JP5858817B2 - 教師データ作成方法、並びに、画像分類方法および画像分類装置 - Google Patents

教師データ作成方法、並びに、画像分類方法および画像分類装置 Download PDF

Info

Publication number
JP5858817B2
JP5858817B2 JP2012031254A JP2012031254A JP5858817B2 JP 5858817 B2 JP5858817 B2 JP 5858817B2 JP 2012031254 A JP2012031254 A JP 2012031254A JP 2012031254 A JP2012031254 A JP 2012031254A JP 5858817 B2 JP5858817 B2 JP 5858817B2
Authority
JP
Japan
Prior art keywords
category
image
defect
teacher data
feature
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.)
Active
Application number
JP2012031254A
Other languages
English (en)
Other versions
JP2013167545A (ja
Inventor
松村 明
明 松村
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.)
Screen Holdings Co Ltd
Original Assignee
Screen Holdings Co Ltd
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 Screen Holdings Co Ltd filed Critical Screen Holdings Co Ltd
Priority to JP2012031254A priority Critical patent/JP5858817B2/ja
Publication of JP2013167545A publication Critical patent/JP2013167545A/ja
Application granted granted Critical
Publication of JP5858817B2 publication Critical patent/JP5858817B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)

Description

本発明は、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方法、並びに、教師データの作成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、プリント配線基板等の製造では、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。また、このような検査工程において検出された欠陥に対して、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施される。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も用いられる。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る。
自動分類では、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、欠陥画像およびそのカテゴリ(すなわち、欠陥画像の種類)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、複数のカテゴリのそれぞれにおいて典型的な欠陥を示す典型画像を操作者が指定することにより、各欠陥画像が属するカテゴリを自動的に決定して教師データを作成する手法が開示されている。本手法では、未分類の各欠陥画像の一の種類の特徴量と、全ての典型画像の当該種類の特徴量との差である複数の特徴量差を求め、複数の特徴量差のうち最小のものに対応する典型画像が属するカテゴリに投票を行う処理が、特徴量の各種類について繰り返される。そして、複数のカテゴリのうち得票数が最も多いカテゴリが、当該欠陥画像が属するカテゴリとして決定される。
実際に、3個のカテゴリを設定し、5500個の欠陥画像を特許文献1の手法を用いて処理した際には、各カテゴリにおいて2個の典型画像を指定することにより、半数以上の欠陥画像を好ましいカテゴリへと自動的に割り振ることが可能であった。また、操作者が各欠陥画像のカテゴリを個別に決定する場合に比べて、作業時間を大幅に短縮することができた。
特開2010−71826号公報
ところで、特許文献1の手法において、典型画像が適切に選択されない場合には、各欠陥画像が属するカテゴリを適切に決定することが困難となる。したがって、好ましい典型画像を容易に決定することが可能な新規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、好ましい典型画像を容易に決定し、教師データに利用される欠陥画像のカテゴリの決定を適切に行う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を作成する教師データ作成方法であって、a)複数の欠陥画像のそれぞれを複数のカテゴリのいずれかへと仮に割り振る工程と、b)各欠陥画像において、一の種類の特徴量と、各カテゴリに割り振られている欠陥画像の集合における前記一の種類の特徴量の代表値との差をカテゴリ評価値として求め、前記複数のカテゴリに対するカテゴリ評価値のうち最小のカテゴリ評価値に対応するカテゴリに投票を行う工程と、c)前記b)工程を特徴量の複数種類について繰り返す工程と、d)前記各欠陥画像を、前記複数のカテゴリのうち得票数が最も多いカテゴリに割り振って前記各カテゴリにおける欠陥画像の集合を更新する工程と、e)前記d)工程において、前記各カテゴリにおける欠陥画像の集合の更新前後での複数種類の特徴量の代表値の変化がなくなる状態を終了条件として、前記終了条件を満たすまで、前記b)ないしd)工程を繰り返す工程と、f)前記終了条件を満たした際に前記各カテゴリに割り振られている欠陥画像の集合において、複数種類の特徴量が前記集合における前記複数種類の特徴量の代表値に最も近い欠陥画像を前記各カテゴリの典型画像候補として決定する工程と、g)前記典型画像候補を表示部に表示する工程と、h)前記各カテゴリにおける典型画像を選択する入力を受け付ける工程と、i)前記各カテゴリにおける前記典型画像に基づいて、前記各欠陥画像が属するカテゴリを決定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方法であって、前記f)工程が、f1)前記各カテゴリにおいて、一の種類の特徴量の代表値と、前記各カテゴリに割り振られている各欠陥画像の前記一の種類の特徴量との差を画像評価値として求め、前記各カテゴリに割り振られている欠陥画像に対する画像評価値のうち最小の画像評価値に対応する欠陥画像に投票を行う工程と、f2)前記f1)工程を特徴量の複数種類について繰り返す工程と、f3)前記各カテゴリに割り振られている欠陥画像のうち得票数が最も多い欠陥画像を前記典型画像候補として決定する工程とを備える。
請求項3に記載の発明は、請求項1または2に記載の教師データ作成方法であって、前記i)工程が、i1)前記各欠陥画像において、一の種類の特徴量と、前記各カテゴリにおける前記典型画像の前記一の種類の特徴量との差を特徴量差として求め、前記複数のカテゴリの典型画像に対する特徴量差のうち最小の特徴量差に対応するカテゴリに投票を行う工程と、i2)前記i1)工程を特徴量の複数種類について繰り返す工程と、i3)前記各欠陥画像を、前記複数のカテゴリのうち得票数が最も多いカテゴリに割り振って前記各欠陥画像が属するカテゴリを決定する工程とを備える。
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教師データ作成方法であって、前記b)工程において、前記最小のカテゴリ評価値に近似するものが、前記複数のカテゴリに対するカテゴリ評価値に含まれる場合に、投票が行われない。
請求項5に記載の発明は、請求項1ないし4のいずれかに記載の教師データ作成方法であって、前記a)工程の前に、カテゴリ数の入力を受け付ける工程をさらに備える。
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方法により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、複数の欠陥画像のそれぞれを複数のカテゴリのいずれかへと仮に割り振る初期割振部と、各欠陥画像において、一の種類の特徴量と、各カテゴリに割り振られている欠陥画像の集合における前記一の種類の特徴量の代表値との差をカテゴリ評価値として求め、前記複数のカテゴリに対するカテゴリ評価値のうち最小のカテゴリ評価値に対応するカテゴリに投票を行う処理を、特徴量の複数種類について繰り返すことにより、前記各欠陥画像を、前記複数のカテゴリのうち得票数が最も多いカテゴリに割り振って前記各カテゴリにおける欠陥画像の集合を更新する画像割振部と、前記画像割振部において、前記各カテゴリにおける欠陥画像の集合の更新前後での複数種類の特徴量の代表値の変化がなくなる状態を終了条件として、前記終了条件を満たすまで、前記画像割振部における処理を繰り返す繰返制御部と、前記終了条件を満たした際に前記各カテゴリに割り振られている欠陥画像の集合において、複数種類の特徴量が前記集合における前記複数種類の特徴量の代表値に最も近い欠陥画像を前記各カテゴリの典型画像候補として決定する典型画像候補決定部と、前記典型画像候補を表示する表示部と、前記各カテゴリにおける典型画像を選択する入力を受け付ける入力部と、前記各カテゴリにおける前記典型画像に基づいて、前記各欠陥画像が属するカテゴリを決定するカテゴリ決定部とを備える。
本発明によれば、好ましい典型画像を容易に決定し、教師データに利用される欠陥画像のカテゴリの決定を適切に行うことができる。
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。 教師データを作成して分類器を学習させる処理の流れを示す図である。 教師データを作成して分類器を学習させる処理の流れを示す図である。 一の欠陥画像の特徴量を例示する図である。 カテゴリへの投票の結果を示す図である。 典型画像候補を決定する処理の流れを示す図である。 欠陥画像のカテゴリを決定する処理の流れを示す図である。
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る。画像分類装置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。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における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(カテゴリ)は、例えば、欠け、突起、断線、ショート、異物である。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。画像分類装置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、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を有する。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自動欠陥分類部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。自動欠陥分類部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)のデータが自動欠陥分類部42へと送信される。自動欠陥分類部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自動欠陥分類部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による分類器の学習について説明する。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表示部であるディスプレイ55、操作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、分類器を学習させ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。
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(図示省略)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、学習結果、すなわち、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)が自動欠陥分類部42へと転送される。
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、学習部62も示している。教師データ作成部61は、データ演算部610、ディスプレイ55および入力部56を有する。データ演算部610は、初期割振部611、画像割振部612、繰返制御部613、典型画像候補決定部614、カテゴリ決定部615、特徴量算出部618および記憶部619を有する。なお、データ演算部610および学習部62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。
特徴量算出部618は欠陥画像の特徴量を算出し、記憶部619は予め準備された多数の欠陥画像(教師データ作成用の欠陥画像)を記憶する。なお、欠陥画像は図1に示す撮像装置2および欠陥検出部41を利用して取得されてもよいし、別途用意されてもよい。初期割振部611、画像割振部612、繰返制御部613、典型画像候補決定部614およびカテゴリ決定部615の処理の内容については後述する。
図6は記憶部619内に記憶されている情報の構造の一部を示す図である。記憶部619では、図5に示す特徴量算出部618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付けられて記憶される。また、欠陥画像に対してカテゴリが決定(または、仮決定)されると当該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付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.Aおよび図7.Bは、教師データを作成して分類器を学習させる処理の流れを示す図である。まず、教師データ作成用の多数の(例えば、数千個の)欠陥画像のデータが図5に示す教師データ作成部61の記憶部619に準備され(ステップS20)、特徴量算出部618により全ての欠陥画像の複数種類の(例えば、100〜200種類の)特徴量が算出される(ステップS21)。算出された特徴量は記憶部619に記憶される。また、ディスプレイ55ではカテゴリ数の入力を促す表示が行われ、入力部56において操作者による所望のカテゴリ数(2以上である。)の入力が受け付けられる(ステップS22)。カテゴリ数が入力されると、初期割振部611では、複数の(原則として、全ての)欠陥画像のそれぞれが、当該カテゴリ数のカテゴリのいずれかへと不規則に割り振られる(すなわち、カテゴリが仮決定される。)(ステップS23)。各カテゴリには異なる番号が割り当てられており、各欠陥画像のデータの図6に示すカテゴリ変数に、当該欠陥画像が割り振られたカテゴリの番号が記憶される。なお、初期割振部611では、各欠陥画像が、特定種類の特徴量の大きさの区分等、所定の規則に従っていずれかのカテゴリに割り振られてもよい。
画像割振部612では、特徴量の一の種類が選択され(以下、選択された種類の特徴量を「選択特徴量」という。)(ステップS24)、各カテゴリに割り振られている欠陥画像の集合における複数の選択特徴量の代表値が算出される(ステップS25)。ここで、特徴量の代表値とは、当該特徴量が分布する範囲の中央近傍を示す値であり、平均値や中央値、あるいは、一定幅の複数の区間のうち頻度が最も高い区間の中心値等である。
図8は選択特徴量を座標値とする軸上における一の欠陥画像の選択特徴量xαNを示す図である。図8では、カテゴリ番号1のカテゴリに割り振られている欠陥画像の集合における選択特徴量の代表値vα1、カテゴリ番号2のカテゴリに割り振られている欠陥画像の集合における選択特徴量の代表値vα2、および、カテゴリ番号3のカテゴリに割り振られている欠陥画像の集合における選択特徴量の代表値vα3も示している。図8の例では、カテゴリ数が3であるが、カテゴリ数は、2または4以上であってもよい。
選択特徴量の代表値が算出されると、各欠陥画像の選択特徴量と、各カテゴリにおける選択特徴量の代表値との差がカテゴリ評価値として求められる(ステップS26)。図8の例では、欠陥画像の選択特徴量xαNとカテゴリ番号1のカテゴリにおける選択特徴量の代表値vα1との差の絶対値|xαN−vα1|、選択特徴量xαNとカテゴリ番号2のカテゴリにおける選択特徴量の代表値vα2との差の絶対値|xαN−vα2|、および、選択特徴量xαNとカテゴリ番号3のカテゴリにおける選択特徴量の代表値vα3との差の絶対値|xαN−vα3|がカテゴリ評価値として求められる。
続いて、各欠陥画像において、全てのカテゴリに対するカテゴリ評価値のうち最小のカテゴリ評価値に対応するカテゴリに1票が投票される(ステップS27)。図8の例では、全てのカテゴリ評価値のうち|xαN−vα2|が最も小さいため、カテゴリ番号2のカテゴリに1票が投票される。画像割振部612では、予めカテゴリ毎に投票用の変数が割り当てられており、カテゴリ番号2のカテゴリの当該変数に1が加算される。なお、変数は初期化の際に0になる。
各欠陥画像において最初の投票が完了すると、画像割振部612では、特徴量の全種類について投票を行ったか否かが確認される。ここでは、特徴量の全種類についての投票が完了していないため(ステップS28)、選択特徴量の種類が変更される(ステップS24)。そして、図8に示す場合と同様にして、各欠陥画像において、選択特徴量と、各カテゴリに割り振られている欠陥画像の集合における選択特徴量の代表値との差であるカテゴリ評価値が求められ(ステップS25,S26)、全てのカテゴリに対するカテゴリ評価値のうち最小のカテゴリ評価値に対応するカテゴリに投票が行われる(ステップS27)。なお、特徴量の種類によって1回の投票における票数が変更されてもよい(すなわち、特徴量の種類毎に重みが変更されてもよい。)。
特徴量の全種類について上記ステップS24〜S27の処理が繰り返されると(ステップS28)、各欠陥画像が、全てのカテゴリのうち得票数が最も多いカテゴリに割り振られる(ステップS29)。例えば、一の欠陥画像において、図9に示す投票結果が得られた場合には、得票数が最も多いカテゴリ番号1のカテゴリに当該欠陥画像が割り振られ、当該欠陥画像のデータのカテゴリ変数が「1」となる。このようにして、いくつかの(通常、多数の)欠陥画像において割り振られるカテゴリが変更され、各カテゴリにおける欠陥画像の集合が更新される。ステップS29の処理の完了後、各カテゴリの投票用の変数は0になる。なお、各欠陥画像において、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(例えば、総得票数の10%)以下である場合や、得票数が最も多いカテゴリが2以上存在する場合には、現在のカテゴリが維持されることが好ましい。各カテゴリにおける欠陥画像の集合をクラスタとして捉えると、上記ステップS24〜S29の処理はクラスタを更新する処理(または、クラスタリング処理)に相当する。
ここで、各欠陥画像をK個のカテゴリのいずれかに割り振る場合に(ただし、Kは2以上の整数)、当該欠陥画像の全種類の特徴量をベクトルXにて表現し、各カテゴリにおける全種類の特徴量の代表値をベクトルV(jは1以上K以下の整数)にて表現すると、上記ステップS24〜S29の処理は、ベクトルXの各要素の値を全てのベクトルVの対応する要素の値と比較し、全てのベクトルVのうち、ベクトルXの要素の値と最も近い値を有する要素の数が最大となる1つのベクトルVを特定する処理となる。
繰返制御部613では、所定の終了条件を満たしているか否かが確認される。本実施の形態では、ステップS29においてカテゴリが変更される欠陥画像がない、すなわち、いずれの欠陥画像のカテゴリ変数も変更されない場合に終了条件が満たされる。ここでは、カテゴリが変更される欠陥画像が存在するため、終了条件を満たしていないことが確認され、上記ステップS24〜S29の処理が繰り返される(ステップS30)。すなわち、各欠陥画像において、更新後の全てのカテゴリに対してカテゴリ評価値を求めて最小のカテゴリ評価値に対応するカテゴリに投票を行う処理が特徴量の全種類について繰り返され、得票数が最も多いカテゴリに各欠陥画像が割り振られ、各カテゴリにおける欠陥画像の集合が更新される。
このようにして、繰返制御部613では、終了条件が満たされる、すなわち、カテゴリが変更される欠陥画像がなくなるまで画像割振部612における処理が繰り返される(ステップS30)。終了条件は、他の条件であってもよく、例えば、特徴量の全種類にそれぞれ対応する多数の次元にて規定される特徴量空間において、各カテゴリの位置を全種類の特徴量の代表値にて表す場合に、更新直前の各カテゴリの位置と、更新直後の当該カテゴリの位置との間の距離(ユークリッド距離)を移動量として求め、全てのカテゴリの移動量の和が所定値以下となる場合が、終了条件であってもよい。このように、終了条件は、各カテゴリにおいて複数種類の特徴量の代表値の更新前後における変化がなくなる、または、およそなくなる状態であると捉えることができる。
終了条件が満たされると、典型画像候補決定部614では、最後のステップS29の処理にて形成された各カテゴリに割り振られている欠陥画像の集合から典型画像の候補である典型画像候補が決定される(ステップS31)。ここで、典型画像とは、各カテゴリに属する典型的な欠陥を示すと考えられる欠陥画像である。
図10は、典型画像候補を決定する処理の流れを示す図である。典型画像候補の決定処理では、特徴量の一の種類が選択され(ステップS41)、各カテゴリに割り振られている欠陥画像の集合における当該種類の特徴量の代表値が算出される(ステップS42)。続いて、各カテゴリにおける当該種類の特徴量の代表値と、当該カテゴリに割り振られている各欠陥画像の当該種類の特徴量との差が画像評価値として求められる(ステップS43)。すなわち、各カテゴリにおいて当該カテゴリに割り振られている複数の(全ての)欠陥画像に対する画像評価値が求められる。続いて、当該カテゴリの全ての欠陥画像に対する画像評価値のうち最小の画像評価値が特定され、当該画像評価値が求められた欠陥画像に投票が行われる(ステップS44)。
各カテゴリにおいて最初の投票が完了すると、典型画像候補決定部614では、特徴量の全種類について投票を行ったか否かが確認される。ここでは、特徴量の全種類についての投票が完了していないため(ステップS45)、特徴量の他の一の種類が選択される(ステップS41)。そして、上記と同様にして、各カテゴリにおいて、当該種類の特徴量の代表値と、当該カテゴリに割り振られている各欠陥画像の当該種類の特徴量との差が画像評価値として求められ(ステップS42,S43)、最小の画像評価値に対応する欠陥画像に投票が行われる(ステップS44)。
特徴量の全種類について上記ステップS41〜S44の処理が繰り返されると(ステップS45)、各カテゴリに割り振られている欠陥画像のうち得票数が最も多い欠陥画像が当該カテゴリの典型画像候補として決定される(ステップS46)。ここで、各カテゴリにおける得票数が最も多い欠陥画像は、全種類の特徴量が当該カテゴリの欠陥画像の集合における全種類の特徴量の代表値に最も近い欠陥画像であると捉えることができる。以上のように、典型画像候補決定部614では、既述の終了条件を満たした際に各カテゴリに割り振られている欠陥画像の集合において、全種類の特徴量が当該欠陥画像の集合における全種類の特徴量の代表値に最も近い欠陥画像が当該カテゴリの典型画像候補として決定される。
各カテゴリに割り振られているK個の欠陥画像から1つの典型画像候補を決定する場合に(ただし、Kは2以上の整数)、当該カテゴリの全種類の特徴量の代表値をベクトルXにて表現し、当該カテゴリに割り振られている各欠陥画像における全種類の特徴量をベクトルV(jは1以上K以下の整数)にて表現すると、上記ステップS41〜S46の処理は、ベクトルXの各要素の値を全てのベクトルVの対応する要素の値と比較し、全てのベクトルVのうち、ベクトルXの要素の値と最も近い値を有する要素の数が最大となる1つのベクトルVを特定する処理となる。既述のように、画像割振部612では、一の欠陥画像の全種類の特徴量をベクトルX、各カテゴリにおける全種類の特徴量の代表値をベクトルVとして上記と同様の処理が行われるため、画像割振部612および典型画像候補決定部614では、同じアルゴリズムの処理が行われる。なお、特徴量の全種類にそれぞれ対応する多数の次元にて規定される特徴量空間において、各カテゴリの位置を全種類の特徴量の代表値にて表し、当該カテゴリに割り振られている各欠陥画像の位置を全種類の特徴量にて表す場合に、当該カテゴリの位置との間のユークリッド距離が最も小さい位置の欠陥画像が典型画像候補として決定されてもよい。
以上のようにして、各カテゴリに対して典型画像候補が決定されると(図7.B:ステップS31)、典型画像候補はカテゴリ毎にディスプレイ55に表示される(ステップS32)。ここで、終了条件を満たした際の各カテゴリにおける欠陥画像の集合や、各カテゴリにおける典型画像候補は、必ずしも操作者が好ましいと考えるもの、あるいは、意図したものではない。したがって、ディスプレイ55では操作者による所望の典型画像の選択を促す表示が行われ、入力部56において、各カテゴリに対して典型画像を選択する入力が受け付けられる(ステップS33)。
既述のように典型画像は、各カテゴリに属する典型的な欠陥を示すと考えられる欠陥画像であり、典型画像の選択の際には、各カテゴリに割り振られている他の欠陥画像等もディスプレイ上55に表示可能である。詳細には、上記ステップS41〜S45の処理により得られた投票結果が上位である他の欠陥画像や、個別の特徴量等の情報も操作者の指示に従って表示可能であり、特徴量の情報を参照しつつ各カテゴリの典型画像候補と当該カテゴリに割り振られている他の欠陥画像とを比較することにより、各カテゴリに対して最も好ましいと考えられる典型画像が操作者により選択される。なお、各カテゴリに対して複数の典型画像が選択されてもよい。
各カテゴリに対して典型画像が決定されると、カテゴリ決定部615では、全てのカテゴリの典型画像が典型画像候補と一致するか否かが確認される。いずれかのカテゴリにおいて典型画像が典型画像候補と相違する場合(いずれかのカテゴリにおいて複数の典型画像が選択される場合を含む。)には(ステップS34)、全てのカテゴリの典型画像に基づいて、典型画像を除く各欠陥画像が属するカテゴリが決定される(ステップS35)。図11は、各欠陥画像のカテゴリを決定する処理の流れを示す図である。
各欠陥画像のカテゴリの決定処理では、特徴量の一の種類が選択され(ステップS51)、各欠陥画像において当該種類の特徴量と、各カテゴリにおける典型画像の当該種類の特徴量との差が特徴量差として求められる(ステップS52)。すなわち、各欠陥画像において全てのカテゴリの典型画像に対する特徴量差が求められる。なお、複数の典型画像が選択されたカテゴリでは、複数の特徴量差が求められる。続いて、全ての典型画像に対する特徴量差のうち最小の特徴量差となる典型画像が属するカテゴリに投票が行われる(ステップS53)。
各欠陥画像において最初の投票が完了すると、カテゴリ決定部615では、特徴量の全種類について投票を行ったか否かが確認される。ここでは、特徴量の全種類についての投票が完了していないため(ステップS54)、特徴量の他の一の種類が選択される(ステップS51)。そして、上記と同様にして、各欠陥画像において、当該種類の特徴量と、典型画像の当該種類の特徴量との差が特徴量差として求められ(ステップS52)、最小の特徴量差に対応するカテゴリに投票が行われる(ステップS53)。
特徴量の全種類について上記ステップS51〜S53の処理が繰り返されると(ステップS54)、各欠陥画像が、複数のカテゴリのうち得票数が最も多いカテゴリに割り振られ、当該欠陥画像が属する最終的なカテゴリが決定される(ステップS55)。ここで、各欠陥画像における得票数が最も多いカテゴリは、典型画像における全種類の特徴量が当該欠陥画像の全種類の特徴量に最も近いカテゴリであると捉えることができる。以上のように、カテゴリ決定部615では、各カテゴリにおける典型画像に基づいて、各欠陥画像が属するカテゴリが決定される。なお、各欠陥画像において、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(例えば、総得票数の10%)以下である場合や、得票数が最も多いカテゴリが2以上存在する場合には、欠陥画像は未分類のままとされることが好ましい。
各欠陥画像をK個のカテゴリのいずれかに割り振る場合に(ただし、Kは2以上の整数)、当該欠陥画像の全種類の特徴量をベクトルXにて表現し、各カテゴリにおける典型画像の全種類の特徴量をベクトルV(jは1以上K以下の整数)にて表現すると(ただし、複数の典型画像が選択されるカテゴリでは、ベクトルVの各要素が複数の値を有するものとする。)、上記ステップS51〜S55の処理は、ベクトルXの各要素の値を全てのベクトルVの対応する要素の値と比較し、全てのベクトルVのうち、ベクトルXの要素の値と最も近い値を有する要素の数が最大となる1つのベクトルVを特定する処理となる。既述のように、画像割振部612では、一の欠陥画像の全種類の特徴量をベクトルX、各カテゴリにおける全種類の特徴量の代表値をベクトルVとして上記と同様の処理が行われるため、画像割振部612およびカテゴリ決定部615では、同じアルゴリズムの処理が行われる。なお、特徴量空間において、各欠陥画像の位置との間のユークリッド距離が最も小さい位置の典型画像が属するカテゴリが、当該欠陥画像のカテゴリとして決定されてもよい。
一方、全てのカテゴリにおいて操作者により選択された典型画像が典型画像候補と一致する場合には(図7.B:ステップS34)、図11の処理は行われず、各欠陥画像の現在のカテゴリが最終的なカテゴリとして決定される(ステップS36)。すなわち、ステップS30において終了条件を満たした際に各欠陥画像が割り振られているカテゴリが、そのまま維持される。
上記ステップS35またはステップS36の処理により各欠陥画像の最終的なカテゴリが決定されると、カテゴリが決定された欠陥画像(典型画像を含む。)のデータ、並びに、これらの特徴量およびカテゴリの情報が教師データとして記憶部619から学習部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S37)。すなわち、分類器(図4参照)を構成する変数の値が決定されたり、構造が決定されて分類器421が生成される。
以上に説明したように、教師データ作成装置である教師データ作成部61では、各欠陥画像において、カテゴリ評価値に基づく複数のカテゴリへの投票を、特徴量の複数種類について行うことにより、各欠陥画像のカテゴリが修正されて各カテゴリにおける欠陥画像の集合が更新される。各カテゴリにおける欠陥画像の集合の更新は所定の終了条件を満たすまで繰り返され、終了条件を満たした際に各カテゴリに割り振られている欠陥画像の集合において、複数種類の特徴量が、当該集合における複数種類の特徴量の代表値に最も近い欠陥画像が当該カテゴリの典型画像候補として決定される。これにより、各カテゴリにおける典型画像候補や、当該カテゴリに割り振られている他の欠陥画像、あるいは、特徴量に関する情報を確認して、特徴量空間における各カテゴリの分布の特徴(クラスタ形成の傾向)等を把握することができる。その結果、操作者が好ましい典型画像を容易に決定することが可能となり(すなわち、典型画像の決定を支援することができ)、教師データに利用される欠陥画像のカテゴリの決定を適切に行うことができる。
ここで、仮に、特徴量の全種類にそれぞれ対応する多数の次元にて規定される特徴量空間において、各欠陥画像の位置に対してユークリッド距離が最も小さい位置(全種類の特徴量の代表値にて特定される位置)となるカテゴリに当該欠陥画像を割り振って各カテゴリの欠陥画像の集合を更新する比較例の場合(すなわち、非階層型クラスタリングの代表例であるK平均法を用いる場合)、特徴量の種類毎の数値範囲のばらつきの影響を抑制するために全種類のカテゴリ評価値を正規化する処理や、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が必要となり、また、ユークリッド距離の演算量も膨大となる。実際には、ユークリッド距離では特徴量の種類(次元)が多くなるほど、各欠陥画像の位置と複数のカテゴリの位置との間の距離の差が生じにくくなり(いわゆる、次元の呪い)、各カテゴリにおける欠陥画像の集合(クラスタ)を適切に更新することができない場合がある。
これに対し、教師データ作成部61では、各カテゴリにおけるクラスタの更新において、特徴量の各種類についてカテゴリへの投票が行われるため、ユークリッド距離を求めてクラスタを更新する比較例の場合に比べて、演算量を低減しつつ各カテゴリにおけるクラスタを適切に更新することができ、典型画像候補の決定を高速に行うことができる。また、画像分類装置1では、操作者が手動にて各欠陥画像にカテゴリを付与する場合に比べて、誤ったカテゴリに属する欠陥画像が低減されるため、特徴量空間において各カテゴリにおける複数の欠陥画像が典型画像を中心としてばらつきの少ない状態で分布し、その結果、分類器の学習を早く終了させることができる。
教師データ作成部61では、各カテゴリにおける欠陥画像の集合の更新と、典型画像候補の決定とが同様のアルゴリズムにて行われるため、教師データ作成部61の構成を簡素化することができる。また、各カテゴリにおける欠陥画像の集合の更新と、各欠陥画像の最終的なカテゴリの決定とが同様のアルゴリズムにて行われるため、教師データ作成部61の構成をさらに簡素化することができる。
画像分類装置1では、図7.AのステップS27において、全てのカテゴリに対するカテゴリ評価値のうち最小のカテゴリ評価値に対応するカテゴリに投票を行う際に、例えば、2番目に小さいカテゴリ評価値が最小のカテゴリ評価値に近似する(例えば、最小のカテゴリ評価値の1.1倍以下である)場合には、投票が行われないことが好ましい。
このような特徴量の種類は、欠陥画像のカテゴリへの割り振りにおいてあまり有効ではないと考えられるが、比較例の場合には、このような特徴量を含めてユークリッド距離が求められる。これに対し、教師データ作成部61では、最小のカテゴリ評価値に近似するものが、複数のカテゴリに対するカテゴリ評価値に含まれる場合に、投票が行われないことにより、上記のような特徴量の種類を実質的に除外することができ、各カテゴリにおける欠陥画像の集合の更新を適切に行うことができる。
以上、本発明の実施の形態について説明してきたが、本発明は上記実施の形態に限定されるものではなく、様々な変形が可能である。
上記実施の形態では、複数の欠陥画像のデータが準備された状態で、入力部56においてカテゴリ数の入力を受け付けることにより、各カテゴリの典型画像候補を自動的に決定することが可能であるが、教師データ作成部61では、カテゴリ数が予め設定されていてもよい。この場合、複数の欠陥画像のデータが準備されることにより、各カテゴリの典型画像候補が自動的に決定される。
画像分類装置1において、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にて算出されてもよい。
また、教師データから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。また、教師データから特徴量が省略され、学習部62において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、欠陥検査装置に自動欠陥分類の機能を付加した画像分類装置1について説明したが、他の欠陥検査装置にて検出された基板上の欠陥を観察する観察装置(レビュー装置とも呼ばれる。)に自動欠陥分類の機能を付加した装置(同様に、画像分類装置として捉えることができる。)において、上記教師データ作成部61が用いられてもよい。このような画像分類装置における撮像装置では、欠陥をより高度に解析するため、図1の撮像装置2に比べて高い解像度の撮像画像が取得される。
また、画像分類装置1では、可視光による画像以外に、電子線やX線等により取得される画像が分類されてもよい。また、半導体基板に代えてガラス基板(例えば、平面表示装置用のガラス基板)、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。
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 画像分類装置
9 基板
55 ディスプレイ
56 入力部
61 教師データ作成部
421 分類器
611 初期割振部
612 画像割振部
613 繰返制御部
614 典型画像候補決定部
615 カテゴリ決定部
S14,S22〜S37,S41〜S46,S51〜S55 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を作成する教師データ作成方法であって、
    a)複数の欠陥画像のそれぞれを複数のカテゴリのいずれかへと仮に割り振る工程と、
    b)各欠陥画像において、一の種類の特徴量と、各カテゴリに割り振られている欠陥画像の集合における前記一の種類の特徴量の代表値との差をカテゴリ評価値として求め、前記複数のカテゴリに対するカテゴリ評価値のうち最小のカテゴリ評価値に対応するカテゴリに投票を行う工程と、
    c)前記b)工程を特徴量の複数種類について繰り返す工程と、
    d)前記各欠陥画像を、前記複数のカテゴリのうち得票数が最も多いカテゴリに割り振って前記各カテゴリにおける欠陥画像の集合を更新する工程と、
    e)前記d)工程において、前記各カテゴリにおける欠陥画像の集合の更新前後での複数種類の特徴量の代表値の変化がなくなる状態を終了条件として、前記終了条件を満たすまで、前記b)ないしd)工程を繰り返す工程と、
    f)前記終了条件を満たした際に前記各カテゴリに割り振られている欠陥画像の集合において、複数種類の特徴量が前記集合における前記複数種類の特徴量の代表値に最も近い欠陥画像を前記各カテゴリの典型画像候補として決定する工程と、
    g)前記典型画像候補を表示部に表示する工程と、
    h)前記各カテゴリにおける典型画像を選択する入力を受け付ける工程と、
    i)前記各カテゴリにおける前記典型画像に基づいて、前記各欠陥画像が属するカテゴリを決定する工程と、
    を備えることを特徴とする教師データ作成方法。
  2. 請求項1に記載の教師データ作成方法であって、
    前記f)工程が、
    f1)前記各カテゴリにおいて、一の種類の特徴量の代表値と、前記各カテゴリに割り振られている各欠陥画像の前記一の種類の特徴量との差を画像評価値として求め、前記各カテゴリに割り振られている欠陥画像に対する画像評価値のうち最小の画像評価値に対応する欠陥画像に投票を行う工程と、
    f2)前記f1)工程を特徴量の複数種類について繰り返す工程と、
    f3)前記各カテゴリに割り振られている欠陥画像のうち得票数が最も多い欠陥画像を前記典型画像候補として決定する工程と、
    を備えることを特徴とする教師データ作成方法。
  3. 請求項1または2に記載の教師データ作成方法であって、
    前記i)工程が、
    i1)前記各欠陥画像において、一の種類の特徴量と、前記各カテゴリにおける前記典型画像の前記一の種類の特徴量との差を特徴量差として求め、前記複数のカテゴリの典型画像に対する特徴量差のうち最小の特徴量差に対応するカテゴリに投票を行う工程と、
    i2)前記i1)工程を特徴量の複数種類について繰り返す工程と、
    i3)前記各欠陥画像を、前記複数のカテゴリのうち得票数が最も多いカテゴリに割り振って前記各欠陥画像が属するカテゴリを決定する工程と、
    を備えることを特徴とする教師データ作成方法。
  4. 請求項1ないし3のいずれかに記載の教師データ作成方法であって、
    前記b)工程において、前記最小のカテゴリ評価値に近似するものが、前記複数のカテゴリに対するカテゴリ評価値に含まれる場合に、投票が行われないことを特徴とする教師データ作成方法。
  5. 請求項1ないし4のいずれかに記載の教師データ作成方法であって、
    前記a)工程の前に、カテゴリ数の入力を受け付ける工程をさらに備えることを特徴とする教師データ作成方法。
  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方法により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、
    複数の欠陥画像のそれぞれを複数のカテゴリのいずれかへと仮に割り振る初期割振部と、
    各欠陥画像において、一の種類の特徴量と、各カテゴリに割り振られている欠陥画像の集合における前記一の種類の特徴量の代表値との差をカテゴリ評価値として求め、前記複数のカテゴリに対するカテゴリ評価値のうち最小のカテゴリ評価値に対応するカテゴリに投票を行う処理を、特徴量の複数種類について繰り返すことにより、前記各欠陥画像を、前記複数のカテゴリのうち得票数が最も多いカテゴリに割り振って前記各カテゴリにおける欠陥画像の集合を更新する画像割振部と、
    前記画像割振部において、前記各カテゴリにおける欠陥画像の集合の更新前後での複数種類の特徴量の代表値の変化がなくなる状態を終了条件として、前記終了条件を満たすまで、前記画像割振部における処理を繰り返す繰返制御部と、
    前記終了条件を満たした際に前記各カテゴリに割り振られている欠陥画像の集合において、複数種類の特徴量が前記集合における前記複数種類の特徴量の代表値に最も近い欠陥画像を前記各カテゴリの典型画像候補として決定する典型画像候補決定部と、
    前記典型画像候補を表示する表示部と、
    前記各カテゴリにおける典型画像を選択する入力を受け付ける入力部と、
    前記各カテゴリにおける前記典型画像に基づいて、前記各欠陥画像が属するカテゴリを決定するカテゴリ決定部と、
    を備えることを特徴とする画像分類装置。
JP2012031254A 2012-02-16 2012-02-16 教師データ作成方法、並びに、画像分類方法および画像分類装置 Active JP5858817B2 (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2012031254A JP5858817B2 (ja) 2012-02-16 2012-02-16 教師データ作成方法、並びに、画像分類方法および画像分類装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2012031254A JP5858817B2 (ja) 2012-02-16 2012-02-16 教師データ作成方法、並びに、画像分類方法および画像分類装置

Publications (2)

Publication Number Publication Date
JP2013167545A JP2013167545A (ja) 2013-08-29
JP5858817B2 true JP5858817B2 (ja) 2016-02-10

Family

ID=49178052

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2012031254A Active JP5858817B2 (ja) 2012-02-16 2012-02-16 教師データ作成方法、並びに、画像分類方法および画像分類装置

Country Status (1)

Country Link
JP (1) JP5858817B2 (ja)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6597972B2 (ja) * 2016-03-23 2019-10-30 株式会社Screenホールディングス 画像処理装置および画像処理方法
JP7202106B2 (ja) * 2018-08-31 2023-01-11 株式会社Screenホールディングス 基板処理方法および基板処理装置

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4220595B2 (ja) * 1998-08-10 2009-02-04 株式会社日立製作所 欠陥の分類方法並びに教示用データ作成方法
JP3492991B2 (ja) * 2000-09-13 2004-02-03 株式会社東芝 画像処理装置及び画像処理方法並びに記録媒体
JP5075070B2 (ja) * 2008-09-19 2012-11-14 大日本スクリーン製造株式会社 教師データ作成方法、並びに、画像分類方法および画像分類装置
JP5164901B2 (ja) * 2009-03-17 2013-03-21 ヤフー株式会社 画像検索装置
JP2011158373A (ja) * 2010-02-02 2011-08-18 Dainippon Screen Mfg Co Ltd 自動欠陥分類のための教師データ作成方法、自動欠陥分類方法および自動欠陥分類装置

Also Published As

Publication number Publication date
JP2013167545A (ja) 2013-08-29

Similar Documents

Publication Publication Date Title
US7689029B2 (en) Apparatus and method for inspecting pattern
JP6924413B2 (ja) 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
JP6063756B2 (ja) 教師データ作成支援装置、教師データ作成装置、画像分類装置、教師データ作成支援方法、教師データ作成方法および画像分類方法
JP6059486B2 (ja) 教師データ検証装置、教師データ作成装置、画像分類装置、教師データ検証方法、教師データ作成方法および画像分類方法
JP6113024B2 (ja) 分類器取得方法、欠陥分類方法、欠陥分類装置およびプログラム
JP6669453B2 (ja) 画像分類装置および画像分類方法
EP3499418A2 (en) Information processing apparatus, identification system, setting method, and program
CN109598698B (zh) 用于对多个项进行分类的系统、方法和非暂时性计算机可读取介质
US10891508B2 (en) Image processing apparatus, method, and non-transitory computer-readable storage medium
JP6401648B2 (ja) 欠陥分類装置および欠陥分類方法
JP2004012422A (ja) パターン検査装置、パターン検査方法およびプログラム
JP2004294360A (ja) 欠陥分類方法及び装置
JP2014178229A (ja) 教師データ作成方法、画像分類方法および画像分類装置
JP2014137284A (ja) 教師データ作成支援装置、教師データ作成装置、画像分類装置、教師データ作成支援方法、教師データ作成方法および画像分類方法
KR20220012217A (ko) 반도체 시편에서의 결함들의 기계 학습 기반 분류
JP5075070B2 (ja) 教師データ作成方法、並びに、画像分類方法および画像分類装置
JP6530688B2 (ja) 分類器構築方法、画像分類方法、分類器構築装置および画像分類装置
JP2019106119A (ja) 検出システム、情報処理装置、評価方法及びプログラム
JP5075083B2 (ja) 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
JP5858817B2 (ja) 教師データ作成方法、並びに、画像分類方法および画像分類装置
KR20210086303A (ko) 딥러닝 기반 패턴 검사 장치 및 그 장치를 이용한 검사 방법
JP6871807B2 (ja) 分類器構築方法、分類器および分類器構築装置
JP6632124B2 (ja) 画像分類方法および画像分類装置
JP6425468B2 (ja) 教師データ作成支援方法、画像分類方法、教師データ作成支援装置および画像分類装置
JP2004296592A (ja) 欠陥分類装置、欠陥分類方法およびプログラム

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20140825

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20150430

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20150521

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20150715

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: 20151203

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20151215

R150 Certificate of patent or registration of utility model

Ref document number: 5858817

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250