特開 2024-47424 学習装置、学習方法および学習プログラムに関する。

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】公開特許公報(A)

(11)【公開番号】P2024047424

(43)【公開日】2024-04-05

(54)【発明の名称】学習装置、学習方法および学習プログラムに関する。

(51)【国際特許分類】

   G06N 20/00 20190101AFI20240329BHJP

   G06N 3/08 20230101ALI20240329BHJP

【ＦＩ】

G06N20/00

G06N3/08

【審査請求】未請求

【請求項の数】9

【出願形態】ＯＬ

(21)【出願番号】P 2022153036

(22)【出願日】2022-09-26

(71)【出願人】

【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】100108523

【弁理士】

【氏名又は名称】中川 雅博

(74)【代理人】

【識別番号】100125704

【弁理士】

【氏名又は名称】坂根 剛

(74)【代理人】

【識別番号】100187931

【弁理士】

【氏名又は名称】澤村 英幸

(72)【発明者】

【氏名】宮脇 美和

(72)【発明者】

【氏名】岡山 敏之

(72)【発明者】

【氏名】野口 威

(72)【発明者】

【氏名】島田 佳典

(57)【要約】

【課題】
過学習させることなく、複数種類の画像から選択された特定の種類の画像に対する推論の精度を他の種類の画像よりも向上させた学習モデルを生成することを可能にする。
【解決手段】
学習装置２００は、第１の種類の第１画像と、第１の種類とは異なる第２の種類の第２画像とを含む学習用データを取得するデータ取得部と、第１画像と、第２画像と、を同じ条件で学習させるエポックを複数回繰り返す第１学習部２０５と、第１学習部２０５により生成される学習済の学習モデルに、第１画像と第２画像とを逆伝播させる誤差の割合を異ならせて学習させるエポックを複数回繰り返す第２学習部２１１と、を備える。
【選択図】図３

【特許請求の範囲】

【請求項1】

第１の種類の第１画像と、第１の種類とは異なる第２の種類の第２画像とを含む学習用データを取得するデータ取得部と、
前記第１画像と、前記第２画像と、を同じ条件で学習させるエポックを複数回繰り返す第１学習部と、
前記第１学習部により生成される学習済の学習モデルに、前記第１画像と前記第２画像とを逆伝播させる誤差の割合を異ならせて学習させるエポックを複数回繰り返す第２学習部と、を備えた学習装置。

【請求項2】

前記第１学習部は、前記第１画像と前記第２画像とを、逆伝搬させる誤差の割合を同じにして学習させる、請求項１に記載の学習装置。

【請求項3】

前記学習用データは、前記第１画像として検査対象物を撮像して得られる検査画像と、検査装置が前記検査画像をそれぞれ検査した第１検査結果と、前記検査対象物を前記検査装置とは別の検査方法で検査した第２検査結果との組の複数を含み、
前記第１画像は、前記第１検査結果が欠陥ありを示しかつ前記第２検査結果が欠陥ありを示す前記検査画像であり、
前記第２画像は、前記第１検査結果が欠陥ありを示しかつ前記第２検査結果が欠陥なしを示す前記検査画像である、請求項１または２に記載学習装置。

【請求項4】

前記第２学習部は、前記虚報画像に対する逆伝播させる誤差の割合として前記欠陥画像に対する逆伝播させる誤差の割合よりも小さな値を設定する、請求項２に記載の学習装置。

【請求項5】

前記学習用データを前記第１学習部で学習途中の学習モデルに入力して得られる評価結果と、複数の検査対象物をそれぞれ撮像して得られる複数のテスト画像を前記第１学習部で学習途中の学習モデルに入力して得られる評価結果との差分である乖離度を表示する表示部を、さらに備えた、請求項１または２に記載の学習装置。

【請求項6】

複数の検査対象物をそれぞれ撮像して得られる複数のテスト画像を前記第１学習部で学習途中の学習モデルに入力して得られる評価結果に基づいて、前記第１学習部による学習の繰り返し回数を決定する回数決定部を、さらに備えた、請求項１または２に記載の学習装置。

【請求項7】

前記第１学習部は、前記繰り返し回数に対する評価結果の変化量を所定の値と比較する、請求項６に記載の学習装置。

【請求項8】

第１の種類の第１画像と、第１の種類とは異なる第２の種類の第２画像とを含む学習用データを取得するデータ取得ステップと、
前記第１画像と前記第２画像とを同じ条件で学習させるエポックを複数回繰り返す第１学習ステップと、
前記第１学習ステップにおいて生成される学習済の学習モデルに、前記第１画像と前記第２画像とを逆伝播させる誤差の割合を異ならせて学習させるエポックを複数回繰り返す第２学習ステップと、を含む学習方法。

【請求項9】

第１の種類の第１画像と、第１の種類とは異なる第２の種類の第２画像とを含む学習用データを取得するデータ取得ステップと、
前記第１画像と前記第２画像とを同じ条件で学習させるエポックを複数回繰り返す第１学習ステップと、
前記第１学習ステップにおいて生成される学習済の学習モデルに、前記第１画像と前記第２画像とを逆伝播させる誤差の割合を異ならせて学習させるエポックを複数回繰り返す第２学習ステップと、をコンピューターに実行させる学習プログラム。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、学習装置、学習方法および学習プログラムに関する。

【背景技術】

【0002】

半導体デバイス、液晶ディスプレイ等の製造工程では、例えば半導体ウェハ、ガラス基板等の基板に対して各種処理が行われる。また、各種処理が行われた基板を検査するために検査装置が用いられる。検査装置は、例えば基板に処理を行う複数の処理ユニットとともに基板処理装置に設けられる。

【0003】

検査装置の一例として、特許文献１には、設計データを画像化した設計データ画像を教師とし、それに対応する検査対象画像を用いて、検査対象画像から設計データ画像を生成するためのモデルを作成し、作成したモデルを用いて検査対象画像から設計データ画像を予測し、検査対象画像に対応する設計データを画像化した設計データ予測画像と、検査対象画像から予測された設計データ画像とを比較することにより、欠陥を検出する画像評価装置が記載されている。

【先行技術文献】

【特許文献】

【0004】

【特許文献1】特開２０１９－１２９１６９号公報

【発明の概要】

【発明が解決しようとする課題】

【0005】

検査装置により欠陥として検出された基板を、検査者が検査することにより欠陥と判断される場合と、欠陥でないと判断される場合がある。検査装置による虚報を低減させることにより、検査者の負担を低減できる。

【0006】

このためには、欠陥を有する基板が検査者により欠陥ありと判断される前に、検査装置により欠陥でないと判断される確率を極力低減させる必要がある。この確率を低減するためには、画像評価装置において学習回数を増加することが考えられるが、過学習により推論の精度が低下するといった問題がある。

【0007】

本発明の目的は、過学習を防止しつつ、複数種類の画像から選択された特定の種類の画像に対する推論の精度を他の種類の画像よりも向上させた学習モデルを生成することが可能な学習装置、学習方法および学習プログラムを提供することである。

【課題を解決するための手段】

【0008】

（１）本発明の一局面に従う学習装置は、第１の種類の第１画像と、第１の種類とは異なる第２の種類の第２画像とを含む学習用データを取得するデータ取得部と、第１画像と、第２画像と、を同じ条件で学習させるエポックを複数回繰り返す第１学習部と、第１学習部により生成される学習済の学習モデルに、第１画像と第２画像とを逆伝播させる誤差の割合を異ならせて学習させるエポックを複数回繰り返す第２学習部と、を備える。

【0009】

（２）本発明の他の局面に従う学習方法は、第１の種類の第１画像と、第１の種類とは異なる第２の種類の第２画像とを含む学習用データを取得するデータ取得ステップと、第１画像と第２画像とを同じ条件で学習させるエポックを複数回繰り返す第１学習ステップと、第１学習ステップにおいて生成される学習済の学習モデルに、第１画像と第２画像とを逆伝播させる誤差の割合を異ならせて学習させるエポックを複数回繰り返す第２学習ステップと、を含む。

【0010】

（３）本発明のさらに他の局面に従う学習プログラムは、第１の種類の第１画像と、第１の種類とは異なる第２の種類の第２画像とを含む学習用データを取得するデータ取得ステップと、第１画像と第２画像とを同じ条件で学習させるエポックを複数回繰り返す第１学習ステップと、第１学習ステップにおいて生成される学習済の学習モデルに、第１画像と第２画像とを逆伝播させる誤差の割合を異ならせて学習させるエポックを複数回繰り返す第２学習ステップと、をコンピューターに実行させる。

【発明の効果】

【0011】

過学習を防止しつつ、複数種類の画像から選択された特定の種類の画像に対する推論の精度を他の種類の画像よりも向上させた学習モデルを生成することが可能になる。

【図面の簡単な説明】

【0012】

【図1】本発明の一実施の形態に係る基板処理システムの構成を示すブロック図である。

【図2】学習装置の構成の一例を示す図である。

【図3】本発明の本実施の形態の１つにおける学習装置の機能的な構成の一例を示す図である。

【図4】学習モデルの一例を説明する図である。

【図5】第１学習済みモデルの評価結果の一例を示す図である。

【図6】エポックの学習回数ごとの学習精度を示すグラフの一例を示す図である。

【図7】第２学習済モデルの評価結果の一例を示す図である。

【図8】学習処理の流れの一例を示すフローチャートである。

【図9】第１学習動作処理の流れの一例を示す第１のフローチャートである。

【図10】第１学習動作処理の流れの一例を示す第２のフローチャートである。

【図11】第２学習動作処理の流れの一例を示すフローチャートである。

【発明を実施するための形態】

【0013】

以下、本発明の一実施の形態に係る学習装置、学習方法および学習プログラムについて図面を用いて説明する。以下の説明において、基板とは、半導体基板、液晶表示装置もしくは有機ＥＬ（Electro Luminescence）表示装置等のＦＰＤ（Flat Panel Display）用基板、光ディスク用基板、磁気ディスク用基板、光磁気ディスク用基板、フォトマスク用基板、セラミック基板または太陽電池用基板等をいう。

【0014】

１．基板処理システムの構成
図１は、本発明の一実施の形態に係る基板処理システムの構成を示すブロック図である。図１に示すように、基板処理システム５００は、基板処理装置１００、学習装置２００および管理装置３００を含む。基板処理装置１００、学習装置２００および管理装置３００は、互いに通信可能にネットワーク５１０に接続されている。なお、本実施の形態においては、基板処理装置１００および管理装置３００はそれぞれ１つであるが、複数であってもよい。

【0015】

基板処理装置１００は、制御装置１０１、１または複数の処理ユニット１０２、１または複数の搬送装置（搬送ロボット）１０３および１または複数の検査ユニット１０４を含む。なお、図１では、基板処理装置１００の構成として、１つの処理ユニット１０２、１つの搬送装置１０３および１つの検査ユニット１０４が示される。本実施の形態に係る基板処理装置１００は、当該基板処理装置１００に対応する露光装置９００とともに用いられる。

【0016】

１または複数の処理ユニット１０２は、基板に対して、処理液の塗布処理、温度調整処理または現像処理等の所定の処理を行う。より具体的には、本実施の形態に係る１または複数の処理ユニット１０２は、塗布処理ユニット、温度調整ユニットおよび塗布処理ユニットを含む。塗布処理ユニットは、基板の一面にレジスト膜を形成するユニットである。本実施の形態においては、基板の一面とは、基板の主面（回路形成面）を意味する。温度調整ユニットは、基板を加熱または冷却することにより基板の温度を調整するユニットである。現像処理ユニットは、レジスト膜が形成されかつ当該レジスト膜に対する露光処理後の基板に現像処理を行うユニットである。

【0017】

この場合、基板処理装置１００においては、例えば、塗布処理ユニットにより、搬入された未処理の基板にレジスト膜が形成される。レジスト膜が形成された基板は、図１に白抜きの矢印ａ１で示すように、露光装置９００に渡される。露光装置９００では、基板に露光処理が行われる。露光処理後の基板は、図１に白抜きの矢印ａ２で示すように、露光装置９００から基板処理装置１００に戻される。基板処理装置１００に戻された基板には、現像処理ユニットにより現像処理が行われる。

【0018】

搬送装置１０３は、１または複数の処理ユニット１０２と、１または複数の検査ユニット１０４と、基板処理装置１００の外部装置（露光装置９００等）との間で基板を搬送する。

【0019】

検査ユニット１０４は、基板の検査条件を示す検査レシピに基づいて、１または複数の処理ユニット１０２による処理後（本例では現像処理後）の基板の外観検査を行う。検査ユニット１０４は、図示しない撮像装置を含む。基板の外観検査では、基板を撮像することにより得られる基板画像を用いて基板の外観上の欠陥の有無が判定される。以下、検査ユニット１０４により基板外観上に欠陥があると判定された基板画像をＮＧ画像と呼ぶ。ＮＧ画像は、学習装置２００に送信される。

【0020】

制御装置１０１は、例えばＣＰＵ（中央演算処理装置）およびメモリ、またはマイクロコンピュータを含み、当該制御装置１０１を含む基板処理装置１００の各構成要素（１０２～１０４）の動作を制御する。

【0021】

管理装置３００は、例えばパーソナルコンピュータであり、ＣＰＵおよびメモリを含むとともに表示部３１０および操作部３２０を備える。管理装置３００は、使用者による操作部３２０の操作に基づいて、互いに対応する基板処理装置１００および露光装置９００の各々に、例えば基板処理の開始を指令する。

【0022】

２.学習装置の構成
学習装置２００は、検査ユニット１０４により欠陥ありと判定された基板を撮像して得られるＮＧ画像を学習することにより検査ユニット１０４による検査結果の真偽を判定するための学習モデルを生成する。

【0023】

図２は、学習装置の構成の一例を示す図である。図２を参照して、学習装置２００は、ＣＰＵ２５１、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）２５２、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）２５３、記憶装置２５４、操作部２５５、表示装置２５６および入出力Ｉ／Ｆ２５７により構成される。ＣＰＵ２５１、ＲＡＭ２５２、ＲＯＭ２５３、記憶装置２５４、操作部２５５、表示装置２５６および入出力Ｉ／Ｆ２５７はバス２５８に接続される。

【0024】

ＲＡＭ２５２は、ＣＰＵ２５１の作業領域として用いられる。ＲＯＭ２５３にはシステムプログラムが記憶される。記憶装置２５４は、ハードディスクまたは半導体メモリ等の記憶媒体を含み、種々のプログラムを記憶する。種々のプログラムは、ＲＯＭ２５３または他の外部記憶装置に記憶されてもよい。記憶装置２５４には、ＣＤ－ＲＯＭ（Ｃｏｍｐａｃｔ Ｄｉｓｃ－ＲＯＭ）２５９が着脱可能である。操作部２５５は、キーボード、マウスまたはタッチパネル等の入力デバイスである。入出力Ｉ／Ｆ２５７は、ネットワークに接続される。表示装置２５６は、種々の画像を表示させる。

【0025】

一般的に、検査ユニット１０４により欠陥ありと判定された基板に対しては、検査者がＮＧ画像を目視することにより欠陥があるか否かを判定する。この場合、検査ユニット１０４により欠陥ありと判断された結果と異なる場合がある。換言すれば、検査者は、検査ユニット１０４により欠陥ありと判断された基板について、検査ユニット１０４による判断結果が正しいか否かを検査する。以下、検査者により欠陥ありと判断された基板に対するＮＧ画像を欠陥画像と呼び、検査者により欠陥でないと判断された基板に対するＮＧ画像を虚報画像と呼ぶ。このように、検査者による基板の検査結果によって、ＮＧ画像は欠陥画像と虚報画像とのいずれかに分別される。この分別作業は、検査者にとって負担が大きい。

【0026】

この検査者の負担を軽減するために、検査ユニット１０４の精度を高めることなく、検査者が検査する前に、検査ユニット１０４により欠陥ありと判断されたＮＧ画像のうちで虚報画像の数を低減することが望まれる。

【0027】

図３は、本発明の本実施の形態の１つにおける学習装置の機能的な構成の一例を示す図である。図３に示される機能は、学習装置２００が備えるＣＰＵ２５１が、ＲＯＭ２５３またはＣＤ－ＲＯＭ２５９に記憶された学習プログラムを実行することにより実現される。学習装置２００は、ＮＧ画像取得部２０１、学習用データ取得部２０２、テスト用データ取得部２０３、正解データ取得部２０４、第１学習部２０５、評価部２０６、学習精度決定部２０７、記憶制御部２０８、表示制御部２０９、操作制御部２１０および第２学習部２１１を備える。

【0028】

ＮＧ画像取得部２０１は、入出力Ｉ／Ｆ２５７を制御して、検査ユニット１０４から送信されたＮＧ画像を取得する。上述したように、ＮＧ画像は、検査ユニット１０４により欠陥ありと判断された基板を撮像して得られる画像である。ＮＧ画像は、基板を識別するための基板識別情報が関連付けられている。また、検査ユニット１０４によりＮＧ画像がＣＤ－ＲＯＭ２５９に記憶される場合、ＮＧ画像取得部２０１は、記憶装置２５４を制御して、記憶装置２５４に装着されたＣＤ－ＲＯＭ２５９からＮＧ画像を読み出す。

【0029】

正解データ取得部２０４は、ＮＧ画像取得部２０１により取得されたＮＧ画像それぞれに対して検査者による判定結果を取得する。検査者による判定結果は、検査の対象となった基板を識別するための基板識別情報と関連付けられている。正解データ取得部２０４は、検査者による判定結果が記憶されたＣＤ－ＲＯＭ２５９が記憶装置２５４に装着される場合、正解データ取得部２０４は、記憶装置２５４を制御して、ＣＤ－ＲＯＭ２５９から検査者による判定結果を読み出す。また、正解データ取得部２０４は、入出力Ｉ／Ｆ２５７を制御して、検査者が操作するパーソナルコンピュータから検査者による判定結果を受信してもよい。本実施の形態において、学習装置２００が処理対象とするＮＧ画像は、１０００枚としている。

【0030】

学習用データ取得部２０２は、ＮＧ画像取得部２０１により取得されたＮＧ画像の少なくとも一部を取得する。学習用データ取得部２０２は、正解データ取得部２０４により取得された判定結果に基づいて、取得されたＮＧ画像に欠陥なしまたは欠陥ありのいずれかをラベリングした学習用データを生成する。学習用データ取得部２０２により生成される学習用データは、ＮＧ画像に欠陥なしがラベル付された虚報画像と、ＮＧ画像に欠陥ありがラベル付された欠陥画像とを含む。本実施の形態においては、学習用データに含まれる虚報画像の数と、欠陥画像の数とは同じである。本実施の形態において、学習用データは８００枚のＮＧ画像を含み、８００枚のＮＧ画像は、４００枚の欠陥画像と４００枚の虚報画像とを含む。なお、学習用データに含まれる虚報画像の数と欠陥画像の数とは異なってもよい。

【0031】

テスト用データ取得部２０３は、ＮＧ画像取得部２０１により取得されたＮＧ画像のうち、学習用データ取得部２０２が取得したＮＧ画像とは別のＮＧ画像をテスト用データとして取得する。テスト用データ取得部２０３は、正解データ取得部２０４により取得された判定結果に基づいて、ＮＧ画像に欠陥ありまたは欠陥なしのいずれかをラベリングしたテスト用データを生成する。テスト用データ取得部２０３により生成されるテスト用データは、ＮＧ画像に欠陥なしがラベル付された虚報画像と、ＮＧ画像に欠陥ありがラベル付された欠陥画像とを含む。本実施の形態においては、テスト用データに含まれる虚報画像の数と、欠陥画像の数とは同じである。本実施の形態において、テスト用データは２００枚のＮＧ画像を含み、２００枚のＮＧ画像は、１００枚の欠陥画像と１００枚の虚報画像とを含む。なお、テスト用データに含まれる虚報画像の数と欠陥画像の数とは異なってもよい。

【0032】

第１学習部２０５は、学習用データ取得部２０２により取得された学習用データを用いて例えば畳み込みニューラルネットワーク等の第１学習モデルを機械学習（教師あり学習）する。

【0033】

図４は、学習モデルの一例を説明する図である。図４を参照して、学習モデルは、入力層、中間層および出力層を含み、各層に〇で示される複数のノードが含まれる。なお、図では、中間層を１つ示しているが、中間層の数はこれより多くてもよい。また、入力層に５つのノード、中間層に４つ、出力層に３つのノードが示されるが、ノードの数は、これに限定されるものではない。上位のノードの出力は下位のノードの入力に接続される。パラメータは、上位のノードの出力に対して重み付けする係数を含む。

【0034】

学習済の学習モデルに、検査画像データを入力すると、推論結果が出力される。学習段階において、学習用データが虚報画像の場合、学習用データに含まれるＮＧ画像と学習用データに含まれる欠陥なしを示す教師データとが学習モデルに与えられる。また、学習段階において、学習用データが欠陥画像の場合、学習用データに含まれるＮＧ画像と学習用データに含まれる欠陥ありを示す教師データとが学習モデルに与えられる。学習モデルが複数の学習用データを順に学習することにより、複数のノードそれぞれのパラメータが最適化される。学習モデルに複数の学習用データを順に学習用データの数だけ学習させる学習動作をエポックという。エポックを複数回繰り返すことにより学習モデルの学習精度が向上する。以下、エポックの繰り返し回数を、エポックの学習回数という。

【0035】

より具体的には、エポックにおける学習において、複数の学習用データ、ここでは８００個の学習用データそれぞれが学習モデルに与えられる。学習用データから学習モデルによる推論された推論結果と教師データとの差分が誤差として算出される。そして、誤差逆伝播法を用いて、この誤差が少なくなるように複数のノードそれぞれのパラメータが更新される。

【0036】

学習モデルが有する複数のノードそれぞれに定められるパラメータは、誤差が小さくなるように調整される。具体的には、損失関数の勾配を求め、より誤差が小さくなる方向にパラメータが更新される。この更新の度合いを示す値が誤差を逆伝播させる割合である。誤差を逆伝播させる割合が小さいほど、誤差が重みパラメータを更新する値が小さい。

【0037】

誤差を逆伝播する割合は、パラメータが更新される度合いを示す。誤差を逆伝播する割合が大きいほどパラメータが更新される度合いが大きく、誤差を逆伝播する割合が小さいほどパラメータが更新される度合いが小さい。

【0038】

図３に戻って、第１学習部２０５が学習モデルを学習させる際に、欠陥画像と虚報画像とで誤差を逆伝播させる割合が同じ値に設定される。以下、第１学習部２０５によりエポックの学習回数だけ学習が終了した第１学習モデルを第１学習済モデルと呼ぶ。

【0039】

評価部２０６は、第１学習部２０５によるエポックの学習後に第１学習部２０５により生成された第１学習済モデルを、テスト用データ取得部２０３により取得されたテスト用データを用いて評価する。具体的には、評価部２０６は、テスト用データを第１学習済モデルに入力し、第１学習済モデルにより推論される推論結果を集計した評価結果を算出する。評価結果は、虚報画像について欠陥ありと推論される推論結果の割合、虚報画像について欠陥なしと推論される推論結果の割合、欠陥画像について欠陥ありと推論される推論結果の割合、欠陥画像について欠陥なしと推論される推論結果割合、を含む。

【0040】

図５は、第１学習済みモデルの評価結果の一例を示す図である。図５の第１学習済みモデルの評価結果においては、欠陥画像に対して欠陥ありと推論された推論結果の割合（８５％）が左上に示され、欠陥画像に対して欠陥なしと推論された推論結果の割合（１５％）が右上に示される。なお、欠陥画像に対して欠陥ありと推論された推論結果の割合と欠陥画像に対して欠陥なしと推論された推論結果の割合との和は、１００％である。また、虚報画像に対して欠陥ありと推論された推論結果の割合（１３％）が左下に示され、虚報画像に対して欠陥なしと推論された推論結果の割合（８７％）が右下に示される。なお、虚報画像に対して欠陥ありと推論された推論結果の割合と虚報画像に対して欠陥なしと推論された推論結果の割合との和は、１００％である。

【0041】

欠陥画像に対して欠陥ありと推論された推論結果の割合（８５％）、および、虚報画像に対して欠陥なしと推論された推論結果の割合（８７％）を高くするほど、学習モデルの学習が進んでいると言える。

【0042】

図３に戻って、評価部２０６は、テスト用データを用いた評価と同様に、第１学習部２０５によるエポックの学習後に第１学習部２０５により生成された第１学習済モデルを、学習用データ取得部２０２により取得された学習用データを用いて評価する。具体的には、評価部２０６は、学習用データを第１学習済モデルに入力し、第１学習済モデルにより推論される推論結果を集計した評価結果を取得する。

【0043】

学習精度決定部２０７は、第１学習部２０５によるエポックの学習回数だけ学習が終了するごとに第１学習済モデルに対して、評価部２０６により算出された評価結果に基づいて学習精度を決定する。本実施の形態においては、学習精度決定部２０７は、欠陥画像に対して欠陥ありと推論された推論結果の割合を学習精度に決定する。学習精度決定部２０７は、虚報画像に対して欠陥なしと推論された推論結果の割合を学習精度に決定してもよく、欠陥画像に対して欠陥ありと推論された推論結果の割合と虚報画像に対して欠陥なしと推論された推論結果の割合との平均値を学習精度として算出してもよい。

【0044】

記憶制御部２０８は、第１学習部２０５によるエポックの学習回数だけ学習が終了するごとに、エポックの学習回数と、第１学習済モデルと学習用データに対する学習精度とテスト用データに対する学習精度との組を記憶装置２５４に記憶する。第１学習部２０５は、エポックの学習回数が予め定められた回数になるまで学習を繰り返す。本実施の形態では、予め定められた回数は１２０回である。

【0045】

表示制御部２０９は、記憶制御部２０８にエポックの学習回数ごとに記憶された学習用データに対する学習精度とテスト用データに対する学習精度との組に基づいて、学習精度の変化を示すグラフを、表示装置２５６に表示する。

【0046】

図６は、エポックの学習回数ごとの学習精度を示すグラフの一例を示す図である。図６のグラフの縦軸には、学習精度が示され、グラフの横軸には、エポックの学習回数が示される。また、図６のグラフにおいては、学習用データに対する第１学習済モデルの学習精度の変化が点線で示され、テスト用データに対する第１学習済モデルの学習精度の変化が実線で示される。

【0047】

図６に示すように、エポックの学習回数が比較的少ない領域ＴＺ（例えば、総学習回数の半分より短い期間）においては、エポックの学習回数の増加に伴って、学習精度の値が増加する傾向が読み取れる。これは、第１学習済モデルが学習不足であることを意味する。一方、領域ＴＺよりエポックの学習回数が多い領域においては、エポックの学習回数の増加に伴って、学習精度の値は所定の範囲内で推移している。領域ＴＺよりエポックの学習回数が多い領域において、学習精度が所定の値に収束するエポックの学習回数の第１学習済モデルが適切に学習を終了していると言える。

【0048】

また、図６においては、エポックの学習回数に対する第１学習済モデルの学習精度とテスト用データに対する第１学習済モデルの学習精度との差を示す乖離度ＤＶが示される。乖離度ＤＶが大きい場合、第１学習済モデルが学習不足であることを意味する。一方、乖離度ＤＶが小さい場合、第１学習済モデルが適正に学習されたことを意味する。なお、図６には、示されていないが、エポックの学習回数がさらに増加した場合、テスト用データの学習精度の値と学習用データの学習精度の値とが乖離する。これは、第１学習済モデルが過学習であることを意味する。したがって、領域ＴＺ以降で乖離度ＤＶが小さいエポック数が適切なエポックの学習回数と言える。

【0049】

図６に示した学習精度の変化を示すグラフを見るユーザーは、操作部２５５を操作して、エポックの学習回数にそれぞれ対応する複数の第１学習済モデルのうち、適切な第１学習済みモデルを選択する。具体的には、操作部２５５に、最適と思われる第１学習済モデルに対応するエポックの学習回数ＳＰを入力する。

【0050】

図３に戻って、操作制御部２１０は、ユーザーにより入力されたエポックの学習回数を、第２学習部２１１に出力する。なお、ここでは、最適な第１学習済モデルをユーザーが選択する例を示したが、エポックの学習回数に対する学習精度の変化量、または変化量の変化に基づいて適切なエポック数ＳＰが決定されてもよい。

【0051】

操作制御部２１０は、ユーザーにより選択されたエポックの学習回数ＳＰを第２学習部２１１に出力する。第２学習部２１１は、操作制御部２１０からエポックの学習回数ＳＰが入力されることに応じて、第１学習部２０５からエポックの学習回数ＳＰに対応する第１学習済モデルを第２学習モデルとして取得する。第２学習部２１１は、第２学習モデルを用いて機械学習する。

【0052】

具体的には、第２学習部２１１は、第１学習部２０５から取得した第１学習済モデルを、複数の学習用データ、ここでは８００個の学習用データを学習させるエポックを繰り返す。以下、第２学習部２１１によりエポックの学習回数だけ学習が終了した第２学習モデルを第２学習済モデルと呼ぶ。

【0053】

第２学習部２１１は、第２学習モデルに複数の学習用データを学習させる際に、欠陥画像と虚報画像とで誤差を逆伝播させる割合が異なるように設定する。具体的には、虚報画像に対して誤差を逆伝搬させる割合を、欠陥画像に対して誤差を逆伝搬させる割合よりも小さくする。虚報画像に対する誤差を逆伝播させる割合に、１より小さい係数αを乗じ、欠陥画像に対する誤差を逆伝播させる割合に係数αを乗じない。

【0054】

前述したように、誤差が同じでも誤差を逆伝播させる割合が小さいほど、パラメータを更新する度合いが小さい。そのため、欠陥画像を学習することによりパラメータが更新される度合いが、虚報画像を学習することによりパラメータが更新される度合いよりも大きくなる。このため、虚報画像を学習することによる過学習を抑制しつつ、欠陥画像を学習することによる学習精度を向上させることができる。

【0055】

評価部２０６は、エポックの学習が終了するごとに第２学習部２１１により生成された第２学習済モデルを、テスト用データ取得部２０３により取得されたテスト用データを用いて評価する。具体的には、評価部２０６は、テスト用データを第２学習済モデルに入力し、第２学習済モデルにより推論される推論結果を集計した評価結果を算出する。なお、評価結果は、虚報画像について欠陥ありと推論される推論結果の割合、虚報画像について欠陥なしと推論される推論結果の割合、欠陥画像について欠陥ありと推論される推論結果の割合、欠陥画像について欠陥なしと推論される推論結果割合、を含む。

【0056】

第２学習部２１１は、エポックの学習回数が予め定められた回数になるまで学習を繰り返す。本実施の形態では、予め定められた回数は１２０回である。

【0057】

図７は、第２学習済モデルの評価結果の一例を示す図である。図７に示す評価結果は、エポックの学習回数が予め定められた回数に到達するまでエポックを繰り返した第２学習モデルの評価結果が示される。図７に示すように、欠陥画像に対して欠陥なしと推論される確率が小さくなっていることがわかる。

【0058】

表示制御部２０９は、図７に示す第２学習済モデルの評価結果を表示装置２５６に表示させる。この場合、ユーザーは、表示装置２５６に表示された評価部２０６の評価結果を検討することができる。

【0059】

図８は、学習処理の流れの一例を示すフローチャートである。学習処理は、学習装置２００が備えるＣＰＵ２５１がＲＡＭ２５２に格納された予測器生成プログラムを実行することにより、ＣＰＵ２５１により実行される処理である。予測器生成プログラムは、学習プログラムの一部である。

【0060】

図８を参照して、ＣＰＵ２５１は、入出力Ｉ／Ｆ２５７を制御して、検査ユニット１０４から送信されたＮＧ画像を取得する（ステップＳ０１）。次のステップＳ０２においては、第１学習動作処理が実行され、処理は、ステップＳ０３に進む。第１学習動作処理の詳細は後述するが、第１学習モデルに対するエポックを所定数繰り返す処理である。

【0061】

ステップＳ０３においては、表示装置２５６に学習精度が表示される。学習精度は、ステップＳ０２で実行される第１学習動作処理において、エポックの繰り返し回数Ｋごとに算出された学習用データに対する学習精度およびテスト用データに対する学習精度を含む。例えば、図６に示したグラフが表示装置２５６に表示される。

【0062】

ＣＰＵ２５１は、操作部２５５にエポックの学習回数ＳＰが入力されたか否かを判定する（ステップＳ０４）。ユーザーがエポックの学習回数を入力する操作を操作部２５５が受け付けたか否かが判断される。エポックの学習回数ＳＰが入力されていない場合（ステップＳ０４でＮＯ）、待機状態となり、エポックの学習回数ＳＰが入力された場合（ステップＳ０４でＹＥＳ）、処理はステップＳ０５に進む。

【0063】

ステップＳ０５においては、エポックの学習回数ＳＰが取得される（ステップＳ０５）。ここでは、ユーザーが操作部２５５に入力するエポックの学習回数ＳＰが取得される。この段階で、第１学習モデルがエポックの学習回数ＳＰだけ学習した第１学習済モデルが第２学習モデルとして決定される。

【0064】

次のステップＳ０６においては、第２学習動作処理が実行され、処理はステップＳ０７に進む。第２学習動作の詳細は後述するが、第２学習モデルに学習用データを学習させるエポックを所定回数繰り返す処理である。ステップＳ０７においては、表示装置２５６に、第２学習動作処理で学習された第２学習済みモデルの評価結果が表示される。例えば、図７に示した評価結果が表示される。

【0065】

図９および図１０は、第１学習動作処理の流れの一例を示すフローチャートである。第１学習動作処理は、図８に示した学習処理のステップＳ０２において実行される処理である。図９および図１０を参照して、ＣＰＵ２５１は、学習用データを取得する（ステップＳ１１）。次のステップＳ０２においては、繰り返し回数Ｋが設定される（ステップＳ１２）。繰り返し回数Ｋは、エポックを繰り返す回数として予め定められた値である。なお、繰り返し回数は、ユーザーが操作部２５５に入力することにより設定されてもよい。次のステップＳ１３においては、変数ｎに１が設定される。

【0066】

次のステップＳ１４において、ＣＰＵ２５１は、ステップＳ１１において取得された学習用データを第１学習モデルで機械学習する。ステップＳ１４における機械学習においては、８００個の学習用データが第１学習モデルにより学習される。それにより、エポックをｎ回繰り返して第１学習モデルを学習させた第１学習済モデルが生成される。

【0067】

次のステップＳ１５においては、第１学習済モデルがテスト用データで評価され、処理はステップＳ１６に進む。第１学習済モデルに２００個のテスト用データをそれぞれ推論させ、２００個の推論結果を集計した評価結果が算出される。ステップＳ１６においては、テスト用データに対する評価結果に基づいてテスト用データの学習精度が決定される。

【0068】

次のステップＳ１７においては、第１学習済モデルが学習用データで評価され、処理はステップＳ１８に進む。ここでは、第１学習済モデルに８００個の学習用データをそれぞれ推論させ、８００個の推論結果を集計した評価結果が算出される。ステップＳ１８においては、学習用データに対する評価結果に基づいて学習用データの学習精度が決定される。

【0069】

ステップＳ１９においては、エポックの学習回数（ｎ）、ステップＳ１６において決定されたテスト用データに対する学習精度およびステップＳ１９において決定された学習用データに対する学習精度が記憶装置２５４に記憶され、処理はステップＳ２０に進む。

【0070】

ステップＳ２０においては、変数ｎに１が加算され、処理はステップＳ２１に進む。ステップＳ２１においては、変数ｎが繰り返し回数Ｋより大きいか否かが判断される。変数ｎが繰り返し回数Ｋ以下である場合（ステップＳ２１でＮＯ）、処理はステップＳ１４に戻るが、変数ｎが繰り返し回数Ｋより大きい場合（ステップＳ２１でＹＥＳ）、処理は学習処理に戻る。したがって、第１学習動作処理においては、ステップＳ１４～ステップＳ１９の処理が、繰り返し回数Ｋだけ繰り返される。

【0071】

図１１は、第２学習動作処理の流れの一例を示すフローチャートである。第２学習動作処理は、図８に示した学習処理のステップＳ０６において実行される処理である。第２学習動作処理が実行される前の段階で、エポック数ＳＰが決定されている。

【0072】

図１１を参照して、エポックの学習回数ＳＰに対応する第１学習済みモデルが第２学習モデルに設定され（ステップＳ３１）、処理はステップＳ３２に進む。ステップＳ３２においては、学習の対象となる学習用データが選択され、処理はステップＳ３３に進む。学習用データは、ここでは８００個である。８００個の学習用データのうちから学習の対象となる１つの学習用データが順に選択される。

【0073】

ステップＳ３４においては、選択された学習用データに含まれるＮＧ画像が欠陥なしのラベルが付された虚報画像か否かが判断される。虚報画像ならば処理はステップＳ３５に進むが、そうでなければ処理はステップＳ３５をスキップして、ステップＳ３６に進む。ステップＳ３５においては、逆伝播する誤差の割合が、当該逆伝播する誤差の割合に係数α（１より小さい係数）が乗算された値に変更され、処理はステップＳ３６に進む。したがって、虚報画像を学習する場合に逆伝播される誤差の割合が、欠陥画像を学習する場合に逆伝播される誤差の割合よりも小さな値に設定される。

【0074】

ステップＳ３６において、ＣＰＵ２５１は、ステップＳ３３において選択された学習用データで第２学習モデルを機械学習し、処理をステップＳ３７に進める。ステップＳ３７においては、次に処理対象に選択される学習用データが存在するか否かが判断される。未選択の学習用データが存在するならば処理はステップＳ３３に戻るが、そうでなければ処理はステップＳ３８に進む。これにより、ステップＳ３３～ステップＳ３６の処理が、８００個の学習用データのすべてについて繰り返される。８００個の学習用データを学習した第２学習モデルが第２学習済モデルである。

【0075】

ステップＳ３８においては、第２学習済モデルがテスト用データで評価され、処理はステップＳ３９に進む。第２学習モデルに２００個のテスト用データをそれぞれ推論させ、２００個の推論結果を集計した評価結果が算出される。ステップＳ３９においては、上述したステップＳ３２～ステップＳ３８の処理を行った処理回数が、予め定められた繰り返し回数Ｌに到達したか否かが判定される。

【0076】

ステップＳ３２～ステップＳ３８の処理を行った処理回数が、繰り返し回数Ｌに到達すると、処理は学習処理に戻るが、そうでなければ処理はステップＳ３２に戻る。処理が学習処理に戻る場合、エポックの学習回数が繰り返し回数Ｌに到達するまでエポックを繰り返した第２学習済モデルが生成されている。

【0077】

２．実施の形態における効果
上記実施の形態においては、第１学習部２０５により欠陥画像と虚報画像とを同じ条件で学習させた第１学習済モデルが生成され、第２学習部２１１により当該欠陥画像と当該虚報画像とで逆伝播させる誤差の割合を異ならせて当該欠陥画像と当該虚報画像と第１学習済モデルに学習させる。このため、第１学習部２０５により生成される第１学習済モデルは、欠陥画像と虚報画像とにより同じ影響を受けて学習した学習モデルとなる。そして、第２学習部２１１により生成される第２学習済モデルは、欠陥画像および虚報画像のいずれか一方が他方よりも大きな影響を受けて学習した学習モデルとなる。このため、過学習させることなく、欠陥画像に対する推論の精度を虚報画像よりも向上させた学習モデルを生成することが可能になる。

【0078】

また、第１学習部２０５は、欠陥画像と虚報画像とを、逆伝搬させる誤差の割合を同じにして学習させた第１学習済モデルを生成するので、欠陥画像と虚報画像とで推論の精度が同じにした第１学習済モデルを生成することができる。

【0079】

さらに、第２学習部２１１は、虚報画像に対する逆伝搬させる誤差の割合を欠陥画像に対する逆伝搬させる誤差の割合よりも小さくして第２学習モデルを学習させるので、欠陥画像を虚報画像よりも学習の度合いを大きくすることができる。このため、欠陥画像を欠陥なしと推論する確率を低くした第２学習済モデルを生成することができる。

【0080】

また、第１学習部２０５によりエポックが繰り返し回数Ｋまで繰り返された後、表示装置２５６に図６に示した第１学習済みモデルの学習精度のグラフが表示されるので、適切なエポックの学習回数ＳＰの第１学習済モデルを選択するために参考となる情報をユーザーに視認させることが可能になる。

【0081】

３．他の実施の形態
（１）上記実施の形態において、正解データ取得部２０４は、ＮＧ画像取得部２０１により取得されたＮＧ画像それぞれに対して検査者による判定結果を取得するが本発明はこれに限定されない。正解データ取得部２０４は、ＮＧ画像取得部２０１により取得されたＮＧ画像それぞれに対して他の検査装置等による判定結果を取得してもよい。

【0082】

（２）上記実施の形態において、第１学習動作においては、誤差逆伝播法により行われるが、第１学習動作は、他の学習方法により行われてもよい。

【0083】

（３）上記実施の形態において、第２学習部２１１が取得する第１学習済みモデルは、表示された学習精度のグラフに基づいてユーザーが最適と思われる第１学習済モデルに対応するエポック数ＳＰを入力することにより決定されるが本発明はこれに限定されない。第２学習部２１１が取得する第１学習済みモデルは、学習装置２００により自動的に決定されてもよい。例えば、学習装置２００は、一のエポックの学習回数の学習精度と一のエポックの学習回数の次のエポックの学習回数の学習精度との変化量が予め定められた変化量より小さくなった時点をエポック数ＳＰに自動的に決定してもよい。また、学習装置２００は、エポックの学習回数に対する第１学習済みモデルの学習精度とテスト用データに対する第１学習済みモデルの学習精度との差を示す乖離度ＤＶが予め定められた乖離度より小さくなった時点をエポックの学習回数ＳＰに自動的に決定してもよい。さらに、学習装置２００は、一のエポックの学習回数の学習精度と一のエポックの学習回数の次のエポックの学習回数の学習精度との変化量が予め定められた変化量より小さくなり、かつ乖離度ＤＶが予め定められた乖離度より小さくなった時点をエポック数ＳＰに自動的に決定してもよい。

【0084】

（４）上記実施の形態において、第２学習部２１１は、エポックの学習回数が予め定められた回数になるまで学習を繰り返すが本発明はこれに限定されない。第２学習済みモデルを生成するためのエポックの繰り返し回数は、ユーザーにより設定されてもよい。さらに、適切な第２学習済みモデルをユーザーが指定するようにしてもよい。この場合、例えば、図６と同様のエポックの学習回数ごとの学習精度を示すグラフと、図７に示した評価結果と、を表示装置に表示させて、ユーザーがエポックの繰り返し回数を決定してもよい。

【0085】

さらに、第２学習部２１１は、評価部２０６による評価結果に基づいて、学習を終了させてもよい。具体的には、第２学習部２１１は、評価結果のうち欠陥画像に対して欠陥なしと推論される推論結果の割合をしきい値と比較する。例えば、第２学習部２１１は、欠陥画像に対して欠陥なしと推論される推論結果の割合がしきい値以下となる場合に、学習を終了させてもよい。

【0086】

（５）上記実施の形態において、第１学習部２０５は、エポックを予め定められた繰り返し回数Ｋだけ繰り返す例が示されているが、本発明はこれに限定されない。例えば、第１学習部２０５がエポックを繰り返す回数は、自動的に決定されてもよい。例えば、第１学習部２０５は、評価部２０６が算出した評価結果に基づいて、第１学習部２０５がエポックを繰り返す回数決定してもよい。この場合、例えば欠陥画像に対して欠陥ありと推論された推論結果の割合と第１学習部２０５がエポックを繰り返す回数とを紐づけたテーブルを予め準備しておき、そのテーブルを用いて欠陥画像に対して欠陥ありと推論された推論結果の割合に基づいて第１学習部２０５がエポックを繰り返す回数が決定されてもよい。

【0087】

４．請求項の各構成要素と実施の形態の各部との対応関係
以下、請求項の各構成要素と実施の形態の各要素との対応の例について説明する。上記実施の形態では、第１画像が欠陥画像の例であり、第２画像が虚報画像の例であり、欠陥ありが第１検査結果の例であり、欠陥なしが第２検査結果の例である。また、表示装置２５６が表示部の例であり、第１学習部２０５が回数決定部の例である。

【0088】

５．実施の形態の総括
（第１項）本発明の一態様に係る学習装置は、
第１の種類の第１画像と、第１の種類とは異なる第２の種類の第２画像とを含む学習用データを取得するデータ取得部と、
前記第１画像と、前記第２画像と、を同じ条件で学習させるエポックを複数回繰り返す第１学習部と、
前記第１学習部により生成される学習済の学習モデルに、前記第１画像と前記第２画像とを逆伝播させる誤差の割合を異ならせて学習させるエポックを複数回繰り返す第２学習部と、を備える。

【0089】

第１項に記載の学習装置によれば、第１画像と第２画像とを同じ条件で学習させた学習済の学習モデルに、前記第１画像と前記第２画像とを逆伝播させる誤差の割合を異ならせて学習させる。このため、第１学習部により生成される学習済の学習モデルは、第１画像と第２画像とにより同じ影響を受けて学習した学習モデルとなる。そして、第２学習部により生成される学習済の学習モデルは、第１画像および第２画像のいずれか一方が他方よりも大きな影響を受けて学習した学習モデルとなる。このため、過学習させることなく、複数種類の画像から選択された特定の種類の画像に対する推論の精度を他の種類の画像よりも向上させた学習モデルを生成することが可能な学習装置を提供することができる。

【0090】

（第２項）第１項に記載の学習装置において、
前記第１学習部は、前記第１画像と前記第２画像とを、逆伝搬させる誤差の割合を同じにして学習させてもよい。

【0091】

第２項に記載の学習装置によれば、前記第１画像と前記第２画像とを、逆伝搬させる誤差の割合を同じにして学習させるので、第１画像と第２画像とで推論の精度が同じにした学習モデルを生成することができる。

【0092】

（第３項）第１項または第２項に記載の学習装置において、
前記学習用データは、前記第１画像として検査対象物を撮像して得られる検査画像と、検査装置が前記検査画像をそれぞれ検査した第１検査結果と、前記検査対象物を前記検査装置とは別の検査方法で検査した第２検査結果との組の複数を含み、
前記第１画像は、前記第１検査結果が欠陥ありを示しかつ前記第２検査結果が欠陥ありを示す前記検査画像であり、
前記第２画像は、前記第１検査結果が欠陥ありを示しかつ前記第２検査結果が欠陥なしを示す前記検査画像であってもよい。

【0093】

第３項記載の学習装置によれば、欠陥画像と虚報画像とのいずれか一方を他方よりも学習の度合いを大きくした学習モデルを生成することができる。

【0094】

（第４項）第２項に記載の学習装置において、
前記第２学習部は、前記虚報画像に対する逆伝播させる誤差の割合として前記欠陥画像に対する逆伝播させる誤差の割合よりも小さな値を設定してもよい。

【0095】

第４項に記載の学習装置に従えば、欠陥画像を虚報画像よりも学習の度合いを大きくした学習モデルが生成される。このため、欠陥画像を欠陥なしと推論する確率を低くした学習モデルを生成することができる。

【0096】

（第５項）第１項または第２項に記載の学習装置において、
前記学習用データを前記第１学習部で学習途中の学習モデルに入力して得られる評価結果と、複数の検査対象物をそれぞれ撮像して得られる複数のテスト画像を前記第１学習部で学習途中の学習モデルに入力して得られる評価結果との差分である乖離度を表示する表示部を、さらに備える。

【0097】

第５項に記載の学習装置によれば、乖離度が表示されるので、第１学習部による推論の精度を判断するための情報をユーザーに提示することができる。

【0098】

（第６項）第１項または第２項に記載の学習装置において、
複数の検査対象物をそれぞれ撮像して得られる複数のテスト画像を前記第１学習部で学習途中の学習モデルに入力して得られる評価結果に基づいて、前記第１学習部による学習の繰り返し回数を決定する回数決定部を、さらに備えてもよい。

【0099】

第６項に記載の学習装置に従えば、第１学習部による学習回数を自動的に決定することができる。

【0100】

（第７項）第６項に記載の学習装置において、
前記第１学習部は、前記繰り返し回数に対する評価結果の変化量を所定の値と比較してもよい。

【0101】

第７項に記載の学習装置は、第１学習部による適切な学習回数を決定することができる。

【0102】

（第８項）本発明の他の態様に係る学習方法は、
第１の種類の第１画像と、第１の種類とは異なる第２の種類の第２画像とを含む学習用データを取得するデータ取得ステップと、
前記第１画像と前記第２画像とを同じ条件で学習させるエポックを複数回繰り返す第１学習ステップと、
前記第１学習ステップにおいて生成される学習済の学習モデルに、前記第１画像と前記第２画像とを逆伝播させる誤差の割合を異ならせて学習させるエポックを複数回繰り返す第２学習ステップと、を含む。

【0103】

第８項に記載の学習方法によれば、過学習させることなく、複数種類の画像から選択された特定の種類の画像に対する推論の精度を他の種類の画像よりも向上させた学習モデルを生成することが可能な学習モデルを生成することが可能となる。

【0104】

（第９項） 本発明の他の態様に係る学習プログラムは、
第１の種類の第１画像と、第１の種類とは異なる第２の種類の第２画像とを含む学習用データを取得するデータ取得ステップと、
前記第１画像と前記第２画像とを同じ条件で学習させるエポックを複数回繰り返す第１学習ステップと、
前記第１学習ステップにおいて生成される学習済の学習モデルに、前記第１画像と前記第２画像とを逆伝播させる誤差の割合を異ならせて学習させるエポックを複数回繰り返す第２学習ステップと、をコンピューターに実行させる。

【0105】

第９項に記載の学習プログラムによれば、過学習させることなく、複数種類の画像から選択された特定の種類の画像に対する推論の精度を他の種類の画像よりも向上させた学習モデルを生成することが可能な学習モデルを生成することが可能となる。

【符号の説明】

【0106】

１００…基板処理装置，１０１…制御装置，１０２…処理ユニット，１０３…搬送装置，１０４…検査ユニット，２００…学習装置，２０１…ＮＧ画像取得部，２０２…学習用データ取得部，２０３…テスト用データ取得部，２０４…正解データ取得部，２０５…第１学習部，２０６…評価部，２０７…学習精度決定部，２０８…記憶制御部，２０９…表示制御部，２１０…操作制御部，２１１…第２学習部，２５１…ＣＰＵ，２５２…ＲＡＭ，２５３…ＲＯＭ，２５４…記憶装置，２５５…操作部，２５６…表示装置，２５７…入出力Ｉ／Ｆ，２５８…バス，２５９…ＣＤ－ＲＯＭ，３００…管理装置，３１０…表示部，３２０…操作部，５００…基板処理システム，５１０…ネットワーク，９００…露光装置，ＤＶ…乖離度，Ｋ…学習回数，ＳＰ…エポックの学習回数，Ｔ…しきい値，ＴＺ…領域，ｎ…変数，α…係数

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】

【図10】

【図11】