JP7169393B2 - 半導体試料の検査に使用可能な訓練セットの生成 - Google Patents
半導体試料の検査に使用可能な訓練セットの生成 Download PDFInfo
- Publication number
- JP7169393B2 JP7169393B2 JP2021054655A JP2021054655A JP7169393B2 JP 7169393 B2 JP7169393 B2 JP 7169393B2 JP 2021054655 A JP2021054655 A JP 2021054655A JP 2021054655 A JP2021054655 A JP 2021054655A JP 7169393 B2 JP7169393 B2 JP 7169393B2
- Authority
- JP
- Japan
- Prior art keywords
- training
- patches
- batch
- original
- image
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/143—Segmentation; Edge detection involving probabilistic approaches, e.g. Markov random field [MRF] modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30148—Semiconductor; IC; Wafer
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Molecular Biology (AREA)
- Quality & Reliability (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
- Investigating Or Analysing Biological Materials (AREA)
- Steroid Compounds (AREA)
Description
(i)訓練セットは、ランタイム画像に基づく自動欠陥検出、自動欠陥レビュー、自動欠陥分類、自動セグメンテーション、および自動計測を含むグループから選択された少なくとも1つの検査プロセスに使用可能なDNNを訓練するために使用することができる。
(ii)本方法は、完了基準が満たされるまで訓練パッチの第2のバッチの生成を1回または複数回繰り返すステップと、訓練パッチの1つまたは複数のバッチを発生させるステップと、1つまたは複数のバッチを訓練セットに含めるステップと、をさらに含むことができる。
(iii)本方法は、第1の複数の元のパッチおよび/または第2の複数の元のパッチを訓練セットに含めるステップをさらに含むことができる。
(iv)所定の位置は、グリッドに従うことができる。
(v)シフトは、ランダムなオフセットでランダムな方向に従って実行することができる。
(vi)シミュレートされた変動は、プロセス変動および/またはグレーレベル変動を含むことができる。
(vii)本方法は、各訓練画像に対応する訓練パッチの第1のバッチをDNNの訓練のための第1のエポックに含めるステップと、各訓練画像に対応する訓練パッチの第2のバッチをDNNの訓練のための第2のエポックに含めるステップと、をさらに含むことができる。
(viii)訓練画像は、レビューツールから取得した高解像度画像とすることができる。
101 FPEIシステム
102 プロセッサおよびメモリ回路
104 訓練セット生成器
106 ディープニューラルネットワーク
110 設計データサーバ
120 検査ツール
122 ストレージユニット
124 グラフィカルユーザインターフェース
126 I/Oインターフェース
310、410 訓練段階
320、420 ランタイム段階
701 セグメンテーションDNN
702 FP画像
704 セグメンテーションマップ
706 水平要素
708 垂直要素
710 背景
Claims (20)
- 試料の検査に使用可能なディープニューラルネットワーク(DNN)を訓練するための訓練セットを生成するためのコンピュータ化された方法であって、
それぞれが試料の少なくとも一部を表す訓練画像のグループを取得するステップと、
前記グループ内の所与の訓練画像について、
i)訓練パッチの第1のバッチを生成するステップであり、
前記所与の訓練画像を、前記所与の訓練画像上の複数の第1の位置に従って、第1の複数の元のパッチにトリミングすること、および
前記試料の物理的プロセスによって引き起こされる変動をシミュレートするために、前記第1の複数の元のパッチの少なくとも一部を拡張し、訓練パッチの前記第1のバッチを構成する第1の複数の拡張パッチを発生させること、を含むステップ、ならびに
ii)訓練パッチの第2のバッチを生成するステップであり、
前記複数の第1の位置を前記所与の訓練画像上の複数の第2の位置にシフトし、それによって、前記複数の第2の位置に対応する第2の複数の元のパッチを取得すること、および、
前記第2の複数の元のパッチに対する前記拡張を繰り返して、第2の複数の拡張パッチを生成し、それによって、訓練パッチの第2のバッチを発生させること、を含むステップと、
前記所与の訓練画像に対応する訓練パッチの少なくとも前記第1のバッチおよび前記第2のバッチを前記訓練セットに含めるステップと、
を含む、プロセッサおよびメモリ回路(PMC)によって実行される、コンピュータ化された方法。 - 前記訓練セットが、ランタイム画像に基づく自動欠陥検出、自動欠陥レビュー、自動欠陥分類、自動セグメンテーション、および自動計測を含むグループから選択された少なくとも1つの検査プロセスに使用可能なDNNを訓練するために使用される、請求項1に記載のコンピュータ化された手法。
- 完了基準が満たされるまで訓練パッチの第2のバッチの前記生成を1回または複数回繰り返すステップと、訓練パッチの1つまたは複数のバッチを発生させるステップと、前記1つまたは複数のバッチを前記訓練セットに含めるステップと、をさらに含む、請求項1に記載のコンピュータ化された方法。
- 前記第1の複数の元のパッチおよび/または前記第2の複数の元のパッチを前記訓練セットに含めるステップをさらに含む、請求項1に記載のコンピュータ化された方法。
- 前記第1の位置が、グリッドに従って予め決定されている、請求項1に記載のコンピュータ化された方法。
- 前記第1の位置が、複数の所定の位置をランダムにシフトすることによって得られる、請求項1に記載のコンピュータ化された方法。
- 前記シフトが、ランダムなオフセットでランダムな方向に従って実行される、請求項1に記載のコンピュータ化された方法。
- 前記シミュレートされた変動が、プロセス変動およびグレーレベル変動を含むグループから選択される、請求項1に記載のコンピュータ化された方法。
- 前記第1の複数の元のパッチの少なくとも一部を前記拡張するステップが、確率関数に従って、前記第1の複数の元のパッチ内の各元のパッチを拡張するか否を判定し、それによって、肯定的な判定を有する前記第1の複数の元のパッチの前記少なくとも一部を取得するステップをさらに含む、請求項1に記載のコンピュータ化された方法。
- 前記第1の複数の元のパッチの前記少なくとも一部が、確率関数に基づいて決定されたそれぞれの拡張強度で拡張される、請求項1に記載のコンピュータ化された方法。
- 各訓練画像に対応する訓練パッチの前記第1のバッチを前記DNNの訓練のために第1のエポックに含めるステップと、各訓練画像に対応する訓練パッチの前記第2のバッチを前記DNNの訓練のために第2のエポックに含めるステップと、をさらに含む、請求項1に記載のコンピュータ化された方法。
- 試料の検査に使用可能なディープニューラルネットワーク(DNN)を訓練するための訓練セットを生成するコンピュータ化されたシステムであって、
それぞれが試料の少なくとも一部を表す訓練画像のグループを取得するステップと、
前記グループ内の所与の訓練画像について、
i)訓練パッチの第1のバッチを生成するステップであり、
前記所与の訓練画像を、前記所与の訓練画像上の複数の第1の位置に従って、第1の複数の元のパッチにトリミングすること、および
前記試料の物理的プロセスによって引き起こされる変動をシミュレートするために、前記第1の複数の元のパッチの少なくとも一部を拡張し、訓練パッチの前記第1のバッチを構成する第1の複数の拡張パッチを発生させること、を含むステップ、ならびに
ii)訓練パッチの第2のバッチを生成するステップであり、
前記複数の第1の位置を前記所与の訓練画像上の複数の第2の位置にシフトし、それによって、前記複数の第2の位置に対応する第2の複数の元のパッチを取得すること、および、
前記第2の複数の元のパッチに対する前記拡張を繰り返して、第2の複数の拡張パッチを生成し、それによって、訓練パッチの第2のバッチを発生させること、を含むステップと、
前記所与の訓練画像に対応する訓練パッチの少なくとも前記第1のバッチおよび前記第2のバッチを前記訓練セットに含めるステップと、
を行うように構成されたプロセッサおよびメモリ回路(PMC)を備える、コンピュータ化されたシステム。 - 前記訓練セットが、ランタイム画像に基づく自動欠陥検出、自動欠陥レビュー、自動欠陥分類、自動セグメンテーション、および自動計測を含むグループから選択された少なくとも1つの検査プロセスに使用可能なDNNを訓練するために使用される、請求項12に記載のコンピュータ化されたシステム。
- 前記PMCが、完了基準が満たされるまで訓練パッチの第2のバッチの前記生成を1回または複数回繰り返して、訓練パッチの1つまたは複数のバッチを発生させ、前記1つまたは複数のバッチを前記訓練セットに含めるようにさらに構成されている、請求項12に記載のコンピュータ化されたシステム。
- 前記第1の位置が、複数の所定の位置をランダムにシフトすることによって得られる、請求項12に記載のコンピュータ化されたシステム。
- 前記シフトが、ランダムなオフセットでランダムな方向に従って実行される、請求項12に記載のコンピュータ化されたシステム。
- 前記シミュレートされた変動が、プロセス変動およびグレーレベル変動を含むグループから選択される、請求項12に記載のコンピュータ化されたシステム。
- 前記PMCが、確率関数に従って、前記第1の複数の元のパッチ内の各元のパッチを拡張するか否かを判定し、それによって、肯定的な判定を有する前記第1の複数の元のパッチの前記少なくとも一部を取得することによって、前記第1の複数の元のパッチの少なくとも一部を拡張するようにさらに構成されている、請求項12に記載のコンピュータ化されたシステム。
- 前記第1の複数の元のパッチの前記少なくとも一部が、確率関数に基づいて決定されたそれぞれの拡張強度で拡張される、請求項12に記載のコンピュータ化されたシステム。
- コンピュータによって実行されると、前記コンピュータに、試料の検査に使用可能なディープニューラルネットワーク(DNN)を訓練するための訓練セットを生成する方法を実行させる命令のプログラムを明白に具現化する非一時的なコンピュータ可読ストレージ媒体であって、前記方法が
それぞれが試料の少なくとも一部を表す訓練画像のグループを取得するステップと、
前記グループ内の所与の訓練画像について、
i)訓練パッチの第1のバッチを生成するステップであり、
前記所与の訓練画像を、前記所与の訓練画像上の複数の第1の位置に従って、第1の複数の元のパッチにトリミングすること、および
前記試料の物理的プロセスによって引き起こされる変動をシミュレートするために、前記第1の複数の元のパッチの少なくとも一部を拡張し、訓練パッチの前記第1のバッチを構成する第1の複数の拡張パッチを発生させること、を含むステップ、ならびに
ii)訓練パッチの第2のバッチを生成するステップであり、
前記複数の第1の位置を前記所与の訓練画像上の複数の第2の位置にシフトし、それによって、第2の複数の元のパッチを取得すること、および
前記第2の複数の元のパッチに対する前記拡張を繰り返して、第2の複数の拡張パッチを生成し、それによって、訓練パッチの第2のバッチを発生させること、を含むステップと、
前記所与の訓練画像に対応する訓練パッチの少なくとも前記第1のバッチおよび前記第2のバッチを前記訓練セットに含めるステップと、
を含む、非一時的なコンピュータ可読ストレージ媒体。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US16/916,047 US11232550B2 (en) | 2020-06-29 | 2020-06-29 | Generating a training set usable for examination of a semiconductor specimen |
US16/916,047 | 2020-06-29 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2022013662A JP2022013662A (ja) | 2022-01-18 |
JP7169393B2 true JP7169393B2 (ja) | 2022-11-10 |
Family
ID=78989731
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2021054655A Active JP7169393B2 (ja) | 2020-06-29 | 2021-03-29 | 半導体試料の検査に使用可能な訓練セットの生成 |
Country Status (5)
Country | Link |
---|---|
US (1) | US11232550B2 (ja) |
JP (1) | JP7169393B2 (ja) |
KR (1) | KR102384568B1 (ja) |
CN (2) | CN113870170B (ja) |
TW (1) | TWI786570B (ja) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP4080406A4 (en) * | 2019-12-20 | 2022-12-28 | BOE Technology Group Co., Ltd. | SYSTEM AND METHOD FOR DISTRIBUTED PRODUCT DEFECT ANALYSIS AND COMPUTER READABLE STORAGE MEDIA |
US20240095935A1 (en) * | 2022-08-22 | 2024-03-21 | Kla Corporation | Deep learning model-based alignment for semiconductor applications |
CN116342983B (zh) * | 2023-05-29 | 2023-09-01 | 全芯智造技术有限公司 | 生成及使用图刻模型的方法、电子设备和计算机可读介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170345140A1 (en) | 2016-05-25 | 2017-11-30 | Kla-Tencor Corporation | Generating simulated images from input images for semiconductor applications |
US20200183035A1 (en) | 2018-12-11 | 2020-06-11 | Exxonmobil Upstream Research Company | Data Augmentation for Seismic Interpretation Systems and Methods |
Family Cites Families (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10359371B2 (en) * | 2015-08-24 | 2019-07-23 | Kla-Tencor Corp. | Determining one or more characteristics of a pattern of interest on a specimen |
US11205119B2 (en) * | 2015-12-22 | 2021-12-21 | Applied Materials Israel Ltd. | Method of deep learning-based examination of a semiconductor specimen and system thereof |
US9916965B2 (en) * | 2015-12-31 | 2018-03-13 | Kla-Tencor Corp. | Hybrid inspectors |
US10607119B2 (en) * | 2017-09-06 | 2020-03-31 | Kla-Tencor Corp. | Unified neural network for defect detection and classification |
US11263782B2 (en) * | 2017-10-11 | 2022-03-01 | Qualcomm Incorporated | Image signal processor for processing images |
US10776662B2 (en) * | 2017-11-09 | 2020-09-15 | Disney Enterprises, Inc. | Weakly-supervised spatial context networks to recognize features within an image |
WO2019155471A1 (en) * | 2018-02-07 | 2019-08-15 | Applied Materials Israel Ltd. | Method of deep learning-based examination of a semiconductor specimen and system thereof |
CN110945528B (zh) * | 2018-02-07 | 2021-04-02 | 应用材料以色列公司 | 产生可用于检查半导体样品的训练集的方法及其系统 |
US11199506B2 (en) * | 2018-02-21 | 2021-12-14 | Applied Materials Israel Ltd. | Generating a training set usable for examination of a semiconductor specimen |
US10599951B2 (en) * | 2018-03-28 | 2020-03-24 | Kla-Tencor Corp. | Training a neural network for defect detection in low resolution images |
US10810469B2 (en) * | 2018-05-09 | 2020-10-20 | Adobe Inc. | Extracting material properties from a single image |
US10825650B2 (en) * | 2018-09-28 | 2020-11-03 | Taiwan Semiconductor Manufacturing Co., Ltd. | Machine learning on wafer defect review |
US11097128B2 (en) * | 2019-07-16 | 2021-08-24 | Elekta Ab (Publ) | Radiotherapy treatment plans using differentiable dose functions |
US11222425B2 (en) * | 2020-02-11 | 2022-01-11 | DeepVoxel, Inc. | Organs at risk auto-contouring system and methods |
-
2020
- 2020-06-29 US US16/916,047 patent/US11232550B2/en active Active
-
2021
- 2021-03-17 TW TW110109482A patent/TWI786570B/zh active
- 2021-03-18 CN CN202110291440.7A patent/CN113870170B/zh active Active
- 2021-03-18 CN CN202211220684.7A patent/CN115471493A/zh active Pending
- 2021-03-29 JP JP2021054655A patent/JP7169393B2/ja active Active
- 2021-05-04 KR KR1020210057701A patent/KR102384568B1/ko active IP Right Grant
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170345140A1 (en) | 2016-05-25 | 2017-11-30 | Kla-Tencor Corporation | Generating simulated images from input images for semiconductor applications |
US20200183035A1 (en) | 2018-12-11 | 2020-06-11 | Exxonmobil Upstream Research Company | Data Augmentation for Seismic Interpretation Systems and Methods |
Also Published As
Publication number | Publication date |
---|---|
KR102384568B1 (ko) | 2022-04-08 |
CN113870170B (zh) | 2022-10-11 |
CN113870170A (zh) | 2021-12-31 |
TW202200992A (zh) | 2022-01-01 |
JP2022013662A (ja) | 2022-01-18 |
US20210407072A1 (en) | 2021-12-30 |
TWI786570B (zh) | 2022-12-11 |
KR20220001445A (ko) | 2022-01-05 |
US11232550B2 (en) | 2022-01-25 |
CN115471493A (zh) | 2022-12-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102613438B1 (ko) | 반도체 표본의 딥 러닝 - 기반 검사의 방법 및 그 시스템 | |
US11199506B2 (en) | Generating a training set usable for examination of a semiconductor specimen | |
KR102176335B1 (ko) | 반도체 시편의 시험을 위해 사용 가능한 훈련 세트를 생성하는 방법 및 그 시스템 | |
JP7169393B2 (ja) | 半導体試料の検査に使用可能な訓練セットの生成 | |
CN114219749B (zh) | 样本的模拟图像的确定 | |
CN117670789A (zh) | 对半导体样本的缺陷检查 | |
US11631179B2 (en) | Segmentation of an image of a semiconductor specimen | |
US11645831B2 (en) | Identification of an array in a semiconductor specimen | |
US20230306580A1 (en) | Machine learning based examination of a semiconductor specimen and training thereof |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220104 |
|
A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20220104 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20220406 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220701 |
|
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: 20220928 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20221028 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7169393 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |