CN111742214A - 基板检查装置及丝网印刷机的缺陷类型确定方法 - Google Patents

基板检查装置及丝网印刷机的缺陷类型确定方法 Download PDF

Info

Publication number
CN111742214A
CN111742214A CN202080000896.7A CN202080000896A CN111742214A CN 111742214 A CN111742214 A CN 111742214A CN 202080000896 A CN202080000896 A CN 202080000896A CN 111742214 A CN111742214 A CN 111742214A
Authority
CN
China
Prior art keywords
defect
defect types
solder pastes
image
images
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202080000896.7A
Other languages
English (en)
Other versions
CN111742214B (zh
Inventor
金钟焕
朴珠延
黄礼媛
朴珍万
李升济
崔太民
刘容浩
李德永
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Gaoying Technology Co ltd
Korea Advanced Institute of Science and Technology KAIST
Original Assignee
Gaoying Technology Co ltd
Korea Advanced Institute of Science and Technology KAIST
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Gaoying Technology Co ltd, Korea Advanced Institute of Science and Technology KAIST filed Critical Gaoying Technology Co ltd
Publication of CN111742214A publication Critical patent/CN111742214A/zh
Application granted granted Critical
Publication of CN111742214B publication Critical patent/CN111742214B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8806—Specially adapted optical and illumination features
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • G01N21/9501—Semiconductor wafers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2431—Multiple classes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • H—ELECTRICITY
    • H05—ELECTRIC TECHNIQUES NOT OTHERWISE PROVIDED FOR
    • H05K—PRINTED CIRCUITS; CASINGS OR CONSTRUCTIONAL DETAILS OF ELECTRIC APPARATUS; MANUFACTURE OF ASSEMBLAGES OF ELECTRICAL COMPONENTS
    • H05K13/00—Apparatus or processes specially adapted for manufacturing or adjusting assemblages of electric components
    • H05K13/08—Monitoring manufacture of assemblages
    • H05K13/081—Integration of optical monitoring devices in assembly lines; Processes using optical monitoring devices specially adapted for controlling devices or machines in assembly lines
    • H05K13/0817—Monitoring of soldering processes
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B11/00—Measuring arrangements characterised by the use of optical techniques
    • G01B11/24—Measuring arrangements characterised by the use of optical techniques for measuring contours or curvatures
    • G01B11/25—Measuring arrangements characterised by the use of optical techniques for measuring contours or curvatures by projecting a pattern, e.g. one or more lines, moiré fringes on the object
    • G01B11/2513—Measuring arrangements characterised by the use of optical techniques for measuring contours or curvatures by projecting a pattern, e.g. one or more lines, moiré fringes on the object with several lines being projected in more than one direction, e.g. grids, patterns
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • G01N21/956—Inspecting patterns on the surface of objects
    • G01N2021/95638—Inspecting patterns on the surface of objects for PCB's
    • G01N2021/95646—Soldering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30144—Printing quality
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30152—Solder
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30164—Workpiece; Machine component
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30168—Image quality inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/06—Recognition of objects for industrial automation
    • H—ELECTRICITY
    • H05—ELECTRIC TECHNIQUES NOT OTHERWISE PROVIDED FOR
    • H05K—PRINTED CIRCUITS; CASINGS OR CONSTRUCTIONAL DETAILS OF ELECTRIC APPARATUS; MANUFACTURE OF ASSEMBLAGES OF ELECTRICAL COMPONENTS
    • H05K2203/00—Indexing scheme relating to apparatus or processes for manufacturing printed circuits covered by H05K3/00
    • H05K2203/16—Inspection; Monitoring; Aligning

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Immunology (AREA)
  • Biochemistry (AREA)
  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Quality & Reliability (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Signal Processing (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Manufacturing & Machinery (AREA)
  • Operations Research (AREA)
  • Electric Connection Of Electric Components To Printed Circuits (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

本发明公开了一种基板检查装置。所述基板检查装置，可以利用对第一基板的图像，生成显示感知到异常的多个第二焊锡膏的至少一个图像，将生成的至少一个图像适用于机器学习基础模型，从机器学习基础模型，获得显示丝网印刷机的多个第一缺陷类型的各自和至少一个图像之间的关联性的多个第一值及显示多个第一缺陷类型中的一个缺陷类型关联的区域的多个第一图像，利用获得的多个第一值及多个第一图像，确定与多个第二焊锡膏关联的多个第二缺陷类型，并确定与多个第二缺陷类型的各自关联的至少一个第三焊锡膏。

Description

基板检查装置及丝网印刷机的缺陷类型确定方法
技术领域
本发明涉及一种基板检查装置，更具体地，涉及用于确定利用于基板的印刷的丝网印刷机的缺陷类型的基板检查装置。
背景技术
在安装在电子装置的基板上印刷焊锡膏的工程是通过丝网印刷机执行的，且丝网印刷机(screen printer)在基板上印刷焊锡膏的工艺如下。丝网印刷机在用于固定基板的桌面上放置基板，以将漏板放置在对应于漏板的开口的基板的垫片上的方式排列在基板上。此后，丝网印刷机利用刮墨刀(squeegee)通过漏板的开口将焊锡膏印刷在基板上。此后，丝网印刷机分离漏板和基板。
印刷在基板的焊锡膏的形象可以通过SPI(solder paste inspection)技术来检查。SPI技术是，通过光学技术获得印刷在基板上的焊锡膏的二维或者三维影像，并检查从获得的影像印刷在基板的焊锡膏的形象的技术。
发明内容
要解决的技术问题
本发明提供一种基板检查装置，所述基板检查装置可以利用机器学习基础模型来确定与焊锡膏的异常(anomaly)关联的丝网印刷机的缺陷(fault)类型及与丝网印刷机的缺陷关联的基板上的位置的基板检查装置。
本发明提供一种方法，所述方法，在基板检查装置上，利用机器学习基础模型确定与焊锡膏的异常关联的丝网印刷机的缺陷类型及与丝网印刷机的缺陷关联的基板上的位置。
解决问题的手段
根据本发明的不同实施例，检查基板的装置，包括：存储器，所述存储器存储有机器学习基础模型，所述机器学习基础模型导出多个值，所述多个值表示丝网印刷机的多个第一缺陷类型的各自和显示感知到异常的多个焊锡膏的图像之间的关联性，且所述机器学习基础模型利用所述显示感知到异常的多个焊锡膏的图像，以生成显示与所述多个第一缺陷类型中的一个缺陷类型关联的区域的多个图像的方式进行学习；及处理器，所述处理器与所述存储器电气连接；所述处理器，基于对第一基板的图像，在感知到印刷在所述第一基板上的多个第一焊锡膏中的多个第二焊锡膏的异常时，利用对所述第一基板的图像，生成显示所述多个第二焊锡膏的至少一个图像，将生成的所述至少一个图像适用到所述机器学习基础模型，从所述机器学习基础模型，获得表示所述多个第一缺陷类型的各自和所述至少一个图像之间的关联性的多个第一值及显示与所述多个第一缺陷类型中的一个缺陷类型关联的区域的多个第一图像，基于所述获得的多个第一值，确定在所述多个第一缺陷类型中与所述多个第二焊锡膏关联的多个第二缺陷类型，基于在所述多个第一图像中与所述多个第二缺陷类型对应的多个第二图像，确定在所述多个第二焊锡膏中与所述多个第二缺陷类型各自关联的至少一个第三焊锡膏。
在一实施例中，所述处理器，可以利用通过对所述第一基板的图像获得的对多个第一焊锡膏的测量信息，感知所述多个第一焊锡膏中的多个第二焊锡膏的异常。
在一实施例中，所述测量信息，可以包括：对焊锡膏的体积、面积，高度形状或位置中的至少一个。
在一实施例中，所述丝网印刷机的多个第一缺陷类型，可以包括：刮墨刀缺陷、刮墨刀固定缺陷、支架缺陷、台缺陷、根据网格锁设定不良的缺陷、由搁置焊锡膏和焊锡膏的浆料不良引起的缺陷、由焊锡膏不足引起的缺陷、由漏板接触不良引起的缺陷，由漏板的瑕疵引起的缺陷及由基板的弯曲引起的缺陷中的至少一个。
在一实施例中，所述机器学习基础模型，可以通过根据所述多个第一缺陷类型分类的显示感知到异常的多个焊锡膏的多个图像，导出表示所述多个第一缺陷类型的各自和所述显示感知到异常的多个焊锡膏的图像之间的关联性的多个值，以生成显示与所述多个第一缺陷类型中的一个缺陷类型关联的区域的多个图像的方式进行学习。
在一实施例中，所述处理器，可以从所述机器学习基础模型，获得表示所述多个第一缺陷类型的各自的临界值的临界值信息，通过比较由所述临界值信息确认的所述多个第一类型的各自的临界值和获得的所述多个第一值，确定所述多个第二焊锡膏关联的多个第二缺陷类型。
在一实施例中，所述机器学习基础模型，可以通过表示所述多个第一缺陷类型的各自和所述显示感知到异常的多个焊锡膏的图像之间的关联性的多个值来调整设定于所述多个第一缺陷类型的各自的临界值，学习所述临界值信息。
在一实施例中，由所述机器学习基础模型生成的多个图像的各自显示的区域可以是与相互不同的缺陷类型关联的区域。
在一实施例中，所述处理器，可以基于所述多个第二图像，确认与多个第二缺陷类型关联的区域，基于与所述多个第二缺陷类型关联的区域和通过对所述第一基板的图像确认的所述多个第二焊锡膏的各自位置，确定与所述多个第二缺陷类型的各自关联的至少一个第三焊锡膏。
在一实施例中，所述处理器，确定所述多个第二缺陷类型后，可以通过生成的所述至少一个图像使得所述机器学习基础模型进行学习。
根据本公开的不同的实施例，在基板检查装置上确定丝网印刷机的缺陷类型的方法，可以包括：基于对第一基板的图像，在感知到印刷在所述第一基板上的多个第一焊锡膏中的多个第二焊锡膏的异常时，利用对所述第一基板的图像，生成显示所述多个第二焊锡膏的至少一个图像的步骤；将生成的所述至少一个图像适用到所述机器学习基础模型的步骤；从所述机器学习基础模型，获得表示所述多个第一缺陷类型的各自和所述至少一个图像之间的关联性的多个第一值及显示与所述多个第一缺陷类型中的一个缺陷类型关联的区域的多个第一图像的步骤；基于获得的所述多个第一值，确定在所述多个第一缺陷类型中与所述多个第二焊锡膏关联的多个第二缺陷类型的步骤；及基于在所述多个第一图像中与所述多个第二缺陷类型对应的多个第二图像，确定在所述多个第二焊锡膏中与所述多个第二缺陷类型各自关联的至少一个第三焊锡膏，所述机器学习基础模型，导出多个值，所述多个值表示丝网印刷机的多个第一缺陷类型的各自和显示感知到异常的多个焊锡膏的图像之间的关联性，利用所述显示感知到异常的多个焊锡膏的图像，以生成显示与所述多个第一缺陷类型中的一个缺陷类型关联的区域的多个图像的方式进行学习。
在一实施例中，所述方法，还可以包括：利用通过对所述第一基板的图像获得的对多个第一焊锡膏的测量信息，感知所述多个第一焊锡膏中的多个第二焊锡膏的异常的步骤。
在一实施例中，所述测量信息，可以包括：对焊锡膏的体积、面积、高度形状或位置中的至少一个。
在一实施例中，所述丝网印刷机的多个第一缺陷类型，可以包括：刮墨刀缺陷、刮墨刀固定缺陷、支架缺陷、台缺陷、根据网格锁设定不良的缺陷、由搁置焊锡膏和焊锡膏的浆料不良引起的缺陷、由焊锡膏不足引起的缺陷、由漏板接触不良引起的缺陷、由漏板的瑕疵引起的缺陷及由基板的弯曲引起的缺陷中的至少一个。
在一实施例中，所述机器学习基础模型，通过根据所述多个第一缺陷类型分类的显示感知到异常的多个焊锡膏的多个图像，导出表示所述多个第一缺陷类型的各自和所述显示感知到异常的多个焊锡膏的图像之间的关联性的多个值，以生成显示与所述多个第一缺陷类型中的一个缺陷类型关联的区域的多个图像的方式进行学习。
在一实施例中，确定与所述多个第二焊锡膏关联的多个第二缺陷类型的步骤可以包括：从所述机器学习基础模型，获得表示所述多个第一缺陷类型的各自的临界值的临界值信息的步骤；及通过比较由所述临界值信息确认的所述多个第一类型的各自的临界值和获得的所述多个第一值，确定所述多个第二焊锡膏关联的多个第二缺陷类型的步骤。
在一实施例中，所述机器学习基础模型，可以通过表示所述多个第一缺陷类型的各自和所述显示感知到异常的多个焊锡膏的图像之间的关联性的多个值来调整设定于所述多个第一缺陷类型的各自的临界值，学习所述临界值信息。
在一实施例中，由所述机器学习基础模型生成的多个图像的各自显示的区域可以是与相互不同的缺陷类型关联的区域。
在一实施例中，确定与所述多个第二缺陷类型的各自关联的至少一个第三焊锡膏的步骤可以包括：基于所述多个第二图像，确认与多个第二缺陷类型关联的区域的步骤；及基于与所述多个第二缺陷类型关联的区域和通过对所述第一基板的图像确认的所述多个第二焊锡膏的各自位置，确定与所述多个第二缺陷类型的各自关联的至少一个第三焊锡膏的步骤。
在一实施例中，所述方法，还可以包括：确定所述多个第二缺陷类型后，通过生成的所述至少一个图像使得所述机器学习基础模型进行学习的步骤。
发明的效果
根据本发明的各种实施例的基板检查装置，能够从印刷在基板的多个焊锡膏中，利用显示感知到异常的多个焊锡膏的至少一个图像，在丝网印刷机的至少一个缺陷类型中，确定与感知到异常的多个焊锡膏关联的丝网印刷机的缺陷类型。并且，基板检查装置能够确定与丝网印刷机的缺陷关联的基板上的位置。由此，能够迅速掌握并校正引起焊锡膏的异常的丝网印刷机的缺陷类型及与丝网印刷机的缺陷关联的基板上的位置。
附图说明
图1是根据本发明的各种实施例的基板检查装置的框图。
图2是确定与根据本发明的各种实施例的感知到异常的焊锡膏关联的丝网印刷机的缺陷类型及丝网印刷机的缺陷关联的基板上的位置的方法的流程图。
图3是感知根据本发明的各种实施例的印刷在基板上的多个焊锡膏的异常的方法的流程图
图4a及图4b示出表示根据本发明的各种实施例的感知到异常的多个第二焊锡膏的图像。
图5是用于说明根据本发明的各种实施例的机器学习基础模型的学习方法的图。
图6示出从根据本发明的各种实施例的机器学习基础模型生成的多个图像。
图7是确定与根据本发明的各种实施例的感知到异常的多个第二焊锡膏相关的多个第二缺陷类型的方法的流程图。
图8是确定与根据本发明的各种实施例的多个第二缺陷类型的各自关联的至少一个焊锡膏的方法的流程图。
图9示出从根据本发明的各种实施例的机器学习基础模型生成的多个图像。
具体实施方式
本发明的实施例是为了说明本发明的技术思想而示例的。根据本发明的权利要求范围不限定于下述的实施例或对这些实施例的具体说明。
就本发明中使用的所有技术用语及科学用语而言，如果没有被特别的定义，则具有本发明所属技术领域的技术人员通常理解的定义。本发明使用的所有用语是为了更加明确说明本发明而选择的，并不是为了限定根据本发明的权利要求范围。
就本发明中使用的诸如“包括”、“具备”、“具有”等表达而言，在包括该表达的语句或文章中没有被特别言及，则应理解为内含其他实施例的可能性的开放性用语(open-ended terms)。
在本发明中所述的单数型表达，如没有其他言及，则可以包括复数型表达，这同样适用于权利要求书中记载的单数型表达。
本发明中使用的“第一”、“第二”等表达是为了相互区分多个构成要素而使用的，并不是限定该构成要素的顺序或重要度的。
本发明中使用的“基于～”等表达，用于说明在包括该表达的语句或文章中说明的对确定、判断的行为或动作引起影响的一个以上的因素，该表达不排除对确定、判断的行为或动作影响的额外的因素。
本发明中，言及到某构成要素“连接到”或“衔接到”其他构成要素时，应理解为所述某构成要素直接连接或衔接所述其他构成要素，或以新的其他构成要素作为媒介来连接或衔接。
以下，参照附图，说明本发明的实施例。在附图中，对相同或对应的构成要素赋予了相同的附图标记。并且，在以下实施例的说明中，可以省略对相同或对应的构成要素进行重复说明。但是，即使省略了对构成要素的说明，并不意味着该构成要素不包括在某实施例中。
并且，在附图所示的流程图中按顺序说明了进程步骤、方法步骤、运算法则等，但这些进程、方法及运算法则等可以以任意适合的顺序启动的方式构成。换句话说，在本发明中的多样的实施例中说明的进程、方法及运算法则的步骤无需以本发明中说明的顺序执行。并且，即使一些步骤以不同时执行的方式说明，在其他实施例中这些部分步骤可以同实执行。并且，根据附图的描述的进程的示例并不意味着示例的进程排除对所述进程的变化及修改，且不意味着示例的进程或者其步骤中的任意一项对于本发明的各种实施例中的一个以上的实施例是必需的，且不意味着示例的进程是优选的。
图1是根据本发明的各种实施例的基板检查装置的框图。
根据本发明的各种实施例，基板检查装置100可以包括照明部105、图像传感器110、存储器120及处理器130。并且，基板检查装置100还可以包括用于输出通过处理器130处理的结果的显示器140、用于将其他输出装置(未图示)或者处理结果传送到其他电子装置的通信电路(未图示)。照明部105、图像传感器110、存储器120、处理器130及显示器140可以电气连接而发送和接收信号。
照明部105可以由至少一个构成，从而在为了检查部件的安装状态而移动到预先设定的位置的基板上照射图案光。例如，图案光可以是为了测量对基板的三维形象而照射的，具有一定周期的图案的光。照明部105可以照射条纹的亮度具有正弦波形态的图案光，反复光亮部分和昏暗部分而显示的开-关(on-off)形态的图案光或者亮度变化为三角形波形的三角波图案光等。但这只是说明的目的，而并不限定于此，照明部105可以照射包括亮度以一定周期反复变化的多样的形态的图案的光。
并且，照明部105可以在基板上照射第一波长的光、第二波长的光及第三波长的光。例如，照明部可以按顺序照射第一波长的光、第二波长的光及第三波长的光中的一个光或同时照射至少两个光。
在一实施例中，图像传感器110可以接收从基板及安装在基板的部件垂直反射的图案光、一波长的光、第二波长的光及第三波长的光中的至少一个光。图像传感器110可以利用接收的图案光、第一波长的光、第二波长的光及第三波长的光中的至少一个而生成对基板的图像及三维形象。
如此，图像传感器110可以通过丝网印刷机101获得对印刷了多个焊锡膏的基板图像。通过图像传感器110获得的图像可以是对基板的二维或者三维图像。例如，图像传感器110可以包括至少一个CCD(Charge Coupled Device，电荷耦合器件)相机、CMOS(Complementary Metal Oxide Semiconductor，互补金属氧化物半导体)相机等。但这只是说明的目的，而并不限定于此，不同的图像传感器可以利用为图像传感器110。
在一实施例中，通过图像传感器110获得的对基板的图像，可以利用于测量对印刷在基板的多个焊锡膏的信息。例如，处理器130可以利用对基板的图像，测量包括对印刷在基板的多个焊锡膏的体积、面积、高度、形象或者位置中的至少一个的信息。但这只是说明的目的，而并不限定于此，通过对基板的图像，可以测量可以显示多个焊锡膏的特性的多样的信息。以下，“测量信息”可以定义为针对利用对基板的图像来特定的多个焊锡膏的信息。
在一实施例中，存储器120可以储存与基板检查装置100的至少一个其他构成要素有关系的命令或数据。并且，存储器120可以储存软件及/或程序。例如，存储器120可以包括内置存储器或者外置存储器。内置存储器，可以包括挥发性存储器(例：DRAM(动态随机存取存储器)、SRAM(静态随机存储器)或者SDRAM(同步动态随机存取记忆体)等)、非挥发性存储器(例：闪速存储器、硬盘驱动器、或固态硬盘驱动器(SSD))中的至少一个。外置存储器可以通过不同的接口与基板检查装置100功能性或者物理性连接。
在一实施例中，存储器120可以储存使得处理器130运行的命令。例如，存储器120可以储存使得处理器130控制基板检查装置100的其他构成要素，并储存使得与外部电子装置或者服务器联动的命令。处理器130可以基于储存在存储器120的命令，控制基板检查装置100的其他构成要素，并与外部电子装置或者服务器联动。以下，以基板检查装置100的各个构成要素为主体说明基板检查装置100的运行。并且，在存储器120可以储存使得执行根据其他构成要素的工作的命令。
在一实施例中，存储器120可以储存机器学习基础模型。机器学习基础模型可以导出表示丝网印刷机101的多个第一缺陷类型的各自和显示感知到异常的多个焊锡膏的图像之间的关联性的多个值。例如，多个第一缺陷类型的数量为5个时，机器学习基础模型可以导出表示多个第一缺陷类型的各自与显示感知到异常的多个焊锡膏的图像之间的关联性的5个值。
在一实施例中，表示多个第一缺陷类型和显示印刷在基板上的多个焊锡膏的异常与否的图像之间的关联性的多个值可以是概率值。例如，通过从机器学习基础模型导出的多个值可以确认，显示感知到异常的多个焊锡膏的图像与丝网印刷机101的第一缺陷类型的关联性为a％，与丝网印刷机101的第二缺陷类型的关联性为b％。但这只是说明的目的，而并不限定于此。可以利用表示关联性的多样的值。如此，从机器学习基础模型导出的多个值可以利用于确定在丝网印刷机101的多个第一缺陷类型中与感知到异常的多个焊锡膏关联的多个第二缺陷类型。
并且，机器学习基础模型利用显示感知到异常的多个焊锡膏的图像，可以以生成显示与多个第一缺陷类型中的一个缺陷类型关联的区域的多个图像的方式学习。例如，多个第一缺陷类型的数量为5个时，机器学习基础模型可以生成显示与多个第一缺陷类型的各自关联的区域的5个图像。如此，通过机器学习基础模型生成的多个图像的各自显示的区域可以是与多个第一缺陷类型中相互不同的缺陷类型关联的区域。例如，多个图像中A图像显示的区域可以是与多个第一缺陷类型中A缺陷类型关联的区域，B图像显示的区域可以是与B缺陷类型关联的区域。在机器学习基础模型中生成的多个图像可以为了确定与丝网印刷机101的缺陷关联的基板上的位置而被利用。
在一实施例中，机器学习基础模型(machine-learning based model)，可以包括CNN(Convolution Neural Network，卷积神经网络)及FFNN(Feed Forward NeuralNetwork，反向传输神经网络)。并且，机器学习基础模型可以储存在与基板检查装置100有线或者无线联动的电子装置(例：外部服务器等)的存储器中。此时，基板检查装置100可以与有线或者无线联动的电子装置发送和接收用于确定与感知到异常的至少一个焊锡膏关联的缺陷类型及与丝网印刷机101的缺陷关联的基板上的位置的信息。
在一实施例中，丝网印刷机101的多个第一缺陷类型可以是在丝网印刷机101可能发生的多样的缺陷类型中，可以引起印刷在基板上的焊锡膏的异常的缺陷类型。例如，丝网印刷机101的多个第一缺陷类型可以包括丝网印刷机101的刮墨刀缺陷；刮墨刀固定缺陷(例：用于固定刮墨刀的螺丝固定的缺陷等)；丝网印刷机101的支架缺陷；丝网印刷机101的台缺陷(table defect)；通过支架使用网格锁(grid lock)时根据网格锁设定不良的缺陷；由丝网印刷机101供给的焊锡膏的状态，例如，由搁置焊锡膏、焊锡膏的浆料(paste)不良引起的缺陷，由丝网印刷机101供给的焊锡膏的不足引起的缺陷及由漏板接触不良引起的缺陷；由丝网印刷机101的漏板的瑕疵引起的缺陷；由向丝网印刷机101供给的基板的弯曲引起的缺陷中的至少一个。但这只是说明的目的，而并不限定于此，可以引起印刷在基板上的焊锡膏的异常的丝网印刷机101的多样的缺陷类型可以包括在丝网印刷机101的多个第一缺陷类型中。
在一实施例中，处理器130可以驱动操作系统或者应用程序，从而控制基板检查装置100的至少一个构成要素，且执行各种数据处理及计算。例如，处理器130可以包括中央处理装置等，可以由SoC(Systemon Chip，片上系统)体现。
在一实施例中，显示器140可以包括，例如，液晶显示器(LCD)、发光二极管(LED)显示器、有机发光二极管(OLED)显示器等。显示器340，例如可以给用户显示各种内容(例：文本、图像、影像、图标及/或符号等)。显示器340，可以包括触摸屏，例如，可以接收利用电子笔或者用户身体的一部分的触摸、手势、接近或悬停输入等。
在一实施例中，处理器130可以通过图像传感器110获得对第一基板的图像。处理器130可以基于对第一基板的图像，感知印刷在第一基板上的多个第一焊锡膏是否发生异常。对于处理器130感知多个第一焊锡膏是否发生异常的具体方法后续会进行说明。
处理器130若多个第一焊锡膏中感知到多个第二焊锡膏的异常，则可以利用对第一基板的图像，生成显示感知到异常的多个第二焊锡膏的至少一个图像。通过处理器130生成的至少一个图像可以是与利用于机器学习基础模型的学习的图像相同形式的图像。即，机器学习基础模型也可以通过区分感知到异常的焊锡膏和没有感知到异常的焊锡膏的图像来学习。对于机器学习基础模型通过图像学习的具体过程后续会进行说明。
在一实施例中，在通过处理器130生成的至少一个图像中可以区分感知到异常的多个第二焊锡膏和多个第一焊锡膏中没有感知到异常的多个第三焊锡膏。例如，在至少一个图像中多个第二焊锡膏和多个第三焊锡膏可以以不同的颜色显示，或只显示多个第二焊锡膏，而不显示多个第三焊锡膏。但这只是说明的目的，而并不限定于此。在生成至少一个图像的过程中可以利用用于区分多个第二焊锡膏和多个第三焊锡膏的不同的方法。
并且，在至少一个图像中，多个第二焊锡膏可以区分发生过焊异常的多个第四焊锡膏和发生少焊异常的多个第五焊锡膏来显示。例如，多个第四焊锡膏和多个第五焊锡膏可以在一个图像中区分显示，或分别生成只显示多个第四焊锡膏的图像和只显示多个第五焊锡膏的图像。
在一实施例中，处理器130可以将生成的至少一个图像适用于机器学习基础模型。机器学习基础模型可以利用至少一个图像，导出显示多个第一缺陷类型的各自和至少一个图像之间的关联性的多个第一值，生成显示与多个第一缺陷类型中的一个缺陷类型关联的区域的多个第一图像。处理器130可以从机器学习基础模型获得多个第一值及多个第一图像。
在一实施例中，处理器130基于从机器学习基础模型获得的多个第一值，可以确定在多个第一缺陷类型中与感知到异常的多个第二焊锡膏关联的多个第二缺陷类型。例如，处理器130可以通过比较多个第一值与对多个第一缺陷类型的各自预先设定的临界值，确定多个第二缺陷类型。作为其他例，处理器130可以从机器学习基础模型获得显示多个第一缺陷类型各自的临界值的临界值信息，并将比较由获得的临界值信息确认的多个第一类型的各自的临界值和多个第一值，从而确定多个第二缺陷类型。对于确定多个第二缺陷类型的具体方法后续会进行说明。
在一实施例中，处理器130可以确定从机器学习基础模型获得的多个第一图像中对应于多个第二缺陷类型的多个第二图像。如上所述，由于通过机器学习基础模型生成的多个第一图像显示与多个第一缺陷类型的各自关联的区域，因而处理器130在多个第一图像中，可以确定对应于多个第二缺陷类型的多个第二图像。处理器130可以基于多个第二图像，在感知到异常的多个第二焊锡膏中，确定与多个第二缺陷类型的各自关联的至少一个焊锡膏。例如，在多个第二缺陷类型为A缺陷类型及B缺陷类型时，处理器130可以确定多个第二焊锡膏中与A缺陷类型关联的至少一个焊锡膏及与B缺陷类型关联的至少一个焊锡膏。
处理器130可以将对多个第二缺陷类型的信息及与多个第二缺陷类型的各自关联的至少一个焊锡膏的位置信息通过显示器140来显示。由此，用户可以确认多个第二焊锡膏的异常是基于丝网印刷机的哪种缺陷类型发生的，并可以简单地确认多个第二焊锡膏各自与丝网印刷机的哪种缺陷类型关联。
在一实施例中，处理器130确定与感知到异常的多个第二焊锡膏关联的丝网印刷机101的缺陷类型后，通过由处理器130生成的至少一个图像使得机器学习基础模型学习。如此，处理器130每当在执行对基板的检查时，使得机器学习基础模型学习，从而可以更加正确地确定与感知到异常的焊锡膏关联的丝网印刷机101的缺陷类型。
在一实施例中，基板检查装置100可以只包括存储器120及处理器130，此时，基板检查装置100为了确定缺陷类型等，从外部电子装置接收对第一基板的图像。
图2是确定与根据本发明的各种实施例的感知到异常的焊锡膏关联的丝网印刷机的缺陷类型及与丝网印刷机的缺陷关联的基板上的位置的方法的流程图。
在210步骤中，基板检查装置100的处理器130可以基于对第一基板的图像，在印刷在第一基板上的多个第一焊锡膏中感知到多个第二焊锡膏的异常，则利用对第一基板的图像，生成显示多个第二焊锡膏的至少一个图像。例如，处理器130可以通过图像传感器110获得对第一基板的图像，利用获得的图像，进一步获得对多个第一焊锡膏的测量信息。处理器130可以利用获得的测量信息，检查对多个第一焊锡膏各自的异常发生与否。
处理器130基于对第一基板的图像，可以生成显示感知到异常的多个第二焊锡膏的至少一个图像。通过处理器130生成的至少一个图像为与无区分地表示印刷在第一基板上的多个第一焊锡膏的第一基板的图像区分的图像，可以是区分感知到异常的多个第二焊锡膏和多个第一焊锡膏中没有感知到异常的多个第三焊锡膏的图像。并且，至少一个图像可以是与利用于机器学习基础模型的学习的图像相同的形式的图像。即，机器学习基础模型也可以通过区分感知到异常的焊锡膏和没有感知到异常的焊锡膏的图像而进行学习。
在220步骤中，处理器130可以在储存于存储器120的机器学习基础模型中适用在210步骤中生成的至少一个图像。机器学习基础模型可以利用至少一个图像，导出多个第一缺陷类型的各自和至少一个图像之间的关联性的多个第一值，生成显示与多个第一缺陷类型中的一个缺陷类型关联的区域的多个第一图像。
在230步骤中，处理器130可以从机器学习基础模型获得显示多个第一缺陷类型的各自和至少一个图像之间的关联性的多个第一值及显示与多个第一缺陷类型中的一个缺陷类型关联的区域的多个第一图像。例如，多个第一值及多个第一图像的数量可以与多个第一类型的数量相同。并且，通过机器学习基础模型生成的多个第一图像的各自显示的区域可以是与多个第一缺陷类型中相互不同的缺陷类型关联的区域。
在240步骤中，处理器130可以基于从机器学习基础模型获得的多个第一值，确定在多个第一缺陷类型中与感知到异常的多个第二焊锡膏关联的多个第二缺陷类型。例如，处理器130将通过对多个第一缺陷类型的各自预先设定的临界值或从机器学习基础模型获得的临界值信息来确认的多个第一缺陷类型的各自的临界值和多个第一值进行比较，确定多个第二缺陷类型。
在250步骤中，处理器130基于从机器学习基础模型获得的多个第一图像中对应于多个第二缺陷类型的多个第二图像，确定在多个第二焊锡膏中与多个第二缺陷类型的各自关联的至少一个焊锡膏。例如，处理器130确定多个第一图像中对应于多个第二缺陷类型的多个第二图像，并基于多个第二图像显示的区域，确定与多个第二缺陷类型的各自关联的至少一个焊锡膏。
在260步骤中，处理器130可以将对多个第二缺陷类型的信息及与多个第二缺陷类型的各自关联的至少一个焊锡膏的位置信息通过显示器140来显示。由此，用户可以确认多个第二焊锡膏的异常是基于丝网印刷机的哪种缺陷类型发生的，且可以容易确认多个第二焊锡膏各自与丝网印刷机的哪种缺陷类型关联。
图3是感知根据本发明的各种实施例的印刷在基板上的多个焊锡膏的异常的方法的流程图。
在310步骤中，基板检查装置100的处理器130可以利用通过图像传感器110获得的对第一基板的图像，获得对印刷在第一基板上的多个第一焊锡膏的第一测量信息。例如，处理器130可以通过图像测量对多个焊锡膏各自的体积、面积、高度、形象或者位置中的至少一个信息，并通过测量的信息生成第一测量信息。
在320步骤中，处理器130可以在存储器120中检索第二测量信息。作为其他实施例，处理器130可以从外部服务器接收第二测量信息。第二测量信息可以是对在第一基板之前通过基板检查装置100执行检查的印刷在多个第二基板各自的多个焊锡膏的测量信息。例如，处理器130在对于多个第二基板分别进行检查的过程中，可以通过对多个第二基板各自的图像测量对印刷在多个第二基板各自的多个焊锡膏的体积、面积、高度、形象或者位置中的至少一个信息，并通过测量的信息生成第二测量信息。处理器130可以将生成的第二测量信息储存在存储器120或外部服务器。并且，处理器130执行对第一基板的检查后，将第一测量信息附加在第二测量信息而更新第二测量信息。
在330步骤中，处理器130可以利用第一测量信息和第二测量信息，感知印刷在第一基板上的对多个第一焊锡膏的异常与否。例如，处理器130可以通过比较第一测量信息和第二测量信息判断第一测量信息和第二测量信息的差异，在判断的差异中有超出设定范围的部分时，可以对印刷在第一基板上的多个第一焊锡膏中对应于超出预先设定范围的部分的多个第二焊锡膏感知为存在异常。并且，处理器130可以判断第一测量信息和第二测量信息的差异，且在判断的差异没有超出预先设定的范围时，可以感知印刷在第一基板上的多个第一焊锡膏没有异常。
并且，处理器130除了以上说明的方法外，将对多个第一焊锡膏的测量信息与为了感知对多个第一焊锡膏各自的异常与否而设定的标准值进行比较，并可以根据比较结果检查对多个第一焊锡膏的异常发生与否。例如，多个第一焊锡膏中具有超出标准值的测量信息的焊锡膏被感知为存在异常，具有标准值以下的测量信息的焊锡膏被感知为没有异常。但这只是说明的目的，而并不限定于此，处理器130利用对多个第一焊锡膏的测量信息，以考虑到多个第一焊锡膏的特性的不同的方式检查对多个第一焊锡膏的异常发生与否。
图4a及图4b示出根据本发明的各种实施例的感知到异常的多个第二焊锡膏的图像。
在一实施例中，基板检查装置100的处理器130可以利用对第一基板的图像410，生成显示感知到异常的多个第二焊锡膏的至少一个图像420、430、440。处理器230可以将生成的至少一个图像420、430、440适用于在机器学习基础模型，机器学习基础模型利用至少一个图像420、430、440，生成显示多个第一缺陷类型的各自和至少一个图像420、430、440之间的关联性的多个第一值及显示所述多个第一缺陷类型中的一个缺陷类型关联的区域的多个第一图像。
并且，至少一个图像420、430、440可以是与用于机器学习基础模型学习的图像相同形式的图像。即，机器学习基础模型也可以通过区分感知到异常的焊锡膏和没有感知到异常的焊锡膏的图像进行学习。
通过处理器130生成的至少一个图像420、430、440中可以区分感知到异常的多个第二焊锡膏和多个第一焊锡膏中没有感知到异常的多个第三焊锡膏。参照图4a及图4b，则如至少一个图像420、430、440，只显示多个第二焊锡膏，而不显示多个第三焊锡膏。即，处理器130可以以由白色显示多个第二焊锡膏，由黑色显示多个第三焊锡膏的方式生成至少一个图像420、430、440。并且，处理器130可以通过将对应于多个第二焊锡膏的像素值设定为1，将对多个第三焊锡膏的像素值设定为0，从而生成至少一个图像420、430、440。对应于像素值的颜色可以多样地设定。如此，通过生成至少一个图像420、430、440，可以明确区分多个第二焊锡膏和多个第三焊锡膏。
在一实施例中，如图4a所示，处理器130可以生成显示感知到异常的多个第二焊锡膏整体的一个图像420，如图4b所示，处理器130也可以生成只显示发生过焊异常的多个第四焊锡膏的图像430以及只表示发生少焊异常的多个第五焊锡膏的图像440。处理器130可以以与学习了机器学习基础模型的图像相同形式的方式生成至少一个图像420、430、440。
并且，处理器130在通过与所述图像不同的其他至少一个图像学习了机器学习基础模型时，可以生成与所述图像不同的其他至少一个图像。
图5是为了说明根据本发明的各种实施例的机器学习基础模型的学习方法的图。
在一实施例中，基板检查装置100的处理器130可以使得储存在存储器120的机器学习基础模型通过根据多个第一缺陷类型分类的显示感知到异常的多个焊锡膏的多个图像进行学习。但这只是说明的目的，而并不限定于此，机器学习基础模型还可以通过除了处理器130外包括在基板检查装置100的其他处理器或者其他外部电子装置的处理器来进行学习。
参照图5，则机器学习基础模型510可以通过根据多个第一缺陷类型分类的显示感知到异常的多个焊锡膏的多个图像520来进行学习。例如，用于机器学习基础模型510的学习的图像可以是图4a及图4b中说明的图像。以下为了方便说明，以利用于机器学习基础模型510的学习的多个图像520为显示感知到异常的焊锡膏的图像整体(例：图4a的图像420)为中心进行了说明，但不限于此。
利用于机器学习基础模型510的学习的多个图像520各自可以根据多个第一缺陷类型而被分类。只是，多个图像520各自没必要被分类成一个第一缺陷类型，而可以分类为多个第一缺陷类型。例如，多个图像520中的一个A图像可以是与A缺陷类型及B缺陷类型的各自有关联，此时，A图像可以分类成与A缺陷类型及B缺陷类型关联的类型。
在输入有根据多个第一缺陷类型进行分类的多个图像520时，机器学习基础模型510通过输入的多个图像520导出显示多个第一缺陷类型的各自和多个图像520之间的关联性的多个值530，且可以以生成与多个第一缺陷类型中的一个缺陷类型关联的区域的多个图像540的方式进行学习。
例如，在输入有多个图像520时，机器学习基础模型510可以通过多个图像520确认对多个焊锡膏的信息(例：位置、形象、体积等)。机器学习基础模型510可以基于通过多个图像520确认的信息，在机器学习基础模型510中调整用于导出显示多个图像520和多个第一缺陷类型各自之间的关联性的多个值530的参数。并且，机器学习基础模型510可以基于确认的信息，在机器学习基础模型510中调整用于生成显示与多个第一缺陷类型中的一个缺陷类型关联的区域的多个图像540的参数。
通过这种过程，机器学习基础模型510而可以导出显示多个第一缺陷类型的各自和多个图像520之间的关联性的多个值530，以生成显示与多个第一缺陷类型中的一个缺陷类型关联的区域的多个图像540的方式进行学习。
并且，机器学习基础模型510通过输入的多个图像520，可以以导出显示设定于多个第一缺陷类型各自的临界值的临界信息550的方式进行学习。例如，机器学习基础模型510可以通过显示多个第一缺陷类型的各自和多个图像520之间的关联性的多个值来调整设定于多个第一缺陷类型各自的临界值。例如，机器学习基础模型510以在显示A缺陷类型和图像之间的值超出对A缺陷类型设定的临界值时，确定A缺陷类型与感知到异常的焊锡膏有关联，而显示A缺陷类型和图像之间的值不足对A缺陷类型设定的临界值时，确定A缺陷类型与感知到异常的焊锡膏没有关联的方式，可以调整临界值。
例如，就机器学习基础模型510而言，输入有分类为A缺陷类型的图像，算出显示输入的图像和A缺陷类型及B缺陷类型之间的关联性的值为0.7及0.5，此时，设定于A缺陷类型的临界值可以是0.8，设定于B类型的临界值可以是0.4。此时，机器学习基础模型510，对于A缺陷类型，作为显示输入的图像和A缺陷类型之间的关联性的值0.7小于对设定于A缺陷类型的临界值0.8，因此判断为对A缺陷类型的临界值设定有误，对A缺陷类型的临界值以成为0.7以下的方式进行调整。并且，机器学习基础模型510，对于B缺陷类型，作为显示输入的图像和B缺陷类型之间的关联性的值0.5大于作为对B缺陷类型设定的临界值的0.4，因此判断为对B缺陷类型的临界值设定有误，对B缺陷类型的临界值以超过0.5的方式进行调整。
通过这种过程，机器学习基础模型510可以以导出显示设定于多个第一缺陷类型各自的临界值的临界信息550的方式进行学习。
图6示出从根据本发明的各种实施例的机器学习基础模型生成的多个图像。
在一实施例中，机器学习基础模型可以生成与丝网印刷机的多个第一缺陷类型数量相同的多个图像。参照图6，则多个第一缺陷类型为5个时，机器学习基础模型可以生成5个图像。在机器学习基础模型生成的5个图像分别可以对应于多个第一缺陷类型的各自。例如，第一图像610可以对应于A缺陷类型，第二图像620可以对应于B缺陷类型，第三图像630可以对应于C缺陷类型，第四图像640可以对应于D缺陷类型，第五图像650可以对应于E缺陷类型。
各第一图像610至第五图像650可以显示与对应的缺陷类型关联的区域。例如，第一图像610可以显示与A缺陷类型关联的区域，第二图像620可以显示与B缺陷类型关联的区域，第三图像630可以显示与C缺陷类型关联的区域，第四图像640可以显示与D缺陷类型关联的区域，第五图像650可以显示与E缺陷类型关联的区域。其中，与缺陷类型关联的区域，可以显示因根据缺陷类型的丝网印刷机的缺陷发生异常的基板上的区域。换句话说，第一图像610中以白色显示的部分可以在丝网印刷机上显示因根据A缺陷类型的缺陷发生异常的基板上的区域。与此同样的，第二图像620中以白色显示的部分可以在丝网印刷机上显示因根据B缺陷类型的缺陷发生异常的基板上的区域。并且，在丝网印刷机上没有发生根据C缺陷类型至E缺陷类型的缺陷时，由于没有因这种缺陷在基板上发生异常，从而如同第三图像630至第五图像650，图像可以全部显示为黑色。但这只是说明的目的，而并不限定于此，且因缺陷发生异常的区域可以在图像中显示为除白色之外的其他颜色，没有发生异常的区域也可以在图像中显示为除黑色之外的其他颜色。
图7是确定与根据本发明的各种实施例的感知到异常的多个第二焊锡膏相关的多个第二缺陷类型的方法的流程图。
在710步骤中，基板检查装置100的处理器130可以从机器学习基础模型获得显示多个第一缺陷类型的各自的临界值的临界值信息。如图5的说明，机器学习基础模型可以通过显示多个第一缺陷类型的各自和多个图像之间的关联性的多个值调整设定于多个第一缺陷类型的各自的临界值，学习临界值信息。处理器130可以获得在机器学习基础模型中学习的临界值信息。
在720步骤中，处理器130可以比较通过从机器学习基础模型获得的临界值信息确认的多个第一类型的各自的临界值和从机器学习基础模型获得的多个第一值，从而确定与多个第二焊锡膏关联的多个第二缺陷类型。例如，处理器130可以确认多个第一值中临界值以上的多个第二值，将对应于多个第二值的多个缺陷类型确定为与多个第二焊锡膏关联的多个第二缺陷类型。
例如，多个第一值可以包括作为对应于A缺陷类型的值a1，作为对应于B缺陷类型的a2，作为对应于C缺陷类型的a3，作为对应于D缺陷类型的a4及作为对应于E缺陷类型的a5。处理器130可以比较a1和作为对A缺陷类型设定的临界值的t1，比较a2和对应于B缺陷类型的t2，比较a3和对应于C缺陷类型的t3，比较a4和对应于D缺陷类型的t4，比较a5和对应于E缺陷类型的t5。处理器130在比较结果，临界值以上的多个第二值确定为a1及a4，则可以将与多个第二焊锡膏关联的多个第二缺陷类型确定为A缺陷类型及D缺陷类型。
并且，处理器130可以不利用从机器学习基础模型获得的临界值信息，而利用对多个第一缺陷类型各自预先设定的临界值来确定多个第二缺陷类型。此时，对多个第一缺陷类型各自预先设定的临界值可以基于从机器学习基础模型获得的临界值信息调整。
图8是确定与根据本发明的各种实施例的多个第二缺陷类型的各自关联的至少一个焊锡膏的方法的流程图。
在810步骤中，基板检查装置100的处理器130可以基于从机器学习基础模型获得的多个第一图像中对应于多个第二缺陷类型的多个第二图像，确认与多个第二缺陷类型关联的区域。参照图9，多个第一图像910、920各自可以显示与多个第一缺陷类型中的一个缺陷类型关联的区域911、921，即，因根据多个第一缺陷类型中的一个缺陷类型的丝网印刷机的缺陷发生异常的基板上的区域。多个第一图像930、940、950各自，在没有与多个第一缺陷类型中的任何一个缺陷类型关联的区域时，可以是由机器学习基础模型生成的图像。
处理器130可以确定对应于感知到异常的多个第二焊锡膏关联的多个第二缺陷类型的多个第二图像910、920，并确认多个第二图像910、920显示的区域911、921。其中，多个第二图像910、920显示的区域911、912是与多个第二缺陷类型关联的区域，即，可以显示因根据多个第二缺陷类型的丝网印刷机的缺陷发生异常的基板上的区域。
在820步骤中，处理器130可以基于在810步骤中确认的与多个第二缺陷类型关联的区域和通过对第一基板的图像确认的多个第二焊锡膏各自的位置，确定与多个第二缺陷类型的各自关联的至少一个焊锡膏。例如，处理器130可以基于多个第二焊锡膏各自的位置，确定包括在与多个第二缺陷关联的区域的至少一个焊锡膏912、922。例如，参照图9，处理器130可以分别确认包括在多个第二焊锡膏中第一图像910中显示的区域911中的至少一个焊锡膏912及包括在第二图像920中显示的区域921中的至少一个焊锡膏922。处理器130可以将包括在第一图像910显示的区域911中的至少一个焊锡膏912确定为与A缺陷类型关联的至少一个焊锡膏，将包括在第二图像920显示的区域921中的至少一个焊锡膏922确定为与B缺陷类型关联的至少一个焊锡膏。
如此，通过确定与感知到异常的多个第二焊锡膏关联的多个第二缺陷类型的各自关联的至少一个焊锡膏，通过确定的至少一个焊锡膏的位置可以迅速了解与丝网印刷机的缺陷关联的基板上的位置。
虽然通过特定实施例说明了所述方法，但所述方法还能够在用计算机可读的记录介质中由计算机可读代码来体现。计算机可读的记录介质包括储存可以由计算机系统读取的数据的所有种类的记录装置。计算机可读的记录介质包括，例如ROM(只读存储器)、RAM(随机存取器)、CD-ROM(只读光盘驱动器)、磁带、软盘、光数据存储装置等。并且，计算机可读的记录介质可以分散到由网络连接的计算机系统，可以以分散方式储存并执行计算机可读代码。并且，为了体现所述实施例的功能性(functional)程序，代码及代码段可以由本发明所属技术领域的程序员容易地推理出来。
以上通过部分实施例和附图中的示例说明了本发明的技术思想，但应知道在不超出本发明所属技术领域的技术人员可理解的本发明的技术思想及范围的范围下，可以进行不同的替换、变形或变更。并且，这种替换、变形及变更应理解为属于权利要求范围之内。

Claims (20)

1.一种基板检查装置，其中，包括：
存储器，所述存储器存储有机器学习基础模型，所述机器学习基础模型导出多个值，所述多个值表示丝网印刷机的多个第一缺陷类型的各自和显示感知到异常的多个焊锡膏的图像之间的关联性，且所述机器学习基础模型利用所述显示感知到异常的多个焊锡膏的图像，以生成显示与所述多个第一缺陷类型中的一个缺陷类型关联的区域的多个图像的方式进行学习；及
处理器，所述处理器与所述存储器电气连接；
所述处理器，
基于对第一基板的图像，在感知到印刷在所述第一基板上的多个第一焊锡膏中的多个第二焊锡膏的异常时，利用对所述第一基板的图像，生成显示所述多个第二焊锡膏的至少一个图像，
将生成的所述至少一个图像适用到所述机器学习基础模型，
从所述机器学习基础模型，获得表示所述多个第一缺陷类型的各自和所述至少一个图像之间的关联性的多个第一值及显示与所述多个第一缺陷类型中的一个缺陷类型关联的区域的多个第一图像，
基于获得的所述多个第一值，确定在所述多个第一缺陷类型中与所述多个第二焊锡膏关联的多个第二缺陷类型，
基于在所述多个第一图像中与所述多个第二缺陷类型对应的多个第二图像，确定在所述多个第二焊锡膏中与所述多个第二缺陷类型各自关联的至少一个第三焊锡膏。
2.根据权利要求1所述的基板检查装置，其中，
所述处理器，
利用通过对所述第一基板的图像获得的对多个第一焊锡膏的测量信息，感知所述多个第一焊锡膏中的多个第二焊锡膏的异常。
3.根据权利要求2所述的基板检查装置，其中，
所述测量信息，包括：
对焊锡膏的体积、面积、高度形状或位置中的至少一个。
4.根据权利要求1所述的基板检查装置，其中，
所述丝网印刷机的多个第一缺陷类型，包括：
刮墨刀缺陷、刮墨刀固定缺陷、支架缺陷、台缺陷、根据网格锁设定不良的缺陷、由搁置焊锡膏和焊锡膏的浆料不良引起的缺陷、由焊锡膏不足引起的缺陷、由漏板接触不良引起的缺陷、由漏板的瑕疵引起的缺陷及由基板的弯曲引起的缺陷中的至少一个。
5.根据权利要求1所述的基板检查装置，其中，
所述机器学习基础模型，
通过根据所述多个第一缺陷类型分类的显示感知到异常的多个焊锡膏的多个图像，导出表示所述多个第一缺陷类型的各自和所述显示感知到异常的多个焊锡膏的图像之间的关联性的多个值，以生成显示与所述多个第一缺陷类型中的一个缺陷类型关联的区域的多个图像的方式进行学习。
6.根据权利要求1所述的基板检查装置，其中，
所述处理器，
从所述机器学习基础模型，获得表示所述多个第一缺陷类型的各自的临界值的临界值信息，
通过比较由所述临界值信息确认的所述多个第一类型的各自的临界值和获得的所述多个第一值，确定与所述多个第二焊锡膏关联的多个第二缺陷类型。
7.根据权利要求6所述的基板检查装置，其中，
所述机器学习基础模型，
通过表示所述多个第一缺陷类型的各自和所述显示感知到异常的多个焊锡膏的图像之间的关联性的多个值来调整设定于所述多个第一缺陷类型的各自的临界值，学习所述临界值信息。
8.根据权利要求1所述的基板检查装置，其中，
由所述机器学习基础模型生成的多个图像的各自显示的区域是与相互不同的缺陷类型关联的区域。
9.根据权利要求1所述的基板检查装置，其中，
所述处理器，
基于所述多个第二图像，确认与多个第二缺陷类型关联的区域，
基于与所述多个第二缺陷类型关联的区域和通过对所述第一基板的图像确认的所述多个第二焊锡膏的各自位置，确定与所述多个第二缺陷类型的各自关联的至少一个第三焊锡膏。
10.根据权利要求1所述的基板检查装置，其中，
所述处理器，
确定所述多个第二缺陷类型后，通过生成的所述至少一个图像使得所述机器学习基础模型进行学习。
11.一种在基板检查装置上确定丝网印刷机的缺陷类型的方法，
包括：
基于对第一基板的图像，在感知到印刷在所述第一基板上的多个第一焊锡膏中的多个第二焊锡膏的异常时，利用对所述第一基板的图像，生成显示所述多个第二焊锡膏的至少一个图像的步骤；
将生成的所述至少一个图像适用到所述机器学习基础模型的步骤；
从所述机器学习基础模型，获得表示所述多个第一缺陷类型的各自和所述至少一个图像之间的关联性的多个第一值及显示与所述多个第一缺陷类型中的一个缺陷类型关联的区域的多个第一图像的步骤；
基于获得的所述多个第一值，确定在所述多个第一缺陷类型中与所述多个第二焊锡膏关联的多个第二缺陷类型的步骤；及
基于在所述多个第一图像中与所述多个第二缺陷类型对应的多个第二图像，确定在所述多个第二焊锡膏中与所述多个第二缺陷类型各自关联的至少一个第三焊锡膏，
所述机器学习基础模型，
导出多个值，所述多个值表示丝网印刷机的多个第一缺陷类型的各自和显示感知到异常的多个焊锡膏的图像之间的关联性，
利用所述显示感知到异常的多个焊锡膏的图像，以生成显示与所述多个第一缺陷类型中的一个缺陷类型关联的区域的多个图像的方式进行学习。
12.根据权利要求11所述的缺陷类型确定方法，其中，还包括：
利用通过对所述第一基板的图像获得的对多个第一焊锡膏的测量信息，感知所述多个第一焊锡膏中的多个第二焊锡膏的异常的步骤。
13.根据权利要求12所述的缺陷类型确定方法，其中，
所述测量信息，包括：
对焊锡膏的体积、面积、高度形状或位置中的至少一个。
14.根据权利要求11所述的缺陷类型确定方法，其中，
所述丝网印刷机的多个第一缺陷类型，包括：
刮墨刀缺陷、刮墨刀固定缺陷、支架缺陷、台缺陷、根据网格锁设定不良的缺陷、由搁置焊锡膏和焊锡膏的浆料不良引起的缺陷、由焊锡膏不足引起的缺陷、由漏板接触不良引起的缺陷、由漏板的瑕疵引起的缺陷及基板的弯曲引起的缺陷中的至少一个。
15.根据权利要求11所述的缺陷类型确定方法，其中，
所述机器学习基础模型，
通过根据所述多个第一缺陷类型分类的显示感知到异常的多个焊锡膏的多个图像，导出表示所述多个第一缺陷类型的各自和所述显示感知到异常的多个焊锡膏的图像之间的关联性的多个值，以生成显示与所述多个第一缺陷类型中的一个缺陷类型关联的区域的多个图像的方式进行学习。
16.根据权利要求11所述的缺陷类型确定方法，其中，
确定与所述多个第二焊锡膏关联的多个第二缺陷类型的步骤，包括：
从所述机器学习基础模型，获得表示所述多个第一缺陷类型的各自的临界值的临界值信息的步骤；及
通过比较由所述临界值信息确认的所述多个第一类型的各自的临界值和获得的所述多个第一值，确定与所述多个第二焊锡膏关联的多个第二缺陷类型的步骤。
17.根据权利要求16所述的缺陷类型确定方法，其中，
所述机器学习基础模型，
通过表示所述多个第一缺陷类型的各自和所述显示感知到异常的多个焊锡膏的图像之间的关联性的多个值来调整设定于所述多个第一缺陷类型的各自的临界值，学习所述临界值信息。
18.根据权利要求11所述的缺陷类型确定方法，其中，
由所述机器学习基础模型生成的多个图像的各自显示的区域是与相互不同的缺陷类型关联的区域。
19.根据权利要求11所述的缺陷类型确定方法，其中，
确定与所述多个第二缺陷类型的各自关联的至少一个第三焊锡膏的步骤，包括：
基于所述多个第二图像，确认与多个第二缺陷类型关联的区域的步骤；及
基于与所述多个第二缺陷类型关联的区域和通过对所述第一基板的图像确认的所述多个第二焊锡膏的各自位置，确定与所述多个第二缺陷类型的各自关联的至少一个第三焊锡膏的步骤。
20.根据权利要求11所述的缺陷类型确定方法，其中，还包括：
确定所述多个第二缺陷类型后，通过生成的所述至少一个图像使得所述机器学习基础模型进行学习的步骤。
CN202080000896.7A 2019-01-22 2020-01-21 基板检查装置及丝网印刷机的缺陷类型确定方法 Active CN111742214B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US201962795311P 2019-01-22 2019-01-22
US62/795,311 2019-01-22
PCT/KR2020/001013 WO2020153712A1 (ko) 2019-01-22 2020-01-21 기판 검사 장치 및 스크린 프린터의 결함 유형 결정 방법

Publications (2)

Publication Number Publication Date
CN111742214A true CN111742214A (zh) 2020-10-02
CN111742214B CN111742214B (zh) 2023-10-20

Family

ID=71735607

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202080000896.7A Active CN111742214B (zh) 2019-01-22 2020-01-21 基板检查装置及丝网印刷机的缺陷类型确定方法

Country Status (5)

Country Link
US (1) US11531843B2 (zh)
EP (1) EP3736560A4 (zh)
KR (1) KR102300951B1 (zh)
CN (1) CN111742214B (zh)
WO (1) WO2020153712A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114216915A (zh) * 2021-12-15 2022-03-22 江门市浩远科技有限公司 一种基于线路板污渍和缺陷类型类别级别检测分类的方法

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112557416A (zh) * 2019-09-09 2021-03-26 英业达科技有限公司 使用深度学习模型检测焊点是否桥接的系统及方法
CN112801328B (zh) * 2019-11-14 2023-10-31 富联精密电子(天津)有限公司 产品印刷参数设定装置、方法及计算机可读存储介质
US11443092B2 (en) * 2020-05-11 2022-09-13 Synopsys, Inc. Defect weight formulas for analog defect simulation
KR102366032B1 (ko) * 2021-03-25 2022-02-23 데이터크러쉬 주식회사 머신러닝에 기반하여 자동 증강된 회로 기판 이미지를 학습함으로써 회로 기판 불량 여부를 판별하는 방법 및 이를 이용한 컴퓨팅 장치
KR102327595B1 (ko) * 2021-06-09 2021-11-17 주식회사 한울시스템 시트에 대한 주름 영역을 결정하는 방법 및 디바이스
EP4354122A1 (en) * 2021-06-09 2024-04-17 Hanul System Co., Ltd. Method and device for determining wrinkled region for seat
JP2024021487A (ja) * 2022-08-03 2024-02-16 ＪＤＩ Ｄｅｓｉｇｎ ａｎｄ Ｄｅｖｅｌｏｐｍｅｎｔ 合同会社 検査方法、検査装置及びプログラム
KR20240053212A (ko) * 2022-10-17 2024-04-24 한국기계연구원 인공지능을 이용한 스크린 프린팅 패턴 학습 및 보정 방법과 이를 수행하는 시스템 및 프로그램

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5751910A (en) * 1995-05-22 1998-05-12 Eastman Kodak Company Neural network solder paste inspection system
US20180144216A1 (en) * 2016-11-23 2018-05-24 Industrial Technology Research Institute Classification method, classification module and computer program product using the same
CN109946319A (zh) * 2017-12-21 2019-06-28 株式会社高永科技 印刷电路板检查装置、决定丝网印刷机的缺陷类型的方法及计算机可判读记录介质

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3818308B2 (ja) 2005-02-01 2006-09-06 オムロン株式会社 プリント基板の品質管理システム
KR100819803B1 (ko) 2006-04-06 2008-04-07 삼성테크윈 주식회사 솔더 페이스트 검사 방법
JP6758197B2 (ja) 2015-01-28 2020-09-23 東レエンジニアリング株式会社 ワイドギャップ半導体基板の欠陥検査方法及び欠陥検査装置
TWI797699B (zh) 2015-12-22 2023-04-01 以色列商應用材料以色列公司 半導體試樣的基於深度學習之檢查的方法及其系統
KR101991170B1 (ko) * 2017-06-05 2019-06-19 충북대학교 산학협력단 인쇄 회로 기판의 결함 분류 장치 및 방법

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5751910A (en) * 1995-05-22 1998-05-12 Eastman Kodak Company Neural network solder paste inspection system
US20180144216A1 (en) * 2016-11-23 2018-05-24 Industrial Technology Research Institute Classification method, classification module and computer program product using the same
CN108108745A (zh) * 2016-11-23 2018-06-01 财团法人工业技术研究院 分类方法、分类模块及计算机程序产品
CN109946319A (zh) * 2017-12-21 2019-06-28 株式会社高永科技 印刷电路板检查装置、决定丝网印刷机的缺陷类型的方法及计算机可判读记录介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114216915A (zh) * 2021-12-15 2022-03-22 江门市浩远科技有限公司 一种基于线路板污渍和缺陷类型类别级别检测分类的方法
CN114216915B (zh) * 2021-12-15 2024-03-29 江门市浩远科技有限公司 一种基于线路板污渍和缺陷类型类别级别检测分类的方法

Also Published As

Publication number Publication date
WO2020153712A1 (ko) 2020-07-30
KR20200093559A (ko) 2020-08-05
KR102300951B1 (ko) 2021-09-13
US20210357693A1 (en) 2021-11-18
EP3736560A1 (en) 2020-11-11
EP3736560A4 (en) 2022-02-23
US11531843B2 (en) 2022-12-20
CN111742214B (zh) 2023-10-20

Similar Documents

Publication Publication Date Title
CN111742214A (zh) 基板检查装置及丝网印刷机的缺陷类型确定方法
CN109946319B (zh) 印刷电路板检查装置、决定丝网印刷机的缺陷类型的方法及计算机可判读记录介质
CN111788883B (zh) 部件贴装状态的检查方法、印刷电路板检查装置及计算机可读记录介质
CN109952019B (zh) 印刷电路板检查装置、感知焊膏是否异常的方法及计算机可判读记录介质
EP3687272B1 (en) Electronic device and method for displaying results of inspection of substrate
JP2019100917A (ja) 検査プログラム生成システム、検査プログラムの生成方法、及び検査プログラムの生成用プログラム
US11428644B2 (en) Method and electronic apparatus for displaying inspection result of board
US20210027105A1 (en) Image-recognition apparatus, image-recognition method, and non-transitory computer-readable storage medium thereof
CN113012097B (zh) 图像复检方法、计算机装置及存储介质
EP3634101B1 (en) Electronic device and method for determining cause of mounting defect in components mounted on substrate
CN112418590B (zh) 一种印制电路板元器件检测方法及系统
KR20180037347A (ko) 기판 검사장치 및 이를 이용한 기판의 왜곡 보상 방법
WO2023162941A1 (ja) 検査装置、画像処理方法、及び画像処理プログラム
WO2023162940A1 (ja) 検査装置、検査方法、及び検査プログラム
KR102089474B1 (ko) 기판에 삽입된 복수의 핀의 삽입 상태를 검사하는 방법 및 기판 검사 장치
CN110870401B (zh) 确定贴装在基板部件的贴装不合格原因的电子装置及方法
WO2024095721A1 (ja) 画像処理装置および画像処理方法
WO2024116675A1 (ja) 画像処理装置および画像処理方法
KR20240035661A (ko) 멀티어레이 센서를 이용한 레이저 가공 모니터링 방법 및 장치
JP2023077057A (ja) 外観検査装置及び外観検査方法
JP2021099302A (ja) Ｘ線検査方法および装置
CN114299854A (zh) Led显示屏调节系统、方法、设备及可读存储介质
TW202218495A (zh) 印刷電路板良率和生產設備錯誤率之回溯方法及其系統
CN116630240A (zh) 一种aoi粒子压痕检测方法、装置及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant