JP2006293820A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- JP2006293820A JP2006293820A JP2005115735A JP2005115735A JP2006293820A JP 2006293820 A JP2006293820 A JP 2006293820A JP 2005115735 A JP2005115735 A JP 2005115735A JP 2005115735 A JP2005115735 A JP 2005115735A JP 2006293820 A JP2006293820 A JP 2006293820A
- Authority
- JP
- Japan
- Prior art keywords
- defect
- algorithm
- determination
- inspection
- evaluation value
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Withdrawn
Links
Images
Landscapes
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
- Length Measuring Devices By Optical Means (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
【課題】 再学習を促す通知を出力できる外観検査装置を提供する。
【解決手段】 外観検査装置100は、アルゴリズムの作成指令の入力を受けるステップ(S310)と、アルゴリズム作成処理を実行するステップ(S400)と、ROC評価値の閾値とROC解析の条件の入力を受けるステップ(S320)と、作成したアルゴリズムを用いて検査を実施するステップ(S330)と、ROC解析を行なう条件を満たす場合に(S340にてYES)、ROC解析を実行するステップ(S600)と、ROC評価値が予め定められた条件を満足する場合に(S360にてYES)、再学習を促す情報を出力するステップ(S370)とを含む。
【選択図】 図3
【解決手段】 外観検査装置100は、アルゴリズムの作成指令の入力を受けるステップ(S310)と、アルゴリズム作成処理を実行するステップ(S400)と、ROC評価値の閾値とROC解析の条件の入力を受けるステップ(S320)と、作成したアルゴリズムを用いて検査を実施するステップ(S330)と、ROC解析を行なう条件を満たす場合に(S340にてYES)、ROC解析を実行するステップ(S600)と、ROC評価値が予め定められた条件を満足する場合に(S360にてYES)、再学習を促す情報を出力するステップ(S370)とを含む。
【選択図】 図3
Description
本発明は、画像処理を実行することにより検査対象物を検査する技術に関する。より特定的には、本発明は、最適化手法によって生成されたアルゴリズムに基づくパターン認識技術に関し、より詳しくは、検査のための画像データの学習機能を有する外観検査装置、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に関する。
従来、外観検査装置には、検査対象の外観を撮像した画像データに対して、最適化手法により生成されたアルゴリズムを用いて画像処理することによって、欠陥を自動的に検出するものがある。たとえば、半導体や液晶基板などの外観検査装置では、基板の表面に生じた割れ、かけ、異物付着、ムラなどの欠陥の画像を学習画像として用いる例がある。
この画像処理検査の過程において、学習する段階で想定していた入力パターンと異なる欠陥パターンが入力される場合や、照明の明るさが変化し、欠陥の撮像画像が全体的や部分的に暗くなりなるなど経時変化する場合があり、画像処理検査の精度が落ちることがある。よって、画像処理検査に用いるアルゴリズムを最適化手法により再学習するタイミングを知ることが重要となる。そこで、これらの課題を解決するために、画像認識あるいは画像処理に関する技術が、特許文献1〜6に開示されている。
たとえば特許第3334807号公報(特許文献1)は、パターン分類のためのニューラルネットにおける出力パターンの信頼度を判断でき、正解率の低下を検出可能なパターン分類装置を開示している。この装置は、与えられた入力パターンとニューラルネットの学習に用いる学習用データの入力パターンとを比較する入力パターン監視モジュール、学習用データを格納する学習用データファイル、与えられた入力パターンに対する上記ニューラルネットの出力パターンと当該入力パターンについての正解出力パターンとを比較して、比較結果を履歴として蓄積し、該比較結果から異常を判断する実行履歴監視モジュール、該比較結果の履歴を格納する実行履歴ファイル、および当該実行履歴ファイルの内容と上記学習用データファイルの内容を読み出し、読み出された当該実行履歴ファイルの内容を当該学習用データファイルに追加記録し、当該実行履歴ファイルと比較して矛盾が検出されない学習用データを新たに作成してファイル内容を更新する学習用データ更新処理モジュールを備える。
特許第3334807号公報に開示された装置によると、入力パターン監視モジュールによって、入力パターンとニューラルネットワークの学習に用いる各学習用データの入力パターンとが比較される。また、入力パターンと学習用データの入力パターン全体の分布とが比較される。すなわち、与えられた入力学習用データの入力パターン全体の分布における位置が計算され、かつ与えられた入力パターンに類似した入力パターンを持つ学習用データが検索される。このような監視により、与えられた入力パターンがどの学習用データの入力パターンとも類似していない場合には、この事実が検出される。これにより、当該装置の利用者は、与えられた入力パターンに対して分類結果の信頼度が低いことを知ることができるため、検査精度が低下することを検知することができる。
また、特開平10-171910号公報(特許文献2)は、デジタル画像データによって学習がなされた人工ニューラルネットワークを用いて異常を効率よく検出することができる診断支援装置を開示している。この装置は、画像データから部分データを抽出するための抽出部と、当該抽出部によって抽出された部分データに基づいて第1信号データを出力する第1のニューラルネットワーク部と、当該第1信号データに基づいて第2信号データを出力する第2のニューラルネットワーク部と、当該第2信号データに基づいて診断結果を出力するための判定部とを備える。
特開平10-171910号公報に開示された装置によると、ニューラルネットワークの学習の段階で、生成されたアルゴリズム(ニューラルネットワーク)の優劣を比較するものとして、レシーバオペレーティング特性(ROC(Receiver Operating Characteristics))曲線の下側の面積を用いて、所定の下限値よりも大きくなるまで学習を継続するという技術が用いられている。
特許第3334807号公報
特開平10-171910号公報
特開2004−213567号公報
特開2000−11093号公報
特開平6−237925号公報
特開2003−208595号公報
被検査物を撮影することにより得られる画像データに基づいて当該被検査物の外観を検査する場合に、特許第3334807号公報に開示された技術を適用すると、以下のような問題が生じ得る。すなわち、ニューラルネットワークの入力パターンとして画像のピクセルの濃淡値が用いられる場合、画像サイズが大きくなるにつれて入力パターンの次元も大きくなる。そのため、ニューラルネットワークの学習の収束が困難となり、実用的でなくなるという問題が生じ得る。また、その画像の中のどの部分に欠陥が存在するかによって、出力結果は大きく異なるという問題も生じ得る。さらに、入力パターンと学習に用いられた入力パターンとの比較において、画像全体に濃淡値のオフセットが乗っただけの欠陥(すなわち、見た目には同じような欠陥)や、位置が数ピクセルだけ移動したような画像データが入力されると、違うものが入力されたと判断される場合がある。そのため、検査入力パターンとして画像のピクセルの濃淡値を用いることは実用的ではないという問題があった。
そこで、検査入力パターンとして、パターン認識でクラス判定に用いられる欠陥の特徴量ベクトルを用いることが考えられる。特徴量ベクトルを用いると、入力パターンの欠陥特徴量の分布状況によって検査精度の信頼性を判断することは、ある程度可能である。しかし、特許第3334807号公報は、パターン認識における分類・識別の最適化についてを開示しており、画像処理自体の最適化に直接結びつく内容を開示していない。さらに、再学習が必要となる指標は、ニューラルネットワークの出力パターンと、正解出力パターンとの間の平均誤差であるために、定量的な評価を行なうことができない。つまり、再学習開始の閾値を設定するには、ある程度の経験が必要とされるという問題もあった。
一方、特開平10-171910号公報に開示された装置によると、第1のニューラルネットワークの入力として、検査領域画像の水平方向のプロファイル、第2のニューラルネットワークの入力として、検査領域画像の垂直方向のプロファイルを用いて、ROC曲線の下側の面積が所定値より大きくなるまで学習を継続する。しかしながら、特開平10-171910号公報は、再学習の開始について開示していない。そのため、当該診断支援装置は、再学習を開始するタイミングを検知することができないという問題があった。
本発明は、上述の問題点を解決するためになされたものである。その目的は、最適化手法により生成されたアルゴリズムを用いた外観の検査を行なう場合において、当該検査の信頼性あるいは精度が確率的に保証される外観検査装置を提供することである。
本発明の他の目的は、再学習の開始のタイミングを検知可能な外観検査装置を提供することである。
本発明の他の目的は、最適化手法により生成されたアルゴリズムを用いた外観の検査を行なう場合において、当該検査の信頼性あるいは精度が確率的に保証される外観検査方法を提供することである。
本発明の他の目的は、最適化手法により生成されたアルゴリズムを用いた外観の検査を行なう場合において、当該検査の信頼性あるいは精度が確率的に保証される外観検査装置として、コンピュータを機能させるためのプログラムを提供することである。
上記の課題を解決するために、この発明のある局面に従うと、外観検査装置は、画像処理のためのアルゴリズムを生成する生成手段と、複数の検査対象物の撮影により生成された画像データの入力を受ける入力手段とを備える。複数の検査対象物の各々の外観は、たとえば、照明の劣化や振動による光学条件の変化などの原因によって、撮影の時期に応じて変動する。外観検査装置は、複数の検査対象物の各々の撮影により生成された各画像データに対してアルゴリズムに基づく画像処理を実行する処理手段と、画像データに基づいて、複数の検査対象物の各々における欠陥を検出する検出手段と、検出手段による検出の結果と、複数の検査対象物の各々について予め準備されている外観の検査の結果とに基づいて、欠陥が欠陥として検出された割合と、良品が欠陥として検出された割合とに基づく評価値を算出する評価値算出手段と、評価値と予め定められた閾値とが予め定められた条件を満足するか否かを判断する判断手段と、判断手段による判断の結果に基づいて、画像処理のためのアルゴリズムを新たに生成する必要があるか否かを判断する必要性判断手段と、必要性判断手段による判断の結果に基づいて、生成手段に新たなアルゴリズムを生成させる再学習手段とを備える。
好ましくは、判断手段は、評価値が閾値を下回るか否かを判断する。
好ましくは、必要性判断手段は、評価値と閾値とが条件を満足していない場合には、画像処理の対象となる欠陥のパターンは、アルゴリズムが生成された時に対象とされていた欠陥のクラスと良品のクラスとの母集団には含まれないと判断し、そして画像処理のためのアルゴリズムを新たに生成する必要があると判断する。
好ましくは、外観検査装置は、アルゴリズムを新たに生成する必要がある判断された場合に使用された画像データを格納する記憶手段をさらに備える。再学習手段は、再学習が必要であると判断された場合に使用された画像データに基づいて、生成手段に新たなアルゴリズムを生成させる。
好ましくは、評価値算出手段は、外観の特徴量により表現される特徴量データに基づいて、評価値を算出する。特徴量は、撮影によって生成された画像データの特徴を表わす。外観検査装置は、検査対象物を欠陥および良品のいずれかに分類するための基準である識別器データに基づいて、予め定められた条件を満足する評価値を取得することができるか否かを判断する取得性判断手段をさらに備える。再学習手段は、特徴量データに基づいて予め定められた分析処理を実行することにより識別器データの値を変更する。
好ましくは、外観検査装置は、必要性判断手段による判断の結果に基づいて、新たなアルゴリズムを生成する必要であることを通知する通知手段をさらに備える。
好ましくは、外観検査装置は、複数の検査対象物の各々の撮影により生成された各画像データに基づいて、複数の検査対象物の各々の表面に欠陥が生じているか否かを判定する欠陥判定手段をさらに備える。
好ましくは、再学習手段は、画像処理のためのアルゴリズムと識別器データとの少なくともいずれかのデータを取得するための取得手段を含む。識別器データは、複数の検査対象物の各々を欠陥および良品のいずれかに分類するための基準である。外観検査装置は、取得手段により取得されたいずれかのデータに基づいて、複数の検査対象物の各々の表面に欠陥が生じているか否かを判定する判定手段をさらに備える。
この発明の他の局面に従うと、外観検査方法は、画像処理のためのアルゴリズムを生成するステップと、複数の検査対象物の撮影により生成された画像データの入力を受けるステップとを備える。複数の検査対象物の各々の外観は、撮影の時期に応じて変動する。外観検査方法は、複数の検査対象物の各々の撮影により生成された各画像データに対してアルゴリズムに基づく画像処理を実行するステップと、画像データに基づいて、複数の検査対象物の各々における欠陥を検出するステップと、検出の結果と、複数の検査対象物の各々について予め準備されている外観の検査の結果とに基づいて、欠陥が欠陥として検出された割合と、良品が欠陥として検出された割合とに基づく評価値を算出するステップと、評価値と予め定められた閾値とが予め定められた条件を満足するか否かを判断する第1の判断ステップと、第1の判断ステップにおける判断の結果に基づいて、画像処理のためのアルゴリズムを新たに生成する必要があるか否かを判断する第2の判断ステップと、第2の判断ステップにおける判断の結果に基づいて、新たなアルゴリズムを生成するステップとを備える。
この発明のさらに他の局面に従うと、プログラムは、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である。このプログラムはコンピュータに、画像処理のためのアルゴリズムを生成するステップと、複数の検査対象物の撮影により生成された画像データの入力を受けるステップとを実行させる。複数の検査対象物の各々の外観は、撮影の時期に応じて変動する。プログラムは、コンピュータに、複数の検査対象物の各々の撮影により生成された各画像データに対してアルゴリズムに基づく画像処理を実行するステップと、画像データに基づいて、複数の検査対象物の各々における欠陥を検出するステップと、検出の結果と、複数の検査対象物の各々について予め準備されている外観の検査の結果とに基づいて、欠陥が欠陥として検出された割合と、良品が欠陥として検出された割合とに基づく評価値を算出するステップと、評価値と予め定められた閾値とが予め定められた条件を満足するか否かを判断する第1の判断ステップと、第1の判断ステップにおける判断の結果に基づいて、画像処理のためのアルゴリズムを新たに生成する必要があるか否かを判断する第2の判断ステップと、第2の判断ステップによる判断の結果に基づいて、新たなアルゴリズムを生成するステップとを実行させる。
本発明に係る外観検査装置によると、検査精度、信頼性を定量的に算出することができる。また、検査精度の閾値を予め設定することにより、再学習の必要性が通知されるため、外観検査装置は、学習データを迅速に更新することができる。
本発明に係るプログラムによると、コンピュータは、検査精度、信頼性を定量的に算出することができる外観検査装置として機能することができる。
以下、図面を参照しつつ、本発明の実施の形態について説明する。以下の説明では、同一の部品には同一の符号を付してある。それらの名称および機能も同じである。したがって、それらについての詳細な説明は繰り返さない。
図1を参照して、本発明の実施の形態に係る外観検査装置を備える検査システム10について説明する。図1は、検査システム10のシステム構成を概略的に表わす図である。
検査システム10は、ステージ111と、ステージ111において予め定められた範囲に光を照射する光源113と、ステージ111において予め定められた範囲を撮影して画像信号を出力するカメラ114と、ステージ111と光源113とカメラ114との動作をそれぞれ制御するコントローラ115と、カメラ114とコントローラ115とに接続された外観検査装置100とを含む。ステージ111には、外観の検査の対象となる被検査物112が予め定められた範囲に装着される。被検査物112の外観は、照明の劣化や振動による光学条件の変化などの原因によって、カメラ114による撮影の時期に応じて変動する。被検査物112は、予め定められた撮像処理および検査処理が終了すると、ステージ111から搬出される。外観検査装置100は、画像処理部116と、主制御部117と、補助記録装置118と、出力部119とを含む。
画像処理部116は、カメラ114から出力される画像信号に対して予め定められた画像処理を実行する。主制御部117は、所定の動作を実行させるための制御信号を出力することによりコントローラ115を制御する。コントローラ115は、その制御信号に基づいて、ステージ111、光源113、カメラ114のそれぞれの動作を制御する。主制御部117は、画像処理部116に対して所定の指令を出力することにより、画像処理のためのアルゴリズムを用いた処理を実行させる。
補助記録装置118は、外観検査装置100における動作に必要なデータを格納する。このデータは、後述するように、外部から入力されるデータと、主制御部117あるいは画像処理部116によって生成されたデータとを含む。出力部119は、主制御部117によって生成されたデータに基づいて外観検査装置100の状態を出力する。出力されるデータは、たとえば外観検査装置100における学習が必要である旨、新たなパラメータを用いて外観処理を促すメッセージなどを含む。
図2を参照して、外観検査装置100のデータ構造について説明する。図2は、補助記録装置118におけるデータの格納の一態様を概念的に表わす図である。
補助記録装置118は、領域210〜280を含む。画像処理を実行するために予め生成されたアルゴリズムは、領域210に格納されている。このアルゴリズムは、外観検査装置100の構成時に格納されたものに限られず、その後の学習処理によって更新されたアルゴリズムをも含む。当該アルゴリズムによって所定の画像処理が実行された結果である検査結果は、領域220に格納されている。すなわちカメラ114から出力される画像データに基づいて実行された処理の結果が、領域220に格納されている。一方、同一の被検査物112に対して本来出力されるべき結果である真の結果は、領域230に格納されている。
学習の終了条件は、領域240に格納されている。終了条件は、たとえば後述する処理におけるループ処理の回数、学習時間あるいは学習の評価値などを含む。ROC解析の結果は、データが生成されるごとに順次格納される。たとえば、「ROC解析の結果0001.data」は、領域250の格納されている。その後、ROC解析処理が再度実行されると、その実行に応じてそれぞれ生成される結果が、蓄積される。図2に示される例では、たとえば1ヵ月ごとに生成されたデータが、領域250〜領域280にそれぞれ格納されている。
なお、外観検査装置100におけるデータ構造は、図2に示される態様に限られない。たとえば補助記録装置118は、複数の記録装置から構成されてもよい。あるいは、図2に示されるいずれかのデータは、着脱可能な記録媒体に格納されてもよい。
図3〜図6を参照して、本実施の形態に係る外観検査装置100の制御構造について説明する。図3〜図6は、それぞれ、画像処理部116および主制御部117が実行する処理の手順を表わすフローチャートである。
図3を参照して、ステップS310にて、主制御部117は、入力インターフェイス(図示しない)を介してアルゴリズムの生成指令の入力を受ける。ステップS400にて、主制御部117は、後述するアルゴリズム生成処理を実行する。この処理が実行されると、予め定められた最適化手法に基づいて画像処理のためのアルゴリズムが生成される。
ステップS320にて、主制御部117は、ROC評価値の閾値とROC解析の条件の入力を受ける。ここで、ROC評価値とは、ROC曲線に基づいて算出される値をいう。ROC評価値については、図9を参照して、詳述する。再学習を行なうROC評価値の閾値は、入力されたデータに基づいて設定される。なお、学習時のROC評価値を把握する必要から、ステップS310における学習評価値としてROC評価値を使用することが好ましいが、その他の評価値が使用されてもよい。たとえば、学習画像データを用いてROC評価を行なえば、容易に学習段階でのROC評価値の閾値を知ることができる。そのため、学習の評価値としてROC評価値を用いる必要はない。また、ROC評価値の閾値は、定数値が設定されてもよく、学習段階のROC評価値から何%下がるという条件が設定されてもよい。さらに、ROC評価を行なう条件が設定される。当該条件は、例えば、利用者の任意のタイミングでもよく、あるいは定期的であってもよい。
ステップS330にて、主制御部117は、生成したアルゴリズムを用いて被検査物112の検査を実施する。ステップS340にて、主制御部117は、検査結果がROC解析を行なう条件を満たすか否かを判断する。主制御部117が、検査結果はその条件を満たすと判断すると(ステップS340にてYES)、処理はステップS600に移される。そうでない場合には(ステップS340にてNO)、処理はステップS330に戻される。
ステップS600にて、主制御部117は、後述するROC解析を実行する。この処理が実行されると、外観検査装置100による再学習が必要であるか否かが、必要性の有無として通知される。
ステップS360にて、主制御部117は、ROC評価値が予め定められた条件を満たすか否かを判断する。この判断は、たとえばROC評価値が予め定められた閾値を上回るか否かなどに基づいて行なわれる。主制御部117が、ROC評価値は当該条件を満たすと判断すると(ステップS360にてYES)、処理はステップS330に戻される。そうでない場合には(ステップS360にてNO)、処理はステップS370に移される。
ステップS370にて、主制御部117は、再学習を促すための情報を出力部119に対して出力する。その結果、出力部119は、当該情報を外部に出力する。これにより、外観検査装置100の使用者は、再学習が必要なことを容易に知ることができる。その後、処理は終了する。
図4は、アルゴリズムを生成するための処理の手順を表わすフローチャートである。
ステップS410にて、主制御部117は、入力インターフェイス(図示しない)を介して学習画像と学習終了条件の入力を受ける。たとえば学習用に使用される欠陥の画像データと、擬似的な欠陥の画像データとが入力される。なお、入力される画像の枚数は1枚に限られない。後述するように、ROC曲線を用いた解析の精度を考慮すれば、欠陥と良品のサンプル画像は多いのが望ましい。また、学習終了条件とは、たとえばステップS420からステップS470までのループ処理が実行される回数、学習時間、学習のための評価値、外観検査装置100の外部からの停止命令の入力等を含む。
ステップS420にて、主制御部117は、予め定められた最適化手法を用いて画像処理のためのアルゴリズムを生成する。最適化手法は、公知の技術であるSA(Simulated Annealing)、GA(Genetic Algorithms)、TS(Tabu Search)などを含むが、その他の手法であってもよい。係る最適化手法は、たとえば必要な処理を実現するプログラムを実行することにより実現される。
ステップS430にて、主制御部117は、画像処理部116に対して、当該アルゴリズムを用いて画像処理を実行させる。ステップS440にて、主制御部117は、画像処理の結果から特徴量を抽出し、さらに特徴量ベクトルをも抽出する。ステップS450にて、主制御部117は、特徴量を用いて、画像処理結果を分類し、そして検査結果を識別するための処理を実行する。
ステップS460にて、主制御部117は、予め定められた基準に基づいて、学習評価値を算出する。評価値の算出は、たとえば算式「クラス分離度=クラス間分散/クラス内分散」により行なわれる。なお、学習評価値は、クラス分離度が用いられているが、その他の値がもちいられてもよい。たとえば、ROC評価値が使用されてもよい。なお、この場合は、実際の検査に使用される識別器の位置、すなわち分布平面上における識別器の値を決定する必要がある。この決定のためには、たとえば判別分析法が使用できる。
ただし、本実施の形態においては、2次元の特徴量空間の情報を主成分分析により、特徴量の次元は、1次元に変換されているが、特徴量の次元を変換することなく2次元のままとし、識別器として、固定された2本の直線、複数の直線、双曲線、高次の多項式に基づいて表現される曲線の形状を用いてもよい。この場合の学習評価値は、例えば、上記の算式を2次元ベクトルのまま用いることにより、算出可能である。
ステップS470にて、主制御部117は、学習終了条件が成立しているか否かを判断する。主制御部117が、その条件は成立していると判断すると(ステップS470にてYES)、処理はステップS420に戻される。そうでない場合には(ステップS470にてNO)、処理は終了し、メイン処理(図3)に戻される。以上のような最適化手法により、画像処理アルゴリズムと識別器の形状とが決定される。
図5は、ROC解析処理の詳細を表わすフローチャートである。
ステップS510にて、主制御部117は、画像データの入力を受ける。ステップS330にて、主制御部117は、アルゴリズム生成処理(S400)にて生成したアルゴリズムを用いて、検査のための処理を実施する。
ステップS340にて、主制御部117は、検査結果がROC解析条件を満たすか否かを判断する。主制御部117が、検査結果はその条件を満たすと判断すると(ステップS340にてYES)、処理はステップS600に移される。そうでない場合には(ステップS340にてNO)、処理はステップS550に移される。ステップS550にて、主制御部117は、検査結果を出力部119に対して出力する。ステップS600にて、主制御部117は、後述するROC解析を実行する。
図6は、ROC解析のための処理の手順を表わすフローチャートである。
ステップS610にて、主制御部117は、検査結果と正解結果との入力をそれぞれ受ける。ここで、正解結果とは、真の欠陥の判定結果であり、例えば、検査官が外観検査後に目視することにより得られるデータである。
ステップS620にて、主制御部117は、欠陥認識率と過検出率との関係をROC曲線として表わすためのデータを導出する。ステップS630にて、主制御部117は、ROC評価値を算出する。
ステップS640にて、主制御部117は、ROC評価値が閾値以下であるか否かを判断する。主制御部117が、ROC評価値は閾値以下であると判断する(ステップS640にてYES)、処理はステップS650に移される。そうでない場合には(ステップS640にてNO)、処理はステップS660に移される。
ステップS650にて、主制御部117は、ROC評価結果を通知するためのデータを生成し、出力部119に対してそのデータを出力する。その結果、出力部119は、ROC評価結果を通知するとともに、再学習が必要であることを示す。ここで、外観検査装置100は、再学習の方向性を示すことができる。例えば、主制御部117は、ROC評価に用いた特徴量空間のデータにより、主成分分析を再度行ない、識別器を最適化する。主制御部117は、ROC評価値が改善するか否かを判断する。ROC評価値が改善されていれば、主制御部117は、画像処理アルゴリズムはそのままで、新しく最適化された識別器で画像処理、外観検査を行なうように、出力部119を介して、利用者に通知する。これにより、利用者は、ROC評価値によりそのアルゴリズムを用いるか否かを判断することができる。なお、当該判断は人為的に為されなくてもよい。たとえば、図3に示されるステップS320により設定されたROC評価値の閾値を用いて、主制御部117が、判断してもよい。
一方、識別器の最適化のみで所望のROC評価値が得られないときは、主制御部117は、最適化手法により画像処理アルゴリズムと識別器とを再学習する。例えば、主制御部117は、これまで検査に用いていたアルゴリズムを初期値として、最適解が得られるまで、再学習のための処理を実行する。
ステップS660にて、主制御部117は、ROC評価結果を通知するためのデータを生成し、さらに出力部119に対してそのデータを出力する。その結果、出力部119は、ROC評価結果を通知するとともに、再学習の必要がないことを表示する。
図7を参照して、外観検査装置100が抽出した特徴量の関係について説明する。図7は、特徴量ベクトルの分布の状況を表わす図である。
ここでは説明を簡単にするために、二次元の特徴量が用いられた場合について説明する。なお、図7に示される態様に代えて、一次元の特徴量あるいは二次元以上の特徴量が用いられてもよい。ここで特徴量は、たとえばパターンの面積、コントラスト、長さ、フェレ径、周波数成分などを含む。分布710は、たとえば良品クラスの分布を表わす。分布720は、欠陥クラスの分布を表わす。第1主成分730は、後述する主成部分析を用いて算出される。すなわち第1主成分は、
により求められる。ステップS440にて抽出された特徴量は、上記数式1に垂直に射影される。このような射影により、二次元の特徴量は、一次元の特徴量に変換される。
ここで、図8を参照して、図7に示される2次元の特徴量が一次元の特徴量に変換される態様について説明する。図8は、確率密度の分布を表わす図である。すなわち、分布710と分布720とは、それぞれ確率密度の形で第1主成分軸上に表現される。識別器800は、第1主成分軸上を移動することにより、設定の変更が可能であり、必要に応じて最適化の対象となり得る。ここで、識別器とは、被検査物112の撮影により得られた画像データから検出される欠陥の候補について、当該候補が真の欠陥であるか否かを分類するための判断基準である。
図9を参照して、本実施の形態に係る外観検査装置100によるROC解析における判定について説明する。図9は、欠陥認識率と過検出率との関係をROC曲線として表わす図である。
過検出率は、画像処理の結果、本来良品として判定されるべきものが欠陥であると判定された割合、すなわち誤判定された割合を表わす。欠陥認識率は、欠陥として判定されるべき欠陥の候補が欠陥であると判定された候補の割合、すなわち正しく認識された割合を表わす。
図9に示されるROC曲線は、図8に示される分布における欠陥クラス(分布720)と良品クラス(分布710)との交わる部分(斜線部)の評価を行なうためのものである。図8に示されるように、識別器800をその斜線部の範囲において移動することにより、ROC曲線を描画するためのデータが取得される。なお、ROC曲線は、本来アルゴリズムの優劣を判定する指標として用いられているが、本実施の形態に示されるように、入力画像が変化した場合、すなわち良品と欠陥パターンと良品パターンの特徴量の分布状況が変化したか否かを表わす指標として用いられてもよい。
なお、本実施の形態におけるROC評価値とは、図9に示される領域900の面積が三角形AOBの面積に占める割合をいうが、これに限られない。
図10を参照して、外観検査装置100の出力態様について説明する。図10は、出力部119において表示される検査結果と再学習の必要性の有無との表示態様を表わす図である。このような表示は、出力部119が、たとえば表示パネルあるいはディスプレイ装置である場合に実現される。
出力部119は、外観検査装置100における処理の結果に基づいて検査結果と再学習の必要性の有無とを表示するための領域1010〜1030を含む。ROC評価の結果は、たとえば領域1010に表示される。再学習の必要性の有無は、たとえば領域1020に表示される。さらに、評価の結果に基づいてその他の処理を促すためのメッセージは、たとえば領域1030に表示される。これらの表示は、補助記録装置118に予め格納されたメッセージ用のデータに基づいて実現される。なお、出力部119による出力態様は、図10に示されるものに限られない。
以上のような、本実施の形態に係る外観検査装置100は、各処理を実現するための回路を組み合わせることによりハードウェア的に実現される場合もあれば、各処理を実現するプログラムをCPUその他の演算装置に実行させることにより、ソフトウェア的に実現することもできる。
ここで図11を参照して、本実施の形態に係る外観検査装置100を実現するコンピュータシステム1100について説明する。図11は、コンピュータシステム1100のハードウェア構成を表わすブロック図である。
コンピュータシステム1100は、相互にデータバスによって接続されたCPU1110と、外部からデータの入力を受けるためのマウス1120およびキーボード1130と、入力されるデータあるいは所定の処理の実行により一時的に生成されるデータを揮発的に格納するRAM(Random Access Memory)1140と、大容量のデータを不揮発的に格納可能なハードディスク1150と、CD−ROM(Compact Disk-Read Only Memory)駆動装置1160と、モニタ1180と、通信IF(Interface)1190とを含む。CD−ROM駆動装置1160には、CD−ROM1162が装着される。
外観検査装置100として機能するコンピュータシステム1100における処理は、各ハードウェアおよびCPU1110により実行されるソフトウェアによって実現される。このようなソフトウェアは、ハードディスク1150に予め記憶されている場合もあれば、CD−ROM1162その他の記憶媒体に格納されて流通し、CD−ROM駆動装置160その他の読み取り装置によりその記憶媒体から読み取られて、ハードディスク1150に一旦格納される場合もある。あるいは、そのようなソフトウェアは、通信回線に接続された通信IF1190を介して、ダウンロードされる場合もある。そのソフトウェアは、ハードディスク1150からRAM1140に読み出されて、CPU1110によって実行される。図11に示されるコンピュータシステム1100のハードウェア自体は、一般的なものである。したがって、本発明の本質的な部分は、RAM1140、ハードディスク1150、CD−ROM1162その他の記憶媒体に格納されたソフトウェアであるとも言える。なお、コンピュータシステム1200の各ハードウェアの動作は周知であるので、詳細な説明は繰返さない。
図12を参照して、外観検査装置100を実現するコンピュータシステム1100の機能的構成について説明する。図12は、CPU1110がソフトウェアの実行により実現される機能の構成を表わす図である。
CPU1110は、制御部1200と、入出力部1210と、生成部1220と、処理部1230と、算出部1240と、判断部1250と、必要性判断部1260と、学習部1270と、通知データ生成部1280とを含む。
入出力部1210は、データバスを介してデータの入出力を実行する。生成部1220は、予め定められた最適化手法を用いて画像処理のためのアルゴリズムを生成する。処理部1230は、検査対象物の撮影により生成された画像データに対して当該アルゴリズムを用いることによりその画像処理を実行する。算出部1240は、その画像処理の結果に基づいてROC解析を実行して評価値を算出する。判断部1250は、その評価値と予め定められた閾値とが予め定められた条件を満足するか否かを判断する。必要性判断部1260は、判断部1250による判断の結果に基づいて学習が必要であるか否かを判断する。学習部1270は、画像データを学習する処理を実行する。制御部1200は、必要性判断部1260による判断の結果に基づいて、学習部1270に再学習を実行させる。
好ましくは、当該予め定められた条件は、当該評価値が当該閾値を下回ることである。
好ましくは、必要性判断部1260は、当該評価値と当該閾値とが上記条件を満足していない場合には、当該画像処理の対象となる欠陥のパターンは、学習の時点で対象としていた欠陥のクラスと良品のクラスとの母集団には含まれないと判断し、そして再学習が必要であると判断する。
好ましくは、制御部1200は、再学習が必要であると判断された場合に使用されていた画像データを用いて、学習部1270に再学習を実行させる。
好ましくは、算出部1240は、特徴量により表現される空間における特徴量データに基づいてROC解析を実行する。特徴量は、撮影によって生成された画像データの特徴を表わす。判断部1250は、識別器データに基づいて、上記予め定められた条件を満足する評価値を取得することができるか否かを判断する。制御部1200は、特徴量データに基づいて予め定められた分析処理を実行することにより、識別器データを変更する。
学習部1270は、たとえば学習が必要であると判断された場合に使用された画像データを用いて学習を実行する。学習部1270は、あるいは特徴量データに基づいて予め定められた分析処理を実行することにより識別器の値を変更する。
好ましくは、CPU1110は、通知データ生成部1280をさらに含む。通知データ生成部1280は、必要性判断部1260による判断の結果に基づいて学習が必要であることを通知するためのデータを生成する。通知データ生成部1280は、たとえばROC解析の結果を表わすデータと学習の必要性を表わすメッセージとを生成する。生成されたデータは、入出力部1210によってモニタ1280に送出される。
好ましくは、CPU1110は、欠陥判定部1290をさらに含む。欠陥判定部1290は、検査対象物の撮影により生成された画像データに基づいて、当該検査対象物の表面に欠陥が生じているか否かを判定する。
好ましくは、制御部1200は、画像処理のためのアルゴリズムと識別器データとの少なくともいずれかのデータを取得するための処理を実行する。欠陥判定部1290は、制御部1200によって取得されたいずれかのデータに基づいて、検査対象物の表面に欠陥が生じているか否かを判定する。
以上のようにして、本発明の実施の形態に係る外観検査装置100は、当該装置の利用者が意図した間隔で、検査精度、信頼性を定量的に知ることができる。また、検査精度の閾値を予め設定することにより、再学習の必要性が通知されるため、外観検査装置100の学習データの迅速な更新が可能になる。
今回開示された実施の形態はすべての点で例示であって制限的なものではないと考えられるべきである。本発明の範囲は上記した説明ではなくて特許請求の範囲によって示され、特許請求の範囲と均等の意味および範囲内でのすべての変更が含まれることが意図される。
10 検査システム、100 外観検査装置、111 ステージ、112 被検査物、113 光源、114 カメラ、115 コントローラ、116 画像処理部、117 主制御部、118 補助記録装置、119 出力部、1100 コンピュータシステム、1110 CPU、1120 マウス、1130 キーボード、1140 RAM、1150 ハードディスク、1160 CD-ROM駆動装置、1162 CD-ROM、1190 通信IF、1180 モニタ。
Claims (10)
- 画像処理のためのアルゴリズムを生成する生成手段と、
複数の検査対象物の撮影により生成された画像データの入力を受ける入力手段とを備え、前記複数の検査対象物の各々の外観は、前記撮影の時期に応じて変動し、
前記複数の検査対象物の各々の撮影により生成された各画像データに対して前記アルゴリズムに基づく画像処理を実行する処理手段と、
前記画像データに基づいて、前記複数の検査対象物の各々における欠陥を検出する検出手段と、
前記検出手段による検出の結果と、前記複数の検査対象物の各々について予め準備されている外観の検査の結果とに基づいて、前記欠陥が欠陥として検出された割合と、良品が欠陥として検出された割合とに基づく評価値を算出する評価値算出手段と、
前記評価値と予め定められた閾値とが予め定められた条件を満足するか否かを判断する判断手段と、
前記判断手段による判断の結果に基づいて、前記画像処理のためのアルゴリズムを新たに生成する必要があるか否かを判断する必要性判断手段と、
前記必要性判断手段による判断の結果に基づいて、前記生成手段に新たなアルゴリズムを生成させる再学習手段とを備える、外観検査装置。 - 前記判断手段は、前記評価値が前記閾値を下回るか否かを判断する、請求項1に記載の外観検査装置。
- 前記必要性判断手段は、前記評価値と前記閾値とが前記条件を満足していない場合には、前記画像処理の対象となる欠陥のパターンは、前記アルゴリズムが生成された時に対象とされていた欠陥のクラスと良品のクラスとの母集団には含まれないと判断し、そして前記画像処理のためのアルゴリズムを新たに生成する必要があると判断する、請求項1に記載の外観検査装置。
- 前記アルゴリズムを新たに生成する必要がある判断された場合に使用された画像データを格納する記憶手段をさらに備え、
前記再学習手段は、前記再学習が必要であると判断された場合に使用された画像データに基づいて、前記生成手段に前記新たなアルゴリズムを生成させる、請求項1に記載の外観検査装置。 - 前記評価値算出手段は、前記外観の特徴量により表現される特徴量データに基づいて、前記評価値を算出し、前記特徴量は、前記撮影によって生成された画像データの特徴を表わし、
前記外観検査装置は、前記検査対象物を欠陥および良品のいずれかに分類するための基準である識別器データに基づいて、前記予め定められた条件を満足する評価値を取得することができるか否かを判断する取得性判断手段をさらに備え、
前記再学習手段は、前記特徴量データに基づいて予め定められた分析処理を実行することにより前記識別器データの値を変更する、請求項1に記載の外観検査装置。 - 前記必要性判断手段による判断の結果に基づいて、新たなアルゴリズムを生成する必要であることを通知する通知手段をさらに備える、請求項1に記載の外観検査装置。
- 前記複数の検査対象物の各々の撮影により生成された各画像データに基づいて、前記複数の検査対象物の各々の表面に欠陥が生じているか否かを判定する欠陥判定手段をさらに備える、請求項1に記載の外観検査装置。
- 前記再学習手段は、前記画像処理のためのアルゴリズムと識別器データとの少なくともいずれかのデータを取得するための取得手段を含み、前記識別器データは、前記複数の検査対象物の各々を欠陥および良品のいずれかに分類するための基準であり、
前記外観検査装置は、前記取得手段により取得されたいずれかのデータに基づいて、前記複数の検査対象物の各々の表面に欠陥が生じているか否かを判定する判定手段をさらに備える、請求項1に記載の外観検査装置。 - 画像処理のためのアルゴリズムを生成するステップと、
複数の検査対象物の撮影により生成された画像データの入力を受けるステップとを備え、前記複数の検査対象物の各々の外観は、前記撮影の時期に応じて変動し、
前記複数の検査対象物の各々の撮影により生成された各画像データに対して前記アルゴリズムに基づく画像処理を実行するステップと、
前記画像データに基づいて、前記複数の検査対象物の各々における欠陥を検出するステップと、
前記検出の結果と、前記複数の検査対象物の各々について予め準備されている外観の検査の結果とに基づいて、前記欠陥が欠陥として検出された割合と、良品が欠陥として検出された割合とに基づく評価値を算出するステップと、
前記評価値と予め定められた閾値とが予め定められた条件を満足するか否かを判断する第1の判断ステップと、
前記第1の判断ステップにおける判断の結果に基づいて、前記画像処理のためのアルゴリズムを新たに生成する必要があるか否かを判断する第2の判断ステップと、
前記第2の判断ステップにおける判断の結果に基づいて、新たなアルゴリズムを生成するステップとを備える、外観検査方法。 - 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であって、前記プログラムは前記コンピュータに、
画像処理のためのアルゴリズムを生成するステップと、
複数の検査対象物の撮影により生成された画像データの入力を受けるステップとを実行させ、前記複数の検査対象物の各々の外観は、前記撮影の時期に応じて変動し、
前記複数の検査対象物の各々の撮影により生成された各画像データに対して前記アルゴリズムに基づく画像処理を実行するステップと、
前記画像データに基づいて、前記複数の検査対象物の各々における欠陥を検出するステップと、
前記検出の結果と、前記複数の検査対象物の各々について予め準備されている外観の検査の結果とに基づいて、前記欠陥が欠陥として検出された割合と、良品が欠陥として検出された割合とに基づく評価値を算出するステップと、
前記評価値と予め定められた閾値とが予め定められた条件を満足するか否かを判断する第1の判断ステップと、
前記第1の判断ステップにおける判断の結果に基づいて、前記画像処理のためのアルゴリズムを新たに生成する必要があるか否かを判断する第2の判断ステップと、
前記第2の判断ステップにおける判断の結果に基づいて、新たなアルゴリズムを生成するステップとを実行させる、プログラム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2005115735A JP2006293820A (ja) | 2005-04-13 | 2005-04-13 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2005115735A JP2006293820A (ja) | 2005-04-13 | 2005-04-13 | 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 |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2006293820A true JP2006293820A (ja) | 2006-10-26 |
Family
ID=37414311
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2005115735A Withdrawn JP2006293820A (ja) | 2005-04-13 | 2005-04-13 | 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 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP2006293820A (ja) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012181209A (ja) * | 2012-06-14 | 2012-09-20 | Hitachi Ltd | 欠陥分類方法及びその装置 |
JP2012529020A (ja) * | 2009-06-02 | 2012-11-15 | ジーイー・ヘルスケア・ユーケイ・リミテッド | 画像解析 |
CN108475425A (zh) * | 2016-01-20 | 2018-08-31 | 富士通株式会社 | 图像处理装置、图像处理方法及图像处理程序 |
KR20190072569A (ko) * | 2016-10-14 | 2019-06-25 | 케이엘에이-텐코 코포레이션 | 반도체 애플리케이션을 위해 구성된 심층 학습 모델을 위한 진단 시스템 및 방법 |
JP2019144107A (ja) * | 2018-02-21 | 2019-08-29 | 株式会社タナカ技研 | 情報処理装置、端末装置、情報処理方法、およびプログラム |
JP2020042668A (ja) * | 2018-09-12 | 2020-03-19 | ファナック株式会社 | 検査装置及び機械学習方法 |
JP2020042669A (ja) * | 2018-09-12 | 2020-03-19 | ファナック株式会社 | 検査装置及び機械学習方法 |
CN112614086A (zh) * | 2019-09-19 | 2021-04-06 | 株式会社斯库林集团 | 学习装置、检查装置、学习方法以及检查方法 |
JP2021163934A (ja) * | 2020-04-03 | 2021-10-11 | 株式会社ディスコ | ウエーハの検査装置及びウエーハの検査方法 |
WO2022024985A1 (ja) * | 2020-07-27 | 2022-02-03 | ファナック株式会社 | 検査装置 |
-
2005
- 2005-04-13 JP JP2005115735A patent/JP2006293820A/ja not_active Withdrawn
Cited By (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012529020A (ja) * | 2009-06-02 | 2012-11-15 | ジーイー・ヘルスケア・ユーケイ・リミテッド | 画像解析 |
US8750592B2 (en) | 2009-06-02 | 2014-06-10 | Ge Healthcare Uk Limited | Image analysis |
JP2012181209A (ja) * | 2012-06-14 | 2012-09-20 | Hitachi Ltd | 欠陥分類方法及びその装置 |
CN108475425B (zh) * | 2016-01-20 | 2022-03-08 | 富士通株式会社 | 图像处理装置、图像处理方法及计算机可读取的记录介质 |
CN108475425A (zh) * | 2016-01-20 | 2018-08-31 | 富士通株式会社 | 图像处理装置、图像处理方法及图像处理程序 |
US11468261B2 (en) | 2016-01-20 | 2022-10-11 | Fujitsu Limited | Information processing apparatus, image processing method, and computer-readable recording medium recording image processing program |
KR20190072569A (ko) * | 2016-10-14 | 2019-06-25 | 케이엘에이-텐코 코포레이션 | 반도체 애플리케이션을 위해 구성된 심층 학습 모델을 위한 진단 시스템 및 방법 |
JP2019537839A (ja) * | 2016-10-14 | 2019-12-26 | ケーエルエー コーポレイション | 半導体用途向けに構成された深層学習モデルのための診断システムおよび方法 |
KR102530209B1 (ko) | 2016-10-14 | 2023-05-08 | 케이엘에이 코포레이션 | 반도체 애플리케이션을 위해 구성된 심층 학습 모델을 위한 진단 시스템 및 방법 |
US11580398B2 (en) | 2016-10-14 | 2023-02-14 | KLA-Tenor Corp. | Diagnostic systems and methods for deep learning models configured for semiconductor applications |
JP7049331B2 (ja) | 2016-10-14 | 2022-04-06 | ケーエルエー コーポレイション | 半導体用途向けに構成された深層学習モデルのための診断システムおよび方法 |
JP2019144107A (ja) * | 2018-02-21 | 2019-08-29 | 株式会社タナカ技研 | 情報処理装置、端末装置、情報処理方法、およびプログラム |
CN110895716A (zh) * | 2018-09-12 | 2020-03-20 | 发那科株式会社 | 检查装置以及机器学习方法 |
US11521120B2 (en) * | 2018-09-12 | 2022-12-06 | Fanuc Corporation | Inspection apparatus and machine learning method |
JP2020042669A (ja) * | 2018-09-12 | 2020-03-19 | ファナック株式会社 | 検査装置及び機械学習方法 |
JP2020042668A (ja) * | 2018-09-12 | 2020-03-19 | ファナック株式会社 | 検査装置及び機械学習方法 |
US11682112B2 (en) | 2018-09-12 | 2023-06-20 | Fanuc Corporation | Inspection device and machine learning method |
CN112614086A (zh) * | 2019-09-19 | 2021-04-06 | 株式会社斯库林集团 | 学习装置、检查装置、学习方法以及检查方法 |
JP2021163934A (ja) * | 2020-04-03 | 2021-10-11 | 株式会社ディスコ | ウエーハの検査装置及びウエーハの検査方法 |
JP7427337B2 (ja) | 2020-04-03 | 2024-02-05 | 株式会社ディスコ | ウエーハの検査方法 |
WO2022024985A1 (ja) * | 2020-07-27 | 2022-02-03 | ファナック株式会社 | 検査装置 |
JPWO2022024985A1 (ja) * | 2020-07-27 | 2022-02-03 | ||
JP7502448B2 (ja) | 2020-07-27 | 2024-06-18 | ファナック株式会社 | 検査装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2006293820A (ja) | 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 | |
KR102083706B1 (ko) | 반도체 검사 레시피 생성, 결함 리뷰 및 계측을 위한 적응적 샘플링 | |
JP6707920B2 (ja) | 画像処理装置、画像処理方法、およびプログラム | |
US8121397B2 (en) | Method and its apparatus for reviewing defects | |
JP6715282B2 (ja) | 品質監視システム | |
KR20200014438A (ko) | 대상체의 외부의 검사를 최적화하기 위한 장치 및 그 방법 | |
JP2006292615A (ja) | 外観検査装置、外観検査方法、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および記録媒体 | |
JP3756507B1 (ja) | 画像処理アルゴリズム評価方法および装置、画像処理アルゴリズム生成方法および装置、プログラムならびにプログラム記録媒体 | |
CN113554645B (zh) | 基于wgan的工业异常检测方法和装置 | |
JP2015087940A (ja) | 情報処理装置、情報処理方法及びプログラム | |
JP2020177430A (ja) | 情報処理装置、情報処理方法及びプログラム | |
US20240046443A1 (en) | Analysis apparatus, analysis system, analysis program, and analysis method | |
JP2000121539A (ja) | パーティクルモニタシステム及びパーティクル検出方法並びにパーティクル検出プログラムを格納した記録媒体 | |
CN111062920B (zh) | 用于生成半导体检测报告的方法及装置 | |
JP7414629B2 (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 | |
JP4956077B2 (ja) | 欠陥検査装置及び欠陥検査方法 | |
JP2007017264A (ja) | 画像処理アルゴリズム評価方法および装置、画像処理アルゴリズム生成方法および装置、プログラムならびにプログラム記録媒体 | |
CN111860070A (zh) | 识别发生改变的对象的方法和装置 | |
JP2020095017A (ja) | 情報処理装置、その制御方法、プログラム、及び記憶媒体 | |
JP2007104296A (ja) | 解像度測定方法、装置及びプログラム | |
JP7332028B2 (ja) | アイテムの検査を実行するための方法、装置、コンピュータプログラムおよびコンピュータ命令を含む媒体 | |
US20240112325A1 (en) | Automatic Optical Inspection Using Hybrid Imaging System | |
KR101076478B1 (ko) | 스트레칭 기법을 활용한 평판 디스플레이 패널의 화상결함 검사 방법 및 기록매체 | |
JP7257470B2 (ja) | 欠陥検査装置、欠陥検査方法および予測モデル生成方法 | |
WO2013008531A1 (ja) | 走査電子顕微鏡、欠陥検査システム、および欠陥検査装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A300 | Withdrawal of application because of no request for examination |
Free format text: JAPANESE INTERMEDIATE CODE: A300 Effective date: 20080701 |