JP5075083B2 - 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 - Google Patents

Description

本発明は、分類器の学習に使用される教師データの作成を支援する教師データ作成支援方法、並びに、教師データの作成支援を伴う画像分類方法および画像分類装置に関する。

半導体基板、ガラス基板、プリント基板等の製造では、異物や傷、エッチング不良等の欠陥を検査するために光学顕微鏡や走査電子顕微鏡等を用いて外観検査が行われる。従来より、このような検査工程において検出された欠陥に対して、さらに詳細な解析を行うことによりその欠陥の発生原因を特定し、欠陥に対する対策が行われてきた。

近年では、基板上のパターンの複雑化および微細化に伴い、検出される欠陥の種類および数量が増加する傾向にあり、検査工程で検出された欠陥を自動的に分類する自動分類が提案されている。自動分類により欠陥の解析を迅速かつ効率的に行うことが実現され、発生頻度の高い欠陥の種類に注目して優先的に対策を施すことが可能となる。

自動分類では、欠陥を分類する際にニューラルネットワークや決定木、判別分析等を利用した分類器が用いられる。分類器に自動分類を行わせるには、欠陥画像（または、欠陥画像の特徴量）および欠陥画像の種類であるカテゴリを示す信号を含む教師データを用意して分類器を学習させる必要がある。特許文献１では、オペレータがモニタに表示された教示用欠陥画像を観察し、欠陥のカテゴリの一覧表から該当するものを教示用欠陥画像に付与することにより教師データの作成が行われる。

さらに、特許文献１では、教示用欠陥画像の特徴量を座標値とする特徴量ベクトル空間において、一のカテゴリの教示用欠陥画像の教示点と最近傍に存在する異なるカテゴリの教示用欠陥画像の教示点との間のユークリッド距離が所定の閾値を超えるか否かが調べられることにより、当該教示用欠陥画像のカテゴリが適切か否かをチェックする技術が開示されている。
特開２０００−５７３４９号公報

ところで、自動分類の性能は、分類器を学習させる教師データの質に大きく依存する。質が高い教師データを用意するには、操作者による大量かつ正確な教示作業が求められ、多大な労力が必要となる。また、特許文献１に示される教示用欠陥画像のカテゴリをチェックする技術では、教示点間のユークリッド距離を算出する必要があるため計算が煩雑となる。

本発明は上記課題に鑑みなされたものであり、煩雑な計算を必要とすることなく対象欠陥画像に予め付与されたカテゴリが欠陥画像の属すべきカテゴリか否かを判定することを目的としている。

請求項１に記載の発明は、基板上の欠陥を示す欠陥画像を分類する分類器の学習に使用される教師データの作成を支援する教師データ作成支援方法であって、ａ）複数のカテゴリに予め分類された複数の欠陥画像のそれぞれの複数種類の特徴量を準備する工程と、ｂ）前記複数のカテゴリのそれぞれに属する欠陥画像の各種類の特徴量の分散に基づいて、前記特徴量の代表値を含む特徴量範囲を設定する工程と、ｃ）一の欠陥画像を対象欠陥画像として選択する工程と、ｄ）前記対象欠陥画像の一の種類の特徴量を前記一の種類の特徴量範囲に含むカテゴリに投票を行う工程と、ｅ）前記対象欠陥画像の特徴量の全ての種類について前記ｄ）工程を行う工程と、ｆ）前記複数のカテゴリのうち得票数が最も多いカテゴリと前記対象欠陥画像が属するカテゴリとが異なる場合にその旨を出力する工程とを備える。

請求項２に記載の発明は、請求項１に記載の教師データ作成支援方法であって、前記ｆ）工程において、前記得票数が最も多いカテゴリと得票数が２番目に多いカテゴリとの得票数の差が所定値以下である場合に、前記教師データへの利用に前記対象欠陥画像が不適切であると判定される。

請求項３に記載の発明は、請求項２に記載の教師データ作成支援方法であって、ｇ）前記ｆ）工程において前記対象欠陥画像が不適切であると判定された場合に、各種類の特徴量の特徴量範囲を狭めて前記ｃ）ないしｆ）工程を繰り返す工程をさらに備える。

請求項４に記載の発明は、請求項１に記載の教師データ作成支援方法であって、ｈ）前記複数の欠陥画像の全てに対して前記ｆ）工程が行われるまで、前記対象欠陥画像を他の欠陥画像に変更しつつ前記ｄ）ないしｆ）工程を繰り返す工程と、ｉ）前記ｆ）工程において得票数が最も多いカテゴリと属するカテゴリとが異なると判定された欠陥画像を、前記複数の欠陥画像から除外して前記ｂ）ないしｆ）工程を繰り返す工程とをさらに備える。

請求項５に記載の発明は、請求項２または３に記載の教師データ作成支援方法であって、ｈ）前記複数の欠陥画像の全てに対して前記ｆ）工程が行われるまで、前記対象欠陥画像を他の欠陥画像に変更しつつ前記ｄ）ないしｆ）工程を繰り返す工程と、ｉ）前記ｆ）工程において得票数が最も多いカテゴリと属するカテゴリとが異なると判定された欠陥画像、および、前記教師データへの利用が不適切であると判定された欠陥画像を、前記複数の欠陥画像から除外して前記ｂ）ないしｆ）工程を繰り返す工程とをさらに備える。

請求項６に記載の発明は、基板上の欠陥を示す欠陥画像を分類する画像分類方法であって、請求項１ないし５のいずれかに記載の教師データ作成支援方法を利用して作成された教師データを用いて分類器を学習させる工程と、前記分類器により欠陥画像を前記複数のカテゴリのいずれかに分類する工程とを備える。

請求項７に記載の発明は、基板上の欠陥を示す欠陥画像を分類する画像分類装置であって、欠陥画像を分類する分類器の学習に使用される教師データを作成する教師データ作成部と、欠陥画像を分類する分類器とを備え、前記教師データ作成部が、ａ）作業者からの入力を受け付けることにより、または、予め定められた方法により複数の欠陥画像を複数のカテゴリに分類する工程と、ｂ）前記複数の欠陥画像のそれぞれの複数種類の特徴量を準備する工程と、ｃ）前記複数のカテゴリのそれぞれに属する欠陥画像の各種類の特徴量の分散に基づいて、前記特徴量の代表値を含む特徴量範囲を設定する工程と、ｄ）一の欠陥画像を対象欠陥画像として選択する工程と、ｅ）前記対象欠陥画像の一の種類の特徴量を前記一の種類の特徴量範囲に含むカテゴリに投票を行う工程と、ｆ）前記対象欠陥画像の特徴量の全ての種類について前記ｅ）工程を行う工程と、ｇ）前記複数のカテゴリのうち得票数が最も多いカテゴリと前記対象欠陥画像が属するカテゴリとが異なる場合にその旨を出力する工程と、ｈ）前記複数の欠陥画像の全てに対して前記ｇ）工程が行われるまで、前記対象欠陥画像を他の欠陥画像に変更しつつ前記ｅ）ないしｇ）工程を繰り返す工程と、ｉ）前記作業者からいずれかの欠陥画像を前記教師データから除外する入力を受け付ける工程とを実行する。

本発明によれば、煩雑な計算を必要とすることなく対象欠陥画像に予め付与されたカテゴリが適切か否かを判定することができる。請求項２の発明では、教師データの質の低下が防止され、請求項３の発明では、対象欠陥画像に与えられたカテゴリの適否を精度よく判定することができる。請求項４および５の発明では、カテゴリに属する欠陥画像をより典型的なものとすることにより、適切な教師データを作成することができる。

図１は本発明の一の実施の形態に係る画像分類装置１の概略構成を示す図であり、画像分類装置１により半導体基板９（以下、単に「基板９」という。）上の欠陥を示す欠陥画像の分類が行われる。画像分類装置１は基板９上の検査対象領域を撮像する撮像装置２、撮像装置２からの画像データに基づいて欠陥検査を行って欠陥が検出された場合に欠陥が属すべきカテゴリへと欠陥を自動分類する検査・分類装置４、並びに、画像分類装置１の全体動作を制御するとともに検査・分類装置４にて欠陥の分類に利用される分類器４２１を生成するホストコンピュータ５を有する。基板９上に存在する欠陥の種類は、例えば、欠け、突起、断線、ショート、異物であり、これらが欠陥のカテゴリとされる。また、撮像装置２は基板９の製造ラインに組み込まれ、画像分類装置１はいわゆるインライン型のシステムとなっている。

撮像装置２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、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を有し、撮像部２１は、照明光を出射する照明部２１１、基板９に照明光を導くとともに基板９からの光が入射する光学系２１２、および、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撮像デバイス２１３を有する。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、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、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、および、欠陥画像を分類する欠陥自動分類部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。欠陥自動分類部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、ニューラルネットワーク、決定木、判別分析等を利用する分類器４２１を用いて欠陥の分類（すなわち、欠陥画像の分類）を実行する。

図２は画像分類装置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が画像データを取得する（ステップＳ１１）。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（ステップＳ１２）、欠陥部分の画像（すなわち、欠陥画像）のデータが欠陥自動分類部４２へと送信される。欠陥自動分類部４２は欠陥画像の複数種類の特徴量を算出し（ステップＳ１３）、欠陥画像の特徴量が欠陥自動分類部４２の分類器４２１に入力されて分類結果が出力される。すなわち、分類器４２１により欠陥画像が複数のカテゴリのいずれかに分類される（ステップＳ１４）。画像分類装置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による分類器の生成について説明する。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をバスラインに接続した一般的なコンピュータシステムの構成となっている。バスラインにはさらに、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、作業者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、画像分類装置１の他の構成との間で信号を送受信する通信部５８が、適宜、インターフェイス（Ｉ／Ｆ）を介する等して接続される。

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が読み出されて固定ディスク５４に記憶され、さらに、プログラム８０はＲＡＭ５３にコピーされるとともにＣＰＵ５１によりＲＡＭ５３内のプログラム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生成するための機能構成を示すブロック図であり、検査・分類装置４も示している。ホストコンピュータ５は分類器の学習に使用される教師データを作成する教師データ作成部６１および教師データを用いて分類器を学習させる学習部６２を有する。なお、これらの機能は専用の電気回路により構築されてもよく、部分的に専用の電気回路が利用されてもよい。

教師データは欠陥画像のデータ、欠陥画像の特徴量および欠陥のカテゴリを示す情報である教示信号を含み、欠陥画像の特徴量として、例えば、欠陥の面積、明度平均、周囲長、扁平度、欠陥を楕円に近似した場合の長軸の傾き等が採用される。学習部６２では、教師データから読み出された欠陥画像の特徴量がホストコンピュータ５内の分類器に入力され、分類器の出力が欠陥のカテゴリを示す教示信号と同じとなるように学習が行われ、学習後の分類器４２１（正確には、分類器４２１の構造や変数の値を示す情報）が欠陥自動分類部４２へと転送される。なお、欠陥画像の特徴量は教師データから省略されて学習部６２にて求められてもよい。

図５はホストコンピュータ５の教師データ作成部６１の機能構成を示すブロック図であり、ディスプレイ５５および入力部５６も示している。教師データ作成部６１は、教師データを記憶する教師データ記憶部６１１、欠陥画像の特徴量を算出する特徴量算出部６１２、および、欠陥画像に付与されたカテゴリが欠陥画像が属すべきカテゴリであるか否かを判定するカテゴリ判定部６１３を有する。

図６は教師データ記憶部６１１内に記憶される情報の構造の一部を示す図である。教師データ記憶部６１１では、特徴量算出部６１２（図５参照）にて算出される欠陥画像の特徴量がその種類と共に欠陥画像のデータに関連づけられて記憶され、さらに、欠陥画像に付与されたカテゴリを示すカテゴリ番号が欠陥画像のデータに関連づけられたカテゴリ変数に記憶される。なお、初期状態ではカテゴリ変数には０が記憶されている。

図７ないし図１０は欠陥画像のカテゴリを決定する際の画像分類装置１の動作の流れを示す図であり、一部に作業者の作業も破線にて示している。まず、予め準備された多数の欠陥画像を作業者が図５に示すディスプレイ５５上にて観察し、欠陥画像が属すべきと判断したカテゴリを入力部５６を介して教師データ作成部６１に入力し、カテゴリ番号が教示信号として欠陥画像のデータに関連づけられて教師データ記憶部６１１内に記憶される。このように、教師データ作成部６１が作業者からの入力を受け付けることにより、複数の欠陥画像が複数のカテゴリに分類される（ステップＳ２１）。特徴量算出部６１２では、欠陥画像の特徴量が算出され、特徴量も欠陥画像のデータに関連づけられて教師データ記憶部６１１内に記憶される。

複数の欠陥画像のそれぞれの複数種類の特徴量はカテゴリ判定部６１３内に転送されて（または、カテゴリ判定部６１３が取り扱い可能なように）準備され（ステップＳ２２）、特徴量の一の種類が選択される（ステップＳ２３）。次に、複数のカテゴリのそれぞれに属する複数の欠陥画像の当該一の種類の特徴量の平均値および標準偏差（分散から導かれる他の値や分散の程度を示す他の値が用いられてもよく、分散自体が用いられてもよい。）が求められ（ステップＳ２４）、複数のカテゴリのそれぞれにおいて標準偏差に基づいて（すなわち、分散に基づいて）特徴量の平均値を中心とする特徴量範囲（詳細については後述する。）が設定される（ステップＳ２５）。

特徴量の一の種類について上記処理が終了すると、特徴量の全ての種類について複数のカテゴリに属する複数の欠陥画像の特徴量の平均値および標準偏差が求められたか否かが確認される（ステップＳ２６）。平均値および標準偏差が求められていない種類が存在する場合には当該種類が選択され（ステップＳ２３）、当該種類の特徴量の平均値および標準偏差が求められ（ステップＳ２４）、標準偏差に基づいて平均値を中心とする特徴量範囲が設定される（ステップＳ２５）。

全ての種類について特徴量範囲が設定されると、次に、一の欠陥画像に対して付与されたカテゴリの適否の判定（以下、「カテゴリ判定」という。）の処理に移行する。図１１はカテゴリ判定の具体例を説明する図であり、２種類の特徴量を座標値とする特徴量空間における３つのカテゴリの特徴量の平均の位置（以下、単に「平均位置」という。）および３つの欠陥画像の位置を例示する。なお、実際には、特徴量空間は多数の特徴量の種類により定められ、この空間内に多数の欠陥画像の位置が決定され、多数のカテゴリが設定される。以下の説明では、カテゴリ判定の対象となる欠陥画像を「対象欠陥画像」と呼び、図１１における横軸上の特徴量の種類を「種類ｘ」といい、縦軸上の特徴量の種類を「種類ｙ」という。また、３つのカテゴリに符号７０１〜７０３を付して説明する。

図１１では、既述のステップＳ２５により、特徴量の種類ｘ，ｙのそれぞれにおいてカテゴリ７０１が付与された複数の欠陥画像の特徴量の平均値および標準偏差に基づいて特徴量範囲Ｅ_ｘ１，Ｅ_ｙ１が設定されている。具体的には、種類ｘの特徴量範囲Ｅ_ｘ１は、カテゴリ７０１の平均位置７０１１の横軸上の成分である種類ｘの平均値μ_ｘ１を中心として（μ_ｘ１−３σ_ｘ１）以上（μ_ｘ１＋３σ_ｘ１）以下の範囲とされる。ただし、σ_ｘ１は種類ｘの特徴量の標準偏差であり、以下では、特徴量範囲Ｅ_ｘ１を括弧内に最小値および最大値を示して（μ_ｘ１−３σ_ｘ１、μ_ｘ１＋３σ_ｘ１）と表現する（他の特徴量範囲も同様）。種類ｙの特徴量範囲Ｅ_ｙ１は、平均位置７０１１の縦軸上の成分である種類ｙの平均値μ_ｙ１を中心として（μ_ｙ１−３σ_ｙ１、μ_ｙ１＋３σ_ｙ１）とされる。ただし、σ_ｙ１は種類ｙの特徴量の標準偏差である。

カテゴリ７０２の特徴量範囲Ｅ_ｘ２，Ｅ_ｙ２およびカテゴリ７０３の特徴量範囲Ｅ_ｘ３，Ｅ_ｙ３も同様に設定されており、カテゴリ７０２の特徴量範囲Ｅ_ｘ２，Ｅ_ｙ２はそれぞれ平均位置７０２１を示す平均値μ_ｘ２、μ_ｙ２、および、種類ｘ，ｙの特徴量の標準偏差σ_ｘ２、σ_ｙ２を用いて（μ_ｘ２−３σ_ｘ２、μ_ｘ２＋３σ_ｘ２）、（μ_ｙ２−３σ_ｙ２、μ_ｙ２＋３σ_ｙ２）とされる。また、カテゴリ７０３の特徴量範囲Ｅ_ｘ３，Ｅ_ｙ３はそれぞれ平均位置７０３１を示す平均値μ_ｘ３、μ_ｙ３、および、種類ｘ，ｙの特徴量の標準偏差σ_ｘ３、σ_ｙ３を用いて（μ_ｘ３−３σ_ｘ３、μ_ｘ３＋３σ_ｘ３）、（μ_ｙ３−３σ_ｙ３、μ_ｙ３＋３σ_ｙ３）とされる。

以下の説明では、カテゴリ判定の前に作業者により図１１に示す対象欠陥画像７１にカテゴリ７０１が付与され、対象欠陥画像７２には誤ってカテゴリ７０１が付与されているものとする。また、対象欠陥画像７３にはカテゴリ７０３が付与されるが、対象欠陥画像７３はいずれのカテゴリ７０１〜７０３の平均位置７０１１〜７０３１からも大きく外れている。

カテゴリ判定では、まず、対象欠陥画像７１が選択され（図８：ステップＳ３１）、種類ｘが選択され（ステップＳ３２）、対象欠陥画像７１の種類ｘの特徴量Ｕ_ｘ１が、カテゴリ７０１の特徴量範囲Ｅ_ｘ１、カテゴリ７０２の特徴量範囲Ｅ_ｘ２およびカテゴリ７０３の特徴量範囲Ｅ_ｘ３にそれぞれ含まれるか否かが判定される。図１１に示すように、特徴量Ｕ_ｘ１はカテゴリ７０１の特徴量範囲Ｅ_ｘ１にのみ含まれるためカテゴリ７０１に１票が投票される（ステップＳ３３）。すなわち、図５に示すカテゴリ判定部６１３には予めカテゴリ毎に投票用の変数が割り当てられており、カテゴリ７０１の変数に１が加算される。なお、変数は初期状態では０とされる。また、特徴量Ｕ_ｘ１はカテゴリ７０２，７０３の特徴量範囲Ｅ_ｘ２，Ｅ_ｘ３に含まれないためカテゴリ７０２，７０３に対して投票は行われない。

続いて、種類ｙが選択され（ステップＳ３４，Ｓ３２）、対象欠陥画像７１の種類ｙの特徴量Ｕ_ｙ１が、カテゴリ７０１〜７０３の特徴量範囲Ｅ_ｙ１〜Ｅ_ｙ３にそれぞれ含まれるか否かが判定される。特徴量Ｕ_ｙ１はカテゴリ７０１の特徴量範囲Ｅ_ｙ１にのみ含まれるためカテゴリ７０１に１票が投票される（ステップＳ３３）。

以上の投票により、カテゴリ７０１の得票数が２となり、カテゴリ７０２，７０３の得票数が０となり、カテゴリ７０１が得票数の最も多いカテゴリ（以下、「１位のカテゴリ」という。）となる。既述のように対象欠陥画像７１に付与されたカテゴリはカテゴリ７０１であることから１位のカテゴリに一致し、対象欠陥画像に付与されたカテゴリは正しいと判定される（ステップＳ４１，Ｓ４２）（ステップＳ４１については後述する。）。

次に、ステップＳ５３によりステップＳ３１に戻って対象欠陥画像７２が選択されると、種類ｘが選択され（ステップＳ３２）、対象欠陥画像７２の種類ｘの特徴量Ｕ_ｘ２がカテゴリ７０１〜７０３の特徴量範囲Ｅ_ｘ１〜Ｅ_ｘ３のうち特徴量範囲Ｅ_ｘ２にのみ含まれると判定され、カテゴリ７０２に１票が投票される（ステップＳ３３）。続いて、種類ｙが選択され（ステップＳ３４，Ｓ３２）、対象欠陥画像７２の種類ｙの特徴量Ｕ_ｙ２はカテゴリ７０１〜７０３の特徴量範囲Ｅ_ｙ１〜Ｅ_ｙ３のうち特徴量範囲Ｅ_ｙ２にのみ含まれると判定され、カテゴリ７０２に１票が投票される（ステップＳ３３）。

以上の投票により、カテゴリ７０２の得票数が２となり、カテゴリ７０１，７０３の得票数が０となる。これにより、１位のカテゴリはカテゴリ７０２となるが、既述のように、対象欠陥画像７２に付与されたカテゴリはカテゴリ７０１であることから、１位のカテゴリと対象欠陥画像７２が属するカテゴリとが異なる、すなわち、付与されたカテゴリが誤りであると判定される（ステップＳ４１，Ｓ４２）。ディスプレイ５５には１位のカテゴリと属するカテゴリとが異なる旨が出力され（ステップＳ４３）、対象欠陥画像７２に付与されるべき推奨カテゴリとして１位のカテゴリ７０２もディスプレイ５５に出力される。

その後、作業者は対象欠陥画像７２のカテゴリをカテゴリ７０２に変更するか否かを判断し（ステップＳ４４）、カテゴリを変更する場合には図５に示す入力部５６を介して変更が受け付けられ（ステップＳ４５）、図６に示す教師データ記憶部６１１のカテゴリ変数にカテゴリ７０１を示すカテゴリ番号に代えてカテゴリ７０２を示すカテゴリ番号が記憶される。一方、カテゴリが変更されない場合には、作業者が対象欠陥画像７２を教師データから除外するか否かを判断し（ステップＳ５１）、対象欠陥画像７２が除外される場合は、入力部５６を介して対象欠陥画像７２の除外が受け付けられ（ステップＳ５２）、教師データ記憶部６１１から対象欠陥画像７２のデータや特徴量等が削除される。

次に、図１１に示す対象欠陥画像７３が選択されると（ステップＳ５３，Ｓ３１）、種類ｘが選択され（ステップＳ３２）、対象欠陥画像７３の特徴量Ｕ_ｘ３は、カテゴリ７０１〜７０３の特徴量範囲Ｅ_ｘ１〜Ｅ_ｘ３のうち特徴量範囲Ｅ_ｘ２にのみ含まれると判定され、カテゴリ７０２に１票が投票される（ステップＳ３３）。続いて、種類ｙが選択され（ステップＳ３４，Ｓ３２）、対象欠陥画像７３の特徴量Ｕ_ｙ３はカテゴリ７０１〜７０３の特徴量範囲Ｅ_ｙ１〜Ｅ_ｙ３のうち特徴量範囲Ｅ_ｙ３にのみ含まれると判定され、カテゴリ７０３に１票が投票される（ステップＳ３３）。

以上の投票により、カテゴリ７０２，７０３の得票数がそれぞれ１となり、カテゴリ７０１の得票数が０となる。対象欠陥画像７３はいずれのカテゴリに属すべきかが不明であるため、対象欠陥画像７３は教師データの利用に不適切な画像であると判定され（ステップＳ４１）、対象欠陥画像７３が不適切な画像である旨が図５に示すディスプレイ５５に出力される（ステップＳ４６）。この場合、１位のカテゴリと対象欠陥画像に付与されたカテゴリとの異同の判定（ステップＳ４２）は行われない。

作業者は対象欠陥画像を教師データから除外するか否かを判断し（ステップＳ５１）、対象欠陥画像７３が除外される場合は、図５に示す入力部５６を介して対象欠陥画像７３の除外が受け付けられ（ステップＳ５２）、教師データ記憶部６１１から対象欠陥画像７３のデータや特徴量等が削除される。

以上、カテゴリ判定の具体例について説明したが、次に、特徴量の種類の数がｐ、カテゴリの数がｑである特徴量空間における画像分類装置１の図７ないし図１０に示す動作について説明する。作業者により欠陥画像にカテゴリが付与されると（ステップＳ２１）、まず、特徴量の一の種類が選択され、各カテゴリにおいて特徴量の平均値および標準偏差が求められるとともに特徴量範囲が設定され（ステップＳ２３〜Ｓ２５）、これらの処理が特徴量の全種類について行われる（ステップＳ２６）。すなわち、カテゴリＣ_ｉ（ｉは１〜ｑの任意の整数）の各種類の特徴量の平均値を成分とする平均値ベクトルμ_ｉ＝（μ_ｉ１、μ_ｉ２、…、μ_ｉｐ）および各種類の特徴量の標準偏差を成分とする標準偏差ベクトルσ_ｉ＝（σ_ｉ１、σ_ｉ２、…、σ_ｉｐ）が求められ、これらに基づいて特徴量の種類毎の特徴量範囲（μ_ｉｋ−３σ_ｉｋ、μ_ｉｋ＋３σ_ｉｋ）が設定される。ただし、ｋは１〜ｐの任意の整数である。

次に、複数の欠陥画像から一の欠陥画像が対象欠陥画像として選択され、特徴量の一の種類が選択される（ステップＳ３１，Ｓ３２）。そして、対象欠陥画像の各特徴量を成分とする特徴量ベクトルＵ＝（Ｕ_１、Ｕ_２、…、Ｕ_ｐ）のうち当該一の種類の特徴量Ｕ_ｋが、カテゴリＣ_ｉの当該一の種類の特徴量範囲（μ_ｉｋ−３σ_ｉｋ、μ_ｉｋ＋３σ_ｉｋ）に含まれる場合、カテゴリＣ_ｉに１票が投票される（ステップＳ３３）。

図５に示すカテゴリ判定部６１３では、カテゴリへの投票が対象欠陥画像の特徴量の全ての種類に対して行われたか否かが確認され（ステップＳ３４）、投票が行われていない特徴量の種類が存在する場合には、種類が変更されてステップＳ３３が行われる。特徴量の全ての種類について投票が行われると、各カテゴリの得票数（１つのカテゴリが最大ｐ票を獲得する。）を示す投票結果が得られる。

１位のカテゴリの得票数と得票数が２番目に多いカテゴリ（以下、「２位のカテゴリ」という。）の得票数との差が所定値、例えば、総投票数の１０％よりも大きいか否かが確認され（ステップＳ４１）、差が所定値より大きい場合には１位のカテゴリと対象欠陥画像に付与されたカテゴリとが同じか否かが確認される（ステップＳ４２）。対象欠陥画像に付与されたカテゴリと１位のカテゴリとが同じであるときは、対象欠陥画像に付与されたカテゴリが正しいと判定される。

また、１位のカテゴリと対象欠陥画像が属するカテゴリとが異なるときは、対象欠陥画像に付与されたカテゴリは誤りと判定され、１位のカテゴリと対象欠陥画像が属するカテゴリとが異なる旨および１位のカテゴリを示す情報が図５に示すディスプレイ５５に出力される（ステップＳ４３）。その後、カテゴリを変更する処理（ステップＳ４４，Ｓ４５）、または、対象欠陥画像を教師データから除外する処理（ステップＳ５１，Ｓ５２）が行われる。これにより、作業者による曖昧なカテゴリの付与が防止されて各カテゴリに矛盾した欠陥画像が含まれなくなるため、教師データの質の低下が防止される。

一方、ステップＳ４１において１位のカテゴリの得票数と２位のカテゴリの得票数との差が所定値以下である場合、対象欠陥画像が教師データに利用されることが不適切な画像であると判定され、その旨がディスプレイ５５に出力される（ステップＳ４６）。これにより、不適切な画像を教師データから除外することが可能となり（ステップＳ５１，Ｓ５２）、教師データの質の低下が防止される。なお、対象欠陥画像に付与されるべき推奨カテゴリとして１位のカテゴリがディスプレイ５５に出力されることが好ましい。以下の説明では、カテゴリ判定部６１３による対象欠陥画像が教師データに利用されることが不適切な画像である旨の判定結果、および、対象欠陥画像に付与されたカテゴリが正しい、または、誤りである旨の判定結果をまとめて「判定結果」という。

１つの対象欠陥画像に対してカテゴリ判定が終了すると、カテゴリ判定が行われていない欠陥画像が存在するか否かが確認され（ステップＳ５３）、存在する場合には、対象欠陥画像を変更して新たな対象欠陥画像に対して既述のステップＳ３１〜Ｓ３４，Ｓ４１〜Ｓ４６，Ｓ５１，Ｓ５２が行われる。すなわち、複数の欠陥画像の全てに対して判定結果が得られるまで、対象欠陥画像を未判定の他の欠陥画像に変更しつつステップＳ３２〜Ｓ３４，Ｓ４１，Ｓ４２が繰り返されるとともに、作業者による対象欠陥画像のカテゴリの変更（ステップＳ４４，Ｓ４５）および作業者による欠陥画像を教師データから除外する入力が適宜受け付けられる（ステップＳ５１，Ｓ５２）。

教師データに利用される欠陥画像のカテゴリが確定されると、教師データが学習部６２に転送され、学習部６２にて教師データを用いて分類器の学習が行われる（ステップＳ５４）。すなわち、分類器（図４参照）を構成する変数が決定されたり、構造が決定されて分類器が生成される。画像分類装置１では教師データの作成が適切に支援されて教師データの質の低下が防止されることから、分類器は高い分類性能を有する。

以上、画像分類装置１の構成および動作について説明したが、画像分類装置１では、特徴量の種類毎におけるカテゴリへの投票により対象欠陥画像のカテゴリ判定が行われるため、例えば、特徴量空間においてマハラノビス距離（ユークリッド距離を正規化した距離）を利用して対象欠陥画像のカテゴリを判定する場合に比べて、２乗演算等の煩雑な計算が不要とされる。これにより、欠陥画像のカテゴリの判定が高速に行われる。

また、マハラノビス距離が利用される場合は、分散分析（いわゆる、ＡＮＯＶＡ（analysis of variance））等により不必要な特徴量の種類を排除する処理等が必要となるが、画像分類装置１では、投票が行われなかったカテゴリにはその種類の特徴量の影響が全く及ばず、特徴量の種類毎に独立して計算が行われることとなるため、マハラノビス距離を求める場合のような煩雑な処理が不要となる。

図１２は欠陥画像のカテゴリを決定する際の画像分類装置１の他の動作の流れを示す図である。画像分類装置１では、各カテゴリの特徴量の種類毎に求められた特徴量範囲に基づいて全ての欠陥画像に対してカテゴリ判定の処理が行われると、全てのカテゴリの全種類の特徴量の特徴量範囲が変更されて、再度、カテゴリ判定の処理が行われる。図１２における特徴量範囲の設定（ステップＳ６１）は図７に示すステップＳ２３〜Ｓ２６と同様であり、カテゴリ判定（ステップＳ６２）は図８ないし図１０に示すステップＳ３１〜Ｓ３４，Ｓ４１〜Ｓ４６，Ｓ５１〜Ｓ５３と同様である。

まず、各カテゴリにおいて特徴量の全種類について特徴量範囲が設定され（ステップＳ６１）、複数の欠陥画像の全てに対して判定結果が得られるまで、対象欠陥画像を未判定の他の欠陥画像に変更しつつステップＳ３２〜Ｓ３４，Ｓ４１，Ｓ４２が繰り返される（ステップＳ６１）。

このとき、既述のように、ステップＳ４１において１位のカテゴリの得票数と２位のカテゴリの得票数との差が所定値より大きい場合に、欠陥画像が属するカテゴリが１位のカテゴリと同じであると、付与されたカテゴリが正しいとの判定結果が得られ（ステップＳ４２）、異なると付与されたカテゴリが誤り、すなわち、欠陥画像が付与されたカテゴリに対して異質な画像（以下、単に「異質画像」という。）であるとの判定結果が得られる（ステップＳ４２，Ｓ４３）。また、１位のカテゴリの得票数と２位のカテゴリの得票数との差が所定値以下である場合（ステップＳ４１）、欠陥画像が教師データに利用されることが不適切な画像（以下、単に「不適切画像」という。）であるとの判定結果が得られる（ステップＳ４６）。既述のように、教師データ作成部６１では、作業者による異質画像および不適切画像を教師データから除外する入力が適宜受け付けられる（ステップＳ５１，Ｓ５２）。

次に、付与されたカテゴリが正しいと判定された欠陥画像に対して、再度、カテゴリ判定を行うか否かが確認される（ステップＳ６３）。ステップＳ６３は、教師データ作成部６１が、カテゴリの再判定が所定回数行われたか確認するステップであるが、ステップＳ６３における再判定の確認は作業者により行われてもよい。カテゴリ判定が行われる場合は、各カテゴリに属する複数の欠陥画像の全種類の特徴量の平均値および標準偏差が求められ、標準偏差に基づいて特徴量の平均値を中心とする全種類の特徴量範囲が再設定される（ステップＳ６１）。そして、複数の欠陥画像に対してカテゴリ判定が行われ（ステップＳ６２）、再設定された特徴量範囲に基づいて、欠陥画像に付与されたカテゴリが正しい、もしくは、誤り（異質画像）、または、教師データに利用されることが不適切（不適切画像）である旨を示す判定結果が得られる。

特徴量範囲の設定および欠陥画像のカテゴリ判定は、異質画像および不適切画像とされた欠陥画像を除外しつつ一定回数繰り返され（ステップＳ６１〜Ｓ６３）、上記ステップＳ６１，Ｓ６２が繰り返される毎に各カテゴリにおいてより典型的な欠陥画像のみが残される。その後、教師データが学習部６２（図５参照）に転送されて分類器の学習が行われる（ステップＳ６４）。

画像分類装置１では、各カテゴリに属する欠陥画像をより典型的なものとすることにより、適切な教師データを作成することができる。作業者は最終的に残された典型的な欠陥画像や上記処理が繰り返される際に除外された異質画像から誤ったカテゴリが付与される欠陥画像の傾向を発見することができ、さらに、異質画像および不適切画像に基づいて新たなカテゴリを設定することも可能とされる。

画像分類装置１では、対象欠陥画像が不適切画像であるか否かを判定する処理（図９：ステップＳ４１，Ｓ４６）が省略されてもよい（再判定が行われない場合も同様）。この場合、複数の欠陥画像の全てに対して判定結果が得られるまで、対象欠陥画像をカテゴリが未判定の他の欠陥画像に変更しつつ特徴量範囲に基づいてカテゴリ判定が繰り返され（ステップＳ６２）、全ての欠陥画像に対してカテゴリ判定が行われると、異質画像が複数の欠陥画像から除外され、再度、特徴量範囲の設定およびカテゴリ判定が行われる（ステップＳ６１，Ｓ６２）。特徴量範囲の設定およびカテゴリ判定は、異質画像が複数の欠陥画像から除外されつつ一定回数繰り返され（ステップＳ６１〜Ｓ６３）、これにより、各カテゴリにおいて典型的な欠陥画像のみが残され、適切な教師データが作成される。

また、画像分類装置１では、異質画像であると判定された全ての対象欠陥画像は、カテゴリを変更する処理（図９：ステップＳ４４，Ｓ４５）、および、作業者による対象欠陥画像を教師データから除外するか否かの判断（図１０：ステップＳ５１）が行われることなく除外されてもよい。同様に、不適切画像であると判定された全ての対象欠陥画像も、作業者による対象欠陥画像を教師データから除外するか否かの判断（ステップＳ５１）が行われることなく除外されてもよい。

図１３は、図７ないし図１０に示す画像分類装置１の動作の流れのステップＳ４６およびステップＳ４４とステップＳ５１との間に追加される作業者の作業および画像分類装置１の動作を示す図である。なお、作業者の作業を破線にて示している。

画像分類装置１では、図９に示すステップＳ４１において１位のカテゴリの得票数と２位のカテゴリの得票数との差が所定値以下であることにより対象欠陥画像が不適切画像であると判定されてその旨が図５に示すディスプレイ５５に出力されると（ステップＳ４６）、作業者により各カテゴリにおける各種類の特徴量の特徴量範囲を狭めて再投票を行うか否かが判断される（図１３：ステップＳ７１）。また、ステップＳ４２において１位のカテゴリと対象欠陥画像に付与されているカテゴリとが異なることにより対象欠陥画像が異質画像であると判定され、さらに対象欠陥画像のカテゴリを変更しないと判断された場合にも（ステップＳ４４）、作業者により各カテゴリにおける各種類の特徴量の特徴量範囲を狭めて再投票を行うか否かが判断される（ステップＳ７１）。

特徴量範囲を狭めない場合には、既述のステップＳ５１へと移行し、対象欠陥画像を教師データから除外するか否かが作業者により判断される。特徴量範囲を狭める場合には、特徴量の標準偏差に基づいて特徴量の平均値を中心とする新たな特徴量範囲が一時的に設定される（ステップＳ７２）。例えば、一の種類の特徴量の平均値をμ、標準偏差をσとして特徴量範囲が（μ−３σ、μ＋３σ）から（μ−２σ、μ＋２σ）に狭められる。

そして、図８に示すステップＳ３２に戻り、特徴量の種類毎に狭められた特徴量範囲に基づいてカテゴリへの投票が行われる（ステップＳ３３）。特徴量の全種類について投票が行われると（ステップＳ３４）、１位のカテゴリの得票数と２位のカテゴリの得票数との差が所定値以下である場合は、判定結果は対象欠陥画像が教師データに利用されることが不適切（すなわち、対象欠陥画像が不適切画像）であるとされる（図９：ステップＳ４１，Ｓ４６）。また、得票数の差が所定値より大きい場合は、１位のカテゴリと対象欠陥画像に付与されたカテゴリの異同が判定され（ステップＳ４２）、同じであると、判定結果は対象欠陥画像に付与されたカテゴリが正しいとされ、異なると、対象欠陥画像に付与されたカテゴリが誤り（すなわち、対象欠陥画像が異質画像）とされる（ステップＳ４３）。

その後、ステップＳ７１，Ｓ７２を実行することなく不適切画像である対象欠陥画像に対しては、対象欠陥画像を教師データから除外する処理（ステップＳ５１，Ｓ５２）が行われ、異質画像である対象欠陥画像に対しては、カテゴリを変更する処理（ステップＳ４４，Ｓ４５）、または、対象欠陥画像を教師データから除外する処理（図１０：ステップＳ５１，Ｓ５２）のいずれかが行われる。ステップＳ５３にて対象欠陥画像が他の欠陥画像に変更された後は、特徴量範囲は最初の範囲に戻される。なお、対象欠陥画像が不適切画像または異質画像であると判定された場合、さらに特徴量範囲が狭められてカテゴリ判定が行われてもよい（ステップＳ７１，Ｓ７２）。

１回目のカテゴリ判定にて対象欠陥画像が異質画像と判定された場合、特徴量範囲を狭めて行われる２回目のカテゴリ判定では、多くの場合、対象欠陥画像が異質画像または不適切画像と判定されるが、付与されたカテゴリが実は正しかったという判定がなされる場合もある。このような判定結果は、例えば、付与されているカテゴリに属する欠陥画像の特徴量の分散が小さく、かつ、１回目の投票における１位のカテゴリに属する欠陥画像の特徴量の分散が大きい場合に生じ得る。１回目のカテゴリ判定にて対象欠陥画像が異質画像であると判定され、２回目のカテゴリ判定にて対象欠陥画像に付与されているカテゴリが正しいと判定された場合は、対象欠陥画像は教示に不適切な不適切画像として扱われてもよく、この場合は、ステップＳ４２またはステップＳ４３の後にステップＳ４６へと移行して対象欠陥画像が不適切画像である旨が表示され、さらにステップＳ５１へと移行して対象欠陥画像を教師データから除外するか否かが確認される。

また、１回目のカテゴリ判定にて対象欠陥画像が異質画像と判定され、特徴量範囲を狭めて行われる２回目のカテゴリ判定においても対象欠陥画像が異質画像と判定された場合は、１回目の投票結果と２回目の投票結果とがディスプレイ５５に表示されることが好ましい。これにより、対象欠陥画像が、付与されているカテゴリに対してどれだけ異質なものであるかということを作業者が把握することができる。

以上のように、画像分類装置１では、不適切画像および異質画像に対して特徴量範囲を狭めてカテゴリ判定が繰り返されるため、教師データに利用される欠陥画像のカテゴリの適否が精度よく判定される。なお、画像分類装置１では、作業者による特徴量範囲を狭めるか否かの判断（ステップＳ７１）が省略され、特徴量範囲を狭めるカテゴリ再判定が一定回数繰り返されてもよい。

以上、本発明の実施の形態について説明したが、本発明は上記実施の形態に限定されるものではなく、様々な変更が可能である。例えば、上記実施の形態では、各カテゴリの種類毎の特徴量範囲において特徴量の平均値がその中心とされたが、特徴量が最も密集する位置の値や特徴量の最大値と最小値との間の中央である中央値等の特徴量の代表値が中心とされてもよい。さらに、代表値を含むのであれば所定の条件に従って代表値が中心から僅かにずれるように特徴量範囲が設定されてもよい。また、画像分類装置１では、特徴量範囲の設定（図７：ステップＳ２５）や対象欠陥画像の選択（図８：ステップＳ３１）等が作業者により行われてもよい。

上記実施の形態では、複数の欠陥画像の全てに対してカテゴリ判定が行われた後に、異質画像であると判定された対象欠陥画像に対してカテゴリを変更する処理（図９：ステップＳ４４，Ｓ４５）、または、対象欠陥画像を教師データから除外する処理（図１０：ステップＳ５１，Ｓ５２）が行われてもよい。同様に、複数の欠陥画像の全てに対してカテゴリ判定が行われた後に、不適切画像であると判定された対象欠陥画像を教師データから除外する処理（ステップＳ５１，Ｓ５２）が行われてもよい。

また、図１３に示す画像分類装置１の他の動作では、複数の欠陥画像の全てに対してカテゴリの判定が行われた後に、不適切画像および異質画像の再度のカテゴリ判定が行われてもよい。

上記実施の形態では、作業者により欠陥画像にカテゴリが付与されたが、未完成の分類器や他の方式の分類器を用いる等の予め定められた方法により複数の欠陥画像の複数のカテゴリへの分類が行われてもよい。この場合であっても、カテゴリ判定の処理により教師データの質が向上されるため、最終的に生成される分類器の分類性能が向上される。

上記実施の形態では、教師データに利用される多数の欠陥画像の特徴量が検査・分類装置４にて算出され、ホストコンピュータ５が検査・分類装置４から特徴量を取得してもよい。また、教師データからは欠陥画像のデータが省略されてもよく、この場合、欠陥画像を特定する変数が教師データに設けられる。さらに、教師データから特徴量が省略され、学習部６２において教師データの欠陥画像のデータに基づいて特徴量が求められてもよい。

上記実施の形態では、半導体基板に代えてガラス基板、プリント配線基板あるいは基板の露光に使用するマスク基板等の検査が行われてもよい。

画像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の機能構成を示す図である。 教師データ作成部の機能構成を示す図である。 教師データ作成部の記憶部内に記憶される情報の構造を示す図である。 欠陥画像のカテゴリを判定する際の画像分類装置の動作の流れを示す図である。 画像分類装置の動作の流れを示す図である。 画像分類装置の動作の流れを示す図である。 画像分類装置の動作の流れを示す図である。 特徴量空間内における各カテゴリの特徴量の平均位置および対象欠陥画像の位置を例示する図である。 画像分類装置の他の動作の流れを示す図である。 画像分類装置のさらに他の動作の流れの一部を示す図である。

符号の説明

１ 画像分類装置
９ 基板
６１ 教師データ作成部
７１〜７３ 対象欠陥画像
４２１ 分類器
７０１１，７０２１，７０３１ （カテゴリにおける特徴量の）平均位置
Ｅ_ｘ１，Ｅ_ｙ１，Ｅ_ｘ２，Ｅ_ｙ２，Ｅ_ｘ３，Ｅ_ｙ３ 特徴量範囲
Ｓ１１〜Ｓ１４，Ｓ２１〜Ｓ２６，Ｓ３１〜Ｓ３４，Ｓ４１〜Ｓ４６，Ｓ５１〜Ｓ５４，Ｓ６１〜Ｓ６４，Ｓ７１，Ｓ７２ ステップ

Claims (7)

1. 基板上の欠陥を示す欠陥画像を分類する分類器の学習に使用される教師データの作成を支援する教師データ作成支援方法であって、
   ａ）複数のカテゴリに予め分類された複数の欠陥画像のそれぞれの複数種類の特徴量を準備する工程と、
   ｂ）前記複数のカテゴリのそれぞれに属する欠陥画像の各種類の特徴量の分散に基づいて、前記特徴量の代表値を含む特徴量範囲を設定する工程と、
   ｃ）一の欠陥画像を対象欠陥画像として選択する工程と、
   ｄ）前記対象欠陥画像の一の種類の特徴量を前記一の種類の特徴量範囲に含むカテゴリに投票を行う工程と、
   ｅ）前記対象欠陥画像の特徴量の全ての種類について前記ｄ）工程を行う工程と、
   ｆ）前記複数のカテゴリのうち得票数が最も多いカテゴリと前記対象欠陥画像が属するカテゴリとが異なる場合にその旨を出力する工程と、
   を備えることを特徴とする教師データ作成支援方法。
2. 請求項１に記載の教師データ作成支援方法であって、
   前記ｆ）工程において、前記得票数が最も多いカテゴリと得票数が２番目に多いカテゴリとの得票数の差が所定値以下である場合に、前記教師データへの利用に前記対象欠陥画像が不適切であると判定されることを特徴とする教師データ作成支援方法。
3. 請求項２に記載の教師データ作成支援方法であって、
   ｇ）前記ｆ）工程において前記対象欠陥画像が不適切であると判定された場合に、各種類の特徴量の特徴量範囲を狭めて前記ｃ）ないしｆ）工程を繰り返す工程をさらに備えることを特徴とする教師データ作成支援方法。
4. 請求項１に記載の教師データ作成支援方法であって、
   ｈ）前記複数の欠陥画像の全てに対して前記ｆ）工程が行われるまで、前記対象欠陥画像を他の欠陥画像に変更しつつ前記ｄ）ないしｆ）工程を繰り返す工程と、
   ｉ）前記ｆ）工程において得票数が最も多いカテゴリと属するカテゴリとが異なると判定された欠陥画像を、前記複数の欠陥画像から除外して前記ｂ）ないしｆ）工程を繰り返す工程と、
   をさらに備えることを特徴とする教師データ作成支援方法。
5. 請求項２または３に記載の教師データ作成支援方法であって、
   ｈ）前記複数の欠陥画像の全てに対して前記ｆ）工程が行われるまで、前記対象欠陥画像を他の欠陥画像に変更しつつ前記ｄ）ないしｆ）工程を繰り返す工程と、
   ｉ）前記ｆ）工程において得票数が最も多いカテゴリと属するカテゴリとが異なると判定された欠陥画像、および、前記教師データへの利用が不適切であると判定された欠陥画像を、前記複数の欠陥画像から除外して前記ｂ）ないしｆ）工程を繰り返す工程と、
   をさらに備えることを特徴とする教師データ作成支援方法。
6. 基板上の欠陥を示す欠陥画像を分類する画像分類方法であって、
   請求項１ないし５のいずれかに記載の教師データ作成支援方法を利用して作成された教師データを用いて分類器を学習させる工程と、
   前記分類器により欠陥画像を前記複数のカテゴリのいずれかに分類する工程と、
   を備えることを特徴とする画像分類方法。
7. 基板上の欠陥を示す欠陥画像を分類する画像分類装置であって、
   欠陥画像を分類する分類器の学習に使用される教師データを作成する教師データ作成部と、
   欠陥画像を分類する分類器と、
   を備え、
   前記教師データ作成部が、
   ａ）作業者からの入力を受け付けることにより、または、予め定められた方法により複数の欠陥画像を複数のカテゴリに分類する工程と、
   ｂ）前記複数の欠陥画像のそれぞれの複数種類の特徴量を準備する工程と、
   ｃ）前記複数のカテゴリのそれぞれに属する欠陥画像の各種類の特徴量の分散に基づいて、前記特徴量の代表値を含む特徴量範囲を設定する工程と、
   ｄ）一の欠陥画像を対象欠陥画像として選択する工程と、
   ｅ）前記対象欠陥画像の一の種類の特徴量を前記一の種類の特徴量範囲に含むカテゴリに投票を行う工程と、
   ｆ）前記対象欠陥画像の特徴量の全ての種類について前記ｅ）工程を行う工程と、
   ｇ）前記複数のカテゴリのうち得票数が最も多いカテゴリと前記対象欠陥画像が属するカテゴリとが異なる場合にその旨を出力する工程と、
   ｈ）前記複数の欠陥画像の全てに対して前記ｇ）工程が行われるまで、前記対象欠陥画像を他の欠陥画像に変更しつつ前記ｅ）ないしｇ）工程を繰り返す工程と、
   ｉ）前記作業者からいずれかの欠陥画像を前記教師データから除外する入力を受け付ける工程と、
   を実行することを特徴とする画像分類装置。

Images