JP2015215183A - 欠陥分析装置及び欠陥分析方法 - Google Patents

欠陥分析装置及び欠陥分析方法 Download PDF

Info

Publication number
JP2015215183A
JP2015215183A JP2014096714A JP2014096714A JP2015215183A JP 2015215183 A JP2015215183 A JP 2015215183A JP 2014096714 A JP2014096714 A JP 2014096714A JP 2014096714 A JP2014096714 A JP 2014096714A JP 2015215183 A JP2015215183 A JP 2015215183A
Authority
JP
Japan
Prior art keywords
defect
defects
group
clustering
defect group
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
JP2014096714A
Other languages
English (en)
Other versions
JP6244260B2 (ja
Inventor
亮 片山
Ryo Katayama
亮 片山
雅信 藤平
Masanobu Fujihira
雅信 藤平
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.)
Kobe Steel Ltd
Original Assignee
Kobe Steel Ltd
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 Kobe Steel Ltd filed Critical Kobe Steel Ltd
Priority to JP2014096714A priority Critical patent/JP6244260B2/ja
Publication of JP2015215183A publication Critical patent/JP2015215183A/ja
Application granted granted Critical
Publication of JP6244260B2 publication Critical patent/JP6244260B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Landscapes

  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

【課題】正確に周期性欠陥の周期を検出することが可能な欠陥分析装置及び欠陥分析方法を提供する。
【解決手段】
欠陥分析装置は、クラスタリング処理S12において欠陥をクラスタリングし、各クラスタから特徴情報を抽出し(ステップS13)、抽出された特徴情報に基づいてクラスタを分類する(ステップS14)。その後、欠陥分析装置は、周期性欠陥群に分類されたクラスタに対して周期検出処理S2を実行し、周期性欠陥の周期を検出する(ステップS2)。
【選択図】図3

Description

本発明は、製造工程において長尺の製品に生じた欠陥を分析する欠陥分析装置及び欠陥分析方法に関する。
圧延鋼板等の金属板、紙、フィルム、金属薄版、金属箔等の長尺の製品の製造工程においては、製品の表面をカメラで撮像し、得られた画像を処理することで表面の欠陥(傷、汚れ、異物等)の検査が行われる。
長尺の製品の製造工程では、ローラによって製品が搬送される際に、ローラに付着した異物に起因して製品に周期的に分布する欠陥(以下、「周期性欠陥」という)が生じることがある。かかる周期性欠陥を特定することは、ローラを検査するために非常に有用である。
特許文献1には、検出された欠陥の中から周期性欠陥を抽出する周期性欠陥検査装置が記載されている。この周期性欠陥検査装置では、鋼板における欠陥の存在する位置が、概略同一の幅方向であり、且つ長手方向に概略等間隔で検出された欠陥の集団を、周期性欠陥群と判定する。
特開平2011−242318号公報
しかしながら、特許文献1に記載された周期性欠陥検査装置では、周期性欠陥に直線状の欠陥が交差していたり、広範囲に離散的に欠陥が多数生じていたりすると、正確に周期性欠陥を特定することが困難である。
本発明は斯かる事情に鑑みてなされたものであり、その主たる目的は、上記課題を解決することができる欠陥分析装置及び欠陥分析方法を提供することにある。
上述した課題を解決するために、本発明の一の態様の欠陥分析装置は、対象製品に分布する欠陥を分析する欠陥分析装置であって、対象製品における各欠陥の位置に基づいて、所定方向に周期的に分布する第1欠陥群と、前記第1欠陥群とは異なる第2欠陥群とを区別する欠陥群区別手段と、前記欠陥群区別手段によって前記第2欠陥群とは区別された前記第1欠陥群に含まれる欠陥の分布周期を検出する周期検出手段と、を備える。
この態様において、前記欠陥群区別手段は、対象製品における各欠陥の位置に基づいて、各欠陥を複数の欠陥群にクラスタリングするクラスタリング手段と、前記クラスタリング手段におけるクラスタリングにより得られた各欠陥群について、欠陥群の特徴情報を抽出する特徴情報抽出手段と、前記特徴情報抽出手段により抽出された特徴情報に基づいて、前記欠陥群を前記第1欠陥群と前記第2欠陥群とに分類する分類手段と、を具備してもよい。
また、上記態様において、前記特徴情報は、前記所定方向及び前記所定方向と直交する方向のそれぞれにおける欠陥群の長さを含んでもよい。
また、上記態様において、前記クラスタリング手段は、第1の位置条件により、欠陥をクラスタリングする第1クラスタリング手段と、前記第1の位置条件とは異なる第2の位置条件により、欠陥をクラスタリングする第2クラスタリング手段と、を有してもよい。
また、上記態様において、前記第1の位置条件は、複数の欠陥の距離が所定距離以内であることであり、前記第2の位置条件は、複数の欠陥が前記所定方向に長い領域に存在することであってもよい。
また、上記態様において、前記第2クラスタリング手段は、前記対象製品に存在する欠陥から前記第1クラスタリング手段によりクラスタリングされた欠陥を除外した残余の欠陥を、クラスタリングするように構成されていてもよい。
また、上記態様において、前記周期検出手段は、前記第1欠陥群において隣り合う欠陥の最短距離を前記分布周期として検出するように構成されていてもよい。
また、上記態様において、前記欠陥分析装置は、前記欠陥群区別手段によって前記第2欠陥群と区別された前記第1欠陥群において、複数の欠陥の距離が所定の設定距離以内である場合に、前記複数の欠陥を第3欠陥群としてクラスタリングする第3クラスタリング手段をさらに備え、前記周期検出手段は、前記第3クラスタリング手段によって得られた第3欠陥群を前記第1欠陥群に属する1つの欠陥として、前記分布周期を検出するように構成されていてもよい。
また、上記態様において、前記周期検出手段は、第3欠陥群の位置の代表値を前記1つの欠陥の位置として、前記分布周期を検出するように構成されていてもよい。
また、本発明の一の態様の欠陥分析方法は、対象製品に分布する欠陥を分析する欠陥分析方法であって、対象製品における各欠陥の位置に基づいて、所定方向に周期的に分布する第1欠陥群と、前記第1欠陥群とは異なる第2欠陥群とを区別するステップと、前記第2欠陥群とは区別された前記第1欠陥群に含まれる欠陥の分布周期を検出するステップと、を有する。
本発明に係る欠陥分析装置及び欠陥分析方法によれば、正確に周期性欠陥の周期を検出することが可能となる。
実施の形態に係る欠陥分析装置を含む欠陥分析システムの全体構成を示す模式図。 実施の形態に係る欠陥分析装置の構成を示すブロック図。 実施の形態に係る欠陥分析装置による欠陥分析処理の手順を示すフローチャート。 クラスタリング処理の手順を示すフローチャート。 第1位置条件及び第2位置条件を説明するための模式図。 周期検出処理の手順を示すフローチャート。 再クラスタリング処理の概要を説明する模式図。 図6のステップS206の処理の概要を説明する模式図。
以下、本発明の好ましい実施の形態を、図面を参照しながら説明する。
[欠陥分析装置の構成]
図1は、本実施の形態に係る欠陥分析装置を含む欠陥分析システムの全体構成を示す模式図である。欠陥分析システム100は、CCDカメラ200と、欠陥検出装置300と、欠陥分析装置1とを備える。欠陥分析システム100は、製造工程における圧延鋼板等の長尺の対象製品Sの欠陥を分析するためのものである。図において、対象製品SはY方向に搬送される。
CCDカメラ200は、対象製品Sの搬送路の上方に配置されており、対象製品Sの表面(上面)を撮像する。
欠陥検出装置300は、画像処理により対象製品Sの表面の欠陥を検出するためのものである。欠陥検出装置300は、CCDカメラ200に接続されており、CCDカメラ200から出力された画像データを受信する。欠陥検出装置300は、得られた画像に含まれる欠陥の像を検出し、欠陥の像の位置情報(X方向、即ち対象製品Sの幅方向、及び、Y方向、即ち対象製品Sの長さ方向の座標)を取得し、部分画像である欠陥画像を切り出す。欠陥の位置情報及び欠陥画像は、欠陥検出装置300から出力される。
欠陥分析装置1は、欠陥検出装置300に接続されている。かかる欠陥分析装置1は、欠陥検出装置300から出力された欠陥の位置情報及び欠陥画像を取り込み、これらのデータに基づいて欠陥を分析するものである。
図2は、欠陥分析装置1の構成を示すブロック図である。欠陥分析装置1は、コンピュータ10によって実現される。図2に示すように、コンピュータ10は、本体11と、入力部12と、表示部13とを備えている。本体11は、CPU111、ROM112、RAM113、ハードディスク115、読出装置114、入出力インタフェース116、画像出力インタフェース117、及び通信インタフェース118を備えており、CPU111、ROM112、RAM113、ハードディスク115、読出装置114、入出力インタフェース116、画像出力インタフェース117、及び通信インタフェース118は、バスによって接続されている。
CPU111は、RAM113にロードされたコンピュータプログラムを実行することが可能である。そして、欠陥分析用のコンピュータプログラムである欠陥分析プログラム110を当該CPU111が実行することにより、コンピュータ10が欠陥分析装置1として機能する。
ROM112は、マスクROM、PROM、EPROM、又はEEPROM等によって構成されており、CPU111に実行されるコンピュータプログラム及びこれに用いるデータ等が記録されている。
RAM113は、SRAMまたはDRAM等によって構成されている。RAM113は、ハードディスク115に記録されている欠陥分析プログラム110の読み出しに用いられる。また、CPU111がコンピュータプログラムを実行するときに、CPU111の作業領域として利用される。
ハードディスク115は、オペレーティングシステム及びアプリケーションプログラム等、CPU111に実行させるための種々のコンピュータプログラム及び当該コンピュータプログラムの実行に用いられるデータがインストールされている。欠陥分析プログラム110も、このハードディスク115にインストールされている。
ハードディスク115には、例えば米マイクロソフト社が製造販売するWindows(登録商標)等のオペレーティングシステムがインストールされている。以下の説明においては、本実施の形態に係る欠陥分析プログラム110は当該オペレーティングシステム上で動作するものとしている。
入出力インタフェース116は、例えばUSB,IEEE1394,又はRS-232C等のシリアルインタフェース、SCSI,IDE,又は IEEE1284等のパラレルインタフェース、及びD/A変換器、A/D変換器等からなるアナログインタフェース等から構成されている。入出力インタフェース116には、キーボード及びマウスからなる入力部12が接続されており、ユーザが当該入力部12を使用することにより、コンピュータ10にデータを入力することが可能である。
画像出力インタフェース117は、LCDまたはCRT等で構成された表示部13に接続されており、CPU111から与えられた画像データに応じた映像信号を表示部13に出力するようになっている。表示部13は、入力された映像信号にしたがって、画像(画面)を表示する。
通信インタフェース118は、所定の通信プロトコルにしたがってデータを送受信する。かかる通信インタフェース118には、上述した欠陥検出装置300が接続されている。
[欠陥分析装置の動作]
以下、本実施の形態に係る欠陥分析装置1の動作について説明する。
欠陥分析装置1は、以下に説明するような処理を実行して、対象製品Sの欠陥の中から周期性欠陥を特定し、その周期を検出する。
図3は、本実施の形態に係る欠陥分析装置1による欠陥分析処理の手順を示すフローチャートである。
欠陥分析処理は、欠陥群区別処理S1と、周期検出処理S2とによって構成される。欠陥群区別処理S1及び周期検出処理S2は、CPU111によって実行される。
欠陥群区別処理S1は、対象製品Sの各欠陥について、Y方向(長さ方向)に周期的に分布する周期性欠陥群(第1欠陥群)と、周期性欠陥群以外の欠陥群(第2欠陥群)とを区別する処理である。この欠陥群区別処理S1には、欠陥座標の読み出し(ステップS11)、クラスタリング処理(ステップS12)、クラスタ特徴情報抽出(ステップS13)、及びクラスタ分類(ステップS14)の各処理が含まれている。
周期検出処理S2は、欠陥群区別処理S1によって第2欠陥群から区別された第1欠陥群、つまり、周期性欠陥群について、各欠陥が分布する周期を検出する処理である。
以下、欠陥分析処理について詳細に説明する。
まず、CPU111は、欠陥検出装置300から取り込んだ欠陥座標、つまり、欠陥の位置情報を読み出す(ステップS11)。以下の説明では、x番目の欠陥の欠陥座標をP(x)と示す。また、x番目の欠陥が属するクラスタの番号をC(x)と示す。
全ての欠陥座標の読み出しが終了すると、CPU111は、クラスタリング処理を実行する(ステップS12)。
図4は、クラスタリング処理の手順を示すフローチャートである。
クラスタリング処理S12において、まずCPU111は、変数n及びkをそれぞれ0に初期化し(ステップS101)、また変数iを1に初期化する(ステップS102)。なお、nは基準とする欠陥(以下、「基準欠陥」という)の番号を示す変数であり、iは比較する欠陥(以下、「比較欠陥」という)の番号を示す変数である。
CPU111は、基準欠陥の座標P(n)と、比較欠陥の座標P(i)を選択する(ステップS103)。
次にCPU111は、比較欠陥のクラスタ番号C(i)が初期値である0か否かを判定する(ステップS104)。C(i)が0以外であるとは、既に比較欠陥はクラスタリングが行われていることを意味する。この場合(ステップS104においてNO)、CPU11は、ステップS111に処理を移し、iが最終(最後の欠陥の番号)であるか否かを判別する。そして、iが最終ではない場合(ステップS111においてNO)、CPU111は、iをインクリメントして(ステップS112)、ステップS103へ処理を戻す。
ステップS104において、C(i)が0である場合(ステップS104においてYES)、CPU111は、第1位置条件が成立しているか否かを判別する(ステップS105)。図5は、第1位置条件及び第2位置条件を説明するための模式図である。第1位置条件は、隣り合う欠陥の距離Kが所定距離以内であるという条件である。つまり、CPU111は、P(n)とP(i)との距離を算出し、その距離が所定距離以下であるか否かを判別する。第1位置条件が成立している場合には、基準欠陥を中心として所定距離の半径の円の中に比較欠陥が存在することとなる。つまり、基準欠陥と比較欠陥とは近接している。クラスタリング処理S12では、このように互いに近接する複数の欠陥(以下、「密集欠陥群」といい、密集欠陥群を構成する欠陥を「密集欠陥」という)を同一のクラスタにクラスタリングする。
第1位置条件の所定距離は、想定される周期性欠陥の周期の最小値よりも小さい値として定めることが好ましく、前記周期の最小値の半分以下とすることがさらに好ましい。また、前記所定距離の下限値は、欠陥画像のX方向又はY方向の長さの最小値とされる。これにより、周期性欠陥をクラスタリングすることなく、密集欠陥のみをクラスタリングすることが可能となる。
ステップS105において第1位置条件が成立している場合(ステップS105においてYES)、CPU111は、基準欠陥のクラスタ番号C(n)が0か否かを判別する(ステップS106)。基準欠陥のクラスタ番号C(n)が0以外のとき(ステップS106においてNO)、基準欠陥は既に何れかのクラスタに割り当てられている。この場合、CPU111は、比較欠陥のクラスタ番号C(i)を基準欠陥のクラスタ番号C(n)と同じ値に設定する(ステップS107)。これにより、比較欠陥が基準欠陥と同じクラスタにクラスタリングされる。
一方、基準欠陥のクラスタ番号C(n)が0である場合(ステップS106においてYES)、基準欠陥はまだ何れのクラスタにもクラスタリングされていない。したがって、CPU111は、kをインクリメントし(ステップS108)、基準欠陥及び比較欠陥の両方のクラスタ番号C(n),C(i)を、kの値に設定する(ステップS109)。これにより、比較欠陥と基準欠陥とは、新たなクラスタにクラスタリングされる。
ステップS107又はS109の後、CPU111は、ステップS111へ処理を移す。
ステップS105において、第1位置条件が成立しなかった場合には(ステップS105においてNO)、CPU111は、P(n)及びP(i)について、第2位置条件が成立するか否かを判定する(ステップS110)。
図5を参照して第2位置条件について説明する。第2位置条件は、Y方向に長い矩形領域内に複数の欠陥が存在しているという条件である。この矩形領域は、X方向の長さWが、少なくとも対象製品S搬送における蛇行範囲を含む値とされ、また、Y方向の長さが少なくとも対象製品Sのコイル最外周の長さを含む値とされる。CPU111は、P(n)とP(i)とが上記の矩形領域内に含まれるか否かを判別する。第2位置条件が成立している場合には、基準欠陥と比較欠陥とは、対象製品Sの搬送方向に沿って並んでいることとなる。クラスタリング処理S12では、このように対象製品Sの搬送方向に沿って並ぶ複数の欠陥を同一のクラスタにクラスタリングする。
ステップS110において第2位置条件が成立している場合(ステップS110においてYES)、CPU111は、ステップS106以降の処理を実行する。
上記のように、一度クラスタリングされた欠陥は、以後のクラスタリングの対象からは除外される。つまり、一度クラスタ番号が割り当てられた欠陥は、その後にクラスタ番号が変更されることがない。また、第1位置条件によるクラスタリングが、第2位置条件によるクラスタリングに先行して行われる。このため、第1位置条件及び第2位置条件の両方が成立するような場合でも、欠陥に対して第1位置条件によるクラスタリングが行われ、第1位置条件によるクラスタリングは行われない。したがって、周期性欠陥群に密集欠陥群などの他の欠陥群が重なり合うように分布している場合でも、周期性欠陥群と、他の欠陥群とを区別してクラスタリングを行うことができる。
上記のような処理をiが最終になるまで繰り返すことで、基準欠陥P(n)と全ての欠陥P(i)とについて、クラスタリングを行うことができる。
ステップS111において、iが最終である場合(ステップS111においてYES)、CPU111は、nが最終(最後の欠陥の番号)であるか否かを判別する(ステップS113)。そして、nが最終ではない場合(ステップS113においてNO)、CPU111は、nをインクリメントして(ステップS114)、ステップS102へ処理を戻す。
上記のような処理をnが最終になるまで繰り返すことで、全ての欠陥を基準欠陥P(n)として選択し、クラスタリングを行うことができる。なお、上記の説明では省略したが、nとiとが同一の値のときには、クラスタリングを行わないこととする。
ステップS113において、nが最終である場合(ステップS113においてYES)、CPU111は、クラスタリング処理を終了し、メインルーチンへ処理を戻す。
再び図3を参照して、欠陥分析処理の続きを説明する。クラスタリング処理S12が終了すると、CPU111は、各クラスタから特徴情報を抽出する(ステップS13)。特徴情報とは、クラスタの形態に関する特徴を示す情報であり、X方向長さ、Y方向長さ、密度(単位面積あたりに存在する欠陥の数)を含んでいる。なお、欠陥検出装置300が欠陥のランク(重要度)、欠陥の種別(虫、押し込みによる凹み等)の情報を出力する場合には、これらの情報を特徴情報に含めることも可能である。また、クラスタの面積、アスペクト比、クラスタに含まれる欠陥の個数を特徴情報に含めることも可能である。なお、特徴情報には、上述した情報を全て含まなくてもよいが、少なくともX方向長さ及びY方向長さは含まれる。
次にCPU111は、クラスタの分類を行う(ステップS14)。このクラスタの分類は、ステップS13で抽出された各クラスタの特徴情報を用いて行われる。この処理では、決定木によって、各クラスタを「長いスジ」、「転写が継続するもの(以下、「転写欠陥」という)」、「X方向に長いもの」、「塊状のもの」、「一面に広がるもの」に分類する。
上記の「長いスジ」、「転写欠陥」、「X方向に長いもの」、「塊状のもの」、「一面に広がるもの」のうち、「長いスジ」及び「転写欠陥」は、周期性欠陥群(第1欠陥群)である。その一方、「X方向に長いもの」、「塊状のもの」、及び「一面に広がるもの」は、周期性欠陥群とは異なる欠陥群(第2欠陥群)である。このように、クラスタの分類により、第1欠陥群と第2欠陥群とが区別される。
上述のような欠陥群区別処理の後、CPU111は、周期検出処理を実行する(ステップS2)。この周期検出処理は、第1欠陥群の各クラスタから、欠陥の搬送方向への分布の周期(ピッチ)を算出する処理である。
図6は、周期検出処理の手順を示すフローチャートである。
周期検出処理S2において、まずCPU111は、再クラスタリング処理を実行する(ステップS201)。再クラスタリング処理では、周期性欠陥群のクラスタに属する各欠陥について、再度クラスタリングが行われる。
図7は、再クラスタリング処理の概要を説明する模式図である。図7に示すように、周期性欠陥の中には、局所的に複数の欠陥が密集したものが含まれていることがある。例えば、本来は1つの欠陥であるものが、当該欠陥の像の内部に濃淡が異なる部分が生じた結果、複数の欠陥として認識される場合に、このような現象がみられる。また、1つの欠陥の付近に別の欠陥が存在するような場合にも、このような現象がみられる。再クラスタリング処理では、このような密集する欠陥が1つのクラスタとして認識される。
再クラスタリング処理では、2つの欠陥座標の全組み合わせについて、欠陥同士の距離が所定の設定距離以下であるか否かが判断される。この設定距離は、想定される周期性欠陥の周期の最小値(例えば、製造工程に含まれる搬送ローラの中で径が最小のものの円周長さ)よりも小さい値とされる。また、設定距離の下限値は、欠陥画像のX方向又はY方向の長さの最小値とされる。これにより、周期性欠陥をクラスタリングすることなく、密集欠陥のみをクラスタリングすることが可能となる。
次に、CPU111は、再クラスタリングされた欠陥群(以下、「第3欠陥群」という)の代表点座標を設定する(ステップS202)。図7を参照して、代表点座標の設定について説明する。本実施の形態では、クラスタの重心位置を代表点座標として設定する。以下の処理では、再クラスタリングされたクラスタが1つの欠陥として扱われ、当該クラスタの代表点座標がその欠陥の座標として扱われる。なお、クラスタの中心位置、クラスタのY方向の最初の欠陥座標、Y方向の最後の欠陥座標等、重心位置以外のクラスタ内の1点を代表点座標として設定することも可能である。
次にCPU111は、変数jを1に、変数Bを0に初期化する(ステップS203)。なお、jは欠陥の番号を示す変数であり、Bは周期性欠陥ではない欠陥が検出された数を示す変数である。
CPU111は、最初の2つの欠陥、即ちP(0)及びP(1)を選択し、両者の距離D0を算出する(ステップS204)。さらにCPU111は、P(j)とP(j+1)を選択し、両者の間の距離D(j)を算出する(ステップS205)。
次にCPU111は、D(j)/D0又はD0/D(j)が整数であるか否かを判定する(ステップS206)。図8は、ステップS206の処理の概要を説明する模式図である。周期欠陥では、隣り合う欠陥の間の距離は一定である。つまり、D(j)/D0及びD0/D(j)の値は1となるはずである。しかし、CCDカメラ200による撮像状態、対象製品Sの表面状態、又は対象製品Sの周囲環境の状態等の影響により、一部の欠陥の像が掠れたり、ぼやけたりして、欠陥として認識されない場合がある(図において破線で示す欠陥)。このように欠陥の認識不良が生じると、D(j)がD0の2倍以上の整数倍となったり、D0がD(j)の2倍以上の整数倍となったりする。かかる場合を考慮して、ステップS206においては、D(j)/D0又はD0/D(j)が1となるだけでなく、整数となる場合にも周期性欠陥として認識することとしている。
さらに具体的には、ステップS206の処理では、D(j)/D0又はD0/D(j)が整数±所定値(例えば0.1)であるか否かを判定している。これは、撮像又は画像処理に起因する欠陥の位置検出の誤差成分を考慮し、整数を中心としたある程度の範囲を許容することで、厳格に判定しすぎることによる周期性欠陥の検出不良を防止するためである。
上記のように、本実施の形態では周期性欠陥の分布周期を、製造工程のロールのサイズとは関係なく求めている。このようにすることで、対象製品Sの製造工程における加工等によって周期性欠陥の分布周期が変化した場合にも、周期を正確に検出することが可能となる。
ステップS206において、D(j)/D0又はD0/D(j)が整数である場合には、CPU111はP(j+1)が周期性欠陥であると判定し、整数でない場合には、P(j+1)が周期性欠陥でないと判定する。
ステップS206において、D(j)/D0又はD0/D(j)が整数である場合(ステップS206においてYES)、CPU111はステップS209へ処理を移す。
ステップS206において、D(j)/D0又はD0/D(j)が整数でない場合(ステップS206においてNO)、CPU111はBをインクリメントし(ステップS207)、Bが2より大きいか否かを判定する(ステップS208)。この処理は、周期性欠陥ではない欠陥が、許容数(本実施の形態では2)を超えていないかどうかを調べるものである。つまり、周期性欠陥ではない欠陥の検出数Bが2以下であれば、そのまま周期検出処理が継続され、周期性欠陥ではない欠陥の検出数Bが2を超えていれば、周期検出処理が終了される。
ステップS208において、Bが2以下である場合には(ステップS208においてNO)、CPU111はステップS211に処理を移し、それまでに算出された距離Dの最小値を周期として設定し(ステップS211)、周期検出処理を終了する。
ステップS208において、Bが2より大きい場合には(ステップS208においてYES)、CPU111はステップS209へ処理を移す。
ステップS209において、CPU111は、jが最終(最後の1つ前の欠陥の番号)であるか否かを判別する。そして、jが最終ではない場合(ステップS209においてNO)、CPU111は、jをインクリメントして(ステップS210)、ステップS205へ処理を戻す。
ステップS209において、jが最終である場合(ステップS209においてYES)、CPU111はステップS211に処理を移し、それまでに算出された距離Dの最小値を周期として設定し(ステップS211)、周期検出処理を終了する。周期検出処理の終了により、欠陥分析処理が終了する。
以上の説明したように、第1欠陥群(周期性欠陥群)を第2欠陥群(周期性欠陥群とは異なる欠陥群)と区別して検出し、第1欠陥群について周期の検出を行う構成としたので、第2欠陥群が第1欠陥群と重なるように存在したいたとしても、第2欠陥群の影響を排除して正確に周期を検出することが可能となる。
(評価試験)
上記の実施の形態において説明した欠陥分析装置を実際に作成し、その性能を評価した。下表は、欠陥検出装置によってある期間に得られた欠陥座標を欠陥分析装置に入力し、周期性欠陥の分布周期を検出した結果を示している。表の1行は、1つのクラスタに対応している。表中のラベルは、クラスタに付したラベルであり、クラスタをそれぞれ特定する情報である。また、表中のY座標値はクラスタの代表点座標のY方向成分であり、X座標値はクラスタの代表点座標のX方向成分である。個数はクラスタに含まれる欠陥の数を、ピッチは検出された分布周期を、ロール直径はピッチから計算した周期性欠陥の原因のロール直径を示している。
評価試験の対象とした製造設備には代表寸法で直径がそれぞれ250mm、100mm、50mmのロールが設けられている。試験結果では、欠陥原因となるロールが精度よく特定できていることが分かる。なお、ロール直径が約592mm及び約296mmと算出されたものは、それぞれ実際の直径が100mm及び50mmのロールで生じた欠陥の周期が、対象製品SがY方向に伸ばされたことにより変化した結果に概ね一致している。このように、本手法では、任意の周期性欠陥に対して十分な精度で周期の検出を行えていることが分かる。
(その他の実施の形態)
なお、上述した実施の形態においては、クラスタリング処理において密集欠陥群(第2欠陥群)をクラスタリングする構成について述べたが、これに限定されるものではない。第2欠陥群には、密集欠陥群以外の欠陥群が含まれ得る。クラスタリング処理では、密集欠陥群とは異なり、且つ、周期性欠陥群とも異なる欠陥群をクラスタリングすることも可能である。例えば、X方向に細長い領域に存在するという位置条件を用いて、前記領域に存在する欠陥群をクラスタリングすることも可能である。
また、上述した実施の形態においては、欠陥をクラスタリングし、各クラスタの分類を行った後、周期性欠陥の周期を検出する構成について述べたが、これに限定されるものではない。第2位置条件によってクラスタリングされた欠陥の大部分は周期性欠陥であり、第1位置条件によってクラスタリングされた欠陥の大部分は周期性欠陥とは異なる欠陥である。つまり、クラスタリングによって第1欠陥群と第2欠陥群とが区別されていることが分かる。このことから、クラスタの分類を行わずに、第2位置条件を用いてクラスタリングされたクラスタについて、周期の検出を行うことも可能である。
また、上述した実施の形態においては、周期性欠陥の周期を、製造工程のロールのサイズと関係なく検出する構成について述べたが、これに限定されるものではない。例えば、製造工程において最小のロールの円周を用いて、隣り合う欠陥の間の距離が前記円周の整数倍か否かを判定することで、周期性欠陥か否かを判断し、周期性欠陥と判断された欠陥の間の距離のうち、最も短い距離を周期とするようにして、製造工程のロールのサイズに基づいて欠陥の周期を検出することも可能である。
また、上述した実施の形態においては、再クラスタリング処理によって、周期性欠陥群のクラスタに含まれる欠陥を再クラスタリングする構成について述べたが、これに限定されるものではない。上記のような再クラスタリングを行わない構成とすることも可能である。また、クラスタ分類の後、周期性欠陥群と判断されたクラスタを解除し、再度クラスタリングすることも可能である。その際、周期性欠陥とそれ以外の欠陥とをさらに精度よく分けるようにクラスタリングしてもよい。また、クラスタの管理を簡単にするために、クラスタの重心位置、クラスタの中心位置、クラスタ内のY方向の先端又は終端の欠陥の位置等をクラスタの代表点座標として設定することも可能である。
また、上述した実施の形態においては、欠陥分析プログラムをCPUで実行することで、欠陥分析処理を実行する構成について述べたが、これに限定されるものではない。上記と同様の欠陥分析処理を実行可能なASIC(Application Specific Integrated Circuit)又はFPGA(Field-Programmable Gate Array)によって、周期性欠陥の周期を検出する構成とすることも可能である。
また、上述した実施の形態においては、エリアセンサであるCCDカメラ200によって画像を得る構成について述べたが、これに限定されるものではない。対象製品Sの幅方向に延びるようにラインセンサを配置し、対象製品Sとラインセンサとを相対的に対象製品Sの長手方向に移動させつつ、ラインセンサでスキャンして画素列データを連続して取得し、これらの画素列データを結合して画像を生成することも可能である。
本発明の欠陥分析装置及び欠陥分析方法は、製造工程において長尺の製品に生じた欠陥を分析する欠陥分析装置及び欠陥分析方法として有用である。
1 欠陥分析装置
10 コンピュータ
12 入力部
13 表示部
100 欠陥分析システム
200 カメラ
300 欠陥検出装置
110 欠陥分析プログラム
111 CPU
115 ハードディスク
116 入出力インタフェース
117 画像出力インタフェース
118 通信インタフェース

Claims (10)

  1. 対象製品に分布する欠陥を分析する欠陥分析装置であって、
    対象製品における各欠陥の位置に基づいて、所定方向に周期的に分布する第1欠陥群と、前記第1欠陥群とは異なる第2欠陥群とを区別する欠陥群区別手段と、
    前記欠陥群区別手段によって前記第2欠陥群とは区別された前記第1欠陥群に含まれる欠陥の分布周期を検出する周期検出手段と、
    を備える、
    欠陥分析装置。
  2. 前記欠陥群区別手段は、
    対象製品における各欠陥の位置に基づいて、各欠陥を複数の欠陥群にクラスタリングするクラスタリング手段と、
    前記クラスタリング手段におけるクラスタリングにより得られた各欠陥群について、欠陥群の特徴情報を抽出する特徴情報抽出手段と、
    前記特徴情報抽出手段により抽出された特徴情報に基づいて、前記欠陥群を前記第1欠陥群と前記第2欠陥群とに分類する分類手段と、
    を具備する、
    請求項1に記載の欠陥分析装置。
  3. 前記特徴情報は、前記所定方向及び前記所定方向と直交する方向のそれぞれにおける欠陥群の長さを含む、
    請求項2に記載の欠陥分析装置。
  4. 前記クラスタリング手段は、
    第1の位置条件により、欠陥をクラスタリングする第1クラスタリング手段と、
    前記第1の位置条件とは異なる第2の位置条件により、欠陥をクラスタリングする第2クラスタリング手段と、
    を有する、
    請求項2又は3に記載の欠陥分析装置。
  5. 前記第1の位置条件は、複数の欠陥の距離が所定距離以内であることであり、
    前記第2の位置条件は、複数の欠陥が前記所定方向に長い領域に存在することである、
    請求項4に記載の欠陥分析装置。
  6. 前記第2クラスタリング手段は、前記対象製品に存在する欠陥から前記第1クラスタリング手段によりクラスタリングされた欠陥を除外した残余の欠陥を、クラスタリングするように構成されている、
    請求項4又は5に記載の欠陥分析装置。
  7. 前記周期検出手段は、前記第1欠陥群において隣り合う欠陥の最短距離を前記分布周期として検出するように構成されている、
    請求項1乃至6の何れかに記載の欠陥分析装置。
  8. 前記欠陥群区別手段によって前記第2欠陥群と区別された前記第1欠陥群において、複数の欠陥の距離が所定の設定距離以内である場合に、前記複数の欠陥を第3欠陥群としてクラスタリングする第3クラスタリング手段をさらに備え、
    前記周期検出手段は、前記第3クラスタリング手段によって得られた第3欠陥群を前記第1欠陥群に属する1つの欠陥として、前記分布周期を検出するように構成されている、
    請求項1乃至7の何れかに記載の欠陥分析装置。
  9. 前記周期検出手段は、第3欠陥群の位置の代表値を前記1つの欠陥の位置として、前記分布周期を検出するように構成されている、
    請求項8に記載の欠陥分析装置。
  10. 対象製品に分布する欠陥を分析する欠陥分析方法であって、
    対象製品における各欠陥の位置に基づいて、所定方向に周期的に分布する第1欠陥群と、前記第1欠陥群とは異なる第2欠陥群とを区別するステップと、
    前記第2欠陥群とは区別された前記第1欠陥群に含まれる欠陥の分布周期を検出するステップと、
    を有する、
    欠陥分析方法。
JP2014096714A 2014-05-08 2014-05-08 欠陥分析装置及び欠陥分析方法 Active JP6244260B2 (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2014096714A JP6244260B2 (ja) 2014-05-08 2014-05-08 欠陥分析装置及び欠陥分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2014096714A JP6244260B2 (ja) 2014-05-08 2014-05-08 欠陥分析装置及び欠陥分析方法

Publications (2)

Publication Number Publication Date
JP2015215183A true JP2015215183A (ja) 2015-12-03
JP6244260B2 JP6244260B2 (ja) 2017-12-06

Family

ID=54752208

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2014096714A Active JP6244260B2 (ja) 2014-05-08 2014-05-08 欠陥分析装置及び欠陥分析方法

Country Status (1)

Country Link
JP (1) JP6244260B2 (ja)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20180110566A (ko) * 2017-03-29 2018-10-10 아이덴티파이 주식회사 인공지능 시스템을 이용하여 자동차 비정상신호를 감지하는 방법
CN113933312A (zh) * 2021-09-30 2022-01-14 杭州百子尖科技股份有限公司 表面缺陷的周期性规律实时判定方法
JP2022535069A (ja) * 2019-08-09 2022-08-04 エルジー エナジー ソリューション リミテッド 製造設備品質に対する定量化診断法
WO2022224636A1 (ja) * 2021-04-22 2022-10-27 日立造船株式会社 検査装置
RU2796806C2 (ru) * 2018-12-25 2023-05-29 ДжФЕ СТИЛ КОРПОРЕЙШН Способ формирования обучаемой модели, обучаемая модель, способ контроля поверхностных дефектов, способ производства стали, способ определения соответствия/несоответствия, способ определения сорта, программа определения поверхностных дефектов, программа определения соответствия/несоответствия, система определения и оборудование для производства стали
CN117558645A (zh) * 2024-01-09 2024-02-13 武汉中导光电设备有限公司 大数据Wafer缺陷确定方法、装置、设备及存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH10132536A (ja) * 1996-07-05 1998-05-22 Toray Ind Inc 周期欠陥検出方法および装置
JP2005077180A (ja) * 2003-08-29 2005-03-24 Kobe Steel Ltd 金属板材の表面欠陥の原因推定装置および原因推定プログラムならびに原因推定方法
JP2006308473A (ja) * 2005-04-28 2006-11-09 Nippon Steel Corp 周期性欠陥検査方法及び装置
JP2011214865A (ja) * 2010-03-31 2011-10-27 Toray Ind Inc 周期欠点検出方法、装置およびシート状物体の製造方法
JP2011242318A (ja) * 2010-05-20 2011-12-01 Jfe Steel Corp 帯状材料の周期性欠陥検査方法および装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH10132536A (ja) * 1996-07-05 1998-05-22 Toray Ind Inc 周期欠陥検出方法および装置
JP2005077180A (ja) * 2003-08-29 2005-03-24 Kobe Steel Ltd 金属板材の表面欠陥の原因推定装置および原因推定プログラムならびに原因推定方法
JP2006308473A (ja) * 2005-04-28 2006-11-09 Nippon Steel Corp 周期性欠陥検査方法及び装置
JP2011214865A (ja) * 2010-03-31 2011-10-27 Toray Ind Inc 周期欠点検出方法、装置およびシート状物体の製造方法
JP2011242318A (ja) * 2010-05-20 2011-12-01 Jfe Steel Corp 帯状材料の周期性欠陥検査方法および装置

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20180110566A (ko) * 2017-03-29 2018-10-10 아이덴티파이 주식회사 인공지능 시스템을 이용하여 자동차 비정상신호를 감지하는 방법
KR102026300B1 (ko) 2017-03-29 2019-11-04 아이덴티파이 주식회사 인공지능 시스템을 이용하여 자동차 비정상신호를 감지하는 방법
RU2796806C2 (ru) * 2018-12-25 2023-05-29 ДжФЕ СТИЛ КОРПОРЕЙШН Способ формирования обучаемой модели, обучаемая модель, способ контроля поверхностных дефектов, способ производства стали, способ определения соответствия/несоответствия, способ определения сорта, программа определения поверхностных дефектов, программа определения соответствия/несоответствия, система определения и оборудование для производства стали
JP2022535069A (ja) * 2019-08-09 2022-08-04 エルジー エナジー ソリューション リミテッド 製造設備品質に対する定量化診断法
JP7334275B2 (ja) 2019-08-09 2023-08-28 エルジー エナジー ソリューション リミテッド 製造設備品質に対する定量化診断法
WO2022224636A1 (ja) * 2021-04-22 2022-10-27 日立造船株式会社 検査装置
CN113933312A (zh) * 2021-09-30 2022-01-14 杭州百子尖科技股份有限公司 表面缺陷的周期性规律实时判定方法
CN117558645A (zh) * 2024-01-09 2024-02-13 武汉中导光电设备有限公司 大数据Wafer缺陷确定方法、装置、设备及存储介质
CN117558645B (zh) * 2024-01-09 2024-03-29 武汉中导光电设备有限公司 大数据Wafer缺陷确定方法、装置、设备及存储介质

Also Published As

Publication number Publication date
JP6244260B2 (ja) 2017-12-06

Similar Documents

Publication Publication Date Title
JP6244260B2 (ja) 欠陥分析装置及び欠陥分析方法
JP4616864B2 (ja) 外観検査方法及びその装置および画像処理評価システム
JP5043430B2 (ja) 自動ウェブ検査のための装置および方法
JP4799574B2 (ja) 線状パターンの検知方法および装置
CN111630563A (zh) 图像的边缘检测方法、图像处理设备及计算机存储介质
CN109946303A (zh) 检查装置和方法
EP3096289B1 (en) Image comparison device, image sensor, processing system, and image comparison method
US10636133B2 (en) Automated optical inspection (AOI) image classification method, system and computer-readable media
EP3591612A1 (en) Defect detection system for aircraft component and defect detection method for aircraft component
CN111242899B (zh) 基于图像的瑕疵检测方法及计算机可读存储介质
US20220044383A1 (en) Learned model generation method, learned model, surface defect inspection method, steel manufacturing method, pass/fail determination method, grade determination method, surface defect determination program, pass/fail determination program, determination system, and steel manufacturing equipment
EP3889589A1 (en) Surface defect detecting method, surface defect detecting device, method for manufacturing steel material, steel material quality control method, steel material manufacturing equipment, method for creating surface defect determination model, and surface defect determination model
JP5206697B2 (ja) 連続欠陥判定方法、連続欠陥判定装置及びプログラム
JP2015197396A (ja) 画像検査方法および画像検査装置
TW202242390A (zh) 缺陷檢查裝置、缺陷檢查方法以及製造方法
JP5873764B2 (ja) 欠陥画像の提示方法
JP2009070834A (ja) 基板分類方法および装置、異常設備推定方法および装置、基板分類方法または異常設備推定方法をコンピュータに実行させるためのプログラム、並びに上記プログラムを記録したコンピュータ読み取り可能な記録媒体
JP2018081629A (ja) 判定装置、判定方法および判定プログラム
US20190272420A1 (en) Method and system for extracting information from hand-marked industrial inspection sheets
JP6199799B2 (ja) 自発光材料画像処理装置及び自発光材料画像処理方法
JP6104745B2 (ja) 穴検査装置
CN1287141C (zh) 用于检测轧制产品形状缺陷的方法及相关装置
US10922823B2 (en) Motion analyis device, motion analysis method, and program recording medium
CN110634124A (zh) 一种区域检测的方法及设备
JP2006260310A (ja) 物品判別方法および物品判別装置ならびにプログラム

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20160901

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20170419

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20170425

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20170601

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20171017

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20171113

R150 Certificate of patent or registration of utility model

Ref document number: 6244260

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150