[发明专利]缺陷检查装置、缺陷检查方法以及制造方法

说明书

一种缺陷检查装置，基于被检查体的图像来检查在上述被检查体中产生的缺陷，其中，具备多个缺陷辨别器，上述缺陷辨别器基于图像，使用规定的机器学习模型来辨别各自不同的缺陷的种类，各个缺陷辨别器所辨别的缺陷的种类是作为缺陷检查装置的辨别对象的规定数量的缺陷种类的一部分。本实施方式能够以缺陷检查装置、缺陷检查方法、制造方法中的任意一种方式实现。根据本实施方式，能够容易地进行缺陷检查中的系统管理。

技术领域

本发明涉及缺陷检查装置、缺陷检查方法以及制造方法。本发明例如涉及用于使用表示被检查体的图像的图像数据来判定被检查体中产生的缺陷的状态的技术。

本申请主张在2020年12月15日向日本申请的专利申请2020-207561号的优先权，将其内容引用至此。

背景技术

管理产品的品质时，判定产品的状态是重要的。例如，表面由金属或氧化物等的薄膜覆盖的玻璃基板中，有时在其表面形成微小的电子部件等。该玻璃基板例如能够用于液晶显示器等各种显示器、光掩模、电子器件支承、信息记录介质、平面型天线等。在玻璃基板的表面产生的缺陷是以断线为代表的不合格的原因。缺陷例如有伤痕、污垢等。因此，对玻璃基板的表面要求较高的清洁性、平坦性等。

为了减少断线等不合格，可以考虑：分析玻璃基板表面的状态，判定缺陷的状态，根据需要而确定缺陷的发生原因，实施对制造工序的对策。因此，尝试对被检查体的图像使用机器学习模型来对缺陷种类进行分类。例如，专利文献1中记载有使用深层学习(深度学习、Deep Learning)模型来对作为基板的晶片上产生的缺陷进行分类的缺陷检查方法。

一般而言，深层学习模型需要使用大量的训练数据，对表示输入输出关系的模型参数进行学习。根据用于学习的训练数据的量，有可能频繁产生误分类。例如，在对图像所表示的缺陷的种类进行分类的情况下，有时误分类为特定种类的概率变高。在这样的情况下，存在用户为了避免误分类而希望修正模型参数的情况。

专利文献1：日本特开2019-124591号公报

然而，当在以深层学习模型为代表的机器学习模型中修正模型参数的情况下，难以仅纠正对特定种类的误分类，也容易影响对其他种类的分类结果。即，即使模型参数修正为准确地进行对特定种类的分类，也有可能对其他种类的分类变得不准确。由于不得不考虑对全部种类的分类地修正模型参数，所以系统管理有时花费大量的劳力、时间。

发明内容

本发明是鉴于上述问题而完成的，本发明的课题之一是提供一种在缺陷检查中更容易进行系统管理的缺陷检查装置、缺陷检查方法以及制造方法。

(1)本发明是为了解决上述课题而完成的，本发明的一个形态是缺陷检查装置，基于被检查体的图像来检查上述被检查体中产生的缺陷，其中，具备多个缺陷辨别器，上述缺陷辨别器基于上述图像，使用规定的机器学习模型来辨别各自不同的上述缺陷的种类，各个缺陷辨别器所辨别的上述缺陷的种类是作为上述缺陷检查装置的辨别对象的规定数量的缺陷种类的一部分。

(2)本发明的另一形态是缺陷检查方法，基于被检查体的图像来检查上述被检查体中产生的缺陷，其中，具备多个缺陷辨别工序，在上述缺陷辨别工序中，基于上述图像，使用规定的机器学习模型来辨别各自不同的上述缺陷的种类，在各个缺陷辨别工序中辨别的上述缺陷的种类是在上述缺陷检查方法中作为辨别对象的规定数量的缺陷种类的一部分。

(3)本发明的另一形态也可以是玻璃的制造方法，其中，上述被检查体为玻璃，具有使用了(1)的缺陷检查装置的检查工序、或(2)的缺陷检查方法。

根据本发明，可以更容易地进行缺陷检查中的系统管理。例如，能够降低或消除对特定种类的错误判定的频度，而不影响其他种类的缺陷的判定结果。

附图说明

图1是表示本实施方式所涉及的缺陷检查装置的结构例的概略框图。