ホーム > 特許ランキング > ハマダレクテック株式会社
知財求人 - 知財ポータルサイト「IP Force」
(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】P2024074596
(43)【公開日】2024-05-31
(54)【発明の名称】ウェハー膜種自動判定システム及びウェハー自動分類装置
(51)【国際特許分類】
H01L 21/66 20060101AFI20240524BHJP
G01N 21/00 20060101ALI20240524BHJP
G01N 21/3563 20140101ALI20240524BHJP
G01N 21/17 20060101ALI20240524BHJP
【ＦＩ】
H01L21/66 L
G01N21/00 B
G01N21/3563
G01N21/17 A
【審査請求】有
【請求項の数】6
【出願形態】ＯＬ
(21)【出願番号】P 2022185866
(22)【出願日】2022-11-21
(11)【特許番号】
(45)【特許公報発行日】2024-04-03
(71)【出願人】
【識別番号】523055857
【氏名又は名称】ハマダレクテック株式会社
(74)【代理人】
【識別番号】110001601
【氏名又は名称】弁理士法人英和特許事務所
(72)【発明者】
【氏名】本多 健也
(72)【発明者】
【氏名】福山 紗英子
【テーマコード（参考）】
2G059
4M106
【Ｆターム（参考）】
2G059AA05
2G059BB10
2G059BB16
2G059EE01
2G059EE02
2G059EE11
2G059EE12
2G059FF01
2G059HH01
2G059HH02
2G059KK04
4M106AA01
4M106AA12
4M106AA13
4M106BA04
4M106BA08
4M106CA21
4M106DH12
4M106DH13
4M106DJ17
4M106DJ27
(57)【要約】
【課題】ウェハー１の画像に基づきウェハー１の膜種を多くの種類に分類し判定できるウェハー膜種判定システム及び同システムによって膜種判定されたウェハー１を、予め膜種登録された格納ボックスに搬送し分別格納できるウェハー自動分類装置を提供すること。
【解決手段】赤外光撮像手段３で撮像されたウェハー１の赤外画像、可視光表撮像手段４で撮像されたウェハー１の可視光表画像、可視光裏撮像手段５で撮像されたウェハー１の可視光裏画像及びＨＳ撮像手段６で撮像されたウェハー１のＳＧ画像に基づいて、ウェハー１の代表膜種についての判定結果を出力するニューラルネットワーク１０を備えているウェハー膜種自動判定システム及びウェハー収容手段１９と、ウェハー格納手段２０と、ウェハー搬入移送手段２１と、ウェハー搬送手段２３等を備え、膜種判別前のウェハー１をウェハー膜種自動判定システムに搬入し、膜種判定結果に応じてウェハー格納手段２０の一つに分別格納するウェハー自動分類装置。
【選択図】 図１
【解決手段】赤外光撮像手段３で撮像されたウェハー１の赤外画像、可視光表撮像手段４で撮像されたウェハー１の可視光表画像、可視光裏撮像手段５で撮像されたウェハー１の可視光裏画像及びＨＳ撮像手段６で撮像されたウェハー１のＳＧ画像に基づいて、ウェハー１の代表膜種についての判定結果を出力するニューラルネットワーク１０を備えているウェハー膜種自動判定システム及びウェハー収容手段１９と、ウェハー格納手段２０と、ウェハー搬入移送手段２１と、ウェハー搬送手段２３等を備え、膜種判別前のウェハー１をウェハー膜種自動判定システムに搬入し、膜種判定結果に応じてウェハー格納手段２０の一つに分別格納するウェハー自動分類装置。
【選択図】 図１
【特許請求の範囲】
【請求項1】
赤外光に感度を有し、利用するシリコンウェハーを透過した赤外光による赤外画像を撮像する赤外光撮像手段と、
可視光に感度を有し、前記ウェハーの表面又は裏面で反射した可視光による可視光画像を撮像する可視光撮像手段と、
可視光に感度を有し、前記ウェハーの表面又は裏面で反射した可視光の波長ごとの強度を示すスペクトルグラフ画像を撮像するＨＳ撮像手段と、
前記赤外光撮像手段で撮像された前記赤外画像、前記可視光撮像手段で撮像された前記可視光画像及び前記ＨＳ撮像手段で撮像された前記スペクトルグラフ画像に基づいて、前記ウェハーの表面又は裏面に成膜されている膜の種類についての判定結果を出力する機械学習手段を備えている
ことを特徴とするウェハー膜種自動判定システム。
可視光に感度を有し、前記ウェハーの表面又は裏面で反射した可視光による可視光画像を撮像する可視光撮像手段と、
可視光に感度を有し、前記ウェハーの表面又は裏面で反射した可視光の波長ごとの強度を示すスペクトルグラフ画像を撮像するＨＳ撮像手段と、
前記赤外光撮像手段で撮像された前記赤外画像、前記可視光撮像手段で撮像された前記可視光画像及び前記ＨＳ撮像手段で撮像された前記スペクトルグラフ画像に基づいて、前記ウェハーの表面又は裏面に成膜されている膜の種類についての判定結果を出力する機械学習手段を備えている
ことを特徴とするウェハー膜種自動判定システム。
【請求項2】
前記可視光撮像手段は、前記ウェハーの表面で反射した可視光による可視光表画像及び前記ウェハーの裏面で反射した可視光による可視光裏画像を撮像するものであり、
前記機械学習手段は、前記赤外光撮像手段で撮像された前記赤外画像、前記可視光撮像手段で撮像された前記可視光表画像及び前記可視光裏画像並びに前記ＨＳ撮像手段で撮像された前記スペクトルグラフ画像に基づいて、前記ウェハーの表面及び裏面に成膜されている膜の種類についての判定結果を出力する
ことを特徴とする請求項１に記載のウェハー膜種自動判定システム。
前記機械学習手段は、前記赤外光撮像手段で撮像された前記赤外画像、前記可視光撮像手段で撮像された前記可視光表画像及び前記可視光裏画像並びに前記ＨＳ撮像手段で撮像された前記スペクトルグラフ画像に基づいて、前記ウェハーの表面及び裏面に成膜されている膜の種類についての判定結果を出力する
ことを特徴とする請求項１に記載のウェハー膜種自動判定システム。
【請求項3】
可視光に感度を有し、前記ウェハーの表面のエッジ部で反射した可視光による可視光表エッジ画像及び前記ウェハーの裏面のエッジ部で反射した可視光による可視光裏エッジ画像を撮像するエッジ撮像手段をさらに備え、
前記機械学習手段は、前記赤外光撮像手段で撮像された前記赤外画像、前記可視光撮像手段で撮像された前記可視光表画像及び前記可視光裏画像、前記ＨＳ撮像手段で撮像された前記スペクトルグラフ画像並びに前記エッジ撮像手段で撮像された前記可視光表エッジ画像及び前記可視光裏エッジ画像に基づいて、前記ウェハーの表面及び裏面に成膜されている膜の種類についての判定結果を出力する
ことを特徴とする請求項２に記載のウェハー膜種自動判定システム。
前記機械学習手段は、前記赤外光撮像手段で撮像された前記赤外画像、前記可視光撮像手段で撮像された前記可視光表画像及び前記可視光裏画像、前記ＨＳ撮像手段で撮像された前記スペクトルグラフ画像並びに前記エッジ撮像手段で撮像された前記可視光表エッジ画像及び前記可視光裏エッジ画像に基づいて、前記ウェハーの表面及び裏面に成膜されている膜の種類についての判定結果を出力する
ことを特徴とする請求項２に記載のウェハー膜種自動判定システム。
【請求項4】
前記機械学習手段は、
前記赤外画像に基づいて、前記膜の種類についての赤外画像判定結果を出力する赤外画像用機械学習手段と、
前記可視光画像に基づいて、前記膜の種類についての可視光画像判定結果を出力する可視光画像用機械学習手段と、
前記スペクトルグラフ画像に基づいて、前記膜の種類についてのＳＧ画像判定結果を出力するＳＧ画像用機械学習手段と、
前記赤外画像用機械学習手段、前記可視光画像用機械学習手段及び前記ＳＧ画像用機械学習手段から出力された赤外画像判定結果、可視光画像判定結果及びＳＧ画像判定結果が入力されると、前記赤外画像判定結果、前記可視光画像判定結果及び前記ＳＧ画像判定結果の組合せと代表膜種との関係を照合し、前記ウェハーの表面又は裏面に成膜されている膜の種類についての判定結果として代表膜種データを出力する膜種組合せ照合手段を備えている
ことを特徴とする請求項１に記載のウェハー膜種自動判定システム。
前記赤外画像に基づいて、前記膜の種類についての赤外画像判定結果を出力する赤外画像用機械学習手段と、
前記可視光画像に基づいて、前記膜の種類についての可視光画像判定結果を出力する可視光画像用機械学習手段と、
前記スペクトルグラフ画像に基づいて、前記膜の種類についてのＳＧ画像判定結果を出力するＳＧ画像用機械学習手段と、
前記赤外画像用機械学習手段、前記可視光画像用機械学習手段及び前記ＳＧ画像用機械学習手段から出力された赤外画像判定結果、可視光画像判定結果及びＳＧ画像判定結果が入力されると、前記赤外画像判定結果、前記可視光画像判定結果及び前記ＳＧ画像判定結果の組合せと代表膜種との関係を照合し、前記ウェハーの表面又は裏面に成膜されている膜の種類についての判定結果として代表膜種データを出力する膜種組合せ照合手段を備えている
ことを特徴とする請求項１に記載のウェハー膜種自動判定システム。
【請求項5】
利用するシリコンウェハーの表面又は裏面に成膜されている膜の種類についての判定結果を出力する請求項１～４のいずれかに記載のウェハー膜種自動判定システムと、
予め各々異なる膜の種類が登録されている複数のウェハー格納手段と、
前記判定結果が出力された前記ウェハーを、該判定結果が示す膜の種類が登録されている前記複数のウェハー格納手段のうちの一つに格納するウェハー搬送手段を備えている
ことを特徴とするウェハー自動分類装置。
予め各々異なる膜の種類が登録されている複数のウェハー格納手段と、
前記判定結果が出力された前記ウェハーを、該判定結果が示す膜の種類が登録されている前記複数のウェハー格納手段のうちの一つに格納するウェハー搬送手段を備えている
ことを特徴とするウェハー自動分類装置。
【請求項6】
膜種判別前の前記ウェハーを複数枚収容可能なウェハー収容手段と、
前記ウェハー収容手段から前記ウェハーを１枚ずつ取り出して、前記ウェハー膜種自動判定システムに搬入し、搬入した前記ウェハーを前記ウェハー膜種自動判定システムから搬出し、前記ウェハー搬送手段に受け渡すウェハー搬入移送手段を備えている
ことを特徴とする請求項５に記載のウェハー自動分類装置。
前記ウェハー収容手段から前記ウェハーを１枚ずつ取り出して、前記ウェハー膜種自動判定システムに搬入し、搬入した前記ウェハーを前記ウェハー膜種自動判定システムから搬出し、前記ウェハー搬送手段に受け渡すウェハー搬入移送手段を備えている
ことを特徴とする請求項５に記載のウェハー自動分類装置。
【発明の詳細な説明】
【技術分野】
【0001】
この発明は、シリコンウェハーの再生加工に際して、利用するシリコンウェハー（以下「ウェハー」という。）に成膜されている膜を除去する工程（以下「膜除去フロー」という。）の選定に利用するためのウェハー膜種自動判定システム及び同システムによる判定結果に基づいてウェハーを分別するウェハー自動分類装置に関する。
【背景技術】
【0002】
半導体デバイスプロセスにおいて発生した使用済みのモニター、ダミーといったシリコンウェハーは、再利用するために再生加工を行うが、ウェハーの再生加工においては、まず初めにウェハーの表面や裏面に成膜された膜種を判定分類し、膜種に合わせた膜除去フローを選定する必要がある。
従来このような膜種判定においては、蛍光灯下2,000lxほどの照度環境下で、目視による官能検査を行っている。この官能検査は、ウェハー外観の色味の違いから表面、裏面、エッジ部の膜種を判定し、人が膜種ごとにウェハーの分類を行うといったものである。
そして、膜種の判定は１０～１５ほどに分類することによって行われ、この膜種の分類数は次工程の膜除去フローを適正化するために必要な数が用意される。
しかし、例えば酸化膜と一括りに言っても膜厚の違いで外観色は変化し、外観種は数十種類にも及ぶ。よって、大分類で１０～１５膜種ともなると、少なく見積もっても数百種類以上の外観種が存在している状況であり、官能検査の難易度が窺える。
そもそも膜種判定が必要となっている背景として、各顧客における使用工程が多岐にわたっておりウェハーの枚葉管理が困難、膜種毎に分類されて入荷されることがないといった理由により、様々な顧客から預かったウェハーに成膜されている膜の種類（以下「ウェハーの膜種」という。）が未知の状態であることが挙げられる。そして、上記の膜種判定技術における問題点は３点ある。
１点目は、官能検査であるため、検査者間及び同一検査者の膜種判定のばらつきが生じてしまうこと。２点目は、膜種の誤判定があった場合、膜除去の工程で適切な処理ができず膜残りといった工程不良の問題が生じること及び膜除去装置の金属汚染を引き起こしてしまう可能性があること。３点目は、人による検査、分類作業であるため、検査者の習熟度によって処理枚数に差が生じ技能を習得するまでに相応の時間を要することである。
従来このような膜種判定においては、蛍光灯下2,000lxほどの照度環境下で、目視による官能検査を行っている。この官能検査は、ウェハー外観の色味の違いから表面、裏面、エッジ部の膜種を判定し、人が膜種ごとにウェハーの分類を行うといったものである。
そして、膜種の判定は１０～１５ほどに分類することによって行われ、この膜種の分類数は次工程の膜除去フローを適正化するために必要な数が用意される。
しかし、例えば酸化膜と一括りに言っても膜厚の違いで外観色は変化し、外観種は数十種類にも及ぶ。よって、大分類で１０～１５膜種ともなると、少なく見積もっても数百種類以上の外観種が存在している状況であり、官能検査の難易度が窺える。
そもそも膜種判定が必要となっている背景として、各顧客における使用工程が多岐にわたっておりウェハーの枚葉管理が困難、膜種毎に分類されて入荷されることがないといった理由により、様々な顧客から預かったウェハーに成膜されている膜の種類（以下「ウェハーの膜種」という。）が未知の状態であることが挙げられる。そして、上記の膜種判定技術における問題点は３点ある。
１点目は、官能検査であるため、検査者間及び同一検査者の膜種判定のばらつきが生じてしまうこと。２点目は、膜種の誤判定があった場合、膜除去の工程で適切な処理ができず膜残りといった工程不良の問題が生じること及び膜除去装置の金属汚染を引き起こしてしまう可能性があること。３点目は、人による検査、分類作業であるため、検査者の習熟度によって処理枚数に差が生じ技能を習得するまでに相応の時間を要することである。
【0003】
そこで、ウェハーの再生加工に際して、光学的な手法によって、ウェハーの膜種を判別して各形成膜種別にウェハーを仕分け、適切な膜除去を行えるようにするための方法や装置が提案されている。
例えば、特許文献１（特開平９－１７８３３号公報）には、半導体ウェハーの赤外吸収スペクトルを測定し、半導体ウェハー表面の形成膜種等を判別、評価することにより、各形成膜種別に半導体ウェハーを仕分けし、形成膜種別に設定した最適の処理工程にて再生半導体ウェハーとなす点及びＣＰＵが予め設定した種々の形成膜種を有する半導体ウェハーの赤外吸収スペクトルを記憶しており、測定装置からの赤外吸収スペクトルと比較して形成膜種を推定する点が記載されている（特に、要約及び段落００２２を参照）。
また、特許文献２（特開２００２－２６０９６号公報）には、使用済シリコンウェハーを再生するために、ウェハー上に形成された膜の種類を、目視、表面抵抗、赤外吸収スペクトル、光反射率等により特定した後、膜の特性に適した除去を施す方法もある旨記載されている（特に、段落０００４～０００５を参照）。
例えば、特許文献１（特開平９－１７８３３号公報）には、半導体ウェハーの赤外吸収スペクトルを測定し、半導体ウェハー表面の形成膜種等を判別、評価することにより、各形成膜種別に半導体ウェハーを仕分けし、形成膜種別に設定した最適の処理工程にて再生半導体ウェハーとなす点及びＣＰＵが予め設定した種々の形成膜種を有する半導体ウェハーの赤外吸収スペクトルを記憶しており、測定装置からの赤外吸収スペクトルと比較して形成膜種を推定する点が記載されている（特に、要約及び段落００２２を参照）。
また、特許文献２（特開２００２－２６０９６号公報）には、使用済シリコンウェハーを再生するために、ウェハー上に形成された膜の種類を、目視、表面抵抗、赤外吸収スペクトル、光反射率等により特定した後、膜の特性に適した除去を施す方法もある旨記載されている（特に、段落０００４～０００５を参照）。
【先行技術文献】
【特許文献】
【0004】
【特許文献1】特開平９－１７８３３号公報
【特許文献2】特開２００２－２６０９６号公報
【発明の概要】
【発明が解決しようとする課題】
【0005】
しかし、特許文献１、２には、ウェハーの膜種を判別、評価する具体的な手法として、赤外吸収スペクトルによる分析手法しか記載されていない。
そして、特許文献１においては、窒化膜、酸化膜、窒化膜＋酸化膜、レジスト＋窒化膜＋酸化膜の４種に分別して収納されており（段落００２５を参照）、特許文献２においては、式（１）～（３）で示される吸光度の比に基づいてシリコン結晶の品質を評価しているが、特許文献１の段落００１６に記載されているように、赤外光の透過率は半導体ウェハーの種類によって異なっている。具体的には、基板へのＰ（リン）やＢ（ボロン）等のドーパント種やドーパント量によって透過率が変動し、さらには基板上に成膜された金属膜ではないアモルファスカーボン膜をはじめとする有機物においても赤外光を透過しにくい膜種があるため、赤外吸収スペクトルのみで膜種を判定することは困難であった。また、特許文献２の段落００４７等の記載から見て再生予定のウェハーを多くの種類には分別できず、上記の官能検査のように、膜種を１０～１５に分類することは不可能であった。
本発明は、このような問題を解決するために、予め撮像したウェハーの画像に基づいて、ウェハーの膜種を多くの種類に分類して判定することが可能なウェハー膜種判定システムの提供を第１の課題としており、同ウェハー膜種判定システムによって膜種判定されたウェハーを、予め膜種登録された格納ボックスに搬送し分別格納することが可能なウェハー自動分類装置の提供を第２の課題としている。
そして、特許文献１においては、窒化膜、酸化膜、窒化膜＋酸化膜、レジスト＋窒化膜＋酸化膜の４種に分別して収納されており（段落００２５を参照）、特許文献２においては、式（１）～（３）で示される吸光度の比に基づいてシリコン結晶の品質を評価しているが、特許文献１の段落００１６に記載されているように、赤外光の透過率は半導体ウェハーの種類によって異なっている。具体的には、基板へのＰ（リン）やＢ（ボロン）等のドーパント種やドーパント量によって透過率が変動し、さらには基板上に成膜された金属膜ではないアモルファスカーボン膜をはじめとする有機物においても赤外光を透過しにくい膜種があるため、赤外吸収スペクトルのみで膜種を判定することは困難であった。また、特許文献２の段落００４７等の記載から見て再生予定のウェハーを多くの種類には分別できず、上記の官能検査のように、膜種を１０～１５に分類することは不可能であった。
本発明は、このような問題を解決するために、予め撮像したウェハーの画像に基づいて、ウェハーの膜種を多くの種類に分類して判定することが可能なウェハー膜種判定システムの提供を第１の課題としており、同ウェハー膜種判定システムによって膜種判定されたウェハーを、予め膜種登録された格納ボックスに搬送し分別格納することが可能なウェハー自動分類装置の提供を第２の課題としている。
【課題を解決するための手段】
【0006】
上記の課題を解決するための請求項１に係る発明は、
赤外光に感度を有し、利用するシリコンウェハーを透過した赤外光による赤外画像を撮像する赤外光撮像手段と、
可視光に感度を有し、前記ウェハーの表面又は裏面で反射した可視光による可視光画像を撮像する可視光撮像手段と、
可視光に感度を有し、前記ウェハーの表面又は裏面で反射した可視光の波長ごとの強度を示すスペクトルグラフ画像を撮像するＨＳ撮像手段と、
前記赤外光撮像手段で撮像された前記赤外画像、前記可視光撮像手段で撮像された前記可視光画像及び前記ＨＳ撮像手段で撮像された前記スペクトルグラフ画像に基づいて、前記ウェハーの表面又は裏面に成膜されている膜の種類についての判定結果を出力する機械学習手段を備えているウェハー膜種自動判定システムである。
赤外光に感度を有し、利用するシリコンウェハーを透過した赤外光による赤外画像を撮像する赤外光撮像手段と、
可視光に感度を有し、前記ウェハーの表面又は裏面で反射した可視光による可視光画像を撮像する可視光撮像手段と、
可視光に感度を有し、前記ウェハーの表面又は裏面で反射した可視光の波長ごとの強度を示すスペクトルグラフ画像を撮像するＨＳ撮像手段と、
前記赤外光撮像手段で撮像された前記赤外画像、前記可視光撮像手段で撮像された前記可視光画像及び前記ＨＳ撮像手段で撮像された前記スペクトルグラフ画像に基づいて、前記ウェハーの表面又は裏面に成膜されている膜の種類についての判定結果を出力する機械学習手段を備えているウェハー膜種自動判定システムである。
【0007】
上記の課題を解決するための請求項２に係る発明は、請求項１に係る発明のウェハー膜種自動判定システムにおいて、
前記可視光撮像手段は、前記ウェハーの表面で反射した可視光による可視光表画像及び前記ウェハーの裏面で反射した可視光による可視光裏画像を撮像するものであり、
前記機械学習手段は、前記赤外光撮像手段で撮像された前記赤外画像、前記可視光撮像手段で撮像された前記可視光表画像及び前記可視光裏画像並びに前記ＨＳ撮像手段で撮像された前記スペクトルグラフ画像に基づいて、前記ウェハーの表面及び裏面に成膜されている膜の種類についての判定結果を出力することを特徴とする。
前記可視光撮像手段は、前記ウェハーの表面で反射した可視光による可視光表画像及び前記ウェハーの裏面で反射した可視光による可視光裏画像を撮像するものであり、
前記機械学習手段は、前記赤外光撮像手段で撮像された前記赤外画像、前記可視光撮像手段で撮像された前記可視光表画像及び前記可視光裏画像並びに前記ＨＳ撮像手段で撮像された前記スペクトルグラフ画像に基づいて、前記ウェハーの表面及び裏面に成膜されている膜の種類についての判定結果を出力することを特徴とする。
【0008】
上記の課題を解決するための請求項３に係る発明は、請求項２に係る発明のウェハー膜種自動判定システムにおいて、
可視光に感度を有し、前記ウェハーの表面のエッジ部で反射した可視光による可視光表エッジ画像及び前記ウェハーの裏面のエッジ部で反射した可視光による可視光裏エッジ画像を撮像するエッジ撮像手段をさらに備え、
前記機械学習手段は、前記赤外光撮像手段で撮像された前記赤外画像、前記可視光撮像手段で撮像された前記可視光表画像及び前記可視光裏画像、前記ＨＳ撮像手段で撮像された前記スペクトルグラフ画像並びに前記エッジ撮像手段で撮像された前記可視光表エッジ画像及び前記可視光裏エッジ画像に基づいて、前記ウェハーの表面及び裏面に成膜されている膜の種類についての判定結果を出力することを特徴とする。
可視光に感度を有し、前記ウェハーの表面のエッジ部で反射した可視光による可視光表エッジ画像及び前記ウェハーの裏面のエッジ部で反射した可視光による可視光裏エッジ画像を撮像するエッジ撮像手段をさらに備え、
前記機械学習手段は、前記赤外光撮像手段で撮像された前記赤外画像、前記可視光撮像手段で撮像された前記可視光表画像及び前記可視光裏画像、前記ＨＳ撮像手段で撮像された前記スペクトルグラフ画像並びに前記エッジ撮像手段で撮像された前記可視光表エッジ画像及び前記可視光裏エッジ画像に基づいて、前記ウェハーの表面及び裏面に成膜されている膜の種類についての判定結果を出力することを特徴とする。
【0009】
上記の課題を解決するための請求項４に係る発明は、請求項１に係る発明のウェハー膜種自動判定システムにおいて、
前記機械学習手段は、
前記赤外画像に基づいて、前記膜の種類についての赤外画像判定結果を出力する赤外画像用機械学習手段と、前記可視光画像に基づいて、前記膜の種類についての可視光画像判定結果を出力する可視光画像用機械学習手段と、前記スペクトルグラフ画像に基づいて、前記膜の種類についてのＳＧ画像判定結果を出力するＳＧ画像用機械学習手段と、
前記赤外画像用機械学習手段、前記可視光画像用機械学習手段及び前記ＳＧ画像用機械学習手段から出力された赤外画像判定結果、可視光画像判定結果及びＳＧ画像判定結果が入力されると、前記赤外画像判定結果、前記可視光画像判定結果及び前記ＳＧ画像判定結果の組合せと代表膜種との関係を照合し、前記ウェハーの表面又は裏面に成膜されている膜の種類についての判定結果として代表膜種データを出力する膜種組合せ照合手段を備えていることを特徴とする。
前記機械学習手段は、
前記赤外画像に基づいて、前記膜の種類についての赤外画像判定結果を出力する赤外画像用機械学習手段と、前記可視光画像に基づいて、前記膜の種類についての可視光画像判定結果を出力する可視光画像用機械学習手段と、前記スペクトルグラフ画像に基づいて、前記膜の種類についてのＳＧ画像判定結果を出力するＳＧ画像用機械学習手段と、
前記赤外画像用機械学習手段、前記可視光画像用機械学習手段及び前記ＳＧ画像用機械学習手段から出力された赤外画像判定結果、可視光画像判定結果及びＳＧ画像判定結果が入力されると、前記赤外画像判定結果、前記可視光画像判定結果及び前記ＳＧ画像判定結果の組合せと代表膜種との関係を照合し、前記ウェハーの表面又は裏面に成膜されている膜の種類についての判定結果として代表膜種データを出力する膜種組合せ照合手段を備えていることを特徴とする。
【0010】
上記の課題を解決するための請求項５に係る発明は、
利用するシリコンウェハーの表面又は裏面に成膜されている膜の種類についての判定結果を出力する請求項１～４のいずれかに記載のウェハー膜種自動判定システムと、
予め各々異なる膜の種類が登録されている複数のウェハー格納手段と、
前記判定結果が出力された前記ウェハーを、該判定結果が示す膜の種類が登録されている前記複数のウェハー格納手段のうちの一つに格納するウェハー搬送手段を備えているウェハー自動分類装置である。
利用するシリコンウェハーの表面又は裏面に成膜されている膜の種類についての判定結果を出力する請求項１～４のいずれかに記載のウェハー膜種自動判定システムと、
予め各々異なる膜の種類が登録されている複数のウェハー格納手段と、
前記判定結果が出力された前記ウェハーを、該判定結果が示す膜の種類が登録されている前記複数のウェハー格納手段のうちの一つに格納するウェハー搬送手段を備えているウェハー自動分類装置である。
【0011】
上記の課題を解決するための請求項６に係る発明は、請求項５に係る発明のウェハー自動分類装置において、
膜種判別前の前記ウェハーを複数枚収容可能なウェハー収容手段と、
前記ウェハー収容手段から前記ウェハーを１枚ずつ取り出して、前記ウェハー膜種自動判定システムに搬入し、搬入した前記ウェハーを前記ウェハー膜種自動判定システムから搬出し、前記ウェハー搬送手段に受け渡すウェハー搬入移送手段を備えていることを特徴とする。
膜種判別前の前記ウェハーを複数枚収容可能なウェハー収容手段と、
前記ウェハー収容手段から前記ウェハーを１枚ずつ取り出して、前記ウェハー膜種自動判定システムに搬入し、搬入した前記ウェハーを前記ウェハー膜種自動判定システムから搬出し、前記ウェハー搬送手段に受け渡すウェハー搬入移送手段を備えていることを特徴とする。
【発明の効果】
【0012】
請求項１に係る発明のウェハー膜種自動判定システムは、赤外光撮像手段で撮像されたウェハーの赤外画像、可視光撮像手段で撮像されたウェハーの可視光画像及びＨＳ撮像手段で撮像されたウェハーのスペクトルグラフ画像に基づいて、ウェハーの表面又は裏面に成膜されている膜の種類についての判定結果を出力する機械学習手段を備えているので、ウェハーの赤外画像、可視光画像及びスペクトルグラフ画像を撮像し機械学習手段に入力するだけで、精度の安定した膜種判定が可能となる。そのため、各ウェハーに対して適切な膜除去フローを選定できる、膜残りや膜除去装置の金属汚染等の問題が生じにくい、検査者の習熟度によらずに所定時間内に必要な枚数のウェハーを確実に処理できるといった効果が得られる。
【0013】
請求項２に係る発明のウェハー膜種自動判定システムは、請求項１に係る発明が奏する上記の効果に加え、機械学習手段が、赤外光撮像手段で撮像されたウェハーの赤外画像、可視光撮像手段で撮像されたウェハーの可視光表画像及び可視光裏画像並びにＨＳ撮像手段で撮像されたウェハーのスペクトルグラフ画像に基づいて、ウェハーの表面及び裏面に成膜されている膜の種類についての判定結果を出力するので、ウェハーの赤外画像、可視光表画像、可視光裏画像及びスペクトルグラフ画像を撮像し機械学習手段に入力するだけで、各ウェハーに対してより適切な膜除去フローを選定できる。
【0014】
請求項３に係る発明のウェハー膜種自動判定システムは、請求項２に係る発明のウェハー膜種自動判定システムが奏する上記の効果に加え、機械学習手段が、赤外光撮像手段で撮像されたウェハーの赤外画像、可視光撮像手段で撮像されたウェハーの可視光表画像及び可視光裏画像、ＨＳ撮像手段で撮像されたウェハーのスペクトルグラフ画像並びにエッジ撮像手段で撮像されたウェハーの可視光表エッジ画像及び可視光裏エッジ画像に基づいて、ウェハーの表面及び裏面に成膜されている膜の種類についての判定結果を出力するので、ウェハーの赤外画像、可視光表画像、可視光裏画像、スペクトルグラフ画像、可視光表エッジ画像及び可視光裏エッジ画像を撮像し機械学習手段に入力するだけで、各ウェハーに対してさらに適切な膜除去フローを選定できる。
【0015】
請求項４に係る発明のウェハー膜種自動判定システムは、請求項１に係る発明が奏する上記の効果に加え、機械学習手段が、赤外画像に基づいて、膜の種類についての赤外画像判定結果を出力する赤外画像用機械学習手段と、可視光画像に基づいて、膜の種類についての可視光画像判定結果を出力する可視光画像用機械学習手段と、スペクトルグラフ画像に基づいて、膜の種類についてのＳＧ画像判定結果を出力するＳＧ画像用機械学習手段と、赤外画像用機械学習手段、可視光画像用機械学習手段及びＳＧ画像用機械学習手段から出力された赤外画像判定結果、可視光画像判定結果及びＳＧ画像判定結果が入力されると、赤外画像判定結果、可視光画像判定結果及びＳＧ画像判定結果の組合せと代表膜種との関係を照合し、ウェハーの表面又は裏面に成膜されている膜の種類についての判定結果として代表膜種データを出力する膜種組合せ照合手段を備えているので、判定結果の誤りをさらに低減することができる。
【0016】
請求項５に係る発明のウェハー自動分類装置は、利用するシリコンウェハーの表面又は裏面に成膜されている膜の種類についての判定結果を出力する請求項１～４のいずれかに記載のウェハー膜種自動判定システムと、予め各々異なる膜の種類が登録されている複数のウェハー格納手段と、判定結果が出力されたウェハーを、該判定結果が示す膜の種類が登録されている複数のウェハー格納手段のうちの一つに格納するウェハー搬送手段を備えているので、処理能力が安定しており、人による分別作業を削減できる。
【0017】
請求項６に係る発明のウェハー自動分類装置は、請求項５に係る発明が奏する上記の効果に加え、膜種判別前のウェハーを複数枚収容可能なウェハー収容手段と、ウェハー収容手段からウェハーを１枚ずつ取り出して、ウェハー膜種自動判定システムに搬入し、搬入したウェハーをウェハー膜種自動判定システムから搬出し、ウェハー搬送手段に受け渡すウェハー搬入移送手段を、さらに備えており、膜種判別前のウェハーをウェハー膜種自動判定システムに搬入したり、搬入したウェハーをウェハー膜種自動判定システムから搬出したりする必要がなくなるので、人による作業をさらに削減することができる。
【図面の簡単な説明】
【0018】
【図1】実施例１に係るウェハー膜種自動判定システムのブロック図。
【図2】実施例１における機械学習手段の一例を示す図。
【図3】目視による判定と可視光表画像学習手段による判定を比較した結果を示す表。
【図4】実施例１における代表膜種決定表の一部を示す図。
【図5】実施例２に係るウェハー膜種自動判定システムのブロック図。
【図6】実施例２における代表膜種決定表の一部を示す図。
【図7】実施例３に係るウェハー自動分類装置のブロック図。
【発明を実施するための形態】
【0019】
以下、実施例によって、本発明の実施の形態を説明する。
【実施例0020】
図１は実施例１に係るウェハー膜種自動判定システムのブロック図である。
図１に示すように、実施例１に係るウェハー膜種自動判定システムは、ウェハーの表面及び裏面（以下「ウェハー面」という。）を撮像するウェハー面撮像ステージと、ウェハー面撮像ステージで撮像されたウェハー面の各種画像に基づいて、ウェハーの膜種についての判定結果を出力する機械学習手段からなっている。
図１に示すように、実施例１に係るウェハー膜種自動判定システムは、ウェハーの表面及び裏面（以下「ウェハー面」という。）を撮像するウェハー面撮像ステージと、ウェハー面撮像ステージで撮像されたウェハー面の各種画像に基づいて、ウェハーの膜種についての判定結果を出力する機械学習手段からなっている。
【0021】
ウェハー面撮像ステージは、図１の左側に示すように、以下の構成を備えている。
（Ａ）ウェハー１の外周を数か所（図１では３か所）で保持する機構を有する円環状の平板からなるウェハー保持台２。
（Ｂ）ウェハー保持台２の上方に設置され、赤外光に感度を有しウェハー１を透過した赤外光による赤外画像を撮像する赤外光撮像手段３。
（Ｃ）ウェハー保持台２の斜め上に設置され、可視光に感度を有しウェハー１の表面で反射した可視光による可視光表画像を撮像する可視光表撮像手段４。
（Ｄ）ウェハー保持台２の斜め下に設置され、可視光に感度を有しウェハー１の裏面で反射した可視光による可視光裏画像を撮像する可視光裏撮像手段５。
（Ｅ）ウェハー保持台２の上方に設置され、可視光に感度を有しウェハー１の表面で反射した可視光の波長ごとの強度を示すスペクトルグラフ画像（以下「ＳＧ画像」という。）を撮像するハイパースペクトル撮像手段６（以下「ＨＳ撮像手段」という。）。
（Ｆ）ウェハー保持台２の下方に設置されている赤外撮像用照明手段７。
（Ｇ）ウェハー保持台２の斜め上方に設置されている上方側白色光照明手段８。
（Ｈ）ウェハー保持台２の斜め下方に設置されている下方側白色光照明手段９。
なお、赤外光撮像手段３、可視光表撮像手段４及び可視光裏撮像手段５の撮像領域は、ウェハー１の全面であり、ＨＳ撮像手段６の撮像領域は、ウェハー１全面の２０～７０％（通常は３０～５０％）である。
（Ａ）ウェハー１の外周を数か所（図１では３か所）で保持する機構を有する円環状の平板からなるウェハー保持台２。
（Ｂ）ウェハー保持台２の上方に設置され、赤外光に感度を有しウェハー１を透過した赤外光による赤外画像を撮像する赤外光撮像手段３。
（Ｃ）ウェハー保持台２の斜め上に設置され、可視光に感度を有しウェハー１の表面で反射した可視光による可視光表画像を撮像する可視光表撮像手段４。
（Ｄ）ウェハー保持台２の斜め下に設置され、可視光に感度を有しウェハー１の裏面で反射した可視光による可視光裏画像を撮像する可視光裏撮像手段５。
（Ｅ）ウェハー保持台２の上方に設置され、可視光に感度を有しウェハー１の表面で反射した可視光の波長ごとの強度を示すスペクトルグラフ画像（以下「ＳＧ画像」という。）を撮像するハイパースペクトル撮像手段６（以下「ＨＳ撮像手段」という。）。
（Ｆ）ウェハー保持台２の下方に設置されている赤外撮像用照明手段７。
（Ｇ）ウェハー保持台２の斜め上方に設置されている上方側白色光照明手段８。
（Ｈ）ウェハー保持台２の斜め下方に設置されている下方側白色光照明手段９。
なお、赤外光撮像手段３、可視光表撮像手段４及び可視光裏撮像手段５の撮像領域は、ウェハー１の全面であり、ＨＳ撮像手段６の撮像領域は、ウェハー１全面の２０～７０％（通常は３０～５０％）である。
【0022】
実施例１の機械学習手段は、図１の右側に示すように、以下の構成を備えている。
（ａ）赤外光撮像手段３から赤外画像が入力されると、ウェハー１の膜種を判定し、赤外画像判定結果を出力する赤外画像用機械学習手段１０ＩＲ。
（ｂ）可視光表撮像手段４から可視光表画像が入力されると、ウェハー１の膜種を判定し、可視光表画像判定結果を出力する可視光表画像用機械学習手段１０ＶＦ。
（ｃ）可視光裏撮像手段５から可視光裏画像が入力されると、ウェハー１の膜種を判定し、可視光裏画像判定結果を出力する可視光裏画像用機械学習手段１０ＶＢ。
（ｄ）ＨＳ撮像手段６からＳＧ画像が入力されると、ウェハー１の膜種を判定し、ＳＧ画像判定結果を出力するＳＧ画像用機械学習手段１０ＳＧ。
（ｅ）赤外画像用機械学習手段１０ＩＲ、可視光表画像用機械学習手段１０ＶＦ、可視光裏画像用機械学習手段１０ＶＢ及びＳＧ画像用機械学習手段１０ＳＧから出力された赤外画像判定結果、可視光表画像判定結果、可視光裏画像判定結果及びＳＧ画像判定結果が入力されると、それらの判定結果の組合せと代表膜種との関係を照合し、ウェハー１の膜種についての判定結果として代表膜種データを出力する膜種組合せ照合手段１１。
（ａ）赤外光撮像手段３から赤外画像が入力されると、ウェハー１の膜種を判定し、赤外画像判定結果を出力する赤外画像用機械学習手段１０ＩＲ。
（ｂ）可視光表撮像手段４から可視光表画像が入力されると、ウェハー１の膜種を判定し、可視光表画像判定結果を出力する可視光表画像用機械学習手段１０ＶＦ。
（ｃ）可視光裏撮像手段５から可視光裏画像が入力されると、ウェハー１の膜種を判定し、可視光裏画像判定結果を出力する可視光裏画像用機械学習手段１０ＶＢ。
（ｄ）ＨＳ撮像手段６からＳＧ画像が入力されると、ウェハー１の膜種を判定し、ＳＧ画像判定結果を出力するＳＧ画像用機械学習手段１０ＳＧ。
（ｅ）赤外画像用機械学習手段１０ＩＲ、可視光表画像用機械学習手段１０ＶＦ、可視光裏画像用機械学習手段１０ＶＢ及びＳＧ画像用機械学習手段１０ＳＧから出力された赤外画像判定結果、可視光表画像判定結果、可視光裏画像判定結果及びＳＧ画像判定結果が入力されると、それらの判定結果の組合せと代表膜種との関係を照合し、ウェハー１の膜種についての判定結果として代表膜種データを出力する膜種組合せ照合手段１１。
【0023】
赤外画像用機械学習手段１０ＩＲ、可視光表画像用機械学習手段１０ＶＦ、可視光裏画像用機械学習手段１０ＶＢ及びＳＧ画像用機械学習手段１０ＳＧは、それぞれウェハー１の赤外画像、可視光表画像、可視光裏画像及びＳＧ画像が入力されると、ウェハー１の膜種を判定し判定結果を出力するものであるが、いずれも同様の構成を備えている。そして、実施例１では各機械学習手段にニューラルネットワーク１０を採用している。
図２は、実施例１で採用しているニューラルネットワーク１０の構成を示す図であり、入力層１０Ｉ、出力層１０Ａ、サンプルデータ蓄積手段１０Ｌ、サンプルデータ蓄積手段１０Ｌに多数のサンプルデータを入力するサンプルデータ入力手段１０Ｔ及び図示しない複数の畳み込み層、プーリング層、ＢＮ層（Batch-normalization層）、ドロップアウト層（drop-out層）、全結合層、その他で構成されている。
一般には２～３層の畳み込み層と１層のプーリング層を組合せたものを１単位とし、この数単位を直列させたものに、さらに２～４層の全結合層を組合せることが多く、ＢＮ層及びドロップアウト層は必ずしも必要ないが、これらの層を設けることにより、ニューラルネットワーク１０全体のパフォーマンス向上が期待できる。
図２は、実施例１で採用しているニューラルネットワーク１０の構成を示す図であり、入力層１０Ｉ、出力層１０Ａ、サンプルデータ蓄積手段１０Ｌ、サンプルデータ蓄積手段１０Ｌに多数のサンプルデータを入力するサンプルデータ入力手段１０Ｔ及び図示しない複数の畳み込み層、プーリング層、ＢＮ層（Batch-normalization層）、ドロップアウト層（drop-out層）、全結合層、その他で構成されている。
一般には２～３層の畳み込み層と１層のプーリング層を組合せたものを１単位とし、この数単位を直列させたものに、さらに２～４層の全結合層を組合せることが多く、ＢＮ層及びドロップアウト層は必ずしも必要ないが、これらの層を設けることにより、ニューラルネットワーク１０全体のパフォーマンス向上が期待できる。
【0024】
ニューラルネットワーク１０には、サンプルデータ入力手段１０Ｔを介してサンプルデータ蓄積手段１０Ｌに多数のサンプルデータが蓄えられ、事前に学習させてパラメータの最適化が行われる。その後、入力層１０Ｉにウェハー面撮像ステージにおいて取得したウェハー１の赤外画像、可視光表画像、可視光裏画像及びＳＧ画像が入力されると、それぞれの画像を解析し高い判別精度でウェハー１の膜種を判定することができる。
サンプルデータ入力手段１０Ｔに入力されるサンプルデータは、予め膜種が判明しているサンプルウェハーについて、ウェハー面撮像ステージにおいて取得したサンプルウェハーの赤外画像、可視光表画像、可視光裏画像及びＳＧ画像（以下「サンプル画像」という。）と、そのサンプルウェハーの膜種を示すサンプル膜種データを一組にしたものである。
また、サンプル膜種データは画像ごとに異なっており、実施例１においては、画像ごとに以下に示すサンプル膜種データを付与している（一部共通しているものあり）。
・赤外画像：淡色膜（淡）、濃色膜（濃）
・可視光表画像及び可視光裏画像：膜無し（ベア）、アモルファスカーボン（アモルファスＣ）、銅（Ｃｕ）、銅以外の金属膜（メタル）、窒化膜（ＳｉＮ）、酸化膜（ＳｉＯ2）、パターン、レジスト、ポリシリコン（ポリＳｉ）、厚ポリシリコン（厚ポリ）
・ＳＧ画像：膜無し（ベア）、レジスト、銅（Ｃｕ）、それ以外の膜（その他）
なお、サンプルデータの蓄積数が多いほど判別精度は向上するが、実施例１では費用対効果を考慮し、赤外画像を除き１．５～５．５万組のサンプルデータを蓄積して最適化を行っている（赤外画像は濃淡のみであるため、数十組～数百組を蓄積すれば十分）。
さらに、実施例１においては、サンプルデータの容量を削減するために、入力する全ての画像データに対して圧縮及びトリミング処理を施した上で、各機械学習手段のサンプルデータ蓄積手段１０Ｌにサンプルデータを蓄積している。
サンプルデータ入力手段１０Ｔに入力されるサンプルデータは、予め膜種が判明しているサンプルウェハーについて、ウェハー面撮像ステージにおいて取得したサンプルウェハーの赤外画像、可視光表画像、可視光裏画像及びＳＧ画像（以下「サンプル画像」という。）と、そのサンプルウェハーの膜種を示すサンプル膜種データを一組にしたものである。
また、サンプル膜種データは画像ごとに異なっており、実施例１においては、画像ごとに以下に示すサンプル膜種データを付与している（一部共通しているものあり）。
・赤外画像：淡色膜（淡）、濃色膜（濃）
・可視光表画像及び可視光裏画像：膜無し（ベア）、アモルファスカーボン（アモルファスＣ）、銅（Ｃｕ）、銅以外の金属膜（メタル）、窒化膜（ＳｉＮ）、酸化膜（ＳｉＯ2）、パターン、レジスト、ポリシリコン（ポリＳｉ）、厚ポリシリコン（厚ポリ）
・ＳＧ画像：膜無し（ベア）、レジスト、銅（Ｃｕ）、それ以外の膜（その他）
なお、サンプルデータの蓄積数が多いほど判別精度は向上するが、実施例１では費用対効果を考慮し、赤外画像を除き１．５～５．５万組のサンプルデータを蓄積して最適化を行っている（赤外画像は濃淡のみであるため、数十組～数百組を蓄積すれば十分）。
さらに、実施例１においては、サンプルデータの容量を削減するために、入力する全ての画像データに対して圧縮及びトリミング処理を施した上で、各機械学習手段のサンプルデータ蓄積手段１０Ｌにサンプルデータを蓄積している。
【0025】
図３は、１０００枚のウェハー１に対する熟練者の目視による判定と可視光表画像用機械学習手段１０ＶＦによる判定を比較した結果を示す表である。
例えば、一番上の行からは、熟練者は１０２枚をベアと判定し、可視光表画像用機械学習手段１０ＶＦは９７枚をベア、５枚をポリＳｉと判定したことが分かる。そして、両者の一致率（精度）は最も高いＣｕで１００％、最も低い厚ポリで８５％であり、全体では９４．４％であった。
すなわち、可視光表画像用機械学習手段１０ＶＦだけで判定すると、５％以上の誤判定が出る可能性があるので、実施例１では、膜種組合せ照合手段１１によって、赤外画像用機械学習手段１０ＩＲ、可視光表画像用機械学習手段１０ＶＦ、可視光裏画像用機械学習手段１０ＶＢ及びＳＧ画像用機械学習手段１０ＳＧによる判定結果の組合せから代表膜種を決定し、代表膜種データを出力するようにしている。
例えば、一番上の行からは、熟練者は１０２枚をベアと判定し、可視光表画像用機械学習手段１０ＶＦは９７枚をベア、５枚をポリＳｉと判定したことが分かる。そして、両者の一致率（精度）は最も高いＣｕで１００％、最も低い厚ポリで８５％であり、全体では９４．４％であった。
すなわち、可視光表画像用機械学習手段１０ＶＦだけで判定すると、５％以上の誤判定が出る可能性があるので、実施例１では、膜種組合せ照合手段１１によって、赤外画像用機械学習手段１０ＩＲ、可視光表画像用機械学習手段１０ＶＦ、可視光裏画像用機械学習手段１０ＶＢ及びＳＧ画像用機械学習手段１０ＳＧによる判定結果の組合せから代表膜種を決定し、代表膜種データを出力するようにしている。
【0026】
図４は、膜種組合せ照合手段１１が有している代表膜種決定表の一部を示す図である。
膜種組合せ照合手段１１は、例えば、赤外画像による判定結果が「濃」、可視光表画像による判定結果が「メタル」、可視光裏画像による判定結果が「ＳｉＯ2」、ＳＧ画像による判定結果が「その他」であれば代表膜種を「メタル」と決定し（膜種組合せ１）、赤外画像による判定結果が「淡」、可視光表画像による判定結果が「レジスト」、可視光裏画像による判定結果が「ＳｉＯ2」、ＳＧ画像による判定結果が「その他」であれば代表膜種を「不明」と決定し（膜種組合せ４）、赤外画像による判定結果が「淡」、可視光表画像による判定結果が「ベア」、可視光裏画像による判定結果が「ＳｉＯ2」、ＳＧ画像による判定結果が「その他」であれば代表膜種を「ＳｉＯ2」と決定する（膜種組合せ６）。また、各画像による判定結果の組合せが代表膜種決定表にない組合せであった場合も「不明」と決定する。
なお、「不明」と決定された場合には、熟練者の目視による判定を実施する。
膜種組合せ照合手段１１は、例えば、赤外画像による判定結果が「濃」、可視光表画像による判定結果が「メタル」、可視光裏画像による判定結果が「ＳｉＯ2」、ＳＧ画像による判定結果が「その他」であれば代表膜種を「メタル」と決定し（膜種組合せ１）、赤外画像による判定結果が「淡」、可視光表画像による判定結果が「レジスト」、可視光裏画像による判定結果が「ＳｉＯ2」、ＳＧ画像による判定結果が「その他」であれば代表膜種を「不明」と決定し（膜種組合せ４）、赤外画像による判定結果が「淡」、可視光表画像による判定結果が「ベア」、可視光裏画像による判定結果が「ＳｉＯ2」、ＳＧ画像による判定結果が「その他」であれば代表膜種を「ＳｉＯ2」と決定する（膜種組合せ６）。また、各画像による判定結果の組合せが代表膜種決定表にない組合せであった場合も「不明」と決定する。
なお、「不明」と決定された場合には、熟練者の目視による判定を実施する。
【実施例0027】
図５は実施例２に係るウェハー膜種自動判定システムのブロック図である。
図５に示すように、実施例２に係るウェハー膜種自動判定システムは、ウェハー面撮像ステージと、ウェハー面のエッジ部を撮像するウェハーエッジ撮像ステージと、ウェハー面撮像ステージ及びウェハーエッジ撮像ステージで撮像されたウェハー面の各種画像に基づいて、ウェハーの膜種についての判定結果を出力する機械学習手段からなっている。
このように、ウェハーエッジ撮像ステージを追加することにより、ウェハー面撮像ステージで撮像されたウェハー面の各種画像だけからは判定が困難なエッジレジストを判定でき、また、アモルファスＣやレジスト等についても判定精度を上げることができる。
なお、ウェハー面撮像ステージは実施例１と同じく上記（Ａ）～（Ｈ）の構成を備えており、機械学習手段は、上記（ａ）～（ｄ）の構成を備えている点では実施例１と共通しているので、これらの構成については説明を省略し、図５でも同じ番号を用いている。
図５に示すように、実施例２に係るウェハー膜種自動判定システムは、ウェハー面撮像ステージと、ウェハー面のエッジ部を撮像するウェハーエッジ撮像ステージと、ウェハー面撮像ステージ及びウェハーエッジ撮像ステージで撮像されたウェハー面の各種画像に基づいて、ウェハーの膜種についての判定結果を出力する機械学習手段からなっている。
このように、ウェハーエッジ撮像ステージを追加することにより、ウェハー面撮像ステージで撮像されたウェハー面の各種画像だけからは判定が困難なエッジレジストを判定でき、また、アモルファスＣやレジスト等についても判定精度を上げることができる。
なお、ウェハー面撮像ステージは実施例１と同じく上記（Ａ）～（Ｈ）の構成を備えており、機械学習手段は、上記（ａ）～（ｄ）の構成を備えている点では実施例１と共通しているので、これらの構成については説明を省略し、図５でも同じ番号を用いている。
【0028】
ウェハーエッジ撮像ステージは、図５の左下に示すように、以下の構成を備えている。
（Ｉ）ウェハー１を載置可能でエッジ撮像範囲に映り込みのない平板からなり、モーター１３により一定速度（９０～１８０度／秒）で回転可能なウェハー載置回転台１２。
（Ｊ）ウェハー載置回転台１２の斜め上に設置され、ウェハー１の表面側のエッジ部で反射した可視光による表エッジ画像を撮像する可視光表エッジ撮像手段１４。
（Ｋ）ウェハー載置回転台１２の斜め下に設置され、ウェハー１の裏面側のエッジ部で反射した可視光による裏エッジ画像を撮像する可視光裏エッジ撮像手段１５。
（Ｌ）可視光表エッジ撮像手段１４のウェハー載置回転台１２側に設置されている表エッジ撮像用照明手段１６。
（Ｍ）可視光裏エッジ撮像手段１５のウェハー載置回転台１２側に設置されている裏エッジ撮像用照明手段１７。
なお、可視光表エッジ撮像手段１４及び可視光裏エッジ撮像手段１５による撮像は、ウェハー載置回転台１２を矢印で示す方向に一定速度（実施例１においては１２０度／秒）で回転させながら、エッジ部１０ｍｍ付近の１周分を流し撮りして行う。
（Ｉ）ウェハー１を載置可能でエッジ撮像範囲に映り込みのない平板からなり、モーター１３により一定速度（９０～１８０度／秒）で回転可能なウェハー載置回転台１２。
（Ｊ）ウェハー載置回転台１２の斜め上に設置され、ウェハー１の表面側のエッジ部で反射した可視光による表エッジ画像を撮像する可視光表エッジ撮像手段１４。
（Ｋ）ウェハー載置回転台１２の斜め下に設置され、ウェハー１の裏面側のエッジ部で反射した可視光による裏エッジ画像を撮像する可視光裏エッジ撮像手段１５。
（Ｌ）可視光表エッジ撮像手段１４のウェハー載置回転台１２側に設置されている表エッジ撮像用照明手段１６。
（Ｍ）可視光裏エッジ撮像手段１５のウェハー載置回転台１２側に設置されている裏エッジ撮像用照明手段１７。
なお、可視光表エッジ撮像手段１４及び可視光裏エッジ撮像手段１５による撮像は、ウェハー載置回転台１２を矢印で示す方向に一定速度（実施例１においては１２０度／秒）で回転させながら、エッジ部１０ｍｍ付近の１周分を流し撮りして行う。
【0029】
実施例２の機械学習手段は、図５の右側に示すように、実施例１の機械学習手段が備える上記（ａ）～（ｄ）の構成に加えて以下の構成（ｆ）及び（ｇ）を備えており、また、上記（ｅ）の構成に代えて以下の構成（ｈ）を備えている。
（ｆ）可視光表エッジ撮像手段１４から表エッジ画像が入力されると、ウェハー１の表面側のエッジ部における膜種を判定し、表エッジ画像判定結果を出力する表エッジ画像用機械学習手段１０ＦＥ。
（ｇ）可視光裏エッジ撮像手段１５から裏エッジ画像が入力されると、ウェハー１の裏面側のエッジ部における膜種を判定し、裏エッジ画像判定結果を出力する裏エッジ画像用機械学習手段１０ＢＥ。
なお、表エッジ画像用機械学習手段１０ＦＥ及び裏エッジ画像用機械学習手段１０ＢＥも、実施例１の各機械学習手段と同様、ニューラルネットワーク１０を採用している。
（ｈ）赤外画像用機械学習手段１０ＩＲ、可視光表画像用機械学習手段１０ＶＦ、可視光裏画像用機械学習手段１０ＶＢ、ＳＧ画像用機械学習手段１０ＳＧ、表エッジ画像用機械学習手段１０ＦＥ及び裏エッジ画像用機械学習手段１０ＢＥから出力された赤外画像判定結果、可視光表画像判定結果、可視光裏画像判定結果、ＳＧ画像判定結果、表エッジ画像判定結果及び裏エッジ画像判定結果が入力されると、それらの判定結果の組合せと代表膜種との関係を照合し、ウェハー１の膜種についての判定結果として代表膜種データを出力する膜種組合せ照合手段１８。
（ｆ）可視光表エッジ撮像手段１４から表エッジ画像が入力されると、ウェハー１の表面側のエッジ部における膜種を判定し、表エッジ画像判定結果を出力する表エッジ画像用機械学習手段１０ＦＥ。
（ｇ）可視光裏エッジ撮像手段１５から裏エッジ画像が入力されると、ウェハー１の裏面側のエッジ部における膜種を判定し、裏エッジ画像判定結果を出力する裏エッジ画像用機械学習手段１０ＢＥ。
なお、表エッジ画像用機械学習手段１０ＦＥ及び裏エッジ画像用機械学習手段１０ＢＥも、実施例１の各機械学習手段と同様、ニューラルネットワーク１０を採用している。
（ｈ）赤外画像用機械学習手段１０ＩＲ、可視光表画像用機械学習手段１０ＶＦ、可視光裏画像用機械学習手段１０ＶＢ、ＳＧ画像用機械学習手段１０ＳＧ、表エッジ画像用機械学習手段１０ＦＥ及び裏エッジ画像用機械学習手段１０ＢＥから出力された赤外画像判定結果、可視光表画像判定結果、可視光裏画像判定結果、ＳＧ画像判定結果、表エッジ画像判定結果及び裏エッジ画像判定結果が入力されると、それらの判定結果の組合せと代表膜種との関係を照合し、ウェハー１の膜種についての判定結果として代表膜種データを出力する膜種組合せ照合手段１８。
【0030】
実施例２においても、各機械学習手段のサンプルデータ蓄積手段１０Ｌに多数のサンプルデータが蓄えられ、事前に学習させてパラメータの最適化が行われた後、入力層１０Ｉにウェハー面撮像ステージ及びウェハーエッジ撮像ステージにおいて取得したウェハー１の赤外画像、可視光表画像、可視光裏画像、ＳＧ画像、表エッジ画像及び裏エッジ画像が入力されると、それぞれの画像を解析し高い判別精度でウェハー１の膜種を判定することができる。また、サンプルデータ入力手段１０Ｔに入力されるサンプルデータも、実施例１と同様、予め膜種が判明しているサンプルウェハーについて、ウェハー面撮像ステージ及びウェハーエッジ撮像ステージにおいて取得したサンプル画像（サンプルウェハーの赤外画像、可視光表画像、可視光裏画像、ＳＧ画像、表エッジ画像及び裏エッジ画像）と、そのサンプルウェハーの膜種を示すサンプル膜種データを一組にしたものである。
また、表エッジ画像及び裏エッジ画像に対して付与するサンプル膜種データは、膜無し（エッジ膜無）、アモルファスカーボン（アモルファスＣ）、エッジレジスト、レジスト、
それ以外の膜（その他）である。そして、実施例２においては、表エッジ画像用機械学習手段１０ＦＥ及び裏エッジ画像用機械学習手段１０ＢＥのサンプルデータ蓄積手段１０Ｌに、５～６万組のサンプルデータを蓄積して最適化を行っている。
なお、実施例２においても、サンプルデータの容量を削減するために、入力する全ての画像データに対して圧縮及びトリミング処理を施した上で、各機械学習手段のサンプルデータ蓄積手段１０Ｌにサンプルデータを蓄積している。
また、表エッジ画像及び裏エッジ画像に対して付与するサンプル膜種データは、膜無し（エッジ膜無）、アモルファスカーボン（アモルファスＣ）、エッジレジスト、レジスト、
それ以外の膜（その他）である。そして、実施例２においては、表エッジ画像用機械学習手段１０ＦＥ及び裏エッジ画像用機械学習手段１０ＢＥのサンプルデータ蓄積手段１０Ｌに、５～６万組のサンプルデータを蓄積して最適化を行っている。
なお、実施例２においても、サンプルデータの容量を削減するために、入力する全ての画像データに対して圧縮及びトリミング処理を施した上で、各機械学習手段のサンプルデータ蓄積手段１０Ｌにサンプルデータを蓄積している。
【0031】
【実施例0032】
図７は実施例３に係るウェハー自動分類装置のブロック図である。
図７に示すように、実施例３に係るウェハー自動分類装置は、膜種判別前のウェハー１を複数枚収容可能なウェハー収容手段１９と、予め各々異なる膜の種類が登録されている複数のウェハー格納手段２０と、ウェハー搬入移送手段２１と、ウェハー受け渡しステージ２２と、ウェハー搬送手段２３と、自動分類装置制御手段２４からなっている。
図７に示すように、実施例３に係るウェハー自動分類装置は、膜種判別前のウェハー１を複数枚収容可能なウェハー収容手段１９と、予め各々異なる膜の種類が登録されている複数のウェハー格納手段２０と、ウェハー搬入移送手段２１と、ウェハー受け渡しステージ２２と、ウェハー搬送手段２３と、自動分類装置制御手段２４からなっている。
【0033】
ウェハー搬入移送手段２１は、ウェハー収容手段１９からウェハー１を１枚ずつ取り出して、ウェハー面撮像ステージ（図５参照）のウェハー保持台２で保持し、保持したウェハー１の撮像が終了したらウェハー保持台２からウェハー１を搬出し、搬出したウェハー１をウェハーエッジ撮像ステージ（図５参照）のウェハー載置回転台１２に載置し、載置したウェハー１の撮像が終了したらウェハー載置回転台１２からウェハー１を搬出し、搬出したウェハー１をウェハー受け渡しステージ２２に載置するものである。なお、ウェハーエッジ撮像ステージへの搬入を先に行っても良い。
また、ウェハー搬送手段２３は、ウェハー受け渡しステージ２２に載置されたウェハー１を受け取り、実施例２に係るウェハー膜種自動判定システムの膜種組合せ照合手段１８から出力された代表膜種データに応じて、受け取ったウェハー１を、その代表膜種データが示す膜の種類が登録されているウェハー格納手段２０に格納するものである。
そして、自動分類装置制御手段２４は、実施例２に係るウェハー膜種自動判定システムから、ウェハー保持台２及びウェハー載置回転台１２の高さや位置の情報、ウェハー面撮像ステージ及びウェハーエッジ撮像ステージでウェハー１の撮像を行うのに要する時間の情報並びにウェハー１の代表膜種データを受け、自動分類装置の管理者や作業者（以下「管理者等」という。）による操作に従ってウェハー搬入移送手段２１及びウェハー搬送手段２３の動作を制御するものである。
なお、図７ではウェハー収容手段１９を３つ設け、１つ又は２つのウェハー収容手段１９が空になったら、ウェハー１を補充してセットできるようにしているが、ウェハー収容手段１９を１つだけ設け、空になる度にウェハー１を補充しても良く、逆に４つ以上設けてウェハー１の補充間隔を長くできるようにしても良い。
また、図７ではウェハー格納手段２０を９つ設けているが、ウェハー格納手段２０の設置数は分類する膜の種類（不明も含む）の数に応じて決定しても良く、膜種の最大数分設置しておき、必要な数だけを使用しても良い。
また、ウェハー搬送手段２３は、ウェハー受け渡しステージ２２に載置されたウェハー１を受け取り、実施例２に係るウェハー膜種自動判定システムの膜種組合せ照合手段１８から出力された代表膜種データに応じて、受け取ったウェハー１を、その代表膜種データが示す膜の種類が登録されているウェハー格納手段２０に格納するものである。
そして、自動分類装置制御手段２４は、実施例２に係るウェハー膜種自動判定システムから、ウェハー保持台２及びウェハー載置回転台１２の高さや位置の情報、ウェハー面撮像ステージ及びウェハーエッジ撮像ステージでウェハー１の撮像を行うのに要する時間の情報並びにウェハー１の代表膜種データを受け、自動分類装置の管理者や作業者（以下「管理者等」という。）による操作に従ってウェハー搬入移送手段２１及びウェハー搬送手段２３の動作を制御するものである。
なお、図７ではウェハー収容手段１９を３つ設け、１つ又は２つのウェハー収容手段１９が空になったら、ウェハー１を補充してセットできるようにしているが、ウェハー収容手段１９を１つだけ設け、空になる度にウェハー１を補充しても良く、逆に４つ以上設けてウェハー１の補充間隔を長くできるようにしても良い。
また、図７ではウェハー格納手段２０を９つ設けているが、ウェハー格納手段２０の設置数は分類する膜の種類（不明も含む）の数に応じて決定しても良く、膜種の最大数分設置しておき、必要な数だけを使用しても良い。
【0034】
実施例３に係るウェハー自動分類装置の動作手順及び作業手順は以下のとおりである。
（手順１）管理者等が、ウェハー収容手段１９にウェハー１を収容し、ウェハー自動分類装置の所定箇所にセットする。
（手順２）管理者等が、自動分類装置制御手段２４から起動指令を入力する。
（手順３）ウェハー搬入移送手段２１が、ウェハー収容手段１９からウェハー１を１枚取り出し、ウェハー保持台２に保持させる。
（手順４）ウェハー面撮像ステージが、ウェハー保持台２上のウェハー１を撮像する。
（手順５）ウェハー搬入移送手段２１が、ウェハー保持台２からウェハー１を搬出し、搬出したウェハー１を移送して、ウェハー載置回転台１２に載置する。
（手順６）ウェハーエッジ撮像ステージが、ウェハー載置回転台１２上のウェハー１を撮像し、機械学習手段が、膜種組合せ照合手段１８から代表膜種データを出力する。
（手順７）ウェハー搬入移送手段２１が、ウェハー載置回転台１２からウェハー１を搬出し、搬出したウェハー１を移送して、ウェハー受け渡しステージ２２に載置する。
（手順８）ウェハー搬送手段２３が、ウェハー受け渡しステージ２２からウェハー１を搬出し、上記（手順６）で出力された代表膜種データが示す膜の種類が登録されているウェハー格納手段２０に格納する。
（手順９）ウェハー搬入移送手段２１、ウェハー面撮像ステージ、ウェハーエッジ撮像ステージ、機械学習手段及びウェハー搬送手段２３は、全てのウェハー収容手段１９が空になるまで、上記（手順３）～（手順８）の動作を繰り返す。
（手順１０）全てのウェハー収容手段１９が空になったら、動作を停止し自動分類装置制御手段２４から全てのウェハー収容手段１９が空になった旨の報知を行う。
（手順１１）管理者等が、作業を継続するか否かを判断し、継続する場合は手順１に戻り、継続せず終了する場合は、自動分類装置制御手段２４から終了指令を入力する。
（手順１）管理者等が、ウェハー収容手段１９にウェハー１を収容し、ウェハー自動分類装置の所定箇所にセットする。
（手順２）管理者等が、自動分類装置制御手段２４から起動指令を入力する。
（手順３）ウェハー搬入移送手段２１が、ウェハー収容手段１９からウェハー１を１枚取り出し、ウェハー保持台２に保持させる。
（手順４）ウェハー面撮像ステージが、ウェハー保持台２上のウェハー１を撮像する。
（手順５）ウェハー搬入移送手段２１が、ウェハー保持台２からウェハー１を搬出し、搬出したウェハー１を移送して、ウェハー載置回転台１２に載置する。
（手順６）ウェハーエッジ撮像ステージが、ウェハー載置回転台１２上のウェハー１を撮像し、機械学習手段が、膜種組合せ照合手段１８から代表膜種データを出力する。
（手順７）ウェハー搬入移送手段２１が、ウェハー載置回転台１２からウェハー１を搬出し、搬出したウェハー１を移送して、ウェハー受け渡しステージ２２に載置する。
（手順８）ウェハー搬送手段２３が、ウェハー受け渡しステージ２２からウェハー１を搬出し、上記（手順６）で出力された代表膜種データが示す膜の種類が登録されているウェハー格納手段２０に格納する。
（手順９）ウェハー搬入移送手段２１、ウェハー面撮像ステージ、ウェハーエッジ撮像ステージ、機械学習手段及びウェハー搬送手段２３は、全てのウェハー収容手段１９が空になるまで、上記（手順３）～（手順８）の動作を繰り返す。
（手順１０）全てのウェハー収容手段１９が空になったら、動作を停止し自動分類装置制御手段２４から全てのウェハー収容手段１９が空になった旨の報知を行う。
（手順１１）管理者等が、作業を継続するか否かを判断し、継続する場合は手順１に戻り、継続せず終了する場合は、自動分類装置制御手段２４から終了指令を入力する。
【0035】
実施例１～３の変形例を列記する。
（１）実施例１～３においては、機械学習手段として入力層１０Ｉに入力されるサンプル画像及び出力層１０Ａから出力されるサンプル膜種データを一組にしたサンプルデータ（教師データ）を蓄積して最適化を行うニューラルネットワーク１０を採用したが、ロジスティック回帰、サポートベクターマシン等の教師あり機械学習手段であれば、どのような機械学習手段を採用しても良い。
（２）実施例１～３においては、各画像に対する判定結果を出力する機械学習手段を備えるとともに、それらの機械学習手段による判定結果の組合せと代表膜種との関係を照合し、代表膜種データを出力する膜種組合せ照合手段１１、１８を備えていたが、各機械学習手段及び膜種組合せ照合手段１１、１８を、代表膜種出力用機械学習手段に代え、各画像の組合せと代表膜種をサンプルデータとして、同機械学習手段のサンプルデータ蓄積手段１０Ｌに蓄え、各画像の組合せを同機械学習手段に入力することによって、直接出力層１０Ａから代表膜種データを出力できるようにしても良い。
（１）実施例１～３においては、機械学習手段として入力層１０Ｉに入力されるサンプル画像及び出力層１０Ａから出力されるサンプル膜種データを一組にしたサンプルデータ（教師データ）を蓄積して最適化を行うニューラルネットワーク１０を採用したが、ロジスティック回帰、サポートベクターマシン等の教師あり機械学習手段であれば、どのような機械学習手段を採用しても良い。
（２）実施例１～３においては、各画像に対する判定結果を出力する機械学習手段を備えるとともに、それらの機械学習手段による判定結果の組合せと代表膜種との関係を照合し、代表膜種データを出力する膜種組合せ照合手段１１、１８を備えていたが、各機械学習手段及び膜種組合せ照合手段１１、１８を、代表膜種出力用機械学習手段に代え、各画像の組合せと代表膜種をサンプルデータとして、同機械学習手段のサンプルデータ蓄積手段１０Ｌに蓄え、各画像の組合せを同機械学習手段に入力することによって、直接出力層１０Ａから代表膜種データを出力できるようにしても良い。
【0036】
（３）実施例１～３のウェハー面撮像ステージやウェハーエッジ撮像ステージにおいて、ウェハー１の厚さを測定するウェハー厚さ測定手段、ウェハー１に付されているマークやバーコードを読み取るマーキング読み取り手段等を設置し、又は別途測定ステージにウェハー厚さ測定手段やマーキング読み取り手段等を設置して、多機能化を図っても良い。
（４）実施例１及び２に係るウェハー膜種自動判定システムは、可視光表撮像手段４、可視光裏撮像手段５、可視光表画像用機械学習手段１０ＶＦ及び可視光裏画像用機械学習手段１０ＶＢを備えていたが、ウェハーの一方の面だけに成膜されていることが分かっている場合やウェハーの両面に同じ成膜処理が施されていることが分かっている場合は、可視光表撮像手段４と可視光表画像用機械学習手段１０ＶＦのみ又は可視光裏撮像手段５と可視光裏画像用機械学習手段１０ＶＢのみを備えるようにしても良い。
そのため、特許請求の範囲の記載においては、可視光表撮像手段４又は可視光裏撮像手段５を示す用語として「可視光撮像手段」を用いる場合がある。
（４）実施例１及び２に係るウェハー膜種自動判定システムは、可視光表撮像手段４、可視光裏撮像手段５、可視光表画像用機械学習手段１０ＶＦ及び可視光裏画像用機械学習手段１０ＶＢを備えていたが、ウェハーの一方の面だけに成膜されていることが分かっている場合やウェハーの両面に同じ成膜処理が施されていることが分かっている場合は、可視光表撮像手段４と可視光表画像用機械学習手段１０ＶＦのみ又は可視光裏撮像手段５と可視光裏画像用機械学習手段１０ＶＢのみを備えるようにしても良い。
そのため、特許請求の範囲の記載においては、可視光表撮像手段４又は可視光裏撮像手段５を示す用語として「可視光撮像手段」を用いる場合がある。
【0037】
（５）実施例３に係るウェハー自動分類装置は、膜種判別前のウェハー１を複数枚収容可能なウェハー収容手段１９と、予め各々異なる膜の種類が登録されている複数のウェハー格納手段２０と、ウェハー収容手段１９からウェハー１を１枚取り出し、ウェハー面撮像ステージやウェハーエッジ撮像ステージに対して、ウェハー１を搬入、搬出するウェハー搬入移送手段２１と、ウェハー受け渡しステージ２２と、ウェハー受け渡しステージ２２からウェハー１を搬出し、代表膜種データが示す膜の種類が登録されているウェハー格納手段２０に格納するウェハー搬送手段２３と、自動分類装置制御手段２４からなっていたが、ウェハー１の取り出し、ウェハー面撮像ステージやウェハーエッジ撮像ステージに対するウェハー１の搬入、搬出及びウェハー受け渡しステージ２２からのウェハー１の搬出については自動化せず、管理者等が行っても良い。そうした場合、ウェハー収容手段１９、ウェハー搬入移送手段２１及びウェハー受け渡しステージ２２は不要となる。
（６）実施例３においては、ウェハー搬入移送手段２１が、（手順５）及び（手順７）によって、ウェハー保持台２に保持されている撮像後のウェハー１をウェハー載置回転台１２へ移送、載置する動作と、ウェハー載置回転台１２上にある撮像後のウェハー１をウェハー受け渡しステージ２２への載置する動作を順次行ったが、ウェハー搬入移送手段２１に２系統の搬入移送手段を設けて、（手順５）と（手順７）を同時に行えるようにすると、単位時間当たりの処理枚数を増やすことができる。
（６）実施例３においては、ウェハー搬入移送手段２１が、（手順５）及び（手順７）によって、ウェハー保持台２に保持されている撮像後のウェハー１をウェハー載置回転台１２へ移送、載置する動作と、ウェハー載置回転台１２上にある撮像後のウェハー１をウェハー受け渡しステージ２２への載置する動作を順次行ったが、ウェハー搬入移送手段２１に２系統の搬入移送手段を設けて、（手順５）と（手順７）を同時に行えるようにすると、単位時間当たりの処理枚数を増やすことができる。
