JP2021067508A - 外観検査システム及び方法 - Google Patents
外観検査システム及び方法 Download PDFInfo
- Publication number
- JP2021067508A JP2021067508A JP2019191582A JP2019191582A JP2021067508A JP 2021067508 A JP2021067508 A JP 2021067508A JP 2019191582 A JP2019191582 A JP 2019191582A JP 2019191582 A JP2019191582 A JP 2019191582A JP 2021067508 A JP2021067508 A JP 2021067508A
- Authority
- JP
- Japan
- Prior art keywords
- defects
- unit
- classification
- types
- visual inspection
- 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.)
- Pending
Links
Images
Landscapes
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Image Analysis (AREA)
Abstract
【課題】対象物の検査を効率的に行う外観検査システムを提供する。【解決手段】外観検査システム10は、対象物12の外観を撮像する撮像部14と、撮像部14の撮像画像に基づいて、対象物12の欠陥を、予め設定済の欠陥に分類する複数の分類部16とを有する。分類部16は、n種の欠陥に分類する第1学習モデルの出力に基づいて、n+1種に分類する第1分類部18と、第1分類部18で分類されたn+1種目の撮像画像を、欠陥に分類する第2分類部20とを有する。第1分類部18は、n種の欠陥を判断する所定値を有し、第1学習モデルの出力値が所定値未満の撮像画像をn+1種目に分類する。【選択図】図1
Description
本発明は、対象物の外観を検査する外観検査システム及び方法に関する。
従来から、検査対象である対象物、例えば製造された製品の外観を撮像し、その画像に基づいて対象物の外観を検査する技術が知られている。
下記特許文献1には、検査対象の欠陥画像の特徴量を事前に収集し、その特徴量分布に基づいて欠陥分類の条件を設定する外観検査装置が開示されている。この外観検査装置においては、複数の分類器が用いられ、異なる特徴量に対する判定基準に基づいて各分類器の性能を改善する技術が記載されている。
下記特許文献2には、過去のデータセットと、新規のデータセットとを用いて学習モデルを生成する技術が開示されている。学習サイクルの繰り返し頻度を多くすることで、未知の画像であっても正常か否かの特徴を識別し、分類を推定する精度を向上させることが記載されている。
下記特許文献3には、各欠陥の特徴量を画像的及び図形的特徴量としてそれぞれ抽出し、それらの特徴量に基づいて欠陥画像を分類する外観検査装置が開示されている。
上記特許文献に記載されるように、対象物を検査する場合、欠陥が含まれる過去の画像に基づいて、対象物の欠陥の有無などを自動的に判断する例がある。しかし、検査精度の向上は道半ばであり、欠陥との分類がなされていない対象物の撮像画像については、検査員による目視で判断しなければならず、時間及び手間がかかるという問題がある。また、目視検査は、判断基準が属人的になりやすく、欠陥分類にバラツキが出てしまうという問題がある。
本発明は、対象物の検査を精度良くかつ効率的に行うことができる外観検査システム及び方法を提供することにある。
本発明は、対象物の外観を検査する外観検査システムにおいて、対象物の外観を撮像する撮像部と、前記撮像部により撮像された撮像画像に基づいて、対象物の欠陥を、予め設定された欠陥に分類する複数の分類部とを有し、前記分類部は、n種の欠陥に分類する第1学習モデルの出力に基づいて、n+1種に分類する第1分類部と、前記第1分類部で分類されたn+1種目の撮像画像を、前記欠陥に分類する第2分類部と、を有し、前記第1分類部は、n種の欠陥を判断する所定値を有し、前記第1学習モデルの出力値が当該所定値未満の撮像画像をn+1種目に分類することを特徴とする。
また、前記第2分類部は、n+1種目の前記撮像画像に基づいて、撮像環境の不具合を抽出する環境抽出部を有し、前記環境抽出部により抽出された撮像画像を、前記第1分類部の出力値に基づいて前記欠陥に分類することができる。
また、前記第2分類部は、n種の欠陥に分類する第2学習モデルを有し、前記第2学習モデルの出力に基づいてn+1種に分類することができる。
また、前記第2分類部は、n+1種目の前記撮像画像に基づいて、撮像環境の不具合を抽出する環境抽出部を有し、前記環境抽出部により抽出された撮像画像を、n種の欠陥に分類する第2学習モデルの出力に基づいてn+1種に分類することができる。
また、前記第2分類部は、前記環境抽出部により環境の不具合を抽出された撮像画像を補正する画像補正部を有し、前記画像補正部によって補正された撮像画像をn種の欠陥に再分類することができる。
さらに、対象物の外観を検査する外観検査方法において、対象物の外観を撮像する撮像ステップと、前記撮像部により撮像された撮像画像に基づいて、対象物の欠陥を、予め設定された欠陥に分類する分類ステップと、有し、前記分類ステップは、n種の欠陥に分類する第1学習モデルの出力に基づいてn+1種に分類する第1分類ステップと、前記第1分類部で分類されたn+1種目の撮像画像を、前記欠陥に分類する第2分類ステップと、を有し、前記第1分類ステップは、n種の欠陥を判断する所定値を有し、前記第1学習モデルの出力値が当該所定値未満の撮像画像をn+1種目に分類することを特徴とする。
本発明の外観検査システム及び方法によれば、対象物の検査を精度良くかつ効率的に行うことができる。
以下、外観検査システム及び方法の実施形態について、図を用いて説明する。なお、以下実施例に限定されるものではない。
図1は、外観検査システム10の構成を示す図である。外観検査システム10は、検査の対象物12の外観を検査するシステムである。対象物12は、製造ラインにより製造される製品であり、例えば、エレクトロニクスの基板である。基板には、プリント基板、半導体基板、ガラス基板などがある。基板は、COF(Chip On Film)、TAB(Tape Automated Bonding)など製造工程を経て製造される。本実施形態の外観検査システム10は、上記製造工程で製造される対象物12の外観検査に用いられ、不良の流出を防止し品質を担保する。なお、本発明は、対象物12が基板に限定されるものではなく、外観検査が必要な製品であれば、精密部品であっても、自動車などの大型の製品であっても良い。
外観検査システム10は、対象物12の外観を撮像する撮像部14と、撮像部14により撮像された撮像画像に基づいて、対象物12の欠陥を分類する分類部16とを有する。
撮像部14は、対象物12を撮像する装置であり、例えば、CCD(Charge Coupled Device)カメラ、CMOS(Complementary Metal Oxide Semiconductor)カメラなどを有する。カメラは、対象物12の欠陥が認識できる性能を有する。微細化したパターンを有する基板の配線パターン検査の場合、画像分解能が数μmの高精度カメラであることが好適である。撮像部14は、撮像した対象物12の撮像画像を画像データとして、分類部16に提供する。撮像部14は、図示していないが、対象物14を照らす照明部と、照明部の照度を調整する照度調整部と、カメラのピントを調整するフォーカス調整部とを有していても良い。照明部は、拡散照明、直射照明、落射照明、反射照明、透過照明またはこれらの組み合わせのいずれかとすることができる。上記2つの調整部は、自動調整できることが好ましい。
分類部16は、撮像部14から供給される撮像画像を所定のアルゴリズムを用いて、撮像画像に含まれる対象物12の欠陥を分類する。分類部16は、第1分類部18と第2分類部20を有し、これらの分類部18,20には、それぞれ、異なるアルゴリズムが用いられている。分類部16により分類される欠陥は、予め設定されている。導体エリアの欠陥としては、例えば、部分的な欠け(カケ)、パターンの短絡(ショート)の他、ニアショート、マイクロショート、オープン、ニアオープン、マテリアルがある。設定される欠陥の種類は、1種以上であれば良く、以降、n種(n≧1)と記す。本実施形態では、欠陥が基板の導体エリアに関する場合について説明したが、この構成に限らず、欠陥が撮像画像で判別できるものであれば良く、めっき無し、デント、スクラッチなどの基板のめっきに関する欠陥であっても良い。
第1分類部18は、n種の欠陥に分類する第1学習モデルの出力に基づいて、n+1種に分類する。第1分類部18で分類されたn種の欠陥については、それぞれ、検査結果として出力される。一方、n種の欠陥として分類されなかった撮像画像はn+1種目に分類され、第2分類部20に提供される。第2分類部20は、第1分類部18で分類されたn+1種目の撮像画像について、所定の欠陥に分類する。
このように2種の分類部18,20を介することで、欠陥分類の精度を向上させることができる。具体的には、第1分類部18により撮像画像はn種の欠陥に分類され、それ以外のn+1種目に分類された撮像画像は、分類部20によって、第1分類部18とは異なるアルゴリズムによりn種の欠陥に分類される。従来であれば、欠陥に分類された撮像画像は、人手を介して目視検査により欠陥の種別及び正常か否かが判断されるため、時間及び手間がかかるという問題があった。また、目視による検査は、判断基準が属人的になりやすく、欠陥分類にバラツキが出てしまうという問題もあった。しかし、本発明によれば、第1分類部18が、本来、目視検査をすべき撮像画像をn+1種目と分類し、それらの画像を再度分類することで、種分けの精度を向上させるとともに、目視検査すべき検体数を減らし人力作業の省力化を図っている。さらには、属人性を排除した、欠陥に対する判断基準による分類される欠陥が増え、結果として欠陥分類の精度を向上させることができる。
第1分類部18に用いられる第1学習モデルについて説明する。第1学習モデルは、学習用データから生成される学習済みモデルのことであり、モデルの学習には、学習用データと所定の機械学習のアルゴリズムとが用いられる。学習用データは、撮像画像と、それらの画像であって、欠陥が含まれる撮像画像に対応する欠陥の情報とである。欠陥の情報には、欠陥の種別、形状、位置、色などの情報が含まれる。欠陥が含まれる画像と欠陥情報との対応関係は学習用データとして適している。例えば、欠陥の特徴量が、モデルを学習するための説明変数となり、欠陥の種別が、モデルを学習するための目的変数となる。よって、学習モデルの生成時、特徴量を入力とし、欠陥の種別を出力とすることで、説明変数によって目的変数が説明できるかを学習し、定量的に分析可能なモデルを学習および生成することができる。出力は適宜設定可能であり、対象物の外観又は撮像画像を目視により確認して変更させることもできる。また、欠陥の種別の代わりとなる他の判断基準を採用しても良い。学習用データが少ない初期の運用においては、欠陥の判断基準としての出力情報が適正ではない場合が多い。そのため、他の対象物における判断基準を使用することも有用である。
第1分類部18は、第1学習モデルで出力される出力値について、欠陥か否かを判断する閾値である所定値が設定されている。所定値は、n種全て同じ値でもよく、n種それぞれの異なる所定値が設けられていても良い。その所定値以上の値、かつ、最もスコアが高い数値の欠陥種別、すなわちn種のいずれか1つの欠陥に分類される。一方、いずれの所定値に満たさず、n種の欠陥に分類されない撮像画像は、n+1種目に分類される。
第1分類部18により、n+1種目に分類された撮像画像は、第2分類部20に提供される。第2分類部20は、n+1種目の撮像画像に基づいて、対象物12を撮像する環境の不具合を抽出する環境抽出部22を有する。環境の不具合とは、撮像部14を含む外部環境の不具合のことである。具体的には、ピントが合っていない、または光量が過不足していることに起因して、対象物12が正常に撮像されていないという不具合であり、この不具合が影響し、撮像画像をn種に分類することができない。
環境抽出部22は、撮像画像を所定のアルゴリズムにより画像解析し、環境の不具合を抽出する。ピントが合わない、光量過不足を抽出する方法は、高速フーリエ変換を活用し画像のスペクトル分布に基づく既知の技術を用いることができる。また、機械学習によって生成される学習モデルを利用してもよい。学習用データは、撮像画像と、撮像画像に対応する環境の不具合に関する情報とである。
環境抽出部22により抽出された撮像画像は、第1分類部18で付与されたスコアに基づいて欠陥に分類される。具体的には、環境抽出部22により抽出された撮像画像には、第1分類部18で各種の欠陥のスコアが付与されている。それらのスコアであって、最も高いスコアに対応する欠陥に、撮像画像は分類される。環境抽出部22で抽出された撮像画像においては、環境の不具合があったことにより、第1分類部18でのスコアがいずれの所定値より低かったとみなすことができる。換言すれば、環境の不具合がなければ、所定値以上のスコアが付与されていた可能性が高い。したがって、環境抽出部22により抽出された撮像画像に付与されたスコアであって、最も高いスコアの欠陥に分類することで、環境の不具合に起因する撮像画像が目視検査に提供されることを防ぐことができる。
また、環境抽出部22は、撮像画像を所定の数に分割し、その分割画像に基づいて環境の不具合を抽出することができる。撮像画像の分割数は、x軸とy軸のそれぞれ沿って1または複数あると好適である。基板の導体全体に欠陥がありパターン認識ができない場合、撮像画像全体からでは光量過不足との差異が不明瞭になる。そこで、分割画像ごとに画像解析し、それらを相対的に比較することで、光量過不足か否かを判定することができる。
また、第2分類部20は、環境抽出部22により環境の不具合が抽出された撮像画像を補正する画像補正部24を有することができる。画像補正部24は、既知の画像処理アルゴリズムを用いることができる。画像補正部24により補正された撮像画像については、環境の不具合が解消されているため、再度、第1分類部18による欠陥分類が可能になる。この構成により、欠陥分類の精度向上が図られる。
また、第2分類部20は、n種の欠陥に分類する第2学習モデルを有し、第2学習モデルの出力に基づいて、n+1種に分類することもできる。第2分類部20は、環境抽出部22または画像補正部24のいずれか一方から供給される画像についてn種の欠陥に分類することが好適である。しかし、この構成に限定されず、第2分類部20は、第1分類部18から提供される画像を、環境抽出部22を介さずにn種の欠陥に分類することもできる。第2学習モデルは、第1学習モデルとは異なり、第1分類部18でn+1種目に分類される撮像画像のみを学習用データとして用いる。
第2学習モデルについて説明する。第2学習モデルは、第1学習モデルと同様、学習用データから生成される学習済みモデルのことであり、モデルの学習には、学習用データと所定の機械学習のアルゴリズムとが用いられる。学習用データは、第1分類部18でn+1種目に分類された撮像画像と、それらの画像であって、欠陥が含まれる撮像画像に対応する欠陥の情報とである。欠陥の情報には、欠陥の種別、形状、位置、色などの情報が含まれる。欠陥が含まれる画像と欠陥情報との対応関係は学習用データとして適している。例えば、欠陥の特徴量が、モデルを学習するための説明変数となり、欠陥の種別が、モデルを学習するための目的変数となる。よって、学習モデルの生成時、特徴量を入力とし、欠陥の種別を出力とすることで、説明変数によって目的変数が説明できるかを学習し、定量的に分析可能なモデルを学習および生成することができる。出力は適宜設定可能であり、対象物の外観又は撮像画像を目視により確認して変更させることもできる。また、欠陥の種別の代わりとなる他の判断基準を採用しても良い。学習用データが少ない初期の運用においては、欠陥の判断基準としての出力情報が適正ではない場合が多い。そのため、他の対象物における判断基準を使用することも有用である。
第1分類部18で欠陥分類されない撮像画像にも欠陥が含まれる場合がある。従来であれば、それらの画像は、目視検査により欠陥分類が行われていた。目視により欠陥分類が可能であるため、それらの分類情報を学習用データとして用いて第2学習モデルを生成している。第1学習モデルと第2学習モデルとでは、欠陥分類に適している撮像画像が異なるが、これらのモデルを用いることで欠陥分類の精度を向上させることができる。このように第1及び第2分類部18,20という多段階の分類機能を備えることにより、目視検査すべき撮像画像点数を減らし、時間及び手間の削減が可能になる。
本実施形態では、第1及び第2分類部18,20という2つ分類部を直列に配し、各分類部の分類特性に基づいて欠陥を分類する構成について説明したが、本発明はこの構成に限定されず、3以上の分類部から構成されても良い。例えば、外観検査システム10は、さらに、第3の分類部(図示せず)を有し、第3分類部には、第2分類部20の画像補正部24によって補正された撮像画像が提供される。
第3分類部は、提供された撮像画像を、n種の欠陥に再分類する。分類するアルゴリズムとして、新規の学習モデルを用いることができ、補正された撮像画像と、それらの画像であって、欠陥が含まれる撮像画像に対応する欠陥の情報とに基づいて学習モデルが生成されることが好適である。これにより、補正後の撮像画像を、精度良く欠陥分類することができる。
次に、図2を用いて、外観検査システム10を用いた検査方法の一態様について説明する。
まず、ステップS01において、撮像部14が対象物12の外観を撮像する。撮像部14によって撮像された画像は、分類部16に供給される。
次のステップでは、分類部16が、撮像部14により撮像された撮像画像に基づいて、対象物12の欠陥を、予め設定された欠陥に分類する。予め設定された欠陥は、n種(n≧1)の欠陥である。分類部16は、第1分類部18と第2分類部20を有しており、以降、各分類部18,20に分けてステップを順次説明する。
ステップS02においては、第1分類部18が、n種の欠陥に分類する第1学習モデルの出力に基づいて、n+1種に分類する。具体的には、n種の欠陥を判断する所定値が定められ、第1学習モデルの出力値が所定値以上の値、かつ、最もスコアが高い数値の欠陥種別、すなわちn種のいずれか1つの欠陥に分類される。一方、第1学習モデルの出力値が所定値未満の撮像画像は、n+1種目に分類される。n+1種目は、n種の欠陥のいずれの基準も満たさず欠陥とは分類されなかった撮像画像であるが、欠陥が含まれる可能性はある。n+1種目の撮像画像は、第2分類部20に供給される。
ステップS03では、第2分類部20が、第1分類部18で分類されたn+1種目の撮像画像を、欠陥に分類する。このように、最初の分類ステップで、欠陥のいずれにも分類されなかった画像を再度分類することで、種分けの精度を向上させるとともに、目視検査すべき検体数を減らし人力作業の省力化を図っている。さらには、欠陥に対する判断精度を向上させることができる。
上記ステップにより検査方法は終了する。しかし、本発明は、この態様に限らず、第2の分類ステップの際に、第1の分類ステップとは異なるアルゴリズムを用いて分類精度を向上させることができる。上述したように、環境抽出部22や画像補正部24、第2学習モデルまたはこれらの組み合わせを用いることで、欠陥分類の精度向上を図ることができ、結果として検査作業の時間と手間を低減することができる。
上述した一連の処理を実行することができる機能を外観検査システム10が備えていればよく、本発明は図1に示す機能的構成に限定されない。上記一連の処理は、ハードウェアにより実行させることも、ソフトウェアにより実行させることもできる。また、1つの機能ブロックは、ハードウェア単体で構成されてもよいし、ソフトウェア単体で構成されてもよく、またはこれらの組み合わせで構成されてもよい。
一連の処理をソフトウェアにより実行させる場合には、そのソフトウェアを構成するプログラムが、コンピュータなどにネットワークや記憶媒体からインストールされる。なお、プログラムを記述するステップは、その順序に沿って時系列的に行われる処理はもちろん、必ずしも時系列的に処理されなくとも、並列的或いは個別に実行される処理を含むことができる。
次に、本実施形態の外観検査システム10のハードウェア構成について図3を用いて説明する。
外観検査システム10は、一般的なコンピュータの構成を有しており、例えば、CPU(Central Processing Unit)100、RAM(Random Access Memory)102、ROM(Read Only Memory)104と、記憶部106と、ネットワークI/F(Interface)部108、入力部110、表示部112、及びバス114等を有する。
CPU100は、ROM104や記憶部106等に記憶されたプログラムやデータをRAM102上に読み出し、処理を実行することにより、外観検査システム10全体の制御や機能を実現する演算装置である。RAM102は、CPU100のワークエリア等として用いられる揮発性のメモリである。ROM104は、例えば、外観検査システム10の起動時に実行されるBIOS(Basic Input/Output System)、及び各種設定等が記憶された不揮発性のメモリである。
記憶部106は、OS(Operating System)や、各種のアプリケーションプログラム等を記憶する、例えば、HDD(Hard Disk Drive)、SSD(Solid State Drive)等のストレージ装置である。
ネットワークI/F部108は、外観検査システム10をネットワークに接続し、外部の情報端末等(図示せず)と通信を行うための通信インタフェースである。
入力部110は、例えばキーボードやマウス等の入力装置であり、外観検査システム10の運用者が、外観検査システム10に各種操作信号を入力するために用いられる。表示部112は、例えばディスプレイ等の表示装置であり、外観検査システム10による処理結果等を表示する。なお、入力部110、表示部112等は、必要なときに、外観検査システム10に接続して利用する形態であってもよい。
バス114は、上記の各構成に共通に接続され、例えば、アドレス信号、データ信号、及び各種の制御信号等を伝達する。
なお、本実施形態の外観検査システム10は、上記構成に限定されず、ハードウェアの構成が別々のコンピュータにより実現されてもよい。また、外観検査システム10としての機能が、情報端末にインストールされたアプリケーションにより動作する場合、本実施形態の外観検査システム10のハードウェア構成の一部が情報端末のハードウェアによって実現されてもよい。
10 外観検査システム、12 対象物、14 撮像部、16 分類部、18 第1分類部、20 第2分類部、22 環境抽出部、24 画像補正部、100 CPU、102 RAM、104 ROM、106 記憶部、108 ネットワークI/F部、110 入力部、112 表示部 114 バス。
Claims (6)
- 対象物の外観を検査する外観検査システムにおいて、
対象物の外観を撮像する撮像部と、
前記撮像部により撮像された撮像画像に基づいて、対象物の欠陥を、予め設定された欠陥に分類する複数の分類部と、
を有し、
前記分類部は、
n種の欠陥に分類する第1学習モデルの出力に基づいてn+1種に分類する第1分類部と、
前記第1分類部で分類されたn+1種目の撮像画像を、前記欠陥に分類する第2分類部と、
を有し、
前記第1分類部は、n種の欠陥を判断する所定値を有し、前記第1学習モデルの出力値が当該所定値未満の撮像画像をn+1種目に分類する、
ことを特徴とする外観検査システム。 - 請求項1に記載の外観検査システムにおいて、
前記第2分類部は、n+1種目の前記撮像画像に基づいて、撮像環境の不具合を抽出する環境抽出部を有し、前記環境抽出部により抽出された撮像画像を、前記第1分類部の出力値に基づいて前記欠陥に分類する、
ことを特徴とする外観検査システム。 - 請求項1に記載の外観検査システムにおいて、
前記第2分類部は、n種の欠陥に分類する第2学習モデルを有し、前記第2学習モデルの出力に基づいてn+1種に分類する、
ことを特徴とする外観検査システム。 - 請求項1に記載の外観検査システムにおいて、
前記第2分類部は、n+1種目の前記撮像画像に基づいて、撮像環境の不具合を抽出する環境抽出部を有し、前記環境抽出部により抽出された撮像画像を、n種の欠陥に分類する第2学習モデルの出力に基づいてn+1種に分類する、
ことを特徴とする外観検査システム。 - 請求項2に記載の外観検査システムにおいて、
前記第2分類部は、前記環境抽出部により環境の不具合を抽出された撮像画像を補正する画像補正部を有し、前記画像補正部によって補正された撮像画像をn種の欠陥に再分類する、
ことを特徴とする外観検査システム。 - 対象物の外観を検査する外観検査方法において、
対象物の外観を撮像する撮像ステップと、
前記撮像部により撮像された撮像画像に基づいて、対象物の欠陥を予め設定された欠陥に分類する分類ステップと、
有し、
前記分類ステップは、
n種の欠陥に分類する第1学習モデルの出力に基づいてn+1種に分類する第1分類ステップと、
前記第1分類部で分類されたn+1種目の撮像画像を、前記欠陥に分類する第2分類ステップと、
を有し、
前記第1分類ステップは、n種の欠陥を判断する所定値を有し、前記第1学習モデルの出力値が当該所定値未満の撮像画像をn+1種目に分類する、
ことを特徴とする外観検査方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019191582A JP2021067508A (ja) | 2019-10-18 | 2019-10-18 | 外観検査システム及び方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019191582A JP2021067508A (ja) | 2019-10-18 | 2019-10-18 | 外観検査システム及び方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2021067508A true JP2021067508A (ja) | 2021-04-30 |
Family
ID=75636973
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019191582A Pending JP2021067508A (ja) | 2019-10-18 | 2019-10-18 | 外観検査システム及び方法 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP2021067508A (ja) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023067829A1 (ja) | 2021-10-18 | 2023-04-27 | 株式会社Anamorphosis Networks | 欠陥検出方法、欠陥検出システム、及び、欠陥検出プログラム |
-
2019
- 2019-10-18 JP JP2019191582A patent/JP2021067508A/ja active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023067829A1 (ja) | 2021-10-18 | 2023-04-27 | 株式会社Anamorphosis Networks | 欠陥検出方法、欠陥検出システム、及び、欠陥検出プログラム |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111179251B (zh) | 基于孪生神经网络利用模板比对的缺陷检测系统及方法 | |
US10964004B2 (en) | Automated optical inspection method using deep learning and apparatus, computer program for performing the method, computer-readable storage medium storing the computer program, and deep learning system thereof | |
JP4155496B2 (ja) | 分類支援装置、分類装置およびプログラム | |
US11017259B2 (en) | Defect inspection method, defect inspection device and defect inspection system | |
US7127099B2 (en) | Image searching defect detector | |
US11189019B2 (en) | Method for detecting defects, electronic device, and computer readable medium | |
CN114549512A (zh) | 一种电路板缺陷检测方法、装置、设备及介质 | |
KR20050120420A (ko) | 인-라인 타입의 자동 웨이퍼결함 분류장치 및 그 제어방법 | |
CN112907561A (zh) | 一种基于深度学习的笔记本外观瑕疵检测方法 | |
WO2020071234A1 (ja) | 画像処理装置、画像処理方法、外観検査システムおよびコンピュータプログラム | |
CN117392042A (zh) | 缺陷检测方法、缺陷检测设备及存储介质 | |
JP2010071826A (ja) | 教師データ作成方法、並びに、画像分類方法および画像分類装置 | |
JP2021067508A (ja) | 外観検査システム及び方法 | |
CN114972152A (zh) | 自动光学检测方法、自动光学检测系统及记录媒体 | |
CN114387230A (zh) | 一种基于重验证检测的pcb板缺陷检测方法 | |
CN114226262A (zh) | 瑕疵检测方法、瑕疵分类方法及其系统 | |
JP2004296592A (ja) | 欠陥分類装置、欠陥分類方法およびプログラム | |
US9275298B2 (en) | Material classification using specular gloss | |
JP2007192688A (ja) | 欠陥検査方法 | |
KR20230126163A (ko) | 교사 데이터 생성 장치, 교사 데이터 생성 방법 및 기록 매체에 기록된 프로그램 | |
JP7423368B2 (ja) | 不良検出装置及び不良検出方法 | |
CN115719326A (zh) | Pcb板缺陷检测方法及装置 | |
KR20210033900A (ko) | 학습 장치, 검사 장치, 학습 방법 및 검사 방법 | |
Karis et al. | Fruit sorting based on machine vision technique | |
CN111724352B (zh) | 一种基于核密度估计的贴片led瑕疵标注方法 |