CN118671094A - 检查装置、检查方法、以及存储有程序的存储介质 - Google Patents

检查装置、检查方法、以及存储有程序的存储介质 Download PDF

Info

Publication number
CN118671094A
CN118671094A CN202410299526.8A CN202410299526A CN118671094A CN 118671094 A CN118671094 A CN 118671094A CN 202410299526 A CN202410299526 A CN 202410299526A CN 118671094 A CN118671094 A CN 118671094A
Authority
CN
China
Prior art keywords
inspection
defect
unit
false
classification
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
Application number
CN202410299526.8A
Other languages
English (en)
Inventor
海津正博
杉山胜彦
泷本达也
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Screen Holdings Co Ltd
Original Assignee
Screen Holdings Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Screen Holdings Co Ltd filed Critical Screen Holdings Co Ltd
Publication of CN118671094A publication Critical patent/CN118671094A/zh
Pending legal-status Critical Current

Links

Classifications

    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
    • H01L21/67—Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere
    • H01L21/67005—Apparatus not specifically provided for elsewhere
    • H01L21/67242—Apparatus for monitoring, sorting or marking
    • H01L21/67288—Monitoring of warpage, curvature, damage, defects or the like
    • 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
    • G01N21/01—Arrangements or apparatus for facilitating the optical investigation
    • 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
    • G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • G01N21/956—Inspecting patterns on the surface of objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/18—Status alarms
    • G08B21/182—Level alarms, e.g. alarms responsive to variables exceeding a threshold
    • H—ELECTRICITY
    • H05—ELECTRIC TECHNIQUES NOT OTHERWISE PROVIDED FOR
    • H05K—PRINTED CIRCUITS; CASINGS OR CONSTRUCTIONAL DETAILS OF ELECTRIC APPARATUS; MANUFACTURE OF ASSEMBLAGES OF ELECTRICAL COMPONENTS
    • H05K3/00—Apparatus or processes for manufacturing printed circuits
    • 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
    • G01N21/01—Arrangements or apparatus for facilitating the optical investigation
    • G01N2021/0106—General arrangement of respective parts
    • G01N2021/0112—Apparatus in one mechanical, optical or electronic block
    • 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
    • G01N2021/8883—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 involving the calculation of gauges, generating models
    • 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
    • G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • G01N21/956—Inspecting patterns on the surface of objects
    • G01N2021/95638—Inspecting patterns on the surface of objects for PCB's
    • H—ELECTRICITY
    • H05—ELECTRIC TECHNIQUES NOT OTHERWISE PROVIDED FOR
    • H05K—PRINTED CIRCUITS; CASINGS OR CONSTRUCTIONAL DETAILS OF ELECTRIC APPARATUS; MANUFACTURE OF ASSEMBLAGES OF ELECTRICAL COMPONENTS
    • H05K2203/00—Indexing scheme relating to apparatus or processes for manufacturing printed circuits covered by H05K3/00
    • H05K2203/16—Inspection; Monitoring; Aligning
    • H05K2203/162—Testing a finished product, e.g. heat cycle testing of solder joints

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Signal Processing (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Manufacturing & Machinery (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Emergency Management (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Quality & Reliability (AREA)
  • Medical Informatics (AREA)
  • Business, Economics & Management (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Power Engineering (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种对在表面上具有图案的基板进行检查的检查装置，该检查装置具有分类部(303)和输出部(304)。分类部(303)利用通过机器学习创建的已学习模型，按照缺陷以及虚报的种类对由针对拍摄基板而得到的被检查图像进行的一次检查而检测出的缺陷候补进行分类。输出部(304)输出基于分类部(303)的分类结果。由此，能够将缺陷以及虚报的分类结果反馈给前工序(例如，基板的制造工序、一次检查工序等)。

Description

检查装置、检查方法、以及存储有程序的存储介质
技术领域
本发明涉及检查在表面上具有图案的基板的技术。
[相关申请的参照]
本申请主张2023年3月17日申请的日本专利申请JP2023-043507的优先权，并将该申请的全部内容援引入本申请。
背景技术
以往，在印刷布线基板的检查中，利用检查装置检查印刷布线基板的各区域的图像，提取被判断为具有缺陷的图像。然后，进行操作者通过目视来确认与被提取的图像对应的印刷布线基板上的区域的缺陷确认作业(所谓的验证作业)。在由检查装置提取的缺陷中，包括成为品质上问题的可能性高的真缺陷和实质上没有成为品质上问题的可能性的虚报，在上述的缺陷确认作业中，操作者通过目视从由检查装置提取出的缺陷中提取真缺陷。
另外，在日本特开2021-177154号公报(专利文献1)中提出了一种外观检查系统，该外观检查系统具有：一次检查部，基于拍摄对象物得到的图像，不使用机器学习而进行不合格判定；二次检查部，使用机器学习模型来区分真的不合格品和过度判定品(即，通过过度检测判定为不合格的合格品)。由此，在外观检查中仅检测真的不合格品，抑制将过度判定品检测为不合格品，从而实现生产率的提高。
但是，在专利文献1的外观检查系统中，在由二次检查部判断为过度判定品的对象物较多的情况下，有可能在外观检查之前进行的工序中发生某种轻度异常或应该改善的现象。然而，在该外观检查系统中，被判断为过度判定品的对象物一并作为合格品处理，因此，操作者没有机会注意到上述轻度异常、改善点，也不会将该轻度异常、改善点反馈给前工序。
发明内容
本发明涉及一种检查在表面上具有图案的基板的检查装置，目的在于，将缺陷以及虚报的分类结果反馈给前工序。
本发明的方式1的检查装置，对在表面上具有图案的基板进行检查，其中，具有：分类部，利用通过机器学习创建的已学习模型，按照缺陷以及虚报的种类，对由针对拍摄基板而得到的被检查图像进行的一次检查而检测出的缺陷候补进行分类；以及输出部，输出基于所述分类部的分类结果。
根据本发明，能够将缺陷以及虚报的分类结果反馈给前工序。
本发明的方式2，在根据方式1的检查装置中，所述检查装置还具有第一检查部，所述第一检查部对所述被检查图像进行所述一次检查。
本发明的方式3，在根据方式1或2的检查装置中，所述分类部基于所述缺陷候补相对于复数个缺陷种类以及复数个虚报种类中的每一个的适合度，将所述缺陷候补按照缺陷以及虚报的种类进行分类。
本发明的方式4，在根据方式1或2的检查装置中，所述分类部具有：第二检查部，对所述缺陷候补进行利用了通过机器学习创建的已学习模型的二次检查，将所述缺陷候补分类为缺陷或虚报；缺陷分类部，利用通过机器学习创建的已学习模型，按照缺陷种类对由所述第二检查部分类后的缺陷进行分类；以及虚报分类部，利用通过机器学习创建的已学习模型，按照虚报种类对由所述第二检查部分类后的虚报进行分类。
本发明的方式5，在根据方式4的检查装置中，所述缺陷分类部基于由所述第二检查部分类后的所述缺陷的、相对于复数个缺陷种类中的每一个的适合度，按照缺陷种类对所述缺陷进行分类。所述虚报分类部基于由所述第二检查部分类后的所述虚报的、相对于复数个虚报种类中的每一个的适合度，按照虚报种类对所述虚报进行分类。
本发明的方式6，在根据方式5的检查装置中，在由所述第二检查部分类后的所述虚报的相对于所述复数个虚报种类中的每一个的适合度小于规定的阈值的情况下，所述虚报分类部将所述虚报分类为合格品。
本发明的方式7，在根据方式1或2(也可以根据方式1至6中任一项)的检查装置中，所述检查装置还具有警报部，所述警报部在所述分类结果中被分类为一个虚报种类的虚报的数量为规定数量以上的情况下发出警报。
本发明的方式8，在根据方式1或2(也可以根据方式1至7中任一项)的检查装置中，所述缺陷候补与在所述一次检查中使用的复数个检查逻辑中的检测到所述缺陷候补的检查逻辑建立关联。所述检查装置还具有警报部，所述警报部在所述分类结果中与一个检查逻辑建立关联的虚报的数量为规定数量以上的情况下发出警报。
本发明的方式9的检查方法，对在表面上具有图案的基板进行检查，其中，包括：a)工序，利用通过机器学习创建的已学习模型，按照缺陷以及虚报的种类，对由针对拍摄基板而得到的被检查图像进行的一次检查而检测出的缺陷候补进行分类；以及b)工序，输出所述a)工序中的分类结果。
本发明的方式10的存储介质，存储有对在表面上具有图案的基板进行检查的程序，其中，通过由计算机执行所述程序，进行以下工序：a)工序，利用通过机器学习创建的已学习模型，按照缺陷以及虚报的种类，对由针对拍摄基板而得到的被检查图像进行的一次检查而检测出的缺陷候补进行分类；以及b)工序，输出所述a)工序中的分类结果。
通过参照附图而如下进行的本发明的详细说明，使得上述的目的以及其他目的、特征、方式以及优点更加明确。
附图说明
图1是表示一个实施方式的检查装置的结构的图。
图2是表示计算机的结构的图。
图3是表示由计算机实现的功能结构的图。
图4是表示分类结果的显示的一例的图。
图5是表示基板的检查的流程的图。
图6是表示基板的检查的流程的图。
图7是表示基板的检查的流程的图。
附图标记的说明：
1 检查装置
3 计算机
9 基板
302 第一检查部
303 分类部
304 输出部
305 警报部
331 第二检查部
332 缺陷分类部
333 虚报分类部
811 程序
S11～S15、S131～S133、S141～S144 步骤
具体实施方式
图1是表示本发明的一个实施方式的检查装置1的结构的图。检查装置1例如是检查安装电子部件之前的印刷布线基板9(以下，简称为“基板9”)的外观的装置。在基板9的表面上形成有图案(例如，铜的布线图案、电极图案)。在基板9上存在例如铜的镀层露出的区域、铜的布线被作为保护膜的阻焊剂覆盖的区域、以及在基材表面上直接配置有阻焊剂的区域等。
检查装置1具有对基板9进行拍摄的图像获取装置2、计算机3。计算机3是包括运算部的处理装置。计算机3也进行检查装置1的整体动作的控制。图像获取装置2具有拍摄部21、保持基板9的载物台22、以及载物台移动机构23。拍摄部21对基板9进行拍摄并获取图像。该图像例如是在基板9上成为检查对象的区域整体的灰度图像，在以下的说明中也称为“拍摄图像”。需要说明的是，由拍摄部21获取的拍摄图像例如可以是多阶调的彩色图像。载物台移动机构23使载物台22相对于拍摄部21相对地移动。
拍摄部21具有照明部211、光学系统212、拍摄装置213。光学系统212将从照明部211射出的照明光引导至基板9，并将来自基板9的反射光引导至拍摄装置213。拍摄装置213将由光学系统212成像的基板9的像转换为电信号。照明部211包括LED和灯泡等灯、以及调整来自灯的光的透镜和反射构件等光学元件。光学系统212包括复数个透镜、半反射镜等光学元件。拍摄装置213例如是二维的成像传感器。拍摄装置213也可以是一维的成像传感器，在该情况下，一边移动载物台22一边进行基板9的拍摄。
载物台移动机构23例如由滚珠丝杠、导轨、马达等构成。作为载物台移动机构23能够采用各种机构，例如，能够利用线性马达。通过计算机3控制载物台移动机构23以及拍摄部21，从而载物台22沿水平方向移动，来拍摄基板9上的所希望的区域。载物台22是保持基板9的保持部。基板9的保持可以通过各种方法进行。例如，在载物台22形成有槽，从形成于槽内的吸引口进行吸引，从而将基板9吸附于载物台22上。也可以在载物台22上形成有复数个吸引口来吸附基板9。也可以由多孔质材料形成载物台22，由多孔质材料进行吸引。载物台22也可以由机械的机构保持基板9。
图2是表示计算机3的结构的图。计算机3具有包括CPU31、ROM32、RAM33、固定盘34、显示器35、输入部36、读取装置37、通信部38、GPU39、总线30在内的一般的计算机系统的结构。CPU31进行各种运算处理。GPU39进行与图像处理相关的各种运算处理。ROM32存储基本程序。RAM33存储各种信息。固定盘34进行信息存储。显示器35进行图像等各种信息的显示。输入部36具有受理来自操作者的输入的键盘36a以及鼠标36b。读取装置37从光盘、磁盘、光磁盘、存储卡等计算机可读取的存储介质81进行信息的读取。显示器35、键盘36a、鼠标36b、以及读取装置37经由接口I/F与总线30连接。通信部38在与检查装置1的其他结构以及外部的装置之间收发信号。总线30是连接CPU31、GPU39、ROM32、RAM33、固定盘34、显示器35、输入部36、读取装置37以及通信部38的信号电路。
在计算机3中，事先经由读取装置37从存储介质81读取程序811并存储于固定盘34中。程序811也可以经由网络存储于固定盘34中。CPU31以及GPU39按照程序811一边利用RAM33或固定盘34一边执行运算处理。CPU31以及GPU39在计算机3中作为运算部发挥功能。除了CPU31以及GPU39以外，也可以采用作为运算部发挥功能的其他结构。
图3是表示通过计算机3按照程序811来执行运算处理等来实现的功能结构的图。这些功能结构中包括存储部301、第一检查部302、分类部303、输出部304、警报部305、以及控制部306。分类部303包括第二检查部331、缺陷分类部332、以及虚报分类部333。这些功能的全部或一部也可以通过专用的电路来实现。另外，也可以通过复数个计算机来实现这些功能。在图3所示的功能结构中，第一检查部302、分类部303、输出部304、警报部305以及控制部306通过CPU31、GPU39、ROM32、RAM33、固定盘34以及它们的周边结构来实现。另外，存储部301主要由RAM33以及固定盘34来实现。
存储部301存储由拍摄部21获取到的拍摄图像以及与基板9的检查相关的各种信息等。控制部306控制拍摄部21以及载物台移动机构23、以及各功能结构的动作。
第一检查部302使用上述拍摄图像进行检查来检测缺陷候补。在以下的说明中，将基于第一检查部302的检查称为“一次检查”。在一次检查中，例如，将表示基板9的一部分的图像(即，拍摄图像的一部分)设为一次检查的对象，通过该检查遍及作为基板9的检查对象的区域整体而反复进行，从而进行拍摄图像整体的一次检查。在以下的说明中，将在一次检查中设为一次检查的对象的图像(即，表示基板9的一部分的图像)称为“被检查图像”。
在一次检查中，例如进行规则库检查。规则库检查是指，相对于基板9上的图案形状设定一定的规则，将基板9上的图案中偏离该规则的部位判定为缺陷的检查方法，公知有各种方法。在第一检查部302中，例如，通过基于设计规则而预先创建的判定算法，根据被检查图像中包含的图案的各部位，来计算规定的特征量，该特征量通过与用于辨别合格品和缺陷候补的阈值进行比较，判断该部位是否相当于缺陷候补。该特征量例如基于图案的线宽或图案的终端形状等被计算出。需要说明的是，在一次检查中，在提取上述特征量之前，也可以对被检查图像进行规定的图像处理。
第一检查部302使用上述设计规则、判定算法等相互不同的复数个检查逻辑，进行各被检查图像的一次检查。在第一检查部302中，例如从复数个检查逻辑中的与对基板9的品质影响大的缺陷对应的检查逻辑起依次用于一次检查，判定被检查图像中的缺陷候补的有无。该复数个检查逻辑的信息被预先存储于存储部301中。
在一次检查中被判断为包含缺陷候补的被检查图像在存储部301中被分类为缺陷候补图像。另外，在一次检查中被判断为不包含缺陷候补的被检查图像在存储部301中被分类为合格品图像。各缺陷候补图像与上述复数个检查逻辑中的、检测出该缺陷候补图像中包含的缺陷候补的一个检查逻辑建立关联地存储于存储部301中。即，各缺陷候补图像中的缺陷候补与复数个检查逻辑中的一个检查逻辑建立关联。
分类部303的第二检查部331对上述缺陷候补图像进行检查，判断缺陷候补图像中包含的缺陷候补是否为真的缺陷。换言之，第二检查部331将缺陷候补图像中包含的缺陷候补分类为成为基板9的品质上问题的可能性较高的缺陷(以下，称为“真缺陷”)和实质上没有成为基板9的品质上问题的可能性的虚报。在以下的说明中，将由第二检查部331判断为包含缺陷(即真缺陷)的缺陷候补图像称为“缺陷图像”，将由第二检查部331判断为不含该缺陷的缺陷候补图像称为“虚报图像”。虚报图像包括在第二检查部331中未判断为缺陷的缺陷候补即虚报。如上所述，缺陷候补图像与在一次检查中使用的一个检查逻辑建立关联，缺陷图像以及虚报图像也继承该关联的信息与一个检查逻辑建立关联。
在以下的说明中，将基于第二检查部331对缺陷候补图像的检查称为“二次检查”。在二次检查中，例如，进行利用了由机器学习创建的已学习模型的AI检查。AI检查是指，使用AI(人工智能)的图像识别技术来解析基板9上的图案的图像，来辨别缺陷的有无的检查方法。二次检查中使用的已学习模型(以下，也称为“二次检查用已学习模型”)例如由其他的计算机生成并预先存储在存储部301中。需要说明的是，二次检查用已学习模型也可以由计算机3生成。
二次检查用已学习模型例如通过使初始模型对表示基板9的一部分的图像(即，与上述的被检查图像对应的图像)与真缺陷的有无的关系进行机械学习而被创建。该机器学习例如通过使用了神经网络的深度学习来进行。基于该深度学习的学习例如使用ResNet来进行。需要说明的是，该机器学习也可以通过深度学习以外的方法进行。
缺陷分类部332按照缺陷的种类对缺陷图像中包含的缺陷进行分类。即，缺陷分类部332将复数个缺陷图像按照各缺陷图像中包含的缺陷的种类进行分类并分组。例如，复数个缺陷图像分别与一个种类的缺陷建立关联，各缺陷图像存储在表示自身相关联的一个种类的缺陷的文件夹中。
缺陷图像的分类例如利用由机器学习创建的已学习模型(以下，也称为“缺陷分类用已学习模型”)来进行。具体而言，与复数个缺陷种类(即，复数个种类的缺陷)分别对应的复数个缺陷分类用已学习模型预先存储于存储部301中，各缺陷图像被输入到该复数个缺陷分类用已学习模型中的每一个。然后，在复数个缺陷分类用已学习模型中的每一个中输出被输入的缺陷图像中包含的缺陷的适合度。
缺陷的适合度是指，缺陷图像中包含的缺陷是与输入有该缺陷图像的缺陷分类用已学习模型对应的缺陷种类的概率。该概率越高，上述缺陷相对于与缺陷分类用已学习模型对应的缺陷种类的适合度越高，该概率越低，上述缺陷相对于与缺陷分类用已学习模型对应的缺陷种类的适合度越低。
缺陷分类部332针对一个缺陷图像中包含的缺陷，基于在复数个缺陷分类用已学习模型中分别输出的复数个适合度(即，该缺陷相对于复数个缺陷种类的适合度)，将该缺陷分类为与一个缺陷分类用已学习模型对应的缺陷种类。具体而言，该缺陷被分类为与被输出的适合度最高的缺陷分类用已学习模型对应的缺陷种类。缺陷分类部332对复数个缺陷图像进行同样的处理，将各缺陷图像中包含的缺陷按照缺陷种类进行分类。
各缺陷分类用已学习模型例如通过使初始模型对表示基板9的一部分的图像(即，与上述的被检查图像对应的图像)与一个缺陷种类的有无的关系进行机械学习而被创建。该机器学习与上述二次检查用已学习模型的创建时的机器学习大致同样地进行。
虚报分类部333按照虚报的种类对虚报图像中包含的虚报进行分类。换言之，虚报分类部333将复数个虚报图像按照各虚报图像中包含的虚报的种类进行分类并分组。例如，复数个虚报图像分别与一个种类的虚报建立关联，各虚报图像存储在表示自身相关联的一个种类的虚报的文件夹中。
虚报图像的分类例如利用通过机器学习创建的已学习模型(以下，也称为“虚报分类用已学习模型”)来进行。具体而言，与复数个虚报种类(即，复数个种类的虚报)分别对应的复数个虚报分类用已学习模型预先存储在存储部301中，向该复数个虚报分类用已学习模型的每一个输入各虚报图像。然后，在复数个虚报分类用已学习模型的每一个中，输出被输入的虚报图像中的包含的虚报的适合度。
虚报的适合度是指，虚报图像中包含的虚报是与输入有该虚报图像的虚报分类用已学习模型对应的虚报种类的概率。该概率越高，上述虚报相对于与虚报分类用已学习模型对应的虚报种类的适合度越高，该概率越低，上述虚报相对于与虚报分类用已学习模型对应的虚报种类的适合度越低。
虚报分类部333针对一个虚报图像中包含的虚报，基于在复数个虚报分类用已学习模型中分别输出的复数个适合度(即，该虚报相对于复数个虚报种类的适合度)，将该虚报分类为与一个虚报分类用已学习模型对应的虚报种类。例如，该虚报被分类为与被输出的适合度最高的虚报分类用已学习模型对应的虚报种类。虚报分类部333针对复数个虚报图像进行同样的处理，按照虚报种类对各虚报图像中包含的虚报进行分类。
各虚报分类用已学习模型通过例如使初始模型对表示基板9的一部分的图像(即，与上述的被检查图像对应的图像)与一个虚报种类的有无的关系进行机械学习而被创建。该机器学习与上述二次检查用已学习模型以及缺陷分类用已学习模型的创建时的机器学习大致同样地进行。
需要说明的是，在虚报分类部333中，未必需要将全部的虚报图像中包含的虚报分类为某一个虚报种类。例如，对于一个虚报图像中包含的虚报，在复数个虚报分类用已学习模型中分别被输出的复数个适合度小于规定的阈值(以下，称为“虚报阈值”)的情况下，判断为该虚报不是与复数个虚报分类用已学习模型对应的复数个虚报种类中的任一个，从而被分类为合格品。
如图4所示，输出部304将基于第二检查部331、缺陷分类部332以及虚报分类部333的上述的分类结果(即，基于分类部303的分类结果)向显示器35等的显示部输出。在图4所示的例子中，复数个缺陷图像71被分类并显示为复数个缺陷种类即“短路”以及“突起”。另外，复数个虚报图像72被分类并显示为复数个虚报种类即“异物”以及“锈”。在各缺陷图像71以及各虚报图像72的下侧显示有与各图像建立关联的表示一次检查的检查逻辑的名称、简称等。
另外，输出部304将基于分类部303的上述分类结果中的、由缺陷分类部332按照缺陷种类进行分类的缺陷图像向未图示的验证装置发送。验证装置的操作者目视与从检查装置1发送来的缺陷图像对应的基板9上的区域，确认在检查装置1中检测出的缺陷及其分类。该操作者在判断为针对各缺陷图像中的缺陷的检查装置1的分类结果不适当的情况下，能够操作验证装置，将该缺陷重新分类为适当的缺陷种类(即变更分类)。由验证装置进行的缺陷的分类变更例如反映于由输出部304显示在显示器35上的缺陷以及虚报的分类结果。
警报部305基于由分类部303进行的上述分类结果，根据需要发出警报。例如，在该分类结果中，在被分类为一个虚报种类的虚报的数量(即，虚报图像的数量)为规定数量以上的情况下，警报部305发出蜂鸣音或向显示器35显示警告等警报。
另外，在与上述一个检查逻辑建立关联的虚报的数量(即，虚报图像的数量)为规定数量以上的情况下，警报部305发出蜂鸣音或向显示器35显示警告等警报。换言之，在一次检查中由一个检查逻辑检测出缺陷候补，在二次检查中判断为该缺陷候补为虚报的被检查图像的数量多到一定程度以上的情况下，警报部305发出警报。
接着，参照图5至图7对检查装置1中的基板9的检查的流程的一例进行说明。基板9的检查通过由计算机3执行上述的程序811(参照图2)来实施。在检查装置1中，首先，通过由图3所示的控制部306控制拍摄部21以及载物台移动机构23等，由拍摄部21拍摄基板9而获取上述拍摄图像(步骤S11)。拍摄图像通过规定的分割方法被分割为复数个被检查图像。
接着，由第一检查部302依次进行对复数个被检查图像的一次检查(例如，规则库检查)，检测缺陷候补(步骤S12)。将在步骤S12中检测出的包含缺陷候补的被检查图像(即缺陷候补图像)从第一检查部302向存储部301发送，与检测出该缺陷候补的一个检查逻辑建立关联并存储在存储部301中。
当步骤S12结束时，从存储部301(或第一检查部302)向分类部303发送缺陷候补图像。在分类部303中，利用通过机器学习创建的已学习模型，按照缺陷(即真缺陷)以及虚报的种类对各缺陷候补图像中的缺陷候补进行分类(步骤S13)。
在步骤S13中，首先，由第二检查部331进行对缺陷候补图像的二次检查(例如，利用了二次检查用已学习模型的AI检查)，将各缺陷候补图像中的缺陷候补分类为缺陷(即真缺陷)和虚报(图6为步骤S131)。然后，将包含缺陷的缺陷候补图像(即缺陷图像)向缺陷分类部332发送，将不包含缺陷而包含虚报的缺陷候补图像(即虚报图像)向虚报分类部333发送。
在缺陷分类部332中，按照缺陷的种类对各缺陷图像中的缺陷进行分类(步骤S132)。在步骤S132中，例如，利用与复数个缺陷种类分别对应的复数个缺陷分类用已学习模型，求出缺陷图像中的缺陷相对于复数个缺陷种类中的每一个的适合度，基于这些适合度进行该缺陷的分类。
在虚报分类部333中，按照虚报的种类对各虚报图像中的虚报进行分类(步骤S133)。在步骤S133中，例如，利用与复数个虚报种类分别对应的复数个虚报分类用已学习模型，求出虚报图像中的虚报相对于与复数个虚报种类的每一个的适合度，基于这些适合度进行该虚报的分类。
在步骤S133中，相对于复数个虚报种类中的任一个的适合度均不高(即，全部适合度小于上述虚报阈值)的虚报也可以不被分类为该复数个虚报种类，而被分类为合格品。在该情况下，包含被分类为合格品的虚报的虚报图像在后述的步骤S14中不在显示器35等中显示。
在步骤S131～S133中进行的缺陷候补的分类结果从分类部303向存储部301发送，并存储在存储部301中。需要说明的是，如果步骤S132以及步骤S133在步骤S131之后进行，则也可以并行地进行，步骤S133也可以在步骤S132之前进行。
当步骤S13结束时，基于分类部303的缺陷候补的分类结果由输出部304输出(步骤S14)。在步骤S14中，首先，该分类结果中的、在步骤S132中按照缺陷种类进行分类的缺陷图像由输出部304向验证装置(省略图示)输出(图7中的步骤S141)。验证装置的操作者目视与从检查装置1发送的缺陷图像对应的基板9上的区域，确认在检查装置1中检测出的缺陷。如上所述地按照缺陷种类对从检查装置1发送的缺陷图像中的缺陷进行分类，因此，验证装置的操作者也可以不进行将通过目视确认出的缺陷按照缺陷种类进行分类的作业。因此，能够减轻验证作业(即缺陷确认作业)中的操作者的作业。
验证装置的操作者在判断为针对各缺陷图像中的缺陷的检查装置1的分类结果不适当的情况下，操作验证装置来变更该缺陷的分类。在验证装置中进行的缺陷的分类变更从验证装置向检查装置1发送，反映于存储在存储部301中的缺陷候补的分类结果(步骤S142、S143)。例如，在检查装置1中判断为缺陷之一的“突起”的缺陷候补是由验证装置的操作者判断为虚报之一的“异物”的情况下，在存储部301中，包含该缺陷候补的缺陷候补图像的分类从包含“突起”的缺陷图像变更为包含“异物”的虚报图像。
当步骤S141～S143结束时，存储在存储部301中的上述分类结果由输出部304向显示器35输出，如图4的例子所示，显示在显示器35上(步骤S144)。
如上所述，在显示器35上，按照缺陷种类对各缺陷图像71进行分类并显示，按照虚报种类对各虚报图像72进行分类并显示。另外，与各缺陷图像71以及各虚报图像72建立关联的一次检查的检查逻辑也显示在显示器35上。因此，检查装置1的操作者能够容易地确认和分析哪个种类的缺陷以及虚报以何种程度的比例或频率发生。另外，该操作者能够容易地确认和分析各缺陷以及各虚报与一次检查的哪个检查逻辑建立关联。
该操作者能够根据需要将对检查装置1中的缺陷以及虚报的分类结果的分析反馈给前工序(例如，基板9的制造工序、一次检查工序等)。例如，在复数张基板9中的相同的区域发生相同的种类的缺陷或虚报的情况下，基板9的制造工序中的向该区域的处理可能发生某种异常这样的信息被反馈给制造工序。
另外，例如，在检测到多个与一个检查逻辑建立关联的虚报的情况下，将该检查逻辑的参数等可能不适当的信息反馈给一次检查工序。进而，在多个被检测出的该虚报在复数张基板9上集中于相同区域的情况，将该检查逻辑的参数等可能设定为容易与该区域的图案形状相抵触这样的信息反馈给一次检查工序。
需要说明的是，步骤S144也可以在步骤S141～S143之前或者与步骤S141～S143并行地进行。在该情况下，在验证装置中进行了缺陷的分类变更的情况下，在显示器35上已显示的分类结果与该分类变更相应地变更。
当步骤S14结束时，基于步骤S13中的缺陷候补的分类结果以及步骤S14中的缺陷的分类变更结果等，根据需要，由警报部305发出警报(步骤S15)。需要说明的是，步骤S15也可以与步骤S14并行地进行。
在步骤S15中，例如，在上述分类结果中，在分类为一个虚报种类的虚报数量为规定数量以上的情况下，发出蜂鸣音或向显示器35显示警告等警报。在该警告显示中包括例如包含上述规定数量以上的虚报的虚报种类的名称等。另外，例如，在上述分类结果中，在与一个检查逻辑建立关联的虚报数量为规定数量以上的情况下，发出蜂鸣音或向显示器35显示警告等警报。在上述警告显示中包括例如与上述规定数量以上的虚报建立关联的检查逻辑的名称等。由此，检查装置1的操作者在显示器35上的显示中，能够容易且迅速地识别包含应该向前工序反馈的信息的可能性高的部位，从而能够对检查装置1的分类结果进行适当的分析。
如上所述，检查装置1是检查在表面上具有图案的基板9的装置。检查装置1具有分类部303和输出部304。分类部303利用通过机器学习创建的已学习模型，按照缺陷以及虚报的种类对由针对拍摄基板9而得到的被检查图像进行的一次检查而检测出的缺陷候补进行分类。输出部304输出基于分类部303的分类结果。由此，如上所述，能够将缺陷以及虚报的分类结果反馈给前工序(例如，基板9的制造工序、一次检查工序等)。其结果，能够提高基板9的制造、检查等的质量。
如上所述，检查装置1优选还具有对被检查图像进行一次检查的第一检查部302。由此，能够利用一个装置汇总进行基板9的一次检查以及由该一次检查检测出的缺陷候补的分类。
如上所述，分类部303优选具有第二检查部331、缺陷分类部332、虚报分类部333。第二检查部331对缺陷候补进行利用了通过机器学习创建的已学习模型(即二次检查用已学习模型)的二次检查，将该缺陷候补分类为缺陷或虚报。缺陷分类部332利用通过机器学习创建的已学习模型(即缺陷分类用已学习模型)按照缺陷的种类对由第二检查部331分类后的缺陷进行分类。虚报分类部333利用通过机器学习创建的已学习模型(即虚报分类用已学习模型)按照虚报的种类对由第二检查部331分类后的虚报进行分类。
由此，能够适当地进行分类部303中的缺陷候补的分类。另外，这样，通过在将由一次检查检测出的缺陷候补按照缺陷种类以及按照虚报种类进行分类之前，预先分类为缺陷和虚报，与一个一个地确认在一次检查中检测出的各缺陷候补与复数个缺陷种类以及复数个虚报种类中的哪一个对应来进行分类的情况相比，能够缩短分类部303中的缺陷候补的分类所需的时间。其结果，能够缩短检查装置1中的基板9的检查所需的时间。
如上所述，缺陷分类部332优选基于由第二检查部331分类后的缺陷的、相对于复数个缺陷种类中的每一个的适合度，按照缺陷种类对该缺陷进行分类。另外，虚报分类部333优选基于由第二检查部331分类后的虚报的、相对于复数个虚报种类中的每一个的适合度，按照虚报种类对该虚报进行分类。由此，能够适当地进行分类部303中的缺陷候补的分类。
如上所述，优选地，在由第二检查部331分类后的虚报的相对于复数个虚报种类中的每一个的适合度小于规定的阈值(在上述例子中为虚报阈值)的情况下，虚报分类部333将该虚报分类为合格品。由此，能够提高分类部303中的虚报的分类的精度。
如上所述，检查装置1优选还具有警报部305，该警报部305在上述分类结果中被分类为一个虚报种类的虚报的数量为规定数量以上的情况下发出警报。由此，检查装置1的操作者能够容易且迅速地识别包含应反馈给前工序的信息的可能性较高的一个虚报种类。其结果是，能够对检查装置1的分类结果进行适当的分析。
如上所述，缺陷候补优选与在一次检查中使用的复数个检查逻辑中的检测出该缺陷候补的检查逻辑建立关联。另外，检查装置1优选还具有警报部305，该警报部305在上述分类结果中与一个检查逻辑建立关联的虚报的数量为规定数量以上的情况下发出警报。由此，检查装置1的操作者能够容易且迅速地识别包含应反馈给一次检查工序的信息的可能性较高的一个检查逻辑。其结果，能够对检查装置1的分类结果进行适当的分析。
检查在表面上具有图案的基板9的上述的检查方法包括：利用通过机器学习创建的已学习模型，按照缺陷以及虚报的种类对由针对拍摄基板9而得到的被检查图像进行的一次检查而检测出的缺陷候补进行分类的工序(步骤S13)；以及输出步骤S13中的分类结果的工序(步骤S14)。由此，与上述同样地，能够将缺陷以及虚报的分类结果反馈给前工序(例如，基板9的制造工序、一次检查工序等)。其结果，能够提高基板9的制造、检查等的质量。
如上所述，通过由计算机3执行程序811，进行以下工序：利用通过机器学习创建的已学习模型，按照缺陷以及虚报的种类对由针对拍摄基板9而得到的被检查图像进行的一次检查而检测出的缺陷候补进行分类的工序(步骤S13)：以及输出步骤S13中的分类结果的工序(步骤S14)。由此，与上述同样地，能够将缺陷以及虚报的分类结果反馈给前工序，其结果，能够提高基板9的制造、检查等的质量。
在由检查装置1进行的上述的检查中，也可以省略分类部303中的由第二检查部331进行的二次检查。在该情况下，在步骤S13中，将未分类为缺陷图像以及虚报图像的各缺陷候补图像分别输入到复数个缺陷分类用已学习模型以及复数个虚报分类用已学习模型中。然后，对于各缺陷候补图像中的缺陷候补，求出相对于复数个缺陷种类以及复数个虚报种类中的每一个的适合度，基于这些适合度，该缺陷候补被分类为一个缺陷种类或一个虚报种类。具体而言，该缺陷候补被分类为与输出的适合度最高的已学习模型(即，缺陷分类用已学习模型或虚报分类用已学习模型)对应的缺陷种类或虚报种类。
这样，在检查装置1中，分类部303也可以基于缺陷候补的相对于复数个缺陷种类以及复数个虚报种类中的每一个的适合度，按照缺陷以及虚报的种类对该缺陷候补进行分类。在该情况下，能够适当地进行分类部303中的缺陷候补的分类。需要说明的是，在省略了二次检查的情况下，也可以从检查装置1省略第二检查部331。
在上述的检查装置1、检查方法、以及程序811中能够进行各种变更。
例如，警报部305也可以在与上述例子不同的状态下发出警报。另外，警报部305未必需要设置于计算机3，也可以设置于计算机3的外部。需要说明的是，在检查装置1中，也可以省略警报部305。
在上述例子中，将虚报图像输入到与复数个虚报种类分别对应的复数个虚报分类用已学习模型中，基于从各虚报分类用已学习模型输出的适合度，该虚报图像中的虚报被分类为一个虚报种类。另外，在从各虚报分类用已学习模型输出的适合度均小于虚报阈值的情况下，该虚报图像中的虚报被分类为合格品。这样的虚报向合格品的分类也可以通过其他方法进行。例如，使初始模型学习了表示基板9的一部分的图像与不包含复数个虚报种类中的任一个的状态(即合格品)的关系的已学习模型包含于上述复数个虚报分类用已学习模型，在从该已学习模型(即合格品已学习模型)输出的适合度最高的情况下，也可以将虚报图像中的虚报分类为合格品。
在分类部303中，第二检查部331中的二次检查未必一定是利用了二次检查用已学习模型的AI检查，也可以是其他各种方法的检查。在该情况下，通过AI检查以外的二次检查而分类为缺陷的缺陷候补在缺陷分类部332中利用缺陷分类用已学习模型按照缺陷种类被分类。另外，通过AI检查以外的二次检查被分类为虚报的缺陷候补在虚报分类部333中利用虚报分类用已学习模型按照虚报种类被分类。
在分类部303中，在第二检查部331中利用二次检查用已学习模型分类为缺陷的缺陷候补未必一定需要利用缺陷分类用已学习模型按照缺陷种类进行分类，缺陷分类部332也可以通过其他方法按照缺陷种类对被分类为缺陷的缺陷候补进行分类。另外，在第二检查部331中利用二次检查用已学习模型分类为虚报的缺陷候补未必一定需要利用虚报分类用已学习模型按照虚报种类进行分类，虚报分类部333也可以利用其他方法按照虚报对被分类为虚报的缺陷候补进行分类。
在检查装置1中，也可以省略拍摄部21、载物台22、以及载物台移动机构23。在该情况下，使用由其他的装置拍摄到的基板9的拍摄图像，进行检查装置1中的基板9的检查。
在基于第一检查部302的一次检查中，除了上述规则库检查以外，或者也可以代替上述规则库检查，进行基于其他方法的检查(例如AI检查)。另外，上述一次检查未必一定需要由检查装置1来进行，也可以将由其他装置进行一次检查而检测出的缺陷候补图像从该其他装置向检查装置1发送并存储在存储部301中。在该情况下，在检查装置1中，也可以省略第一检查部302。
上述的基板9不一定限定于印刷布线基板。在检查装置1中，例如，也可以对半导体基板、半导体封装用基板、液晶显示装置或等离子显示装置等平板显示装置用玻璃基板、光掩膜用玻璃基板、太阳能电池面板用基板等进行检查。
上述实施方式以及各变形例中的结构只要相互不矛盾，则可以适当地组合。
虽然对发明进行了详细地描绘并说明，但不限于已述的说明例示。因此，在不脱离本发明的范围，也可以说能够进行多个变形或实施方式。

Claims (10)

1.一种检查装置，对在表面上具有图案的基板进行检查，其中，
具有：
分类部，利用通过机器学习创建的已学习模型，按照缺陷以及虚报的种类，对由针对拍摄基板而得到的被检查图像进行的一次检查而检测出的缺陷候补进行分类；以及
输出部，输出基于所述分类部的分类结果。
2.根据权利要求1所述的检查装置，其中，
所述检查装置还具有第一检查部，所述第一检查部对所述被检查图像进行所述一次检查。
3.根据权利要求1或2所述的检查装置，其中，
所述分类部基于所述缺陷候补相对于复数个缺陷种类以及复数个虚报种类中的每一个的适合度，将所述缺陷候补按照缺陷以及虚报的种类进行分类。
4.根据权利要求1或2所述的检查装置，其中，
所述分类部具有：
第二检查部，对所述缺陷候补进行利用了通过机器学习创建的已学习模型的二次检查，将所述缺陷候补分类为缺陷或虚报；
缺陷分类部，利用通过机器学习创建的已学习模型，按照缺陷种类对由所述第二检查部分类后的缺陷进行分类；以及
虚报分类部，利用通过机器学习创建的已学习模型，按照虚报种类对由所述第二检查部分类后的虚报进行分类。
5.根据权利要求4所述的检查装置，其中，
所述缺陷分类部基于由所述第二检查部分类后的所述缺陷的、相对于复数个缺陷种类中的每一个的适合度，按照缺陷种类对所述缺陷进行分类；
所述虚报分类部基于由所述第二检查部分类后的所述虚报的、相对于复数个虚报种类中的每一个的适合度，按照虚报种类对所述虚报进行分类。
6.根据权利要求5所述的检查装置，其中，
在由所述第二检查部分类后的所述虚报的相对于所述复数个虚报种类中的每一个的适合度小于规定的阈值的情况下，所述虚报分类部将所述虚报分类为合格品。
7.根据权利要求1或2所述的检查装置，其中，
所述检查装置还具有警报部，所述警报部在所述分类结果中被分类为一个虚报种类的虚报的数量为规定数量以上的情况下发出警报。
8.根据权利要求1或2所述的检查装置，其中，
所述缺陷候补与在所述一次检查中使用的复数个检查逻辑中的检测到所述缺陷候补的检查逻辑建立关联；
所述检查装置还具有警报部，所述警报部在所述分类结果中与一个检查逻辑建立关联的虚报的数量为规定数量以上的情况下发出警报。
9.一种检查方法，对在表面上具有图案的基板进行检查，其中，
包括：
a)工序，利用通过机器学习创建的已学习模型，按照缺陷以及虚报的种类，对由针对拍摄基板而得到的被检查图像进行的一次检查而检测出的缺陷候补进行分类；以及
b)工序，输出所述a)工序中的分类结果。
10.一种存储介质，存储有对在表面上具有图案的基板进行检查的程序，其中，
通过由计算机执行所述程序，进行以下工序：
a)工序，利用通过机器学习创建的已学习模型，按照缺陷以及虚报的种类，对由针对拍摄基板而得到的被检查图像进行的一次检查而检测出的缺陷候补进行分类；以及
b)工序，输出所述a)工序中的分类结果。
CN202410299526.8A 2023-03-17 2024-03-15 检查装置、检查方法、以及存储有程序的存储介质 Pending CN118671094A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2023043507A JP2024132653A (ja) 2023-03-17 2023-03-17 検査装置、検査方法およびプログラム
JP2023-043507 2023-03-17

Publications (1)

Publication Number Publication Date
CN118671094A true CN118671094A (zh) 2024-09-20

Family

ID=92727857

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410299526.8A Pending CN118671094A (zh) 2023-03-17 2024-03-15 检查装置、检查方法、以及存储有程序的存储介质

Country Status (4)

Country Link
JP (1) JP2024132653A (zh)
KR (1) KR20240140775A (zh)
CN (1) CN118671094A (zh)
TW (1) TW202438875A (zh)

Also Published As

Publication number Publication date
JP2024132653A (ja) 2024-10-01
KR20240140775A (ko) 2024-09-24
TW202438875A (zh) 2024-10-01

Similar Documents

Publication Publication Date Title
CN109978817B (zh) 信息处理装置、识别系统、设定方法以及存储介质
TWI689875B (zh) 利用深度學習系統的自動光學檢測分類設備及其訓練設備
TW571246B (en) System and method for dynamic image recognition
JP6549396B2 (ja) 領域検出装置および領域検出方法
Thielen et al. A machine learning based approach to detect false calls in SMT manufacturing
US20070172111A1 (en) Inspection apparatus of object to be inspected
CN112614086A (zh) 学习装置、检查装置、学习方法以及检查方法
Schwebig et al. Compilation of training datasets for use of convolutional neural networks supporting automatic inspection processes in industry 4.0 based electronic manufacturing
Wang et al. A multiple-stage defect detection model by convolutional neural network
JP2021143884A (ja) 検査装置、検査方法、プログラム、学習装置、学習方法、および学習済みデータセット
US7463765B2 (en) System and method for detecting and reporting fabrication defects using a multi-variant image analysis
KR102269741B1 (ko) 머신러닝을 이용한 오버랩 패턴의 엑스선 검사 방법
Lin et al. Defect contour detection of complex structural chips
JP2004296592A (ja) 欠陥分類装置、欠陥分類方法およびプログラム
JP2007192688A (ja) 欠陥検査方法
CN118671094A (zh) 检查装置、检查方法、以及存储有程序的存储介质
Schwebig et al. Intelligent fault detection of electrical assemblies using hierarchical convolutional networks for supporting automatic optical inspection systems
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
JP7423368B2 (ja) 不良検出装置及び不良検出方法
CN118901080A (zh) 自动化检验系统
KR20230129522A (ko) 지원 장치 및 방법
Vaidya Automatic optical inspection-based PCB fault detection using image processing
JP2021067508A (ja) 外観検査システム及び方法
Snehith et al. Convolutional neural network for printed circuit board verification
CN118961755B (zh) 一种基于机器学习的led线路板自动缺陷识别方法

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