Journal of Korea Multimedia Society (한국멀티미디어학회논문지)

Korea Multimedia Society (한국멀티미디어학회)
권호 표지
DOI QR코드

DOI QR Code

Cause Diagnosis Method of Semiconductor Defects using Block-based Clustering and Histogram x2 Distance

블록 기반 클러스터링과 히스토그램 카이 제곱 거리를 이용한 반도체 결함 원인 진단 기법

  • 이영주 (삼성전자 생산기술연구소) ;
  • 이정진 (가톨릭대학교 디지털미디어학부)
  • Received : 2012.05.17
  • Accepted : 2012.07.20
  • Published : 2012.09.30
Download PDF
⟨ Previous Next ⟩

Abstract

In this paper, we propose cause diagnosis method of semiconductor defects from semiconductor industrial images. Our method constructs feature database (DB) of defect images. Then, defect and input images are subdivided by uniform block. And the block similarity is measured using histogram kai-square distance after color histogram calculation. Then, searched blocks in each image are merged into connected objects using clustering. Finally, the most similar defect image from feature DB is searched with the defect cause by measuring cluster similarity based on features of each cluster. Our method was validated by calculating the search accuracy of n output images having high similarity. With n = 1, 2, 3, the search accuracy was measured to be 100% regardless of defect categories. Our method could be used for the industrial applications.

본 논문에서는 반도체 산업 영상에서 반도체의 결함 원인 진단 기법을 제안한다. 제안 기법은 먼저 결함 영상에 대한 특징 데이터베이스를 구축한다. 다음으로 결함 영상과 입력 영상을 블록 단위로 영역 분할을 수행한 후 컬러 히스토그램을 계산하여 블록들 사이의 히스토그램 카이 제곱 거리를 이용한 블록 유사성을 측정한다. 다음으로 각 영상에서 탐색된 블록들에 대하여 클러스터링을 수행하여 영역을 연결된 객체 단위로 군집한다. 마지막으로 각 클러스터들의 특징을 추출하여 클러스터 간 유사성 측정으로 가장 유사성이 높은 결함 영상을 특징 DB에서 탐색하여 결함 원인 정보와 함께 제시한다. 검색 결과 유사도 상위 n개의 영상 중에서 입력 영상과 동일한 범주의 결함을 갖는 영상이 검색되는 비율을 구하여 제안 기법의 정확성을 검증하였다. n = 1, 2, 3에 대해서 결함 범주에 상관없이 검색 정확도는 모두 100%로 제안 기법은 실제 산업 응용이 가능한 정확한 검색 결과를 보여주었다.

Keywords

References

  1. K.W. Tobin, T.P. Karnowski, L.F. Arrowood, R.K. Ferrell, J.S. Goddard, and F. Lakhani, "Content-based Image Retrieval for Semiconductor Process Characterization," EURASIP Journal on Applied Signal Processing, Vol. 2002, No. 1, pp. 704-713, 2002. https://doi.org/10.1155/S1110865702203017
  2. S.S. Gleason, R.K. Ferrell, T.P. Karnowski, and K.W. Tobin, "Detection of Semiconductor Defects using a Novel Fractal Encoding Algorithm," Proceedings of SPIE Design, Process Integration, and Characterization for Microelectronics, Vol. 4692, pp. 61-71, 2002.
  3. N.G. Shankar and Z.W. Zhong, "Defect Detection on Semiconductor Wafer Surfaces," Microelectronic Engineering, Vol. 77, No. 3-4, pp. 337- 346, 2005. https://doi.org/10.1016/j.mee.2004.12.003
  4. D.M. Tsai and S.C. Lai, "Defect Detection in Periodically Patterned Surfaces using Independent Component Analysis," Pattern Recognition, Vol. 41, No. 9, pp. 2812-2832, 2008. https://doi.org/10.1016/j.patcog.2008.02.011
  5. A. Kumar, "Computer Vision Based Fabric Defect Detection: A Survey," IEEE Transactions on Industrial Electronics, Vol. 55, No. 1, pp. 348-363, 2008. https://doi.org/10.1109/TIE.1930.896476
  6. O.G. Sezer, A. Ercil, and A. Ertuzun, "Using Perceptual Relation of Regularity and Anisotropy in the Texture with Independent Component Model for Defect Detection," Patter Recognition, Vol. 40, No. 1, pp. 121-133, 2007. https://doi.org/10.1016/j.patcog.2006.05.023
  7. P. Arbelaez, M. Maire, C. Fowlkes, and J. Malik, "Contour Detection and Hierarchical Image Segmentation," IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol. 33, No. 5, pp. 898-916, 2011. https://doi.org/10.1109/TPAMI.2010.161
  8. F. Chang, C.J. Chen, and C.J. Lu, "A Linear- Time Component-labeling Algorithm using Contour Tracing Technique," Computer Vision and Image Understanding, Vol. 93, No. 2, pp. 206-220, 2004. https://doi.org/10.1016/j.cviu.2003.09.002
  9. 이정진, 김경원, 이호, "MR 영상에서 정규화된 기울기 크기 영상을 이용한 자동 간 분할 기법," 멀티미디어학회논문지, Vol. 13, No. 11, pp. 1698-1705, 2010.

Cited by

  1. A Novel Feature Selection Method for Output Coding based Multiclass SVM vol.16, pp.7, 2013, https://doi.org/10.9717/kmms.2013.16.7.795