JP2016142739A - フィルムの検査方法 - Google Patents

Abstract

【課題】未知の欠陥を欠陥グループごとに高い正確度で分類できるフィルムの検査方法を提供することを目的とする。【解決手段】分類された複数の欠陥グループからの各単一欠陥画像情報を多次元ベクトルに変換する段階と、ベクトルを多次元座標系にマッピングし、ベクトルを欠陥グループによって区分する最適超平面を決定する段階と、判定対象のフィルムで検出された欠陥から得られた欠陥画像情報を多次元ベクトルに変換後、変換された多次元ベクトルを前記最適超平面が決定された多次元座標系にマッピングし、該当する欠陥グループを得る段階と、を含むフィルムの検査方法。【選択図】図１

Description

本発明は、フィルムの検査方法に関する。

液晶表示パネル等に使用される偏光フィルムの製造工程では、一般に、一定の幅で長大な帯状の状態で各種処理が自動的に施され、最終的に製品仕様に従って所定の形状になるようにカットされている。

従来、帯状の状態の偏光フィルムに対して欠陥検査装置（自動検査機）により自動的に欠陥を検出し、後工程で欠陥の識別が容易になるように、欠陥の近傍位置にマークを形成する偏光フィルムの検査方法が知られている。

一般に、欠陥検査装置で欠陥を検出した偏光フィルムは、１００％使用できないものではない。欠陥検査装置で欠陥が検出される欠陥は、その種類によって光学機能性に及ぼす影響が相違し、少量が検出されても使用が不可な欠陥もあれば、一部検出されても使用に問題のない欠陥もある。しかし、欠陥検査装置は、通常、欠陥をその種類別に分類することはできず、欠陥の種類に関わらず全ての欠陥を検出してしまう。

従って、一般に欠陥検査装置で検出した欠陥が許容されるかどうかは、最終的に人間が目視検査で判断する。しかし、作業者の熟練度に応じて検査精度及び生産性が低下することがあるため、大量の製品を正確かつ迅速に検査することはできない。

特許文献１には、偏光板のムラの自動検査システム及びそれを用いた偏光板のムラ検査方法が開示されている。

韓国公開特許第１０−２０１０−００３２６８２号公報

本発明は、未知の欠陥を欠陥グループごとに高い正確度で分類できるフィルムの検査方法を提供することを目的とする。

上記目的を達成するための本発明に係るフィルムの検査方法の第一特徴構成は、分類された複数の欠陥グループからの各単一欠陥画像情報を多次元ベクトルに変換する段階と、前記ベクトルを多次元座標系にマッピングし、前記ベクトルを前記欠陥グループによって区分する最適超平面を決定する段階と、判定対象のフィルムで検出された欠陥から得られた欠陥画像情報を多次元ベクトルに変換後、変換された多次元ベクトルを前記最適超平面が決定された多次元座標系にマッピングし、該当する欠陥グループを得る段階と、を含む点にある。

本発明に係るフィルムの検査方法の第二特徴構成は、前記最適超平面を決定する段階は、互いに異なる種類の前記欠陥グループから得られたベクトルの境界に超平面を形成し、前記超平面のうち、互いに異なる前記欠陥グループから得られた最近接の２つのベクトルからの距離の和が最大となる前記超平面を前記最適超平面として決定する点にある。

本発明に係るフィルムの検査方法の第三特徴構成は、前記欠陥画像情報は、ピーク（peak）、面積（area）、デルタＸ（ｄｘ）、デルタＹ（ｄｙ）、密度（density）、厚さ（thickness）及び陰影（shading）からなるパラメータより選択される２種以上であり、前記欠陥画像情報が前記多次元ベクトルの成分として含まれる点にある。

本発明に係るフィルムの検査方法の第四特徴構成は、前記欠陥画像情報は、ピーク（peak）、面積（area）、デルタＸ（ｄｘ）、デルタＹ（ｄｙ）、密度（density）、厚さ（thickness）及び陰影（shading）であり、前記欠陥画像情報が前記多次元ベクトルの成分として含まれる点にある。

本発明に係るフィルムの検査方法の第五特徴構成は、前記欠陥画像情報は、欠陥として認識された部分を中央に含む長方形のピクセルグループにおける各ピクセルの明るさ値であり、前記欠陥画像情報が前記多次元ベクトルの成分として含まれる点にある。

本発明に係るフィルムの検査方法の第六特徴構成は、前記各ピクセルの位置情報が前記多次元ベクトルの各軸に変換され、前記各ピクセルの明るさ値が前記ベクトルの各成分に変換される点にある。

本発明に係るフィルムの検査方法の第七特徴構成は、前記長方形のピクセルグループにおいて欠陥として認識された部分と背景に該当する部分とを分離し、背景に該当する部分のみを含むピクセルの明るさ値を０に設定する段階をさらに含む点にある。

本発明に係るフィルムの検査方法の第八特徴構成は、２ピクセル以下のサイズのノイズを含むピクセルの明るさ値を０に設定する段階をさらに含む点にある。

本発明に係るフィルムの検査方法の第九特徴構成は、欠陥として認識された部分を中央に含む長方形のピクセルグループにおいて、各ピクセルごとに下記の数式１又は数式２で表される値によって前記ベクトルにおける軸が定まり、ｄｘ及びｄｙと比例する所定値によって当該軸の成分が決まる点にある。
（式中、ｄｘは、ｘ軸の明るさの変化量であり、ｙは、ｙ軸の明るさの変化量である。）

本発明に係るフィルムの検査方法の第十特徴構成は、前記欠陥画像情報を正規化して前記多次元ベクトルに変換する点にある。

本発明に係るフィルムの検査方法の第十一特徴構成は、前記判定対象のフィルムで検出された欠陥の前記欠陥グループごとに良品判定基準が異なるように設定してフィルムの良否を判定する点にある。

本発明によると、未知の欠陥を欠陥グループごとに高い正確度で分類することができる。これにより、欠陥グループごとに良品判定基準が異なるように設定してフィルムを判定することにより、不良品が良品と判定されたり、良品であるにも拘わらず不良品と過検されることを低減できる。

非透過モード（クロスニコル）で検出される欠陥を分類した写真図である。 透過モードで検出される欠陥を分類した写真図である。

本発明は、分類された複数の欠陥グループからの各単一欠陥画像情報を多次元ベクトルに変換する段階と、前記ベクトルを多次元座標系にマッピングし、前記ベクトルを欠陥グループによって区分する最適超平面を決定する段階と、判定対象のフィルムで検出された欠陥から得られた欠陥画像情報を多次元ベクトルに変換後、変換された多次元ベクトルを前記最適超平面が決定された多次元座標系にマッピングし、該当する欠陥グループを得る段階と、を含むことにより、未知の欠陥を欠陥グループごとに高い正確度で分類することができ、欠陥グループごとに良品判定基準が異なるように設定してフィルムを判定することにより、不良品が良品と判定されたり、良品であるにも拘わらず不良品と過検されることを低減できるフィルムの検査方法に関する。

以下、本発明の一具現例に係るフィルムの検査方法を詳細に説明する。

まず、分類された複数の欠陥グループからの各単一欠陥画像情報を多次元ベクトルに変換する。

欠陥グループとしては、例えば、群集性輝点欠陥、一糸欠陥、輝点欠陥、スター欠陥、スクラッチ欠陥、ブラック筋欠陥、糊ピンホール欠陥、気泡性欠陥、異物気泡欠陥、白点異物欠陥、異物欠陥などが挙げられる。

これらの欠陥は、非透過モード（クロスニコル状態）又は透過モードで検出される欠陥であってもよい。

具体的には、群集性輝点欠陥、一糸欠陥、輝点欠陥、スター欠陥及びスクラッチ欠陥は、非透過モードで検出可能な欠陥であり、図１は、非透過モードで観察されるこれらの欠陥の写真である。図１（ａ）は群集性輝点欠陥、図１（ｂ）は一糸欠陥、図１（ｃ）は輝点欠陥、図１（ｄ）はスター欠陥、図１（ｅ）はスクラッチ欠陥である。

具体的には、ブラック筋欠陥、一糸欠陥、糊ピンホール欠陥、気泡性欠陥、異物気泡欠陥、白点異物欠陥及び異物欠陥は、透過モードで検出可能な欠陥であり、図２は、透過モードで観察されるこれらの欠陥の写真である。図２（ａ）はブラック筋欠陥、図２（ｂ）は一糸欠陥、図２（ｃ）は糊ピンホール欠陥、図２（ｄ）は気泡性欠陥、図２（ｅ）は異物気泡欠陥、図２（ｆ）は白点異物欠陥、図２（ｇ）は異物欠陥である。

分類された複数の欠陥グループから各単一欠陥画像情報を得、得られた情報を多次元のベクトルに変換する。

欠陥グループごとの多数の欠陥から当該欠陥グループの画像情報を得ることができる。

欠陥画像情報は、例えば、ピーク（peak）、面積（area）、デルタＸ（ｄｘ）、デルタＹ（ｄｙ）、密度（density）、厚さ（thickness）及び陰影（shading）からなる群より選択される２種以上であってもよい。

本明細書でピークは、欠陥として認識された部分の明るさ（灰色度（gray scale）、０〜２５５）の最高値または最低値と周辺の平均明るさとの差である。

面積は、欠陥として認識された部分を含む長方形の面積を意味するものであり、具体的な例を挙げると、欠陥として認識された部分が含まれるピクセルの個数を面積とすることができる。欠陥として認識された部分を含む場合のピクセルは、欠陥がピクセルの中央に位置するように含むものであり、欠陥を含む最小の長方形の重心または欠陥として認識された部分を含むピクセルの平均座標を中央として設定することができる。

デルタＸは欠陥として認識された部分のｘ軸の最長長さを意味し、デルタＹは欠陥が占める領域のＹ軸の最長長さを意味する。具体的な例を挙げると、デルタＸは欠陥として認識された部分を含むピクセルのｘ軸の最長長さであってもよく、デルタＹは欠陥として認識された部分を含むピクセルのｙ軸の最長長さであってもよい。

密度は、欠陥として認識された部分が占める実面積を、欠陥として認識された部分を含む長方形や円で割ったものであり、具体的には、欠陥として認識された部分が占める実面積を、欠陥の長軸を直径とする円の面積で割ったものであってもよい。

厚さは、欠陥として認識された部分の２以上の外点を結ぶ線を引き、欠陥の各点から中心線までの距離の平均であってもよい。前記線は、欠陥の長軸であってもよいが、これに制限されるものではない。

陰影は、黒、白、黒白の３つの値を表すものであり、黒は、欠陥として認識された部分の全てが周辺の正常領域よりも暗いことを、白は、欠陥として認識された部分の全てが周辺の正常領域よりも明るいことを、白黒は、欠陥として認識された部分の一部は周辺の正常領域よりも明るく、一部は暗いことを意味する。

前記黒、白、黒白の３つの値は、所定の数字に対応付けてベクトルの成分として含むことができる。例えば、黒、白、黒白がそれぞれ０、１、２に対応するか、又は１、２、３に対応するような方式でベクトルの成分に変換でき、これらのそれぞれが異なる数字で区分できれば、前記所定の数字値は制限されない。

本明細書において多次元のベクトルとは、行ベクトル又は列ベクトルであり、各成分（element）が２つ以上のベクトルを意味する。

欠陥画像情報がピーク（peak）、面積（area）、デルタＸ（ｄｘ）、デルタＹ（ｄｙ）、密度（density）、厚さ（thickness）及び陰影（shading）からなる群より選択される２種以上である場合、前記多次元のベクトルは、これらを成分として含む２次元以上のベクトルであってもよい。

多次元ベクトルが欠陥画像情報以外の情報を成分として含む場合、当該情報は、当該欠陥が得られたフィルムの組成、色度、厚さ、表面粗さ、収縮力、引張強度などの物性等であってもよい。これらの情報を所定の数字に対応付けて成分として含むことができるが、これに制限されるものではない。

欠陥画像情報がピーク（peak）、面積（area）、デルタＸ（ｄｘ）、デルタＹ（ｄｙ）、密度（density）、厚さ（thickness）及び陰影（shading）である場合、前記多次元のベクトルは、これらを各成分として含む７次元以上のベクトルであってもよい。

欠陥グループごとの分類正確度を向上させる観点において、好ましくは、前記欠陥画像情報は正規化されてベクトルの成分として含まれてもよい。

前記欠陥画像情報において、ピークは、明るさ値であるので０〜２５５の値を有し、面積、デルタＸ、デルタＹなどは、ピクセルの個数値を有するため、欠陥画像情報ごとに値のバラツキが大きい。その場合、ベクトルの成分として含まれるピーク、面積、デルタＸ、デルタＹ、密度、厚さ、陰影などの値を正規化すると、データの処理量が減少し、分類正確度を改善することができる。

正規化の方法は特に限定されず、当分野における公知の方法により正規化することができる。例えば、各欠陥画像情報の全ての値を、各欠陥画像情報の最大値で割る方法により行うことができる。より具体的には、ピークの場合を挙げると、全てのピーク値をピークのうちの最大値である２５５で割る方法により行うことができ、面積などの場合も同様に、全ての面積値を最大面積値で割る方法により行うことができる。

本発明の他の一具現例によると、前記欠陥画像情報は、欠陥として認識された部分を中央に含む長方形のピクセルグループにおける、各ピクセルの明るさ値であってもよい。その場合、各明るさ値を多次元ベクトルの成分として含むことができる。

このとき、各ピクセルの位置情報が多次元ベクトルの各軸に変換され、各ピクセルの明るさ値が、前記ベクトルの各成分に変換され得る。例えば、長方形のピクセルグループにおいて左最上段のピクセルを（１，１）座標としたとき、（１，１）ピクセルの明るさ値をベクトルにおける１番目の軸の成分とし、（１，２）ピクセルの明るさ値をベクトルにおける２番目の軸の成分とするなどの方式で変換できるが、これに制限されるものではない。

前記長方形のピクセルグループは、１００×１００のピクセルグループであってもよく、多次元ベクトルは、１０，０００個のピクセルの各明るさ値を成分として含む１０，０００次元以上のベクトルであってもよい。

欠陥画像情報がピーク（peak）、面積（area）、デルタＸ（ｄｘ）、デルタＹ（ｄｙ）、密度（density）、厚さ（thickness）、陰影（shading）などである場合は、欠陥として認識された部分を含む１００×１００ピクセルから７個の情報だけを収集することになるが、欠陥画像情報が各ピクセルの明るさ値である場合は、１０，０００個の情報を収集することになるため、より多くの情報を用いて欠陥を分類することで正確度をさらに高めることができる。

ただ、処理すべきデータの量が膨大になる問題があるので、多次元ベクトルの各成分のうち所定の成分を０に変換し、データ処理量を低減することが好ましい。

例えば、長方形のピクセルグループにおいて欠陥として認識された部分と背景に該当する部分とを分離し、背景に該当する部分のみを含むピクセルの明るさ値を０に設定する段階を含むことができる。欠陥として認識された部分は、そうでない部分よりも明るいか又は暗いので、明るさの差を用いることにより、欠陥として認識された部分と背景に該当する部分とを分離できる。

また、２ピクセル以下のサイズのノイズを含むピクセルの明るさ値を０に設定する段階をさらに含むことができる。

前記ノイズは、欠陥と同様に、そうでない部分に比べてより明るいか又は暗い部分、あるいは、欠陥と分離されており、かつ２ピクセル以下のサイズを有する小さい部位を意味するものであり、ノイズのみを含むピクセルの明るさ値を０に設定することによりデータ量を低減できる。

前述した欠陥画像情報を正規化する方法は、１０，０００次元以上のベクトルに対しても同様に適用することができる。

本発明のさらに他の具現例によると、前記欠陥画像情報として、欠陥として認識された部分を中央に含む長方形のピクセルグループにおける各ピクセルの明るさ値を活用するが、下記の数式１または数式２で表される値によって前記ベクトルの軸を決め、ｄｘ及びｄｙと比例する所定値によって当該軸の成分を決めることができる。

（式中、ｄｘは、ｘ軸の明るさの変化量であり、ｙは、ｙ軸の明るさの変化量である。）

ピクセルグループ内で各ピクセルごとにｄｘとｄｙが得られるが、これを前記数式１に代入すると、各ピクセルごとにｄｘとｄｙがなす傾きが角度値として得られる。

ｄｘとｄｙがなす傾きを最小０°から最大１８０°に想定し、これを２０°ずつ分割すると９つの区間に分けられる。前記９つの区間をベクトルの各軸に設定し、各ピクセルごとに前記数式１及び２の傾きによって対応する角度として軸を決めることができる。

そして、ｄｘ及びｄｙと比例する所定値によって当該軸の成分を決めることができる。前記所定値は、例えば、ｄｘとｄｙの和、ｄｘとｄｙの積、ｄｘとｄｙの和の平方根、ｄｘ^２とｄｙ^２の和の平方根等であってもよいが、これらに制限されるものではない。

ｄｘとｄｙがなす傾きの値によって、当該ピクセルにおける情報がどの軸に変換されるかが決まるが、互いに異なるピクセルの角度値が同じ角度区間内に属する場合、同じ角度区間に該当するピクセルにおけるｄｘ及びｄｙと比例する所定値を全て足した値が、当該軸での成分となる。

このような過程を経ると、欠陥として認識された部分を中央に含む長方形のピクセルグループにおいて９次元のベクトルを得ることができる。

より多くのデータを活用して後述する分類正確度を高める点で、好ましくは、欠陥として認識された部分を中央に含む長方形のピクセルグループを所定のサイズに等分し、等分したピクセルグループごとに前記９次元のベクトルを得、等分したピクセルグループの位置情報に基づいて各ベクトルの成分を並べて、一つのベクトルを得ることができる。

具体的な例を挙げると、欠陥として認識された部分を中央に含む長方形のピクセルグループが１００×１００のピクセルグループである場合、これを１０×１０のピクセルグループ１００個に等分することができる。その後、１０×１０のピクセルグループごとに前記９次元のベクトルを得、等分したピクセルグループの位置情報に基づいて各ベクトルの成分を並べて、９００次元のベクトルを得ることができる。

前記９次元のベクトルも、さらに欠陥画像情報以外の情報を成分として含むことで９次元以上になることができ、これにより、９００次元以上のベクトルを得ることができる。

前記位置情報は、最上段のピクセルグループを左から右まで１〜１０番、その次の行のピクセルグループを左から右まで１１〜２０番とし、そのような方式で最下段のピクセルグループを左から右まで９１〜１００番とし、これらの番号順に各ベクトルの成分を並べることができるが、これに制限されるものではない。

前述したデータ処理量を低減する方法及び欠陥画像情報を正規化する方法は、９００次元以上のベクトルに対しても同様に適用することができる。

この後、前記ベクトルを多次元座標系にマッピングする。

それぞれの欠陥ごとに多少の差異はあるが、欠陥グループ別に類似した値の成分を有するベクトルが得られるので、各欠陥グループから得られたベクトルを多次元座標系にマッピングすると、欠陥グループ別のベクトル群を形成することができる。

そして、前記ベクトルを欠陥グループによって区分する最適超平面を決定する。

本明細書で超平面（hyperplane）とは、多次元座標系において互いに異なる多次元のベクトルを区分する多次元の平面を意味する。互いに異なる欠陥グループから得られたベクトルの境界に超平面を形成し、これらのベクトルを欠陥グループによって区分できる超平面を形成することができる。最適超平面とは、超平面のうち、最も誤差を最小限に抑えながら、互いに異なる欠陥グループから得られたベクトルを欠陥グループによって区分できる超平面を意味する。

最適超平面を得る方法は、例えば、互いに異なる種類の欠陥グループから得られたベクトルの境界に超平面を形成し、前記超平面のうち、互いに異なる欠陥グループから得られた最近接の２つのベクトルからの距離の和が最大となる超平面を最適超平面として決定することができる。

前記最適超平面は、サポートベクトルマシン（ＳＶＭ、Support Vector Machine）の並列処理を用いて決定することができる。ＳＶＭは、構造的リスク最小化（Structural Risk Minimization；ＳＲＭ）理論から発展したバイナリパターン分類器であり、構造的リスク最小化の概念に基づいた最適な線形決定平面を見つけることにより、２つのクラスを分類するためのアルゴリズムである。分類の問題を解決するための最適な分離境界面（hyperplane）を提供する。このようなサポートベクトルマシンの構造及び原理は、当業界に広く公知されているので、本明細書ではその詳細な説明を省略する。

この後、判定対象のフィルムから得られた欠陥画像情報を多次元ベクトルに変換後、変換された多次元ベクトルを前記最適超平面が決定された多次元座標系にマッピングし、該当する欠陥グループを得る。

判定対象のフィルムは、前述した欠陥グループが検出されたフィルムと同様の組成及び方法で製造されたフィルムであってもよい。

どの欠陥グループに該当するかが分からない判定対象フィルムの未知の欠陥の欠陥画像情報を多次元ベクトルに変換し、前記最適の超平面が決定された多次元座標系にマッピングすると、当該ベクトルがどの欠陥グループに該当するベクトルであるかが分かる。これにより、当該欠陥がどの欠陥グループに該当するかが分かる。

つまり、未知の欠陥がどの欠陥グループに該当するかを高い正確度で分類することが可能であり、これは検出された欠陥グループごとに良品判定基準が異なるように設定してフィルムの良否を判定する検査方法に好適に適用され得る。

具体的には、前述した群集性輝点欠陥、一糸欠陥、輝点欠陥、スター欠陥、スクラッチ欠陥、ブラック筋欠陥、糊ピンホール欠陥、気泡性欠陥、異物気泡欠陥、白点異物欠陥、異物欠陥などの各欠陥グループごとに光学機能性に及ぼす影響が相違する。したがって、影響性の大きい欠陥グループに該当する欠陥は、少ない数が検出されても当該フィルムを不良と判定すべきであるが、影響性の少ない欠陥グループに該当する欠陥は、多少多くの数が検出されても良品と判定してもよい。

従来は、自動光学検査機で検出された欠陥を欠陥グループごとに正確に分類できず、全ての欠陥グループに対して同じ基準を適用して検査を行わなければならなかった。このため、不良のフィルムを良品と判定したり、良品を不良と判定する場合が多かった。

これに対して、本発明は、未知の欠陥がどの欠陥グループに該当する欠陥であるかを高い正確度で分類することができる。したがって、欠陥グループごとに良品判定基準が異なるように設定し、フィルムの良否を高い正確度で判定することができる。

以下、本発明の理解を助けるために好ましい実施例を提示するが、これらの実施例は、例として提示したものであり、特許請求の範囲を限定することは意図していない。これらの実施例は、発明の要旨を逸脱しない範囲で、種々の変更及び修正を行うことができる。これら実施例やその変形は、発明の範囲や要旨に含まれるとともに、特許請求の範囲に記載された発明とその均等の範囲に含まれる。

〔実施例１〕
フィルムの検査方法
偏光フィルムに対して自動光学検査を行い、群集性輝点欠陥、一糸欠陥、輝点欠陥、スター欠陥、スクラッチ欠陥、ブラック筋欠陥、糊ピンホール欠陥、気泡性欠陥、異物気泡欠陥、白点異物欠陥及び異物欠陥を検出した。

これらの欠陥グループの各欠陥の画像は、１００×１００ピクセルのサイズで、欠陥を含む最小の長方形のピクセルの重心が画像の中央に位置するように収集した。各欠陥画像からピーク（peak）、面積（area）、デルタＸ（ｄｘ）、デルタＹ（ｄｙ）、密度（density）、厚さ（thickness）、陰影（shading）の値を得て正規化を行い、これらを順に成分として含む７次元ベクトルを得た。

前記７次元ベクトルをＳＶＭ ｌｉｂｒａｒｙを用いて７次元座標系にマッピングし、最適超平面を決定した。

この後、前記偏光フィルムと同じ工程ラインで生産した偏光フィルムを判定対象のフィルムとし、自動光学検査を行うことで欠陥を検出し、公知の基準に基づいて欠陥をグループ別に分類した。

非透過モードで検査を行い、群集性輝点欠陥５００個、一糸欠陥５００個、輝点欠陥５００個、スター欠陥５００個、スクラッチ欠陥５００個を選別し、透過モードでブラック筋欠陥１１個、一糸欠陥１７個、糊ピンホール欠陥５９個、気泡性欠陥６９０個、異物気泡欠陥１４３個、白点異物欠陥８４個、異物欠陥１１２５個を選別した。

前記合計４６２９個の欠陥の画像から、ピーク（peak）、面積（area）、デルタＸ（ｄｘ）、デルタＹ（ｄｙ）、密度（density）、厚さ（thickness）及び陰影（shading）の値を得、これらを順に成分として含む７次元ベクトルを得た。その後、これらを前記最適超平面が決定された７次元座標系にマッピングした。前記最適超平面に基づいてベクトルを欠陥グループ別に分類し、欠陥を欠陥グループ別に分類した。分類結果は下記表１及び２に示す通りである。

上記表１は、非透過モードで検出された欠陥を本発明の方法により分類したものであり、合計８３．９％の高い正確度で欠陥が分類されたことを確認できる。

上記表２は、透過モードで検出された欠陥を本発明の方法により分類したものであり、合計８７．１％の高い正確度で欠陥が分類されたことを確認できる。

〔実施例２〕
フィルムの検査方法
偏光フィルムに対して自動光学検査を行い、群集性輝点欠陥、一糸欠陥、輝点欠陥、スター欠陥、スクラッチ欠陥、ブラック筋欠陥、糊ピンホール欠陥、気泡性欠陥、異物気泡欠陥、白点異物欠陥及び異物欠陥を検出した。

これらの欠陥グループの各欠陥の画像は１００×１００ピクセルのサイズで、欠陥を含む最小の長方形のピクセルの重心が画像の中央に位置するように収集した。各欠陥の画像から各ピクセルの明るさ値を得、左最上段を（１,１）座標としたとき、（１,１）ピクセルの明るさ値がベクトルにおける１番目の軸の成分、（１,２）ピクセルの明るさ値がベクトルにおける２番目の軸の成分となるように、左から右へ、そして上から下へ、各ピクセルの明るさ値をベクトルの成分とした。最終的に（１００,１００）ピクセルの明るさ値をベクトルにおける１０，０００番目の軸の成分とする１０，０００次元ベクトルを得た。

前記１０，０００次元ベクトルをＳＶＭ ｌｉｂｒａｒｙを用いて１０，０００次元座標系にマッピングし、最適超平面を決定した。

この後、前記偏光フィルムと同じ工程ラインで生産した偏光フィルムを判定対象フィルムとし、自動光学検査を行うことで欠陥を検出し、公知の基準に基づいて欠陥をグループ別に分類した。

非透過モードで検査を行い、群集性輝点欠陥５００個、一糸欠陥５００個、輝点欠陥５００個、スター欠陥５００個、スクラッチ欠陥５００個を選別し、透過モードでブラック筋欠陥１１個、一糸欠陥１７個、糊ピンホール欠陥５９個、気泡性欠陥６９０個、異物気泡欠陥１４３個、白点異物欠陥８４個、異物欠陥１１２５個を選別した。

前記合計４６２９個の欠陥の画像から、前記と同様の方法で１０，０００次元ベクトルを得、これらを前記最適超平面が決定された１０，０００次元座標系にマッピングした。前記最適超平面に基づいてベクトルを欠陥グループ別に分類し、欠陥を欠陥グループ別に分類した。分類結果は下記表３及び４に示す通りである。

上記表３は、非透過モードで検出された欠陥を本発明の方法により分類したものであり、合計９６．２％の高い正確度で欠陥が分類されたことを確認できる。

上記表４は、透過モードで検出された欠陥を本発明の方法により分類したものであり、合計９８．７％の高い正確度で欠陥が分類されたことを確認できる。

〔実施例３〕
フィルムの検査方法
偏光フィルムに対して自動光学検査を行い、群集性輝点欠陥、一糸欠陥、輝点欠陥、スター欠陥、スクラッチ欠陥、ブラック筋欠陥、糊ピンホール欠陥、気泡性欠陥、異物気泡欠陥、白点異物欠陥及び異物欠陥を検出した。

これらの欠陥グループの各欠陥の画像は１００×１００ピクセルのサイズで、欠陥を含む最小の長方形のピクセルの重心が画像の中央に位置するように収集した。各欠陥の画像から各ピクセルの明るさ値を得、これを１０×１０のピクセルグループ１００個に等分した。

各ピクセルグループから、各ピクセルごとにｘ軸の明るさの変化量（ｄｘ）、ｙ軸の明るさの変化量（ｄｙ）を得た。これを下記数式１に代入し、各ピクセルごとにｄｘとｄｙがなす傾きを角度値として得た。

０°から１８０°の角度を２０°ずつ９つの区間に分割し、９つの区間をベクトルの各軸に設定し、各ピクセルにおけるｄｘ^２とｄｙ^２の和の平方根値を各軸の成分に設定した。同じ角度区間に該当する互いに異なるピクセルがある場合、それらのピクセルのｄｘ^２とｄｙ^２の和の平方根値を全て足し、これを各軸の成分に設定した。

これにより、９次元ベクトルの１００個を得た。

最上段のピクセルグループを左から右まで１〜１０番、その次の行のピクセルグループを左から右まで１１〜２０番とし、そのような方式により最下段のピクセルグループを左から右まで９１〜１００番として位置情報を想定し、前記の番号順に９次元ベクトル１００個の成分をそのまま並べて９００次元ベクトルの１個を得た。

前記９００次元のベクトルをＳＶＭ ｌｉｂｒａｒｙを用いて９００次元座標系にマッピングし、最適超平面を決定した。

この後、前記偏光フィルムと同じ工程ラインで生産した偏光フィルムを判定対象フィルムとし、自動光学検査を行うことで欠陥を検出し、公知の基準に基づいて欠陥をグループ別に分類した。

非透過モードで検査を行い、群集性輝点欠陥５００個、一糸欠陥５００個、輝点欠陥５００個、スター欠陥５００個、スクラッチ欠陥５００個を選別し、透過モードでブラック筋欠陥１１個、一糸欠陥１７個、糊ピンホール欠陥５９個、気泡性欠陥６９０個、異物気泡欠陥１４３個、白点異物欠陥８４個、異物欠陥１１２５個を選別した。

前記合計４６２９個の欠陥の画像から、前記と同様の方法で９００次元ベクトルを得た後、これらを前記最適超平面が決定された９００次元座標系にマッピングした。前記最適超平面に基づいてベクトルを欠陥グループ別に分類し、欠陥を欠陥グループ別に分類した。分類結果は下記表５及び６に示す通りである。

上記表５は、非透過モードで検出された欠陥を本発明の方法により分類したものであり、合計９５．６％の高い正確度で欠陥が分類されたことを確認できる。

上記表６は、透過モードで検出された欠陥を本発明の方法により分類したものであり、合計９７．６％の高い正確度で欠陥が分類されたことを確認できる。

本発明は、フィルムの検査方法に利用できる。

Claims (11)

1. 分類された複数の欠陥グループからの各単一欠陥画像情報を多次元ベクトルに変換する段階と、
   前記ベクトルを多次元座標系にマッピングし、前記ベクトルを前記欠陥グループによって区分する最適超平面を決定する段階と、
   判定対象のフィルムで検出された欠陥から得られた欠陥画像情報を多次元ベクトルに変換後、変換された多次元ベクトルを前記最適超平面が決定された多次元座標系にマッピングし、該当する欠陥グループを得る段階と、を含むフィルムの検査方法。
2. 前記最適超平面を決定する段階は、互いに異なる種類の前記欠陥グループから得られたベクトルの境界に超平面を形成し、前記超平面のうち、互いに異なる前記欠陥グループから得られた最近接の２つのベクトルからの距離の和が最大となる前記超平面を前記最適超平面として決定する、請求項１に記載のフィルムの検査方法。
3. 前記欠陥画像情報は、ピーク（peak）、面積（area）、デルタＸ（ｄｘ）、デルタＹ（ｄｙ）、密度（density）、厚さ（thickness）及び陰影（shading）からなるパラメータより選択される２種以上であり、前記欠陥画像情報が前記多次元ベクトルの成分として含まれる、請求項１に記載のフィルムの検査方法。
4. 前記欠陥画像情報は、ピーク（peak）、面積（area）、デルタＸ（ｄｘ）、デルタＹ（ｄｙ）、密度（density）、厚さ（thickness）及び陰影（shading）であり、前記欠陥画像情報が前記多次元ベクトルの成分として含まれる、請求項１に記載のフィルムの検査方法。
5. 前記欠陥画像情報は、欠陥として認識された部分を中央に含む長方形のピクセルグループにおける各ピクセルの明るさ値であり、前記欠陥画像情報が前記多次元ベクトルの成分として含まれる、請求項１に記載のフィルムの検査方法。
6. 前記各ピクセルの位置情報が前記多次元ベクトルの各軸に変換され、前記各ピクセルの明るさ値が前記ベクトルの各成分に変換される、請求項５に記載のフィルムの検査方法。
7. 前記長方形のピクセルグループにおいて欠陥として認識された部分と背景に該当する部分とを分離し、背景に該当する部分のみを含むピクセルの明るさ値を０に設定する段階をさらに含む、請求項５に記載のフィルムの検査方法。
8. ２ピクセル以下のサイズのノイズを含むピクセルの明るさ値を０に設定する段階をさらに含む、請求項５に記載のフィルムの検査方法。
9. 欠陥として認識された部分を中央に含む長方形のピクセルグループにおいて、各ピクセルごとに下記の数式１又は数式２で表される値によって前記ベクトルにおける軸が定まり、ｄｘ及びｄｙと比例する所定値によって当該軸の成分が決まる、請求項１に記載のフィルムの検査方法。
   （式中、ｄｘは、ｘ軸の明るさの変化量であり、ｙは、ｙ軸の明るさの変化量である。）
10. 前記欠陥画像情報を正規化して前記多次元ベクトルに変換する、請求項１に記載のフィルムの検査方法。
11. 前記判定対象のフィルムで検出された欠陥の前記欠陥グループごとに良品判定基準が異なるように設定してフィルムの良否を判定する、請求項１に記載のフィルムの検査方法。