JP7475901B2 - 試験片上の欠陥検出の方法およびそのシステム - Google Patents
試験片上の欠陥検出の方法およびそのシステム Download PDFInfo
- Publication number
- JP7475901B2 JP7475901B2 JP2020040299A JP2020040299A JP7475901B2 JP 7475901 B2 JP7475901 B2 JP 7475901B2 JP 2020040299 A JP2020040299 A JP 2020040299A JP 2020040299 A JP2020040299 A JP 2020040299A JP 7475901 B2 JP7475901 B2 JP 7475901B2
- Authority
- JP
- Japan
- Prior art keywords
- noise
- die
- regions
- image
- region
- 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.)
- Active
Links
- 230000007547 defect Effects 0.000 title claims description 84
- 238000000034 method Methods 0.000 title claims description 61
- 238000012360 testing method Methods 0.000 title claims description 53
- 238000013461 design Methods 0.000 claims description 162
- 230000011218 segmentation Effects 0.000 claims description 108
- 238000007689 inspection Methods 0.000 claims description 106
- 238000001514 detection method Methods 0.000 claims description 70
- 238000012545 processing Methods 0.000 claims description 51
- 238000000638 solvent extraction Methods 0.000 claims description 50
- 238000010801 machine learning Methods 0.000 claims description 41
- 238000011835 investigation Methods 0.000 claims description 24
- 238000012549 training Methods 0.000 claims description 22
- 238000009826 distribution Methods 0.000 claims description 18
- 238000003860 storage Methods 0.000 claims description 18
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 238000011160 research Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 description 29
- 230000000875 corresponding effect Effects 0.000 description 28
- 238000010586 diagram Methods 0.000 description 16
- 235000012431 wafers Nutrition 0.000 description 16
- 238000004519 manufacturing process Methods 0.000 description 13
- 238000013527 convolutional neural network Methods 0.000 description 11
- 230000035945 sensitivity Effects 0.000 description 11
- 238000012552 review Methods 0.000 description 10
- 238000013528 artificial neural network Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 239000004065 semiconductor Substances 0.000 description 6
- 238000005192 partition Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000010606 normalization Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000001066 destructive effect Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000009877 rendering Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000010894 electron beam technology Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000001747 exhibiting effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012634 optical imaging Methods 0.000 description 1
- 230000010287 polarization Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000011524 similarity measure Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000011895 specific detection Methods 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 239000011800 void material Substances 0.000 description 1
Images
Landscapes
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Description
(i)区画化は、設計データに基づいて実行することができ、設計空間内の複数の領域は、同じ設計パターンを有する所与の部分内の1つまたは複数のダイ領域にそれぞれ対応する複数の設計グループとすることができる。
(ii)システムは、所与の部分を表す第1の画像を含む画像データを捕捉するように構成された調査ツールをさらに備える。区画化は、画像データに基づいて実行することができ、画像空間内の複数の領域は、第1の画像を特性化する1組の属性によって指定された属性空間内の対応する位置の値に基づいて、第1の画像上で取得することができる。
(iii)第2のダイは、第1のダイとは異なるダイとすることができ、調査ツールは、第2のダイの1つまたは複数の部分を表す1つまたは複数の第2の画像をランタイムに捕捉し、1つまたは複数の第2の画像上のノイズ分布を示す1つまたは複数のノイズマップを提供するようにさらに構成することができる。
(iv)第1のダイは、区画化を実行するために使用される参照ダイとすることができ、第2のダイは検査ダイとすることができ、区画化は、設定段階で実行することができる。
(v)第1のダイは、第2のダイの検査に使用される参照ダイとすることができ、第2のダイは検査ダイとすることができ、区画化は、ランタイムに実行することができる。
(vi)第2のダイは第1のダイとすることができ、1つまたは複数の第2の画像は、第1のダイの1つまたは複数の部分に対して捕捉された1つまたは複数の第1の画像とすることができ、区画化は、ランタイムに実行することができる。
(vii)調査ツールは、試験片を走査して画像データおよび1つまたは複数の第2の画像を捕捉するように構成された検査ツールとすることができる。
(viii)1組の属性は、1つまたは複数の事前定義された属性および機械学習を使用して生成された1つまたは複数の属性を含む属性候補のバンクから選択することができる。
(ix)1組の属性は、機械学習を使用して生成された1つまたは複数の属性を含むことができ、処理ユニットは、機械学習モデルを使用して1つまたは複数の属性を生成するようにさらに構成することができる。
(x)機械学習モデルは、訓練属性を生成し、訓練属性を使用してノイズを予測することによって訓練することができ、予測されたノイズを、欠陥検出アルゴリズムによって生成された参照ノイズと比較して、訓練された機械学習モデルが、第1の画像を特性化して異なるノイズレベルを示すその空間パターンを表す1つまたは複数の属性を生成することが可能になるように、機械学習モデルを最適化することができる。
(xi)各領域を1つのセグメント化ラベルに関連付けることは、各領域に対して計算されたスコアを格付けし、この格付けに基づいて複数の領域を1組のセグメントにグループ化することを含むことができる。
(xii)欠陥検出を実行することは、各セグメントに対する検出閾値を構成することを含むことができる。
102 処理ユニット
104 区画モジュール
106 セグメント化モジュール
110 設計データサーバ
120 調査ツール
122 記憶ユニット
124 グラフィカルユーザインターフェース
126 入出力インターフェース
302 設計グループ
304 設計グループ
306 設計グループ
308 設計グループ
400 機械学習(ML)モデル
402 訓練画像
404 属性畳み込みニューラルネットワーク
406 決定ニューラルネットワーク
408 予測されたノイズ
410 参照画像
412 欠陥検出アルゴリズム
414 参照ノイズ
502 検査画像
504 属性
506 属性
508 属性
510 区画化結果
601 ノイズまたはノイズデータ
602 設計グループ
604 設計グループ
606 設計グループ
608 設計グループ
702 検査画像
704 セグメント化結果
706 セグメント化結果
808 ノイズヒストグラム
810 ノイズヒストグラム
Claims (20)
- 試験片上の欠陥検出のコンピュータ化システムであって、
調査ツールに動作可能に接続された処理ユニットを備え、前記処理ユニットが、メモリと、前記メモリに動作可能に結合されたプロセッサとを備え、前記処理ユニットが、
前記試験片の第1のダイの1つまたは複数の部分のうちの各部分に対する区画化を実行するように構成され、前記1つまたは複数の部分のうちの所与の部分に対する前記区画化が、i)前記所与の部分を特性化し、それによって画像空間内に複数の領域を生じさせる画像データ、およびii)前記所与の部分を特性化し、それによって設計空間内に複数の領域を生じさせる設計データのうちの少なくとも1つに基づいて実行され、
前記処理ユニットが
前記試験片の第2のダイの1つまたは複数の部分に対して捕捉された1つまたは複数の第2の画像上のノイズ分布を示す1つまたは複数のノイズマップを前記調査ツールから、前記試験片上のランタイム欠陥検出において、受け取ることであり、前記第1のダイおよび前記第2のダイが同じ設計データによって特性化され、前記第2のダイがランタイムに検査されるべき検査ダイである、受け取ることと、
前記1つまたは複数のノイズマップのそれぞれに対するセグメント化を実行することとを行うようにさらに構成され、前記1つまたは複数のノイズマップのうちの所与のノイズマップに対する前記セグメント化が、
前記複数の領域のうちの各領域に対するスコアを計算することであり、前記所与のノイズマップが前記複数の領域と位置合わせされ、その各領域が前記領域内に位置合わせされたノイズデータに関連付けられ、前記複数の領域のうちの所与の領域に対する前記スコアが、少なくとも前記領域に関連付けられた前記ノイズデータに基づいて計算される、計算することと、
前記計算されたスコアに基づいて、各領域を、異なるノイズレベルを示す1組の事前定義されたセグメント化ラベルのうちの1つのセグメント化ラベルに関連付け、それによって同じセグメント化ラベルに関連付けられた1つまたは複数の領域にそれぞれ対応する1組のセグメントを取得することとによって実行され、
前記1組のセグメントが、前記所与のノイズマップに基づいて前記試験片上の前記ランタイム欠陥検出に使用可能である、コンピュータ化システム。 - 前記区画化が、前記設計データに基づいて実行され、設計空間内の前記複数の領域が、同じ設計パターンを有する前記所与の部分内の1つまたは複数のダイ領域にそれぞれ対応する複数の設計グループである、請求項1に記載のコンピュータ化システム。
- 前記所与の部分を表す第1の画像を含む前記画像データを捕捉するように構成された前記調査ツールをさらに備え、前記区画化が、前記画像データに基づいて実行され、画像空間内の前記複数の領域が、前記第1の画像を特性化する1組の属性によって指定された属性空間内の対応する位置の値に基づいて、前記第1の画像上で取得される、請求項1に記載のコンピュータ化システム。
- 前記第2のダイが、前記第1のダイとは異なるダイであり、前記調査ツールが、前記第2のダイの前記1つまたは複数の部分を表す前記1つまたは複数の第2の画像をランタイムに捕捉し、前記1つまたは複数の第2の画像上のノイズ分布を示す前記1つまたは複数のノイズマップを提供するようにさらに構成される、請求項3に記載のコンピュータ化システム。
- 前記第1のダイが、前記区画化を実行するために使用される参照ダイであり、前記第2のダイが検査ダイであり、前記区画化が、設定段階で実行される、請求項4に記載のコンピュータ化システム。
- 前記第1のダイが、前記第2のダイの検査に使用される参照ダイであり、前記第2のダイが検査ダイであり、前記区画化が、ランタイムに実行される、請求項4に記載のコンピュータ化システム。
- 前記第2のダイが前記第1のダイであり、前記1つまたは複数の第2の画像は、前記第1のダイの前記1つまたは複数の部分に対して捕捉された1つまたは複数の第1の画像であり、前記区画化が、ランタイムに実行される、請求項3に記載のコンピュータ化システム。
- 前記調査ツールが、前記試験片を走査して前記画像データおよび前記1つまたは複数の第2の画像を捕捉するように構成された検査ツールである、請求項1に記載のコンピュータ化システム。
- 前記1組の属性が、1つまたは複数の事前定義された属性および機械学習を使用して生成された1つまたは複数の属性を含む属性候補のバンクから選択される、請求項3に記載のコンピュータ化システム。
- 前記1組の属性が、機械学習を使用して生成された前記1つまたは複数の属性を含み、前記処理ユニットが、機械学習モデルを使用して前記1つまたは複数の属性を生成するようにさらに構成される、請求項9に記載のコンピュータ化システム。
- 前記機械学習モデルが、訓練属性を生成し、前記訓練属性を使用してノイズを予測することによって訓練され、前記予測されたノイズを、欠陥検出アルゴリズムによって生成された参照ノイズと比較して、前記訓練された機械学習モデルが、前記第1の画像を特性化して異なるノイズレベルを示すその空間パターンを表す前記1つまたは複数の属性を生成することが可能になるように、前記機械学習モデルを最適化する、請求項10に記載のコンピュータ化システム。
- 各領域を1つのセグメント化ラベルに前記関連付けることが、各領域に対して計算された前記スコアを格付けし、前記格付けに基づいて前記複数の領域を前記1組のセグメントにグループ化することを含む、請求項1に記載のコンピュータ化システム。
- 欠陥検出を前記実行することが、各セグメントに対する検出閾値を構成することを含む、請求項1に記載のコンピュータ化システム。
- 調査ツールに動作可能に接続された処理ユニットによって実行される試験片上の欠陥検出のコンピュータ化方法であって、前記処理ユニットが、メモリと、前記メモリに動作可能に結合されたプロセッサとを備え、前記方法が、
前記試験片の第1のダイの1つまたは複数の部分のうちの各部分に対する区画化を実行することであり、前記1つまたは複数の部分のうちの所与の部分に対する前記区画化が、i)前記所与の部分を特性化し、それによって画像空間内に複数の領域を生じさせる画像データ、およびii)前記所与の部分を特性化し、それによって設計空間内に複数の領域を生じさせる設計データのうちの少なくとも1つに基づいて実行される、区画化を実行することと、
前記試験片の第2のダイの1つまたは複数の部分に対して捕捉された1つまたは複数の第2の画像上のノイズ分布を示す1つまたは複数のノイズマップを前記調査ツールから、前記試験片上のランタイム欠陥検出において、受け取ることであり、前記第1のダイおよび前記第2のダイが同じ設計データによって特性化され、前記第2のダイがランタイムに検査されるべき検査ダイである、受け取ることと、
前記1つまたは複数のノイズマップのそれぞれに対するセグメント化を、前記ランタイム欠陥検出において、実行することとを含み、前記1つまたは複数のノイズマップのうちの所与のノイズマップに対する前記セグメント化が、
前記複数の領域のうちの各領域に対するスコアを計算することであり、前記所与のノイズマップが前記複数の領域と位置合わせされ、その各領域が前記領域内に位置合わせされたノイズデータに関連付けられ、前記複数の領域のうちの所与の領域に対する前記スコアが、少なくとも前記領域に関連付けられた前記ノイズデータに基づいて計算される、計算することと、
前記計算されたスコアに基づいて、各領域を、異なるノイズレベルを示す1組の事前定義されたセグメント化ラベルのうちの1つのセグメント化ラベルに関連付け、それによって同じセグメント化ラベルに関連付けられた1つまたは複数の領域にそれぞれ対応する1組のセグメントを取得することとによって実行され、
前記1組のセグメントが、前記所与のノイズマップに基づいて前記試験片上の前記ランタイム欠陥検出に使用可能である、コンピュータ化方法。 - 前記調査ツールによって、前記所与の部分を表す第1の画像を含む前記画像データを捕捉することをさらに含み、前記区画化が、前記画像データに基づいて実行され、画像空間内の前記複数の領域が、前記第1の画像を特性化する1組の属性によって指定された属性空間内の対応する位置の値に基づいて、前記第1の画像上で取得される、請求項14に記載のコンピュータ化方法。
- 前記第2のダイが、前記第1のダイとは異なるダイであり、前記方法が、前記第2のダイの前記1つまたは複数の部分を表す前記1つまたは複数の第2の画像を前記調査ツールによってランタイムに捕捉することと、前記1つまたは複数の第2の画像上のノイズ分布を示す前記1つまたは複数のノイズマップを提供することとをさらに含む、請求項15に記載のコンピュータ化方法。
- 前記第1のダイが、前記区画化を実行するために使用される参照ダイであり、前記第2のダイが検査ダイであり、前記区画化が、設定段階で実行される、請求項16に記載のコンピュータ化方法。
- 前記1組の属性が、機械学習を使用して生成された1つまたは複数の属性を含み、前記方法が、機械学習モデルを使用して前記1つまたは複数の属性を生成することをさらに含む、請求項15に記載のコンピュータ化方法。
- 前記機械学習モデルが、訓練属性を生成し、前記訓練属性を使用してノイズを予測することによって訓練され、前記予測されたノイズを、欠陥検出アルゴリズムによって生成された参照ノイズと比較して、前記訓練された機械学習モデルが、前記第1の画像を特性化して異なるノイズレベルを示すその空間パターンを表す前記1つまたは複数の属性を生成することが可能になるように、前記機械学習モデルを最適化する、請求項18に記載のコンピュータ化方法。
- コンピュータによって実行されたとき、前記コンピュータに試験片上の欠陥検出の方法を実行させる命令のプログラムを有形に実施する非一時的コンピュータ可読記憶媒体であって、前記方法が、
前記試験片の第1のダイの1つまたは複数の部分のうちの各部分に対する区画化を実行することであり、前記1つまたは複数の部分のうちの所与の部分に対する前記区画化が、i)前記所与の部分を特性化し、それによって画像空間内に複数の領域を生じさせる画像データ、およびii)前記所与の部分を特性化し、それによって設計空間内に複数の領域を生じさせる設計データのうちの少なくとも1つに基づいて実行される、区画化を実行することと、
前記試験片の第2のダイの1つまたは複数の部分に対して捕捉された1つまたは複数の第2の画像上のノイズ分布を示す1つまたは複数のノイズマップを、前記試験片上のランタイム欠陥検出において、受け取ることであり、前記第1のダイおよび前記第2のダイが前記同じ設計データによって特性化され、前記第2のダイがランタイムに検査されるべき検査ダイである、受け取ることと、
前記1つまたは複数のノイズマップのそれぞれに対するセグメント化を、前記ランタイム欠陥検出において、実行することとを含み、前記1つまたは複数のノイズマップのうちの所与のノイズマップに対する前記セグメント化が、
前記複数の領域のうちの各領域に対するスコアを計算することであり、前記所与のノイズマップが、前記複数の領域と位置合わせされ、その各領域が前記領域内に位置合わせされたノイズデータに関連付けられ、前記複数の領域のうちの所与の領域に対する前記スコアが、少なくとも前記領域に関連付けられた前記ノイズデータに基づいて計算される、計算することと、
前記計算されたスコアに基づいて、各領域を、異なるノイズレベルを示す1組の事前定義されたセグメント化ラベルのうちの1つのセグメント化ラベルに関連付け、それによって同じセグメント化ラベルに関連付けられた1つまたは複数の領域にそれぞれ対応する1組のセグメントを取得することとによって実行され、
前記1組のセグメントが、前記所与のノイズマップに基づいて前記試験片上の前記ランタイム欠陥検出に使用可能である、非一時的コンピュータ可読記憶媒体。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020040299A JP7475901B2 (ja) | 2020-03-09 | 2020-03-09 | 試験片上の欠陥検出の方法およびそのシステム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020040299A JP7475901B2 (ja) | 2020-03-09 | 2020-03-09 | 試験片上の欠陥検出の方法およびそのシステム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2021140693A JP2021140693A (ja) | 2021-09-16 |
JP7475901B2 true JP7475901B2 (ja) | 2024-04-30 |
Family
ID=77668819
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020040299A Active JP7475901B2 (ja) | 2020-03-09 | 2020-03-09 | 試験片上の欠陥検出の方法およびそのシステム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP7475901B2 (ja) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117420151B (zh) * | 2023-12-19 | 2024-03-01 | 中国铁路设计集团有限公司 | 一种高速铁路直立式声屏障检测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2018005639A (ja) | 2016-07-04 | 2018-01-11 | タカノ株式会社 | 画像分類装置、画像検査装置、及び、プログラム |
US20190066291A1 (en) | 2017-08-22 | 2019-02-28 | Applied Materials Israel Ltd. | Method of defect detection and system thereof |
JP2019050376A (ja) | 2017-09-11 | 2019-03-28 | アプライド マテリアルズ イスラエル リミテッド | 試験方策を生成する方法およびそのシステム |
-
2020
- 2020-03-09 JP JP2020040299A patent/JP7475901B2/ja active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2018005639A (ja) | 2016-07-04 | 2018-01-11 | タカノ株式会社 | 画像分類装置、画像検査装置、及び、プログラム |
US20190066291A1 (en) | 2017-08-22 | 2019-02-28 | Applied Materials Israel Ltd. | Method of defect detection and system thereof |
JP2019050376A (ja) | 2017-09-11 | 2019-03-28 | アプライド マテリアルズ イスラエル リミテッド | 試験方策を生成する方法およびそのシステム |
Also Published As
Publication number | Publication date |
---|---|
JP2021140693A (ja) | 2021-09-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10853932B2 (en) | Method of defect detection on a specimen and system thereof | |
TWI767108B (zh) | 用於檢查半導體試樣的方法與系統及在其上紀錄相關指令的電腦可讀取媒體 | |
US20220067523A1 (en) | Method of deep learining-based examination of a semiconductor specimen and system thereof | |
US10290087B2 (en) | Method of generating an examination recipe and system thereof | |
JP5981838B2 (ja) | 検査画像内の欠陥を検出するためのシステム、方法及びコンピュータプログラム製品 | |
US10957034B2 (en) | Method of examination of a specimen and system thereof | |
KR102110634B1 (ko) | 자유형의 주의 영역들을 사용한 웨이퍼 검사 | |
TWI533383B (zh) | 使用重覆結構之基於設計之檢測 | |
US9851714B2 (en) | Method of inspecting a specimen and system thereof | |
CN114092387B (zh) | 生成可用于检查半导体样本的训练数据 | |
KR20170067876A (ko) | 구조적 정보를 사용한 결함 검출 | |
KR20180081820A (ko) | 다이 내부 검사에 있어서의 등록 및 설계 주변부에서 야기된 노이즈의 저감 | |
JP7475901B2 (ja) | 試験片上の欠陥検出の方法およびそのシステム | |
US11636587B2 (en) | Inspection of a semiconductor specimen | |
CN111512324B (en) | Method and system for deep learning based inspection of semiconductor samples | |
CN113919276A (zh) | 在半导体样本中的阵列的识别 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20221205 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20231107 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20231109 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20240207 |
|
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: 20240318 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20240417 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7475901 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |