一种晶圆检测装置、数据处理方法及存储介质与流程

本发明涉及半导体制造技术领域，更具体地，涉及一种晶圆检测装置、数据处理方法及存储介质。

背景技术：

晶圆检测装置为半导体制造工艺中常用且必备的设备，晶片检测装置通常包括检测目标图像生成单元和数据处理单元，检测目标图像生成单元用于获得与被检测对象(例如晶圆)有关的检测目标图像，数据处理单元用于对检测目标图像进行缺陷提取的处理和判定；该数据处理单元关键核心的工作是区分有效缺陷(真的缺陷)和疑似缺陷(噪声信号)，疑似缺陷为检测目标图像中非本质性的微小差异所导致的缺陷，其中，疑似缺陷在工艺过程中随机发生。

检测目标图像生成单元通常可以为光学式的显微镜或使用扫描电子显微镜的检测装置等。例如，亮场光学检测装置(brightfieldinspector，简称bfi)、暗场光学检测装置(darkfieldinspector)、扫描电镜(sem)式检测装置等。请参阅图1，图1所示为现有技术通常使用的一种晶圆检测装置的结构示意图。如图1所示，图1中标号100表示亮场光学检测装置。明视野显微镜(brightfieldmicroscope)是最通用的一种光学显微镜。利用光线照明，标本中各点依其光吸收、反射的不同在明亮的背景中成像。

如图1所示，为了对载物台107上放置的晶圆106的缺陷进行光学检测，光源102产生的光线，通过聚光透镜103、分光镜104和物镜105对晶圆106进行照明。晶圆106上所制造的大规模集成电路(large-scaleintegratedcircuit，简称为lsi)的微细结构，通过物镜105和分光镜104由传感器101取得，形成检测目标图像。由传感器101捕获的检测目标图像成像作为数据读入计算机系统110(数据处理单元)。计算机系统110根据计算机可读媒介111中记录的执行程序112对从传感器101读取的数据进行处理。计算机系统110中执行的程序存在多种，其中，最重要的功能之一是缺陷提取程序，该缺陷提取程序将检测目标图像中与lsi的缺陷相对应的部分进行提取。

请参阅图2，图2所示为现有技术中缺陷提取程序的原理说明图。如图2所示，标号200为缺陷提取程序处理晶圆检测装置100中得到的检测目标图像、参照图像，以及其作为主要输出的差异提取的示例图。其处理步骤如下：首先，从晶圆检测装置获得的检测目标图像202(test)与参照图像201(reference)比较后，制作出差异图像203(difference)；然后，观测差异图像203，如果没有缺陷，那么差异图像203上什么都不显现，如果检测目标图像上有204所示的缺陷时，差异图像203上表现为差异缺陷205，且差异图像203除可能具有如差异缺陷205所示的比较大的，还显现了如206所示的那样的不影响lsi动作的微细差异缺陷。从上述几个差异缺陷，例如，差异图像205和差异图像206中，需要选择出实际与lsi的缺陷相关的差异图像要素。

也就是说，如果检测目标图像202与参照图像201没有差异，那么差异缺陷应该变为零。但是，实际上，由于两个图像在制造工序上的变动和微细的灰尘等，差异不可能是零。因此，上述由lsi制造工艺过程和条件所产生影响图像要素的微小差异信号称为噪声信号。

请参阅图3，图3所示为基于检测目标图像与参照图像的差异，提取缺陷的程序的流程图。如图3所示，标号300为该流程示意图，其包括如下步骤:

步骤301：通过传感器取得的检测目标图像暂时存储在图像缓存器中；

步骤302：获取参照图像库；

步骤303：接收被检测对象的检测目标图像；

步骤304：确定对应的参照图像，从参照图像库取出与所述被检测对象的检测目标图像对应的参照图像；

步骤305：对检测目标图像与参照图像进行图像尺寸以及图像位置的对齐调整；

步骤306：比较并判断检测目标图像与参照图像的差异；

步骤307：根据步骤306计算出的差异，获得有效差异缺陷；

步骤308：判断所有的检测目标图像的处理是否结束，如果不是，对新的检测目标图像，重复步骤303至步骤308的处理。

上述检测目标图像与参照图像的差异计算一个方法，是基于形态学(mathematicalmorphology)的图像处理，形态学通常用于从图像中提取对表达和描绘区域形状有效的图像分量，使后续的识别工作能够抓住目标对象最为本质的形状特征，如边界和连通区域等的处理。在检测领域，可以根据处理目的，对检测目标图像的处理需进行适用构造要素的步骤，即选择最合适的构造要素，将多个形态学处理组合后，实现与目的对应的处理。

在请参阅图3，在步骤307中的处理，需要详细讨论如何将差异信息分为有效缺陷(真的缺陷)和无意义缺陷(假的缺陷)。在现有技术中，将差异信息的强度超过某个阈值的点作为不良的点(有效缺陷)。

请再参阅图4，图4中的标号400是表示检测目标图像与参照图像的差异以及通过缺陷在某一直线上的差异强度示意图。在标号401所示图中，检测目标图像与参照图像的差异强度是通过x轴405和y轴406坐标点所呈现的浓淡来体现。标号402所示的浓斑点是被检测对象与参照图像的差异信号大的部分。标号403所示的比标号402亮的部分是被检测对象与参照图像的差异小的部分。标号410表示401图中在直线a-a’上的差异的强度示意图。标号411表示差异信号强度的曲线。标号412是直线a-a’上的表示位置坐标的轴。标号413是表示差异强度的轴。标号414是判断为缺陷的差异强度的阈值之一。标号415也是差异强度的阈值，比标号414级别低。

如图4所示，在图401中表示直线a-a’上的差异强度的曲线用标号411示出。在曲线图410中，可以根据将阈值设为it1(标号414所示)或it0(标号415所示)，判断为缺陷点的数量不同。具体地，如果将阈值设为it1(标号414所示)，检测出一个缺陷，如果将阈值设为it0(标号415所示)，那么检测出3个缺陷。也就是说，存在检测的疑似缺陷是有效缺陷还是无意义缺陷依赖于阈值it。

需要说明的是，如果将阈值设低，那么，有效缺陷多发的可能性变高，相反，如果将阈值设高，那么，忽略有效缺陷的可能性变高。上述技术虽然提出了寻找最佳阈值的方法，但是改善是有限的。

也就是说，如果不是单纯调整阈值it，则使用形态学的降低无意义缺陷处理等的图像处理过程中，处理程序的组合和各种参数的设定等应该调整的要素很多。因此，上述使用形态学的降低无意义缺陷处理等的图像处理的方法有可能成为提高判断有效缺陷和无意义缺陷的精度的一个手段。

技术实现要素：

本发明的目的在于提供一种精确推算噪声信号降低过滤器的结构所需的噪声信号的功率谱等的参数的手段。由此，与基于形态学变换等的图像处理的过滤和图像特征提取等组合在一起，能够提高snr(signaltonoiseratio)，降低无意义缺陷判定。

为实现上述目的，本发明的技术方案如下：

一种晶圆检测装置，包括检测目标图像生成单元和数据处理单元，所述检测目标图像生成单元用于获得与被检测对象有关的检测目标图像，所述数据处理单元用于对所述检测目标图像进行缺陷提取的处理和判定；其特征在于，所述数据处理单元包括预处理模块和降噪模块，所述预处理模块包括光刻模拟器和噪声信号提取模块，光刻模拟器用于对作为检测前的设计结果的被检测晶圆版图布图数据进行模拟仿真计算，得到功率谱ps(u,v)；其中，所述被检测晶圆版图布图数据不含噪声信息；噪声信号提取模块用于计算得到重叠了噪声信号的所述检测目标图像的噪声的全信号功率谱ps+n(u,v)，并将所述全信号功率谱ps+n(u,v)减去所述功率谱ps(u,v)，得到噪声功率谱pn(u,v)；所述降噪模块用于根据信噪比要求确定降噪过滤器类型及其特征函数，将所述特征函数、所述噪声功率谱pn(u,v)和所述功率谱ps(u,v)作为输入，得到降噪过滤器的系统参数，并通过所述系统参数构成降噪过滤器；以及将所述检测目标图像经所述降噪过滤器过滤后，得到去除噪声信息后的所述检测目标图像。其中，u,v表示空间频率。

优选地，所述的数据处理单元还包括缺陷提取模块和还原模块；在得到所述检测目标图像后，所述缺陷提取模块基于形态学图像处理技术，提取所述检测目标图像中的检测目标图像要素，得到所述检测目标图像的噪声图像；所述还原模块将所述检测目标图像中的检测目标图像要素加入到去除所述检测目标图像中噪声信息后的所述检测目标图像中，以形成去除噪声后的所述检测目标图像。

优选地，所述降噪过滤器类型为二维的维也纳滤波器。

为实现上述目的，本发明又一技术方案如下：一种采用上述晶圆检测装置的数据处理方法，其包括如下步骤：

步骤s11：对作为检测前的设计结果的被检测晶圆版图布图数据进行模拟仿真计算，得到功率谱ps(u,v)；其中，所述被检测晶圆版图布图数据不含噪声信息；

步骤s12：计算得到重叠了噪声信号的所述检测目标图像的全信号功率谱ps+n(u,v)，并将全信号功率谱ps+n(u,v)减去所述功率谱ps(u,v)，得到噪声功率谱pn(u,v)；

步骤s13：根据信噪比要求确定降噪过滤器类型及其特征函数，将所述特征函数、所述噪声功率谱pn(u,v)和所述功率谱ps(u,v)作为输入，得到降噪过滤器的系统参数，并通过所述系统参数构成降噪过滤器；以及将所述检测目标图像经所述降噪过滤器过滤后，得到去除噪声信息后的所述检测目标图像。

优选地，所述的晶圆检测装置还包括：步骤s10和步骤s14：

步骤s10：在得到所述检测目标图像后，基于形态学图像处理技术，提取所述检测目标图像中的检测目标图像要素，得到所述检测目标图像的噪声图像；

步骤s14：所述还原模块将所述检测目标图像中的检测目标图像要素加入到去除所述检测目标图像中噪声信息后的所述检测目标图像中，以形成去除噪声后的所述检测目标图像。

为实现上述目的，本发明又一技术方案如下：

一种计算机可读媒介，对计算机可执行的程序进行存储，所述可执行的程序用于执行所述的晶圆检测装置的数据处理方法；其包括下述程序：

使用作为检测前的设计结果的被检测晶圆版图布图数据进行模拟仿真，得到功率谱ps(u,v)；其中，所述被检测晶圆版图布图数据不含噪声信息；

得到重叠了噪声信号的所述检测目标图像的全信号功率谱ps+n(u,v)，并将所述全信号功率谱ps+n(u,v)减去所述功率谱ps(u,v)，得到噪声功率谱pn(u,v)；

根据信噪比要求确定降噪过滤器类型及其特征函数，将所述特征函数、所述噪声功率谱pn(u,v)和所述功率谱ps(u,v)作为输入，得到降噪过滤器的系统参数，并通过所述系统参数构成降噪过滤器；以及将所述检测目标图像经所述降噪过滤器过滤后，得到去除噪声信息后的所述检测目标图像。

为实现上述目的，本发明又一技术方案如下：

一种晶圆检测装置，包括检测目标图像生成单元和数据处理单元，所述检测目标图像生成单元用于探测生成被检测对象的检测目标图像，所述数据处理单元用于对所述检测目标图像进行缺陷提取的处理和判定；其中，所述数据处理单元包括预处理模块和降噪模块，所述预处理模块包括：

噪声区域确定子模块，将被检测对象区域形成的所述检测目标图像分割为m个子区域，并选取用于噪声功率谱的推定处理的、比m小的包含噪声的n个子区域参与降噪处理；

推定处理子模块，用于得到所述n个子区域的所述检测目标图像的全信号功率谱pⁿs+n(u,v)，

功率谱推定子模块，取得所述检测目标图像的全信号功率谱ps+n(u,v)，以所述n个子区域的全信号功率谱pⁿs+n(u,v)作为噪声功率谱pn(u,v)，将所述m个子区域构成的全信号功率谱ps+n(u,v)减去所述噪声功率谱pn(u,v)，得到功率谱ps(u,v)；

所述降噪模块，根据信噪比要求确定降噪过滤器类型及其特征函数，将所述特征函数、所述噪声功率谱pn(u,v)和所述功率谱ps(u,v)作为输入，得到降噪过滤器的系统参数，并通过所述系统参数构成降噪过滤器；以及将所述检测目标图像经所述降噪过滤器过滤后，得到去除噪声信息后的所述检测目标图像。

优选地，所述m个子区域形状相同，且优选为矩形、正方形、菱形或蜂窝形。并且，有时m个子区域优选无缝连接。

优选地，对用于所述n个噪声功率谱的推定处理而选择的子区域判定，采用每个所述m个子区域的差异强度平方和的平均值，当该平均值小于一预定值时，判定为由噪声信号成分构成的n个子区域。

为实现上述目的，本发明又一技术方案如下：

一种采用上述晶圆检测装置的数据处理方法，其包括如下步骤：

步骤s20：将被检测对象区域形成的所述检测目标图像分割为m个子区域，并选取比m小的包含噪声的n个子区域参与噪声功率谱pn(u,v)的推定处理；

步骤s21：得到n个包含噪声和较大的差异缺陷的信号的所述检测目标图像的全信号功率谱ps+n(u,v)；

步骤s22：取得所述检测目标图像的全信号功率谱ps+n(u,v)，以所述n个子区域的全信号功率谱pⁿs+n(u,v)作为噪声功率谱pn(u,v)，将所述m个子区域构成的全信号功率谱ps+n(u,v)减去所述噪声功率谱pn(u,v)，得到功率谱ps(u,v)；

步骤s23：根据信噪比要求确定降噪过滤器类型及其特征函数，将所述特征函数、所述噪声功率谱pn(u,v)和所述功率谱ps(u,v)作为输入，得到降噪过滤器的系统参数，并通过所述系统参数构成降噪过滤器；以及将所述检测目标图像经所述降噪过滤器过滤后，得到去除噪声信息后的所述检测目标图像。为实现上述目的，本发明又一技术方案如下：

一种计算机可读媒介，对计算机可执行的程序进行存储，所述可执行的程序用于执行所述的晶圆检测装置的数据处理方法；其包括下述程序：

将被检测对象区域形成的所述检测目标图像分割为m个子区域，并选取用于噪声功率谱的推定处理的、比m小的包含噪声的n个子区域的降噪区域确定程序；

得到含有噪声和较大差异信号的n个子区域的所述检测目标图像的全信号功率谱pⁿs+n(u,v)的程序；

取得所述检测目标图像的全信号功率谱ps+n(u,v)，以所述n个子区域的全信号功率谱pⁿs+n(u,v)作为噪声功率谱pn(u,v)，将所述m个子区域构成的全信号功率谱ps+n(u,v)减去所述噪声功率谱pn(u,v)，得到功率谱ps(u,v)的程序；

根据信噪比要求确定降噪过滤器类型及其特征函数，将所述特征函数、所述噪声功率谱pn(u,v)和所述功率谱ps(u,v)作为输入，得到降噪过滤器的系统参数，并通过所述系统参数构成降噪过滤器；以及将所述检测目标图像经所述降噪过滤器过滤后，得到去除噪声信息后的所述检测目标图像。

为实现上述目的，本发明又一技术方案如下：

一种晶圆检测装置，包括检测目标图像生成单元和数据处理单元，所述检测目标图像生成单元用于从多个被检测对象区域或跨多个晶圆区域获得检测目标图像，所述数据处理单元用于对所述检测目标图像进行缺陷提取的处理和判定；其特征在于，所述数据处理单元包括预处理模块和降噪模块，所述预处理模块包括：

降噪区域确定子模块，将从所述多个被检测对象区域或跨晶圆的多个检测对象区域获得的所述检测目标图像i(i＝1,2…是表示各个检测目标图像的索引)分割为mi个子区域，并选取其中比mi小的包含噪声的ni个子区域作为噪声推定用区域，参与噪声功率谱pn(u,v)的推定处理；

功率谱推定子模块，根据从全信号功率谱pⁱs+n(u,v)推定功率谱pⁱs(u,v)，其中，所述全信号功率谱pⁱs+n(u,v)是从检测对象区域推定的，所述检测对象区域与从噪声推定区域求出的噪声功率谱pⁱn(u,v)相对应；

噪声功率谱推定子模块，得到所述ni个区域的全信号功率谱pⁱs+n(u,v)，使其为噪声功率谱pⁱn(u,v)；

差异信号功率谱推定子模块，根据所述噪声功率谱pⁱn(u,v)和所述全信号功率谱pis+n(u,v)来推定差异信号功率谱pⁱs(u,v)；

噪声信号提取子模块，对于所述噪声功率谱pⁱn(u,v)推定有关多个检测对象区域的对于i的范围的平均值，得到pn平均値(u,v)；

差异信号提取子模块，对于差异信号功率谱pⁱs(u,v)推定关于多个检测对象区域的对于i的范围的平均，得到ps平均値(u,v)；以及

降噪模块，用于根据信噪比要求确定降噪过滤器类型及其特征函数，将所述特征函数、所述噪声功率谱pn平均值(u,v)和所述功率谱ps平均值(u,v)作为输入，得到降噪过滤器的系统参数，并通过所述系统参数构成降噪过滤器；以及将所述检测目标图像经所述降噪过滤器过滤后，得到去除噪声信息后的所述检测目标图像。

为实现上述目的，本发明又一技术方案如下：

一种采用上述晶圆检测装置的数据处理方法，其特征在于，包括如下步骤：

步骤s30：将从所述多个被检测对象区域或跨晶圆的多个被检测对象区域得到的所述检测目标图像i(i＝1,2…是表示各个检测目标图像的索引)分割为mi个子区域，并选取比mi小的ni个子区域参与噪声功率谱的推定处理；

步骤s31：根据所述检测目标图像来推定全信号功率谱pⁱs+n(u,v)；

步骤s32：得到所述ni个子区域的全信号功率谱pis+n(u,v)，使其为噪声功率谱pin(u,v)；

步骤s33：根据所述选择的ni个区域的噪声功率谱pⁱn(u,v)和所述全信号功率谱pⁱs+n(u,v)来推定差异信号功率谱pⁱs(u,v)，对pⁱs(u,v)求得对于i的范围的平均值，得到ps平均值(u,v)，对噪声功率谱pⁱn(u,v)求得对于i的范围的平均值，得到pn平均值(u,v)；

步骤s34：用于根据信噪比要求确定降噪过滤器类型及其特征函数，将所述特征函数、所述噪声功率谱pn平均值(u,v)和所述功率谱ps平均值(u,v)作为输入，得到降噪过滤器的系统参数，并通过所述系统参数构成降噪过滤器；以及将所述检测目标图像经所述降噪过滤器过滤后，得到去除噪声信息后的所述检测目标图像。

为实现上述目的，本发明又一技术方案如下：

一种计算机可读媒介，对计算机可执行的程序进行存储，所述可执行的程序用于执行所述的晶圆检测装置的数据处理方法；其包括下述程序：

将由多个被检测对象区域或跨多个晶圆的区域所形成的所述检测目标图像i(i＝1,2…是表示各个检测目标图像的索引)分割为mi个子区域，并选取比mi小的ni个子区域作为噪声推定用区域，参与噪声功率谱pⁱn(u,v)的推定处理的程序；

得到从所述噪声推定用区域求出的所述噪声功率谱pⁱn(u,v)和所述检测对象图像的全信号功率谱pⁱs+n(u,v)，

将每一个所述全信号功率谱pⁱs+n(u,v)减去相应的所述噪声功率谱pⁱn(u,v)，得到差异信号功率谱pⁱs(u,v)，对于所述噪声功率谱pⁱn(u,v)求得对于i的范围的平均值pn平均值(u,v)，对于所述差异信号功率谱pⁱs(u,v)求得对于i的范围的平均值ps平均值(u,v)的程序；

根据信噪比要求确定降噪过滤器类型及其特征函数，将所述特征函数、所述噪声功率谱pn平均值(u,v)和所述功率谱ps平均值(u,v)作为输入，得到降噪过滤器的系统参数，并通过所述系统参数构成降噪过滤器；以及将所述检测目标图像经所述降噪过滤器过滤后，得到去除噪声信息后的所述检测目标图像。

从上述技术方案可以看出，本发明的为了降低晶圆检测装置中无意义缺陷发生的可能性，本发明提供一种噪声信号降低技术，将检测目标图像与参照图像的差异转换为缺陷评价数据中的有效缺陷与无意义缺陷(噪声信号)的比率，即信噪比(signaltonoiseratio，简称snr)。由于本发明推定正确的噪声功率谱，因此可以利用各种的噪声信号降低过滤器，以进一步提高snr，为此，噪声信号降低过滤器的参数，即信号和噪声信号的功率谱等的正确推算变的尤为重要。

附图说明

图1所示为现有技术中晶圆检测装置的示意图

图2为示出了现有技术中基于晶圆检测装置的检测目标图像和参照图像以及它们的差异图像的缺陷提取的示意图

图3所示为现有技术中利用晶圆检测装置的图像数据处理流程图

图4所示为现有技术中表示检测目标图像与参照图像的差异信号以及缺陷在直线上的差异强度的示意图

图5所示为本发明实施例中表示确定噪声信号降低系统参数的流程图

图6所示为本发明实施例中通过模拟对原图像与噪声信号降低过滤器的效果进行比较的示意图

图7所示为本发明实施例中使差异信息与被检测对象的位置对应的说明图

图8所示为本发明实施例中表示噪声信号的功率谱计算法的流程图

图9所示为本发明实施例中使用形态学的图像处理的流程图

图10所示为本发明实施例中参数化的形态学用构造要素的示意图

具体实施方式

下面结合附图，对本发明的具体实施方式作进一步的详细说明。希望以从整体结构到细部的结构的顺序进行说明。

在本发明的实施例中，晶片检测装置包括检测目标图像生成单元和数据处理单元，检测目标图像生成单元可以为光学式的检测装置或使用扫描电子显微镜的检测装置等，在此不作限定。数据处理单元对得到的晶圆检测目标图像信号进行处理时，降低检测结果中包含的无意义缺陷，即降低图像信息中包含的噪声信号是本发明的目的。

也就是说，本发明的目的是提供一种降低包含在图像信息中的噪声信号的最佳方法。需要说明的是，在本发明的实施例中，图像信息中的噪声信号(疑似缺陷)降低可以有多种模式，并且本发明将检测目标图像与参照图像的差异作为缺陷评价数据中的有效缺陷与无意义缺陷(噪声信号)的比率的问题来考虑并处理的方法也可以用于其它领域。

在本发明的实施例中，数据处理单元用于对检测目标图像进行缺陷提取的处理和判定；数据处理单元可以包括预处理模块和降噪模块，预处理模块包括光刻模拟器和噪声信号提取模块。光刻模拟器用于检测前对作为设计结果的被检测晶圆版图布图数据进行模拟仿真计算，得到功率谱ps(u,v)；其中，所述被检测晶圆版图布图数据不含噪声信息；噪声信号提取模块用于得到重叠了噪声信号的所述检测目标图像的全信号功率谱ps+n(u,v)，并将所述全信号功率谱ps+n(u,v)减去所述功率谱ps(u,v)，得到噪声功率谱pn(u,v)；所述降噪模块用于根据信噪比要求确定降噪过滤器类型及其特征函数，将所述特征函数、所述噪声功率谱pn(u,v)和所述功率谱ps(u,v)作为输入，得到降噪过滤器的系统参数，并通过所述系统参数构成降噪过滤器；以及将所述检测目标图像经所述降噪过滤器过滤后，得到噪声信息被降低后的所述检测目标图像。

也就是说，本发明在进行光学模拟时，能够将噪声信号的功率谱设定为零后进行计算，因此，能够仅计算信号的功率谱ps。将通过模拟得到的ps作为基础，通过计算pn(u,v)＝ps+n(u,v)–ps(u,v)，能够推算出噪声信号的功率谱。

具体地，为了降低晶片检查装置所处理结果中疑似缺陷发生的可能性，其采用将检查对象图像与参照图像的差异作为缺陷评价数据中的有效缺陷与疑似缺陷的比率(snr：signaltonoiseratio)变大。本领域技术人员清楚，通过利用各种的降噪过滤器，能够提高snr，为此，降噪过滤器的参数，即信号和噪声功率谱等的正确推算尤为重要。

通常，信号和噪声功率谱的正确推算在现有技术中有许多方式，以二维的维也纳滤波器(wienerfiler)为例进行说明。维纳滤波是利用平稳随机过程的相关特性和频谱特性对混有噪声的信号进行滤波的方法，在一定的约束条件下，其输出与一给定函数(通常称为期望输出)的差的平方达到最小，通过数学运算最终可变为一个托布利兹方程的求解问题。维纳滤波器又被称为最小二乘滤波器或最小平方滤波器。

在二维维也纳滤波器中，其系统特性m(u,v)如下式所示：

其中，h(u,v)是表示系统特性的函数，在没有除噪声因素以外的其它影响的情况下时h(u,v)为1。*表示共轭，pn(u,v)表示噪声(noise)的功率谱，ps(u,v)表示信号的功率谱，u,v表示空间频率。

在对实际系统的检测过程中，对pn与ps是不能分开检测的，而是以ps+n(u,v)的形式观测得到。通常情况下，由于可以基于一些假定，推算pn(u,v)，然而，该推算pn(u,v)的结果中往往包含误差。而在在本发明的实施例中，通过将pn和ps分离进行推算，所以能够提供高性能的噪声信号降低系统。

实施例一

下面参照图5对本发明的一个实施例进行说明。需要说明的是，图5的标号500中所标示的，可以为系统、回路和装置，下面结合附图5中的标记对工作过程进行说明，如果为制造方法，就结合附图对该方法步骤进行说明，由于将结构和动作等分开说明比较困难，就与结构一同说明。

请参阅图5，图5所示为本发明的降噪系统参数确定的一较佳实施例的示意图。如图所示，标号509为晶圆，标号510为对晶圆进行照明的光源，标号501为版图设计数据，标号502为光刻模拟器(通常为计算机仿真程序)，标号503为功率谱ps(u,v)的计算模块，标号504为信号的功率谱ps(u,v)的计算结果，标号505为图像传感器，标号506为噪声信号提取子模块，标号507为噪声(noise)功率谱pn的计算模块，标号508为噪声功率谱pn(u,v)的计算结果，标号511表示system的特征的函数h(u,v)，标号512表示降噪系统(noisereductionsystem)的确定，标号513表示降噪过滤器(noisereductionfilter)。

上述降噪系统的工作原理如下：

一方面，使用作为设计结果的晶圆版图布图数据501，通过光刻模拟器502对不含噪声信息的布图数据501进行模拟仿真计算。基于该仿真计算结果，能够计算功率谱503，得到功率谱ps(u,v)的数据504。另一方面，由传感器505获取与晶片509的布图数据501相对应的检测目标图像，从传感器得到的检测目标图像和从参照图像得到的差异图像中含有噪声信号。其中，光源510用于对晶片509进行照明。

并且，以检测目标图像和光刻模拟器502的模拟结果作为输入，完成提取噪声信号信息步骤(标号506)；然后，通过功率谱pn的计算步骤(标号507)，能够得到noise的功率谱pn(u,v)，(标号508表示)。

得到上述数据后，将标号511所示的系统(system)的特性的函数h(u,v)、pn(u,v)和ps(u,v)作为输入，通过步骤512进行降噪系统(noisereductionsystem)的参数确定，并进一步构成降噪过滤器(noisereductionfilter)(标号513)。

如以上所述，从晶圆经过光学检测装置由传感器获得的检测目标图像信号中，一方面，由于制造上、光学性、电气和其它因素，获得的检测目标图像中重叠了噪声信号。另一方面，通过光刻仿真模拟得到的图像信息中不含有噪声信号，该光刻仿真模拟基于作为lsi的设计信息的版图数据layoutdata等。因此，从光学模拟的图像求出检测目标图像的功率谱ps(u,v)，噪声信号的功率谱pn(u,v)可以根据检测装置得到的检测目标图像和光刻仿真模拟得到的图像的差异进行计算。因此，使用上述两个功率谱，能实现高精度的噪声信号降低系统。

另外，表示系统特性的函数h(u,v)，在没有噪声信号因素之外的影响情况下，所获得的输出变动为“1”，但在有噪声信号因素之外的影响因素时，表示系统特性的函数h(u,v)不为1。

如图5所示，由传感器505捕获的通过光源510照明的晶圆的检测目标图像信号中，重叠了下述主要缺陷信号：由于晶圆上的颗粒导致的微细缺陷相关的噪声信号、基于光学系统缺陷的噪声信号以及由晶圆制造工序导致的微细缺陷相关的噪声信号等。上述这些噪声信号，在大多数情况下，是无法通过检测装置中的差异计算等数据处理步骤而消除。

而在本发明的实施例中，传感器检测输出结果信号ps+n(u,v)为噪声信号pn(u,v)与被检测对象的图像信号ps(u,v)的混合，从该传感器检测输出结果得到的检测目标图像信号ps+n(u,v)中，提取与噪声信号相关的信号pn(u,v)是构成式(1)所示的高性能噪声信号降低过滤器的基础。并且，通过图5所示的流程图中所示的方式，能够得到仅基于图像信息的信号ps(u,v)，该不含噪声信号的基于图像信号ps可以通过光刻模拟得到。由此，将传感器检测输出结果信号psn(u,v)减去ps(u,v)，能够得到噪声信号pn(u,v)。得到该噪声信号pn(u,v)后，就能够实现性能高的噪声信号降低过滤器。

请参阅图6，图中标号600为传感器得到的检测目标图像与经降噪声过滤器处理后的图像信息进行比较的效果示意图。标号601所示为晶圆检测装置得到的包括噪声信号的被检测目标图像与参照图像的差异缺陷示意图，其中，标号601所示的图像没有进行噪声信号的降低处理。标号602和标号603分别表示x轴和y轴，在该x轴与y轴生成的平面上，以浓淡表示差异信号的强弱。其中，标号604为缺陷存在所产生的大差异部分，在标号605区域可以看到薄的斑，此对应着噪声信号。标号610为去除噪声后的图像。请参阅右图，标号610所示的图像为使用噪声信号降低过滤器的模拟结果。标号612、标号613表示x轴和y轴，在该x轴与y轴生成的平面上以浓淡表示差异信号的强弱。标号614为缺陷的存在所产生的大差异部分，在标号615区域可以看到薄的斑，此对应于使用噪声信号降低过滤器后的情况。

为了很好地表示噪声信号的状态区域，将没有使用噪声信号降低过滤器时的标号605和使用时的标号615进行区别，就可以很明显地看出其状态的差异。在上述实施例中，通过实际模拟进行确认，没有使用噪声信号降低过滤器的601的情形中，snr(signaltonoiseratio)是5.61db，相对于此，使用噪声信号降低过滤器的610的情形中，snr是15.0db。

实施例二

下面参照图7和图8对本发明的一个实施例进行说明。

在本实施例中，首先，将被检测对象区域分割为多个子区域，判断表示各子区域中包含的差异强度信息的信息是差异的峰值相关的信息还是与噪声信号相关的信息。一种方法：仅仅使用与噪声信号相关的子区域，对噪声信号的功率谱进行计算，使用其功率谱，构成噪声信号降低过滤器。

也就是说，在本发明的一个较佳的实施例中，需先确定用于噪声信号的功率谱推定的降噪区域，即将被检测对象区域形成的所述检测目标图像分割为m个无缝连接的子区域，并选取其中m以下的n个区域参与噪声功率谱的推定。

该n个区域参与噪声功率谱的选取，可以采用取每个子区域差异强度平方和的平均值，将该平均值小于一预定值时，判定为由噪声信号成分构成的子区域。

请参阅图7，图7中的标号700是将差异信息与被检测对象的位置对应的示意图。当被检测目标图像上存在缺陷时，出现如标号701所示的基于缺陷差异的峰值，以及标号702和标号703是基于其它缺陷差异的峰值，只是后两者峰值的强度较小。在标号700所示的图中，缺陷差异的峰值绘制在三维空间中，其中，该坐标轴由x轴(标号706)、y轴(标号707)和差异的强度(标号708)组成。在此，将x-y平面分割为虚拟子区域(标号704)。该例中，虚拟子区域(也可称单元格)设定为6x6个，由与差异峰值关联的子区域和作为主要由噪声信号成分构成的子区域(标号705)而构成。虚拟子区域不是必须是矩形的，可以是任意的形状。但是，希望虚拟子区域不能相互重叠，其没有间隙地覆盖整个被检测对象区域。

对与差异缺陷峰值相关的子区域以及作为主要由噪声信号成分构成的子区域进行分类的方法是必须的。有一种分类方法：使用与各子区域的差异的强度相关的统计性质进行判断。例如，取每个子区域差异强度平方和的平均值，将该平均值小于预定值时，判定为由噪声信号成分构成的子区域。该判定方法仅作为示例使用，也可以有其它判定方法，在此不做限定。

具体地，在本发明的实施例中，请参阅图8，图8为本实施例的噪声信号的功率谱计算方法的流程图。如图8所示，该噪声信号的功率谱计算方法包括如下步骤：

在步骤801中，将被检测对象区域，通过例如虚拟子区域方式等，分割为多个子区域。子区域的形状无需是矩形，可以是任意的形状。

在步骤802中，需要先判断聚焦的子区域是否包含差异缺陷峰值(defectsignal)。该判断步骤可以利用之前所述的基于统计性质的方法。

在步骤803中，需要先判断是否包含差异峰值(defect)，如果包含，跳过步骤804，如果不包含，在步骤804中，进行噪声信号的功率谱pn(u,v)的评价和改善。

在步骤805中，提取下一子区域，步骤806中判断所有的子区域的处理是否结束。如果没有结束，重复步骤802至步骤806。

图8所示的实施例中，关于与噪声信号相关的功率谱的评价和改善，是在步骤804中依次实施的，然而，在本发明的具体实施例中，可以使用相同的处理流程，进行全部区域的扫描，完成与噪声信号相关的子区域的一览表之后，计算噪声功率谱pn(u,v)。

实施例三

通常，在晶圆检测装置中，仅通过对一个被检测对象区域的检测，是无法结束其作业的。一枚晶圆上往往存在很多被检测对象区域，并且，有时需连续地实施具有多个相同布图的集成电路的多个晶圆的检测。如此，当进行多个被检测对象区域的处理时，不需要像实施例一及实施例二那样，仅限于对一个被检测对象区域的噪声信号和/或功率谱进行推算。

具体地，该晶圆检测装置包括检测目标图像生成单元和数据处理单元，所述检测目标图像生成单元用于得到多个被检测对象区域或跨晶圆区域的检测目标图像，所述数据处理单元用于对所述检测目标图像进行缺陷提取的处理和判定；其数据处理单元包括预处理模块和降噪模块，所述预处理模块包括降噪区域确定子模块和噪声信号提取子模块。噪声区域确定子模块将所述多个被检测对象区域或跨晶圆区域形成的所述检测目标图像i(i＝1,2…是表示各个检测目标图像的索引)分割为mi个子区域，并选取其中以ni个为主的由噪声信号成分构成的区域，用于噪声功率谱的推定，所述ni小于等于mi；噪声信号提取子模块用于推定所有的mi个区域的全信号功率谱pⁱs+n(u,v)，推定所述ni个部分的所述检测目标图像的噪声功率谱pⁱn(u,v)，将每一个所述全信号功率谱pⁱs+n(u,v)减去从相应的所述ni个区域求出的功率谱pn+s(u,v)≈pn(u,v)，得到所述ni个部分的噪声功率谱pⁱn(u,v)，并将所述ni个部分的噪声功率谱pⁱn(u,v)求平均值，得到pn平均值(u,v)；所述降噪模块，用于根据信噪比要求确定降噪过滤器类型及其特征函数，将所述特征函数、所述噪声功率谱pn平均值(u,v)和所述功率谱ps(u,v)作为输入，得到降噪过滤器的系统参数，并通过所述系统参数构成降噪过滤器；以及将所述检测目标图像经所述降噪过滤器过滤后，得到去除噪声信息后的所述检测目标图像。这里，求出平均值的运算不仅是单纯的算数平均，而应该理解为求出一般的最佳推定值的运算。

在本发明的实施例中，在上述多个被检测对象区域或跨晶圆进行噪声信号的功率谱的改善演算，能够提高精度。

实施例四

请参阅图9，图9所示为使用形态学进行图像处理的一个例子示意图。图9中使用形态学的降低无意义缺陷处理等的图像处理过程中，将被认为是噪声信号的较小的要素信号906～909和需提取的检测目标图像要素信号902～905的区分是比较容易的，但从要素信号中区分有意义的缺陷需要复杂的处理。

因此，在本发明的实施例中，本发明的晶圆检测装置还包括缺陷提取模块和还原模块。即可以在得到所述检测目标图像后，缺陷提取模块基于形态学图像处理技术，提取所述检测目标图像中的检测目标图像要素，除去所述检测目标图像的噪声图像。如果采用本发明的思路仅处理检测目标图像的噪声图像，过滤器的选择就比较简单，且滤波效果精准度提高了。并且，在得到所述检测目标图像的噪声图像后，还原模块将检测目标图像中的检测目标图像要素加入到去除所述检测目标图像中噪声信息后的所述检测目标图像中，就可以直接形成去除噪声后的所述检测目标图像。

具体地，请参阅图9，图9所示为使用形态学进行图像处理的一个例子示意图。如图9中标号900详述了去除微细差异缺陷组成的噪声信号，提取预定大小以上的图像的过滤的例子。标号901为输入图像，其包括噪声信号的微细差异缺陷的要素信号906～909和需提取的检测目标图像要素信号902～905。标号910表示将形态学演算组合而构成的图像处理，即形态学处理。标号910的形态学图像处理中使用的构造要素的由标号911所示。通过该例子中表示的形态学处理而得到的输出图像920为去除噪声信号的微细的图像要素除去后的图像。该例子中利用的形态学处理，可以使用erosion演算的方法。

具体地，可以根据需去除的噪声信号的微细差异缺陷的图像构造要素特性而选择构造要素911的形状及尺寸。使用erosion演算时得到的图案构造要素922～925根据输入的图案构造要素902～905间的关系有所变形。由于基于erosion演算的变形而不同，为了得到与902～905相同的图案要素，需要进一步的图案演算。基于在此所示的形态学处理的噪声信号的过滤是一例，是能够适用于图案的构造提取和外形提取等多种复杂的处理的技术。

使用形态学的图像处理中，可以将适合作为目的处理的构造要素的选择和成为单位的形态学处理组合，实现所希望的处理程序。为了实现提高这样的对于使用者的方便性，将处理程序作为宏进行记述，并保存在库中。

形态学处理中使用的构造要素使其模型的记述能够参数化，使宏记述的通用化成为可能。请参阅图10，图10表示参数化的形态学用构造要素的例子。如图所示，圆和矩形的构造要素的参数化的例子在1000中所示，圆的参数化的例子如1010所示。圆1011是将半径r1012作为参数的模型。假设，将半径r设为1，列举(instantiate)的例子1013是1014所示的圆。另一方面，将半径r设为2，列举的例子1015是1016所示的圆。假设，将矩形参数化的构造要素的例子在1020中所示。这时，如1021的矩形所示地，a(1022)和b(1023)的两个参数用于模型。在示例1024中，作为参数，采用了a＝1,b＝1.3，实现1026所示的矩形。在示例1025中，作为参数，采用了a＝2,b＝1，实现了1027所示的矩形。这些参数化的构造要素只是一例而已，可以定义更复杂的构造要素的模型。通过使用其它构造要素，能够通过形态学处理实现复杂的构造的提取和噪声信号除去等。

因此，使用形态学处理实现检测精度提高功能时，通过形态学处理的程序的选择和检测精度制御的参数的选择，检测精度变化。因此，需要进行最佳选择。检测精度的评价通过计算机程序实现时，使参数和处理程序的选择变化，能够探索最佳的程序及参数的选择。另外，无法通过计算机程序实现检测精度的评价时，可以通过人的判断，进行最佳选择。

以上所述的仅为本发明的优选实施例，所述实施例并非用以限制本发明的专利保护范围，因此凡是运用本发明的说明书及附图内容所作的等同结构变化，同理均应包含在本发明的保护范围内。