具体实施方式

以下，参照附图来说明本发明的实施方式。此外，本发明并不通过该实施方式来限定。此外，在附图的记载中，针对同一部分，附带同一符号来表示。

本发明所涉及的尺寸测量单元具备：第1区域分割部、第2区域分割部、和尺寸测量部。第1区域分割部使用对测量对象物的图像的加工构造中的各区域、背景进行区分的图像识别模型。使用剖面SEM图像、和表示剖面SEM图像的各区域被正确地附带标签的结果的注释图像(即，教师数据)，来训练该图像识别模型，并学习按区域区分的标签附带方法。

第2区域分割部根据从第1区域分割部输出的附带标签图像，生成包含表示第1图像中的各区域的标记的图像来作为中间图像，并根据该标记、和成为输入图像的剖面SEM图像，基于输入图像的亮度信息，来生成按区域区分地被附带标签的图像。

尺寸测量部根据区域划分的图像，计算相邻的区域处的区域边界线的坐标，并使用基于特征点的检测对象、检测范围、和检测方向等测量条件的尺寸定义，按每个ROI(Region of Interest，感兴趣区域)来计算对测量对象的尺寸条件进行规定的特征点的坐标，由此，来测量给定的部位的尺寸。也就是说，根据相对于边界线的坐标而定义的特征点检测对象、相对于边界线的坐标而定义的特征点检测范围、以及相对于边界线的坐标而定义的特征点检测方向，来求取特征点的坐标。然后，根据求出的特征点的坐标来测量给定的部位的尺寸。

根据以上所述，不需要基于操作者的目视的调整，能够根据剖面SEM图像来自动地测量给定的尺寸值。

以下，根据附图来说明本发明的实施方式。

首先，参照图1，说明用于实施本公开的实施方式的计算机系统300。在本说明书中公开的各种实施方式的机构以及装置还可以应用于任意的适当的计算系统。计算机系统300的主要组件包含：一个以上的处理器302、存储器304、终端接口312、存储接口314、I/O(输入输出)设备接口316、以及网络接口318。这些组件还可以经由存储器总线306、I/O总线308、总线接口组件309、以及I/O总线接口组件310而相互连接。

计算机系统300还可以包含被总称为处理器302的一个或者多个通用可编程中央处理装置(CPU)302A以及302B。在某个实施方式中，计算机系统300可以具备多个处理器，此外，在其他的实施方式中，计算机系统300还可以是单一的CPU系统。各处理器302还可以执行在存储器304中容纳的命令，并包含板上高速缓冲存储器。

在某个实施方式中，存储器304还可以包含：用于存储数据以及程序的随机存取半导体存储器、存储装置、或者存储介质(易失性或者非易失性的任一者)。存储器304还可以容纳对本说明书中说明的功能进行实施的程序、模块、以及数据构造的全部或者一部分。例如，存储器304还可以容纳有尺寸测量管理应用程序350。在某个实施方式中，尺寸测量管理应用程序350还可以包含在处理器302上执行后述的功能的命令或者描述。

在某个实施方式中，还可以作为基于处理器的系统的替代、或者除了基于处理器的系统之外，经由半导体器件、芯片、逻辑门、电路、电路卡、和/或其他物理硬件设备通过硬件来实施尺寸测量管理应用程序350。在某个实施方式中，尺寸测量管理应用程序350还可以包含命令或者描述以外的数据。在某个实施方式中，相机、传感器、或者其他数据输入设备(未图示)还可以被提供成与总线接口组件309、处理器302、或者计算机系统300的其他硬件直接通信。

计算机系统300还可以包含：进行处理器302、存储器304、显示系统324、以及I/O总线接口组件310间的通信的总线接口组件309。I/O总线接口组件310还可以与用于在与各种I/O部件之间传输数据的I/O总线308连结。I/O总线接口组件310还可以经由I/O总线308，与作为I/O处理器(IOP)或者I/O适配器(IOA)而已知的多个I/O接口部件312、314、316、以及318通信。

显示系统324还可以包含显示控制器、显示存储器、或者这二者。显示控制器能够将视频、音频、或者这二者的数据提供给显示装置326。此外，计算机系统300还可以包含：被构成为收集数据并将该数据提供给处理器302的一个或者多个传感器等设备。

例如，计算机系统300还可以包含：收集心率数据、精神压力水平数据等的生物传感器；收集湿度数据、温度数据、压力数据等的环境传感器；以及收集加速度数据、运动数据等的运动传感器等。除此以外的类型的传感器也能够使用。显示系统324还可以与单独的显示屏、电视、平板电脑、或者便携式设备等显示装置326连接。

I/O接口部件具备与各种存储或者I/O设备进行通信的功能。例如，终端接口组件312能够进行视频显示装置、扬声器电视等用户输出设备、或者键盘、鼠标、小键盘、触摸板、轨迹球、按钮、光笔、或其他定点设备等用户输入设备这样的用户I/O设备320的安装。用户使用用户接口来操作用户输入设备，由此，可以对用户I/O设备320以及计算机系统300输入输入数据或指示，并接收来自计算机系统300的输出数据。用户接口例如还可以经由用户I/O设备320而被显示于显示装置，或者通过扬声器而被再生，或者通过打印机而被印刷。

存储接口314能够进行一个或者多个硬盘驱动器、直接存取存储装置322(通常，是磁盘驱动器存储装置，但是还可以是看作单一的硬盘驱动器而构成的硬盘驱动器的阵列或者其他存储装置)的安装。在某个实施方式中，还可以安装存储装置322来作为任意的二级存储装置。存储器304的内容还可以被存储于存储装置322，并根据需要从存储装置322读出。I/O设备接口316还可以提供针对打印机、传真机等其他I/O设备的接口。网络接口318还可以提供通信路径，以便计算机系统300与其他设备能够相互通信。该通信路径例如是网络330。

在某个实施方式中，计算机系统300还可以是，多用户主机计算机系统、单用户系统、或者服务器计算机等不具有直接的用户接口的、接收来自其他计算机系统(客户端)的请求的设备。在另一实施方式中，计算机系统300还可以是台式计算机、便携式计算机、膝上型电脑、平板计算机、袖珍计算机、电话、智能手机、或者任意其他适当的电子设备。

实施例1

在本实施例中，为了提取测量对象物的图像中的加工构造和背景之间的边界线或不同种材料间的界面的边界线的坐标，将ROI检测算法、语义分割模型、以及分水岭算法组合来使用。

这里，语义分割模型是，执行将图像的各像素与类别(class)标签(“花”、“人物”、“道路”、“天空”、“海洋”、“汽车”等)关联起来的过程的机械学习模型。在语义分割模型中的学习(即，训练)步骤中，给予输入数据即剖面SEM图像、和输出数据即按每个区域区分了颜色的注释图像，来作为教师数据，并学习区域的形状。

在学习步骤之后进行的推论步骤中，本发明所涉及的尺寸测量装置针对给予的输入图像，使用ROI(Region of Interest，感兴趣区域)检测算法来检测ROI，并针对检测出的ROI，使用学习完毕的语义分割模型来推定按每个区域区分了颜色的图像。之后，尺寸测量装置基于该推定结果，生成包含表示图像中的各区域的标记的中间图像，并将该中间图像中包含的标记和检测出的ROI输入到分水岭算法，由此来输出按每个区域区分了颜色的图像。接着，在测量步骤中，尺寸测量装置根据从按每个区域区分了颜色的图像得到的区域边界线的坐标，来自动地测量所期望的部位的尺寸。

接着，参照图2来说明本发明的实施例所涉及的尺寸测量装置的系统。

图2是表示本发明的实施例所涉及的半导体制造系统200的结构例的图。如图2所示那样，半导体制造系统200主要由尺寸测量装置100、输入输出装置201、处理装置203、以及评价装置204构成。这些装置例如经由因特网等通信网络(未图示)而连接。

尺寸测量装置100主要由中央处理部101、第1区域分割部102、第2区域分割部103、尺寸测量部104、以及数据库105构成。尺寸测量装置100受理经由输入输出装置201而输入的特征点和尺寸的定义、倍率、学习用数据集等输入信息202以及剖面图像205，通过后述的处理，对剖面图像205实施测定给定的尺寸的处理，之后，将测量的结果向输入输出装置201输出。

此外，如图2所示那样，中央处理部101包含学习部206。该学习部206是对第1区域分割部102以及第2区域分割部103的机械学习模型的学习(即，训练)进行管理的功能部。

输入输出装置201具备GUI等输入输出接口、读卡器等存储介质读出装置，将特征点和尺寸的定义、倍率、学习用数据集等输入信息20输入给尺寸测量装置100。此外，输入输出装置201从评价装置204接收测量对象物的剖面图像205作为输入图像，并将该输入图像发送给中央处理部101。输入输出装置201例如还可以是键盘、鼠标、显示器、触摸面板、存储介质读出装置等。或者，输入输出装置201还可以被构成为，将从尺寸测量装置100发送的测量结果向用户显示。该情况下，输入输出装置201可以利用显示器来显示测量结果，或者将测量结果写出到文件。

处理装置203是对半导体或者包含半导体的半导体器件进行处理(例如，加工处理等)的装置。处理装置203的处理的内容不受特别的限制。例如，处理装置203还可以是光刻装置、成膜装置、图案处理装置等。更详细地，光刻装置例如包含曝光装置、电子束描绘装置、X射线描绘装置等。此外，成膜装置例如包含CVD(Chemical Vapor Deposition，化学气相沉积)、PVD(Physical Vapor Deposition，物理气相沉积)、蒸镀装置、溅射装置、热氧化装置等。此外，图案处理装置例如包含湿法蚀刻装置、干法蚀刻装置、电子束处理装置、激光处理装置。处理装置203根据输入的加工条件来进行半导体或者半导体器件的加工处理，并将加工完成的半导体或者半导体器件转移给评价装置204。

评价装置204对由处理装置203处理过的半导体或者半导体器件的剖面进行摄影，并取得表示处理的结果的剖面图像205。评价装置204例如还可以是使用了SEM、TEM、光学式监视器的加工尺寸测量装置。此外，还可以将由处理装置203处理过的半导体或者半导体器件的一部分作为断片而取出，并将该断片运输给评价装置204来进行测量。将取得的剖面图像205发送给输入输出装置201。

接着，参照图3，说明本发明的实施例所涉及的语义分割模型用的神经网络的结构。

图3是表示本发明的实施例所涉及的语义分割模型用的神经网络106的结构的一例的图。图3中示出的神经网络106用于执行在上述的第1区域分割部(例如，图2中示出的第1区域分割部102)中使用的语义分割。如图3所示那样，神经网络106由输入层107、中间层108、和输出层109构成。

神经网络106将输入到输入层107的像素信息(例如，成为输入图像的SEM剖面图像的像素信息)按顺序向中间层108、输出层109传送，并进行运算，由此，输出各像素所属的区域的标签编号。在中间层108中，卷积层、脱落层(dropout layer)等被重复多层。具体的层构造因采用的模型的不同而不同。在学习时，调整中间层的参数，以使由神经网络106输出的各像素的标签和表示正解的标签的注释数据的误差成为最小。

此外，在本例中，说明了使用神经网络106的结构的示例，然而，本发明并不受限于此，还可以是使用决策树等机械学习模型的结构。

接着，参照图4，说明本发明的实施例1所涉及的尺寸测量方法。

图4是表示本发明的实施例1所涉及的尺寸测量方法400的流程的流程图。

首先，学习部(例如，图2中示出的学习部206)制作包含向尺寸测量装置(例如，图2中示出的尺寸测量装置100)输入的学习数据集等的输入信息202。具体地，在步骤S100中，学习部将经由输入输出装置(例如，图2中示出的输入输出装置201)而来自评价装置(例如，图2中示出的评价装置204)的输入数据即剖面SEM图像、和在语义分割模型中使用的注释数据图像，制作为学习数据集，并将该学习数据集保存于数据库(例如，图2中示出的数据库105)。

接着，在步骤S101中，学习部将学习数据集和机械学习模型从数据库传输到第1区域分割部(例如，图2中示出的第1区域分割部102)，进行机械学习模型的学习。学习过的模型的参数被送回而保存于数据库。

此外，关于这里的“机械学习模型”，以具有卷积层、脱落层等的神经网络为一例来说明，然而，本发明并不受限于此，还可以是决策树等机械学习模型。

接着，在步骤S102中，第1区域分割部将拍摄有测量对象物的输入图像从输入输出装置输入。

接着，在步骤S103中，第1区域分割部从数据库取得机械学习模型以及学习参数，并根据取得的模型以及学习参数，使用ROI检测算法，来指定输入图像中的对象区域。

这里，说明了使用模板匹配(Template Matching)作为ROI检测算法的示例，然而，本发明并不受限于此，还能够使用RPN(Region Proposal Network，区域候选网络)等深层学习模型、或者Haar-Like特征分类器等基于特征量的机械学习模型。

接着，在步骤S104中，第1区域分割部针对检测出的ROI，进行基于语义分割模型的推定。

接着，在步骤S105中，第2区域分割部(例如，图2中示出的第2区域分割部103)根据在步骤S104中生成的推定结果，生成包含表示输入图像中的各区域的标记的图像，作为中间图像。这里，所谓“标记”是指，在所谓的分水岭算法中，表示有确证的区域和没有确证的区域的信息。

此外，基于由第1区域分割部进行的语义分割的推定结果是按每个像素而被附带标签的排列信息，第2区域分割部按照标签的种类数来进行标记的生成，并生成中间图像。

具体地，在标签种类数为1种的情况下，即，判断为基于语义分割模型的推定的结果在全部像素中相同的情况下，在检测出的ROI内并不存在应检测的界面，因此，本处理前进到步骤S106。

在标签种类数为2种的情况下，该图像被判定为是前景和背景分离了的图像。通过对前景和背景的区域各自地实施事先决定的区域缩小处理，在前景和背景的边界线近旁新生成边界区域，缩小了的前景和背景被定义为有确证的区域，此外新生成的边界区域被定义为没有确证的区域。由此，当应用分水岭算法时，能够得到良好的区域分割结果。

这里，作为区域缩小处理，还可以使用从各区域的最外周起缩小与10像素相应的量的算法，然而本发明并不受限于此。

接着，在步骤S106中，第2区域分割部根据在步骤S103中生成的指定了对象区域的图像、和在步骤S105中生成的中间图像，进行基于分水岭算法的区域分割。

这里，在标签种类数存在3种以上的情况下，第2区域分割部将关注的标签处理成前景，并将除此以外的标签全部处理成背景，并实施与标签种类数为2种的情况相同的处理，直到关注的标签收罗到为止。

此外，在本实施例中，作为区域分割的手段，使用了分水岭算法，然而本发明并不受限于此，还能够替代地使用图形切割(Graph cut)算法等、基于亮度信息来进行区域划分的算法。

接着，在步骤S107中，第2区域分割部判定在输入图像是否存在其他的指定区域。当在输入图像存在其他的指定区域的情况下，第2区域分割部针对其余的指定区域重复进行上述的处理。具体地，第2区域分割部针对各个指定区域进行表示中间图像的标记的生成、和区域分割，并执行直到指定区域全部被收罗到为止。

当在输入图像不存在其他指定区域的情况下，本处理前进到步骤S109。

接着，在步骤S108中，尺寸测量部确认对测量对象的尺寸条件进行规定的特征点和尺寸的定义是否预先保存在了数据库中。当这些信息不在数据库的情况下，尺寸测量部前进到步骤S109，对成为检测对象的区域标签、检测范围和检测方向进行指定。

此外，尺寸测量部在指定多个部位的情况下，分别指定针对各个特征点的定义。

接着，在步骤S110中，尺寸测量部根据指定出的定义，来进行特征点检测。

接着，在步骤S111中，尺寸测量部根据得到的特征点，来进行对测量对象物的尺寸进行测量的处理，并将测量出的尺寸信息从像素单位变换成实际尺寸(例如国际单位系)。

由此，能够针对剖面SEM图像(或者剖面TEM图像)来自动地生成高精度的测量结果。

接着，参照图5，说明在本发明的实施例1所涉及的物体检测模型的学习数据中使用的注释数据。

此外，以下，以上述的处理装置是蚀刻装置且ROI是图案部分的情况为一例来进行说明。

图5是表示在本发明的实施例1所涉及的物体检测模型的学习数据中使用的注释数据的一例的图。更详细地，图5示出了：剖面SEM图像551以及该剖面SEM图像551的区域被正确地附带了标签的注释数据560、和剖面SEM图像552以及该剖面SEM图像552的区域被正确地附带了标签的注释数据570。

剖面SEM图像551和剖面SEM图像552的差异是，处理装置(例如，图2中示出的处理装置203)中的处理方法不同。由此，关于ROI，存在以下情况：即使指定相同图案部分、并且是相同缩小率的图像，ROI的大小也根据输入图像而不同。为了使ROI尺寸为固定的，在将输入数据集输入到语义分割模型之前，对各自的尺寸进行放大或者缩小，由此，能够实施图像处理以便成为固定的大小。因此，在本实施例中示出的图像是被实施基于最邻近补偿法(nearest neighbor complement method)的图像处理以使输入数据集的大小成为固定的图像。

在注释数据560以及注释数据570中示出的区域由背景553、掩模554、以及基板555这三个区域构成。注释数据560、570可以使用专用软件手工地制作，也可以使用学习完毕的语义分割模型来制作。

接着，参照图6，说明本发明的实施例1所涉及的尺寸的部位和特征点。

图6是用于说明本发明的实施例1所涉及的尺寸的部位和特征点的对应关系的图。在图6所示的示例中，尺寸测量部位设定了：(1)L1：掩模/基板界面的宽度606；(2)L2：基板最窄部的宽度607；(3)L3：掩模的高度608；(4)L4：沟道的深度609这四处。图中从A到F这6点，是在尺寸测量中使用的边界线上的特征点，使用仅能够从边界线数据唯一地定义的点。例如，A还可以是成为掩模上表面的最高点的点等。

特征点A～F的定义以及尺寸L1～L4与特征点A～F的对应关系(L1：B、C；L2：D、E等)由用户经由输入输出装置(例如，图2中示出的输入输出装置201)来输入，并被容纳于数据库(例如，图2中示出的数据库105)。为了输入定义，用户经由例如鼠标、触摸屏等接口来指定作为检测对象的区域，并针对该区域来指定检测范围、和在检测范围内的进行检测的方向。这里，所谓进行检测的方向，被用于指定在检测范围内以最上或者最下、最左、最右的哪个坐标为特征点。

另外，作为定义的输入方式，还可以是如下方法：在任意的剖面SEM图像被显示于输入输出装置的GUI画面的状态下，用户通过在画面上点击特征点来进行指定的方法、或者给予描绘了特征点和尺寸的定义的脚本的方法。特征点和测量尺寸的个数、位置还可以根据测量对象的构造而适当设定。

接着，参照图7，说明本发明的实施例1所涉及的语义分割模型的学习数据中使用的注释数据中的标签。

图7是表示本发明的实施例1所涉及的语义分割模型的学习数据中使用的注释数据中的标签名710、标签编号720、以及颜色730的对应关系的表。图7中示出的信息被容纳于数据库(例如，图2中示出的数据库105)。

此外，对各标签附加的标签编号和颜色是任意的。

如图7所示那样，图像中的“背景”标签名710对应于“0”标签编号720和“黑”颜色730；掩模对应于“1”标签编号720和“灰”；基板对应于“2”标签编号720和“白”。上述的注释数据、按区域区分地附带了标签的图像按照图7中示出的表的信息来制作。

接着，参照图8，说明本发明的实施例1所涉及的输入输出装置显示的GUI(Graphical User Interface，图形用户界面)画面。

图8是表示本发明的实施例1所涉及的输入输出装置显示的GUI画面800的一例的图。GUI画面800主要由注释窗口401、模型学习窗口402、尺寸定义窗口403、和执行窗口404构成。

在注释窗口401中，用户能够利用图像选择按钮405来选择想要在注释窗口401显示的图像文件。在图像窗口406，显示选择出的图像。此外，用户能够在显示的图像内通过鼠标操作来指定ROI407。图像窗口406中的被指定的ROI407被显示于图像窗口408。基于在图像窗口408显示的ROI407的图像，制作注释数据，并显示于图像窗口409。用户通过点击图像对保存按钮410，能够针对在图像窗口408和图像窗口409显示图像，来附带能够各自对应起来的名称，并作为学习数据集而保存。

在模型学习窗口402中，用户通过点击数据集选择按钮411，能够指定在模型学习中使用的数据集。此外，用户通过点击模型选择按钮412，能够指定语义分割模型。此外，用户通过点击模型学习按钮413，能够使用指定出的数据集和模型来执行模型学习。在模型学习中，适当地保存学习结果。此外，关于学习完毕的模型，当通过模型选择按钮414来选择学习完毕的模型时，以能够识别的名称来保存。

在尺寸定义窗口403中，用户通过点击检测对象按钮415，能够指定作为对象的区域间的界面。此外，用户通过点击检测范围按钮416，能够指定检测范围417。此外，用户通过点击检测方向按钮418，能够指定用于将检测范围417内的区域间界面中的、上下左右的哪个方向的端部定义为特征点的检测方向。此外，用户通过点击尺寸定义按钮419，能够指定如何根据基于定义而检测出的特征点来计算尺寸。此外，用户通过点击定义保存按钮420，能够将尺寸定义作为测定定义文件来保存。

在执行窗口404中，用户通过点击模型选择按钮414，能够指定学习完毕模型。此外，用户通过点击测定定义选择按钮421，能够指定测定定义文件。此外，用户通过点击图像组选择按钮422，能够指定想要进行测定的图像组。此外，用户通过点击执行按钮423，能够使得使用指定出的学习完毕模型和指定出的测定定义文件，针对想要进行测定的图像组内的各个图像来实施测定。之后，用户能够将该测定的结果作为测定结果输出文件，向给定的场所输出。

接着，参照图9，说明本发明的实施例所涉及的测试图像。

图9是表示本发明的实施例所涉及的测试图像900的一例的图。该测试图像例如是通过上述的评价装置(例如，图2中示出的评价装置204)而摄影到图像，表示测量对象物即加工后的半导体器件。如图9所示那样，在该测试图像900中拍摄了不必要的内部构造的轮廓，这是当尺寸测量时应该忽略的构造。

因此，通过将该测试图像900作为输入图像来进行例如图4所示的尺寸测量方法，能够针对剖面SEM图像(或者剖面TEM图像)自动地生成高精度的测量结果。

实施例2

在实施例1中，说明了事先准备学习数据集，使用语义分割模型来生成包含表示对象图像中的各区域的标记的中间图像的示例，然而，该标记生成并不一定需要使用语义分割模型。因此，在实施例2中，说明手动地制作标记生成，并且将新生成的区域分割图像追加到学习数据集，逐次改善语义分割模型的推定精度的结构。

根据该结构，即使在事先的充分的学习数据集的准备困难，基于模型的推定精度不充分的情况下，也能够进行尺寸测定。

接着，参照图10，说明本发明的实施例2所涉及的尺寸测量方法。

图10是表示本发明的实施例2所涉及的尺寸测量方法1000的流程的流程图。

首先，在步骤S200中，学习部(例如，图2中示出的学习部206)确认学习数据集是否存在于数据库(例如，图2中示出的学习部206)。

在学习数据集存在的情况下，接着，在步骤S201中，学习部将学习数据集和机械学习模型从数据库传输到第1区域分割部(例如，图2中示出的第1区域分割部102)，进行机械学习模型的学习。学习过的模型的参数被送回而保存于数据库。

此外，关于这里的“机械学习模型”，以具有卷积层、脱落层等的神经网络为一例来说明，然而，本发明并不受限于此，还可以是决策树等机械学习模型。

接着，在步骤S202中，第1区域分割部将拍摄有测量对象物的输入图像从输入输出装置输入。

接着，在步骤S203中，第1区域分割部从数据库取得机械学习模型以及学习参数，并根据取得的模型以及学习参数，使用ROI检测算法，来指定输入图像中的对象区域。

这里，说明了使用模板匹配(Template Matching)作为ROI检测算法的示例，然而，本发明并不受限于此，还能够使用RPN(Region Proposal Network，区域候选网络)等深层学习模型、或者Haar-Like特征分类器等基于特征量的机械学习模型。

接着，在步骤S204中，第1区域分割部确认学习完毕模型是否存在于数据库。在学习完毕模型存在的情况下，在步骤S205中，第1区域分割部针对检测出的ROI，进行基于语义分割模型的推定。在学习完毕模型不存在于数据库的情况下，第1区域分割部不进行基于模型的推定，本处理前进到步骤S208。

接着，当在第一区域分割部进行了基于模型的推定的情况下，在步骤S206中，第2区域分割部(例如，图2中示出的第2区域分割部103)根据在步骤S204中生成的推定结果，生成包含表示输入图像中的各区域的标记的图像，作为中间图像。这里，所谓“标记”是指，在所谓的分水岭算法中，表示有确证的区域和没有确证的区域的信息。

此外，基于由第1区域分割部进行的语义分割的推定结果是按每个像素而被附带了标签的排列信息，第2区域分割部按照标签的种类数来进行标记的生成，并生成中间图像。

具体地，在标签种类数为1种的情况下，即，判断为基于语义分割模型的推定的结果在全部像素中相同的情况下，在检测出的ROI内并不存在应检测的界面，因此，本处理前进到下一步骤。

在标签种类数为2种的情况下，该图像被判定为是前景和背景分离了的图像。通过对前景和背景的区域各自地实施事先决定的区域缩小处理，在前景和背景的边界线近旁新生成边界区域，缩小了的前景和背景被定义为有确证的区域，此外新生成的边界区域被定义为没有确证的区域。

这里，作为区域缩小处理，还可以使用从各区域的最外周起缩小与10像素相应的量的算法，然而本发明并不受限于此。

接着，在步骤S207中，第2区域分割部根据在步骤S203中生成的指定了对象区域的图像、和在步骤S206中生成的中间图像，进行基于分水岭算法的区域分割。

这里，在标签种类数存在3种以上的情况下，第2区域分割部将关注的标签看作前景，并将除此以外的标签全部看作背景来处理，并实施与标签种类数为2种的情况相同的处理，直到关注的标签收罗到为止。

接着，在未进行基于模型的推定的情况下，在步骤S208中，用户通过鼠标操作等，来制作包含标记的中间图像。

接着，在步骤S209中，第2区域分割部判定在输入图像是否存在其他的指定区域。当在输入图像存在其他的指定区域的情况下，第2区域分割部针对其余的指定区域重复进行上述的处理。具体地，第2区域分割部针对各个指定区域进行表示区域的标记的生成、和区域分割，并执行直到指定区域全部被收罗到为止。

接着，在步骤S210中，将制作的区域分割图像追加到学习数据集，并适当地保存于数据库。由此，在之后的机械学习训练中，学习部能够使用更新了的学习数据集来进行语义分割模型的训练，使基于模型的推定精度改善。

当在输入图像不存在其他指定区域的情况下，本处理前进到步骤S211。

接着，在步骤S211中，尺寸测量部确认对测量对象的尺寸条件进行规定的特征点和尺寸的定义是否预先保存在了数据库中。当这些信息不在数据库的情况下，尺寸测量部前进到步骤S212，对成为检测对象的区域标签、检测范围和检测方向进行指定。

此外，尺寸测量部在指定多个部位的情况下，分别指定针对各个特征点的定义。

接着，在步骤S213中，尺寸测量部根据指定出的定义，来进行特征点检测。

接着，在步骤S214中，尺寸测量部根据得到的特征点，来进行对测量对象物的尺寸进行测量的处理，并将测量出的尺寸信息从像素单位变换成实际尺寸。

接着，参照图11，说明在本发明的实施例2所涉及的输入输出装置显示的GUI(Graphical User Interface，图形用户界面)画面。

图11是表示在本发明的实施例2所涉及的输入输出装置显示的GUI画面1100的一例的图。如图11所示那样，GUI画面1100由区域分割窗口501、尺寸定义窗口502、和执行窗口503构成。

在区域分割窗口501中，用户通过点击输入图像选择按钮504，能够选择想要在区域分割窗口501显示的图像文件。在图像窗口505显示选择出的图像。在事先登记了特定的ROI的情况下，将该ROI从数据库(例如，图2中示出的数据库105)读出，但是在未登记特定的ROI的情况下或者想要变更的情况下，用户能够通过鼠标操作在显示的图像内指定ROI，并通过点击ROI登记按钮506，来登记该ROI。

此外，用户通过点击区域指定按钮507，能够使用ROI检测算法来指定区域。将检测出的ROI508显示于图像窗口505。当检测出的ROI508不正确的情况下，用户能够通过点击ROI登记按钮506来更新ROI。此外，用户通过点击区域分割按钮509，能够使用事先选择出的语义分割模型，针对检测出的各个ROI508来实施区域分割。在未事先选择语义分割模型的情况下，或者想要变更使用的语义分割模型等的情况下，用户能够通过点击模型选择按钮510来选择模型。

此外，区域分割结果被显示于图像窗口511。在区域分割结果不充分的情况下，用户通过点击模型更新按钮512，能够对学习完毕语义分割模型进行更新，或者调整缩小量513，对在分水岭(Watershed)算法中使用的标记进行更新。

此外，在本实施例中，使用分水岭算法来作为一例，然而本发明并不受限于此，还能够替代地使用图形切割(Graph cut)算法等其他的基于亮度信息来进行区域划分的算法。在区域分割结果充分的情况下，用户通过点击数据追加按钮524，能够将区域分割图像追加到数据库105。

在尺寸定义窗口502中，用户通过点击检测对象按钮514，能够指定作为对象的区域间的界面。此外，用户通过点击检测范围按钮515，能够指定检测范围516。此外，用户通过点击检测方向按钮517，能够指定用于将检测范围516内的区域间界面中的、上下左右的哪个方向的端部定义为特征点的检测方向。此外，用户通过点击尺寸定义按钮518，能够指定如何根据基于定义而检测出的特征点来计算尺寸。此外，用户通过点击定义保存按钮519，能够将尺寸定义作为测定定义文件来保存。

在执行窗口503中，用户通过点击模型选择按钮520，能够指定学习完毕模型。此外，用户通过点击测定定义选择按钮521，能够指定测定定义文件。此外，用户通过点击图像组选择按钮522，能够指定想要进行测定的图像组。此外，用户通过点击执行按钮523，能够使用指定出的学习完毕模型和指定出的测定定义文件，针对想要进行测定的图像组内的各个图像来实施测定。之后，用户能够将该测定的结果作为测定结果输出文件，向给定的场所输出。

以上，说明了本发明的实施方式，然而本发明并不受限于上述实施方式，在不脱离本发明的要旨的范围内能够进行各种变更。

-符号说明-

100 尺寸测量装置

101 中央处理部

102 第1区域分割部

103 第2区域分割部

104 尺寸测量部

105 数据库

106 神经网络

201 输入输出装置

202 输入信息

203 处理装置

204 评价装置

205 剖面图像

401 注释窗口

402 模型学习窗口

403 尺寸定义窗口

404 执行窗口

405 图像选择按钮

406 图像窗口

407 ROI

408 图像窗口

409 图像窗口

410 图像对保存按钮

411 数据集选择按钮

412 模型选择按钮

413 模型学习按钮

414 模型选择按钮

415 检测对象按钮

416 检测范围按钮

417 检测范围

418 检测方向按钮

419 尺寸定义按钮

420 定义保存按钮

421 测定定义选择按钮

422 图像组选择按钮

423 执行按钮

501 区域分割窗口

502 尺寸定义窗口

503 执行窗口

504 输入图像选择按钮

505 图像窗口

506 ROI登记按钮

507 区域指定按钮

508 ROI

509 区域分割按钮

510 模型选择按钮

511 图像窗口

512 模型更新按钮

513 缩小量

514 检测对象按钮

515 检测范围按钮

516 检测范围

517 检测方向按钮

518 尺寸定义按钮

519 定义保存按钮

520 模型选择按钮

551 剖面SEM图像

552 剖面SEM图像

553 背景

554 掩模

555 基板

606 掩模/基板界面的宽度

607 基板最窄部的宽度

608 掩模的高度

609 沟道的深度

521 测定定义选择按钮

522 图像组选择按钮

523 执行按钮

524 数据追加按钮。