JP4139664B2 - 丸み自動計測方法、マスクパターン品質測定装置 - Google Patents
丸み自動計測方法、マスクパターン品質測定装置 Download PDFInfo
- Publication number
- JP4139664B2 JP4139664B2 JP2002292196A JP2002292196A JP4139664B2 JP 4139664 B2 JP4139664 B2 JP 4139664B2 JP 2002292196 A JP2002292196 A JP 2002292196A JP 2002292196 A JP2002292196 A JP 2002292196A JP 4139664 B2 JP4139664 B2 JP 4139664B2
- Authority
- JP
- Japan
- Prior art keywords
- corner
- mask pattern
- corner portion
- roundness
- pattern shape
- 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.)
- Expired - Lifetime
Links
Images
Landscapes
- Length-Measuring Devices Using Wave Or Particle Radiation (AREA)
- Preparing Plates And Mask In Photomechanical Process (AREA)
- Image Processing (AREA)
Description
【発明の属する技術分野】
本発明は、画像の輪郭線上で一つの線分の一端から、別の線分の一端に至る円弧状の、コーナー部の丸みを定量的に測定するフォトマスクの品質評価に好適なマスクパターン形状のコーナー部の丸みを自動計測する方法およびマスクパターン品質測定装置に関する。
【0002】
【従来技術】
フォトマスク検査工程において、フォトマスクを電子顕微鏡で撮影した画像であるSEM画像の形状を検査することで、製造されたフォトマスクの品質を調べることが行われている。すなわち、SEM画像において、本来直角に形成されなければならないパターンのコーナー部分がどれくらい丸みを帯びて形成されたかによって製造されたフォトマスクの品質を判断するのである。この場合、丸みが小さいほど、本来形成すべきパターンに近いので、品質のよいマスクと判断される。
【0003】
一般にフォトマスクのSEM画像のうち、コーナー部の丸みを測定するには、検査者が手動でコーナー部の範囲を指定し、円近似によって曲率半径を求めていた。しかし、この方法では検査者の範囲指定の仕方によって値が変わってしまい、定量的な測定が出来ない、という問題があった。また、別の方法としては、特許文献1のように、SEM画像の輪郭形状データをすべてベクトルデータに変換し、そのベクトルの傾きがある閾値を越えたところでコーナー部が始まり、ふたたびある閾値を越えたところでコーナー部の終端を決定するという方法で、コーナーの領域を決定していた。
【0004】
【特許文献1】
特開2001−183116号公報
【0005】
【発明が解決しようとする課題】
しかし、特許文献1に示される方法では輪郭形状データにノイズが含まれていた場合に、コーナーの開始点、終端点を誤認識するという問題があり、また、曲率半径ではなく欠けた部分の面積と本来のコーナーの面積の比でコーナーの丸みを表現しているため、わかりにくいといった問題点があった。
【0006】
本発明は、このような問題点を考慮してなされたものであって、マスクパターン形状の品質を定量化する指標として、コーナー部形状の近似円弧の半径の値を採用し、コーナーの範囲指定の仕方に影響される事なく、正確かつ安定した曲率半径の計算が可能となり、またベクトルデータに変換する事なく、かつ、コーナーの始点、終点を確定する必要のない方法を提供する事を課題とする。
【0007】
【課題を解決するための手段】
課題を解決するための第1の発明は、SEM画像によるマスクパターン形状のコーナー部の丸み測定方法であって、その第1の態様は、マスクパターンのコーナー付近の画像データから、コーナー部の境界線を構成する画素データを抽出し、この画素データから、コーナーを特徴づける2本の近似直線L1およびL2を抽出し、この2本の近似直線が形成するコーナーと前記コーナー部の境界線形状に囲まれる領域の面積S2を求め、この面積S2の値と、前記2本の近似直線L1、L2のなす角度θより、前記コーナー部の形状を近似する円弧の半径を決定することによりマスクパターン形状のコーナー部の丸みを自動計測する方法であって、前記コーナー部の境界線を構成する画素データをSEM画像の画素配列に基づき定義される2次元ユークリッド空間上の座標値に基づき2個または3個のグループにクラスタリングし、その結果得られる2個または3個のクラスタのそれぞれに属することとなる各画素を、その座標を表す2つの変量をもつ標本データと考えて、クラスタごとに主成分分析を行って各クラスタの第1主成分軸を求め、該第1主成分軸をそのクラスタを代表する近似直線とし、得られた2個、または3個の近似直線のうちの適当に選択した2つ、をコーナーを特徴づける2本の近似直線とすることを特徴とする方法である。
【0008】
コーナー付近の画像データから、コーナー部の境界線を構成する画素データを抽出するには、平滑化、エッジ検出、2値化処理、細線化などの公知のデジタル画像処理方法を適宜用いる。またコーナー部の形状を近似する円弧の半径は、面積S2と角度θを、後述する数7に代入することにより求めることができる。第1の発明に係る方法によれば、ベクトルデータに変換することなく、コーナー部の始点、終点を確定する必要もない安定した丸みの測定を行うことが可能となる。
【0010】
すなわち、コーナーを特徴づける2本の近似直線L1およびL2を抽出するために、前記コーナー部の境界線を構成する画素データをSEM画像の画素配列に基づき定義される2次元ユークリッド空間上の座標値に基づき2個または3個のグループにクラスタリングし、その結果得られるクラスタに属する画素の分布を表す直線を主成分分析の手法により代表直線として求め、この代表直線を、または、そのうちの2本を、コーナーを特徴づける2本の近似直線L1およびL2とするものである。
【0011】
また、第1の発明のより好ましい第2の態様は、前記コーナー部の境界線を構成する画素データをその座標値により3個のグループにクラスタリングし、その結果得られる3個のクラスタのそれぞれに属することとなる画素の分布状態によって決定される第1主成分軸をそのクラスタを代表する近似直線とし、得られた3個の近時直線のうちの適当な2つを選んでコーナーを特徴づける2本の近似直線とすることを特徴とするものである。必ず3個にクラスタリングすると限定した方がクラスタリング結果が人間が行う直感的な結果とよく合い、安定する場合がある。
【0012】
クラスタリングのアルゴリズムとしては種々のものが考案されているが、ファジィクラスタリングアルゴリズムを用いて行ってもよい。
【0013】
3個のグループにクラスタリングする場合は、クラスタリングの結果得られる3個の画素データの集合を代表する近似直線のうちから2個を選んでコーナーを特徴づける2本の近似直線とする必要があるが、この選択は、各クラスタ集合の共分散行列の最大の固有値と2番目の固有値の比の大小によって識別してもよい。
【0014】
3個のグループにクラスタリングする場合は、クラスタリングの結果得られる3個の画素データの集合を代表する近似直線によって囲まれる三角形の面積を、前記コーナを特徴づける2本の近時直線が形成するコーナーと前記コーナー部の境界線形状に囲まれる領域の面積の近似値として用いてもよい。この方が計算が速いからである。
【0015】
課題を解決する第2の発明は、 SEM画像を入力し、またディスプレイに表示する画像入出力手段と、SEM画像を記録保持する画像記憶手段と、第1の発明に係るマスクパターン形状のコーナー部の丸みを自動計測する方法を実行する画像処理手段と、前記画像処理手段により得られるコーナ部の形状を近似する円およびその円の半径の値をSEM画像の上に重ねて表示する測定結果表示手段と、を備えて構成されるフォトマスクのマスクパターン品質測定装置である。
【0016】
【発明の実施の形態】
以下図面を用いて、本発明の方法を説明してゆく。以下、添付図面を参照しつつ、本発明の実施の形態を説明する。
【0017】
図1はマスクパターンを示している。図1の(a)は本来形成されるべき元のパターンである。同(b)は、実際に形成されたマスクパターン、同(c)は、そのコーナー部分の拡大図である。
【0018】
図2は、本発明の方法の手順の概略を示すフローチャートである。図6(a)〜(d)は、本発明の方法を視覚的に説明するための補助図面である。本発明の方法の手順の概略は次のようになる。まず、SEM画像をコンピュータ上に表示させる(S01)。次に、作業者がコーナー周辺の領域を指定する(S02)。システムは選択された領域内において、マスクパターンとそれ以外の部分の境界を形成する画素の集合BS(図6(a))を直線近似することによりコーナーを特徴づける2本の直線を抽出する(S03)。この直線を図6(b)のL1、L2により示す。直線L1、L2は画素の集合BSの両端の直線部分を近似する直線である。さらに、抽出された直線L1、L2が形成するコーナーと画素の集合BSのなす形状に挟まれた領域(以後「欠け部分領域」と記す)の面積を計測する(S04)。図6(d)に欠け部分領域の面積をS2として示す。求めた領域面積と抽出した2本の直線の交わる角度から円の半径及び中心座標を算出する(S05)。最後に抽出した円をマスクパターン画像と重ねて表示し、計算された半径rの値を表示する(S06)。求められた円の半径rによりマスクパターンの品質を定量的に比較評価することが可能となる。
【0019】
次に本発明の方法の最も中心的な手順であるコーナー付近の画像データからの直線近似方法を、図3のフローチャートに沿って、さらに詳しく説明する。
【0020】
まず、前処理として、コーナー付近の画像データからマスクパターンとそれ以外の部分の境界を形成する画素の集合BSを抽出する(S31)。すなわち、マスクパターン画像のコーナー付近として指定された画像領域の画像データについて平滑化、二値化、エッジ検出、細線化を施すことにより、画素の集合BSを抽出する(S31)。次に後のクラスタリング処理を行うために、上記画素の集合BSについて各画素の座標データを抽出する(S32)。後のクラスタリング処理は、上記輪郭を形成する画素を2本または3本の直線に近似できるグループにクラス分けするのであるが、そのクラス分けの手がかりとして、各画素の座標を用いる。したがって、上記輪郭を形成する画素の1つ1つについて番号を付け、それぞれの画素データの座標を記録したデータを記録する。
【0021】
次に、クラス分けの数を3とする(抽出する直線を3本とする)指定を行う(S33)。すなわち、図6(a)に示す画素の集合BSを、3本の直線に近似できる3つのグループにクラス分けする。
【0022】
本発明では、クラスタリングのアルゴリズムとしてファジィクラスタリングを用いる。この処理は2つの段階に分けられる。通常の距離関数(ユークリッド距離)を用いてより近いもの同士を同じグループとしてクラス分けするファジィクラスタリング(Fuzzy c-means)という第1の段階(S35)と、Fuzzy c-meansで分けられたクラスを初期値として、さらに、当該クラスの主成分方向に対する距離を用いてクラス分けするファジィクラスタリング(Fuzzy c-Varieties)という第2の段階(S36)である。この2つの処理を経ることにより、図6(a)に示す画素の集合BSは、2本または3本の直線に近似されうる画素のグループにクラス分けされる。各グループの画素の分布から決定される第1主成分軸がそのグループから抽出される直線である。直線の傾きを示す単位ベクトルとクラスタ中心を求め、抽出した直線を表示出力することができる(S38)。
【0023】
以上が、ステップS03の直線近似により直線を抽出する手順の概略である。次に図4および図5のフロー図を用いて、ファジィクラスタリングFuzzy c-meansおよびFuzzy c-Varieties の手順をさらに詳しく説明する。
【0024】
図4は、Fuzzy c-means の手順を説明するフローチャートである。Fuzzy c-means法では、まずすべてのデータにランダムに帰属度を割当てる。帰属度はすべてのクラスタ(2または3)に対して、0〜1の範囲の1以下の正の数でそれぞれの帰属度の合計は1とする。この初期値は図3のステップS34で適当に与えられる。次に、各データに設定された帰属度と各データの座標値から数1によりクラスタの中心を計算する(S51)。数1で、viは、i番目のクラスタの中心の座標ベクトル、Uijは、j番目のデータのi番目のクラスタに対する帰属度である。xjは、j番目のデータの座標ベクトルである。mは、帰属度関数のパラメータである。
【数1】
【0025】
次に、新しいクラスタ中心に基づいて、各データの新しい帰属度を数2により求める(S54)。つまり新しいクラスタ中心により各データの帰属度を修正するわけである。
【数2】
【0026】
これでクラスタ中心と帰属度が更新されたので、数3に示す目的関数Jを計算する(S55)。目的関数Jは、各データとそれぞれのクラスタ中心との距離の自乗和に各データの帰属度に従った重みをつけたものと言い表わすことができる。このJが最小となるかまたは十分小さくなるまで、ステップS51およびS53を繰り返す。
【数3】
【0027】
以上がFuzzy c-meansの手順である。この結果、ユークリッド距離で近いもの同士が1つのグループを形成するようにクラスタリングされる。次に、この結果として得られたクラスタ中心と、帰属度の情報をFuzzy c-Varieties法の初期値として与えることにより、Fuzzy c-Varietiesの手順を進める。Fuzzy c-Varietiesでは、ユークリッド距離の代わりに、数4で表される、クラスタに属するデータの分布によって定まる主成分方向に対する距離に基づいてクラスタリングを進めてゆく。以下、図5のフローチャートにより説明する。
【数4】
【0028】
まず、新たなクラスタ中心を計算する(S70)。この計算は数1による。次に、数5により、各クラスタ毎にファジィ共分散行列を求める(S72)。次に、この行列の最大の固有値に対応する固有ベクトルを求める(S74、S76)。これが、そのクラスタの第1主成分の方向となる。ここで求めた固有ベクトルに基づいて数4の距離関数が定まる。そして、この距離関数に基づいて、各データxjの新たな帰属度Uijの計算を行う(S77)。新たな帰属度の計算は、数2の第1の式によるが、そこで用いる距離関数は数4を用いる。次に、目的関数Jを計算する(S78)。目的関数Jの計算は、数3によるがそこで用いる距離関数は数4を用いる。このJが最小となるかまたは十分小さくなるまで、ステップS70〜S78を繰り返す。
【数5】
【0029】
以上がFuzzy c-Varietiesの手順である。この結果、コーナー付近の境界線の画素データは、3本の主成分軸(3直線)に近いかどうかを基準にして3つのクラスタCL1、CL2、CL3に分けられる。図6(c)は、これら3つのクラスタに対応する3本の第1主成分軸をL1、L2、L3として示す。以下、後の処理のために、抽出されたL1、L2、L3に関して必要なパラメータを抽出する処理を行う。図3に戻って説明する。
【0030】
まず、抽出されたL1、L2、L3から、半径を求めるために必要な、パターンのコーナーを特徴づける直線L1、L2を分別する。これは、それぞれのクラスタCL1、CL2、CL3第1主成分、第2主成分を有しているので、両者の比を調べることにより分別する(図3、S37)。すなわち、両者の比が1に最も近いもの(ここではCL3)を、ノイズクラスタとして除外すればよい。それ以外のクラスタCL1、CL2は、第1主成分が第2主成分より著しく大きいので、より1次元的な分布を持つクラスタであり、いわば直線クラスタということができる。直線クラスタCL1、CL2のクラスタ中心と固有ベクトルにより直線L1、L2のパラメータを出力する(S38)。
【0031】
以上の処理で、直線近似処理(図2、S03)が終り、近似直線L1、L2が特定された。次に図3のステップS04〜S06により、求める半径rを計算する手順を説明する。
【0032】
図6(d)に示すように、2つの直線で形成されるコーナーに内接する円の半径rと、この内接円によりコーナーから切取られる領域(欠け部分領域)の面積S2の間には、数6の関係がある。ここでθは2直線のなす角度である。数6は簡単な面積計算により確かめられる。一方、図6(c)で3直線L1、L2、L3で囲まれる三角形の面積S1は、三角形の三辺の長さa、b、cから、s = (a+b+c)/2 として、ヘロンの公式により
S1=√[s(s-a)(s-b)(s-c)] として求めることができる。ここで、2直線L1、L2のなす角度θ、および3直線L1、L2、L3で囲まれる三角形の三辺の長さa、b、cは、ステップS38で算出した近似直線のパラメータから計算することができる。したがって面積S1を計算して(S04)、これをS2=S1として数6に代入することにより近似円の半径rについて解いて数7として、rを決定することができる。図7には、近似円の中心座標の決定の仕方を示す。すなわち、近似させた二本の直線との距離がrである4本の直線の交点のうち、面積を測定した領域に最も近いものを選択することにより求める。(図2、S05)。以上で近似円の中心と半径が求められたので、これを元のSEM画像に重ね表示することにより抽出の成功を確認し、半径rを品質評価データとして採用できる(S06)。
【数6】
【数7】
【0033】
ステップS04において、3直線L1、L2、L3で囲まれる三角形の三辺の長さからヘロンの公式を用いる方法を説明したが、この場合得られる面積S1はあくまでもS2の近似値である。これに対して、図6(b)に示す面積S2を直接求めるため、2直線L1、L2のパラメータから両直線上の画素の位置を求めて、これらの直線上の画素と境界画素集合BSに属する画素との間に存在する画素を数え上げることにより直接的にS2を求めてもよい。また、この方法を採用する場合は、元々ファジィクラスタリングで求めるクラスタ数を3ではなく2としてもよい。すなわち、ステップS33において、クラスタ数=2と指定してもよい。
【0034】
以上詳しく説明した、マスクパターン形状のコーナー部の丸みを自動計測する方法は、画像処理プログラムとしてコンピュータプログラムの形に実現することができる。したがってこのコンピュータプログラムをグラフィックディスプレイとキーボードまたはマウスによりグラフィカルユーザーインターフェースを構築できるソフトウエア環境を備えたコンピュータに搭載することにより、SEM画像を入力し、またディスプレイに表示する画像入出力手段と、SEM画像を記録保持する画像記憶手段と、マスクパターン形状のコーナー部の丸みを自動計測する方法を実行する画像処理手段と、前記画像処理手段により得られるコーナ部の形状を近似する円およびその円の半径の値をSEM画像の上に重ねて表示する測定結果表示手段と、を備えて構成されるフォトマスクのマスクパターン品質測定装置として構成することが可能である。
【0035】
【発明の効果】
以上、SEM画像から、パターンのコーナー部の丸みを近似円の半径として自動的に求め、これによりコーナー部の丸みを自動計測する方法を詳しく述べた。本発明に係る近似円の抽出方法は、コーナーの範囲指定の仕方に影響される事なく、正確かつ安定した曲率半径の計算が可能となり、またベクトルデータに変換する事なく、かつ、コーナーの始点、終点を確定する必要のがないという極めて、単純でまた精度が高く簡単で使いやすい方法を提供するという顕著な効果を奏する。
【図面の簡単な説明】
【図1】 フォトマスクのマスクパターンのコーナー部を示す図である。
【図2】 本発明の方法の手順の概略を示すフローチャートである。
【図3】 コーナー付近の画像データからの直線近似手順を説明するフローチャートである。
【図4】 Fuzzy c-meansの手順を説明するフローチャートである。
【図5】 Fuzzy c-Varietiesの手順を説明するフローチャートである。
【図6】 曲率半径計算方法の手順を説明する図である。
【図7】 近似円の中心座標の求め方を説明する図である。
Claims (6)
- SEM画像によるマスクパターン形状のコーナー付近の画像データから、コーナー部の境界線を構成する画素データを抽出し、この画素データから、コーナーを特徴づける2本の近似直線を抽出し、この2本の近似直線が形成するコーナーと前記コーナー部の境界線形状に囲まれる領域の面積を求め、この面積の値と、前記2本の近似直線のなす角度より、前記コーナー部の形状を近似する円弧の半径を決定することによりマスクパターン形状のコーナー部の丸みを自動計測する方法であって、
前記コーナー部の境界線を構成する画素データをSEM画像の画素配列に基づき定義される2次元ユークリッド空間上の座標値に基づき2個または3個のグループにクラスタリングし、その結果得られる2個または3個のクラスタのそれぞれに属することとなる各画素を、その座標を表す2つの変量をもつ標本データと考えて、クラスタごとに主成分分析を行って各クラスタの第1主成分軸を求め、該第1主成分軸をそのクラスタを代表する近似直線とし、得られた2個、または3個の近似直線のうちの適当に選択した2つ、をコーナーを特徴づける2本の近似直線とすることを特徴とするマスクパターン形状のコーナー部の丸みを自動計測する方法。 - 請求項1に記載のマスクパターン形状のコーナー部の丸みを自動計測する方法において、前記コーナーを特徴づける2本の近似直線を抽出するために、前記コーナー部の境界線を構成する画素データをその座標値により3個のグループにクラスタリングし、その結果得られる3個のクラスタそれぞれの第1主成分軸をそのクラスタを代表する近似直線とし、得られた3個の近似直線のうちの適当な2つを選んでコーナーを特徴づける2本の近似直線とすることを特徴とするマスクパターン形状のコーナー部の丸みを自動計測する方法。
- 請求項1または請求項2に記載のマスクパターン形状のコーナー部の丸みを自動計測する方法において、クラスタリングアルゴリズムとして、ファジィクラスタリングアルゴリズムを用いることを特徴とする方法。
- 請求項2に記載のマスクパターン形状のコーナー部の丸みを自動計測する方法において、クラスタリングの結果得られる3個の画素データの集合をそれぞれ代表する3本の近似直線のうちのどれをコーナーを特徴づける2本の近似直線として選択するかを、各クラスタ集合に属する画素を、その座標を表す2つの変量をもつ標本データと考えてクラスタごとに主成分分析する際に計算される、クラスタごとの共分散行列の最大の固有値と2番目の固有値の比の大小によって決定することを特徴とするマスクパターン形状のコーナー部の丸みを自動計測する方法。
- 請求項2に記載のマスクパターン形状のコーナー部の丸みを自動計測する方法において、クラスタリングの結果得られる3個の画素データの集合をそれぞれ代表する3本の近似直線によって形成される三角形の面積を、前記コーナーを特徴づける2本の近似直線が形成するコーナーと前記コーナー部の境界線形状に囲まれる領域の面積の近似値として用いることを特徴とするマスクパターン形状のコーナー部の丸みを自動計測する方法。
- SEM画像を入力しまたディスプレイに表示する画像入出力手段と、SEM画像を記録保持する画像記憶手段と、請求項1から請求項5のいずれかに記載のマスクパターン形状のコーナー部の丸みを自動計測する方法を実行する画像処理手段と、前記画像処理手段により得られるコーナ部の形状を近似する円およびその円の半径の値をSEM画像の上に重ねて表示する測定結果表示手段と、を備えて構成されるフォトマスクのマスクパターン品質測定装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2002292196A JP4139664B2 (ja) | 2002-10-04 | 2002-10-04 | 丸み自動計測方法、マスクパターン品質測定装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2002292196A JP4139664B2 (ja) | 2002-10-04 | 2002-10-04 | 丸み自動計測方法、マスクパターン品質測定装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2004125690A JP2004125690A (ja) | 2004-04-22 |
JP4139664B2 true JP4139664B2 (ja) | 2008-08-27 |
Family
ID=32283529
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2002292196A Expired - Lifetime JP4139664B2 (ja) | 2002-10-04 | 2002-10-04 | 丸み自動計測方法、マスクパターン品質測定装置 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP4139664B2 (ja) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5114301B2 (ja) * | 2008-06-10 | 2013-01-09 | 株式会社キーエンス | 画像計測装置、画像計測方法及びコンピュータプログラム |
US20100054606A1 (en) * | 2008-08-29 | 2010-03-04 | Kabushiki Kaisha Toshiba | Image processing apparatus, image processing method, and computer program product |
WO2011052070A1 (ja) * | 2009-10-30 | 2011-05-05 | 株式会社アドバンテスト | パターン計測装置及びパターン計測方法 |
US9383196B2 (en) * | 2012-03-08 | 2016-07-05 | Applied Materials Israel Ltd. | System, method and computed readable medium for evaluating a parameter of a feature having nano-metric dimensions |
CN106997147A (zh) * | 2017-05-27 | 2017-08-01 | 京东方科技集团股份有限公司 | 一种掩膜板、基板以及显示装置 |
-
2002
- 2002-10-04 JP JP2002292196A patent/JP4139664B2/ja not_active Expired - Lifetime
Also Published As
Publication number | Publication date |
---|---|
JP2004125690A (ja) | 2004-04-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102083706B1 (ko) | 반도체 검사 레시피 생성, 결함 리뷰 및 계측을 위한 적응적 샘플링 | |
US7639253B2 (en) | System and method for automatic 3D scan data alignment | |
US7602962B2 (en) | Method of classifying defects using multiple inspection machines | |
TWI733425B (zh) | 尺寸測量裝置、尺寸測量程式及半導體製造系統 | |
US20020041705A1 (en) | Locating regions in a target image using color matching, luminance pattern matching and hue plane pattern matching | |
CN116664559B (zh) | 基于机器视觉的内存条损伤快速检测方法 | |
JP2017521779A (ja) | 画像解析を用いた核のエッジの検出 | |
US20060029257A1 (en) | Apparatus for determining a surface condition of an object | |
US20040126008A1 (en) | Analyte recognition for urinalysis diagnostic system | |
JP2006517663A (ja) | 画像解析 | |
US6985626B2 (en) | Pattern evaluation method, pattern evaluation system and computer-readable recorded medium | |
JP2005535892A (ja) | 組織学的アセスメント | |
TWI773063B (zh) | 圖像產生系統及圖像產生方法 | |
CN107256410B (zh) | 眼底图像分类方法及装置 | |
CN115578374A (zh) | 一种机械零件铸造质量评估方法与*** | |
CN109426789A (zh) | 手和图像检测方法和***、手分割方法、存储介质和设备 | |
Lassen | Automated determination of crystal orientations from electron backscattering patterns | |
CN106327480A (zh) | 一种甲状腺ct图像异常密度的检测方法 | |
JP4139664B2 (ja) | 丸み自動計測方法、マスクパターン品質測定装置 | |
US8189915B2 (en) | Method for segmentation in an n-dimensional feature space and method for classifying objects in an n-dimensional data space which are segmented on the basis of geometric characteristics | |
CN113129281B (zh) | 一种基于深度学习的小麦茎秆截面参数检测方法 | |
JP3661635B2 (ja) | 画像処理方法およびその装置 | |
TWI553309B (zh) | Pattern measuring device, and computer program | |
JPH0573663A (ja) | 3次元物体の画像認識法 | |
Dhanuja et al. | Areca nut disease detection using image processing technology |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20050930 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20071120 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20071221 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20080529 |
|
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20080609 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 4139664 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20110613 Year of fee payment: 3 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20110613 Year of fee payment: 3 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20120613 Year of fee payment: 4 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20120613 Year of fee payment: 4 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20130613 Year of fee payment: 5 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20140613 Year of fee payment: 6 |
|
EXPY | Cancellation because of completion of term |