JP4961161B2 - 検査装置 - Google Patents

Description

本発明は、半導体検査装置，食品などの異物検査装置など画像処理を行い検査を行う検査装置に関するものである。

従来、画像処理を用いた検査装置の中には画像処理アルゴリズムの最適化を行い、精度の高い検査を可能にするものがあった。

これは、Ｘ線画像を画像処理することで冷凍食品などのパッケージ中に混入している異物を検出する検査装置であり、ＧＡ（Genetic Algorithms：遺伝的アルゴリズム）を使用することでユーザの使用状況に応じて最適化された画像処理アルゴリズムを自動生成する。

ＧＡを使った画像処理については「進化的画像処理」（長尾智晴著：出版社：昭晃堂）の５章に詳しく説明されている。ここでは１入力１出力、或いは２入力１出力の各フィルタ（これが遺伝子となる）を木（tree）構造に組み合わせたフィルタ木を染色体としている。現在の世代の個体群（染色体の集まり）に対して、淘汰，交叉，突然変異などの操作によって次世代の個体群の染色体を生成することで個体群は世代を経るごとに進化していく。進化の方向は予め与えられた原画像とそれに対する目標画像の組（必要に応じて重み画像も含まれる）で規定され、原画像を目標画像に近づけるようなより進化した画像処理アルゴリズム（染色体）が世代を経る毎に多く現れる。

本発明において原画像と目標画像、場合によっては重み画像を合わせた組を教師データセットと呼ぶことにする。教師データセットは一つでも良いが、一般的には複数存在し、目標画像と重み画像は原画像に対し人手で作る必要がある。目標画像と重み画像によってどのような画像処理アルゴリズムを生成したいかを人間がシステムに教えることになる。

図１２は冷凍食品の中の異物を検出する画像処理アルゴリズムが進化的画像処理で生成されていく様子を表している。（１）は冷凍食品として冷凍ピラフのパッケージ中に混入している異物の位置を示している。外周部は何もないためＸ線の透過率が高く白くなっている。パッケージ内部は米粒や具などがゴマ塩状に写っている。（２）は入力した原画像（教師データセットの原画像ではない）そのものである。（２）は教師データセットを使って学習（最適化）を行い１０世代付近で得られた画像処理アルゴリズム（染色体）を原画像に施したものである。異物の有る座標の画素値が米粒より高くなって来ている。(３)は１００世代付近で得られた画像処理アルゴリズム（染色体）を原画像に施したものである。ここまで来れば、異物の有無は画素値６〜７辺りを閾値にして安定的に検出することが出来る。この例の場合、最後に閾値を用いて異物の有無を検出する処理は最適化する画像処理アルゴリズムには含まれていない。このように検出結果を求めるまでの全ての処理が最適化の対象になるとは限らない。

図１３にこのとき与える目標画像と重み画像の例を示す。（１）は異物の混入位置を表している。（２）はこのときの目標画像の一例を示している。異物の混入位置における画素値が高くなるように目標画像を与えている。システムはこのような処理結果画像を得るべく画像処理アルゴリズムを最適化する。具体的には、各世代の染色体は処理結果が目標画像とどれくらい離れているかを評価され、評価が悪い（処理結果が目標画像と大きく異なっている）染色体は淘汰され次世代に生き延びることが出来なくなる。このとき処理結果が目標画像とどれくらい離れているかが重要になるが、（２）の目標画像のように殆ど黒でごく一部に白い部分が存在するような場合は、処理結果として真っ黒な画像を出力するような染色体も高い評価を得ることになるが、実際にはこのような染色体（画像処理）には何の意味もない。このようなときには、異物の混入位置において目標画像と同じように白くなっているという条件を優先的に（重みを置いて）評価するようにするために(３)に示すような重み画像を用いることが有効である。重み画像の画素値の高い座標ほど重みを置いて目標画像との違いを評価する。

一方、特許文献１には学習用入力信号とそれに対応する教師信号を用いて簡単な学習することで学習外入力信号に対しても所望の出力信号が得やすいニューラルネットワーク
（パーセプトロン）が開示されている。このようなニューラルネットワークを用いても画像からパターンの認識を行うことが出来ることは良く知られている。やはりこの場合も学習用入力信号と教師信号の組を予め与えておかなくてはならない。学習用入力信号と教師信号の組も本発明では教師データセットと呼ぶことにする。ニューラルネットワークを使ってパターン認識などを行うときには入力画像に対してノイズ除去などの前処理を行うこともあるが、ここでは前処理は学習（最適化）の対象外としている。

特開平７−１２１４９４号公報

従来の画像処理アルゴリズムの最適化を行う検査装置は予め与えられた教師データ群を使って画像処理アルゴリズムの最適化を行っていた。そのため、検査を行っている製品のライン稼動中に現在の画像処理アルゴリズムでは対応できない画像が画像処理部に入力された場合に、その画像にも対応できるように新たに最適化された画像処理アルゴリズムを生成することは困難であった。

本発明の課題は検査を行っているライン稼動中に現在の画像処理アルゴリズムでは対応できない画像が画像処理部に入力された場合でも、その画像にも対応できるように新たに最適化された画像処理アルゴリズムを生成して検査を続行できる検査装置を提供することである。

上記課題を解決するために、本発明は画像を取得し、その画像に対して画像処理を施す検査装置において、取得した画像を基に新たに現在の画像処理アルゴリズムとは別の画像処理アルゴリズムを生成する機能と、現在のアルゴリズムから新たなアルゴリズムに処理を切り換える機能を備えたことを特徴とするものである。

また、上記課題を解決するために、本発明は検査装置において、現在の画像処理アルゴリズムが導いた処理結果が誤っている可能性が高い場合、対応する入力画像を基に現在の画像処理アルゴリズムとは別の画像処理アルゴリズムを生成することを特徴とするものである。

また、上記課題を解決するために、本発明は検査装置において、取得した画像に対して、現在の画像処理アルゴリズムより望ましい画像処理結果を得られるような新たな画像処理アルゴリズムを生成することを特徴とするものである。

また、上記課題を解決するために、本発明は検査装置において、取得した画像に対する教師データを自動で生成し、教師データのデータベースに追加する機能を有し、教師データのデータベースに基づいて新たな画像処理アルゴリズムを生成することを特徴とするものである。

また、上記課題を解決するために、本発明は検査装置において、教師データを作成する際、撮影条件を変更して画像を取得しなおすことを特徴とするものである。

また、上記課題を解決するために、本発明は検査装置において、教師データ作成部を有することで、処理結果が間違えている可能性が高い画像に対して、目標画像、必要があれば重み画像、或いは教師信号を生成して教師データ群を更新することができることを特徴とするものである。

また、上記課題を解決するために、本発明は検査装置において、現在使用中の画像処理アルゴリズムとは別に、更新された教師データ群を使って最適化された新しい画像処理アルゴリズムを作成しておき、それが完成したら現在の画像処理アルゴリズムと切り換えるスイッチを有することで、今まで旨く対応することが出来なかった画像に対しても正しい処理結果を得ることができることを特徴とするものである。

更に、上記課題を解決するために、本発明は画像を取得し、その画像に対して画像処理を施す検査方法において、取得した画像を基に新たに現在の画像処理アルゴリズムとは別の画像処理アルゴリズムを生成すること、現在のアルゴリズムから新たなアルゴリズムに処理を切り換えることを特徴とするものである。

更に、上記課題を解決するために、本発明は画像を取得し、その画像に対して画像処理を施す検査装置において、取得した画像を基に新たに現在の画像処理アルゴリズムとは別の画像処理アルゴリズムを生成する機能と、取得した画像に対する教師データを自動で生成し、該教師データを表示する表示手段を具えたことを特徴とするものである。

本発明の検査装置，検査方法によれば、検査を行っているライン稼動中に現在の画像処理アルゴリズムでは対応できない画像が画像処理部に入力された場合でも、その画像にも対応できるように新たに最適化された画像処理アルゴリズムを生成して検査を続行できるようになる。

以下、本発明の実施例を図面を用いて説明する。

図１は本発明の一実施例の検査装置１００を示している。

ラインに流れてきた検査対象を画像取得部で撮影する。画像取得部は前記のＸ線検査装置の場合はＸ線センサ、ＣＤ−ＳＥＭやレビューＳＥＭの場合は電子顕微鏡、それ以外に可視光や赤外線のカメラ等に用いることが可能である。取得した画像は画像処理部に送られて認識結果や検出結果などの処理結果を得る。画像処理部は教師データ群を使って最適化された画像処理アルゴリズムの他に、最適化対象外の画像処理を含むことも有る。前記Ｘ線検査装置の例では最後に閾値に基づいて異物の有無を判定する部分が、ニューラルネットワークの例ではノイズ除去などの前処理がこの最適化対象外の画像処理となる。

誤認識検出部では画像処理部で生成される情報を基に、処理結果（認識，検出結果）が間違えている可能性が高いことを検知する。誤認識検出のやり方は色々考えられる。前記Ｘ線検査装置の場合の一例について説明する。

図１４は前記Ｘ線検査装置を画像処理アルゴリズムで処理した結果画像から誤認識検出を行う場合の一例を示している。横軸はｘ−ｙ座標、縦軸は画素値を表している。ｔｈ１、及びｔｈ２は閾値を表している。ｔｈ１＞ｔｈ２となっており、有る座標における画素値がｔｈ１以上のときその座標には異物があると判断する。有る座標における画素値が
ｔｈ２以下のときその座標には異物が存在しないと判断する。異物が安定的に検出できている状態であれば、どの画素値もｔｈ１とｔｈ２の間の値をとることはない。しかし、画像処理アルゴリズムが旨く最適化されていなければ、ｔｈ１とｔｈ２の間の画素値を取る場合が出てくる。このように２つの閾値を定めて、誤認識検出部はこれらの閾値の間に画素値が存在する場合は誤認識の確立が高いと判断するという方法が考えられる。

教師データ作成部は誤認識検出部が誤認識の可能性が高い状態を検出すると、その入力画像に対する対する目標画像、必要があれば重み画像、或いは教師信号を生成して教師データを更新する。前記Ｘ線検査装置の場合は、例えば後段にもう一つＸ線センサをつけて、誤認識を検出したらラインの速度を落としてＸ線の照射量を増やして画像を取得しなおすという方法が考えられる。Ｘ線の照射量を増やすことで、コントラストの高い良好な画像が得られ、この画像を画像処理部に入力しなおして異物の有る座標を求め、その座標の画素値が高く他の座標の画素値が低い目標画像と重み画像を生成することが出来る。教師データ作成は頻繁に行われるものではないため、画像を取得しなおしても大きな時間的ロスはない。

教師データ作成部で作成された目標画像などは対応する入力画像と共に教師データセットとして教師データ群に加えられる。教師データ群が更新されると画像処理最適化によって新たな画像処理アルゴリズムが生成される。新しい画像処理アルゴリズムが完成すると、適当なタイミングで現在の画像処理アルゴリズムと切り換える。画像処理アルゴリズムがプログラムとして実装されている場合は、「プロセス走行時におけるプログラムの部分入れ替え法」（電子情報通信学会論文誌、Ｖol.Ｊ７８−Ｄ−Ｉ，Ｎo.５，pp.４９２−
４９９（１９９５））に示してあるようにプログラムを適当なタイミングで更新すればよい。また、画像処理アルゴリズムがＦＰＧＡで実装されている場合は新しい画像処理アルゴリズムの論理をメモリに書き込んでおき、画像処理アルゴリズムが動作していないタイミングで新しい画像処理アルゴリズムの論理に書き換えるようにしても良い。

次にＣＤ−ＳＥＭでパターン検出（テンプレートマッチング）を行う場合について図８を用いて説明する。（１）がサーチ対象画像を（２）がテンプレート（参照画像）を表している。テンプレートマッチングとはサーチ対象画像中でテンプレートと同じ部分を検出する処理である。具体的には、サーチ対象画像にテンプレートをずらしながら重ね合わせて正規化相関を計算して、最も高い相関値が得られた場所をテンプレートと同じパターンを持った場所と判断する。ＣＤ−ＳＥＭは半導体ウェハ上の特定箇所を走査式電子顕微鏡を用いて測長する検査装置であるが、測長すべきウェハ上の箇所を特定するために、最初のウェハの測長を行う際に、測長箇所の付近でユニークなパターンを持つ部分をテンプレートとして登録しておき、次回からは同じ場所の測長ではテンプレートマッチングで得られた座標を基に測長箇所を特定するということが行われる。図１９の場合には（３）のａの位置でテンプレートと同じパターンを持っている。また、同じパターンではないが次に相関値が高くなるところは（４）のｂ，ｃ，ｄ，ｅの４箇所である。更に、その次に相関値が高くなるのは（５）のｆ，ｇである。それ以外の場所では相関は殆どなく、相関値は０に近い値となる。（６）は正規化相関マップといって座標ごとの相関値を画素値とする画像である。ａにおいて値ａ′を取りこれは１に近い値となる。ｂ，ｃ，ｄ，ｅ，ｆ，ｇでも値ｂ′，ｃ′，ｄ′，ｅ′，ｆ′，ｇ′を取るが、これはａ′に比べたら低い値となる。

テンプレートマッチングを行う際は、前処理としてノイズ除去，エッジ強調などのフィルタを入力画像に施してから正規化相関を計算するが、この前処理を進化的画像処理で求めることを考える。このときは前処理のみの目標画像を考えるのは難しい。どのような前処理を施すと安定した正規化相関マップが得られるかは簡単には想像できないからである。そこで、ここでは最適化の対象となる前処理だけでなく、その後の正規化相関の計算と合わせた結果、即ち正規化相関マップの目標画像と重み画像を考えることにする。

図９は正規化相関マップの目標画像と重み画像を示している。（１）に示したように正規化相関マップの大きさは、サーチ対象画像の大きさからテンプレートの大きさを引いた大きさとなる。正規化相関マップのａにおける値が最も大きくなるように目標画像（２）と重み画像（３）を与える。

ＣＤ−ＳＥＭの画像取得部は走査式電子顕微鏡である。走査式電子顕微鏡の画像は非常にノイズが多く含まれており、１回走査しただけの画像は図１０の（１）のようにノイズに情報が埋もれてパターンがはっきりしない。従って普通は何回も走査して画像を積算する。積算することで、ランダムなノイズは相殺され、情報だけが浮き出てくるようになる。（２）は４回走査して４枚の画像を積算したもの、（３）は１６枚積算したものである。このように積算数を増やすと画質は改善される。

図１１はテンプレートマッチングにおける誤認識検出部の動きを説明したものである。図１１の横軸はｘ−ｙ座標、縦軸は相関値を表している。最も相関値が大きいところがテンプレートと最もよくマッチングした位置である。安定的な正規化相関マップを得るためには相関値の最大値ｖ１は所定の閾値ｔｈ１よりも大きくなっている必要がある。また、２番目に大きい相関値ｖ２とｖ１はある程度差が開いている必要がある。ｖ１−ｖ２は従って所定の閾値ｔｈ２よりも大きくなっている必要がある。これら２つの条件を満たしていないとき、誤認識検出部は誤認識の可能性が大きいと判断するようにすることが出来る。

テンプレートマッチングを行うとき、教師データ作成部はもう一度サーチ対象画像を積算数を増やして取得しなおし、ノイズの少ない画像を画像処理部に入力しなおしてテンプレートとのマッチング位置を求めてから、この点の値が高い正規化相関マップの目標画像と重み画像を得ることが出来る。教師データ作成は頻繁に行われるものではないため、画像を取得しなおしても大きな時間的ロスはない。

正規化相関の計算は計算速度を上げるためテンプレートとサーチ対象画像を同じ間隔で間引いた画像に対して大雑把なマッチング位置を求め、その周りで間引かない画像で詳細に正規化相関の計算を行うのが一般的である。これによりマッチングの精度は低下するが、大きな高速化が図れる。

教師データ作成部のもう一つの目標画像の作り方としては、画像を取得しなおすのではなく、正規化相関を間引き無しで計算してマッチング位置を高い精度で求めることが挙げられる。勿論上記のノイズの少ない画像を取得しなおす方法と併用しても構わない。

図２に本発明の別の実施例を示す。本実施例では前記第一の実施例では一つずつしか存在しなかった教師データ群，新しい画像処理アルゴリズム，現在の画像処理アルゴリズムが複数存在している。また、教師データ群が複数存在するため、教師データ作成部で作成した教師データをどの教師データ群に加えるかを選択する教師データ登録選択部が存在する。

一般に様相のまったく違った画像に対して所望の処理をするように画像処理アルゴリズムを最適化することは難しい。従って、画像の特性に応じて教師データ群を分けておいて最適化を容易にする構成にしたのが本実施例である。

ＣＤ−ＳＥＭでは倍率やドーズ量（単位面積あたりの電子の注入量）などの画質に大きく影響する撮影パラメータがレシピ（測定手順）情報として分かっていることが多い。また、Ｓ／Ｎ比やコントラストなど画質に大きく関係する特徴量も簡単な画像処理で求められる。このような画質に関する既知の情報を使って教師データ群を分類して、それぞれの教師データ群ごとに画像処理アルゴリズムの最適化を行う。教師データ登録選択部は画質に関する既知の情報を使って、新たに作成された教師データの登録先を選択する。

画像を取得した際にはそれに付随するレシピ情報や簡単な処理で求めた画質に関連する特徴量に基づき現在の画像処理アルゴリズムを選択して画像処理を行う。

図３は図２で示した実施例の教師データ登録選択部にユーザＩ／Ｆを設け、これを使用した実施例を示したものである。ユーザはこのようなユーザＩ／Ｆを通して教師データセットの登録，削除，教師データ群の追加，削除などを行うことが出来る。

図４は登録教師データセットの確認の画面を示している。

上部の子ウィンドウには登録されている教師データセットが登録されている教師画像群の情報と共に表示されている。教師データセットをチェックボックスで選択して、「選択した教師データセットの削除」ボタンをクリックすると、選択した教師データセットが削除される。「教師データセットの登録」ボタンをクリックするとストレージに保存されている教師データセットがその画質に対応する教師データ群に登録される。

下部の子ウィンドウは現在存在する画像データ群に対し、その各々に教師データセットが登録される条件（撮影倍率やＳ／Ｎ比など）を表している。「教師データ群の削除」ボタンをクリックすると、教師データ群のうち一番番号が大きいものが削除されるが、その際削除される教師データ群に登録されていた画像セットが他の教師データ群に移動できるように、各教師データ群の条件を変更する必要がある。

「教師データ群の追加」ボタンをクリックすると、新たに番号の大きい教師データ群が追加されるが、各教師データ群の条件を変更しなければ新たな教師データ群に教師データセットが登録されることはない。

ウィンドウ上部の「教師データが既定数を超えた場合、影響の少ないものを削除する」チェックボックスをチェックしておくと、各教師データ群毎に、教師データセット数が
「既定数」で指定した数を超えた場合に影響の少ない教師データセットを自動的に削除する。

自動で教師データセットを削除する手順を図６に示す。まず「教師データ群から１つの教師データセットを選択する」。次に「選択した教師データセットを除いた教師データ群で画像処理アルゴリズムの最適化を行う」。次に「最適化された画像処理アルゴリズムを用いて、選択した教師データセットの入力画像に対して画像処理を行う」。最後に「画像処理結果と目標画像との差が規定量以内であれば選択した教師データセットを教師データ群から削除する」。もし、規定量以内でなけれな最初に戻り「教師データ群から別の１つの教師データセットを選択する」から初めて、教師データセットが削除できるまで繰り返す。もし、どの教師データセットも削除できないときは、その旨ユーザに通知する。

「登録教師データセットの確認」ウィンドウの上部右にある「新たに作成した教師データセットを常に確認する」チェックボックスをチェックしておくと、新たに教師データセットが作成されたときに「新規作成教師データセットの確認」ウィンドウが開く。その実施例の表示例を図５に示す。既に開いているときはそのままであるが、この中の子ウィンドウには新たに作成された教師データセットが登録先の教師データ群の情報と共に表示される。チェックボックスによって選択された教師データセットは「選択した教師データセットの登録」ボタンをクリックすると登録先の教師データ群に登録され、「選択した登録先の教師データセットの破棄」をクリックすると、登録されずに破棄されるようになる。

図７には本発明の第３の実施例を示している。本実施例では一つの教師データ群を使ってそれぞれ独立に複数の新しい画像処理アルゴリズムを生成している。画像処理部もそれに対応して複数並列に存在しており、画像を取得した際は、全ての画像処理部に取得した画像を入力する。全ての画像処理部の処理結果が同じであれば、これが全体としての処理結果となるが、一致していないときには誤認識検出部が誤認識の可能性が高いと判断する。

本発明は半導体検査装置，食品などの異物検査装置などの画像処理を行い検査を行う検査装置に用いることが可能であり、例えば、Ｘ線検査装置，ＣＤ−ＳＥＭやレビューSEM等の電子顕微鏡、更には可視光や赤外線のカメラ等に用いることが可能である。

本発明に係わる第一の実施例のブロック図。 本発明に係わる第二の実施例のブロック図。 第二の実施例にユーザＩ／Ｆを設けた場合のブロック図。 ユーザＩ／Ｆの画面の例。 ユーザＩ／Ｆの画面の例。 自動で教師データセットを削除する際のフロー。 本発明に係わる第三の実施例のブロック図。 パターンマッチングの概念図。 パターンマッチングで用いる目標画像の例。 積算回数に対するＣＤ−ＳＥＭの取得画像の例。 パターンマッチングにおける安定度の評価方法の例。 Ｘ線検査装置の異物検出の概要。 Ｘ線検査装置の異物検出における教師データセットの例。 Ｘ線検査装置の異物検出における安定度の評価方法の例。

符号の説明

１００…検査装置。

Claims (14)

1. 画像を取得し、その画像に対して画像処理を施す検査装置において、
   第１の画像処理アルゴリズムを用いて画像処理を実行する画像処理部と、
   前記第１の画像処理アルゴリズムによって処理された画像が、所定の条件を満たすか否かの判定を行う誤認識検出部と、
   当該誤認識検出部による判定結果が所定の条件を満たさなかった場合に、当該所定の条件を満たさなかったと判定された画像に対して、相対的に前記画像を形成するために試料に照射されるビームの照射量が多い画像、或いは画像形成のための情報量が多い画像を改めて取得しなおす教師データ作成部と、
   当該教師データ作成部にて取得しなおされた画像を目標画像として、画像処理アルゴリズムを最適化する画像処理最適化部と、
   前記画像処理部の前記第１の画像処理アルゴリズムを当該画像処理最適化部によって最適化された第２の画像処理アルゴリズムに切り換える切換部を備えたことを特徴とする検査装置。
2. 請求項１の検査装置において、
   取得した画像に対する教師データを自動で生成し、教師データのデータベースに追加する機能を有し、教師データのデータベースに基づいて新たな画像処理アルゴリズムを生成することを特徴とする検査装置。
3. 請求項２の検査装置において、
   教師データを作成する際、撮影条件を変更して画像を取得しなおすことを特徴とする検査装置。
4. 請求項２の検査装置において、
   教師データを作成する際、現在の画像処理より高精度な画像処理を入力画像に施して教師データを作成することを特徴とする検査装置。
5. 請求項２の検査装置において、
   教師データベースのデータベースを複数持ち、取得した画像の撮像条件に係わる情報を基にどのデータベースに追加するかを決定することを特徴とする検査装置。
6. 請求項２或いは請求項５の検査装置において、
   教師データのデータベースの内容をユーザが確認する手段を有することを特徴とする検査装置。
7. 請求項６の検査装置において、
   教師データのデータベースにユーザが新たな教師データを追加したりすることが出来ることを特徴とした検査装置。
8. 請求項６の検査装置において、
   ユーザが教師データのデータベースを分離したり、統合したりすることが出来ることを特徴とした検査装置。
9. 請求項２或いは請求項５の検査装置において、
   教師データのデータベースから自動的に影響の少ない教師データを削除することを特徴とする検査装置。
10. 画像を取得し、その画像に対して画像処理を施す検査方法において、
    第１の画像処理アルゴリズムを用いて画像処理を実行し、前記第１の画像処理アルゴリズムによって処理された画像が、所定の条件を満たすか否かの判定を行い、当該判定結果が所定の条件を満たさなかった場合に、当該所定の条件を満たさなかったと判定された画像に対して、相対的に前記画像を形成するために試料に照射されるビームの照射量が多い画像、或いは画像形成のための情報量が多い画像を改めて取得しなおし、当該取得しなおされた画像を目標画像として、画像処理アルゴリズムを最適化し、前記第１の画像処理アルゴリズムを当該最適化された第２の画像処理アルゴリズムに切り換えることを特徴とする検査方法。
11. 請求項１０の検査方法において、
    現在の画像処理アルゴリズムが導いた処理結果が誤っている可能性が高い場合、対応する入力画像を基に現在の画像処理アルゴリズムとは別の画像処理アルゴリズムを生成することを特徴とする検査方法。
12. 請求項１０の検査方法において、
    取得した画像に対する教師データを自動で生成し、教師データのデータベースに追加する機能を有し、教師データのデータベースに基づいて新たな画像処理アルゴリズムを生成することを特徴とする検査方法。
13. 画像を取得し、その画像に対して画像処理を施す検査装置において、
    第１の画像処理アルゴリズムを用いて画像処理を実行する画像処理部と、
    前記第１の画像処理アルゴリズムによって処理された画像が、所定の条件を満たすか否かの判定を行う誤認識検出部と、
    当該誤認識検出部による判定結果が所定の条件を満たさなかった場合に、当該所定の条件を満たさなかったと判定された画像に対して、相対的に前記画像を形成するために試料に照射されるビームの照射量が多い画像、或いは画像形成のための情報量が多い画像を改めて取得しなおす教師データ作成部と、
    当該教師データ作成部にて取得しなおされた画像を目標画像として、画像処理アルゴリズムを最適化する画像処理最適化部と、
    前記画像処理部の前記第１の画像処理アルゴリズムを当該画像処理最適化部によって最適化された第２の画像処理アルゴリズムに切り換える切換部と、
    前記教師データ作成部にて取得された目標画像を表示する表示手段を備えたことを特徴とする検査装置。
14. 請求項１３の検査装置において、
    前記表示手段は画像処理を複数並列に行い、その結果を比較表示することを特徴とする検査装置。

Images