JP2013541779A - ウェブベースの材料のばらつきを検出するための、不均一性の厳しさ度の連続的なチャート化 - Google Patents

Abstract

製造したウェブ材料で不均一欠陥の存在を検出して、各欠陥の厳しさ度を示す出力を提供するためのコンピュータ化検査システムについて記載する。このシステムは、不均一欠陥の厳しさ度をリアルタイムで連続的スケールによって示す出力を提供する。トレーニングソフトウェアは、複数のトレーニングサンプルを処理してモデルを生成する。各トレーニングサンプルには、不均一欠陥に関する離散的な定格ラベルセットの１つを割り当てさえすればよい。トレーニングソフトウェアは、トレーニング画像の連続的なランク付けを表すモデルを生成し、検査システムは、このモデルを用いて、トレーニングサンプルに割り当てられた離散的な定格ラベルに出力を制限することなく、ウェブ材料の厳しさ度を連続的スケールでリアルタイムに計算する。

Description

（関連出願の相互参照）
本出願は、２０１０年１０月１９日に出願された、米国特許仮出願第６１／３９４，６５５号の利益を請求し、その開示の全文を本明細書に参考として組み込む。

（発明の分野）
本発明は、移動するウェブを検査するためのコンピュータシステムのような自動検査システムに関する。

移動するウェブ材料を分析するためのコンピュータ化検査システムは、現代の製造業務に欠かせないことが明らかになっている。生産ラインの目的は、完全に均一で、ばらつきのない材料を生産することである。しかしながら、不均一性は、ウェブベースの材料を製造する際によく見られる問題である。この不均一性は、いずれかの数のプロセス変数又は配合誤差によって生じることがある。このため、光学検査センサ（例えばカメラ）によって取得されたデジタル画像に基づき、製造した製品の品質を自動的に分類できる画像ベースの検査システムを配備するのがますます一般的になっている。取得された各デジタル画像（すなわち「サンプル」）に対して、そのサンプル又はその一部が最も単純なケースにおいて許容可能か又は許容不可能かを示す定格を割り当てようと試みるアルゴリズム（「クラシファイア」と称されることが多い）を適用する検査システムもある。

これらの検査システムは、製造した材料の単一の区域に各欠陥が局在化している「点」欠陥を識別しようと試みることが多い。しかしながら、「不均一」欠陥、つまり「不均一性」と称される他のタイプの欠陥が存在する場合があり、この場合には、そのウェブ材料は広い面積にわたって不均一なばらつきを呈する。このような不均一性の例としては、斑点、びびり、バンディング、及び縞が挙げられる。これらのような不均一タイプの欠陥は、その名のとおり分散しており、局在化していない。その結果、このような欠陥は、局在化している点欠陥よりも、コンピュータ化検査システムで検出及び定量化するのが難しい場合がある。したがって、作業者又は品質管理エンジニアが、まばらにサンプリングしたウェブサンプルを手作業によってオフラインで、すなわち生産の完了後に検査せざるを得ない場合がある。

一般に、本開示は、不均一欠陥の存在を検出して、各欠陥の厳しさ度を示す出力を提供するためのコンピュータ化検査システムについて説明する。更には、本開示の技法は、不均一性の厳しさ度の連続的なチャート化をもたらす出力を提供することができる。換言すれば、本開示のコンピュータ化検査システムは、「許容可能」若しくは「許容不可能」、又は「１」、「３」、若しくは「５」のような離散的な定格ラベルに制約されずに、サンプルの、より連続的なランク付けを行うことができる。例えば、本開示のコンピュータ化検査システムは、所定のサンプルの不均一性の厳しさ度の、連続的スケールによる測定値（０〜１０のスケールにおける１．６３など）を生成するアルゴリズムを適用することができる。

１つの実施形態では、装置は、プロセッサと、複数のトレーニングサンプルを記憶するメモリとを含む。それらの画像のそれぞれには、それらのトレーニング画像内に存在する不均一欠陥に対する離散的な定格ラベルセットの１つが割り当てられている。このプロセッサ上で実行されるトレーニングソフトウェアは、各トレーニング画像の特徴ベクトルをその各トレーニング画像のピクセル値から計算することによって、複数のトレーニング画像のそれぞれから特徴を抽出する特徴抽出モジュールを含む。このトレーニングソフトウェアは、トレーニング画像の特徴ベクトルのそれぞれを多次元空間内の点として表現する。このトレーニングは、トレーニング画像の連続的なランク付けを計算し、それらのトレーニング画像のそれぞれには、様々なタイプの欠陥に関して、不均一性のランク値が連続的スケールで割り当てられる。

別の実施形態では、コンピュータ化検査システムは、トレーニング画像の連続的なランク付けを多次元特徴空間内の複数の点として表現するモデルを記憶するメモリを含む。多次元空間内の点のそれぞれは、トレーニング画像の別の点に関する特徴ベクトルに相当する。このコンピュータ化検査システムは、製造したウェブ材料から取得された新たな画像を処理するソフトウェアを実行して、その新たな画像から特徴を抽出するサーバを含む。このソフトウェアは、トレーニング画像のモデルに基づき、ウェブ材料の不均一欠陥の厳しさ度を連続的スケールで計算する。このコンピュータ化検査システムは、この厳しさ度をユーザーに出力するためのユーザーインターフェースを含む。

別の実施形態では、方法は、コンピュータ上でソフトウェアを実行して、トレーニング画像のそれぞれの数値記述子をそのそれぞれのトレーニング画像のピクセル値から計算することによって、複数のトレーニング画像のそれぞれから特徴を抽出する工程を含み、これらの画像のそれぞれには、そのトレーニング画像内に存在する不均一欠陥の離散的な定格ラベルセットの１つが割り当てられている。この方法は、トレーニング画像の数値記述子を定格ソフトウェアで処理して、トレーニング画像に割り当てられた離散的な定格ラベルに基づき、トレーニング画像の連続的なランク付けを計算する工程を更に含む。この方法は、製造したウェブ材料から取得された新たな画像を処理して、その新たな画像から特徴を抽出し、トレーニング画像の連続的なランク付けに基づき、そのウェブの不均一欠陥の厳しさ度を計算する工程と、ユーザーインターフェースを表示して、厳しさ度をユーザーに出力する工程を含む。

これらの技法は、１つ以上の利点をもたらすことができる。一例として、作業者により詳細な情報が提供されるほど、不均一性の原因に関する理解をもたらすのにより有用となり得る。欠陥の厳しさ度が連続的スケールによるリアルタイムの出力である、不均一性の厳しさ度の連続的なチャート化によって、時間の経過とともに生じる不均一性の量及び厳しさ度を、作業者がより明確に可視化でき、これは、「良」及び「不良」のような離散的な出力よりも有益である場合がある。このように、特定の不均一欠陥について作業者に示される出力は、トレーニングサンプルに割り当てられた離散的な定格ラベルに制約されない。

加えて、コンピュータ化検査システムがこの技法を適用して、ウェブ製造施設内のプロセスエンジニアのようなユーザーに、不均一性の存在とそれらの厳しさ度に関してリアルタイムでのフィードバックを提供し、それによって、ユーザーが、プロセス条件を調節することによって、出現しつつある不均一性に迅速に対処して、大幅に生産を遅延させることなく、又は、使用不能な材料を大量に生産することなく問題を改善することができる。換言すれば、この技法の適用によって、不具合が生じたときにその不具合を検出する機能を作業者に付与して、廃棄物の量を低減することができる。

更に、これらの技法は、連続的なランク付けモデルを適用して、サンプルの連続的なランク付けを実現できるとともに、入力として、不均一性が、例えば「１」、「３」、及び「５」というレベルのように、大まかに離散化したスケールでしか分からないトレーニング画像セットから、その連続的なランク付けモデルを構築することができる。

更に、本明細書に記載されている、不均一性の厳しさ度の連続的なチャート化の技法には、ウェブ上で製造されるいずれの材料も含む、多くの生産ラインにおける利用可能性と有用性を有する。この技法は、不透明であるか、反射照明を必要とする製品内の不均一性を識別及び定格するのにも有用である。しかしながら、この技法は、いずれの特定の製造した材料又は画像様式にも制限されない。

本発明の１つ以上の実施形態の詳細を添付図面及び以下の説明に示す。本発明の他の特徴、目的、及び利点は、説明及び図面、並びに特許請求の範囲から明らかとなるであろう。

本明細書に記載されている技法が適用され得る例示的なウェブ製造及び変換システムを示すブロック図である。 例示的なウェブ製造工場における、検査システムの例示的な実施形態を示すブロック図である。 本明細書に記載されているシステムの例示的な操作を示すフローチャートである。 「マニホールド」と称される連続的な３次元（３Ｄ）表面を示しており、これを参照にすると、連続的なランク付けモデルを生成するトレーニングソフトウェアが適用するアルゴリズムが容易に理解される。 トレーニング画像から抽出した特徴ベクトルをトレーニングソフトウェアが処理して、トレーニング画像の連続的なランク付けを構築し、連続的なランク付けモデルを生成する例示的なプロセスをより詳細に示すフローチャートである。 チャート化モジュールが連続的なランク付けモデルをリアルタイムで用いて、不均一欠陥の存在を検出し、各欠陥の厳しさ度の連続的なチャート化を行う例示的なプロセスをより詳細に示すフローチャートである。 ２次元特徴空間におけるｋ−最も近い近傍探索の論理的表現を示すグラフ。 ハッシングアルゴリズムを用いる、ｋ−最も近い近傍探索の第２の技法を示す。

図１は、本明細書に記載されている技法が適用され得る例示的なシステム２を示すブロック図である。ウェブ製造プラント（工場）６Ａ〜６Ｎ（ウェブ製造工場６）は、ウェブ材料をウェブロール７の形状で製造及び移送する製造現場を表している。ウェブ製造工場６は、地理的に分散していてもよく、ウェブ製造工場のそれぞれは、１つ以上の製造加工ラインを有してもよい。一般に、ウェブロール７は、製造工場６のうちのいずれかによって製造してよく、また追加の処理のためにウェブ製造工場間で移送してよい。完成したウェブロール１０は、製品１２Ａ〜１２Ｎ（製品１２）に変換するために、加工現場８Ａ〜８Ｎ（加工現場８）に移送される。図１に示されているように、変換制御システム４、ウェブ製造工場６Ａ〜６Ｍ（ウェブ製造工場６）、及び加工サイト（現場）８Ａ〜８Ｎ（加工現場８）は、ウェブ材料の製造と製品１２への変換に関連する情報（例えば欠陥情報）を交換するためにコンピュータネットワーク９によって相互接続されている。

一般に、ウェブロール７、１０は、既製のウェブ材料を含んでもよく、そのウェブ材料は、ある方向には一定の寸法を、またその直交方向には所定の又は不定の長さを有する任意のシート状材料であってよい。ウェブ材料の例には、金属、紙、織布、不織布、ガラス、ポリマーフィルム、フレキシブル回路又はこれらの組み合せが含まれるが、これらに限られない。金属には、鋼又はアルミニウムなどの材料を挙げることができる。織布には一般的に、様々な織物が挙げられる。不織布には、紙、濾材又は絶縁材料などが挙げられる。フィルムには、例えば積層体及びコーティングされたフィルムを含む無色（クリア）かつ不透明なポリマーフィルムが挙げられる。

加工現場８は、完成したウェブロール１０をウェブ製造工場６から受領し、顧客１４Ａ〜１４Ｎ（顧客１４）に販売するための製品１２に組み込む目的で、完成したウェブロール１０を個別のシートに変換してよい。加工システムは、製品と関連付けられた等級レベルのような様々な基準に基づき、所定の完成したウェブロール１０をどの製品１４に変換するかを決定することができる。すなわち、どのシートをどの製品１２に組み込むべきかという選択プロセスは、各シートが満たしている具体的な等級レベルに基づいてよい。本明細書に記載する技法に従えば、加工現場８はまた、完成したウェブロール１０の異常、すなわち潜在的な欠陥に関するデータを受領してもよい。最終的に、加工現場８は、完成したウェブロール１０を個々のシートに変換してもよく、それらのシートは、顧客１４Ａ〜１４Ｎ（顧客１４）への販売のために、製品１２に組み込まれてもよい。

製品１２に組み込むための個々のシートに変換する準備のできた完成したウェブロール１０を生産するために、未完成のウェブロール７は、１つのウェブ製造工場、例えばウェブ製造工場６Ａにて、あるいは多数の製造工場にて、多数の加工ラインによる処理を受けることが必要となり得る。各プロセスに関して、ウェブロールは典型的に、ウェブがそこから製造プロセスの中へ送られるソースロールとして使用される。各プロセスの後、ウェブは典型的に、ウェブロール７に再度収集されて、別の製品ラインに移動されるか又は別の製造工場に移送され、次にウェブはそこで広げられ、処理され、かつ再度ロールに収集される。最終的に完成したウェブロール１０が製造されるまでこのプロセスが繰り返される。多数の応用例で、各ウェブロール７のウェブ材料は、１つ以上のウェブ製造工場６の１つ以上の生産ラインで多数のコーティングを施されることがある。このコーティングは一般に、最初の製造プロセスの場合にはベースウェブ材料の露出表面に、後の製造プロセスの場合には既に施されたコーティングの露出表面に施される。コーティングの例には、接着剤、ハードコート、低接着性裏面コーティング、金属化コーティング、中性密度コーティング、電気的に導電性若しくは非導電性コーティング、又はこれらの組み合せが挙げられる。

ウェブロール７の所定の１つの各製造プロセスの間、１つ以上の検査システムがウェブの異常情報を取得する。例えば、図２に示されているように、生産ラインのための検査システムは、ウェブが処理されるとき、例えば、１つ以上のコーティングがウェブに塗布されるとき、連続的に移動するウェブに近接して配置される１つ以上の画像取集装置を含んでもよい。画像収集装置は、連続的に移動するウェブの連続的な部分を走査してデジタル画像を得る。検査システムは、１つ以上のアルゴリズムによって画像を分析して、ウェブが変換される最終製品１２によっては、実際の「欠陥」を表す場合があるいわゆる「局所的な」異常情報を生成する分析コンピュータを含む。検査システムは例えば、各欠陥が単一の区域に局在化している「点」欠陥に関する異常情報を生成してもよい。別の例として、検査システムは、ウェブ材料が点欠陥の面積よりも広い面積にわたって不均一なばらつきを呈する「不均一」欠陥、つまり「不均一性」に関する異常情報を生成してもよい。このような不均一性の例としては、斑点、びびり、バンディング、及び縞が挙げられる。

ウェブ製造工場６内の分析コンピュータは、不均一欠陥の存在を検出するとともに、各欠陥の厳しさ度を示す出力を提供するためのアルゴリズムを適用してもよい。更には、本技法は、不均一性の厳しさ度の連続的なチャート化を行う出力を提供することができる。分析コンピュータは、ウェブを製造するときにリアルタイムで、又は、ウェブに関してすべての画像データが取得された後にオフラインで、アルゴリズムを適用してもよい。例えば、コンピュータ化検査システムは、ウェブ製造工場６内のプロセスエンジニアのようなユーザーに、不均一性の存在とそれらの厳しさ度に関して、リアルタイムでのフィードバックを提供し、それによって、ユーザーが、プロセス条件を調節することによって、出現しつつある不均一性に迅速に対処して、大幅に生産を遅延させることなく、又は、使用不能な材料を大量に生産することなく問題を改善することができる。コンピュータ化検査システムは、連続的スケールによるか、又は、より正確にサンプリングしたスケールによる、所定のサンプルの不均一性の厳しさ度の測定値（０〜１０のスケールにおける１．６３など）を生成するアルゴリズムを適用してもよい。不均一性の厳しさ度の連続的なチャート化によって、時間の経過とともに生じる不均一性の量及び厳しさ度を、作業者がより明確に可視化でき、これは、「良」及び「不良」のような離散的な出力よりも有益である場合がある。例えば、コンピュータ化検査システムは、不均一性の原因に関する理解をもたらし得る詳細な情報を作業者に提供することができる。

この連続的なチャート化プロセス中に、分析コンピュータは、トレーニングデータに基づき構築した連続的なランク付けモデルを適用することによって、取得されたデジタル画像を処理する。このトレーニングデータは典型的には、アルゴリズムの「トレーニングフェーズ」中に処理され、そのトレーニングデータに最もよく一致するように、連続的なランク付けモデルが構築される。すなわち、トレーニングフェーズ、及び連続的なランク付けモデルの構築後、連続的なランク付けモデルをトレーニングデータに適用することによって、高い確率でトレーニングデータをラベル付けすることになる。連続的なランク付けモデルをトレーニングデータから構築したら、分析コンピュータは、処理の「分類フェーズ」中に、潜在的にはリアルタイムで、新たに製造した製品から取得されたサンプルに連続的なランク付けモデルを適用し、「許容可能」若しくは「許容不可能」、又は、「１」、「３」、若しくは「５」のような離散的な定格ラベルに制約されずに、不均一性の厳しさ度の連続的なチャート化を行う。コンピュータ化検査システムは、サンプルの連続的なランク付けを提供することができる。例えば、コンピュータ化検査システムは、アルゴリズムを適用して、０〜１０のスケールにおける１．６３のような連続的スケールで、ウェブ材料内の不均一欠陥に関する厳しさ度の測定値を生成することができる。更には、サンプルの連続的なランク付けを実現させる目的で用いる連続的なランク付けモデルは、不均一性の厳しさ度が大まかに離散化したスケールでしか分からないトレーニング画像セットから構築することができる。

いくつかの実施形態では、所定の製造したウェブのデジタル画像の分析は、変換制御システム４によってオフラインで行ってもよい。所定のウェブに対する分類に基づき、変換制御システム４は、各ウェブロール１０に関する変換計画を選択及び生成することができる。ある製品（例えば製品１２Ａ）では、ある特定の不均一性が欠陥につながる場合がある一方で、別の製品（例えば製品１２Ｂ）では、その異常が欠陥につながらない場合もあるという点で、デジタル画像の分析と厳しさ度の決定は、用途特有のものであってよい。各変換計画は、最終的に顧客１４に販売され得る製品１２を作製するために、対応する完成したウェブロール１０を処理する規定の指示を表すものである。例えば、ウェブロール１０は、最終製品、例えばノートブックコンピュータのディスプレイ用途の特定サイズのシートに変換してよい。別の例として、この同じウェブロール１０は、携帯電話のディスプレイに適用するための最終製品に変換されてもよい。変換制御システム４は、異常に適用され得る様々な欠陥検出アルゴリズムを考慮して、ウェブの最大利用率のような特定のパラメータをどの製品が最良に達成するかを識別することができる。

図２は、図１の例示的なウェブ製造工場６Ａ内のウェブ加工ライン２１の一部内に位置する検査システムの例示的な実施形態を示すブロック図である。この例示的な実施形態では、ウェブ２０の一区間が、２つの支持ロール２２、２４の間に配置されている。画像収集装置２６Ａ〜２６Ｎ（画像収集装置２６）は、連続的に移動するウェブ２０にごく近接して配置されており、連続的に移動するウェブ２０の連続的な部分を走査して画像データを得る。収集コンピュータ２７は、画像収集装置２６から画像データを収集し、その画像データを分析コンピュータ２８に送信する。

画像収集装置２６は、移動するウェブ２０の連続的な部分を読取ることができ、並びにデジタルデータストリームの形態で出力を提供することができる従来の画像デバイスであってもよい。図２に示されているように、画像収集装置２６は、デジタルデータストリームを直接提供するカメラ又は追加のアナログ−デジタルコンバータを有するアナログカメラであってもよい。例えばレーザースキャナなどの他のセンサが、画像収集装置として利用されてもよい。ウェブの連続的な部分は、データが単一のラインの連続によって得られているということを示す。単一のラインは、センサ要素又はピクセルの一列に位置する、連続して移動するウェブの領域を含む。画像を収集するのに好適な装置の例には、ダルサ社（Dalsa）（カナダ国オンタリオ州ワーテルロー（Waterlo））のＰｉｒａｎｈａ Ｍｏｄｅｌｓ、又はアトメル社（Atmel）（カリフォルニア州サンホセ（San Jose））のＭｏｄｅｌ Ａｖｉｖａ ＳＣ２ ＣＬなどのラインスキャンカメラが挙げられる。更なる例には、サーフェイス・インスペクション・システムズ社（Surface Inspection Systems GmbH）（ドイツ、ミュンヘン（Munich））からの、アナログ−デジタルコンバータと連結したレーザースキャナが挙げられる。

画像データは任意で、画像の収得を補助する光学アセンブリを用いて収集してもよい。この組立体はカメラの一部であってもよいか、又はカメラから分離されているかのいずれか一方でもよい。光学的組立体は、撮像プロセス中に反射光、透過光又は反射透過光（transflected light）を利用する。反射光は、例えば、表面のスクラッチなどウェブ表面の変形によって生じた欠陥の検出に、しばしば好適である。

いくつかの実施形態では、基準マークコントローラ３０が基準マークリーダ２９を制御して、ロール及び位置の情報をウェブ２０から集める。例えば、基準マークコントローラ３０は、バーコード又は他のしるしをウェブ２０から読み取るための１つ以上の写真光学センサを有していてもよい。加えて、基準マークコントローラ３０は、ウェブ２０及び／又はローラ２２、２４と係合した１つ以上の高精度エンコーダから位置信号を受信してもよい。この位置信号に基づいて、基準マークコントローラ３０は、検出された各基準マークに対する位置情報を判定する。基準マークコントローラ３０は、検出された異常との関連付けのために、ロール及び位置情報を分析コンピュータ２８に伝える。

分析コンピュータ２８は、収集コンピュータ２７から次々と送られてくる画像データを処理する。一例として、本明細書に記載されている技法によれば、不均一性チャート化コンピュータモジュール３９（「チャート化モジュール３９」）は、分析コンピュータ２８上で実行され、トレーニングデータ３５に基づき構築された連続的なランク付けモデル３４（「モデル３４」）を用いるアルゴリズムを適用して、不均一欠陥の存在を検出するとともに、各欠陥の厳しさ度の連続的なチャート化を提供する。

トレーニングデータ３５は典型的には、１人以上のエキスパート３８によって定格を割り当てられた代表的なサンプルデジタル画像の大規模セットからなる。トレーニングには、事前に自動的にランク付けしたデータを用いることもできる。デジタル画像は例えば、ウェブ２０、又はウェブ加工ライン２１によって事前に製造した別のウェブから採取したサンプルを示すものであってもよい。トレーニングサーバ３６は、エキスパート３８が、サンプルを示すデジタル画像の大規模な集合体に、効率的かつ一貫して定格（すなわちラベル）を割り当てるのを補助するように、エキスパート定格コンピュータツール３７（「定格ツール３７」）を提供するソフトウェアを実行するための動作環境を提供することができる。例示的なエキスパート定格ツール３７の更なる詳細は、米国特許仮出願第６１／３９４，４２８（Ｒｉｂｉｎｉｃｋら、表題「ＣＯＭＰＵＴＥＲ−ＡＩＤＥＤ ＡＳＳＩＧＮＭＥＮＴ ＯＦ ＲＡＴＩＮＧＳ ＴＯ ＤＩＧＩＴＡＬ ＳＡＭＰＬＥＳ ＯＦ Ａ ＭＡＮＵＦＡＣＴＵＲＥＤ ＷＥＢ ＰＲＯＤＵＣＴ」、２０１０年１０月１９日出願）に見出すことができる。

チャート化モジュール３９は少なくとも部分的に、１つ以上のハードウェアマイクロプロセッサ、デジタルシグナルプロセッサ（ＤＳＰ）、特定用途向け集積回路（ＡＳＩＣ）、フィールドプログラマブルゲートアレイ（ＦＰＧＡ）、又はその他の同等の集積若しくは個別論理回路、及びこのようなコンポーネントを組み合わせたものを含む、分析コンピュータ２８の１つ以上のプロセッサによって実行されるソフトウェア命令として実行されてよい。このソフトウェア命令は、ランダムアクセスメモリ（ＲＡＭ）、リードオンリーメモリ（ＲＯＭ）、プログラマブルリードオンリーメモリ（ＰＲＯＭ）、消去可能なプログラマブルリードオンリーメモリ（ＥＰＲＯＭ）、電子的に消去可能なプログラマブルリードオンリーメモリ（ＥＥＰＲＯＭ）、フラッシュメモリ、ハードディスク、ＣＤ−ＲＯＭ、フロッピーディスク、カセット、磁気媒体、光媒体、又はその他のコンピュータ読み取り可能な記憶媒体のようなコンピュータ読み取り可能な非一時的媒体内に記憶してよい。分析コンピュータ２８及びチャート化モジュール３９、並びにトレーニングサーバ３６及び定格ツール３７は、例示目的で、製造工場６Ａ内に配置されているように示されているが、製造工場の外、例えば中枢部又は加工現場に位置していてもよい。例えば、分析コンピュータ２８及びトレーニングサーバ３６は、変換制御システム４内で動作してもよい。別の例では、チャート化モジュール３９及び定格ツール３７は、単一の計算プラットフォーム上で実行されても、同じソフトウェアシステムに統合されていてもよい。

トレーニングデータ３５を構築したら、トレーニングモジュール４１がそのトレーニングデータを処理して、ウェブ材料２０に関して収集コンピュータ２７から受信した画像データのリアルタイム分析のために、チャート化モジュール３９によって後で用いられるのに備えて、連続的なランク付けモデル３４を生成する。このようにして、連続的なランク付けモデル３４に従って、ウェブ材料２０の領域の新たな画像を分類することができる。検出できる例示的な欠陥としては、斑点、びびり、バンディング、及び縞のような不均一性、並びに、染み、引っかき傷、及び油たれなどの点欠陥が挙げられる。

分析コンピュータ２８は、ウェブ２０に関するロール識別情報、各異常に関する位置情報を含む、ウェブ２０に関する異常情報をデータベース３２内に記憶する。例えば、分析コンピュータ２８は、基準マークコントローラ３０によって生成された位置データを用いて、加工ラインの座標系内の各異常の空間位置又は画像領域を測定することができる。すなわち、基準マークコントローラ３０から得た位置データに基づき、分析コンピュータ２８は、現在の加工ラインで用いられている座標系内の各異常に関するｘ、ｙ、及び場合によりｚの位置又は範囲を測定する。例えば、座標系は、ｘ次元が、ウェブ２０を横断する距離を表し、ｙ次元がウェブの長さに沿った距離を示し、ｚ次元がウェブの高さを表すように定義されてもよく、これはコーティング、材料又はウェブに既に適用された他の層の数に基づいてもよい。更に、ｘ、ｙ、ｚ座標系の原点は、加工ライン内のある物理的な箇所で規定されてもよく、典型的には、ウェブ２０の初期供給点の配置に関連付けられる。データベース３２は、１つ以上のデータベースサーバを実行するデータストレージファイル又は１つ以上のデータベース管理システム（ＤＢＭＳ）を含む、様々な形態の任意の数で実行されてもよい。データベース管理システムは、例えば、リレーショナル（ＲＤＢＭＳ）、階層的（ＨＤＢＭＳ）、多次元（ＭＤＢＭＳ）、オブジェクト指向（ＯＤＢＭＳ若しくはＯＯＤＢＭＳ）又はオブジェクトリレーショナル（ＯＲＤＢＭＳ）データベース管理システムであってもよい。一例として、データベース３２は、ＳＱＬサーバ（SQL Server）（商標）によってマイクロソフト社（Microsoft Corporation）から提供されているリレーショナルデータベースとして実行される。

処理が終わったら、分析コンピュータ２８は、データベース３２で収集したデータを変換制御システム４にネットワーク９を介して送信してもよい。例えば、分析コンピュータ２８は、連続的なランク付けモデル３４に従って後で行われるオフラインでの詳細分析に備えて、ロール情報、並びに、異常情報及び各異常に関するそれぞれのサブ画像を変換制御システム４に伝達することができる。例えば、この情報は、データベース３２と変換制御システム４との間のデータベース同期によって通信されてもよい。いくつかの実施形態では、製品１２のうちの、各異常によって欠陥が発生し得る製品を、解析用コンピュータ２８ではなく変換制御システム４が判定してもよい。完成したウェブロール１０に関するデータをデータベース３２で収集したら、そのデータを加工現場８に伝達し、及び／又は、そのデータを用いて、除去可能な若しくは水で落とせるマークによって直接ウェブの表面上にて、あるいは、ウェブ上の異常にマークを付ける前又はその間にウェブに付けることができるカバーシート上にて、ウェブロール上の異常にマークを付けることができる。

図３は、トレーニングモジュール４１及びチャート化モジュール３９の動作の概略を示すフローチャートである。一般に、このプロセスは、トレーニングフェーズ４５と、オンライン推定フェーズ４７という２つの一般的処理フェーズを含む。

最初に、トレーニングモジュール４１が、トレーニングデータ３５を入力として、典型的には、厳しさ度ランクが、場合によって大まかに離散化したスケールで既知である画像セットの形状で受領する（５０）。すなわち、トレーニングデータ３５は、ウェブ２０から採取したサンプルを示すデジタル画像であってよく、エキスパート定格コンピュータツール３７（「定格ツール３７」）は、米国特許仮出願第６１／３９４，４２８号に記載されている方法で、デジタル画像のそれぞれに離散的な定格５３を割り当てられている場合がある。

次に、トレーニングモジュール４１の特徴抽出ソフトウェアモジュールが各画像を処理して、特徴を抽出する（５２）。特徴の抽出は、各画像に固有の関連情報のコンパクトな数値表現として、各画像の数値記述子をもたらす。特徴は、トレーニングセット内の画像間の関係に関する有用な情報を保持し、同時に、情報価値のない画像特徴を削除する任意の方法で抽出することができる。一般的な特徴抽出技法の例としては、画像とフィルターセットを畳み込み、フィルター処理した画像の統計値を計算するか、色又は強度のヒストグラムに基づき特徴を抽出する技法が挙げられる。場合によっては、ピクセル値を特徴として用いることができるが、この場合、典型的には画像全体を記憶する必要があるので、記述子はコンパクトではない。一般に、得られた特徴は、対応する画像中の関連情報のコンパクトな記述として取り扱う。

本明細書に記載されている技法は、任意の特定の特徴抽出法とともに用いることに限定されず、他のタイプの特徴がより適切である用途に容易に適用することができる。一般に、画像から抽出した特徴は、特定のタイプの不均一性に関して、画像についての識別情報を含む点で記述的である。したがって、特徴を抽出したら、各画像に対応する特徴ベクトルは、その画像に含まれる関連情報の大半を表現する。

特にその情報が質感に関するものであるときに、関連画像情報をコンパクトな形状でカプセル化する１つの例示的方法は、画像全体にわたるピクセル特徴の小規模な共分散行列を計算することである。この小規模な共分散行列（例えば５×５）を抽出したら、画像を直接処理する代わりに、これらの行列のみに基づき、画像間のペアワイズ比較を効率的に行うことができる。例えば、グレースケール画像は、Ｉ（ｘ，ｙ）としてピクセル座標ｘ及びｙによってインデックス化した２次元アレイとして定義される。各ピクセル位置（ｘ，ｙ）では、特徴ベクトルは、ピクセルの強度値、並びに、そのピクセルにおける一次導関数及び二次導関数に基づき抽出する。

画像導関数（グラジエント）は、単に、各ピクセルにおける強度値間の前方差分又は中心差分を計算することによって概算することができる。高次導関数、又はフィルター処理した画像の結果を含む他の特徴を、（式１）中のベクトルに組み込むことができる。同様に、すべての導関数を含める必要はなく、例えば、所与の方向の導関数から、特定の欠陥に関する情報が得られない場合には、その導関数は（式１）から除去することができる。最後に、これらのピクセル特徴の共分散行列を画像全体にわたって計算する。

式中、Ｎは画像中のピクセルの数である。

また、上記μは、ピクセル特徴の平均である。後の処理工程では、画像間のペアワイズ距離を計算するのが有用である場合がある。これらの共分散行列記述子の場合、ペアワイズ距離は、以下のように計算する。

式中、λ_ｉ（Ｃ_Ｉ１；Ｃ_Ｉ２）は、２つの共分散行列のｉ番目に生成された固有値である。更なる詳細は、Ｏ．Ｔｕｚｅｌ，Ｆ．Ｐｏｒｋｌｉ，ａｎｄ Ｐ．Ｍｅｅｒ．「Ｒｅｇｉｏｎ Ｃｏｖａｒｉａｎｃｅ：Ａ Ｆａｓｔ Ｄｅｓｃｒｉｐｔｏｒ ｆｏｒ Ｄｅｔｅｃｔｉｏｎ ａｎｄ Ｃｌａｓｓｉｆｉｃａｔｉｏｎ．」Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ Ｅｕｒｏｐｅａｎ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｃｏｍｐｕｔｅｒ Ｖｉｓｉｏｎ，２００６に見出すことができる。

各トレーニング画像に関する特徴の抽出後、トレーニングモジュール４１は特徴ベクトルを処理して、トレーニング画像の連続的なランク付けを学び、不均一性の厳しさ度に基づき、連続的なランク付けモデル３４を生成する（５４）。トレーニングフェーズ４５の間、トレーニングモジュール４１は、不均一性の厳しさ度に基づき、トレーニング画像の連続的なランク付けを学ぶ。最初に、各トレーニング画像について既知なのは、対応するサンプルが、特定のタイプの不均一性について「良」若しくは「不良」であるか、又は「１」、「３」、若しくは「５」であるかを示すエキスパート定格のみである。これらのエキスパート定格は、トレーニング画像の多くの場合の大まかな順序付けを行う。すなわち、トレーニング画像を２つ若しくは３つの離散的なカテゴリー、又は、作業者がそのような情報を提供できる場合には、これよりも多いカテゴリーにランク付けすることができる。トレーニングモデル４１は、この大まかな順序付けを入力として用いるとともに、トレーニング画像を特定の不均一性に関して連続的スケールに沿って最高から最低までランク付けする、連続的なランク付けを学ぶ。良好なランク付けでは、エキスパート定格、例えば、「不良」とラベル付けされた画像よりも厳しさ度ランクの低い画像に「良」を割り当てることに可能な限り留意する必要があるが、場合によっては、トレーニングモジュール４１が、離散的なラベルによって示される大まかなランク付けに反することが完全に防止されるわけではない。それは、トレーニングデータの手作業によるラベル付けの主観性が原因で、エキスパート定格に誤りがある可能性があるとともに、実際、誤りがあるのが一般的であるからである。

オンライン推定フェーズ４７の間、チャート化モジュール３９は、習得した連続的なランク付けモデル３４をリアルタイムで生産ライン上で適用する。製造しているウェブの新たな画像を取得するとき（５６）、トレーニング画像の場合と同じ方法で、特徴を抽出する（５８）。続いて、トレーニングフェーズ４５から得た連続的なランク付けモデル３４を用いて、トレーニング画像との構造比較に基づき、新たな画像に厳しさ度定格を割り当てる（６０）。

図４は、「マニホールド」８０と称される連続的な３次元（３Ｄ）表面を示しており、これを参照すると、連続的なランク付けモデル３４を生成するトレーニングモジュール４１が適用するアルゴリズムが容易に理解される。各画像と関連付けられた特徴ベクトルは、高次元空間内の単一の点と考えることができる。しかしながら、すべての画像は、同じタイプの材料であり、同じ撮像デバイス又はその他のセンサによって、同じ撮像条件及び形状下で撮影されるので、自由度の基礎数は、埋め込む特徴空間の次元よりも低いことがある。したがって、マニホールド８０（すなわち連続的な３Ｄ表面）又はマニホールド群にある高次元点の１つであって、この空間に埋め込まれているが、固有の次元（自由度）が空間全体よりも低い場合のある、高次元点として各トレーニング画像を見るのが有用である。２次元オブジェクトが組み込まれた３次元空間の単純なケースについて、例示の例が図４に示されているが、実際には、特徴ベクトルの次元は一般にもっと高い。高次元空間に埋め込まれたマニホールドに関する更なる例示的な詳細は、Ｈ．Ｓ．Ｓｅｕｎｇ ａｎｄ Ｄａｎｉｅｌ Ｄ．Ｌｅｅ，「Ｃｏｇｎｉｔｉｏｎ：Ｔｈｅ Ｍａｎｉｆｏｌｄ Ｗａｙｓ ｏｆ Ｐｅｒｃｅｐｔｉｏｎ」，Ｓｃｉｅｎｃｅ，ｖｏｌ．２９０，ｎｏ．５５００，ｐｐ．２２６８〜２２６９，Ｄｅｃ．２２，２０００に記載されている。

図４に関する１つの単純な例として、すべてのトレーニング画像が、様々なレベルのダウンウェブのびびりを有する同じウェブ材料を示すトレーニング画像セット。この単純なケースでは、各トレーニング画像が、様々な質感に関する特徴を取得する高次元特徴ベクトルによって示すことができても、この場合、この画像セット内に、びびりのレベルに対応する基礎的自由度が１つしかない場合がある。したがって、これらのトレーニング画像は、１次元マニホールドにある点、例えば、図４の高次元空間内の曲線軌道を蛇行する線として見ることができる。

特徴ベクトルの、マニホールド上の点としてのこの表現の１つの利点は、トレーニングモジュール４１のアルゴリズムが、トレーニングデータ内の最も関連がありかつ有用な情報のみを使用するために、トレーニングデータ内のこの基礎構造を利用する点である。更には、比較的高次元特徴ベクトルから学ぶときに、より低次元空間内への埋め込みが有用であることがある。アルゴリズムは、マニホールドへの埋め込みを行うために存在し、この埋め込みは、本明細書では、基礎構造を保持しながら、高次元データの低次元表現を回復させるタスクに関する用語である。このようなアルゴリズムのいくつかの例としては、自己組織化（コホネン）マップ、多次元尺度構成法、イソマップ、及び局所線形埋め込みが挙げられる。１つの例示的なアルゴリズムは拡散マップであり、これについては後で更に詳細に説明する。拡散マップに関する更なる詳細は、Ｓ．Ｌａｆｏｎ ａｎｄ Ａ．Ｂ．Ｌｅｅ，「Ｄｉｆｆｕｓｉｏｎ Ｍａｐｓ ａｎｄ Ｃｏａｒｓｅ−Ｇｒａｉｎｉｎｇ：Ａ Ｕｎｉｔｅｄ Ｆｒａｍｅｗｏｒｋ ｆｏｒ Ｄｉｍｅｎｓｉｏｎａｌｉｔｙ Ｒｅｄｕｃｔｉｏｎ，Ｇｒａｐｈ Ｐａｒｔｉｔｉｏｎｉｎｇ，ａｎｄ Ｄａｔａ Ｓｅｔ Ｐａｒａｍｅｔｅｒｉｚａｔｉｏｎ，ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｐａｔｔｅｒｎ Ａｎａｌｙｓｉｓ ａｎｄ Ｍａｃｈｉｎｅ Ｉｎｔｅｌｌｉｆｅｎｃｅ，ｖｏｌ．２８，ｎｏ．９，ｐｐ，１３９３〜１４０３，Ｓｅｐ．２００６に見出すことができる。

各トレーニング画像の、特徴空間内のマニホールド上の点としての表現を考えると、トレーニングモジュール４１のアルゴリズムは、特徴空間の周囲において離散的なランダムウォークを行う。このランダムウォークの間、各タイムステップにおいて、ランダムウォーカーは、マニホールドから離れることなく、マニホールド上の１つの点から別の点に移動することができる。この文脈においては、アルゴリズムは、マニホールド上の１つの点からすべての他の点へ遷移する確率を計算する。一般に、この遷移確率は典型的には、マニホールド内の近い点ほど高く、遠い点ほど低い。しかしながら、このアルゴリズムはエキスパート定格を考慮して、離散的なラベルが異なる点間の遷移に対してペナルティを課す。続いて、これらの遷移確率を用いて、各点に由来するエキスパート定格をすべての周囲点に拡大して、各点が最終的に、他の点に由来する離散的なラベルの一部となるようにし、これにより、連続面に沿ったトレーニング画像の１つに対応する各点について連続的な厳しさ度値を計算することが可能になる。抽出された特徴と、得られた（エキスパート）ランク付けの両方とも、この段階で利用する。

図５は、トレーニングモジュール４１が特徴ベクトルを処理して、トレーニング画像の連続的なランク付けを学ぶとともに、連続的なランク付けモデル３４を生成する例示的なプロセスをより詳細に示すフローチャートである。

まず、トレーニングモジュール４１が、Ｎ×Ｎ（Ｎはトレーニングサンプルの数である）のサイズの類似度行列Ｋを計算する（工程１００）。例えば、Ｎ個のトレーニング画像の連続的なランク付けを学ぶには、特徴ベクトルセットをＸ_１、Ｘ_２，．．．，Ｘ_Ｎとして定義するとともに、対応するエキスパート定格Ｃ_１、Ｃ_２，．．．，Ｃ_Ｎとして定義する。離散的な定格のそれぞれを「１」、「３」、又は「５」、すなわち

と仮定する（この場合、「１」は、許容可能であるサンプルであり、「５」は、明らかに許容不可能であるサンプルである）。エキスパート定格は、これよりも細かく離散化することも、これよりも粗く離散化することもでき、アルゴリズムは、この特定的な例に限定されない。特徴ベクトルを考慮して、トレーニングモジュール４１は、Ｎ×Ｎのサイズの類似度行列Ｋを計算し、この場合、各要素は、例えば下記の式によって得られる。

類似度行列によって、特徴空間内の各トレーニングサンプル対間の類似度の測定値が得られ、（式５）とは異なる他の式、例えば多項式を用いることもできる。バンド幅パラメータσは、一対の点の間の距離が長くなるにつれて、指数関数がどの程度速く減衰するかを定義する。実際、局所的なパラメータσは、そのｋ−最も近い近傍までの距離の中央値のようなヒューリスティックに従って、各トレーニングサンプルについて推定する。この場合、式（５）の分母は、サンプルｘ_ｉ及びｘ_ｊに対応する局所的なバンド幅の積になる。

類似度行列で用いる距離は、特徴に応じて、（５）の例のように、単にユークリッド距離であることも、共分散距離又はカルバック−ライブラー距離のようなより高度な式であることもできる。

次に、類似度行列から、下記の式に従って、遷移確率を計算することができる（工程１０２）。

これは、点間の類似度のみに基づき、特徴空間内のランダムウォークでｘ_ｉからｘ_ｊに遷移する確率に相当する。これは類似度行列Ｋの正規化であり、その列が、有効な確率分布となる（すなわち合計して１になる）ようにする。

エキスパート定格によって付与された離散的なラベルを考慮するために、トレーニングモジュール４１は、ｘ_ｉからｘ_ｊへの遷移の事前確率を計算する。

式中、σ_ρは、この事前確率項に関するバンド幅パラメータである（工程１０３）。ｐ_ｂ（ｉ，ｊ）の式は、遠い部分であるエキスパート定格に対してより重いペナルティを課し、そのためこの状況において、離散的なラベルに割り当てられる数値の選択が重要となる。

続いて、トレーニングモジュール４１は、ｐ_ａ（ｉ，ｊ）とｐ_ｂ（ｉ，ｊ）の積によって各トレーニングサンプル対について総遷移確率を計算する（工程１０４）。

自動拡散行列の構成成分と、エキスパート定格に違反したことに対するペナルティは、他の方法で組み合わせてもよい。集合的に、総遷移確率ｐ（ｉ，ｊ）は行列Ｐを形成する。Ｐ内の各エントリは、１つのタイムステップ内で、対応する点対間を遷移する確率を表す。

トレーニングモジュール４１は、行列Ｐをｔ乗することによって、タイムステップｔでのランダムウォーク遷移確率を拡大する（工程１０５）。

Ｐ_ｔ（ｉ，ｊ）は、タイムステップｔにおいてｘ_ｉからｘ_ｊに遷移する確率に相当する。タイムステップｔの数は物理的意味を有さないが、ソフトウェアアプリケーション内でユーザーが設定できる構成可能パラメータである。

これらの遷移確率に基づき、トレーニングモジュール４１は拡散距離を計算する（工程１０６）。このような距離のそれぞれは、マニホールド上の各点対間の相違度の測定値である。２つの点の遷移確率分布が似ている場合には、その２つの点に、低い拡散距離を割り当てる（すなわち、拡散空間内の非常に近くにあると言われる）。換言すれば、行列Ｐ_ｔの各列が互いに似ている場合には、その２つの点に、低い拡散距離を割り当てる。一例では、下記の等価式に従って、２乗拡散距離を計算する。

式中、

、すなわちΨ_ｌは固有ベクトル、λ_ｌはＰの固有値である。これによって、行列Ｐを明示的にｔ乗するのと関連するリソースの使用を回避することができる。このようなリソースの使用は、多数のトレーニングサンプルが利用可能である場合に、計算上費用のかかる操作となり得るものである。固有ベクトルを計算するための迅速な技法、具体的には、最大固有値に対応する第１の固有ベクトルを計算するために開発された技法を用いることができる。

サンプル対間の相違度に比例するこれらの拡散距離は、トレーニングモジュール４１によって、下記の式に従って、類似度に比例する重みに変換する（工程１０８）。

式中、σ_ｗは別のバンド幅パラメータであり、ηは単に、重み行列Ｗの列の合計が１になるようにする正規化定数である。最後に、トレーニングモジュール４１は、各トレーニングサンプルｘ_ｉについて不均一性の厳しさ度ランク値を下記の式により計算することによって、連続的なランク付けモデル３４（「モデル３４」）を生成する（工程１１０）。

得られたランク値ｒ_ｉは、すべてのトレーニング画像のエキスパート定格の加重平均である。しかしながら、エキスパート定格が、高度に離散的であってよくても（例えば「１」、「３」、又は「５」）、ランク値は、連続的な細かいスケールによるものである。更には、全体的に連続的であるランク付けを付与するように、アルゴリズムパラメータをユーザーインターフェースによって調節することができる。（式１２）における重みは、自動的な画像／特徴比較とエキスパートランクを組み合わせる拡散距離プロセスによって得られる。重みを正規化する他の方法、例えば指数重み関数も考慮することができる。

図５に関して上記したプロセスは、エキスパート定格における不正確なラベルを無効にすることができる。すなわち、エキスパートが誤って、特定の画像を例えば「５」ではなく「１」とラベル付けした場合、上記のプロセスは、この点に、別の「５」点に近いランク値を割り当てることができる。これは主に、式（８）の積における２つの異なる項の影響によるものである。第２の項が離散的なラベルを考慮する一方で、第１の項は、マニホールド上のデータの固有構造のみに基づいている。これらの項の比較影響は、それらの各バンド幅パラメータによって制御される。σ_ｐを大きい値に設定する場合、遷移確率に対する事前確率項の影響は非常に小さくなる。

更に、複数のエキスパートを組み合わせることもできる。この場合、トレーニングモジュール４１は、それらのエキスパートのそれぞれに関する類似度行列の計算において追加の重みを用いる。異なるエキスパートの信頼性は、同じ方法で評価することができる。

図６は、チャート化モジュール３９が連続的なランク付けモデル３４（「モデル３４」）をリアルタイムで用いて、不均一欠陥の存在を検出し、各欠陥の厳しさ度の連続的なチャート化を行う例示的なプロセスをより詳細に示すフローチャートである。

製造しているウェブの新たな画像を取得するとき（１２０）、トレーニング画像の場合と同じ方法で、特徴を抽出する（１２２）。具体的には、トレーニングサンプルＸ_１、Ｘ_２，．．．，Ｘ_Ｎの特徴ベクトルを、トレーニングフェーズｒ_１、ｒ_２，．．．，ｒ_Ｎで学んだ、対応するランク値とともに考えると、リアルタイムチャート化モジュール３９の関数は、新たな画像（本明細書ではクエリーサンプルと称する）から抽出した新たな特徴ベクトルＸ_ｑについてランク値を推定するものである。

最初に、チャート化モジュール３９が、所与の欠陥について、ｋ−最も近い近傍のＸ_ｑ位置をトレーニングサンプルＸ_１、Ｘ_２，．．．，Ｘ_Ｎの中から探す（１２４）。１つの実施形態では、チャート化モジュール３９は、特徴空間内のユークリッド距離を用いて、最も近い近傍を見つける（下記の式によって与えられる）。

チャート化モジュール３９は、ユーザーが最も近い近傍の数ｋを構成可能パラメータとして特定できるインターフェースを表示してもよい。図７は、２次元特徴空間におけるｋ−最も近い近傍探索の論理的表現を示すグラフである。この例では、特徴空間内のクエリー点１３５について、６個の最も近い近傍が特定されている。

いくつかの技法を用いて、ｋ−最も近い近傍の位置を探してもよい。１つの技法は、トレーニングセット内のＸ_ｑ（クエリー点）から各サンプルＸ_１、Ｘ_２，．．．，Ｘ_Ｎまでの距離を計算することによって、全数探索を行うものである。しかしながら、このタイプの全数探索は、特にトレーニングサンプルの数が大きく、特徴空間が高次元である場合、計算上費用がかかることがある。２つの他の技法について説明する。１つは完全一致探索である。すなわち、この技法は、同じ結果を全数探索として戻すが、より効率的な方法で行うものである。もう１つは近似探索である。いずれの技法も、全数探索と比べて、計算オーバーヘッドの点で顕著な改善をもたらす。任意のｋ−最も近い近傍探索法を用いることができ、上記２つの例は、これらを代表するものに過ぎない。

より効率的なｋ−最も近い近傍（ｋＮＮ）探索を行っても、全数探索と同じ結果をもたらす１つの技法は、まずトレーニングサンプルＸ_１、Ｘ_２，．．．，Ｘ_Ｎを「ボールツリー」として体系化するものである。このボールツリーは、特徴空間における近接度に基づき、トレーニングサンプルを階層的グループに体系化するデータ構造である。ツリーの最低レベルでは、各「リーフ」ノードに、すぐ近くにある１つ又は複数のサンプルが含まれることになる。チャート化モジュール３９がツリーの上部に進むと、グループにはより多くの点が含まれるが、依然として近接度に基づきグループ化される。最後に、ツリーの最上部では、「ルート」ノードに、このトレーニングセット内のすべての点が含まれる。この構造化は、トレーニングサンプルについて１回だけ計算され、クエリーのために何度も使われることになる点に留意されたい。ボールツリーの利用に関する更なる詳細は、Ａ．Ｗ．Ｍｏｏｒｅ，「Ｔｈｅ Ａｎｃｈｏｒｓ Ｈｉｅｒａｒｃｈｙ：Ｕｓｉｎｇ ｔｈｅ Ｔｒｉａｎｇｌｅ Ｉｎｅｑｕａｌｉｔｙ ｔｏ Ｓｕｒｖｉｖｅ Ｈｉｇｈ Ｄｉｍｅｎｓｉｏｎａｌ Ｄａｔａ」，Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ １２^ｔｈ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｕｎｃｅｒｔａｉｎｔｙ ｉｎ Ａｒｔｉｆｉｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ，ｐｐ．３９７〜４０５，２０００に記載されている。

トレーニングサンプルをこの階層的ボールツリー内に体系化したら、トレーニングサンプルを効率的に検索して、新たなクエリー点のｋＮＮを正確に見つけることができる。この検索を行うためのアルゴリズムは帰納的であることができ、効率的に検索するために、トレーニングデータの固有構造を利用する。例えば、クエリー点Ｘ_ｑがボールツリー内の１つの特定のノードに近いことが分かっている場合、チャート化モジュール３９は、時間を浪費して、遠くの別のノード内のクエリー点のｋＮＮの検索を続けることはない。検索時においてこのように効率性が向上した場合の、計算にかかるコストは、トレーニングサンプルのみを含むので、オフラインで構築できるツリーを構築することの複雑さによるものである。

第２の例として、更なる計算の効率化は、近似ｋＮＮ探索を用いることによって実現することができ、この探索は、全数探索の結果に近い結果をもたらすように設計されている（ただし、全く同じであることが保証されているわけではない）。このようなアプローチの１つは、局所性鋭敏型ハッシュ（ＬＳＨ）である。上述のように、チャート化モジュール３９は、迅速なｋＮＮ探索を可能にするために、トレーニングサンプルを特徴空間内の構造に基づき体系化する。このケースでは、トレーニングサンプルをインデックス化するいくつかのハッシュテーブルを形成する。各ハッシュテーブルは、トレーニングサンプルのランダム投射を引いて、各サンプルの１次元表現を得てから、このライン沿いのサンプルを離散的なグループセットに入れることによって形成される。この手順を繰り返し、いくつかのハッシュテーブルを形成し、これらのハッシュテーブルに基づき、１つの点の近似ｋＮＮを迅速に高確率で見つけることができる。この実例としては、３つのトレーニングサンプル１４１Ａ、１４１Ｂ、及び１４１Ｃのそれぞれとクエリーサンプル１４２がハッシュされている３つのハッシュテーブル１４０の単純なケースについて、図８に示されている。このケースでは、得られたハッシュテーブルのインデックス化によって、クエリーサンプルの２つの最も近い近傍１４１Ａ、１４１Ｂが正確に識別される。局所性鋭敏型ハッシュ（ＬＳＨ）に関する更なる詳細は、「Ｌｏｃａｌｉｔｙ−ｓｅｎｓｉｔｉｖｅ ｈａｓｈｉｎｇ：Ａ．Ａｎｄｏｎｉ ａｎｄ Ｐ．Ｉｎｄｙｋ，＼Ｎｅａｒ−Ｏｐｔｉｍａｌ Ｈａｓｈｉｎｇ Ａｌｇｏｒｉｔｈｍｓ ｆｏｒ Ａｐｐｒｏｘｉｍａｔｅ Ｎｅａｒｅｓｔ Ｎｅｉｇｈｂｏｒ ｉｎ Ｈｉｇｈ Ｄｉｍｅｎｓｉｏｎｓ」，Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ ｏｆ ｔｈｅ ＡＣＭ，ｖｏｌ．５１，ｎｏ．１，ｐｐ．１１７〜１２２，Ｊａｎ．２００８に記載されている。

図６のフローチャートに戻ると、ｋ−最も近い近傍の識別後、チャート化モジュール３９が、クエリー点について、クエリー点をそのｋ−最も近い近傍の線形結合として最も良く表す再構成重みを計算する（１２６）。この重みは、プラスであることもマイナスであることもでき、下記の誤差を最小化することによって計算することができる。

式中、ｗ_ｉは再構成重みであり、Ωはｋ−最も近い近傍セットである。誤差関数（１４）は、閉形式で最小化することができる。再構成重みを閉形式で計算することもできる。

次に、チャート化モジュール３９が、特定の欠陥についてクエリー点の厳しさ度ランク値を、その欠陥に関するｋ−最も近い近傍のランク値の加重平均として計算する（１２８）。１つの例では、厳しさ度ランク値は、下記のように計算することができる。

上述のように、クエリー点の不均一性厳しさ度ランク値は、連続的スケールによるものである。このアプローチによって、トレーニングセット内の最も似ている画像のランク値に近いランク値をクエリー点が得ることが可能になる。最も近い近傍法の代わりに、他のアウトオブサンプル法を用いることができると考えられる。

最後に、チャート化モジュール３９が、計算した厳しさ度ランク値を作業者に出力する（１３０）。この出力は、欠陥に関する厳しさ度ランクの傾向を示すために、チャートのアップデートという形を取ってよいか、あるいはチャート化モジュール３９は単に、厳しさ度ランク値を単一の数字として出力してもよい。例えば、チャート化モジュール３９は、ウェブ材料の不均一欠陥の経時的な厳しさ度をグラフ化するために、新たな各画像を処理するたびにチャートをアップデートしてよい。本開示のコンピュータ化検査システム又はその他のコンポーネントは、後に、製造プロセスに関するプロセス制御パラメータの変更を指定するユーザーからの入力を受信してもよく、その入力に応じてそのプロセス制御パラメータを調節してもよい。

本発明の様々な実施形態について説明してきた。これらの及び他の実施形態は、以下の特許請求の範囲に含まれる。

Claims (13)

1. コンピュータ上でソフトウェアを実行して、複数のトレーニング画像のそれぞれの数値記述子を前記それぞれのトレーニング画像のピクセル値から計算することによって、前記トレーニング画像のそれぞれから特徴を抽出する工程であって、前記画像のそれぞれに、前記トレーニング画像内に存在する不均一欠陥の離散的な定格ラベルセットの１つが割り当てられている、工程と、
   前記トレーニング画像の前記数値記述子を定格ソフトウェアで処理して、前記トレーニング画像に割り当てられた前記離散的な定格ラベルに基づき、前記トレーニング画像の連続的なランク付けを計算する工程と、
   製造したウェブ材料から取得された新たな画像を処理して、前記新たな画像から特徴を抽出し、前記トレーニング画像の前記連続的なランク付けに基づき、前記ウェブの前記不均一欠陥の厳しさ度を計算する工程と、を含む方法。
2. ユーザーインターフェースを表示して、前記厳しさ度をユーザーに出力する工程を更に含む、請求項１に記載の方法。
3. ユーザーインターフェースを表示する工程が、チャートをアップデートして、前記ウェブ材料の前記不均一欠陥の経時的な前記厳しさ度をグラフ化することを含む、請求項２に記載の方法。
4. 入力を前記ユーザーから受信する工程と、
   前記入力に応じて、前記製造したウェブ材料に関するプロセス制御パラメータを調節する工程と、を更に含む、請求項２に記載の方法。
5. 前記トレーニング画像のそれぞれの数値記述子を計算処理する工程が、多次元特徴空間内の特徴ベクトルを計算することを含む、請求項１に記載の方法。
6. 前記トレーニング画像の前記数値記述子を前記定格ソフトウェアで処理して、前記トレーニング画像の連続的なランク付けを計算する工程が、
   前記トレーニング画像の前記特徴ベクトルのそれぞれを前記多次元空間内の点として示すことと、
   前記多次元空間内の各点から前記特徴ベクトルによって表される他の各点までの遷移確率を計算することであって、異なる定格ラベルが割り当てられたトレーニング画像を表す２点間の遷移に対するペナルティを含めることを含む、計算することと、
   前記遷移確率に基づき、各点間のペアワイズ距離を計算することであって、前記距離のそれぞれが、前記点によって表される前記トレーニング画像間の相違度の測定値を示す、計算することと、
   前記トレーニング画像のそれぞれの不均一性の厳しさ度ランクを、前記多次元特徴空間を用いて、前記トレーニング画像によって表される点と他の各点との間の前記ペアワイズ距離の関数として計算することと、を含む、請求項５に記載の方法。
7. 新たな画像を処理する工程が、
   前記新たな画像について多次元特徴空間内の特徴ベクトルを計算することと、
   前記ソフトウェアを用いて、前記多次元特徴空間内で前記トレーニング画像についての複数の最も近い近傍点を識別することと、
   前記新たな画像に関する前記特徴ベクトルを前記複数の最も近い近傍点の線形結合として最も良く表す、再構成重みセットを計算することと、
   前記多次元空間内の前記複数の最も近い近傍点によって表される前記トレーニング画像の前記不均一性のランク値の加重平均に基づき、前記新たな画像の前記不均一欠陥の前記厳しさ度を計算することと、を含む、請求項６に記載の方法。
8. プロセッサと、
   複数のトレーニングサンプルを記憶するメモリであって、画像のそれぞれに、トレーニング画像内に存在する不均一欠陥に関する離散的な定格ラベルセットの１つが割り当てられている、メモリと、
   前記プロセッサ上で実行するトレーニングソフトウェアであって、複数のトレーニング画像のそれぞれの特徴ベクトルを、前記それぞれのトレーニング画像のピクセル値から計算することによって、前記複数のトレーニング画像のそれぞれから特徴を抽出する特徴抽出モジュールを含む、ソフトウェアと、を含み、
   前記トレーニングソフトウェアが、前記トレーニング画像の前記特徴ベクトルのそれぞれを多次元空間内の点として示し、前記トレーニング画像の連続的なランク付けを計算し、前記トレーニング画像のそれぞれには、不均一性の厳しさ度ランク値が連続的スケールで割り当てられる、装置。
9. 前記トレーニングソフトウェアが、前記多次元空間内の各点から、前記特徴ベクトルによって表される他の各点への遷移確率を計算し、前記トレーニングソフトウェアが、異なる定格ラベルが割り当てられたトレーニング画像を表す２点間の遷移に相当する前記遷移確率におけるペナルティを含む、請求項８に記載の装置。
10. 前記トレーニングソフトウェアが、前記遷移確率に基づき、各点間のペアワイズ距離を計算し、前記距離のそれぞれが、前記点によって表される前記トレーニング画像間の相違度の測定値を示すとともに、前記トレーニング画像のそれぞれの前記不均一性の厳しさ度ランク値を、前記多次元特徴空間を用いて、前記トレーニング画像によって表される点と他の各点との間の前記ペアワイズ距離の関数として計算する、請求項８に記載の装置。
11. トレーニング画像の連続的なランク付けを多次元特徴空間内の複数の点として表すモデルを記憶するメモリであって、前記多次元空間内の各点が、前記トレーニング画像の別の点に関する特徴ベクトルに相当する、メモリと、
    ソフトウェアを実行するサーバであって、前記ソフトウェアが、製造したウェブ材料から取得された新たな画像を処理して、前記新たな画像から特徴を抽出し、前記トレーニング画像の前記モデルに基づき、前記ウェブ材料に関する不均一欠陥の厳しさ度を連続的スケールで計算する、サーバと、
    前記厳しさ度をユーザーに出力するユーザーインターフェースと、を含む、コンピュータ化検査システム。
12. 前記ソフトウェアが、前記新たな画像について多次元特徴空間内の特徴ベクトルを計算し、複数の点を有する多次元特徴空間内の複数の最も近い近傍点を識別し、前記新たな画像に関する前記特徴ベクトルを前記複数の最も近い近傍点の線形結合として最も良く示す、再構成重みセットを計算し、かつ前記多次元空間内の前記複数の最も近い近傍点によって表される前記トレーニング画像の不均一性のランク値の加重平均に基づき、前記ウェブ材料に関する前記不均一欠陥の前記厳しさ度を計算する、請求項１１に記載のコンピュータ化検査システム。
13. コンピュータ読み取り可能な非一時的媒体であって、該媒体に含まれるソフトウェア命令で、コンピュータプロセッサに、
    コンピュータ上でソフトウェアを実行して、複数のトレーニング画像のそれぞれの数値記述子を前記それぞれのトレーニング画像のピクセル値から計算することによって、前記トレーニング画像のそれぞれから特徴を抽出し、前記画像のそれぞれに、前記トレーニング画像内に存在する不均一欠陥の離散的な定格ラベルセットの１つを割り当てさせ、
    前記トレーニング画像の前記数値記述子をランク付けソフトウェアで処理して、前記トレーニング画像に割り当てられた前記離散的な定格ラベルに基づき、前記トレーニング画像の連続的なランク付けを計算させ、
    製造したウェブ材料から取得された新たな画像を処理して、前記新たな画像から特徴を抽出し、前記トレーニング画像の前記連続的なランク付けに基づき、前記ウェブの前記不均一欠陥の厳しさ度を計算させ、
    ユーザーインターフェースを表示して、前記厳しさ度をユーザーに出力させる、媒体。

Images