JP2002174603A - 欠陥分類方法 - Google Patents
欠陥分類方法Info
- Publication number
- JP2002174603A JP2002174603A JP2000374577A JP2000374577A JP2002174603A JP 2002174603 A JP2002174603 A JP 2002174603A JP 2000374577 A JP2000374577 A JP 2000374577A JP 2000374577 A JP2000374577 A JP 2000374577A JP 2002174603 A JP2002174603 A JP 2002174603A
- Authority
- JP
- Japan
- Prior art keywords
- feature
- class
- contour
- learning
- feature amount
- 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.)
- Pending
Links
Landscapes
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
(57)【要約】
【課題】欠陥分類の判定精度を向上すること。
【解決手段】学習時に、予めクラス分類された教師サン
プルを用いて特徴ベクトルの算出（ステップＳ１１〜Ｓ
１４）、基底変換行列の決定（ステップＳ１５〜Ｓ１
７）、教師サンプルの基底変換（ステップＳ１８）、の
順に処理を行い、基底変換行列及び基底変換後の教師サ
ンプルを学習データとして記憶する。分類判定時には、
検査サンプルの特徴ベクトルを算出した後（ステップＳ
２１〜Ｓ２４）、学習時に得た基底変換行列でこれを基
底変換し（ステップＳ２５）、次元数を圧縮した状態で
教師サンプルの各クラスとの類似度を比較する（ステッ
プＳ２６）。
プルを用いて特徴ベクトルの算出（ステップＳ１１〜Ｓ
１４）、基底変換行列の決定（ステップＳ１５〜Ｓ１
７）、教師サンプルの基底変換（ステップＳ１８）、の
順に処理を行い、基底変換行列及び基底変換後の教師サ
ンプルを学習データとして記憶する。分類判定時には、
検査サンプルの特徴ベクトルを算出した後（ステップＳ
２１〜Ｓ２４）、学習時に得た基底変換行列でこれを基
底変換し（ステップＳ２５）、次元数を圧縮した状態で
教師サンプルの各クラスとの類似度を比較する（ステッ
プＳ２６）。
Description
【０００１】
【発明の属する技術分野】本発明は、プリント基板等の
欠陥検査に関するものであって、教師付き学習を伴う欠
陥分類方法に関する。
欠陥検査に関するものであって、教師付き学習を伴う欠
陥分類方法に関する。
【０００２】
【従来の技術】特徴量をそれぞれ独立に閾値で判定し、
それらの結果を統合するような手法が用いられている。
しかし、このような方法では、各クラスに対応する部分
空間の形状が厳しく制限されるため、柔軟な設定が難し
く、判定精度を高めることが難しい。
それらの結果を統合するような手法が用いられている。
しかし、このような方法では、各クラスに対応する部分
空間の形状が厳しく制限されるため、柔軟な設定が難し
く、判定精度を高めることが難しい。
【０００３】この欠点を補うため、複数の特徴量を組み
合わせ、複合的に判断する方法が提案されている。一例
として、２つの特徴量を用いて判定を行う手法が特公平
７−８１９６２号公報に開示されている。
合わせ、複合的に判断する方法が提案されている。一例
として、２つの特徴量を用いて判定を行う手法が特公平
７−８１９６２号公報に開示されている。
【０００４】この特公平７−８１９６２号公報に開示さ
れた方法について、以下に簡単に説明する。
れた方法について、以下に簡単に説明する。
【０００５】１．ＣＣＤカメラにより対象を撮像し、画
像メモリに記録する。
像メモリに記録する。
【０００６】２．上記画像メモリに記録された画像を、
所定の閾値Ｔh0によって２値化する。
所定の閾値Ｔh0によって２値化する。
【０００７】３．上記２値化された画像内の各判別対象
物Ａiについて、第１の特徴量である長辺の長さＬiを求
める。
物Ａiについて、第１の特徴量である長辺の長さＬiを求
める。
【０００８】４．また、第２の特徴量として、判別対象
物Ａiの重心位置における画素の、２値化前の輝度レベ
ルＢiを求める。
物Ａiの重心位置における画素の、２値化前の輝度レベ
ルＢiを求める。
【０００９】５．上記２値化閾値Ｔh0及び上記判別対象
物の長辺の長さＬiを基に、判別閾値Ｔhiを決定する。
物の長辺の長さＬiを基に、判別閾値Ｔhiを決定する。
【００１０】６．この判別閾値Ｔhiと上記輝度レベルＢ
iとを比較することで、判別対象物Ａiが異物であるか否
かを判定する。
iとを比較することで、判別対象物Ａiが異物であるか否
かを判定する。
【００１１】このように、複数の特徴量を組み合わせて
用いることで、個々の特徴量の閾値処理では困難な複雑
な分類が可能となり、判定性能を高めることが出来る。
用いることで、個々の特徴量の閾値処理では困難な複雑
な分類が可能となり、判定性能を高めることが出来る。
【００１２】
【発明が解決しようとする課題】しかしながら、複数の
特徴量の組み合わせる手法は構築が難しく、実験と試行
錯誤が必要である。これは、分類に有効な特徴量のみを
選択する作業に加え、それら複数の特徴量間の関係につ
いても注意を払わなければならないからである。
特徴量の組み合わせる手法は構築が難しく、実験と試行
錯誤が必要である。これは、分類に有効な特徴量のみを
選択する作業に加え、それら複数の特徴量間の関係につ
いても注意を払わなければならないからである。
【００１３】特徴量を唯１つ増やす場合であっても、他
の全ての特徴量との関係を見直さなければならない。従
って、判定精度の向上を意図して特徴量の種類を増やし
たくとも、特徴量間における関係の繁雑さの増大によ
り、これを容易に行うことが出来なかった。
の全ての特徴量との関係を見直さなければならない。従
って、判定精度の向上を意図して特徴量の種類を増やし
たくとも、特徴量間における関係の繁雑さの増大によ
り、これを容易に行うことが出来なかった。
【００１４】本発明は、上記の点に鑑みてなされたもの
で、クラス分離度に与える影響が小であるように特徴空
間の次元を圧縮することで識別に不要な特徴量を除去
し、有効な特徴量だけが使用されるようにし、以って、
判定精度を向上し得る欠陥分類方法を提供することを目
的とする。
で、クラス分離度に与える影響が小であるように特徴空
間の次元を圧縮することで識別に不要な特徴量を除去
し、有効な特徴量だけが使用されるようにし、以って、
判定精度を向上し得る欠陥分類方法を提供することを目
的とする。
【００１５】
【課題を解決するための手段】上記の目的を達成するた
めに、本発明による欠陥分類方法は、予めクラス分類さ
れた教師サンプルより得られたＭ次元特徴ベクトルにつ
いて、クラス内共分散行列及びクラス間共分散行列を計
算する工程と、上記クラス内共分散行列及びクラス間共
分散行列を、計算を用いてクラス間分離度判定基準に変
換する工程と、上記クラス間分離度判定基準に基づいた
特徴ベクトルの基底変換工程と、を備えることを特徴と
する。
めに、本発明による欠陥分類方法は、予めクラス分類さ
れた教師サンプルより得られたＭ次元特徴ベクトルにつ
いて、クラス内共分散行列及びクラス間共分散行列を計
算する工程と、上記クラス内共分散行列及びクラス間共
分散行列を、計算を用いてクラス間分離度判定基準に変
換する工程と、上記クラス間分離度判定基準に基づいた
特徴ベクトルの基底変換工程と、を備えることを特徴と
する。
【００１６】即ち、本発明の欠陥分類方法によれば、分
類に必要な特徴量及びその関係を予め厳密に設定せずと
も、これらが学習時に自動的に選択及び構築され、適切
な識別関数が決定される。従って、判別のための特徴量
選択やルールの設定が厳密である必要が無く、分類識別
部の構築に掛かる手間が大いに削減される。
類に必要な特徴量及びその関係を予め厳密に設定せずと
も、これらが学習時に自動的に選択及び構築され、適切
な識別関数が決定される。従って、判別のための特徴量
選択やルールの設定が厳密である必要が無く、分類識別
部の構築に掛かる手間が大いに削減される。
【００１７】
【発明の実施の形態】以下、本発明の一実施の形態を、
図面を参照して説明する。
図面を参照して説明する。
【００１８】本実施の形態は、ＢＧＡ等のプリント基板
における、金パッドの輪郭部の欠け欠陥を分類するもの
で、欠陥の原因分析等に応用される。
における、金パッドの輪郭部の欠け欠陥を分類するもの
で、欠陥の原因分析等に応用される。
【００１９】手順は先ず、学習時と分類判定時に大別さ
れる。
れる。
【００２０】学習時には、予めクラス分類された教師サ
ンプルを用いる。特徴ベクトルの算出、基底変換行列の
決定、教師サンプルの基底変換、の順に処理を行い、基
底変換行列及び基底変換後の教師サンプルを学習データ
として記憶する。
ンプルを用いる。特徴ベクトルの算出、基底変換行列の
決定、教師サンプルの基底変換、の順に処理を行い、基
底変換行列及び基底変換後の教師サンプルを学習データ
として記憶する。
【００２１】分類判定時には、特徴ベクトルを算出した
後、学習時に得た基底変換行列でこれを基底変換し、次
元数を圧縮した状態で教師サンプルの各クラスとの類似
度を比較する。
後、学習時に得た基底変換行列でこれを基底変換し、次
元数を圧縮した状態で教師サンプルの各クラスとの類似
度を比較する。
【００２２】特徴ベクトルの算出方法は両者に共通であ
るが、学習時において分類に寄与の低い事が判明した特
徴量については、分類判定時には算出を省くことが出来
る。
るが、学習時において分類に寄与の低い事が判明した特
徴量については、分類判定時には算出を省くことが出来
る。
【００２３】以下、この手順を、詳細に説明する。
【００２４】図１の（Ａ）は、学習時の手順を示すフロ
ーチャートである。
ーチャートである。
【００２５】まず、特徴ベクトルの算出工程として、２
値化処理（ステップＳ１１）、輪郭追跡処理（ステップ
Ｓ１２）、輪郭特徴量計算処理（ステップＳ１３）、及
びブロブ解析処理（ステップＳ１４）を順に行う。
値化処理（ステップＳ１１）、輪郭追跡処理（ステップ
Ｓ１２）、輪郭特徴量計算処理（ステップＳ１３）、及
びブロブ解析処理（ステップＳ１４）を順に行う。
【００２６】即ち、ステップＳ１１の２値化処理におい
ては、教師サンプルを撮像して得られた原画像を２値化
する。この２値化のための閾値は、予め与えても良い
し、本処理とは異なる前処理によって決定しても良い。
ては、教師サンプルを撮像して得られた原画像を２値化
する。この２値化のための閾値は、予め与えても良い
し、本処理とは異なる前処理によって決定しても良い。
【００２７】ステップＳ１２の輪郭追跡処理において
は、図２の（Ａ）及び（Ｂ）（図２の（Ｂ）は図２の
（Ａ）の破線内の拡大図である）に示すように、上記２
値化した画像内の各物体について輪郭追跡を行い、図３
に示すような、輪郭点の座標リスト（輪郭点列座表リス
ト）を作成する。
は、図２の（Ａ）及び（Ｂ）（図２の（Ｂ）は図２の
（Ａ）の破線内の拡大図である）に示すように、上記２
値化した画像内の各物体について輪郭追跡を行い、図３
に示すような、輪郭点の座標リスト（輪郭点列座表リス
ト）を作成する。
【００２８】なお、この輪郭追跡処理の詳細について
は、特開２０００−２８３３０号公報に開示されている
ので、ここではその説明を省略する。
は、特開２０００−２８３３０号公報に開示されている
ので、ここではその説明を省略する。
【００２９】次のステップＳ１３の輪郭特徴量計算処理
では、上記輪郭点列座標リストにおいて、インデックス
がｓだけ離れた３点を使用して、輪郭特徴量を計算す
る。但し、ｓはパラメータとして与えるものである
（例：ｓ＝５）。輪郭特徴量としては、例えば、以下の
ものが使用できる。
では、上記輪郭点列座標リストにおいて、インデックス
がｓだけ離れた３点を使用して、輪郭特徴量を計算す
る。但し、ｓはパラメータとして与えるものである
（例：ｓ＝５）。輪郭特徴量としては、例えば、以下の
ものが使用できる。
【００３０】（ａ）３角形の面積（図４の（Ａ）） （ｂ）２直線のなす角（図４の（Ｂ）） （ｃ）直線と他の１点との距離（図４の（Ｃ）） どの輪郭特徴量を用いるかによって、最終的な分類精度
に差が生じる場合があるが、以降の処理手順は全て共通
である。
に差が生じる場合があるが、以降の処理手順は全て共通
である。
【００３１】物体の輪郭が直線であれば、その部位での
輪郭特徴量は０である。しかし、輪郭が内または外に凸
であるような場合、図５に示すように、輪郭特徴量は０
以外の値となり、輪郭形状の変化に反応する。輪郭特徴
量は、輪郭が物体内部に向かって凸である場合に正の値
をとるように符号付けする。
輪郭特徴量は０である。しかし、輪郭が内または外に凸
であるような場合、図５に示すように、輪郭特徴量は０
以外の値となり、輪郭形状の変化に反応する。輪郭特徴
量は、輪郭が物体内部に向かって凸である場合に正の値
をとるように符号付けする。
【００３２】なお、この輪郭特徴量計算処理の詳細につ
いても、上記特開２０００−２８３３０号公報に開示さ
れているので、ここではその説明を省略する。
いても、上記特開２０００−２８３３０号公報に開示さ
れているので、ここではその説明を省略する。
【００３３】ステップＳ１４のブロブ解析処理において
は、上記のようにして輪郭１周分の輪郭特徴量を求めた
後、その波形を１次元の画像と見做して、ブロブ解析す
る。ブロブ解析のための閾値Ｔbは固定的或いは適応的
なパラメータである。ブロブ１つが輪郭上の欠け構造１
つに対応する事になる。
は、上記のようにして輪郭１周分の輪郭特徴量を求めた
後、その波形を１次元の画像と見做して、ブロブ解析す
る。ブロブ解析のための閾値Ｔbは固定的或いは適応的
なパラメータである。ブロブ１つが輪郭上の欠け構造１
つに対応する事になる。
【００３４】このブロブ解析の際、各ブロブ（欠け構
造）について、ブロブ特徴量を算出する。本実施の形態
では、図６に示すような、以下の７つのブロブ特徴量を
求める。
造）について、ブロブ特徴量を算出する。本実施の形態
では、図６に示すような、以下の７つのブロブ特徴量を
求める。
【００３５】（ａ）長さ （ｂ）輝度最大値 （ｃ）輝度平均 （ｄ）輝度標準偏差 （ｅ）輝度総和 （ｆ）輝度平方総和 （ｇ）２次モーメント 各欠け構造に対してこれら７つのブロブ特徴量の組を対
応させる。よって、欠け構造１つは、７次元の特徴ベク
トルで表現される。
応させる。よって、欠け構造１つは、７次元の特徴ベク
トルで表現される。
【００３６】以下、特徴ベクトルをＸで表す。
【００３７】こうして求められた特徴ベクトルは、ブロ
ブ特徴量記憶部１１に記憶される。
ブ特徴量記憶部１１に記憶される。
【００３８】このようにして教師サンプルの特徴ベクト
ルの算出が行われたならば、次に、その教師サンプルの
特徴ベクトルを用いて基底変換行列を決定し、その後、
この基底変換行列を用いて教師サンプルの特徴ベクトル
を基底変換する。この基底変換行列は以下の手順によっ
て求められ、クラス間の分離度を大きく低下させること
なく、特徴空間の次元数を低減せしめるものである。
ルの算出が行われたならば、次に、その教師サンプルの
特徴ベクトルを用いて基底変換行列を決定し、その後、
この基底変換行列を用いて教師サンプルの特徴ベクトル
を基底変換する。この基底変換行列は以下の手順によっ
て求められ、クラス間の分離度を大きく低下させること
なく、特徴空間の次元数を低減せしめるものである。
【００３９】ここで、教師サンプルの特徴ベクトルＸの
属するクラスをωiで表す。また、クラスに関する情報
は先験的に与えられるものとする。本実施の形態では、
Ｘは７次元であるが、一般にはＭ次元として扱われる。
また、全サンプル数をＮで表す。
属するクラスをωiで表す。また、クラスに関する情報
は先験的に与えられるものとする。本実施の形態では、
Ｘは７次元であるが、一般にはＭ次元として扱われる。
また、全サンプル数をＮで表す。
【００４０】基底変換行列の決定工程は、クラス内共分
散及びクラス間共分散の計算処理（ステップＳ１５）、
固有値ベクトル計算処理（ステップＳ１６）、及び基底
変換行列生成処理（ステップＳ１７）からなる。なおこ
こで、用語「共分散行列」は、この分野では「散乱行
列」とも称される。
散及びクラス間共分散の計算処理（ステップＳ１５）、
固有値ベクトル計算処理（ステップＳ１６）、及び基底
変換行列生成処理（ステップＳ１７）からなる。なおこ
こで、用語「共分散行列」は、この分野では「散乱行
列」とも称される。
【００４１】即ち、ステップＳ１５のクラス内共分散及
びクラス間共分散の計算処理においては、まず、クラス
内共分散行列Sωを、以下の式（１）のように定義す
る。
びクラス間共分散の計算処理においては、まず、クラス
内共分散行列Sωを、以下の式（１）のように定義す
る。
【００４２】
【数１】
【００４３】ここで、Ｐ（ωi）はクラスωiの生起確
率、Ｅ｛＊／ωi｝はクラスωi内での平均を求めること
を表す。また、ａTは行列ａの転置を与える。
率、Ｅ｛＊／ωi｝はクラスωi内での平均を求めること
を表す。また、ａTは行列ａの転置を与える。
【００４４】Ｍiはクラスωiに属するサンプルの平均で
ある。即ち、 Ｍi＝Ｅ｛Ｘ／ωi｝ また、クラス間共分散行列Ｓbを、以下の式（２）のよ
うに定義する。
ある。即ち、 Ｍi＝Ｅ｛Ｘ／ωi｝ また、クラス間共分散行列Ｓbを、以下の式（２）のよ
うに定義する。
【００４５】
【数２】
【００４６】ここで、Ｍ0は全サンプルの平均であっ
て、
て、
【数３】
【００４７】ここで、Ｐ（ωi）はクラスωiの生起確
率、Ｍiはクラスωiに属するサンプルの平均を表す。Ｍ
iはクラスωiに属するサンプルのみの平均（期待値）で
あるのに対して、Ｍ0は全クラスの全サンプルの平均で
ある。
率、Ｍiはクラスωiに属するサンプルの平均を表す。Ｍ
iはクラスωiに属するサンプルのみの平均（期待値）で
あるのに対して、Ｍ0は全クラスの全サンプルの平均で
ある。
【００４８】そして、クラス間分離度を表す評価尺度と
して、以下の式（３）を使用する。
して、以下の式（３）を使用する。
【００４９】 Ｊ＝ｔｒ（Ｓω -1Ｓb） （３） ここで、ｔｒ（＊）は行列＊のトレースを表す。
【００５０】そして、ステップＳ１６の固有値ベクトル
計算処理において、Ｓω -1Ｓbの固有値問題を解き、固
有値と固有ベクトルを計算する。この際、固有値は全て
非負の実数となり、固有ベクトルは正規直交基底を成
す。
計算処理において、Ｓω -1Ｓbの固有値問題を解き、固
有値と固有ベクトルを計算する。この際、固有値は全て
非負の実数となり、固有ベクトルは正規直交基底を成
す。
【００５１】固有値を大きい順にλ1，λ2，…，λM、
対応する固有ベクトルを、それぞれφ1，φ2，…，φM
とする。Ｓω -1Ｓbの固有値を対角成分に持ち、他の成
分が０であるような行列をΛ、各固有値に対応する固有
ベクトルを並べた行列をＡとする。
対応する固有ベクトルを、それぞれφ1，φ2，…，φM
とする。Ｓω -1Ｓbの固有値を対角成分に持ち、他の成
分が０であるような行列をΛ、各固有値に対応する固有
ベクトルを並べた行列をＡとする。
【００５２】 Ａ＝［φ1φ2…φM］T （４） この時、以下の式（５）が成り立つ。
【００５３】
【数４】
【００５４】ここで、固有値を大きい順にＫ個選択す
る。なお、Ｋは、予め与える閾値τ（例：τ＝０．９
５）に対して以下の式（６）を満たす最小の整数であ
る。
る。なお、Ｋは、予め与える閾値τ（例：τ＝０．９
５）に対して以下の式（６）を満たす最小の整数であ
る。
【００５５】
【数５】
【００５６】ステップＳ１７の基底変換行列生成処理で
は、固有値λi（ｉ＝１，２，…，Ｋ）に対応する固有
ベクトルをφi（ｉ＝１，２，…，Ｋ）とし、これら固
有ベクトルを用いて、以下の式（７）のようにＫ×Ｍ次
元基底変換行列ＴＭを得る。
は、固有値λi（ｉ＝１，２，…，Ｋ）に対応する固有
ベクトルをφi（ｉ＝１，２，…，Ｋ）とし、これら固
有ベクトルを用いて、以下の式（７）のようにＫ×Ｍ次
元基底変換行列ＴＭを得る。
【００５７】 ＴＭ＝［φ1φ2…φK］T （７） こうして生成された基底変換行列ＴＭは、この後の処理
及び分類判定時に使用するために、基底変換行列記憶部
１２記憶しておく。
及び分類判定時に使用するために、基底変換行列記憶部
１２記憶しておく。
【００５８】なお、基底変換行列ＴＭの各列を列ベクト
ルと見做した場合、ノルムの小さい列ベクトルに対応す
る特徴量は分類判定への貢献度が低いと判断できる。従
って、このような特徴量は算出自体を行わないようにす
ることで、処理時間を短縮させることが出来る。
ルと見做した場合、ノルムの小さい列ベクトルに対応す
る特徴量は分類判定への貢献度が低いと判断できる。従
って、このような特徴量は算出自体を行わないようにす
ることで、処理時間を短縮させることが出来る。
【００５９】基底変換行列ＴＭを用いて特徴空間を基底
変換した場合、特徴ベクトル（サンプル）のクラス間分
離度はＪ→Ｊ’へと低下するが、同時に特徴空間の次元
数もＭ→Ｋへと低減される。
変換した場合、特徴ベクトル（サンプル）のクラス間分
離度はＪ→Ｊ’へと低下するが、同時に特徴空間の次元
数もＭ→Ｋへと低減される。
【００６０】
【数６】
【００６１】ここで、Ｋ＜＜Ｍである場合、クラス間分
離度を基底変換前とほぼ同等の水準に保ったまま、特徴
空間の次元数を著しく減少させることが出来る。
離度を基底変換前とほぼ同等の水準に保ったまま、特徴
空間の次元数を著しく減少させることが出来る。
【００６２】而して、基底変換工程においては、内積演
算処理（ステップＳ１８）により、上記ブロブ特徴量記
憶部１１に記憶した全ての教師サンプルに対して、上記
基底変換行列記憶部１２に記憶した基底変換行列ＴＭを
適用し、図７に示すように、次元数を圧縮する（図７の
例では、Ｍ＝４，Ｋ＝２）。
算処理（ステップＳ１８）により、上記ブロブ特徴量記
憶部１１に記憶した全ての教師サンプルに対して、上記
基底変換行列記憶部１２に記憶した基底変換行列ＴＭを
適用し、図７に示すように、次元数を圧縮する（図７の
例では、Ｍ＝４，Ｋ＝２）。
【００６３】そして、基底変換後の教師サンプルの特徴
ベクトルを、分類判定時に使用するために、教師特徴量
記憶部１３に記憶する。
ベクトルを、分類判定時に使用するために、教師特徴量
記憶部１３に記憶する。
【００６４】これにより、学習は完了する。
【００６５】次に、実際の検査サンプルについての分類
判定が行われる。
判定が行われる。
【００６６】この分類判定は、図１の（Ｂ）に示すよう
に、２値化処理（ステップＳ２１）、輪郭追跡処理（ス
テップＳ２２）、輪郭特徴量計算処理（ステップＳ２
３）、ブロブ解析処理（ステップＳ２４）、内積演算処
理（ステップＳ２５）、及び比較判定処理（ステップＳ
２６）を行うようになっている。
に、２値化処理（ステップＳ２１）、輪郭追跡処理（ス
テップＳ２２）、輪郭特徴量計算処理（ステップＳ２
３）、ブロブ解析処理（ステップＳ２４）、内積演算処
理（ステップＳ２５）、及び比較判定処理（ステップＳ
２６）を行うようになっている。
【００６７】ここで、ステップＳ２１の２値化処理乃至
ステップＳ２４のブロブ解析処理は、前述の学習時のス
テップＳ１１の２値化処理乃至ステップＳ１４のブロブ
解析処理と同様の処理であり、検査サンプルに対する特
徴ベクトルを求め、ブロブ特徴量記憶部１１に記憶す
る。
ステップＳ２４のブロブ解析処理は、前述の学習時のス
テップＳ１１の２値化処理乃至ステップＳ１４のブロブ
解析処理と同様の処理であり、検査サンプルに対する特
徴ベクトルを求め、ブロブ特徴量記憶部１１に記憶す
る。
【００６８】そして、この分類判定時には、前述の学習
時のステップＳ１５乃至ステップＳ１７で行ったような
基底変換行列の決定工程は実施せずに、学習時に基底変
換行列記憶部１２に記憶した基底変換行列ＴＭを用い
て、ステップＳ２５の内積演算処理において、上記ブロ
ブ特徴量記憶部１１に記憶した全ての特徴ベクトルを基
底変換することになる。その基底変換後の特徴ベクトル
は、特徴量記憶部１４に記憶される。
時のステップＳ１５乃至ステップＳ１７で行ったような
基底変換行列の決定工程は実施せずに、学習時に基底変
換行列記憶部１２に記憶した基底変換行列ＴＭを用い
て、ステップＳ２５の内積演算処理において、上記ブロ
ブ特徴量記憶部１１に記憶した全ての特徴ベクトルを基
底変換することになる。その基底変換後の特徴ベクトル
は、特徴量記憶部１４に記憶される。
【００６９】その後、ステップＳ２６の比較判定処理
で、基底変換後の特徴空間において、マハラノビス汎距
離、或いはＫ最近傍決定法（Ｋ−ＮＮ法）を用いて、上
記特徴量記憶部１４及び学習時に教師特徴量記憶部１３
に記憶された特徴ベクトルより、検査サンプルと教師サ
ンプルの各クラスとの類似度を判断し、類似度の高いク
ラスにその検査サンプルを振り分ける。
で、基底変換後の特徴空間において、マハラノビス汎距
離、或いはＫ最近傍決定法（Ｋ−ＮＮ法）を用いて、上
記特徴量記憶部１４及び学習時に教師特徴量記憶部１３
に記憶された特徴ベクトルより、検査サンプルと教師サ
ンプルの各クラスとの類似度を判断し、類似度の高いク
ラスにその検査サンプルを振り分ける。
【００７０】以上実施の形態に基づいて本発明を説明し
たが、本発明は上述した実施の形態に限定されるもので
はなく、本発明の要旨の範囲内で種々の変形や応用が可
能なことは勿論である。
たが、本発明は上述した実施の形態に限定されるもので
はなく、本発明の要旨の範囲内で種々の変形や応用が可
能なことは勿論である。
【００７１】例えば、上記各処理はパーソナルコンピュ
ータで実行することができるが、専用のハードウェアと
してＩＣ化することも可能である。
ータで実行することができるが、専用のハードウェアと
してＩＣ化することも可能である。
【００７２】
【発明の効果】以上詳述したように、本発明によれば、
クラス分離度に与える影響が小であるように特徴空間の
次元を圧縮することで識別に不要な特徴量を除去し、有
効な特徴量だけが使用されるようにし、以って、判定精
度の向上し得る欠陥分類方法を提供することができる。
クラス分離度に与える影響が小であるように特徴空間の
次元を圧縮することで識別に不要な特徴量を除去し、有
効な特徴量だけが使用されるようにし、以って、判定精
度の向上し得る欠陥分類方法を提供することができる。
【図１】（Ａ）は本発明の一実施の形態に係る欠陥分類
方法における学習時の手順を示すフローチャートであ
り、（Ｂ）は分類判定時の手順を示すフローチャートで
ある。
方法における学習時の手順を示すフローチャートであ
り、（Ｂ）は分類判定時の手順を示すフローチャートで
ある。
【図２】（Ａ）及び（Ｂ）はそれぞれ輪郭追跡を説明す
るための図である。
るための図である。
【図３】輪郭点列座標リストを示す図である。
【図４】（Ａ）乃至（Ｃ）はそれぞれ輪郭特徴量を示す
図である。
図である。
【図５】輪郭特徴量の概念を説明するための図である。
【図６】ブロブ特徴量を説明するための図である。
【図７】特徴空間の基底変換を説明するための図であ
る。
る。
１１ ブロブ特徴量記憶部 １２ 基底変換行列記憶部 １３ 教師特徴量記憶部 １４ 特徴量記憶部
───────────────────────────────────────────────────── フロントページの続き Ｆターム(参考） 2G051 AA65 AB07 EA11 EA14 EB01 ED11 ED21 ED30 FA10 5B057 AA03 BA02 CA02 CA08 CA12 CA16 CB02 CB06 CB12 CB16 CC01 CD14 DA03 DB02 DB05 DB08 DC04 DC08 DC09 DC17 DC33 5L096 AA06 BA03 CA03 CA14 EA43 FA06 HA09 JA03 JA05 JA11 JA22 KA04
Claims (4)
- 【請求項１】 予めクラス分類された教師サンプルより
得られたＭ次元特徴ベクトルについて、クラス内共分散
行列及びクラス間共分散行列を計算する工程と、 上記クラス内共分散行列及びクラス間共分散行列を、計
算を用いてクラス間分離度判定基準に変換する工程と、 上記クラス間分離度判定基準に基づいた特徴ベクトルの
基底変換工程と、 を備えることを特徴とする欠陥分類方法。 - 【請求項２】 上記特徴ベクトルの基底変換工程の後、
クラス間分離に寄与の低い基底を削除することで、特徴
空間の次元数を圧縮する工程を更に備えることを特徴と
する請求項１に記載の欠陥分類方法。 - 【請求項３】 学習時にクラス間分離に寄与の低いこと
の判明した特徴量を、再学習時又は分類判定時には算出
しないことを特徴とする請求項２に記載の欠陥分類方
法。 - 【請求項４】 画像を２値化する２値化工程と、 上記２値化工程により２値化された画像内の各物体を輪
郭追跡する輪郭追跡工程と、 上記輪郭追跡に伴って特徴量を計算する特徴量計算工程
と、 上記輪郭特徴量を１次元画像と見做してブロブ解析する
ブロブ解析工程と、 を更に備えることを特徴とする請求項３に記載の欠陥分
類方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2000374577A JP2002174603A (ja) | 2000-12-08 | 2000-12-08 | 欠陥分類方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2000374577A JP2002174603A (ja) | 2000-12-08 | 2000-12-08 | 欠陥分類方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JP2002174603A true JP2002174603A (ja) | 2002-06-21 |
Family
ID=18843739
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2000374577A Pending JP2002174603A (ja) | 2000-12-08 | 2000-12-08 | 欠陥分類方法 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP2002174603A (ja) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7071468B2 (en) | 2003-10-08 | 2006-07-04 | Hitachi High-Technologies Corporation | Circuit pattern inspection method and its apparatus |
| JP2007017264A (ja) * | 2005-07-07 | 2007-01-25 | Sharp Corp | 画像処理アルゴリズム評価方法および装置、画像処理アルゴリズム生成方法および装置、プログラムならびにプログラム記録媒体 |
| JP2011158373A (ja) * | 2010-02-02 | 2011-08-18 | Dainippon Screen Mfg Co Ltd | 自動欠陥分類のための教師データ作成方法、自動欠陥分類方法および自動欠陥分類装置 |
| JP2012073761A (ja) * | 2010-09-28 | 2012-04-12 | Dainippon Screen Mfg Co Ltd | 分類のための特徴量選出方法、画像の分類方法、外観検査方法および外観検査装置 |
| JP2016109495A (ja) * | 2014-12-03 | 2016-06-20 | タカノ株式会社 | 分類器生成装置、外観検査装置、分類器生成方法、及びプログラム |
| WO2017204519A3 (ko) * | 2016-05-23 | 2018-08-09 | (주)에이앤아이 | 데이터 밸런싱을 통한 학습기반의 비전검사 방법 및 이를 이용한 데이터 밸런싱을 통한 학습기반의 비전검사 장치 |
| WO2020003990A1 (ja) * | 2018-06-28 | 2020-01-02 | 富士フイルム株式会社 | 医用画像処理装置及び方法、機械学習システム、プログラム並びに記憶媒体 |
| JP2021176070A (ja) * | 2020-05-02 | 2021-11-04 | Arithmer Inc | 画像検査装置、画像検査方法及びプログラム |
| CN116863279A (zh) * | 2023-09-01 | 2023-10-10 | 南京理工大学 | 用于移动端模型轻量化的基于可解释指导的模型蒸馏方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH0469780A (ja) * | 1990-07-10 | 1992-03-04 | N T T Data Tsushin Kk | 次元圧縮方法 |
| JPH0799581A (ja) * | 1992-09-25 | 1995-04-11 | Olympus Optical Co Ltd | 画像処理装置 |
| JPH103545A (ja) * | 1996-06-18 | 1998-01-06 | Matsushita Electric Ind Co Ltd | 特徴抽出装置 |
| JPH11311681A (ja) * | 1998-04-28 | 1999-11-09 | Mitsubishi Heavy Ind Ltd | 多値信号識別装置 |
| JP2000195910A (ja) * | 1998-12-24 | 2000-07-14 | Mosel Vitelic Inc | ウェハーテストの不良パターン自動識別装置と方法 |
| JP2002517867A (ja) * | 1998-06-08 | 2002-06-18 | ワシントン ユニバーシティ | 自動形状特徴付けのための方法および装置 |
-
2000
- 2000-12-08 JP JP2000374577A patent/JP2002174603A/ja active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH0469780A (ja) * | 1990-07-10 | 1992-03-04 | N T T Data Tsushin Kk | 次元圧縮方法 |
| JPH0799581A (ja) * | 1992-09-25 | 1995-04-11 | Olympus Optical Co Ltd | 画像処理装置 |
| JPH103545A (ja) * | 1996-06-18 | 1998-01-06 | Matsushita Electric Ind Co Ltd | 特徴抽出装置 |
| JPH11311681A (ja) * | 1998-04-28 | 1999-11-09 | Mitsubishi Heavy Ind Ltd | 多値信号識別装置 |
| JP2002517867A (ja) * | 1998-06-08 | 2002-06-18 | ワシントン ユニバーシティ | 自動形状特徴付けのための方法および装置 |
| JP2000195910A (ja) * | 1998-12-24 | 2000-07-14 | Mosel Vitelic Inc | ウェハーテストの不良パターン自動識別装置と方法 |
Cited By (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7071468B2 (en) | 2003-10-08 | 2006-07-04 | Hitachi High-Technologies Corporation | Circuit pattern inspection method and its apparatus |
| JP2007017264A (ja) * | 2005-07-07 | 2007-01-25 | Sharp Corp | 画像処理アルゴリズム評価方法および装置、画像処理アルゴリズム生成方法および装置、プログラムならびにプログラム記録媒体 |
| JP2011158373A (ja) * | 2010-02-02 | 2011-08-18 | Dainippon Screen Mfg Co Ltd | 自動欠陥分類のための教師データ作成方法、自動欠陥分類方法および自動欠陥分類装置 |
| JP2012073761A (ja) * | 2010-09-28 | 2012-04-12 | Dainippon Screen Mfg Co Ltd | 分類のための特徴量選出方法、画像の分類方法、外観検査方法および外観検査装置 |
| JP2016109495A (ja) * | 2014-12-03 | 2016-06-20 | タカノ株式会社 | 分類器生成装置、外観検査装置、分類器生成方法、及びプログラム |
| CN109462999A (zh) * | 2016-05-23 | 2019-03-12 | Ani有限公司 | 通过数据平衡基于学习的视觉检查方法以及利用其的视觉检查装置 |
| WO2017204519A3 (ko) * | 2016-05-23 | 2018-08-09 | (주)에이앤아이 | 데이터 밸런싱을 통한 학습기반의 비전검사 방법 및 이를 이용한 데이터 밸런싱을 통한 학습기반의 비전검사 장치 |
| CN109462999B (zh) * | 2016-05-23 | 2021-05-07 | Ani有限公司 | 通过数据平衡基于学习的视觉检查方法以及利用其的视觉检查装置 |
| WO2020003990A1 (ja) * | 2018-06-28 | 2020-01-02 | 富士フイルム株式会社 | 医用画像処理装置及び方法、機械学習システム、プログラム並びに記憶媒体 |
| US12009104B2 (en) | 2018-06-28 | 2024-06-11 | Fujifilm Corporation | Medical image processing apparatus, medical image processing method, machine learning system, and program |
| JP2021176070A (ja) * | 2020-05-02 | 2021-11-04 | Arithmer Inc | 画像検査装置、画像検査方法及びプログラム |
| WO2021225097A1 (ja) * | 2020-05-02 | 2021-11-11 | Ａｒｉｔｈｍｅｒ株式会社 | 画像検査装置、画像検査方法及びプログラム |
| JP6989860B2 (ja) | 2020-05-02 | 2022-01-12 | Ａｒｉｔｈｍｅｒ株式会社 | 画像検査装置、画像検査方法及びプログラム |
| CN116863279A (zh) * | 2023-09-01 | 2023-10-10 | 南京理工大学 | 用于移动端模型轻量化的基于可解释指导的模型蒸馏方法 |
| CN116863279B (zh) * | 2023-09-01 | 2023-11-21 | 南京理工大学 | 用于移动端模型轻量化的基于可解释指导的模型蒸馏方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Luo et al. | FPCB surface defect detection: A decoupled two-stage object detection framework | |
| Valle et al. | A deeply-initialized coarse-to-fine ensemble of regression trees for face alignment | |
| Adouani et al. | Comparison of Haar-like, HOG and LBP approaches for face detection in video sequences | |
| KR100745981B1 (ko) | 보상적 특징에 기반한 확장형 얼굴 인식 방법 및 장치 | |
| JP4429370B2 (ja) | ポーズによるヒト検出 | |
| CN111126482B (zh) | 一种基于多分类器级联模型的遥感影像自动分类方法 | |
| US20060029276A1 (en) | Object image detecting apparatus, face image detecting program and face image detecting method | |
| JP4588575B2 (ja) | デジタル画像の複数対象物検出方法および装置並びにプログラム | |
| JP2004523840A (ja) | モデル集合によるオブジェクトの分類 | |
| Borwarnginn et al. | Breakthrough conventional based approach for dog breed classification using CNN with transfer learning | |
| WO2019026104A1 (ja) | 情報処理装置、情報処理プログラム及び情報処理方法 | |
| CN109388727A (zh) | 一种基于聚类的bgp人脸快速检索方法 | |
| CN112598622B (zh) | 一种融合深度多示例学习和包间相似性的乳腺癌检测方法 | |
| JP2002174603A (ja) | 欠陥分類方法 | |
| CN104598898B (zh) | 一种基于多任务拓扑学习的航拍图像快速识别系统及其快速识别方法 | |
| CN110020674B (zh) | 一种提升局部类别区分度的跨领域自适应图像分类方法 | |
| WO2011037097A1 (ja) | パターン認識方法及び該方法を用いたパターン認識装置 | |
| CN110781828A (zh) | 一种基于微表情的疲劳状态检测方法 | |
| US20200394460A1 (en) | Image analysis device, image analysis method, and image analysis program | |
| CN111931757A (zh) | 基于mdlbp分块直方图和pca降维的指静脉快速排序方法及装置 | |
| JP2004178569A (ja) | データ分類装置、物体認識装置、データ分類方法及び物体認識方法 | |
| CN111461130B (zh) | 一种高精度图像语义分割算法模型及分割方法 | |
| Prakash et al. | An identification of abnormalities in dental with support vector machine using image processing | |
| CN114202659A (zh) | 基于空间对称化不规则局部区域特征提取的细粒度图像分类方法 | |
| US20040197023A1 (en) | Image processing device, image processing method, storage medium, and computer program product |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20071129 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20110104 |
|
| A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20110426 |