JP2006012069A - 分類装置及び分類方法 - Google Patents
分類装置及び分類方法 Download PDFInfo
- Publication number
- JP2006012069A JP2006012069A JP2004191709A JP2004191709A JP2006012069A JP 2006012069 A JP2006012069 A JP 2006012069A JP 2004191709 A JP2004191709 A JP 2004191709A JP 2004191709 A JP2004191709 A JP 2004191709A JP 2006012069 A JP2006012069 A JP 2006012069A
- Authority
- JP
- Japan
- Prior art keywords
- classification
- teacher data
- region
- extraction
- area
- 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】精度の高い分類を行うことができる分類装置を提供する。
【解決手段】検査画像より分類対象の欠陥領域を抽出する欠陥領域抽出手段101と、領域の抽出形状が識別可能となるように表示する表示手段102と、領域が分類されるべき正解カテゴリを入力する操作手段104と、操作手段104の入力結果を基に教師データを作成する教師データ作成手段105と、教師データを基に分類を行う分類手段107とを備える。
【選択図】図1
【解決手段】検査画像より分類対象の欠陥領域を抽出する欠陥領域抽出手段101と、領域の抽出形状が識別可能となるように表示する表示手段102と、領域が分類されるべき正解カテゴリを入力する操作手段104と、操作手段104の入力結果を基に教師データを作成する教師データ作成手段105と、教師データを基に分類を行う分類手段107とを備える。
【選択図】図1
Description
本発明は、分類装置及び分類方法に関するものである。
従来より種々の分類装置が知られている。例えば特開平8−21803号公報には、画像内より分類対象となる欠陥領域を抽出し、その領域の面積、周囲長、フェレ径、円径度、重心座標等の特徴量を求め、予め、これら特徴量の入力パターンに対して所定の欠陥種を出力するように学習させたニューラルネットワークを用いて欠陥を分類する装置の構成が開示されている。
また、特開平11−344450号公報には、欠陥画像の色情報、形状、サイズ等を基に統計分類を行う分類装置の構成や、教示用データ(教師データ)の作成作業を支援する構成等が示されている。
特開平8−21803号公報
特開平11−344450号公報
上記した分類装置において、分類対象の領域の大きさ(面積、フェレ径、周囲長等)や形状(円径度、フェレ径比等)に関する特徴量を用いて分類を行う場合、対象領域の抽出が適切でない場合には算出される特徴量の値も適切でなくなり、正確な分類結果は得られない。教師データに関しても同様であり、適切な抽出の後に特徴量を算出して作成しなければ、以後の分類過程において性能の低下を招く要因となってしまう。
例えば、図17(A)に示す分類対象領域に対して適切な抽出が行われた場合(図17(B))と、不適切な抽出が行われた場合(図17(C))とでは、算出される特徴量の値は大きく異なり、このような差を含んだ教師データ群を基に分類を行っても正確な分類はなされない。
当然、分類装置においては対象を正確に抽出するような処理が工夫されるが、実際には分類対象の個体変化、撮像系の影響等により、適切な抽出がなされない場合がある。仮に多数の教師データが収集され、はずれ値のデータを統計的に検出できれば、特開平11−344450号公報に示すような構成により、はずれ値のデータを表示して修正を促すことも可能であるが、教師データ数が少ない場合には困難である。よって、教師データの作成時に抽出が適切でない領域に関しては、教師データから省く、あるいは適切な抽出を行ってから特徴量を算出して教師データとする必要がある。このような課題に対し有効な解決策を示した分類装置は提案されていない。
本発明はこのような課題に着目してなされたものであり、抽出結果が適切な領域のみを教師データとして分類を行うことにより、精度の高い分類を行うことができる分類装置及び分類方法を提供することにある。
上記の目的を達成するために、第1の発明は、分類装置であって、検査画像より分類対象の領域を抽出する領域抽出手段と、前記領域の抽出形状が識別可能となるように表示する表示手段と、前記領域が分類されるべき正解カテゴリを入力する操作手段と、該操作手段の入力結果を基に教師データを作成する教師データ作成手段と、前記教師データを基に分類を行う分類手段とを備える。
また、第2の発明は、第1の発明に係る分類装置において、前記表示手段での抽出形状の表示は、前記抽出した領域の形状を示す図形を検査画像上に重ねて表示することで行なわれる。
また、第3の発明は、第1の発明に係る分類装置において、前記操作手段は、前記画像内の所望の範囲の領域抽出の程度を変更するためのパラメータを設定可能とし、前記領域抽出手段は、前記操作手段で設定された前記パラメータに基づいて領域の再抽出を行なう。
また、第4の発明は、第1〜第3のいずれか1つの発明に係る分類装置において、前記分類手段は、特徴量空間内における前記教師データと前記分類対象の領域のデータとの距離を基に分類を行う。
また、第5の発明は、分類方法であって、検査画像より分類対象の領域を抽出するステップと、前記領域の抽出形状が識別可能となるように表示するステップと、前記領域を選択して正解カテゴリを入力するステップと、前記入力結果を基に教師データを作成するステップと、前記教師データを基に分類を行うステップとを備える。
本発明によれば、抽出結果が適切な領域のみを教師データとして分類を行うため、精度の高い分類を行うことが可能である。
また、本発明によれば、部分的に抽出の程度を最適化して教師データを作成し、これを元に分類を行うため、精度の高い分類を行うことが可能である。
以下、図面を参照して本発明の実施形態を詳細に説明する。ここでは本発明の実施形態として、半導体ウェハを対象とした欠陥分類装置について説明する。しかしながら、本発明は、画像内の分類対象(例えば細胞)を抽出してその領域の特徴を基に分類を行う他の分類装置にも適用可能である。
(第1実施形態)
図1は、本発明の第1実施形態に係る欠陥分類装置の構成を示す図であり、検査画像より分類対象となる欠陥領域を抽出する欠陥領域抽出手段101と、抽出結果を表示する表示手段102と、抽出された領域に対する特徴量を算出する特徴量算出手段103と、抽出領域を選択して正解カテゴリを入力するための操作手段104と、教師データを作成する教師データ作成手段105と、教師データを蓄積する教師データ蓄積手段106と、抽出領域を分類する分類手段107とから構成される。
図1は、本発明の第1実施形態に係る欠陥分類装置の構成を示す図であり、検査画像より分類対象となる欠陥領域を抽出する欠陥領域抽出手段101と、抽出結果を表示する表示手段102と、抽出された領域に対する特徴量を算出する特徴量算出手段103と、抽出領域を選択して正解カテゴリを入力するための操作手段104と、教師データを作成する教師データ作成手段105と、教師データを蓄積する教師データ蓄積手段106と、抽出領域を分類する分類手段107とから構成される。
なお、検査画像の取得に関する構成に関しては、本発明では特に限定しないため図示しない。また、取得した画像データの保持や各処理に用いられるメモリに関しても特に図示しない。
本欠陥分類装置の処理には、教師データ登録過程と分類過程の2つの処理の流れがある。まず、図2を参照して、教師データ登録過程の処理の流れを説明する。最初に、ここでは、図示されない撮像系を用いて、教師データ作成用の欠陥(教師サンプル)の画像を取得する(ステップS11)。次に、欠陥領域抽出手段101は、取得した検査画像から欠陥領域を抽出する(ステップS12)。
欠陥領域抽出の方法としてここでは2通りの方法を示す。第1の方法では、検査画像133(図3の(A))に対して良品レベルの輝度範囲となる閾値を設定しておき、この閾値を超える輝度を持つ画素の領域を欠陥抽出画像140として抽出する(図3の(B))。ここで、良品レベルの輝度範囲を示す閾値は、予め設定しておいても良いし、画像内の輝度ヒストグラムを基に適応的に決定しても良い(東京大学出版会:画像解析ハンドブック:高木幹夫、下田陽久、監修:502P、2値化、を参照)。
第2の方法では、図4の(B)に示すような良品ウェハ画像134(または良品となる一定区画の画像)を保持しておき、この画像と、図4の(A)に示すような検査画像133(または処理対象画像内の対応区画)を位置合わせし、重なり合う画素間の輝度差を求めて差分画像135(図4の(C))を作成し、この差分画像135を用いて上記第1の方法と同様の閾値処理により欠陥領域を抽出する。なお、領域の抽出方法は、分類の対象に応じて変更されるものであり、本発明の内容を限定するものではない。
また、半導体ウェハ等では、下地パターンやダイシングラインなどの影響により、領域抽出時に同一の欠陥が分割されて抽出される場合がある。よって必要に応じて、更にモルフォロジー処理((参考):コロナ社:モルフォロジー:小畑秀文著)などを用いて領域を連結する処理を行っても良い。
図5の(A),(B)は、モルフォロジー処理(closing処理)を用いた領域連結処理の一例を示している。図5の(A)に示される連続解像不良150やムラ151は領域連結処理によりそれぞれ連結欠陥領域150−1,151−1(図5の(B))となる。
欠陥領域が抽出された後は、領域の抽出形状が視覚的に速やかに識別可能となるように、表示手段102を用いて表示する(ステップS13)。表示の方法としては、抽出領域を検査画像に重ねて表示したり、抽出した領域の輪郭を検査画像に重ねて表示する等が考えられる。
図7は、図6に示すような検査画像160に対する抽出結果を、抽出領域形状の重ね合わせにより表示した様子を示す図である。図6の検査画像160に存在する欠陥1〜6の抽出結果はそれぞれ領域1〜6の形状として示されている。また、図8は、図6に示す検査画像160に対する抽出結果を、抽出領域の外形線の重ね合わせにより表示した様子を示す図である。外形線の形状により抽出結果が示されている。また表示の際には、重なり部分の詳細が容易に確認できるよう、簡単な操作で、もとの検査画像と切り替え表示可能なようにする。また形状の詳細を容易に確認できるよう表示スケールも可変とする。
ここで、ユーザーは操作手段104を操作して(例えばポインタにより指示することにより)抽出結果が良好な領域を選択して、その領域の正解カテゴリを入力する(ステップS14)。図9は、領域の選択と正解カテゴリの入力の様子を示している。つまり、ポインタ170により領域1が選択されるとともに、正解カテゴリとして欠陥種Aが入力される様子や、ポインタ170により領域5が選択されるとともに、正解カテゴリとして欠陥種Bが入力される様子を示している。
次に、特徴量算出手段103において、正解カテゴリが入力された領域に対する特徴量を算出する(ステップS15)。特徴量に関しては、一般的に領域単体での大きさ、形状、位置、濃度情報に関するものに加え、幾つかの領域による配置構成に関するもの等がある。マクロ検査における特徴量に関しては、本発明人による特開2003−168114号公報に開示されているが、特徴量の算出方法は分類の対象に応じて変更されるものであり、本発明の内容を限定するものではない。
特徴量が算出された後は、教師データ作成手段105において教師データを作成する(ステップS16)。ここでの教師データとは、特徴量算出手段103で算出された特徴量情報と、操作手段104を用いて入力された対象領域の正解カテゴリの情報をセットにしたものであり、図10は教師データ(複数)の一例を示している。
作成された教師データは、教師データ蓄積手段106に蓄積される(ステップS17)。
以上の処理を必要に応じて繰り返すことにより、教師データ登録過程が終了する。
なお、本説明では正解カテゴリの入力の後に特徴量の算出を行っているが、先に全ての領域の特徴量算出を行い、後に正解カテゴリが入力された領域のみの特徴量情報を用いて教師データを作成しても良い。
次に、図11を参照して、分類過程の処理の流れを説明する。分類過程の処理のうち、画像の取得(ステップS21)、欠陥領域の抽出(ステップS22)、欠陥領域に対する特徴量の算出(ステップS23)は、撮像対象が検査用の被検体となるのみで、それぞれ前記した教師データ登録過程のステップS11、S12、S15と同様の処理である。但し、特徴量の算出は全ての抽出領域に対して行う。
ステップS23で各欠陥領域の特徴量を算出した後は、分類手段107において、算出した特徴量(分類対象領域データ)と事前に登録されている教師データの特徴量空間内における距離を基に分類を行う(ステップS24)。
図12は、教師データを用いて分類を行う方法の1つであるk近傍法による分類の原理を説明するための図である。図12の○、△、□は、それぞれ欠陥種A、欠陥種B、欠陥種Cの教師データの特徴量空間内での位置を示している。これに対しPは分類対象の領域の特徴量空間内での位置である。
k近傍法とは、対象領域Pに最も近いk個(例では5個(事前設定))の教師データの中で最も多い欠陥種を対象領域の欠陥種とする方法である。例ではキズ3個>解像不良1個>ムラ1個で、キズが最も多いので対象領域=キズと判別する。この方法の場合、特徴空間(N次元)内での2点(xi :教師データ、xj :分類対象)間の距離計算が必要となるが、距離計算法として下記に挙げるもの等がある。
また、k近傍法以外の方法として、図13に示すように、各欠陥種毎の教師データ分布の代表点(例えば、分布全体の重心や分布をクラスタ分けした際のクラスタ重心など)との距離に基づいて分類する方法がある。この場合、代表点における特徴量l(エル)(1≦l(エル)≦N)の値μlを下記の式により算出し、上記の距離計算を行い、最も距離が近い欠陥種に分類する。
なお、上記のk近傍法、代表点距離比較法ともに、特徴量数(次元数)が増えるほど計算負荷が大きくなるため、事前に、教師データを主成分分析などして分類に必要な特徴量の算出法を決定し、これに基づく特徴量削減処理を行ってから距離計算を行っても良い。
各欠陥領域を分類した後は、分類結果の情報を出力する(ステップS25)。
以上、本発明の第1実施形態によれば、抽出結果が適切な領域のみを教師データとして分類を行うため、精度の高い分類を行うことが可能である。
(第2実施形態)
図14は、本発明の第2実施形態に係る欠陥分類装置の構成を示す図である。第2実施形態の欠陥分類装置の構成は、基本的に第1実施形態の構成(図1)と同様であるが、第2実施形態では、第1実施形態における表示手段102に表示された画像内の任意の範囲に対して、欠陥領域の抽出の程度をユーザーがインタラクティブに変更可能であることを特徴とする。
図14は、本発明の第2実施形態に係る欠陥分類装置の構成を示す図である。第2実施形態の欠陥分類装置の構成は、基本的に第1実施形態の構成(図1)と同様であるが、第2実施形態では、第1実施形態における表示手段102に表示された画像内の任意の範囲に対して、欠陥領域の抽出の程度をユーザーがインタラクティブに変更可能であることを特徴とする。
図15は、第2実施形態の欠陥分類装置の処理の流れを説明するためのフローチャートである。図15は、第1実施形態の処理(図2)に追加される処理とその前後の処理に該当する部分のみを図示している。第1実施形態の処理の流れに従い、抽出領域形状が表示(ステップS13)された後、ユーザーは抽出の程度を確認し、再抽出が必要か否かを判断する(ステップS31)。
再抽出が必要な場合には、操作手段104を用いて、再抽出が必要な範囲と、抽出のためのパラメータ(2値化のための閾値など)を設定する(ステップS32)。当該範囲とパラメータが設定された後は、欠陥領域抽出手段101において、設定内容に基づいた欠陥領域の再抽出が行われる(ステップS33)。欠陥領域の再抽出後は、ステップS13に戻って、抽出領域形状を表示し、再度、ステップS31の判断を行う。
以上の流れによりインタラクティブに部分的な範囲の抽出の程度を最適化する。図16は、抽出の程度調整を行う画面の例を示しており、検査画像160に存在する欠陥1〜6のうち、欠陥4が選択された後、スライドバー170を左右にスライドさせてその抽出の程度が調整、最適化される様子が示されている。
調整の結果、再抽出の必要がなくなった場合には、抽出が適切な領域に対する正解カテゴリの入力を行い(ステップS14)、以後は第1実施形態で示した流れにより教師データ登録過程を終了する。
以上、本発明の第2実施形態によれば、部分的に抽出の程度を最適化して教師データを作成し、これを元に分類を行うため、精度の高い分類を行うことが可能である。
101…欠陥領域抽出手段、102…表示手段、103…特徴量算出手段、104…操作手段、105…教師データ作成手段、106…教師データ蓄積手段、107…分類手段。
Claims (5)
- 検査画像より分類対象の領域を抽出する領域抽出手段と、
前記領域の抽出形状が識別可能となるように表示する表示手段と、
前記領域が分類されるべき正解カテゴリを入力する操作手段と、
該操作手段の入力結果を基に教師データを作成する教師データ作成手段と、
前記教師データを基に分類を行う分類手段とを備えたことを特徴とする分類装置。 - 前記表示手段での抽出形状の表示は、
前記抽出した領域の形状を示す図形を検査画像上に重ねて表示することで行なわれることを特徴とする請求項1に記載の分類装置。 - 前記操作手段は、前記画像内の所望の範囲の領域抽出の程度を変更するためのパラメータを設定可能とし、前記領域抽出手段は、前記操作手段で設定された前記パラメータに基づいて領域の再抽出を行なうことを特徴とする請求項1に記載の分類装置。
- 前記分類手段は、特徴量空間内における前記教師データと前記分類対象の領域のデータとの距離を基に分類を行うことを特徴とする請求項1乃至3の何れか一つに記載の分類装置。
- 検査画像より分類対象の領域を抽出するステップと、
前記領域の抽出形状が識別可能となるように表示するステップと、
前記領域を選択して正解カテゴリを入力するステップと、
前記入力結果を基に教師データを作成するステップと、
前記教師データを基に分類を行うステップとを備えたことを特徴とする分類方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2004191709A JP2006012069A (ja) | 2004-06-29 | 2004-06-29 | 分類装置及び分類方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2004191709A JP2006012069A (ja) | 2004-06-29 | 2004-06-29 | 分類装置及び分類方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2006012069A true JP2006012069A (ja) | 2006-01-12 |
Family
ID=35779229
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2004191709A Pending JP2006012069A (ja) | 2004-06-29 | 2004-06-29 | 分類装置及び分類方法 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP2006012069A (ja) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9031882B2 (en) | 2007-08-10 | 2015-05-12 | Olympus Corporation | Category determination device and method comprising a feature space containing a closed region used to determine the category of a target based on the position of the target within the feature space with reference to the closed region |
WO2017130477A1 (ja) * | 2016-01-29 | 2017-08-03 | 富士フイルム株式会社 | 欠陥検査装置、方法およびプログラム |
JPWO2016147652A1 (ja) * | 2015-03-19 | 2018-02-01 | 日本電気株式会社 | オブジェクト検出装置、オブジェクト検出方法およびプログラム |
JP2018120300A (ja) * | 2017-01-23 | 2018-08-02 | 株式会社リコー | 情報処理装置、情報処理方法およびプログラム |
WO2019188009A1 (ja) * | 2018-03-27 | 2019-10-03 | 株式会社Ngr | パターンエッジ検出方法 |
JP2020513615A (ja) * | 2016-11-23 | 2020-05-14 | ヴァイタル イメージズ,インコーポレイテッド | 深層学習ニューラルネットワークの分散化された診断ワークフロー訓練 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH08123940A (ja) * | 1994-10-21 | 1996-05-17 | Olympus Optical Co Ltd | 画像領域抽出装置及びその画像領域抽出方法 |
JP2001156135A (ja) * | 1999-11-29 | 2001-06-08 | Hitachi Ltd | 欠陥画像の分類方法及びその装置並びにそれを用いた半導体デバイスの製造方法 |
JP2002206925A (ja) * | 2000-11-09 | 2002-07-26 | Hitachi Software Eng Co Ltd | 変化検出装置、変化検出方法及び該方法に係るプログラムを記憶した記憶媒体並びにシステム |
JP2004158043A (ja) * | 2004-02-06 | 2004-06-03 | Mitsubishi Electric Corp | 画像処理装置 |
-
2004
- 2004-06-29 JP JP2004191709A patent/JP2006012069A/ja active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH08123940A (ja) * | 1994-10-21 | 1996-05-17 | Olympus Optical Co Ltd | 画像領域抽出装置及びその画像領域抽出方法 |
JP2001156135A (ja) * | 1999-11-29 | 2001-06-08 | Hitachi Ltd | 欠陥画像の分類方法及びその装置並びにそれを用いた半導体デバイスの製造方法 |
JP2002206925A (ja) * | 2000-11-09 | 2002-07-26 | Hitachi Software Eng Co Ltd | 変化検出装置、変化検出方法及び該方法に係るプログラムを記憶した記憶媒体並びにシステム |
JP2004158043A (ja) * | 2004-02-06 | 2004-06-03 | Mitsubishi Electric Corp | 画像処理装置 |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9031882B2 (en) | 2007-08-10 | 2015-05-12 | Olympus Corporation | Category determination device and method comprising a feature space containing a closed region used to determine the category of a target based on the position of the target within the feature space with reference to the closed region |
JP7279738B2 (ja) | 2015-03-19 | 2023-05-23 | 日本電気株式会社 | オブジェクト検出装置、オブジェクト検出方法およびプログラム |
JPWO2016147652A1 (ja) * | 2015-03-19 | 2018-02-01 | 日本電気株式会社 | オブジェクト検出装置、オブジェクト検出方法およびプログラム |
US11373061B2 (en) | 2015-03-19 | 2022-06-28 | Nec Corporation | Object detection device, object detection method, and recording medium |
JP2021168155A (ja) * | 2015-03-19 | 2021-10-21 | 日本電気株式会社 | オブジェクト検出装置、オブジェクト検出方法およびプログラム |
US10571404B2 (en) | 2016-01-29 | 2020-02-25 | Fujifilm Corporation | Defect inspection apparatus, method, and program |
WO2017130477A1 (ja) * | 2016-01-29 | 2017-08-03 | 富士フイルム株式会社 | 欠陥検査装置、方法およびプログラム |
JP2020513615A (ja) * | 2016-11-23 | 2020-05-14 | ヴァイタル イメージズ,インコーポレイテッド | 深層学習ニューラルネットワークの分散化された診断ワークフロー訓練 |
JP2018120300A (ja) * | 2017-01-23 | 2018-08-02 | 株式会社リコー | 情報処理装置、情報処理方法およびプログラム |
JP2019174940A (ja) * | 2018-03-27 | 2019-10-10 | 株式会社 Ngr | パターンエッジ検出方法 |
CN111902844A (zh) * | 2018-03-27 | 2020-11-06 | 塔斯米特株式会社 | 图案边缘检测方法 |
WO2019188009A1 (ja) * | 2018-03-27 | 2019-10-03 | 株式会社Ngr | パターンエッジ検出方法 |
US11436736B2 (en) | 2018-03-27 | 2022-09-06 | Tasmit, Inc. | Pattern edge detection method |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7399235B2 (ja) | パターン検査システム | |
KR101361374B1 (ko) | 결함 관찰 방법 및 결함 관찰 장치 | |
JP5458905B2 (ja) | 画像におけるシャドーの検知装置および検知方法 | |
JP2001156135A (ja) | 欠陥画像の分類方法及びその装置並びにそれを用いた半導体デバイスの製造方法 | |
US11176650B2 (en) | Data generation apparatus, data generation method, and data generation program | |
EP1734456A1 (en) | Learning type classification device and learning type classification method | |
JP4374303B2 (ja) | 検査方法及びその装置 | |
US8041443B2 (en) | Surface defect data display and management system and a method of displaying and managing a surface defect data | |
US20130010100A1 (en) | Image generating method and device using scanning charged particle microscope, sample observation method, and observing device | |
US8577125B2 (en) | Method and apparatus for image generation | |
CN110246129B (zh) | 图像检测方法、装置、计算机可读存储介质和计算机设备 | |
TWI722599B (zh) | 圖像評價裝置及方法 | |
JP2005301823A (ja) | 分類装置及び分類方法 | |
JP4050273B2 (ja) | 分類装置及び分類方法 | |
JP7427744B2 (ja) | 画像処理プログラム、画像処理装置、画像処理方法および欠陥検出システム | |
CN112017245B (zh) | 证件定位方法 | |
CN114972173A (zh) | 缺陷检测方法和缺陷检测装置及系统 | |
JP2001188906A (ja) | 画像自動分類方法及び画像自動分類装置 | |
JP4266920B2 (ja) | 分類装置及び分類方法 | |
JP2006012069A (ja) | 分類装置及び分類方法 | |
JP2009032273A (ja) | 分類装置 | |
JP2010008159A (ja) | 外観検査処理方法 | |
WO2010061771A1 (ja) | 観察条件決定支援装置および観察条件決定支援方法 | |
JP2007198968A (ja) | 画像分類方法及び画像分類装置 | |
CN112990263B (zh) | 一种用于密集小目标的高分辨率图像的数据增强方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20060808 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20061010 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20061205 |
|
A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20070403 |