CN112561852A - 图像判断装置和图像判断方法 - Google Patents
图像判断装置和图像判断方法 Download PDFInfo
- Publication number
- CN112561852A CN112561852A CN202011026348.XA CN202011026348A CN112561852A CN 112561852 A CN112561852 A CN 112561852A CN 202011026348 A CN202011026348 A CN 202011026348A CN 112561852 A CN112561852 A CN 112561852A
- Authority
- CN
- China
- Prior art keywords
- image
- determination
- magnifications
- judgment
- image data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 38
- 239000000758 substrate Substances 0.000 claims description 61
- 238000007689 inspection Methods 0.000 claims description 27
- 238000007747 plating Methods 0.000 claims description 17
- 239000004065 semiconductor Substances 0.000 claims description 9
- 238000012795 verification Methods 0.000 claims description 7
- 238000007639 printing Methods 0.000 claims description 5
- 239000011521 glass Substances 0.000 claims description 3
- 230000007547 defect Effects 0.000 description 81
- 238000003860 storage Methods 0.000 description 19
- 238000012545 processing Methods 0.000 description 18
- 238000010586 diagram Methods 0.000 description 14
- 230000002950 deficient Effects 0.000 description 12
- 230000006870 function Effects 0.000 description 8
- 238000012790 confirmation Methods 0.000 description 7
- 238000001514 detection method Methods 0.000 description 7
- 239000010410 layer Substances 0.000 description 7
- 230000011218 segmentation Effects 0.000 description 5
- 238000005192 partition Methods 0.000 description 4
- 229910000679 solder Inorganic materials 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 230000001747 exhibiting effect Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 2
- 238000010191 image analysis Methods 0.000 description 2
- 238000003909 pattern recognition Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000007641 inkjet printing Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 239000002344 surface layer Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/94—Investigating contamination, e.g. dust
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
- G06T7/001—Industrial image inspection using an image reference approach
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
- H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
- H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
- H01L22/30—Structural arrangements specially adapted for testing or measuring during manufacture or treatment, or specially adapted for reliability measurements
- H01L22/34—Circuits for electrically characterising or monitoring manufacturing processes, e. g. whole test die, wafers filled with test structures, on-board-devices incorporated on each die, process control monitors or pad structures thereof, devices in scribe line
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N1/00—Scanning, transmission or reproduction of documents or the like, e.g. facsimile transmission; Details thereof
- H04N1/387—Composing, repositioning or otherwise geometrically modifying originals
- H04N1/393—Enlarging or reducing
- H04N1/3935—Enlarging or reducing with modification of image resolution, i.e. determining the values of picture elements at new relative positions
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N1/00—Scanning, transmission or reproduction of documents or the like, e.g. facsimile transmission; Details thereof
- H04N1/40—Picture signal circuits
- H04N1/409—Edge or detail enhancement; Noise or error suppression
- H04N1/4092—Edge or detail enhancement
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N5/00—Details of television systems
- H04N5/222—Studio circuitry; Studio devices; Studio equipment
- H04N5/262—Studio circuits, e.g. for mixing, switching-over, change of character of image, other special effects ; Cameras specially adapted for the electronic generation of special effects
- H04N5/2628—Alteration of picture size, shape, position or orientation, e.g. zooming, rotation, rolling, perspective, translation
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8854—Grading and classifying of flaws
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/94—Investigating contamination, e.g. dust
- G01N2021/945—Liquid or solid deposits of macroscopic size on surfaces, e.g. drops, films, or clustered contaminants
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30141—Printed circuit board [PCB]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30168—Image quality inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/06—Recognition of objects for industrial automation
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Signal Processing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Manufacturing & Machinery (AREA)
- Life Sciences & Earth Sciences (AREA)
- Pathology (AREA)
- Immunology (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Computer Hardware Design (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Power Engineering (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Automation & Control Theory (AREA)
- Image Analysis (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明公开了图像判断装置和图像判断方法。图像判断装置在存储器中存储判断模型,所述判断模型被配置为基于第一数据和第二数据来学习所述多个判断项目中的每一个,所述第一数据与作为判断良好的基准的图像对应,所述第二数据与作为判断不良的基准的图像对应;对所述多个判断项目中的每一个设置多个倍率;分割图像的一部分,从分割的图像以所述多个倍率生成图像数据;将生成的与所述多个倍率中的每一个对应的图像数据输入到所述判断模型,并且基于来自所述判断模型的输出结果、相对于所述多个判断项目中的每一个判断所述图像的质量是良好还是不良。
Description
技术领域
本发明涉及图像判断装置和图像判断方法,并且特别地涉及用于检查例如印刷基板的制造质量的图像判断装置和图像判断方法。
背景技术
传统上,已知通过使用融入AI功能的计算机来判断图像是否具有缺陷的技术。例如,日本专利特开No.2016-040650公开了一种装置,该装置通过使用图像捕获装置捕获半导体基板的表面的图像来获取图像数据、分析图像数据、以及判断半导体基板的表面中是否存在缺陷。当执行图像分析时,该装置获取指示缺陷部分的图像并自动对图像进行分类。在这个自动分类中,该装置使用知识工程技术,诸如学习型分类、基于规则的分类、或整体(ensemble)学习。更具体地,根据日本专利特开No.2016-040650,融入在主机计算机中的多个分类器分析从图像获得的特征量向量,并基于加权投票的数量对图像进行分类。
上述相关技术具有判断准确度不足的问题。例如,当基板检查方面的熟练专家验证通过装置获得的判断结果时,仍然处于良好状态的基板被判断为有缺陷。特别地,当存在许多判断目标项目时,错误判断的数量增加。
首先,半导体基板检查花费很多人力资源和时间。检查准确度在很大程度上取决于专家的技能。因此,这个检查花费很多成本(时间和费用),并且长时间存在通过自动化降低成本的需求。最近,已尝试通过使用已被显著发展的AI技术来使基板检查自动化。然而,如上所述,到目前为止不能获得足够的判断准确度。
发明内容
因此,本发明被认为是对传统技术的上述缺点的回应。
例如,根据本发明的图像判断装置和图像判断方法能够对例如印刷基板和半导体基板准确地执行检查判断。
根据本发明的一个方面,提供了一种通过使用多个判断项目来判断图像的质量的图像判断装置,所述装置包括:判断模型,所述判断模型被配置为基于第一数据和第二数据来学习所述多个判断项目中的每一个,所述第一数据与作为判断良好的基准的图像对应,所述第二数据与作为判断不良的基准的图像对应;设置单元,所述设置单元被配置为对所述多个判断项目中的每一个设置多个倍率;生成单元,所述生成单元被配置为分割(segment)图像的一部分并且从分割的图像以由所述设置单元设置的所述多个倍率生成图像数据;以及判断单元,所述判断单元被配置为将由所述生成单元生成的、与所述多个倍率中的每一个对应的图像数据输入到所述判断模型,并且基于来自所述判断模型的输出结果、相对于所述多个判断项目中的每一个判断所述图像的质量是良好还是不良。
根据本发明的另一方面,提供了一种通过使用多个判断项目来判断图像的质量的图像判断装置中的图像判断方法,所述方法包括:在存储器中存储判断模型,所述判断模型被配置为基于第一数据和第二数据来学习所述多个判断项目中的每一个,所述第一数据与作为判断良好的基准的图像对应,所述第二数据与作为判断不良的基准的图像对应;对所述多个判断项目中的每一个设置多个倍率;分割图像的一部分并且从分割的图像以所述多个倍率生成图像数据;以及将生成的与所述多个倍率中的每一个对应的图像数据输入到所述判断模型,并且基于来自所述判断模型的输出结果、相对于所述多个判断项目中的每一个判断所述图像的质量是良好还是不良。
本发明是特别有利的,因为能够基于通过捕获表面的图像而获取的图像数据来更准确地判断例如印刷基板或半导体基板的表面中缺陷的存在/不存在。
从以下对示例性实施例的描述(参考附图),本发明的其它特征将变得清楚。
附图说明
图1是示出根据本发明的示例性实施例的图像判断系统的布置的概要的框图;
图2A和2B是示出图像获取装置和图像判断装置的功能布置的框图;
图3A、3B和3C是用于解释从图像数据进行分割的图;
图4是示出与在印刷基板的表面中发现的缺陷的类型对应的分割的图像与从图像分割的部分图像之间的关系的图;
图5是示出由图像判断装置执行的判断印刷基板的表面中缺陷的存在/不存在的处理的流程图;
图6是示出判断项目(缺陷类型)与用于判断的两种类型的放大图像之间的关系的示例的图;
图7是用于解释关于一个缺陷项目的分割大小的组合的图;
图8是示出用于验证图1所示的系统的判断准确度的系统的布置的框图;以及
图9是示出学习印刷基板的检查步骤中的检查过程和检查结果的处理的流程图。
具体实施方式
现在将根据附图详细描述本发明的示例性实施例。应当注意的是,以下实施例不意图限制所附权利要求的范围。在实施例中描述了多个特征。并非所有多个特征对于本发明都一定是必不可少的,并且可以将多个特征任意地组合。另外,在整个附图中,相同的参考符号表示相同或类似的部分,并且将省略重复的描述。
注意的是,在本说明书中,“基板”包括通过半导体制造过程制造的半导体基板和印刷基板、以及通过使用制造技术制造并且用作喷墨打印头的头芯片的提供有打印元件、配线等的头基板。
另外,本说明书中提及的术语“检查”意指除了如上所述的半导体基板、印刷基板、以及头基板之外,还检查转印型喷墨打印装置中使用的转印构件等的表面状态。这个检查对“基板”或转印构件的表面上刮擦的存在/不存在、异物粘附的存在/不存在、焊接不均匀的存在/不存在、焊接剥离(stripping)的存在/不存在、镀层剥离的存在/不存在等等进行检查。另外,以上术语“检查”意指通过检查由喷墨打印头打印在打印介质上的图像本身来检查喷墨打印头的质量。
这里描述的是核查通过使用图像捕获装置捕获基板(诸如印刷基板或玻璃基板)的表面的图像而获得的图像数据、并且基于图像数据检测缺陷(诸如在基板上造成的刮擦或异物粘附到基板的粘附的存在/不存在)的具体示例。
图1是示出作为本发明的示例性实施例的图像判断系统(下文中将被称为系统)的布置的框图。
如图1所示,系统1包括通过捕获作为检查目标的印刷基板的表面的图像来生成图像数据的图像捕获装置30、获取图像数据的图像获取装置10、以及从图像获取装置10获取图像数据并判断图像的图像判断装置20。图像获取装置10和图像判断装置20是计算机,各自包括CPU以及存储图像数据和判断结果的存储设备(存储器)。图像判断装置20可以例如发出执行稍后描述的处理的指令,并利用键盘、鼠标等进行设置。
图2A和2B是示出图像获取装置和图像判断装置的功能布置的框图。图2A是示出图像获取装置10的功能布置的框图。图2B是示出图像判断装置20的功能布置的框图。
如图2A所示,图像获取装置10将从图像捕获装置30接收的图像数据存储在由SSD存储器等构成的图像保持单元11中。
缺陷检测单元12检测存储在图像保持单元11中的图像数据中缺陷的存在/不存在。更具体地,缺陷检测单元12将通过捕获具有优异表面状态的印刷基板的图像而获取的图像数据保持为基准图像数据(IREF),并将基准图像数据与从图像捕获装置30接收的图像数据进行比较。这个基准图像数据是无缺点图像的数据或具有很少缺点的图像的数据。缺陷检测单元12提取在亮度值或浓度值上具有显著差异的两个图像的对应像素,并基于提取的像素的分布和亮度值或浓度值的差异程度来估计接收的图像具有哪种类型的缺陷。这些过程可以通过使用已知的模式识别技术来实现。
假设通过捕获印刷基板的图案配线部分的图像来获取图像。在这种情况下,当该部分的表面状态良好时,该部分被识别为具有均一的浓度(亮度)、浓度(亮度)没有任何变化的区域。与此相对照,如果图案配线具有镀层(plating)剥离,那么浓度(亮度)均一的区域具有浓度(亮度)不连续地不同的地方。由于这样的地方是局部独特的,因此可以通过模式识别来估计发生的地方和缺陷的类型。
假设以上缺陷检测处理已估计存在缺陷。在这种情况下,缺陷检测单元12生成指示缺陷的类型的缺陷代码(FCODE)和缺陷位置信息(FPOS)。估计具有缺陷的图像被分类成以下三种类型。第一种类型在质量标准上为NG图像。这个图像通过AI学习被分类为NG图像(true_NG图像)。第二种类型是虽然人类视觉识别到瑕疵和尘埃但是在质量标准上被分类为OK图像的图像,但通过AI学习被分类为NG图像(NG图像)。第三种类型是在质量标准上被分类为OK图像的图像,没有人类视觉识别出的任何瑕疵和尘埃,并且通过AI学习也被分类为OK图像(OK图像)。
分割单元13对估计具有缺陷的图像数据执行分割处理。此时,图像获取装置10将由分割单元13分割的图像数据(IMG)与缺陷代码(FCODE)和缺陷位置信息(FPOS)一起传送到图像判断装置20。
如图2B所示,图像判断装置20接收由分割单元13分割的图像数据(IMG)。图像存储单元210包括保存用于判断印刷基板的检查结果为良好(OK)的基准图像数据的第一存储单元211、保存用于判断为不良(NG)的基准图像数据的第二存储单元212、以及保存判断目标的图像数据的第三存储单元213。图像存储单元210由SRAM、DRAM、SSD等构成。图像处理单元220基于输入的缺陷代码(FCODE)放大判断目标的图像。判断单元230包括输出指示对分割的图像数据的检查结果为OK或NG的信息的OK/NG判断模型(神经网络)231(在下文中将被简称为模型)。模型231具有多个加权系数。
注意的是,第一存储单元211对于每种缺陷的类型存储多个OK判断基准数据,并且第二存储单元212对于每种缺陷的类型存储多个NG判断基准数据。这些数据用于由判断单元230执行的判断。稍后将描述印刷基板中的缺陷的类型。
图像判断装置20包括学习单元240,该学习单元240具有每次通过使用从图像获取装置10输入的图像数据判断印刷基板中的缺陷的存在/不存在时学习在分割时它关注图像的哪个部分以及如何执行图像分析的AI功能。系统1将印刷基板设置为检查目标并且将在印刷基板的表面中发生的各种事件设置为图像判断的判断项目,并根据判断项目执行图像判断。
注意的是,学习单元240在使模型学习时对于每个判断项目输入各种基准图像并且基于判断结果改变加权系数。重复这个学习过程将最优化模型231的加权系数。判断单元230在判断印刷基板中缺陷的存在/不存在时将判断目标的图像数据输入到学习的模型231,并且模型231输出指示图像中缺陷的存在/不存在的结果。
将参考图3A至3C描述从图像数据的分割。
图3A示出了由图像获取装置10从图像捕获装置30获取的印刷基板的图像与由分割单元13分割的图像之间的关系。如图3A所示,缺陷检测单元12通过从从图像捕获装置30获取的原始图像301指定(specify)缺陷位置302来生成缺陷位置信息(FPOS)。然后,分割单元13分割以缺陷位置302为中心的256×256像素的图像303。
图3B是示出通过从图3A所示的分割的图像303分割1/16{(1/4)×(1/4)}区域而获得的图像304的图。如从图3A和3B之间的比较清楚看到的,图像304是通过以缺陷位置302为中心在垂直和水平方向上从256(垂直)×256(水平)像素图像303分割64(垂直)×64(水平)像素图像而获取的。图像获取装置10将表示分割的图像303的图像数据(IMG)传送到图像判断装置20。图像处理单元220生成表示图像304的图像数据。
图像处理单元220基于缺陷代码(FCODE)的值和缺陷位置信息(FPOS)的值生成表示图像304的图像数据。例如,如果缺陷代码(FCODE)指示另一种类型的缺陷,那么图像处理单元220生成表示图像303的一部分的32像素×32像素的图像数据。
图3C示出了存储在图像判断装置20的图像存储单元210中的用于图像判断的基准的图像(基准图像)。如图3C所示,基准图像305具有与作为判断目标(比较目标)的图像的大小相同的大小(256像素×256像素)。这个基准图像对于每种缺陷的类型包括用于正常(OK)决定的图像和用于NG决定(即,用于判断存在缺陷)的图像。如上所述,这些图像分别存储在第一存储单元211和第二存储单元212中。这些图像在上述学习单元240使模型231学习时使用。
图4示出了与在印刷基板的表面中发现的缺陷的类型对应的分割的图像与从图像分割的部分图像之间的关系。图4在左侧垂直方向上示出了缺陷的类型,并且在上侧水平方向上示出了各个图像的图像大小。
注意的是,具有相同大小的图像显示在图4中。以最左列中布置的256像素×256像素大小的图像为基准,128×128图像、64×64图像、32×32图像以及8×8图像在右方向上并排显示。显示在基准图像的右侧的图像在显示器上显示或打印时被放大以具有与基准图像的大小相同的大小。因此,当从具有256像素×256像素大小的图像生成具有128像素×128像素大小的图像时,这个操作将被称为2×倍率图像生成。同样地,64×64图像的生成、32×32图像的生成以及8×8图像的生成将分别被称为4×倍率图像生成、8×倍率图像生成以及32×倍率图像生成。
图4显示了相对于包括镀层中的异物、SR(阻焊)图案形状、SR剥离、SR(阻焊)不均匀以及细线图案中的SR不均匀的五种缺陷类型中的每一种的基准图像和从基准图像分割的四个放大图像。
注意的是,缺陷类型不限于以上示例。例如,除了它们之外,缺陷类型还包括镀铜颜色、丝线形状、焊盘(pad)形状以及诸如通孔的孔的位置。
图5是示出由图像判断装置执行的判断印刷基板的表面中缺陷的存在/不存在的处理的流程图。
首先,在步骤S401中,图像判断装置选择包括利用缺陷代码(FCODE)指定的判断项目的判断目标的一个图像(图像303)。在步骤S402中,图像判断装置从判断目标的图像分割以预定倍率放大的图像。在这个实施例中,图像判断装置以由判断项目指定的两种类型的倍率分割图像。例如,当判断作为判断项目(缺陷类型)的“SR不均匀”的存在/不存在时,图像判断装置从256×256像素图像(图3中的图像303)分割64×64像素图像(图3中的图像404)并将分割的图像放大为256×256像素图像。同样地,图像判断装置分割128×128像素图像并将它放大为256×256像素图像。图像判断装置以这种方式生成两种类型的放大图像。
这个判断项目对应于以上缺陷类型。在这个实施例中,根据判断项目(缺陷类型)定义两种类型的倍率。
图6示出了判断项目(缺陷类型)与用于判断的两种类型的放大图像之间的关系的示例。
参考图6,如果判断项目(缺陷类型)是镀层中的异物,那么图像判断装置从256×256像素图像生成两个大小(即,64×64像素和8×8像素)的图像。如果判断项目(缺陷类型)是SR图案,那么图像判断装置从256×256像素图像生成两个大小(即,128×128像素和32×32像素)的图像。
假设判断项目是镀层中的异物。这样的缺陷往往在印刷基板的表面上的配线图案的一部分中发生。已知识别出这个异物,因为局部存在与异物周围的浓度(亮度)不同的浓度(亮度)。与此相对照,配线图案被检测为图像上具有均一浓度(亮度)的区域。因此,当图像上具有均一浓度(亮度)的相对宽的区域包括具有与宽区域的浓度(亮度)不连续地不同的浓度(亮度)的小区域时,该小区域可能是镀层中的异物。
另一方面,印刷基板中的通孔被识别为图像上具有与周围区域的浓度(亮度)不连续地不同的浓度(亮度)的小区域。然而,通孔通常是圆形的,因此可以通过指定具有与周围区域的浓度(亮度)不连续地不同的浓度(亮度)的小区域的形状来识别为通孔。
与此相对照,由于镀层中的异物具有不确定的形状,因此通过指定异物的形状并指定具有与周围区域不连续地不同的浓度(亮度)的小区域来增加能够指定镀层中的异物的存在的概率。
将如上所述的多个因素(factor)组合可以准确地识别作为判断项目的目标的存在。
通过使用首先分割的256×256像素图像来指定多个因素中的每一个的存在不总是容易的。这是因为这个图像包括印刷基板的各种特征,并且需要多个图像处理算法来从这些特征找出一个因素的存在,同时处理时间变长。与此相对照,使用通过分割并放大包括判断项目的小区域而获得的图像将使浓度(亮度)或形状的变化简单化,并且便于指定判断项目。考虑印刷基板本身的设计,每个判断项目及其周围区域在它们的特征和因素发生的地方上具有一定的倾向。由于这个原因,取决于判断项目,可以最容易捉取项目的特征的图像区域的大小(即,倍率)变化。
因此,本实施例被配置为选择以两个不同的放大倍率获得的图像(其使得图像判断装置能够对于每个判断项目最容易捉取特征),并且将图像用于图像判断。
这里将描述选择两个最佳图像的方法。
本实施例被配置为对每种缺陷类型利用图像的六个组合来执行图像判断。如图4所示,从具有256像素×256像素大小的图像生成具有128×128像素、64×64像素、32×32像素以及8×8像素大小的图像。评估与图像的六个组合相关的判断正确答案率以最终选择两个最佳图像。图像的六个组合如下:
(1)32×32像素图像和8×8像素图像;
(2)64×64像素图像和8×8像素图像;
(3)128×128像素图像和8×8像素图像;
(4)64×64像素图像和32×32像素图像;
(5)128×128像素图像和32×32像素图像;以及
(6)128×128像素图像和64×64像素图像。
然后,图像判断装置20相对于多个(预定数量)测试图像中的每一个利用图像的以上六个组合来执行图像判断。人(专家)视觉地确认判断结果的图像。人(专家)通过利用这个视觉确认的判断确认来验证图像判断的正确答案率。
图7是用于解释关于一个缺陷项目的分割大小的组合的图。
图7示出了例如两个图像(即,64×64像素图像和128×128像素图像)的判断结果以及当两个图像被组合时获得的判断结果(整体的结果)。判断结果包括“NG正确答案率”、“OK正确答案率”和“true_NG正确答案率”。每个正确答案率以百分比(%)表达。
在这种情况下,“NG正确答案率”表示由人(专家)做出的NG判断的次数中也由图像判断装置20做出的NG判断确认的次数与关于对应缺陷项目验证的测试图像的样本数量的比率,其以百分比(%)表达。“OK正确答案率”表示由人(专家)做出的OK判断的次数中也由图像判断装置20做出的OK判断确认的次数与关于对应缺陷项目验证的测试图像的样本数量的比率,其以百分比(%)表达。“True_NG正确答案率”表示由图像判断装置20和人(专家)两者做出的NG判断的次数与关于对应缺陷项目验证的测试图像的样本数量的比率,其以百分比(%)表达。
如从图7清楚看到的,通过利用具有不同倍率的两个图像的组合进行判断所获得的正确答案率高于通过利用具有某个倍率的一个图像进行判断所获得的正确答案率。
本实施例被配置为相对于上述所有六个组合执行如图7所示的判断评估。首先,从六个组合中选择整体判断中呈现出100%(或最高值)的“true_NG正确答案率”的分割大小的组合。从所选择的组合中选择整体判断中呈现出高“NG正确答案率”的分割大小的组合。从所选择的组合中选择对于每个分割大小呈现出高“true_NG正确答案率”的分割大小的组合。以这种方式在三个步骤中执行选择将选择两个最佳图像。
作为以上处理的结果,具有以下大小的图像被用于图4所示的五个缺陷项目的判断:
·镀层中的异物→32×32像素和128×128像素;
·SR图案形状→32×32像素和128×128像素;
·SR剥离→64×64像素和128×128像素;
·SR不均匀→32×32像素和64×64像素;以及
·细线图案中的SR不均匀→32×32像素和128×128像素。
注意的是,以上处理涉及由人(专家)通过视觉确认进行的验证以及通过图像判断装置20的学习单元240的学习,因此下面将描述学习。
图8是示出验证图1所示的系统的判断准确度的系统的布置的框图。与图8中相同的参考符号表示参考图1描述的相同的组成元素,并且将省略它们的描述。
参考图8,在图像判断装置20的后一级上提供判断确认装置40,以从图像判断装置20接收判断结果。然后,人(专家)视觉地确认由判断确认装置40获得的判断结果的图像。利用这个视觉确认,对每个目标图像进行分类。以上选择和评估反映在学习单元240中以使它学习它们。学习单元240根据放大倍率的哪个组合呈现出最高的正确答案率来定义放大倍率。因此,当指明判断项目(缺陷类型)时,学习单元240自动地输出两个放大倍率作为学习结果。
如上所述,对于每个判断项目改变分割大小的组合能够提高正确答案率。
返回参考图5的流程图,在步骤S403中,这两种类型的放大图像被输入到学习的模型。
在步骤S404中,如果相对于来自学习模型的输出结果关于判断项目判断具有两个大小的两个图像都不是缺陷图像(OK),那么处理前进到步骤S405以相对于判断项目判断“图像不是缺陷图像”。与此相对照,如果相对于判断项目判断具有两个大小的图像中的至少一个具有缺陷(NG),那么处理前进到步骤S406以相对于判断项目判断“图像是缺陷图像”。在步骤S407中,判断目标图像被分配有指示NG图像的标签,并且被存储在第三存储单元213中。这样的判断将被称为所谓的整体判断。
对于多个判断项目中的每一个执行以上处理获得任何一个判断结果,即,对于每个判断项目,“图像不是缺陷图像(OK)”或“图像是缺陷图像(NG)”。在这个实施例中,检查印刷基板,因此基于多个判断项目中的每一个的判断结果来判断印刷基板的检查结果(良好或不良)。例如,如果多个判断项目中的至少一个被判断为不良,那么印刷基板被判断为不良。
图9是示出学习印刷基板的检查步骤中的检查过程和检查结果的处理的流程图。
在步骤S501中,检查印刷基板以核查判断缺陷的图像的存在/不存在。更具体地,如上所述,判断通过使用缺陷检测单元12捕获印刷基板的表面的图像而获得的图像是否是应当判断缺陷的图像。如果判断获得的图像是应当判断缺陷的图像,那么判断判断项目(缺陷类型)。对预定数量的印刷基板执行这样的检查。
随后,在步骤S502中,图像判断装置20对通过捕获被判断为具有缺陷的印刷基板的图像而获得的图像执行判断处理。判断确认装置40验证判断结果,以确认当由人(专家)查看时判断是OK(正确答案)还是NG(错误答案)。这验证了什么判断过程已将图像判断引导到OK(正确答案)。因此,使学习单元240学习这个判断过程。
这个学习结果揭示了,对于每个判断项目判断分割大小的组合提高了正确答案率。因此,在学习之后,具有根据判断项目(缺陷类型)反映学习结果的最佳放大倍率的图像被用于比较。
因此,根据以上实施例,可以提高判断准确度,并且能够减少通过人眼判断为不具有缺陷的图像被图像判断装置判断为具有缺陷(错误信息)的判断的次数。这可以减少要视觉地识别的图像的数量,并且极大地减少了识别工作。
根据上述实施例,通过将对于每个缺陷项目(缺陷类型)具有不同放大倍率的两个图像与基于OK判断基准数据的图像和基于NG判断基准数据的图像进行比较来判断缺陷的存在/不存在。然而,本发明不限于此。例如,可以将具有不同放大倍率的三个或更多个图像与基准图像进行比较。
在这种情况下,当使用奇数个(三个或更多个)放大图像时,可以使用多数决原则来对于每个判断项目最终判断是存在缺陷(NG)还是不存在缺陷(OK)。假设使用偶数个(四个或更多个)放大图像。在这种情况下,当使用多数决原则时,判断存在缺陷(NG)的次数可能等于判断不存在缺陷(OK)的次数,从而导致未能做出最终判断。因此,如果以上数量彼此相等,那么应当最终判断存在缺陷(NG)。
还能够通过对从具有不同放大倍率的两个或更多个放大图像中的每一个获得的判断结果进行加权来获得判断结果。假设使用两个图像,并且从一个图像和另一个图像获得的结果分别被用0.7和0.3加权。在这种情况下,当从权重为0.7的图像获得的判断结果为OK时,即使从权重为0.3的图像获得的判断结果为NG,最终判断也为OK。
尽管图1所示的系统包括作为分立布置的图像获取装置10和图像判断装置20,但是该系统可以使用具有通过将两个装置集成而获得的单体布置的装置。
上述基准图像305的大小,即,作为判断目标(比较目标)的图像的大小不限于256像素×256像素,并且可以是另一个大小。例如,大小可以是224像素×224像素。
参考图2A描述的缺陷检测单元12可以保持CAD数据作为基准图像数据,并将CAD数据与从图像捕获装置30接收的图像数据进行比较。尽管已通过例示印刷检查描述了被配置为相对于多个判断项目来判断被估计具有缺陷的图像的实施例,但是取决于检查的内容可以相对于一个判断项目来判断图像。
在执行参考图7描述的图像选择时,这个操作不限于上述3步选择。例如,当对短时间段内的选择的执行给予优先时,可以执行2步选择或1步选择。假设执行2步选择。在这种情况下,在整体判断中呈现出100%(或最高值)的“true_NG正确答案率”的分割大小的组合的选择之后,从所选择的组合中选择在整体判断中呈现出高“NG正确答案率”的分割大小的组合。假设执行1步选择。在这种情况下,例如,选择在整体判断中呈现出100%(或最高值)的“true_NG正确答案率”的分割大小的组合。可替代地,可以对每个分割大小选择呈现出高“true_NG正确答案率”的分割大小的组合。另外,可以根据判断准确度、判断所需的时间等对每个判断项目选择3步选择、2步选择和1步选择中的任何一个。
此外,以上实施例已例示了作为“基板”的半导体基板或印刷基板。然而,该实施例可以应用于具有在单表面或双表面(其中表面层被保护膜覆盖)上形成的配线的柔性印刷电路(FPC)。
<其它实施例>
本发明的实施例还可以通过读出并执行记录在存储介质(其也可以被更完整地称为‘非暂态计算机可读存储介质’)上的计算机可执行指令(例如,一个或多个程序)以执行上述实施例中的一个或多个的功能和/或包括用于执行上述实施例中的一个或多个的功能的一个或多个电路(例如,专用集成电路(ASIC))的系统或装置的计算机、以及通过由系统或装置的计算机通过例如读出并执行来自存储介质的计算机可执行指令以执行上述实施例中的一个或多个的功能和/或控制一个或多个电路以执行上述实施例中的一个或多个的功能而执行的方法来实现。计算机可以包括一个或多个处理器(例如,中央处理单元(CPU)、微处理单元(MPU)),并且可以包括单独的计算机或单独的处理器的网络,以读出并执行计算机可执行指令。计算机可执行指令可以例如从网络或存储介质提供给计算机。存储介质可以包括例如硬盘、随机存取存储器(RAM)、只读存储器(ROM)、分布式计算系统的存储设备、光盘(诸如紧凑盘(CD)、数字多功能盘(DVD)或蓝光盘(BD)TM)、闪速存储器设备、存储卡等中的一个或多个。
本发明的实施例还可以通过如下的方法来实现,即,通过网络或者各种存储介质将执行上述实施例的功能的软件(程序)提供给系统或装置,该系统或装置的计算机或是中央处理单元(CPU)、微处理单元(MPU)读出并执行程序的方法。
虽然已参考示例性实施例描述了本发明,但是要理解的是,本发明不限于所公开的示例性实施例。以下权利要求的范围要被赋予最广泛的解释,以便涵盖所有这样的修改以及等同的结构和功能。
Claims (20)
1.一种通过使用多个判断项目来判断图像的质量的图像判断装置,所述装置包括:
判断模型,所述判断模型被配置为基于第一数据和第二数据来学习所述多个判断项目中的每一个,所述第一数据与作为判断良好的基准的图像对应,所述第二数据与作为判断不良的基准的图像对应;
设置单元,所述设置单元被配置为对所述多个判断项目中的每一个设置多个倍率;
生成单元,所述生成单元被配置为分割图像的一部分并且从分割的图像以由所述设置单元设置的所述多个倍率生成图像数据;以及
判断单元,所述判断单元被配置为将由所述生成单元生成的、与所述多个倍率中的每一个对应的图像数据输入到所述判断模型,并且基于来自所述判断模型的输出结果、相对于所述多个判断项目中的每一个判断所述图像的质量是良好还是不良。
2.根据权利要求1所述的装置,其中由所述设置单元设置的所述多个倍率基于通过对关于多个图像由所述判断单元获得的判断结果进行验证而获得的验证结果来定义。
3.根据权利要求2所述的装置,还包括学习单元,所述学习单元被配置为学习所述验证结果并且将所述验证结果反映在所述判断单元的判断中。
4.根据权利要求1所述的装置,其中如果所述多个倍率是作为两个不同倍率的第一倍率和第二倍率、并且关于具有所述第一倍率的图像数据由所述判断模型获得的输出结果和关于具有所述第二倍率的图像数据由所述判断模型获得的输出结果都为良好,那么所述判断单元将所述图像的质量判断为良好,并且如果关于具有所述第一倍率的图像数据由所述判断模型获得的输出结果和关于具有所述第二倍率的图像数据由所述判断模型获得的输出结果中的任一个为不良,那么所述判断单元将所述图像的质量判断为不良。
5.根据权利要求1所述的装置,其中所述图像通过使图像捕获装置捕获检查目标的图像来获取。
6.根据权利要求5所述的装置,其中与由所述图像捕获装置获取的图像对应的图像数据和与对应于所述图像的基准图像对应的图像数据预先进行比较,以从所述比较指定作为判断目标的所述图像中作为检查目标的位置以及所述位置处的判断项目。
7.根据权利要求6所述的装置,其中所述分割的图像基于指定的位置从所述图像获取。
8.根据权利要求6所述的装置,其中所述设置单元根据指定的判断项目设置所述多个倍率。
9.根据权利要求5所述的装置,其中所述检查目标包括印刷基板、玻璃基板、半导体基板、以及提供有用作喷墨打印头的头芯片的打印元件和配线的头基板。
10.根据权利要求9所述的装置,其中所述多个判断项目包括印刷基板上的镀层中异物的存在/不存在、SR图案的形状、SR剥离、SR不均匀、通孔的位置、细线图案、镀层剥离、焊盘的形状、以及镀层颜色。
11.一种通过使用多个判断项目来判断图像的质量的图像判断装置中的图像判断方法,所述方法包括:
在存储器中存储判断模型,所述判断模型被配置为基于第一数据和第二数据来学习所述多个判断项目中的每一个,所述第一数据与作为判断良好的基准的图像对应,所述第二数据与作为判断不良的基准的图像对应;
对所述多个判断项目中的每一个设置多个倍率;
分割图像的一部分并且从分割的图像以所述多个倍率生成图像数据;以及
将生成的与所述多个倍率中的每一个对应的图像数据输入到所述判断模型,并且基于来自所述判断模型的输出结果、相对于所述多个判断项目中的每一个判断所述图像的质量是良好还是不良。
12.根据权利要求11所述的方法,其中所述多个设置的倍率基于通过对关于多个图像的判断结果进行验证而获得的验证结果来定义。
13.根据权利要求12所述的方法,还包括学习所述验证结果并且将所述验证结果反映在所述判断中。
14.根据权利要求11所述的方法,其中在所述判断中,如果所述多个倍率是作为两个不同倍率的第一倍率和第二倍率、并且关于具有所述第一倍率的图像数据由所述判断模型获得的输出结果和关于具有所述第二倍率的图像数据由所述判断模型获得的输出结果都为良好,那么将所述图像的质量判断为良好,并且如果关于具有所述第一倍率的图像数据由所述判断模型获得的输出结果和关于具有所述第二倍率的图像数据由所述判断模型获得的输出结果中的任一个为不良,那么将所述图像的质量判断为不良。
15.根据权利要求11所述的方法,其中所述图像通过使图像捕获装置捕获检查目标的图像来获取。
16.根据权利要求15所述的方法,其中与由所述图像捕获装置获取的图像对应的图像数据和与对应于所述图像的基准图像对应的图像数据预先进行比较,以从所述比较指定作为判断目标的所述图像中作为检查目标的位置以及所述位置处的判断项目。
17.根据权利要求16所述的方法,其中所述分割的图像基于指定的位置从所述图像获取。
18.根据权利要求16所述的方法,其中在所述设置中,根据指定的判断项目设置所述多个倍率。
19.根据权利要求15所述的方法,其中所述检查目标包括印刷基板、玻璃基板、半导体基板、以及提供有用作喷墨打印头的头芯片的打印元件和配线的头基板。
20.根据权利要求19所述的方法,其中所述多个判断项目包括印刷基板上的镀层中异物的存在/不存在、SR图案的形状、SR剥离、SR不均匀、通孔的位置、细线图案、镀层剥离、焊盘的形状、以及镀层颜色。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019176045A JP2021056004A (ja) | 2019-09-26 | 2019-09-26 | 画像判定装置及び画像判定方法 |
JP2019-176045 | 2019-09-26 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112561852A true CN112561852A (zh) | 2021-03-26 |
Family
ID=75041201
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011026348.XA Pending CN112561852A (zh) | 2019-09-26 | 2020-09-25 | 图像判断装置和图像判断方法 |
Country Status (3)
Country | Link |
---|---|
US (1) | US11830232B2 (zh) |
JP (1) | JP2021056004A (zh) |
CN (1) | CN112561852A (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7256139B2 (ja) * | 2020-02-13 | 2023-04-11 | 富士フイルム株式会社 | 印刷物の欠陥検査装置、欠陥検査方法及びプログラム、並びに印刷システム |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101231697A (zh) * | 2007-01-24 | 2008-07-30 | 三星电子株式会社 | 在图像编码和/或解码系统中分割图像的设备和方法 |
US20090202124A1 (en) * | 2006-10-11 | 2009-08-13 | Olympus Corporation | Image processing apparatus, image processing method, and computer program product |
CN102687006A (zh) * | 2010-01-04 | 2012-09-19 | 日本电气株式会社 | 图像诊断方法、图像诊断装置及图像诊断程序 |
CN103544691A (zh) * | 2012-07-19 | 2014-01-29 | 苏州比特速浪电子科技有限公司 | 图像处理方法及设备 |
CN106096654A (zh) * | 2016-06-13 | 2016-11-09 | 南京信息工程大学 | 一种基于深度学习和结合策略的细胞异型性自动分级方法 |
CN108492326A (zh) * | 2018-01-31 | 2018-09-04 | 北京大学深圳研究生院 | 分辨率从低到高的逐渐精细化的立体匹配方法及系统 |
CN108513711A (zh) * | 2016-12-28 | 2018-09-07 | 索尼半导体解决方案公司 | 图像处理装置、图像处理方法和图像处理系统 |
CN109145941A (zh) * | 2018-07-03 | 2019-01-04 | 怀光智能科技(武汉)有限公司 | 一种非规则宫颈细胞团图像分类方法及系统 |
CN110059555A (zh) * | 2019-03-14 | 2019-07-26 | 中国人民解放军战略支援部队信息工程大学 | 基于多分辨谱图分水岭图像分割及决策树的信号调制分类识别方法及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6472621B2 (ja) | 2014-08-12 | 2019-02-20 | 株式会社Screenホールディングス | 分類器構築方法、画像分類方法および画像分類装置 |
-
2019
- 2019-09-26 JP JP2019176045A patent/JP2021056004A/ja active Pending
-
2020
- 2020-09-16 US US17/022,361 patent/US11830232B2/en active Active
- 2020-09-25 CN CN202011026348.XA patent/CN112561852A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090202124A1 (en) * | 2006-10-11 | 2009-08-13 | Olympus Corporation | Image processing apparatus, image processing method, and computer program product |
CN101231697A (zh) * | 2007-01-24 | 2008-07-30 | 三星电子株式会社 | 在图像编码和/或解码系统中分割图像的设备和方法 |
CN102687006A (zh) * | 2010-01-04 | 2012-09-19 | 日本电气株式会社 | 图像诊断方法、图像诊断装置及图像诊断程序 |
CN103544691A (zh) * | 2012-07-19 | 2014-01-29 | 苏州比特速浪电子科技有限公司 | 图像处理方法及设备 |
CN106096654A (zh) * | 2016-06-13 | 2016-11-09 | 南京信息工程大学 | 一种基于深度学习和结合策略的细胞异型性自动分级方法 |
CN108513711A (zh) * | 2016-12-28 | 2018-09-07 | 索尼半导体解决方案公司 | 图像处理装置、图像处理方法和图像处理系统 |
CN108492326A (zh) * | 2018-01-31 | 2018-09-04 | 北京大学深圳研究生院 | 分辨率从低到高的逐渐精细化的立体匹配方法及系统 |
CN109145941A (zh) * | 2018-07-03 | 2019-01-04 | 怀光智能科技(武汉)有限公司 | 一种非规则宫颈细胞团图像分类方法及系统 |
CN110059555A (zh) * | 2019-03-14 | 2019-07-26 | 中国人民解放军战略支援部队信息工程大学 | 基于多分辨谱图分水岭图像分割及决策树的信号调制分类识别方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
US11830232B2 (en) | 2023-11-28 |
US20210099610A1 (en) | 2021-04-01 |
JP2021056004A (ja) | 2021-04-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7087397B2 (ja) | 基板の欠陥検査装置、基板の欠陥検査方法及び記憶媒体 | |
US8582864B2 (en) | Fault inspection method | |
US20060133660A1 (en) | Apparatus and method for detecting defect existing in pattern on object | |
CZ20024260A3 (cs) | Systém zpracování zobrazení pro použití v systému kontroly | |
JP4617970B2 (ja) | 欠陥検査装置及び欠陥検査方法 | |
JP4521386B2 (ja) | 欠陥データ解析方法およびその装置 | |
JP6113024B2 (ja) | 分類器取得方法、欠陥分類方法、欠陥分類装置およびプログラム | |
KR100598381B1 (ko) | 인-라인 타입의 자동 웨이퍼결함 분류장치 및 그 제어방법 | |
JP2005529388A (ja) | パターン検査方法 | |
JP2006098151A (ja) | パターン検査装置およびパターン検査方法 | |
JP7054436B2 (ja) | 検出システム、情報処理装置、評価方法及びプログラム | |
CN113240673B (zh) | 缺陷检测方法、装置、电子设备及存储介质 | |
JP2014137284A (ja) | 教師データ作成支援装置、教師データ作成装置、画像分類装置、教師データ作成支援方法、教師データ作成方法および画像分類方法 | |
JP2010071826A (ja) | 教師データ作成方法、並びに、画像分類方法および画像分類装置 | |
CN112561852A (zh) | 图像判断装置和图像判断方法 | |
JP2006085616A (ja) | 画像処理アルゴリズム評価方法および装置、画像処理アルゴリズム生成方法および装置、プログラムならびにプログラム記録媒体 | |
JP2010091401A (ja) | 教師データ作成支援方法、並びに、画像分類方法および画像分類装置 | |
KR20230126163A (ko) | 교사 데이터 생성 장치, 교사 데이터 생성 방법 및 기록 매체에 기록된 프로그램 | |
JP4599980B2 (ja) | 多層配線構造の不良解析方法および不良解析装置 | |
JP2001099625A (ja) | パターン検査装置およびパターン検査方法 | |
JP2021047104A (ja) | 学習装置、検査装置、学習方法および検査方法 | |
JP5464986B2 (ja) | 良否判定装置、良否判定方法および良否判定プログラム | |
JP2020085470A (ja) | 気泡検出装置、方法、及びプログラム | |
TWI837934B (zh) | 檢查系統、訓練資料生成裝置、訓練資料生成方法以及程式 | |
TW202338745A (zh) | 檢查系統、教師資料生成裝置、教師資料生成方法以及程式 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |