【技术实现步骤摘要】
图像识别系统
[0001]本专利技术涉及识别图像中包含的形状的图像识别系统。
技术介绍
[0002]在半导体、液晶面板等的生产线中,若在工序初期产生不良,则之后的工序的作业浪费。因此,在每个工序的重要位置处设置检查工序,在确认/维持得到给定的成品率的同时进行制造。在这些检查工序中,例如使用应用了扫描型电子显微镜(SEM:Scanning Electron Microscope)的测长SEM(CD
‑
SEM:Critical Dimension
‑
SEM,临界尺寸
‑
SEM)、缺陷复查SEM(Defect Review SEM)等。
[0003]在检查工序中,对检查装置拍摄的图像确认有无缺陷、异常。近年来,能够通过机器学习中构建的图像处理模型进行高精度的自动检查。但是,成为检查对象的试样的特征根据制造工艺而变化,因此为了维持高精度的检查精度,需要在制造现场对图像处理模型进行再学习。在该情况下,需要进行再学习模型与现有模型之间的性能比较评价、再学习模型是否正常地发挥功能的确认。即,需要图像识别模型的性能评价。通常,性能评价通过标注有标签(label)的数据或第三者的确认来实施,但在制造现场,从成本、时间等的观点出发,难以实施这些。因此,需要通过无标签数据自动地评价模型的性能。
[0004]作为本
的
技术介绍
,例如有专利文献1那样的技术。专利文献1以“提供一种在基于图像的特征量来进行分类的图像分类装置以及图像分类方法中,能够以简便的方法提示与分类结 ...
【技术保护点】
【技术特征摘要】
1.一种图像识别系统,对图像中包含的形状进行识别,其特征在于,具备:图像识别部,基于实施了机器学习的结果从输入图像提取特征量,使用所述特征量来识别所述输入图像所包括的对象形状;以及误识别判定部,判定所述图像识别部的识别结果是否正确,所述误识别判定部具备:特征量重要度计算部,计算所述特征量的重要度;统计信息数据库,存储与所述重要度相关的统计量;以及比较部,通过对所述重要度和所述统计量进行比较,从而判定所述识别结果是否正确,所述特征量重要度计算部按照所述图像识别部识别出的每个所述对象形状并且按照所述特征量的每个种类计算所述重要度,所述统计信息数据库按照所述对象形状的每个种类并且按照所述特征量的每个种类,存储所述统计量,所述比较部通过按照所述图像识别部识别出的每个所述对象形状,对于所述特征量重要度计算部计算出的所述特征量的每个种类的所述重要度和所述统计信息数据库所存储的所述特征量的每个种类的所述统计量进行比较,从而按照所述图像识别部识别出的每个所述对象形状来判定所述识别结果是否正确。2.根据权利要求1所述的图像识别系统,其中,所述特征量重要度计算部使用表示所述图像识别部识别所述对象形状时的所述特征量的影响的大小的特征量重要度参数,计算所述重要度,所述特征量重要度计算部除了使用所述特征量重要度参数以外,还使用表示所述图像识别部识别所述对象形状时的所述输入图像内的图像区域的影响的大小的区域重要度参数,计算所述重要度。3.根据权利要求1所述的图像识别系统,其中,所述特征量重要度计算部使用表示所述图像识别部识别所述对象形状时的所述特征量的影响的大小的特征量重要度参数,计算所述重要度,所述特征量重要度计算部使用所述识别结果的确信度得分的增量相对于所述输入图像的每个像素位置的所述特征量的增量的比率,计算所述特征量重要度参数。4.根据权利要求1所述的图像识别系统,其中,所述特征量重要度计算部使用表示所述图像识别部识别所述对象形状时的所述输入图像内的图像区域的影响的大小的区域重要度参数,计算所述重要度,所述特征量重要度计算部通过按照每个所述图像区域求出通过所述特征量对所述识别结果的确信度得分进行微分而得到的微分值与所述输入图像内的所述微分值的最大值之间的比率,计算所述区域重要度参数。5.根据权利要求1所述的图像识别系统,其中,所述图像识别系统还具备创建所述统计信息数据库的统计量计算部,所述统计量计算部按照所述图像识别部识别出的每个所述对象形状,创建按照所述重要度从高到低的顺序列举了第一个数的所述特征量的种类的第一列表,所述统计量计算部按照所述图像识别部识别出的每个所述对象形状,将各所述第一列表中包括的按照频度从高到低的顺序列举了第二个数的所述特征量的种类的第二列表作
为所述统计量存储在所...
【专利技术属性】
技术研发人员:山内俊典,石川昌义,柿沼武史,长谷川正树,大平健太郎,丰田康隆,
申请(专利权)人:株式会社日立高新技术,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。