原 告 由田新技股份有限公司
被 告 經濟部智慧財產局
參 加 人 陳O伯
上列當事人間因發明專利舉發事件，原告不服經濟部中華民國111年7月27日經訴字第11106305370號訴願決定，提起行政訴訟，並經本院命參加人獨立參加本件訴訟，本院判決如下：
主 文
一、原處分關於「請求項1至13舉發成立，應予撤銷」部分及訴願決定均撤銷。
事實及理由
...
一、事實概要：
(一)原告前於106年12月25日以「利用深度學習的自動光學檢測方法、設備、電腦程式、電腦可讀取之記錄媒體及其深度學習系統」向被告申請發明專利，經被告編為第106145566號審查後准予專利(申請專利範圍共13項)，並公告及發給發明第I653605號專利證書(下稱系爭專利)。
(二)參加人於108年9月23日以系爭專利違反核准時專利法第22條第1項第1款及第2項規定，提起舉發，原告於同年12月13日提出系爭專利申請專利範圍更正本。案經被告審查認原告之更正符合規定，爰依該更正本審查，並認系爭專利請求項1至13違反前揭專利法第22條第2項規定，以111年3月22日(111)智專三㈡04265字第11120281190號專利舉發審定書為「108年12月13日之更正事項，准予更正」、「請求項1至13舉發成立，應予撤銷」之處分(下稱原處分)。原告不服原處分關於舉發成立部分，提起訴願，經經濟部以111年7月27日經訴字第11106305370號訴願決定(下稱訴願決定)駁回後，復向本院提起訴訟。又本院認本件訴訟結果，倘認應撤銷訴願決定及原處分，參加人之權利或法律上利益將受損害，爰裁定命參加人獨立參加本件訴訟。...
五、本院判斷：
...
(二)系爭專利技術分析：
⒈系爭專利技術內容：
系爭專利的主要目的，在於提供一種訓練方式，可以有效增加深度學習於假性缺陷的濾除率，同時減少訓練的時間、所需的樣本數以及模型的數據量。
為達到上述目的，系爭專利係提供一種利用深度學習的自動光學檢測方法，包含：提供成對影像組合，其中該成對影像組合包括至少一無瑕影像與至少一對應於該無瑕影像的瑕疵影像；提供一卷積神經網路架構，並於該卷積神經網路架構中啟動訓練模式；將複數個該成對影像組合輸入至該卷積神經網路架構，並經由反向傳播演算法調整全連結層個別的權重，以完成訓練；以及利用已訓練的該卷積神經網路架構，執行一光學檢測程序。進一步地，該卷積神經網路架構係執行以下的方法：經由複數個卷積層由輸入的該成對影像組合中篩選出特徵影像；將篩選出的該特徵影像經由線性整流單元使一部分該特徵影像上的像元輸出為0；進行池化處理將所獲得的該特徵影像進行壓縮以簡化該特徵影像；以及經由該全連結層篩選該特徵影像，以將該特徵影像依據權重比例進行分類，並將分類的結果進行正規化處理，以獲得檢測的結論(參系爭專利說明書發明內容第0003至0005段及第5圖)。
⒉系爭專利主要圖式：如附圖1所示。
⒊系爭專利申請專利範圍分析：
參加人舉發系爭專利後，原告於108年12月13日提出更正申請，經被告依108年12月13日更正本進行審查後准予更正，更正後系爭專利申請專利範圍共13個請求項，其中請求項1、9、11至13為獨立項，其餘為附屬項，內容如下：
⑴一種利用深度學習的自動光學檢測方法（1a），包含：
提供成對影像組合，其中該成對影像組合包括至少一無瑕影像與至少一對應於該無瑕影像的瑕疵影像（1b）；
提供一卷積神經網路架構，並於該卷積神經網路架構中啟動訓練模式（1c）；
將複數個該成對影像組合輸入至該卷積神經網路架構，並經由反向傳播演算法調整全連結層個別的權重，以完成訓練（1d）；
以及利用已訓練的該卷積神經網路架構，執行一光學檢測程序（1e）。
提供一卷積神經網路架構，並於該卷積神經網路架構中啟動訓練模式（1c）；
將複數個該成對影像組合輸入至該卷積神經網路架構，並經由反向傳播演算法調整全連結層個別的權重，以完成訓練（1d）；
以及利用已訓練的該卷積神經網路架構，執行一光學檢測程序（1e）。
⑵如申請專利範圍第1項所述的利用深度學習的自動光學檢測方法，其中，該成對影像組合包括至少一個標準母片影像樣本。
⑶如申請專利範圍第1項所述的利用深度學習的自動光學檢測方法，其中，係提供至少一完整的標準母片影像至該卷積神經網路架構，並經由反向傳播演算法調整全連結層的權重。
⑷如申請專利範圍第1項所述的利用深度學習的自動光學檢測方法，其中，該成對影像組合中的瑕疵影像係經由人工確認而獲得。
⑸如申請專利範圍第1項所述的利用深度學習的自動光學檢測方法，其中，該無瑕影像及該瑕疵影像係分別由檢測影像及標準母片中重疊位置所擷取而得。
⑹如申請專利範圍第5項所述的利用深度學習的自動光學檢測方法，其中，所取得的該無瑕影像及該瑕疵影像係預先經由灰階處理。
⑺如申請專利範圍第5項所述的利用深度學習的自動光學檢測方法，其中，該反向傳播演算法係包括：
將訓練影像輸入至該卷積神經網路架構，以獲得數據；將數據分成訓練集以及驗證集；依據該訓練集計算梯度，估計出前導層的誤差，並藉此更新每一神經元的權重和閾值；以及依據該驗證集估計誤差，當疊代次數或是容許誤差到達該閾值時，停止該訓練集。
⑻如申請專利範圍第5項所述的利用深度學習的自動光學檢測方法，其中，該卷積神經網路架構係執行以下的方法：經由複數個卷積層由輸入的該成對影像組合中篩選出特徵影像；將篩選出的該特徵影像經由線性整流單元使一部分該特徵影像上的像元輸出為0；進行池化處理將所獲得的該特徵影像進行壓縮以簡化該特徵影像；以及經由該全連結層篩選該特徵影像，以將該特徵影像依據權重比例進行分類，並將分類的結果進行正規化處理，以獲得檢測的結論。
⑼一種執行申請專利範圍第1項至第8項中任一項所述方法的自動光學檢測設備，更包括：一影像擷取裝置，用以擷取一待測工件之影像；以及一運算裝置，耦合至該影像擷取裝置，根據已訓練的該卷積神經網路架構，對該待測工件之影像執行該光學檢測程序。
⑽如申請專利範圍第9項所述的自動光學檢測設備，其中，該卷積神經網路架構，由輸入至輸出的順序包括：
一第一特徵提取器，具有一第一卷積群層與一用以執行空間降維的第一池化層；一第二特徵提取器，耦合至該第一特徵提取器，其中該第二特徵提取器具有一第二卷積群層與一用以執行空間降維的第二池化層；一第三特徵提取器，耦合至該第二特徵提取器，該第三特徵提取器具有一第三卷積群層與一用以執行空間降維的第三池化層；一第四特徵提取器，耦合至該第三特徵提取器，該第四特徵提取器具有一第四卷積群層與一用以執行空間降維的第四池化層；一第五特徵提取器，耦合至該第四特徵提取器，該第五特徵提取器具有一第五卷積群層與一用以執行空間降維的第五池化層；一或複數個全連結層，設置於該第五特徵提取器的輸出，依據權重比例進行分類；以及一正規化輸出層，輸出分類的結果。
⑾一種深度學習系統，其應用於如申請專利範圍第1項所述的自動光學檢測方法，包括：
一或複數個特徵提取器，該特徵提取器包括一或複數個卷積層、一或複數個線性整流單元、以及一或複數個池化層進行特徵強化及影像壓縮處理；一或複數個全連結層，依據權重比例進行分類；一正規化輸出層，輸出分類的結果；一比較模組，於取得該分類的結果後，將該分類的結果與預期輸出進行比對，判斷該分類的結果是否符合預期；以及一權重調整模組，若該分類的結果不符合預期的話，基於反向傳播演算法計算並調整全連結層的權重。
⑿一種電腦程式，用於安裝在一電腦設備上，並執行如申請專利範圍第1項至第8項中任一項所述的利用深度學習的自動光學檢測方法。
⒀一種電腦可讀取之記錄媒體，儲存有一電腦程式，該電腦程式用以安裝在一電腦設備，並執行如申請專利範圍第1項至第8項中任一項所述的利用深度學習的自動光學檢測方法。
(三)舉發證據技術分析：
⒈附表所示證據2至7之公開或公告日皆早於系爭專利申請日(106年12月25日)，皆可為系爭專利相關之先前技術。
⒉證據2技術內容：
係一種基於深度卷積神經網路的指靜脈驗證身份識別方法。其步驟為：1.採集或選取多個樣本圖像，即指靜脈近紅外圖像；其中，每一手指對應至少兩個樣本圖像；2.對於每一所述近紅外圖像，生成一指靜脈特徵範本；3.利用各所述指靜脈特徵範本訓練基於深度卷積神經網路，得到一個將同一手指的一對指靜脈特徵範本映射到一個相似度的基於深度卷積神經網路；4.利用訓練後的深度卷積神經網路計算待驗證指靜脈近紅外圖像的指靜脈特徵模板與每一樣本圖像的指靜脈特徵模板的相似度，並據相似度判斷兩者是不是同一個手指的指靜脈近紅外圖像(請求項1)。
⒊證據3技術內容：
⑴係一種光罩檢測的方法，包括：生成一個測試用光罩，其中包含多個測試圖案特徵，包括至少一個預定義的缺陷圖案特徵；使用該光罩來製造晶圓；以及確定至少一個測試圖案特徵從該光罩轉移至該晶圓(請求項1)。
證據3之圖2示意性地呈現發明的首選實施方式。虛線上方的元素涉及測試光罩和訓練引擎，而線下的元素涉及生產光罩的檢測。首先，準備一個測試光罩，最好由晶圓掃描儀155從測試光罩中獲取一對圖像，包括一個缺陷圖像100和一個無缺陷參考圖像110，並將其發送到訓練引擎130(表示為箭頭A、B)。參考圖像最好包括一個重複缺陷圖案的光罩部分，不包括該缺陷。每個圖像最好包括獲取圖像的光罩坐標，以便可以識別缺陷本身(說明書第13欄第2段，第8至21行)。
測試光罩用於曝光晶圓，然後將晶圓放置在晶圓檢查站120中。圖像100和110的坐標115被輸入到檢查站120中(箭頭G)，該站檢查每對圖像是否印刷了缺陷，檢查結果被送到訓練引擎130中(由箭頭C表示)。訓練引擎將檢查站120分析的結果儲存在記憶體140中，最好是一個神經網路。可以理解的是，可以使用不同的訓練方法，例如查找表和/或圖案匹配引擎。在發明的首選實施方式中，查找表可以是Result=“A”+“B”，其中“+”表示連接運算符。或者查找表僅包括缺陷圖像100，及是否允許的指示(說明書第13欄第3段，第22至35行)。
當記憶體140訓練充分後，便可以開始檢查生產用光罩。對於每個缺陷，提供兩張圖像，一張缺陷圖像100'和一張參考圖像110'。參考圖像可以是相鄰晶片的圖像，也可以是光罩設計資料庫中的圖像。或者它可以是設計規則所定義的表示。這些圖像被輸入到決策引擎150中，使用記憶體140來決定(F)，發現的缺陷是否會在生產晶片上印刷。除了使用兩張圖像之外，缺陷圖像也可以與原始設計的指示一起提供給引擎150(說明書第13欄第4段，第36至47行)。
⑵主要圖式：如附圖2所示。
⒋證據4技術內容：
⑴[0103]重新訓練過程可能涉及前向傳播和誤差反向傳播。例如，神經網路分析器可能通過使用修改後的卷積核集的基本卷積核來實現前向傳播以實施約束。神經網路分析器可能執行反向傳播，以便梯度下降對約束(即基本卷積核)沒有影響，同時仍然更新其他卷積核。
⑵[0089]一般而言，圖9顯示了在神經網路訓練和卷積權重確定後，識別類似卷積核的組。進一步地，可以計算一個或多個基本卷積核和縮放因子。這些縮放因子和基本卷積核可以直接用於執行神經網路，作為原始訓練神經網路的近似。另外，在重新參數化的神經網路上可以執行重新訓練。在重新訓練中，可以用基本卷積核、縮放因子和卷積權重重新定義神經網路。由於重新訓練，基本卷積核的權重和縮放因子可能會得到改進。此外，可能會改進其他網路參數，例如全連接層的權重。重新訓練的結果可能是一個與原始神經網路非常接近的神經網路。結果神經網路可能略微不那麼精確或略微更精確，但仍然可以保持使用基本卷積核和縮放因子的計算效率，而不是原始獨立卷積核。
⒌證據5技術內容：
⑴[0110]在某一實施例中，一個或多個電腦子系統被配置為將待測樣品的運行時影像或另一個樣品的影像輸入到經過訓練的神經網路中，以使該經過訓練的神經網路確定運行時影像的倒轉特徵，該倒轉特徵是經過光學糾正的運行時影像的特徵。該一個或多個電腦子系統被配置用於對檢測到的運行時影像或經過光學糾正的運行時影像進行缺陷分類，並且基於經過光學糾正的運行時影像進行分類。例如，運行時影像可以是樣品或其他樣品的光學影像，而經過光學糾正的運行時影像可以包括該樣品或其他樣品的更高分辨率影像，例如可以由電子束成像子系統生成的影像和/或用於該樣品或其他樣品的設計數據或設計信息的影像。
⑵[0025]「設計」、「設計數據」和「設計信息」這些詞在此文件中互換使用，通常指集成電路的物理設計(佈局)和通過複雜模擬或簡單的幾何和布林運算獲得的數據。此外，由晶片版檢測系統獲得的晶片版圖像及其衍生物可用作設計的「代理」。在使用設計的任何描述中，此類晶片版圖像或其衍生物可作為設計佈局的替代品。該設計可能包括在共同擁有的美國專利7,570,796和7,676,077中描述的任何其他設計數據或設計數據代理，兩者均於此引用，就像完全在此設定一樣。此外，設計數據可以是標準單元庫數據、集成佈局數據、一個或多個層的設計數據、設計數據的衍生物以及全面或部分的晶片設計數據。
⑶[0085]在另一個實施例中，正向物理模型被實現或近似為一個額外的神經網路。例如，正向物理模型可以通過深度學習神經層來實現，這確實可以形成一個神經網路，並像原始模型一樣執行精確的數學計算。由於原始模型的數學是可微分的，其神經網路實現允許在訓練期間應用反向傳播。通過這種方式，將正向物理模型實現為神經網路意味著通過神經網路精確實現物理模型的數學。然而，在無法實現精確實現或模型不直接可微分的情況下，正向物理模型可以近似為神經網路。
⑷[0079]上述的神經網路每一層可能有一個或多個參數，例如權重W和偏差B，其值可以通過訓練神經網路來確定，該訓練可以按照進一步說明的方式進行。例如，可以通過最小化成本函數來確定神經網路中包含的任何層的權重和偏差。成本函數可能會因圖像所進行的轉換而異。
⒍證據6技術內容：
每一層的核都是用隨機高斯值初始化。我們使用了一個批量大小為100的隨機梯度下降算法(Duda等人，西元2012年)進行訓練。批量大小決定了在使用隨機梯度下降算法計算反向傳播誤差之前進行單次前向傳遞的樣本數。最佳學習率是一個基於0.01的步長函數。訓練進行了30個時期，每個時期都對網路進行驗證以跟踪學習性能。三個二元分類模型的學習曲線如圖5所示(第8頁左邊欄位第7至18行)。
⒎證據7技術內容：
係一種基於多工學習的場景與目標識別的方法，其特徵是該方法包括如下步驟：
步驟S1：採集包含不同場景、目標的圖片為圖像樣本資料；
步驟S2：對圖像樣本資料進行手動標籤標記，得到目標類別標籤及場景類別標籤；
步驟S3：構建多層卷積神經網路模型，進行網路初始化；
步驟S4：採用圖像樣本資料及對應的目標類別標籤，對構建好的模型進行預訓練，直至收斂，得到目標識別模型；
步驟S5：基於多工學習技術，在目標識別模型的特定層加入網路分支，並隨機初始化，得到多工網路；
步驟S6：採用圖像樣本資料及對應的場景類別標籤、目標類別標籤，對多工網路進行再訓練，直至收斂，得到多工學習模型；
步驟S7：輸入新的圖像資料至多工學習模型，得到圖像的場景及目標識別的分類結果(請求項1)。
(四)證據2、3之結合不足以證明系爭專利請求項1至10、12、13不具進步性：
⒈系爭專利請求項1之技術特徵，並未被證據2或證據3全部揭露：
⑴證據2說明書第[0039]段揭示使用基於深度卷積神經網路的方法計算特徵範本和已註冊人對應手指的特徵範本的相似度，並據相似度判斷兩者是不是同一個手指。
又依其請求項1第4步驟，揭示利用訓練後的深度卷積神經網路計算待驗證指靜脈近紅外圖像的指靜脈特徵模板與每一樣本圖像的指靜脈特徵模板的相似度，並據相似度判斷兩者是不是同一個手指的指靜脈近紅外圖像。
可知證據2係利用一卷積神經網路做資料之訓練及以訓練後卷積神經網路計算後續之資料（指靜脈特徵模板的相似度），此相當於卷積神經網路之訓練模式，雖有揭示系爭專利請求項1之「提供一卷積神經網路架構，並於該卷積神經網路架構中啟動訓練模式（1c）」及「利用已訓練的該卷積神經網路架構，執行一光學檢測程序（1e）」之技術特徵，惟未揭示請求項1之「提供成對影像組合，其中該成對影像組合包括至少一無瑕影像與至少一對應於該無瑕影像的瑕疵影像（1b）」、「將複數個該成對影像組合輸入至該卷積神經網路架構，並經由反向傳播演算法調整全連結層個別的權重，以完成訓練（1d）」之技術特徵。
⑵依證據3說明書第13欄第13至16行及圖2揭示由晶圓掃描儀155從測試光罩中獲取一對圖像，包括一個缺陷圖像100和一個無缺陷參考圖像110，並將其發送到訓練引擎130(表示為箭頭A、B)，雖有揭示「缺陷圖像」和「無缺陷參考圖像」，惟未明確揭示缺陷圖像和無缺陷參考圖像為「成對影像」且具有對應關係，即未揭示請求項1界定「提供成對影像組合，其中該成對影像組合包括至少一無瑕影像與至少一對應於該無瑕影像的瑕疵影像（1b）」技術特徵。
又依證據3說明書第13欄第27至29行原文「Training engine stores the results of the analysis of station 120 in a memory 140, preferably a neural network.」其中文翻譯為：「訓練引擎將檢查站120分析的結果儲存在記憶體140中，最好是一個神經網路」。其中句末所指「神經網路」係指記憶體140，而非指該訓練引擎（Training engine）為神經網路，且由證據3上述段落之下方即證據3第13欄第36行起，原文為「Once memory 140 is sufficiently trained, inspection of production reticle scan commence.」翻成中文為：「當記憶體140訓練充分後，便可以開始檢查生產用光罩」，可知證據3此部分揭示神經網路係記憶體140，而非指該訓練引擎，故證據3並未揭示訓練引擎為神經網路。
⑶再觀證據3說明書第13欄第13至45行，關於證據3圖2之對應文字解說，其中圖2中間之虛線上方涉及測試光罩和訓練引擎，虛線下方涉及生產光罩的檢測(第13欄第10至12行)，故證據3在測試訓練與檢測係用兩個不同之引擎。
又依說明書第23至29行揭示圖像100和110的坐標115被輸入到檢查站120中(箭頭G)，該站檢查每對圖像是否印刷了缺陷，檢查結果被送到訓練引擎130中(由箭頭C表示)。訓練引擎將檢查站120分析的結果儲存在記憶體140中，最好是一個神經網路。
由此可知，證據3揭示係需要待檢測圖像之座標，並以檢查站對每對圖像是否印刷了缺陷做檢查，而訓練引擎並無做檢查之動作。故訓練引擎僅為將檢查站分析的結果儲存在記憶體中，而證據3又揭示此一記憶體最好是一神經網路(同前說明，證據3揭示之「最好是一神經網路」係指記憶體，而非訓練引擎)。
故證據3揭示之訓練引擎，其實際上揭示之執行功能僅為將檢查站分析的結果儲存在記憶體中，非關對每對圖像是否印刷了缺陷做檢查，亦無關神經網路，更非卷積神經網路架構，是此部分揭示訓練引擎之訓練，僅有字面上「訓練」意義，而無揭示關於神經網路相關之功能，亦非關於卷積神經網路架構，亦即證據3既未揭示「成對影像組合」，更未揭示將該成對影像組合(證據3未揭示為成對且具對應關係)輸入至該卷積神經網路架構，故證據3並未揭示系爭專利請求項1界定「提供成對影像組合，其中該成對影像組合包括至少一無瑕影像與至少一對應於該無瑕影像的瑕疵影像（1b）」之技術特徵，亦無從揭示含有「成對影像組合」要件之請求項1之「將複數個該成對影像組合輸入至該卷積神經網路架構，並經由反向傳播演算法調整全連結層個別的權重，以完成訓練（1d）」技術特徵。
⑷從而，證據3仍未揭示證據2與系爭專利請求項1界定之差異技術特徵（1b）、（1d），故證據2、證據3均未揭示系爭專利請求項1所界定之全部技術特徵，且縱予結合亦無從揭示系爭專利請求項1所界定之全部技術特徵。故證據2、3之結合不足以證明系爭專利請求項1不具進步性。
⒉就被告及參加人之辯駁：
⑴被告雖稱：證據2說明書第0058段已揭示由同一手指的兩個特徵模板所組成的兩個模板影像（即成對影像）、第0084段揭示通過反向傳播來更新權值矩陣、第0057段揭示卷積神經網路架構第25至26層即FC全連結層，故已對應揭示系爭專利請求項1之「將複數個該成對影像組合輸入至該卷積神經網路架構，並經由反向傳播演算法調整全連結層個別的權重，以完成訓練（1d）」技術特徵。又參加人雖稱：證據2中「兩個樣本圖像」相當於系爭專利的「成對影像組合」，已教示「據相似度判斷兩者是不是同一個手指的指靜脈近紅外圖像」，故就不相似的一對指靜脈特徵範本而言，以其一為「無瑕影像」特例，另一即為「瑕疵影像」特例。因此證據2已揭露請求項1要件lb「提供成對影像組合，其中成對影像組合包括至少一無瑕影像與至少一對應於該無瑕影像的瑕疵影像」的下位概念等等。惟查：
①依原處分第6頁第(五)之1之(1)點第6行起及第7頁第2之(1)點第6行起(本院卷第42至43頁)已自承：系爭專利請求項1與證據2之差異為證據2所述同一手指的兩個特徵模板(模板對)並未揭示「提供成對影像組合，其中該成對影像組合包括至少一無瑕影像與至少一對應於該無瑕影像的瑕疵影像」之技術特徵，故不足以證明系爭專利請求項1不具新穎性；及雖然證據2有提到「一對指靜脈特徵模板」，但此模板對缺乏揭露在瑕疵性質上或位置上的對應關係，無法合理推知證據2已揭示成對影像組合其中包含「瑕疵影像」與「無瑕影像」的成對概念，其非所屬技術領域中具有通常知識者依據證據2之技術内容即能輕易完成者，故證據2不足以證明系爭專利請求項1不具進步性。
②被告既已在原處分內自承證據2並未揭示「提供成對影像組合，其中該成對影像組合包括至少一無瑕影像與至少一對應於該無瑕影像的瑕疵影像（lb）」技術特徵，且被告亦自認證據2並未顯示無瑕影像與瑕疵影像之組合，而系爭專利請求項1界定之「將複數個該成對影像組合輸入至該卷積神經網路架構，並經由反向傳播演算法調整全連結層個別的權重，以完成訓練（1d）」技術特徵中，包括「成對影像組合」此一技術特徵，而「成對影像組合」係依循先前界定之技術特徵「提供成對影像組合，其中該成對影像組合包括至少一無瑕影像與至少一對應於該無瑕影像的瑕疵影像（1b）」，明確指出「該成對影像組合包括至少一無瑕影像與至少一對應於該無瑕影像的瑕疵影像」，故「成對影像組合」之解釋應為「該成對影像組合包括至少一無瑕影像與至少一對應於該無瑕影像的瑕疵影像」，而非僅為「成對影像組合」，故證據2並未揭示系爭專利請求項1界定之「將複數個該成對影像組合輸入至該卷積神經網路架構，並經由反向傳播演算法調整全連結層個別的權重，以完成訓練（1d）」技術特徵。
再參以證據2僅揭示每一手指對應至少兩個樣本圖像，該兩個樣本圖像或範本對既為同一手指產出，理應為相同之圖像，而非含有至少一無瑕影像與至少一對應於該無瑕影像的瑕疵影像，即其所揭示「兩個樣本圖像」或「兩個模板」或未必會是「成對影像組合」，因此證據2至多僅揭示至少兩個或「一對」概念，而非「成對組合」概念，故被告及參加人前開所為答辯並不足採。
⑵參加人雖以：證據3之說明書第13欄第13至16行及圖2揭示包括「缺陷圖像100(defect image)」及「無缺陷參考圖像110」的一對圖像，通過晶圓掃瞄器自測試光罩採集而送入訓練引擎130。第13欄第37至39行亦揭露對於每個缺陷，都會提供兩個圖像，即缺陷圖像和參考圖像。故證據3完全揭露請求項1要件lb之「提供成對影像組合，其中該成對影像組合包括至少一無瑕影像與至少一對應於該無瑕影像的瑕疵影像」及1d之「該成對影像組合」技術特徵，又證據3揭露之「成對影像組合」係作為深度學習之輸入影像，與證據2並無差別，所屬技術領域中具有通常知識者可輕易將證據2、3之「成對影像組合」等效置換，且「neural network」係指代「用於存儲神經網路參數之記憶體」，而為「memory 140」的較佳實施型態，證據3已揭露「訓練引擎是神經網路、將分析結果儲存在記憶體中」云云。然查：
①如前揭㈣、⑵點所述，證據3僅揭示缺陷圖像和無缺陷參考圖像，並未明確揭示缺陷圖像和無缺陷參考圖像為成對影像且具有對應關係，故證據3並未揭示系爭專利請求項1界定之「提供成對影像組合，其中該成對影像組合包括至少一無瑕影像與至少一對應於該無瑕影像的瑕疵影像（lb）」技術特徵，亦未揭示「將複數個該成對影像組合輸入至該卷積神經網路架構，並經由反向傳播演算法調整全連結層個別的權重，以完成訓練（1d）」技術特徵。
②又依證據3圖3（異議卷1第48頁背面）及相對應之文字說明（第6欄最後1行至次欄第12行），中文翻譯為：「圖3展示了一個測試光罩/晶片基板300，其中包含了設計特徵和測試缺陷。例如，設計特徵310是一條90度彎曲的導體線，設計特徵320（未顯示）是不同大小的接觸孔，設計特徵330是各種厚度的孤立線，而設計特徵340是各種厚度的線條群組。同樣地，設計特徵350是各種光刻補償特徵。另一方面，測試缺陷315是缺失的圖案，測試缺陷325是多餘的圖案，測試缺陷335是破損的不同大小的接觸點，而測試缺陷345則可能是孤立的多餘圖案或模擬的異物，例如塵埃粒子或針孔」可知，證據3係揭示或描述設計特徵310、320、330、340、350和其他測試缺陷315、325、335、345等之本身形狀，並未明確揭示設計特徵和測試缺陷之間有任何成對之對應關係，即未揭露請求項1之「成對影像組合」。
③再者，證據2係一種基於深度卷積神經網路的指靜脈驗證身份識別方法，透過卷積神經網路處理指靜脈圖像來判斷待驗證之指靜脈圖像相似度；證據3則係一種光罩檢測的方法，所揭示之訓練引擎，實際上執行功能僅為將檢查站分析的結果儲存在記憶體中，並非對每對圖像是否印刷了缺陷做檢查，無關神經網路，更非卷積神經網路架構。參以證據2並無記載或暗示可將證據3之缺陷圖像和無缺陷參考圖像當做證據2卷積神經網路系統之輸入，證據3亦無記載或暗示可將證據2之卷積神經網路系統取代證據3之訓練引擎，證據2、3並未記載或實質隱含可結合另一證據之技術內容的教示或建議，所屬技術領域中具有通常知識者自無輕易將參加人所稱證據3之「成對影像組合」（即缺陷圖像和參考圖像）與證據2為等效置換之可能，故參加人前揭所述，尚不足採。
⑶被告另稱：證據3所述訓練神經網路，實際上是訓練引擎與記憶體元件進行協同運作的結果，並指出證據3說明書第10欄第25至32行記載，認證據3所述神經網路應由訓練引擎執行訓練神經網路的演算法並結合記憶體用以儲存結果資料云云。
惟查，此與原處分原先關於訓練引擎之認定不同(參原處分第9頁第C點第7至8行記載「另證據3之說明書第13欄第27至29行揭示訓練引擎最好是神經網路，其將分析結果儲存在記憶體140中」(本院卷一第45頁）；況被告此次所提證據3第10欄揭示內容，僅為證據3關於其界定神經網路之特定實施例而能由該技術領域人員任意實施，未必與證據3說明書第13欄第27至29行及第36行起界定之神經網路相關。再由前揭㈣、⑶點關於訓練引擎之說明可知，證據3該部分揭示之神經網路係記憶體140，而非指該訓練引擎，證據3揭示之訓練引擎，實際上揭示之執行功能僅為將檢查站分析的結果儲存在記憶體中，非關對每對圖像是否印刷了缺陷做檢查，亦無關神經網路，更非卷積神經網路架構，即證據3所揭示訓練引擎之訓練，僅有字面上意義，而無揭示關於神經網路相關之功能，亦非關於卷積神經網路架構，故被告所辯仍不足採。
⒊系爭專利請求項2至8係請求項1之直接或間接附屬項、系爭專利請求項9係引用請求項1至8任一項所述方法的自動光學檢測設備之引用記載形式請求項、系爭專利請求項10係請求項9之附屬項，及系爭專利請求項12、13係引用請求項1至8任一項所述方法的電腦程式、電腦可讀取之記錄媒體之引用記載形式請求項，以上請求項皆包含請求項1之全部技術特徵。由於證據2、3之結合既不足以證明系爭專利請求項1不具進步性，故證據2、3之結合自亦不足以證明系爭專利請求項2至10、12、13不具進步性。
(五)證據2、3、4之結合不足以證明系爭專利請求項1至13不具進步性：
⒈證據2、3之結合不足以證明系爭專利請求項1不具進步性之理由，已如前述。又證據4雖揭示關於卷積神經網路之重新訓練過程可能涉及前向傳播和誤差反向傳播(參說明書0103段)、全連接層的權重可能會改進(參說明書0089段)。然因證據4仍未揭示系爭專利請求項1之「提供成對影像組合，其中該成對影像組合包括至少一無瑕影像與至少一對應於該無瑕影像的瑕疵影像（1b）」、「將複數個該成對影像組合輸入至該卷積神經網路架構，並經由反向傳播演算法調整全連結層個別的權重，以完成訓練（1d）」技術特徵，故證據2、3、4之結合仍不足以證明系爭專利請求項1不具進步性。
⒉系爭專利請求項2至13，如前所述，均係包含請求項1全部技術特徵之附屬項或引用記載形式之請求項，因證據2、3、4之結合既不足以證明系爭專利請求項1不具進步性，是證據2、3、4之結合自亦不足以證明系爭專利請求項2至13不具進步性。
(六)證據2、3、5之結合或證據2、3、4、5之結合均不足以證明系爭專利請求項3、9、10、12、13不具進步性：
⒈證據2、3之結合不足以證明系爭專利請求項1不具進步性之理由，已如前述。又證據5雖揭示關於運行時影像可以是樣品或其他樣品的光學影像(參說明書0110段)、其神經網路實現允許在訓練期間應用反向傳播(參說明書0085段)及可以通過最小化成本函數來確定神經網路中包含的任何層的權重和偏差(參說明書0079段)。惟證據5仍未揭示系爭專利請求項1之「提供成對影像組合，其中該成對影像組合包括至少一無瑕影像與至少一對應於該無瑕影像的瑕疵影像（1b）」、「將複數個該成對影像組合輸入至該卷積神經網路架構，並經由反向傳播演算法調整全連結層個別的權重，以完成訓練（1d）」技術特徵，故證據2、3、5之結合仍不足以證明系爭專利請求項1不具進步性。又證據2、3、4之結合不足以證明系爭專利請求項1不具進步性之理由，已如前述，故證據2、3、4、5之結合仍不足以證明系爭專利請求項1不具進步性。
⒉系爭專利請求項3、9、10、12、13，均係包含請求項1全部技術特徵之附屬項或引用記載形式之請求項。因證據2、3、5或證據2、3、4、5之結合既均不足以證明系爭專利請求項1不具進步性，故證據2、3、5或證據2、3、4、5之結合均亦不足以證明系爭專利請求項3、9、10、12、13不具進步性。
(七)證據2、3、6之結合或證據2、3、4、6之結合不足以證明系爭專利請求項7不具進步性：
⒈證據2、3之結合不足以證明系爭專利請求項1不具進步性之理由，已如前述。又證據6雖揭示關於訓練進行了30個時期，每個時期都對網路進行驗證以跟踪學習性能(見說明書第8頁左邊欄位第14至16行)，惟仍未揭示系爭專利請求項1之「提供成對影像組合，其中該成對影像組合包括至少一無瑕影像與至少一對應於該無瑕影像的瑕疵影像（1b）」、「將複數個該成對影像組合輸入至該卷積神經網路架構，並經由反向傳播演算法調整全連結層個別的權重，以完成訓練（1d）」技術特徵，故證據2、3、6之結合仍不足以證明系爭專利請求項1不具進步性。又證據2、3、4之結合不足以證明系爭專利請求項1不具進步性之理由，已如前述，故證據2、3、4、6之結合仍不足以證明系爭專利請求項1不具進步性。
⒉系爭專利請求項7係包含請求項1全部技術特徵之附屬項。因證據2、3、6或證據2、3、4、6之結合既不足以證明系爭專利請求項1不具進步性，故證據2、3、6或證據2、3、4、6之結合自亦不足以證明系爭專利請求項7不具進步性。
(八)證據2、3、7之結合或證據2、3、4、7之結合不足以證明系爭專利請求項8、9、10、12、13不具進步性：
⒈證據2、3之結合不足以證明系爭專利請求項1不具進步性之理由，已如前述。又證據7雖揭示關於卷積層、採用ReLU激活函數、最大池化法(說明書0025至0047段)，惟證據7仍未揭示系爭專利請求項1之「提供成對影像組合，其中該成對影像組合包括至少一無瑕影像與至少一對應於該無瑕影像的瑕疵影像（1b）」、「將複數個該成對影像組合輸入至該卷積神經網路架構，並經由反向傳播演算法調整全連結層個別的權重，以完成訓練（1d）」技術特徵，故證據2、3、7之結合仍不足以證明系爭專利請求項1不具進步性。又證據2、3、4之結合不足以證明系爭專利請求項1不具進步性之理由，已如前述，故證據2、3、4、7之結合仍不足以證明系爭專利請求項1不具進步性。
⒉系爭專利請求項8、9、10、12、13係包含請求項1全部技術特徵之附屬項或引用記載形式之請求項。因證據2、3、7或證據2、3、4、7之結合既不足以證明系爭專利請求項1不具進步性，故證據2、3、7或證據2、3、4、7之結合自亦不足以證明系爭專利請求項8、9、10、12、13不具進步性。
(九)證據2、3、4、7之結合不足以證明系爭專利請求項11不具進步性：
證據2、3、4、7之結合不足以證明系爭專利請求項1不具進步性之理由，已如前述。因系爭專利請求項11係包含請求項1全部技術特徵之引用記載形式請求項。又證據2、3、4、7之結合既不足以證明系爭專利請求項1不具進步性，故證據2、3、4、7之結合自亦不足以證明系爭專利請求項11不具進步性。
六、綜上所述，本件系爭專利請求項1至13並無核准時專利法第22條第2項不符發明專利要件之事由，被告就系爭專利所為「請求項1至13舉發成立，應予撤銷」之原處分，應有違誤，訴願決定予以維持，亦有未合。從而，原告訴請撤銷原處分關於「請求項1至13舉發成立」部分及訴願決定，為有理由，應予准許。
七、本件判決基礎已經明確，當事人其餘攻擊防禦方法及訴訟資料經本院斟酌後，核與判決結果不生影響，並無一一論述的必要。
智慧財產第一庭
審判長法 官 蔡惠如
法 官 陳端宜
法 官 吳俊龍
沒有留言:
張貼留言