以下、本発明の第一の実施例を図1から16を� ��いて詳細に説明する。
実施例として、半導体ウェハを対象とした光 学式外観検査装置を例にとる。図1は装置の� �成の一例を示したものである。11は半導体ウ ェハなどの被検査物、12は被検査物11を搭載� �、移動させるステージ、13は検出部で、被検 査物11を照射するための光源101、光源101から� ��射した光を集光する照明光学系102、照明光� ��系102で集光された照明光で被検査物11を照� �し、反射して得られる光学像を結像させる� �物レンズ103、結像された光学像を明るさに� �じて画像信号に変換するイメージセンサ104� �より構成される。14は画像処理部で、検出部 13で検出された画像により試料であるウェハ� ��の欠陥候補を検出する。ここで、光源101は� ��例えばランプ光源やレーザ光源であり、イ� ��ージセンサ104は、例えばCCDリニアセンサやT DIセンサ、あるいはフォトマルなどである。

 画像処理部14は、検出部13のイメージセン サ104からの入力信号をデジタル信号に変換す るAD変換部105、AD変換されたデジタル信号に� �してシェーディング補正、暗レベル補正等� �画像補正を行う前処理部106、隣接するダイ� �対応する位置から検出された参照画像と検� �画像の比較を行い、差の値が別途設定され� �しきい値より大きい部分を欠陥として出力� �る欠陥判定部107、検出欠陥の位置を中心と� �、予め定められたサイズで検出画像と参照� �像を切出す画像切出部108、切出した画像か� �特徴量を算出する特徴抽出部109、算出した� �徴量に基づいて欠陥を分類する欠陥分類部11 0から構成される。

 15は全体制御部で、検出された欠陥の座標� �特徴量、画像などを記憶する記憶装置112、� �ーザからの検査パラメータの変更を受け付� �たり、検出された欠陥情報を表示したりす� �ユーザインターフェース部113、各種制御を� �うCPUで構成される。114は全体制御部からの� �御指令に基づいてステージ12を駆動するメカ ニカルコントローラである。なお、図示して いないが、画像処理部14、検出部13等も全体� �御部15からの指令により駆動される。111は分 類条件設定部であり、欠陥の特徴量に基づき 欠陥クラスを決定する分類条件を設定する。
16はレビュー装置であり、検査装置には含ま� ��ないが、データの授受が可能なようになっ� ��いる。

 次に、図1に示す検査装置による欠陥検出方 法について説明する。
被検査物である半導体ウェハ11は、図2に示す ように同一であるはずのパターンのダイ21が� ��数、規則的に並んでいる。隣接する2つのダ イの同じ位置、例えば図2の領域22とそれに隣 接するチップの領域23との間で画像を比較し� ��両者の間に差異がある部分を欠陥として検� ��する。

 その作用を説明すると、全体制御部15で� �、被検査物である半導体ウェハ11をステージ 12により、例えば図2に示すスキャンAの方向� �反対の方向へ連続的に移動させる。このス� �ージ12の連続的な移動に同期して、検出部13� ��イメージセンサ104でスキャンAの方向に順次 被検査物11の光学像が検出されて、チップの� ��が検出部13より取り込まれる。検出部13のイ メージセンサ104は入力された信号を画像処理 部14に出力する。画像処理部14では、まず入� �されたアナログ信号をAD変換部105でデジタル 信号に変換し、前処理部106にてシェーディン グ補正、暗レベル補正などを行う。

 欠陥判定部107では例えば、隣接する2つの ダイの対応する領域の画像比較により、欠陥 判定を行う。画像切出部108では、検出された 欠陥の位置を中心として予め定められたサイ ズで検出画像を切出す。比較検査を行う場合 の参照画像およびしきい値画像を切出すこと もある。特徴抽出部109では、複数の欠陥候補 各々について、切出した画像に基づいて欠陥 のサイズを表す特徴量、欠陥の明るさを表す 特徴量、欠陥の形状を表す特徴量、背景の情 報を表す特徴量などの欠陥分類に用いる特徴 量を算出する。

 欠陥分類部110では、予め分類条件設定部1 11で設定された条件を用いて分類を行い各欠� ��のクラス情報を出力する。画像切出部108か� ��出力される画像情報、特徴抽出部109から出� ��される欠陥の特徴量および欠陥分類部110か� ��出力される欠陥クラス情報は、記憶装置112� ��保存される。また、ユーザインターフェー� ��部113を介して、ユーザに提示される。

 欠陥分類部110および分類条件設定部111の� ��係を、図3を用いて詳細に説明する。図3は� �画像処理部14と分類条件設定部111の間のデー タの流れを示したものである。上記作用によ り、欠陥判定部107は欠陥の位置情報を出力す る。画像切出部108は、欠陥の位置情報をもと に欠陥部の画像を切り出して出力する。特徴 抽出部109は、欠陥部画像から特徴量を抽出し て出力する。欠陥分類部110は特徴量に基づい て欠陥を分類し欠陥クラス情報を出力する。 分類条件設定時には、レビュー装置16は欠陥� ��座標を元に、レビュー、分類を行い欠陥の� ��ラスおよびレビュー画像を出力する。分類� ��件設定部111は特徴抽出部109から出力される� ��陥の特徴量とレビュー装置16から出力され� �欠陥クラスを対応付けたものを教示データ� �し、別途入力される分類の優先順位に基づ� �分類条件を設定し、分類条件を出力する。

 次に、欠陥分類部110における動作について� ��図4ないし図7を用いて説明する。
図4は、欠陥分類部110の第一の構成例である� �特徴変換部401と分類器402からなる。特徴変� �部401は、特徴量を入力し、予め設定された� �徴変換パラメータを用いて特徴変換する。� �こで、特徴変換パラメータは、分類条件設� �部111において、指定された分類の優先順位� �基づいて、優先順位の高い分類を容易にす� �ように設定されるものとする。線形変換の� �合M×Nの行列で表される。ただしMは変換後の 特徴次元数、Nはもとの特徴次元数である。

 分類器402は、変換後の特徴量を入力し、� ��め設定された分類条件に基づいて欠陥分類� ��行い、欠陥クラス情報を出力する。分類器4 02としては、教示型の分類器であればなんで� ��よい。例えば、最近傍法、最小距離法、部� ��空間法、決定木法、ファジーボーティング� ��、フレキシブルナイブベイズ法、ニューラ� ��ネットワーク、サポートベクターマシン(SVM )などによるものが考えられる。複数の分類� �を実装しておき、選択使用可能なようにし� �おくとよい。分類器の種類によって学習に� �要なパラメータが異なるので、それに応じ� �入力が可能なようにしておく。分類条件と� �て設定するものも分類器の種類によって異� �るため、対応するフォーマットを準備して� �く。

 図5は、欠陥分類部110の第二の構成例であ る。複数の分類器402a~402dを直列につなげた構 成としている。一つ一つの分類器はあるクラ スとその他のクラスを分類する2クラス分類� �である。例えば分類器402aはクラスAとその他 を分類する。その他と判定されたものは分類 器402bに送られる。同様にクラスB、クラスCと 順に判定していく。最後の分類器402dは残っ� �2つのクラスDおよびEをそれぞれのクラスに� �類するものである。分類器の種類は教示型� �あればどんなものでもよいが、2クラスの分� ��に適したものには、サポートベクターマシ� ��(SVM)や線形判別法がある。

 図6は、欠陥分類部110の第三の構成例であ る。複数の分類器402e~402gを並列につなげたも のと統合判定部403からなる。各分類器は各欠 陥クラスに対応しており、そのクラスの正解 率が高くなるよう分類条件E~Gを設定されるも のとする。分類器402e~402gは、分類条件E~Gに従 って分類を行い、暫定欠陥クラスE~Gを出力す る。統合判定部403は、暫定欠陥クラスE~Gと予 め設定された統合判定条件に基づいて欠陥ク ラスの判定を行う。

 図7は、欠陥分類部110の第四の構成例であ る。複数の分類器をツリー状につなげた構成 としている。分類器402hは入力した特徴量と� �類条件Hに基づいて大分類を行い、大分類コ� ��ドを出力する。大分類コードの判定によっ� ��分類器402i~402kのいずれかに送られる。分類� ��402i~402kは、対応する分類条件I~Jに基づいて� ��分類を行い欠陥クラス情報を出力する。こ� ��で、図7は、先頭の分類器の下に3個の分類� �をつないだ構成を示しているが、つなぐ分� �器の数は2個以上であれば何個でもよい。ま� ��、さらにその下に2個以上の分類器をつない でもよく、図示する構成に限定されないもの とする。

 次に、分類条件設定部111における動作に� ��いて説明する。分類条件設定部111は、教示� ��ータの入力、分類の優先順位指定、分類条� ��の自動設定、設定条件による分類評価結果� ��表示を行う。これらは、一つ前の処理が実� ��されていなければ、実行できないものとす� ��。分類の優先順位指定とは、例えば、特定� ��欠陥についてアキュラシーあるいはピュリ� ��ィが高くなることを全体の正解率より優先� ��たい、というような要望を指定する機能で� ��る。

 欠陥分類部110が図4に示すように特徴変換部 と分類器からなる場合について、図8ないし� �14を用いて説明する。
図8は、分類条件設定部111において分類の優� �順位を指定するためのGUIの第一の例である� �優先順位指定ウィンドウ801では、優先順位� �対応づけて欠陥クラス、アキュラシーまた� �ピュリティの選択、目標性能を指定する。� �陥クラスは欠陥クラス選択リスト802から選� �して指定する。リストには、教示データに� �まれる全種類のクラスコードおよびクラス� �と“all”、“minimum”が含まれている。“all� ��は全欠陥の正解率、“minimum”は各クラスの アキュラシーまたはピュリティの最悪値とす る。アキュラシー・ピュリティ選択リスト803 によりどちらかを選択し、目標設定ウィンド ウ804への数値入力により、目標性能を設定す る。設定は基本的に優先順位の上位から順に 行うため、設定済みの項目のすぐ下の欄にの み新しい項目が入力できるようになっている 。設定後に優先順位変更ボタン805a、805bを用� ��て優先順位を変更することができる。“up� �を押すとすぐ上の項目と入れ替わり、“down� ��を押すとすぐ下の項目と入れ替わる。新し� ��項目を挿入したい場合は、一番下の欄に入� ��したのち“up”ボタンにより挿入したい箇� �に移動させる。OKボタン806押下により、入力 された設定が記憶され、優先順位の指定を終 了する。キャンセルボタン807の押下により、 入力された設定は破棄され、終了する。

 図9は、上記で指定された分類の優先順位 に基づいて、図4に示す、特徴変換と分類器� �らなる欠陥分類の条件設定のフローを表す� �である。特徴変換は線形変換とし、分類に� �した特徴軸を設定するための変換行列を求� �ることを目的とする。分類に適した特徴軸� �は、同じクラスは近くにあり、異なるクラ� �は遠くにあるような軸のことである。この� �め、線形判別法では、クラス内分散・クラ� �間分散比最大基準で変換行列を求めている� �

 本発明では、クラス毎に求めているクラ� ��内分散とクラス間分散に優先順位を考慮し� ��重みづけを施すことにより、優先順位つき� ��目標を達成することを考える。最初に、N=1� ��おき、重みを初期化する。均一な重みとす� ��ばよい(901)。次に、重みつきのクラス内共� �散およびクラス間共分散を求める(902)。クラ ス毎のクラス内分散とクラス間分散を線形判 別法と同様に求めた上で、重みをかけて和を 計算する。クラス毎の計算は、非特許文献1� �載のパラメトリックな手法、非特許文献2記� ��のノンパラメトリックな手法と同様の計算� ��法でもよい。

 次に、クラス内分散・クラス間分散比最� ��基準で変換行列を求める(903)。次に教示し� �特徴量データを変換行列を用いて変換する(9 04)。次に、分類器選択および学習に必要なパ ラメータ設定を行った上で学習を実行させ評 価を行う(905)。評価方法は1個をテストサンプ ルとし、残りを教示サンプルとする評価を欠 陥数分繰り返す、リーブワンアウト法(一つ� �き法ともいう)が望ましい。教示した正解欠� ��クラスに対して学習した分類条件でどの欠� ��クラスに分類されるかを集計した、コンフ� ��ージョンマトリクスを出力する。分類器選� ��およびパラメータ設定を網羅的あるいはラ� ��ダムに行い、最も良い結果となるものを選� ��でもよい。このとき、分類器選択は全ての� ��類器から行ってもよいし、予め範囲を指定� ��ておいてもよい。

 次に、優先順位N-1番目までの目標をコンフ� ��ージョンマトリクスの対応する部分と比較� ��てチェックする(906)。目標達成していない� �合は終了であり、前回の結果を最終結果と� �る(912)。前回は優先順位N-1番目までの目標を 達成しているはずである。優先順位N-1番目ま で目標達成している場合は優先順位N番目の� �標をチェックする(907)。目標達成している場 合は、Nを1個加算する(908)。Nが目標数を超え� ��場合
は(909)、終了する(910)。そうでない場合はス� �ップ907に戻る。ステップ
907で目標達成していない場合は対応するクラ スの分類しやすさを向上させるため、重みづ けの変更を行い(911)、ステップ902に戻る。重� ��の変更は、対応するクラスの重みを増し、� ��の他のクラスの重みを減じるよう、例えば� ��1に従って行う。

 
 ここでCはクラス数、wiはクラスiに関連付け られた重みである。iは優先順位に合わせて� �ートされているものとする。αは変更量を制 御するパラメータである。ここで、重みの変 更方法は上記に限定されるものではなく、各 クラスについて目標との乖離度、余裕度を加 味して加減量の制御を行ってもよい。また、 ここまでの重みの変化量とクラス別のピュリ ティ、アキュラシーの変化量の関係を記録し ておき、変化量の比をもとに加減量の制御を 行ってもよい。

 最終結果は、図8に示すGUIで優先順位をつ けて指定された目標に対する達成度とともに 表示される。図10は、目標達成度の評価を表� ��するGUIの例である。評価結果表示ウィンド� ��1001には達成度評価結果表示ウィンドウ1002� �コンフュージョンマトリクス1003が表示され� ��。両者は同じ結果を異なる視点で表示した� ��のである。

 達成度評価結果ウィンドウ1002には、優先 順位順に欠陥クラス、アキュラシーまたはピ ュリティの選択、目標性能、性能評価結果、 目標との差、判定を表示する。コンフュージ ョンマトリクス1003は教示した正解欠陥クラ� �に対して学習した分類条件でどの欠陥クラ� �に分類されるかを集計したものである。最� �列にはアキュラシー、すなわち学習された� �類条件による欠陥クラス別の正解率が表示� �れる。最下段にはピュリティ、すなわち学� �された分類条件によってある欠陥クラスに� �類される欠陥のうちの、正しく分類された� �陥数の割合が表示される。右下コーナーに� �全体の正解率が表示される。

 目標性能を指定された項目について、ア� ��ュラシーの右あるいはピュリティの下に優� ��順位と判定を表示する。コンフュージョン� ��トリクスを表示することにより、どの欠陥� ��ラスで誤りやすいかといった情報を得るこ� ��ができる。評価結果に基づき、OKと判断し� �場合は登録ボタン1004押下により、最終的に� ��られた変換行列を用いて特徴変換を行い、� ��終的な分類器、パラメータを用い、教示デ� ��タ全ての学習により分類条件を設定し、特� ��変換行列とともに記憶装置112に登録して終� ��する。NGと判断した場合は終了ボタン1005押� ��により表示内容と最終的に得られた変換行� ��、最終的な分類器、パラメータを仮登録し� ��終了する。前回ボタン1006押下により、前回 の仮登録データを表示する。表示中のデータ が仮登録されていない場合は、仮登録を行う 。前回ボタン1006押下により表示させた画面� �おいては、次回ボタン1007押下により、次回� ��仮登録データを表示する。これらのボタン� ��より、分類の優先順位指定を変更した場合� ��も、変更前後の違いを確認することができ� ��。

 分類器の分類条件は分類器の種類によっ� ��異なる。例えば、最近傍法であれば、教示� ��ータの特徴変換後の特徴量と正解クラスを� ��のまま記憶しておく。最小距離法であれば� ��クラス毎の平均特徴量を計算しておく。

 分類の優先順位指定方法の別の例について� ��11ないし図13を用いて説明する。
図11は、分類条件設定部111において分類の優� ��順位を指定するためのGUIの第二の例である� ��欠陥クラスを階層的に定義することにより� ��お互いに誤分類すると困るグループと、誤� ��類しても影響の小さいグループを区別しよ� ��という考え方である。階層的分類コード指� ��ウィンドウ1101では、定義済みの欠陥クラス が欠陥クラスウィンドウ1102にリストアップ� �れている。お互いに誤分類すると最も困る� �ループに異なる大分類コードを割り当て、� �分類コードウィンドウ1103で設定する。

 大分類コードは、100、200、300、…と100単� ��の数から選べるようにしておく。図11の例� �は、致命欠陥であるA~EがFのニューサンスに� ��分類されることが最も困るという考えの下� ��大分類コードを決めている。ひとつの大分� ��コードに3個以上の欠陥クラスがある場合は 、お互いに誤分類すると次に困るグループに 異なる中分類コードを割り当て、中分類コー ドウィンドウ1104で設定する。

 中分類コードは百の位の数字を大分類コ� ��ドと同じとし、10単位の数から選べるよう� �しておく。図11の例では発生原因が異なる異 物とパターン欠陥と凹欠陥を異なるグループ として中分類コードを決めている。ウィンド ウ1105~1107は目標設定ウィンドウである。ウィ ンドウ1105には大分類間、ウィンドウ1106には� ��分類間、ウィンドウ1107には中分類より細か い分類の、分類正解率目標を設定する。目標 値は大分類を対象とするときは高く、だんだ ん低くなるよう設定しなければならない。OK� ��タン1108押下により、入力された設定が記憶 され、終了する。キャンセルボタン1109の押� �により、入力された設定は破棄され、終了� �る。

 上記で指定された階層的分類コードと階� ��別の目標に基づいて、図4に示す、特徴変換 と分類器からなる欠陥分類の条件設定を行う 方法について説明する。前述の方法と同様、 特徴変換は線形変換とし、分類に適した特徴 軸を設定するための変換行列を求めることを 目的とする。クラス内分散・クラス間分散比 最大基準で変換行列を求める過程において、 クラス毎に求めているクラス内分散とクラス 間分散に階層的分類を考慮して重みづけを施 す。

 まず、クラス内分散については重み一定� ��する。次に、クラス間分散については、ク� ��スの組合せを、大分類をまたぐもの、大分� ��は同じだが中分類をまたぐもの、同じ中分� ��のものにわけ、分類正解率目標に応じた重� ��をかけて計算する。クラス内分散・クラス� ��分散比最大基準で変換行列を求め、特徴量� ��ータを変換する。分類器選択および学習に� ��要なパラメータ設定を行った上で学習を実� ��させ一つ抜き評価を行う。階層ごとにコン� ��ュージョンマトリクスを計算し、表示する� ��

 図12は、図11に示すGUIで階層毎に指定した 目標に対する評価結果を表示するGUIの例であ る。評価結果表示ウィンドウ1201は、階層別� �類コード表示ウィンドウ1202と階層別目標表� ��ウィンドウ1203とコンフュージョンマトリク ス1204からなる。階層別分類コード表示ウィ� �ドウ1202には、定義済みの欠陥クラスコード� ��欠陥クラス名、指定された大分類コードお� ��び中分類コードが表示されている。中分類� ��ードが小さい順にソートされているものと� ��る。

 A~Eの記号は欠陥クラス毎に割り当てられ� ��おり、コンフュージョンマトリクスとの対� ��付けがなされている。階層別目標表示ウィ� ��ドウ1203には、階層毎に設定した、分類正解 率の目標が表示されている。コンフュージョ ンマトリクス1204は、教示した正解欠陥クラ� �に対して学習した分類条件でどの欠陥クラ� �に分類されるかを集計したものである。図� �示すように、L1~L3列にはアキュラシー、すな わち学習された分類条件による欠陥クラスま たは中分類コードまたは大分類コード別の正 解率が表示される。L1は教示された欠陥クラ� ��、L2は中分類コード、L3は大分類コードに対 応している。

 L1~L3段にはピュリティ、すなわち学習さ� �た分類条件によってある欠陥クラスまたは� �分類コードまたは大分類コードに分類され� �欠陥のうちの、正しく分類された欠陥数の� �合が表示される。L1~L3列とL1~L3段が交差する� ��には全体の正解率が表示される。評価はま� ��L3列、L3段の数値と大分類の目標を比較する 。図の例では目標を達成していることがわか る。

 次にL2列、L2段の数値と中分類の目標を比 較する。図の例では、クラスDEのグループつ� ��り中分類コード130のアキュラシー、ピュリ� ��ィとも目標に達していないことがわかる。L 1列、L1段の数値をその他の目標と比較すると 、クラスEのアキュラシー、ピュリティが低� �ことがわかる。さらに詳細に調べると、ク� �スEの欠陥がクラスAに誤分類されることが多 いことがわかる。

 このことから、クラスEとクラスAのクラ� �間分散の重みを増やして変換行列を算出す� �ば、目標を達成する方向に改善されると予� �できる。重み変更ボタン1205押下により、図� ��はしないが重み変更ウィンドウが表示され� ��重みを変更することができる。変更後、再� ��特徴変換行列の計算が行われ、同様の処理� ��経て、評価結果表示ウィンドウ1201が表示さ れる。改善の必要のない場合は、登録ボタン 1206押下により、最終的に得られた変換行列� �用いて特徴変換を行い、最終的な分類器、� �ラメータを用い、教示データ全ての学習に� �り分類条件を設定し、特徴変換行列ととも� �記憶装置112に登録して終了する。目標を達� �していないが改善を断念する場合は終了ボ� �ン1207押下により何もしないで終了する。

 上記の重み変更を自動化することも考え� ��れる。図13は、階層的分類コードと階層別� �目標に基づいて、特徴変換行列を自動算出� �るためのフローを表す図である。最初に、� �ラスの組合せを、大分類が異なるもの、大� �類は同じだが中分類が異なるもの、その他� �分ける(1301)。次に、N=1とおき、階層別の目� �に応じて重みを初期化する(1302)。次に、重� �つきのクラス内共分散およびクラス間共分� �を求める(1303)。クラス毎のクラス内分散と� �ラス間分散を線形判別法と同様に求めた上� �、重みをかけて和を計算する。

 次に、クラス内分散・クラス間分散比最� ��基準で変換行列を求める(1304)。次に教示し� ��特徴量データを変換行列を用いて変換する( 1305)。次に、分類器選択および学習に必要な� ��ラメータ設定を行った上で学習を実行させ� ��リーブワンアウト法で評価を行う(1306)。分� ��器選択およびパラメータ設定を網羅的ある� ��はランダムに行い、最も良い結果となるも� ��を選んでもよい。

 図12に示すコンフュージョンマトリクス� �計算しておく。次に、大分類の目標をコン� �ュージョンマトリクスの対応する部分と比� �してチェックする(1307)。OKならばN=2として(13 08)、中分類の目標をコンフュージョンマトリ クスの対応する部分と比較してチェックする (1309)。OKならばN=3として(1310)、その他の目標� ��コンフュージョンマトリクスの対応する部� ��と比較してチェックする(1311)。OKならば終� �である(1314)。目標をすべて達成しているは� �である。ステップ1307において目標達成して� ��ない場合、N>1ならば終了であり、前回の� ��果を最終結果とする(1315)。前回は大分類の� ��標を達成しているはずである。ステップ1309 において目標達成していない場合、N>2なら ば終了であり、前回の結果を最終結果とする (1315)。前回は中分類および大分類の目標を達 成しているはずである。

 重みの変更により既に達成していた目標� ��達成できなくなった場合はもとに戻して、� ��れ以上の重み変更を行わないということで� ��る。ステップ1307、1309、1311において、目標� ��成していないが上記に当てはまらない場合� ��、コンフュージョンマトリクスに基づいて� ��目標未達の要因となるクラスの組合せを見� ��ける(1312)。例えば前述のクラスAとEである� �目標未達の要因となるクラスの組合せのク� �ス間を分離させるため、重みづけの変更を� �い(1313)、ステップ1303に戻る。重みづけの変� ��は、対応するクラスの組合せの重みを増し� ��その他の組合せの重みを減じるようにする� ��

 分類の優先順位指定方法の方法は上記の� ��例に限定されない。重要な欠陥クラスかそ� ��でないかを指定するだけでもよいし、欠陥� ��ラスに順位をつけるだけでもよい。アキュ� ��シーとピュリティの目標を1個だけ定め、前 者の場合は重要な欠陥クラスのうちアキュラ シーおよびピュリティが低いものから目標を 達成するよう学習するとよい。後者の場合は 優先順に目標を達成するよう学習するとよい 。

 以上により、特徴変換部401と分類器402か� ��なる欠陥分類部110を有する欠陥分類装置に� ��いて、ユーザが指定した分類の優先順位に� ��づいて、優先順位の高い分類の正解率を高� ��するよう、分類条件を設定することが可能� ��なる。すなわち、第一の例によれば、重要� ��欠陥を見逃さないようにする、あるいは重� ��な欠陥のピュリティを高くするなどのニー� ��に応えることが可能となる。最低アキュラ� ��ーの目標を設定することにより、落ちこぼ� ��をなくすことも可能となる。第二の例によ� ��ば、致命欠陥と非致命欠陥のように、誤分� ��したくない欠陥クラスの組合せについて、� ��のクラス間の誤分類を低減するなどのニー� ��に応えることが可能となる。

 以上の説明において、欠陥分類部の入力� ��なる特徴量データは、特徴抽出部109の出力� ��そのまま使うこととしていたが、特徴量毎� ��x=(x-μ)/σの式により標準化しておくとよい� �ここでxは特徴量の値、μは平均、σは標準偏 差である。特徴量が非負の場合、1以下の0で� ��い実数λを用いて特徴量の値をλ乗してスケ ールを変換してから標準化を行うと、正解率 が向上する場合がある。また、特徴量間の比 をとるなど、なんらかの演算を行って新しい 特徴量を追加したものを用いてもよい。この ような特徴量の変換、追加は、特徴抽出部109 の内部で行うようにするとよい。

 以上の説明では、欠陥クラスの情報はレ� ��ュー装置16の出力としていたが、図3に示す� ��成において、欠陥判定部107から欠陥座標、� ��像切出部108から検査画像、レビュー装置16� �らレビュー画像を、分類条件設定部111に集� �て、目視分類によって教示データを作成す� �構成としてもよい。

 図14は、分類条件設定部111において、検� �画像およびレビュー画像を表示して目視分� �するための欠陥教示GUIの例である。ウェハ� �ップ表示ウィンドウ1401、ダイマップ表示ウ� ��ンドウ1402にはそれぞれウェハ上またはダイ 上の欠陥位置を表すマップを表示される。検 査画像表示ウィンドウ1403には、欠陥クラス� �に欠陥ID順に検査画像が表示される。全ての 欠陥が重複なくいずれかのクラスまたは未分 類の欄に表示される。画像のドラッグアンド ドロップによって、対応する欠陥の欠陥クラ スを教示することができる。検査情報詳細表 示ウィンドウ1404には、選択された欠陥の検� �装置による欠陥画像1405、参照画像1406、レビ ュー装置による欠陥画像1407、参照画像1408、� ��徴量一覧1409が表示される。欠陥の選択は、 ウェハマップ上での欠陥点のクリック、ダイ マップ上での欠陥点のクリック、検査画像表 示ウィンドウ1403上での検査画像のクリック� �いずれかによってなされる。この方法によ� �ば、レビューしていない欠陥についても検� �画像に基づいて欠陥クラスを教示すること� �可能である。判別できなければ、未分類の� �に残しておけばよい。したがって、教示サ� �プル数を増やすことができ、その結果正し� �分類条件設定が可能となる。このように目� �分類した結果は、クラス情報付特徴量デー� �として記憶装置112に記憶しておくとよい。

 次に、欠陥分類部110が図5に示すように複数 の分類器を直列につなげた構成である場合の 分類条件設定部111における動作について、図 15を用いて説明する。
分類の優先順位の指定は、図8に示すGUIを用� �て、クラス毎のピュリティおよびアキュラ� �ーの目標を優先順位をつけて設定するもの� �する。上流の分類器から順に、優先順位の� �い欠陥クラスを割り当て、割り当てたクラ� �を高い正解率で他のクラスから分類するよ� �学習することにより、分類条件を設定する� �成とする。

 図15は、分類器を直列につなげた構成の欠� �分類の条件設定フローを表す。まず、欠陥� �ラスを設定した目標への登場順にリストア� �プする(1501)。欠陥クラス毎のピュリティお� �びアキュラシーの目標は記録しておく。N=1� �し(1502)、N番目の欠陥クラスと他のクラスを� ��類するN番目の分類器の分類条件を設定する (1503)。N=1のとき、図5の分類器402aがこれに相� ��する。分類器選択およびパラメータ設定を� ��羅的あるいはランダムに行い、リーブワン� ��ウト法で評価する。ここで上流の分類器で� ��分類してしまったものもアキュラシーの計� ��に含めることとする。アキュラシーが目標� ��達成したものの中から、ピュリティが最も� ��くなるものを選ぶとよい。ピュリティが低� ��と他の欠陥クラスのアキュラシー低下をま� ��くからである。選択した分類器およびパラ� ��ータを用い全教示データによる学習を行い� ��分類条件を設定する。残りの欠陥クラス数� ��1個ならば(1504)、終了する(1509)。N番目の分� �器でその他のクラスに判定
されたものは残りの1個の欠陥クラスと判定� �る。

 次に、教示データから、N番目の分類器で N番目のクラスに判定されたもの、つまり図5� ��示す分類器402から下向きに出て行くデータ� ��除く(1505)。Nを1個加算する(1506)。ステップ15 01で作成したリストに欠陥クラスが残ってい� ��ば(1507)、ステップ1503に戻る。残っていなけ れば、設定した目標に登場しない残りの欠陥 クラスを分類するための最後の分類器の分類 条件を設定する(1508)。分類器選択およびパラ メータ設定を網羅的あるいはランダムに行い 、リーブワンアウト法で評価する。全体正解 率または最低アキュラシーが最も高いものを 選択する。選択した分類器およびパラメータ を用い全教示データによる学習を行い、分類 条件を設定する。

 この場合も、重要な欠陥クラスかそうで� ��いかを指定するだけでもよいし、欠陥クラ� ��に順位をつけるだけでもよい。ピュリティ� ��よびアキュラシーの目標を一個だけ決める� ��とにより、上記と同様の処理が可能となる� ��

 図11に示す結果表示ウィンドウ1001を表示� ��、登録ボタン1004押下により、個々の分類器 の分類条件を登録して終了、終了ボタン1005� �下により、表示内容と最終的な分類器、パ� �メータと分類器の配置を仮登録して終了す� �。前回ボタン1006押下により、前回の仮登録� ��ータを表示する。表示中のデータが仮登録� ��れていない場合は、仮登録を行う。前回ボ� ��ン1006押下により表示させた画面においては 、次回ボタン1007押下により、次回の仮登録� �ータを表示する。

 次に、欠陥分類部110が図6に示すように複 数の分類器を並列につなげた構成である場合 の分類条件設定部111における動作について、 図16を用いて説明する。分類の優先順位の指� ��は、図8に示すGUIを用いて、クラス毎のピュ リティおよびアキュラシーの目標を優先順位 をつけて設定するものとする。統合判定部403 は各分類器の結果の重み付投票により欠陥ク ラスを決定するものとする。すなわち、次式 で算出されるクラスkの得票P(Ck)が最大となる kと決定する。

 
 ただし、Pi(Cj)は、i番目の分類器でクラスj� �判定されれば1、その他と判定されれば0とす る。クラス毎にそのクラスの正解率が高くな るようカスタマイズされた分類器の学習を行 い、分類の優先順位に基づいて重みづけ係数 wjk(i)を設定する構成とする。

 図16は、分類器を並列につなげた構成の� �陥分類の条件設定フローを表す。まず、欠� �クラス数分の分類器の分類条件を設定する(1 601)。N番目の分類器では、N番目の欠陥クラス の正解率が高くなるようにする。例えば、分 類器選択およびパラメータ設定を網羅的ある いはランダムに行い、リーブワンアウト法で 評価し、N番目の欠陥クラスのピュリティま� �はアキュラシーの低い方が、最も高くなる� �のを選択するとよい。選択した分類器およ� �パラメータを用い全教示データによる学習� �行い、分類条件を設定する。各分類器によ� �教示データの判定結果を調べておく(1602)。� �の後、重みwjk(i)を設定する。まず、N=1とし� �重みの初期設定を行う(1603)。j=kのとき1、そ� ��でなければ0とする。あるいは、ステップ160 1で得られるコンフュージョンマトリクスに� �づいて、以下の通り計算する。

 
 分母は分類器iでクラスjと判定された欠陥� �、分子はうち真のクラスがクラスkの欠陥数� ��ある。

 次に、全ての教示データについて、ステ� ��プ1602で算出した判定結果を用いて重み付投 票を行い、統合判定を行う(1604)。教示した正 解欠陥クラスに対して学習した分類条件でど の欠陥クラスに分類されるかを集計した、コ ンフュージョンマトリクスを出力する。

 次に、優先順位N-1番目までの目標をコン� ��ュージョンマトリクスの対応する部分と比� ��してチェックする(1605)。目標達成していな� ��場合は終了であり、前回の結果を最終結果� ��する(1611)。前回は優先順位N-1番目までの目� ��を達成しているはずである。優先順位N-1番� ��まで目標達成している場合は優先順位N番目 の目標をチェックする(1606)。目標達成してい る場合は、Nを1個加算する(1607)。Nが目標数を 超えた場合は(1608)、終了する(1609)。そうでな い場合はステップ1606に戻る。

 ステップ1606で目標達成していない場合は 対応するクラスの分類しやすさを向上させる ため、重みづけの変更を行い(1610)、ステップ 1603に戻る。重みづけの変更は、N番目の目標� ��関連するクラスをmとするとm番目の分類器� �関連する重みwm*(*)を増し、その他の重みを� �じるようにする。ここで、重みの変更方法� �上記に限定されるものではなく、各クラス� �ついて目標との乖離度、余裕度を加味して� �減量の制御を行ってもよい。また、ここま� �の重みの変化量とクラス別のピュリティ、� �キュラシーの変化量の関係を記録しておき� �変化量の比をもとに加減量の制御を行って� �よい。

 図11に示す結果表示ウィンドウ1001を表示� ��、登録ボタン1004押下により、個々の分類器 の分類条件と統合判定条件を登録して終了、 終了ボタン1005押下により、表示内容と最終� �な分類器、パラメータと分類器の配置、統� �判定における重みを仮登録して終了する。� �回ボタン1006押下により、前回の仮登録デー� ��を表示する。表示中のデータが仮登録され� ��いない場合は、仮登録を行う。前回ボタン1 006押下により表示させた画面においては、次 回ボタン1007押下により、次回の仮登録デー� �を表示する。

 また、N番目の分類器はN番目の欠陥クラス� �その他のクラスを分類する2クラス分類器と� ��てもよい。その他クラスと判定された場合� ��、j≠iについてPi(Cj)=1/(M-1)(Mはクラス数)とお けば、上記と同様に処理できる。
また、欠陥クラス毎にカスタマイズするので はなく、異なる種類の分類器を全体の正解率 あるいは最低アキュラシーが最も高くなるよ う学習してもよい。統合の重み設定は上記と 同様とする。
分類の優先順位の指定方法としては、重要な 欠陥クラスかそうでないかを指定するだけで もよいし、欠陥クラスに順位をつけるだけで もよい。ピュリティおよびアキュラシーの目 標を一個だけ決めることにより、上記と同様 の処理が可能となる。

 次に、欠陥分類部110が図7に示すように複 数の分類器をツリー状につなげた構成である 場合の分類条件設定部111における動作につい て、図16を用いて説明する。

 分類の優先順位の指定は、図9に示すGUIを 用いて、階層的分類コードと階層別目標を設 定するものとする。初めに、大分類コードに 従って分類する分類器の分類条件を設定する 。図7の分類器402hに相当するものである。

 教示された特徴量データを用い、欠陥ク� ��スを大分類コードに付け替えた上で、分類� ��の学習を行う。分類器選択およびパラメー� ��設定を網羅的あるいはランダムに行い、リ� ��ブワンアウト法で評価して、最も良い結果� ��なるものを選ぶとよい。選択した分類器お� ��びパラメータを用い全教示データによる学� ��を行い、分類条件を設定する。

 次に、各大分類コードについて以下を実施� ��る。注目する大分類に2個以上の中分類コー ドが含まれる場合、中分類コードに従って分 類する分類器を最初の分類器の下につなぎ、 分類条件の設定を行う。最初の分類器によっ て注目する大分類に分類される教示データを 抽出し、欠陥クラスを中分類コードに付け替 えた上で分類器の学習を行う。注目する大分 類に、中分類コードが1個しか含まれない場� �、含まれる欠陥クラスの数により処理が異� �る。欠陥クラスが1個の場合、注目する大分� ��と判定されたものは、その欠陥クラス
であると判定する。欠陥クラスが2個以上の� �合、それらを分類する分類器を最初の分類� �の下につなぎ、分類条件を設定する。最初� �分類器によって注目する大分類に分類され� �教示データを抽出し、分類器の学習を行う� �最初の分類器の下につながる分類器は最大� �大分類コードの数である。

 次に、各中分類コードについて、以下を� ��施する。注目する中分類に2個以上の欠陥ク ラスが含まれる場合、それらを分類する分類 器を2段目の分類器の下につなぎ、分類条件� �設定を行う。最初と2段目の分類器によって� ��目する中分類に分類される教示データを抽� ��し、分類器の学習を行う。注目する中分類� ��欠陥クラスが1個しか含まれない場合、注目 する中分類と判定されるものはその欠陥クラ スと判定する。

 図12に示す結果表示ウィンドウ1201を表示� ��、登録ボタン1206押下により、分類器の接続 関係と個々の分類器の分類条件を登録して終 了、終了ボタン1207押下により、何もしない� �終了する。

 本発明の欠陥分類方法および装置は、本実� ��例における装置構成に限定するものではな� ��。
例えば、検出系13を暗視野式あるいはSEM式と� ��た場合にも同様の構成として、分類条件設� ��が可能である。また、暗視野光学系におい� ��、異なる角度から検出する検出光学系を設� ��、2センサまたはそれ以上で画像検出し、そ れぞれに欠陥検出、画像切り出し、特徴抽出 して得られる特徴量データを、併せて用いて 欠陥分類する構成としてもよい。2回または� �れ以上の検査を異なる光学条件で行い、検� �された欠陥の座標突合せを行った上で、得� �れる特徴量データを併せて欠陥分類する構� �としてもよい。あるいは、それぞれの検査� �件で得られた特徴量データを用いて個別に� �類条件を設定する構成としてもよい。

 検査実行時には、検査条件に対応する分� ��条件に従って分類を行い、欠陥クラスとと� ��にその信頼度、例えばその欠陥クラスのピ� ��リティなど(分類条件設定時に算出しておく )の情報を付加しておき、検出された各欠陥� �ついて、複数の検査で付加された欠陥クラ� �の多数決あるいは信頼度重み付多数決で欠� �クラスを決定する構成とする。

 また、これまで同一の形状となるパター� ��が形成されたウェハの比較による外観検査� ��例にとって説明してきたが、本発明の欠陥� ��類方法は、パターンなしウェハの欠陥分類� ��も適用可能である。パターンなしウェハの� ��陥検出方式について説明する。回転ステー� ��に保持されたウェハにレーザ光を照射し、� ��ェハ表面の散乱光を集光し、センサにより� ��出する。異なる角度に配置したセンサによ� ��同様に散乱光を検出する。このような検出� ��は全方位をカバーするように構成するとよ� ��。検出信号と予め設定されたしきい値を比� ��することにより、欠陥を検出する。複数の� ��出系のうち、一箇所でもしきい値を超えた� ��のは欠陥として検出するようにする。欠陥� ��大きさ、形状によって強い散乱光が発生す� ��方向が異なるため、複数の検出系で検出さ� ��た信号の大きさと検出系間の比率を特徴量� ��ータとして、欠陥分類を行うことができる� ��抽出した特徴量データは、パターンつきウ� ��ハ検査装置の特徴量データと同様の処理が� ��能である。したがって、上記の方法で分類� ��件を設定することができる。

 本発明の欠陥分類方法は、さらに、ハー� ��ディスク基板、PDP、TFT、ホトマスク、フィ� ��ムなどの欠陥分類にも適用可能である。対� ��物に光または電子線を照射して、検出信号� ��るいは画像を取得し、信号処理または画像� ��理により正常からの逸脱を欠陥として検出� ��る外観検査すべてに適用可能である。この� ��うな外観検査においては検出信号あるいは� ��像から、信号処理または画像処理により特� ��量を算出することができ、算出した特徴量� ��上記説明と同様の処理を施すことができる� ��また、欠陥位置情報に基づき欠陥の高倍率� ��観察像を取得する、レビューにも適用可能� ��ある。

 第一の実施例では、分類条件設定部にお� ��て目標達成度を評価した後、設定した分類� ��件を採用(保存)するかどうかのみ、ユーザ� �判断していた。しかし、目標に到達しない� �合に、妥協して採用するか、欠陥分類を断� �するかの選択肢しかなく、ニーズに応えら� �ないことも考えられる。第二の実施例では� �ユーザに他の選択肢を提供することを考え� �。

 以下、本発明の第二の実施例を図17を用い� �詳細に説明する。
実施例として、半導体ウェハを対象とした光 学式外観検査装置を例にとる。図17は装置の� ��成の一例を示したものである。構成、動作� ��も第一の実施例とほぼ同じであるため、異� ��る部分を説明する。特徴切換部1701は、特徴 抽出部109において算出する特徴量を指定する 。特徴切換部1701を備えるのは、検査対象や� �学条件によって分類に有効な特徴量が異な� �ためである。算出可能な特徴量全部を使用� �るのではなく、選択して使用することによ� �、分類に無関係な特徴量により分類性能が� �下するのを防ぐとともに、特徴量の計算時� �をセーブすることが可能となる。光学条件� �定部1702は、全体制御部15によってコントロ� �ルされ、検出部13の調整により光学条件の変 更を行う。明視野検出の場合、照明の強さ、 波長、偏光、NA、検出側の偏光、NA、空間フ� �ルタリング、倍率など、暗視野検出の場合� �それらに加えてに照明の方位、仰角、検出� �方位、仰角などが条件変更のパラメータと� �る。

 動作について説明する。ある検査対象に� ��いて初めて分類条件設定を行う場合は実施� ��1と同様の方法で分類条件設定を行う。ただ し、欠陥位置情報とレビューによる正解クラ ス、検査画像、特徴量は対応付けて記憶装置 112に保存しておく。指定した目標を達成でき ず、妥協あるいは目標を下げてやり直すなど の選択を望まない場合、ユーザの指定により 、特徴切換えまたは光学条件変更を行った後 、再度分類条件設定を行う。図10あるいは図1 2に示す評価結果表示用のGUIに、図示はして� �ないが、特徴量変更ボタンおよび光学条件� �更ボタンを表示しておくとよい。

 特徴量変更ボタン押下により、特徴切換� ��1701は、特徴切換え用GUIを表示する。算出す る特徴量のリストを複数表示し、どのリスト を使用するかユーザに選択させる。これまで に選択されていたリストの次のリストを自動 的に選択して以降の処理に進んでもよい。

 また、複数のリストから自動的にランダ� ��に選択して新しいリストを作成、登録し、� ��れを選択してもよい。特徴量の切換えが終� ��ると、特徴抽出部109は、記憶装置112から欠� ��位置情報および欠陥画像を読み出す。選択� ��た特徴量リストに従って特徴量の算出を行� ��、分類条件設定部111に転送する。

 あるいは、初回に算出可能な全ての特徴� ��を算出して記憶装置112に保存しておき、特� ��量リストに従って特徴量を選択して分類条� ��設定部111に転送するようにしてもよい。

 分類条件設定部111は、レビューによる正� ��クラスを読み出して特徴量データと対応付� ��る。既に設定してある分類の優先順位に基� ��いて、実施例1と同様の方法で分類条件の設 定を行う。目標を達成していれば、分類条件 を登録するとよい。達成していなければ、妥 協して登録するか、分類を断念して終了する か、特徴量または光学条件を変更して再度条 件設定を行うか、の選択を行う。特徴切換え 部において、3回目以降であれば、それまで� �特徴量リストと目標達成度の関係を調べて� �特徴量別の影響度を算出し、影響度の高い� �のを選択して新しいリストを作成、登録し� �これを選択してもよい。

 光学条件変更ボタン押下により、光学条� ��設定用GUIが表示される。前述の光学条件を� ��めるパラメータそれぞれについて選択可能� ��状態をリストから選べるようにしておく。� ��定に従って光学条件を変更し、ステージ走� ��を行って、欠陥判定部107において欠陥判定� ��行う。ここで検出された欠陥と記憶装置112� ��保存された欠陥情報を用い、欠陥位置に基� ��いて突合せを行い、和集合を作成する。欠� ��情報には、各光学条件で検出されたか否か� ��情報を付加しておく。画像切出部108は、和� ��合の欠陥位置情報に基づいて、検査画像を� ��出す。特徴抽出部109は検査画像から特徴量� ��算出を行う。分類条件設定部111は、算出さ� ��た特徴量データとレビューによる正解クラ� ��の対応付けを行う。

 図14に示すGUIを用いて、教示データを増� �すとよい。もちろん、レビューによって教� �データを増やしてもよい。その場合は、図14 に示すGUIを用いて、検査画像による目視判定 が難しいものを選択できるようにしておくと よい。分類条件設定部111は、既に設定してあ る分類の優先順位に基づいて、実施例1と同� �の方法で分類条件の設定を行う。目標を達� �していれば、分類条件を登録するとよい。� �成していなければ、妥協して登録するか、� �類を断念して終了するか、特徴量または光� �条件を変更して再度条件設定を行うか、の� �択を行う。

 ここで、光学条件のユーザの選択にまか� ��てもよいし、予め決められたルールに従っ� ��順に変更するのでもよい。タグチメソッド� ��ような手法を用いて光学条件のパラメータ� ��ットを作成しておいて、順に実行し、目標� ��成度の推移から良いパラメータを選択し、� ��の後、再度選択したパラメータを用いて検� ��を実行して特徴算出し、分類条件を設定し� ��もよい。さらに、タグチメソッドのような� ��法を用いて複数の光学条件のパラメータセ� ��トを作成しておいて、順に検査を行って、� ��出欠陥の位置情報の突合せにより和集合を� ��成し、レビューを行って正解クラスを教示� ��た後、同じ光学系条件で検査を行い、画像� ��出し、特徴抽出を行い、分類条件を設定し� ��目標達成度が最も高い光学条件を選んで分� ��条件を設定してもよい。または目標達成度� ��基づいて良いパラメータを選択し、その後� ��再度選択したパラメータを用いて検査を実� ��して特徴算出し、分類条件を設定してもよ� ��。