JP2006189915A - 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
JP2006189915A
JP2006189915A JP2004381495A JP2004381495A JP2006189915A JP 2006189915 A JP2006189915 A JP 2006189915A JP 2004381495 A JP2004381495 A JP 2004381495A JP 2004381495 A JP2004381495 A JP 2004381495A JP 2006189915 A JP2006189915 A JP 2006189915A
Authority
JP
Japan
Prior art keywords
classification
teacher data
category
region
confidence level
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
JP2004381495A
Other languages
English (en)
Other versions
JP4050273B2 (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 JP2004381495A priority Critical patent/JP4050273B2/ja
Publication of JP2006189915A publication Critical patent/JP2006189915A/ja
Application granted granted Critical
Publication of JP4050273B2 publication Critical patent/JP4050273B2/ja
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Testing Or Measuring Of Semiconductors Or The Like (AREA)
  • Image Analysis (AREA)

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】検査画像より欠陥領域を抽出する欠陥領域抽出手段101と、前記欠陥領域が分類されるべき正解カテゴリ、及び前記正解カテゴリに対する妥当性の尺度である確信レベルを入力する操作手段104と、正解カテゴリ及び確信レベルの情報を含む教師データを作成する教師データ作成手段105と、確信レベルが高い教師データを確信レベルが低い教師データより有意なデータとして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20(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20(B))と、不適切な抽出が行われた場合(図20(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。
一方、教師データ作成時の教師データ作成時の正解カテゴリ入力に関して、模範となるべき人間でも迷う場合がある。この場合、確信レベルの低い教師データを他の教師データと同様に扱うことは適切ではない。当然、これら確信レベルが低いものを考慮した分類が必要となる。このような課題に対して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、教師データに対する妥当性の尺度を考慮することにより、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、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、前記領域が分類されるべき正解カテゴリ、及び前記正解カテゴリに対する妥当性の尺度である確信レベルを入力する操作手段と、正解カテゴリ及び確信レベルの情報を含む教師データを作成する教師データ作成手段と、確信レベルが高い教師データを確信レベルが低い教師データより有意なデータとして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、前記分類手段は、確信レベルに応じた重みを教師データに設定して分類を行う。
また、本発明の第3の態様は、画像より分類対象の領域を抽出する領域抽出手段と、前記領域が分類されるべき正解カテゴリ、及び2次候補となる2次候補カテゴリを入力する操作手段と、正解カテゴリ及び2次候補カテゴリの情報を含む教師データを作成する教師データ作成手段と、前記教師データを用いて分類を行う分類手段と、を備える。
また、本発明の第4の態様は、第3の態様において、前記分類手段は、正解カテゴリと2次候補カテゴリの情報を持つ教師データを、特徴量空間において同一の位置に存在する2つの教師データとみなして分類を行う。
また、本発明の第5の態様は、第4の態様において、前記2つの教師データは、異なる重みが設定される。
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、教師データの確信レベルを考慮したので、精度の高い分類を行うことが可能となる。
また、2次候補のカテゴリを考慮したので、精度の高い分類を行うことが可能になる。
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あるいは正解カテゴリと当該正解カテゴリに対する確信レベルとを入力するための操作手段104と、正解カテゴリ及び確信レベルの情報を含む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において、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、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。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と当該正解カテゴリに対する確信レベルとを入力する(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、正解カテゴリに加えて当該正解カテゴリに対する判断のレベルを入力する様子を図10に示す。ある教師サンプルの欠陥領域(図では領域5)が明らかに欠陥種Bであると判断できる場合には、ポインタ170により確信レベルを“高”として設定する。一方、多分、欠陥種Bだと思われる程度の場合には、確信レベルを“中”として設定する。さらに、ここでは、確信レベルを2段階“高”“中”としているが、もちろんそれ以上に段階分けしても良い。
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、図11に示すように、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(確信レベルを含む)をセットにしたものである。
その後、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14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)。
この時、分類手段107は、確信レベルが高い教師データを確信レベルが低い教師データより有意なデータとして扱いながら分類を行なうが、その方法を説明する前に基本となる分類の方法について説明する。
図15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15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。図15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 2006189915
Figure 2006189915
Figure 2006189915
Figure 2006189915
また、k近傍法以外の方法として、図16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 (上付きのエル)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 2006189915
但し、nは代表点に集約される(同一欠陥種の)教師データ数であり、aは教師データxの確信レベル、またはカテゴリ候補順序に応じた重み係数で、通常は1である。
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。
次に、上記分類法において確信レベルを考慮する方法を説明する。例えばk近傍法で分類する場合には、近傍k個の教師データにおける個数比較を行う際に、確信レベルが低い教師データは1ではなく0.6個のようにカウントする。また、代表点距離比較法を用いて分類する場合には、確信度の低い教師データaの重みを1以下(例えば0.6)として代表点の値μ(上付きのエル)を算出する。
以上のように、教師データの確信レベルを考慮することにより、精度の高い分類を行うことが可能である。
また、上記した実施形態の変形例として、確信レベルの低い対象に対して、2次候補のカテゴリを入力する例を説明する。この場合、図12に示すような教師データが作成され、これを基に分類が行われる。例えば、k近傍法で分類する場合には、近傍k個の教師データにおける個数比較を行う際に、1次候補のみ入力されている教師データは、その1次候補の欠陥種として1個とカウントし、2次候補まで入力されている教師データは、その1次候補のカテゴリの欠陥種に対して0.6個、2次候補の欠陥種に対して0.4個のように候補順に重みを設定してカウントする。図13は、2次候補を含む教師データを用いたk近傍法による欠陥種の判断について説明するための図である。上記の説明のようにカウントすると、図13では、欠陥種B:2.2個>欠陥種C:1.8個>欠陥種A:1個であり、対象領域=欠陥種Bとなる。
また、代表点距離比較法を用いて分類する場合には、候補順に応じた重みaを設定して、代表点の値μ(上付きのエル)を算出する。
上記した変形例によれば、2次候補のカテゴリを考慮することにより、精度の高い分類を行うことが可能である。
以上で分類過程の説明を終わる。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17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18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18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19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。
本発明の一実施形態の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6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。 欠陥種の判断に基づく確信レベルの設定のようすを示す図である。 確信レベルの情報を含む教師データ(複数)の一例を示す図である。 確信レベルの低い対象に対して、2次候補のカテゴリを入力して作成された教師データ(複数)の一例を示す図である。 2次候補を含む教師データを用いたk近傍法による欠陥種の判断について説明するための図である。 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。

Claims (7)

  1. 画像より領域を抽出する領域抽出手段と、
    前記領域が分類されるべき正解カテゴリ、及び前記正解カテゴリに対する妥当性の尺度である確信レベルを入力する操作手段と、
    正解カテゴリ及び確信レベルの情報を含む教師データを作成する教師データ作成手段と、
    確信レベルが高い教師データを確信レベルが低い教師データより有意なデータとして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. 前記分類手段は、確信レベルに応じた重みを教師データに設定して分類を行うことを特徴とする請求項1記載の分類装置。
  3. 画像より分類対象の領域を抽出する領域抽出手段と、
    前記領域が分類されるべき正解カテゴリ、及び2次候補となる2次候補カテゴリを入力する操作手段と、
    正解カテゴリ及び2次候補カテゴリの情報を含む教師データを作成する教師データ作成手段と、
    前記教師データを用いて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。
  4. 前記分類手段は、正解カテゴリと2次候補カテゴリの情報を持つ教師データを、特徴量空間において同一の位置に存在する2つの教師データとみなして分類を行うことを特徴とする請求項3記載の分類装置。
  5. 前記2つの教師データは、異なる重みが設定されることを特徴とする請求項4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。
JP2004381495A 2004-12-28 2004-12-28 分類装置及び分類方法 Expired - Fee Related JP4050273B2 (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2004381495A JP4050273B2 (ja) 2004-12-28 2004-12-28 分類装置及び分類方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2004381495A JP4050273B2 (ja) 2004-12-28 2004-12-28 分類装置及び分類方法

Publications (2)

Publication Number Publication Date
JP2006189915A true JP2006189915A (ja) 2006-07-20
JP4050273B2 JP4050273B2 (ja) 2008-02-20

Family

ID=36797082

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2004381495A Expired - Fee Related JP4050273B2 (ja) 2004-12-28 2004-12-28 分類装置及び分類方法

Country Status (1)

Country Link
JP (1) JP4050273B2 (ja)

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2015194927A (ja) * 2014-03-31 2015-11-05 セコム株式会社 対象識別装置
JP2016133895A (ja) * 2015-01-16 2016-07-25 キヤノン株式会社 情報処理装置、情報処理方法、及びプログラム
JP2017162098A (ja) * 2016-03-08 2017-09-14 富士通株式会社 学習方法、情報処理装置および学習プログラム
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
JP2018045592A (ja) * 2016-09-16 2018-03-22 Kddi株式会社 ラベル付与装置、ラベル付与方法及びラベル付与プログラム
US9984335B2 (en) 2014-02-07 2018-05-29 Nec Corporation Data processing device
JP2019519828A (ja) * 2016-03-18 2019-07-11 ケーニッヒ ウント バウアー アー・ゲーKoenig & Bauer AG 検査システムのカメラによって取得された写真画像を操作するための方法
WO2020017546A1 (ja) * 2018-07-17 2020-01-23 合同会社Synapse Gear 撮像装置と撮像方法
WO2020101036A1 (ja) * 2018-11-16 2020-05-22 株式会社 Preferred Networks 教師信号生成装置、モデル生成装置、物体検出装置、教師信号生成方法、モデル生成方法、およびプログラム
JP2021015402A (ja) * 2019-07-11 2021-02-12 富士通株式会社 判定処理プログラム、判定処理方法および情報処理装置
WO2023032549A1 (ja) * 2021-09-01 2023-03-09 株式会社エフ・シー・シー 欠陥検査装置、欠陥検査方法および予測モデル生成方法
KR102574029B1 (ko) * 2023-04-07 2023-09-05 주식회사 아이브 인공 지능 학습 모델을 통해 이중타각을 검출하는 장치 및 이를 이용한 방법

Cited By (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9984335B2 (en) 2014-02-07 2018-05-29 Nec Corporation Data processing device
JP2015194927A (ja) * 2014-03-31 2015-11-05 セコム株式会社 対象識別装置
JP2016133895A (ja) * 2015-01-16 2016-07-25 キヤノン株式会社 情報処理装置、情報処理方法、及びプログラム
US11373061B2 (en) 2015-03-19 2022-06-28 Nec Corporation Object detection device, object detection method, and recording medium
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
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
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
JP2017162098A (ja) * 2016-03-08 2017-09-14 富士通株式会社 学習方法、情報処理装置および学習プログラム
JP2019519828A (ja) * 2016-03-18 2019-07-11 ケーニッヒ ウント バウアー アー・ゲーKoenig & Bauer AG 検査システムのカメラによって取得された写真画像を操作するための方法
JP2018045592A (ja) * 2016-09-16 2018-03-22 Kddi株式会社 ラベル付与装置、ラベル付与方法及びラベル付与プログラム
JPWO2020017546A1 (ja) * 2018-07-17 2021-08-12 合同会社Synapse Gear 撮像装置と撮像方法
JP7403834B2 (ja) 2018-07-17 2023-12-25 株式会社Synapse Gear 撮像装置と撮像方法
WO2020017546A1 (ja) * 2018-07-17 2020-01-23 合同会社Synapse Gear 撮像装置と撮像方法
WO2020101036A1 (ja) * 2018-11-16 2020-05-22 株式会社 Preferred Networks 教師信号生成装置、モデル生成装置、物体検出装置、教師信号生成方法、モデル生成方法、およびプログラム
JP2021015402A (ja) * 2019-07-11 2021-02-12 富士通株式会社 判定処理プログラム、判定処理方法および情報処理装置
JP7404679B2 (ja) 2019-07-11 2023-12-26 富士通株式会社 判定処理プログラム、判定処理方法および情報処理装置
WO2023032549A1 (ja) * 2021-09-01 2023-03-09 株式会社エフ・シー・シー 欠陥検査装置、欠陥検査方法および予測モデル生成方法
JP2023035643A (ja) * 2021-09-01 2023-03-13 株式会社エフ・シー・シー 欠陥検査装置、欠陥検査方法および予測モデル生成方法
JP7257470B2 (ja) 2021-09-01 2023-04-13 株式会社エフ・シー・シー 欠陥検査装置、欠陥検査方法および予測モデル生成方法
KR102574029B1 (ko) * 2023-04-07 2023-09-05 주식회사 아이브 인공 지능 학습 모델을 통해 이중타각을 검출하는 장치 및 이를 이용한 방법

Also Published As

Publication number Publication date
JP4050273B2 (ja) 2008-02-20

Similar Documents

Publication Publication Date Title
CN115082482B (zh) 一种金属表面缺陷检测方法
CN104718428B (zh) 图案的检查、测量装置及程序
US9489562B2 (en) Image processing method and apparatus
JP4050273B2 (ja) 分類装置及び分類方法
JP2005293264A (ja) 学習型分類装置及び学習型分類方法
US8577125B2 (en) Method and apparatus for image generation
JP2005301823A (ja) 分類装置及び分類方法
CN111340701A (zh) 一种基于聚类法筛选匹配点的电路板图像拼接方法
CN110853005A (zh) 一种免疫组化膜染色切片诊断方法及装置
CN110781917B (zh) 重复图像的检测方法、装置、电子设备及可读存储介质
CN112017245B (zh) 证件定位方法
CN106033535A (zh) 电子阅卷方法
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
CN114782329A (zh) 一种基于图像处理的轴承缺陷损伤程度评估方法及系统
CN114972173A (zh) 缺陷检测方法和缺陷检测装置及系统
CN115619708A (zh) 基于图像识别主轴轴承润滑油油质变化判断故障的方法
CN114419045A (zh) 光刻掩模板缺陷检测方法、装置、设备及可读存储介质
EP3526728B1 (en) System and method for object recognition based estimation of planogram compliance
JP4266920B2 (ja) 分類装置及び分類方法
WO2022088660A1 (zh) 提高晶圆检测灵敏度的方法、装置以及存储介质
TW471016B (en) Defect detection using gray level signatures
JP2009032273A (ja) 分類装置
JP2011023638A (ja) 検査領域設定方法
JP2006012069A (ja) 分類装置及び分類方法
CN111027551B (zh) 图像处理方法、设备和介质

Legal Events

Date Code Title Description
A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20070423

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20070605

A521 Written amendment

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20070806

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20070828

A521 Written amendment

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20071029

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: 20071120

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20071128

R151 Written notification of patent or utility model registration

Ref document number: 4050273

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: 20101207

Year of fee payment: 3

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

Free format text: PAYMENT UNTIL: 20111207

Year of fee payment: 4

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

Free format text: PAYMENT UNTIL: 20111207

Year of fee payment: 4

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

Free format text: PAYMENT UNTIL: 20121207

Year of fee payment: 5

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

Free format text: PAYMENT UNTIL: 20131207

Year of fee payment: 6

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