KR20220010516A - 검사 장치, 검사 방법 및 검사 프로그램, 그리고 학습 장치, 학습 방법 및 학습 프로그램 - Google Patents

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

Info

Publication number
KR20220010516A
KR20220010516A KR1020217040891A KR20217040891A KR20220010516A KR 20220010516 A KR20220010516 A KR 20220010516A KR 1020217040891 A KR1020217040891 A KR 1020217040891A KR 20217040891 A KR20217040891 A KR 20217040891A KR 20220010516 A KR20220010516 A KR 20220010516A
Authority
KR
South Korea
Prior art keywords
image
unit
target
inspection
target image
Prior art date
Application number
KR1020217040891A
Other languages
English (en)
Inventor
코스케 이케다
이라 레벤탈
케이스 샤웁
Original Assignee
주식회사 아도반테스토
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 주식회사 아도반테스토 filed Critical 주식회사 아도반테스토
Publication of KR20220010516A publication Critical patent/KR20220010516A/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
    • G06T7/001—Industrial image inspection using an image reference approach
    • 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
    • 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
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration using local operators
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
    • G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
    • G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
    • G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
    • 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
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/778—Active pattern-learning, e.g. online learning of image or video features
    • G06V10/7796—Active pattern-learning, e.g. online learning of image or video features based on specific statistical tests
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20021—Dividing image into blocks, subimages or windows
    • 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)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Image Analysis (AREA)

Abstract

검사 대상을 촬영한 대상 화상을 취득하는 대상 화상 취득부와, 대상 화상의 일부를 마스크하는 대상 화상 마스크부와, 대상 화상에 있어서 마스크된 마스크 영역의 화상을 예측하는 마스크 영역 예측부와, 복수의 마스크 영역의 각각에 대해 예측한 복수의 예측 화상을 이용하여 재현 화상을 생성하는 재현 화상 생성부와, 대상 화상 및 재현 화상의 차분을 검출하는 차분 검출부를 구비하는 검사 장치를 제공한다.

Description

검사 장치, 검사 방법 및 검사 프로그램, 그리고 학습 장치, 학습 방법 및 학습 프로그램
본 발명은, 검사 장치, 검사 방법 및 검사 프로그램, 그리고 학습 장치, 학습 방법 및 학습 프로그램에 관한 것이다.
종래, 검사 대상의 양부를 판정하기 위해 외관 검사가 행해지고 있다. 예를 들어, 반도체 시험용의 프로브 핀의 외관 검사에 있어서는, 프로브 핀을 촬영한 화상을 수치화하고, 수치화한 데이터를 미리 정해진 룰에 따라 평가함으로써, 프로브 핀의 양부(良否)를 판정하고 있었다.
그러나, 검사 대상을 검사함에 있어서, 검사 대상의 상태를 용이하게 파악하는 것이 요망되고 있다.
상기 과제를 해결하기 위해, 본 발명의 제1 태양에 있어서는, 검사 장치를 제공한다. 검사 장치는, 검사 대상을 촬영한 대상 화상을 취득하는 대상 화상 취득부를 구비할 수 있다. 검사 장치는, 대상 화상의 일부를 마스크하는 대상 화상 마스크부를 구비할 수 있다. 검사 장치는, 대상 화상에 있어서 마스크된 마스크 영역의 화상을 예측하는 마스크 영역 예측부를 구비할 수 있다. 검사 장치는, 복수의 마스크 영역의 각각에 대해 예측한 복수의 예측 화상을 이용하여 재현 화상을 생성하는 재현 화상 생성부를 구비할 수 있다. 검사 장치는, 대상 화상 및 재현 화상의 차분을 검출하는 차분 검출부를 구비할 수 있다.
차분 검출부는, 미리 정해진 영역마다 대상 화상 및 재현 화상을 비교하여, 미리 정해진 영역마다의 차분의 정도를 산출할 수 있다.
검사 장치는, 차분의 정도가 미리 정해진 품질을 만족하지 않는 경우에, 검사 대상이 불량품이라고 판정하는 판정부를 추가로 구비할 수 있다.
판정부는, 미리 정해진 영역마다의 차분의 정도 중, 가장 큰 차분의 정도가 미리 정해진 임계값을 초과하는 경우에, 검사 대상이 불량품이라고 판정할 수 있다.
판정부는, 검사 대상이 불량품이라고 판정한 경우에, 불량품이라고 판정한 검사 대상을 촬영한 대상 화상으로부터, 검사 대상의 전기적 특성을 예측하고, 전기적 특성이 미리 정해진 품질을 만족하지 않는 경우에, 검사 대상이 불량품이라고 확정할 수 있다.
판정부는, 검사 대상이 불량품이라고 판정한 경우에, 불량품이라고 판정한 검사 대상을 촬영한 대상 화상으로부터, 검사 대상의 전기적 특성을 예측하고, 전기적 특성이 미리 정해진 품질을 만족하는 경우에, 검사 대상이 양품이라고 확정할 수 있다.
차분 검출부는, 차분의 정도에 따라 미리 정해진 영역마다의 표시 태양을 상이하게 한 검출 맵을 출력할 수 있다.
차분 검출부는, 대상 화상과 재현 화상의 유클리드 거리에 기초하여, 차분의 정도를 산출할 수 있다.
대상 화상 마스크부는, 대상 화상을 복수의 셀로 분할한 것 중의 1개의 셀을 순차 마스크하고, 재현 화상 생성부는, 상이한 셀의 각각에 대해 예측한 복수의 예측 화상을 이용하여 재현 화상을 생성할 수 있다.
대상 화상 취득부는, 검사 대상을 촬영한 화상을 그레이 스케일화한 화상을 대상 화상으로서 취득할 수 있다.
대상 화상 취득부는, 검사 대상을 촬영한 화상에 있어서, 검사 대상을 오브젝트 검출하여 대상 영역을 좁힌 화상을 대상 화상으로서 취득할 수 있다.
본 발명의 제2 태양에 있어서는, 검사 방법을 제공한다. 검사 방법은, 검사 대상을 촬영한 대상 화상을 취득하는 것과, 대상 화상의 일부를 마스크하는 것과, 대상 화상에 있어서 마스크한 마스크 영역의 화상을 예측하는 것과, 복수의 마스크 영역의 각각에 대해 예측한 복수의 예측 화상을 이용하여 재현 화상을 생성하는 것과, 대상 화상 및 재현 화상의 차분을 검출하는 것을 구비할 수 있다.
본 발명의 제3 태양에 있어서는, 검사 프로그램을 제공한다. 검사 프로그램은, 컴퓨터에 의해 실행되어, 컴퓨터를, 검사 대상을 촬영한 대상 화상을 취득하는 대상 화상 취득부와, 대상 화상의 일부를 마스크하는 대상 화상 마스크부와, 대상 화상에 있어서 마스크한 마스크 영역의 화상을 예측하는 마스크 영역 예측부와, 복수의 마스크 영역의 각각에 대해 예측한 복수의 예측 화상을 이용하여 재현 화상을 생성하는 재현 화상 생성부와, 대상 화상 및 재현 화상의 차분을 검출하는 차분 검출부로서 기능시킬 수 있다.
본 발명의 제4 태양에 있어서는, 학습 장치를 제공한다. 학습 장치는, 트레이닝 화상을 취득하는 트레이닝 화상 취득부와, 트레이닝 화상의 일부를 마스크하는 트레이닝 화상 마스크부와, 마스크된 트레이닝 화상을 입력하여, 트레이닝 화상을 예측한 모델 화상을 출력하는 예측 모델과, 트레이닝 화상 및 모델 화상의 오차에 기초하여 예측 모델을 갱신하는 모델 갱신부를 구비할 수 있다.
본 발명의 제5 태양에 있어서는, 학습 방법을 제공한다. 학습 방법은, 트레이닝 화상을 취득하는 것과, 트레이닝 화상의 일부를 마스크하는 것과, 마스크된 트레이닝 화상을 예측 모델에 입력하여, 트레이닝 화상을 예측한 모델 화상을 출력하는 것과, 트레이닝 화상 및 모델 화상의 오차에 기초하여 예측 모델을 갱신하는 것을 구비할 수 있다.
본 발명의 제6 태양에 있어서는, 학습 프로그램을 제공한다. 학습 프로그램은, 컴퓨터에 의해 실행되어, 컴퓨터를, 트레이닝 화상을 취득하는 트레이닝 화상 취득부와, 트레이닝 화상의 일부를 마스크하는 트레이닝 화상 마스크부와, 마스크된 트레이닝 화상을 입력하여, 트레이닝 화상을 예측한 모델 화상을 출력하는 예측 모델과, 트레이닝 화상 및 모델 화상의 오차에 기초하여 예측 모델을 갱신하는 모델 갱신부로서 기능시킬 수 있다.
한편, 상기의 발명의 개요는, 본 발명의 필요한 특징의 모두를 열거한 것은 아니다. 또한, 이들 특징군의 서브 콤비네이션도 또한 발명이 될 수 있다.
도 1은 본 실시 형태에 따른 검사 장치(100)의 블록도의 일례를 나타낸다.
도 2는 본 실시 형태에 따른 검사 장치(100)가 검사 대상을 검사하는 플로우의 일례를 나타낸다.
도 3은 본 실시 형태에 따른 검사 장치(100)를 이용한 검사에 있어서의, 대상 화상(310), 마스크 화상(320), 예측 화상(330) 및 재현 화상(340)의 일례를 나타낸다.
도 4는 본 실시 형태에 있어서, 검사 대상이 양품인 경우에 있어서의 검사 결과의 일례를 나타낸다.
도 5는 본 실시 형태에 있어서, 검사 대상이 불량품인 경우에 있어서의 검사 결과의 일례를 나타낸다.
도 6은 본 실시 형태에 따른 학습 장치(600)의 블록도의 일례를 나타낸다.
도 7은 본 실시 형태에 따른 학습 장치(600)가 예측 모델(630)을 학습하는 플로우의 일례를 나타낸다.
도 8은 본 발명의 복수의 태양이 전체적 또는 부분적으로 구현화될 수 있는 컴퓨터(2200)의 예를 나타낸다.
이하, 발명의 실시의 형태를 통하여 본 발명을 설명하지만, 이하의 실시 형태는 청구의 범위에 관련된 발명을 한정하는 것은 아니다. 또한, 실시 형태 중에서 설명되어 있는 특징의 조합의 모두가 발명의 해결 수단에 필수라고는 할 수 없다.
도 1은, 본 실시 형태에 따른 검사 장치(100)의 블록도의 일례를 나타낸다. 검사 장치(100)는, 검사 대상의 실제의 상태를 촬영한 화상과, 검사 대상이 있어야 할 상태를 예측하여 생성한 화상의 차분을 검출함으로써, 검사 대상의 상태를 용이하게 파악할 수 있다. 본 실시 형태에 있어서는, 검사 장치(100)가, 반도체 시험용의 프로브 핀을 검사 대상으로 하는 경우를 일례로 하여 설명한다. 그러나, 이것으로 한정되는 것은 아니다. 검사 장치(100)는, 반도체 디바이스에 있어서의 범프의 화상 해석이나, 배선 기판에 있어서의 패턴 검사 등, 다른 전기 부품의 검사에 이용될 수도 있고, 전기 부품과는 상이한 모든 물품의 검사에 이용될 수도 있다.
검사 장치(100)는, PC(퍼스널 컴퓨터), 태블릿형 컴퓨터, 스마트폰, 워크스테이션, 서버 컴퓨터 또는 범용 컴퓨터 등의 컴퓨터일 수 있고, 복수의 컴퓨터가 접속된 컴퓨터 시스템일 수도 있다. 이러한 컴퓨터 시스템도 또한 넓은 의미의 컴퓨터이다. 또한, 검사 장치(100)는, 컴퓨터 내에서 하나 또는 복수의 실행 가능한 가상 컴퓨터 환경에 의해 실장될 수도 있다. 이를 대신하여, 검사 장치(100)는, 검사 대상의 검사용으로 설계된 전용 컴퓨터일 수도 있고, 전용 회로에 의해 실현된 전용 하드웨어일 수도 있다. 또한, 검사 장치(100)가 인터넷에 접속 가능한 경우, 검사 장치(100)는, 클라우드 컴퓨팅에 의해 실현될 수도 있다.
검사 장치(100)는, 대상 화상 취득부(110), 대상 화상 마스크부(120), 마스크 영역 예측부(130), 재현 화상 생성부(140), 차분 검출부(150) 및 판정부(160)를 구비한다.
대상 화상 취득부(110)는, 검사 대상을 촬영한 대상 화상을 취득한다. 대상 화상 취득부(110)는, 검사 대상을 촬영한 화상을 전처리한 화상을 대상 화상으로서 취득할 수도 있다. 이 때, 대상 화상 취득부(110)는, 예를 들어, 네트워크를 통해 대상 화상을 취득할 수도 있고, 유저 입력을 통해 대상 화상을 취득할 수도 있고, 데이터를 기억할 수 있는 메모리 디바이스 등을 통해 대상 화상을 취득할 수도 있다. 그리고, 대상 화상 취득부(110)는, 취득한 대상 화상을 대상 화상 마스크부(120) 및 차분 검출부(150)에 공급한다.
대상 화상 마스크부(120)는, 대상 화상의 일부를 마스크한다. 그리고, 대상 화상 마스크부(120)는, 대상 화상의 상이한 부분을 각각 마스크한 복수의 마스크 화상을 마스크 영역 예측부(130)에 공급한다.
마스크 영역 예측부(130)는, 대상 화상에 있어서 마스크된 마스크 영역의 화상을 예측한다. 그리고, 마스크 영역 예측부(130)는, 복수의 마스크 화상에 있어서의 마스크 영역의 각각에 대해 예측한 복수의 예측 화상을 재현 화상 생성부(140)에 공급한다.
재현 화상 생성부(140)는, 복수의 마스크 영역의 각각에 대해 예측한 복수의 예측 화상을 이용하여 재현 화상을 생성한다. 재현 화상 생성부(140)는, 생성한 재현 화상을 차분 검출부(150)에 공급한다.
차분 검출부(150)는, 대상 화상 및 재현 화상의 차분을 검출한다. 이 때, 차분 검출부(150)는, 예를 들어, 미리 정해진 영역마다, 대상 화상 취득부(110)로부터 공급된 대상 화상 및 재현 화상 생성부(140)로부터 공급된 재현 화상을 비교하여, 미리 정해진 영역마다의 차분의 정도를 산출할 수 있다. 그리고, 차분 검출부(150)는, 산출한 차분의 정도를 판정부(160)에 공급한다.
판정부(160)는, 차분의 정도가 미리 정해진 품질을 만족하지 않는 경우에, 검사 대상이 불량품이라고 판정한다. 그리고, 판정부(160)는, 판정 결과를 다른 기능부 및 다른 장치 등에 출력한다. 이러한 검사 장치(100)를 이용하여 검사 대상을 검사하는 경우에 대해, 플로우를 이용하여 상세하게 설명한다.
도 2는, 본 실시 형태 따른 검사 장치(100)가 검사 대상을 검사하는 플로우의 일례를 나타낸다. 스텝 210에 있어서, 대상 화상 취득부(110)는, 검사 대상을 촬영한 대상 화상을 취득한다. 일례로서, 대상 화상 취득부(110)는, 반도체 시험용의 프로브 핀을 광학 현미경 등을 이용하여 촬영한 화상을 네트워크를 통해 취득한다.
그리고, 대상 화상 취득부(110)는, 검사 대상을 촬영한 화상을 그레이 스케일화한다. 광학 현미경 등을 이용하여 프로브 핀을 촬영한 화상은, R, G 및 B의 각 색에 대응하는 3개의 채널을 포함할 수 있다. 그러나, 이들 3개의 채널은, 본 실시형태 따른 검사의 관점에서 보면, 거의 동일한 특징을 갖고 있으며, 어떠한 채널도 다른 채널에 비해 유니크한 특징을 갖지 않는다. 따라서, 대상 화상 취득부(110)는, 취득한 화상을 그레이 스케일화함으로써, 취득한 화상을 싱글 채널화한다. 이와 같이, 대상 화상 취득부(110)는, 검사 대상을 촬영한 화상을 그레이 스케일화한 화상을 대상 화상으로서 취득할 수 있다. 검사 장치(100)는, 대상 화상을 취득함에 있어서, 취득한 화상을 그레이 스케일화하여 싱글 채널로 함으로써, 검사 처리의 부하를 경감시킬 수 있다. 한편, 복수의 채널을 이용한 편이 바람직한 경우, 예를 들어, 검사의 정밀도가 향상되는 경우 등에는, 대상 화상 취득부(110)는, 검사 대상을 촬영한 화상을 그레이 스케일화하지 않고 대상 화상으로서 취득할 수도 있다.
또한, 대상 화상 취득부(110)는, 검사 대상을 촬영한 화상을 협영역화(狹領域化)한다. 예를 들어, 대상 화상 취득부(110)는, Yolo(You Only Look Once) 등의 오브젝트 검출 알고리즘을 이용하여, 화상 내에 있어서의 프로브 핀의 위치 및 크기를 인식한다. 그리고, 대상 화상 취득부(110)는, 인식한 프로브 핀의 위치 및 크기에 기초하여 화상을 클립하고, 대상 영역을 좁힌다. 이와 같이, 대상 화상 취득부(110)는, 검사 대상을 촬영한 화상에 있어서, 검사 대상을 오브젝트 검출하여 대상 영역을 좁힌 화상을 대상 화상으로서 취득할 수 있다. 이와 같이, 검사 장치(100)는, 대상 화상을 취득함에 있어서, 검사 대상을 오브젝트 검출하여 대상 영역을 좁힘으로써, 검사 처리의 고속화를 도모함과 함께, 검사의 정밀도를 향상시킬 수 있다. 대상 화상 취득부(110)는, 전처리(예를 들어, 그레이 스케일화 및 협영역화)한 화상을 대상 화상으로서 취득하여, 해당 대상 화상을 대상 화상 마스크부(120) 및 차분 검출부(150)에 공급한다.
스텝 220에 있어서, 대상 화상 마스크부(120)는, 대상 화상의 일부를 마스크한다. 일례로서, 대상 화상 마스크부(120)는, 스텝 210에 있어서 취득된 대상 화상을 복수의 셀로 분할한다. 그리고, 대상 화상 마스크부(120)는, 대상 화상을 복수의 셀로 분할한 것 중의 1개의 셀을 순차 마스크한다. 대상 화상 마스크부(120)는, 복수의 셀의 각각이 마스크된 복수의 마스크 화상을 마스크 영역 예측부(130)에 공급한다.
스텝 230에 있어서, 마스크 영역 예측부(130)는, 대상 화상에 있어서 마스크된 마스크 영역의 화상을 예측한다. 이 때, 마스크 영역 예측부(130)는, 예를 들어, 양품인 것을 이미 알고 있는 트레이닝 화상만을 이용하여, 일부의 영역이 마스크된 화상이 입력되면, 마스크되어 있지 않은 다른 영역의 화상으로부터 마스크 영역의 화상을 예측할 수 있도록 학습된 CNN(Convolution Neural Network) 등의 학습 완료 모델을 이용할 수 있다. 즉, 마스크 영역 예측부(130)는, 양품인 것을 이미 알고 있는 트레이닝 화상만을 이용하여, 검사 대상이 양품인 경우에 마스크 영역이 어떠한 상태에 있어야 하는지를 예측할 수 있도록 학습된 학습 완료 모델을 이용할 수 있다. 마스크 영역 예측부(130)는, 예를 들어, 스텝 220에 있어서 마스크된 복수의 마스크 화상을 학습 완료 모델에 각각 입력하고, 복수의 셀의 각각에 대해 마스크 영역의 화상을 예측한다. 이러한 모델의 학습에 대해서는, 후술한다. 한편, 상술한 설명에서는 마스크 영역 예측부(130)가 학습 완료된 CNN 모델을 이용하는 경우를 일례로서 나타냈으나, 이것으로 한정되는 것은 아니다. 마스크 영역 예측부(130)는, 다른 알고리즘의 학습 완료 모델을 이용하여 마스크 영역의 화상을 예측할 수도 있고, 학습과는 상이한 알고리즘을 이용하여 마스크 영역의 화상을 예측할 수도 있다. 마스크 영역 예측부(130)는, 복수의 마스크 영역의 각각에 대해 예측한 복수의 예측 화상을 재현 화상 생성부(140)에 공급한다.
스텝 240에 있어서, 재현 화상 생성부(140)는, 복수의 마스크 영역의 각각에 대해 예측한 복수의 예측 화상을 이용하여 재현 화상을 생성한다. 일례로서, 재현 화상 생성부(140)는, 상이한 셀의 각각에 대해 예측한 복수의 예측 화상을 이용하여 재현 화상을 생성한다. 이 때, 재현 화상 생성부(140)는, 예를 들어, 스텝 230에 있어서 복수의 셀의 각각에 대해 예측된 복수의 예측 화상을, 원래의 셀의 위치에 다시 배치함으로써 재현 화상을 생성할 수 있다. 재현 화상 생성부(140)는, 생성한 재현 화상을 차분 검출부(150)에 공급한다.
스텝 250에 있어서, 차분 검출부(150)는, 대상 화상 및 재현 화상의 차분을 검출한다. 일례로서, 차분 검출부(150)는, 미리 정해진 영역마다(예를 들어, 픽셀마다, 픽셀 그룹마다 및 대상 화상을 마스크할 때에 이용한 셀마다 등), 대상 화상 취득부(110)로부터 공급된 대상 화상 및 재현 화상 생성부(140)로부터 공급된 재현 화상을 비교하여, 미리 정해진 영역마다의 차분의 정도를 산출한다. 이 때, 차분 검출부(150)는, 대상 화상과 재현 화상의 L2 노름(norm), 즉, 유클리드 거리에 기초하여, 차분의 정도를 산출할 수 있다. 또한, 차분 검출부(150)는, 차분의 정도에 따라 미리 정해진 영역마다의 표시 태양(예를 들어, 색이나 농도 등)을 상이하게 한 검출 맵을 출력할 수 있다. 그리고, 차분 검출부(150)는, 미리 정해진 영역마다의 차분의 정도를 판정부(160)에 공급한다.
스텝 260에 있어서, 판정부(160)는, 스텝 250에 있어서 산출된 차분의 정도가 미리 정해진 임계값 이하인지 여부를 판정한다. 그리고, 판정부(160)는, 차분의 정도가 미리 정해진 임계값 이하인 경우, 즉, 차분의 정도가 미리 정해진 품질을 만족하는 경우에, 스텝 270으로 진행되고, 검사 대상이 양품이라고 판정하여 처리를 종료한다. 한편, 판정부(160)는, 차분의 정도가 미리 정해진 임계값을 초과하는 경우, 즉, 차분의 정도가 미리 정해진 품질을 만족하지 않는 경우에, 스텝 280으로 진행되고, 검사 대상이 불량품이라고 판정하여 처리를 종료한다. 이 때, 판정부(160)는, 예를 들어, 미리 정해진 영역마다의 차분의 정도 중 가장 큰 차분의 정도가 미리 정해진 임계값을 초과하는 경우에, 검사 대상이 불량품이라고 판정할 수 있다. 그리고, 판정부(160)는, 판정 결과를 다른 기능부 및 다른 장치 등에 출력한다. 한편, 해당 판정에 이용하는 임계값은, 불량품인 것을 이미 알고 있는 검사 대상을 촬상한 화상을 이용하여 본 실시 형태 따른 검사 장치(100)에 의해 차분의 정도를 산출한 경우에 얻어진 최소값 또는 해당 최소값보다도 다소 작은 값으로 하면 좋다. 또한, 상술한 설명에서는, 판정부(160)가, 미리 정해진 영역마다의 차분의 정도 중 가장 큰 차분의 정도에 기초하여, 검사 대상의 양부를 판정하는 경우를 일례로서 나타냈으나, 이것으로 한정되는 것은 아니다. 판정부(160)는, 차분의 정도가 다른 통계값, 예를 들어, 중앙값 및 평균값이나, 분포 등에 기초하여, 검사 대상의 양부를 판정할 수도 있다.
도 3은, 본 실시 형태 따른 검사 장치(100)를 이용한 검사에 있어서의, 대상 화상(310), 마스크 화상(320), 예측 화상(330) 및 재현 화상(340)의 일례를 나타낸다. 대상 화상 취득부(110)는, 일례로서 본 도면에 나타내는 바와 같은 대상 화상(310)을 취득한다. 대상 화상 마스크부(120)는, 대상 화상(310)을 복수의 셀(322)(본 도면에 있어서는, [세로, 가로] = [1, 1] 내지 [5, 5]의 합계 25개의 셀)로 분할한다. 그리고, 대상 화상 마스크부(120)는, 마스크(324)를 이용하여 각각의 셀(322)을 순차 마스크하고, 복수의 마스크 화상(320)을 각각 생성한다. 일례로서, 본 도면 상단, 중단 및 하단은, 각각, 셀[2, 3], 셀[3, 3] 및 셀[4, 3]이 마스크된 경우를 나타내고 있다. 그리고, 마스크 영역 예측부(130)는, 복수의 셀(322)의 각각에 대해 마스크 영역(332)의 화상을 예측하여, 복수의 예측 화상(330)을 각각 생성한다. 그리고, 재현 화상 생성부(140)는, 복수의 셀(322)의 각각에 대해 예측된 복수의 예측 화상(330)을, 원래의 셀(322)의 위치에 다시 배치함으로써 재현 화상(340)을 생성한다.
도 4는, 본 실시 형태 있어서, 검사 대상이 양품인 경우에 있어서의 검사 결과의 일례를 나타낸다. 검사 대상이 양품인 경우, 검사 장치(100)가 생성하는 재현 화상(340)은, 대상 화상(310)과 거의 동일해진다. 왜냐하면, 검사 장치(100)는, 양품인 것을 이미 알고 있는 트레이닝 화상만에 의해 학습된 학습 완료 모델을 이용하여, 검사 대상이 양품인 경우에 마스크 영역이 어떠한 상태에 있어야 하는지를 예측하므로, 검사 장치(100)가 생성하는 재현 화상(340)은, 검사 대상이 양품인 경우에 있어야 할 상태를 재현한 화상이기 때문이다. 따라서, 차분의 정도에 따라 미리 정해진 영역마다의 표시 태양을 상이하게 한 검출 맵(400)에 있어서도, 모든 영역에 있어서 거의 균일한 표시 태양이 된다. 또한, 차분의 정도마다 단위 영역(본 도면에 있어서는, 셀 단위 영역)의 수를 카운트한 분포(본 도면의 하부)에 있어서도, 대부분의 셀이 차분의 정도 = 0의 근방에서 카운트되고, 또한, 어떠한 셀도 차분의 정도 > 1.5(임계값)의 위치에서 카운트되고 있지 않다. 한편, 여기서, 단위 영역은, 예를 들어, 픽셀 단위, 픽셀 그룹 단위 및 셀 단위 등의 영역일 수도 있고, 본 도면에 있어서는, 일례로서, 단위 영역이 셀 단위 영역인 경우를 나타내고 있다. 또한, 세로 축이 폭이 넓을수록, 카운트된 셀의 수가 많은 것을 나타내고 있다. 검사 장치(100)는, 이와 같이 대상 화상(310)과 재현 화상(340) 사이의 차분이 작은 경우에, 대상 화상(310) 내의 검사 대상이 양품이라고 판정한다.
도 5는, 본 실시 형태 있어서, 검사 대상이 불량품인 경우에 있어서의 검사 결과의 일례를 나타낸다. 검사 대상이 불량품인 경우(예를 들어, 검사 대상이 크랙을 포함하는 경우), 검사 장치(100)가 생성하는 재현 화상(340)은, 대상 화상(310)과는 상이할 수 있다. 이 경우, 검출 맵(400)에 있어서도, 차분의 정도가 상이한 영역이, 상이한 태양으로 표시될 수 있다. 또한, 차분의 정도의 분포에 있어서도, 대부분의 셀이 차분의 정도가 큰 위치에서 카운트되고, 몇 개의 셀은, 차분의 정도 > 1.5의 위치에서 카운트되고 있다. 검사 장치(100)는, 이와 같이 대상 화상(310)과 재현 화상(340) 사이의 차분이 큰 경우에, 대상 화상(310) 내의 검사 대상이 불량품이라고 판정한다.
이와 같이, 본 실시 형태 따른 검사 장치(100)에 따르면, 검사 대상의 실제의 상태를 촬영한 화상(대상 화상(310))과, 검사 대상이 양품인 경우에 있어야 할 상태를 예측하여 재현한 화상(재현 화상(340))의 차분을 검출함으로써, 검사 대상의 상태를 용이하게 파악할 수 있다. 또한, 검사 장치(100)는, 차분의 정도에 따라 영역마다의 표시 태양을 상이하게 한 검출 맵(400)을 출력하므로, 검사 대상의 결함 위치를 용이하게 파악할 수 있다. 또한, 검사 장치(100)는, 차분의 정도마다 단위 영역의 수를 카운트한 분포를 출력하므로, 차분의 정도가 상이한 영역이 어떠한 빈도로 화상 내에 출현하고 있는지를 파악할 수 있다.
본 실시 형태 따른 검사 장치(100)를 이용한 이러한 검사는, 예를 들어, 프로브의 제조 과정에 있어서, 프로브의 출하 전 등에 실시될 수도 있고, 프로브를 이용한 실제의 반도체 디바이스의 시험 직전 또는 시험 사이 등에 실시될 수도 있다. 또한, 다방향으로부터의 화상을 이용한 외관 검사가 유용한 경우에는, 검사 장치(100)는, 검사 대상을 복수의 방향으로부터 촬영한 화상을 이용하여 해당 검사를 행함으로써, 검사 대상의 상태를 더욱 상세하게 파악할 수도 있다.
한편, 상술한 설명에서는, 검사 장치(100)가 화상을 이용한 외관 검사만에 기초하여 검사 대상의 양부를 판정하는 경우를 일례로 나타냈으나, 이것으로 한정되는 것은 아니다. 검사 장치(100)는 화상을 이용한 외관 검사 및 전기적 특성의 양자에 기초하여 검사 대상의 양부를 판정할 수도 있다.
일례로서, 판정부(160)는, 검사 대상이 불량품이라고 판정한 경우에, 불량품이라고 판정한 검사 대상을 촬영한 대상 화상으로부터, 검사 대상의 전기적 특성을 예측하고, 전기적 특성이 미리 정해진 품질을 만족하지 않는 경우에, 검사 대상이 불량품이라고 확정할 수 있다. 예를 들어, 판정부(160)는, 검사 대상을 촬영한 대상 화상을 입력하면, 검사 대상의 전기적 특성을 예측할 수 있도록 학습된 학습 완료 모델을 이용할 수 있다. 즉, 판정부(160)는, 프로브 핀을 촬영한 대상 화상을 입력하면, 프로브 핀의 전기적 특성, 예를 들어, 저항값 등을 예측할 수 있도록 학습된 학습 완료 모델을 이용할 수 있다. 그리고, 판정부(160)는, 도 2의 스텝 280에 있어서, 프로브 핀이 불량품이라고 판정한 경우에, 불량품이라고 판정한 프로브 핀을 촬영한 대상 화상을 해당 학습 완료 모델에 입력하고, 프로브 핀의 저항값을 예측하여, 저항값이 미리 정해진 품질을 만족하지 않는 경우에, 검사 대상의 프로브 핀이 불량품이라고 확정할 수 있다. 한편, 상술한 설명에서는, 판정부(160)가, 학습 완료 모델을 이용하여 검사 대상의 전기적 특성을 예측하는 경우를 일례로서 나타냈으나, 이것으로 한정되는 것은 아니다. 판정부(160)는, 학습과는 상이한 알고리즘을 이용하여, 대상 화상으로부터 검사 대상의 전기적 특성을 예측할 수도 있다.
또한, 판정부(160)는, 마찬가지로, 검사 대상이 불량품이라고 판정한 경우에, 불량품이라고 판정한 검사 대상을 촬영한 대상 화상으로부터, 검사 대상의 전기적 특성을 예측하고, 전기적 특성이 미리 정해진 품질을 만족하는 경우에, 검사 대상이 양품이라고 확정할 수도 있다. 예를 들어, 판정부(160)는, 도 2의 스텝 280에 있어서, 프로브 핀이 불량품이라고 판정한 경우에, 불량품이라고 판정한 프로브 핀을 촬영한 대상 화상을 학습 완료 모델에 입력하고, 프로브 핀의 저항값을 예측하여, 저항값이 미리 정해진 품질을 만족하는 경우에, 검사 대상의 프로브 핀이 양품이라고 확정할 수도 있다.
이에 따라, 검사 장치(100)는, 화상을 이용한 외관 검사뿐만 아니라, 전기적 특성도 고려하여 검사 대상의 양부를 정확하게 판정할 수 있다. 예를 들어, 검사 대상을 촬영한 경우에 드리워진 그림자나 파티클 등의 영향에 의해, 화상을 이용한 외관 검사에서는 불량품으로서 판정된 검사 대상이어도, 전기적인 성능으로는 문제 없는 경우가 있을 수 있다. 이에, 검사 장치(100)는, 외관 검사와 전기적 특성을 조합함으로써, 검사 대상의 양부를 더욱 정확하게 판정할 수 있다.
도 6은, 본 실시 형태 따른 학습 장치(600)의 블록도의 일례를 나타낸다. 학습 장치(600)는, 양품인 것을 이미 알고 있는 트레이닝 화상만을 이용하여, 일부의 영역이 마스크된 화상이 입력되면, 마스크되어 있지 않은 다른 영역의 화상으로부터 마스크 영역을 예측할 수 있도록 모델을 학습한다. 즉, 학습 장치(600)는, 검사 대상이 양품인 경우에 마스크된 일부의 영역이 어떠한 상태에 있어야 하는지를 예측할 수 있도록, 양품인 것을 이미 알고 있는 트레이닝 화상만을 이용하여 모델을 학습한다. 본 실시 형태 따른 검사 장치(100)는, 일례로서, 본 도면에 나타내는 바와 같은 학습 장치(600)에 의해 학습된 학습 완료 모델을 이용하여 마스크 영역을 예측할 수 있다.
학습 장치(600)는, PC(퍼스널 컴퓨터), 태블릿형 컴퓨터, 스마트폰, 워크스테이션, 서버 컴퓨터 또는 범용 컴퓨터 등의 컴퓨터일 수 있고, 복수의 컴퓨터가 접속된 컴퓨터 시스템일 수도 있다. 이러한 컴퓨터 시스템도 또한 넓은 의미의 컴퓨터이다. 또한, 학습 장치(600)는, 컴퓨터 내에서 하나 또는 복수의 실행 가능한 가상 컴퓨터 환경에 의해 실장될 수도 있다. 이를 대신하여, 학습 장치(600)는, 모델의 학습용으로 설계된 전용 컴퓨터일 수도 있고, 전용 회로에 의해 실현된 전용 하드웨어일 수도 있다. 또한, 학습 장치(600)가 인터넷에 접속 가능한 경우, 학습 장치(600)는, 클라우드 컴퓨팅에 의해 실현될 수도 있다.
학습 장치(600)는, 트레이닝 화상 취득부(610), 트레이닝 화상 마스크부(620), 예측 모델(630), 오차 산출부(640) 및 모델 갱신부(650)를 구비한다.
트레이닝 화상 취득부(610)는, 트레이닝 화상을 취득한다. 일례로서, 트레이닝 화상 취득부(610)는, 촬영되고 있는 검사 대상이 양품인 것을 이미 알고 있는 복수의 화상을 트레이닝 화상으로서 취득할 수 있다. 이 때, 트레이닝 화상 취득부(610)는, 예를 들어, 네트워크를 통해 트레이닝 화상을 취득할 수도 있고, 유저 입력을 통해 트레이닝 화상을 취득할 수도 있고, 데이터를 기억할 수 있는 메모리 디바이스 등을 통해 트레이닝 화상을 취득할 수도 있다. 그리고, 트레이닝 화상 취득부(610)는, 취득한 트레이닝 화상을 트레이닝 화상 마스크부(620) 및 오차 산출부(640)에 공급한다.
트레이닝 화상 마스크부(620)는, 트레이닝 화상의 일부를 마스크한다. 일례로서, 트레이닝 화상 마스크부(620)는, 트레이닝 화상으로서 취득한 복수의 화상을 랜덤으로 마스크한 복수의 마스크 화상을 예측 모델(630)에 공급한다.
예측 모델(630)은, 일부의 영역이 마스크된 트레이닝 화상을 입력하여, 트레이닝 화상을 예측한 모델 화상을 출력한다. 예측 모델(630)은, 일례로서, 일부의 영역이 마스크된 트레이닝 화상이 입력되면, 검사 대상이 양품인 경우에 마스크 영역이 어떠한 상태에 있어야 하는지를 예측하여, 트레이닝 화상을 예측한 모델 화상을 출력한다. 이 때, 예측 모델(630)은, 마스크 영역의 예측에 있어서, 예를 들어, CNN 등의 알고리즘을 이용할 수 있다. 한편, 상술한 설명에서는, 예측 모델(630)이 CNN을 이용하는 경우를 일례로 하여 설명했으나, 이것으로 한정되는 것은 아니다. 예측 모델(630)은, CNN과는 상이한 알고리즘을 이용하여 마스크 영역의 화상을 예측할 수 있다. 예측 모델(630)은, 출력한 모델 화상을 오차 산출부에 공급한다.
오차 산출부(640)는, 트레이닝 화상 취득부(610)로부터 공급된 트레이닝 화상 및 예측 모델(630)로부터 공급된 모델 화상의 오차를 산출한다. 오차 산출부(640)는, 산출한 오차를 모델 갱신부(650)에 공급한다.
모델 갱신부(650)는, 트레이닝 화상 취득부(610)로부터 공급된 트레이닝 화상 및 예측 모델(630)로부터 공급된 모델 화상의 오차에 기초하여 예측 모델(630)을 갱신한다. 이러한 학습 장치(600)를 이용하여 모델을 학습하는 경우에 대해, 플로우를 이용하여 상세하게 설명한다.
도 7은, 본 실시 형태 따른 학습 장치(600)가 예측 모델(630)을 학습하는 플로우의 일례를 나타낸다. 스텝 710에 있어서, 트레이닝 화상 취득부(610)는, 트레이닝 화상을 취득한다. 일례로서, 트레이닝 화상 취득부(610)는, 촬영되고 있는 검사 대상이 양품인 것을 이미 알고 있는 복수의 화상을, 네트워크를 통해 취득한다. 그리고, 트레이닝 화상 취득부(610)는, 대상 화상 취득부(110)와 마찬가지로, 취득한 화상을 전처리한 화상을 트레이닝 화상으로서 취득한다. 이 때, 트레이닝 화상 취득부(610)는, 윤곽 검출 필터 등을 이용하여 초점이 검사 대상으로부터 벗어나 있는 화상을, 트레이닝 화상으로서 취득하지 않고 드롭시킬 수도 있다. 트레이닝 화상 취득부(610)는, 취득한 트레이닝 화상을 트레이닝 화상 마스크부(620) 및 오차 산출부(640)에 공급한다.
스텝 720에 있어서, 트레이닝 화상 마스크부(620)는, 트레이닝 화상의 일부를 마스크한다. 예를 들어, 트레이닝 화상 마스크부(620)는, 트레이닝 화상으로서 취득한 복수의 화상을 랜덤으로 선택한다. 다음에, 트레이닝 화상 마스크부(620)는, 랜덤으로 선택된 화상의 각각에 대하여, 화상 영역을 복수의 셀로 분할한 것 중의 1개의 셀을 랜덤으로 마스크한다. 그리고, 트레이닝 화상 마스크부(620)는, 랜덤으로 선택된 화상을 랜덤으로 마스크한 복수의 마스크 화상을 예측 모델(630)에 공급한다.
스텝 730에 있어서, 예측 모델(630)은, 마스크된 트레이닝 화상을 입력하여, 트레이닝 화상을 예측한 모델 화상을 출력한다. 예를 들어, 예측 모델(630)은, 일부의 영역이 랜덤으로 마스크된 마스크 화상이 입력되면, 마스크되어 있지 않은 다른 영역의 화상으로부터 마스크 영역의 화상을 예측한다. 그리고, 예측 모델(630)은, 트레이닝 화상의 마스크 영역에 예측한 화상을 삽입함으로써, 모델 화상을 출력한다. 예측 모델(630)은, 모델 화상을 오차 산출부(640)에 공급한다.
스텝 740에 있어서, 오차 산출부(640)는, 트레이닝 화상 취득부(610)로부터 공급된 트레이닝 화상 및 예측 모델(630)로부터 공급된 모델 화상의 오차를 산출한다. 오차 산출부(640)는, 산출한 오차를 모델 갱신부(650)에 공급한다.
스텝 750에 있어서, 모델 갱신부(650)는, 트레이닝 화상 취득부(610)로부터 공급된 트레이닝 화상 및 예측 모델(630)로부터 공급된 모델 화상의 오차에 기초하여 예측 모델(630)을 갱신한다. 예를 들어, 모델 갱신부(650)는, 스텝 740에 있어서 산출된 오차를 목적 함수로 하고, 해당 목적 함수를 최소화하도록, 예측 모델(630)에 있어서의 가중치 등의 파라미터를 갱신한다.
스텝 760에 있어서, 학습 장치(600)는, 트레이닝이 종료되었는지 여부를 판정한다. 학습 장치(600)는, 스텝 760에 있어서, 트레이닝이 종료되지 않았다고 판정한 경우, 처리를 스텝 710으로 되돌려 처리를 반복한다. 한편, 학습 장치(600)는, 스텝 760에 있어서, 트레이닝이 종료되었다고 판정한 경우, 처리를 종료한다. 이 때, 학습 장치(600)는, 예를 들어, 트레이닝 시간, 트레이닝 횟수 및 트레이닝 정밀도 등, 어떠한 조건에 기초하여 트레이닝이 종료되었는지 여부를 판정할 수도 있다.
이와 같이, 본 실시 형태 따른 학습 장치(600)에 따르면, 촬영되고 있는 검사 대상이 양품인 것을 이미 알고 있는 복수의 화상만을 트레이닝 화상으로서 이용하여, 트레이닝 화상과 모델 화상의 오차를 최소화하도록 예측 모델(630)을 갱신하므로, 학습 장치(600)는, 예측 모델(630)을, 검사 대상이 양품인 경우에 마스크 영역이 있어야 할 상태의 화상을 예측할 수 있도록 갱신할 수 있다.
본 발명의 다양한 실시 형태, 플로우 차트 및 블록도를 참조하여 기재될 수 있고, 여기에 있어서 블록은, (1) 조작이 실행되는 프로세스의 단계 또는 (2) 조작을 실행하는 역할을 갖는 장치의 섹션을 나타낼 수 있다. 특정의 단계 및 섹션이, 전용 회로, 컴퓨터 가독 매체 상에 저장되는 컴퓨터 가독 명령과 함께 공급되는 프로그래머블 회로 및/또는 컴퓨터 가독 매체 상에 저장되는 컴퓨터 가독 명령과 함께 공급되는 프로세서에 의해 실장될 수 있다. 전용 회로는, 디지털 및/또는 아날로그 하드웨어 회로를 포함할 수 있고, 집적 회로(IC) 및/또는 디스크리트 회로를 포함할 수 있다. 프로그래머블 회로는, 논리 AND, 논리 OR, 논리 XOR, 논리 NAND, 논리 NOR 및 다른 논리 조작, 플립플롭, 레지스터, 필드 프로그래머블 게이트 어레이(FPGA), 프로그래머블 로직 어레이(PLA) 등과 같은 메모리 요소 등을 포함하는, 재구성 가능한 하드웨어 회로를 포함할 수 있다.
컴퓨터 가독 매체는, 적절한 디바이스에 의해 실행되는 명령을 저장할 수 있는 임의의 유형의 디바이스를 포함할 수 있고, 그 결과, 거기에 저장되는 명령을 갖는 컴퓨터 가독 매체는, 플로우 차트 또는 블록도에서 지정된 조작을 실행하기 위한 수단을 작성할 수 있도록 실행될 수 있는 명령을 포함하는, 제품을 구비하게 된다. 컴퓨터 가독 매체의 예로는, 전자 기억 매체, 자기 기억 매체, 광 기억 매체, 전자(電磁) 기억 매체, 반도체 기억 매체 등이 포함될 수 있다. 컴퓨터 가독 매체의 더욱 구체적인 예로는, 플로피(등록상표) 디스크, 디스켓, 하드 디스크, 랜덤 액세스 메모리(RAM), 리드 온리 메모리(ROM), 소거 가능 프로그래머블 리드 온리 메모리(EPROM 또는 플래시 메모리), 전기적 소거 가능 프로그래머블 리드 온리 메모리(EEPROM), 정적 랜덤 액세스 메모리(SRAM), 컴팩트 디스크 리드 온리 메모리(CD-ROM), 디지털 다용도 디스크(DVD), 블루레이(등록 상표) 디스크, 메모리 스틱, 집적 회로 카드 등이 포함될 수 있다.
컴퓨터 가독 명령은, 어셈블러 명령, 명령 세트 아키텍처(ISA) 명령, 머신 명령, 머신 의존 명령, 마이크로 코드, 펌웨어 명령, 상태 설정 데이터 또는 Smalltalk, JAVA(등록 상표), C++ 등과 같은 오브젝트 지향 프로그래밍 언어 및 「C」프로그래밍 언어 또는 동일한 프로그래밍 언어와 같은 종래의 절차형 프로그래밍 언어를 포함하는, 하나 또는 복수의 프로그래밍 언어의 임의의 조합으로 기술된 소스 코드 또는 오브젝트 코드 중 어느 하나를 포함할 수 있다.
컴퓨터 가독 명령은, 범용 컴퓨터, 특수 목적의 컴퓨터 혹은 다른 프로그램 가능한 데이터 처리 장치의 프로세서 또는 프로그래머블 회로에 대하여, 로컬로 또는 로컬 에어리어 네트워크(LAN), 인터넷 등과 같은 와이드 에어리어 네트워크(WAN)를 통해 제공되며, 플로우 차트 또는 블록도에서 지정된 조작을 실행하기 위한 수단을 작성할 수 있도록, 컴퓨터 가독 명령을 실행할 수 있다. 프로세서의 예로는, 컴퓨터 프로세서, 처리 유닛, 마이크로 프로세서, 디지털 신호 프로세서, 컨트롤러, 마이크로 컨트롤러 등을 포함한다.
도 8은, 본 발명의 복수의 태양이 전체적 또는 부분적으로 구현화될 수 있는 컴퓨터(2200)의 예를 나타낸다. 컴퓨터(2200)에 인스톨된 프로그램은, 컴퓨터(2200)에, 본 발명의 실시 형태 따른 장치에 관련지어지는 조작 또는 해당 장치의 1 또는 복수의 섹션으로서 기능시킬 수 있거나. 또는 해당 조작 또는 해당 하나 또는 복수의 섹션을 실행시킬 수 있고 그리고/또는 컴퓨터(2200)에, 본 발명의 실시 형태에 따른 프로세스 또는 해당 프로세스의 단계를 실행시킬 수 있다. 그러한 프로그램은, 컴퓨터(2200)에, 본 명세서에 기재된 플로우 차트 및 블록도의 블록 중의 몇 개 또는 모두에 관련지어진 특정의 조작을 실행시키기 위해, CPU(2212)에 의해 실행될 수 있다.
본 실시 형태 따른 컴퓨터(2200)는, CPU(2212), RAM(2214), 그래픽 컨트롤러(2216), 및 디스플레이 디바이스(2218)를 포함하고, 이들은 호스트 컨트롤러(2210)에 의해 상호 접속된다. 컴퓨터(2200)는 또한, 통신 인터페이스(2222), 하드 디스크 드라이브(2224), DVD-ROM 드라이브(2226), 및 IC 카드 드라이브와 같은 입/출력 유닛을 포함하고, 이들은 입/출력 컨트롤러(2220)를 통해 호스트 컨트롤러(2210)에 접속된다. 컴퓨터는 또한, ROM(2230) 및 키보드(2242)와 같은 레거시의 입/출력 유닛을 포함하고, 이들은 입/출력 칩(2240)을 통해 입/출력 컨트롤러(2220)에 접속된다.
CPU(2212)는, ROM(2230) 및 RAM(2214) 내에 저장된 프로그램에 따라 동작하며, 그에 따라 각 유닛을 제어한다. 그래픽 컨트롤러(2216)는, RAM(2214) 내에 제공되는 프레임 버퍼 등 또는 그 자체 중에 CPU(2212)에 의해 생성된 이미지 데이터를 취득하고, 이미지 데이터가 디스플레이 디바이스(2218) 상에 표시되도록 한다.
통신 인터페이스(2222)는, 네트워크를 통해 다른 전자 디바이스와 통신한다. 하드 디스크 드라이브(2224)는, 컴퓨터(2200) 내의 CPU(2212)에 의해 사용되는 프로그램 및 데이터를 저장한다. DVD-ROM 드라이브(2226)는, 프로그램 또는 데이터를 DVD-ROM(2201)으로부터 판독하고, 하드 디스크 드라이브(2224)에 RAM(2214)을 통해 프로그램 또는 데이터를 제공한다. IC 카드 드라이브는, 프로그램 및 데이터를 IC 카드로부터 판독하고 그리고/또는 프로그램 및 데이터를 IC 카드에 기록한다.
ROM(2230)은 그 안에, 액티브화 시에 컴퓨터(2200)에 의해 실행되는 부팅 프로그램 등 그리고/또는 컴퓨터(2200)의 하드웨어에 의존하는 프로그램을 저장한다. 입/출력 칩(2240)은 또한, 다양한 입/출력 유닛을 패러럴 포트, 시리얼 포트, 키보드 포트, 마우스 포트 등을 통해, 입/출력 컨트롤러(2220)에 접속할 수 있다.
프로그램이, DVD-ROM(2201) 또는 IC 카드와 같은 컴퓨터 가독 매체에 의해 제공된다. 프로그램은, 컴퓨터 가독 매체로부터 판독되어, 컴퓨터 가독 매체의 예이기도 한 하드 디스크 드라이브(2224), RAM(2214) 또는 ROM(2230)에 인스톨되고, CPU(2212)에 의해 실행된다. 이들 프로그램 내에 기술되는 정보 처리는, 컴퓨터(2200)에 판독되어, 프로그램과, 상기 다양한 타입의 하드웨어 리소스와의 사이의 연계를 가져온다. 장치 또는 방법이, 컴퓨터(2200)의 사용에 따라 정보의 조작 또는 처리를 실현함으로써 구성될 수 있다.
예를 들어, 통신이 컴퓨터(2200) 및 외부 디바이스 간에 실행되는 경우, CPU(2212)는, RAM(2214)에 로드된 통신 프로그램을 실행하고, 통신 프로그램에 기술된 처리에 기초하여, 통신 인터페이스(2222)에 대하여, 통신처리를 명령할 수 있다. 통신 인터페이스(2222)는, CPU(2212)의 제어 하에서, RAM(2214), 하드 디스크 드라이브(2224), DVD-ROM(2201) 또는 IC 카드와 같은 기록 매체 내에 제공되는 송신 버퍼 처리 영역에 저장된 송신 데이터를 판독하고, 판독된 송신 데이터를 네트워크에 송신하고 또는 네트워크로부터 수신된 수신 데이터를 기록 매체 상에 제공되는 수신 버퍼 처리 영역 등에 기입한다.
또한, CPU(2212)는, 하드 디스크 드라이브(2224), DVD-ROM 드라이브(2226)(DVD-ROM(2201)), IC 카드 등과 같은 외부 기록 매체에 저장된 파일 또는 데이터베이스의 전부 또는 필요한 부분이 RAM(2214)에 판독되도록 하며, RAM(2214) 상의 데이터에 대하여 다양한 타입의 처리를 실행할 수 있다. CPU(2212)는 다음에, 처리된 데이터를 외부 기록 매체에 라이트백한다.
다양한 타입의 프로그램, 데이터, 테이블 및 데이터베이스와 같은 다양한 타입의 정보가 기록 매체에 저장되어, 정보 처리를 받을 수 있다. CPU(2212)는, RAM(2214)으로부터 판독된 데이터에 대하여, 본 개시의 곳곳에 기재되며, 프로그램의 명령 시퀀스에 따라 지정되는 다양한 타입의 조작, 정보 처리, 조건 판단, 조건분기, 무조건 분기, 정보의 검색/치환 등을 포함하는, 다양한 타입의 처리를 실행할 수 있고, 결과를 RAM(2214)에 대하여 라이트백한다. 또한, CPU(2212)는, 기록 매체 내의 파일, 데이터베이스 등에 있어서의 정보를 검색할 수 있다. 예를 들어, 각각이 제2 속성의 속성값에 관련지어진 제1 속성의 속성값을 갖는 복수의 엔트리가 기록 매체 내에 저장되는 경우, CPU(2212)는, 제1 속성의 속성값이 지정되는, 조건에 일치하는 엔트리를 해당 복수의 엔트리 중에서 검색하여, 해당 엔트리 내에 저장된 제2 속성의 속성값을 판독하고, 그에 따라 미리 정해진 조건을 만족하는 제1 속성에 관련지어진 제2 속성의 속성값을 취득할 수 있다.
위에서 설명한 프로그램 또는 소프트웨어 모듈은, 컴퓨터(2200) 상 또는 컴퓨터(2200) 근방의 컴퓨터 가독 매체에 저장될 수 있다. 또한, 전용 통신 네트워크 또는 인터넷에 접속된 서버 시스템 내에 제공되는 하드 디스크 또는 RAM과 같은 기록 매체가, 컴퓨터 가독 매체로서 사용 가능하며, 그에 따라 프로그램을, 네트워크를 통해 컴퓨터(2200)에 제공한다.
이상, 본 발명을 실시의 형태를 이용하여 설명했으나, 본 발명의 기술적 범위는 상기 실시의 형태에 기재된 범위로는 한정되지 않는다. 상기 실시의 형태에, 다양한 변경 또는 개량을 가하는 것이 가능함이 당업자에게 명백하다. 그러한 변경 또는 개량을 가한 형태도 본 발명의 기술적 범위에 포함될 수 있는 것이, 청구의 범위의 기재로부터 명백하다.
청구의 범위 명세서, 및 도면 중에 있어서 나타낸 장치, 시스템, 프로그램 및 방법에 있어서의 동작, 수순, 스텝 및 단계 등의 각 처리의 실행순서는, 특별히 「보다 앞에」, 「앞서」 등으로 명시하고 있지 않으며, 또한 전의 처리의 출력을 후의 처리에서 이용하는 것이 아닌 이상, 임의의 순서로 실현할 수 있는 것에 유의해야 한다. 청구의 범위, 명세서 및 도면 중의 동작 플로우에 관하여, 편의상 「먼저,」, 「다음에,」 등을 이용하여 설명하였다고 하더라도, 이 순서로 실시하는 것이 필수임을 의미하는 것은 아니다.
100 검사 장치
110 대상 화상 취득부
120 대상 화상 마스크부
130 마스크 영역 예측부
140 재현 화상 생성부
150 차분 검출부
160 판정부
600 학습 장치
610 트레이닝 화상 취득부
620 트레이닝 화상 마스크부
630 예측 모델
640 오차 산출부
650 모델 갱신부
2200 컴퓨터
2201 DVD-ROM
2210 호스트 컨트롤러
2212 CPU
2214 RAM
2216 그래픽 컨트롤러
2218 디스플레이 디바이스
2220 입/출력 컨트롤러
2222 통신 인터페이스
2224 하드 디스크 드라이브
2226 DVD-ROM 드라이브
2230 ROM
2240 입/출력 칩
2242 키보드

Claims (16)

  1. 검사 대상을 촬영한 대상 화상을 취득하는 대상 화상 취득부와,
    상기 대상 화상의 일부를 마스크하는 대상 화상 마스크부와,
    상기 대상 화상에 있어서 마스크된 마스크 영역의 화상을 예측하는 마스크 영역 예측부와,
    복수의 마스크 영역의 각각에 대해 예측한 복수의 예측 화상을 이용하여 재현 화상을 생성하는 재현 화상 생성부와,
    상기 대상 화상 및 상기 재현 화상의 차분을 검출하는 차분 검출부
    를 구비하는, 검사 장치.
  2. 제1항에 있어서,
    상기 차분 검출부는, 미리 정해진 영역마다 상기 대상 화상 및 상기 재현 화상을 비교하여, 상기 미리 정해진 영역마다의 상기 차분의 정도를 산출하는, 검사 장치.
  3. 제2항에 있어서,
    상기 차분의 정도가 미리 정해진 품질을 만족하지 않는 경우에, 상기 검사 대상이 불량품이라고 판정하는 판정부를 추가로 구비하는, 검사 장치.
  4. 제3항에 있어서,
    상기 판정부는, 상기 미리 정해진 영역마다의 상기 차분의 정도 중, 가장 큰 상기 차분의 정도가 미리 정해진 임계값을 초과하는 경우에, 상기 검사 대상이 불량품이라고 판정하는, 검사 장치.
  5. 제3항 또는 제4항에 있어서,
    상기 판정부는, 상기 검사 대상이 불량품이라고 판정한 경우에, 불량품이라고 판정한 상기 검사 대상을 촬영한 상기 대상 화상으로부터, 상기 검사 대상의 전기적 특성을 예측하고, 상기 전기적 특성이 미리 정해진 품질을 만족하지 않는 경우에, 상기 검사 대상이 불량품이라고 확정하는, 검사 장치.
  6. 제3항 내지 제5항 중 어느 한 항에 있어서,
    상기 판정부는, 상기 검사 대상이 불량품이라고 판정한 경우에, 불량품이라고 판정한 상기 검사 대상을 촬영한 상기 대상 화상으로부터, 상기 검사 대상의 전기적 특성을 예측하고, 상기 전기적 특성이 미리 정해진 품질을 만족하는 경우에, 상기 검사 대상이 양품이라고 확정하는, 검사 장치.
  7. 제2항 내지 제6항 중 어느 한 항에 있어서,
    상기 차분 검출부는, 상기 차분의 정도에 따라 상기 미리 정해진 영역마다의 표시 태양을 상이하게 한 검출 맵을 출력하는, 검사 장치.
  8. 제2항 내지 제7항 중 어느 한 항에 있어서,
    상기 차분 검출부는, 상기 대상 화상과 상기 재현 화상의 유클리드 거리에 기초하여, 상기 차분의 정도를 산출하는, 검사 장치.
  9. 제1항 내지 제8항 중 어느 한 항에 있어서,
    상기 대상 화상 마스크부는, 상기 대상 화상을 복수의 셀로 분할한 것 중의 1개의 셀을 순차 마스크하고,
    상기 재현 화상 생성부는, 상이한 셀의 각각에 대해 예측한 복수의 예측 화상을 이용하여 상기 재현 화상을 생성하는, 검사 장치.
  10. 제1항 내지 제9항 중 어느 한 항에 있어서,
    상기 대상 화상 취득부는, 상기 검사 대상을 촬영한 화상을 그레이 스케일화한 화상을 상기 대상 화상으로서 취득하는, 검사 장치.
  11. 제1항 내지 제10항 중 어느 한 항에 있어서,
    상기 대상 화상 취득부는, 상기 검사 대상을 촬영한 화상에 있어서, 상기 검사 대상을 오브젝트 검출하여 대상 영역을 좁힌 화상을 상기 대상 화상으로서 취득하는, 검사 장치.
  12. 검사 대상을 촬영한 대상 화상을 취득하는 것과,
    상기 대상 화상의 일부를 마스크하는 것과,
    상기 대상 화상에 있어서 마스크한 마스크 영역의 화상을 예측하는 것과,
    복수의 마스크 영역의 각각에 대해 예측한 복수의 예측 화상을 이용하여 재현 화상을 생성하는 것과,
    상기 대상 화상 및 상기 재현 화상의 차분을 검출하는 것
    을 구비하는, 검사 방법.
  13. 컴퓨터에 의해 실행되어, 상기 컴퓨터를
    검사 대상을 촬영한 대상 화상을 취득하는 대상 화상 취득부와,
    상기 대상 화상의 일부를 마스크하는 대상 화상 마스크부와,
    상기 대상 화상에 있어서 마스크한 마스크 영역의 화상을 예측하는 마스크 영역 예측부와,
    복수의 마스크 영역의 각각에 대해 예측한 복수의 예측 화상을 이용하여 재현 화상을 생성하는 재현 화상 생성부와,
    상기 대상 화상 및 상기 재현 화상의 차분을 검출하는 차분 검출부
    로서 기능시키는, 검사 프로그램.
  14. 트레이닝 화상을 취득하는 트레이닝 화상 취득부와,
    트레이닝 화상의 일부를 마스크하는 트레이닝 화상 마스크부와,
    마스크된 트레이닝 화상을 입력하여, 상기 트레이닝 화상을 예측한 모델 화상을 출력하는 예측 모델과,
    상기 트레이닝 화상 및 상기 모델 화상의 오차에 기초하여 상기 예측 모델을 갱신하는 모델 갱신부,
    를 구비하는, 학습 장치.
  15. 트레이닝 화상을 취득하는 것과,
    트레이닝 화상의 일부를 마스크하는 것과,
    마스크된 트레이닝 화상을 예측 모델에 입력하여, 상기 트레이닝 화상을 예측한 모델 화상을 출력하는 것과,
    상기 트레이닝 화상 및 상기 모델 화상의 오차에 기초하여 상기 예측 모델을 갱신하는 것
    을 구비하는, 학습 방법.
  16. 컴퓨터에 의해 실행되어, 상기 컴퓨터를,
    트레이닝 화상을 취득하는 트레이닝 화상 취득부와,
    트레이닝 화상의 일부를 마스크하는 트레이닝 화상 마스크부와,
    마스크된 트레이닝 화상을 입력하여, 상기 트레이닝 화상을 예측한 모델 화상을 출력하는 예측 모델과,
    상기 트레이닝 화상 및 상기 모델 화상의 오차에 기초하여 상기 예측 모델을 갱신하는 모델 갱신부
    로서 기능시키는, 학습 프로그램.
KR1020217040891A 2019-07-28 2020-05-11 검사 장치, 검사 방법 및 검사 프로그램, 그리고 학습 장치, 학습 방법 및 학습 프로그램 KR20220010516A (ko)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US16/524,162 US11244443B2 (en) 2019-07-28 2019-07-28 Examination apparatus, examination method, recording medium storing an examination program, learning apparatus, learning method, and recording medium storing a learning program
US16/524,162 2019-07-28
PCT/JP2020/018851 WO2021019865A1 (ja) 2019-07-28 2020-05-11 検査装置、検査方法、および、検査プログラム、ならびに、学習装置、学習方法、および、学習プログラム

Publications (1)

Publication Number Publication Date
KR20220010516A true KR20220010516A (ko) 2022-01-25

Family

ID=74190322

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020217040891A KR20220010516A (ko) 2019-07-28 2020-05-11 검사 장치, 검사 방법 및 검사 프로그램, 그리고 학습 장치, 학습 방법 및 학습 프로그램

Country Status (7)

Country Link
US (1) US11244443B2 (ko)
JP (1) JP7190047B2 (ko)
KR (1) KR20220010516A (ko)
CN (1) CN113994378A (ko)
DE (1) DE112020003599T5 (ko)
TW (1) TWI849144B (ko)
WO (1) WO2021019865A1 (ko)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113284579A (zh) * 2021-07-21 2021-08-20 深圳百胜扬工业电子商务平台发展有限公司 一种放射图像数据生成与管理的仿真系统

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4547757B2 (ja) 1999-03-25 2010-09-22 ソニー株式会社 画像信号処理装置、画像信号処理方法、学習装置、学習方法及び記録媒体
US10867327B1 (en) * 2014-06-27 2020-12-15 Blinker, Inc. System and method for electronic processing of vehicle transactions based on image detection of vehicle license plate
JP6669453B2 (ja) 2015-09-08 2020-03-18 株式会社Ｓｃｒｅｅｎホールディングス 画像分類装置および画像分類方法
JP2018173814A (ja) * 2017-03-31 2018-11-08 富士通株式会社 画像処理装置、画像処理方法、画像処理プログラム、及び教師データ生成方法
US10733722B2 (en) * 2017-06-27 2020-08-04 Nec Corporation Reconstructor and contrastor for anomaly detection
CN109937434B (zh) * 2017-10-18 2021-06-11 腾讯科技（深圳）有限公司 图像处理方法、装置、终端和存储介质
CN116741353A (zh) 2017-11-24 2023-09-12 佳能医疗系统株式会社 医用数据处理装置、磁共振成像装置及学习完毕模型生成方法
AU2018390987B2 (en) * 2017-12-21 2024-06-27 Tiliter Pty Ltd A retail checkout terminal fresh produce identification system
US10796154B2 (en) * 2018-06-25 2020-10-06 Bionic 8 Analytics Ltd. Method of image-based relationship analysis and system thereof
US10866197B2 (en) * 2018-09-20 2020-12-15 KLA Corp. Dispositioning defects detected on extreme ultraviolet photomasks
JP7119910B2 (ja) * 2018-10-30 2022-08-17 富士通株式会社 検出方法、検出プログラムおよび検出装置
US10755401B2 (en) * 2018-12-04 2020-08-25 General Electric Company System and method for work piece inspection
US11244504B2 (en) * 2019-05-03 2022-02-08 Facebook Technologies, Llc Semantic fusion

Also Published As

Publication number Publication date
JP7190047B2 (ja) 2022-12-14
TW202104923A (zh) 2021-02-01
JPWO2021019865A1 (ko) 2021-02-04
US20210027443A1 (en) 2021-01-28
CN113994378A (zh) 2022-01-28
WO2021019865A1 (ja) 2021-02-04
US11244443B2 (en) 2022-02-08
DE112020003599T5 (de) 2022-05-05
TWI849144B (zh) 2024-07-21

Similar Documents

Publication Publication Date Title
US10818000B2 (en) Iterative defect filtering process
JP7350878B2 (ja) 画像解析方法、装置、プログラム
TW202105549A (zh) 對樣本的缺陷檢測的方法及其系統
CN109977191B (zh) 问题地图检测方法、装置、电子设备和介质
KR20190128745A (ko) 컨투어 기반 결함 검출
CN108509324B (zh) 选择计算平台的系统和方法
CN113343630A (zh) 建模方法及建模装置、电子设备及存储介质
US11580425B2 (en) Managing defects in a model training pipeline using synthetic data sets associated with defect types
CN110763706A (zh) 分析晶体缺陷的系统和方法
CN112420125A (zh) 分子属性预测方法、装置、智能设备和终端
CN117274133A (zh) 瑕疵侦测方法、电子设备及存储介质
JPH11111796A (ja) 不良解析方法及びその装置
CN115661160A (zh) 一种面板缺陷检测方法及系统及装置及介质
CN117576108B (zh) 晶圆缺陷检测的可视化优化方法、装置和计算机设备
KR20220010516A (ko) 검사 장치, 검사 방법 및 검사 프로그램, 그리고 학습 장치, 학습 방법 및 학습 프로그램
JPWO2019215746A5 (ko)
KR102581229B1 (ko) 해석 장치, 해석 방법 및 해석 프로그램
CN111241766A (zh) 测试方法与测试系统
US12112515B2 (en) Technique for generating a labeled set of images
US20210143038A1 (en) Semiconductor process analysis device, semiconductor process analysis method, and storage medium
CN110880182B (zh) 图像分割模型训练方法、图像分割方法、装置及电子设备
KR102532513B1 (ko) 해석 장치, 해석 방법 및 해석 프로그램
JP2015201055A (ja) 欠陥箇所予測装置、欠陥箇所予測プログラムおよび欠陥箇所予測方法
JP2021174194A (ja) 学習用データ処理装置、学習装置、学習用データ処理方法、およびプログラム
TWI723941B (zh) 缺陷分類裝置、缺陷分類程式

Legal Events

Date Code Title Description
E902 Notification of reason for refusal