JP2005114378A - 良否判定装置、良否判定プログラム及び良否判定方法 - Google Patents

Abstract

【課題】良否カテゴリの細分化を行うことにより、各カテゴリに固有な特徴を抽出することを可能として、良否を確実に分離する判定基準を作成する。
【解決手段】良否判別要因となる複数のパラメータとその良否判定結果とを用いて判別関数を算出し、該判別関数において標準偏差に基づいて良否判定基準である閾値を決定する。閾値決定の際に良否のカテゴリ分布が十分に分離していなければ、カテゴリの細分化を行う。カテゴリの細分化は、良カテゴリと否カテゴリとについてのヒストグラムを生成し、各カテゴリにおける標準偏差を算出し、一方の分布の度数平均から所定量離れた値を閾値として、離れた部分と近寄った部分との良否カテゴリに分類する。近寄った部分の良否カテゴリについて、改めて判別関数を算出し閾値を決定する。このように決定した閾値に基づいて良否判定対象の良否を判定して、微細な形状の差異に対応する高性能な良否判定を実現する。
【選択図】図１３

Description

本発明は、良否判定対象としての製品の良品・不良品を判定するための、良否判定装置、良否判定プログラム及び良否判定方法に関する。

従来、各種製品の製造工場において、製品出荷前の良否判定検査が行われている。良否判定検査の項目としては種々のものが存在するが、良否を人間の目視に頼ると、高速且つ大量に判定検査を行うのが困難になるとともに、コストが増大してしまう。特に、検査項目が膨大であると目視による良否判定検査の運用が実質的に不可能になる。そこで、各種製品に対して自動で良否判定を行う種々の良否判定装置が提供されている。
例えば、特許文献１に記載の技術である。

良否判定を自動化するに際しては、一般に良否判定装置においていかなる製品状態を良状態或いは否状態とするのか、客観的基準に基づいて明確に規定して装置として組み上げるのが非常に困難である。また、装置組み上げ時に人間の主観によって良否判定基準を特定したとしてもその基準があらゆる状態について汎用的に適用でき、良否判定装置が使用に耐えうることは希である。
特に、実装部品のはんだ付け状態の良否判定検査等のように、多種多様な製品状態があり得る検査対象に対しての良否判定は困難である。

そこで、本出願人により、特願２００２−２４２５４４号にて、良否を判定するための良否判定基準である閾値を、良カテゴリと否カテゴリの確率分布から決定することによって、多種多様な製品状態に対応することのできる良否判定装置、良否判定プログラム及び良否判定方法が提案されている。

上記良否判定方法では、図１７に示す如く、良否判定対象の形状を装置で測定し、測定データを形状分類ごとに目視で良カテゴリと否カテゴリに分類したうえで、各カテゴリについて判別分析を行い良否分類に有効な形状を抽出するとともに、良否のヒストグラムを形成して、その分布から良否判定基準となる閾値を決定し、個別の良否判定対象について閾値とを比較することによって良否判定を行う。
上記判別分析では、複数のパラメータ情報と良否判定結果情報から、多変量統計解析によって、良カテゴリと否カテゴリの度数分布を分離させる変数を与える判別関数を算出する。さらに、当該変数のいずれかの値を良否判定の閾値にするにあたり、カテゴリの度数分布に関する統計指標によって良否いずれかのカテゴリで特定の分布確率になるように閾値を決定する。そして、個別の良否判定対象について、当該良否判定対象の複数のパラメータ情報を判別関数に代入し、その値と閾値とを比較することによって良否判定を行う。

さらに、否カテゴリにおいて、特定の確率分布となる変数値を閾値とすることで、否カテゴリに含まれる良否判定対象のうち、特定の確率の対象のみを良判定にすることを可能としている。すなわち、「不良」であるにも関わらず「良」であると判定して、「不良」が流出する確率（流出率）を意図通りの値に収束させることを可能としている。
また、良カテゴリにおいて、特定の確率分布となる変数値を閾値とすることにより、良カテゴリに含まれる良否判定対象のうち、特定の確率の対象のみを否判定にすることを可能としている。すなわち、「良」であるにも関わらず、「不良」であると判定してしまう確率（見過ぎ率）を意図通りの値に収束させることを可能としている。
このように決定した閾値に基づいて良否判定対象の良否を判定することによって、流出率や見過ぎ率を意図通りに制御することを可能とし、ノウハウの蓄積に頼らない、高性能な良否判定を実現している。

特開平８−１４５６３８号公報

しかし、良否判定対象は目視による判断が困難な程度にまで、様々な形状をしている。例えば、良否判定対象の一つとしての、基板に実装部品を実装するためのはんだは、図１８に示す如く、良品・不良品にかかわらず、はんだ量の多少により形状が異なり、また、実装部品のサイズによってもはんだの形状が異なってくる。さらに、はんだと実装部品とが離れた浮き不良や、はんだが無い未はんだ不良、部品のない部品無し不良等、不良の形態も様々であり、これによってもはんだの形状が異なってくる。
このように、良否判定対象は良否に関わらず様々な形状をしていることから、良判定とされる良否判定対象と否判定とされる良否判定対象とが似通った形状であることもあり得る。この場合、図１３に示す如く、良カテゴリと否カテゴリの度数分布を示すヒストグラムでは、良分布と否分布（不良分布）が近づき、また、これらの分布の度数平均が近い値となる。これは、カテゴリに固有な特徴の抽出が困難であり、良否判定対象に対する細部の判定が困難である状態を示している。従って、良分布と否分布が近い状態において決定された閾値にもとづいて、良否判定を行えば、良否判定対象の形状が似ているために検出することができなかった不良品を見過ごしてしまったり、逆に、良品を不良品と判断する誤判定が発生したりする原因となる。

一方、良否判定対象を目視作業にてカテゴリ分類したのち、判別分析を行うわけであるが、目視では、良品、はんだと部品が離れた浮き不良品、はんだの無い未はんだ不良品等を見分けるレベルでの分類が限界であるが、これらのカテゴリをさらに細分化した状態で分類すると、目視による判断が困難な程度の形状の差異であっても、各カテゴリに特徴的な形状が顕著となる。

そこで、本発明では、カテゴリの細分化を行うことにより、各カテゴリに固有な特徴を抽出することを可能として、良否を確実に分離する判定基準を作成することを目的とする。

本発明の解決しようとする課題は以上の如くであり、次にこの課題を解決するための手段を説明する。

即ち、請求項１においては、良否判定要因となる複数のパラメータ情報とその良否判定結果情報とから良カテゴリと否カテゴリとの度数分布を分離させる変数を与える判別関数を算出する判別関数算出手段と、上記良カテゴリと否カテゴリとの少なくとも一方について上記変数に対する度数平均とその分布の拡がりを示す分布指標とを算出する統計指標算出手段と、上記少なくとも一方のカテゴリにおいて特定の分布確率となる上記変数値と上記度数平均と分布指標とから算出して良否判定の閾値とする閾値決定手段と、上記閾値に応じて細分化の要否を判断し、細分化が必要であれば上記良カテゴリと否カテゴリとを細分化して新たな良否カテゴリを作成するとともに、判別関数算出手段による処理に戻して新たな判別関数と閾値とを算出させる良否カテゴリ細分化手段と、良否判定対象について上記複数のパラメータ情報を取得するパラメータ情報取得手段と、同パラメータ情報を上記判別関数に代入して得られる上記変数の値と上記閾値とを比較することによって良否判定を行う良否判定手段を備える良否判定装置である。

請求項２においては、前記良否カテゴリ細分化手段は、判別関数について、良カテゴリと否カテゴリとのそれぞれにおいて度数平均と標準偏差とを算出し、良カテゴリを、否カテゴリの度数平均から所定量離れた値を閾値として、該閾値より否カテゴリから離れている分布を第一良分布、残りを第二良分布とし、否カテゴリを、良カテゴリの度数平均から所定量離れた値を閾値として、該閾値より良カテゴリから離れている分布を第一否分布、残りを第二否分布とし、前記良否カテゴリを、第一良分布と第一否分布とから成る第一良否カテゴリと、第二良分布と第二否分布とから成る第二良否カテゴリとに細分化する処理を行うものである。

請求項３においては、良否判定要因となる複数のパラメータ情報とその良否判定結果情報とから良カテゴリと否カテゴリとの度数分布を分離させる変数を与える判別関数を算出する判別関数算出機能と、上記良カテゴリと否カテゴリとの少なくとも一方について上記変数に対する度数平均とその分布の拡がりを示す分布指標とを算出する統計指標算出機能と、上記少なくとも一方のカテゴリにおいて特定の分布確率となる上記変数値を上記度数平均と分布指標とから算出して良否判定の閾値とする閾値決定機能と、上記閾値に応じて細分化の要否を判断し、細分化が必要であれば上記良カテゴリと否カテゴリとを細分化して新たな良否カテゴリを作成するとともに、新たな良否カテゴリについて新たな判別関数と閾値とを算出させる良否カテゴリ細分化機能と、良否判定対象について上記複数のパラメータ情報を取得するパラメータ情報取得機能と、パラメータ情報と上記判別関数に代入して得られる上記変数の値と上記閾値とを比較することによって良否判定を行う良否判定機能とを、コンピュータに実現させる良否判定プログラムである。

請求項４においては、前記良否カテゴリ細分化機能にて、良カテゴリを、否カテゴリの度数平均から所定量離れた値を閾値として、該閾値より否カテゴリから離れている分布を第一良分布、残りを第二良分布とし、否カテゴリを、良カテゴリの度数平均から所定量離れた値を閾値として、該閾値より良カテゴリから離れている分布を第一否分布、残りを第二否分布とし、前記良否カテゴリを、第一良分布と第一否分布とから成る第一良否カテゴリと、第二良分布と第二否分布とから成る第二良否カテゴリとの新たなカテゴリに細分化するものである。

請求項５においては、良否判定要因となる複数のパラメータ情報とその良否判定結果情報とから良カテゴリと否カテゴリとの度数分布を分離させる変数を与える判別関数を算出する判別関数算出工程と、上記良カテゴリと否カテゴリとの少なくとも一方について上記変数に対する度数平均とその分布の拡がりを示す分布指標とを算出する統計指標算出工程と、上記少なくとも一方のカテゴリにおいて特定の分布確率となる上記変数値を上記度数平均と分布指標とから算出して良否判定の閾値とする閾値決定工程と、上記閾値に応じて細分化の要否を判断し、細分化が必要であれば上記良カテゴリと否カテゴリとを細分化して新たな良否カテゴリを作成するとともに、新たな良否カテゴリについて新たな判別関数と閾値とを算出させる良否カテゴリ細分化工程と、良否判定対象について上記複数のパラメータ情報を取得するパラメータ情報取得工程と、パラメータ情報と上記判別関数に代入して得られる上記変数の値と上記閾値とを比較することによって良否判定を行う良否判定工程とを、具備する良否判定方法である。

請求項６においては、前記良否カテゴリ細分化工程において、良カテゴリを、否カテゴリの度数平均から所定量離れた値を閾値として、該閾値より否カテゴリから離れている分布を第一良分布、残りを第二良分布とし、否カテゴリを、良カテゴリの度数平均から所定量離れた値を閾値として、該閾値より良カテゴリから離れている分布を第一否分布、残りを第二否分布とし、前記良否カテゴリを、第一良分布と第一否分布とから成る第一良否カテゴリと、第二良分布と第二否分布とから成る第二良否カテゴリとの新たなカテゴリに細分化するものである。

本発明の効果として、以下に示すような効果を奏する。

請求項１乃至請求項６の発明によれば、カテゴリの細分化を行うことにより、各カテゴリに固有な特徴を抽出することを可能として、形状が類似している良否判定対象に対しても良否を確実に分離する判定基準を作成することができ、これにより、良否判定の精度を向上させることができる。

次に、発明の実施の形態を説明する。
図１は良否判定装置を構成するシステムの概略ハードウエア構成を示す図、図２はレーザー検査装置における概略流れ図、図３はレーザー検査装置の概略構成を示す図である。
図４は良否判定プログラムの機能ブロック図、図５は通信制御プログラムの機能ブロック図、図６は目視入力プログラムの機能ブロック図である。
図７は判定基準作成処理の概略流れ図、図８は多変量解析プログラムの機能ブロック図、図９はモード分類処理の流れ図、図１０はヒストグラムの例を示す図、図１１は判別関数算出処理の流れ図、図１２は良否カテゴリ細分化処理の流れ図、図１３はヒストグラムの例を示す図、図１４はヒストグラムの例を示す図、図１５は閾値決定処理の流れ図、図１６はヒストグラムの例を示す図である。
図１７は従来の良否判定処理の流れを示す図、図１８は良否判定対象の例を示す図である。

本発明に係る良否判定方法は、良否判定装置により良否判定プログラムが実行されることによって行われる。本実施例において、良否判定対象は、電子部品がはんだにて基板に実装される接点であり、基板と電子部品とがはんだにより良好に接合されているか否かで、良否判定対象の良否を判定する。
但し、良否判定対象は、基板と電子部品との接点に限定されるものではなく、目視作業にて良否を判断する製品を良否判定対象とすることができ、本発明を採用することによって、目視による良否判定を自動化することができるとともに、その判定精度を向上させることができる。また、製造設備に本発明に係る良否判定装置を組み込むことにより、製造段階の途中において、自動的に製造品の良否判定を行うことが可能となる。

［本発明の概略構成］
図１は本発明に係る良否判定装置を構成するシステムの概略図である。
本システムは、レーザー検査装置１００と、データ蓄積装置２００と、目視入力装置３００と、多変量統計解析装置４００とを備えており、それぞれが通信回線にて接続されている。すなわち、各装置は通信回線を介して互いに双方向通信可能である。
なお、これらのレーザー検査装置１００、データ蓄積装置２００、目視入力装置３００、多変量統計解析装置４００の各装置にはコンピュータが備えられており、それぞれについて、ＣＰＵ、ハードディスクドライブやＲＯＭやＲＡＭ等の記憶部、ディスプレイ等の表示部、キーボード等の入力部、通信Ｉ／Ｏ等が備えられている。該コンピュータは汎用的なコンピュータを利用することができ、詳細なハードウエアの説明は省略する。

前記レーザー検査装置１００は、基板に貼り付けられたラベルを読み取ることによって基板に実装される各部品の各接点を識別しつつ、当該接点付近にレーザーを照射する装置である。
本発明において、良否判定はレーザー検査装置１００にて実行され、その処理手順は図２に示す流れ図に従う。

良否判定処理では、まず、ステップＳ１００にて、基板に貼り付けられたラベルを読み取り、基板を特定するとともに、後述する電子部品の実装位置や部品の種別を特定する。ラベルには基板の種類を特定する情報が記載されている。
なお、本実施形態においては基板の種類を特定するための情報に加えて、基板の固体を特定するための情報（例えば、シリアルナンバー等）がラベルに記載されており、基板の固体を特定するための情報にて基板の固体を特定し、各固体別に良否判定結果を記録或いは表示させることができる。

レーザー検査装置１００はレーザーによって接点付近を掃引し、反射方向を認識しつつ、反射光を検出可能である。各部品の各接点ははんだによって基板に接合されており、照射されたレーザーははんだ付け部がある接点付近で反射する。ステップＳ１１０では、掃引によって発生する反射光の検出値を形状データとして取得する。

形状データは各接点付近のはんだ形状によって異なるデータとなっており、ステップＳ１２０にてこの形状データを良否判定要因となる複数のパラメータに変換する。各パラメータについての多変量統計解析は、予め多変量統計解析装置４００にて実施されており、この結果として良否を判断するための閾値Ｔが予め決定されている。

本実施形態において、この閾値Ｔは判別関数の次元で規定されており、また、判別関数は上記ステップＳ１２０にて算出したパラメータの関数である。
良否判定はステップＳ１３０にて、上記パラメータを判別関数に代入し算出した値と閾値Ｔとを比較することによって行われ、良否判定結果は、レーザー検査装置１００に搭載された表示部１４２としてのディスプレイ上に表示され、オペレータはこのディスプレイを視認することによって良否判定対象の良否を知ることができる。

なお、統計精度を向上させるため、ステップＳ１４０にて、良否判定を行った良否判定対象の、良否判定結果情報及びそのパラメータ情報を対応付けつつデータ蓄積装置２００に蓄積するようになっている。さらに、パラメータ情報に対して形状データを対応付けつつデータ蓄積装置２００に蓄積している。
また、データ蓄積装置２００には、本実施形態に係る良否判定装置を運用する際に必要な各種データがデータベースとして登録されており、レーザー検査装置１００と目視入力装置３００と多変量統計解析装置４００とから各種データを取得して蓄積可能であるとともに、適宜蓄積データを出力することが可能である。

また、目視入力装置３００においては、自動の良否判定で誤りが生じていた場合に、データを訂正して統計精度を向上させるために、目視による良否判定結果を入力可能に構成されている。
なお、本実施形態に係るシステムは、上述の各装置にて分散処理を行っているが、単体のコンピュータによって上記各装置を構成しても良いし、特定の複数のコンピュータが上記各装置を構成することもできる。

［レーザー装置］
次に、レーザー検査装置１００について詳細に説明する。
図３はレーザー検査装置１００の概略構成を示している。同図左側にはその光学系を模式的に示しており、右側には制御系を示している。
レーザー検査装置１００は、レーザー発振器１２６を備えており、所定のレーザー光を発信出力することができる。ガルバノメータ１２４は、その内部に二枚の角度可変ミラーを備えており、ガルバノメータ制御部１２８の制御によって角度可変ミラーの配向角を調整することによって、ガルバノメータ１２４から出力するレーザー光の配向角を調整することができる。ガルバノメータ１２４から出力されるレーザー光はレンズ１２３によって集光されたのち、受光ボックス１１０に入射される。

受光ボックス１１０はレーザー光の適切な光学経路を形成し、反射光のみをその方向とともに取得するための機器を備えている。受光ボックス１１０内には、トップセンサ１１２、アップセンサ１１４、サイドセンサ１１６及びハーフミラー１１８が配設されている。また、該受光ボックス１１０の下方には、良否判定対象を載置可能なＸ−Ｙステージ１３０が配設され、該Ｘ−Ｙステージ１３０はＸ−Ｙステージ制御部１３５が出力する制御信号にて移動する構成とされている。
そして、前記ハーフミラー１１８にて反射されたレーザー光は、受光ボックス１１０の下方に進行し、はんだ付近に到達し反射されて再び上方に向けて進行する。この反射光がトップセンサ１１２、アップセンサ１１４、サイドセンサ１１６に到達すれば、各センサから所定の検出信号が出力される。

各センサ１１２・１１４・１１６は、アンプ１２０に接続されており、出力信号が増幅されたうえでコード生成部１２２に入力される。コード生成部１２２はその入力信号に基づいて反射光の反射角度を示すコードを生成する。
コード生成部１２２とガルバノメータ制御部１２８とＸ−Ｙステージ制御部１３５とは、ＣＰＵ１４０に接続されており、該ＣＰＵ１４０が出力する制御信号にて制御され、また、該ＣＰＵ１４０に対してデータを出力する。すなわち、ＣＰＵ１４０は図示しないＲＯＭやＲＡＭとともにプログラム実行環境を形成しており、ＣＰＵ１４０は所定のプログラムを実行しつつ、コード生成部１２２とガルバノメータ制御部１２８とＸ−Ｙステージ制御部１３５とを介してレーザー検査装置１００を制御する。

また、ＣＰＵ１４０がプログラムに従って所定の演算処理を実行することにより、良否判定を行うようになっており、必要なデータを記憶部１４６に書き込み、また、通信Ｉ／Ｏ１４４を介してデータ蓄積装置２００や多変量統計解析装置４００と必要に応じて通信を行い、表示部１４２に良否判定結果を表示する。

図４はレーザー検査装置１００にて実行される、良否判定プログラムの機能ブロック図である。
レーザー検査装置１００においてはＯＳ１４６の制御下で良否判定プログラム１６０が実行される。ＯＳ１４６は通信Ｉ／Ｏ１４４を介してデータの送受信や記憶部１５０からのファイル読み出しを制御し、良否判定プログラム１６０に対して必要なデータを供給する。

良否判定プログラム１６０は、ラベル読取部１６２と形状測定部１６４と良否判定部１６６とを備えている。ラベル読取部１６２は通信Ｉ／Ｏ１４４を介してラベル読取装置（図示せず）を制御して、良否判定対象が搭載される基板のラベルを識別するラベルデータ１５１を取得し、記憶部１５０に記憶する。形状測定部１６４はガルバノメータ制御部１２８を制御してレーザー光を掃引させ、Ｘ−Ｙステージ制御部１３５を制御してＸ−Ｙステージ１３０を駆動して所望の良否判定対象に対してレーザー光が照射されるように制御し、さらに、コード生成部１２２が出力するコードからなる形状データ１５２を取得して記憶部１５０に記憶する。

ここで、形状測定部１６４は、ラベルデータ１５１にて特定される基板についての製品データを通信Ｉ／Ｏ１４４を介して取得する。製品データは、後述するようにデータ蓄積装置２００に蓄積された基板に関するデータであり、各ラベルの基板において実装される部品の種類や部品上のピンの数、その相対位置等が含まれる。形状測定部１６４はこれらのデータを取得することによって、検査対象となるピンの位置を判定し、当該ピンの位置付近を掃引できるようにＸ−Ｙステージ制御部１３５を制御して基板の位置決めを実施する。

形状測定部１６４は、以上のように位置決めを実施しつつ基板上の検査対象全てについて形状データ１５２を取得する。良否判定部１６６は、これらの形状データ１５２を利用してそれぞれの良否判定対象、すなわち、接点に対するはんだ付けの良否を判定する演算処理を行っており、そのためのパラメータ算出部１６６ａと閾値判定部１６６ｂとを備えている。

パラメータ算出部１６６ａは、形状データ１５２を複数の変換式にて、形状データから特定される形状を特定付ける複数のパラメータに変換する。このパラメータは、はんだ自体の形状やはんだ周囲の形状に相当するパラメータであり、はんだ形状の差異に応じて異なる値となるパラメータである。
また、パラメータ算出部１６６ａは製品データとして各部品についてのパラメータの算出式を取得して計算するが、特定の算出式での演算を実行する様なアルゴリズムでプログラムを作成し、当該プログラムの実行にてパラメータが算出されるように構成してもよい。

閾値判定部１６６ｂは、通信Ｉ／Ｏ１４４を介して多変量統計解析装置４００から判別関数データ４５４と閾値データ４５８とを取得して、閾値Ｔによる良否判定を実施する。判別関数データ４５４は、パラメータ算出部１６６ａが算出するパラメータのうちの幾つかを変数とした関数であり、閾値判定部１６６ｂは算出したパラメータを判別関数に代入して判定用の値を算出する。
さらに、この判定用の値と閾値Ｔとを比較し、判定用の値が閾値Ｔを境にして良カテゴリ側にある場合には「良」判定、閾値Ｔを境にして否カテゴリ側にある場合には「否」判定をする。

閾値判定部１６６ｂは、良否判定結果を表示部１４２に対して出力し、レーザー検査装置１００に備えられたディスプレイ上に良否判定結果を表示させる。また、この良否判定結果は良否判定結果データとして通信Ｉ／Ｏ１４４を介して出力され、データ蓄積装置２００に良否判定結果データ２５２として蓄積される。
このように、レーザー検査装置１００においては、データ蓄積装置２００や多変量統計解析装置４００から適宜データを取得して、基板上に実装される各部品の各接点についてはんだ形状に基づいて実装の良否を判定することができる。

［データ蓄積装置］
図５はデータ蓄積装置２００にて実行される通信制御プログラムの機能ブロック図である。データ蓄積装置２００ではＯＳ２４６の制御下で通信制御プログラム２６０が実行される。
通信制御プログラム２６０は、通信Ｉ／Ｏ２４４を介してデータを送受信するプログラムであり、外部からの要求に応じて製品データと良否判定結果データ２５２を出力する。また、記憶部２５０は製品データベース２５１と良品判定結果データ２５２とを蓄積するハードディスクドライブであり、本発明に係るシステムの運用開始時に予め製品データベース２５１と良否判定結果データ２５２とが蓄積されるが、システムの運用とともに更新していくこともでき、閾値判定部１６６ｂが出力する良否判定結果データを取得して新たな良否判定結果データ２５２として追加記録したり、後述する目視入力装置３００が出力する目視判定データを新たな良否判定結果データ２５２として追加したりすることも可能である。

製品データベース２５１に蓄積される製品データにおいては、基板に貼り付けられるラベルごとに各基板上の部品及び各部品が備える接点位置を特定するデータ及び各部品ごとに実際に算出されたパラメータが記録されている。前者はレーザー検査装置１００にてレーザー光を照射する良否判定対象の位置を特定する等のために使用され、後者は各部品について良否判定を行った場合の実際のパラメータ値であり、後述する良否判定結果データ２５２と対応付けられつつ記録される。

各ラベルに対応したデータとしては、装着情報データと、各部品ごとのパラメータ算出式とがある。装着情報データにおいては、基板上の部品座標と部品の方向等が記録され、部品情報として部品の種別やリード数、リードピッチ等が記録され、該装着情報データによって、レーザーの照射対象位置を特定する。

製品データには、さらに掃引情報やセンサ閾値が記録されている。掃引情報には掃引回数や掃引ピッチが記録されており、センサ閾値は上記各センサにてレーザー光の受光の有無を特定する閾値が記録されている。従って、上記レーザー検査装置１００はこれら製品データによって掃引手法を特定することができ、上記ガルバノメータ１２４やコード生成部１２２を制御して掃引及びコードデータの取得を実施する。

なお、良否判定結果データ２５２は良否判定対象（接点）の良否をカテゴリ化する際に利用される。すなわち、レーザー検査装置１００において各パラメータを判別関数に代入すると、判別関数の次元である値が算出されるが、この値について良否判定に対応させつつヒストグラムを作成すると、変数Ｚに対して良判定の分布と否判定の分布とが得られる。そこで、それぞれの分布を良カテゴリと否カテゴリと定義する。また、否カテゴリとしては、上述のように浮きやはんだ少、部品無しなど、種々の原因が存在するので、各原因ごとに否カテゴリを細分化することもできる。

上述の如く、データ蓄積装置２００に適切なデータを蓄積し、レーザー検査装置１００にて参照可能に提供することにより良否判定を実施することができる。なお、データ蓄積装置２００に対して新たなラベルについての製品データやその搭載部品のデータ等を追加することにより、運用開始当初に蓄積されていない基板や部品についての良否判定を実施することができる。

［目視入力装置］
図６は目視入力装置３００にて実行される目視入力プログラムの機能ブロック図である。目視入力装置３００においては、ＯＳ３４６の制御の下で目視入力プログラム３６０が実行される。ＯＳ３４６は通信Ｉ／Ｏ３４４を介してのデータ送受信や、記憶部３５０からのファイル読み出しを制御し、目視入力プログラム３６０に対して必要なデータを供給する。
目視入力プログラム３６０は、ラベル読取部３６１と判別結果取得部３６２と表示制御部３６３と入力受付部３６４と目視判定情報送信部３６５とを備えている。ラベル読取部３６１は通信Ｉ／Ｏ３４４を介して図示しないラベル読取装置を制御して、基板のラベルを識別するためのラベルデータ３５１を取得し、記憶部３５０に記憶する。

判定結果取得部３６２は、通信Ｉ／Ｏ３４４を介してデータ蓄積装置２００から読み取りを行ったラベルに該当する基板に関する製品データ及びその良否判定結果データを取得し、記憶部３５０に保存する。表示制御部３６３は記憶部３５０に保存された製品データ及び良否判定結果データ３５２を参照し、基板平面上のイメージデータを生成し、表示部３１０（ディスプレイ）に出力することによって、ディスプレイ上にイメージを表示させる。

画面を表示した状態において、入力受付部３６４の制御によって、目視入力装置３００が備えるキーボード等から成る入力部３２０を介して入力を受け付けることが可能であり、画面上で種々の操作が可能である。目視入力装置３００において、不良の原因を合わせて入力し、入力された原因を示すデータを良否判定結果情報とすれば、原因ごとに別個の否カテゴリと良カテゴリとを分離する判別関数を算出することが可能となる。
また、オペレータはこの目視判定結果を入力部３２０の操作にて入力することが可能であり、入力受付部３６４が入力結果を受け付けると、目視判定情報送信部３６５に対して目視の判定結果を受け渡す。目視判定情報送信部３６５は、目視判定結果を示す目視判定データを通信Ｉ／Ｏ３４４を介して出力する。

目視判定データはデータ蓄積装置２００に対して追記される良否判定結果データであり、多変量統計解析装置４００において統計精度向上のために利用される。目視入力装置によれば、多変量統計解析装置４００によって解析をする際に目視入力の結果を良否判定に反映させることができる。

［多変量統計解析装置］
多変量統計解析装置４００による解析を行うことによって、良否判定対象の良否判定基準となる閾値Ｔを算出し、決定する。閾値Ｔは、意図から外れた流出率及び見過ぎ率を発生させない値が決定される。これによって高性能の良否判定装置を実現している。
閾値Ｔ決定する良否判定基準算出処理は図７に示す流れ図に従い、多変量解析プログラムが備える各モジュールにより、モード分類処理Ｓ６００、判別関数算出処理Ｓ６１０、閾値決定処理Ｓ６２０が行われ、該閾値決定処理Ｓ６２０においてカテゴリの細分化が必要であるかどうかの判断が行われ（Ｓ６３０）、カテゴリの細分化が必要であれば良否カテゴリ細分化処理Ｓ６５０が行われたのち、再度判別関数算出処理Ｓ６１０から処理が繰り返される。そして、カテゴリの細分化が必要でない程度に良否カテゴリの分布が分離していれば、判定基準としての閾値Ｔが決定され（Ｓ６４０）、判定基準作成処理が終了する。

多変量統計解析装置４００の構成について説明する。図８は多変量統計解析装置４００にて実行される多変量解析プログラムの機能ブロック図である。
多変量統計解析装置４００においては、ＯＳ４４６の制御下で多変量解析プログラム４６０が実行される。ＯＳ４４６は通信Ｉ／Ｏ４４４を介してデータの送受信や記憶部４５０からのファイル読み出しを制御し、多変量解析プログラム４６０に対して必要なデータを供給する。

（モード分類処理）
多変量解析プログラム４６０において、モード分類部４６１は、カテゴリの細分化処理を行う。
図９の流れ図に示す如く、モード分類部４６１では、ステップＳ２００にて通信Ｉ／Ｏ４４４を介して目視入力装置３００に記憶された目視判定データ４５１とデータ蓄積装置２００に記録されたパラメータ値データ４５２及び良否判定結果データ４５３とを取得する。パラメータ値データ４５２は各部品ごとに実際に計算されたパラメータ値である。これら、取得したデータは記憶部４５０に保存され、多変量解析プログラム４６０の各モジュールに利用される。なお、パラメータ値データ４５２のそれぞれと、その良否判定結果データ４５３（又は目視判定データ４５１）とは対応付けられており、各パラメータにおける良否判定結果が判明するようになっている。

ステップＳ２１０では、パラメータ数（本実施形態では１〜２００）のカウンタを初期化し、ステップＳ２２０ではパラメータｎについて良カテゴリと否カテゴリとのヒストグラムを生成し、多変量統計解析装置４００が備えるディスプレイに表示させる。
ここで、各パラメータ値に対する良否は良否判定結果データ４５３に依存するが、目視入力装置３００において目視判定が行われたものについては目視判定結果に従って良否をカテゴリ化する。すなわち、目視判定が行われた対象については目視による良否判定結果とパラメータ値データ４５２とが対応付けられており、この対応関係に従ってヒストグラムを生成し、表示する。この結果、目視によって「不良」とされた対象であってそのパラメータがレーザー検査装置１００において良カテゴリに入るものについて否カテゴリであることを明示することができる。

図１０はヒストグラムの表示例であり、図１０（ａ）ではパラメータｎ_１についての例を示しており、この例においてヒストグラムは良カテゴリと否カテゴリとについて正規分布を形成するとともに二つの分布に分かれている。
図１０（ｂ）ではパラメータｎ_２についての例を示しており、この例においてヒストグラムは良カテゴリと否カテゴリとについて正規分布を形成するとともに三つの分布に分かれている。このパラメータに対するヒストグラムでは否カテゴリが分布Ｅ、分布Ｆという二つの分布に分かれており、分布Ｅはレーザー検査装置１００における良カテゴリに含まれるが、分布Ｆは良カテゴリと分離している。

この状況においては、パラメータｎ_２について特徴付けられる形状が分布Ｆの不良を生じさせる原因に特有の形状であるといえるが分布Ｅの不良を生じさせる原因に特有の形状であるとはいえない。分布Ｅ、分布Ｆにおいては不良を生じさせる原因が異なるとともに、パラメータｎ_２は分布Ｆと良カテゴリとを分離する判別関数において好ましいパラメータであり、分布Ｅと良カテゴリとを分離する判別関数においては好ましくないパラメータである。
そこで、分布Ｅと分布Ｆとについては、異なる判別関数にて良否判定を行うべく否カテゴリを細分化する。

ディスプレイにパラメータごとのヒストグラムを表示するとカテゴリを細分化すべきか否かを把握することができ、多変量統計解析装置４００にてその指示を行うことができる。
すなわち、多変量統計解析装置４００はキーボード等の操作入力機器にて構成される入力部４２０を備えており、ステップＳ２３０では入力部４２０を介してカテゴリを細分化する指示を受け付けたときには、ステップＳ２４０にてカテゴリの細分化を行う。この細分化が為されたときには、後述する判別関数算出処理において細分化した否カテゴリと良カテゴリとの度数分布を分離する判別関数を算出する。

以上のような処理により、確実に良カテゴリと否カテゴリとを分離する判別関数を規定し、精度良く良否判定を行うことが可能になる。ステップＳ２５０ではカウンタを増加し、ステップＳ２６０にて全パラメータにカテゴリの細分化処理が終了したと判別されるまでステップＳ２２０以降の処理を繰り返す。

なお、ヒストグラムを表示させてオペレータにカテゴリ細分指示を入力さているが、統計解析による自動化を行っても良い。すなわち、否カテゴリの分布内で複数のピークが存在するか否かを判別するとともに、ピークが存在する場合は各ピークを与えるパラメータ値を正規分布でフィッティングし、フィッティングされた分布関数のσによって両分布が所定距離以上離れているかどうかを判別する。
そして、所定距離以上離れているときには、ステップＳ２４０におけるカテゴリの細分化を行う。すなわち、否カテゴリの分布内でピークが複数となっているときには、同じ否カテゴリであっても分布が分離している可能性があるとして分布の距離を評価する処理を行う。ここで、両分布の距離を評価する際には、上述のように各分布の標準偏差σによって距離を評価しても良いし、平均値や最頻値同士が所定距離以上離れているか否かを評価してもよい。

（判別関数算出処理）
多変量解析プログラム４６０において、判別関数算出部４６２は、ある変数を与える関数であって、変数に対して良カテゴリと否カテゴリとの度数分布を作成した場合に、両分布が良く分かれる判別関数を算出する処理を行い、具体的な処理は図１１に示す流れ図に従う。この変数は複数のパラメータの関数である。
本実施形態において、パラメータはパラメータ１〜２００間で存在するが、本実施形態においては両分布を分離する際に効果的な変数を選別して所定数のパラメータで判別関数を規定しており、所定数のパラメータを選別するに際して、まずステップＳ３００にて、相関係数及びパラメータの重要度に基づいて多重共線性を除去する。

すなわち、各パラメータの相互の相関係数を算出し、相関係数が所定値以上になるパラメータの数を良カテゴリと否カテゴリとにおいてそれぞれ集計し、集計値が大きいパラメータを非使用パラメータにする処理を繰り返し、多重共線性を除去している。このとき、集計値の最大値を与えるパラメータが複数であるときは、各パラメータに対して予め与えられた優先度の低い順にパラメータを非使用パラメータにする処理を行う。

上述の如く多重共線性を除去したあとは、残りのパラメータの中からステップＳ３１０にて判別関数の変数として組み入れるパラメータを選択する。このパラメータの選択においては公知の手法、例えば、総当たり法、前進選択法、後退消去、逐次法等を採用可能である。

以上のようにして、判別関数の変数として採用すべきパラメータを選択すると、これらのパラメータを変数とした判別関数ＺをステップＳ３２０にて算出する。
判別関数Ｚは、［数１］で表現される。なお、ここでａ_ｉは係数、ｘ_ｉは各パラメータが代入される変数、ｎは選択されたパラメータの数である。

判別関数は、該判別関数Ｚについて、上記良カテゴリと否カテゴリとの度数分布を作成した際に両者を最も分離するような判別関数Ｚを与えるように上記係数が決定されることにより算出され、例えば、［数２］における相関比η^２を最大にする係数を決定して算出することができる。

なお、［数２］で、ｌは良カテゴリ或いは否カテゴリを識別する識別符号であり、ｎ_１はカテゴリごとのサンプル数であり、上部に直線が付されたｘは総平均である。
すなわち、相関比η^２が最大になる全平方和Ｓ_Ｔと、群間平方和Ｓ_Ｂの比が最大になる。この状態においては両カテゴリの群間分散がなるべく大きく（各カテゴリの平均がなるべく離れる）、各カテゴリの分散がなるべく小さくなる。従って、判別関数に対する度数分布においては両カテゴリが非常に良く分離する。
なお、以上のような判別関数の算出手法は現代数学社１９８３年５月１日初版発行／田中豊・脇本和昌著「多変量統計解析法」等に詳述されている。以上のような判別分析を行う手法としては、上記判別関数Ｚによる判別以外にも、種々の手法が採用可能であり、マハラノビスの汎距離によって良否を判定する判別分析に本発明を適用させることもできる。また、良カテゴリと細分された否カテゴリとを同時に判別する多群の判別分析を利用することもできる。

判別関数算出部４６２が以上のようにして各係数ａ_ｉを算出すると、当該係数及びパラメータを示すデータを判別関数データ４５４として記憶部４５０に保存する。

（閾値決定処理）
多変量解析プログラム４６０において、統計指標算出部４６４は上記判別関数に対する良カテゴリと否カテゴリとの度数分布において、閾値を算出する際に利用される統計指標を算出し、閾値決定部は当該統計指標を利用して閾値を決定する。すなわち、従来の判別分析においては閾値を画一的にＺ＝０（両カテゴリの中間点）としていたが、本発明においては、この閾値決定の差異に統計指標を参酌している。具体的な処理は図１５に示す流れ図に従う。

ステップＳ４００では、判別関数データ４５４を取得し、ステップＳ４１０では判別関数に対する各カテゴリのヒストグラムを作成する。すなわち、前記パラメータ値データ４５２と良否判定結果データ４５３とを取得し、判別関数データ４５４の変数として規定されたパラメータに各パラメータ値を代入してＺを算出し、その良否に基づいて良否別に度数を計測してヒストグラムを作成する。このようにして作成されたヒストグラムは、例えば、図１６のようになる。すなわち、各カテゴリごとの分布は略正規分布となり、両者の裾がオーバーラップする。

ステップＳ４２０では、図１６のように作成されたヒストグラムにおいて、各カテゴリ別に度数平均と標準偏差とを算出する。同図において、判別関数Ｚ＝０が両カテゴリの度数平均の中心に位置しており、否カテゴリの度数平均をＡ_NG、良カテゴリの度数平均をＡ_OKと示している。また、否カテゴリの標準偏差をσ_NG、良カテゴリの標準偏差をσ_OKとして示している。

ステップＳ４２０にて度数平均及び標準偏差を算出すると、ステップＳ４３０にて入力部４２０で流出率入力を受け付ける。すなわち、多変量統計解析装置４００においては、入力部４２０によって流出率を入力できるようになっており、この流出率に基づいて閾値Ｔを決定する。従って、流出率は良否判定対象が不良であるにも関わらず、良判定してしまうことによって、不良品が検出されることなく流出する確率であり、否カテゴリの標準偏差σ_NGによって算出することができる。

標準偏差σ_NGによれば、正規分布において変数が度数平均と標準偏差との間に含まれる確率、或いは、変数が標準偏差より外部の裾部分に含まれる確率を容易に特定することができ、標準偏差を定数倍することによって、入力された流出率にすることができる。
例えば、図１６に示す４σ_NGであれば、否カテゴリの度数分布のうち、全体の０．０００３１が流出することになる。
なお、ステップＳ４３０においては、流出率自体の入力を受け付けても良いし、標準偏差に対して乗じる係数の入力を受け付けてもよいし、予め保存された流出率データ４５６に基づいて流出率を特定しても良い。

いずれにせよ、ステップＳ４３０にて流出率を受け付けてその値を特定すると、ステップＳ４４０においては流出率を与えるような閾値Ｔを仮決定する。図１６に示す例では、［Ｔ＝Ａ_NG＋４σ_NG］にて閾値Ｔを仮決定している。
本実施例においては、流出率の管理に加えて見過ぎ率の管理をも実施しており、この意味で、ステップＳ４４０の閾値Ｔは仮決定された値である。見過ぎ率は良否判定対象が良品であるにも関わらず、不良判定が為されることによって、いわば過剰に閾値Ｔを厳しくしている状況（見過ぎ）が発生する確率であり、良カテゴリの標準偏差σ_OKによって算出することができる。

本実施形態では、ステップＳ４５０にて見過ぎ率データ４５７を取得し、（Ａ_OK−Ｔ）／σ_OKが、Ｐより大きいか否かを判別して、上記仮決定された閾値Ｔが良カテゴリの度数平均Ａ_OKからその標準偏差σ_OKのＰ倍より遠いか否かを判別する。本実施例においては、Ｐ＝９としている。
同ステップＳ４５０において、（Ａ_OK−Ｔ）／σ_OKがＰより大きいと判別されたときには仮決定された閾値Ｔが流出率と見過ぎ率との双方から十分な値であるとして、閾値Ｔを閾値データ４５８として記憶部４５０に保存する。

また、ステップＳ４５０にて、（Ａ_OK−Ｔ）／σ_OKがＰより大きいと判別されないときには、良カテゴリと否カテゴリとの分離が十分でなく、閾値Ｔとして適した値を与えることができないため、カテゴリの細分化が必要であると判断して、良否カテゴリ細分化処理を行う。

（良否カテゴリ細分化処理）
多変量解析プログラム４６０において、カテゴリ細分化部４６３は、上記判別関数に関する良カテゴリと否カテゴリとの度数分布において、判別関数Ｚに基づいて算出される閾値が良否判定を行うにあたって適当でないものとして、カテゴリの細分化を図ることによって、判別関数を最適化するための処理を行う。具体的な処理は図１２に示す流れ図に従う。

まず、ステップＳ５１０では、閾値決定処理のステップＳ４１０にて作成したヒストグラムを呼び出し、続いて、ステップＳ５２０では、閾値決定処理のステップＳ４２０にて算出した度数平均と標準偏差とを呼び出す。
上述の如く、良カテゴリと否カテゴリとの分離が不十分であるとされる判別関数に対する各カテゴリのヒストグラムは、例えば図１３や図１４のようになる。すなわち、各カテゴリごとの分布は略正規分布になり、両者の裾がオーバーラップする。なお、図１３及び図１４において、判別関数Ｚ＝０が良カテゴリの度数平均の中心に位置しており、否カテゴリの度数平均をＡ_NG、良カテゴリの度数平均をＡ_OKと示している。また、否カテゴリの標準偏差をσ_NG、良カテゴリの標準偏差をσ_OKとして示している。

ステップＳ５３０では、良カテゴリと否カテゴリの両方を細分化する処理を行う。
良カテゴリの度数平均Ａ_OKから良カテゴリの標準偏差σ_OKのＫ倍以上離れた否分布を第一否分布α_NGとし、残りの否分布を第二否分布β_NGとして分離する。すなわち、否カテゴリを、良カテゴリの標準偏差σ_OKのＫ倍離れた値を閾値として、該閾値より良カテゴリから離れている分布を第一否分布α_NG、残りを第二否分布β_NGとするのである。
同様に、否カテゴリの度数平均Ａ_NGから良カテゴリの標準偏差σ_NGのＬ倍以上離れた良分布を第一良分布α_OKとし、残りの良分布を第二良分布β_OKとして分離する。すなわち、良カテゴリを、否カテゴリの標準偏差σ_NGのＬ倍離れた値を閾値として、該閾値より否カテゴリから離れている分布を第一良分布α_OK、残りを第二良分布β_OKとするのである。
なお、Ｋ及びＬの値は予め定められて入力されている。

そして、ステップＳ５４０にて、前記第一否分布α_NGと第一良分布α_OKにおいては、当該判別関数Ｚにて良好に分離されていると判断して良否を確定し、当該判別関数Ｚを決定する係数と、第一否分布α_NGと第一良分布α_OKにおけるパラメータを示すデータを判別関数データ４５４として記憶部４５０に保存する。
なお、第一否分布α_NGと第一良分布α_OKとから成る新たな良否カテゴリを作成して、再度、判別関数算出処理Ｓ６１０へ戻って判定基準作成処理を行うこともできる。

ステップＳ５５０にて、前記第二否分布β_NGと第二良分布β_OKについて、再度判定基準作成処理の開始に戻って処理を行うための、新たな良否カテゴリを作成する。すなわち、第二否分布β_NGと第二良分布β_OKからなる新たな良否カテゴリは、再度、判別関数算出処理Ｓ６１０と、閾値決定処理Ｓ６２０とを行う。良否カテゴリ細分化処理Ｓ６５０は良分布と否分布とが所定距離以上離れるまで繰り返される。
この場合、似た形状データを持つもののみを抽出して判別分析を行うこととなり、良分布と否分布とを分離させる判別関数を算出するため、似た形状であっても、図１４に示す如く、両分布と否分布とをより良く分離させることができることができる。

上述の如く、ヒストグラムにおいて良否の分布が良く分離しない原因として、良否判別対象の良否の形状が似ていることが挙げられる。形状が似ていると、良否判別対象より得られる形状データに似通ったものとなり、形状データに基づいて作成されるパラメータ値が似てくるからである。
従って、良否カテゴリ細分化処理において、もとの良否カテゴリを、第一否分布α_NGと第一良分布α_OKとから成る良否カテゴリと、第二否分布β_NGと第二良分布β_OKとから成る良否カテゴリに細分化し、それぞれについて判別関数を算出することによって、結果的に良否判別対象を形状の似たもの、似ていないものにカテゴリ分類を行い、さらに、良否各カテゴリに分類される形状を区別する最適な特徴を改めて抽出することによって、高精度な判別関数を作成している。これにより、高精度な良否判定基準を作成することができる。そして、良否形状が似ているために良否判定基準の作成が困難であった部位に対しても、高精度な良否判定基準を作成することが可能となる。

さらに、カテゴリの細分化を行い、この細分化されたカテゴリに対して良カテゴリと否カテゴリとの度数分布を分離させる変数を与える判別関数を算出することにより、目視では困難である程度の微小な形状の差異に対しても、良否判別を行うことが可能となる。これにより、良否判別精度を向上させることができるため、図１７に示す如く、通常は、目視による大まかなカテゴリ分類を行った上で判別分析を行うが、目視による判別を行わずに、良否判別対象に対して判別分析を行うことができる。さらに、目視による判別が不要となれば、この良否判定装置を製造ラインに組み込むことが可能と成り、良否判定検査をも自動的に行う製造工程を構成することができる。

なお、前記多変量統計解析として、判別分析を採用していたが、本発明においては良カテゴリと否カテゴリとについての度数分布を分離させる変数とその統計指標とが取得できればよいので、判別分析が好ましいものの、必須ではない。
例えば、多変量統計解析として重回帰分析を利用することができる。すなわち、重回帰分析において上記各パラメータが代入される説明変数の線形結合によって、良判定或いは否判定の結果を目的変数とした重回帰式を算出する。そして、重回帰式の目的変数のヒストグラムを作成し、該ヒストグラムにおいて上記特定の分布確率となる変数値を算出し閾値とすればよい。無論、他の解析手法を採用することも可能である。

良否判定装置を構成するシステムの概略ハードウエア構成を示す図。 レーザー検査装置における概略流れ図。 レーザー検査装置の概略構成を示す図。 良否判定プログラムの機能ブロック図。 通信制御プログラムの機能ブロック図。 目視入力プログラムの機能ブロック図。 判定基準作成処理の概略流れ図。 多変量解析プログラムの機能ブロック図。 モード分類処理の流れ図。 ヒストグラムの例を示す図。 判別関数算出処理の流れ図。 良否カテゴリ細分化処理の流れ図。 ヒストグラムの例を示す図。 ヒストグラムの例を示す図。 閾値決定処理の流れ図。 ヒストグラムの例を示す図。 従来の良否判定処理の流れを示す図。 良否判定対象の例を示す図。

符号の説明

１００ レーザー検査装置
２００ データ蓄積装置
３００ 目視入力装置
４００ 多変量統計解析装置
４６０ 多変量解析プログラム
４６３ 判別関数最適化部

Claims (6)

1. 良否判定要因となる複数のパラメータ情報とその良否判定結果情報とから良カテゴリと否カテゴリとの度数分布を分離させる変数を与える判別関数を算出する判別関数算出手段と、
   上記良カテゴリと否カテゴリとの少なくとも一方について上記変数に対する度数平均とその分布の拡がりを示す分布指標とを算出する統計指標算出手段と、
   上記少なくとも一方のカテゴリにおいて特定の分布確率となる上記変数値と上記度数平均と分布指標とから算出して良否判定の閾値とする閾値決定手段と、
   上記閾値に応じて細分化の要否を判断し、細分化が必要であれば上記良カテゴリと否カテゴリとを細分化して新たな良否カテゴリを作成するとともに、判別関数算出手段による処理に戻して新たな判別関数と閾値とを算出させる良否カテゴリ細分化手段と、
   良否判定対象について上記複数のパラメータ情報を取得するパラメータ情報取得手段と、
   同パラメータ情報を上記判別関数に代入して得られる上記変数の値と上記閾値とを比較することによって良否判定を行う良否判定手段を備えることを特徴とする良否判定装置。
2. 前記良否カテゴリ細分化手段は、
   判別関数について、良カテゴリと否カテゴリとのそれぞれにおいて度数平均と標準偏差とを算出し、
   良カテゴリを、否カテゴリの度数平均から所定量離れた値を閾値として、該閾値より否カテゴリから離れている分布を第一良分布、残りを第二良分布とし、
   否カテゴリを、良カテゴリの度数平均から所定量離れた値を閾値として、該閾値より良カテゴリから離れている分布を第一否分布、残りを第二否分布とし、
   前記良否カテゴリを、第一良分布と第一否分布とから成る第一良否カテゴリと、第二良分布と第二否分布とから成る第二良否カテゴリとに細分化する処理を行う、請求項１に記載の良否判定装置。
3. 良否判定要因となる複数のパラメータ情報とその良否判定結果情報とから良カテゴリと否カテゴリとの度数分布を分離させる変数を与える判別関数を算出する判別関数算出機能と、
   上記良カテゴリと否カテゴリとの少なくとも一方について上記変数に対する度数平均とその分布の拡がりを示す分布指標とを算出する統計指標算出機能と、
   上記少なくとも一方のカテゴリにおいて特定の分布確率となる上記変数値を上記度数平均と分布指標とから算出して良否判定の閾値とする閾値決定機能と、
   上記閾値に応じて細分化の要否を判断し、細分化が必要であれば上記良カテゴリと否カテゴリとを細分化して新たな良否カテゴリを作成するとともに、新たな良否カテゴリについて新たな判別関数と閾値とを算出させる良否カテゴリ細分化機能と、
   良否判定対象について上記複数のパラメータ情報を取得するパラメータ情報取得機能と、
   パラメータ情報と上記判別関数に代入して得られる上記変数の値と上記閾値とを比較することによって良否判定を行う良否判定機能とを、
   コンピュータに実現させることを特徴とする良否判定プログラム。
4. 前記良否カテゴリ細分化機能にて、
   良カテゴリを、否カテゴリの度数平均から所定量離れた値を閾値として、該閾値より否カテゴリから離れている分布を第一良分布、残りを第二良分布とし、
   否カテゴリを、良カテゴリの度数平均から所定量離れた値を閾値として、該閾値より良カテゴリから離れている分布を第一否分布、残りを第二否分布とし、
   前記良否カテゴリを、第一良分布と第一否分布とから成る第一良否カテゴリと、第二良分布と第二否分布とから成る第二良否カテゴリとの新たなカテゴリに細分化する、請求項３に記載の良否判定プログラム。
5. 良否判定要因となる複数のパラメータ情報とその良否判定結果情報とから良カテゴリと否カテゴリとの度数分布を分離させる変数を与える判別関数を算出する判別関数算出工程と、
   上記良カテゴリと否カテゴリとの少なくとも一方について上記変数に対する度数平均とその分布の拡がりを示す分布指標とを算出する統計指標算出工程と、
   上記少なくとも一方のカテゴリにおいて特定の分布確率となる上記変数値を上記度数平均と分布指標とから算出して良否判定の閾値とする閾値決定工程と、
   上記閾値に応じて細分化の要否を判断し、細分化が必要であれば上記良カテゴリと否カテゴリとを細分化して新たな良否カテゴリを作成するとともに、新たな良否カテゴリについて新たな判別関数と閾値とを算出させる良否カテゴリ細分化工程と、
   良否判定対象について上記複数のパラメータ情報を取得するパラメータ情報取得工程と、
   パラメータ情報と上記判別関数に代入して得られる上記変数の値と上記閾値とを比較することによって良否判定を行う良否判定工程とを、
   具備することを特徴とする良否判定方法。
6. 前記良否カテゴリ細分化工程において、
   良カテゴリを、否カテゴリの度数平均から所定量離れた値を閾値として、該閾値より否カテゴリから離れている分布を第一良分布、残りを第二良分布とし、
   否カテゴリを、良カテゴリの度数平均から所定量離れた値を閾値として、該閾値より良カテゴリから離れている分布を第一否分布、残りを第二否分布とし、
   前記良否カテゴリを、第一良分布と第一否分布とから成る第一良否カテゴリと、第二良分布と第二否分布とから成る第二良否カテゴリとの新たなカテゴリに細分化する、請求項５に記載の良否判定方法。

Images