JP2020181333A - 生成方法、プログラム、生成装置、出力装置及び送信装置 - Google Patents
生成方法、プログラム、生成装置、出力装置及び送信装置 Download PDFInfo
- Publication number
- JP2020181333A JP2020181333A JP2019083234A JP2019083234A JP2020181333A JP 2020181333 A JP2020181333 A JP 2020181333A JP 2019083234 A JP2019083234 A JP 2019083234A JP 2019083234 A JP2019083234 A JP 2019083234A JP 2020181333 A JP2020181333 A JP 2020181333A
- Authority
- JP
- Japan
- Prior art keywords
- product
- defective
- trained model
- inspection
- information
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 77
- 230000005540 biological transmission Effects 0.000 title claims description 4
- 230000002950 deficient Effects 0.000 claims abstract description 168
- 230000007547 defect Effects 0.000 claims abstract description 82
- 238000007689 inspection Methods 0.000 claims description 317
- 238000003860 storage Methods 0.000 claims description 45
- 230000008569 process Effects 0.000 claims description 27
- 238000012545 processing Methods 0.000 claims description 22
- 238000004519 manufacturing process Methods 0.000 claims description 18
- 239000000463 material Substances 0.000 claims description 9
- 230000035945 sensitivity Effects 0.000 abstract description 29
- 239000000047 product Substances 0.000 description 259
- 230000010365 information processing Effects 0.000 description 55
- 238000010586 diagram Methods 0.000 description 16
- 238000004891 communication Methods 0.000 description 9
- 239000004973 liquid crystal related substance Substances 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 210000002569 neuron Anatomy 0.000 description 5
- 239000000126 substance Substances 0.000 description 5
- 239000000758 substrate Substances 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 239000003086 colorant Substances 0.000 description 4
- 238000003384 imaging method Methods 0.000 description 4
- 239000000203 mixture Substances 0.000 description 4
- 239000004065 semiconductor Substances 0.000 description 4
- 229910000679 solder Inorganic materials 0.000 description 4
- 238000012546 transfer Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000012790 confirmation Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 239000000428 dust Substances 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 239000010408 film Substances 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 239000012788 optical film Substances 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 208000002173 dizziness Diseases 0.000 description 2
- 238000005530 etching Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000007747 plating Methods 0.000 description 2
- 239000011265 semifinished product Substances 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 241000519995 Stachys sylvatica Species 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 239000006227 byproduct Substances 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 239000000049 pigment Substances 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- General Factory Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
Description
図1は検査システムの全体構成例を示す説明図である。検査システム100は情報処理装置1、検査装置2、端末3、クラウドストレージ4、受入会社情報処理装置5、受入会社検査装置6及び受入会社端末7を含む。情報処理装置1、検査装置2及び端末3は出荷会社が利用する装置である。クラウドストレージ4は出荷会社の検査結果データ及び受入会社の検査結果データを記憶する。受入会社情報処理装置5、受入会社検査装置6及び受入会社端末7は受入会社が利用する装置である。ネットワークNはインターネット、インターネットVPN(Virtual Private Network)、専用線網等である。情報処理装置1、クラウドストレージ4及び受入会社情報処理装置5はネットワークNにより、互いに通信可能に接続されている。情報処理装置1はクラウドストレージ4と各種データの授受を行う。受入会社情報処理装置5はクラウドストレージ4と各種データの授受を行う。クラウドストレージ4を介することにより、情報処理装置1と受入会社情報処理装置5とは互いに直接通信することなく、各種データの授受が可能となる。なお、出荷会社及び受入会社が行なう検査は画像を用いた検査を想定している。
本実施の形態は、学習モデル生成時の教師データが、実施の形態1と異なる。図11は判定モデル生成処理の他の手順例を示すフローチャートである。情報処理装置1のCPU11は出荷前検査の感度を変更する(ステップS61)。感度とは不良を検知する度合いである。感度が高いとは検知する度合いが上がることを意味する。例えば、残留物の量が閾値以上の場合、不良と判断する基準において、感度が上げるとは閾値を下げることを意味する。感度を下げるとは閾値を上げることを意味する。ここでは、感度を下げる変更を行う。CPU11は変更した感度で、検査装置2と協働して出荷前検査を行う(ステップS62)。CPU11は良品と判定した製品のみを出荷させる(ステップS63)。感度を下げているため、出荷する製品には、従来の出荷前検査では不良と判断されたであろう製品が一部含まれている。受入会社でのステップS64からステップS70は、図9に示したステップS23からステップS29と同様であるから、説明を省略する。ステップS69の後、出荷会社において、情報処理装置1のCPU11は受入会社での検査結果を取得する(ステップS71)。取得タイミング等は、ステップS30と同様である。情報処理装置1のCPU11は取得した検査結果に基づく教師データを作成する(ステップS72)。CPU11は作成した教師データにより、判定モデルの学習を行う(ステップS73)。CPU11は処理を終了する。学習により判定モデル(学習済みモデル)が作成される。再学習は実施の形態1と同様であるから説明を省略する。
本実施の形態においては、判定モデルによる良・不良の判定において、判定基準を変動させる。図13は判定モデルを用いた出荷前検査の他の手順例を示すフローチャートである。情報処理装置1のCPU11は、乱数を生成する(ステップS81)。生成する乱数は複数個である。乱数の最大値は、ひとまとめで検査する製品の個数以上であることが望ましい。ひとまとめで検査する製品の個数とは、例えば1ロットあたりの個数である。CPU11は変数nに1を代入する(ステップS82)。CPU11はnの値が、生成した乱数の集合に含まれるか否かを判定する(ステップS83)。CPU11はnの値が、生成した乱数の集合に含まれていないと判定した場合(ステップS83でNO)、処理をステップS85へ移す。CPU11はnの値が、生成した乱数の集合に含まれていると判定した場合(ステップS83でYES)、良・不良とを判定する閾値の値を変更する(ステップS84)。例えば、閾値を小さくし、良と判定される確率を上げる。閾値の変更の幅は、一定でもよいし、都度、異なっても良い。CPU11は判定モデルによる良・不良の判定を行なう(ステップS85)。CPU11は判定結果を出力する(ステップS86)。CPU11は検査すべき製品の全数を検査したか否かを判定する(ステップS87)。CPU11は全数を検査していないと判定した場合(ステップS87でNO)、判定の閾値を元に戻す(ステップS88)。閾値が変更されていない場合は、同じ値が上書きされる。CPU11は変数nに1を加算する(ステップS89)。CPU11は処理をステップS83に戻し、検査が終わっていない製品についての処理を行なう。CPU11は全数を検査したと判定した場合(ステップS87でYES)、処理を終了する。
プリント基板(電子基板)の例について説明する。ここでは、出荷会社がプリント基板を製造し、受入会社は受け入れたプリント基板に部品の実装等を行なう。不良の分類としては、配線の不良とランドの不良とを含む。ランドは電子部品の端子を半田付けする部分である。配線の不良は更に、配線の短絡、断線、配線の欠け等に分類される。また、ランドの不良は更に、不適格形状、大きさの不備等に分類される。実装用にランドに半田を盛っておく場合には、半田の欠けや半田不良による短絡等がランドの不良に含まれる。また、半田の高さを表現した画像により、高さ不良もランドの不良に分類される。例えば、基板全体の高さを高さセンサで計測する。計測した高さの分布を、輝度値に変換したグレースケール画像(以下、「高さ画像」)を生成する。基板を側面視しても突出部分に重ならない場合、基板の側面画像を用いて、高さ判定をおこなっても良い。また、片面基板においては、配線パターンが形成されていない面における、縁の欠け、汚れ(ゴミ等の付着)、キズ等の有無も、不良の分類として含まれる。さらに、エッチング液やめっき液の残留も不良の分類に含まれる。なお、高さ画像に関する学習は、上述した学習とは異なる判定モデルで行い、学習済みモデル(第3学習済みモデル)を生成してもよい。
無地ものは、液晶表示装置に使用される光学フィルムや光学シートのように、所定の形状や模様が繰り返し配置されるフィルム状物やシート状物である。光学フィルムは、偏光フィルム、位相差フィルム等である。光学シートは、反射シート、拡散シート、プリズムシート、レンズシート、コントラスト向上シート等である。無地ものについての不良は個々の製品毎に異なる分類となる。以下に、例示する。レンズシートでは、白点や光沢を有する異物のように光を透過する不良、黒点やゴミ等の異物のように光を透過しない不良が含まれる。プリズムシートでは、異物の混入・付着、プリズムのキズ・欠けなどの不良が含まれる。コントラスト向上シートは、表面に複数の溝が並設された光透過部と、溝に光透過部よりも屈折率の低い材料とカーボン顔料等とを充填させて形成された光吸収部とを有するものがある。当該構造のコントラスト向上シートでは、白スジ不良、ピッチスジ不良及び黒スジ不良が含まれる。「白スジ不良」とは、溝にインキ組成物が確実に充填されておらず、光吸収部が一部において凹んでいる不良である。「ピッチスジ不良」とは、光吸収部が一部において凹んでおり、そしてこの凹みが線状になっている不良である。「黒スジ不良」とは、インク組成物の掻き取り後において光透過部上にインキ組成物が残存しており、そしてそれが線状または点状になっている不良である。なお、黒スジ不良は「カブリ」とも呼ばれる。
絵柄印刷物(以下、単に「印刷物」ともいう。)は紙やフィルム等のシート状物に絵柄が印刷されたものである。絵柄とは、絵や写真等の画像だけでなく、図形、文字、記号、数字、模様、色彩などの任意の描画情報を含む。印刷物の検査は例えば、次のように行なう。検査対象である印刷物から得た被検査画像と基準画像との各画素の輝度差を算出し、これを所定の閾値を用いて2値化することにより、基本画像と被検査画像との間の異なる部分(不良箇所)を抽出する。抽出された不良箇所が所定の面積以上を占めている場合、その被検査画像に対応する印刷物は不良品であると判定する。
受入会社よりばらつきが少なく安定した検査結果が得られるよう、結果返送プログラムを受入会社に導入することが望ましい。図18は受入会社端末のハードウェア構成例を示すブロック図である。受入会社端末7はノートパソコン、パネルコンピュータ、タブレットコンピュータ、スマートフォン等で構成する。受入会社端末7はCPU71、ROM72、RAM73、大容量記憶部74、入力部75、表示部76、通信部77及び読み取り部78を含む。各構成はバスBで接続されている。
今回開示された実施の形態はすべての点で例示であって、制限的なものではないと考えられるべきである。本発明の範囲は、上記した意味ではなく、特許請求の範囲によって示され、特許請求の範囲と均等の意味及び範囲内でのすべての変更が含まれることが意図される。
1 情報処理装置
11 CPU
12 ROM
13 RAM
14 大容量記憶部
141 出荷前検査結果DB
142 受入先検査結果DB
143 教師データDB
150 モデル属性DB
151 第1判定モデル
152 第2判定モデル
16 通信部
17 読み取り部
1P 制御プログラム
1a 可搬型記憶媒体
1b 半導体メモリ
2 検査装置
3 端末
4 クラウドストレージ
5 受入会社情報処理装置
6 受入会社検査装置
7 受入会社端末
71 CPU
72 ROM
73 RAM
74 大容量記憶部
741 検査結果DB
75 入力部
76 表示部
77 通信部
78 読み取り部
7P 結果返送プログラム
7a 可搬型記憶媒体
7b 半導体メモリ
Claims (30)
- 製品画像を入力した場合に良否情報を出力する学習済みモデルにより良品と判断された前記製品に対して、納品先が不良品と判断した要因情報を取得し、
取得した前記要因情報に基づき、前記学習済みモデルの再学習を行う
ことを特徴とする前記学習済みモデルの生成方法。 - 前記要因情報は前記納品先を特定する納品先IDと対応付けられおり、
納品先毎に学習を行った複数の前記学習済みモデルを、納品先IDと対応付けて記憶してある記憶部から、取得した前記要因情報に対応付けられた納品先IDに基づいて、再学習を行う前記学習済みモデルを選択する
ことを特徴とする請求項1に記載の前記学習済みモデルの生成方法。 - 前記要因情報は、不良の分類、及び不良と判断された製品の位置情報を含む
ことを特徴とする請求項1又は2に記載の前記学習済みモデルの生成方法。 - 納品前の前記製品についての製品画像、良否情報、不良位置の情報及び不良の分類に基づき、前記学習済みモデルの再学習を行う
ことを特徴とする請求項1から3の何れか1項に記載の前記学習済みモデルの生成方法。 - 前記良否情報には良品の程度を数値で示す良品度が含まれ、当該良品度が所定の値範囲に含まれる場合、前記製品を良品と判断する
ことを特徴とする請求項1から4の何れか1項に記載の前記学習済みモデルの生成方法。 - 前記製品がシート状物であり、該シート状物を製造する際に用いる処理機に設けたマイクから音波データを取得し、
音波データ及び要因情報を含む教師データに基づき学習した第2学習済みモデルに取得した音波データを入力し、再学習を行なう
ことを特徴とする請求項1から5の何れか1項に記載の前記学習済みモデルの生成方法。 - 前記製品は電子基板であり、該電子基板の一面の高さを高さセンサにより取得し、
高さデータ及び要因情報を含む教師データに基づき学習した第3学習済みモデルに、取得した高さを入力し、再学習を行なう
ことを特徴とする請求項1から5の何れか1項に記載の前記学習済みモデルの生成方法。 - 前記製品は絵柄印刷物であり、人物の顔写真部分の不良を前記要因情報に含む
ことを特徴とする請求項1から5の何れか1項に記載の前記学習済みモデルの生成方法。 - 前記製品は医用画像を印刷した絵柄印刷物であり、赤色の濃度を含む色味の不良を前記要因情報に含む
ことを特徴とする請求項1から5の何れか1項に記載の前記学習済みモデルの生成方法。 - 前記学習済みモデルにより不良品と判断された前記製品に対して、納品先が良品と判断した良品情報を取得し、
取得した前記良品情報に基づき、前記学習済みモデルの再学習を行う
ことを特徴とする請求項1から9の何れか1項に記載の前記学習済みモデルの生成方法。 - 前記良品情報は、前記納品先では不良扱いしない箇所の製品における位置情報を含む
ことを特徴とする請求項10に記載の前記学習済みモデルの生成方法。 - 製品画像及び製品の良否情報を含む複数の教師データに基づき学習され、製品画像を入力した場合に良否情報を出力する学習済みモデルにより良品と判断された前記製品に対して、納品先が不良品と判断した要因情報を取得し、
該要因情報に基づき再学習された学習済みモデルを読み出し、
製品画像を前記再学習された学習済みモデルに入力して良否情報を出力する
処理をコンピュータに実行させることを特徴とするプログラム。 - 納品先IDを取得し、
納品先ID毎に再学習された学習済みモデルを有しており、
取得した納品先IDに対応する再学習された学習済みモデルを選択し、
選択した再学習された学習済みモデルに納品する製品の製品画像を入力し、良否情報を出力する
ことを特徴とする請求項12に記載のプログラム。 - 納品先から、納品した製品の製品画像及び要因情報を取得し、
取得した製品画像及び要因情報を含む再学習データにより前記学習済みモデルを再学習する
ことを特徴とする請求項12又は13に記載のプログラム。 - 前記製品がシート状物であり、該シート状物を製造する際に用いる処理機に設けたマイクから音波データを取得し、
前記製品の製造時における音波データ及び良否情報を含む教師データに基づき学習した第2学習済みモデルに、前記マイクから取得した音波データを入力して、良否情報を出力する
ことを特徴とする請求項12から14の何れか1項に記載のプログラム。 - 前記第2学習済みモデルの良否情報及び前記学習済みモデルの良否情報に基づき、前記製品の良否情報を出力する
ことを特徴とする請求項15に記載のプログラム。 - 納品先から納品した製品の要因情報を取得し、
前記製品に対応する音波データ及び要因情報に基づき、前記第2学習済みモデルを再学習する
ことを特徴とする請求項15又は16に記載のプログラム。 - 前記製品が電子基板であり、該電子基板の一面の高さを高さセンサにより取得し、
前記製品の製造時における高さデータ及び良否情報を含む教師データに基づき学習した第3学習済みモデルに、前記高さセンサから取得した高さデータを入力して、良否情報を出力する
ことを特徴とする請求項12から14の何れか1項に記載のプログラム。 - 前記第3学習済みモデルの良否情報及び前記学習済みモデルの良否情報に基づき、前記製品の良否情報を出力する
ことを特徴とする請求項18に記載のプログラム。 - 納品先から納品した製品の製品画像及び要因情報を取得し、
前記製品画像に対応する高さデータ及び要因情報に基づき、前記第3学習済みモデルを再学習する
ことを特徴とする請求項19に記載のプログラム。 - 前記製品は絵柄印刷物であり、人物の顔写真部分の不良を前記要因情報に含む
ことを特徴とする請求項12から17の何れか1項に記載のプログラム。 - 前記製品は医用画像を印刷した絵柄印刷物であり、赤色の濃度を含む色味の不良を前記要因情報に含む
ことを特徴とする請求項12から17の何れか1項に記載のプログラム。 - 前記学習済みモデルにより不良品と判断された前記製品に対して、納品先が良品と判断した良品情報を取得し、
前記要因情報及び前記良品情報に基づき再学習された学習済みモデルを読み出し、
製品画像を前記再学習された学習済みモデルに入力して良否情報を出力する
ことを特徴とする請求項12から22の何れか1項に記載のプログラム。 - 前記良品情報は、前記納品先では不良扱いしない箇所の製品における位置情報を含む
ことを特徴とする請求項23に記載のプログラム。 - 納品先の検査装置で撮影した自社検査に合格した不良品の画像データ、及び当該不良品の製品IDを取得し、
不良と判断された位置及び不良の分類の入力を受け付け、
前記納品先の納品先ID、前記製品ID、前記位置及び前記不良の分類を対応付けて送信する
処理をコンピュータ行わせることを特徴とするプログラム。 - 前記不良品の画像データを表示部に表示し、
表示された画像データにおける個所の位置指定を受け付けた後に、不良の分類の候補を表示し、
候補の中から不良の分類の選択を受け付ける
ことを特徴とする請求項25に記載のプログラム。 - 不良の候補の分類を表示するとともに不良に該当しないことを示す情報の入力を受け付ける
ことを特徴とする請求項25又は26に記載のプログラム。 - 製品画像を入力した場合に良否情報を出力する学習済みモデルにより良品と判断された前記製品に対して、納品先が不良品と判断した要因情報を取得する取得部と、
取得した前記要因情報に基づき、前記学習済みモデルの再学習を行う再学習部と
を備えることを特徴とする前記学習済みモデルの生成装置。 - 製品画像及び製品の良否情報を含む複数の教師データに基づき学習され、製品画像を入力した場合に良否情報を出力する学習済みモデルにより良品と判断された前記製品に対して、納品先が不良品と判断した要因情報を取得する取得部と、
該要因情報に基づき再学習された学習済みモデルを読み出す読出部と、
製品画像を前記再学習された学習済みモデルに入力して良否情報を出力する出力部と
を備えることを特徴とする出力装置。 - 納品先の検査装置で撮影した自社検査に合格した不良品の画像データ、及び当該不良品の製品IDを取得する不良取得部と、
不良と判断された位置及び不良の分類の入力を受け付ける受付部と、
前記納品先の納品先ID、前記製品ID、前記位置及び前記不良の分類を対応付けて送信する送信部と
を備えることを特徴とする送信装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019083234A JP7293842B2 (ja) | 2019-04-24 | 2019-04-24 | 生成方法、プログラム、生成装置、出力装置及び送信装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019083234A JP7293842B2 (ja) | 2019-04-24 | 2019-04-24 | 生成方法、プログラム、生成装置、出力装置及び送信装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2020181333A true JP2020181333A (ja) | 2020-11-05 |
JP7293842B2 JP7293842B2 (ja) | 2023-06-20 |
Family
ID=73024654
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019083234A Active JP7293842B2 (ja) | 2019-04-24 | 2019-04-24 | 生成方法、プログラム、生成装置、出力装置及び送信装置 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP7293842B2 (ja) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2022091691A (ja) * | 2020-12-09 | 2022-06-21 | トランスポーテーション アイピー ホールディングス,エルエルシー | 機器を診断するためのシステムおよび方法 |
JP2022135769A (ja) * | 2021-03-05 | 2022-09-15 | 横河電機株式会社 | 学習装置、評価装置、評価システム、学習方法、学習プログラム、評価方法、および評価プログラム |
WO2022250190A1 (ko) * | 2021-05-27 | 2022-12-01 | 주식회사 솔루션에이 | 딥러닝 모델을 이용한 영상검사 대상체의 결함 판정시스템 |
JP2023016030A (ja) * | 2021-07-20 | 2023-02-01 | フジツウ テクノロジー ソリューションズ ゲーエムベーハー | 製品を分析する方法及び装置、訓練方法、システム、コンピュータプログラム、並びにコンピュータ読み取り可能記憶媒体 |
JP7491274B2 (ja) | 2021-07-29 | 2024-05-28 | トヨタ自動車株式会社 | 検査装置および検査方法 |
WO2024121970A1 (ja) * | 2022-12-07 | 2024-06-13 | 株式会社Fuji | 良否判定装置および良否判定方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH05332754A (ja) * | 1992-06-02 | 1993-12-14 | Nachi Fujikoshi Corp | 検査装置の検査方法 |
JP2706106B2 (ja) * | 1988-10-18 | 1998-01-28 | 川崎製鉄株式会社 | 鋼帯の形状不良部検出方法 |
JP2003084822A (ja) * | 2001-09-14 | 2003-03-19 | Kawasaki Steel Corp | 鋼材の品質情報管理方法 |
JP2006018708A (ja) * | 2004-07-05 | 2006-01-19 | Jfe Steel Kk | 製品の検査システムおよびその検査方法 |
JP2006040088A (ja) * | 2004-07-29 | 2006-02-09 | Nippon Steel Corp | コイルの出荷判定方法 |
JP2009230174A (ja) * | 2008-03-19 | 2009-10-08 | National Institute Of Advanced Industrial & Technology | 検査用計測システムおよび方法 |
JP2013142558A (ja) * | 2012-01-06 | 2013-07-22 | Keyence Corp | 外観検査装置、外観検査方法及びコンピュータプログラム |
JP2016178159A (ja) * | 2015-03-19 | 2016-10-06 | 日本電気株式会社 | 識別装置、識別方法およびトレーサビリティシステム |
WO2018101722A2 (ko) * | 2016-11-30 | 2018-06-07 | 에스케이 주식회사 | 머신 러닝 기반 반도체 제조 수율 예측 시스템 및 방법 |
US20180361514A1 (en) * | 2017-06-20 | 2018-12-20 | Lincoln Global, Inc. | Machine learning for weldment classification and correlation |
-
2019
- 2019-04-24 JP JP2019083234A patent/JP7293842B2/ja active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2706106B2 (ja) * | 1988-10-18 | 1998-01-28 | 川崎製鉄株式会社 | 鋼帯の形状不良部検出方法 |
JPH05332754A (ja) * | 1992-06-02 | 1993-12-14 | Nachi Fujikoshi Corp | 検査装置の検査方法 |
JP2003084822A (ja) * | 2001-09-14 | 2003-03-19 | Kawasaki Steel Corp | 鋼材の品質情報管理方法 |
JP2006018708A (ja) * | 2004-07-05 | 2006-01-19 | Jfe Steel Kk | 製品の検査システムおよびその検査方法 |
JP2006040088A (ja) * | 2004-07-29 | 2006-02-09 | Nippon Steel Corp | コイルの出荷判定方法 |
JP2009230174A (ja) * | 2008-03-19 | 2009-10-08 | National Institute Of Advanced Industrial & Technology | 検査用計測システムおよび方法 |
JP2013142558A (ja) * | 2012-01-06 | 2013-07-22 | Keyence Corp | 外観検査装置、外観検査方法及びコンピュータプログラム |
JP2016178159A (ja) * | 2015-03-19 | 2016-10-06 | 日本電気株式会社 | 識別装置、識別方法およびトレーサビリティシステム |
WO2018101722A2 (ko) * | 2016-11-30 | 2018-06-07 | 에스케이 주식회사 | 머신 러닝 기반 반도체 제조 수율 예측 시스템 및 방법 |
JP2020500420A (ja) * | 2016-11-30 | 2020-01-09 | エスケー ホールディングス コー リミテッド | マシンラーニング基盤の半導体製造の収率予測システム及び方法 |
US20180361514A1 (en) * | 2017-06-20 | 2018-12-20 | Lincoln Global, Inc. | Machine learning for weldment classification and correlation |
JP2019005809A (ja) * | 2017-06-20 | 2019-01-17 | リンカーン グローバル,インコーポレイテッド | 溶接物の分類及び相関関係のための機械学習 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2022091691A (ja) * | 2020-12-09 | 2022-06-21 | トランスポーテーション アイピー ホールディングス,エルエルシー | 機器を診断するためのシステムおよび方法 |
JP2022135769A (ja) * | 2021-03-05 | 2022-09-15 | 横河電機株式会社 | 学習装置、評価装置、評価システム、学習方法、学習プログラム、評価方法、および評価プログラム |
JP7336477B2 (ja) | 2021-03-05 | 2023-08-31 | 横河電機株式会社 | 学習装置、評価装置、評価システム、学習方法、学習プログラム、評価方法、および評価プログラム |
WO2022250190A1 (ko) * | 2021-05-27 | 2022-12-01 | 주식회사 솔루션에이 | 딥러닝 모델을 이용한 영상검사 대상체의 결함 판정시스템 |
JP2023016030A (ja) * | 2021-07-20 | 2023-02-01 | フジツウ テクノロジー ソリューションズ ゲーエムベーハー | 製品を分析する方法及び装置、訓練方法、システム、コンピュータプログラム、並びにコンピュータ読み取り可能記憶媒体 |
JP7405915B2 (ja) | 2021-07-20 | 2023-12-26 | フジツウ テクノロジー ソリューションズ ゲーエムベーハー | 製品を分析する方法及び装置、訓練方法、システム、コンピュータプログラム、並びにコンピュータ読み取り可能記憶媒体 |
JP7491274B2 (ja) | 2021-07-29 | 2024-05-28 | トヨタ自動車株式会社 | 検査装置および検査方法 |
WO2024121970A1 (ja) * | 2022-12-07 | 2024-06-13 | 株式会社Fuji | 良否判定装置および良否判定方法 |
Also Published As
Publication number | Publication date |
---|---|
JP7293842B2 (ja) | 2023-06-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2020181333A (ja) | 生成方法、プログラム、生成装置、出力装置及び送信装置 | |
EP3499418B1 (en) | Information processing apparatus, identification system, setting method, and program | |
JP7087397B2 (ja) | 基板の欠陥検査装置、基板の欠陥検査方法及び記憶媒体 | |
CN110658198B (zh) | 光学检测方法、光学检测装置及光学检测系统 | |
CN111862092A (zh) | 一种基于深度学习的快递外包装缺陷检测方法及装置 | |
JP6669453B2 (ja) | 画像分類装置および画像分類方法 | |
US9727805B2 (en) | Image evaluation device, image evaluation method and program storage medium | |
CN106846011A (zh) | 营业执照识别方法和装置 | |
CN109523527A (zh) | 图像中脏污区域的检测方法、装置和电子设备 | |
US12094098B2 (en) | Defect management apparatus, method and non-transitory computer readable medium | |
WO2019209276A1 (en) | Identifying differences between images | |
JP2019159820A (ja) | 検査装置、画像識別装置、識別装置、検査方法、及び検査プログラム | |
CN116128839A (zh) | 晶圆缺陷识别方法、装置、电子设备以及存储介质 | |
TW202242390A (zh) | 缺陷檢查裝置、缺陷檢查方法以及製造方法 | |
CN117392042A (zh) | 缺陷检测方法、缺陷检测设备及存储介质 | |
US11830232B2 (en) | Image judgment apparatus and image judgment method | |
CN117132564A (zh) | 基于YOLOv3的蓝宝石衬底表面缺陷检测方法及系统 | |
KR20210033900A (ko) | 학습 장치, 검사 장치, 학습 방법 및 검사 방법 | |
US20240144661A1 (en) | Support device and method | |
US20220261984A1 (en) | Methods and apparatus for grading images of collectables using image segmentation and image analysis | |
CN115861259A (zh) | 一种基于模板匹配的引线框架表面缺陷检测方法及装置 | |
CN113469984A (zh) | 一种基于yolo结构的显示面板外观检测方法 | |
JP2003044835A (ja) | 外観検査装置と該装置のマスタデータ作成方法及び該マスタデータ作成プログラム | |
JP7270314B1 (ja) | 検査方法、検査システム、ニューラルネットワーク | |
Schmidt | From data and algorithms to value creation in the Industry 4.0 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220225 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20230112 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230124 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230323 |
|
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: 20230509 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230522 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7293842 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |