JP2001307067A - 欠陥検査装置 - Google Patents

Abstract

(57)【要約】 【課題】 欠陥のサンプルデータが少ない場合において
も、短期間で高性能な判別手段を生成する機能を有した
欠陥検査装置を提供する。 【解決手段】 判別手段として、各欠陥の種類毎に判別
条件を明記したロジックテーブルによる判別を用いるこ
とで、人間の手による調整が容易となり、欠陥のサンプ
ルデータ以外の欠陥に関する知識を反映させることを可
能にする。また、サンプルデータを特徴量の類似したデ
ータ毎に分類し、ロジックテーブルを自動的に構築する
手段を備えることによって、ロジックを生成する時間を
短縮する。

Description

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】本発明は、検査対象の欠陥の
種類及び程度を判別する機能を持つ欠陥検査装置に関す
るものである。

【０００２】

【従来の技術】欠陥検査装置において欠陥の種類及び程
度を判別する判別手段として、決定木方式を用いて欠陥
の種類及び程度を判別する技術が知られている。これ
は、ある一つの特徴量に対して欠陥データの特徴量とあ
らかじめ設定された閾値との大小関係によって二方向の
いずれかに進むに分岐作業を、欠陥の種類が特定される
まで繰り返すことで、欠陥の種類及び程度を判別する判
別手段である。決定木を用いる方法では、決定木を作成
するために、種類および種類が分かっているサンプルデ
ータを収集した上で、このサンプルデータを精度よく分
類するために、人間が一つ一つの分岐において用いる条
件式を試行錯誤して調整している。そのため、調整に長
期間を要するという問題がある。

【０００３】この問題を解決するため、特開平５−２２
３７５１号公報および、特開平６−７６０６９号公報で
は、ニューラルネットワークを欠陥の種類及び程度が既
知である欠陥サンプルデータによって学習させて、学習
したニューラルネットワークによって欠陥の種類及び程
度を判別する判別手段を備える欠陥検査装置が提案され
ている。また、特開平６−６０８０４５号公報では、決
定木方式による判別手段と、学習機能とを組み合わせた
判別手段を備える欠陥検査装置が提案されている。

【０００４】

【発明が解決しようとする課題】判別手段の調整の目的
は、発生し得るデータ全体（今後、これを一般データと
記す）に対して精度良い判別を行うことのできる判別手
段を得ることに有る。しかし、ニューラルネットワーク
など学習機能を用いた手法では、サンプルデータを精度
よく分類できるようにはなるが、これが、一般データに
対して精度よく判別できる判別手段であるとは限らな
い。一般データに対して精度よく判別できるようにする
ためには、発生し得るすべての形態のデータを収集し、
学習させる必要がある。しかしながら、欠陥の発生は品
質の悪化を招くために、能動的に欠陥を発生させてデー
タを収集することができず、すべての形態のデータの収
集には長期間を要するため、調整期問が逆に長期化する
事態が起こり得る。

【０００５】この問題に対しては、人間が判別式を調整
することによって、データには現れていない欠陥に関す
る知識を判別に反映させることが有効であるが、ニュー
ラルネットワークなど学習機能を用いた手法では、ネッ
トワークにおける判別の内容が明示されていないため、
人間の知識を判別に反映させることができないという問
題がある。

【０００６】一方、人間が判別式の生成を一から行う手
法では、サンプルデータを精度よく分類できる判別手段
を生成することに対しても長期間を必要とする。これ
は、同じ種類であっても形態の大きく異なる欠陥、異な
る種類であっても形態の似ている欠陥が存在することが
有るために、少数の特徴量を用いるだけでは正確に分類
することができないことや、３つ以上の特徴量を組み合
わせた欠陥の発生状態を図示することが困難なため、３
つ以上の特徴量を有効に活用した判別手段を得ることが
困難であることに起因する。

【０００７】本発明では、人間の調整による性能向上を
可能にすること、判別の条件式を自動構築することによ
って調整期間を短縮することを可能にする欠陥検査装置
を提供することを目的とする。

【０００８】

【課題を解決するための手段】本発明の第一の欠陥検査
装置は、検査対象を撮影し、画像を得る撮像手段；撮像
手段で得られた画像から欠陥を検出する欠陥検出手段；
欠陥検出手段で検出された各欠陥の特徴量を抽出する特
徴量抽出手段；欠陥の特徴量から、各欠陥の種類毎に判
別条件式を記したロジックテーブルによってその種類及
び程度を判別する欠陥判別手段；欠陥の種類及び程度が
既知のデータからなるデータベースに対して、それぞれ
の特徴量を比較し、その値の類似したデータを一つのク
ラスタにまとめることでデータベースを複数のクラスタ
に分類する純粋クラスタ分類機能、および分類された各
クラスタ毎に特徴量の値を用いた判別条件式を生成し、
ロジックテーブルを生成するロジックテーブル生成機能
の二つの機能を有し、データベースから自動的にロジッ
クテーブルを生成するロジックテーブル生成手段；を備
えた欠陥検査装置である。

【０００９】本発明の第二の欠陥検査装置は、第一の欠
陥検査装置において、前記ロジックテーブル生成手段
が、前記二つの機能に加えて、二つのクラスタを一つの
クラスタに融合することによって、データベースに対す
る誤判別がどれだけ発生するかを評価し、誤判別の発生
が最少となる二つのクラスタを一つのクラスタに融合す
るクラスタ融合機能；一つのクラスタ内のデータをそれ
ぞれ他のクラスタに割り当てることによってデータベー
スに対する誤判別がどれだけ発生するかを評価し、誤判
別の発生が最少となる一つのクラスタを除去するクラス
タ除去機能；クラスタ融合とクラスタ除去とによってそ
れぞれに対する誤判別がどれだけ発生するかを評価し、
より誤判別が少ない機能を選択し、クラスタ数を削減す
るクラスタ数削減機能；前記クラスタ数削減機能により
削減したクラスタ分類において、データベース以外の一
般データに対する判別率を推定する判別率評価機能；を
有し、前記クラスタ融合機能、クラスタ除去機能、クラ
スタ数削減機能および判別率評価機能を、前記純粋クラ
スタ分割機能によるクラスタ分類からクラスタ分類が一
つになるまで順次適用し、前記一般データに対する判別
率の推定値が最大となるクラスタ分類を用いてロジック
テーブルを生成することを特徴とする欠陥検査装置であ
る。

【００１０】本発明の第三の欠陥検査装置は、第一の欠
陥検査装置または第二の欠陥検査装置において、前記ロ
ジックテーブル生成手段が、クラスタ分類を行う前処理
として、データベース内の特徴量が類似した同種データ
を探索し、特徴量が類似した同種データを持たないデー
タを孤立点としてデータベースから取り除く孤立点除去
機能を有することを特徴とする欠陥検査装置である。

【００１１】ここで、クラスタとはデータベース内のデ
ータの部分集合を意味する。また、データベース内の各
々のデータが複数のクラスタに分類したとき、そのクラ
スタの集合をクラスタ分類と呼ぶ。さらに、ロジックテ
ーブルとは、表１に示す表形式に表された判別条件式の
集合を指す。ロジックテーブルの縦方向の項目として欠
陥の種類が並び、横方向の項目として特徴量の種類が並
んでおり、横方向に並んだ判別条件式が一組となって各
行の先頭に記述された欠陥の種類を判別するための条件
式となる。ロジックテーブル方式とはこのロジックテー
ブルを用いて欠陥の種類を判別する手法である。

【００１２】

【表１】

【００１３】

【発明の実施の形態】［実施例］ここでは、鋼板表面の
欠陥検査における実施例によって発明の実施の形態を説
明する。図１に本発明の実施例の模式図を示す。撮像部
では、流れる鋼板１の表面を、蛍光灯照明（光源２）に
よって鋼板の流れる方向とは垂直の向きに均一の明るさ
で照らす。さらに蛍光灯を照射した箇所をラインセンサ
カメラ３で撮像する。その結果、鋼板の流れと共に２次
元画像が得られる。

【００１４】欠陥検出部４では、専用の画像処理装置に
よって、この鋼板の画像の各画素に対して、周辺画素と
の輝度の線形和を得るフィルタ処理を施し、この値が与
えられた閾値を超えるか否かによって画素毎に正常であ
るか欠陥であるかを判定し、正常部は０、欠陥部は１で
記述される２値画像を作成する。さらに、連続して発生
している欠陥画素を結合していくことで一つ一つの欠陥
部を認識する。

【００１５】特徴量抽出部５では、欠陥部位の幅、長
さ、周囲長、面積、外接長方形面積という欠陥の形態に
関する情報、欠陥部位の輝度の最大値、最小値、平均値
などの欠陥の見え方（明るさ）に関する情報などが特徴
量として抽出される。

【００１６】欠陥判別部６では、特徴量抽出部５にて抽
出された特徴量をもとにテーブル方式によって欠陥の種
類や有害度の判別を行う。テーブル方式では、ロジック
テーブルによってあらわされる判別条件によって判定さ
れる。ロジックテーブルの縦方向の項目として欠陥の種
類が並び、横方向の項目として特徴量の種類が並んでい
る。各項目には、対応する特徴量の大小による判別式が
記述されており、ロジックテーブルの各行が一組となっ
て、一つ一つの欠陥の種類の判別条件となる。判別は、
最上位の行に記述された種類から順に行い、いずれかひ
とつの行に関する判別条件をすべて満たした時点で停止
する。以上の処理は、鋼板の通板と共にリアルタイム処
理で行われる。

【００１７】さらに、ロジックテーブル生成部７によっ
て、オフラインで欠陥判別部６で用いるロジックテーブ
ルを生成する。まず、欠陥検査装置によって欠陥の検出
を行うとともに、同じ鋼板に対して検定員によって欠陥
の検出、および、欠陥の種類、程度の判別を行う。この
両者を比較し、対応付けることで欠陥検査装置が検出し
た欠陥に対して、検定員が判別した種類、程度を求め
る。この結果、検定員が判別した種類、程度と対応付い
たデータからなるデータベースが得られる。ロジックテ
ーブル生成部では、このデータベースを元に、ロジック
テーブルを作成する処理が行われる。

【００１８】続いて、このロジックテーブル生成部にお
いて、データベースからロジックテーブルを生成する処
理を説明する。ロジックテーブル生成部における処理の
流れの概略を図２に示す。まず、正規化処理として各特
徴量毎にデータベース全体の平均値、分散値によって、
平均値０、分散値１となるように正規化する（２１）。
つづいて、各データが孤立点であるか否かを評価し、孤
立点をデータベースから取り除く（２２）。このデータ
ベースを異種データを含まないクラスタ（以降、純粋ク
ラスタと、呼ぶ）に分類する（２３）。得られたクラス
タ分類に対して、２つのクラスタを選び、このすべての
組合せに対して、クラスタを融合した場合に生じる、各
クラスタに含まれる異種データ数の和の変化（以降この
変化量を、クラスタ融合のコスト、と呼ぶ）を求める
（２４）。また、同様に、各クラスタを除去した場合に
生じる、各クラスタに含まれる異種データ数の和の変化
量（以降この変化量を、クラスタ除去のコスト、と呼
ぶ）を求める（２５）。前段階で求めたクラスタ融合の
コストおよびクラスタ除去のコストを比較して、クラス
タ融合もしくはクラスタ除去のいずれか一方の処理を行
うことでクラスタ数を１つ削減したクラスタ分類を求め
る（２６）。このクラスタ分類に対して一般データに対
する判別率（以降、実効判別率と呼ぶ）を推定する（２
７）。図２のステップ２４以降の処理をクラスタ数が１
になるまで繰り返す（２８）。最後に実効判別率の推定
値を比較して、実効判別率最大のクラスタ分割に対して
ロジックテーブルを生成する（２９）。

【００１９】続いて、図２における各処理の詳細につい
て、更に説明する。図２のステップ２２に記した孤立点
除去処理の流れを図３に示す。データを１つ選び（３
１）、そのデータをｄと記す。特徴量空間においてデー
タｄを含み、データｄと種類の異なるデータを含まない
ｎ次元直方体領域を求める（３２）。以降この領域をデ
ータｄの純粋領域、と呼ぶ。データｄの純粋領域のなか
に、データｄと同種のデータがいくつ含まれるのかを評
価する（３３）。データｄ以外のデータを含む場合はデ
ータｄを非孤立点とみなし（３４）、データｄしか含ま
ない場合はデータｄを孤立点とみなす（３５）。すべて
のデータに関して孤立点か、非孤立点か、の判定を行い
（３６）、最後に孤立点をデータベースから取り除く
（３７）。

【００２０】図３のステップ３２に記した純粋領域探索
処理の流れを図４に示す。入力として特徴量空間におけ
る初期傾域、及び傾域外データを与える。この処理で
は、初期領域を核として領域を領域外データに衝突する
まで拡大していき、領域外データを含まない領域を求め
る。前記の孤立点除去におけるデータｄの純粋領域探索
では、初期領域としてデータｄの示す１点、領域外デー
タとしてデータｄと種類の異なるデータ全体を与える。
初期領域の境界面を出発面として、各座標軸方向に等方
的に領域を拡大していく（４１）。領域外データに衝突
した時点でその方向への拡大を停止し（４２）、残りの
方向に対して等方的に領域を拡大していく。すべての方
向に対して拡大が停止する、もしくは無限遠に達したら
終了する（４３）。

【００２１】図２のステップ２３に記した純粋クラスタ
分割処理の流れを図５に示す。孤立点を除いたデータベ
ースに対して、各データの純粋領域および純粋領域内の
データ数を求め（５１）、以下の式で表される評価値を
求める（５２）。 評価値＝データｄの純粋領域内のデータ数／データベー
スにおけるデータｄと同種類のデータ総数 すべてのデータに対して評価値を求め（５３）、評価値
が最大となる純粋領域の内側に存在するデータを集めて
第１クラスタとし（５４）、第１クラスタに属するデー
タをデータベースから取り除く（５５）。これを繰り返
して第２、第３のクラスタを求めていき、データベース
が空になった時点で終了する（５６）。ここで、各クラ
スタは、除去した順に順位をつける。すなわち、第ｋク
ラスタの順位はｋとなる。

【００２２】図２のステップ２４に記したクラスタ融合
のコスト計算処理の流れを図６に示す。クラスタ分類の
中から２つのクラスタを選択し（６１）、これらの２つ
のクラスタを融合する（６２）。融合前と融合後におい
て、各クラスタに含まれる異種データ数の総和がどれだ
け変化したかを求めて、この値を融合のコストとする
（６３）。コストを計算したら、クラスタ分割を融合前
の状態に戻す（６４）。全組合せに対して同様に融合の
コストを計算し（６５）、コストの最小値と最小を達成
するクラスタの組合せを求める（６６）。

【００２３】図６のステップ６２に記したクラスタ融合
処理の流れを図７に示す。第ｉクラスタと第ｊクラスタ
（ｉ＜ｊとする）が融合する場合、融合後のクラスタの
順位は、より上位であるｉとする（７１）。第ｉクラス
タと第ｊクラスタに属するデータを一つにまとめて（７
２）、このデータに対して各特徴量毎に最大値、最小値
を求める。この最大値、最小値で規定されるｎ次元直方
体領域を考える（７３）。以降、この領域を最小領域と
呼ぶ。最小領域内に存在するデータのうち、第ｉクラス
タより下位のクラスタに属するものは、全て融合したク
ラスタヘと移す（７４）。この結果、第ｊクラスタに属
していたデータはすべて第ｉクラスタヘと移動し、場合
によってはそれ以外のクラスタからのデータの移動もあ
りえる。この様にして得られた融合したクラスタのデー
タにおける最多欠陥種を求めて、この欠陥種を融合した
クラスタの欠陥種とする。それ以外の欠陥種のデータは
すべて異種データとなる（７５）。最後にｊ以下のクラ
スタの順位を１つ繰り上げて終了する（７６）。

【００２４】このコスト計算処理は、以下において説明
するクラスタ削減処理においても用いられる。図２のス
テップ２５に記したクラスタ除去のコスト計算処理の流
れを図８に示す。クラスタ分類の中から１つのクラスタ
を選択し（８１）、このクラスタを除去する（８２）。
除去前と除去後において、各クラスタに含まれる異種デ
ータ数の総和がどれだけ変化したかを求めて、この値を
除去のコストとする（８３）。コストを計算したら、ク
ラスタ分割を除去前の状態に戻す（８４）。全クラスタ
に対して同様に除去のコストを計算し（８５）、コスト
の最小値と最小を達成するクラスタを求める（８６）。

【００２５】図８のステップ８２に記したクラスタ除去
処理の流れを図９に示す。ここでは第ｋクラスタを除去
するものとする。まず、第ｋクラスタおよび第ｋクラス
タに属するデータを取り除き（９１）、第ｋクラスタ以
下のクラスタの順位を１繰り上げる（９２）。第１クラ
スタの最小領域を求めて、この最小領域を初期領域と
し、除去したクラスタおよび第２クラスタ以降に属する
データで、第１クラスタと種類の異なるデータの全体を
領域外データとし、純粋領域を求める。この純粋領域に
は、第１クラスタに属するデータと、第２クラスタ以降
のクラスタに属するデータのうち第１クラスタと同種の
データが含まれる。以降、この純粋領域を、第１クラス
タの最大領域と呼ぶ（９３）。この第１クラスタの最大
領域内に除去したクラスタに属していたデータが含まれ
ているときは、そのデータを新たに第１クラスタに属す
るデータとして割り当てる（９４）。同様に第２、第３
のクラスタにもデータを割り当てていき（９５）、どの
クラスタにも属さないデータは最下位のクラスタに属す
るデータとして割り当てて（９６）終了する。

【００２６】図２のステップ２６に記したクラスタ削減
処理の流れを図１０に示す。ステップ２４で計算したク
ラスタ融合の最小コストと、ステップ２５で計算したク
ラスタ除去の最小コストとを比較し（１０１）、クラス
タ融合のコストが小さければクラスタ融合を（１０
２）、クラスタ除去のコストが小さければクラスタ除去
を実施する（１０３）。ここで、ステップ１０２におけ
るクラスタ融合は図７に記した処理によって行う。ま
た、ステップ１０２におけるクラスタ除去は図９に記事
した処理によって行う。

【００２７】図２のステップ２７に記した判別率推定処
理の流れを図１１に示す。この実施例では、交互検定法
を用いて判別率を評価している。まず、データベースを
３つのグループに分ける（１１１）。そのうち１つを評
価用データベース、残りの２つを合わせて生成用データ
ベースとする（１１２）。生成用データベースを元にロ
ジックテーブルを生成する（１１３）。得られたロジッ
クテーブルに評価用データベースのデータを適用して、
判別結果が本来の種類（程度）と一致するか否かを調べ
る（１１４）。３つのグループのそれぞれを評価用デー
タベースとして３回繰り返し（１１５）、全結果を集計
して判別率を求める（１１６）。この結果を実効判別率
の推定値とする。

【００２８】図２のステップ２９に記したロジックテー
ブル作成処理の流れを図１２に示す。まず、第１クラス
タに着目し、第１クラスタの最小領域と最大領域を求め
る。最小領域と最大領域の境界値を比較し、あらかじめ
設定した境界比率ｔ（０＜ｔ＜１）に応じて各方向毎に
以下の式で境界値を定める（１２２）。 新境界値＝ｔ×最大領域の境界値＋（１−ｔ）×最小領
域の境界値 新境界値によって得られる領域は最大領域よりは小さ
く、最小領域よりは大きくなっている。新境界値によっ
て各特徴量ごとに条件式を定めることで、第１クラスタ
の判別条件を生成する（１２３）。この判別条件をロジ
ックテーブルの第１行の判別条件として記述する（１２
４）。これを最下位のクラスタまで繰り返すことでロジ
ックテーブルを生成する（１２５）。以上の処理によっ
て、データベースからロジックテーブルを生成すること
ができる。

【００２９】

【発明の効果】本発明では、第１にクラスタ分類機能に
よって、データベースの細分化を進めていくことで、デ
ータベースを正確に分類するロジックテーブルを自動的
に生成することができるようになり、人間が１からロジ
ックを生成する場合に比べて、ロジックの調整に要する
時間を短縮することができる。また、ロジックテーブル
方式では、判別内容が明示されているため、人間が自動
生成したロジックテーブルの判別式を操作し、データベ
ースには含まれない欠陥に関する知識を反映させて判別
性能を向上させることができる。

【００３０】第２に、クラスタ融合処理、および、クラ
スタ削除処理を用いることで、より単純な構造をもとめ
ることができる。さらに、一般データに対する判別率を
推定することで、複数のロジックテーブルの中から一般
データに対して最適なロジックテーブルが何であるかを
判断することができるようになる。第３に、特徴の類似
した同種欠陥を持たないデータをデータベースから取り
除くことによって、例外的な少数データを排除し、この
ようなデータの存在によって一般データに対する判別性
能を低下させる事態を避けることができる。

【図面の簡単な説明】

【図１】本発明の実施例を示す模式図である。

【図２】図１における「ロジックテーブル作成手段」７
の流れを示すフローチャートである。

【図３】図２における「孤立点除去」２２の流れを示す
フローチャートである。

【図４】図３における「純粋領域探索」３１の流れを示
すフローチャートである。

【図５】図２における「純粋クラスタ分割」２３の流れ
を示すフローチャートである。

【図６】図２における「クラスタ融合コスト計算」２４
の流れを示すフローチャートである。

【図７】図６における「クラスタ融合」６２の流れを示
すフローチャートである。

【図８】図２における「クラスタ除去コスト計算」２５
の流れを示すフローチャートである。

【図９】図８における「クラスタ除去」８２の流れを示
すフローチャートである。

【図１０】図２における「クラスタ削減」２６の流れを
示すフローチャートである。

【図１１】図２における「判別率推定」２７の流れを示
すフローチャートである。

【図１２】図２における「ロジックテーブル作成」２９
の流れを示すフローチャートである。

【符号の説明】

１ 鋼板 ２ 光源 ３ カメラ ４ 欠陥検出部 ５ 特徴量抽出部 ６ 欠陥判別部 ７ ロジックテーブル生成部

───────────────────────────────────────────────────── フロントページの続き (72)発明者 國永 学 千葉県富津市新富20−１ 新日本製鐵株式 会社技術開発本部内 Ｆターム(参考） 2F065 AA22 AA28 AA49 AA58 AA61 CC06 DD06 FF04 GG16 JJ03 JJ05 JJ26 QQ21 QQ29 QQ31 QQ41 QQ42 2G051 AA37 AB02 AC04 CA03 CA07 CB01 DA06 EA14 EA23 EB01 EB02 EB05 EC01 EC02 EC03 EC05 ED08 ED21 5B057 AA01 BA02 CA08 CA12 CA16 CB18 CC01 CE12 DA03 DB02 DB09 DC03 DC04 DC36 DC40 5L096 AA07 BA03 CA02 DA02 DA04 EA43 FA17 FA32 FA33 FA59 FA64 FA65 KA04 MA07

Claims (3)

【特許請求の範囲】
1. 【請求項１】 検査対象を撮影し、画像を得る撮像手
   段；撮像手段で得られた画像から欠陥を検出する欠陥検
   出手段；欠陥検出手段で検出された各欠陥の特徴量を抽
   出する特徴量抽出手段；欠陥の特徴量から、各欠陥の種
   類毎に判別条件式を記したロジックテーブルによってそ
   の種類及び程度を判別する欠陥判別手段；欠陥の種類及
   び程度が既知のデータからなるデータベースに対して、
   それぞれの特徴量を比較し、その値の類似したデータを
   一つのクラスタにまとめることでデータベースを複数の
   クラスタに分類する純粋クラスタ分類機能、および分類
   された各クラスタ毎に特徴量の値を用いた判別条件式を
   生成し、ロジックテーブルを生成するロジックテーブル
   生成機能の二つの機能を有し、データベースから自動的
   にロジックテーブルを生成するロジックテーブル生成手
   段；を備えた欠陥検査装置。
2. 【請求項２】 前記ロジックテーブル生成手段が、前記
   二つの機能に加えて、二つのクラスタを一つのクラスタ
   に融合することによって、データベースに対する誤判別
   がどれだけ発生するかを評価し、誤判別の発生が最少と
   なる二つのクラスタを一つのクラスタに融合するクラス
   タ融合機能；一つのクラスタ内のデータをそれぞれ他の
   クラスタに割り当てることによってデータベースに対す
   る誤判別がどれだけ発生するかを評価し、誤判別の発生
   が最少となる一つのクラスタを除去するクラスタ除去機
   能；クラスタ融合とクラスタ除去とによってそれぞれに
   対する誤判別がどれだけ発生するかを評価し、より誤判
   別が少ない機能を選択し、クラスタ数を削減するクラス
   タ数削減機能；前記クラスタ数削減機能により削減した
   クラスタ分類において、データベース以外の一般データ
   に対する判別率を推定する判別率評価機能；を有し、前
   記クラスタ融合機能、クラスタ除去機能、クラスタ数削
   減機能および判別率評価機能を、前記純粋クラスタ分割
   機能によるクラスタ分類からクラスタ分類が一つになる
   まで順次適用し、前記一般データに対する判別率の推定
   値が最大となるクラスタ分類を用いてロジックテーブル
   を生成することを特徴とする請求項１に記載の欠陥検査
   装置。
3. 【請求項３】 前記ロジックテーブル生成手段が、クラ
   スタ分類を行う前処理として、データベース内の特徴量
   が類似した同種データを探索し、特徴量が類似した同種
   データを持たないデータを孤立点としてデータベースか
   ら取り除く孤立点除去機能を有することを特徴とする請
   求項１または請求項２に記載の欠陥検査装置。