特許 6880494 分類装置の製造方法、画像の分類方法、画像の分類装置、半導体の検査装置および分類基準モジュール

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】特許公報(B2)

(11)【特許番号】6880494

(24)【登録日】2021年5月10日

(45)【発行日】2021年6月2日

(54)【発明の名称】分類装置の製造方法、画像の分類方法、画像の分類装置、半導体の検査装置および分類基準モジュール

(51)【国際特許分類】

   G06F 16/55 20190101AFI20210524BHJP

   H01L 21/66 20060101ALI20210524BHJP

【ＦＩ】

   G06F16/55

   H01L21/66 J

【請求項の数】8

【全頁数】18

(21)【出願番号】特願2017-60371(P2017-60371)

(22)【出願日】2017年3月27日

(65)【公開番号】特開2018-163527(P2018-163527A)

(43)【公開日】2018年10月18日

【審査請求日】2019年12月23日

(73)【特許権者】

【識別番号】000207551

【氏名又は名称】株式会社ＳＣＲＥＥＮホールディングス

(74)【代理人】

【識別番号】100113608

【弁理士】

【氏名又は名称】平川 明

(74)【代理人】

【識別番号】100123319

【弁理士】

【氏名又は名称】関根 武彦

(74)【代理人】

【識別番号】100123098

【弁理士】

【氏名又は名称】今堀 克彦

(74)【代理人】

【識別番号】100125357

【弁理士】

【氏名又は名称】中村 剛

(72)【発明者】

【氏名】松村 明

【審査官】 吉田 誠

(56)【参考文献】

【文献】 特開２００１−２５６４８０（ＪＰ，Ａ）

【文献】 特開２００６−２６６８７２（ＪＰ，Ａ）

【文献】 特開２０１１−１００４５９（ＪＰ，Ａ）

(58)【調査した分野】（Int.Cl.，ＤＢ名）

Ｇ０６Ｆ １６／００−１６／９５８

Ｈ０１Ｌ ２１／６６

(57)【特許請求の範囲】

【請求項1】

注目対象である第１種別または前記第１種別以外の第２種別に入力された画像を分類する分類装置の製造方法であって、
コンピュータが、
入力された前記第１種別の画像各々の特徴を示す特徴量を取得し、前記第１種別の画像各々の特徴量と前記第１種別を示す情報との第１対応関係を記憶する第１ステップと、
前記第２種別に属する画像から選択された第２画像および前記第２画像と所定の関係を有する第３画像が入力されると、前記第２画像および前記第３画像各々の特徴を示す特徴量を取得し、前記第２画像および前記第３画像各々の特徴量と前記第２種別を示す情報との第２対応関係を記憶する第２ステップと、
前記第１対応関係と前記第２対応関係に基づいて、入力された画像を分類する基準を決定する第３ステップと、
決定した前記基準を分類装置に適用する第４ステップと、を実行し、
前記第２画像は、特徴量空間における前記第１種別の画像からユークリッド距離が遠いものから優先して選択される、
分類装置の製造方法。

【請求項2】

前記コンピュータは、
前記第１種別に属する画像を前記分類装置に入力し、前記第１種別に属する画像のうち、決定された前記基準によって前記第２種別に分類される画像が存在する場合、前記第２ステップで記憶された前記第２対応関係を削除するステップ、をさらに実行する、
請求項１に記載の分類装置の製造方法。

【請求項3】

前記基準は、前記第１対応関係と前記第２対応関係に基づいて決定された識別関数である、
請求項１または２に記載の分類装置の製造方法。

【請求項4】

前記第２画像は、乱数によって選択される、
請求項１から３のいずれか一項に記載の分類装置の製造方法。

【請求項5】

請求項１から４のいずれか一項に記載の分類装置の製造方法で製造された分類装置が、
画像の入力を受け付けるステップと、
入力された前記画像を決定された前記基準に基づいて、前記第１種別または前記第２種別に分類するステップと、を実行する、
画像の分類方法。

【請求項6】

記憶部と前記記憶部に接続されたプロセッサを備え、注目対象である第１種別または前記第１種別以外の第２種別に入力された画像を分類する画像の分類装置であって、
前記プロセッサが、
入力された前記第１種別の画像各々の特徴を示す特徴量を取得し、前記第１種別の画像各々の特徴量と前記第１種別を示す情報との第１対応関係を記憶し、
前記第２種別に属する画像から選択された第２画像および前記第２画像と所定の関係を有する第３画像が入力されると、前記第２画像および前記第３画像各々の特徴を示す特徴量を取得し、前記第２画像および前記第３画像各々の特徴量と前記第２種別を示す情報との第２対応関係を記憶し、
前記第１対応関係と前記第２対応関係に基づいて、入力された画像を分類する基準を決定し、
前記基準に基づいて、入力された画像を前記第１種別または前記第２種別に分類し、
前記第２画像は、特徴量空間における前記第１種別の画像からユークリッド距離が遠いものから優先して選択される、
画像の分類装置。

【請求項7】

記憶部と前記記憶部に接続されたプロセッサを備え、半導体の欠陥部分を撮影した欠陥画像を注目対象である第１欠陥を含む欠陥画像または前記第１欠陥以外の第２欠陥を含む欠陥画像のいずれかに分類する半導体の検査装置であって、
前記プロセッサが、
入力された前記第１欠陥を含む欠陥画像各々の特徴を示す特徴量を取得し、前記第１欠陥を含む欠陥画像各々の特徴量と前記第１欠陥を示す情報との第１対応関係を記憶し、
前記第２欠陥を含む欠陥画像から選択された第２欠陥画像および前記第２欠陥画像と所定の関係を有する第３欠陥画像が入力されると、前記第２欠陥画像および前記第３欠陥画像各々の特徴を示す特徴量を取得し、前記第２欠陥画像および前記第３欠陥画像各々の特徴量と前記第２欠陥を示す情報との第２対応関係を記憶し、
前記第１対応関係と前記第２対応関係に基づいて、入力された欠陥画像を分類する基準を決定し、
前記基準に基づいて、入力された欠陥画像を前記第１欠陥を含む欠陥画像または前記第２欠陥を含む欠陥画像に分類し、
前記第２画像は、特徴量空間における前記第１種別の画像からユークリッド距離が遠いものから優先して選択される、
半導体の検査装置。

【請求項8】

注目対象である第１種別または前記第１種別以外の第２種別に入力された画像を分類する分類装置で用いられる分類基準モジュールであって、
入力された前記第１種別の画像各々の特徴を示す特徴量を取得し、前記第１種別の画像各々の特徴量と前記第１種別を示す情報との第１対応関係を記憶する第１ステップと、
前記第２種別に属する画像から選択された第２画像および前記第２画像と所定の関係を有する第３画像が入力されると、前記第２画像および前記第３画像各々の特徴を示す特徴量を取得し、前記第２画像および前記第３画像各々の特徴量と前記第２種別を示す情報との第２対応関係を記憶する第２ステップと、
前記第１対応関係と前記第２対応関係に基づいて、入力された画像を分類する基準を決定する第３ステップと、を含む、工程によって決定された基準をもとに画像を分類し、
前記第２画像は、特徴量空間における前記第１種別の画像からユークリッド距離が遠いものから優先して選択される、
分類基準モジュール。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、分類装置の製造方法、画像の分類方法、画像の分類装置、半導体の検査装置および分類基準モジュールに関する。

【背景技術】

【0002】

半導体基板を撮影した画像の分類にAutomatic Defect Classification（自動欠陥分類
、ＡＤＣ）およびAutomatic Defect Review（自動欠陥レビュー、ＡＤＲ）に例示される
機械学習を利用した装置が利用されている（例えば、特許文献１参照）。

【先行技術文献】

【特許文献】

【0003】

【特許文献1】特開２００９−２８３５８４号公報

【発明の概要】

【発明が解決しようとする課題】

【0004】

機械学習では、あらかじめ用意された教師データが分類装置に入力される。教師データは、例えば、画像と画像の分類先を示す種別との組み合わせを含む。分類装置は、入力された教師データに基づいて、入力データを分類する分類基準を決定する。分類装置の分類性能は、例えば、再現率によって評価される。再現率は、種別毎の正答数と教示した教師データの数の割合である。種別毎に用意された教師データの数が不均衡である場合、多数の教師データを用意できた種別の再現率は高くなる一方で、少数の教師データしか用意できなかった種別の再現率は低くなる虞がある。

【0005】

そこで、開示の技術の１つの側面は、少数の画像しか用意できない種別の再現率を高めることを課題とする。

【課題を解決するための手段】

【0006】

開示の技術の１つの側面は、次のような分類装置の製造方法によって例示される。本分類装置の製造方法は、入力された画像が注目対象である第１種別または第１種別以外の第２種別に分類する分類装置の製造方法である。本分類装置の製造方法は、第１ステップにおいて、入力された第１種別の画像各々の特徴を示す特徴量を取得し、第１種別の画像各々の特徴量と第１種別を示す情報との第１対応関係を記憶する。第２ステップにおいて、第２種別に属する画像から選択された第２画像および入力された画像と同じ種別に属する画像を抽出する分類器によって第２画像と同じ種別と判定された第３画像が入力されると、第２画像および第３画像各々の特徴を示す特徴量を取得し、第２画像および第３画像各々の特徴量と第２種別を示す情報との第２対応関係を記憶する。第３ステップおいて、第１対応関係と第２対応関係に基づいて、入力された画像を分類する基準を決定する。

【0007】

このような発明によれば、注目対象である第１種別に分類される画像各々と第１種別を示す情報との第１対応関係が記憶される。さらに、第２種別に属する画像から選択された第２画像および第２画像と所定の関係を有する第３画像各々と第２種別を示す情報との第２対応関係が記憶される。所定の関係は、例えば、特徴量空間における第２画像と第３画像との距離が怠惰学習型の分類器によって近いと判定される関係である。第３画像の数に限定は無い。第３画像はひとつでも複数でもよい。本分類装置の製造方法では、第２種別に属する画像のすべてについて第２種別を示す情報との対応関係を記憶するのではなく、第２画像と所定の関係を有する第３画像各々について第２種別との対応関係を記憶する。
そのため、第２種別に分類される画像が第１種別に分類される画像より多い場合でも、対応関係として記憶される第２種別の画像の数は抑えられる。その結果、第２種別に分類される画像の数による影響を抑制し、第１種別に分類される画像の再現率を高めることができる。

【0008】

さらに、本発明は次の特徴を有してもよい。第２ステップは、第１種別に属する画像を分類装置に入力し、第１種別に属する画像のうち、決定された基準によって第２種別に分類される画像が存在する場合、第２ステップで記憶された第２対応関係を削除するステップをさらに含む。このような特徴を有することで、第１種別に分類される画像の再現率を低下させる虞のある画像を記憶した対応関係から削除することができる。

【0009】

さらに、本発明で決定される基準は、識別関数型分類器で用いられる識別関数であってもよい。また、第２画像は乱数によって決定されてもよい。さらに、本発明は、画像の分類方法、画像の分類装置、半導体の検査装置および分類基準モジュールとして把握することも可能である。

【発明の効果】

【0010】

本分類装置の製造方法は、少数の画像しか用意できない種別の再現率を高めた分類装置を提供することができる。

【図面の簡単な説明】

【0011】

【図1】実施形態に係る半導体検査装置の一例を示す図である。

【図2】特徴量空間における注目欠陥の分布と通常欠陥の分布の一例を示す図である。

【図3】分類装置のハードウェア構成の一例を示す図である。

【図4】分類装置の処理ブロックの一例を示す図である。

【図5】実施形態に係る分類装置による識別関数を決定する処理フローの一例を示す第１の図である。

【図6】実施形態に係る分類装置による識別関数を決定する処理フローの一例を示す第２の図である。

【図7】図５のＯＰ３で選択された欠陥画像の特徴量空間における位置の一例を示す図である。

【図8】図５のＯＰ４で第１分類器が第ｎ通常欠陥として分類した欠陥画像の特徴量空間における分布の一例を示す図である。

【図9】再代入法により、注目欠陥として教示した欠陥画像が誤って通常欠陥に分類される場合の特徴量空間の一例を示す図である。

【図10】図６のＯＰ１３から処理が遷移した図５のＯＰ２、ＯＰ３で選択された欠陥画像の特徴量空間における位置の一例を示す図である。

【図11】図６のＯＰ１３から処理が遷移した後の図５のＯＰ４で第１分類器が第ｎ通常欠陥として分類した欠陥画像の特徴量空間における分布の一例を示す図である。

【図12】図５および図６の処理を繰り返した結果、決定された識別関数の一例を示す図である。

【図13】第２分類器の分類性能の一例を示す第１の図である。

【図14】第２分類器の分類性能の一例を示す第２の図である。

【図15】第２分類器の分類性能の一例を示す第３の図である。

【図16】比較例に係る分類装置が決定した識別関数の一例を示す図である。

【図17】比較例に係る分類装置の分類性能の一例を示す図である。

【発明を実施するための形態】

【0012】

以下、図面を参照して、実施形態について説明する。以下に示す実施形態の構成は例示
であり、開示の技術は実施形態の構成に限定されない。

【0013】

≪実施形態≫
図１は、実施形態に係る半導体検査装置１の一例を示す図である。半導体検査装置１は、分類装置１００と半導体撮影装置２００とを含む。分類装置１００と半導体撮影装置２００とは、内部ネットワークＮ１によって相互に接続される。

【0014】

半導体検査装置１は、半導体基板を撮影し、撮影した画像を基に半導体基板の欠陥を検出する装置である。半導体検査装置１が検出する半導体基板の欠陥には、半導体検査装置１を運用する運用者が注目する注目欠陥と注目欠陥以外の通常欠陥とが含まれる。注目欠陥は、例えば、発生確率は低いものの見逃すと半導体基板の品質に大きな影響を与え得る欠陥である。通常欠陥は、例えば、発生確率は注目欠陥より高いものの、見逃しても半導体基板の品質に大きな影響は及ぼさないものである。

【0015】

半導体撮影装置２００は、半導体基板を撮影する撮影装置である。半導体撮影装置２００は、半導体基板を撮影する。半導体撮影装置２００は、撮影した画像が欠陥箇所を含む欠陥画像である場合、欠陥画像を内部ネットワークＮ１を介して分類装置１００に送信する。

【0016】

分類装置１００は、半導体撮影装置２００から受信した欠陥画像を分類する情報処理装置である。分類装置１００は、入力された欠陥画像を注目欠陥および通常欠陥のいずれかに分類する。分類装置１００は、欠陥画像を分類する分類基準を機械学習によって決定する。

【0017】

＜機械学習＞
機械学習では、あらかじめ用意された教師データが分類装置１００に入力される。教師データは、例えば、欠陥画像と当該欠陥画像の分類先を示す種別との組み合わせを含む。分類装置１００は、教師データが入力されると、入力された教師データに含まれる欠陥画像の特徴量を抽出する。特徴量は、例えば、欠陥画像上における欠陥部分の周囲長、欠陥部分の面積、平均階調値等を含む。実施形態に係る分類装置１００は、欠陥画像から複数種類の特徴量を抽出する。抽出した特徴量の組合わせは、特徴量ベクトルと称される。分類装置１００は、教師データに含まれる欠陥画像の特徴量ベクトルと種別とを記憶する。分類装置１００は、複数の教師データに対してこのような処理を行うことで、「注目欠陥」に分類される欠陥画像の特徴量ベクトルの傾向と、「通常欠陥」に分類される欠陥画像の特徴量ベクトルの傾向を学習する。分類装置１００は、学習した特徴量ベクトルの傾向に基づいて、入力された欠陥画像の分類を行う。

【0018】

＜注目欠陥と通常欠陥の特徴量空間における分布＞
図２は、特徴量空間における注目欠陥と通常欠陥の分布の一例を示す図である。特徴量空間は、抽出した各特徴量を座標軸に割り当てた座標空間である。図２では、横軸に第１特徴量をとり、縦軸に第２特徴量をとった２種類の特徴量による特徴量空間が例示されている。分類装置１００は、多数の（例えば、１００〜１０００種類の）特徴量を欠陥画像から抽出可能であるが、本実施形態では説明の便宜上、第１特徴量と第２特徴量の２種類の特徴量が抽出されたものとする。図２では、各欠陥画像の特徴量ベクトルの位置を特徴量空間上にプロットし、その分布は注目欠陥の分布域Ｔ１および通常欠陥の分布域Ｔ２として例示されている。図２の特徴量空間では、データ数の少ない注目欠陥の分布域Ｔ１は比較的集中した分布となっており、データ数の多い通常欠陥の分布域Ｔ２は比較的広範囲に拡散した分布となっている。注目欠陥と通常欠陥とはいずれも半導体基板の欠陥であるため、特徴量空間において、注目欠陥の分布域Ｔ１と通常欠陥の分布域Ｔ２とは近接していたり、通常欠陥の分布域Ｔ２が注目欠陥の分布域Ｔ１の一部または全部を包含していた
りする。そのため、注目欠陥の分布域Ｔ１と通常欠陥の分布域Ｔ２とが近接している部分における、注目欠陥の特徴量ベクトルの傾向と通常欠陥の特徴量ベクトルの傾向は類似していると考えられる。その結果、あらかじめ収集された教師データをそのまま分類装置１００に入力して機械学習を行った場合、分類装置１００は注目欠陥を通常欠陥と誤分類する可能性の高い分類装置となる虞がある。

【0019】

＜ハードウェア構成＞
図３は、分類装置１００のハードウェア構成の一例を示す図である。分類装置１００は、Central Processing Unit（ＣＰＵ）１０１、主記憶部１０２、補助記憶部１０３、通
信部１０４および接続バスＢ１を含む。ＣＰＵ１０１、主記憶部１０２、補助記憶部１０３および通信部１０４は、接続バスＢ１によって相互に接続されている。

【0020】

ＣＰＵ１０１は、マイクロプロセッサユニット（ＭＰＵ）、プロセッサとも呼ばれる。ＣＰＵ１０１は、単一のプロセッサに限定される訳ではなく、マルチプロセッサ構成であってもよい。また、単一のソケットで接続される単一のＣＰＵ１０１がマルチコア構成を有していても良い。分類装置１００では、ＣＰＵ１０１が補助記憶部１０３に記憶されたプログラムを主記憶部１０２の作業領域に展開し、プログラムの実行を通じて周辺装置の制御を行う。これにより、分類装置１００は、所定の目的に合致した処理を実行することができる。主記憶部１０２および補助記憶部１０３は、分類装置１００が読み取り可能な記録媒体である。

【0021】

主記憶部１０２は、ＣＰＵ１０１から直接アクセスされる記憶部として例示される。主記憶部１０２は、Random Access Memory（ＲＡＭ）およびRead Only Memory（ＲＯＭ）を含む。

【0022】

補助記憶部１０３は、各種のプログラムおよび各種のデータを読み書き自在に記録媒体に格納する。補助記憶部１０３は外部記憶装置とも呼ばれる。補助記憶部１０３には、オペレーティングシステム（Operating System、ＯＳ）、各種プログラム、各種テーブル等が格納される。ＯＳは、通信部１０４を介して接続される外部装置等とのデータの受け渡しを行う通信インターフェースプログラムを含む。補助記憶部１０３に記憶されるプログラムとしては、例えば、第１分類プログラム２Ａおよび第２分類プログラム２Ｂが挙げられる。第１分類プログラム２Ａは、例えば、怠惰学習型の分類器による処理が記載されたプログラムである。第２分類プログラム２Ｂは、例えば、識別関数型の分類器による処理が記載されたプログラムである。外部装置等には、例えば、コンピュータネットワーク等で接続された、他の情報処理装置および外部記憶装置が含まれる。なお、補助記憶部１０３は、例えば、ネットワーク上のコンピュータ群であるクラウドシステムの一部であってもよい。

【0023】

補助記憶部１０３は、例えば、Erasable Programmable ROM（ＥＰＲＯＭ）、ソリッド
ステートドライブ（Solid State Drive、ＳＳＤ）、ハードディスクドライブ（Hard Disk
Drive、ＨＤＤ）等である。また、補助記憶部１０３は、例えば、Compact Disc（ＣＤ）ドライブ装置、Digital Versatile Disc（ＤＶＤ）ドライブ装置、Blu-ray（登録商標）Disc（ＢＤ）ドライブ装置等である。また、補助記憶部１０３は、Network Attached Storage（ＮＡＳ）あるいはStorage Area Network（ＳＡＮ）によって提供されてもよい。

【0024】

通信部１０４は、例えば、内部ネットワークＮ１とのインターフェースである。通信部１０４は、内部ネットワークＮ１を介して半導体撮影装置２００と通信を行う。

【0025】

分類装置１００は、例えば、ユーザ等からの操作指示等を受け付ける入力部をさらに備えてもよい。このような入力部として、キーボード、ポインティングデバイス、タッチパ
ネル、加速度センサーあるいは音声入力装置といった入力デバイスを例示できる。

【0026】

分類装置１００は、例えば、ＣＰＵ１０１で処理されるデータや主記憶部１０２に記憶されるデータを出力する出力部を備えるものとしてもよい。このような、出力部として、Cathode Ray Tube（ＣＲＴ）ディスプレイ、Liquid Crystal Display（ＬＣＤ）、Plasma
Display Panel（ＰＤＰ）、Electroluminescence（ＥＬ）パネル、有機ＥＬパネルある
いはプリンタといった出力デバイスを例示できる。

【0027】

＜分類装置１００の処理ブロック＞
図４は、分類装置１００の処理ブロックの一例を示す図である。分類装置１００は、第１分類器３および第２分類器４を含む。分類装置１００は、主記憶部１０２に実行可能に展開されたコンピュータプログラムをＣＰＵ１０１が実行することで、上記分類装置１００の、第１分類器３および第２分類器４等の各部としての処理を実行する。

【0028】

第１分類器３は、例えば、怠惰学習型の分類器である。第１分類器３は、例えば、ｋ最近傍法によって入力された欠陥画像の分類を行う。ｋ最近傍法では、例えば、予め入力された欠陥画像が基準画像となる。ｋ最近傍法では、入力された欠陥画像と基準画像との特徴量空間におけるユークリッド距離が近いと、入力された欠陥画像は、基準画像と同じ種別に分類される。第１分類器３は、分類装置１００のＣＰＵ１０１が第１分類プログラム２Ａを実行することで実現される。

【0029】

第２分類器４は、例えば、識別関数型の分類器である。第２分類器４は、入力された欠陥画像を識別関数に基づいて分類する。識別関数は、例えば、特徴量空間における注目欠陥の分布と通常欠陥の分布の境界を示す関数である。第２分類器４は、入力された教師データに基づいて、識別関数を決定する。第２分類器４は、分類装置１００のＣＰＵ１０１が第２分類プログラム２Ｂを実行することで実現される。

【0030】

＜処理フロー＞
図５および図６は、実施形態に係る分類装置１００による識別関数を決定する処理フローの一例を示す図である。以下で説明する処理フローでは、２０６０３枚の欠陥画像があらかじめ用意される。あらかじめ用意された欠陥画像のうち、１８９枚の注目欠陥画像が作業者の目視によって抽出されている。図５および図６による処理フローによって、分類装置１００は、注目欠陥と通常欠陥の分類に用いる識別関数を決定する。以下、図５および図６を参照して、実施形態に係る分類装置１００による識別関数を決定する処理フローの一例について説明する。

【0031】

ＯＰ１では、あらかじめ用意された１８９枚の注目欠陥画像が教師データとして第２分類器４に入力される。第２分類器４は、入力された注目欠陥画像の種別が注目欠陥であることが教示される。教示された結果は、例えば、補助記憶部１０３に記憶される。さらに、分類装置１００は、変数ｎの値を１に初期化する。注目欠陥は、「第１種別」および「第１欠陥」の一例である。ＯＰ１で教示された結果は、「第１対応関係」の一例である。ＯＰ１の処理は、「入力された前記第１種別の画像各々の特徴を示す特徴量を取得し、前記第１種別の画像各々の特徴量と前記第１種別を示す情報との第１対応関係を記憶する第１ステップ」の一例である。

【0032】

ＯＰ２では、特徴量空間において、注目欠陥画像から距離が遠い欠陥画像があるか否かが判定される。注目欠陥画像から距離が遠い欠陥画像とは、例えば、注目欠陥画像に似ていない欠陥画像である。この距離は、例えば、欠陥画像間の特徴量空間におけるユークリッド距離である。距離が遠い欠陥画像は、例えば、作業者が目視で選択する。距離が遠い欠陥画像がある場合（ＯＰ２でＹＥＳ）、処理はＯＰ３に進められる。距離が遠い欠陥画
像が無い場合（ＯＰ２でＮＯ）、第２分類器４は、それまでに教示された結果から識別関数を決定して、処理は終了される。教示された結果から識別関数を決定する処理は、様々な公知の技術を採用可能である。決定された識別関数は、例えば、補助記憶部１０３に記憶される。ＯＰ２でＮＯの処理は、「前記第１対応関係と前記第２対応関係に基づいて、入力された画像を分類する基準を決定する第３ステップ」の一例である。

【0033】

ＯＰ３では、未教示の欠陥画像から１つの欠陥画像が選択される。ＯＰ３では、注目欠陥画像から距離が遠い欠陥画像が優先して選択される。図７は、図５のＯＰ３で選択された欠陥画像の特徴量空間における位置の一例を示す図である。図７では、ＯＰ３で選択された欠陥画像の位置は、「×（ばつ印）」で示されている。選択された欠陥画像は第１分類器３に入力され、第１分類器３に対して第ｎ通常欠陥として教示される。ここで教示された画像は、基準画像として扱われる。ＯＰ３で選択された基準画像は、「第２画像」および「第２欠陥画像」の一例である。通常欠陥は、「第２欠陥」の一例である。

【0034】

ＯＰ４では、残りの未教示の欠陥画像が第１分類器３に入力される。第１分類器３は、例えば、ｋ最近傍法によって入力された欠陥画像の分類を行う。ｋ最近傍法では、上述の通り、特徴量空間における基準画像からのユークリッド距離が近い画像が第ｎ通常欠陥に分類される。図８は、図５のＯＰ４で第１分類器３が第ｎ通常欠陥として分類した欠陥画像の特徴量空間における分布Ｔ２ａの一例を示す図である。分布Ｔ２ａは、ＯＰ３で選択された通常欠陥画像の周辺であって、通常欠陥の分布域Ｔ２内に存在する。第１分類器３によって第ｎ通常欠陥に分類された画像は、「第２画像と所定の関係を有する第３画像」および「第２欠陥画像と所定の関係を有する第３欠陥画像」の一例である。

【0035】

ＯＰ５では、第２分類器４は、ＯＰ４で第ｎ通常欠陥に分類された欠陥画像の入力を受け付ける。第２分類器４は、入力された欠陥画像が第ｎ通常欠陥に分類されるものであると教示される。教示された結果は、例えば、補助記憶部１０３に記憶される。ＯＰ５で教示された結果は、「第２対応関係」の一例である。

【0036】

ＯＰ６では、ＯＰ１で注目欠陥画像として教示した欠陥画像が第２分類器４に入力される。ＯＰ６では、再代入法により、注目欠陥として教示した欠陥画像が誤って通常欠陥に分類されるか否かが確認される。すべて注目欠陥として判定された場合（ＯＰ７でＹＥＳ）、処理はＯＰ９に進められる。注目欠陥として判定されなかった欠陥画像が１つでもある場合（ＯＰ７でＮＯ）、処理はＯＰ１３に進められる。

【0037】

ＯＰ８では、第２分類器４の教示状態が１つ前の状態に戻される。すなわち、第２分類器４は、ＯＰ５で入力された欠陥画像を未教示の状態に戻す。さらに、変数ｎに１が加算され、処理はＯＰ２に進められる。ＯＰ８の処理は、「前記第１種別に属する画像を前記分類装置に入力し、前記第１種別に属する画像のうち、決定された前記基準によって前記第２種別に分類される画像が存在する場合、前記第２ステップで記憶された前記第２対応関係を削除するステップ」の一例である。

【0038】

図９は、再代入法により、注目欠陥として教示した欠陥画像が誤って通常欠陥に分類される場合の特徴量空間の一例を示す図である。ＯＰ３において、例えば、注目欠陥との距離が近い通常欠陥画像が選択された場合、ＯＰ４の処理で通常欠陥に分類される欠陥画像の分布域Ｅ１と注目欠陥の分布域Ｔ１とが重なる領域Ｅ２が生じる場合がある。このような場合、分類装置１００は、領域Ｅ２に含まれる特徴量ベクトルを有する欠陥画像が入力されると通常欠陥と誤分類する虞がある。そのため、ＯＰ８では、第２分類器４は、ＯＰ５で入力された欠陥画像、すなわち分布域Ｅ１に含まれる欠陥画像を未教示に戻すことで、誤分類の発生を抑制する。

【0039】

ＯＰ９では、第２分類器４には、未処理の欠陥画像から選択された１つの欠陥画像が入力される。第２分類器４は、入力された欠陥画像の分類を行う。第２分類器４による分類結果が第ｎ通常欠陥である場合（ＯＰ１０でＹＥＳ）、処理はＯＰ１１に進められる。第２分類器４による分類結果が第ｎ通常欠陥ではない場合（ＯＰ１０でＮＯ）、処理はＯＰ１２に進められる。

【0040】

ＯＰ１１では、第２分類器４は、入力された欠陥画像が第ｎ通常欠陥に分類されるものであると教示される。教示された結果は、例えば、補助記憶部１０３に記憶される。未処理の欠陥画像がある場合（ＯＰ１２でＹＥＳ）、処理はＯＰ６に進められる。未処理の欠陥画像が無い場合（ＯＰ１２でＮＯ）、処理はＯＰ１３に進められる。ＯＰ１３では、変数ｎに１が加算され、処理はＯＰ２に進められる。

【0041】

図１０は、図６のＯＰ１３から処理が遷移した図５のＯＰ２、ＯＰ３で選択された欠陥画像の特徴量空間における位置の一例を示す図である。図１０では、ＯＰ３で選択された欠陥画像の位置は、「○（まる印）」で示されている。上述の通り、ＯＰ３では、注目欠陥画像から距離が遠い欠陥画像が優先して選択される。図１１は、図６のＯＰ１３から処理が遷移した後の図５のＯＰ４で第１分類器３が第ｎ通常欠陥として分類した欠陥画像の特徴量空間における分布Ｔ２ｂの一例を示す図である。分布Ｔ２ｂは、ＯＰ１３から処理が遷移した後のＯＰ３で選択された通常欠陥画像の周辺であって、通常欠陥の分布域Ｔ２内に存在する。

【0042】

図１２は、図５および図６の処理を繰り返した結果、決定された識別関数Ｆ１の一例を示す図である。図１２では、入力された欠陥画像の特徴量ベクトルが識別関数Ｆ１以下の領域に存在する場合、第２分類器４は入力された欠陥画像に含まれる欠陥を注目欠陥に分類する。また、入力された欠陥画像の特徴量ベクトルが識別関数Ｆ１以上の領域に存在する場合、第２分類器４は入力された欠陥画像に含まれる欠陥を通常欠陥に分類する。図１２を参照すると理解できるように、第２分類器４が識別関数Ｆ１に基づいて注目欠陥に分類する欠陥画像には、本来は通常欠陥画像に分類される欠陥画像が含まれる。また、第２分類器４が識別関数Ｆ１に基づいて通常欠陥に分類する欠陥画像には、本来は注目欠陥に分類される欠陥画像は含まれていない。すなわち、図５および図６の処理によって決定された識別関数Ｆ１に基づいて分類を行う第２分類器４は、注目欠陥を通常欠陥と誤分類するおそれが抑制されている。図５および図６の処理によって決定された識別関数Ｆ１を含むプログラムモジュールは、例えば、記憶媒体に格納されたりネットワーク経由で伝送されたりして、分類器が稼働する他の情報処理装置に配布されてもよい。他の情報処理装置では、配布された識別関数Ｆ１を含むプログラムモジュールを自装置の分類器に組み込むことで、識別関数Ｆ１に基づく分類を実施できる。識別関数Ｆ１を含むプログラムモジュールは、「分類基準モジュール」の一例である。

【0043】

図１３は、第２分類器４の分類性能の一例を示す第１の図である。図１３は、図５および図６の処理において第１通常欠陥の分類まで実行された第２分類器４の分類性能の一例を示している。図１３では、第２分類器４は、事前に注目欠陥として教示された１８９枚の欠陥画像については、１００％の再現率となっている。図１３の段階では、まだ未教示の欠陥画像が４１００枚残っている。そこで、さらに図５および図６の処理を繰り返すことも可能である。この場合、あらかじめ注目欠陥として教示した欠陥画像が誤って通常欠陥画像に分類されない範囲で、図５および図６の処理が行われる。図１４は、第２分類器４の分類性能の一例を示す第２の図である。図１４は、図５および図６の処理でｎ＝４の場合、すなわち、第４通常欠陥まで分類が行われた場合の第２分類器４の分類性能の一例を示す。図１４では、未教示の欠陥画像の数は９５９枚になっている。図１４を参照すると、あらかじめ注目欠陥として教示した１８９枚の欠陥画像については、１００％の再現率となっている。ところで、第１通常欠陥から第４通常欠陥の種別は、第２分類器４に教
示する際に便宜的に用いられた種別である。そこで、第１通常欠陥から第４通常欠陥までを通常欠陥としてまとめると、図１４は、例えば、図１５のようになる。図１５は、第１通常欠陥から第４通常欠陥までを通常欠陥としてまとめた場合の、第２分類器４の分類性能の一例を示す図である。

【0044】

＜比較例＞
図１６は、比較例に係る分類装置が決定した識別関数Ｆ２の一例を示す図である。比較例に係る分類装置は、あらかじめ収集した注目欠陥画像および通常欠陥画像の全てを教師データとして入力し、統計的手法に基づいて識別関数Ｆ２が決定される。図１６では、入力された欠陥画像の特徴量ベクトルが識別関数Ｆ２以下の領域に存在する場合、比較例に係る分類装置は入力された欠陥画像に含まれる欠陥を注目欠陥に分類する。また、入力された欠陥画像の特徴量ベクトルが識別関数Ｆ２以上の領域に存在する場合、比較例に係る分類装置は入力された欠陥画像に含まれる欠陥を通常欠陥に分類する。図１６を参照すると理解できるように、比較例に係る分類装置が識別関数Ｆ２に基づいて通常欠陥に分類する欠陥画像には、本来は注目欠陥画像に分類される欠陥画像が含まれる。すなわち、識別関数Ｆ２に基づいて分類を行う比較例に係る分類装置は、注目欠陥を通常欠陥と誤分類するおそれある。

【0045】

図１７は、比較例に係る分類装置の分類性能の一例を示す図である。図１７では、分類器の分類性能が再代入法によって確認されている。再代入法では、識別関数の決定時に使用した教師データを分類装置に入力して分類結果が確認される。識別関数Ｆ２に基づいて分類を行う分類器では、教師データの数が多い種別の再現率が高くなる。注目欠陥よりも通常欠陥の方が圧倒的に数が多いため、通常欠陥の再現率が高くなる一方、注目欠陥の再現率は低くなる。図１７では、例えば、実際には注目欠陥であるにもかかわらず、通常欠陥として判定されてしまった欠陥画像が１０６枚あることがわかる。すなわち、教師データとして注目欠陥として教示した１８９枚の欠陥画像のうち、１０６枚の欠陥画像は通常欠陥と判定されている。その結果、注目欠陥の再現率は、４３．９２％となっている。しかしながら、通常欠陥画像の数（２０４１４枚）が注目欠陥画像の数（１８９枚）より圧倒的に多いため、この分類器の総正答率（Accuracy）は、９９．４２％となっている。

【0046】

図１７に例示されるように、注目欠陥の教師データと通常欠陥の教師データの数が不均衡の場合、教師データの数が少ない注目欠陥の再現率が低下する。そのため、注目欠陥画像と通常欠陥画像を教師データとして分類装置１００に入力してしまうと、教師データの数が多い通常欠陥については再現率が高くなるものの、教師データの数が少ない注目欠陥については再現率が低くなる。

【0047】

＜実施形態の作用効果＞
実施形態では、まず、注目欠陥の教示が第２分類器４に対して行われた（図５、ＯＰ１）。その後、教示済みの注目欠陥が通常欠陥と誤分類されない範囲で、第２分類器４に対して通常欠陥の教示が行われた（図５、ＯＰ５〜ＯＰ１１）。その結果、実施形態に係る第２分類器４は、注目欠陥が通常欠陥と誤分類されることを抑制できるとともに、注目欠陥の再現率を高めることができる。

【0048】

実施形態では、第１分類器３は、未処理の欠陥画像のうち注目欠陥画像から距離が遠い通常欠陥画像が入力され、通常欠陥として教示された。第１分類器３は、残りの未教示の欠陥画像が入力されると（図５、ＯＰ３）、教示された通常欠陥を基準として、欠陥画像の分類を行った（図５、ＯＰ４）。第１分類器３によって通常欠陥と分類された欠陥画像は、通常欠陥として第２分類器４に教示された（図５、ＯＰ５）。そのため、実施形態によれば、１つの通常欠陥画像を第１分類器３に入力することで、注目欠陥画像から距離が遠い欠陥画像を複数取得できる。

【0049】

≪変形例≫
実施形態では、図５および図６の処理によって第２分類器４の学習が行われた。しかしながら、図５および図６の処理の終了後、注目欠陥に距離が近い通常欠陥を未教示に戻す処理が更に行われてもよい。このような処理を実行することで、第２分類器４に教示済みの注目欠陥と通常欠陥との距離が遠くなることで、注目欠陥が通常欠陥に誤分類されたり、通常欠陥が注目欠陥に誤分類されたりすることを抑制できる。

【0050】

実施形態では、図５のＯＰ２で選択される距離が遠い欠陥画像は、作業者による目視で選択された。しかしながら、ＯＰ２での欠陥画像の選択は、作業者の目視に限定されない。ＯＰ２での欠陥画像の選択は、例えば、乱数によって欠陥画像が選択されてもよい。欠陥画像を乱数によって選択することで、作業者の目視による作業が省略可能となり、作業者の作業負担が軽減される。

【0051】

実施形態では、分類装置１００は、半導体基板を撮影した欠陥画像を分類した。しかしながら、分類装置１００による分類の対象となるのは半導体基板を撮影した欠陥画像に限定されない。分類装置１００は、例えば、細胞および微生物によって例示される生物試料を撮影した画像を分類対象としてもよい。

【0052】

＜プロセッサ＞
以上で説明した各処理は、ＣＰＵ１０１によって実行された。しかしながら、以上で説明した各処理は、ＣＰＵ１０１以外のプロセッサ、例えば、Digital Signal Processor(DSP)、Graphics Processing Unit（GPU）、数値演算プロセッサ、ベクトルプロセッサ、画像処理プロセッサ等の専用プロセッサで実行されてもよい。ＣＰＵ１０１が実行する処理のうち少なくとも一部は、ＣＰＵ１０１以外のプロセッサ、例えば、Digital Signal Processor（ＤＳＰ）、Graphics Processing Unit（ＧＰＵ）、数値演算プロセッサ、ベクトルプロセッサ、画像処理プロセッサ等の専用プロセッサで行われても良い。また、ＣＰＵ１０１が実行する処理のうち少なくとも一部は、集積回路（ＩＣ）、その他のディジタル回路によって実行されてもよい。また、ＣＰＵ１０１の少なくとも一部にアナログ回路が含まれても良い。集積回路は、ＬＳＩ、Application Specific Integrated Circuit（Ａ
ＳＩＣ）、プログラマブルロジックデバイス（ＰＬＤ）を含む。ＰＬＤは、例えば、Field-Programmable Gate Array（ＦＰＧＡ）を含む。ＣＰＵ１０１は、プロセッサと集積回
路との組み合わせであっても良い。組み合わせは、例えば、マイクロコントローラユニット（ＭＣＵ）、System-on-a-chip（ＳｏＣ）、システムＬＳＩ、チップセットなどと呼ばれる。

【0053】

＜コンピュータが読み取り可能な記憶媒体＞
コンピュータその他の機械、装置（以下、コンピュータ等）に上記いずれかの処理を実行させるプログラムをコンピュータ等が読み取り可能な記録媒体に記録することができる。そして、コンピュータ等に、この記録媒体のプログラムを読み込ませて実行させることにより、その処理を実現させることができる。

【0054】

ここで、コンピュータ等が読み取り可能な記録媒体とは、データやプログラム等の情報を電気的、磁気的、光学的、機械的、または化学的作用によって蓄積し、コンピュータ等から読み取ることができる記録媒体をいう。このような記録媒体のうちコンピュータ等から取り外し可能なものとしては、例えばフレキシブルディスク、光磁気ディスク、ＣＤ−ＲＯＭ、ＣＤ−Ｒ／Ｗ、ＤＶＤ、ブルーレイディスク、Digital Audio Tape（ＤＡＴ）、８ｍｍテープ、フラッシュメモリなどのメモリカード等がある。また、コンピュータ等に固定された記録媒体としてハードディスクやＲＯＭ等がある。

【0055】

以上で開示した実施形態や変形例はそれぞれ組み合わせる事ができる。

【符号の説明】

【0056】

１・・・半導体検査装置
１００・・・分類装置
１０１・・・ＣＰＵ
１０２・・・主記憶部
１０３・・・補助記憶部
１０４・・・通信部
２００・・・半導体撮影装置
２Ａ・・・第１分類プログラム
２Ｂ・・・第２分類プログラム
３・・・第１分類器
４・・・第２分類器
Ｂ１・・・接続バス
Ｎ１・・・内部ネットワーク
Ｔ１・・・注目欠陥の分布域
Ｔ２・・・通常欠陥の分布域
Ｆ１、Ｆ２・・・識別関数

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】

【図10】

【図11】

【図12】

【図13】

【図14】

【図15】

【図16】

【図17】