JP2016191589A - 欠陥分類装置および欠陥分類方法 - Google Patents

Abstract

【課題】高精度な欠陥画像分類装置を提供する。
【解決手段】欠陥分類装置１の特徴量算出部４２１では、欠陥を示す欠陥画像、参照画像、および、欠陥画像と参照画像との差分画像を所定の順序にて時系列に並ぶ動画像として扱って、立体高次局所自己相関特徴量が求められる。好ましくは、立体高次局所自己相関特徴量を求める領域が、欠陥画像における欠陥領域に対応する領域に制限される。分類器４２２では、立体高次局所自己相関特徴量に基づいて欠陥画像が分類される。これにより、欠陥画像の分類を精度よく行うことができる。
【選択図】図１

Description

本発明は、欠陥分類装置および欠陥分類方法に関する。

半導体基板、ガラス基板、プリント配線基板等の基板の外観検査において、検出された欠陥の画像を自動的に分類する自動欠陥分類が従来より行われている。自動欠陥分類では、欠陥画像から算出される特徴量を用いて判別関数が推測される。このような特徴量の一つとして高次局所自己相関（Higher-oder Local Auto-Correlation：ＨＬＡＣ）特徴量が知られている。

特許文献１および２では、２次元画像に対するＨＬＡＣを用いた適応学習型汎用画像計測法が開示されている。ＨＬＡＣは画像認識において基本的な要請となる位置不変性と加法性を満たしており、計算量の少なさと高い認識性能が特徴である。ＨＬＡＣにおける相関の次数を二次までに限定すると、変位が８近傍の場合には、多値画像に対して３５通りのマスクパターン（変位パターン）が存在し、２値画像に対して２５通りのマスクパターンが存在する。各画素に対してマスクパターンに従った演算により得られる値を画像全体で足し合わせることにより、当該マスクパターンによるＨＬＡＣ特徴量が得られる。

なお、動画像認識の分野では、ＨＬＡＣを３次元に拡張した立体高次局所自己相関（Cubic Higher-oder Local Auto-Correlation：ＣＨＬＡＣ）による特徴抽出が提案されており（例えば、特許文献３および４参照）、動作解析や異常行動の検出が試みられている。特許文献５では、ＨＬＡＣ特徴量やＣＨＬＡＣ特徴量を高速に抽出する演算手法が開示されている。

特許第２９８２８１４号公報 特許第２８３４１５３号公報 特許第４０６１３７７号公報 特許第４３６８７６７号公報 特許第５０８３８８８号公報

ところで、欠陥画像の分類においてＨＬＡＣ特徴量を用いる場合、判別関数の予測精度が不十分なことがある。したがって、欠陥画像の分類を精度よく行うことが可能な手法が求められている。

本発明は上記課題に鑑みなされたものであり、欠陥画像の分類を精度よく行うことを目的としている。

請求項１に記載の発明は、欠陥分類装置であって、欠陥を示す欠陥画像、または、前記欠陥画像を所定の参照画像と比較することにより得られる差分画像である第１画像、前記参照画像である第２画像、および、前記欠陥画像または前記参照画像に基づく第３画像を所定の順序にて時系列に並ぶ動画像として扱って、立体高次局所自己相関特徴量を求める特徴量算出部と、前記立体高次局所自己相関特徴量に基づいて前記欠陥画像を分類する分類器とを備える。

請求項２に記載の発明は、請求項１に記載の欠陥分類装置であって、前記第３画像が、前記第１画像および前記第２画像と相違する。

請求項３に記載の発明は、請求項１または２に記載の欠陥分類装置であって、前記特徴量算出部が、前記第１ないし第３画像において前記立体高次局所自己相関特徴量を求める領域を、前記欠陥画像における欠陥領域に対応する領域に制限する。

請求項４に記載の発明は、請求項１ないし３のいずれかに記載の欠陥分類装置であって、前記第１画像が前記欠陥画像であり、前記第３画像が前記差分画像である。

請求項５に記載の発明は、欠陥分類方法であって、ａ）欠陥を示す欠陥画像、または、前記欠陥画像を所定の参照画像と比較することにより得られる差分画像である第１画像、前記参照画像である第２画像、および、前記欠陥画像または前記参照画像に基づく第３画像を所定の順序にて時系列に並ぶ動画像として扱って、立体高次局所自己相関特徴量を求める工程と、ｂ）前記立体高次局所自己相関特徴量に基づいて前記欠陥画像を分類する工程とを備える。

請求項６に記載の発明は、請求項５に記載の欠陥分類方法であって、前記第３画像が、前記第１画像および前記第２画像と相違する。

請求項７に記載の発明は、請求項５または６に記載の欠陥分類方法であって、前記ａ）工程において、前記第１ないし第３画像において前記立体高次局所自己相関特徴量を求める領域が、前記欠陥画像における欠陥領域に対応する領域に制限される。

請求項８に記載の発明は、請求項５ないし７のいずれかに記載の欠陥分類方法であって、前記第１画像が前記欠陥画像であり、前記第３画像が前記差分画像である。

本発明によれば、欠陥画像の分類を精度よく行うことができる。

欠陥分類装置の構成を示す図である。 欠陥画像の分類の流れを示す図である。 ホストコンピュータの構成を示す図である。 ホストコンピュータが実現する機能構成を示すブロック図である。 分類器の構築の流れを示す図である。 教師画像セットを示す図である。 教師画像セットを示す図である。 分類器の性能評価結果を示す図である。 分類器の性能評価結果を示す図である。 分類器の性能評価結果を示す図である。 比較例の分類器の性能評価結果を示す図である。

図１は本発明の一の実施の形態に係る欠陥分類装置１の概略構成を示す図である。欠陥分類装置１では、半導体基板９（以下、単に「基板９」という。）上のパターンの欠陥を示す欠陥画像が取得され、当該欠陥画像の分類が行われる。欠陥分類装置１は基板９上の検査対象領域を撮像する撮像装置２、欠陥を自動分類する検査・分類装置４、および、ホストコンピュータ５を有する。検査・分類装置４は、撮像装置２からの画像データに基づいて欠陥検査を行い、欠陥が検出された場合に欠陥が属すべき欠陥クラス（欠陥の種別であり、「カテゴリ」等とも呼ばれる。）へと欠陥を分類する。ホストコンピュータ５は、欠陥分類装置１の全体動作を制御するとともに検査・分類装置４における欠陥の分類に利用される分類器４２２を生成する。基板９上に存在するパターンの欠陥のクラスは、例えば、欠損、突起、断線、ショート、異物である。撮像装置２は基板９の製造ラインに組み込まれ、欠陥分類装置１はいわゆるインライン型のシステムとなっている。欠陥分類装置１は、欠陥検査装置に自動欠陥分類の機能を付加した装置と捉えることもできる。

撮像装置２は、撮像部２１、基板９を保持するステージ２２、および、撮像部２１に対してステージ２２を相対的に移動するステージ駆動部２３を有する。撮像部２１は、基板９上の検査対象領域を撮像して画像データを取得する。撮像部２１は、照明光を出射する照明部２１１、光学系２１２、および、撮像デバイス２１３を有する。光学系２１２は基板９に照明光を導き、基板９からの光は光学系２１２に入射する。撮像デバイス２１３は、光学系２１２により結像された基板９の像を電気信号に変換する。ステージ駆動部２３はボールねじ、ガイドレール、モータ等により構成される。ホストコンピュータ５がステージ駆動部２３および撮像部２１を制御することにより、基板９上の検査対象領域が撮像される。

検査・分類装置４は、欠陥検出部４１、および、欠陥画像を分類する分類制御部４２を有する。欠陥検出部４１は、検査対象領域の画像データを処理しつつ欠陥を検出する。欠陥検出部４１は検査対象領域の画像データを高速に処理する専用の電気的回路を有し、撮像された画像と欠陥が存在しない参照画像との比較や画像処理により検査対象領域の欠陥検査を行う。分類制御部４２は各種演算処理を行うＣＰＵや各種情報を記憶するメモリ等により構成され、特徴量算出部４２１と、分類器４２２とを含む。分類器４２２は、ニューラルネットワーク、決定木、判別分析等を利用して欠陥の分類、すなわち、欠陥画像の分類を実行する。

図２は、欠陥分類装置１による欠陥画像の分類の流れを示す図である。まず、図１に示す撮像装置２が基板９を撮像することにより、検査・分類装置４の欠陥検出部４１が画像のデータを取得する（ステップＳ１）。次に、欠陥検出部４１が検査対象領域の欠陥検査を行い、欠陥が検出されると、欠陥部分の多値画像である欠陥画像が生成されて準備される（ステップＳ２）。本実施の形態における欠陥検出部４１では、基板９を撮像した多値画像と、当該多値画像と同じ領域（正常な領域）を示す参照画像とを比較することにより差分画像（典型的には、両画像の差の絶対値を示す画像）が得られ、当該差分画像に基づいて、異常部分である欠陥が検出される。したがって、欠陥画像と共に、参照画像および差分画像において欠陥画像と同じ領域を示す部分（以下、単に「参照画像」および「差分画像」という。）、並びに、欠陥の領域を示す２値の画像（例えば、差分画像を二値化して得られる画像であり、以下、「マスク画像」という。）も生成される。欠陥画像、参照画像、差分画像およびマスク画像の集合（以下、「画像セット」という。）のデータは分類制御部４２へと送信される。

分類制御部４２の特徴量算出部４２１は、画像セットに含まれる欠陥画像、参照画像、差分画像およびマスク画像に基づいて、複数の特徴量の配列である特徴量ベクトルを算出する（ステップＳ３）。特徴量ベクトルの詳細については後述する。特徴量ベクトルは分類器４２２に入力され、分類結果が出力される。すなわち、分類器４２２を用いて欠陥画像が複数の欠陥クラスのいずれかに分類される（ステップＳ４）。欠陥分類装置１では、欠陥検出部４１にて欠陥が検出される毎に特徴量ベクトルの算出がリアルタイムにて行われ、多数の欠陥画像の自動分類が高速に行われる。

次に、ホストコンピュータ５による分類器の構築（取得）について説明する。図３はホストコンピュータ５の構成を示す図である。ホストコンピュータ５は各種演算処理を行うＣＰＵ５１、基本プログラムを記憶するＲＯＭ５２、および、各種情報を記憶するＲＡＭ５３を含む一般的なコンピュータシステムの構成となっている。ホストコンピュータ５は、情報記憶を行う固定ディスク５４、画像等の各種情報の表示を行うディスプレイ５５、ユーザからの入力を受け付けるキーボード５６ａおよびマウス５６ｂ（以下、「入力部５６」と総称する。）、光ディスク、磁気ディスク、光磁気ディスク等のコンピュータ読み取り可能な記録媒体８から情報の読み取りを行う読取装置５７、並びに、欠陥分類装置１の他の構成との間で信号を送受信する通信部５８をさらに含む。

ホストコンピュータ５には、事前に読取装置５７を介して記録媒体８からプログラム８０が読み出され、固定ディスク５４に記憶される。そして、ＣＰＵ５１によりＲＡＭ５３および固定ディスク５４を利用しつつプログラム８０に従って演算処理が実行される。

図４はホストコンピュータ５のＣＰＵ５１、ＲＯＭ５２、ＲＡＭ５３、固定ディスク５４等により実現される、分類器を構築するための機能構成を示すブロック図である。図４には、検査・分類装置４も示している。ホストコンピュータ５は、特徴量算出部６１１および分類器６１２を含む分類制御部６１と、分類器６１２を学習させて構築する学習部６２とを備える。分類器６１２は、正確には、予め定められた記憶領域に分類を行うために必要な情報を格納することにより実現される機能構成である。検査・分類装置４の分類器４２２も同様である。

ホストコンピュータ５は、画像記憶部６４と、情報記憶部６５とをさらに備える。画像記憶部６４は、各欠陥画像、並びに、当該欠陥画像に対応する参照画像、差分画像およびマスク画像のデータを含む画像セットデータ８０１を記憶する。実際には、複数の欠陥画像に対する画像セットデータ８０１が画像記憶部６４に記憶される（情報記憶部６５における後述の教示欠陥クラス８１１において同様）。情報記憶部６５は、各欠陥画像に関連付けられた教示欠陥クラス８１１を記憶する。教示欠陥クラス８１１は、ユーザにより各欠陥画像に付与された欠陥クラスである。すなわち、教示欠陥クラス８１１は、異物の種類、傷の種類、パターン不良の種類等を各欠陥画像に関連付ける教示作業の結果を示す情報である。

ホストコンピュータ５にて分類器６１２が構築されると、分類器６１２は検査・分類装置４の分類器４２２へと転送される。もちろん、ホストコンピュータ５の機能は、検査・分類装置４に含めることも可能である。

図５は、ホストコンピュータ５による分類器の構築の流れを示す図である。分類器の構築とは、分類器が含むパラメータに値を付与したり、構造を決定すること等により分類器を生成することを意味する。

分類器の構築の際には、事前準備として、検査・分類装置４にて検出された多数の欠陥画像の画像セットデータ８０１がホストコンピュータ５に入力され、画像記憶部６４に記憶される。続いて、ユーザにより、欠陥クラスの教示が行われる。欠陥クラスの教示では、複数の欠陥画像が、ホストコンピュータ５のディスプレイ５５に表示される。複数の欠陥画像は、例えば、基板上のレジストによるパターンの欠陥を示す。続いて、入力部５６がユーザからの教示入力を受け付けることにより、複数の欠陥画像のそれぞれに対して、複数の欠陥クラスのうちの一の欠陥クラスが関連付けられる。関連付けられた欠陥クラスは、教示欠陥クラス８１１として情報記憶部６５に記憶される。以上の処理により、複数の欠陥クラスのうちの一の欠陥クラスに属すると教示された欠陥画像（すなわち、教示欠陥クラス８１１が決定された欠陥画像）、並びに、当該欠陥画像に対応する参照画像、差分画像およびマスク画像の集合を教師画像セットとして、複数の教師画像セットが準備される（ステップＳ１１）。

図６Ａおよび図６Ｂは、教師画像セットを示す図である。図６Ａおよび図６Ｂでは、欠陥画像７１、参照画像７２、差分画像７３およびマスク画像７４を示している。特徴量算出部６１１では、各教師画像セットに対して特徴量ベクトルが算出される（ステップＳ１２）。具体的には、欠陥画像７１、参照画像７２および差分画像７３を所定の順序にて時系列に並ぶ３フレームの動画像として扱って、立体高次局所自己相関（Cubic Higher-oder Local Auto-Correlation: ＣＨＬＡＣ）特徴量が求められる。

ここで、ＣＨＬＡＣは、高次局所自己相関（Higher-oder Local Auto-Correlation: ＨＬＡＣ）を３次元に拡張したものであり、専ら動画像における動作解析や異常行動の検出に用いられる。例えば、ＣＨＬＡＣにおける相関の次数を二次までに限定すると、変位が２６近傍の場合には、多値画像に対して２７９通りのマスクパターン（変位パターン）が存在し、２値画像に対して２５１通りのマスクパターンが存在する。２次元画像（フレーム）が時系列に並ぶ動画像では、一の２次元画像の各画素に対してマスクパターンに従った演算により得られる値を、当該２次元画像の全体で足し合わせることにより、当該マスクパターンによるＣＨＬＡＣ特徴量が得られる。

特徴量算出部６１１におけるＣＨＬＡＣ特徴量の算出において、例えば、欠陥画像７１、参照画像７２および差分画像７３を、この画像順序にて時系列に並ぶ動画像として扱う場合には、中央フレームである参照画像７２の各画素に対してマスクパターンに従った演算が行われる。当該演算では、参照画像７２の当該画素（ボクセルと捉えることもできる。）の２６近傍に位置する欠陥画像７１および差分画像７３の画素の値も、マスクパターンに応じて利用される。そして、参照画像７２の各画素に対してマスクパターンに従った演算により得られる値を画素演算値として、参照画像７２においてマスクパターンが適用可能な全ての画素の画素演算値の和を求めることにより、当該マスクパターンによるＣＨＬＡＣ特徴量が得られる。

特徴量算出部６１１におけるより好ましい処理では、中央フレームである参照画像７２において、マスク画像７４が示す欠陥領域に含まれる画素のみに対して画素演算値が求められる。そして、当該欠陥領域に含まれる全ての画素の画素演算値の和が、当該マスクパターンによるＣＨＬＡＣ特徴量として求められる。このように、欠陥画像７１、参照画像７２および差分画像７３においてＣＨＬＡＣ特徴量を求める領域が、欠陥画像７１における欠陥領域に対応する領域に制限される。

特徴量算出部６１１では、複数のマスクパターンが準備されており、各マスクパターンによるＣＨＬＡＣ特徴量が求められる。そして、複数（全て）のマスクパターンを用いてそれぞれ求められる複数のＣＨＬＡＣ特徴量の配列が、特徴量ベクトルとして取得される。なお、ＣＨＬＡＣ特徴量に加えて、欠陥の面積、周囲長、重心位置、モーメント量、階調値の平均、分散、最大、最小等の特徴量が特徴量ベクトルに含まれてもよい。

各教師画像セットに対して特徴量ベクトルが取得されると、複数の教師画像セットの特徴量ベクトル、および、複数の教師画像セットに含まれる欠陥画像に関連付けられた教示欠陥クラス８１１を用いて分類器６１２が生成される（ステップＳ１３）。分類器６１２を生成する方法または機構としては、学習型（教示型）のものであれば様々なものが利用されてよい。例えば、最近傍法、最小距離法、部分空間法、決定木法、線形判別法、ファジーボーティング法、フレキシブルナイブベイズ法、ニューラルネットワーク、サポートベクターマシン（ＳＶＭ）等が採用可能である。

既述のように、構築された分類器６１２は検査・分類装置４の分類器４２２へと転送される。また、ＣＨＬＡＣ特徴量を求める際における欠陥画像７１、参照画像７２および差分画像７３の画像順序を示す情報も、検査・分類装置４の特徴量算出部４２１へと転送される。既述のように、検査・分類装置４では、欠陥検出部４１にて欠陥画像が検出されると（図２：ステップＳ２）、図５のステップＳ１２と同様の処理により、特徴量算出部４２１において当該欠陥画像の画像セットから特徴量ベクトルが取得され（ステップＳ３）、分類器４２２により、特徴量ベクトルに基づいて当該欠陥画像の分類が行われる（ステップＳ４）。

より好ましい分類器の構築では、欠陥画像７１、参照画像７２および差分画像７３のそれぞれを中央フレームとしてＣＨＬＡＣ特徴量が求められ、分類器６１２が構築される。すなわち、ＣＨＬＡＣ特徴量を算出する際の画像順序を欠陥画像７１、差分画像７３、参照画像７２として構築された分類器６１２、画像順序を欠陥画像７１、参照画像７２、差分画像７３として構築された分類器６１２、および、画像順序を参照画像７２、欠陥画像７１、差分画像７３として構築された分類器６１２が取得される。そして、３個の分類器６１２のうち、最も分類性能が良い分類器６１２、および、当該分類器６１２の構築の際における画像順序の情報が、検査・分類装置４に転送される。

図７Ａないし図７Ｃは、判別分析により構築された分類器６１２の性能評価結果を示す図である。ここでは、ＣＨＬＡＣ特徴量を算出する際の画像順序を欠陥画像７１、差分画像７３、参照画像７２として構築された分類器６１２の性能評価結果を図７Ａに示し、画像順序を欠陥画像７１、参照画像７２、差分画像７３として構築された分類器６１２の性能評価結果を図７Ｂに示し、画像順序を参照画像７２、欠陥画像７１、差分画像７３として構築された分類器６１２の性能評価結果を図７Ｃに示している。また、性能評価では、学習結果として得られた分類器６１２に、欠陥クラスが教示された欠陥画像を分類させ（すなわち、当該欠陥画像を含む画像セットを利用して分類させ）、分類結果をまとめたコンフュージョンマトリクス（混同行列）を、性能評価結果として図７Ａないし図７Ｃに示している。以下、分類器６１２による分類結果における欠陥クラスを「分類欠陥クラス」という。

図７Ａないし図７Ｃでは、２個の教示欠陥クラスを「クラス１」、「クラス２」として行見出しに記し、２個の分類欠陥クラスを「クラス１」、「クラス２」として列見出しに記している。教示欠陥クラス「Ａ」に属する複数の欠陥画像のうち、分類欠陥クラス「Ｂ」に属すると判定された欠陥画像の個数は、「Ａ」の行と「Ｂ」の列との交差位置に示される。なお、見出しに「Ｓｕｍ」と記す行は、各分類欠陥クラスに分類された欠陥画像の個数（総数）を示し、見出しに「Ｐｕｒｉｔｙ」と記す行は、各分類欠陥クラスに分類された欠陥画像のうち、当該分類欠陥クラスと教示欠陥クラスとが一致する欠陥画像の個数（総正答数）が、当該分類欠陥クラスの「Ｓｕｍ」の個数に占める比率を示す（見出しに「Ｓｕｍ」、「Ａｃｃｕｒａｃｙ」と記す列において同様）。また、「Ｐｕｒｉｔｙ」の行と「Ａｃｃｕｒａｃｙ」の列との交差位置は、分類が行われた欠陥画像の総数のうち、教示欠陥クラスと分類欠陥クラスとが一致した欠陥画像の個数の比率（総正答率）を示す。

分類器６１２の学習および性能評価では、４９２個の欠陥画像が使用され、４７３個の欠陥画像が「クラス１」の教示欠陥クラスに教示され、１９個の欠陥画像が「クラス２」の教示欠陥クラスに教示されている。例えば、図７Ａでは、「クラス１」と教示した４７３個の欠陥画像のうち、正しく「クラス１」と分類されたものは４５２個である。誤って「クラス２」と分類されたものが２１個である。「クラス１」と教示した欠陥画像における分類の正答率（分類の正確さ）は９５．６％である。また、「クラス１」と分類された４５６個の欠陥画像のうち、「クラス１」と教示したものは４５２個であり、「クラス２」と教示したものは４個である。「クラス１」と分類された欠陥画像における分類の正答率（分類の信頼性）は９９．１％である。

図７Ａに示すように、欠陥画像７１、差分画像７３、参照画像７２の画像順序にて構築された分類器６１２による総正答率は９４．９％である。図７Ｂに示すように、欠陥画像７１、参照画像７２、差分画像７３の画像順序にて構築された分類器６１２による総正答率は９４．７％である。図７Ｃに示すように、参照画像７２、欠陥画像７１、差分画像７３の画像順序にて構築された分類器６１２による総正答率は９４．５％である。したがって、図７Ａないし図７Ｃの例では、欠陥画像７１、差分画像７３、参照画像７２の画像順序にて構築された分類器６１２、および、当該分類器６１２の構築の際における画像順序の情報が、検査・分類装置４に転送される。

図８は、比較例の分類器の性能評価結果を示す図である。比較例の分類器は、各教師画像セットに含まれる欠陥画像、参照画像および差分画像のそれぞれから、マスク画像が示す欠陥領域における複数のＨＬＡＣ特徴量を算出し、これらの画像のＨＬＡＣ特徴量の全てを連結した特徴量ベクトルを用いて、分類器６１２と同じ学習アルゴリズムにて生成される。図８に示すように、比較例の分類器による総正答率は９３．５％である。

このように、ＣＨＬＡＣ特徴量を用いて生成される分類器６１２では、その構築の際における画像順序に依らず、比較例の分類器に比べて、分類性能が向上する。すなわち、欠陥分類装置１では、分類器４２２がＣＨＬＡＣ特徴量に基づいて欠陥画像を分類することにより、欠陥画像の分類を精度よく行うことができる。また、欠陥画像７１、参照画像７２および差分画像７３のそれぞれを中央フレームとして分類器６１２を構築し、最も分類性能が良い分類器６１２および画像順序を採用することにより、欠陥画像の分類をさらに精度よく行うことができる。

上記欠陥分類装置１では様々な変形が可能である。

特徴量算出部４２１，６１１では、欠陥画像７１、参照画像７２および差分画像７３をそれぞれ中央フレームとして算出されるＣＨＬＡＣ特徴量の全てを連結して特徴量ベクトルが取得され、当該特徴量ベクトルに基づいて、欠陥画像７１が分類されてもよい。

ＣＨＬＡＣ特徴量の算出に用いられる３フレームの画像（３個の画像）として、２種類の画像のみが用いられてもよい。この場合、例えば、当該３フレームの画像に含まれる第１画像として差分画像７３が用いられ、第２画像として参照画像７２が用いられ、第３画像として差分画像７３または参照画像７２が用いられる。また、ＣＨＬＡＣ特徴量の算出の際における第１ないし第３画像の順序（中央フレーム）は任意に決定されてよい。

さらに、ＣＨＬＡＣ特徴量の算出に用いられる第１ないし第３画像の組合せは、所定の条件下にて任意に決定されてよい。ＣＨＬＡＣ特徴量は、欠陥の分類に利用されるため、欠陥の形状情報を含む欠陥画像７１または差分画像７３が第１画像であることが、当該条件の一つとなる。欠陥が分類されるクラスは、当該欠陥が位置する領域の種類（例えば、配線または背景）に依存するため、当該領域の種類を特定可能とする参照画像７２が第２画像であることが、当該条件の他の一つとなる。ＣＨＬＡＣ特徴量は、画像間の局所的な相関を示す特徴量を含むため、欠陥画像７１または参照画像７２に基づく画像が第３画像であることが、当該条件のさらに他の一つとなる。欠陥画像７１、参照画像７２および差分画像７３以外の第３画像としては、上記マスク画像７４、並びに、欠陥画像７１または参照画像７２の微分画像および（２値の）エッジ画像が例示される。また、欠陥画像７１または参照画像７２の各画素を中心とする所定サイズの領域における濃度勾配方向の分散を示す値が当該画素に付与された画像が、第３画像として用いられてよい。

以上のように、特徴量算出部４２１，６１１では、欠陥を示す欠陥画像７１、または、欠陥画像７１を参照画像７２と比較することにより得られる差分画像７３である第１画像、参照画像７２である第２画像、および、欠陥画像７１または参照画像７２に基づく第３画像が準備される。そして、第１ないし第３画像を所定の順序にて時系列に並ぶ動画像として扱って、中央フレームに対するＣＨＬＡＣ特徴量が求められる。既述のように、第３画像は、第１画像または第２画像と同じ画像であってよいが、ＣＨＬＡＣ特徴量の算出に用いられる３フレームの画像が示す情報量を増大するという観点では、第３画像が、第１画像および第２画像と相違することが好ましい。

一方、欠陥検出部４１において欠陥画像７１、参照画像７２および差分画像７３（並びに、マスク画像７４）が生成される欠陥分類装置１では、これらの欠陥画像７１、参照画像７２および差分画像７３を用いてＣＨＬＡＣ特徴量を算出することにより、欠陥の分類を効率よく行うことが可能となる。

上記実施の形態では、第１ないし第３画像においてＣＨＬＡＣ特徴量を求める領域が、欠陥画像７１における欠陥領域に対応する領域に制限されることにより、欠陥画像７１の分類をさらに精度よく行うことが実現されるが、欠陥分類装置１において要求される分類性能によっては、中央フレームの画像の全体に対してＣＨＬＡＣ特徴量が求められてもよい。この場合、画像セットにおいてマスク画像７４を省略することができる。

欠陥画像７１は、半導体基板以外の基板のパターンの欠陥や異物等の欠陥を示すものであってもよい。当該基板として、ハードディスク基板等の薄膜デバイス、プラズマディスプレイや液晶ディスプレイ等の薄型ディスプレイに用いられるガラス基板、フォトマスク基板、フィルム基板、プリント配線基板等が例示される。

また、欠陥分類装置１が、太陽電池パネルを撮像した欠陥画像を分類する用途に用いられてもよい。例えば、太陽電池パネルのＥＬ（エレクトロ・ルミネッセンス）発光やＰＬ（フォト・ルミネッセンス）発光を撮像して得られる画像や、レーザーテラヘルツエミッション顕微鏡（ＬＴＥＭ）を用いて得られる太陽電池パネルの画像において、参照画像が示す正常な領域とは異なる領域を含む部分を欠陥画像として扱って、欠陥分類装置１において太陽電池パネルの欠陥が分類されてよい。このように、欠陥分類装置１は、様々な対象物における欠陥の分類に利用可能である。また、欠陥分類装置１では、レーザ光、電子線やＸ線等により撮像される画像が分類されてよい。

上記実施の形態および各変形例における構成は、相互に矛盾しない限り適宜組み合わされてよい。

１ 欠陥分類装置
７１ 欠陥画像
７２ 参照画像
７３ 差分画像
７４ マスク画像
４２１，６１１ 特徴量算出部
４２２，６１２ 分類器
Ｓ１〜Ｓ４，Ｓ１１〜Ｓ１３ ステップ

Claims (8)

1. 欠陥分類装置であって、
   欠陥を示す欠陥画像、または、前記欠陥画像を所定の参照画像と比較することにより得られる差分画像である第１画像、前記参照画像である第２画像、および、前記欠陥画像または前記参照画像に基づく第３画像を所定の順序にて時系列に並ぶ動画像として扱って、立体高次局所自己相関特徴量を求める特徴量算出部と、
   前記立体高次局所自己相関特徴量に基づいて前記欠陥画像を分類する分類器と、
   を備えることを特徴とする欠陥分類装置。
2. 請求項１に記載の欠陥分類装置であって、
   前記第３画像が、前記第１画像および前記第２画像と相違することを特徴とする欠陥分類装置。
3. 請求項１または２に記載の欠陥分類装置であって、
   前記特徴量算出部が、前記第１ないし第３画像において前記立体高次局所自己相関特徴量を求める領域を、前記欠陥画像における欠陥領域に対応する領域に制限することを特徴とする欠陥分類装置。
4. 請求項１ないし３のいずれかに記載の欠陥分類装置であって、
   前記第１画像が前記欠陥画像であり、前記第３画像が前記差分画像であることを特徴とする欠陥分類装置。
5. 欠陥分類方法であって、
   ａ）欠陥を示す欠陥画像、または、前記欠陥画像を所定の参照画像と比較することにより得られる差分画像である第１画像、前記参照画像である第２画像、および、前記欠陥画像または前記参照画像に基づく第３画像を所定の順序にて時系列に並ぶ動画像として扱って、立体高次局所自己相関特徴量を求める工程と、
   ｂ）前記立体高次局所自己相関特徴量に基づいて前記欠陥画像を分類する工程と、
   を備えることを特徴とする欠陥分類方法。
6. 請求項５に記載の欠陥分類方法であって、
   前記第３画像が、前記第１画像および前記第２画像と相違することを特徴とする欠陥分類方法。
7. 請求項５または６に記載の欠陥分類方法であって、
   前記ａ）工程において、前記第１ないし第３画像において前記立体高次局所自己相関特徴量を求める領域が、前記欠陥画像における欠陥領域に対応する領域に制限されることを特徴とする欠陥分類方法。
8. 請求項５ないし７のいずれかに記載の欠陥分類方法であって、
   前記第１画像が前記欠陥画像であり、前記第３画像が前記差分画像であることを特徴とする欠陥分類方法。

Images