2024-700528

特許第７３９３３１３号発明「欠陥分類装置、欠陥分類方法及びプログラム」の特許異議申立事件について、次のとおり決定する。

結 論 特許第７３９３３１３号の特許請求の範囲を訂正請求書に添付された訂正特許請求の範囲のとおり、訂正後の請求項〔１～９〕、１０、１１について訂正することを認める。 特許第７３９３３１３号の請求項３～１１に係る特許を維持する。 特許第７３９３３１３号の請求項１、２に係る特許についての特許異議の申立てを却下する。

理 由 第１ 手続の経緯 特許第７３９３３１３号（以下「本件特許」という。）の請求項１～１１に係る特許についての出願は、令和２年９月２９日に出願され、令和５年１１月２８日にその特許権の設定登録がされ、同年１２月６日に特許掲載公報が発行された。 その後、令和６年６月４日に特許異議申立人秋山重夫（以下「申立人」という。）により本件特許の全請求項（請求項１～１１）に対して特許異議の申立てがされた。 さらにその後の経緯は次のとおりである。 令和６年 ８月 ５日付け 取消理由通知書 同年１０月 ２日 訂正請求書、意見書の提出（特許権者） 同年１２月１１日 意見書の提出（申立人） 第２ 訂正の適否についての判断 １ 請求の趣旨、訂正の内容 （１）請求の趣旨 令和６年１０月２日に特許権者により行われた、願書に添付した特許請求の範囲の訂正（以下「本件訂正」という。）の請求の趣旨は、特許第７３９３３１３号の特許請求の範囲を本訂正請求書に添付した訂正特許請求の範囲のとおり、訂正後の請求項１～１１について訂正することを求める、というものである。 （２）訂正の内容 本件訂正の内容（以下「訂正事項」という。）は次のとおりである。なお、下線部は訂正箇所である。 ア 訂正事項１ 特許請求の範囲の請求項１を削除する。 イ 訂正事項２ 特許請求の範囲の請求項２を削除する。 ウ 訂正事項３ 特許請求の範囲の請求項３に 「前記分類条件設定部は、前記分類条件として、前記特徴量計算部により計算された前記特徴量と前記第１の分類部による前記分類結果との両方に基づいて前記欠陥を分類するか、前記特徴量計算部により計算された前記特徴量と前記第１の分類部による前記分類結果とのうちのいずれか一方のみに基づいて前記欠陥を分類するか、を設定する、請求項２に記載の欠陥分類装置。」 と記載されているのを、 「検査対象が撮像された撮像画像から欠陥を検出する欠陥検出部と、前記欠陥検出部により検出された前記欠陥の特徴量を計算する特徴量計算部と、ディープラーニングにより学習された学習済みモデルを用いて、前記欠陥検出部により検出された前記欠陥を分類する第１の分類部と、複数のグループのうちの、前記特徴量計算部により計算された前記特徴量に前記第１の分類部による分類結果を加えた組み合わせが該当するグループに、前記欠陥検出部により検出された前記欠陥を分類する第２の分類部と、ユーザから受け付けた操作に従って、前記第２の分類部による前記欠陥の分類条件を設定する分類条件設定部と、を備え、前記第２の分類部は、前記分類条件設定部により設定された分類条件に従って、前記欠陥検出部により検出された前記欠陥を分類し、前記分類条件設定部は、前記分類条件として、前記特徴量計算部により計算された前記特徴量と前記第１の分類部による前記分類結果との両方に基づいて前記欠陥を分類するか、前記特徴量計算部により計算された前記特徴量と前記第１の分類部による前記分類結果とのうちのいずれか一方のみに基づいて前記欠陥を分類するか、を設定する、欠陥分類装置。」 に訂正する。 エ 訂正事項４ 特許請求の範囲の請求項４に 「請求項１から３のいずれか１項に記載の欠陥分類装置。」 と記載されているのを、 「請求項３に記載の欠陥分類装置。」 に訂正する。 オ 訂正事項５ 特許請求の範囲の請求項５に 「前記学習済みモデルは、前記欠陥検出部により検出された前記欠陥が、予め定められた複数の種別のそれぞれに該当する確からしさを示すスコアを出力し、前記第１の分類部は、前記欠陥検出部により検出された前記欠陥を、前記複数の種別のうちの、前記学習済みモデルから出力されたスコアが最も高い種別に分類し、前記第２の分類部は、前記複数のグループのうちの、前記特徴量計算部により計算された前記特徴量に前記第１の分類部により分類された前記種別及び該種別に該当する確からしさを示す前記スコアを加えた組み合わせが該当するグループに、前記欠陥検出部により検出された前記欠陥を分類する、請求項１から４のいずれか１項に記載の欠陥分類装置。」 と記載されているのを、 「検査対象が撮像された撮像画像から欠陥を検出する欠陥検出部と、前記欠陥検出部により検出された前記欠陥の特徴量を計算する特徴量計算部と、ディープラーニングにより学習された学習済みモデルを用いて、前記欠陥検出部により検出された前記欠陥を分類する第１の分類部と、複数のグループのうちの、前記特徴量計算部により計算された前記特徴量に前記第１の分類部による分類結果を加えた組み合わせが該当するグループに、前記欠陥検出部により検出された前記欠陥を分類する第２の分類部と、を備え、前記学習済みモデルは、前記欠陥検出部により検出された前記欠陥が、予め定められた複数の種別のそれぞれに該当する確からしさを示すスコアを出力し、前記第１の分類部は、前記欠陥検出部により検出された前記欠陥を、前記複数の種別のうちの、前記学習済みモデルから出力されたスコアが最も高い種別に分類し、前記第２の分類部は、前記複数のグループのうちの、前記特徴量計算部により計算された前記特徴量に前記第１の分類部により分類された前記種別及び該種別に該当する確からしさを示す前記スコアを加えた組み合わせが該当するグループに、前記欠陥検出部により検出された前記欠陥を分類する、欠陥分類装置。」 に訂正する。 カ 訂正事項６ 特許請求の範囲の請求項６に 「請求項１から５のいずれか１項に記載の欠陥分類装置。」 と記載されているのを、 「請求項３から５のいずれか１項に記載の欠陥分類装置。」 に訂正する。 キ 訂正事項７ 特許請求の範囲の請求項７に 「請求項１から６のいずれか１項に記載の欠陥分類装置。」 と記載されているのを、 「請求項３から６のいずれか１項に記載の欠陥分類装置。」 に訂正する。 ク 訂正事項８ 特許請求の範囲の請求項８に 「請求項１から７のいずれか１項に記載の欠陥分類装置。」 と記載されているのを、 「請求項３から７のいずれか１項に記載の欠陥分類装置。」 に訂正する。 ケ 訂正事項９ 特許請求の範囲の請求項９に 「請求項１から８のいずれか１項に記載の欠陥分類装置。」 と記載されているのを、 「請求項３から８のいずれか１項に記載の欠陥分類装置。」 に訂正する。 コ 訂正事項１０ 特許請求の範囲の請求項１０に 「複数のグループのうちの、前記特徴量計算ステップで計算された前記特徴量に前記第１の分類ステップでの分類結果を加えた組み合わせが該当するグループに、前記欠陥検出ステップで検出された前記欠陥を分類する第２の分類ステップと、を含む、欠陥分類方法。」 と記載されているのを、 「複数のグループのうちの、前記特徴量計算ステップで計算された前記特徴量に前記第１の分類ステップでの分類結果を加えた組み合わせが該当するグループに、前記欠陥検出ステップで検出された前記欠陥を分類する第２の分類ステップと、ユーザから受け付けた操作に従って、前記第２の分類ステップでの前記欠陥の分類条件を設定する分類条件設定ステップと、を含み、前記第２の分類ステップでは、前記分類条件設定ステップで設定された分類条件に従って、前記欠陥検出ステップで検出された前記欠陥を分類し、前記分類条件設定ステップでは、前記分類条件として、前記特徴量計算ステップで計算された前記特徴量と前記第１の分類ステップでの前記分類結果との両方に基づいて前記欠陥を分類するか、前記特徴量計算ステップで計算された前記特徴量と前記第１の分類ステップでの前記分類結果とのうちのいずれか一方のみに基づいて前記欠陥を分類するか、を設定する、欠陥分類方法。」 に訂正する。 サ 訂正事項１１ 特許請求の範囲の請求項１１に 「複数のグループのうちの、前記特徴量計算部により計算された前記特徴量に前記第１の分類部による分類結果を加えた組み合わせが該当するグループに、前記欠陥検出部により検出された前記欠陥を分類する第２の分類部、として機能させる、プログラム。」 と記載されているのを、 「複数のグループのうちの、前記特徴量計算部により計算された前記特徴量に前記第１の分類部による分類結果を加えた組み合わせが該当するグループに、前記欠陥検出部により検出された前記欠陥を分類する第２の分類部、ユーザから受け付けた操作に従って、前記第２の分類部による前記欠陥の分類条件を設定する分類条件設定部、として機能させ、前記第２の分類部は、前記分類条件設定部により設定された分類条件に従って、前記欠陥検出部により検出された前記欠陥を分類し、前記分類条件設定部は、前記分類条件として、前記特徴量計算部により計算された前記特徴量と前記第１の分類部による前記分類結果との両方に基づいて前記欠陥を分類するか、前記特徴量計算部により計算された前記特徴量と前記第１の分類部による前記分類結果とのうちのいずれか一方のみに基づいて前記欠陥を分類するか、を設定する、プログラム。」 に訂正する。 ２ 一群の請求項について 訂正前の請求項２～９は、それぞれ請求項１を直接的又は間接的に引用し、請求項１の訂正に連動して訂正されるものであるから、訂正前の請求項１～９に対応する訂正後の請求項１～９は、特許法第１２０条の５第４項に規定する一群の請求項である。 そして、訂正事項１～９は、一群の請求項〔１～９〕についてするものであるから、特許法第１２０条の５第４項の規定に適合する。 ３ 訂正の目的の適否、新規事項の追加の有無、特許請求の範囲の拡張・変更の存否について （１）訂正事項１について 訂正事項１は、訂正前の請求項１を削除するものであるから、特許法第１２０条の５第２項ただし書第１号に掲げる「特許請求の範囲の減縮」を目的とするものであり、特許法第１２０条の５第９項において準用する同法第１２６条第５項及び第６項の規定に適合するものである。 （２）訂正事項２について 訂正事項２は、訂正前の請求項２を削除するものであるから、特許法第１２０条の５第２項ただし書第１号に掲げる「特許請求の範囲の減縮」を目的とするものであり、特許法第１２０条の５第９項において準用する同法第１２６条第５項及び第６項の規定に適合するものである。 （３）訂正事項３について 訂正事項３は、請求項１及び２を引用する請求項３の記載を当該請求項１及び２を引用しないものに改めるものであるから、特許法第１２０条の５第２項ただし書第４号に掲げる「他の請求項の記載を引用する請求項の記載を当該他の請求項の記載を引用しないものとすること」を目的とするものであり、特許法第１２０条の５第９項において準用する同法第１２６条第５項及び第６項の規定に適合するものである。 （４）訂正事項４、６～９について 訂正事項４、６～９は、それぞれ請求項４、６～９における引用請求項から請求項１及び２を削除するものであるから、特許法第１２０条の５第２項ただし書第１号に掲げる「特許請求の範囲の減縮」を目的とするものであり、特許法第１２０条の５第９項において準用する同法第１２６条第５項及び第６項の規定に適合するものである。 （５）訂正事項５について 訂正事項５は、請求項５における引用請求項から請求項２～４を削除するとともに、請求項１を引用する請求項５の記載を当該請求項１を引用しないものに改めるものであるから、特許法第１２０条の５第２項ただし書第１号に掲げる「特許請求の範囲の減縮」及び同第４号に掲げる「他の請求項の記載を引用する請求項の記載を当該他の請求項の記載を引用しないものとすること」を目的とするものであり、特許法第１２０条の５第９項において準用する同法第１２６条第５項及び第６項の規定に適合するものである。 （６）訂正事項１０について 訂正事項１０は、訂正前の請求項１０の欠陥分類方法について「ユーザから受け付けた操作に従って、前記第２の分類ステップでの前記欠陥の分類条件を設定する分類条件設定ステップ」をさらに含むものとするとともに、前記第２の分類ステップにおける分類について「前記分類条件設定ステップで設定された分類条件に従って」行われるものとし、かつ、前記分類条件設定ステップの内容を「前記分類条件設定ステップでは、前記分類条件として、前記特徴量計算ステップで計算された前記特徴量と前記第１の分類ステップでの前記分類結果との両方に基づいて前記欠陥を分類するか、前記特徴量計算ステップで計算された前記特徴量と前記第１の分類ステップでの前記分類結果とのうちのいずれか一方のみに基づいて前記欠陥を分類するか、を設定する」と特定するものであるから、特許法第１２０条の５第２項ただし書第１号に掲げる「特許請求の範囲の減縮」を目的とするものである。 願書に添付した特許請求の範囲の請求項２には、「ユーザから受け付けた操作に従って、前記第２の分類部による前記欠陥の分類条件を設定する分類条件設定部、を更に備え、前記第２の分類部は、前記分類条件設定部により設定された分類条件に従って、前記欠陥検出部により検出された前記欠陥を分類する」と記載され、同請求項３には、「前記分類条件設定部は、前記分類条件として、前記特徴量計算部により計算された前記特徴量と前記第１の分類部による前記分類結果との両方に基づいて前記欠陥を分類するか、前記特徴量計算部により計算された前記特徴量と前記第１の分類部による前記分類結果とのうちのいずれか一方のみに基づいて前記欠陥を分類するか、を設定する、」と記載されているから、訂正事項１０は、特許法第１２０条の５第９項において準用する同法第１２６条第５項の規定に適合するものである。 訂正事項１０は、上記のとおり特許請求の範囲を減縮するものであり、実質上特許請求の範囲を拡張や変更するものではないから、特許法第１２０条の５第９項において準用する同法第１２６条第６項の規定に適合するものである。 （７）訂正事項１１について 訂正事項１１は、訂正前の請求項１１のプログラムについて、コンピュータをさらに「ユーザから受け付けた操作に従って、前記第２の分類部による前記欠陥の分類条件を設定する分類条件設定部」として機能させるものとするとともに、前記第２の分類部における分類について「前記分類条件設定部により設定された分類条件に従って」行われるものとし、かつ、前記分類条件設定部の内容を「前記分類条件設定部は、前記分類条件として、前記特徴量計算部により計算された前記特徴量と前記第１の分類部による前記分類結果との両方に基づいて前記欠陥を分類するか、前記特徴量計算部により計算された前記特徴量と前記第１の分類部による前記分類結果とのうちのいずれか一方のみに基づいて前記欠陥を分類するか、を設定する、」と特定するものであるから、特許法第１２０条の５第２項ただし書第１号に掲げる「特許請求の範囲の減縮」を目的とするものである。 願書に添付した特許請求の範囲の請求項２には、「ユーザから受け付けた操作に従って、前記第２の分類部による前記欠陥の分類条件を設定する分類条件設定部、を更に備え、前記第２の分類部は、前記分類条件設定部により設定された分類条件に従って、前記欠陥検出部により検出された前記欠陥を分類する」と記載され、同請求項３には、「前記分類条件設定部は、前記分類条件として、前記特徴量計算部により計算された前記特徴量と前記第１の分類部による前記分類結果との両方に基づいて前記欠陥を分類するか、前記特徴量計算部により計算された前記特徴量と前記第１の分類部による前記分類結果とのうちのいずれか一方のみに基づいて前記欠陥を分類するか、を設定する、」と記載されているから、訂正事項１１は、特許法第１２０条の５第９項において準用する同法第１２６条第５項の規定に適合するものである。 訂正事項１１は、上記のとおり特許請求の範囲を減縮するものであり、実質上特許請求の範囲を拡張や変更するものではないから、特許法第１２０条の５第９項において準用する同法第１２６条第６項の規定に適合するものである。 ４ 訂正の適否についてのまとめ 以上のとおり、訂正事項１～１１に係る訂正は、特許法第１２０条の５第２項ただし書第１号及び第４号に掲げる事項を目的とするものであり、かつ、同条第４項、並びに、同条第９項で準用する同法第１２６条第５項及び第６項の規定に適合するものである。 したがって、特許請求の範囲を、本件訂正請求書に添付された訂正特許請求の範囲のとおり、訂正後の請求項〔１～９〕、１０、１１について訂正することを認める。 第３ 本件訂正後の発明 本件訂正請求により訂正された請求項１～１１に係る発明（以下「本件訂正発明１」～「本件訂正発明１１」という。）は、訂正特許請求の範囲の請求項１～１１に記載された次の事項により特定されるとおりのものである。 〔本件訂正発明１〕【請求項１】（削除） 〔本件訂正発明２〕【請求項２】（削除） 〔本件訂正発明３〕【請求項３】 検査対象が撮像された撮像画像から欠陥を検出する欠陥検出部と、 前記欠陥検出部により検出された前記欠陥の特徴量を計算する特徴量計算部と、 ディープラーニングにより学習された学習済みモデルを用いて、前記欠陥検出部により検出された前記欠陥を分類する第１の分類部と、 複数のグループのうちの、前記特徴量計算部により計算された前記特徴量に前記第１の分類部による分類結果を加えた組み合わせが該当するグループに、前記欠陥検出部により検出された前記欠陥を分類する第２の分類部と、 ユーザから受け付けた操作に従って、前記第２の分類部による前記欠陥の分類条件を設定する分類条件設定部と、を備え、 前記第２の分類部は、前記分類条件設定部により設定された分類条件に従って、前記欠陥検出部により検出された前記欠陥を分類し、 前記分類条件設定部は、前記分類条件として、前記特徴量計算部により計算された前記特徴量と前記第１の分類部による前記分類結果との両方に基づいて前記欠陥を分類するか、前記特徴量計算部により計算された前記特徴量と前記第１の分類部による前記分類結果とのうちのいずれか一方のみに基づいて前記欠陥を分類するか、を設定する、 欠陥分類装置。 〔本件訂正発明４〕【請求項４】 ユーザから受け付けた操作に従って、前記学習済みモデルを設定するモデル設定部、を更に備え、 前記第１の分類部は、前記モデル設定部により設定された前記学習済みモデルを用いて、前記欠陥検出部により検出された前記欠陥を分類する、 請求項３に記載の欠陥分類装置。 〔本件訂正発明５〕【請求項５】 検査対象が撮像された撮像画像から欠陥を検出する欠陥検出部と、 前記欠陥検出部により検出された前記欠陥の特徴量を計算する特徴量計算部と、 ディープラーニングにより学習された学習済みモデルを用いて、前記欠陥検出部により検出された前記欠陥を分類する第１の分類部と、 複数のグループのうちの、前記特徴量計算部により計算された前記特徴量に前記第１の分類部による分類結果を加えた組み合わせが該当するグループに、前記欠陥検出部により検出された前記欠陥を分類する第２の分類部と、を備え、 前記学習済みモデルは、前記欠陥検出部により検出された前記欠陥が、予め定められた複数の種別のそれぞれに該当する確からしさを示すスコアを出力し、 前記第１の分類部は、前記欠陥検出部により検出された前記欠陥を、前記複数の種別のうちの、前記学習済みモデルから出力されたスコアが最も高い種別に分類し、 前記第２の分類部は、前記複数のグループのうちの、前記特徴量計算部により計算された前記特徴量に前記第１の分類部により分類された前記種別及び該種別に該当する確からしさを示す前記スコアを加えた組み合わせが該当するグループに、前記欠陥検出部により検出された前記欠陥を分類する、 欠陥分類装置。 〔本件訂正発明６〕【請求項６】 前記特徴量計算部は、前記特徴量として、前記欠陥検出部により検出された前記欠陥のサイズと面積と真円度と明るさとのうちの少なくとも１つを計算する、 請求項３から５のいずれか１項に記載の欠陥分類装置。 〔本件訂正発明７〕【請求項７】 学習用の欠陥画像と該欠陥画像に示される欠陥の種別との関係を前記ディープラーニングにより学習することにより、前記学習済みモデルを生成する学習部、を更に備え、 前記第１の分類部は、前記学習部により生成された前記学習済みモデルを用いて、前記欠陥検出部により検出された前記欠陥を分類する、 請求項３から６のいずれか１項に記載の欠陥分類装置。 〔本件訂正発明８〕【請求項８】 前記第２の分類部による分類結果に基づいて、前記欠陥検出部により検出された前記欠陥の合否を判定する合否判定部、を更に備える、 請求項３から７のいずれか１項に記載の欠陥分類装置。 〔本件訂正発明９〕【請求項９】 前記第１の分類部は、前記学習済みモデルを用いて、前記欠陥検出部により検出された前記欠陥を、予め定められた複数の種別のうちのいずれかの種別に分類し、 前記第２の分類部は、前記第１の分類部により分類された前記種別に対して設定された基準値と、前記特徴量計算部により計算された前記特徴量と、の比較により、前記欠陥検出部により検出された前記欠陥を分類する、 請求項３から８のいずれか１項に記載の欠陥分類装置。 〔本件訂正発明１０〕【請求項１０】 検査対象が撮像された撮像画像から欠陥を検出する欠陥検出ステップと、 前記欠陥検出ステップで検出された前記欠陥の特徴量を計算する特徴量計算ステップと、 ディープラーニングにより学習された学習済みモデルを用いて、前記欠陥検出ステップで検出された前記欠陥を分類する第１の分類ステップと、 複数のグループのうちの、前記特徴量計算ステップで計算された前記特徴量に前記第１の分類ステップでの分類結果を加えた組み合わせが該当するグループに、前記欠陥検出ステップで検出された前記欠陥を分類する第２の分類ステップと、 ユーザから受け付けた操作に従って、前記第２の分類ステップでの前記欠陥の分類条件を設定する分類条件設定ステップと、を含み、 前記第２の分類ステップでは、前記分類条件設定ステップで設定された分類条件に従って、前記欠陥検出ステップで検出された前記欠陥を分類し、 前記分類条件設定ステップでは、前記分類条件として、前記特徴量計算ステップで計算された前記特徴量と前記第１の分類ステップでの前記分類結果との両方に基づいて前記欠陥を分類するか、前記特徴量計算ステップで計算された前記特徴量と前記第１の分類ステップでの前記分類結果とのうちのいずれか一方のみに基づいて前記欠陥を分類するか、を設定する、 欠陥分類方法。 〔本件訂正発明１１〕【請求項１１】 コンピュータを、 検査対象が撮像された撮像画像から欠陥を検出する欠陥検出部、 前記欠陥検出部により検出された前記欠陥の特徴量を計算する特徴量計算部、 ディープラーニングにより学習された学習済みモデルを用いて、前記欠陥検出部により検出された前記欠陥を分類する第１の分類部、 複数のグループのうちの、前記特徴量計算部により計算された前記特徴量に前記第１の分類部による分類結果を加えた組み合わせが該当するグループに、前記欠陥検出部により検出された前記欠陥を分類する第２の分類部、 ユーザから受け付けた操作に従って、前記第２の分類部による前記欠陥の分類条件を設定する分類条件設定部、として機能させ、 前記第２の分類部は、前記分類条件設定部により設定された分類条件に従って、前記欠陥検出部により検出された前記欠陥を分類し、 前記分類条件設定部は、前記分類条件として、前記特徴量計算部により計算された前記特徴量と前記第１の分類部による前記分類結果との両方に基づいて前記欠陥を分類するか、前記特徴量計算部により計算された前記特徴量と前記第１の分類部による前記分類結果とのうちのいずれか一方のみに基づいて前記欠陥を分類するか、を設定する、 プログラム。 第４ 取消理由通知に記載した取消理由について 令和６年８月５日付けで特許権者に通知した取消理由の要旨は、次のとおりである。 本件訂正前の請求項１、６、７、１０、１１に係る発明（以下「本件発明１」等という。）は、甲第１号証及び甲第２号証に記載された発明であり、本件発明８、９は、甲第１号証に記載された発明である。そうすると、本件発明１、６～１１は特許法第２９条第１項第３号に該当するから、本件発明１、６～１１に係る特許は、特許法第２９条第１項の規定に違反してされたものである。 また、本件発明１、６、７、１０、１１は、甲第１号証に記載された発明（以下「甲１発明」という。）及び甲第２号証に記載された発明（以下「甲２発明」という。）に基づいて当業者が容易に発明をすることができたものであり、本件発明２は、甲２発明に基づいて当業者が容易に発明をすることができたものであり、本件発明４は、甲１発明及び甲第３号証に記載された技術（以下「甲３技術」という。）、又は甲２発明及び甲３技術に基づいて当業者が容易に発明をすることができたものであり、本件発明８、９は、甲１発明に基づいて当業者が容易に発明をすることができたものである。そうすると、本件発明１、２、４、６～１１に係る特許は、特許法第２９条第２項の規定に違反してされたものである。 〔申立人により提出された証拠〕 甲第１号証：特開２０２０－８５７７４号公報 甲第２号証：特開２０１７－５４２３９号公報 甲第３号証：特開２０１２－１８１２０９号公報 なお、特許異議申立書に記載された特許異議申立理由において、上記甲第１発明又は甲２発明に対する新規性、及び、甲１発明又は甲２発明を主発明とした場合の進歩性の他に申し立てている特許異議申立理由はない。 第５ 甲号証について １ 甲第１号証について （１）記載事項 甲第１号証には次の記載がある。なお、以降の下線は、当審において強調する箇所に付されたものである。 「【００１１】 以下、管ガラス検査方法、学習方法及び管ガラス検査装置の一実施形態を図１～図７に従って説明する。 図１に示すように、管ガラス検査装置１は、管ガラス２（図２等参照）の品質の良否を１次判定する第１検査部３と、第１検査部３で不良品と判定された管ガラス２の品質の良否を２次判定する第２検査部４とを備える。第１検査部３は、管ガラス２を撮像して得られる被検画像Ｄｈをルールベースの画像処理アルゴリズムＰで識別することにより、管ガラス２の品質の良否を判定する。第２検査部４は、第１検査部３で不良品と判定された管ガラス２を、機械学習を通じて再判定する。機械学習は、例えば深層学習（ディープラーニング）であることが好ましい。 【００１２】 第１検査部３は、管ガラス２を撮影する撮像部５と、撮像部５によって取得された撮像データＤａを画像処理する画像処理部６と、画像処理部６によって取得された被検画像Ｄｈをルールベースの画像処理アルゴリズムＰによって識別して管ガラス２の品質の良否を判定する１次判定部７とを備える。 【００１３】 図２（ａ），（ｂ）に示すように、撮像部５は、ワークである管ガラス２に光を照射するバックライト８と、バックライト８により照射された管ガラス２の画像を検出するカメラ９とを備える。カメラ９は、例えばラインセンサ１０からなる。撮像部５は、ワークである管ガラス２を管軸Ｌａ中心に回転させながら管ガラス２をラインセンサ１０によって撮像することにより、管ガラス２を展開した被検画像Ｄｈを取得する。 【００１４】 図１に戻り、１次判定部７は、被検画像Ｄｈをルールベースの画像処理アルゴリズムＰによって処理することで、管ガラス２の品質の良否を１次判定する。ルールベースの画像処理アルゴリズムＰによる良否判定は、画像上に写る被検画像Ｄｈの欠陥部分のパラメータ（例えば、欠陥の線の細さ、面積、個数、欠陥の繋がりなど）を閾値Ｒと比較する判定となっている。よって、欠陥部分のパラメータが閾値Ｒ未満となれば、管ガラス２が良品と判定され、欠陥部分のパラメータが閾値Ｒ以上となれば、管ガラス２が不良品と判定される。１次判定部７は、不良品と判定された管ガラス２の被検画像Ｄｈ、すなわち再検査被検画像Ｄｈ１を第２検査部４に出力する。 【００１５】 第２検査部４は、第１検査部３から取得した再検査被検画像Ｄｈ１（被検画像Ｄｈ）において欠陥が写っている箇所を抽出する欠陥抽出部１１と、欠陥抽出部１１によって抽出された欠陥箇所を切り出す欠陥切出部１２とを備える。第２検査部４は、欠陥切出部１２によって切り出された欠陥箇所の画像を学習モデルＭによって識別することにより欠陥を分類する２次判定部１３と、１次判定で不良と判定された管ガラス２の品質の良否を２次判定部１３の分類結果を利用して再判定する再判定部１４とを備える。 【００１６】 ２次判定部１３は、第１検査部３による検査工程で不良品と判定された管ガラス２に対し、学習モデルＭによる識別を通じて、不良品の欠陥の種類を分類する。本例の欠陥の種類は、例えば打痕、肌荒れ、カケ、キズである。本例の学習モデルＭは、不良品である管ガラス２の画像群を機械学習（本例は深層学習：ディープラーニング）することによって生成されている。 【００１７】 再判定部１４は、欠陥が分類された不良品（管ガラス２）の再検査被検画像Ｄｈ１に対し、欠陥の種類ごとに、ルールベースの画像処理アルゴリズムＰで使用する閾値Ｒを設定し、その閾値Ｒで管ガラス２の不良品の識別を行うことにより、管ガラス２の品質の良否を再検査する。本例の場合、閾値Ｒは、例えば欠陥の重要度に応じて閾値Ｒの大小が設定されている。本例の閾値Ｒは、例えば肌荒れ判定用が高く設定され、キズやカケ等の判定用が低く設定されている。 【００１８】 次に、図３～図７を用いて、本実施形態の管ガラス検査装置１の作用及び効果について説明する。 ステップ１０１において、第１検査部３の撮像部５は、管ガラス２の画像を撮像し、その撮像データＤａを、画像処理部６に出力する（撮像工程）。 【００１９】 ステップ１０２において、第１検査部３の画像処理部６は、撮像データＤａを画像処理することにより、管ガラス２の画像を管軸Ｌａ直交方向に展開した被検画像Ｄｈを取得する（撮像工程）。 【００２０】 ステップ１０３において、第１検査部３の１次判定部７は、画像処理部６によって抽出された被検画像Ｄｈを、ルールベースの画像処理アルゴリズムＰによって識別することにより、管ガラス２の品質の良否を判定する１次判定を実行する（第１検査工程）。本例の場合、１次判定部７は、ルールベースの画像処理アルゴリズムＰに則って被検画像Ｄｈを用いて閾値Ｒにより判定を実行し、管ガラス２の品質の良否を確認する。第１判定で使用する閾値Ｒは、どのような欠陥種類にも対応できるように厳しめの値に設定されている。 【００２１】 ステップ１０４において、１次判定部７は、１次判定が成立したか否かを判定する。１次判定が成立すればステップ１０５に移行し、１次判定が成立しなければステップ１０６に移行する。なお、１次判定が成立しない場合、１次判定部７は、１次判定が成立しなかった管ガラス２の被検画像Ｄｈ、すなわち再検査被検画像Ｄｈ１を第２検査部４に出力する。 【００２２】 ステップ１０５において、１次判定部７は、このときに検査した管ガラス２を「良品」と判定する。これにより、いま検査中の管ガラス２は、出荷可能な製品として搬送される。 【００２３】 ステップ１０６において、第２検査部４の欠陥抽出部１１は、第１検査部３から取得した再検査被検画像Ｄｈ１から、画像に写り込む欠陥箇所を抽出する。ステップ１０７において、第２検査部４の欠陥切出部１２は、欠陥箇所が抽出された再検査被検画像Ｄｈ１から、欠陥画像Ｄｈ１’を切り出す。再検査被検画像Ｄｈ１から欠陥画像Ｄｈ１’を切り出すことにより、欠陥箇所及びその付近の拡大画像が得られる。 【００２４】 ステップ１０８において、第２検査部４の２次判定部１３は、欠陥切出部１２から入力した欠陥画像Ｄｈ１’を学習モデルＭによって識別することにより、欠陥画像Ｄｈ１’に写る欠陥を分類する。学習モデルＭによる分類は、機械学習の一種である深層学習（ディープラーニング）である。 【００２５】 図４に、管ガラス２に生じ得る欠陥の種類を図示する。欠陥は、図４（ａ）に示す「打痕」、図４（ｂ）に示す「肌荒れ」、図４（ｃ）に示す「カケ」、図４ （ｄ）に示す「キズ」などがある。打痕は、管ガラス２の表面に形成されてしまう大きな欠損であり、１つでもあるとよくない。肌荒れは、管ガラス２の端面においてエッチングを施した加工面に生じ易い。カケは、管ガラス２の一部分が欠損した箇所であり、管ガラス２の切断面に生じ易い。キズは、管ガラス２の表面に付いた細長い溝のようなものである。２次判定部１３は、１つの管ガラス２に対し、発生している欠陥の種類と、各欠陥の個数とを判別することができる。また、これ以外の欠陥として、図示はしないが「汚れ」もある。 【００２６】 図３に戻り、ステップ１０９において、再判定部１４は、２次判定部１３による欠陥の分類結果を基に、ルールベースの画像処理アルゴリズムＰを用いて、１次判定で不良品と判定された管ガラス２の品質の良否を、再度判定する。このとき、ルールベースの画像処理アルゴリズムＰを使用した再判定を行うにあたり、欠陥種類の応じた閾値Ｒが適宜選択されて、再判定が実行される。 【００２７】 ステップ１１０において、再判定部１４は、閾値Ｒを欠陥種類に応じて設定したルールベースの画像処理アルゴリズムＰでの再判定が成立したか否かを判定する。再判定が成立した場合には、ステップ１０５に移行する。これにより、１次判定では不良品と判定された管ガラス２が、最終的には「良品」として判定される。よって、出荷しても問題ない程度の品質の管ガラス２の品質の良否判定にあたり、これまでの判定では不良品として判定されたものが、良品の判定結果を得ることができるようになる。 【００２８】 一方、再判定が成立しない場合には、ステップ１１１に移行する。これにより、管ガラス２が「不良品」と最終判定される。よって、１次判定及び２次判定の両方が成立しない大きな欠陥がある管ガラス２を、市場に出荷しないようにすることができるようになる。」 「【００４９】 なお、本実施形態は、以下のように変更して実施することができる。本実施形態及び以下の変更例は、技術的に矛盾しない範囲で互いに組み合わせて実施することができる。・・・」 「【００５１】 ・再判定の処理は、例えば１次判定部７が実施してもよい。 ・再判定は、検査員が実施に見て確認する目視を含んでもよい。 ・学習モデルＭは、深層学習（ディープラーニング）により生成されることに限定されず、種々の機械学習方式が適用可能である。」 （２）甲１発明 上記（１）から、甲第１号証には次の発明（以下、「甲１発明」という。）が記載されている。なお、各構成の末尾括弧内に、対応する記載箇所を付した。 〔甲１発明〕 管ガラス２の品質の良否を１次判定する第１検査部３と、第１検査部３で不良品と判定された管ガラス２の品質の良否を２次判定する第２検査部４とを備える管ガラス検査装置１であって、（【００１１】） 第１検査部３は、管ガラス２を撮影する撮像部５と、撮像部５によって取得された撮像データＤａを画像処理する画像処理部６と、画像処理部６によって取得された被検画像Ｄｈをルールベースの画像処理アルゴリズムＰによって識別して管ガラス２の品質の良否を判定する１次判定部７とを備え、（【００１２】） ルールベースの画像処理アルゴリズムＰによる良否判定は、画像上に写る被検画像Ｄｈの欠陥部分のパラメータ（例えば、欠陥の線の細さ、面積、個数、欠陥の繋がりなど）を閾値Ｒと比較する判定となっており、欠陥部分のパラメータが閾値Ｒ未満となれば、管ガラス２が良品と判定され、欠陥部分のパラメータが閾値Ｒ以上となれば、管ガラス２が不良品と判定されるものであり、（【００１４】） 第２検査部４は、第１検査部３から取得した再検査被検画像Ｄｈ１（被検画像Ｄｈ）において欠陥が写っている箇所を抽出する欠陥抽出部１１と、欠陥抽出部１１によって抽出された欠陥箇所を切り出す欠陥切出部１２と、欠陥切出部１２によって切り出された欠陥箇所の画像を学習モデルＭによって識別することにより欠陥を分類する２次判定部１３と、１次判定で不良と判定された管ガラス２の品質の良否を２次判定部１３の分類結果を利用して再判定する再判定部１４とを備え、（【００１５】） ２次判定部１３は、第１検査部３による検査工程で不良品と判定された管ガラス２に対し、学習モデルＭによる識別を通じて、不良品の欠陥の種類を分類するものであり、学習モデルＭは、不良品である管ガラス２の画像群を機械学習（深層学習：ディープラーニング）することによって生成されており、（【００１６】） 再判定部１４は、欠陥が分類された不良品（管ガラス２）の再検査被検画像Ｄｈ１に対し、欠陥の種類ごとに、ルールベースの画像処理アルゴリズムＰで使用する閾値Ｒを設定し、その閾値Ｒで管ガラス２の不良品の識別を行うことにより、管ガラス２の品質の良否を再検査するものであり、（【００１７】） 再判定部１４は、２次判定部１３による欠陥の分類結果を基に、ルールベースの画像処理アルゴリズムＰを用いて、１次判定で不良品と判定された管ガラス２の品質の良否を、再度判定するものである、（【００２６】） 管ガラス検査装置１。 ２ 甲第２号証について （１）記載事項 甲第２号証には次の記載がある。 「【００２０】 検査・分類装置１は、撮像装置２、欠陥検出部４１、および、コンピュータ５を備える。撮像装置２は、基板９上の検査対象領域を撮像する。欠陥検出部４１は、検査対象領域の画像データを処理しつつ欠陥を検出する。コンピュータ５は、欠陥検出部４１において欠陥が検出された場合に欠陥が属すべき欠陥クラスへと欠陥を分類する。コンピュータ５は、検査・分類装置１の全体動作の制御、および、欠陥の分類に利用される分類器の構築も行う。撮像装置２は基板９の製造ラインに組み込まれ、検査・分類装置１はいわゆるインライン型のシステムとなっている。検査・分類装置１は、欠陥検査装置に自動欠陥分類の機能を付加した装置と捉えることもできる。」 「【００２２】 欠陥検出部４１では、基板９の撮像画像と、当該撮像画像と同じ領域（正常な領域）を示す参照画像とを比較することにより差分画像（典型的には、両画像の差の絶対値を示す画像）が得られ、当該差分画像に基づいて、異常部分である欠陥が検出される。そして、欠陥部分の多値画像である欠陥画像が生成される。欠陥検出部４１では、他の手法により欠陥が検出されてよい。」 「【００２６】 コンピュータ５は、分類部３２および分類器構築部３３を有する。分類部３２および分類器構築部３３により、画像を分類する画像分類装置が実現される。分類部３２は、欠陥が検出された場合にニューラルネットワーク、決定木、判別分析等を利用して当該欠陥を自動的に分類する。分類部３２は、対象画像記憶部３２１および分類制御部３２２を有し、分類制御部３２２は、特徴量算出部３２３および複数の分類器３２４を有する。分類器構築部３３は、分類部３２における複数の分類器３２４を構築する。分類器構築部３３は、教師データ記憶部３３１および学習部３３５を有する。これらの構成が実現する機能の詳細については後述する。なお、これらの機能は専用の電気回路により構築されてもよく、部分的に専用の電気回路が利用されてもよい。」 「【００２８】 分類器３２４の構築の際には、事前準備として、欠陥検出部４１にて検出された多数の欠陥画像が、教師データ記憶部３３１に記憶される。欠陥画像は、例えば、基板上のレジストによるパターンの欠陥を示す。続いて、ユーザにより、各欠陥画像が示す欠陥に対して、複数の属性項目についての教示が行われる。ここで、欠陥の属性項目とは、欠陥の色、欠陥の種類、欠陥の存在領域、欠陥のサイズ、欠陥表面の質感等であり、欠陥の性質や特徴に関する評価項目（評価の観点）である。例えば、欠陥の色では、白または黒等の属性があり、欠陥の種類では、異物、（レジストパターンの）不良、気泡等の属性がある。また、欠陥の存在領域では、下層パターンの密集部、平坦部、エッジ部等の属性があり、欠陥のサイズでは、大、中、小等の属性がある。欠陥表面の質感では、ざらざら、滑らか等の属性がある。教示すべき複数の属性項目（以下、「設定属性項目」という。）は、入力部５６を介したユーザの入力により定められる。複数の設定属性項目は、好ましくは互いに独立しており、この場合、任意の２つの設定属性項目において、各特徴量についての高い相関性がない。設定属性項目は、予め定められていてもよい。」 「【００３２】 続いて、分類器構築部３３により、複数の設定属性項目に関する分類をそれぞれ行う複数の分類器３２４が個別に構築される（ステップＳ１２）。ここで、各分類器３２４は、当該分類器３２４に対応付けられた設定属性項目のみに着目して画像を分類するものである。各分類器３２４の構築では、教師データセット８１に含まれる画像から当該分類器３２４において利用される特徴量が特徴量算出部３２３により取得される。 【００３３】 例えば、欠陥の種類に関する分類を行う分類器３２４では、欠陥領域の面積、周囲長、重心位置等の幾何学的特徴量（ここでは、複数の特徴量の集合である特徴量ベクトル）が利用される。したがって、各教師データセット８１に含まれるマスク画像７３が示す欠陥領域に基づいて幾何学的特徴量が取得される。そして、学習部３３５が、全ての教師データセット８１における欠陥の種類の教示情報、および、当該幾何学的特徴量を用いて、上記分類器３２４を学習させることにより、欠陥の種類に関する分類を行う分類器３２４が構築される。当該分類器３２４では、後述の分類動作において、異物、不良、気泡のいずれかの分類結果を出力することが可能である。 【００３４】 また、欠陥の存在領域に関する分類を行う分類器３２４では、画像中の画素値の変化に着目した、濃度ヒストグラム、自己相関関数値、空間周波数、差分統計量、濃度共起行列、高次局所自己相関、ランレングス行列、フラクタル特徴等のテクスチャ的特徴量が利用される。具体的には、各教師データセット８１に含まれる参照画像７２の全体からテクスチャ的特徴量が取得される。そして、学習部３３５が、全ての教師データセット８１における欠陥の存在領域の教示情報、および、参照画像７２から導かれる当該テクスチャ的特徴量を用いて、上記分類器３２４を学習させることにより、欠陥の存在領域に関する分類を行う分類器３２４が構築される。当該分類器３２４では、後述の分類動作において、密集部、平坦部、エッジ部のいずれかの分類結果を出力することが可能である。 【００３５】 検査・分類装置１では、Ｋ個（Ｋは２以上の整数）の設定属性項目が設定される場合、Ｋ個の分類器３２４が構築される。各分類器３２４において利用される特徴量の種類、および、特徴量の算出領域は予め決定される。分類部３２に含まれる複数の分類器３２４の構築は、分類部３２自体の構築と捉えることができる。後述するように、欠陥画像の欠陥クラスは、複数の設定属性項目における複数の属性の組合せ（積集合）にて表される。したがって、ｋ番目（ｋは１以上Ｋ以下の整数）の分類器３２４の設定属性項目に対して、ｎｋ個（ｎｋは２以上の整数）の属性（ラベル）が定められる場合、表現可能な欠陥クラスの最大個数は、ΠＫｎｋ個となる。 【００３６】 各分類器３２４にて利用される幾何学的特徴量およびテクスチャ的特徴量は一例に過ぎず、分類器３２４の学習（および後述の分類）において、他の種類の特徴量が用いられてよい。各分類器３２４において利用される特徴量は、単一の値のみを有するもの（単一の特徴量）であってもよく、この場合に、当該分類器３２４の学習により、ｉｆ－ｔｈｅｎルールの条件（閾値）が決定されてもよい。単一の特徴量により区別可能な属性項目は限定されるため、通常は、少なくとも１つの設定属性項目に関する分類器３２４では、複数の特徴量（特徴量ベクトル）が利用される。なお、分類器３２４を構築する方法（学習アルゴリズム）または機構としては、例えば、最近傍法、決定木法、線形判別法、ニューラルネットワーク、サポートベクターマシン（ＳＶＭ）等が採用可能であり、当該方法または機構は分類器３２４（設定属性項目）毎に相違してよい。 【００３７】 図６は、分類部３２による欠陥画像の分類の流れを示す図である。既述のように、検査・分類装置１では、撮像装置２により基板９が撮像され、撮像画像が欠陥検出部４１に入力される。欠陥検出部４１では、検査対象領域の欠陥検査が行われ、欠陥が検出されると、欠陥部分の多値画像である欠陥画像が生成されて分類部３２に出力される。既述のように、欠陥検出部４１では、欠陥画像に加えて、参照画像、差分画像およびマスク画像も生成され（図５Ａおよび図５Ｂ参照）、これらの画像の集合のデータ（以下、「画像セットデータ」という。）８２が、対象画像記憶部３２１に記憶されて準備される（ステップＳ２１）。画像セットデータ８２に含まれる欠陥画像は、分類部３２における分類対象（欠陥）を示す画像であるため、以下、「対象画像」という。 【００３８】 続いて、複数の分類器３２４により、対象画像に対する複数の設定属性項目における分類結果が個別に取得される（ステップＳ２２）。各分類器３２４による分類では、当該分類器３２４の構築動作と同様に、画像セットデータ８２に含まれる画像から当該分類器３２４において利用される特徴量が特徴量算出部３２３により取得される。 【００３９】 例えば、欠陥の種類に関する分類を行う分類器３２４については、画像セットデータ８２に含まれるマスク画像が示す欠陥領域に基づいて幾何学的特徴量が取得される。そして、幾何学的特徴量が当該分類器３２４に入力されることにより、対象画像の欠陥の種類として、異物、不良、気泡のいずれかの分類結果が出力される。また、欠陥の存在領域に関する分類を行う分類器３２４については、画像セットデータ８２に含まれる参照画像（すなわち、対象画像に対応する参照画像）の全体からテクスチャ的特徴量が取得される。そして、テクスチャ的特徴量が当該分類器３２４に入力されることにより、対象画像の欠陥の存在領域として、密集部、平坦部、エッジ部のいずれかの分類結果が出力される。 【００４０】 分類制御部３２２では、分類器構築部３３により構築された全ての分類器３２４による分類結果の組合せが、対象画像の欠陥クラス（最終分類結果）として扱われる。ここでは、密集部∩異物、平坦部∩異物、エッジ部∩異物、密集部∩不良、平坦部∩不良、エッジ部∩不良、密集部∩気泡、平坦部∩気泡、および、エッジ部∩気泡の９個の欠陥クラスが存在する。以上のようにして、対象画像が、複数の設定属性項目における複数の属性の組合せにて表される（絞り込まれる）１つの欠陥クラスに分類される。検査・分類装置１では、欠陥検出部４１にて欠陥が検出される毎に上記ステップＳ２１，Ｓ２２の動作がリアルタイムにて行われ、多数の対象画像の自動分類が高速に行われる。」 （２）甲２発明 上記（１）から、甲第２号証には、次の発明（以下、「甲２発明」という。）が記載されている。なお、各構成の末尾括弧内に、対応する記載箇所を付した。 〔甲２発明〕 撮像装置２、欠陥検出部４１、および、コンピュータ５を備える検査・分類装置１であって、（【００２０】） 欠陥検出部４１では、基板９の撮像画像と、当該撮像画像と同じ領域（正常な領域）を示す参照画像とを比較することにより差分画像（典型的には、両画像の差の絶対値を示す画像）が得られ、当該差分画像に基づいて、異常部分である欠陥が検出され、（【００２２】） コンピュータ５は、分類部３２および分類器構築部３３を有し、（【００２６】） 分類部３２は、欠陥が検出された場合にニューラルネットワーク等を利用して当該欠陥を自動的に分類するものであり、（【００２６】） 分類部３２は、対象画像記憶部３２１および分類制御部３２２を有し、分類制御部３２２は、特徴量算出部３２３および複数の分類器３２４を有し、（【００２６】） 分類器３２４の構築の際には、ユーザにより、各欠陥画像が示す欠陥に対して、複数の属性項目についての教示が行われ、ここで、欠陥の属性項目とは、欠陥の色、欠陥の種類、欠陥の存在領域、欠陥のサイズ、欠陥表面の質感等であり、教示すべき複数の属性項目（以下、「設定属性項目」という。）は、入力部５６を介したユーザの入力により定められ、（【００２８】） 分類器構築部３３は、教師データ記憶部３３１および学習部３３５を有し、（【００２６】） 分類器構築部３３により、複数の設定属性項目に関する分類をそれぞれ行う複数の分類器３２４が個別に構築され、（【００３２】） 例えば、欠陥の種類に関する分類を行う分類器３２４では、欠陥領域の面積、周囲長、重心位置等の幾何学的特徴量が取得され、学習部３３５が、全ての教師データセット８１における欠陥の種類の教示情報、および、当該幾何学的特徴量を用いて、上記分類器３２４を学習させることにより、欠陥の種類に関する分類を行う分類器３２４が構築され、（【００３３】） 各分類器３２４において利用される特徴量の種類、および、特徴量の算出領域は予め決定され、欠陥画像の欠陥クラスは、複数の設定属性項目における複数の属性の組合せ（積集合）にて表され、（【００３５】） 各分類器３２４において利用される特徴量は、単一の値のみを有するもの（単一の特徴量）であってもよく、この場合に、当該分類器３２４の学習により、ｉｆ－ｔｈｅｎルールの条件（閾値）が決定されてもよく、少なくとも１つの設定属性項目に関する分類器３２４では、複数の特徴量（特徴量ベクトル）が利用され、分類器３２４を構築する方法（学習アルゴリズム）または機構としては、ニューラルネットワーク等が採用可能であり、（【００３６】） 分類部３２による欠陥画像の分類の流れは、（【００３７】） 撮像装置２により基板９が撮像され、撮像画像が欠陥検出部４１に入力され、欠陥検出部４１では、検査対象領域の欠陥検査が行われ、欠陥が検出されると、欠陥部分の多値画像である欠陥画像が生成されて分類部３２に出力され、欠陥画像等の集合のデータ（以下、「画像セットデータ」という。）８２が、対象画像記憶部３２１に記憶されて準備され、（【００３７】） 続いて、複数の分類器３２４により、対象画像（画像セットデータ８２に含まれる欠陥画像）に対する複数の設定属性項目における分類結果が個別に取得され、各分類器３２４による分類では、当該分類器３２４の構築動作と同様に、画像セットデータ８２に含まれる画像から当該分類器３２４において利用される特徴量が特徴量算出部３２３により取得され、（【００３８】、【００３７】） 分類制御部３２２では、分類器構築部３３により構築された全ての分類器３２４による分類結果の組合せが、対象画像の欠陥クラス（最終分類結果）として扱われる（【００４０】） というものである、 検査・分類装置１。 ３ 甲第３号証について （１）記載事項 甲第３号証には、次の記載がある。 「【００２６】 分類器４０２は、変換後の特徴量を入力し、予め設定された分類条件に基づいて欠陥分類を行い、欠陥クラス情報を出力する。分類器４０２としては、教示型の分類器であればなんでもよい。例えば、最近傍法、最小距離法、部分空間法、決定木法、ファジーボーティング法、フレキシブルナイブベイズ法、ニューラルネットワーク、サポートベクターマシン（ＳＶＭ）などによるものが考えられる。複数の分類器を実装しておき、選択使用可能なようにしておくとよい。分類器の種類によって学習に必要なパラメータが異なるので、それに応じた入力が可能なようにしておく。分類条件として設定するものも分類器の種類によって異なるため、対応するフォーマットを準備しておく。」 「【００７７】 次に、欠陥分類部１１０が図７に示すように複数の分類器をツリー状につなげた構成である場合の分類条件設定部１１１における動作について、図１６を用いて説明する。 【００７８】 分類の優先順位の指定は、図９に示すＧＵＩを用いて、階層的分類コードと階層別目標を設定するものとする。初めに、大分類コードに従って分類する分類器の分類条件を設定する。図７の分類器４０２ｈに相当するものである。 【００７９】 教示された特徴量データを用い、欠陥クラスを大分類コードに付け替えた上で、分類器の学習を行う。分類器選択およびパラメータ設定を網羅的あるいはランダムに行い、リーブワンアウト法で評価して、最も良い結果となるものを選ぶとよい。選択した分類器およびパラメータを用い全教示データによる学習を行い、分類条件を設定する。 【００８０】 次に、各大分類コードについて以下を実施する。注目する大分類に２個以上の中分類コードが含まれる場合、中分類コードに従って分類する分類器を最初の分類器の下につなぎ、分類条件の設定を行う。最初の分類器によって注目する大分類に分類される教示データを抽出し、欠陥クラスを中分類コードに付け替えた上で分類器の学習を行う。注目する大分類に、中分類コードが１個しか含まれない場合、含まれる欠陥クラスの数により処理が異なる。欠陥クラスが１個の場合、注目する大分類と判定されたものは、その欠陥クラスであると判定する。欠陥クラスが２個以上の場合、それらを分類する分類器を最初の分類器の下につなぎ、分類条件を設定する。最初の分類器によって注目する大分類に分類される教示データを抽出し、分類器の学習を行う。最初の分類器の下につながる分類器は最大で大分類コードの数である。 【００８１】 次に、各中分類コードについて、以下を実施する。注目する中分類に２個以上の欠陥クラスが含まれる場合、それらを分類する分類器を２段目の分類器の下につなぎ、分類条件の設定を行う。最初と２段目の分類器によって注目する中分類に分類される教示データを抽出し、分類器の学習を行う。注目する中分類に欠陥クラスが１個しか含まれない場合、注目する中分類と判定されるものはその欠陥クラスと判定する。 【００８２】 図１２に示す結果表示ウィンドウ１２０１を表示し、登録ボタン１２０６押下により、分類器の接続関係と個々の分類器の分類条件を登録して終了、終了ボタン１２０７押下により、何もしないで終了する。 【００８３】 本発明の欠陥分類方法および装置は、本実施例における装置構成に限定するものではない。 例えば、検出系１３を暗視野式あるいはＳＥＭ式とした場合にも同様の構成として、分類条件設定が可能である。また、暗視野光学系において、異なる角度から検出する検出光学系を設け、２センサまたはそれ以上で画像検出し、それぞれに欠陥検出、画像切り出し、特徴抽出して得られる特徴量データを、併せて用いて欠陥分類する構成としてもよい。２回またはそれ以上の検査を異なる光学条件で行い、検出された欠陥の座標突合せを行った上で、得られる特徴量データを併せて欠陥分類する構成としてもよい。あるいは、それぞれの検査条件で得られた特徴量データを用いて個別に分類条件を設定する構成としてもよい。 【００８４】 検査実行時には、検査条件に対応する分類条件に従って分類を行い、欠陥クラスとともにその信頼度、例えばその欠陥クラスのピュリティなど（分類条件設定時に算出しておく）の情報を付加しておき、検出された各欠陥について、複数の検査で付加された欠陥クラスの多数決あるいは信頼度重み付多数決で欠陥クラスを決定する構成とする。」 「【図７】 ［図：0001422438000001.jpg］ 」 「【図１６】 ［図：0001422438000002.jpg］ 」 第６ 当審の判断 １ 特許法第２９条第１項（新規性）について （１）甲１発明に対する新規性について （１－１）本件訂正発明３について 本件訂正発明３と甲１発明を対比する。 甲１発明の「再検査被検画像Ｄｈ１（被検画像Ｄｈ）において欠陥が写っている箇所を抽出する欠陥抽出部１１」は、本件訂正発明３の「検査対象が撮像された撮像画像から欠陥を検出する欠陥検出部」に相当する。 甲１発明の「２次判定部１３」は、上記欠陥抽出部１１によって抽出された欠陥箇所の画像を、機械学習（深層学習：ディープラーニング）によって生成された学習モデルＭによって識別することにより欠陥を分類するものであるから、本件訂正発明３の「ディープラーニングにより学習された学習済みモデルを用いて、前記欠陥検出部により検出された前記欠陥を分類する第１の分類部」に相当する。 甲１発明の「再判定部１４」は、上記２次判定部１３の分類結果を利用して「欠陥の種類ごとに、ルールベースの画像処理アルゴリズムＰで使用する閾値Ｒを設定し、その閾値Ｒで管ガラス２の不良品の識別を行う」という再判定を行うものであり、当該分類結果は、上記欠陥抽出部１１によって抽出された欠陥（本件訂正発明３の「前記欠陥検出部により検出された前記欠陥」に相当。）箇所の画像のものであるから、欠陥の種類ごとに設定される閾値Ｒを用いて行われる不良品の識別も、上記欠陥抽出部１１によって抽出された欠陥（「前記欠陥検出部により検出された前記欠陥」）を対象として行われることは明らかである。 そして、前記「再判定部１４」で用いられるルールベースの画像処理アルゴリズムＰは、画像上に写る被検画像Ｄｈの欠陥部分のパラメータ（例えば、欠陥の線の細さ、面積、個数、欠陥の繋がりなど）（本件訂正発明３の「欠陥の特徴量」に相当。）を閾値Ｒと比較するものであるから、再判定部１４には、本件訂正発明３の「前記欠陥検出部により検出された前記欠陥の特徴量を計算する特徴量計算部」に相当する構成が実質的に備わっているといえる。 甲１発明の「再判定部１４」は、２次判定部１３（第１の分類部）で分類された欠陥の種類（前記第１の分類部による分類結果）ごとに、ルールベースの画像処理アルゴリズムＰで使用する閾値Ｒを設定し、欠陥部分のパラメータ（前記特徴量計算部により計算された前記特徴量）が閾値Ｒ未満となれば、管ガラス２が良品と判定され、欠陥部分のパラメータが閾値Ｒ以上となれば、管ガラス２が不良品と判定されるものであり、欠陥の種類ごとに良品又は不良品と判定されるから、当該欠陥の種類ごとに判定される良品及び不良品は、本件訂正発明３の「複数のグループのうちの、前記特徴量計算部により計算された前記特徴量に前記第１の分類部による分類結果を加えた組み合わせが該当するグループ」に相当するといえる。そうすると、前記再判定部１４には、本件訂正発明３の「複数のグループのうちの、前記特徴量計算部により計算された前記特徴量に前記第１の分類部による分類結果を加えた組み合わせが該当するグループに、前記欠陥検出部により検出された前記欠陥を分類する第２の分類部」に相当する構成が実質的に備わっているといえる。 本件訂正発明３は、 「 ユーザから受け付けた操作に従って、前記第２の分類部による前記欠陥の分類条件を設定する分類条件設定部」「を備え、 前記第２の分類部は、前記分類条件設定部により設定された分類条件に従って、前記欠陥検出部により検出された前記欠陥を分類し、 前記分類条件設定部は、前記分類条件として、前記特徴量計算部により計算された前記特徴量と前記第１の分類部による前記分類結果との両方に基づいて前記欠陥を分類するか、前記特徴量計算部により計算された前記特徴量と前記第１の分類部による前記分類結果とのうちのいずれか一方のみに基づいて前記欠陥を分類するか、を設定する、」 との構成を備えるのに対し、甲１発明は当該構成を備えていない点（以下「相違点１」という。）で、両者は相違する。 甲１発明の「管ガラス検査装置１」は、欠陥の種類ごとに良品又は不良品と判定、すなわち分類するものであるから、本件訂正発明３の「欠陥分類装置」に相当する。 以上から、本件訂正発明３は、甲１発明との間に相違点１を有するものであるから、甲第１号証に記載された発明ではない。 （１－２）本件訂正発明４について 本件訂正発明４は、本件訂正発明３の発明特定事項を全て含む発明であり、甲１発明との間に少なくとも相違点１を有するものであるから、甲第１号証に記載された発明ではない。 （１－３）本件訂正発明５について 本件訂正発明５と甲１発明を対比する。 本件訂正発明５における 「 検査対象が撮像された撮像画像から欠陥を検出する欠陥検出部と、 前記欠陥検出部により検出された前記欠陥の特徴量を計算する特徴量計算部と、 ディープラーニングにより学習された学習済みモデルを用いて、前記欠陥検出部により検出された前記欠陥を分類する第１の分類部と、 複数のグループのうちの、前記特徴量計算部により計算された前記特徴量に前記第１の分類部による分類結果を加えた組み合わせが該当するグループに、前記欠陥検出部により検出された前記欠陥を分類する第２の分類部と、を備え、」 「 欠陥分類装置」 は、本件訂正発明３と共通の構成であり、当該構成については、上記（１－１）に示したとおり、甲１発明が備えるものである。 本件訂正発明５は、 「 前記学習済みモデルは、前記欠陥検出部により検出された前記欠陥が、予め定められた複数の種別のそれぞれに該当する確からしさを示すスコアを出力し、 前記第１の分類部は、前記欠陥検出部により検出された前記欠陥を、前記複数の種別のうちの、前記学習済みモデルから出力されたスコアが最も高い種別に分類し、 前記第２の分類部は、前記複数のグループのうちの、前記特徴量計算部により計算された前記特徴量に前記第１の分類部により分類された前記種別及び該種別に該当する確からしさを示す前記スコアを加えた組み合わせが該当するグループに、前記欠陥検出部により検出された前記欠陥を分類する」 との構成を備えるのに対し、甲１発明は当該構成を備えていない点（以下「相違点２」という。）で、両者は相違する。 以上から、本件訂正発明５は、甲１発明との間に相違点２を有するものであるから、甲第１号証に記載された発明ではない。 （１－４）本件訂正発明６～９について 本件訂正発明６～９は、本件訂正発明３の全ての発明特定事項又は本件訂正発明５の全ての発明特定事項を含む発明であり、甲１発明との間に少なくとも相違点１又は相違点２を有するものであるから、甲第１号証に記載された発明ではない。 （１－５）本件訂正発明１０、１１について 本件訂正発明１０及び１１は、本件訂正発明３をそれぞれ方法及びプログラムの発明としたものであり、上記（１－１）と同様の理由により、甲第１号証に記載された発明ではない。 （２）甲２発明に対する新規性について （２－１）本件訂正発明３について 本件訂正発明３と甲２発明を対比する。 甲２発明の「欠陥検出部４１」は、基板９の撮像画像における欠陥を検出するものであり、本件訂正発明３の「検査対象が撮像された撮像画像から欠陥を検出する欠陥検出部」に相当する。 甲２発明の「特徴量算出部３２３」は、画像セットデータ８２に含まれる欠陥画像から分類器３２４において利用される特徴量を取得するものであり、本件訂正発明３の「前記欠陥検出部により検出された前記欠陥の特徴量を計算する特徴量計算部」に相当する。 甲２発明は、複数の分類器３２４により、対象画像に対する複数の設定属性項目における分類結果が個別に取得されるものである。ここで、各分類器３２４において利用される特徴量は、単一の値のみを有するものであってもよく、この場合に、当該分類器３２４の学習により、ｉｆ－ｔｈｅｎルールの条件（閾値）が決定されてもよいとされており、また、少なくとも１つの設定属性項目に関する分類器３２４では、複数の特徴量が利用され、分類器３２４を構築する方法（学習アルゴリズム）または機構としては、ニューラルネットワーク等が採用可能であるとされている。 ニューラルネットワークの学習方法としてディープラーニングは一般的なものであるから、前記ニューラルネットワークにより構築された少なくとも１つの設定属性項目に関する分類器３２４は、本件訂正発明３の「ディープラーニングにより学習された学習済みモデルを用いて、前記欠陥検出部により検出された前記欠陥を分類する第１の分類部」に相当する。 甲２発明は、上記複数の分類器３２４が、上記ニューラルネットワークにより構築された少なくとも１つの設定属性項目に関する分類器３２４（ディープラーニングにより学習された学習済みモデルを用いて、前記欠陥検出部により検出された前記欠陥を分類する第１の分類部）、及び、上記単一の値のみを有する特徴量について閾値を条件とするｉｆ－ｔｈｅｎルールにより構築された分類器３２４を含んでもよいものであり、分類制御部３２２が、全ての分類器３２４による分類結果の組合せを、対象画像の欠陥クラス（最終分類結果）として扱うものである。 当該構成における前記対象画像の欠陥クラス（最終分類結果）は、上記「単一の値のみを有する特徴量について閾値を条件とするｉｆ－ｔｈｅｎルールにより構築された分類器３２４」により、単一の値のみを有する特徴量が閾値と比較された結果が、上記「ニューラルネットワークにより構築された少なくとも１つの設定属性項目に関する分類器３２４」（ディープラーニングにより学習された学習済みモデルを用いて、前記欠陥検出部により検出された前記欠陥を分類する第１の分類部）の分類結果と組み合わされたものであり、本件訂正発明３の「複数のグループのうちの、前記特徴量計算部により計算された前記特徴量に前記第１の分類部による分類結果を加えた組み合わせが該当するグループ」に相当する。 そうすると、甲２発明の上記「単一の値のみを有する特徴量について閾値を条件とするｉｆ－ｔｈｅｎルールにより構築された分類器３２４」及び「分類制御部３２２」は、本件訂正発明３の「複数のグループのうちの、前記特徴量計算部により計算された前記特徴量に前記第１の分類部による分類結果を加えた組み合わせが該当するグループに、前記欠陥検出部により検出された前記欠陥を分類する第２の分類部」に相当するものといえる。 本件訂正発明３は、 「ユーザから受け付けた操作に従って、前記第２の分類部による前記欠陥の分類条件を設定する分類条件設定部」「を備え、 前記第２の分類部は、前記分類条件設定部により設定された分類条件に従って、前記欠陥検出部により検出された前記欠陥を分類し、 前記分類条件設定部は、前記分類条件として、前記特徴量計算部により計算された前記特徴量と前記第１の分類部による前記分類結果との両方に基づいて前記欠陥を分類するか、前記特徴量計算部により計算された前記特徴量と前記第１の分類部による前記分類結果とのうちのいずれか一方のみに基づいて前記欠陥を分類するか、を設定する、」 との構成を備えるのに対し、甲２発明は当該構成を備えていない点（以下「相違点３」という。）で、両者は相違する。 甲２発明の「検査・分類装置１」は、欠陥を分類するものであり、本件訂正発明３の「欠陥分類装置」に相当する。 以上から、本件訂正発明３は、甲２発明との間に相違点３を有するものであるから、甲第２号証に記載された発明ではない。 （２－２）本件訂正発明４について 本件訂正発明４は、本件訂正発明３の発明特定事項を全て含む発明であり、甲２発明との間に少なくとも相違点３を有するものであるから、甲第２号証に記載された発明ではない。 （２－３）本件訂正発明５について 本件訂正発明５と甲２発明を対比する。 本件訂正発明５における 「 検査対象が撮像された撮像画像から欠陥を検出する欠陥検出部と、 前記欠陥検出部により検出された前記欠陥の特徴量を計算する特徴量計算部と、 ディープラーニングにより学習された学習済みモデルを用いて、前記欠陥検出部により検出された前記欠陥を分類する第１の分類部と、 複数のグループのうちの、前記特徴量計算部により計算された前記特徴量に前記第１の分類部による分類結果を加えた組み合わせが該当するグループに、前記欠陥検出部により検出された前記欠陥を分類する第２の分類部と、を備え、」 「 欠陥分類装置」 は、本件訂正発明３と共通の構成であり、当該構成については、上記（２－１）に示したとおり、甲２発明が備えるものである。 本件訂正発明５は、 「 前記学習済みモデルは、前記欠陥検出部により検出された前記欠陥が、予め定められた複数の種別のそれぞれに該当する確からしさを示すスコアを出力し、 前記第１の分類部は、前記欠陥検出部により検出された前記欠陥を、前記複数の種別のうちの、前記学習済みモデルから出力されたスコアが最も高い種別に分類し、 前記第２の分類部は、前記複数のグループのうちの、前記特徴量計算部により計算された前記特徴量に前記第１の分類部により分類された前記種別及び該種別に該当する確からしさを示す前記スコアを加えた組み合わせが該当するグループに、前記欠陥検出部により検出された前記欠陥を分類する」 との構成を備えるのに対し、甲２発明は当該構成を備えていない点（以下「相違点４」という。）で、両者は相違する。 以上から、本件訂正発明５は、甲２発明との間に相違点４を有するものであるから、甲第２号証に記載された発明ではない。 （２－４）本件訂正発明６～９について 本件訂正発明６～９は、本件訂正発明３の全ての発明特定事項又は本件訂正発明５の全ての発明特定事項を含む発明であり、甲２発明との間に少なくとも相違点３又は相違点４を有するものであるから、甲第２号証に記載された発明ではない。 （２－５）本件訂正発明１０、１１について 本件訂正発明１０及び１１は、本件訂正発明３をそれぞれ方法及びプログラムの発明としたものであり、上記（２－１）と同様の理由により、甲第２号証に記載された発明ではない。 ２ 特許法第２９条第２項（進歩性）について （１）甲１発明を主発明とした場合の進歩性について （１－１）本件訂正発明３について 上記相違点１について検討する。 相違点１に係る本件訂正発明３の構成（「ユーザから受け付けた操作に従って、前記第２の分類部による前記欠陥の分類条件を設定する分類条件設定部を備え、前記分類条件設定部は、前記分類条件として、前記特徴量計算部により計算された前記特徴量と前記第１の分類部による前記分類結果との両方に基づいて前記欠陥を分類するか、前記特徴量計算部により計算された前記特徴量と前記第１の分類部による前記分類結果とのうちのいずれか一方のみに基づいて前記欠陥を分類するか、を設定する」こと）は、甲第１号証～甲第３号証のいずれにも記載も示唆もされていない。 なお、申立人は、特許異議申立書及び令和６年１２月１１日付け意見書において甲第１号証の【００５１】には、「・再判定の処理は、例えば１次判定部７が実施してもよい。・再判定は、検査員が実施に見て確認する目視を含んでもよい。」との記載があり、「前記特徴量計算部により計算された前記特徴量と前記第１の分類部による前記分類結果とのうちのいずれか一方のみに基づいて前記欠陥を分類する」ことが開示されている旨主張している。 しかしながら、甲１発明の再判定部１４は、２次判定部１３（第１の分類部）による欠陥の分類結果を基に、ルールベースの画像処理アルゴリズムＰを用いて、１次判定で不良品と判定された管ガラス２の品質の良否を、再度判定するものであり、上記「・再判定の処理は、例えば１次判定部７が実施してもよい。」との記載は、再判定部１４によるルールベースの画像処理アルゴリズムＰを用いた再判定の処理を、同じくルールベースの画像処理アルゴリズムＰを用いて判定する１次判定部７が実施してもよいことを示しているにすぎず、当該再度判定する処理内容自体は甲１発明のものと同じであるから、「前記特徴量計算部により計算された前記特徴量と前記第１の分類部による前記分類結果とのうちのいずれか一方のみに基づいて前記欠陥を分類する」ことは開示されていない。 また、「・再判定は、検査員が実施に（合議体において「実際に」の誤記と認めた。）見て確認する目視を含んでもよい。」との記載は、含むという用語の意味からして、ルールベースの画像処理アルゴリズムＰを用いた再判定においてさらに目視による判定を行ってもよいと解することが相当である。 よって、申立人による上記主張は採用することができない。 以上から、本件訂正発明３は、甲１発明等に基づいて当業者が容易に発明をすることができたものではない。 （１－２）本件訂正発明４について 本件訂正発明４は、本件訂正発明３の発明特定事項を全て含む発明であるから、上記（１－１）と同様の理由により、当業者が容易に発明をすることができたものではない。 （１－３）本件訂正発明５について 上記相違点２について検討する。 甲第３号証の【００７７】、【００８４】、図７、図１６には、欠陥分類部が複数の分類器をツリー状につなげた構成である場合の分類条件設定部における動作に関し、検査実行時には、検査条件に対応する分類条件に従って分類を行い、欠陥クラスとともにその信頼度、例えばその欠陥クラスのピュリティなど（分類条件設定時に算出しておく）の情報を付加しておき、検出された各欠陥について、複数の検査で付加された欠陥クラスの多数決あるいは信頼度重み付多数決で欠陥クラスを決定する技術（以下「甲３技術」という。）が記載されている。 しかしながら、甲３技術における信頼度は、欠陥分類部において欠陥クラスを信頼度重み付多数決により決定するために用いられるものであり、甲１発明に適用し得たとしても、２次判定部１３（ディープラーニングにより学習された学習済みモデルを用いて、前記欠陥検出部により検出された前記欠陥を分類する第１の分類部）における分類結果を決定するためのスコアとして用いられるにとどまり、スコア自体で分類されないから、甲１発明の再判定部１４（複数のグループのうちの、前記特徴量計算部により計算された前記特徴量に前記第１の分類部による分類結果を加えた組み合わせが該当するグループに、前記欠陥検出部により検出された前記欠陥を分類する第２の分類部）における欠陥のグループに対応する組み合わせの要素を構成するものにはならない。 また、相違点３に係る本件訂正発明５の構成は、甲第２号証において記載も示唆もされていない。 以上から、本件訂正発明５は、甲１発明及び甲３技術等から当業者が容易に発明をすることができたものではない。 （１－４）本件訂正発明６～９について 本件訂正発明６～９は、本件訂正発明３の全ての発明特定事項又は本件訂正発明５の全ての発明特定事項を含む発明であるから、上記（１－１）又は（１－３）と同様の理由により、当業者が容易に発明をすることができたものではない。 （１－５）本件訂正発明１０、１１について 本件訂正発明１０及び１１は、本件訂正発明３をそれぞれ方法及びプログラムの発明としたものであり、上記（１－１）と同様の理由により、当業者が容易に発明をすることができたものではない。 （２）甲２発明を主発明とした場合の進歩性について （２－１）本件訂正発明３について 上記相違点３について検討する。 上記相違点３に係る本件訂正発明３の構成は、上記相違点１に係る本件訂正発明３の構成と同じであり、当該構成は上記（１－１）に示したとおり甲第１号証～甲第３号証のいずれにも記載も示唆もされていないから、本件訂正発明３は、甲２発明等に基づいて当業者が容易に発明をすることができたものではない。 （２－２）本件訂正発明４について 本件訂正発明４は、本件訂正発明３の発明特定事項を全て含む発明であるから、上記（２－１）と同様の理由により、当業者が容易に発明をすることができたものではない。 （２－３）本件訂正発明５について 上記相違点４について検討する。 甲２発明は、複数の設定属性項目（欠陥の色、欠陥の種類、欠陥の存在領域、欠陥のサイズ、欠陥表面の質感等）に関する分類をそれぞれ行う複数の分類器３２４が個別に構築されているものであり、甲３技術のように複数の分類器４０２の多数決により欠陥クラスを決定するものではないから、甲２発明において、信頼度重み付多数決に係る甲３技術を適用する動機付けはないといえる。 また、甲２発明の個別の分類器３２４における分類結果に、甲３技術の信頼度のみを単に付加し得たとしても、信頼度自体で分類されないから、甲２発明の「単一の値のみを有する特徴量について閾値を条件とするｉｆ－ｔｈｅｎルールにより構築された分類器３２４」及び「分類制御部３２２」（複数のグループのうちの、前記特徴量計算部により計算された前記特徴量に前記第１の分類部による分類結果を加えた組み合わせが該当するグループに、前記欠陥検出部により検出された前記欠陥を分類する第２の分類部）における欠陥のグループに対応する組み合わせの要素を構成するものにはならない。 また、相違点４に係る本件訂正発明５の構成は、甲第１号証において記載も示唆もされていない。 以上から、本件訂正発明５は、甲２発明及び甲３技術等から当業者が容易に発明をすることができたものではない。 （２－４）本件訂正発明６～９について 本件訂正発明６～９は、本件訂正発明３の全ての発明特定事項又は本件訂正発明５の全ての発明特定事項を含む発明であるから、上記（２－１）又は（２－３）と同様の理由により、当業者が容易に発明をすることができたものではない。 （２－５）本件訂正発明１０、１１について 本件訂正発明１０及び１１は、本件訂正発明３をそれぞれ方法及びプログラムの発明としたものであり、上記（２－１）と同様の理由により、当業者が容易に発明をすることができたものではない。 第７ むすび 上記第６のとおり、請求項３～１１に係る特許は、取消理由通知に記載した取消理由及び特許異議申立書に記載された特許異議申立理由によっては、取り消すことはできない。 また、他に請求項３～１１に係る特許を取り消すべき理由を発見しない。 上記第２のとおり、本件特許の請求項１、２に係る発明は、訂正により削除された。これにより、本件特許の請求項１、２に係る特許異議の申立ては、申立ての対象が存在しないものとなったため、特許法第１２０条の８第１項で準用する同法第１３５条の規定により却下する。 よって、結論のとおり決定する。