TWI697849B - 圖像處理系統、記憶媒體、資訊擷取系統及資料產生系統 - Google Patents

圖像處理系統、記憶媒體、資訊擷取系統及資料產生系統 Download PDF

Info

Publication number
TWI697849B
TWI697849B TW108122862A TW108122862A TWI697849B TW I697849 B TWI697849 B TW I697849B TW 108122862 A TW108122862 A TW 108122862A TW 108122862 A TW108122862 A TW 108122862A TW I697849 B TWI697849 B TW I697849B
Authority
TW
Taiwan
Prior art keywords
image
recognition
data
mentioned
information
Prior art date
Application number
TW108122862A
Other languages
English (en)
Other versions
TW201945982A (zh
Inventor
篠田伸一
豊田康隆
崎村茂寿
石川昌義
新藤博之
菅原仁志
Original Assignee
日商日立全球先端科技股份有限公司
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 日商日立全球先端科技股份有限公司 filed Critical 日商日立全球先端科技股份有限公司
Publication of TW201945982A publication Critical patent/TW201945982A/zh
Application granted granted Critical
Publication of TWI697849B publication Critical patent/TWI697849B/zh

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
    • 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
    • G06V10/30—Noise filtering
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T1/00—General purpose image data processing
    • G06T1/60—Memory management
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • 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
    • 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
    • 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
    • G06V10/772—Determining representative reference patterns, e.g. averaging or distorting patterns; Generating dictionaries
    • 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
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/98—Detection or correction of errors, e.g. by rescanning the pattern or by human intervention; Evaluation of the quality of the acquired patterns
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2200/00—Indexing scheme for image data processing or generation, in general
    • G06T2200/24—Indexing scheme for image data processing or generation, in general involving graphical user interfaces [GUIs]
    • 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
    • G06T2207/10056—Microscopic image
    • G06T2207/10061—Microscopic image from scanning electron microscope
    • 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
    • G06T2207/20212—Image combination
    • G06T2207/20224—Image subtraction
    • 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)
  • Multimedia (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Quality & Reliability (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Image Analysis (AREA)

Abstract

本發明之目的在於兼顧學習於使用識別器之圖像識別所用之對照圖像之圖像處理系統之資料量之抑制與識別器之識別性能提高。
為了達成上述目的，提案一種圖像處理系統，其係具備使用對照圖像對圖像進行識別之識別器(9)之圖像處理系統，且具備機械學習圖像識別所需之對照圖像資料之機械學習引擎(1)，該機械學習引擎使用識別失敗之圖像(2)，進行識別成功之圖像(3)之探索，對藉由該探索獲得之識別成功之圖像，附加基於藉由上述輸入裝置所選擇之上述識別失敗之圖像之部分圖像而獲得之資訊，而產生修正對照圖像資料(13)。

Description

圖像處理系統、記憶媒體、資訊擷取系統及資料產生系統
本揭示係關於使基於圖像資訊進行圖像之識別之圖像識別器機械學習之圖像處理系統、及電腦程式，尤其係關於使用對照圖像，使識別被對照圖像之圖像識別器機械學習之圖像處理系統、及電腦程式。
先前，使用藉由從圖像擷取特徵量，與事前登錄於資料庫等之資訊比較對照而判別對象物之圖像解析技術。作為判別對象物之機械學習之運算法，已知有神經網路或支援向量機。由於任一方法均係根據選擇何種特徵量而使識別精度較大地變動，故特徵量之選擇方法至為重要。
近年來，開發有一種稱為CNN(Convolutional Neural Network；卷積神經網路)之深層學習器而備受關注(非專利文獻1)。CNN係機械學習器之一種，且係自動擷取圖像之特徵予以學習，判定對象為何的機制。由於迄今為止重要之特徵量之選擇均由系統自動擷取，故認為今後備齊何種學習資料較為重要。於專利文獻1或專利文獻2中，介紹一種藉由對學習資料加入雜訊使之學習而可對雜訊進行強有力的判別之技術。
[先前技術文獻] [專利文獻]
[專利文獻1]日本特開平5-54195號公報
[專利文獻2]日本特開平10-63789號公報
[非專利文獻] [非專利文獻]
Alex Krizhevsky, Ilya Sutskever, and Geoffrey E Hinton, "Image Net Classification with Deep Convolutional Neural Networks", Advances In Neural Information Processing Systems, Vol. 25, pp. 1106-1114, 2012.
機械學習係使用大量之學習資料而提高識別性能。大量學習資料之準備時間與使用該大量學習資料學習亦有需耗費數週至數月時間之情況。雖考慮到對於對應於檢查或測定之目的而識別半導體檢查或測定所用之掃描電子顯微鏡(Scanning Electron Microscope：SEM)輸出之圖像的識別器(圖像處理裝置)亦導入機械學習，而提高識別能力，但即使預先使用學習資料進行機械學習，於實際上進行半導體檢查時，仍有必要進行用於對應於伴隨SEM特有之帶電引起之對比度低下或亮斑、雜訊等(以下稱干擾)之新圖像之追加學習。
於學習資料之準備時，有必要作成對應於圖像之正確判別結果(以下稱真值)，對應於大量之學習資料的真值作成作業需要花費人力與時間。又，由於根據學習資料之規模用於學習亦須要學習時間，故使用大量學習資料之學習有成為生產線運用阻礙之虞而認為有困難。
因此，於以下提案有一種圖像處理系統及電腦程式，其目的在於使用實際識別失敗之圖像與識別成功之圖像特定出成為失敗要因之干擾，藉由作成集中於該干擾之學習資料而抑制學習資料數量，使學習時間短期間化。
作為用於達成上述目的之一態樣，提案一種圖像處理系統，其係具備使用對照圖像識別圖像之運算處理裝置之圖像處理系統，且具備：顯示裝置，其顯示上述圖像；輸入裝置，其選擇上述圖像之一部分；記憶體，其記憶用於識別上述圖像之對照圖像資料；及機械學習引擎，其機械學習上述運算處理裝置之圖像識別所需之上述對照圖像資料；且上述機械學習引擎使用經上述運算處理裝置識別失敗之圖像，進行記憶於上述記憶體之經上述運算處理裝置識別成功之圖像之探索，對藉由該探索獲得之識別成功之圖像附加基於與藉由上述輸入裝置選擇之上述識別失敗之圖像之部分圖像所得之資訊，而產生修正對照圖像資料。
又，作為用於達成上述目的之其他態樣，提案一種記憶有藉由處理器執行之電腦指令之電腦可讀取之記憶媒體，上述電腦指令係為了使用對照圖像而用以產生識別被對照圖像之識別器之學習資料，使用經使用上述對照圖像資料且識別失敗之被對照圖像資料，進行經使用上述對照圖像資料且識別成功之被對照圖像資料之探索，對藉由該探索獲得之識別成功之被對照圖像資料附加基於上述識別失敗之被對照圖像之部分選擇所得之資訊，而產生修正對照圖像資料。
根據上述構成，可同時兼顧實現抑制學習資料量，與識別器之識別性能提高。
1:圖像產生裝置
2:識別失敗圖像資料
3:識別成功圖像資料
4:學習用圖像資料
5:設計資料
6:設計資料
7:識別結果圖像資料
8:失敗區域圖像指示部
9:識別部
10:識別用圖像資料
11:類似圖像檢索部
12:干擾特定部
13:干擾圖像產生部
14:類似圖像/設計資料檢索部
121:對比度差量檢測部
122:亮度值差量檢測部
123:雜訊差量檢測部
123a:識別失敗圖像的雜訊
123b:識別成功圖像的雜訊
124:對比度差量判定部
125:亮度值差量檢測部
126:雜訊差量判定部
127:亮度反轉檢測部
128:亮度反轉判定部
131:對比度差量加法部
132:亮度值差量加法部
133:雜訊差量加法部
134:亮度反轉部
1211:平滑化部
1212:平滑化部
1213:最大值檢測部
1214:最小值檢測部
1215:最大值檢測部
1216:最小值檢測部
1217:對比度算出部
1218:對比度算出部
1219:對比度差量算出部
1221:平滑化部
1222:平滑化部
1223:亮度值差量算出部
1231:平滑化部
1232:平滑化部
1233:雜訊算出部
1234:雜訊算出部
1235:雜訊差量算出部
1251:臨限值
1252:比較判定部
1271:圖像相關算出部
1311:減法器
1312:減法器
1313:減法器
1314:除法器
1315:乘法器
1316:加法器
1321:加法器
1331:雜訊調整
1332:加法部
2401:CD-SEM
2402:缺陷檢查裝置
2403:條件設定裝置
2404:模擬器
2405:記憶媒體
2501:電子源
2502:引出電極
2503:電子束
2504:聚光透鏡
2505:掃描偏向器
2506:對物透鏡
2508:試料台
2509:試料
2510:電子
2511:二次電子
2512:轉換電極
2513:檢測器
2514:控制裝置
a:矩形邊框
b:矩形邊框
c:矩形邊框
S10:圖像產生處理
S11:識別失敗圖像選擇處理
S12:類似圖像檢索處理
S13:干擾特定處理
S14:干擾加法處理
S20:干擾特定處理
S21:對比度差量檢測/判定處理
S22:亮度值差量檢測/判定處理
S23:雜訊差量檢測/判定處理
S30:干擾加法處理
S31:對比差量加法處理
S32:亮度值差量加法處理
S33:雜訊差量加法處理
圖1係顯示圖像產生裝置之實施例之圖。
圖2係顯示圖像產生裝置之GUI畫面之實施例之圖。
圖3係顯示圖像產生裝置之實施例之圖。
圖4係顯示干擾特定部之實施例之圖。
圖5係顯示對比度差量檢測部之實施例之圖。
圖6係顯示亮度值差量檢測部之實施例之圖。
圖7係顯示雜訊差量檢測部之實施例之圖。
圖8係顯示對比度差量判定部之實施例之圖。
圖9係顯示干擾圖像產生之實施例之圖。
圖10係顯示對比度差量加法部之實施例之圖。
圖11係顯示亮度值差量加法部之實施例之圖。
圖12係顯示雜訊差量加法部之實施例之圖。
圖13係顯示干擾圖像產生之實施例之圖。
圖14係顯示識別部及圖像產生裝置之實施例之圖。
圖15係顯示干擾特定部之實施例之圖。
圖16係顯示亮度反轉檢測部之實施例之圖。
圖17係顯示雜訊反轉加法部之實施例之圖。
圖18係顯示圖像產生處理之實施例之圖。
圖19係顯示干擾特定處理之實施例之圖。
圖20係顯示干擾加法處理之實施例之圖。
圖21係說明半導體計測系統之一例之圖。
圖22係掃描電子顯微鏡之概略說明圖。
圖23係顯示學習用圖像資料之一例之圖。
以下，針對圖像處理系統及電腦程式進行說明，該圖像處理系統係 將使用對照圖像識別被對照圖像之識別器的對照圖像，使用機械學習予以更新之圖像處理系統，該電腦程式係使運算處理裝置執行上述更新之電腦程式；且進行如下處理：對使用上述識別器之識別失敗之圖像(以下稱失敗圖像)探索類似之識別成功之圖像(以下稱成功圖像)之類似圖像處理，與獲得藉由基於上述失敗圖像與由上述類似圖像探索部探索之成功圖像之圖像資訊之比較算出之差量資訊之干擾特定處理，與基於由上述干擾特定處理算出之差量資訊，作成圖像之干擾圖像產生處理。
根據上述構成，可節省學習資料之真值作成作業之手續，可進行學習資料之少量化，進行學習時間之短期間化。
於以下說明之實施例例示之圖像產生裝置係關於用於謀求活用機械學習之半導體檢查之追加學習的學習資料少量化及學習時間短期間化之圖像產生方法，及圖像產生裝置。又，作為該具體之一例，顯示使用識別失敗之圖像資料與識別成功之圖像產生學習用之圖像資料之例。
以下，關於具備產生活用機械學習之半導體檢查之追加學習的學習資料之功能之裝置、測定檢查系統，使用圖式進行說明。更具體而言，針對包含測定裝置之一種的測長用掃描電子顯微鏡(Critical Dimension-Scanning Electron Microscope：CD-SEM)之裝置、系統進行說明。
另，於以下之說明中，例示帶電粒子束裝置作為形成圖像之裝置，且，作為該一態樣，說明使用SEM之例，但並未限定於此，例如，亦可將於試料上掃描離子束形成圖像之集束離子束(Focused Ion Beam：FIB)裝置作為帶電粒子束裝置而採用。但，為了高精度地測定進展微細化之圖案，由於要求極高之倍率，故一般而言，較理想為使用在解析度方面勝過FIB裝置之SEM。
圖21係複數個測定或檢查裝置連接於網路之測定、檢查系統之概略說明圖。於該系統係構成為將主要測定半導體晶圓或光罩等之圖案尺寸之CD-SEM2401，與藉由對試料照射電子束，獲得圖像並基於該圖像與預先登錄之參照圖像之比較擷取缺陷之缺陷檢查裝置2402連接於網路。又，於網路上連接有：對半導體器件之設計資料上設定測定位置或測定條件等之條件設定裝置2403；基於半導體器件之設計資料與半導體製造裝置之製造條件等，模擬圖案之品質之模擬器2404；及記憶登錄有半導體器件之佈局資料或製造條件之設計資料之記憶媒體2405。於條件設定裝置2403設置有顯示如後述之GUI(Graphical User Interface：圖形使用者介面)之顯示裝置，或輸入必要資訊之輸入裝置。
設計資料由例如GDS格式或OASIS格式等表現，以特定之形式記憶。另，設計資料係只要顯示設計資料之軟體可顯示該格式形式，且作為圖像資料處理即可，其種類不限。又，記憶媒體2405亦可內建於測定裝置、檢查裝置之控制裝置、或條件設定裝置2403、模擬器2404。另，於CD-SEM2401及缺陷檢查裝置2402雖具備各者之控制裝置，對各裝置進行必要之控制，但於該等之控制裝置亦可搭載上述模擬器之功能或測定條件等之設定功能。
於SEM中，從電子源放出之電子束以複數段透鏡集束，且集束之電子束藉由掃描偏向器，於試料上進行一維或二維掃描。
藉由電子束之掃描而從試料放出之二次電子(Secondary Electron：SE)或回散射電子(Backscattered Electron：BSE)藉由檢測器檢測，與上述掃描偏向器之掃描同步，記憶於訊框記憶體等記憶媒體。記憶於該訊框記憶體之圖像信號係藉由搭載於控制裝置內之運算裝置而累計。又，掃描 偏向器之掃描可為任意大小、位置及方向。
如以上之控制等係於各SEM之控制裝置進行，電子束之掃描之結果、所得之圖像或信號經由通信線路網路發送至條件設定裝置2403。另，於本例中，雖將控制SEM之控制裝置與條件設定裝置2403作為個別元件進行說明，但並未限定於此，一可於條件設定裝置2403統一進行裝置之控制與測定處理，亦可以各控制裝置同時進行SEM之控制與測定處理。
又，於上述條件設定裝置2403或控制裝置，記憶有用於執行測定處理之程式，根據該程式進行測定、或運算。
又，條件設定裝置2403具備基於半導體之設計資料作成控制SEM動作之程式(製程(recipe))之功能，且作為製程設定部而發揮功能。具體而言，於設計資料、圖案之輪廓線資料、或施以模擬之設計資料中設定用於針對所期望之測定點、自動聚焦、自動像散、定址點等之SEM進行必要處理之位置等，且基於該設定，作成用於自動控制SEM之試料載台或偏向器等之程式。又，為了作成後述之模板，係使用自設計資料擷取成為模板之區域之資訊，且基於該擷取資訊作成模板之處理器、或於通用之處理器內建或記憶有作成模板之程式。
圖22係掃描電子顯微鏡之概略構成圖。藉由引出電極2502自電子源2501引出，且藉由未圖示之加速電極加速之電子束2503，藉由聚焦透鏡之一形態即聚光透鏡2504縮小後，藉由掃描偏向器2505，於試料2509上進行一維或二維地掃描。電子束2503係藉由施加於內建於試料台2508之電極的負電壓減速，且藉由對物透鏡2506之透鏡作用集束而照射於試料2509上。
當電子束2503照射於試料2509時，自該照射部位放出如二次電子及回散射電子之電子2510。放出之電子2510藉由基於施加於試料之負電壓之加速作用，向電源方向加速，與轉換電極2512碰撞，產生二次電子2511。自轉換電極2512放出之二次電子2511藉由檢測器2513捕捉，根據捕捉到之二次電子量，檢測器2513之輸出I產生變化。未圖示之顯示裝置之亮度根據該輸出I而產生變化。例如於形成二維像之情形時，藉由使送往掃描偏向器2505之偏向信號與檢測器2513之輸出I同步，形成掃描區域之圖像。又，圖22例示之掃描電子顯微鏡具備將電子束之掃描區域移動之偏向器(未圖示)。
另，於圖22之例中，對將自試料放出之電子以轉換電極進行一端轉換而檢測之例進行說明，但當然不限定於此種構成，例如亦可構成為於經加速電子之軌道上，配置電子倍像管或檢測器之檢測面。控制裝置2514具備控制掃描電子顯微鏡之各構成且基於檢測出之電子而形成圖像之功能，及基於稱為譜線輪廓之檢測電子之強度分佈而測定形成於試料上之圖案的圖案寬度之功能。
其次，說明作成使用機械學習之輪廓線擷取之學習用圖像資料之圖像產生裝置9之一態樣。圖像產生裝置具備專用之處理器或泛用之處理器，如為泛用之處理器，藉由產生後述之學習圖像資料之程式予以控制。圖像產生裝置係作為機械學習引擎而發揮功能。機械學習可內建於控制裝置2514內，或以內建圖像處理之運算裝置執行，亦可經由網路，於外部之運算裝置(例如條件設定裝置2403)執行機械學習。
圖1係說明作成學習用圖像資料之圖像產生裝置之一例之圖。於圖像產生裝置1中，使用識別失敗之圖像(以下稱識別失敗圖像)資料2與識別成 功之圖像(以下稱識別成功圖像)資料3作成學習用圖像資料4。首先，於類似圖像檢索部11使用識別失敗圖像資料2，探索類似於識別失敗圖像之識別成功圖像資料3內之圖像資料。
且，以干擾特定部12，比較識別失敗圖像資料2與以類似圖像檢索部11探索之識別成功圖像資料而調查是否有因帶電引起之對比度下降或亮斑、雜訊等之干擾所致之差異較大之干擾。對識別失敗圖像與識別成功圖像，針對對比度、亮度變化、雜訊進行比較而特定出差量較大之干擾。
且，於干擾圖像產生部13，將由干擾特定部12特定出之干擾之差量加於識別成功圖像資料而產生圖像，且作為學習用圖像資料4而儲存。由於是識別成功之圖像，故於識別時作成真值，不會產生真值作成作業。又，藉由將識別失敗圖像產生之干擾反映於識別成功圖像，將其作為學習用圖像資料使用CNN進行學習，亦可於學習後進行識別失敗圖像之識別。於對識別失敗圖像附加真值且加上假設之干擾而作成學習用圖像資料之情形時，由於亦加上實際上不會產生之干擾而進行學習，故包含冗長之學習資料。於本實施例中，藉由將實際產生之干擾與成功圖像比較而特定，作成集中於該干擾之學習用圖像資料。因此，可進行學習資料之少量化，進行學習時間之短期間化。
識別失敗圖像資料被認為是指定出判斷為人以目視對識別結果之圖像進行確認失敗之圖像而作成。
於圖2顯示目視確認使用學習之輪廓線擷取中之識別結果圖像時之GUI之一例。GUI畫面係例如顯示於條件設定裝置2403之顯示裝置，藉由指向器件或鍵盤等輸入裝置，輸入必要之資訊。於圖2中，於每個閉鎖圖形顯示識別結果。
於該例中，識別對象係四角帶圓的矩形之圖案，只要能夠擷取/識別該輪廓線，則與對照圖像之間之匹配分數變高，成為識別成功之圖像。識別失敗之圖像由於包含於不出現如粗框之矩形a之輪廓線之部位擷取之區域，或於出現如b之輪廓線之部位未擷取之區域，如c之a與b接近而產生之區域，故與對照圖像之間之匹配分數降低，識別失敗。
後述之識別器較理想為，基於識別失敗之圖像，為了執行機械學習，例如於識別為成功圖像時分數雖然不足，但以將出現某種程度之分數者作為識別失敗圖像而預先登錄之方式進行編程。例如，以使匹配成功之分數Ths>作為失敗圖像納入之分數範圍Thf1~Thf2>明顯應為失敗之分數Thof之方式預先設定用以識別之分數，而可於類似度判定時，將成為Thf1~Thf2之分數之被對照圖像識別為用於機械學習之圖像資料，並記憶於特定之記憶媒體。
藉由使用者僅以矩形顯示並指示出識別失敗之圖像區域，從而其以外之矩形且未被指示之區域可全部設為成功圖像區域(識別成功圖像)。於顯示之識別結果，重疊a、b、c之矩形框作為識別失敗之圖像區域(識別失敗圖像)予以顯示，可藉目視一邊確認一邊設定。
進行使用機械學習之輪廓線之擷取/識別之附加真值之作業變得亦考慮白色帶之方向，一邊確認峰值位置，一邊賦予輪廓線之真值，非常耗費時間。因此，認為儘量不要進行附加真值之作業。
於類似圖像檢索部11中，檢索類似於識別失敗圖像資料之識別成功圖像資料。可考慮於使用圖像之正規化相關之匹配處理檢索類似度較高之圖像。
又，如圖3所示，亦考慮使用對應於識別失敗圖像之設計資料5，藉 由求出該設計資料與類似之識別成功圖像對應之設計資料，而檢索與識別失敗圖像資料類似之識別成功圖像資料。
又，如圖2所示，由於識別對象於一張圖像中具有複數個，故亦考慮自識別結果圖像之1張圖像內檢索類似於識別失敗圖像之識別成功圖像。
圖23係顯示包含成功圖像與於GUI畫面上選擇之部分之失敗圖像之學習圖像資料之一例之圖。學習圖像資料係成功圖像資料與失敗圖像之指定部位之圖像資料建立關聯而記憶於記憶體。於記憶之資料中，亦可預先記憶使成功圖像與失敗部分圖像合成後之合成圖像，使用該合成圖像(修正對照圖像)進行對照處理，進行圖像識別時，亦可合成成功圖像與失敗圖像而產生對照圖像。
圖4係說明雜訊特定部12之一例之圖。自識別失敗圖像2與識別成功圖像3分別算出對比度，以對比度差量檢測121求出該差量。且，以對比度差量判定部124判定識別失敗圖像2與識別成功圖像3中之對比度是否大為不同。於亮度值差量檢測部122中，求出識別失敗圖像2與識別成功圖像3之各者之亮度值之差量。且，以亮度值差量判定部125判定識別失敗圖像2與識別成功圖像3之亮度值是否大為不同。以雜訊差量檢測部123，求出識別失敗圖像2與識別成功圖像3之各者之雜訊量之差量。且，以雜訊差量判定部126判定識別失敗圖像2與識別成功圖像3之雜訊是否大為不同。
圖5係說明對比度差量檢測121之一例之圖。對識別失敗圖像2以平滑化部1211使用平滑化濾波器等進行圖像之平滑化，去除圖像之亮度值急遽之雜訊成分。其後，以最大值檢測部1213及最小值檢測部1214求出圖像之亮度值之最大值Lmax與最小值Lmin。以對比度算出部，使用最大值 Lmax與最小值Lmin算出(Lmax-Lmin)/(Lmax+Lmin)。同樣地，即使對識別成功圖像3以對比度算出部1218算出對比度，以對比度差量算出部1219求出各自之對比度差量。對比度之求得方法並不限定於該例，亦可於識別失敗圖像2與識別成功圖像3中分別將最大值與最小值之差作為對比度。無論何種情形，均使用最大值與最小值之差量出對比度。
圖6係說明亮度值差量檢測122之一例之圖。對於識別失敗圖像2及識別成功圖像3，以平滑化部1221、1222使用平滑化濾波器等充分進行平滑化，求出圖像之緩和亮度變化。其後，以亮度值差量算出部1223算出各自之圖像之亮度值差量。
圖7係說明雜訊差量檢測123之一例之圖。對識別失敗圖像2及識別成功圖像2以平滑化部1231、1232使用平滑化濾波器進行平滑化去除雜訊成分，以雜訊算出部1233、1234求出識別失敗圖像2及識別成功圖像3與分別經平滑化部1231、1232之圖像之亮度值之差量，將其差量值之偏差作為雜訊算出。以雜訊差量算出部1235算出各自求出之雜訊差量值。
圖8係說明對比度差量判定部124之一例之圖。預先設定用於判定對比度之差量是否較大之臨界值1251，以比較判定部1252比較對比度差量檢測121之輸出之對比度差量之值與臨界值。較臨限值1251大之情形時輸出“1”之值，其以外之情形輸出“0”。
又，亮度值差量判定部125與雜訊差量判定部126亦與對比度差量判定部124同樣，分別預先設定用於判定之臨界值，與該臨界值比較而判定。大於臨限值之情形，輸出亮度值之差量值、雜訊之差量值。其以外分別輸出“0”。於該情形時，可考慮重設以後之各圖像產生之運算，對學習用圖像資料4輸出不可儲存之信號。
又，於對比度、亮度值、雜訊之所有差量不大之情形時，將該主旨通知至使用者。且，該情形對識別失敗圖像進行附加真值作業而將識別失敗圖像設為學習用圖像資料。
圖9係說明干擾圖像產生部13之一例之圖。於以干擾特定部12判定為對比度之差量較大之情形時，產生以對比度差量加法部131對於識別成功圖像3加上對比度差量後之圖像。又，於以干擾特定部12判斷為亮度值之差量較大之情形時，產生以亮度值差量加法部132對於識別成功圖像3加上亮度值差量後之圖像。又，於以干擾特定部12判斷雜訊之差量較大之情形時，產生以雜訊加法部133對於識別成功圖像3加上雜訊差量後之圖像。
圖10係說明對比度差量加法部131之一例之圖。以減法器1312求出識別失敗圖像2之最大值-最小值，以減法器1313求出識別成功圖像3之最大值-最小值，以除法器1314求出(識別失敗圖像2之最大值-最小值)/(識別成功圖像3之最大值-最小值)。且，對於已以減法器1311減去自識別成功圖像求出之最小值之圖像，以乘法器1315乘上以除法器1314求出之(識別失敗圖像2之最大值-最小值)/(識別成功圖像3之最大值-最小值)之值。其後，可藉由以加法器加上識別失敗圖像2之最小值而實現。
亮度值差量加法部132係如圖11所示，以加法器1321對識別成功圖像3加上由干擾特定部12求出之亮度值差量而產生圖像。例如，可藉由失敗圖像產生之帶電將背景變黑之亮斑加在成功圖像上。
圖12係說明雜訊差量加法部133之一例之圖。雜訊差量加法部133係以干擾特定部12求出之識別失敗圖像2之雜訊123a與識別成功圖像3之雜訊123b為基礎，將由雜訊調整1331作成之雜訊以加算器1332加算至識別 成功圖像而產生圖像。以雜訊調整1331，以考慮已加載於識別成功圖像3之雜訊量之方式加上雜訊。例如，於以正規分布產生識別失敗圖像2之雜訊123a時，僅加上較識別成功圖像3之雜訊123b之值更大之值之雜訊。又，於使識別失敗圖像2之雜訊123a以正規分布產生時，同樣以正規分部產生識別成功圖像3之雜訊123b，且將其絕對值之差量作為雜訊而加上。於識別成功圖像3之雜訊大於識別失敗圖像2之雜訊之情形時，考慮將相加之雜訊設為0。以上係對比度差量加法部131、亮度差量加法器132、雜訊差量加法部133之各者分別作成圖像，但亦可考慮如圖13所示作成各者加總後之圖像。最初以對比度差量加法部131對失敗圖像加上對比度差量，其次以亮度值差量加法部132加上亮度值之差量。最後，以雜訊差量加法部133加上雜訊之差量。此處之處理順序亦可對調。藉此，可作成加上對比度及亮度值、雜訊之圖像產生。
圖14係說明亦包含識別部之圖像產生裝置之一例之圖。已學習之識別部9識別識別用圖像資料10之圖像，將識別結果儲存於識別結果圖像資料7。
識別部9係使用預先記憶於記憶體之對照圖像執行識別圖像之圖像處理之運算處理裝置。更具體而言，判定被對照圖像與對照圖像之類似度，與該分數對應，探索探索對象之圖像。例如，分數為特定值以上之圖像經識別為探索對象圖像。經識別為探索對象圖像之圖像作為識別成功圖象而以特定之記憶媒體予以記憶，另一方面，分數未達特定值之圖像作為識別失敗圖像，用於隨後之機械學習而記憶於特定之記憶媒體。
如於圖2說明般，識別對象設為可以四角帶圓之矩形的圖案予以識別與可以四角帶圓之矩形之輪廓線予以擷取者。
識別結果圖像資料7之圖像資料以失敗區域圖像指示部8於GUI上顯示如圖2所示。若使用者以失敗區域圖像指示部8於顯示於GUI上之識別結果圖像之中指示出識別失敗圖像區域，則指示之圖像區域儲存於識別失敗圖像資料2中。又，未指示之圖像區域係例如於圖2所示之可擷取四角帶圓之矩形的輪廓線之圖像區域儲存於識別成功圖像資料3。於圖像產生部1，使用識別失敗圖像資料與識別成功圖像資料產生學習用之圖像資料。於圖像產生裝置1之類似圖像/設計資料檢索部14中，檢索與識別失敗圖像資料2類似之成功圖像。使用設計資料或圖像資料探索與識別失敗圖像類似度較高之識別成功圖像。且，以干擾特定部12比較經探索之識別成功圖像資料與識別失敗圖像資料，特定出差量較大之干擾(對比度、亮度變化、雜訊)。且，產生將以干擾圖像產生部13特定出之干擾反映於識別成功圖像3之圖像，儲存於學習用圖像資料4。於識別器9中，使用儲存於該學習用圖像資料4之圖像資料進行學習。藉由使用已加上識別失敗之圖像中產生之干擾的成功圖像進行學習，可強有力地識別於識別失敗之圖像中產生之干擾。
以上為使用SEM圖像之情形之干擾，但例如於使用OM像之情形時，則會因製程而產生亮度之反轉等之干擾。於該情形時，必須要有於干擾特定部12之中檢測如圖15所示之亮度反轉之干擾的功能。於該亮度反轉檢測部127中，使用識別失敗圖像2與識別成功圖像3之圖像檢測亮度反轉，且以亮度反轉判定部128判定是否引起亮度反轉。
於亮度反轉檢測部127中，如圖16所示，以圖像相關算出部1271算出識別失敗圖像2與識別成功圖像3之圖像相關。只要有亮度反轉則負的相關變大。以亮度反轉判定部128與預先設定之臨界值相比較而負之相關大於 臨界值之情形時，可判定為引起反轉。又，於說明之干擾圖像產生部13設置圖17所示之亮度值反轉部134，以亮度反轉判定部128判定為引起亮度反轉之情形時，產生相對於識別成功圖像反轉亮度值之圖像。
於圖18顯示圖像產生處理之實施例之一例。於圖像產生處理S10中，首先於識別失敗圖像選擇處理S11選擇識別失敗之圖像。如使用圖2說明般，使用者進行自識別結果圖像選擇識別失敗之圖像區域(以下稱識別失敗圖像)之處理。接著，於類似圖像檢索處理S12，自識別成功之圖像資料中尋找與識別失敗圖像旋轉處理S11中選擇之識別失敗圖像類似之識別成功圖像。且，於干擾特定處理S13中，由識別失敗圖像與識別成功圖像比較對比度、亮度變化、雜訊等之干擾，特定出識別失敗圖像與識別成功圖像之間大為不同之干擾。且，於干擾加法處理S14，產生將於干擾特定處理S13中特定出之干擾反映於識別成功圖像之圖像。於圖19顯示干擾特定處理之實施例之一例。於干擾特定部處理S20，首先，以對比度差量檢測/判定處理S21，由識別失敗圖像與識別成功圖像分別算出對比度，求出其差量，進行差量值與特定臨界值之大小判定。於差量值大於特定臨界值之情形時，判定為識別失敗圖像與識別成功圖像之間對比度之干擾大為不同。
於亮度值差量檢測/判定處理S22求出識別失敗圖像與識別成功圖像之圖像(亮度值)之差量，進行差量值與特定臨界值之大小判定。於差量值大於特定臨界值之情形時，判定為識別失敗圖像與識別成功圖像之間亮斑之干擾大為不同。
於雜訊差量檢測/判定處理S23求出識別失敗圖像與識別成功圖像之雜訊大小之差量，進行差值與特定臨界值之大小判定。於差量值大於特定 臨界值之情形時，判定為識別失敗圖像與識別成功圖像之間雜訊之干擾大為不同。
此處設為對比度差量檢測/判定處理S21、亮度值差量檢測/判定處理S22、雜訊差量檢測/判定處理S23之順序，但亦可為不同順序。
於圖20顯示干擾加法處理之實施例之一例。於干擾加法處理S30，進行對比度差量加法處理S31、亮度值差量加法處理S32、及雜訊差量加法處理S23。於對比度差量檢測/判定處理S21，於判定為對比度差量檢測/判定處理S21中識別失敗圖像與識別成功圖像中之對比度之干擾大為不同之情形時，使識別成功圖像之對比度與識別失敗圖像之對比度一致。具體而言，與使用圖5及圖9、10說明之內容相同。
於亮度值差量加法處理S32，於判定為亮度值差量檢測/判定處理S22中識別失敗圖像與識別成功圖像中之亮斑之干擾大為不同之情形時，對識別失敗圖像與識別成功圖像分別進行較強之平滑化求出識別失敗圖像-識別成功圖像之差量圖像，作成將其加於識別成功圖像後之圖像。與使用圖6及圖11說明之內容相同。
於雜訊差量加法處理S33，判定為於雜訊差量檢測/判定處理S23中識別失敗圖像與識別成功圖像之雜訊干擾大為不同之情形時，作成將於識別失敗圖像引起之雜訊加於識別成功圖像後之圖像。與使用圖7及圖12說明之內容相同。
此處，對比度差量加法處理S31、亮度值差量加法處理S32、雜訊差量加法處理S33之順序亦可為不順序。
1:圖像產生裝置
2:識別失敗圖像資料
3:識別成功圖像資料
4:學習用圖像資料
5:設計資料
6:設計資料
7:識別結果圖像資料
8:失敗區域圖像指示部
9:識別部
10:識別用圖像資料
12:干擾特定部
13:干擾圖像產生部
14:類似圖像/設計資料檢索部

Claims (20)

  1. 一種圖像處理系統，其係具備使用對照圖像對圖像進行探索之運算處理裝置之圖像處理系統，其特徵在於具備：顯示裝置，其顯示上述圖像；輸入裝置，其選擇上述圖像之一部分；記憶體，其記憶作為探索對象之上述圖像；及機械學習引擎，其機械學習上述運算處理裝置之圖像識別所需之圖像資料；且上述運算處理裝置使用經上述機械學習引擎識別失敗之圖像所對應之資訊，進行記憶於上述記憶體之經上述機械學習引擎識別成功之圖像之探索，對藉由該探索獲得之識別成功之圖像，附加基於藉由上述輸入裝置選擇之上述識別失敗之圖像之部分圖像所得之資訊，而產生上述機械學習引擎之機械學習用修正圖像資料。
  2. 如請求項1之圖像處理系統，其中上述運算處理裝置求出藉由上述輸入裝置所選擇之部分圖像及與上述識別成功之圖像之該部分圖像對應之對應圖像之差量，上述機械學習引擎使用該差量之資訊，產生上述修正圖像資料。
  3. 如請求項1之圖像處理系統，其中上述運算處理裝置使用與上述識別失敗之圖像對應之設計資料，執 行上述識別成功之圖像之探索。
  4. 如請求項1之圖像處理系統，其中上述運算處理裝置對上述識別失敗之圖像之部分圖像與上述識別成功之圖像進行對比度、亮度值、及雜訊之差量運算，且基於該差量運算結果，作成產生上述修正圖像資料之附加資訊。
  5. 如請求項1之圖像處理系統，其中上述顯示裝置係構成為將上述機械學習引擎之識別結果與上述圖像併予顯示。
  6. 如請求項1之圖像處理系統，其中上述輸入裝置自上述識別失敗之圖像以像素單位指定複數部位之上述部分圖像。
  7. 如請求項1之圖像處理系統，其中對由上述運算處理裝置識別成功之圖像進行探索之結果，若獲得複數個識別成功之圖像之情形時，上述機械學習引擎使用藉由上述輸入裝置之輸入而選擇之識別成功之圖像，產生上述修正圖像。
  8. 如請求項1之圖像處理系統，其中對上述識別成功之圖像進行探索之結果，若找不到圖像之情形時，上述運算處理裝置將找不到圖像之意旨顯示於上述顯示裝置。
  9. 如請求項1之圖像處理系統，其中上述探索之結果若找不到圖像之情形時，上述機械學習引擎可顯示上述識別失敗之圖像，且可藉由上述輸入裝置由使用者進行輪廓線之真值附加作業。
  10. 如請求項1之圖像處理系統，其中上述輸入裝置係構成為對上述識別失敗之圖像之部分圖像附加真值。
  11. 一種記憶有藉由處理器執行之電腦指令之電腦可讀取之記憶媒體，其特徵在於：前述電腦指令係為了產生自圖像識別線資訊之識別器之學習資料，進行與識別失敗之圖像資料類似之識別成功之圖像資料之探索，對藉由該探索獲得之識別成功之圖像資料附加基於上述識別失敗之圖像之部分選擇而獲得之資訊，而產生修正圖像資料。
  12. 如請求項11之記憶有藉由處理器執行之電腦指令之電腦可讀取之記憶媒體，其中：上述電腦指令係求出自上述識別失敗之圖像中選擇之部分圖像、及與上述識別成功之圖像之該部分圖像對應之對應圖像之差量，上述機械學習引擎使用該差量之資訊，使上述修正圖像資料產生。
  13. 一種資訊擷取系統，其係從圖像資料擷取出顯示於圖像之物體之形 狀資訊的系統，其特徵在於：具有電腦系統，該電腦系統包含識別器，該識別器係將上述圖像資料、與沿包含於上述圖像資料之白色帶而被指定之線資訊資料作為學習資料而預先學習；上述電腦系統係藉由對上述識別器輸入上述圖像資料，而輸出上述物體之形狀資訊。
  14. 如請求項13之資訊擷取系統，其更包含：輸入裝置，其指定上述圖像之任意位置；且上述電腦系統係根據由上述輸入裝置所指定之圖像上之位置資訊，產生上述線資訊資料。
  15. 如請求項14之資訊擷取系統，其中上述輸入裝置係構成為對上述識別失敗之圖像之部分圖像附加真值。
  16. 如請求項15之資訊擷取系統，其更包含：顯示裝置，其構成為將上述機械學習引擎之識別結果與上述圖像併予顯示。
  17. 如請求項14之資訊擷取系統，其中上述輸入裝置係構成為可指定任意之圖像區域，上述電腦系統係構成為分析由上述輸入裝置所指定之區域，並根據該分析結果產生上述學習資料。
  18. 如請求項17之資訊擷取系統，其中上述電腦系統係構成為根據上述分析，判斷是否需要使用上述輸入裝置之真值附加。
  19. 一種資料產生系統，其係產生識別器之學習資料之系統，其特徵在於具備：記憶機構，其記憶識別失敗之識別失敗圖像、識別成功之識別成功圖像及識別結果；探索機構，其根據電路設計資料而自上述記憶機構中，探索與上述識別失敗圖像類似之識別成功圖像；比較機構，其比較上述識別失敗圖像與以上述探索機構探索之類似之識別成功圖像之圖像資料；及圖像修正機構，其根據以上述比較機構所獲得之比較結果，修正識別成功圖像之圖像資訊。
  20. 如請求項19之資料產生系統，其更具備：識別器，其使用上述圖像修正機構所獲得之圖像與對應該圖像之識別成功圖像之識別結果而學習。
TW108122862A 2017-03-27 2018-03-16 圖像處理系統、記憶媒體、資訊擷取系統及資料產生系統 TWI697849B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2017-060351 2017-03-27
JP2017060351A JP6731370B2 (ja) 2017-03-27 2017-03-27 画像処理システム及び画像処理を行うためのコンピュータープログラム

Publications (2)

Publication Number Publication Date
TW201945982A TW201945982A (zh) 2019-12-01
TWI697849B true TWI697849B (zh) 2020-07-01

Family

ID=63675752

Family Applications (2)

Application Number Title Priority Date Filing Date
TW107109018A TW201835815A (zh) 2017-03-27 2018-03-16 圖像處理系統及用於進行圖像處理之電腦程式
TW108122862A TWI697849B (zh) 2017-03-27 2018-03-16 圖像處理系統、記憶媒體、資訊擷取系統及資料產生系統

Family Applications Before (1)

Application Number Title Priority Date Filing Date
TW107109018A TW201835815A (zh) 2017-03-27 2018-03-16 圖像處理系統及用於進行圖像處理之電腦程式

Country Status (6)

Country Link
US (2) US11176405B2 (zh)
JP (1) JP6731370B2 (zh)
KR (2) KR102435492B1 (zh)
CN (2) CN116152507A (zh)
TW (2) TW201835815A (zh)
WO (1) WO2018180562A1 (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7472034B2 (ja) 2018-10-31 2024-04-22 住友建機株式会社 ショベル、ショベル支援システム
AU2020280263A1 (en) * 2019-05-18 2022-01-06 Looplearn Pty Ltd Localised, loop-based self-learning for recognising individuals at locations
JP2021117548A (ja) * 2020-01-22 2021-08-10 富士通株式会社 画像処理装置、画像処理方法及び画像処理プログラム
JP7288870B2 (ja) * 2020-02-05 2023-06-08 株式会社日立製作所 画像を生成するシステム
JP7298016B2 (ja) * 2020-03-30 2023-06-26 株式会社日立ハイテク 診断システム
CN111832433B (zh) * 2020-06-24 2023-12-29 奇点微(上海)光电科技有限公司 一种由图像提取物体特性的装置及其工作方法
JP7351812B2 (ja) 2020-07-27 2023-09-27 株式会社日立製作所 荷電粒子線装置および帯電評価方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007052575A (ja) * 2005-08-17 2007-03-01 Konica Minolta Holdings Inc メタデータ付与装置およびメタデータ付与方法
US20110106734A1 (en) * 2009-04-24 2011-05-05 Terrance Boult System and appartus for failure prediction and fusion in classification and recognition
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
TW201629851A (zh) * 2015-01-12 2016-08-16 芋頭科技(杭州)有限公司 一種影像識別系統及方法

Family Cites Families (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0554195A (ja) 1991-08-29 1993-03-05 Matsushita Electric Ind Co Ltd 文字認識装置
JPH0650738A (ja) 1992-07-31 1994-02-25 Toyota Motor Corp 画像輪郭線検出装置
JPH06333008A (ja) 1993-05-19 1994-12-02 Fujitsu General Ltd 画像輪郭指定用入力装置
JP3434976B2 (ja) * 1996-06-28 2003-08-11 三菱電機株式会社 画像処理装置
JP3449392B2 (ja) 1996-08-27 2003-09-22 日本電信電話株式会社 識別関数学習方法
JP2001148012A (ja) * 1999-11-19 2001-05-29 Minolta Co Ltd 対応点探索方法および装置
JP2005149455A (ja) * 2003-10-21 2005-06-09 Sharp Corp 画像照合装置、画像照合方法、画像照合プログラムおよび画像照合プログラムを記録したコンピュータ読取り可能な記録媒体
JP5010207B2 (ja) * 2006-08-14 2012-08-29 株式会社日立ハイテクノロジーズ パターン検査装置及び半導体検査システム
KR101034117B1 (ko) * 2009-11-13 2011-05-13 성균관대학교산학협력단 영상에서 관심 영역 지정 및 윤곽선 영상을 이용한 객체 인식 방법 및 장치
US9152861B2 (en) * 2011-03-04 2015-10-06 Nec Corporation Individual product identification system, individual product identification method, and device and program used by same
JP2013084074A (ja) * 2011-10-07 2013-05-09 Sony Corp 情報処理装置、情報処理サーバ、情報処理方法、情報抽出方法及びプログラム
WO2013099367A1 (ja) * 2011-12-27 2013-07-04 Ｎｅｃソフト株式会社 画像認識装置、画像認識方法、補正器、プログラムおよび記録媒体
US9053595B2 (en) * 2012-02-02 2015-06-09 Jared Grove Coin identification system and method using image processing
JP5808371B2 (ja) 2013-08-28 2015-11-10 ヤフー株式会社 画像認識装置、画像認識方法及び画像認識プログラム
JP2015176272A (ja) * 2014-03-14 2015-10-05 オムロン株式会社 画像処理装置、画像処理方法、および画像処理プログラム
US9518934B2 (en) 2014-11-04 2016-12-13 Kla-Tencor Corp. Wafer defect discovery
JP2016099668A (ja) 2014-11-18 2016-05-30 キヤノン株式会社 学習方法、学習装置、画像認識方法、画像認識装置及びプログラム
US10339422B2 (en) 2015-03-19 2019-07-02 Nec Corporation Object detection device, object detection method, and recording medium
WO2016182607A1 (en) * 2015-05-14 2016-11-17 Sri International Selecting optimal image from mobile device captures
US10659766B2 (en) * 2015-10-30 2020-05-19 Canon Kabushiki Kaisha Confidence generation apparatus, confidence generation method, and imaging apparatus

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007052575A (ja) * 2005-08-17 2007-03-01 Konica Minolta Holdings Inc メタデータ付与装置およびメタデータ付与方法
US20110106734A1 (en) * 2009-04-24 2011-05-05 Terrance Boult System and appartus for failure prediction and fusion in classification and recognition
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
TW201629851A (zh) * 2015-01-12 2016-08-16 芋頭科技(杭州)有限公司 一種影像識別系統及方法

Also Published As

Publication number Publication date
US11836906B2 (en) 2023-12-05
US20220036116A1 (en) 2022-02-03
KR20210111335A (ko) 2021-09-10
US20200134355A1 (en) 2020-04-30
JP2018163524A (ja) 2018-10-18
KR20190103283A (ko) 2019-09-04
CN110352431B (zh) 2023-07-18
CN110352431A (zh) 2019-10-18
CN116152507A (zh) 2023-05-23
JP6731370B2 (ja) 2020-07-29
KR102336431B1 (ko) 2021-12-08
TW201945982A (zh) 2019-12-01
WO2018180562A1 (ja) 2018-10-04
TW201835815A (zh) 2018-10-01
US11176405B2 (en) 2021-11-16
KR102435492B1 (ko) 2022-08-24

Similar Documents

Publication Publication Date Title
TWI697849B (zh) 圖像處理系統、記憶媒體、資訊擷取系統及資料產生系統
JP5639797B2 (ja) パターンマッチング方法，画像処理装置、及びコンピュータプログラム
JP5313939B2 (ja) パターン検査方法、パターン検査プログラム、電子デバイス検査システム
US8885950B2 (en) Pattern matching method and pattern matching apparatus
KR20200026110A (ko) 패턴 검사 시스템
WO2013168487A1 (ja) 欠陥解析支援装置、欠陥解析支援装置で実行されるプログラム、および欠陥解析システム
JP7137487B2 (ja) 画像評価装置及び方法
JP2022515353A (ja) 電子ビーム画像向上のための完全自動ｓｅｍサンプリングシステム
US20160358745A1 (en) Charged Particle Beam Apparatus
US9773315B2 (en) Device and method for computing amount of drift and charged particle beam system
TWI750514B (zh) 電子束檢測設備、用於對準一晶圓影像與一參考影像之方法及相關之非暫時性電腦可讀媒體
JP5953117B2 (ja) パターン評価装置、及びコンピュータープログラム
JP7438311B2 (ja) 画像処理システムおよび画像処理方法
US20090030867A1 (en) Reviewing apparatus, recipe setting method for reviewing apparatus and reviewing system
JP6207893B2 (ja) 試料観察装置用のテンプレート作成装置
US20220335594A1 (en) Defect Inspection Apparatus and Defect Inspection Method
JP2022084041A (ja) 荷電粒子ビーム装置