CN115508398A - 试样观察装置以及方法 - Google Patents

Abstract

本发明提供一种试样观察装置以及方法，关于试样观察装置，提供用户能够简单地提高缺陷检测相关的精度的技术。试样观察装置在试样观察处理之前进行的学习处理中，按由缺陷位置信息表示的缺陷位置，取得第一拍摄条件下的学习用低画质图像，根据拍摄张数的设定值，决定与每个缺陷位置的学习用低画质图像对应起来的多个学习用高画质图像的拍摄张数和多个拍摄点，取得第二拍摄条件下的多个学习用高画质图像，使用学习用低画质图像和多个学习用高画质图像，学习高画质图像推定模型，使用高画质图像推定模型，调整试样观察处理的缺陷检测相关的参数。

Description

试样观察装置以及方法

技术领域

本发明涉及试样观察技术，例如涉及具有对半导体晶片等试样中的缺陷、异常等(有时统称为缺陷)和电路图案等进行观察的功能的装置等。

背景技术

例如在半导体晶片的制造中，为了确保收益，迅速地启动制造工艺，尽早地转移到高成品率的量产体制是重要的。为了该目的，在制造生产线中导入了各种检查装置、观察装置以及测量装置等。作为试样的半导体晶片例如在检查装置中进行缺陷的检查，表示半导体晶片的面上的缺陷的位置的坐标信息作为缺陷位置信息从检查装置输出。试样观察装置根据该缺陷位置信息，以高分辨率拍摄作为对象的半导体晶片中的缺陷的位置、部位。作为试样观察装置，例如使用利用了扫描型电子显微镜(Scanning Electron Microscope：SEM)的观察装置(也称为复查SEM)。

基于复查SEM的观察作业在半导体晶片的量产生产线中期望自动化。为了实现该自动化，包含复查SEM的系统具有自动缺陷复查(Automatic Defect Review：ADR)功能和自动缺陷分类(Automatic Defect Classification：ADC)功能。ADR功能是进行自动收集试样内的缺陷位置处的图像的缺陷图像自动收集处理的功能。ADC功能是进行根据收集到的缺陷图像自动对缺陷进行分类的缺陷图像自动分类处理的功能。

在从检查装置供给的缺陷位置信息的缺陷坐标中包含误差。因此，复查SEM在ADR功能中，以缺陷位置信息的缺陷坐标为中心，首先在第一拍摄条件下以宽视野和低倍率进行拍摄，从由此得到的图像(换言之，低画质图像)再检测缺陷。复查SEM在ADR功能中，在第二拍摄条件下以窄视野和高倍率拍摄通过该再检测而得到的缺陷部位，将由此得到的图像(换言之，高画质图像)作为观察用图像而输出。这样，有在第一阶段以宽视野的图像搜索缺陷，在第二阶段以高画质的图像详细地观察缺陷这样的通过2阶段的图像进行观察的方法。此外，上述画质等的高低是相对的定义，是与拍摄条件对应的画质等，例如意味着第二拍摄条件下的倍率比第一拍摄条件下的倍率高。画质(图像品质)的概念包含倍率、分辨率、信噪比等。

作为根据由上述试样观察装置拍摄到的图像(也记载为检查图像)来判定和检测缺陷的方法，有以下方法。该方法将对与缺陷部位相同的形成有电路图案的区域进行拍摄而得的图像作为参照图像，将对缺陷部位进行拍摄而得的检查图像与不包含缺陷的参照图像进行比较，由此，对缺陷进行判定和检测。另外，在日本特开2009-250645号公报(专利文献1)中记载了如下方法：通过使用检查图像来合成参照图像，从而省略参照图像的拍摄。

在ADR功能中，需要根据形成于半导体晶片的图案的外观来调整缺陷检测相关的处理参数。作为自动调整该处理参数的方法，有搜索能够检测由用户预先示教的缺陷部位的处理参数的方法。另外，有使用拍摄缺陷部位而得的检查图像和多张参照图像，搜索能够高精度地辨别缺陷和妨碍的处理参数的方法。

另外，为了提高ADR功能的吞吐量，有通过推定高分辨率的图像来省略拍摄的方法。在该方法中，首先得到以宽视野拍摄而得的检查图像和以高倍率拍摄而得的高画质图像，通过学习它们的关系性来制作模型。并且，在该方法中，在执行ADR时，仅拍摄检查图像，使用学习完成模型，推定作为高画质图像的观察用图像。

例如在半导体器件制造中，为了提高器件性能、削减制造成本，持续进行提高集成密度的尝试，正在推进形成于半导体晶片上的电路图案尺寸的微细化。与此相伴，对器件的动作致命的缺陷的尺寸也有微小化的趋势。因此，在复查SEM的ADR功能中，也要求得到高画质图像作为能够视觉辨认微小的缺陷的观察用图像。因此，作为与复查SEM的ADR功能等相关的现有技术，有使用机器学习从低画质的检查图像推定并得到高画质的观察用图像的方法。

然而，使用该方法的现有技术在精度的观点上存在改善余地。在该方法中，在缺陷检测相关的处理参数的调整前进行用于从低画质的检查图像推定高画质的观察用图像的模型的学习。在该方法中，使用该调整前的初始设定(默认)的处理参数，取得学习用的检查图像和高画质图像。该情况下，检查图像中存在的缺陷可能不会映入到高画质图像中。因此，模型的精度降低，无法进行高精度的推定。

专利文献1：日本特开2009-250645号公报

发明内容

本发明的目的在于，关于试样观察装置的技术，提供用户能够简单地提高缺陷检测相关的精度的技术。

本发明中的代表性的实施方式具有以下所示的结构。实施方式的试样观察装置具有：拍摄装置；以及处理器，其执行学习高画质图像推定模型的学习处理和进行缺陷检测的试样观察处理，在(A)所述学习处理中，(A1)取得与学习用试样相关的1个以上的学习用缺陷位置，(A2)按所述学习用缺陷位置，取得第一拍摄条件下的学习用低画质图像，(A3)取得学习用高画质图像的拍摄张数相关的第一设定值，(A4)按所述学习用缺陷位置，(A4a)根据所述第一设定值，决定所述学习用高画质图像的拍摄张数，(A4b)根据在(A4a)中决定出的拍摄张数，决定拍摄所述学习用高画质图像的位置即1个以上的拍摄点，(A4c)针对在(A4b)中决定出的1个以上的所述拍摄点的每一个，取得第二拍摄条件下的所述学习用高画质图像，(A5)使用所述学习用低画质图像以及所述学习用高画质图像，学习所述高画质图像推定模型，(A6)使用所述高画质图像推定模型，调整缺陷检测参数，在(B)所述试样观察处理中，根据调整后的所述缺陷检测参数，(B1)在所述第一拍摄条件下，取得观察对象试样的缺陷位置的第一检查图像，(B2)根据所述第一检查图像，检测所述观察对象试样的缺陷候补。

根据本发明中的代表性的实施方式，关于试样观察装置的技术，用户能够简单地提高缺陷检测相关的精度。关于上述以外的课题、结构以及效果等，在用于实施发明的方式中表示。

附图说明

图1是表示本发明的实施方式1的试样观察装置的结构的图。

图2是表示实施方式1中的上位控制装置的功能块结构的图。

图3是实施方式1中从斜上方向观察SEM的检测器的配置的图。

图4是实施方式1中从z轴方向观察SEM的检测器的配置的图。

图5是实施方式1中从y轴方向观察SEM的检测器的配置的图。

图6是示意性地表示检查装置的缺陷位置信息所表示的半导体晶片面上的缺陷坐标的例子的说明图。

图7是表示实施方式1的试样观察装置的整体处理的流程图。

图8是实施方式1中与缺陷检测的步骤S707相关的说明图。

图9是实施方式1中图像取得的步骤S702的流程图。

图10是表示实施方式1中与拍摄张数决定相关的画面例的图。

图11是实施方式1中拍摄点决定的步骤S905的流程图。

图12是实施方式1中与拍摄点决定处理相关的说明图。

图13是表示实施方式1中高画质图像推定模型的结构例的说明图。

图14是实施方式1中参数调整的步骤S704的流程图。

图15是实施方式1中与高画质检查图像的取得处理相关的说明图。

图16是表示实施方式1中的高画质检查图像的推定处理的例子的示意图。

图17是表示实施方式1中的高画质参照图像的推定处理的例子的示意图。

图18是表示实施方式1中的高画质参照图像的合成处理的例子的示意图。

图19是表示实施方式1中与图像取得相关的画面例的图。

图20是表示实施方式1中与模型学习以及参数调整相关的画面例的图。

图21是表示实施方式2中的上位控制装置的功能块结构的图。

图22是表示实施方式2中试样观察装置的整体处理的流程图。

图23是实施方式2中图像取得的步骤S2102的流程图。

图24是表示实施方式3中的上位控制装置的功能块结构的图。

图25是表示实施方式3中试样观察装置的整体处理的流程图。

图26是实施方式3中图像取得的步骤S2502的流程图。

图27是实施方式3中与拍摄点决定处理相关的说明图。

图28是表示实施方式3中模型的结构例的说明图。

图29是实施方式3中参数调整的步骤S2504的流程图。

符号说明

1…试样观察装置(复查SEM)、2…拍摄装置、3…上位控制装置(计算机系统)、4…存储介质装置、5…缺陷分类装置、6…输入输出终端、7…检查装置、8…缺陷位置信息、9…试样(半导体晶片)、101…SEM、101…控制部。

具体实施方式

以下，一边参照附图一边对本发明的实施方式进行详细说明。在附图中，原则上对相同的部分标注相同的符号，并省略重复的说明。在附图中，为了容易理解发明，各构成要素的表现有时不表示实际的位置、大小、形状以及范围等。在说明上，在对基于程序的处理进行说明的情况下，有时以程序、功能、处理部等为主体进行说明，但作为针对它们的硬件的主体是处理器、或者由该处理器等构成的控制器、装置、计算机、系统等。计算机通过处理器一边适当地使用存储器、通信接口等资源，一边执行按照读出到存储器上的程序的处理。由此，实现预定的功能、处理部等。处理器例如由CPU、GPU等半导体器件等构成。处理器由能够进行预定的运算的器件、电路构成。处理不限于软件程序处理，也能够由专用电路实施。专用电路能够应用FPGA、ASIC、CPLD等。程序可以作为数据预先安装在对象计算机中，也可以作为数据从程序源向对象计算机分发并安装。程序源可以是通信网上的程序分发服务器，也可以是非暂时性的计算机可读取的存储介质(例如存储卡)等。程序也可以由多个模块构成。计算机系统不限于1台装置，也可以由多台装置构成。计算机系统也可以由客户端服务器系统、云计算系统、IoT系统等构成。各种数据、信息例如由表、列表等构造构成，但并不限定于此。识别信息、标识符、ID、名称、编号等表现能够相互置换。

<实施方式>

实施方式的试样观察装置是对形成于半导体晶片等试样的电路图案、缺陷进行观察的装置。试样观察装置具有：检查图像取得部，其按检查装置制作和输出的缺陷位置信息的缺陷位置，在第一拍摄条件下取得检查图像(换言之，低画质图像)；高画质图像取得部，其按缺陷位置，在第二拍摄条件下取得多个高画质图像；缺陷检测部，其使用检查图像来计算缺陷候补的位置和特征量；模型学习部，其学习模型(高画质图像推定模型)，所述模型使用检查图像和高画质图像，根据在第一拍摄条件下取得的图像来推定在第二拍摄条件下取得的图像；以及参数调整部，其使用该模型来调整缺陷检测部的缺陷检测处理相关的参数。

实施方式的试样观察方法是具有在实施方式的试样观察装置中执行的步骤的方法，具有与上述各部对应起来的步骤。试样观察装置中的处理、对应的步骤大致有试样观察处理(换言之，缺陷检测处理等)和学习处理。学习处理是与在试样观察处理中使用的图像对应地进行基于机器学习的模型学习，调整试样观察处理相关的参数的处理。

以下，作为试样观察装置，以将半导体晶片作为试样来观察半导体晶片的缺陷等的装置为例进行说明。该试样观察装置具有根据来自缺陷检查装置的缺陷位置信息的缺陷坐标来拍摄试样的拍摄装置。以下，对使用SEM作为拍摄装置的例子进行说明。拍摄装置不限于SEM，也可以是SEM以外的装置，例如使用了离子等带电粒子的拍摄装置。

<实施方式1>

使用图1～图20，对实施方式1的试样观察装置等进行说明。在比较例的试样观察装置中，在试样缺陷观察用的ADR处理相关的处理参数的调整前，收集高画质图像推定模型的学习用的高画质图像。在该结构中，有时在高画质图像中未映入缺陷，该情况下，模型的精度降低。因此，实施方式1的试样观察装置(例如图2)具有高画质图像取得部206。高画质图像取得部206具有：拍摄张数决定部207，其决定高画质图像的拍摄张数；拍摄点决定部208，其根据由缺陷检测部215计算出的缺陷候补的位置和特征量以及拍摄张数，决定高画质图像的多个拍摄点；以及高画质图像拍摄部209，其按决定出的多个拍摄点的每个拍摄点，拍摄第二拍摄条件下的高画质图像。由此，能够提高模型的精度，通过使用了模型的参数的调整，能够提高试样缺陷观察的精度。

在实施方式1中，ADR功能的缺陷检测处理(后述的图7的步骤S707)使用一般的图像处理(即，基于检查图像与参照图像的比较的差分的判定等)来实现。在实施方式1中，为了调整该缺陷检测处理用的参数(步骤S704)，使用机器学习(步骤S703)。此外，如上所述，在2个阶段的图像中，画质等高低的关系是相对的定义。另外，规定该画质等的拍摄条件(换言之，画质条件)不限于实际由拍摄装置进行拍摄的情况，设为在通过处理来制作图像的情况下也适用的条件。

[1-1.试样观察装置]

图1表示实施方式1的试样观察装置1的结构。试样观察装置1大致具有拍摄装置2和上位控制装置3而构成。试样观察装置1作为具体例是复查SEM。拍摄装置2作为具体例是SEM101。拍摄装置2与上位控制装置3结合。上位控制装置3是控制拍摄装置2等的装置，换言之，是计算机系统。试样观察装置1等具有必要的功能块、各种设备，但在附图中图示了包含必须的要素的一部分。包含图1的试样观察装置1的整体换言之构成为缺陷检查系统。上位控制装置3与存储介质装置4、输入输出终端6连接，经由网络与缺陷分类装置5、检查装置7等连接。

试样观察装置1是具有自动缺陷复查(ADR)功能的装置或系统。在本例中，预先制作缺陷位置信息8作为在外部的检查装置7中检查试样的结果，将从检查装置7输出和提供的该缺陷位置信息8预先储存在存储介质装置4中。上位控制装置3在缺陷观察相关的ADR处理时，从存储介质装置4读出并参照该缺陷位置信息8。作为拍摄装置2的SEM101拍摄作为试样9的半导体晶片的图像。试样观察装置1根据由拍摄装置2拍摄到的图像，进行ADR处理而得到多个高画质检查图像。

缺陷分类装置5(换言之，缺陷图像分类装置)是具有自动缺陷分类(ADC)功能的装置或系统，根据试样观察装置1的使用了ADR功能的缺陷观察处理结果的信息和数据，进行ADC处理，得到对缺陷(对应的缺陷图像)进行分类的结果。缺陷分类装置5将分类的结果的信息和数据供给到例如与网络连接的未图示的其他装置。此外，不限于图1的结构，也能够是在试样观察装置1中合并了缺陷分类装置5的结构等。

上位控制装置3具有：控制部102、存储部103、运算部104、外部存储介质输入输出部105(换言之，输入输出接口部)、用户接口控制部106以及网络接口部107等。这些构成要素与总线114连接，能够相互进行通信、输入输出。此外，在图1的例子中，表示上位控制装置3由1个计算机系统构成的情况，但上位控制装置3也可以由多个计算机系统(例如多个服务器装置)等构成。

控制部102相当于控制试样观察装置1的整体的控制器。存储部103存储包含程序的各种信息、数据，例如由具有磁盘、半导体存储器等的存储介质装置构成。运算部104按照从存储部103读出的程序进行运算。控制部102、运算部104具有处理器、存储器。外部存储介质输入输出部(换言之，输入输出接口部)105在与外部的存储介质装置4之间进行数据的输入输出。

用户接口控制部106是提供和控制包含用于在与用户(换言之，操作员)之间进行信息和数据的输入输出的图形用户接口(GUI)的用户接口的部分。用户接口控制部106与输入输出终端6连接。用户接口控制部106可以与其他输入设备或输出设备(例如，显示设备)连接。网络接口部107经由网络(例如LAN)与缺陷分类装置5、检查装置7等连接。网络接口部107是具有经由网络控制与缺陷分类装置5等外部装置之间的通信的通信接口的部分。外部装置的其他例子列举出DB服务器、MES(制造执行系统)等。

用户使用输入输出终端6对试样观察装置1(特别是上位控制装置3)输入信息(例如指示、设定)，确认从试样观察装置1输出的信息。输入输出终端6例如能够应用PC，具有键盘、鼠标、显示器等。输入输出终端6也可以是与网络连接的客户端计算机。用户接口控制部106制作后述的GUI的画面，使输入输出终端6的显示设备进行显示。

运算部104例如由CPU、ROM以及RAM等构成，按照从存储部103读出的程序进行动作。控制部102例如由硬件电路或CPU等构成。在控制部102由CPU等构成的情况下，控制部102也按照从存储部103读出的程序进行动作。控制部102例如根据程序处理来实现各功能(后述的各功能块)。程序等数据经由外部存储介质输入输出部105从存储介质装置4供给和储存到存储部103中。或者，程序等数据也可以经由网络接口部107从网络供给和储存到存储部103中。

构成拍摄装置2的SEM101具有：工作台109、电子源110、检测器111、未图示的电子透镜以及偏转器112等。工作台109(换言之，试样台)是载置作为试样9的半导体晶片且至少能够在水平方向上移动的工作台。电子源110是用于向试样9照射电子束的电子源。未图示的电子透镜使电子束会聚在试样9面上。偏转器112是用于在试样9上扫描电子束的偏转器。检测器111检测从试样9产生的二次电子、反射电子等电子或粒子。换言之，检测器111将试样9面的状态检测为图像。在本例中，作为检测器111，如图所示具有多个检测器(后述)。

由SEM101的检测器111检测出的信息(换言之，图像信号)供给到上位控制装置3的总线114。该信息由运算部104等处理。在本例中，上位控制装置3控制SEM101的工作台109、偏转器112以及检测器111等。此外，针对驱动工作台109等用的驱动电路等省略图示。通过作为上位控制装置3的计算机系统对来自SEM101的信息(换言之，图像)进行处理来实现针对试样9的缺陷观察处理。

本系统也可以设为以下那样的方式。上位控制装置3设为云计算系统等的服务器，用户操作的输入输出终端6设为客户端计算机。例如，在机器学习中要求较多的计算机资源的情况下，也可以在云计算系统等的服务器组中进行机器学习处理。也可以在服务器组与客户端计算机之间分担处理功能。用户操作客户端计算机，客户端计算机对服务器发送请求。服务器接收请求，进行与请求对应的处理。例如，服务器将所请求的画面(例如Web页面)的数据作为响应发送到客户端计算机。客户端计算机接收该响应的数据，在显示设备的显示画面中显示画面(例如Web页面)。

[1-2.功能块]

图2表示实施方式1中由图1的上位控制装置3的控制部102、存储部103以及运算部104实现的功能块结构例。在控制部102以及运算部104中，根据程序处理，构成图2那样的各功能块，在存储部103中构成图2那样的各存储部。控制部102具有：工作台控制部201、电子束扫描控制部202、检测器控制部203、参照图像取得部204、检查图像取得部205以及高画质图像取得部206。高画质图像取得部206具有：拍摄张数决定部207、拍摄点决定部208和高画质图像拍摄部209。运算部104具有：缺陷检测部215、模型学习部216、高画质图像推定部217和参数调整部218。

工作台控制部201控制图1的工作台109的移动、停止。电子束扫描控制部202控制图1的偏振器112等，以在预定的视野内照射电子束。检测器控制部203与电子束的扫描同步地对来自图1的检测器111的信号进行采样，调整所采样的信号的增益、偏移等，生成数字图像。

参照图像取得部204使工作台控制部201、电子束扫描控制部202以及检测器控制部203动作，通过在第一拍摄条件下进行拍摄来取得用于在缺陷观察处理中使用的不包含缺陷的参照图像。检查图像取得部205使工作台控制部201、电子束扫描控制部202以及检测器控制部203动作，通过在第一拍摄条件下进行拍摄来取得在缺陷观察处理中使用的检查图像。

高画质图像取得部206通过在第二拍摄条件下进行拍摄来取得与由检查图像取得部205取得的检查图像对应起来的多张高画质图像。高画质图像是缺陷观察用的图像，要求试样9的面的缺陷、电路图案的视觉辨认性高。因此，该高画质图像与检查图像相比为高画质，一般情况下，第二拍摄条件与第一拍摄条件相比，为能够拍摄更高画质的图像的条件。例如，第二拍摄条件与第一拍摄条件相比，电子束的扫描速度慢，图像的相加帧数多，图像分辨率提高。此外，拍摄条件并不限定于此。

存储部103具有：图像存储部210、缺陷检测参数存储部211、高画质图像推定参数存储部212、拍摄参数存储部213和观察坐标存储部214。图像存储部210将由检测器控制部203生成的数字图像(换言之，由SEM101拍摄到的图像)与附带信息(换言之，属性信息、元数据、管理信息等)一起存储，并存储由运算部104生成的图像。

缺陷检测参数存储部211存储缺陷观察所需的缺陷检测处理相关的参数(有时记载为缺陷检测参数)。高画质图像推定参数存储部212存储高画质图像推定模型相关的参数(有时记载为模型参数)。拍摄参数存储部213将在SEM101中进行拍摄时的条件(也记载为拍摄条件)等信息和数据作为拍摄参数进行存储。拍摄条件包含所述的第一拍摄条件、第二拍摄条件，能够预先设定。拍摄参数的例子列举出电子束扫描速度、图像相加帧数、图像分辨率等。观察坐标存储部214存储根据缺陷位置信息8输入的观察对象的缺陷位置的缺陷坐标(也记载为观察坐标)等信息和数据。

缺陷检测部215计算检查图像内的缺陷候补的位置和特征量。模型学习部216进行为了进行根据在第一拍摄条件下取得的图像来推定在第二拍摄条件下取得的图像的推定处理所需的模型(也记载为高画质图像推定模型)的学习处理。此外，模型中的推定的意思是通过推定来制作和输出不是实际拍摄而得的图像的高画质图像。此外，模型学习时的使用图像与使用了学习完成模型的实际的缺陷观察时的使用图像不同。

高画质图像推定部217使用模型，进行从在第一拍摄条件下取得的第一图像向在第二拍摄条件下取得的第二图像的推定处理。高画质图像推定部217将第一图像输入到模型中，作为推定结果的输出而得到第二图像。

参数调整部218是实现自动调整缺陷观察相关的处理参数(换言之，制程等)的参数调整功能的部分。该处理参数包含：缺陷检测参数、模型参数和拍摄参数。缺陷检测参数例如列举出缺陷判定用的阈值等。模型参数是构成(换言之，设定)高画质图像推定模型的参数，例如是构成后述的CNN等的参数。

[1-3.检测器]

图3是实施方式1中从斜上方向观察SEM101中的检测器111相对于工作台109的配置的投影图。在本例中，作为检测器111，具有5个检测器301～305，这些检测器301～305如图所示搭载于SEM101内的预定的位置。检测器111的数量不限于此。图4是从z轴方向观察上述检测器111的配置的俯视图。z轴与铅垂方向对应。图5是从y轴方向观察上述检测器111的配置的剖视图。x轴及y轴与水平方向对应，是正交的2个方向。

如图3～图5所示，检测器301以及检测器302配置于沿着y轴的位置P1以及位置P2，检测器303以及检测器304配置于沿着x轴的位置P3以及位置P4。这些检测器301～304没有特别限定，但在z轴上配置在同一平面内。与配置有检测器301～304的z轴的平面的位置相比，检测器305沿着z轴配置在远离工作台109的试样9的位置P5。此外，在图4和图5中，省略了检测器305。

检测器301～304以能够选择性地检测具有特定的放出角度(仰角以及方位角)的电子的方式配置。检测器301能够检测从试样9沿着y轴的方向(箭头所示的正方向)放出的电子，检测器302能够检测从试样9沿着y轴的方向(相对于正方向反转的方向)放出的电子。同样地，检测器304能够检测沿着x轴的方向(正方向)放出的电子，检测器303能够检测沿着x轴的反转方向放出的电子。由此，能够取得犹如从对置方向对各检测器照射光那样的带有对比度的图像。检测器305主要能够检测从试样9向z轴的方向放出的电子。

如上所述，在实施方式1中，通过多个检测器沿着不同的轴配置在多个位置的结构，能够取得带有对比度的图像，因此，能够进行更精细的缺陷观察。并不限定于这样的检测器111的结构，也可以设为以与图3不同的位置、朝向配置的结构。

[1-4.缺陷位置信息]

图6是表示来自外部的检查装置7的缺陷位置信息8所包含的缺陷坐标所表示的缺陷位置的例子的示意图。在图6中，在对象的试样9的x-y面中，用点(×标记)图示缺陷坐标。从试样观察装置1观察时，该缺陷坐标是成为观察对象的观察坐标。晶片WW表示圆形的半导体晶片面区域。裸芯片DI表示形成在晶片WW的多个裸芯片(换言之，半导体芯片)的区域。

实施方式1的试样观察装置1具有根据这样的缺陷坐标，将试样9的面的缺陷部位的高精细的图像作为高画质图像自动收集的ADR功能。但是，在来自检查装置7的缺陷位置信息8内的缺陷坐标中包含误差。换言之，在检查装置7的坐标系中的缺陷坐标与试样观察装置1的坐标系中的缺陷坐标之间可能产生误差。作为误差的主要原因，列举出工作台109上的试样9的对位的不完全等。

因此，实施方式1的试样观察装置1首先以缺陷位置信息8的缺陷坐标为中心，在第一拍摄条件下拍摄宽视野和低倍率的图像(换言之，相对低画质的图像)作为检查图像，根据该检查图像再检测缺陷部位。并且，试样观察装置1使用事先学习到的高画质图像推定模型，针对该再检测出的缺陷部位，在第二拍摄条件下推定窄视野和高倍率的高画质图像，取得该高画质图像作为观察用图像。

在晶片WW中规则地包含多个裸芯片DI。因此，在拍摄对具有缺陷部位的裸芯片DI例如相邻的其他裸芯片DI的情况下，能够取得不包含缺陷部位的合格品裸芯片的图像。在试样观察装置1中的缺陷检测处理中，例如能够将这样的合格品裸芯片图像用作参照图像。并且，在缺陷检测处理中，在参照图像与检查图像之间，作为缺陷判定，例如进行浓淡(特征量的例子)的比较，能够将浓淡不同的部位检测为缺陷部位。作为所述的缺陷检测参数的一例，有这样决定判定缺陷部位时的浓淡之差的阈值。

[1-5.缺陷观察方法]

接着，对试样观察装置1中的缺陷观察方法进行说明。首先，对缺陷观察方法和处理的整体进行说明，依次对通过缺陷观察方法实施的各步骤进行详细说明。此外，步骤的执行的主体主要是上位控制装置3(特别是处理器)，适当地使用图2的控制部102、存储部103以及运算部104等。在步骤中需要的信息从存储部103读出，在步骤中生成的信息存储在存储部103中。此外，在学习处理时(后述的图7的步骤S702～S707)作为对象的学习用试样和在试样观察处理时(后述的步骤S705～S708)作为对象的观察对象试样可以是不同的试样，作为对象的位置也可以是相同试样的不同的位置。

[1-6.整体处理]

图7表示实施方式1中作为试样观察装置1的整体的处理和动作的缺陷观察处理流程。图7有步骤S701～S708。在缺陷观察开始时，在步骤S701中，上位控制装置3从图2的缺陷检测参数存储部211、高画质图像推定参数存储部212、拍摄参数存储部213等读入各参数等信息，判定缺陷观察和缺陷检测处理相关的制程是否设置完成。制程是为了进行缺陷观察和缺陷检测处理所需的信息的集，包含ADR功能相关的处理参数等。在制程没有被设置的情况下(否)，转移到步骤S702，在被设置的情况下(是)，转移到步骤S705。步骤S702～S704是设置制程用的处理(所述的学习处理)。步骤S705～S708是实际的试样观察和缺陷检测的处理。

步骤S702是图像取得步骤。在步骤S702中，上位控制装置3使用图2的参照图像取得部204、检查图像取得部205以及高画质图像取得部206，取得在高画质图像推定模型的学习(步骤S703)以及缺陷检测参数调整(步骤S704)中使用的图像(学习用低画质图像以及学习用高画质图像)。此时，上位控制装置3从观察坐标存储部214读入成为取得图像的对象的图6那样的晶片WW的缺陷坐标，取得与全部的缺陷坐标对应的图像，将取得的图像储存在图像存储部210中。

接着，进行步骤S703的模型学习步骤。在步骤S703中，上位控制装置3从图像存储部210读入在步骤S702中取得的图像，使用模型学习部216执行高画质图像推定部217的处理相关的高画质图像推定模型的学习。学习到的模型存储在高画质图像推定参数存储部212中。

接着，进行步骤S704的参数调整步骤。在步骤S704中，上位控制装置3使用参数调整部218来调整缺陷检测参数。调整后的缺陷检测参数存储在缺陷检测参数存储部211中。

在缺陷观察前制程设置完成的情况下，或者在通过步骤S702～S704进行了设置之后，执行步骤S705～S708的循环处理。在该循环处理中，按观察对象试样中的缺陷坐标所表示的缺陷位置，重复步骤S705～S708的处理。将与缺陷坐标对应的缺陷位置设为i，设为i＝1～L。

步骤S705是参照图像取得步骤。在步骤S705中，上位控制装置3使用参照图像取得部204，在存储在拍摄参数存储部213中的第一拍摄条件下拍摄与包含缺陷位置(i)的裸芯片DI相邻的裸芯片DI，由此取得与检查图像(第一检查图像)对应的参照图像(第一参照图像)。

步骤S706是检查图像取得步骤。在步骤S706中，上位控制装置3使用检查图像取得部205，在存储在拍摄参数存储部213中的第一拍摄条件下进行拍摄来取得缺陷位置(i)处的检查图像(第一检查图像)。在这些步骤中取得的参照图像和检查图像对应起来保存在图像存储部210中。

步骤S707是缺陷检测步骤。在步骤S707中，上位控制装置3在缺陷检测部215中使用在步骤S705中得到的参照图像、在步骤S706中得到的检查图像、以及存储在缺陷检测参数存储部211中的设置完成(换言之，调整完成)的缺陷检测参数，进行自检查图像中的缺陷检测。缺陷检测参数是后述的混合处理时的图像混合比率等。

步骤S708是高画质图像推定步骤。在步骤S708中，上位控制装置3使用在步骤S707中得到的检查图像中的缺陷检测结果的缺陷位置信息和高画质图像推定部217，进行高画质图像推定。即，上位控制装置3能够从检查图像根据模型来推定缺陷观察用的高画质图像。推定出的高画质图像与检查图像以及参照图像同样地对应起来保存在图像存储部210中。在该步骤S708的推定中，也可以使用设置完成或者在步骤S703中设置的高画质图像推定模型。另外，在试样观察处理中，也可以使用在该步骤S708中得到的高画质图像，实施高精度的缺陷检测、缺陷的观察、解析、测量、评价等。当在所有的缺陷位置(i)进行步骤S705～S708的处理时，本缺陷观察流程结束。

[1-7.步骤S707缺陷检测]

图8是关于步骤S707的缺陷检测处理的说明图。在步骤S707中，缺陷检测部215对检查图像801和参照图像802分别进行平滑化处理、由检测器111(301～305)取得的图像的混合处理，作为步骤S805的预处理。之后，在步骤S808中，缺陷检测部215计算预处理后的检查图像806与参照图像807的差分，根据该差分使用第一阈值进行二值化而得到二值化图像803。

在步骤S809中，缺陷检测部215按二值化图像803中的判定为大于第一阈值的区域804，计算异常度。缺陷检测部215将异常度大于第二阈值的部位检测为缺陷811，得到二值化图像810(换言之，缺陷检测结果图像)。作为异常度，例如能够使用二值化区域内的差分图像的亮度值之和。在图8的处理中，所述缺陷检测参数的例子是预处理中的平滑化处理时的平滑化程度、混合处理时的图像混合比率、第一阈值、第二阈值等。在图8的例子中，作为缺陷检测结果的二值化图像810，示出了检测出1个缺陷811的情况，但也存在未检测出缺陷的情况、检测出多个缺陷的情况。

[1-8.步骤S702图像取得]

图9表示步骤S702的图像取得处理相关的详细流程。在实施方式1的试样观察装置1中，为了缺陷观察，按缺陷位置(i)，需要包含缺陷部位的检查图像、不包含缺陷的参照图像以及多个高画质图像。因此，在该步骤S702中，上位控制装置3使用检查图像取得部205、参照图像取得部204和高画质图像取得部206，取得这些图像(换言之，学习用低画质图像、学习用参照图像、学习用高画质图像)。

针对对检查图像进行缺陷检测而检测出的缺陷位置(对应的缺陷候补)，在存储在拍摄参数存储部213中的第二拍摄条件下进行拍摄，由此取得高画质图像。但是，缺陷检测参数是在作为对象的工序(半导体晶片的制造工序)中未被调整的默认参数。在对使用默认参数进行缺陷检测而检测出的缺陷候补中的仅1个(例如异常度最大的缺陷候补)进行了拍摄的情况下，可能在高画质图像中未映入缺陷。因此，在实施方式1中，按从检查图像检测出的缺陷候补，一边改变拍摄区域，一边取得高画质图像。由此，提高取得映入了缺陷的高画质图像的概率。实施方式1的试样观察装置1在从1张检查图像检测出多个缺陷候补的情况下，按缺陷候补拍摄对应的高画质图像。

图9的流程有步骤S901～S906。首先，在步骤S901中，上位控制装置3使用拍摄张数决定部207来决定拍摄张数(设为N)。该拍摄张数(N)是拍摄高画质图像(学习用高画质图像)的最大张数。在实施方式1中，拍摄高画质图像的最大张数是想要拍摄的缺陷候补的数量。在步骤S901中，处理器通过用户的输入(换言之，设定)来决定与1个检查图像对应起来的拍摄张数(N)。

图10表示实施方式1中步骤S901的拍摄张数决定时的GUI的画面例。在该画面中，用户在区域1001中输入与拍摄高画质图像的最大张数对应的拍摄张数(N)。输入后，用户通过按下决定按钮的区域1002，能够设定拍摄张数(N)。该拍摄张数(N)存储在拍摄参数存储部213中。在图10的例子中，N＝5。

在图9中，在步骤S901之后，上位控制装置3按缺陷位置(i)进行步骤S902～S906的循环处理。步骤S902是参照图像取得步骤。在步骤S902中，上位控制装置3使用参照图像取得部204，在存储在拍摄参数存储部213中的第一拍摄条件下，取得缺陷位置(i)的参照图像(学习用参照图像)。步骤S903是检查图像取得步骤。在步骤S903中，上位控制装置3使用检查图像取得部205，在存储在拍摄参数存储部213中的第一拍摄条件下，取得缺陷位置(i)的检查图像(学习用低画质图像)。步骤S902是与所述步骤S705一样的处理，步骤S903是与所述步骤S706一样的处理。由此取得的图像保存在图像存储部210中。

步骤S904是缺陷检测步骤。在步骤S904中，上位控制装置32使用在步骤S902以及步骤S903中取得的检查图像以及参照图像和缺陷检测部215，进行自检查图像中的缺陷检测处理。步骤S904是与所述步骤S707一样的处理。

接着，在步骤S905中，上位控制装置3使用拍摄点决定部208，决定多个高画质图像的1个以上的拍摄点。将拍摄点设为j，设j＝1～J。之后，步骤S906是高画质图像拍摄的循环处理。在该循环处理中，上位控制装置3使用高画质图像拍摄部209，重复每个拍摄点(j)的高画质图像的取得。在步骤S906中，上位控制装置3在存储在拍摄参数存储部213中的第二拍摄条件下拍摄与缺陷位置(i)对应起来的拍摄点(j)处的高画质图像，由此，得到每个拍摄点(j)的多个高画质图像。得到的高画质图像保存在图像存储部210中。当全部缺陷位置(i)的循环处理完成时，本图像取得流程结束。

[1-9.步骤S905拍摄点决定]

图11表示关于步骤S905的高画质图像拍摄点决定处理的流程。图11的流程有步骤S1101～1103。首先，在步骤S1101中，上位控制装置3决定检查图像(学习用低画质图像)中的缺陷候补的优先级。作为该优先级，例如能够使用在缺陷检测的步骤S707中使用的异常度。可以说该异常度越大，检查图像与参照图像的差异越大，是缺陷的概率越高。因此，在本例中，上位控制装置3以该异常度越大，使对应的缺陷候补的优先级越高的方式进行计算和设定。

接着，在步骤S1102中，上位控制装置3选择优先级高的缺陷候补。具体而言，上位控制装置3从拍摄参数存储部213读入在步骤S901中决定的拍摄张数(N)，以优先级从高到低的顺序，选择与拍摄张数(N)对应的最大N个缺陷候补。例如，在缺陷图像内的缺陷候补数为100、拍摄张数(N)为10的情况下，从100个缺陷候补中选择异常度高的上位10个缺陷候补。另外，例如，在缺陷候补数为5，N＝10的情况下，选择5个缺陷候补。

接着，在步骤S1103中，上位控制装置3决定能够拍摄在步骤S1102中选择出的最大N个缺陷候补的1个以上的拍摄点(j)。拍摄点例如是与学习用高画质图像的拍摄区域的中心点对应的拍摄位置。

[1-10.步骤S1103拍摄点决定]

图12是关于步骤S1103中的高画质图像的拍摄点的决定处理的说明图。首先，针对左侧所示的检查图像1202进行说明。检查图像1202是与缺陷位置(i)对应的第一拍摄条件下的检查图像。在图12中，将检查图像内的缺陷候补的位置如缺陷候补1201那样用涂白的×标记表示。在本例中，在1个检查图像1202内包含多个，例如5个缺陷候补1201。如本例那样，考虑在检查图像1202内多个缺陷候补1201接近的情况。高画质图像拍摄区域1203是拍摄包含缺陷候补1201的高画质图像的区域，用矩形进行图示。

上位控制装置3以各缺陷候补1201的位置坐标为中心，决定高画质图像拍摄区域1203。于是，在本例中，多个缺陷候补1201接近，因此，高画质图像拍摄区域1203彼此较大地重叠。例如，a、b所示的2个缺陷候补1201处于相对近的位置，与它们对应的A、B所示的2个高画质图像拍摄区域1203相对重叠的面积大。该情况下，多次拍摄重叠的一部分区域，因此，拍摄效率差，结果，设置时间变长。

因此，在实施方式1中，如右侧所示的检查图像1204那样进行图11的处理。在检查图像1204内多个缺陷候补1201接近，因此，在1个高画质图像拍摄区域1205内能够包含多个缺陷候补1201的情况下，上位控制装置3将这些包含的多个缺陷候补1201的重心决定为高画质图像拍摄点1206。用涂黑的×标记表示高画质图像拍摄点1206。高画质图像拍摄区域1205是以高画质图像拍摄点1206为中心的矩形。例如，针对a、b所示的2个缺陷候补1201，与它们对应地决定x所示的高画质图像拍摄点1206，决定X所示的1个高画质图像拍摄区域1205。

通过上述处理，针对左侧的检查图像1202中的5个高画质图像拍摄区域1203，得到右侧的检查图像1204中的3个高画质图像拍摄区域1205。在右侧的检查图像1204中，高画质图像拍摄区域1205彼此的重叠少，能够通过更少张数(例如3张)的高画质图像的拍摄来捕捉多个缺陷候补1201(例如5个)。即，拍摄效率良好，结果，能够缩短设置时间。

在决定了能够拍摄在步骤S1102中选择出的全部缺陷候补的高画质图像拍摄区域1205以及高画质图像拍摄点1206(＝j)之后，将该拍摄点(j)的坐标、个数等信息存储在拍摄参数存储部213中。

[1-11.步骤S703模型学习]

图13是关于步骤S703的模型学习的、与高画质图像推定模型的结构例相关的说明图。在实施方式1中的高画质图像推定处理中，对检查图像与高画质图像的对应关系进行机器学习。并且，使用该机器学习后的模型，根据在第一拍摄条件下拍摄到的检查图像或参照图像来推定在第二拍摄条件下拍摄到的图像。

上位控制装置3针对在步骤S903中拍摄到的检查图像，按在步骤S905中决定的拍摄点，进行与多个高画质图像对应的区域的截取和放大处理，制作截取到的图像与高画质图像的对。在此，将从检查图像截取的图像称为低画质图像。低画质图像和高画质图像分别包含相同的区域，但低画质图像被实施了放大拍摄视野那样的图像处理。因此，该低画质图像与高画质图像相比例如成为模糊的图像。

在实施方式1中，作为机器学习的实施方法，使用公知的深层学习。具体而言，作为模型，使用卷积神经网络(CNN)。图13表示作为CNN的具体的一例而使用了具有3层构造的神经网络的例子。

在图13的CNN中，Y表示成为输入的低画质图像，F(Y)表示作为输出的推定结果。另外，F1(Y)以及F2(Y)表示输入与推定结果之间的中间数据。中间数据F1(Y)以及中间数据F2(Y)和推定结果F(Y)通过下述的公式1～公式3来计算。

公式1：F1(Y)＝max(0，W1*Y+B1)

公式2：F2(Y)＝max(0，W2*F1(Y)+B2)

公式3：F(Y)＝W3*F2(Y)+B3

在此，记号*表示卷积运算，W1表示n1个c0×f1×f1尺寸的滤波器，c0表示输入图像的通道数，f1表示空间滤波器的尺寸。在图13的CNN中，通过对输入图像Y卷积n1次c0×f1×f1尺寸的滤波器，得到n1维的特征映射。B1是n1维的矢量，是与n1个滤波器对应的偏置成分。同样地，W2是n2个n1×f2×f2尺寸的滤波器，B2是n2维的矢量，W3是c3个n2×f3×f3尺寸的滤波器，B3是c3维的矢量。c0和c3是由低画质图像和高画质图像的通道数决定的值。另外，f1、f2、n1、n2在学习序列前由用户决定。例如，设为f1＝9、f2＝5、n1＝128、n2＝64即可。上述的各种参数是模型参数的例子。

在模型学习的步骤S703中，成为调整的对象的模型参数是W1、W2、W3、B1、B2以及B3。上位控制装置3将低画质图像设为上述CNN的模型的输入(Y)，所述低画质图像是从在第一拍摄条件下拍摄到的检查图像中截取图像区域而将拍摄视野放大后的图像。上位控制装置3将在第二拍摄条件下拍摄到的高画质图像作为推定结果(F(Y))，调整上述CNN的模型的参数。上位控制装置3将模型的推定结果与高画质图像匹配那样的参数作为调整的结果，存储在高画质图像推定参数存储部212中。

在上述模型参数调整中，在神经网络的学习中使用一般的误差反向传播即可。另外，在计算推定误差时，可以使用所取得的学习用图像对(上述低画质图像与高画质图像的对)的全部，但也可以采用小批量方式。即，也可以重复执行从学习用图像对中随机地提取数张图像，更新高画质图像推定处理参数。并且，也可以从1个学习用图像对随机地截取补丁图像，作为神经网络的输入图像(Y)。由此，能够进行高效的学习。此外，不限于本例所示的CNN的结构，也可以使用其他结构。例如，可以变更层数，也可以使用4层以上的网络等，也可以构成为具有跳跃连接。

[1-12.步骤S704参数调整]

图14表示与步骤S704的缺陷检测参数调整相关的详细处理流程。图14的流程有步骤S1401～S1406。在此，将使用高画质图像推定模型从检查图像(学习用低画质图像)推定出的图像称为高画质检查图像(学习用高画质图像)。在本参数调整中，上位控制装置3首先为了在缺陷位置(i)的检查图像中决定详细的缺陷位置，而对与缺陷位置(i)对应起来的缺陷候补进行步骤S1401～S1403的循环处理。将缺陷候补设为k，设k＝1～K。此时，通过使用高画质检查图像和与高画质检查图像对应的高画质参照图像，能够进行高精度的缺陷位置的决定。

[1-13.步骤S1401高画质检查图像的取得]

图15是与步骤S1401的高画质检查图像的取得处理相关的说明图。在图15的1个检查图像2900中，包含多个缺陷候补(k)2901。在步骤S1401中，上位控制装置3针对在步骤S904中检测出的检查图像中的多个缺陷候补(k)，取得高画质检查图像。具体而言，如k1所示的缺陷候补2901那样，在缺陷候补的位置与在步骤S905中决定的高画质检查图像的拍摄区域2902重叠的情况下(换言之，被包含的情况下)，在步骤S906中取得了与该缺陷候补2901对应的高画质检查图像，因此，从图像存储部210选择该高画质检查图像。将这样的处理记载为高画质检查图像的选择处理。

在步骤S904中检测出的缺陷候补的数量比在步骤S901中决定的拍摄张数N(拍摄高画质图像的最大张数)多的情况下，例如如图15的k3所示的缺陷候补2903那样，在优先级低的缺陷候补中，未拍摄包含该缺陷候补的高画质图像。因此，上位控制装置3在这样缺陷候补的位置不与高画质检查图像的拍摄区域2902重叠的情况下(不被包含的情况下)，使用高画质图像推定部217来推定高画质检查图像。将这样的处理记载为高画质检查图像的推定处理。关于高画质检查图像的推定处理的详细内容在后面进行叙述。

在步骤S1401之后，在步骤S1402中，上位控制装置3取得与高画质检查图像对应的高画质参照图像。作为取得高画质参照图像的方法，能够应用根据参照图像推定高画质参照图像的方法、根据高画质检查图像合成高画质参照图像的方法。在实施方式1中，可以应用任一方法。关于与这些方法对应的、高画质参照图像的推定处理和高画质参照图像的合成处理的详细内容在后面进行叙述。

在步骤S1402之后，在步骤S1403中，上位控制装置3使用高画质检查图像和高画质参照图像，进行缺陷辨别处理。在缺陷辨别处理中，例如将通过高画质检查图像与高画质参照图像的比较而得到的异常度用作辨别的指标值。异常度越大，高画质检查图像与高画质参照图像的差分越大。因此，上位控制装置3将与异常度最大的高画质检查图像对应的检查图像的缺陷候补判定为缺陷。作为缺陷辨别处理的指标值，并不限定于异常度。

接着，在步骤S1404中，上位控制装置3根据在步骤S1403中得到的缺陷辨别结果，进行检查图像中的缺陷位置的决定处理。上位控制装置3将通过缺陷辨别处理判定为缺陷的缺陷候补在检查图像上的位置决定为缺陷位置。

在所有检查图像中决定了详细的缺陷位置之后，在步骤S1405中，上位控制装置3按缺陷检测参数集(设为p)，评价是否能够检测检查图像中的缺陷位置。在实施方式1中，作为此时的评价指标，使用在步骤S1404中决定的缺陷位置的检测数。

最后，在步骤S1406中，上位控制装置3将缺陷位置的检测数最大的缺陷检测参数存储在缺陷检测参数存储部211中并输出。由此，图14的参数调整流程结束。

[1-14.高画质检查图像的推定处理]

使用图16，对上述高画质检查图像的推定处理进行说明。首先，上位控制装置3以检查图像1501中的缺陷候补为中心，决定虚线所示的截取区域1502，进行图像截取的步骤S1503。在本例中，缺陷候补是如图示那样从纵线向横向稍微突出的部分。并且，上位控制装置3使用高画质图像推定部217对截取的图像1504进行高画质检查图像推定的步骤S1505，由此能够推定高画质检查图像1506。

[1-15.推定高画质参照图像的方法]

使用图17，对推定上述高画质参照图像的方法进行说明。首先，上位控制装置3使用检查图像1601，进行参照图像截取区域决定的步骤S1602。检查图像1601包含在步骤S1401时取得了高画质检查图像的区域1603。在此，在进行了所述高画质检查图像的选择处理的情况下，将所选择的高画质图像的拍摄区域决定为区域1603，在进行了所述高画质检查图像的推定处理的情况下，将图16的图像截取的步骤S1503中的截取区域决定为区域1603。

在步骤S1602中，上位控制装置3在缺陷位置(i)处的检查图像1601的缺陷候补(k)中，从与检查图像1601对应的参照图像1605中选择与在步骤S1401时取得了高画质检查图像的区域1603对应的截取区域1604。

在截取区域1604的决定后，上位控制装置3进行图像截取的步骤S1606。步骤S1606是与图16的步骤S1503一样的处理。并且，上位控制装置3使用高画质图像推定部217，对截取的参照图像1607进行高画质参照图像推定的步骤S1608，由此，得到高画质参照图像1609。

[1-16.合成高画质参照图像的方法]

使用图18，对合成上述高画质参照图像的方法进行说明。上位控制装置3，在步骤S1701中对在步骤S1401中得到的高画质检查图像1506进行高画质参照图像合成处理。该合成处理例如能够同样地应用专利文献1所记载的参照图像合成处理。由此，合成不包含缺陷的高画质参照图像1702。此外，在此的“合成”是制作事先收集了参照图像的数据库，实施将检查图像中的特征性的区域置换为数据库的类似区域的处理，但能够不限于该处理地应用。

[1-17.用户接口]

在图1中，用户使用输入输出终端6来操作实施方式1的试样观察装置1。用户观察上位控制装置3的用户接口控制部106提供的GUI的画面来进行操作。

图19表示实施方式1中与步骤S702的图像取得相关的GUI的画面例。在本画面中，在检查图像列表的区域1801中，将完成了图像取得的检查图像的ID以列表的方式显示。用户能够从列表中选择ID。在检查图像的区域1802中，显示在列表中选择出的ID的检查图像。此时，在选择了复选框的区域1803的“显示高画质图像拍摄区域”的勾选的情况下，在区域1802中，高画质图像的拍摄区域例如以虚线的矩形的方式显示。另外，在高画质图像的区域1804中，显示在列表中选择出的ID的检查图像相关的高画质检查图像(与区域1802的高画质图像拍摄区域对应)。例如以并列的方式显示多个高画质检查图像。在检测器(Detector)的区域1805中，能够选择与所述检测器111对应的检测对象和图像类型。

图20表示与所述步骤S703的高画质图像推定模型学习和步骤S704的缺陷检测参数调整相关的GUI的画面例。本画面大致具有高画质图像推定的区域1901和参数调整的区域1910。在高画质图像推定模型的学习中使用区域1901。区域1902是指示模型学习的按钮，是为了执行高画质图像推定模型的学习处理而手动调用模型学习部216的按钮。区域1903是指示高画质图像推定的按钮，是手动调用高画质图像推定部217的按钮。在区域1904中显示检查图像。在区域1905中，显示使用高画质图像推定部217推定出的高画质图像。在区域1906中显示检查图像的ID的列表。在区域1907中，为了与区域1905的推定高画质图像的比较，显示所取得的高画质图像。上位控制装置3从图像存储部210读入取得高画质图像并显示于该区域1907。

在缺陷检测参数调整中使用区域1910。在区域1910内的上部的区域1911中，使用滑块等部件来显示缺陷检测参数(多个参数)。在本例中，用户变更各参数(#1～#4)的滑块位置，由此，能够手动调整各参数值。此外，在各参数中，用灰色滑块显示默认值。

区域1912是指示自动调整的按钮。在区域1912被按下的情况下，上位控制装置3执行参数调整部218的处理来自动调整缺陷检测参数。上位控制装置3根据调整后的缺陷检测参数的值，自动地变更上部的区域1911的各参数的滑块的值(位置)的显示。

在区域1915中，检查图像的一览以ID的列表的方式显示，检查图像中的实际缺陷的检测成功与否(成功/失败)按“运行1”、“运行2”这样的执行的项目进行显示。在区域1916中，检查图像中的缺陷区域(包含缺陷部位的区域)显示为由虚线包围的区域。另外，在区域1916中，用户也能够手动指定缺陷区域。区域1913是指示缺陷区域追加的按钮，是调用追加缺陷区域的处理的按钮。另外，区域1914是指示缺陷区域删除的按钮，是调用删除检查图像上的缺陷区域的处理的按钮。区域1918是显示缺陷的捕捉率的区域。区域1919是指示参数输出的按钮，是调用将在区域1910中设定的缺陷检测参数存储在缺陷检测参数存储部211中的处理的按钮。

[1-18.效果等]

如上所述，在实施方式1的试样观察装置以及方法中，使用作为拍摄装置2的SEM101，按缺陷位置信息8的缺陷坐标，取得检查图像、参照图像以及多个高画质图像，使用检查图像和高画质图像来学习高画质图像推定模型，使用高画质检查图像和高画质参照图像来调整缺陷检测参数。根据实施方式1，用户能够简单地提高缺陷检测相关的精度。根据实施方式1，能够提高高画质图像推定模型的精度，还能够提高ADR功能的制程的制作相关的可用性。根据实施方式1，能够按由缺陷位置信息8表示的缺陷位置拍摄多个高画质图像。因此，在高画质图像中捕捉检查图像中的缺陷的可能性提高，因此，高画质推定模型的精度提高。由此，缺陷检测处理参数调整的精度提高。另外，缺陷观察中推定出的高画质图像的精度提高。另外，根据实施方式1，向用户提供所述那样的功能，用户能够一边观察所述GUI的画面一边进行操作，因此，缺陷观察作业时的可用性提高。

此外，关于所述步骤S901，用户能够在图10的画面中设定拍摄张数(N)。作为由此带来的效果，列举出以下效果。关于使用了机器学习的模型的ADR功能中的、使用的图像的张数，一般而言，精度与处理时间存在折衷的关系。如果增加图像张数，则可能能够提高精度，但处理时间变长。因此，在实施方式1中，用户能够调整拍摄张数(N)，由此，容易调整为用户喜好的精度和处理时间。不限于用户能够可变地设定拍摄张数(N)的结构，作为变形例，也能够是包含试样观察装置1的系统自动地决定和设定拍摄张数(N)的结构。

<实施方式2>

使用图21以后，对实施方式2进行说明。实施方式2等中的基本结构与实施方式1一样，以下主要对实施方式2等中的与实施方式1不同的结构部分进行说明。

在实施方式2中，在根据检查图像生成参照图像时，通过合成来生成低画质图像和高画质图像双方。即，在实施方式2中，通过合成从低画质检查图像生成低画质参照图像，通过合成从高画质检查图像生成高画质参照图像。在缺陷观察中的图像取得时，拍摄的图像的张数越少，取得时间越缩短，吞吐量越提高。在实施方式2中，通过从检查图像生成参照图像，省略参照图像的拍摄，实施缺陷观察。实施方式2中的GUI能够同样地应用实施方式1中说明的图10、图19、图20那样的GUI。

[2-1.参照图像取得部2001]

图21表示实施方式2中的由上位控制装置3的控制部102以及运算部104实现的功能块结构。实施方式2的结构作为与实施方式1主要不同的结构部分，是参照图像取得部。在实施方式2中，如图21所示，在运算部104中构成参照图像取得部2001。参照图像取得部2001不进行SEM101的控制而仅进行运算处理，因此，构成为运算部104。参照图像取得部2001从存储部103(省略图示。与图2一样)的图像存储部210读入在检查图像取得部205中在第一拍摄条件下取得的检查图像，对检查图像执行参照图像合成处理，由此，取得不包含缺陷的参照图像。参照图像合成处理例如能够应用与专利文献1所记载的参照图像合成处理一样的处理。

[2-2.整体处理]

对在实施方式2的试样观察装置1中执行的缺陷观察方法进行说明。图22表示实施方式2的试样观察装置1的整体的处理和动作。图21的流程有步骤S2101～S2108。在缺陷观察开始时，在步骤S2101(相当于图7的S701)中，判定缺陷检测处理相关的制程是否设置完成。在未被设置的情况下转移到步骤S2102，在被设置的情况下转移到步骤S2105。

在步骤S2102中，上位控制装置3使用参照图像取得部2001、检查图像取得部205以及高画质图像取得部206，取得在高画质图像推定模型学习以及缺陷检测参数调整中使用的图像。在步骤S2103(相当于图7的S703)中，进行模型学习。在步骤S2104(相当于图7的S704)中，进行参数调整。

在制程设置完成的情况下，或者在通过步骤S2102～S2104进行了设置之后，按缺陷位置信息8的缺陷位置(i)进行步骤S2105～S2108的循环处理。在步骤S2105(相当于图7的S706)中，上位控制装置3使用检查图像取得部205来取得缺陷位置(i)处的检查图像。在步骤S2106中，上位控制装置3在参照图像取得部2001中，使用从图像存储部210读入的检查图像进行参照图像合成处理，得到参照图像。所得到的参照图像保存在图像存储部210中。在步骤S2107(相当于图7的S707)中，进行缺陷检测。在步骤S2108(相当于图7的S708)中，进行高画质图像推定。在步骤S2105～S2108的处理在全部缺陷位置(i)进行后，本缺陷观察流程结束。

[2-3.步骤S2102图像取得]

图23表示与步骤S2102的图像取得处理相关的流程。上位控制装置3使用检查图像取得部205、参照图像取得部2001和高画质图像取得部206，进行该图像取得处理。首先，在步骤S2201(相当于图9的S901)中，上位控制装置3决定拍摄张数(N)(拍摄高画质图像的最大张数)。在步骤S2201之后，按缺陷位置信息8的缺陷位置(i)进行步骤S2202～S2206的循环处理。

在步骤S2202(相当于图9的S903)中，上位控制装置3在存储在拍摄参数存储部213中的第一拍摄条件下取得缺陷位置(i)的检查图像。在步骤S2203中，上位控制装置3在参照图像取得部2001中使用从图像存储部210读入的检查图像来合成缺陷位置(i)的参照图像。步骤S2203是与所述步骤S2106一样的处理。合成后的参照图像保存在图像存储部210中。

接着，在步骤S2204(相当于图9的S904)中，上位控制装置3进行缺陷检测，在步骤S2205(相当于图9的S905)中，决定高画质图像的拍摄点(j)。在决定了拍摄点(j)之后，在步骤S2206(相当于图9的S906)中，上位控制装置3在存储在拍摄参数存储部213中的第二拍摄条件下拍摄缺陷位置(i)处的拍摄点(j)处的高画质图像。拍摄到的高画质图像保存在图像存储部210中。当在所有缺陷位置完成步骤S2202～S2206的处理后，本图像取得流程结束。

[2-4.效果等]

如上所述，根据实施方式2，通过仅拍摄检查图像，能够进行参照图像的合成。因此，根据实施方式2，能够省略参照图像的拍摄，能够提高缺陷观察相关的吞吐量。

<实施方式3>

使用图24以后，对实施方式3进行说明。在所述的实施方式1以及2中，对为了在高画质图像推定模型学习、缺陷检测参数的调整中检测检查图像中的缺陷而利用参照图像的方法进行了叙述。在实施方式3中，通过以高画质图像拍摄检查图像的整个区域，实现不需要参照图像的缺陷观察。在实施方式3中，省略了参照图像的取得，因此，缺陷观察相关的吞吐量提高。实施方式3中的ADR处理使用机器学习来实现。实施方式3中的GUI能够同样地应用所述的实施方式1的GUI。

[3-1.功能块]

图24表示实施方式3中的上位控制装置3的控制部102及运算部104的功能块结构。实施方式3中主要不同的结构部分是控制部102和运算部104中的结构，首先，在控制部102或运算部104中不具有参照图像取得部。另外，高画质图像取得部2301的结构也不同，不具有拍摄张数决定部。并且，在实施方式3中，为了不需要拍摄张数决定部，在控制部102的高画质图像取得部2301内具有拍摄点决定部2302。此外，缺陷检测部2303的处理和动作也与实施方式1以及2不同，因此，参数调整部2304的处理和动作也不同。

[3-2.缺陷观察]

对在实施方式3的试样观察装置1中执行的缺陷观察方法进行说明。图25表示实施方式3的试样观察装置1的整体的处理和动作。在缺陷观察开始时，在步骤S2501(相当于图7的S701)中，判定缺陷检测处理相关的制程是否设置完成。在未被设置的情况下转移到步骤S2502，在被设置的情况下转移到步骤S2505。在步骤S2502中，上位控制装置3使用检查图像取得部205以及高画质图像取得部2301，取得在高画质图像推定模型学习以及缺陷检测参数调整中使用的图像。接着，在步骤S2503(相当于图7的S703)中进行模型学习，接着，在步骤S2504(相当于图7的S704)中进行参数调整。此外，在实施方式3中，在步骤S2503的模型学习中，使用与实施方式1同样的模型(在此设为第一模型)。步骤S2504的参数调整是步骤S2506的缺陷检测处理相关的参数的调整。

在制程设置完成的情况下，或者在通过步骤S2502～S2504进行了设置之后，按缺陷位置信息8的缺陷位置(i)进行步骤S2505～S2507的循环处理。在步骤S2505(相当于图7的S706)中，上位控制装置3使用检查图像取得部205，在存储在拍摄参数存储部213中的第一拍摄条件下取得缺陷位置(i)处的检查图像。在步骤S2506中，上位控制装置3使用缺陷检测部2303来检测检查图像中的缺陷。在实施方式3中，在步骤S2506的缺陷检测处理中，使用与步骤S2503的第一模型不同的模型(在此设为第二模型)。步骤S2506的缺陷检测处理与实施方式1中的基于图像处理的缺陷检测处理不同，是基于机器学习的缺陷检测处理，因此，使用机器学习的第二模型。在步骤S2507(相当于图7的S708)中，上位控制装置3推定高画质图像。当在全部缺陷位置进行了步骤S2505～S2507的处理时，本缺陷观察流程结束。

[3-3.步骤S2502图像取得]

图26表示步骤S2502的图像取得处理的流程。上位控制装置3使用检查图像取得部205和高画质图像取得部2301进行该图像取得处理。实施方式3的试样观察装置1按缺陷位置信息8的缺陷位置(i)，需要包含缺陷部位的检查图像和以对检查图像的拍摄范围全部进行拍摄的方式决定了拍摄范围的多个高画质图像。因此，在步骤S2502中，取得这些图像。

在实施方式3中，拍摄张数(N)由检查图像与高画质图像的拍摄范围(换言之，视野范围)的大小之比决定(后述)。因此，在图像取得的步骤S2502中，不需要基由用户决定拍摄张数(N)。在该步骤S2502中，按缺陷位置信息8的缺陷位置(i)，执行步骤S2601～S2603的循环处理。

在检查图像取得的步骤S2601(相当于图9的S903)中，上位控制装置3使用检查图像取得部205，在存储在拍摄参数存储部213中的第一拍摄条件下取得缺陷位置(i)的检查图像。步骤S2601与所述步骤S706一样。所取得的图像保存在图像存储部210中。

之后，在步骤S2602中，上位控制装置3使用拍摄点决定部2302来决定高画质图像的拍摄点(j)。在该步骤S2602中，与实施方式1以及2不同，上位控制装置3决定能够对检查图像的拍摄范围全部进行拍摄的最小个数的拍摄点(j)。关于步骤S2602的详细内容在后面进行叙述。

在决定了拍摄点(j)之后，在步骤S2603(相当于图9的S906)中，上位控制装置3使用高画质图像拍摄部209，在存储在拍摄参数存储部213中的第二拍摄条件下拍摄与缺陷位置(i)对应的拍摄点(j)的高画质图像。拍摄到的高画质图像保存在图像存储部210中。当在所有缺陷位置完成步骤S2601～S2603的处理时，本图像取得流程结束。

[3-4.步骤S2602拍摄点决定]

图27是实施方式3中关于步骤S2602的拍摄点决定处理的说明图。在图27中，示出了检查图像和高画质图像中的拍摄范围(视野范围)的尺寸比率为2的例子。在本例中，检查图像2701为正方形，用SX1表示横向的尺寸(用像素数表示)。高画质图像(用虚线表示)为正方形，将横向的尺寸设为SX2，设为SX1的一半。例如，尺寸比为SX1：SX2，尺寸比率为SX1/SX2＝2。

在使用图27的检查图像2701进行拍摄点的决定的情况下，上位控制装置3构成将检查图像2701的纵和横分别分割为与尺寸比率(＝2)相同的数量的区域2702。在本例中，构成覆盖检查图像2701的整个区域的4个区域2702。并且，上位控制装置3决定以×标记表示的多个(4个)拍摄点(j)2703，以便能够将这些区域2702拍摄为高画质图像区域。

[3-5.步骤S2506缺陷检测]

图28是关于步骤S2506的缺陷检测处理的说明图。在实施方式3中的缺陷检测处理中，使用机器学习的模型来进行检查图像的缺陷检测。作为实施方式3中的缺陷检测的机器学习的实施方法，使用公知的深层学习。具体而言，使用图28那样的CNN。在实施方式3中的缺陷检测中，将输出设为缺陷检测结果图像(G(Z))。缺陷检测结果图像是表示检测为缺陷的区域的二值图像，在8位灰度图像的情况下，例如，缺陷检测区域的像素值为255，除此以外的区域的像素值为0。输出的缺陷检测结果图像保存在图像存储部210中。

在图28中，Z表示成为输入的检查图像，G(Z)是成为作为推定结果的输出的缺陷检测结果图像。另外，G1(Z)以及G2(Z)表示输入与推定结果之间的中间数据。中间数据G1(Z)以及中间数据G2(Z)和作为推定结果的缺陷检测结果图像G(Z)通过下述的公式4～公式6来计算。

公式4：G1(Z)＝max(0，V1*Z+A1)

公式5：G2(Z)＝max(0，V2*G1(Z)+A2)

公式6：G(Z)＝V3*G2(Z)+A3

在此，记号*表示卷积运算，V1表示m1个d0×g1×g1尺寸的滤波器，d0表示输入图像的通道数，g1表示空间滤波器的尺寸。通过对输入图像Z卷积m1次d0×g1×g1尺寸的滤波器，得到m1维的特征映像。A1是m1维的矢量，是与m1个滤波器对应的偏置成分。同样地，V2是m2个m1×g2×g2尺寸的滤波器，A2是m2维的矢量，V3是1个m2×g3×g3尺寸的滤波器，A3是1维的矢量。g1、g2、m1、m2是在缺陷检测前由用户决定的值，例如设为g1＝9、g2＝5、m1＝128、m2＝64即可。

在实施方式3中的参数调整部2304中，成为进行调整的对象的模型参数是V1、V2、V3、A1、A2以及A3。并不限定于上述CNN的结构。

[3-6.步骤S2504参数调整]

图29表示与步骤S2504的缺陷检测参数调整处理相关的流程。图29有步骤S2801～S2805。在实施方式3中的参数调整中，首先为了在缺陷位置(i)的检查图像中决定详细的缺陷位置，对高画质图像的拍摄点(j)进行高画质检查图像选择的步骤S2801以及缺陷辨别的步骤S2802。在步骤S2801中，由于在图像取得的步骤S2502中取得了与检查图像的整个区域对应的高画质图像，因此，仅进行高画质图像的选择处理。在步骤S2802中，上位控制装置3使用高画质检查图像进行缺陷辨别处理。在实施方式3中的缺陷辨别处理中，在缺陷检测部2303中，使用高画质检查图像，取得与高画质检查图像对应的缺陷检测结果图像。此时，缺陷检测参数尚未针对对象的制造工序进行调整。因此，例如使用以前在不同的制造工序中调整后的缺陷检测参数，对高画质检查图像应用缺陷检测处理。

在步骤S2803(相当于图14的S1404)中，上位控制装置3使用在步骤S2802中得到的高画质检查图像的缺陷检测结果图像，进行检查图像中的缺陷位置的决定处理。在步骤S2804中，上位控制装置3使用在步骤S2803中决定的检查图像上的详细的缺陷位置，制作与检查图像对应的缺陷检测结果图像。制作出的缺陷检测结果图像保存在图像存储部210中。

在全部的检查图像中制作了对应的缺陷检测结果图像之后，最后，在步骤S2805(相当于图14的S1406)中，上位控制装置3使用所述的模型，将检查图像作为输入，将缺陷检测结果图像作为推定结果，调整缺陷检测参数。该步骤2805中的使用了图28的CNN的处理与所述的使用了图13的CNN的处理同样地，能够应用各种方式，能够实现效率化等。在上述神经网络的学习结束之后，上位控制装置3将缺陷检测参数作为调整的结果存储在缺陷检测参数存储部211中，本参数调整的流程结束。

[3-7.效果等]

如上所述，根据实施方式3，通过进行不取得参照图像的高画质图像推定模型的学习和参数调整，能够省略参照图像的取得，能够提高试样观察装置的吞吐量。

以上，根据实施方式对本发明进行了具体说明，但本发明并不限定于所述的实施方式，在不脱离主旨的范围内能够进行各种变更。

Claims (10)

1.一种试样观察装置，具有：

拍摄装置；以及

处理器，其执行学习高画质图像推定模型的学习处理A和进行缺陷检测的试样观察处理B，其特征在于，

所述学习处理A中，执行以下处理：

处理A1，取得与学习用试样相关的1个以上的学习用缺陷位置；

处理A2，按所述学习用缺陷位置，取得第一拍摄条件下的学习用低画质图像；

处理A3，取得学习用高画质图像的拍摄张数相关的第一设定值；

处理A4，按所述学习用缺陷位置执行以下处理：

处理A4a，根据所述第一设定值，决定所述学习用高画质图像的拍摄张数，

处理A4b，根据在处理A4a中决定出的拍摄张数，决定拍摄所述学习用高画质图像的位置即1个以上的拍摄点，

处理A4c，针对在处理A4b中决定出的1个以上的所述拍摄点的每一个，取得第二拍摄条件下的所述学习用高画质图像；

处理A5，使用所述学习用低画质图像以及所述学习用高画质图像来学习所述高画质图像推定模型；以及

处理A6，使用所述高画质图像推定模型来调整缺陷检测参数，

所述试样观察处理B中，根据调整后的所述缺陷检测参数，执行以下处理：

处理B1，在所述第一拍摄条件下，取得观察对象试样的缺陷位置的第一检查图像；以及

处理B2，根据所述第一检查图像，检测所述观察对象试样的缺陷候补。

2.根据权利要求1所述的试样观察装置，其特征在于，

所述处理器根据用户的输入，设定所述拍摄张数相关的所述第一设定值。

3.根据权利要求1所述的试样观察装置，其特征在于，

所述处理器在决定所述拍摄点时，

根据所述学习用低画质图像中的缺陷候补的特征量，决定每个所述缺陷候补的优先级，

根据每个所述缺陷候补的优先级，以成为所述拍摄张数以下的方式，从所述学习用低画质图像的多个缺陷候补中选择在所述第二拍摄条件下拍摄的多个缺陷候补，

决定用于拍摄选择出的所述多个缺陷候补的所述拍摄点。

4.根据权利要求3所述的试样观察装置，其特征在于，

所述处理器在决定所述拍摄点时，

在所述学习用低画质图像中若干缺陷候补接近的情况下，决定所述拍摄点，使得以所述拍摄点为中心的区域为包含所述若干缺陷候补的1个区域。

5.根据权利要求1所述的试样观察装置，其特征在于，

所述学习处理中，

按所述学习用缺陷位置，在所述第一拍摄条件下，取得与所述学习用低画质图像对应起来的、不包含缺陷的学习用参照图像，

使用所述学习用参照图像来学习所述模型，

所述试样观察处理中，

按所述观察对象试样的缺陷位置，在所述第一拍摄条件下，取得与所述第一检查图像对应起来的、不包含缺陷的第一参照图像，

根据所述第一检查图像与所述第一参照图像的比较，计算所述缺陷候补的位置及特征量。

6.根据权利要求5所述的试样观察装置，其特征在于，

所述处理器在取得所述学习用参照图像时，通过在所述第一拍摄条件下由所述拍摄装置进行拍摄来取得所述学习用参照图像，

所述处理器在取得所述第一参照图像时，通过在所述第一拍摄条件下由所述拍摄装置进行拍摄来取得所述第一参照图像。

7.根据权利要求5所述的试样观察装置，其特征在于，

所述处理器在取得所述学习用参照图像时，从所述学习用低画质图像合成所述学习用参照图像，

所述处理器在取得所述第一参照图像时，从所述第一检查图像合成所述第一参照图像。

8.根据权利要求5所述的试样观察装置，其特征在于，

所述处理器在所述缺陷检测参数的调整时，

从所述学习用低画质图像，针对所述缺陷候补截取图像，

使用所述高画质图像推定模型，从截取的所述图像推定所述学习用高画质图像，或者从取得的所述学习用高画质图像选择包含所述缺陷候补的学习用高画质图像，

根据所述学习用参照图像，针对与所述缺陷候补对应起来的位置，使用所述高画质图像推定模型来推定所述学习用参照图像，或者，从所述学习用高画质图像来合成所述学习用参照图像，

使用所述学习用高画质图像和所述学习用参照图像，针对所述缺陷候补辨别是否为缺陷，由此决定所述学习用高画质图像中的缺陷位置，

根据评价来选择能够检测决定出的所述缺陷位置的参数。

9.根据权利要求8所述的试样观察装置，其特征在于，

所述处理器使所述学习用低画质图像、所述学习用高画质图像、根据所述第一检查图像的基于所述高画质图像推定模型的高画质检查图像的推定结果、所述缺陷检测参数的调整结果、以及与所述缺陷检测参数的调整后的所述第一检查图像中的检测出的缺陷候补对应的缺陷位置显示于画面。

10.一种试样观察装置中的试样观察方法，所述试样观察装置具有：拍摄装置、执行学习高画质图像推定模型的学习处理A和进行缺陷检测的试样观察处理B的处理器，其特征在于，

作为由所述试样观察装置执行的步骤，

在所述学习处理A中，执行以下步骤：

步骤A1，取得与学习用试样相关的1个以上的学习用缺陷位置；

步骤A2，按所述学习用缺陷位置，取得第一拍摄条件下的学习用低画质图像；

步骤A3，取得学习用高画质图像的拍摄张数相关的第一设定值；

步骤A4，按所述学习用缺陷位置执行以下步骤：

步骤A4a，根据所述第一设定值，决定所述学习用高画质图像的拍摄张数，

步骤A4b，根据在步骤A4a中决定出的拍摄张数，决定拍摄所述学习用高画质图像的位置即1个以上的拍摄点，

步骤A4c，针对在步骤A4b中决定出的1个以上的所述拍摄点的每一个，取得第二拍摄条件下的所述学习用高画质图像；

步骤A5，使用所述学习用低画质图像以及所述学习用高画质图像来学习所述高画质图像推定模型；以及

步骤A6，使用所述高画质图像推定模型来调整缺陷检测参数，

在所述试样观察处理B中，根据调整后的所述缺陷检测参数，执行以下步骤：

步骤B1，在所述第一拍摄条件下，取得观察对象试样的缺陷位置的第一检查图像；以及

步骤B2，根据所述第一检查图像，检测所述观察对象试样的缺陷候补。

Images