモデルに入力する部分画像の数を減らすことができる。その結果、エンコード工程および画像選択工程の処理を高速化できる。

【0018】

特に、本願の第４発明によれば、プローブ痕、傷、またはパーティクルを有する部分画像が選択されることを抑制できる。これにより、アライメントマークの検出精度を向上させることができる。

【0019】

特に、本願の第６発明によれば、潜在空間の次元数を、適正な次元数に調整できる。これにより、エンコード工程および画像選択工程の処理を、より高速化できる。

【0020】

特に、本願の第８発明によれば、第１入力画像の特徴を捉えている有効成分のみに値をもつ有効ベクトルに基づいて補正画像を作成し、当該補正画像を第１入力画像にブレンドする。これにより、第１入力画像の特徴的な要素を強調した第２入力画像を生成できる。そして、当該第２入力画像に基づいて機械学習を行うことにより、より精度のよいＶＡＥモデルを作成できる。その結果、アライメントマークの検出を、より精度よく行うことができる。

【図面の簡単な説明】

【0021】

【図1】検査装置の構成を示した図である。

【図2】コンピュータの機能を概念的に示したブロック図である。

【図3】ＶＡＥモデルを概念的に示した図である。

【図4】学習処理の流れを示すフローチャートである。

【図5】検査処理の流れを示すフローチャートである。

【図6】潜在空間における潜在変数の分布の例を、概念的に示した図である。

【図7】第１変形例に係る検査処理の流れを示すフローチャートである。

【図8】第２変形例に係る学習処理の流れを示すフローチャートである。

【図9】複数の潜在変数の分散を、成分毎に算出した結果の例を示したグラフである。

【図10】第３変形例に係る学習処理の流れ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】

【0022】

以下、本発明の実施形態について、図面を参照しつつ説明する。

【0023】

＜１．検査装置の構成＞
図１は、検査装置１の構成を示した図である。この検査装置１は、本発明の一実施形態に係るマーク検出方法を実行しつつ、対象物９の検査を行う装置である。対象物９は、例えば、半導体基板である。ただし、対象物９は、液晶表示装置等のフラットパネルディスプレイに使用されるガラス基板であってもよい。また、対象物９は、プリント基板や電池部品等の他の精密電子部品であってもよい。また、対象物９は、印刷用紙等のシート状の基材であってもよい。

【0024】

図１に示すように、検査装置１は、撮像部１０、コンピュータ２０、および表示部３０を備える。

【0025】

撮像部１０は、対象物９を撮影するためのカメラ１１を有する。カメラ１１は、ＣＣＤやＣＭＯＳ等の撮像素子と、対象物９から入射する光を撮像素子に結像させる光学系とを有する。また、撮像部１０は、撮影時に対象物９に光を照射する照明装置を有していてもよい。撮像部１０は、コンピュータ２０と電気的に接続されている。

【0026】

図１に示すように、対象物９の表面には、配線パターンなどの被検査パターン９１が形成されている。また、対象物９の表面には、アライメントマーク９２が付されている。アライメントマーク９２は、複数の対象物９を同じ位置で検査するために、検査装置１における対象物９の位置合わせを行うためのマークである。撮像部１０は、被検査パターン９１およびアライメントマーク９２を撮像する。これにより、被検査パターン９１およびアライメントマーク９２を含む撮影画像Ｄ１が得られる。撮影画像Ｄ１は、多数の画素が二次元座標上に配列され、各画素に輝度値が規定されたデータである。撮像部１０は、撮影により得られた撮影画像Ｄ１を、コンピュータ２０へ入力する。

【0027】

コンピュータ２０は、撮像部１０から入力される撮影画像Ｄ１に基づいて、対象物９のアライメントを行うとともに、対象物９の検査を行う情報処理装置である。図１に示すように、コンピュータ２０は、ＣＰＵ等のプロセッサ２１、ＲＡＭ等のメモリ２２、およびハードディスクドライブ等の記憶部２３を有する。

【0028】

記憶部２３には、後述する学習処理、アライメントマーク９２の検出処理、アライメント処理、および検査処理をコンピュータ２０に実行させるためのコンピュータプログラム２４が記憶されている。コンピュータプログラム２４は、ＣＤやＤＶＤなどのコンピュータ２０により読み取り可能な記憶媒体から読み取られて、記憶部２３に記憶される。ただし、コンピュータプログラム２４は、ネットワーク経由でコンピュータ２０にダウンロードされるものであってもよい。

【0029】

表示部３０は、検査装置１の処理に関する種々の情報を表示する装置である。表示部３０には、例えば、液晶表示装置が使用される。表示部３０は、コンピュータ２０と電気的に接続されている。表示部３０は、コンピュータ２０から出力される情報を、画面に表示する。表示部３０に表示される情報には、例えば、後述するアライメントマーク９２の検出結果や、対象物９の検査結果が含まれる。

【0030】

図２は、上述したコンピュータ２０の機能を、概念的に示したブロック図である。図２に示すように、コンピュータ２０は、学習部４１、部分画像抽出部４２、エンコード部４３、最近傍距離算出部４４、画像選択部４５、アライメント部４６、および検査部４７を有する。学習部４１、部分画像抽出部４２、エンコード部４３、最近傍距離算出部４４、画像選択部４５、アライメント部４６、および検査部４７の各機能は、コンピュータ２０のプロセッサ２１が、コンピュータプログラム２４に従って動作することにより実現される。これらの各部の機能を、以下に、処理の流れとともに説明する。

【0031】

＜２．学習処理について＞
まず、検査装置１において、検査処理よりも前に予め実行される学習処理について、説明する。

【0032】

学習処理は、機械学習によりＶＡＥ（Variational Auto Encoder）モデルＭを作成する処理である。図３は、ＶＡＥモデルＭを概念的に示した図である。ＶＡＥモデルＭは、入力画像Ｄｉに対して、エンコードおよびデコードを行うことにより、再構成画像Ｄｏを出力する学習モデルである。

【0033】

図３に示すように、ＶＡＥモデルＭは、エンコーダ部Ｍｅとデコーダ部Ｍｄとを有する。エンコーダ部Ｍｅは、入力画像Ｄｉを、多次元の潜在空間（特徴空間）ＬＳにおける潜在変数に変換（エンコード）する処理部である。潜在変数は、潜在空間ＬＳの各次元の成分をもつベクトル値として表される。デコーダ部Ｍｄは、潜在変数から画像を復元（デコード）して、入力画像Ｄｉに近似した再構成画像Ｄｏを出力する処理である。エンコーダ部Ｍｅおよびデコーダ部Ｍｄには、多層ニューラルネットワークが使用される。

【0034】

潜在空間ＬＳにおいて、１つの潜在変数は、１つの入力画像Ｄｉの特徴を表す。ＶＡＥモデルＭでは、潜在空間ＬＳにおける潜在変数の分布が、所定の確率分布となるように、多数の入力画像Ｄｉをエンコードする。確率分布には、例えば、正規分布が使用される。

【0035】

図４は、学習処理の流れを示すフローチャートである。コンピュータ２０は、予め用意された多数の学習用の対象物９の入力画像Ｄｉ（後述する部分画像Ｄ２に相当する画像）を、ＶＡＥモデルＭに入力する（ステップＳ１１）。そうすると、ＶＡＥモデルＭは、各入力画像Ｄｉに対して、エンコードおよびデコードを行い、再構成画像Ｄｏを出力する（ステップＳ１２）。

【0036】

コンピュータ２０の学習部４１は、入力画像Ｄｉと再構成画像Ｄｏとの差分が小さくなるように、かつ、潜在空間ＬＳにおける潜在変数の分布が上述した所定の確率分布となるように、ＶＡＥモデルＭのパラメータを調整する（ステップＳ１３）。具体的には、入力画像Ｄｉと再構成画像Ｄｏとの差分を表す評価関数をＭＳＥ、潜在空間ＬＳにおける潜在変数の分布の所定の確率分布からのずれ量を表す評価関数をＫＬＤとして、損失関数Ｌｏｓｓを次の式（１）で表す。そして、学習部４１は、この損失関数Ｌｏｓｓが最小となるように、ＶＡＥモデルＭのパラメータを調整する。
Ｌｏｓｓ＝ＭＳＥ＋β×ＫＬＤ ・・・（１）

【0037】

上記の式（１）において、βは、損失関数Ｌｏｓｓにおける評価関数ＫＬＤの重みを表す係数である。係数βを変化させることにより、２つの評価関数ＭＳＥ，ＫＬＤの重み付けを調整できる。これにより、損失関数Ｌｏｓｓをより適正化し、ＶＡＥモデルＭの精度を、より向上させることができる。

【0038】

学習部４１は、このようなステップＳ１１～Ｓ１３の処理を、所定の終了条件を満たすまで繰り返す（ステップＳ１４）。これにより、対象物９の入力画像Ｄｉに基づいて再構成画像Ｄｏを精度よく出力可能なＶＡＥモデルＭが生成される。

【0039】

なお、学習部４１は、一旦ＶＡＥモデルＭを作成した後、ＶＡＥモデルＭを更新するために、上記の学習処理を再度行ってもよい。

【0040】

＜３．検査処理について＞
続いて、対象物９の検査処理について説明する。図５は、検査処理の流れを示すフローチャートである。

【0041】

対象物９の検査を行うときには、まず、撮像部１０が、対象物９を撮影する（ステップＳ２１）。本実施形態では、撮像部１０は、対象物９のアライメントマーク９２を含む一部分（アライメントマーク９２の探索範囲）を撮影する。これにより、アライメントマーク９２と、アライメントマーク９２の周囲に存在する被検査パターン９１の一部とを含む撮影画像Ｄ１が得られる。撮像部１０は、得られた撮影画像Ｄ１を、コンピュータ２０へ入力する。

【0042】

次に、コンピュータ２０の部分画像抽出部４２が、撮影画像Ｄ１から、撮影画像Ｄ１よりも小さい複数の部分画像Ｄ２を抽出する（ステップＳ２２）。ステップＳ２２は、本発明における「部分画像抽出工程」の一例である。部分画像Ｄ２は、アライメントマーク９２を含む画像の候補となる画像である。

【0043】

アライメントマーク９２は、典型的には十字状または矩形状であり、直角のコーナーを含んでいる。このため、本実施形態では、部分画像抽出部４２は、まず、撮影画像Ｄ１中のコーナーを検出する。そして、部分画像抽出部４２は、コーナーを中心とする所定サイズの画像を、部分画像Ｄ２として抽出する。

【0044】

部分画像抽出部４２は、例えば、Harrisのコーナー検出アルゴリズムを使用して、撮影画像Ｄ１中のコーナーを検出する。ただし、部分画像抽出部４２は、コーナーに限らず、円形状や配線パターンなどの特徴的な形状を含む部分画像Ｄ２を抽出してもよい。また、部分画像抽出部４２は、Harrisのコーナー検出アルゴリズムに代えて、SIFT、SURF、ORBなどの他の特徴検出アルゴリズムを使用してもよい。

【0045】

本実施形態では、撮影画像Ｄ１の全ての領域から部分画像Ｄ２を切り出すのではなく、コーナーを含む部分画像Ｄ２のみを抽出する。このようにすれば、アライメントマーク９２を含む画像の候補となる部分画像Ｄ２の数を減らすことができる。これにより、次のステップＳ２３において、ＶＡＥモデルＭに入力する部分画像Ｄ２の数を減らすことができる。その結果、ステップＳ２３～Ｓ２６の処理を高速化できる。

【0046】

コンピュータ２０のエンコード部４３は、抽出された複数の部分画像Ｄ２を、ＶＡＥモデルＭに入力する（ステップＳ２３）。そうすると、ＶＡＥモデルＭは、複数の部分画像Ｄ２をエンコードする（ステップＳ２４）。ステップＳ２３～Ｓ２４は、本発明における「エンコード工程」の一例である。これにより、複数の部分画像Ｄ２が、多次元の潜在空間ＬＳにおける複数の潜在変数に変換される。上述の通り、潜在空間ＬＳにおいて、複数の潜在変数は、所定の確率分布（例えば正規分布）に従って分布する。特徴の近い部分画像Ｄ２は、エンコードされることにより、潜在空間ＬＳにおいて、互いに距離が近い潜在変数となる。

【0047】

続いて、コンピュータ２０の最近傍距離算出部４４は、潜在空間ＬＳにおいて、潜在変数ごとに、最も近い潜在変数までの距離（以下「最近傍距離Ｌｍ」と称する）を算出する（ステップＳ２５）。図６は、潜在空間ＬＳにおける潜在変数の分布の例を、概念的に示した図である。図６の例では、潜在空間ＬＳ中の１つの潜在変数（破線で囲んだ潜在変数）についての最近傍距離Ｌｍが示されている。最近傍距離算出部４４は、このような最近傍距離Ｌｍを、全ての潜在変数について算出する。

【0048】

潜在変数の最近傍距離Ｌｍが小さい場合、潜在空間ＬＳにおいて、その潜在変数の近傍に他の潜在変数が存在することを意味する。これは、その潜在変数に対応する部分画像Ｄ２に特徴が近い部分画像Ｄ２が存在することを表す。逆に、潜在変数の最近傍距離Ｌｍが大きい場合、潜在空間ＬＳにおいて、その潜在変数の近傍に他の潜在変数が存在しないことを意味する。これは、その潜在変数に対応する部分画像Ｄ２に特徴が近い部分画像Ｄ２が存在しないことを表す。

【0049】

コンピュータ２０の画像選択部４５は、ステップＳ２５において算出された最近傍距離Ｌｍに基づき、複数の部分画像Ｄ２から、アライメントマーク９２を含む可能性がある部分画像Ｄ２を選択する（ステップＳ２６）。ステップＳ２５～Ｓ２６は、本発明における「画像選択工程」の一例である。

【0050】

画像選択部４５は、例えば、最近傍距離Ｌｍが他の潜在変数よりも大きい所定数の潜在変数に対応する所定数の部分画像Ｄ２を、アライメントマーク９２を含む可能性がある部分画像Ｄ２として選択する。選択される部分画像Ｄ２の数は、例えば５つとすればよい。そして、画像選択部４５は、選択した所定数の部分画像Ｄ２を、表示部３０に表示する。その際、所定数の部分画像Ｄ２を、最近傍距離Ｌｍが大きい順にソートした状態で、表示部３０に表示してもよい。

【0051】

作業者は、表示部３０に表示された所定数の部分画像Ｄ２から、アライメントマーク９２が含まれる部分画像Ｄ２を指定して、コンピュータ２０に入力する。これにより、作業者は、アライメントマーク９２を一から探す場合よりも容易に、アライメントマーク９２を指定することができる。

【0052】

なお、画像選択部４５は、最近傍距離Ｌｍが他の潜在変数よりも大きい１つの潜在変数に対応する１つの部分画像Ｄ２のみを、アライメントマーク９２を含む可能性がある部分画像Ｄ２として選択してもよい。その場合、作業者は、選択された部分画像Ｄ２を表示部３０上で確認し、画像選択部４５による部分画像Ｄ２の選択が正しいか否かを、コンピュータ２０に入力するようにしてもよい。

【0053】

対象物９の表面の２箇所以上の領域においてアライメントマークを検出する場合、コンピュータ２０は、各領域について、それぞれ、上述したステップＳ２１～Ｓ２６の処理を行う。これにより、コンピュータ２０は、各領域において、アライメントマーク９２を含む部分画像Ｄ２を選択できる。

【0054】

以上のように、この検査装置１は、複数の部分画像Ｄ２をＶＡＥモデルＭに入力し、潜在空間ＬＳにおける複数の潜在変数の分布に基づいて、アライメントマーク９２を含む可能性がある部分画像Ｄ２を選択する。このようにすれば、コンピュータ２０により、アライメントマーク９２を含む部分画像Ｄ２を自動的に検出できる。したがって、アライメントマーク９２を探す作業者の負担を軽減できる。

【0055】

特に、本実施形態では、潜在空間ＬＳにおける各潜在変数の最近傍距離Ｌｍに基づいて、部分画像Ｄ２を選択する。これにより、同様の特徴が少ない部分画像Ｄ２を選択できる。このため、被検査パターン９１とは異なる特徴を有するアライメントマーク９２を、適切に検出できる。

【0056】

その後、コンピュータ２０のアライメント部４６が、選択された部分画像Ｄ２に基づいて、対象物９のアライメントを行う（ステップＳ２７）。このステップＳ２７では、アライメント部４６が、選択された部分画像Ｄ２に含まれるアライメントマーク９２の位置を、画像処理により特定する。そして、アライメント部４６は、特定されたアライメントマーク９２の位置に基づいて、対象物９の位置合わせを行う。

【0057】

対象物９の位置合わせは、例えば、カメラ１１に対する対象物９の相対位置を、微調整することにより行われる。その際、対象物９を移動させてもよいし、カメラ１１を移動させてもよい。

【0058】

アライメントが完了すると、コンピュータ２０の検査部４７が、対象物９の検査を行う（ステップＳ２８）。具体的には、対象物９の表面のうち、アライメントマーク９２を基準として設定される所定の検査範囲を、カメラ１１により撮影する。そして、得られた撮影画像に基づいて、対象物９の被検査パターン９１に欠陥が無いかどうかを検査する。

【0059】

検査部４７は、例えば、撮影画像を、予め用意された基準画像と比較することにより、欠陥を検出する。ただし、検査部４７は、上述したＶＡＥモデルＭに撮影画像を入力し、撮影画像と再構成画像との差分に基づいて、被検査パターン９１の欠陥を検出してもよい。検査部４７は、検査結果を表示部３０に表示する。

【0060】

＜４．変形例＞
以上、本発明の一実施形態について説明したが、本発明は、上記の実施形態に限定されるものではない。以下では、種々の変形例について、上記の実施形態との相違点を中心に説明する。

【0061】

＜４－１．第１変形例＞
上記の実施形態では、ＶＡＥモデルＭの潜在空間ＬＳにおける潜在変数の最近傍距離Ｌｍに基づいて、特徴が近い部分画像Ｄ２が他に無い部分画像Ｄ２を、アライメントマーク９２を含む部分画像Ｄ２と推定していた。しかしながら、この方法では、対象物９にプローブ痕、傷、またはパーティクルなどの固有の欠陥が存在する場合、当該欠陥を含む部分画像Ｄ２を、上記のステップＳ２５において選択してしまう可能性がある。

【0062】

このような誤検出を抑制するために、図７のように、プローブ痕、傷、またはパーティクルを含む部分画像Ｄ２を除去する工程（ステップＳ２６Ａ）を追加してもよい。ステップＳ２６Ａでは、例えば、教師あり機械学習により作成された分類器により、複数の部分画像Ｄ２から、プローブ痕、傷、またはパーティクルを含む部分画像Ｄ２を除去すればよい。

【0063】

分類器は、部分画像Ｄ２を入力とし、プローブ痕、傷、またはパーティクルの有無に応じた部分画像Ｄ２の分類結果を出力とする、学習済みモデルである。分類器は、予め、教師あり機械学習が可能な学習モデルに、プローブ痕、傷、またはパーティクルが存在する既知の部分画像Ｄ２と、プローブ痕、傷、またはパーティクルが存在しない既知の部分画像Ｄ２とを、学習させておけばよい。

【0064】

このようにすれば、プローブ痕、傷、またはパーティクルを含む部分画像Ｄ２を、アライメントマーク９２を含む部分画像Ｄ２として誤検出してしまうことを、抑制できる。したがって、アライメントマーク９２の検出精度を、より向上させることができる。

【0065】

なお、図７の例では、ステップＳ２６Ａを、ステップＳ２６の後に実行している。しかしながら、ステップＳ２６Ａは、ステップＳ２６の前に実行してもよい。

【0066】

＜４－２．第２変形例＞
上記の実施形態では、多次元の潜在空間ＬＳにおける潜在変数の分布に基づいて、アライメントマーク９２を含む部分画像Ｄ２を選択していた。このような処理においては、潜在空間ＬＳの次元数が多すぎると、処理にかかる時間が長くなる。そこで、以下に示す手順で、潜在空間ＬＳの次元数を調整してもよい。

【0067】

図８は、潜在空間ＬＳの次元数を調整しつつ、学習処理を行う手順を示すフローチャートである。図８の例では、まず、学習部４１が、潜在空間ＬＳの次元数を第１の次元数として、機械学習を行う（ステップＳ３１，調整前学習工程）。ステップＳ３１では、上述した図４のステップＳ１１～Ｓ１４と同様の処理を行う。これにより、ＶＡＥモデルＭを一旦作成する。第１の次元数は、画像の再構成を十分な精度で行うことができる次元数とし、例えば５１２次元とする。

【0068】

次に、学習部４１は、潜在空間ＬＳの各次元における潜在変数の分布に基づいて、潜在空間ＬＳの次元数を、第１の次元数から、第１の次元数よりも少ない第２の次元数に変更する（ステップＳ３２，次元調整工程）。上述の通り、潜在変数は、潜在空間ＬＳの各次元の成分をもつベクトル値として表される。このステップＳ３２では、潜在空間ＬＳにおける複数の潜在変数の分散を、成分毎に算出する。

【0069】

図９は、複数の潜在変数の分散を、成分毎に算出した結果の例を示したグラフである。図９の横軸は、潜在空間ＬＳの各次元に対応する成分を示している。図９の縦軸は、分散の値を示している。図９のグラフは、分散の値が高い成分から順にソートした状態で示している。図９の例では、０よりも大きい分散の値が出ている成分の数は、６４成分以下である。このため、実質的に部分画像Ｄ２の特徴を捉えている成分の数は、６４成分以下であると考えられる。

【0070】

ステップＳ３２では、このような成分毎の分散の算出結果に基づいて、潜在空間ＬＳの次元数を減らす。例えば、図９の例では、潜在空間ＬＳの次元数を、実質的に部分画像Ｄ２の特徴を捉えている成分を含み、かつ、第１の次元数よりも少ない６４次元を、第２の次元数とすればよい。これにより、潜在空間ＬＳの次元数を適正化できる。なお、ステップＳ３２の処理では、上記の分散に代えて、標準偏差を使用してもよい。

【0071】

その後、学習部４１は、潜在空間ＬＳの次元数を第２の次元数として、機械学習を行う（ステップＳ３３，調整後学習工程）。ステップＳ３３では、上述した図４のステップＳ１１～Ｓ１４と同様の処理を行う。これにより、ＶＡＥモデルＭを再作成する。このようにすれば、次元数が適正化されたＶＡＥモデルＭを作成できる。したがって、上述したステップＳ２３～Ｓ２６の処理を、より高速化できる。

【0072】

＜４－３．第３変形例＞
また、ＶＡＥモデルＭにおける特徴抽出の精度を向上させるために、学習時の入力画像Ｄｉを、次のように加工してもよい。

【0073】

図１０は、入力画像Ｄｉを加工する場合の学習の手順を示すフローチャートである。図１０の例では、まず、学習部４１が、加工していない入力画像Ｄｉ（以下「第１入力画像Ｄｉ１」と称する）に基づいて、機械学習を行う（ステップＳ４１，第１学習工程）。ステップＳ４１では、上述した図４のステップＳ１１～Ｓ１４と同様の処理を行う。これにより、ＶＡＥモデルＭを一旦作成する。

【0074】

次に、学習部４１は、作成されたＶＡＥモデルＭにおいて、上述したステップＳ３２と同様に、潜在空間ＬＳにおける複数の潜在変数の分散または標準偏差を、成分毎に算出する。そして、潜在変数の複数の成分のうち、分散または標準偏差が大きい所定数の成分（以下「有効成分」と称する）を決定する（ステップＳ４２，有効成分決定工程）。有効成分は、例えば、分散または標準偏差の値が大きい上位１０％の成分とすればよい。

【0075】

続いて、学習部４１は、上記の有効成分のみに値をもつ潜在空間ＬＳのベクトル（以下「有効ベクトル」と称する）を作成する。有効ベクトルは、例えば、上記の有効成分の基本ベクトルに、１以上の所定値を乗算することにより作成する。そして、学習部４１は、当該有効ベクトルを、ＶＡＥモデルＭのデコーダ部Ｍｄでデコードすることにより、補正画像を生成する（ステップＳ４３，補正画像生成工程）。

【0076】

続いて、学習部４１は、第１入力画像Ｄｉ１に、ステップＳ４３で生成された補正画像をブレンドする。これにより、補正された入力画像Ｄｉ（以下「第２入力画像Ｄｉ２」と称する）が生成される（ステップＳ４４，入力画像補正工程）。学習部４１は、例えば、αブレンディングの手法を用いて、第１入力画像Ｄｉ１に補正画像をブレンドする。ただし、学習部４１は、αブレンディング以外の手法を用いて、第１入力画像Ｄｉ１に補正画像をブレンドしてもよい。生成された第２入力画像Ｄｉ２は、第１入力画像Ｄｉ１の特徴的な要素が強調された画像となる。

【0077】

その後、学習部４１は、第２入力画像Ｄｉ２に基づいて、機械学習を行う（ステップＳ４５，第２学習工程）。ステップＳ４５では、上述した図４のステップＳ１１～Ｓ１４と同様の処理を行う。これにより、ＶＡＥモデルＭを再作成する。このように、ステップＳ４５では、第１入力画像Ｄｉ１の特徴的な要素を強調した第２入力画像Ｄｉ２に基づいて、機械学習を行う。これにより、より精度のよいＶＡＥモデルＭを作成できる。したがって、上述したステップＳ２３～Ｓ２６によるアライメントマーク９２の検出を、より精度よく行うことができる。

【0078】

＜４－４．他の変形例＞
上記の実施形態では、画像選択部４５は、最近傍距離Ｌｍに基づいて、アライメントマーク９２を含む可能性がある部分画像Ｄ２を選択していた。しかしながら、画像選択部４５は、最近防距離Ｌｍとは異なる方法で、アライメントマーク９２を含む可能性がある部分画像Ｄ２を選択してもよい。例えば、各潜在変数の周囲における潜在変数の密度に基づいて、アライメントマーク９２を含む可能性がある部分画像Ｄ２を選択してもよい。

【0079】

また、上記の実施形態では、対象物９の表面に、配線パターンとは別に付されたアライメントマーク９２を検出する例について説明した。しかしながら、本発明のマーク検出方法は、対象物９に付された配線パターン等の多数のパターンの中から、アライメントマークとして使用可能なパターンを検出するものであってもよい。

【0080】

また、上記の実施形態では、検査装置１におけるアライメントについて説明した。しかしながら、本発明のマーク検出方法は、検査装置以外の装置において、アライメントマークを検出するものであってもよい。例えば、本発明のマーク検出方法は、対象物に対して露光または描画を行う装置において、対象物からアライメントマークを検出するものであってもよい。

【0081】

また、上述した方法や装置の細部については、本発明の趣旨を逸脱しない範囲で、適宜に変更したり、一部を省略したりすることが可能である。また、上記の実施形態や変形例に登場した各要素を、矛盾が生じない範囲で、適宜に組み合わせてもよい。

【0082】

＜５．他の観点の発明＞
＜５－１．第１の観点＞
なお、「プローブ痕、傷、またはパーティクルを含む部分画像を除去しつつ、アライメントマークを含む可能性がある部分画像を検出すること」を第１の課題として設定すれば、ＶＡＥモデルの使用を必須要件とせず、それに変えて「画像除去工程」を必須要件とする発明を、上記の実施形態および変形例から抽出することができる。

【0083】

当該発明は、例えば、「対象物からアライメントマークを検出するマーク検出方法であって、前記対象物の複数の部分画像から、アライメントマークを含む可能性がある１つまたは複数の部分画像を選択する画像選択工程と、教師あり学習により作成された分類器により、前記複数の部分画像から、プローブ痕、傷、またはパーティクルを有する部分画像を除去する画像除去工程と、をコンピュータにより実行する、マーク検出方法。」となる。

【0084】

この発明によれば、プローブ痕、傷、またはパーティクルを有する部分画像が選択されることを抑制できる。これにより、アライメントマークの検出精度を向上させることができる。また、この発明に、上記の実施形態や変形例に登場した各要素を、組み合わせることも可能である。

【0085】

＜５－２．第２の観点＞
また、「高速処理が可能なＶＡＥモデルを作成すること」を第１の課題として設定すれば、「調整前学習工程」、「次元数調整工程」、および「調整後学習工程」のみを必須要件とする学習方法の発明を，上記の実施形態および変形例から抽出することができる。

【0086】

当該発明は、例えば、「ＶＡＥモデルの学習方法であって、ＶＡＥモデルの潜在空間を第１の次元数として機械学習を行う調整前学習工程と、前記調整前学習工程の後、前記潜在空間の各次元における前記潜在変数の分布に基づいて、前記潜在空間の次元数を、前記第１の次元数よりも少ない第２の次元数に変更する次元数調整工程と、前記潜在空間を前記第２の次元数として機械学習を行う調整後学習工程と、を有する、学習方法」となる。

【0087】

この発明によれば、潜在空間の次元数を、適正な次元数に調整できる。これにより、高速処理が可能なＶＡＥモデルを作成することができる。また、この発明に、上記の実施形態や変形例に登場した各要素を、組み合わせることも可能である。

【0088】

＜５－３．第３の観点＞
また、「精度のよいＶＡＥモデルを作成すること」を第１の課題として設定すれば、「第１学習工程」、「有効成分決定工程」、「補正画像生成工程」、「入力画像補正工程」、および「第２学習工程」のみを必須要件とする学習方法の発明を、上記の実施形態および変形例から抽出することができる。

【0089】

当該発明は、例えば、「ＶＡＥモデルの学習方法であって、第１入力画像に基づいて機械学習を行う第１学習工程と、前記第１学習工程の後、潜在空間における潜在変数の複数の成分うち、標準偏差または分散が大きい所定数の有効成分を決定する有効成分決定工程と、前記有効成分のみに値をもつ有効ベクトルをデコードすることにより、補正画像を生成する補正画像生成工程と、前記第１入力画像に前記補正画像をブレンドすることにより、第２入力画像を生成する入力画像補正工程と、前記第２入力画像に基づいて機械学習を行う第２学習工程と、を有する学習方法。」となる。

【0090】

この発明によれば、第１入力画像の特徴的な要素を強調した第２入力画像を生成できる。そして、当該第２入力画像に基づいて機械学習を行うことにより、精度のよいＶＡＥモデルを作成できる。また、この発明に、上記の実施形態や変形例に登場した各要素を、組み合わせることも可能である。

【符号の説明】

【0091】

１ 検査装置
９ 対象物
１０ 撮像部
１１ カメラ
２０ コンピュータ
２１ プロセッサ
２２ メモリ
２３ 記憶部
２４ コンピュータプログラム
３０ 表示部
４１ 学習部
４２ 部分画像抽出部
４３ エンコード部
４４ 最近傍距離算出部
４５ 画像選択部
４６ アライメント部
４７ 検査部
９１ 被検査パターン
９２ アライメントマーク
Ｄ１ 撮影画像
Ｄ２ 部分画像
Ｄｉ 入力画像
Ｄｏ 再構成画像
Ｌｍ 最近傍距離
Ｍ ＶＡＥモデル
Ｍｅ エンコーダ部
Ｍｄ デコーダ部

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】

【図10】