[发明专利]基于轮廓的缺陷检测有效

专利信息
申请号: 201880023809.2 申请日: 2018-03-30
公开(公告)号: CN110494894B 公开(公告)日: 2022-02-15
发明(设计)人: A·古普塔;M·马哈德凡;S·梵卡泰若曼;海东·杨;L·卡尔森迪;Y·卡蒙;N·布基希;U·达尼诺 申请(专利权)人: 科磊股份有限公司
主分类号: G06T7/00 分类号: G06T7/00;G06T7/13;G06N3/04;G06N3/08;G01N21/956
代理公司: 北京律盟知识产权代理有限责任公司 11287 代理人: 刘丽楠
地址: 美国加利*** 国省代码: 暂无信息
权利要求书: 查看更多 说明书: 查看更多
摘要:
搜索关键词: 基于 轮廓 缺陷 检测
【权利要求书】:

1.一种经配置以检测形成于样品上的图案中的缺陷的系统,其包括:

成像子系统,其包括至少一个能量源及至少一个检测器,其中所述能量源经配置以产生引导到样品的能量,且其中所述检测器经配置以从所述样品检测能量且响应于所检测能量产生图像;及

一或多个计算机子系统,其经配置用于获取形成于所述样品上的图案的所述图像;及

一或多个组件,其通过所述一或多个计算机子系统执行,其中所述一或多个组件包括第一基于学习的模型及第二基于学习的模型,其中所述第一基于学习的模型及所述第二基于学习的模型是基于深度学习的模型,其中所述第一基于学习的模型经配置用于通过所述一或多个计算机子系统基于输入到所述第一基于学习的模型的所述样品的设计产生所述图案的模拟轮廓,其中所述模拟轮廓是通过所述成像子系统产生的所述样品的所述图像中的所述图案的无缺陷版本的预期轮廓,且其中所述第二基于学习的模型经配置用于通过所述一或多个计算机子系统产生输入到所述第二基于学习的模型的形成于所述样品上的所述图案的所获取图像中的至少一者中的所述图案的实际轮廓;且

其中所述一或多个计算机子系统经进一步配置用于:

比较所述实际轮廓与所述模拟轮廓;及

基于所述比较的结果检测形成于所述样品上的所述图案中的缺陷。

2.根据权利要求1所述的系统,其中所述比较的所述结果包括基于所述实际轮廓与所述模拟轮廓之间的差异所确定的所述设计中的所述图案中的第一者与形成于所述样品上的所述图案的所述所获取图像中的所述至少一者中的所述图案中的所述第一者的尺寸之间的量化差异,且其中检测所述缺陷包括将阈值应用到所述尺寸之间的所述量化差异。

3.根据权利要求1所述的系统,其中所述比较的所述结果包括所述所获取图像中的所述至少一者中的所述图案中的每一者的像素中的每一者的所述实际轮廓与所述模拟轮廓之间的量化差异。

4.根据权利要求1所述的系统,其中所述一或多个计算机子系统经进一步配置用于基于所检测缺陷检测所述设计中的热点。

5.根据权利要求1所述的系统,其中输入到所述第一基于学习的模型的所述设计不包含不会印刷于所述样品上的所述设计的特征。

6.根据权利要求1所述的系统,其中所述第一基于学习的模型及所述第二基于学习的模型可适应不同图案类型。

7.根据权利要求1所述的系统,其中所述第一基于学习的模型及所述第二基于学习的模型可适应不同图案密度。

8.根据权利要求1所述的系统,其中所述第一基于学习的模型及所述第二基于学习的模型可适应不同层类型中的图案。

9.根据权利要求1所述的系统,其中所述第一基于学习的模型及所述第二基于学习的模型可适应通过所述成像子系统以一或多个不同成像参数产生的图像。

10.根据权利要求1所述的系统,其中所述一或多个计算机子系统经进一步配置用于使用训练数据集训练所述第一基于学习的模型,所述训练数据集包括用于至少一个训练样品的至少一个训练设计的不同部分及使用真实数据方法从所述至少一个训练样品的训练图像提取的对应轮廓信息。

11.根据权利要求1所述的系统,其中所述一或多个计算机子系统经进一步配置用于使用训练数据集训练所述第二基于学习的模型,所述训练数据集包括通过所述成像子系统针对至少一个训练设计形成于其上的至少一个训练样品产生的不同训练图像及使用真实数据方法从所述不同训练图像提取的对应轮廓信息。

12.根据权利要求1所述的系统,其中所述第二基于学习的模型具有VGG网络架构。

13.根据权利要求1所述的系统,其中所述第二基于学习的模型经进一步配置为整体嵌套边缘检测模型。

下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。

该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于科磊股份有限公司,未经科磊股份有限公司许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服

本文链接:http://www.vipzhuanli.com/pat/books/201880023809.2/1.html,转载请声明来源钻瓜专利网。

×

专利文献下载

说明:

1、专利原文基于中国国家知识产权局专利说明书;

2、支持发明专利 、实用新型专利、外观设计专利(升级中);

3、专利数据每周两次同步更新,支持Adobe PDF格式;

4、内容包括专利技术的结构示意图流程工艺图技术构造图

5、已全新升级为极速版,下载速度显著提升!欢迎使用!

请您登陆后,进行下载,点击【登陆】 【注册】

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code back_top