KR102529354B1 - 학습 장치, 검사 장치, 학습 방법 및 검사 방법 - Google Patents

학습 장치, 검사 장치, 학습 방법 및 검사 방법 Download PDF

Info

Publication number
KR102529354B1
KR102529354B1 KR1020200113813A KR20200113813A KR102529354B1 KR 102529354 B1 KR102529354 B1 KR 102529354B1 KR 1020200113813 A KR1020200113813 A KR 1020200113813A KR 20200113813 A KR20200113813 A KR 20200113813A KR 102529354 B1 KR102529354 B1 KR 102529354B1
Authority
KR
South Korea
Prior art keywords
image
inspection
learning
substrate
defect
Prior art date
Application number
KR1020200113813A
Other languages
English (en)
Other versions
KR20210033900A (ko
Inventor
준이치 시오미
Original Assignee
가부시키가이샤 스크린 홀딩스
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 가부시키가이샤 스크린 홀딩스 filed Critical 가부시키가이샤 스크린 홀딩스
Publication of KR20210033900A publication Critical patent/KR20210033900A/ko
Application granted granted Critical
Publication of KR102529354B1 publication Critical patent/KR102529354B1/ko

Links

Images

Classifications

    • 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
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
    • H01L22/10—Measuring as part of the manufacturing process
    • H01L22/12—Measuring as part of the manufacturing process for structural parameters, e.g. thickness, line width, refractive index, temperature, warp, bond strength, defects, optical inspection, electrical measurement of structural dimensions, metallurgic measurement of diffusions
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • G01N21/9501—Semiconductor wafers
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • G01N21/9515—Objects of complex shape, e.g. examined with use of a surface follower device
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • G01N21/956—Inspecting patterns on the surface of objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
    • H01L22/20—Sequence of activities consisting of a plurality of measurements, corrections, marking or sorting steps
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
    • H01L22/30—Structural arrangements specially adapted for testing or measuring during manufacture or treatment, or specially adapted for reliability measurements
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • G01N21/956—Inspecting patterns on the surface of objects
    • G01N2021/95638—Inspecting patterns on the surface of objects for PCB's
    • 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
    • G06T2207/30141—Printed circuit board [PCB]
    • 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
    • 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
    • G06T2207/30168—Image quality inspection

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Manufacturing & Machinery (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Biochemistry (AREA)
  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Software Systems (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Power Engineering (AREA)
  • Computer Hardware Design (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Medical Informatics (AREA)
  • Signal Processing (AREA)
  • Quality & Reliability (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
  • Image Analysis (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)
  • Analysing Materials By The Use Of Radiation (AREA)

Abstract

학습 장치에서는, 제 2 입력부 (402) 는, 제 1 데이터 중의 가결함 화상을 진결함의 유무에 따라 재분류한 제 2 데이터를 입력한다. 학습부 (403) 는, 제 2 데이터에 있어서, 가결함 화상에 대한 가중치 부여를 실시하여 학습용 데이터 세트를 생성한다. 학습부 (403) 는, 당해 학습용 데이터 세트를 사용한 기계 학습에 의해, 기판 화상과 결함의 유무의 관계를 학습시켜 학습 완료 모델을 생성한다. 학습부 (403) 에 의한 학습용 데이터 세트의 생성에서는, 가결함 화상이 진결함을 갖는다고 재분류된 경우, 복수의 가중 계수 중 진결함의 중요도에 따라 선택된 가중 계수를 당해 가결함 화상에 승산한 후에 「결함 있음」 으로 분류한다. 이로써, 학습용 데이터 세트의 용량을 저감하면서, 고정밀도의 기판 검사를 실현한다.

Description

학습 장치, 검사 장치, 학습 방법 및 검사 방법{LEARNING APPARATUS, INSPECTION APPARATUS, LEARNING METHOD AND INSPECTION METHOD}
본 발명은, 표면 상에 패턴을 갖는 기판을 검사하는 기술에 관한 것이다.
종래, 프린트 배선 기판의 검사에서는, 검사 장치에 의해 프린트 배선 기판의 각 영역의 화상이 검사되고, 결함을 갖는다고 판단된 화상 (이하, 「결함 화상」이라고 부른다.) 이 추출된다. 그리고, 추출된 결함 화상에 대해 작업자에 의한 결함 확인 작업 (이른바, 베리파이 작업) 이 실시된다. 검사 장치에 의해 추출되는 결함에는, 품질상 문제가 될 가능성이 높은 진(眞)결함과, 품질상 문제가 될 가능성이 실질적으로 없는 허보 (虛報) 가 포함되어 있고, 상기 서술한 결함 확인 작업에서는, 검사 장치에 의해 추출된 결함 화상으로부터, 작업자가 육안에 의해 진결함을 추출하고 있다.
한편, 일본 특허 제6512585호 (문헌 1) 에서는, 금속 벨로우즈와 같은 부품의 외관 검사 장치에 있어서, 사전에 준비된 다수의 양부 화상 데이터를 사용한 딥 러닝에 의해 학습 바이너리 파일을 작성하고, 당해 학습 바이너리 파일에 의해 피검사 화상에 대한 화상 처리를 실시하여 양부 판정을 실시하는 것이 제안되어 있다.
그런데, 프린트 배선 기판의 검사 장치에 있어서, 결함 화상의 추출에 문헌 1 과 같은 딥 러닝 기술을 적용하는 경우, 결함 화상에 포함되는 허보의 비율을 저감하여 검사 정밀도를 향상시키고자 하면, 학습 처리에 필요한 화상수가 방대하게 되어 (즉, 학습용 데이터 세트의 용량이 방대하게 되어), 학습에 다대한 시간을 필요로 할 우려가 있다.
본 발명은, 표면 상에 패턴을 갖는 기판을 검사할 때에 이용되는 학습 완료 모델을 제작하는 학습 장치에 관한 것이고, 학습용 데이터 세트의 용량을 저감하면서, 고정밀도의 기판 검사를 실현하는 것을 목적으로 하고 있다.
본 발명의 바람직한 일 형태에 관련된 학습 장치는, 기판 화상이 결함을 갖는 가(假)결함 화상과 결함을 가지지 않는 가양품 (假良品) 화상으로 분류된 제 1 데이터를 입력하는 제 1 입력부와, 상기 제 1 데이터 중의 상기 가결함 화상을 진결함의 유무에 따라 재분류한 제 2 데이터를 입력하는 제 2 입력부와, 상기 제 2 데이터에 있어서 상기 가결함 화상에 대한 가중치 부여를 실시하여 학습용 데이터 세트를 생성하고, 상기 학습용 데이터 세트를 사용한 기계 학습에 의해, 기판 화상과 결함의 유무의 관계를 학습시켜 학습 완료 모델을 제작하는 학습부를 구비한다. 상기 학습부에 의한 상기 학습용 데이터 세트의 생성에서는, 상기 가결함 화상이 진결함을 갖는다고 재분류된 경우, 복수의 가중 계수 중 상기 진결함의 중요도에 따라 선택된 가중 계수를 상기 가결함 화상에 승산한 후에 결함 있음으로 분류하고, 상기 가결함 화상이 진결함을 가지지 않는다고 재분류된 경우, 상기 가결함 화상을 결함 없음으로 분류한다.
본 발명에 의하면, 학습용 데이터 세트의 용량을 저감하면서, 고정밀도의 기판 검사를 실현할 수 있다.
바람직하게는, 상기 복수의 가중 계수는, 상기 기판 상에 있어서 진결함이 위치하는 영역의 중요도가 높아짐에 따라 커진다.
바람직하게는, 상기 복수의 가중 계수는, 복수 종류의 검사 중 진결함이 검출된 검사의 종류의 중요도가 높아짐에 따라 커진다.
본 발명은, 표면 상에 패턴을 갖는 기판을 검사하는 검사 장치에도 관한 것이다. 본 발명의 바람직한 일 형태에 관련된 검사 장치는, 기판을 촬상하여 얻어진 피검사 화상을, 상기 서술한 학습 장치에 의해 제작된 학습 완료 모델을 이용하여 검사하는 검사부를 구비한다.
본 발명의 바람직한 다른 형태에 관련된 검사 장치는, 상기 서술한 학습 장치와, 기판을 촬상하여 얻어진 피검사 화상을, 상기 학습 장치에 의해 제작된 학습 완료 모델을 이용하여 검사하는 검사부를 구비한다.
바람직하게는, 상기 학습 장치의 상기 제 2 입력부는, 상기 검사부에 의해 얻어진 결함 화상을 상기 가결함 화상으로 하여 진결함의 유무에 따라 재분류한 새로운 제 2 데이터를 입력한다. 상기 학습부는, 상기 새로운 제 2 데이터에 있어서 상기 가결함 화상에 대한 가중치 부여를 실시하여 새로운 학습용 데이터 세트를 생성하고, 상기 새로운 학습용 데이터 세트를 사용한 기계 학습에 의해, 기판 화상과 결함의 유무의 관계를 상기 학습 완료 모델에 재학습시킨다.
바람직하게는, 기판을 촬상하여 상기 피검사 화상을 취득하는 촬상부를 추가로 구비한다.
본 발명은, 표면 상에 패턴을 갖는 기판을 검사할 때에 이용되는 학습 완료 모델을 제작하는 학습 방법에도 관한 것이다. 본 발명의 바람직한 일 형태에 관련된 학습 방법은, a) 기판 화상이 결함을 갖는 가결함 화상과 결함을 가지지 않는 가양품 화상으로 분류된 제 1 데이터를 입력하는 공정과, b) 상기 제 1 데이터 중의 상기 가결함 화상을 진결함의 유무에 따라 재분류한 제 2 데이터를 입력하는 공정과, c) 상기 제 2 데이터에 있어서 상기 가결함 화상에 대한 가중치 부여를 실시하여 학습용 데이터 세트를 생성하고, 상기 학습용 데이터 세트를 사용한 기계 학습에 의해, 기판 화상과 결함의 유무의 관계를 학습시켜 학습 완료 모델을 제작하는 공정을 구비한다. 상기 c) 공정에 있어서의 상기 학습용 데이터 세트의 생성에서는, 상기 가결함 화상이 진결함을 갖는다고 재분류된 경우, 복수의 가중 계수 중 상기 진결함의 중요도에 따라 선택된 가중 계수를 상기 가결함 화상에 승산한 후에 결함 있음으로 분류하고, 상기 가결함 화상이 진결함을 가지지 않는다고 재분류된 경우, 상기 가결함 화상을 결함 없음으로 분류한다.
바람직하게는, 상기 복수의 가중 계수는, 상기 기판 상에 있어서 진결함이 위치하는 영역의 중요도가 높아짐에 따라 커진다.
바람직하게는, 상기 복수의 가중 계수는, 복수 종류의 검사 중 진결함이 검출된 검사의 종류의 중요도가 높아짐에 따라 커진다.
본 발명은, 표면 상에 패턴을 갖는 기판을 검사하는 검사 방법에도 관한 것이다. 본 발명의 바람직한 일 형태에 관련된 검사 방법은, 기판을 촬상하여 얻어진 피검사 화상을, 상기 서술한 학습 방법에 의해 제작된 학습 완료 모델을 이용하여 검사하는 공정을 구비한다.
본 발명의 바람직한 다른 형태에 관련된 검사 방법은, d) 상기 서술한 학습 방법에 의해 학습 완료 모델을 제작하는 공정과, e) 기판을 촬상하여 얻어진 피검사 화상을, 상기 d) 공정에 있어서 제작된 상기 학습 완료 모델을 이용하여 검사하는 공정을 구비한다.
바람직하게는, f) 상기 e) 공정에 있어서 얻어진 결함 화상을 상기 가결함 화상으로 하여 진결함의 유무에 따라 재분류한 새로운 제 2 데이터를 입력하는 공정과, g) 상기 새로운 제 2 데이터에 있어서 상기 가결함 화상에 대한 가중치 부여를 실시하여 새로운 학습용 데이터 세트를 생성하고, 상기 새로운 학습용 데이터 세트를 사용한 기계 학습에 의해, 기판 화상과 결함의 유무의 관계를 상기 학습 완료 모델에 재학습시키는 공정을 추가로 구비한다.
바람직하게는, 기판을 촬상하여 상기 피검사 화상을 취득하는 공정을 추가로 구비한다.
상기 서술한 목적 및 다른 목적, 특징, 양태 및 이점은, 첨부한 도면을 참조하여 이하에 실시하는 본 발명의 상세한 설명에 의해 명확하게 된다.
도 1 은 검사 장치의 구성을 나타내는 도면이다.
도 2 는 제 1 컴퓨터의 구성을 나타내는 도면이다.
도 3 은 제 1 컴퓨터에 의해 실현되는 기능 구성을 나타내는 도면이다.
도 4 는 제 2 컴퓨터의 구성을 나타내는 도면이다.
도 5 는 제 2 컴퓨터에 의해 실현되는 기능 구성을 나타내는 도면이다.
도 6 은 학습 완료 모델의 제작의 흐름을 나타내는 도면이다.
도 7 은 학습 완료 모델의 제작의 양태를 나타내는 도면이다.
도 8 은 기판 상의 복수 종류의 영역을 나타내는 도면이다.
도 9 는 기판 상의 복수 종류의 영역을 나타내는 도면이다.
도 10 은 기판의 검사의 흐름을 나타내는 도면이다.
도 11 은 학습 완료 모델의 재학습의 흐름을 나타내는 도면이다.
도 1 은, 본 발명의 일 실시형태에 관련된 검사 장치 (1) 의 구성을 나타내는 도면이다. 검사 장치 (1) 는, 예를 들어, 전자 부품이 실장되기 전의 프린트 배선 기판 (9) (이하, 간단히 「기판 (9)」이라고도 부른다.) 의 외관을 검사하는 장치이다. 기판 (9) 의 표면 상에는, 패턴 (예를 들어, 구리에 의한 배선 패턴이나 전극 패턴) 이 형성되어 있다. 기판 (9) 상에는, 예를 들어, 구리 도금이 노출되어 있는 영역, 구리 배선이 보호막인 솔더 레지스트에 의해 피복되어 있는 영역, 및, 기재 표면 상에 직접적으로 솔더 레지스트가 배치되어 있는 영역이 존재한다.
검사 장치 (1) 는, 기판 (9) 을 촬상하는 장치 본체 (2) 와, 제 1 컴퓨터 (3) 와, 제 2 컴퓨터 (4) 를 구비한다. 제 1 컴퓨터 (3) 및 제 2 컴퓨터 (4) 는 각각, 연산부를 포함하는 처리 장치이다. 제 1 컴퓨터 (3) 는, 검사 장치 (1) 의 전체 동작의 제어도 실시한다. 제 2 컴퓨터 (4) 는, 후술하는 학습 완료 모델의 제작을 실시하는 학습 장치이다. 장치 본체 (2) 는, 촬상부 (21) 와, 기판 (9) 을 유지하는 스테이지 (22) 와, 스테이지 이동 기구 (23) 를 갖는다. 촬상부 (21) 는, 기판 (9) 을 촬상하여 화상을 취득한다. 당해 화상은, 예를 들어, 다계조의 컬러 화상이다. 스테이지 이동 기구 (23) 는, 촬상부 (21) 에 대해 스테이지 (22) 를 상대적으로 이동시킨다.
촬상부 (21) 는, 조명광을 출사하는 조명부 (211) 와, 광학계 (212) 와, 촬상 디바이스 (213) 를 갖는다. 광학계 (212) 는, 기판 (9) 으로 조명광을 유도함과 함께 기판 (9) 으로부터의 광을 촬상 디바이스 (213) 로 유도한다. 촬상 디바이스 (213) 는, 광학계 (212) 에 의해 결상된 기판 (9) 의 상을 전기 신호로 변환한다. 조명부 (211) 는, LED 나 전구 등의 램프와, 램프로부터의 광을 조절하는 렌즈나 반사 부재 등의 광학 요소를 포함한다. 광학계 (212) 는, 복수의 렌즈나 하프 미러 등의 광학 요소를 포함한다. 촬상 디바이스 (213) 는, 예를 들어, 2 차원의 이메징 센서이다. 촬상 디바이스 (213) 는 1 차원의 이메징 센서여도 되고, 이 경우, 스테이지 (22) 를 이동하면서 촬상이 실시된다.
스테이지 이동 기구 (23) 는 볼 나사, 가이드 레일, 모터 등에 의해 구성된다. 물론, 스테이지 이동 기구 (23) 로서 다양한 기구가 채용 가능하고, 예를 들어, 리니어 모터가 이용 가능하다. 제 1 컴퓨터 (3) 가 스테이지 이동 기구 (23) 및 촬상부 (21) 를 제어함으로써, 스테이지 (22) 가 수평 방향으로 이동하여 기판 (9) 상의 원하는 영역이 촬상된다. 스테이지 (22) 는 기판 (9) 을 유지하는 유지부이다. 기판 (9) 의 유지는 다양한 방법으로 실시되어도 된다. 예를 들어, 스테이지 (22) 에 홈이 형성되고, 홈 내에 형성된 흡인구로부터 흡인이 실시됨으로써, 기판 (9) 이 스테이지 (22) 상에 흡착된다. 스테이지 (22) 에 다수의 흡인구가 형성되어 기판 (9) 이 흡착되어도 된다. 스테이지 (22) 를 다공질 재료로 형성하고, 다공질 재료로부터 흡인이 실시되어도 된다. 스테이지 (22) 는 기계적인 기구에 의해 기판 (9) 을 유지해도 된다.
도 2 는 제 1 컴퓨터 (3) 의 구성을 나타내는 도면이다. 제 1 컴퓨터 (3) 는, CPU (31) 와, ROM (32) 과, RAM (33) 과, 고정 디스크 (34) 와, 디스플레이 (35) 와, 입력부 (36) 와, 판독 장치 (37) 와, 통신부 (38) 와, GPU (39) 와, 버스 (30) 를 포함하는 일반적인 컴퓨터 시스템의 구성을 갖는다. CPU (31) 는, 각종 연산 처리를 실시한다. GPU (39) 는, 화상 처리에 관한 각종 연산 처리를 실시한다. ROM (32) 은, 기본 프로그램을 기억한다. RAM (33) 은, 각종 정보를 기억한다. 고정 디스크 (34) 는, 정보 기억을 실시한다. 디스플레이 (35) 는, 화상 등의 각종 정보의 표시를 실시한다. 입력부 (36) 는, 조작자로부터의 입력을 받아들이는 키보드 (36a) 및 마우스 (36b) 를 구비한다. 판독 장치 (37) 는, 광 디스크, 자기 디스크, 광 자기 디스크, 메모리 카드 등의 컴퓨터 판독 가능한 기록 매체 (81) 로부터 정보의 판독을 실시한다. 디스플레이 (35), 키보드 (36a), 마우스 (36b) 및 판독 장치 (37) 는, 인터페이스 (I/F) 를 통하여 버스 (30) 에 접속된다. 통신부 (38) 는, 검사 장치 (1) 의 다른 구성, 및, 외부 장치와의 간에서 신호를 송수신한다. 버스 (30) 는, CPU (31), GPU (39), ROM (32), RAM (33), 고정 디스크 (34), 디스플레이 (35), 입력부 (36), 판독 장치 (37) 및 통신부 (38) 를 접속하는 신호 회로이다.
제 1 컴퓨터 (3) 에서는, 사전에 판독 장치 (37) 를 통하여 기록 매체 (81) 로부터 프로그램 (811) 이 판독 출력되어 고정 디스크 (34) 에 기억되어 있다. 프로그램 (811) 은 네트워크를 통하여 고정 디스크 (34) 에 기억되어도 된다. CPU (31) 및 GPU (39) 는, 프로그램 (811) 에 따라 RAM (33) 이나 고정 디스크 (34) 를 이용하면서 연산 처리를 실행한다. CPU (31) 및 GPU (39) 는, 제 1 컴퓨터 (3) 에 있어서 연산부로서 기능한다. CPU (31) 및 GPU (39) 이외에 연산부로서 기능하는 다른 구성이 채용되어도 된다.
도 3 은, 제 1 컴퓨터 (3) 가 프로그램 (811) 에 따라 연산 처리 등을 실행함으로써 실현되는 기능 구성을 나타내는 도면이다. 이들 기능 구성에는, 기억부 (301) 와, 검사부 (302) 와, 제어부 (303) 가 포함된다. 이들 기능의 전부 또는 일부는 전용의 전기 회로에 의해 실현되어도 된다. 또, 복수의 컴퓨터에 의해 이들 기능이 실현되어도 된다. 도 3 에 나타내는 기능 구성 중, 검사부 (302) 및 제어부 (303) 는, CPU (31), GPU (39), ROM (32), RAM (33), 고정 디스크 (34) 및 이들의 주변 구성에 의해 실현된다. 또, 기억부 (301) 는, 주로 RAM (33) 및 고정 디스크 (34) 에 의해 실현된다.
기억부 (301) 는, 촬상부 (21) 에 의해 취득된 기판 (9) 의 화상, 및, 후술하는 학습 완료 모델 등을 기억한다. 검사부 (302) 는, 기억부 (301) 에 기억되어 있는 당해 학습 완료 모델을 이용하여 기판 (9) 의 화상을 검사하고, 결함의 유무에 따라 당해 화상을 분류하는 분류기이다. 제어부 (303) 는, 촬상부 (21) 및 스테이지 이동 기구 (23), 그리고, 각 기능 구성의 동작을 제어한다.
도 4 는 제 2 컴퓨터 (4) 의 구성을 나타내는 도면이다. 제 2 컴퓨터 (4) 는, 제 1 컴퓨터 (3) 와 대략 동일하게, CPU (41) 와, ROM (42) 과, RAM (43) 과, 고정 디스크 (44) 와, 디스플레이 (45) 와, 입력부 (46) 와, 판독 장치 (47) 와, 통신부 (48) 와, GPU (49) 와, 버스 (40) 를 포함하는 일반적인 컴퓨터 시스템의 구성을 갖는다. CPU (41) 는, 각종 연산 처리를 실시한다. GPU (49) 는, 화상 처리에 관한 각종 연산 처리를 실시한다. ROM (42) 은, 기본 프로그램을 기억한다. RAM (43) 은, 각종 정보를 기억한다. 고정 디스크 (44) 는, 정보 기억을 실시한다. 디스플레이 (45) 는, 화상 등의 각종 정보의 표시를 실시한다. 입력부 (46) 는, 조작자로부터의 입력을 받아들이는 키보드 (46a) 및 마우스 (46b) 를 구비한다. 판독 장치 (47) 는, 광 디스크, 자기 디스크, 광 자기 디스크, 메모리 카드 등의 컴퓨터 판독 가능한 기록 매체 (82) 로부터 정보의 판독을 실시한다. 디스플레이 (45), 키보드 (46a), 마우스 (46b) 및 판독 장치 (47) 는, 인터페이스 (I/F) 를 통하여 버스 (40) 에 접속된다. 통신부 (48) 는, 검사 장치 (1) 의 다른 구성, 및, 외부 장치와의 사이에서 신호를 송수신한다. 버스 (40) 는, CPU (41), GPU (49), ROM (42), RAM (43), 고정 디스크 (44), 디스플레이 (45), 입력부 (46), 판독 장치 (47) 및 통신부 (48) 를 접속하는 신호 회로이다.
제 2 컴퓨터 (4) 에서는, 사전에 판독 장치 (47) 를 통하여 기록 매체 (82) 로부터 프로그램 (821) 이 판독 출력되어 고정 디스크 (44) 에 기억되어 있다. 프로그램 (821) 은 네트워크를 통하여 고정 디스크 (44) 에 기억되어도 된다. CPU (41) 및 GPU (49) 는, 프로그램 (821) 에 따라 RAM (43) 이나 고정 디스크 (44) 를 이용하면서 연산 처리를 실행한다. CPU (41) 및 GPU (49) 는, 제 2 컴퓨터 (4) 에 있어서 연산부로서 기능한다. CPU (41) 및 GPU (49) 이외에 연산부로서 기능하는 다른 구성이 채용되어도 된다.
도 5 는, 제 2 컴퓨터 (4) 가 프로그램 (821) 에 따라 연산 처리 등을 실행함으로써 실현되는 기능 구성을 나타내는 도면이다. 이들 기능 구성에는, 제 1 입력부 (401) 와, 제 2 입력부 (402) 와, 학습부 (403) 와, 기억부 (404) 가 포함된다. 이들 기능의 전부 또는 일부는 전용의 전기 회로에 의해 실현되어도 된다. 또, 복수의 컴퓨터에 의해 이들 기능이 실현되어도 된다. 도 5 에 나타내는 기능 구성 중, 제 1 입력부 (401), 제 2 입력부 (402) 및 학습부 (403) 는, CPU (41), GPU (49), ROM (42), RAM (43), 고정 디스크 (44) 및 이들의 주변 구성에 의해 실현된다. 또, 기억부 (404) 는, 주로 RAM (43) 및 고정 디스크 (44) 에 의해 실현된다.
제 1 입력부 (401) 는, 분류된 기판 (9) 의 화상 (이하, 「기판 화상」이라고 부른다.) 의 집합인 제 1 데이터를 기억부 (404) 에 입력한다. 제 2 입력부 (402) 는, 재분류된 기판 화상의 집합인 제 2 데이터를 기억부 (404) 에 입력한다. 기억부 (404) 는, 제 1 입력부 (401) 및 제 2 입력부 (402) 로부터 입력된 데이터 등을 기억한다. 기판 화상의 분류 및 재분류의 상세한 것에 대하여는, 후술한다.
학습부 (403) 는, 제 2 데이터로부터 학습용 데이터 세트를 생성하고, 당해 학습용 데이터 세트를 사용한 기계 학습에 의해, 상기 검사부 (302) 에 의한 검사에 이용되는 학습 완료 모델을 제작한다. 학습부 (403) 에서는, 검사용의 초기 모델에 대해, 기판 화상과 결함의 유무의 관계를 기계 학습시킴으로써, 학습 완료 모델이 제작된다. 학습용 데이터 세트의 상세한 것에 대하여는, 후술한다. 학습부 (403) 에 있어서의 기계 학습은, 예를 들어, 뉴럴 네트워크를 사용한 딥 러닝에 의해 실시된다. 당해 딥 러닝에 의한 학습은, 예를 들어, ResNet 를 사용하여 실시된다. 또한, 당해 기계 학습은, 딥 러닝 이외의 방법에 의해 실시되어도 된다.
도 6 은, 검사 장치 (1) 에 있어서의 학습 완료 모델의 제작의 흐름을 나타내는 도면이다. 도 7 은, 학습 완료 모델의 제작의 양태를 나타내는 도면이다. 학습 완료 모델의 제작에서는, 먼저, 기판 (9) 을 촬상하여 얻어진 화상으로부터 추출된 다양한 영역의 화상 (즉, 기판 화상) 이 다수 준비된다 (스텝 S11). 이하의 설명에서는, 당해 다수의 기판 화상을 「기판 화상군」이라고 부른다. 기판 화상군은, 바람직하게는, 검사 장치 (1) 의 촬상부 (21) 에 의해 취득된다. 또한, 상기 기판 화상군에는, 복수의 기판 (9) 을 각각 촬상한 화상이 포함되는 것이 바람직하다.
기판 (9) 에서는, 구리 배선이나 기재 상에 솔더 레지스트로 불리는 보호막이 형성되어 있고, 기판 (9) 상에는, 다양한 종류의 영역이 존재한다. 예를 들어, 구리 도금이 노출되는 영역, 구리 배선 상에 솔더 레지스트가 존재하는 영역, 및, 기재 상에 솔더 레지스트가 존재하는 영역 등이 기판 (9) 상에 존재한다.
도 8 에 나타내는 바와 같이, 구리 도금이 노출되는 영역에는, 노출되는 각 도금부의 면적이 작은 소면적 도금 영역 (93a), 노출되는 각 도금부의 면적이 큰 대면적 도금 영역 (93c), 노출되는 각 도금부의 면적이 중간 정도인 중면적 도금 영역 (93b) 이 포함된다. 소면적 도금 영역 (93a) 에서는, 도통 등에 대한 결함에 의한 악영향이, 중면적 도금 영역 (93b) 및 대면적 도금 영역 (93c) 에 비해 크다. 또, 중면적 도금 영역 (93b) 에서는, 도통 등에 대한 결함에 의한 악영향이, 대면적 도금 영역 (93c) 에 비해 크다. 바꾸어 말하면, 기판 (9) 상에 있어서 결함이 위치하는 영역의 중요도는, 대면적 도금 영역 (93c), 중면적 도금 영역 (93b), 소면적 도금 영역 (93a) 의 순서로 높아진다.
도 9 에 나타내는 바와 같이, 솔더 레지스트로 피복되어 있는 영역에는, 솔더 레지스트 아래의 배선이 세선 패턴인 세선 SR 영역 (94a), 솔더 레지스트 아래의 배선이 표준적인 패턴인 표준 배선 SR 영역 (94b), 및, 솔더 레지스트 아래에 배선이 존재하지 않고 기재만이 존재하는 기재 SR 영역 (94c) 이 포함된다. 세선 SR 영역 (94a) 에서는, 도통 등에 대한 결함에 의한 악영향이, 표준 배선 SR 영역 (94b) 및 기재 SR 영역 (94c) 에 비해 크다. 또, 표준 배선 SR 영역 (94b) 에서는, 도통 등에 대한 결함에 의한 악영향이, 기재 SR 영역 (94c) 에 비해 크다. 바꾸어 말하면, 기판 (9) 상에 있어서 결함이 위치하는 영역의 중요도는, 기재 SR 영역 (94c), 표준 배선 SR 영역 (94b), 세선 SR 영역 (94a) 의 순서로 높아진다.
준비된 기판 화상군 (즉, 다수의 기판 화상) 은, 도 7 에 나타내는 바와 같이, 결함을 갖는 가결함 화상과, 결함을 가지지 않는 가양품 화상으로 분류된다. 분류된 기판 화상군은, 제 2 컴퓨터 (4) 에 있어서, 제 1 입력부 (401) 에 의해 제 1 데이터로서 기억부 (404) 에 입력된다 (스텝 S12). 스텝 S12 에 있어서의 기판 화상군의 분류 (즉, 검사) 는, 다양한 공지된 방법에 의해 실시된다. 예를 들어, 공지된 외관 검사 장치에 의해, 각 기판 화상과 결함을 가지지 않는 기준 기판 화상이 비교되고, 유의한 차이가 존재하는 기판 화상은 가결함 화상으로 분류되고, 그 이외의 기판 화상은 가양품 화상으로 분류된다.
스텝 S12 에 있어서의 기판 화상군의 분류에서는, 복수 종류의 결함 검사가 실시된다. 예를 들어, 도금부의 검사에서는, 도금부 상의 이물질 등을 검출하는 도금 이물질 검사나, 도금부에 있어서의 도금의 농담을 검출하는 도금 다치 (多値) 검사가 실시된다. 도금 이물질 검사에 있어서 검출되는 결함 (예를 들어, 도금부 상의 이물질이나 도금부의 결손) 은, 도통 등에 대한 악영향이, 도금 다치 검사에 있어서 검출되는 결함 (예를 들어, 도금부의 변색, 오염, 흠집 등) 에 비해 크다. 바꾸어 말하면, 검사의 종류의 중요도는, 도금 다치 검사, 도금 이물질 검사의 순서로 높아진다.
또, 예를 들어, 솔더 레지스트의 검사에서는, 솔더 레지스트의 박리를 검출하는 SR 박리 검사나, 솔더 레지스트의 농담을 검출하는 SR 불균일 검사가 실시된다. SR 박리 검사에 있어서 검출되는 결함 (예를 들어, 솔더 레지스트의 박리에 의한 배선의 노출) 은, 도통 등에 대한 악영향이, SR 불균일 검사에 있어서 검출되는 결함 (예를 들어, 솔더 레지스트의 밝은 또는 어두운 불균일) 에 비해 크다. 바꾸어 말하면, 검사의 종류의 중요도는, SR 불균일 검사, SR 박리 검사의 순서로 높아진다.
제 1 데이터에서는, 각 가결함 화상의 기판 (9) 상에 있어서의 영역의 종류, 및, 결함이 검출된 검사의 종류가, 각 가결함 화상과 조합되어 있다. 제 1 데이터에 있어서 각 가결함 화상에 관련지어지는 상기 서술한 「검사 영역 종류」 및 「검사 종류」는, 예를 들어, 텍스트 데이터로 표현된다.
계속해서, 스텝 S12 에 있어서 기억부 (404) 에 기억된 제 1 데이터 중, 모든 가결함 화상 (이하, 「가결함 화상군」이라고도 부른다.) 이 추출되고, 디스플레이 (45) 에 표시된다. 그리고, 작업자의 육안에 의해, 도 7 에 나타내는 바와 같이, 가결함 화상군을 진결함의 유무에 따라 재분류하는 작업 (이른바, 베리파이) 이 실시된다. 진결함이란, 기판 (9) 의 성능에 실질적인 악영향을 미치기 때문에, 기판 (9) 이 제품으로서 출하 불능이라고 판단되는 결함을 의미한다. 상기 서술한 베리파이에서는, 예를 들어, 작업자가 가결함 화상을 육안으로 보아 진결함이 존재한다고 판단한 경우, 당해 가결함 화상을 우클릭하고, 풀다운 메뉴에서 「진결함」을 선택함으로써, 당해 가결함 화상이 진결함 폴더에 격납된다. 또, 작업자가 가결함 화상을 육안으로 보아 진결함이 존재하지 않는다고 판단한 경우, 당해 가결함 화상을 우클릭하고, 풀다운 메뉴에서 「허보」를 선택함으로써, 당해 가결함 화상이 허보 폴더에 격납된다.
상기 서술한 베리파이에 의해 재분류된 가결함 화상군은, 제 2 컴퓨터 (4) 에 있어서, 제 2 입력부 (402) 에 의해 제 2 데이터로서 기억부 (404) 에 입력된다 (스텝 S13). 제 2 데이터에서는, 각 가결함 화상과, 상기 서술한 검사 영역 종류 및 검사 종류와, 베리파이 결과 (즉, 진결함의 유무를 나타내는 정보) 가 관련지어져 있다.
다음으로, 학습부 (403) 에 의해, 제 2 데이터에 기초하여 학습용 데이터 세트가 생성된다 (스텝 S14). 스텝 S14 에서는, 제 2 데이터에 있어서 가결함 화상에 대한 가중치 부여가 실시된다. 구체적으로는, 스텝 S13 에 있어서 가결함 화상이 진결함을 갖는다고 재분류된 경우, 스텝 S14 에서는, 미리 준비되어 있는 복수의 가중 계수로부터, 당해 진결함의 중요도에 따라 하나의 가중 계수가 선택되고, 가결함 화상에 승산된다. 그리고, 가중 계수가 승산된 가결함 화상이, 「결함 있음」으로 분류된다. 한편, 스텝 S13 에 있어서 가결함 화상이 진결함을 가지지 않는다고 재분류된 경우, 스텝 S14 에서는, 당해 가결함 화상에 가중 계수는 승산되지 않고, 「결함 없음」으로 분류된다.
상기 서술한 복수의 가중 계수는, 가결함 화상에 관련지어진 검사 영역 종류 및 검사 종류 등에 따라 미리 설정되고, 기억부 (404) 에 기억되어 있다. 본 실시형태에서는, 가중 계수는, 검사 영역 종류 (즉, 기판 (9) 상에 있어서 진결함이 위치하는 영역) 의 중요도가 높아짐에 따라 커진다. 또, 가중 계수는, 검사 종류 (즉, 진결함이 검출된 검사의 종류) 의 중요도가 높아짐에 따라 커진다. 상기 서술한 복수의 가중 계수는, 예를 들어, 0 ∼ 1 사이에서 설정된다.
구체적으로는, 예를 들어, 검사 영역 종류가 소면적 도금 영역 (93a), 또한, 검사 종류가 도금 이물질 검사인 경우의 가중 계수는, 검사 영역 종류가 중면적 도금 영역 (93b), 또한, 검사 종류가 도금 이물질 검사인 경우의 가중 계수보다 크다. 또, 검사 영역 종류가 소면적 도금 영역 (93a), 또한, 검사 종류가 도금 이물질 검사인 경우의 가중 계수는, 검사 영역 종류가 소면적 도금 영역 (93a), 또한, 검사 종류가 도금 다치 검사인 경우의 가중 계수보다 크다. 검사 영역 종류가 소면적 도금 영역 (93a), 또한, 검사 종류가 도금 이물질 검사인 경우의 가중 계수는, 검사 영역 종류가 대면적 도금 영역 (93c), 또한, 검사 종류가 도금 다치 검사인 경우의 가중 계수보다 크다.
예를 들어, 검사 영역 종류가 세선 SR 영역 (94a), 또한, 검사 종류가 SR 박리 검사인 경우의 가중 계수는, 검사 영역 종류가 표준 배선 SR 영역 (94b), 또한, 검사 종류가 SR 박리 검사인 경우의 가중 계수보다 크다. 또, 검사 영역 종류가 세선 SR 영역 (94a), 또한, 검사 종류가 SR 박리 검사인 경우의 가중 계수는, 검사 영역 종류가 세선 SR 영역 (94a), 또한, 검사 종류가 SR 불균일 검사인 경우의 가중 계수보다 크다. 검사 영역 종류가 세선 SR 영역 (94a), 또한, 검사 종류가 SR 박리 검사인 경우의 가중 계수는, 검사 영역 종류가 기재 SR 영역 (94c), 또한, 검사 종류가 SR 불균일 검사인 경우의 가중 계수보다 크다.
또한, 상기 서술한 가중 계수는, 상기 서술한 검사 영역 종류 및 검사 종류 중, 일방만에 따라 미리 설정되어 있어도 된다. 또, 가중 계수는, 가결함 화상에 관련지어진 다른 정보 (즉, 상기 검사 영역 종류 및 검사 종류 이외의 정보) 에 기초하여 미리 설정되어 있어도 된다. 가중 계수는, 반드시 0 ∼ 1 사이에서 설정될 필요는 없고, 적절히 변경되어 된다.
학습용 데이터 세트가 생성되면, 학습부 (403) 는, 당해 학습용 데이터 세트를 사용하여, 기판 화상과 결함의 유무의 관계를 검사용의 초기 모델에 기계 학습시킨다. 이로써, 기판 (9) 을 검사할 때에 이용되는 학습 완료 모델이 제작된다 (스텝 S15).
도 10 은, 상기 서술한 학습 완료 모델을 이용한 기판 (9) 의 검사의 흐름을 나타내는 도면이다. 도 1 에 나타내는 검사 장치 (1) 에서는, 먼저, 상기 서술한 바와 같이, 학습 장치인 제 2 컴퓨터 (4) 에 의해 학습 완료 모델이 제작된다 (스텝 S21). 학습 완료 모델은, 제 2 컴퓨터 (4) 로부터 제 1 컴퓨터 (3) 로 전송되고, 제 1 컴퓨터 (3) 의 기억부 (301) (도 3 참조) 에 기억된다.
계속해서, 제어부 (303) 에 의해 촬상부 (21) 및 스테이지 이동 기구 (23) 등이 제어됨으로써, 촬상부 (21) 에 의해 기판 (9) 이 촬상되고, 검사 대상인 기판 (9) 의 화상 (이하, 「피검사 화상」이라고도 부른다.) 이 취득된다 (스텝 S22).
다음으로, 검사부 (302) 에 의해, 기억부 (301) 에 기억되어 있는 학습 완료 모델을 이용하여, 상기 피검사 화상의 검사가 실시된다 (스텝 S23). 스텝 S23 에서는, 예를 들어, 상기 서술한 도금 이물질 검사, 도금 다치 검사, SR 박리 검사 및 SR 불균일 검사 등이 실시된다. 그리고, 피검사 화상으로부터 추출된 각 영역의 기판 화상 중, 학습 완료 모델에 있어서 「결함 있음」 으로 분류되어 있는 기판 화상 (즉, 진결함을 갖는 기판 화상) 과 유사하다고 판단된 기판 화상이, 결함 화상으로 분류된다. 또, 결함 화상으로 분류되지 않은 기판 화상은, 양품 화상으로 분류된다.
그 후, 검사부 (302) 에 의해 결함 화상으로 분류된 기판 화상에 대해, 상기 서술한 스텝 S13 과 대략 동일하게, 작업자에 의한 베리파이가 실시되고, 기판 (9) 에 있어서의 진결함의 유무 (즉, 기판 (9) 의 출하 가부) 가 판정된다 (스텝 S24). 스텝 S24 에서는, 검사부 (302) 에 의해 결함 화상으로 분류된 기판 화상이, 진결함을 갖는 기판 화상과, 진결함을 가지지 않는 기판 화상 (즉, 허보) 으로 재분류된다.
검사 장치 (1) 에서는, 검사 장치 (1) 에 의한 기판 (9) 의 검사 (스텝 S21 ∼ S24) 의 결과를 이용하여, 학습 완료 모델의 재학습이 실시되어도 된다. 도 11 은, 검사 장치 (1) 에 있어서의 학습 완료 모델의 재학습의 흐름을 나타내는 도면이다. 학습 완료 모델의 재학습에서는, 먼저, 상기 서술한 스텝 S24 에 있어서 재분류된 결함 화상 (즉, 스텝 S23 에서 얻어진 결함 화상을 가결함 화상으로 하여 진결함의 유무에 따라 재분류한 것) 이, 제 2 컴퓨터 (4) 의 제 2 입력부 (402) (도 5 참조) 에 의해, 새로운 제 2 데이터로서 기억부 (404) 에 입력된다 (스텝 S31).
다음으로, 학습부 (403) 에 의해, 당해 새로운 제 2 데이터에 기초하여 새로운 학습용 데이터 세트가 생성된다 (스텝 S32). 스텝 S32 에서는, 상기 서술한 스텝 S14 와 대략 동일하게, 새로운 제 2 데이터에 있어서 가결함 화상에 대한 가중치 부여가 실시된다. 구체적으로는, 스텝 S31 에 있어서 가결함 화상이 진결함을 갖는다고 재분류되어 있는 경우, 스텝 S32 에서는, 미리 준비되어 있는 상기 서술한 복수의 가중 계수로부터, 당해 진결함의 중요도에 따라 하나의 가중 계수가 선택되고, 가결함 화상에 승산된다. 그리고, 가중 계수가 승산된 가결함 화상이, 「결함 있음」 으로 분류된다. 한편, 스텝 S31 에 있어서 가결함 화상이 진결함을 가지지 않는다고 재분류되어 있는 경우, 스텝 S32 에서는, 당해 가결함 화상에 가중 계수는 승산되지 않고, 「결함 없음」 으로 분류된다.
상기 서술한 새로운 학습용 데이터 세트가 생성되면, 학습부 (403) 는, 당해 새로운 학습용 데이터 세트를 사용한 기계 학습에 의해, 기판 화상과 결함의 유무의 관계를 학습 완료 모델에 대해 재학습시킨다 (스텝 S33).
이상에 설명한 바와 같이, 제 2 컴퓨터 (4) 는, 표면 상에 패턴을 갖는 기판을 검사할 때에 이용되는 학습 완료 모델을 제작하는 학습 장치이다. 당해 학습 장치는, 제 1 입력부 (401) 와, 제 2 입력부 (402) 와, 학습부 (403) 를 구비한다. 제 1 입력부 (401) 는, 기판 화상이 결함을 갖는 가결함 화상과 결함을 가지지 않는 가양품 화상으로 분류된 제 1 데이터를 입력한다. 제 2 입력부 (402) 는, 당해 제 1 데이터 중의 가결함 화상을 진결함의 유무에 따라 재분류한 제 2 데이터를 입력한다. 학습부 (403) 는, 제 2 데이터에 있어서, 가결함 화상에 대한 가중치 부여를 실시하여 학습용 데이터 세트를 생성한다. 학습부 (403) 는, 당해 학습용 데이터 세트를 사용한 기계 학습에 의해, 기판 화상과 결함의 유무의 관계를 학습시켜 학습 완료 모델을 생성한다.
학습부 (403) 에 의한 학습용 데이터 세트의 생성에서는, 가결함 화상이 진결함을 갖는다고 재분류된 경우, 복수의 가중 계수 중 진결함의 중요도에 따라 선택된 가중 계수를 당해 가결함 화상에 승산한 후에 「결함 있음」 으로 분류한다. 또, 가결함 화상이 진결함을 가지지 않는다고 재분류된 경우, 당해 가결함 화상을 「결함 없음」 으로 분류한다.
당해 학습용 데이터 세트를 사용하여 제작된 학습 완료 모델에 의해 기판 (9) 의 검사를 실시함으로써, 중요도가 높은 진결함을 갖는 기판 화상과 유사한 화상이, 중요도가 낮은 진결함을 갖는 기판 화상과 유사한 화상에 비해, 결함 화상으로서 검출되기 쉬워진다. 그 결과, 중요도가 낮은 진결함을 갖는 기판 화상과 유사하지만, 실제로는 진결함을 가지고 있지 않은 화상 (즉, 베리파이에 있어서 허보로 판단되는 기판 화상) 이, 기판 (9) 의 검사에 있어서 결함 화상으로서 검출될 가능성을 저감할 수 있다. 바꾸어 말하면, 기판 (9) 의 결함 검사에 있어서의 허보율을 저감하여, 고정밀도의 검사를 실현할 수 있다.
또, 상기 서술한 바와 같이, 학습부 (403) 에 의한 학습용 데이터 세트의 생성에 있어서, 진결함을 갖는 가결함 화상에 진결함의 중요도에 따른 가중 계수를 승산함으로써, 가결함 화상의 수 (즉, 가결함 화상군의 용량) 를 저감하면서, 상기 서술한 고정밀도의 검사를 실현 가능한 학습 완료 모델 제작용의 학습용 데이터 세트를 생성할 수 있다. 즉, 상기 서술한 학습 장치에서는, 학습용 데이터 세트의 용량을 저감하면서, 고정밀도의 기판 (9) 의 검사를 실현할 수 있다.
상기 서술한 바와 같이, 복수의 가중 계수는, 기판 (9) 상에 있어서 진결함이 위치하는 영역의 중요도가 높아짐에 따라 커지는 것이 바람직하다. 이로써, 기판 (9) 상의 중요도가 높은 영역 (즉, 고감도 영역) 에 있어서의 결함을, 중요도가 낮은 영역에 있어서의 결함에 비해, 우선적으로 검출할 수 있다. 그 결과, 기판 (9) 의 결함 검사에 있어서의 허보율을 더욱 저감하여, 보다 고정밀도의 검사를 실현할 수 있다.
상기 서술한 바와 같이, 복수의 가중 계수는, 복수 종류의 검사 중 진결함이 검출되는 검사의 종류의 중요도가 높아짐에 따라 커지는 것이 바람직하다. 이로써, 중요도가 높은 종류의 검사 (즉, 고치명도의 검사) 에 있어서의 결함을, 중요도가 낮은 종류의 검사에 있어서의 결함에 비해, 우선적으로 검출할 수 있다. 그 결과, 기판 (9) 의 결함 검사에 있어서의 허보율을 더욱 저감하여, 보다 고정밀도의 검사를 실현할 수 있다.
상기 서술한 바와 같이, 검사 장치 (1) 는, 표면 상에 패턴을 갖는 기판 (9) 을 검사하는 장치이다. 검사 장치 (1) 는, 상기 서술한 학습 장치와, 검사부 (302) 를 구비한다. 검사부 (302) 는, 기판 (9) 을 촬상하여 얻어진 피검사 화상을, 당해 학습 장치에 의해 제작된 학습 완료 모델을 이용하여 검사한다. 이로써, 상기 서술한 바와 같이, 고정밀도의 기판 (9) 의 검사를 실현할 수 있다.
상기 서술한 바와 같이, 바람직하게는, 제 2 입력부 (402) 는, 검사부 (302) 에 의해 얻어진 결함 화상을 가결함 화상으로 하여 진결함의 유무에 따라 재분류한 새로운 제 2 데이터를 입력한다. 또, 학습부 (403) 는, 당해 새로운 제 2 데이터에 있어서 가결함 화상에 대한 가중치 부여를 실시하여, 새로운 학습용 데이터 세트를 생성한다. 그리고, 학습부 (403) 는, 당해 새로운 학습용 데이터 세트를 사용한 기계 학습에 의해, 기판 화상과 결함의 유무의 관계를 학습 완료 모델에 재학습시킨다. 이로써, 재학습에 사용되는 학습용 데이터 세트의 용량을 저감하면서, 기판 (9) 의 검사 정밀도를 향상시킬 수 있다.
또한, 검사 장치 (1) 에서는, 검사부 (302) 가 상기 서술한 학습 완료 모델을 이용하여 피검사 화상을 검사하는 것이면, 반드시 학습 장치가 설치될 필요는 없다. 이 경우, 검사부 (302) 는, 기판 (9) 을 촬상하여 얻어진 피검사 화상을, 검사 장치 (1) 로부터 독립적으로 설치된 학습 장치에 의해 제작된 학습 완료 모델을 이용하여 검사한다. 이 경우도, 상기와 동일하게, 고정밀도의 기판 (9) 의 검사를 실현할 수 있다.
상기 서술한 바와 같이, 검사 장치 (1) 는, 기판 (9) 을 촬상하여 상기 피검사 화상을 취득하는 촬상부 (21) 를 추가로 구비하는 것이 바람직하다. 이로써, 피검사 화상의 취득부터 검사까지, 하나의 장치로 일관하여 실시할 수 있다. 그 결과, 기판 (9) 의 검사 효율을 향상시킬 수 있다.
상기 서술한 바와 같이, 학습 완료 모델을 제작하는 학습 방법은, 기판 화상이 결함을 갖는 가결함 화상과 결함을 가지지 않는 가양품 화상으로 분류된 제 1 데이터를 입력하는 공정 (스텝 S12) 과, 제 1 데이터 중의 가결함 화상을 진결함의 유무에 따라 재분류한 제 2 데이터를 입력하는 공정 (스텝 S13) 과, 당해 제 2 데이터에 있어서 가결함 화상에 대한 가중치 부여를 실시하여 학습용 데이터 세트를 생성하고, 당해 학습용 데이터 세트를 사용한 기계 학습에 의해, 기판 화상과 결함의 유무의 관계를 학습시켜 학습 완료 모델을 제작하는 공정 (스텝 S14 ∼ S15) 을 구비한다.
스텝 S14 ∼ S15 에 있어서의 학습용 데이터 세트의 생성에서는, 가결함 화상이 진결함을 갖는다고 재분류된 경우, 복수의 가중 계수 중 당해 진결함의 중요도에 따라 선택된 가중 계수를 가결함 화상에 승산한 후에 결함 있음으로 분류하고, 가결함 화상이 진결함을 가지지 않는다고 재분류된 경우, 가결함 화상을 결함 없음으로 분류한다. 이로써, 상기와 동일하게, 학습용 데이터 세트의 용량을 저감하면서, 고정밀도의 기판 (9) 의 검사를 실현할 수 있다.
상기 서술한 학습 장치, 검사 장치 (1), 학습 방법 및 검사 방법에서는, 다양한 변경이 가능하다.
예를 들어, 스텝 S11 에 있어서 준비되는 기판 화상군은, 검사 장치 (1) 의 외부에 있어서 취득되고, 기록 디스크나 네트워크를 통하여 검사 장치 (1) 에 입력되어도 된다. 또, 스텝 S22 에 있어서도 동일하게, 피검사 화상은, 검사 장치 (1) 의 외부에 있어서 취득되고, 검사 장치 (1) 에 입력되어도 된다. 이 경우, 검사 장치 (1) 에서 촬상부 (21) 가 생략되어도 된다.
상기 서술한 스텝 S12, S23 에서 기판 (9) 에 대해 실시되는 검사는, 상기 서술한 도금 이물질 검사나 SR 박리 검사 등으로는 한정되지 않고, 다양한 종류의 검사가 기판 (9) 에 대해 실시되어도 된다. 또, 기판 (9) 상의 검사 영역은, 상기 서술한 소면적 도금 영역이나 세선 SR 영역 등으로는 한정되지 않고, 다양한 영역이 기판 (9) 상에 설정되어도 된다.
상기 서술한 스텝 S14 의 학습용 데이터 세트의 생성에 있어서, 가결함 화상에 대해 승산되는 가중 계수는, 반드시 미리 설정되어 있을 필요는 없고, 스텝 S13 의 베리파이 시 등에, 작업자가 가결함 화상을 육안으로 보고 경험에 기초하여 설정해도 된다. 검사부 (302) 에 의한 검사 결과를 이용한 학습 완료 모델의 재학습 (스텝 S31 ∼ S33) 에 있어서도 동일하다.
당해 학습 완료 모델의 재학습 (스텝 S31 ∼ S33) 에서는, 스텝 S32 의 새로운 학습용 데이터 세트의 생성에 있어서, 가결함 화상에 대한 가중치 부여 (즉, 결함의 중요도에 따른 가중 계수의 승산) 는, 실시되지 않아도 된다. 이 경우여도, 학습 완료 모델의 재학습에 의해, 기판 (9) 의 검사 정밀도를 향상시킬 수 있다. 또, 당해 학습 완료 모델의 재학습 (스텝 S31 ∼ S33) 은, 반드시 실시될 필요는 없다.
상기 서술한 제 1 컴퓨터 (3) 및 제 2 컴퓨터 (4) 는, 장치 본체 (2) 의 케이싱 안에 수납되어도 된다. 반대로, 제 2 컴퓨터 (4) 는, 검사 장치 (1) 의 다른 구성으로부터 독립된 단체 (單體) 의 학습 장치로서 사용되어도 된다.
상기 실시형태 및 각 변형예에 있어서의 구성은, 서로 모순되지 않는 한 적절히 조합되어도 된다.
발명을 상세하게 묘사하여 설명했지만, 기술의 설명은 예시적이며 한정적인 것이 아니다. 따라서, 본 발명의 범위를 일탈하지 않는 한, 다수의 변형이나 양태가 가능하다고 할 수 있다.
1 : 검사 장치
4 : 제 2 컴퓨터
9 : 기판
21 : 촬상부
301 : 기억부
401 : 제 1 입력부
402 : 제 2 입력부
403 : 학습부
S11 ∼ S15, S21 ∼ S24, S31 ∼ S33 : 스텝

Claims (16)

  1. 표면 상에 패턴을 갖는 기판을 검사할 때에 이용되는 학습 완료 모델을 제작하는 학습 장치로서,
    기판 화상이 결함을 갖는 가결함 화상과 결함을 가지지 않는 가양품 화상으로 분류된 제 1 데이터를 입력하는 제 1 입력부와,
    상기 제 1 데이터 중의 상기 가결함 화상을 진결함의 유무에 따라 재분류한 제 2 데이터를 입력하는 제 2 입력부와,
    상기 제 2 데이터에 있어서 상기 가결함 화상에 대한 가중치 부여를 실시하여 학습용 데이터 세트를 생성하고, 상기 학습용 데이터 세트를 사용한 기계 학습에 의해, 기판 화상과 결함의 유무의 관계를 학습시켜 학습 완료 모델을 제작하는 학습부
    를 구비하고,
    상기 학습부에 의한 상기 학습용 데이터 세트의 생성에서는,
    상기 가결함 화상이 진결함을 갖는다고 재분류된 경우, 복수의 가중 계수 중 상기 진결함의 중요도에 따라 선택된 가중 계수를 상기 가결함 화상에 승산한 후에 결함 있음으로 분류하고,
    상기 가결함 화상이 진결함을 가지지 않는다고 재분류된 경우, 상기 가결함 화상을 결함 없음으로 분류하는 것을 특징으로 하는 학습 장치.
  2. 제 1 항에 있어서,
    상기 복수의 가중 계수는, 상기 기판 상에 있어서 진결함이 위치하는 영역의 중요도가 높아짐에 따라 커지는 것을 특징으로 하는 학습 장치.
  3. 제 1 항에 있어서,
    상기 복수의 가중 계수는, 복수 종류의 검사 중 진결함이 검출된 검사의 종류의 중요도가 높아짐에 따라 커지는 것을 특징으로 하는 학습 장치.
  4. 표면 상에 패턴을 갖는 기판을 검사하는 검사 장치로서,
    기판을 촬상하여 얻어진 피검사 화상을, 제 1 항 내지 제 3 항 중 어느 한 항에 기재된 학습 장치에 의해 제작된 학습 완료 모델을 이용하여 검사하는 검사부를 구비하는 것을 특징으로 하는 검사 장치.
  5. 제 4 항에 있어서,
    기판을 촬상하여 상기 피검사 화상을 취득하는 촬상부를 추가로 구비하는 것을 특징으로 하는 검사 장치.
  6. 표면 상에 패턴을 갖는 기판을 검사하는 검사 장치로서,
    제 1 항 내지 제 3 항 중 어느 한 항에 기재된 학습 장치와,
    기판을 촬상하여 얻어진 피검사 화상을, 상기 학습 장치에 의해 제작된 학습 완료 모델을 이용하여 검사하는 검사부
    를 구비하는 것을 특징으로 하는 검사 장치.
  7. 제 6 항에 있어서,
    상기 학습 장치의 상기 제 2 입력부는, 상기 검사부에 의해 얻어진 결함 화상을 상기 가결함 화상으로 하여 진결함의 유무에 따라 재분류한 새로운 제 2 데이터를 입력하고,
    상기 학습부는, 상기 새로운 제 2 데이터에 있어서 상기 가결함 화상에 대한 가중치 부여를 실시하여 새로운 학습용 데이터 세트를 생성하고, 상기 새로운 학습용 데이터 세트를 사용한 기계 학습에 의해, 기판 화상과 결함의 유무의 관계를 상기 학습 완료 모델에 재학습시키는 것을 특징으로 하는 검사 장치.
  8. 제 6 항에 있어서,
    기판을 촬상하여 상기 피검사 화상을 취득하는 촬상부를 추가로 구비하는 것을 특징으로 하는 검사 장치.
  9. 표면 상에 패턴을 갖는 기판을 검사할 때에 이용되는 학습 완료 모델을 제작하는 학습 방법으로서,
    a) 기판 화상이 결함을 갖는 가결함 화상과 결함을 가지지 않는 가양품 화상으로 분류된 제 1 데이터를 입력하는 공정과,
    b) 상기 제 1 데이터 중의 상기 가결함 화상을 진결함의 유무에 따라 재분류한 제 2 데이터를 입력하는 공정과,
    c) 상기 제 2 데이터에 있어서 상기 가결함 화상에 대한 가중치 부여를 실시하여 학습용 데이터 세트를 생성하고, 상기 학습용 데이터 세트를 사용한 기계 학습에 의해, 기판 화상과 결함의 유무의 관계를 학습시켜 학습 완료 모델을 제작하는 공정
    을 구비하고,
    상기 c) 공정에 있어서의 상기 학습용 데이터 세트의 생성에서는,
    상기 가결함 화상이 진결함을 갖는다고 재분류된 경우, 복수의 가중 계수 중 상기 진결함의 중요도에 따라 선택된 가중 계수를 상기 가결함 화상에 승산한 후에 결함 있음으로 분류하고,
    상기 가결함 화상이 진결함을 가지지 않는다고 재분류된 경우, 상기 가결함 화상을 결함 없음으로 분류하는 것을 특징으로 하는 학습 방법.
  10. 제 9 항에 있어서,
    상기 복수의 가중 계수는, 상기 기판 상에 있어서 진결함이 위치하는 영역의 중요도가 높아짐에 따라 커지는 것을 특징으로 하는 학습 방법.
  11. 제 9 항에 있어서,
    상기 복수의 가중 계수는, 복수 종류의 검사 중 진결함이 검출된 검사의 종류의 중요도가 높아짐에 따라 커지는 것을 특징으로 하는 학습 방법.
  12. 표면 상에 패턴을 갖는 기판을 검사하는 검사 방법으로서,
    기판을 촬상하여 얻어진 피검사 화상을, 제 9 항 내지 제 11 항 중 어느 한 항에 기재된 학습 방법에 의해 제작된 학습 완료 모델을 이용하여 검사하는 공정을 구비하는 것을 특징으로 하는 검사 방법.
  13. 제 12 항에 있어서,
    기판을 촬상하여 상기 피검사 화상을 취득하는 공정을 추가로 구비하는 것을 특징으로 하는 검사 방법.
  14. 표면 상에 패턴을 갖는 기판을 검사하는 검사 방법으로서,
    d) 제 9 항 내지 제 11 항 중 어느 한 항에 기재된 학습 방법에 의해 학습 완료 모델을 제작하는 공정과,
    e) 기판을 촬상하여 얻어진 피검사 화상을, 상기 d) 공정에 있어서 제작된 상기 학습 완료 모델을 이용하여 검사하여, 상기 피검사 화상을 결함 화상 또는 양품 화상으로 분류하는 공정
    을 구비하는 것을 특징으로 하는 검사 방법.
  15. 제 14 항에 있어서,
    f) 상기 e) 공정에 있어서 얻어진 결함 화상을 상기 가결함 화상으로 하여 진결함의 유무에 따라 재분류한 새로운 제 2 데이터를 입력하는 공정과,
    g) 상기 새로운 제 2 데이터에 있어서 상기 가결함 화상에 대한 가중치 부여를 실시하여 새로운 학습용 데이터 세트를 생성하고, 상기 새로운 학습용 데이터 세트를 사용한 기계 학습에 의해, 기판 화상과 결함의 유무의 관계를 상기 학습 완료 모델에 재학습시키는 공정
    을 추가로 구비하는 것을 특징으로 하는 검사 방법.
  16. 제 14 항에 있어서,
    기판을 촬상하여 상기 피검사 화상을 취득하는 공정을 추가로 구비하는 것을 특징으로 하는 검사 방법.
KR1020200113813A 2019-09-19 2020-09-07 학습 장치, 검사 장치, 학습 방법 및 검사 방법 KR102529354B1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2019170273A JP7317647B2 (ja) 2019-09-19 2019-09-19 学習装置、検査装置、学習方法および検査方法
JPJP-P-2019-170273 2019-09-19

Publications (2)

Publication Number Publication Date
KR20210033900A KR20210033900A (ko) 2021-03-29
KR102529354B1 true KR102529354B1 (ko) 2023-05-04

Family

ID=74876234

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200113813A KR102529354B1 (ko) 2019-09-19 2020-09-07 학습 장치, 검사 장치, 학습 방법 및 검사 방법

Country Status (4)

Country Link
JP (1) JP7317647B2 (ko)
KR (1) KR102529354B1 (ko)
CN (1) CN112614086A (ko)
TW (1) TWI775140B (ko)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102632508B1 (ko) * 2021-04-30 2024-02-06 텔스타 주식회사 인공지능 기반 사출물 고속 품질 검사 시스템

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2011214903A (ja) 2010-03-31 2011-10-27 Denso It Laboratory Inc 外観検査装置、外観検査用識別器の生成装置及び外観検査用識別器生成方法ならびに外観検査用識別器生成用コンピュータプログラム

Family Cites Families (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3566470B2 (ja) * 1996-09-17 2004-09-15 株式会社日立製作所 パターン検査方法及びその装置
JPH10318937A (ja) * 1997-05-22 1998-12-04 Dainippon Screen Mfg Co Ltd 光学的むら検査装置および光学的むら検査方法
JP2006293820A (ja) * 2005-04-13 2006-10-26 Sharp Corp 外観検査装置、外観検査方法およびコンピュータを外観検査装置として機能させるためのプログラム
JP4950806B2 (ja) * 2006-08-22 2012-06-13 株式会社東芝 欠陥検査装置、欠陥検査方法、半導体装置の製造システム及び半導体装置の製造方法
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
JP6009956B2 (ja) * 2013-01-31 2016-10-19 株式会社日立ハイテクノロジーズ 欠陥検査装置および欠陥検査方法
JP6113024B2 (ja) * 2013-08-19 2017-04-12 株式会社Ｓｃｒｅｅｎホールディングス 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
US9826149B2 (en) * 2015-03-27 2017-11-21 Intel Corporation Machine learning of real-time image capture parameters
JP7039851B2 (ja) 2017-03-22 2022-03-23 日本電気株式会社 印刷画像検査装置、印刷画像検査方法、プログラム
US10984757B2 (en) * 2017-05-19 2021-04-20 Semiconductor Energy Laboratory Co., Ltd. Machine learning method, machine learning system, and display system
JP2019039727A (ja) 2017-08-23 2019-03-14 富士通株式会社 画像検査装置、画像検査方法および画像検査プログラム
KR102106349B1 (ko) * 2017-12-21 2020-05-04 주식회사 고영테크놀러지 인쇄 회로 기판 검사 장치, 솔더 페이스트 이상 감지 방법 및 컴퓨터 판독 가능한 기록 매체
CN109142371A (zh) * 2018-07-31 2019-01-04 华南理工大学 基于深度学习的高密度柔性基板外观缺陷检测系统与方法
CN110223269A (zh) * 2019-04-24 2019-09-10 深圳市派科斯科技有限公司 一种fpc缺陷检测方法和装置
CN110070536B (zh) * 2019-04-24 2022-08-30 南京邮电大学 一种基于深度学习的pcb板元器件检测方法
CN110186938A (zh) * 2019-06-28 2019-08-30 笪萨科技(上海)有限公司 双面缺陷分析设备及缺陷检测和分析系统

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2011214903A (ja) 2010-03-31 2011-10-27 Denso It Laboratory Inc 外観検査装置、外観検査用識別器の生成装置及び外観検査用識別器生成方法ならびに外観検査用識別器生成用コンピュータプログラム

Also Published As

Publication number Publication date
TW202113650A (zh) 2021-04-01
JP2021047104A (ja) 2021-03-25
KR20210033900A (ko) 2021-03-29
CN112614086A (zh) 2021-04-06
JP7317647B2 (ja) 2023-07-31
TWI775140B (zh) 2022-08-21

Similar Documents

Publication Publication Date Title
CN110658198B (zh) 光学检测方法、光学检测装置及光学检测系统
JP6348289B2 (ja) 検査装置および検査方法
US7266232B2 (en) Apparatus and method for inspecting pattern
US20050254699A1 (en) Apparatus and method for detecting defect and apparatus and method for extracting wire area
KR102252592B1 (ko) 기판 불량 검사 장치 및 방법
KR102529354B1 (ko) 학습 장치, 검사 장치, 학습 방법 및 검사 방법
JP7445057B2 (ja) 学習装置、検査装置、アライメント装置および学習方法
JP4015436B2 (ja) 金めっき欠陥検査装置
CN111665264B (zh) 代表色决定方法、检查装置、检查方法以及记录介质
Kumar et al. Automated quality inspection of PCB assembly using image processing
Neubauer et al. Improving X-ray inspection of printed circuit boards by integration of neural network classifiers
JP2018017608A (ja) 回路基板の検査方法及び検査装置
JP2021067508A (ja) 外観検査システム及び方法
KR20110001443U (ko) 메탈마스크 표면 이물 및 페턴 자동검사장비 및 분류 리페어 장비발명
JP2013167545A (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
CN100456024C (zh) 用于防止光学检查中错误检测的系统和方法
Vaidya Automatic Optical Inspection-Based PCB Fault Detection Using Image Processing
JP2002296016A (ja) プリント回路板の保護層形状認識方法及び検査方法
KR19990070849A (ko) 인쇄회로기판의 납땜 검사장치 및 방법
Kim et al. Neural-network-based parts classification for SMT processes
CN118071733A (zh) 基于改进YOLOv8神经网络的PCB裸板缺陷检测方法
JPH0333983A (ja) 物体位置検出方法
KR20110001460U (ko) 반도체의 아이씨의 트리밍 검사장치 및 그사용법
JPS6228647A (ja) プリント基板等におけるパタ−ンの検査装置

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant