特許 7287669 欠陥部認識装置及び欠陥部認識方法

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】特許公報(B2)

(11)【特許番号】

(24)【登録日】2023-05-29

(45)【発行日】2023-06-06

(54)【発明の名称】欠陥部認識装置及び欠陥部認識方法

(51)【国際特許分類】

   G01N 21/27 20060101AFI20230530BHJP

   G01N 21/88 20060101ALI20230530BHJP

【ＦＩ】

G01N21/27 E

G01N21/88 J

【請求項の数】 6

(21)【出願番号】P 2019151063

(22)【出願日】2019-08-21

(65)【公開番号】P2021032629

(43)【公開日】2021-03-01

【審査請求日】2022-06-09

(73)【特許権者】

【識別番号】500171707

【氏名又は名称】株式会社ブイ・テクノロジー

(74)【代理人】

【識別番号】110000626

【氏名又は名称】弁理士法人英知国際特許商標事務所

(72)【発明者】

【氏名】水村 通伸

【審査官】井上 徹

(56)【参考文献】

【文献】特開２０１１－１６５４７９（ＪＰ，Ａ）

【文献】米国特許第５９９１６９９（ＵＳ，Ａ）

【文献】中国特許出願公開第１０５６９９３８５（ＣＮ，Ａ）

【文献】特開２００８－１８８６３８（ＪＰ，Ａ）

【文献】特開２０１２－６３７２５（ＪＰ，Ａ）

【文献】特開２０１７－１５６５１７（ＪＰ，Ａ）

【文献】特開２０１１－１０１９０３（ＪＰ，Ａ）

【文献】特開２００４－７７１６５（ＪＰ，Ａ）

(58)【調査した分野】(Int.Cl.，ＤＢ名)

Ｇ０１Ｎ ２１／００－Ｇ０１Ｎ ２１／０１

Ｇ０１Ｎ ２１／１７－Ｇ０１Ｎ ２１／６１

Ｇ０１Ｎ ２１／８４－Ｇ０１Ｎ ２１／９５８

Ｇ０１Ｂ １１／００－Ｇ０１Ｂ １１／３０

Ｈ０１Ｌ ２１／６４－Ｈ０１Ｌ ２１／６６

Ｇ０６Ｔ ７／００－Ｇ０６Ｔ ７／９０

Ｇ０１Ｊ ３／００－Ｇ０１Ｊ ４／０４

Ｇ０１Ｊ ７／００－Ｇ０１Ｊ ９／０４

Ｇ０６Ｎ １０／００－Ｇ０６Ｎ ９９／００

Ｂ２３Ｋ ２６／００－Ｂ２３Ｋ ２６／７０

Ｈ０５Ｋ ３／００－Ｈ０５Ｋ ３／４６

ＪＳＴＰｌｕｓ／ＪＭＥＤＰｌｕｓ／ＪＳＴ７５８０（ＪＤｒｅａｍＩＩＩ）

(57)【特許請求の範囲】

【請求項1】

多層膜基板の表面に白色落射光を照射して、前記表面において欠陥部を認識する単位領域の拡大像を得る顕微鏡と、
前記拡大像が結像される撮像面を有し、当該撮像面のピクセル毎に前記拡大像の分光スペクトル情報を出力するスペクトル分光カメラと、
前記スペクトル分光カメラから出力された分光スペクトル情報を処理する情報処理部を備え、
前記情報処理部は、前記ピクセル毎の分光スペクトル情報をクラスタリング処理する機械学習部と、該機械学習部の処理結果から欠陥部を認識する欠陥認識部を備え、
該機械学習部は、前記単位領域に存在する層構造に応じてクラスタを設定し、該クラスタにクラスタリングされるピクセル数を度数とするヒストグラムを生成し、
前記欠陥認識部は、生成された前記ヒストグラムの度数分布を欠陥が存在しないヒストグラムの度数分布と比較して、度数に差があるクラスタの存在で、欠陥部を認識することを特徴とする欠陥部認識装置。

【請求項2】

前記欠陥認識部は、前記度数に差があるクラスタにクラスタリングされたピクセルの座標位置と、当該クラスタの層構造における正常なパターンの座標位置との差分から、欠陥部の位置を認識することを特徴とする請求項１記載の欠陥部認識装置。

【請求項3】

前記機械学習部は、前記単位領域に存在する層構造に応じたクラスタに加えて、欠陥部用のクラスタを設定し、
前記欠陥認識部は、前記欠陥部用のクラスタにクラスタリングされたピクセルを基に欠陥部の種別を認識することを特徴とする請求項１又は２記載の欠陥部認識装置。

【請求項4】

多層膜基板の表面に白色落射光を照射して、前記表面において欠陥部を認識する単位領域の拡大像を得る工程と、
前記拡大像が結像される撮像面を有するスペクトル分光カメラを用い、前記撮像面のピクセル毎に前記拡大像の分光スペクトル情報を取得する工程と、
前記スペクトル分光カメラによって取得したピクセル毎の分光スペクトル情報を、前記単位領域に存在する層構造に応じて設定されたクラスタにクラスタリングする工程と、
前記クラスタにクラスタリングされるピクセル数を度数とするヒストグラムを生成する工程と、
生成された前記ヒストグラムの度数分布を欠陥が存在しないヒストグラムの度数分布と比較して、度数に差があるクラスタの存在で、欠陥部を認識することを特徴とする欠陥部認識方法。

【請求項5】

前記度数に差があるクラスタにクラスタリングされたピクセルの座標位置と、当該クラスタの層構造における正常なパターンの座標位置との差分から、欠陥部の位置を認識することを特徴とする請求項４記載の欠陥部認識方法。

【請求項6】

前記欠陥部として認識されたピクセルを再クラスタリングする工程を有し、該再クラスタリングでは、前記クラスタに加えて、欠陥部用のクラスタを設定し、当該欠陥部用のクラスタにクラスタリングされたピクセルを基に、前記欠陥部の種別を認識することを特徴とする請求項５記載の欠陥部認識方法。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、多層膜基板の欠陥部認識装置及び方法に関するものである。

【背景技術】

【0002】

ＦＰＤ（Flat Panel Display）などの製造工程では、検査工程で欠陥画素が検出された場合に、ＴＦＴ（Thin Film Transistor）などの多層膜基板を対象に、欠陥画素の欠陥部に対してレーザ光を照射する修正加工を行っている。

【0003】

この際の欠陥部の認識は、顕微鏡画像による目視認識か、或いは、画像処理技術を用いて、欠陥部の画像と欠陥部の無い参照画像とを照合し、欠陥部の位置や特徴を把握することなどが行われている（下記特許文献１参照）。

【先行技術文献】

【特許文献】

【0004】

【文献】特開２００８－１８８６３８号公報

【発明の概要】

【発明が解決しようとする課題】

【0005】

多層膜基板の欠陥部は、欠陥部が多層膜のどの層にあるのか、更には欠陥部の層の下地層がどのような層構造になっているかを認識することが必要になり、この違いに応じて、レーザ修正を行う際の加工レシピが適宜選択されている。従来、顕微鏡画像の目視で欠陥部を認識している場合には、欠陥部の層構造の把握はオペレータの経験や知識に頼らざるを得ず、見立ての違いによって修正レシピが異なるなど、オペレータのスキルが修正品質に影響してしまう問題があった。

【0006】

また、画像処理技術を用いて欠陥部の認識を行う従来技術によると、２次元画像によって欠陥部から得られる情報は、欠陥部の色、大きさ、コントラスト、形状などに限られてしまうため、欠陥の下地層の層構造などを正確に把握することができない。このため、最終的にはオペレータの経験や知識に頼ることになり、この従来技術によっても品質の高い修正加工を行うことができない問題があった。

【0007】

本発明は、このような問題に対処するために提案されたものである。すなわち、多層膜基板における欠陥部の状態を機械的に認識することができ、オペレータのスキルに影響されない修正加工を可能にすること、などが本発明の課題である。

【課題を解決するための手段】

【0008】

このような課題を解決するために、本発明は、以下の構成を具備するものである。
多層膜基板の表面に白色落射光を照射して、前記表面において欠陥部を認識する単位領域の拡大像を得る顕微鏡と、前記拡大像が結像される撮像面を有し、当該撮像面のピクセル毎に前記拡大像の分光スペクトル情報を出力するスペクトル分光カメラと、前記スペクトル分光カメラから出力された分光スペクトル情報を処理する情報処理部を備え、前記情報処理部は、前記ピクセル毎の分光スペクトル情報をクラスタリング処理する機械学習部と、該機械学習部の処理結果から欠陥部を認識する欠陥認識部を備え、該機械学習部は、前記単位領域に存在する層構造に応じてクラスタを設定し、該クラスタにクラスタリングされるピクセル数を度数とするヒストグラムを生成し、前記欠陥認識部は、生成された前記ヒストグラムの度数分布を欠陥が存在しないヒストグラムの度数分布と比較して、度数に差があるクラスタの存在で、欠陥部を認識することを特徴とする欠陥部認識装置。

【図面の簡単な説明】

【0009】

【図1】欠陥部認識装置を示した説明図。

【図2】欠陥部認識装置の情報処理部を説明する説明図。

【図3】機械学習部のクラスタリング処理を説明する説明図。

【図4】欠陥認識部の機能を説明する説明図。

【図5】欠陥認識部の欠陥位置認識機能を説明する説明図（（ａ）は一つの層構造における正常なパターンの座標位置、（ｂ）は欠陥部が存在する層構造にクラスタリングされたピクセルの座標位置、（ｃ）は欠陥領域のピクセルの座標位置）。

【図6】欠陥領域内の再クラスタリング処理を説明する説明図。

【図7】欠陥認識方法のフローを示した説明図。

【図8】欠陥部認識装置を備えたレーザ修正装置を示した説明図。

【発明を実施するための形態】

【0010】

以下、図面を参照して本発明の実施形態を説明する。以下の説明で、異なる図における同一符号は同一機能の部位を示しており、各図における重複説明は適宜省略する。

【0011】

図１に示すように、欠陥部認識装置１は、ステージＳ上に設置されたワークである多層膜基板Ｗの欠陥部を認識するものであり、顕微鏡１０、スペクトル分光カメラ２０、情報処理部３０を備えている。

【0012】

顕微鏡１０は、多層膜基板Ｗの表面Ｗａに白色落射光を照射して、表面Ｗａにおいて欠陥部を認識する単位領域（例えば、ＴＦＴ基板の画素領域）の拡大像を得る光学顕微鏡であり、対物レンズ１１やチューブレンズ１７などの光学系を備えると共に、白色落射光を表面Ｗａに照射するための白色光源１２とその光学系（ミラー１３及びハーフミラー１４）を備えている。また、顕微鏡１０は、必要に応じて、表面Ｗａの拡大像のモニタ画像を得るためのモニタカメラ１５とそのための光学系（ハーフミラー１６）などを備えている。

【0013】

スペクトル分光カメラ２０は、顕微鏡１０の光学系の光軸１０Ｐ上に、スリット２３とグレーティング素子（回折格子）２１を配置して、表面Ｗａにて反射される光を波長分離し、この分離された光を、リレーレンズ系２４を介して２次元カメラ２２の撮像面２２ａに結像し、ライン分光方式によって、表面Ｗａの拡大像の分光スペクトル情報を撮像面２２ａのピクセル毎に取得するものである。

【0014】

情報処理部３０は、スペクトル分光カメラ２０から出力された分光スペクトル情報処理するものであり、図２に示すように、ピクセル毎の分光スペクトル情報をクラスタリング処理する機械学習部３１と、機械学習部３１の処理結果から欠陥部を認識する欠陥認識部３２とを備えている。欠陥認識部３２の認識結果は、図示省略しているレーザ修正装置の制御部に出力され、欠陥部をレーザ加工することの要・不要判断や、レーザ加工する場合の加工レシピの選択などに適用される。

【0015】

スペクトル分光カメラ２０から出力される分光スペクトルの情報は、図３に示すように、２次元カメラ２２の撮像面２２ａの一つのピクセルＰ（Ｘｎ，Ｙｎ）毎に、一つの分光スペクトル分布を出力する。ここでのピクセルＰ（Ｘｎ，Ｙｎ）は、Ｘ－Ｙ平面座標の位置情報を有しており、このピクセルＰ（Ｘｎ，Ｙｎ）の位置が、レビュー対象となる拡大像内の特定位置に対応している。

【0016】

そして、スペクトル分光カメラ２０が出力するピクセル毎の分光スペクトル情報は、表面Ｗａの単なる２次元画像情報とは異なり、撮像面２２ａのピクセルＰ（Ｘｎ，Ｙｎ）に対応する表面Ｗａ上の位置の層構造が予測できる情報を含んでいる。これは、多層膜基板Ｗの表面Ｗａにて反射する光が、多層膜の表層の違いで様々な分光特性を示すと共に多層膜の各層界面で反射する光と干渉するなどして、層構造特有のスペクトル分布を示すことに起因する。

【0017】

機械学習部３１は、スペクトル分光カメラ２０が出力するピクセル毎の分光スペクトル情報をクラスタリングするに際して、レビュー対象となる多層膜基板Ｗの単位領域に存在する層構造の数をクラスタ数としている。ここでの層構造は、多層膜基板Ｗの設計情報から予め知ることができるものである。図３に示した例では、多層膜基板Ｗの単位領域には、１１個の層構造が存在しており、それに対応して１１個のクラスタＮｏ．１～１１が設定されている。

【0018】

機械学習部３１は、クラスタに対応する層構造がどのような構造であるかは把握しておらず、類似のスペクトル分布の分光スペクトル情報を有するピクセルを一つのクラスタに集めて、撮像面２２ａ内の各ピクセルを、図３の例では１１個のクラスタに振り分ける処理を行っている。これによって、機械学習部３１は、図３に示すように、各クラスタにクラスタリングされるピクセル数を度数とするヒストグラムを生成する。

【0019】

このヒストグラムは、レビュー対象の単位領域内に欠陥部が存在しない場合には、設計されたとおりのヒストグラムになるが、単位領域内に欠陥部が存在する場合には、ヒストグラムの度数が設計値と異なってくる。欠陥認識部３２は、機械学習部３１によって生成されたヒストグラムの度数分布を欠陥が存在しない設計値のヒストグラムの度数分布と比較して、度数に差があるクラスタの層構造を、欠陥部が存在する可能性がある層構造として認識する。

【0020】

図４は、欠陥認識部３２の処理を模式的に示している。ここで、欠陥認識部３２は、機械学習部３１において設定された各クラスタと層構造との関係を認識している。そして、図４に破線の丸で囲んだように、設計値のヒストグラム度数とクラスタリングされたヒストグラムの度数に大きな差があるクラスタを特定して、そのクラスタに対応する層構造を、欠陥部が存在する可能性がある層構造として認識する。

【0021】

次に、欠陥認識部３２は、図５に示すように、生成されたヒストグラムにおいて、度数に差があるクラスタにクラスタリングされたピクセルの座標位置と、この層構造における正常なパターンの座標位置との差分から、欠陥部の位置を認識する。具体的には、図４におけるクラスタ７に対応する層構造に欠陥部が存在することを認識した場合に、この層構造の正常なパターンの座標位置が、図５（ａ）に示す座標位置分布であるとする。これに対して、実際にクラスタ７にクラスタリングされたピクセルの座標位置分布をＸ－Ｙ座標上に示してみると、図５（ｂ）に示すような座標位置分布が得られたとする。このような場合に、欠陥認識部３２は、図５（ｂ）の分布と図５（ａ）の分布の差分を取ることで、図５（ｃ）に示すように、欠陥部の位置（欠陥領域に存在するピクセルの座標位置分布）を認識することができる。

【0022】

これに対して、機械学習部３１は、前述した欠陥認識部３２の欠陥位置の認識結果を踏まえて、図６に示すように、欠陥領域に位置するピクセルの分光スペクトル情報を再クラスタリングする。この際、機械学習部３１は、既に設定されている層構造に対応するクラスタ（Ｎｏ．１～１１）に追加して、欠陥部用のクラスタ（Ｎｏ．１２，１３）を複数設定する。

【0023】

この再クラスタリングでは、欠陥領域内のピクセル位置の層構造が既知の層構造である場合には、既に設定されているクラスタ（Ｎｏ．１～１１）にクラスタリングされるが、それ以外の異物などである場合には、追加した欠陥部用のクラスタ（Ｎｏ．１２，１３）にクラスタリングされることになる。そして、追加した欠陥部用のクラスタ（Ｎｏ．１２，１３）にクラスタリングされたピクセルは、設計上の層構造とは異なる構造であると言えるので、例えば、異物の付着によって生じた層構造などであることを予測することができる。欠陥認識部３２は、欠陥部用のクラスタ（Ｎｏ．１２，１３）にピクセルがクラスタリングされた場合には、クラスタリングされたピクセルの分光スペクトル情報を基にし、前述した予測を前提にして、欠陥部の種別を認識する。

【0024】

図７は、前述した欠陥部認識装置１を用いた欠陥部認識方法の工程例を示している。欠陥部認識を開始するには、先ず、ワークである多層膜基板ＷをステージＳ上に設置して（ステップＳ０１）、表面Ｗａのレビュー位置を特定し、そこに顕微鏡１０の光軸を移動させる（ステップＳ０２）。

【0025】

そして、レビュー位置の表面Ｗａ上に白色落射光を照射し、顕微鏡１０によって、レビュー対象となる単位領域の拡大像を得て、その拡大像が結像される撮像面２２ａを有するスペクトル分光カメラ２０を用いて、撮像面２２ａのピクセル毎の分光スペクトル情報を取得する（ステップＳ０３）。

【0026】

取得したピクセル毎の分光スペクトル情報は、情報処理部３０における機械学習部３１に入力され、ここで、前述したクラスタリング処理が行われる（ステップＳ０４）。このクラスタリング処理が終了すると、前述したように、レビュー対象となる単位領域に存在する層構造の数をクラスタ数とし、各クラスタにクラスタリングされるピクセル数を度数とするヒストグラムが生成される（ステップ０５）。

【0027】

機械学習部３１にてヒストグラムが生成されると、欠陥認識部３２は、前述したように、クラスタリングによって生成されたヒストグラムの度数分布と設計値のヒストグラムの度数分布とを比較して、度数に差があるクラスタの存在によって欠陥部の有無を確認する（ステップＳ０６）。

【0028】

次に、欠陥認識部３２は、図５に示すように、欠陥部有りのクラスタにクラスタリングされているピクセルの座標位置分布を、当該層構造の正常なパターンの座標位置分布と比較することで、欠陥部の位置（欠陥領域）を特定する（ステップＳ０７）。そして、機械学習部３１は、前述したように、欠陥部用のクラスタを追加して、特定された欠陥領域内のピクセルを再クラスタリングする（ステップＳ０８）。

【0029】

再クラスタリングの後、欠陥認識部３２は、欠陥用クラスタにクラスタリングされたピクセルの分布状況や、そこにクラスタリングされたピクセルの分光スペクトル情報を基にして、欠陥部の種別を認識する（ステップＳ０９）。

【0030】

その後は、レビュー位置の移動を行うか否かの判断を行い（ステップＳ１０）、レビュー位置を移動する場合には（ステップＳ１０：ＹＥＳ）、移動したレビュー位置に対して、ステップＳ０２以降の処理を行い、レビュー位置を移動しない場合には（ステップＳ１０：ＮＯ）、処理を終了する。

【0031】

図８は、前述した欠陥部認識装置１を備えたレーザ修正装置２の構成例を示している。レーザ修正装置２は、前述した情報処理部３０における欠陥認識部３２が認識した欠陥部に対して、レーザ光を照射して修正加工を行うものであり、顕微鏡１０の光軸と同軸上にレーザ光Ｌを照射するレーザ照射部３を備えている。

【0032】

レーザ照射部３は、例えば、レーザ光源４０、レーザスキャナ４２などを備えており、レーザ光源４０から出射されたレーザ光Ｌは、ミラー４１とレーザスキャナ４２のガルバノミラー４２Ａ，４２Ｂを経由して、顕微鏡１０の光学系内に入射され、顕微鏡１０による拡大像が得られている単位領域の表面Ｗａ上に照射される。

【0033】

図示の例では、顕微鏡１０の光軸に進入・退避する切り替えミラー１８が設けられており、切り替えミラー１８を顕微鏡１０の光軸上に進入させることで、スペクトル分光カメラ２０に表面Ｗａからの反射光を入射させて、欠陥部認識装置１を動作させ、切り替えミラー１８を顕微鏡１０の光軸から退避させることで、レーザ光Ｌを表面Ｗａに照射するレーザ修正装置２を動作可能にしている。

【0034】

このような欠陥部認識装置１を備えたレーザ修正装置２は、先ず、欠陥部認識装置１を動作させることで、欠陥認識部３２が、欠陥部の有無、欠陥部が有る場合の欠陥部の位置、欠陥部の層構造、欠陥部の種別などの情報をレーザ制御部５０に送信する。レーザ制御部５０は、欠陥認識部３２から送信された前述の情報を基にして、レーザ修正を行うか否かの判断を行い、レーザ修正を行う場合には、欠陥部の位置情報に基づいてレーザ照射範囲の設定を行い、欠陥部の層構造や種別情報に基づいて加工レシピの設定を行う。

【0035】

また、図示の例では、顕微鏡１０の拡大像は、モニタカメラ１５にも結像されており、モニタカメラ１５が撮像した画像を表示装置５２で観察しながら、レーザ修正を行うことできるようになっている。この際、モニタカメラ１５が取得した２次元画像は、画像処理部５１で画像処理されてレーザ制御部５０や情報処理部３０に送信されており、この２次元画像によっても、レーザ照射部３の制御を行うことができるようになっている。

【0036】

以上説明した本発明の実施形態によると、多層膜基板Ｗの欠陥部を、機械的により詳細に認識することができ、この認識した情報を基にして、レーザ修正加工の設定を行うことができる。これにより、オペレータのスキルに影響されない高品質の修正加工が可能になり、また、欠陥部の認識から加工までを自動化して、高能率且つ高品質な修正加工を行うことができる。

【0037】

以上、本発明の実施の形態について図面を参照して詳述してきたが、具体的な構成はこれらの実施の形態に限られるものではなく、本発明の要旨を逸脱しない範囲の設計の変更等があっても本発明に含まれる。また、上述の各実施の形態は、その目的及び構成等に特に矛盾や問題がない限り、互いの技術を流用して組み合わせることが可能である。

【符号の説明】

【0038】

１：欠陥部認識装置，２：レーザ修正装置，３：レーザ照射部，
１０：顕微鏡，１０Ｐ：光軸，１１：対物レンズ，１２：白色光源，
１３：ミラー，１４，１６：ハーフミラー，１５：モニタカメラ，
１７：チューブレンズ，１８：切り替えミラー，
２０：スペクトル分光カメラ，２１：グレーティング素子，
２２：２次元カメラ，２２ａ：撮像面，２３：スリット
３０：情報処理部，３１：機械学習部，３２：欠陥認識部，
４０：レーザ光源，４１：ミラー，４２：レーザスキャナ，
４２Ａ，４２Ｂ：ガルバノミラー，
５０：レーザ制御部，５１：画像処理部，５２：表示装置，
Ｓ：ステージ，Ｗ：多層膜基板，Ｗａ：表面，Ｌ：レーザ光

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】