JP2005309535A - 画像自動分類方法 - Google Patents
画像自動分類方法 Download PDFInfo
- Publication number
- JP2005309535A JP2005309535A JP2004122121A JP2004122121A JP2005309535A JP 2005309535 A JP2005309535 A JP 2005309535A JP 2004122121 A JP2004122121 A JP 2004122121A JP 2004122121 A JP2004122121 A JP 2004122121A JP 2005309535 A JP2005309535 A JP 2005309535A
- Authority
- JP
- Japan
- Prior art keywords
- classification
- category
- learning data
- image
- major
- 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
Images
Abstract
【課題】 分類基準学習型の画像自動分類方法において、分類基準の作成作業が容易な画像自動分類方法を提供する。
【解決手段】 学習データにおける各分類カテゴリの特徴量分布から、使用すべき特徴量を限定的に選択する。次に、使用する特徴量に最適な大分類カテゴリを自動で限定的に選択する。更に、選択した大分類カテゴリに最適な詳細分類カテゴリを自動で限定的に選択する。また、学習データと分類結果とを比較して、カテゴリ分布に乖離がある場合、学習データを更新する。
【選択図】 図2
【解決手段】 学習データにおける各分類カテゴリの特徴量分布から、使用すべき特徴量を限定的に選択する。次に、使用する特徴量に最適な大分類カテゴリを自動で限定的に選択する。更に、選択した大分類カテゴリに最適な詳細分類カテゴリを自動で限定的に選択する。また、学習データと分類結果とを比較して、カテゴリ分布に乖離がある場合、学習データを更新する。
【選択図】 図2
Description
本発明は、画像の自動分類に関するものであって、特に半導体製品の製造プロセス中に発生したパターン欠陥や付着異物等を撮像した欠陥画像を自動分類する方法及び自動分類する装置に関する。
半導体製品には、その製造工程中において、製造装置から発生される異物等による形成パターンのショートや断線等の欠陥、製造プロセスの条件の不具合によって生じる欠陥等が発生するおそれがある。そこで、これらの欠陥の発生原因を早期に特定し対策を施すことが、製品歩留りの向上に不可欠である。そのため、ウェハ表面に付着した異物やウェハ表面に形成されたパターン欠陥を半導体ウェハ異物検査装置や半導体ウェハ外観検査装置により検査することにより、これらの発生を常に監視し、その検査結果を基に、その欠陥の発生原因を早期に突き止め対策を行う必要がある。
この際、一枚の半導体ウェハ上で検出された欠陥が数個から数十個であれば、それらの箇所を撮像した画像を人手で確認することによりその欠陥の種類を判別し、その欠陥の原因を特定することが可能である。
しかし、一枚のウェハ上で検出される欠陥部位が数百から数千にのぼる場合は、人手による全欠陥の観察には相当の労力が必要とされ、事実上不可能である。このため、これまでは、検出された全欠陥から、任意に選んだ欠陥のみを観察するということがされている。ところがこのように選択された欠陥のみを観察していたのでは、製品の良品/不良品の判断に関わるような重要な欠陥を見逃す可能性がある。
そこで、検査装置により検出された異物欠陥やパターン欠陥をその発生原因別に又はその外観の特徴別に自動分類し(ここで分離された一つのグループをカテゴリと呼ぶこととする)、製品の不良品の発生に致命的な欠陥のカテゴリのみを人手により観察し、そのカテゴリ毎の発生頻度などを監視できれば、それら欠陥の早期な対策が可能になり製品歩留りの向上に貢献することが可能である。
被検査画像に含まれる情報を特徴量として抽出し、それに基づいて自動分類する方法としては、ニューラルネットワークを用いた方法が、下記特許文献1に開示されている。
従来技術のような画像分類方法において、多様化する分類ニーズに応えるためには、画像情報から多種多様な特徴量を抽出して、効果的に分類基準を学習する必要がある。ところが特徴量の増大は、不適切な特徴量混入の可能性を高める。本発明は、使用する特徴量の組合せを自動で選択することで、不適切な特徴量の影響による分類性能の低下を防止する画像分類方法を実現することを目的とする。
また、ニューラルネットワークを用いた方法では、各特徴量に重み付けをすることで不適切な特徴量が分類性能に及ぼす影響を低減しようとするが、特徴量の増加は最適な重み付けを行うための演算時間、あるいは全体的な学習時間の増大を招く。本発明は、使用する特徴量を自動で選択することで、分類基準学習データの作成時間の増大を抑えた画像分類方法を実現することを目的とする。次に、大分類によりカテゴリ群を限定した後、限定されたカテゴリ内で詳細分類を階層的分類を行うことで分類性能の向上を図る画像分類方法において、多様化する分類ニーズに対して分類性能を維持するためには、大分類カテゴリ群の選別と、各大分類カテゴリ内の詳細分類カテゴリ群の組合せを最適化することが必要である。この最適化には多種多様な特徴量に関する知識が必要であり、大分類カテゴリ群の選別と、各大分類カテゴリ内の詳細分類カテゴリ群の組合せを最適化する処理はユーザの負担となっている。本発明は、使用する特徴量に最適な大分類カテゴリの選別作業が容易な画像分類方法を実現することを目的とする。また、各大分類カテゴリに対して詳細分類カテゴリの組合せを最適化する作業が容易な画像分類方法を実現することを目的とする。
更に、半導体製造の過程においては、同一カテゴリに分類すべき欠陥の画像的特徴がプロセス変動により、学習時のデータと比較して変化する場合がある。このプロセス変動に柔軟に対応するためには、分類時のデータに基づいて学習データを更新する必要がある。本発明は、分類時と学習時の各カテゴリ分布を比較して学習データを更新することで、プロセス変動に柔軟に対応することができる画像分類方法を実現することを目的とする。
本発明は上記課題を解決するために、不適切な特徴量を排除し、適切な特徴量のみを使用することで、分類性能を向上させる手段として、学習データにおける各カテゴリの特徴量の分布から、使用すべき特徴量を自動的に選択するようにした。また、使用する特徴量に適した大分類カテゴリを選定することで、分類性能を向上させる手段として、学習データにおける各カテゴリの特徴量の分布から、大分類カテゴリを自動的に選択するようにした。次に、各大分類カテゴリと各大分類カテゴリ内の詳細分類カテゴリ群との組合せを最適化することで、分類性能を向上させる手段として、学習データにおけるカテゴリ分布から、各大分類カテゴリと組合せるべき詳細分類カテゴリを自動的に選択するようにした。更に、プロセス変動に柔軟に対応し、分類性能の低下を防止する手段として、分類データにおけるカテゴリ分布と学習データにおけるカテゴリ分布とを比較して、各カテゴリの発生頻度に設定基準以上の差がある場合、分類データにおけるカテゴリ分布に対して最適化されるように、学習データを更新するようにした。
このように特徴量、大分類カテゴリ、大分類カテゴリに登録すべき詳細分類カテゴリ、又はこれらの組合せを最適化して限定することで、分類性能を向上させるだけでなく、学習データの作成時間、又は分類処理時間の短縮を実現するものである。
本発明によれば、分類基準学習型の画像自動分類方法において、多様な分類ニーズに柔軟に対応する分類基準を容易に作成できる。
第1に、本発明によれば、ユーザは分類したいカテゴリに画像を登録するだけで、分類基準の学習に必要な特徴量が自動的に厳選されるので、学習データ作成作業が容易に行え、特徴量数を限定的に選択できる。これにより、学習に要する時間を短縮でき、不要な特徴量が混入しないので、分類性能を向上させることができる。
第2に、本発明によれば、ユーザは分類したいカテゴリに画像を登録するだけで、分類基準の学習に必要な大分類カテゴリが自動的に限定されるので、学習データ作成作業が容易に行え、大分類カテゴリ数を限定的に選択できる。これにより、学習に要する時間を短縮でき、不要な大分類カテゴリに分類しないので、分類性能を向上させることができる。
第3に、本発明によれば、ユーザは分類したいカテゴリに画像を登録するだけで、分類基準の学習に必要な大分類カテゴリと詳細分類カテゴリの組合せを最適化できるので、学習データ作成作業が容易に行え、詳細分類カテゴリ数を限定的に選択できる。これにより、学習に要する時間を短縮でき、不要な詳細分類カテゴリが排除されるので、分類性能を向上させることができる。
第4に、本発明によれば、ユーザは分類したいカテゴリに画像を登録するだけで、分類データに合わせて学習データを更新することができるので、容易に学習データの改良が行える。
以下、本発明の実施例を説明する。図1はシステム構成図を示したものである。半導体製造プロセスに適用する場合には、画像撮像部が電子顕微鏡となる。
図2に学習の手順を示す。学習用の画像データセットを読み込んだ後、ユーザは学習に使用する画像をカテゴライズする。図3はカテゴライズ操作を行う画面の一例である。ユーザは画面上で欠陥画像をドラッグ&ドロップにより分類したいカテゴリに移動するだけでよく、画像処理又は特徴量に関する特別な知識を必要としない。カテゴリ名称は、例えば、致命異物、非致命異物、パターンオープン、パターンショート、スクラッチ、虚報のように、画像処理又は特徴量を意識せず自由に設定できる。次にカテゴライズ結果から大分類に使用する特徴量を限定する。
図4は特徴量限定アルゴリズムを説明するための模式図である。図4では分類カテゴリCiをC1,C2、C3、特徴量FiのうちF1,F2、F3を表示している。実際の装置では、分類カテゴリは3〜20個程度、使用する特徴量の候補は欠陥の大きさ、高さ、形、明るさ、色、テクスチャ、欠陥と背景の位置関係など30〜100程度である場合が多い。図の横軸は−1から1の範囲の値を取るように規格化した特徴量、縦軸は各カテゴリの面積が1になるように規格化した度数である。図4(a)の場合、度数分布に重なりがないため有効な特徴量と判断できる。図4(b)の場合、C1を分類するのに有効な特徴量であるが、C2とC3を分類するのには無効な特徴量である。図4(c)の場合、重なりが大きいため有効ではない特徴量と判断できる。
図5は大分類特徴量選択の手順である。各カテゴリの各特徴量分布における度数分布の重なり面積の総和を類似度とし、これを評価値とする。ここでは度数分布の重なり面積を類似度と定義して評価値としたが、相関係数、又は各特徴量値を要素とする多次元ベクトル間の距離から類似度を算出することも可能である。これらの方法で算出した類似度が低いものを大分類に使用する特徴量として採用する。図5の閾値1は採用する特徴量の類似度の上限、閾値2は採用する特徴量数の上限である。サンプルによっては図4(b)のような特徴量ばかりが選択される場合もありえるが、このような場合にはC2とC3の分類性能は低くなることが予想されるので、C2とC3を統合する。その結果、大分類カテゴリとしてはC1と、C2とC3を統合した2つを定義することになる。
この大分類カテゴリ選択の手順を示したものが図6である。上記手順で採用することを決定した全ての特徴量に関して、各カテゴリ間の類似度を算出する。この類似度の総和を2つのカテゴリ間の類似度と定義する。このカテゴリ間の類似度が、カテゴリ統合基準である閾値3より大きい場合、2つのカテゴリを統合する。ここまでの手順で、大分類に使用する特徴量の選択と、選択した特徴量の組合せで定義される大分類カテゴリの選択が完了する。
次に、各大分類カテゴリに対して最適な詳細分類カテゴリを定義する方法を説明する。図7はユーザの分類要求がカテゴリC1,C2、C3、C4であるのに対して、上記の手順で大分類カテゴリがC1’、C2’に統合された例を示している。まず、全ての大分類カテゴリC1’、C2’に対してユーザ分類要求に対応した全ての詳細分類カテゴリC1,C2、C3、C4が登録されているものとして、学習データにおける各カテゴリの発生頻度を算出する。次に、発生頻度が詳細分類カテゴリ登録閾値4より小さい詳細分類カテゴリは登録しないものとして、各大分類カテゴリに対して、登録すべき詳細分類カテゴリを決定する。ここでは各大分類カテゴリにおける詳細分類カテゴリの発生頻度を評価値としたが、詳細カテゴリ内での発生頻度に対する閾値5と組合せて評価することも可能である。このような方法を用いれば、大分類カテゴリと詳細分類カテゴリの最適な組合せを自動で設定することが可能となる。
また、図8のような画面を表示すれば、発生頻度は低いが分類する重要性が高いカテゴリを、ユーザが手動で簡単に登録することができる。以上の手順で選択した特徴量と、大分類カテゴリと詳細分類カテゴリの組合せから構成される分類基準を学習する。学習結果の良否判定は、学習データ自身を分類するセルフチェックと呼ばれる方法で確認できる。また、学習データ修正機能が有効となっている場合には、上記学習データに加えて、各大分類カテゴリに選択前の全詳細分類カテゴリを登録した学習データ修正用の学習データも作成しておく。
図9に分類及び学習データ更新判定手順を示す。学習データ更新判定機能が有効になっている場合は、通常の分類処理に加えて、学習データ更新用の学習データに基づいた分類処理も実行する。
図10は学習データの更新方法を示している。学習時における各カテゴリの発生頻度と、学習データ修正用の学習データに基づいて分類した結果を比較して、発生頻度の差が許容値を超えている場合、警報メッセージを表示してユーザに通知する。通知する際には学習データの更新案を合わせて提示する。更新案の具体的な作成方法を説明する。学習時には発生頻度が低いため登録しなかった詳細分類カテゴリの発生頻度が、分類時に登録基準値以上に向上した場合、登録するように学習データを更新する。反対に、学習時には発生頻度が高いため登録していた詳細分類カテゴリの発生頻度が、分類時に登録基準値以下に低下した場合、登録を解除するように学習データを更新する。また、図2と同様の画面で正解カテゴリを与えることで、更新前後の分類結果、複数の更新案がある場合はそれぞれの分類結果を比較することができる。図11のような画面表示を行えば、ユーザが容易に変更前後の性能を比較でき、最適な修正案の選択が容易に行える。
101…画像撮像部、102…画像記憶部、103…表示部、104…演算部、105…画像処理部、106…分類処理部、107…操作部、301…未学習画像表示エリア、302…カテゴリC1画像表示エリア、303…カテゴリC2画像表示エリア、304…カテゴリC3画像表示エリア、801…リンク設定画面、802…大分類カテゴリ表示エリア、803…詳細分類カテゴリ表示エリア、804…評価値1表示エリア、805…評価値2表示エリア、806…リンク設定選択エリア、1101…学習データ更新前後の分類結果比較画面、1102…分類正解率表示エリア、1103…画面表示説明エリア、1104…画像表示エリア、1105…分類情報表示エリア
Claims (4)
- 被検査対象物を撮像して得た画像を多数収集して分類基準学習データを作成し、該画像の特徴点に基づき、大分類のカテゴリから該大分類のカテゴリ内に登録した詳細分類カテゴリに階層的に分類する画像分類方法において、分類基準となる各カテゴリの特徴量の分布から、使用すべき特徴量の組合せを自動で選択することを特徴とする画像分類方法。
- 被検査対象物を撮像して得た画像を多数収集して分類基準学習データを作成し、該画像の特徴点に基づき、大分類のカテゴリから該大分類のカテゴリ内に登録した詳細分類カテゴリに階層的に分類する画像分類方法において、分類基準となる各カテゴリの特徴量の分布から、使用すべき大分類カテゴリを自動で選択することを特徴とする画像分類方法。
- 被検査対象物を撮像して得た画像を多数収集して分類基準学習データを作成し、該画像の特徴点に基づき、大分類のカテゴリから該大分類のカテゴリ内に登録した詳細分類カテゴリに階層的に分類する画像分類方法において、学習データの各大分類カテゴリの出現頻度から、各大分類カテゴリ内に登録すべき詳細分類カテゴリを自動で選択することを特徴とする画像分類方法。
- 被検査対象物を撮像して得た画像を多数収集して分類基準学習データを作成し、該画像の特徴点に基づき、大分類のカテゴリから該大分類のカテゴリ内に登録した詳細分類カテゴリに階層的に分類する画像分類方法において、分類データの各カテゴリの出現頻度から、分類基準学習データを最適化して更新することを特徴とする画像分類方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2004122121A JP2005309535A (ja) | 2004-04-16 | 2004-04-16 | 画像自動分類方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2004122121A JP2005309535A (ja) | 2004-04-16 | 2004-04-16 | 画像自動分類方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2005309535A true JP2005309535A (ja) | 2005-11-04 |
Family
ID=35438299
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2004122121A Pending JP2005309535A (ja) | 2004-04-16 | 2004-04-16 | 画像自動分類方法 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP2005309535A (ja) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007164300A (ja) * | 2005-12-09 | 2007-06-28 | Sony Computer Entertainment Inc | 画像表示装置、画像表示方法、プログラム及び情報記憶媒体 |
JP2008033705A (ja) * | 2006-07-31 | 2008-02-14 | Fujifilm Corp | 画像分類装置および方法並びにプログラム |
JP2009169936A (ja) * | 2007-12-21 | 2009-07-30 | Canon Inc | 情報処理装置及び情報処理方法 |
JP2009260185A (ja) * | 2008-04-21 | 2009-11-05 | Sharp Corp | 特性分布解析方法および装置、基板分類方法および装置、上記特性分布解析方法または基板分類方法をコンピュータに実行させるためのプログラム、上記プログラムを記録したコンピュータ読み取り可能な記録媒体、並びに分類基準データ |
WO2010084713A1 (ja) * | 2009-01-23 | 2010-07-29 | 日本電気株式会社 | 画像識別子抽出装置 |
JP2010238027A (ja) * | 2009-03-31 | 2010-10-21 | Nec Corp | 階層型文書管理システム、階層型文書管理方法および階層型文書管理プログラム |
US8625906B2 (en) | 2008-12-29 | 2014-01-07 | Hitachi High-Technologies Corporation | Image classification standard update method, program, and image classification device |
JP2014164499A (ja) * | 2013-02-25 | 2014-09-08 | Nippon Telegr & Teleph Corp <Ntt> | 画像分類装置及び画像分類プログラム |
US9002101B2 (en) | 2011-03-25 | 2015-04-07 | Kabushiki Kaisha Toshiba | Recognition device, recognition method, and computer program product |
WO2015115274A1 (ja) * | 2014-01-31 | 2015-08-06 | オムロン株式会社 | 物体判別装置、画像センサ、物体判別方法 |
JP2016009379A (ja) * | 2014-06-25 | 2016-01-18 | 株式会社デンソー | 対象物検出装置及び要素選択装置 |
JP2020512631A (ja) * | 2017-03-14 | 2020-04-23 | トゥプル,インコーポレイテッド | 段階的な機械学習を使用する自動化された意思決定 |
US11157811B2 (en) | 2019-10-28 | 2021-10-26 | International Business Machines Corporation | Stub image generation for neural network training |
JP7350582B2 (ja) | 2019-03-28 | 2023-09-26 | キヤノンメディカルシステムズ株式会社 | モデル学習用のシステム、装置、及び学習方法 |
-
2004
- 2004-04-16 JP JP2004122121A patent/JP2005309535A/ja active Pending
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4731303B2 (ja) * | 2005-12-09 | 2011-07-20 | 株式会社ソニー・コンピュータエンタテインメント | 画像表示装置、画像表示方法、プログラム及び情報記憶媒体 |
JP2007164300A (ja) * | 2005-12-09 | 2007-06-28 | Sony Computer Entertainment Inc | 画像表示装置、画像表示方法、プログラム及び情報記憶媒体 |
JP2008033705A (ja) * | 2006-07-31 | 2008-02-14 | Fujifilm Corp | 画像分類装置および方法並びにプログラム |
JP2009169936A (ja) * | 2007-12-21 | 2009-07-30 | Canon Inc | 情報処理装置及び情報処理方法 |
JP2009260185A (ja) * | 2008-04-21 | 2009-11-05 | Sharp Corp | 特性分布解析方法および装置、基板分類方法および装置、上記特性分布解析方法または基板分類方法をコンピュータに実行させるためのプログラム、上記プログラムを記録したコンピュータ読み取り可能な記録媒体、並びに分類基準データ |
US8625906B2 (en) | 2008-12-29 | 2014-01-07 | Hitachi High-Technologies Corporation | Image classification standard update method, program, and image classification device |
US8170341B2 (en) | 2009-01-23 | 2012-05-01 | Nec Corporation | Image signature extraction device |
JP4831255B2 (ja) * | 2009-01-23 | 2011-12-07 | 日本電気株式会社 | 画像識別子抽出装置 |
WO2010084713A1 (ja) * | 2009-01-23 | 2010-07-29 | 日本電気株式会社 | 画像識別子抽出装置 |
JP2010238027A (ja) * | 2009-03-31 | 2010-10-21 | Nec Corp | 階層型文書管理システム、階層型文書管理方法および階層型文書管理プログラム |
US9002101B2 (en) | 2011-03-25 | 2015-04-07 | Kabushiki Kaisha Toshiba | Recognition device, recognition method, and computer program product |
JP2014164499A (ja) * | 2013-02-25 | 2014-09-08 | Nippon Telegr & Teleph Corp <Ntt> | 画像分類装置及び画像分類プログラム |
WO2015115274A1 (ja) * | 2014-01-31 | 2015-08-06 | オムロン株式会社 | 物体判別装置、画像センサ、物体判別方法 |
JP2016009379A (ja) * | 2014-06-25 | 2016-01-18 | 株式会社デンソー | 対象物検出装置及び要素選択装置 |
JP2020512631A (ja) * | 2017-03-14 | 2020-04-23 | トゥプル,インコーポレイテッド | 段階的な機械学習を使用する自動化された意思決定 |
JP7195264B2 (ja) | 2017-03-14 | 2022-12-23 | トゥプル,インコーポレイテッド | 段階的な機械学習を使用する自動化された意思決定 |
JP7350582B2 (ja) | 2019-03-28 | 2023-09-26 | キヤノンメディカルシステムズ株式会社 | モデル学習用のシステム、装置、及び学習方法 |
US11157811B2 (en) | 2019-10-28 | 2021-10-26 | International Business Machines Corporation | Stub image generation for neural network training |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US7231079B2 (en) | Method and system for inspecting electronic circuit pattern | |
US8625906B2 (en) | Image classification standard update method, program, and image classification device | |
JP4155496B2 (ja) | 分類支援装置、分類装置およびプログラム | |
US8428336B2 (en) | Inspecting method, inspecting system, and method for manufacturing electronic devices | |
US7925072B2 (en) | Methods for identifying array areas in dies formed on a wafer and methods for setting up such methods | |
JP2005309535A (ja) | 画像自動分類方法 | |
US9367911B2 (en) | Apparatus and method for defect detection including patch-to-patch comparisons | |
JPH11344450A (ja) | 教示用データ作成方法並びに欠陥分類方法およびその装置 | |
JP2004077164A (ja) | 欠陥検査方法 | |
JP2005293264A (ja) | 学習型分類装置及び学習型分類方法 | |
JP4617970B2 (ja) | 欠陥検査装置及び欠陥検査方法 | |
KR20030067457A (ko) | 결함 분류 검사 장치 | |
US9280814B2 (en) | Charged particle beam apparatus that performs image classification assistance | |
JPH1074812A (ja) | 被検査パターンの検査方法及び製造プロセス診断方法並びに半導体基板の製造方法 | |
WO2021192376A1 (ja) | 外観検査システムおよびコンピュータプログラム | |
KR20180081820A (ko) | 다이 내부 검사에 있어서의 등록 및 설계 주변부에서 야기된 노이즈의 저감 | |
JP2001188906A (ja) | 画像自動分類方法及び画像自動分類装置 | |
WO2014103617A1 (ja) | 位置合せ装置、欠陥検査装置、位置合せ方法、及び制御プログラム | |
CN112991259B (zh) | 一种半导体制程缺陷的检测方法及系统 | |
JP5323457B2 (ja) | 観察条件決定支援装置および観察条件決定支援方法 | |
US20050075841A1 (en) | Automated defect classification system and method | |
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 | |
JP7119949B2 (ja) | 判定装置及び判定方法 | |
JP2005274285A (ja) | 欠陥分類辞書教示装置 | |
JP4247993B2 (ja) | 画像検査装置、画像検査方法、制御プログラムおよび可読記憶媒体 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20060511 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20090414 |
|
A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20090804 |