JP2006163608A - 分類装置及び分類方法 - Google Patents

分類装置及び分類方法 Download PDF

Info

Publication number
JP2006163608A
JP2006163608A JP2004351585A JP2004351585A JP2006163608A JP 2006163608 A JP2006163608 A JP 2006163608A JP 2004351585 A JP2004351585 A JP 2004351585A JP 2004351585 A JP2004351585 A JP 2004351585A JP 2006163608 A JP2006163608 A JP 2006163608A
Authority
JP
Japan
Prior art keywords
extraction
classification
teacher data
area
region
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.)
Granted
Application number
JP2004351585A
Other languages
English (en)
Other versions
JP4266920B2 (ja
Inventor
Yamato Kanda
大和 神田
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.)
Olympus Corp
Original Assignee
Olympus Corp
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 Olympus Corp filed Critical Olympus Corp
Priority to JP2004351585A priority Critical patent/JP4266920B2/ja
Publication of JP2006163608A publication Critical patent/JP2006163608A/ja
Application granted granted Critical
Publication of JP4266920B2 publication Critical patent/JP4266920B2/ja
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Image Analysis (AREA)

Abstract

【課題】少ない教師サンプルを用いて抽出程度の変化に対する分類性能のロバスト性を確保すること。
【解決手段】検査画像より欠陥領域を抽出する欠陥領域抽出手段101と、前記領域が抽出されるべき正解カテゴリを入力する操作手段104と、正解カテゴリが入力された領域に対し、新たな抽出パラメータを設定する抽出パラメータ設定手段108と、前記抽出パラメータを基に領域を再抽出する欠陥領域抽出手段101と、再抽出結果を基に前記領域に対して抽出程度が異なる複数の教師データを作成する教師データ作成手段105と、前記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21(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21(B))と、不適切な抽出が行われた場合(図21(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。
また、一方で、抽出の程度の変化に対する分類性能のロバスト性確保は重要である。多数の教師データが収集される場合には様々な抽出程度のデータが存在するため、抽出程度の変化に対するロバスト性も確保されやすい。しかしながら、教師データが少ない場合には困難である。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、その目的とするところは、少ない教師サンプルを用いて抽出程度の変化に対する分類性能のロバスト性を確保する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、本発明の第1の態様は、分類装置であって、画像より領域を抽出する領域抽出手段と、前記領域が抽出されるべき正解カテゴリを入力する操作手段と、正解カテゴリが入力された領域に対し、新たな抽出パラメータを設定する抽出パラメータ設定手段と、前記抽出パラメータを基に領域を再抽出する領域再抽出手段と、再抽出結果を基に前記領域に対して抽出程度が異なる複数の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、本発明の第2の態様は、第1の態様において、前記教師データ作成手段は、正解カテゴリ入力時の抽出領域と再抽出時の抽出領域の大きさ、形状のうち少なくとも一つの変化量を基に、再抽出領域の結果を用いた教師データを作成するか否かを判断する。
また、本発明の第3の態様は、第1の態様において、前記教師データ作成手段は、異なる2つの再抽出領域の大きさ、形状のうち少なくとも一つの変化量を基に、再抽出領域の結果を用いた教師データを作成するか否かを判断する。
また、本発明の第4の態様は、第1の態様において、前記抽出パラメータは、異なる2つの抽出結果における抽出領域の大きさ、形状のうち少なくとも一つの変化量を基に決定される。
また、本発明の第5の態様は、第1〜第4のいずれか1つの態様において、前記抽出された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を更に備える。
また、本発明の第6の態様は、第1〜第5のいずれか1つの態様において、前記分類装置は、特徴量空間内における分類対象領域のデータ近傍に位置する複数の教師データを基に分類を行う。
また、本発明の第7の態様は、第1〜第5のいずれか1つの態様において、前記分類装置は、特徴量空間内における同一カテゴリの教師データ分布を代表するデータと分類対象領域のデータとの距離を基に分類を行う。
本発明によれば、少ない教師サンプルを用いて抽出程度の変化に対する分類性能のロバスト性を確保することが可能になる。
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。
図1は、本発明の一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、抽出の程度を変更するための抽出パラメータ設定手段108とから構成され、操作手段104により正解カテゴリを入力された領域に対し、抽出パラメータ設定手段108により抽出の程度を変更しながら、抽出の程度が異なる複数の教師データを作成するものである。
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及び図3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4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、この閾値を逸脱す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4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、画像内の輝度分布を基に適応的に決定しても良い。また、画像内の位置に応じて変化させても良いし、画像内で共通であっても良い(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5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5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5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6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6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6(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8は、図7に示す検査画像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7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9は、図7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。なお、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て表示できるようにする。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10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11は教師データ(複数)の一例を示している。
ステップS16で教師データの作成が行われた後、抽出パラメータ設定手段108において、欠陥領域の抽出のパラメータを、元のパラメータより過剰抽出側に変化させて設定する(ステップS41)。
その後、設定されたパラメータに従い、欠陥領域抽出手段101において、対象領域付近を再抽出する(ステップS42)。再抽出する範囲は、対象領域の外接矩形座標やフェレ径を元に決定する方法や、露光区画を考慮して決定する方法などがある。
図12は、フェレ径を用いた再抽出範囲決定の様子を示す図である。ここでは、抽出領域200の外接矩形201を求め、そのX方向の長さ(フェレ径X)と、Y方向の長さ(フェレ径Y)を各々2倍の長さとし、外接矩形と中心が同じ矩形を再抽出範囲202と決定している。
図13は、露光区画を考慮した再抽出範囲決定の様子を示す図である。この場合は、ます目状の露光区画210において、抽出領域200が存在する露光区画の周囲1区画の範囲を再抽出範囲211と決定している。
抽出後は、特徴量算出手段103において、再抽出した領域の特徴量を算出する(ステップS43)。これは図2のステップS15の処理と同様である。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、その特徴量を用いて、領域の再抽出の結果が妥当かを判断する(ステップS44)。
判断の方法としては抽出領域の大きさや形状を示す特徴量を利用する方法がある。例えば、抽出領域の形状が著しく変化する際には、面積や周囲長、フェレ径比の値もそれに応じて変化する。よって抽出パラメータ変更時の抽出領域の面積、周囲長、フェレ径比の変化量を確認し、この値が閾値以内であれば妥当であると判断する。あるいは再抽出状況を表示してユーザーに判断させても良い。
抽出結果が妥当である場合(ステップS44の判断がYES)には、算出した特徴量を用いて教師データを作成する(ステップS45)。これは先に説明したステップS16での処理と同様である。教師データの作成後は、再度ステップS41に戻り、更に抽出パラメータを変更して以後の処理を繰り返す。
繰り返しの結果、抽出結果が妥当でなくなった場合(ステップS44の判断がNO)、今度は抽出のパラメータを、元のパラメータより不足抽出側に変化させて設定する(ステップS46)。これ以降のステップS47〜S50は、それぞれステップS42〜S45と同様の処理である。
以上の手順により1つの教師サンプルを用いて複数の教師データを作成した後は、それら教師データを、教師データ蓄積手段106に蓄積し(ステップS17)、教師データ登録過程を終了する。
図14は、抽出パラメータを、過剰抽出側、不足抽出側に変化させた際の抽出領域形状の変化を示す図である。抽出パラメータを過剰抽出側に変化させた場合、再抽出範囲220内の領域aは、b→c→dのように変化する。また、抽出パラメータを不足抽出側に変化させた場合、再抽出範囲220内の領域aは、e→f→gのように変化する。ここで、d、g以外は抽出が妥当であるとすると、教師サンプルの欠陥1つに対して、a、b、c、e、fの5つの抽出状況の異なる教師データを得ることになる。
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。また、抽出パラメータの変化量は、事前に静的に設定しても良いし、パラメータ変化により生じる抽出領域の大きさ、形状などの変化量を基に動的に設定しても良い。
次に、図15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16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16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。
Figure 2006163608
Figure 2006163608
Figure 2006163608
Figure 2006163608
また、k近傍法以外の方法として、図17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。
Figure 2006163608
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)。
図18は、図1で説明した欠陥分類装置の変形例を示す図である。この変形例は、基本的に図1の構成と同様であるが、図1の表示手段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となっている。
図19は、本変形例に係る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19は、図2での処理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。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20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)、以後は先に示した流れにより教師データ登録過程を終了する。
以上、本発明の一実施形態によれば、1つの教師サンプルを、許容範囲内の複数の抽出パラメータにより抽出し、各々の抽出状況における特徴量を算出して複数の教師データを作成するため、少ない教師サンプルを用いて抽出程度の変化に対する分類性能のロバスト性を確保することが可能である。
本発明の一実施形態に係る欠陥分類装置の構成を示す図である。 教師データ登録過程の処理の流れを説明するためのフローチャート(その1)である。 教師データ登録過程の処理の流れを説明するためのフローチャート(その2)である。 欠陥領域抽出の第1の方法について説明するための図である。 欠陥領域抽出の第2の方法について説明するための図である。 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説明するための図である。 処理対象画像の一例を示す図である。 図6に示す処理対象画像に対する抽出結果を領域重ね合わせにより表示した様子を示す図である。 図7に示す処理対象画像に対する抽出結果を輪郭重ね合わせにより表示した様子を示す図である。 領域の選択と正解カテゴリの入力の様子を示す図である。 教師データ(複数)の一例を示す図である。 フェレ径を用いた再抽出範囲決定の様子を示す図である。 露光区画を考慮した再抽出範囲決定の様子を示す図である。 抽出パラメータを、過剰抽出側、不足抽出側に変化させた際の抽出領域形状の変化を示す図である。 分類過程の処理の流れを説明するための図である。 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。 各欠陥種毎の教師データ分布の代表点との距離に基づく分類方法を説明するための図である。 図1で説明した本欠陥分類装置の変形例を示す図である。 本変形例に係る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。 抽出の程度調整を行う画面の例を示す図である。 従来の分類方法の欠点を説明するための図である。
符号の説明
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、108…抽出パラメータ設定手段。

Claims (7)

  1. 画像より領域を抽出する領域抽出手段と、
    前記領域が抽出されるべき正解カテゴリを入力する操作手段と、
    正解カテゴリが入力された領域に対し、新たな抽出パラメータを設定する抽出パラメータ設定手段と、
    前記抽出パラメータを基に領域を再抽出する領域再抽出手段と、
    再抽出結果を基に前記領域に対して抽出程度が異なる複数の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、
    を備えることを特徴とする分類装置。
  2. 前記教師データ作成手段は、正解カテゴリ入力時の抽出領域と再抽出時の抽出領域の大きさ、形状のうち少なくとも一つの変化量を基に、再抽出領域の結果を用いた教師データを作成するか否かを判断することを特徴とする請求項1に記載の分類装置。
  3. 前記教師データ作成手段は、異なる2つの再抽出領域の大きさ、形状のうち少なくとも一つの変化量を基に、再抽出領域の結果を用いた教師データを作成するか否かを判断することを特徴とする請求項1記載の分類装置。
  4. 前記抽出パラメータは、異なる2つの抽出結果における抽出領域の大きさ、形状のうち少なくとも一つの変化量を基に決定されることを特徴とする請求項1記載の分類装置。
  5. 前記抽出された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を更に備えることを特徴とする請求項1〜4のいずれか1つに記載の分類装置。
  6. 前記分類装置は、特徴量空間内における分類対象領域のデータ近傍に位置する複数の教師データを基に分類を行うことを特徴とする請求項1〜5のいずれか1つに記載の分類装置。
  7. 前記分類装置は、特徴量空間内における同一カテゴリの教師データ分布を代表するデータと分類対象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1〜5のいずれか1つに記載の分類装置。
JP2004351585A 2004-12-03 2004-12-03 分類装置及び分類方法 Expired - Fee Related JP4266920B2 (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2004351585A JP4266920B2 (ja) 2004-12-03 2004-12-03 分類装置及び分類方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2004351585A JP4266920B2 (ja) 2004-12-03 2004-12-03 分類装置及び分類方法

Related Child Applications (1)

Application Number Title Priority Date Filing Date
JP2008222226A Division JP2009032273A (ja) 2008-08-29 2008-08-29 分類装置

Publications (2)

Publication Number Publication Date
JP2006163608A true JP2006163608A (ja) 2006-06-22
JP4266920B2 JP4266920B2 (ja) 2009-05-27

Family

ID=36665581

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2004351585A Expired - Fee Related JP4266920B2 (ja) 2004-12-03 2004-12-03 分類装置及び分類方法

Country Status (1)

Country Link
JP (1) JP4266920B2 (ja)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009032273A (ja) * 2008-08-29 2009-02-12 Olympus Corp 分類装置
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
CN108875193A (zh) * 2018-06-12 2018-11-23 温州大学 评估SiC同质异构结IMPATT二极管性能的方法
JP2019087078A (ja) * 2017-11-08 2019-06-06 オムロン株式会社 データ生成装置、データ生成方法及びデータ生成プログラム
WO2020003917A1 (ja) * 2018-06-29 2020-01-02 富士フイルム株式会社 欠陥表示装置及び方法

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5926937B2 (ja) 2011-11-30 2016-05-25 オリンパス株式会社 画像処理装置、画像処理方法、及び画像処理プログラム
JP5980555B2 (ja) 2012-04-23 2016-08-31 オリンパス株式会社 画像処理装置、画像処理装置の作動方法、及び画像処理プログラム

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH04297973A (ja) * 1991-03-27 1992-10-21 Seiko Epson Corp 参照ベクトルの分類方法
JPH0765127A (ja) * 1993-08-31 1995-03-10 Hitachi Eng Co Ltd 文字変形方法及び文字認識装置
JPH11344450A (ja) * 1998-06-03 1999-12-14 Hitachi Ltd 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
JP2000020644A (ja) * 1998-06-30 2000-01-21 Toshiba Corp 文字変形方法及び文字認識用辞書作成装置
JP2000099727A (ja) * 1998-09-18 2000-04-07 Hitachi Ltd 外観画像分類装置およびその方法
JP2003030672A (ja) * 2001-07-11 2003-01-31 Canon Inc 帳票認識装置、方法、プログラムおよび記憶媒体
JP2003187187A (ja) * 2001-12-20 2003-07-04 Omron Corp モデル登録方法およびこの方法を用いたパターン認識装置
JP2003317082A (ja) * 2002-04-25 2003-11-07 Dainippon Screen Mfg Co Ltd 分類支援装置、分類装置およびプログラム
JP2006048370A (ja) * 2004-08-04 2006-02-16 Kagawa Univ パターン認識方法、それに用いられる教示データ生成方法およびパターン認識装置

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH04297973A (ja) * 1991-03-27 1992-10-21 Seiko Epson Corp 参照ベクトルの分類方法
JPH0765127A (ja) * 1993-08-31 1995-03-10 Hitachi Eng Co Ltd 文字変形方法及び文字認識装置
JPH11344450A (ja) * 1998-06-03 1999-12-14 Hitachi Ltd 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
JP2000020644A (ja) * 1998-06-30 2000-01-21 Toshiba Corp 文字変形方法及び文字認識用辞書作成装置
JP2000099727A (ja) * 1998-09-18 2000-04-07 Hitachi Ltd 外観画像分類装置およびその方法
JP2003030672A (ja) * 2001-07-11 2003-01-31 Canon Inc 帳票認識装置、方法、プログラムおよび記憶媒体
JP2003187187A (ja) * 2001-12-20 2003-07-04 Omron Corp モデル登録方法およびこの方法を用いたパターン認識装置
JP2003317082A (ja) * 2002-04-25 2003-11-07 Dainippon Screen Mfg Co Ltd 分類支援装置、分類装置およびプログラム
JP2006048370A (ja) * 2004-08-04 2006-02-16 Kagawa Univ パターン認識方法、それに用いられる教示データ生成方法およびパターン認識装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
村田 真樹: "用例べースによるテンス・アスペタトモグリティの日英翻訳", 人工知能学会論文誌, vol. 16巻1号C (2001年), CSNG200300007003, 2001, JP, ISSN: 0000878074 *

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009032273A (ja) * 2008-08-29 2009-02-12 Olympus Corp 分類装置
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
JP7491435B2 (ja) 2015-03-19 2024-05-28 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
US11914851B2 (en) 2015-03-19 2024-02-27 Nec Corporation Object detection device, object detection method, and recording medium
US11373061B2 (en) 2015-03-19 2022-06-28 Nec Corporation Object detection device, object detection method, and recording medium
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
US10571404B2 (en) 2016-01-29 2020-02-25 Fujifilm Corporation Defect inspection apparatus, method, and program
US11176650B2 (en) 2017-11-08 2021-11-16 Omron Corporation Data generation apparatus, data generation method, and data generation program
JP2019087078A (ja) * 2017-11-08 2019-06-06 オムロン株式会社 データ生成装置、データ生成方法及びデータ生成プログラム
CN108875193A (zh) * 2018-06-12 2018-11-23 温州大学 评估SiC同质异构结IMPATT二极管性能的方法
JPWO2020003917A1 (ja) * 2018-06-29 2021-06-24 富士フイルム株式会社 欠陥表示装置及び方法
CN112204385A (zh) * 2018-06-29 2021-01-08 富士胶片株式会社 缺陷显示装置及方法
WO2020003917A1 (ja) * 2018-06-29 2020-01-02 富士フイルム株式会社 欠陥表示装置及び方法

Also Published As

Publication number Publication date
JP4266920B2 (ja) 2009-05-27

Similar Documents

Publication Publication Date Title
JP3834041B2 (ja) 学習型分類装置及び学習型分類方法
KR102218364B1 (ko) 패턴 검사 시스템
CN104718428B (zh) 图案的检查、测量装置及程序
JP4176041B2 (ja) 分類装置及び分類方法
US7113628B1 (en) Defect image classifying method and apparatus and a semiconductor device manufacturing process based on the method and apparatus
KR101361374B1 (ko) 결함 관찰 방법 및 결함 관찰 장치
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
JP2011119471A (ja) 欠陥検査方法及び欠陥検査装置
JP2009522561A (ja) 周期構造の光学検査方法及びシステム
JP2011137901A (ja) パターン計測条件設定装置
JP4050273B2 (ja) 分類装置及び分類方法
JP2011076296A (ja) 合成画像形成方法及び画像形成装置
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
JP5364528B2 (ja) パターンマッチング方法、パターンマッチングプログラム、電子計算機、電子デバイス検査装置
JP4266920B2 (ja) 分類装置及び分類方法
WO2022083123A1 (zh) 证件定位方法
JP4564768B2 (ja) パターン検査方法及びその装置
CN114972173A (zh) 缺陷检测方法和缺陷检测装置及系统
JP2009032273A (ja) 分類装置
CN114419045A (zh) 光刻掩模板缺陷检测方法、装置、设备及可读存储介质
JP2006012069A (ja) 分類装置及び分類方法
JP2004239870A (ja) 空間フィルタ、空間フィルタの作成方法、空間フィルタ作成プログラム、画面欠陥の検査方法及び装置
WO2023112302A1 (ja) 教師データ作成支援装置、教師データ作成支援方法

Legal Events

Date Code Title Description
A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20070717

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20070731

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20071001

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20080401

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20080602

A02 Decision of refusal

Free format text: JAPANESE INTERMEDIATE CODE: A02

Effective date: 20080701

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20080829

A911 Transfer to examiner for re-examination before appeal (zenchi)

Free format text: JAPANESE INTERMEDIATE CODE: A911

Effective date: 20080908

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20081028

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20081226

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20090127

A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20090217

R151 Written notification of patent or utility model registration

Ref document number: 4266920

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R151

FPAY Renewal fee payment (event date is renewal date of database)

Free format text: PAYMENT UNTIL: 20120227

Year of fee payment: 3

FPAY Renewal fee payment (event date is renewal date of database)

Free format text: PAYMENT UNTIL: 20120227

Year of fee payment: 3

FPAY Renewal fee payment (event date is renewal date of database)

Free format text: PAYMENT UNTIL: 20130227

Year of fee payment: 4

FPAY Renewal fee payment (event date is renewal date of database)

Free format text: PAYMENT UNTIL: 20140227

Year of fee payment: 5

S531 Written request for registration of change of domicile

Free format text: JAPANESE INTERMEDIATE CODE: R313531

R350 Written notification of registration of transfer

Free format text: JAPANESE INTERMEDIATE CODE: R350

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

LAPS Cancellation because of no payment of annual fees