JP2021166245A - 部品実装方法及び部品実装システム - Google Patents

部品実装方法及び部品実装システム Download PDF

Info

Publication number
JP2021166245A
JP2021166245A JP2020069067A JP2020069067A JP2021166245A JP 2021166245 A JP2021166245 A JP 2021166245A JP 2020069067 A JP2020069067 A JP 2020069067A JP 2020069067 A JP2020069067 A JP 2020069067A JP 2021166245 A JP2021166245 A JP 2021166245A
Authority
JP
Japan
Prior art keywords
learning model
determination
unit
image
substrate
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
JP2020069067A
Other languages
English (en)
Other versions
JP7442134B2 (ja
Inventor
高広 横前
Takahiro Yokomae
俊彦 辻川
Toshihiko Tsujikawa
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.)
Panasonic Intellectual Property Management Co Ltd
Original Assignee
Panasonic Intellectual Property Management Co 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 Panasonic Intellectual Property Management Co Ltd filed Critical Panasonic Intellectual Property Management Co Ltd
Priority to JP2020069067A priority Critical patent/JP7442134B2/ja
Publication of JP2021166245A publication Critical patent/JP2021166245A/ja
Application granted granted Critical
Publication of JP7442134B2 publication Critical patent/JP7442134B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Wire Bonding (AREA)
  • Supply And Installment Of Electrical Components (AREA)

Abstract

【課題】撮像対象の良否判定を行う際の誤判定を抑制し、部品実装における生産性の低下を抑制する。【解決手段】部品実装方法は、第１モードの生産工程Ｓ１と、学習モデル生成工程と、学習モデル評価工程と、第１モードの生産工程Ｓ１を第２モードの生産工程Ｓ２に変更する変更工程と、を含む。学習モデル生成工程は、第１モードの生産工程Ｓ１で取得した撮像対象の画像、良否の判定結果、及び、修正工程の修正結果を学習データとする機械学習により、撮像対象の良否判定を行うための学習モデルを生成する。学習モデル評価工程は、学習モデルの習熟度を評価する。変更工程は、学習モデル評価工程において学習モデルの習熟度が規定のレベルに到達したと評価された場合に、第１モードの生産工程Ｓ１を、学習モデルを用いて撮像対象の良否判定を行う第２判定工程を有する第２モードの生産工程Ｓ２に変更する。【選択図】図９

Description

本発明は、基板に部品を実装する部品実装方法及び部品実装システムに関する。
従来、ディスプレイパネル等の基板の端部に、異方性導電部材であるＡＣＦ（Ａｎｉｓｏｔｒｏｐｉｃ Ｃｏｎｄｕｃｔｉｖｅ Ｆｉｌｍ）を貼り付け、基板のＡＣＦが貼り付けられた部分に駆動回路等の電子部品を搭載し、さらに、電子部品が搭載された基板にその電子部品を熱圧着する部品実装システムがある（例えば、特許文献１参照）。
この種の部品実装システムの一例として、特許文献２には、上記ＡＣＦの貼り付け、電子部品の搭載及び熱圧着の各処理を行う前に、基板に設けられたアライメントマークを撮像して基板の位置調整を行うこと、また、基板に貼り付けられたＡＣＦを撮像し、ＡＣＦの貼り付け状態の良否を判定することが開示されている。
特開２０１６−１８６９６６号公報 特開２００９−７１０６９号公報
例えば、部品実装システムでは、アライメントマークやＡＣＦなどの撮像対象の画像に基づいて撮像対象の良否判定が行われるが、撮像対象が不良でないにもかかわらず不良であると誤判定されることがある。その場合、部品実装システムの稼働が停止し、生産性が低下するという問題がある。
本発明は、撮像対象の良否判定を行う際の誤判定を抑制し、生産性の低下を抑制することができる部品実装方法等を提供する。
本発明の一態様に係る部品実装方法は、基板に設けられた撮像対象の画像を取得する画像取得工程、前記画像から求められる検出値と予め設定された基準値とに基づいて前記撮像対象の良否判定を行う第１判定工程、前記第１判定工程で不良と誤判定された場合に前記第１判定工程の判定結果を良に修正する修正工程、及び、良とされた前記撮像対象を有する基板に部品を取り付ける取付工程を有する第１モードの生産工程と、前記第１モードの生産工程で取得した前記画像、前記第１判定工程の判定結果、及び、前記修正工程の修正結果を学習データとする機械学習により、前記撮像対象の良否判定を行うための学習モデルを生成する学習モデル生成工程と、前記学習モデル生成工程で生成された前記学習モデルの習熟度を評価する学習モデル評価工程と、前記学習モデル評価工程において前記学習モデルの習熟度が規定のレベルに到達したと評価された場合に、前記第１モードの生産工程を、前記学習モデルを用いて前記撮像対象の良否判定を行う第２判定工程を有する第２モードの生産工程に変更する変更工程と、を含む。
本発明の一態様に係る部品実装システムは、基板に設けられた撮像対象の画像を取得する画像取得部と、前記画像から求められる検出値と予め設定された基準値とに基づいて前記撮像対象の良否判定を行う判定部と、前記判定部で不良と誤判定された場合に前記判定部の判定結果を良に修正する修正部と、前記判定部又は前記修正部で良とされた前記撮像対象を有する基板に部品を取り付ける取付部と、を備える部品実装システムであって、前記画像、前記判定部の判定結果、及び、前記修正部の修正結果を学習データとする機械学習により、前記撮像対象の良否判定を行うための学習モデルを生成する学習モデル生成部と、前記学習モデル生成部で生成された前記学習モデルの習熟度を評価する学習モデル評価部と、をさらに備え、前記判定部は、前記学習モデル評価部において前記学習モデルの習熟度が規定のレベルに到達したと評価された場合に、前記学習モデルを用いて前記撮像対象の良否判定を行う。
なお、これらの包括的又は具体的な態様は、システム、方法、集積回路、コンピュータプログラム又はコンピュータ読み取り可能なＣＤ−ＲＯＭ等の記録媒体で実現されてもよく、システム、方法、集積回路、コンピュータプログラム及び記録媒体の任意な組み合わせで実現されてもよい。
本発明の部品実装方法等によれば、撮像対象の良否判定を行う際の誤判定を抑制し、生産性の低下を抑制することができる。
図１は、実施の形態に係る部品実装システムを示す平面図である。 図２は、実施の形態に係る部品実装システムの各装置で取り扱われる基板を示す図である。 図３は、実施の形態に係る部品実装システムの貼付け部を示す図である。 図４は、実施の形態に係る部品実装システムの本圧着部を示す図である。 図５は、実施の形態に係る部品実装システムのコンピュータの機能構成を示すブロック図である。 図６は、基板に設けられたアライメントマークの画像及びアライメントマークの良否の判定結果等を示す図である。 図７は、基板に設けられたＡＣＦの画像及びＡＣＦの良否の判定結果等を示す図である。 図８は、実施の形態に係る部品実装方法の第１モードの生産工程に含まれる工程の一例を示す図である。 図９は、第１モードの生産工程のデータに基づいて第１の学習モデルを生成し、第１モードの生産工程を第２モードの生産工程に変更する例を示すフローチャートである。 図１０は、実施の形態に係る部品実装方法の第２モードの生産工程の一例を示すフローチャートである。 図１１は、第１モードの生産工程に含まれる工程の他の例を示すフローチャートである。 図１２は、図１１に示す第１モードの生産工程のデータに基づいて第２の学習モデルを生成し、第１モードの生産工程を第２モードの生産工程に変更する例を示すフローチャートである。 図１３は、図１２に示す第２モードの生産工程の一例を示すフローチャートである。 図１４は、実施の形態の変形例１に係る部品実装方法の第２モードの生産工程を示すフローチャートである。 図１５は、実施の形態の変形例２に係る部品実装方法の第２モードの生産工程を示すフローチャートである。 図１６は、実施の形態の変形例３に係る部品実装方法の第２モードの生産工程において学習モデルを生成する例を示すフローチャートである。
以下では、本発明の実施の形態について、図面を用いて詳細に説明する。なお、以下に説明する実施の形態は、いずれも本発明の一具体例を示すものである。したがって、以下の実施の形態で示される数値、形状、材料、構成要素、構成要素の配置及び接続形態、ステップ及びステップの順序等は、一例であり、本発明を限定する趣旨ではない。よって、以下の実施の形態における構成要素のうち、本発明の最上位概念を示す独立請求項に記載されていない構成要素については、任意の構成要素として説明される。
また、各図は、模式図であり、必ずしも厳密に図示されたものではない。また、各図において、同じ構成部材については同じ符号を付している。
また、本明細書及び図面において、Ｘ軸、Ｙ軸、及び、Ｚ軸は、三次元直交座標系の三軸を表している。Ｘ軸及びＹ軸は、互いに直交し、且つ、いずれもＺ軸に直交する軸である。また、以下の実施の形態では、基板搬送方向をＸ軸正方向とし、Ｚ軸正方向を上方とし、Ｚ軸負方向を下方として記載する場合がある。
（実施の形態）
［１．部品実装システムの概略構成］
まず、実施の形態に係る部品実装システムの概略構成について、図１及び図２を参照しながら説明する。
図１は、実施の形態に係る部品実装システム１を示す平面図である。図２は、部品実装システム１の各装置で取り扱われる基板３を示す図である。
図１に示すように、部品実装システム１は、基板搬入部１０と、貼付け部２０と、仮圧着部３０と、本圧着部４０と、基板搬出部５０と、搬送部６０と、コンピュータ７０と、を備える。基板搬入部１０、貼付け部２０、仮圧着部３０、本圧着部４０、及び、基板搬出部５０は、この順で連結されている。
図１ではコンピュータ７０を、機能的なブロックとして図示している。コンピュータ７０は、貼付け部２０、仮圧着部３０、本圧着部４０等の各装置と、無線通信可能に、又は、制御線等により有線通信可能に接続されており、各装置を制御する。本実施の形態では、コンピュータ７０を用いて、撮像対象であるアライメントマーク又はＡＣＦ（Ａｎｉｓｏｔｒｏｐｉｃ Ｃｏｎｄｕｃｔｉｖｅ Ｆｉｌｍ）の良否判定を行うための学習モデルを生成する。学習モデルの生成については後述する。
部品実装システム１は、基板３に部品を実装するシステムであり、液晶パネル等を生産するために用いられる。なお、部品の一例としては、後述するＡＣＦ６又は電子部品５が挙げられる。
図２に示すように、部品実装システム１では、まず、基板搬入部１０に基板３が搬入される。基板３は、長方形状の基板であり、基板３の周縁には、複数のアライメントマークＭ（以下、マークＭと呼称する場合がある）及び複数の電極部４が設けられている。複数の電極部４のそれぞれは、所定のパターン電極により形成されている。基板搬入部１０に搬入された基板３は、貼付け部２０に搬送される。
貼付け部２０では、まず、複数のマークＭが撮像され、撮像された各マークＭの画像に基づいて基板３の位置が調整される。次に、基板３のうちの電極部４が形成された領域に、異方性導電部材であるＡＣＦ６が貼り付けられる。さらに、基板３に貼り付けられたＡＣＦ６が撮像され、撮像されたＡＣＦ６の画像に基づいてＡＣＦ６の貼り付け状態の良否が判定される。ＡＣＦ６の貼り付け状態が良と判定された基板３は、仮圧着部３０に搬送される。
仮圧着部３０では、まず、複数のマークＭが撮像され、撮像された各マークＭの画像に基づいて基板３の位置が調整される。次に、駆動回路等の電子部品５がＡＣＦ６を介して基板３に仮圧着される。電子部品５が仮圧着された基板３は、本圧着部４０に搬送される。
本圧着部４０では、まず、複数のマークＭが撮像され、撮像された各マークＭの画像に基づいて基板３の位置が調整される。次に、電子部品５がＡＣＦ６を介して基板３に本圧着され、電子部品５が基板３の電極部４に電気的に接続される。電子部品５が接続された基板３は、基板搬出部５０に搬送され、さらに基板搬出部５０から搬出される。
［２．部品実装システムの各装置の構成］
次に、部品実装システム１の各装置の構成について、図１、図３及び図４を参照しながら説明する。前述したように、部品実装システム１は、基板搬入部１０と、貼付け部２０と、仮圧着部３０と、本圧着部４０と、基板搬出部５０と、搬送部６０と、コンピュータ７０と、を備える。
図１に示すように、基板搬入部１０は、基台１ａに設けられたステージ１１を備える。基板３は、ステージ１１上に搬入され、搬送部６０によって貼付け部２０、仮圧着部３０、本圧着部４０、基板搬出部５０の順に搬送される。
搬送部６０は、基台１ａ、基台１ｂ、及び、基台１ｃにわたってＸ軸方向に延びた移動ベース６１上に、上流側から順に、基板搬送機構６２Ａ、基板搬送機構６２Ｂ、基板搬送機構６２Ｃ、及び、基板搬送機構６２Ｄを備える。基板搬送機構６２Ａ〜６２Ｄのそれぞれは、基部６３及び２基のアームユニット６４を備える。
例えば、基板搬送機構６２Ａは、基板搬入部１０のステージ１１に搬入された基板３を受け取り、貼付け部２０のステージ２３に受け渡す。基板搬送機構６２Ｂは、貼付け部２０のステージ２３から基板３を受け取り、仮圧着部３０のステージ３３に受け渡す。基板搬送機構６２Ｃは、仮圧着部３０のステージ３３から基板３を受け取り、本圧着部４０のステージ４３に受け渡す。基板搬送機構６２Ｄは、本圧着部４０のステージ４３から基板３を受け取り、基板搬出部５０のステージ５１に受け渡す。
図３は、貼付け部２０を示す図である。図３の（ａ）に示すように、貼付け部２０は、ステージ移動部２１と、貼付け機構２２と、撮像部２９と、を備える。
ステージ移動部２１は、基板３を移動させる機構である。ステージ移動部２１は、例えば、Ｘ軸方向、Ｙ軸方向、Ｚ軸方向及びＺ軸を中心とする回転方向に可動な多軸テーブルを備え、ステージ２３に載置された基板３を移動させる。
撮像部２９は、例えば撮像素子を有するカメラであり、基板３に設けられたマークＭを撮像する。また、撮像部２９は、基板３に貼り付けられた後のＡＣＦ６を撮像する。基板３が透明である場合、撮像部２９を基板３の下方に配置し、マークＭ又はＡＣＦ６を基板３の下方から撮像してもよい。撮像部２９で撮像された画像は、コンピュータ７０に送信される。なお、アライメントマークＭ及びＡＣＦ６は、本実施の形態における撮像対象の一例である。
貼付け機構２２は、基台１ｂの上方にＸ軸方向に延びて設けられたビーム２４の前面に、Ｘ軸方向に並んだ２つの貼付けヘッド２５を備えている。各貼付けヘッド２５は、テープ供給部２５ａ及び貼付けツール２５ｂを有している。また、貼付けヘッド２５に対応する下方の位置には、基板３を下方から支持する貼付け支持台２６が設けられている。
図３の（ｂ）に示すように、ステージ移動部２１は、基板３の電極部４が貼付けヘッド２５と貼付け支持台２６との間に位置するように基板３を移動する。各貼付けヘッド２５は、テープ供給部２５ａによって供給されたＡＣＦテープ６ａを電極部４の長さに合わせて切断する。貼付け機構２２は、切断によって形成されたＡＣＦ６を電極部４の上方に配置し、貼付けツール２５ｂを下降させことで、ＡＣＦ６を基板３に押し付ける。これにより、ＡＣＦ６が基板３に貼り付けられる。
図１に示すように、仮圧着部３０は、ステージ移動部３１と、部品搭載機構３２と、部品供給部３４と、撮像部３９と、を備える。
ステージ移動部３１は、ステージ移動部２１と同様の多軸テーブルを備え、ステージ３３に載置された基板３を移動させる。
撮像部３９は、例えば撮像素子を有するカメラであり、基板３に設けられたマークＭを撮像する。撮像部３９で撮像された画像は、コンピュータ７０に送信される。
部品供給部３４は、部品搭載機構３２に電子部品５を供給する。
部品搭載機構３２は、基台１ｂ上に設けられ、搭載ヘッドと、搭載ヘッドを移動する搭載ヘッド移動機構と、基板３を下方から支持する搭載支持台と、を備える（図示省略）。部品搭載機構３２は、部品供給部３４によって供給された電子部品５をピックアップし、電子部品５をＡＣＦ６上に載置して押し付ける。これにより、電子部品５が基板３に仮圧着される。
図４は、本圧着部４０を示す図である。本圧着部４０は、ステージ移動部４１と、圧着機構４２と、撮像部４９と、を備える。
ステージ移動部４１は、Ｘ軸方向、Ｙ軸方向、Ｚ軸方向及びＺ軸を中心とする回転方向に可動な多軸テーブルを備え、ステージ４３に載置された基板３を移動させる。
撮像部３９は、例えば撮像素子を有するカメラであり、基板３に設けられたマークＭを撮像する。撮像部３９で撮像された画像は、コンピュータ７０に送信される。
圧着機構４２は、複数の圧着ユニット４５と、基板３を下方から支持する圧着支持部４４と、を備えている。複数の圧着ユニット４５は、圧着支持部４４の上方に一列に並んで配置されている。圧着ユニット４５は、加圧機構４７と、ヒータを内蔵する圧着ヘッド４８と、を有している。加圧機構４７は、上下に突没自在なロッドを有しており、ロッドの下端部には圧着ヘッド４８が設けられている。
圧着ヘッド４８は、加圧機構４７の駆動によって下降し、基板３に搭載された電子部品５を加熱しながら押圧する。この加熱によってＡＣＦ６が硬化し、電子部品５が基板３に本圧着される。
図１に示す基板搬出部５０は、基台１ｃに設けられたステージ５１を備える。本圧着部４０から搬送された基板３は、ステージ５１上に保持される。基板搬出部５０にて保持された基板３は、次の処理を行うために他の装置に搬出されるか、又は、作業者によってステージ５１から取り出される。
［３．コンピュータの機能構成］
次に、部品実装システム１のコンピュータ７０の機能構成について、図５を参照しながら説明する。
図５は、部品実装システム１のコンピュータ７０の機能構成を示すブロック図である。
コンピュータ７０は、部品実装システム１が有する各装置の動作を制御するための制御装置である。コンピュータ７０は、制御部７０ａと、記憶部７０ｂとを備える。
制御部７０ａは、貼付け部２０、仮圧着部３０、本圧着部４０及び搬送部６０を制御する。この制御部７０ａは、例えば、部品実装システム１の各装置を制御するための制御プログラムと、当該制御プログラムを実行するＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）とにより実現される。
記憶部７０ｂは、基板３のサイズ、基板３に取り付ける部品の種類、取り付け位置、取り付け方向、及び、基板３を各処理部間で搬送するタイミング等の部品取り付けに必要な各種データ、ならびに、制御部７０ａが実行する制御プログラム等を記憶する。また、記憶部７０ｂは、後述する学習モデル、学習モデルを生成するために必要な学習データ、及び、学習モデルを評価するために必要な評価レベル等を記憶する。この記憶部７０ｂは、ＨＤＤ（Ｈａｒｄ Ｄｉｓｋ Ｄｒｉｖｅ）、ＳＳＤ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ）、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）等により実現される。
部品実装システム１では、撮像対象（アライメントマークＭ及びＡＣＦ６）の良否判定をする際の誤判定を抑制するために、学習モデルを用いて良否判定を行う。本実施の形態では、コンピュータ７０を用いて学習モデルの生成及び評価を行う。
学習モデルの生成及び評価を行うため、コンピュータ７０は、画像取得部７１、判定部７３、表示部７９、修正入力部７２、修正部７４、学習モデル生成部７５、学習モデル評価部７６及び変更部７７などの機能構成を有している。
画像取得部７１は、貼付け部２０の撮像部２９、仮圧着部３０の撮像部３９、本圧着部４０の撮像部４９のそれぞれから送信された画像を取得する。表示部７９は、撮像部２９、３９、４９から送信された画像を画面に表示する。
判定部７３は、画像取得部７１で取得した画像に基づいて、撮像対象の良否判定を行う。具体的には、判定部７３は、上記画像から求められる検出値と予め設定された基準値とに基づいて撮像対象の良否判定を行う。上記検出値としては、例えば、撮像範囲（撮像領域）内における撮像対象の位置、面積、形状、色等が挙げられる。予め設定された基準値は、各検出値に対応した値として記憶部７０ｂに記憶されている。
ここで、マークＭを撮像対象としてマークＭの良否判定を行う例について説明する。
図６は、基板３に設けられたアライメントマークＭの画像及びアライメントマークＭの良否の判定結果を示す図である。図６には、マークＭの中心座標が識別しやすいように、マークＭがプラス（＋）字状の形状である例が示されている。なお、マークＭは、プラス字状の形状に限られず、正方形又はひし形であってもよい。
図６の（ａ）には、マークＭの画像の形状及び位置が基準値の範囲内であり、マークＭの良否の判定結果が良となっている例が示されている。図６の（ｂ）及び（ｃ）には、マークＭの画像の形状が基準値の範囲外であり、良否の判定結果が不良となっている例が示されている。図６の（ｄ）には、マークＭの画像の位置が基準値の範囲外であり、良否の判定結果が不良となっている例が示されている。
図６の（ａ）のように、マークＭの良否の判定結果が良の場合は、異常なく次の装置における各処理（例えば、貼り付け処理、仮圧着処理、本圧着処理）が実行される。一方、図６の（ｂ）〜（ｄ）にように、良否の判定結果が不良の場合は、各装置が停止され、作業者による確認が行われる。
例えば、図６の（ｂ）のように、修正不可能な形状不良である場合は、不良という確認結果が作業者によって改めて入力される。例えば、図６の（ｃ）のように形状不良と判定されたが、マークＭの中心座標が認識可能である場合は、作業者によって中心座標が入力され、判定結果を良に変更する入力が行われる。また、図６の（ｄ）のように位置不良と判定されたが、マークＭの中心座標が認識可能である場合は、作業者によって中心座標が入力され、判定結果を良に変更する入力が行われる。このように、マークＭの検出が完全な不良でないにもかかわらず（例えばマークＭの中心座標が認識可能であるにもかかわらず）、不良であると誤判定された場合に、作業者による修正入力が行われる。
修正入力部７２は、例えばキーボード及びマウスであり、作業者からの修正入力を取得する。修正部７４は、修正入力部７２で取得した修正入力に基づいて、判定部７３で不良と誤判定された判定結果を良という修正結果に修正する。上記図６の（ａ）〜（ｄ）に示すマークＭの画像、良否の判定結果及び修正結果は、それぞれが関連付けられた状態で記憶部７０ｂに保存されるとともに、学習モデル生成部７５に出力される。
次に、ＡＣＦ６を撮像対象としてＡＣＦ６の良否判定を行う例について説明する。
図７は、基板３に設けられたＡＣＦ６の画像及びＡＣＦ６の良否の判定結果を示す図である。図７には、基板３に貼り付けられたＡＣＦ６が長方形状である例が示されている。
図７の（ａ）には、ＡＣＦ６の画像の形状及び位置が基準値の範囲内であり、ＡＣＦ６の良否の判定結果が良となっている例が示されている。図７の（ｂ）及び（ｃ）には、ＡＣＦ６の画像の形状及び位置が基準値の範囲外であり、良否の判定結果が不良となっている例が示されている。
図７の（ａ）のように、ＡＣＦ６の判定結果が良の場合は、異常なく次の装置における処理（例えば、仮圧着処理）が実行される。一方、図７の（ｂ）及び（ｃ）にように、良否の判定結果が不良の場合は、各装置の稼働が停止され、作業者による確認が行われる。
例えば、図７の（ｂ）のように、修正不可能な形状不良である場合は、不良であるという確認結果が改めて入力される。例えば、図７の（ｃ）のように形状不良及び位置不良と判定されたが、この状態で次の処理を行っても問題ないと作業者が認識した場合は、判定結果を良に変更する入力が行われる。このように、ＡＣＦ６の貼り付け状態が完全な不良でないにもかかわらず（例えばＡＣＦ６が電極部４をもれなく覆っているにもかかわらず）、不良であると誤判定された場合に、作業者による修正入力が行われる。
修正入力部７２は、作業者からの修正入力を取得する。修正部７４は、修正入力部７２で取得した修正入力に基づいて、判定部７３で不良と誤判定された判定結果を良という修正結果に修正する。上記図７の（ａ）〜（ｃ）に示すＡＣＦ６の画像、良否の判定結果及び修正結果は、それぞれが関連付けられた状態で記憶部７０ｂに保存されるとともに、学習モデル生成部７５に出力される。
学習モデル生成部７５は、上記画像、判定結果及び修正結果を学習データとする機械学習を行い、撮像対象の良否判定を行うための学習モデルを生成する。例えば学習モデル生成部７５は、画像中の各画素を入力とする入力層と、良及び不良という結果を出力する出力層とを有するニューラルネットワークにおいて、判定結果又は修正結果をラベルとし、撮像対象の良否判定の正答率が高くなるように学習モデルを生成する。判定結果及び修正結果の両方が存在する場合は、修正結果をラベルとする学習が行われる。
この学習モデルの生成は、部品実装システム１の各装置を制御するコンピュータで実行されてもよいし、外部サーバのコンピュータで実行されてもよい。また、学習モデルの生成は、上記画像、判定結果及び修正結果のデータが所定量たまるごとに実行されてもよいし、作業者による修正結果が入力されるごとに実行されてもよい。
学習モデル評価部７６は、学習モデルの習熟度が規定のレベルに到達したか否かを判断する。例えば、学習モデル評価部７６は、学習モデルによる正答率が熟練作業者と同じレベル（例えば正答率９９．９％）になったか否かを判断する。なお、上記学習モデル、及び、上記習熟度を評価するための上記規定のレベルは、記憶部７０ｂに保存されている。
変更部７７は、学習モデル評価部７６において学習モデルの習熟度が規定のレベルに到達したと評価された場合に、判定部７３が上記学習モデルを用いて撮像対象の良否判定を行うように、判定部７３の判定のしかたを変更する。
例えば、変更部７７は、検出値と基準値とに基づいて撮像対象の良否判定をする代わりに、上記学習モデルを用いて撮像対象の良否判定をするように、判定部７３の判定のしかたを変更してもよい。また、変更部７７は、検出値と基準値とに基づく撮像対象の良否判定、及び、上記学習モデルを用いた撮像対象の良否判定の両方を行うように、判定部７３の判定のしかたを変更してもよい。
このように、コンピュータ７０が、上記画像、判定部７３の判定結果、及び、修正部７４の修正結果に基づいて生成した学習モデルを用いて撮像対象の良否判定を行うことで、撮像対象の良否判定を行う際の誤判定を抑制することができる。これにより、部品実装システム１における生産性の低下を抑制することができる。
上記判定のしかたの変更は、作業者の判断によって実行されてもよいし、学習モデル評価部７６の評価結果に基づくコンピュータ７０の判断によって実行されてもよい。
また、上記学習モデルは、生産品種ごとに切り替えられる。生産品種が多く存在する場合、初めから学習するには時間を要するため、学習済の学習モデルの中から類似した生産品種の学習モデルを選択し、それをベースに学習を行ってもよい。これにより、学習モデルが出来上がるまでの時間を短縮できる。
［４．部品実装方法］
次に、実施の形態に係る部品実装方法について説明する。本実施の形態に係る部品実装方法は、学習モデルを用いない第１モードの生産工程Ｓ１と、学習モデルを用いる第２モードの生産工程Ｓ２とを含む。また、部品実装方法は、第１モードの生産工程Ｓ１を第２モードの生産工程Ｓ２に変更する変更工程Ｓ１Ａを含む。
図８は、第１モードの生産工程Ｓ１に含まれる工程の一例を示す図である。図８に示す第１モードの生産工程Ｓ１は、画像取得工程Ｓ１０と、第１判定工程Ｓ２１と、修正工程Ｓ３０と、取付工程Ｓ４０とを含む。この例では、画像取得工程Ｓ１０が、貼付け部２０で撮像したマークＭの画像を取得する工程であり、取付工程Ｓ４０が、貼付け部２０で基板３にＡＣＦ６を貼り付ける貼付け工程である。
まず、コンピュータ７０の画像取得部７１が、基板３に設けられたマークＭの画像を取得する（Ｓ１０）。具体的には、画像取得部７１が、貼付け部２０の撮像部２９で撮像したマークＭの画像を取得する。
次に、判定部７３が、上記画像から求められる検出値と予め設定された第１の基準値とに基づいてマークＭの良否判定を行う（Ｓ２１）。上記検出値としては、例えば、撮像範囲（撮像領域）内におけるマークＭの位置、面積、形状、色等が挙げられる。判定部７３の判定結果が良の場合（Ｓ２１にて良）、上記マークＭの画像に基づいて基板３の位置が調整される（Ｓ２９）。
判定部７３の判定結果が不良の場合（Ｓ２１にて不良）、判定結果が誤判定であるか否かが判断される（Ｓ２５）。判定結果が正しい場合すなわち誤判定でない場合（Ｓ２５にてＮｏ）、部品実装システム１から基板３が取り除かれる（Ｓ５０）。
一方、判定結果が誤判定である場合（Ｓ２５にてＹｅｓ）、判定結果が良に修正される（Ｓ３０）。具体的には、修正部７４が、修正入力部７２で取得した修正入力に基づいて、マークＭの良否の判定結果を良に修正する。判定結果が良に修正されたマークＭを有する基板３は、上記マークＭの画像に基づいて基板３の位置が調整される（Ｓ２９）。
基板３の位置が調整されると、取付部による部品取り付け処理が行われる（Ｓ４０）。この例における取付部は貼付け機構２２であり、部品取り付け処理は基板３にＡＣＦ６を貼り付ける貼り付け処理である。
図８に示す工程は、貼付け部２０に限られず、仮圧着部３０又は本圧着部４０にも当てはめることができる。例えば、図８に示す工程を仮圧着部３０に当てはめた場合、仮圧着部３０で撮像したマークＭの画像を取得する工程が画像取得工程Ｓ１０に該当し、基板３に電子部品５を仮圧着する工程が取付工程Ｓ４０に該当する。また、図８に示す工程を本圧着部４０に当てはめた場合、本圧着部４０で撮像したマークＭの画像を取得する工程が画像取得工程Ｓ１０に該当し、基板３に電子部品５を本圧着する工程が取付工程Ｓ４０に該当する。
第１モードの生産工程Ｓ１で取得したマークＭの画像、良否の判定結果及び修正結果は、コンピュータ７０に出力される。コンピュータ７０では、第１モードの生産工程Ｓ１と並行して学習工程Ｓ６０が実行される。
図９は、第１モードの生産工程Ｓ１のデータに基づいて第１の学習モデルを生成し、第１モードの生産工程Ｓ１を第２モードの生産工程Ｓ２に変更する例を示すフローチャートである。
学習工程Ｓ６０は、第１の学習モデルを生成する学習モデル生成工程Ｓ６１と、第１の学習モデルを評価する学習モデル評価工程Ｓ６２と、を含む。
学習モデル生成部７５は、第１モードの生産工程Ｓ１の画像取得工程Ｓ１０で得られた画像、第１判定工程Ｓ２１の判定結果、及び、修正工程Ｓ３０の修正結果を学習データとする機械学習を行い、マークＭの良否判定を行うための第１の学習モデルを生成する（Ｓ６１）。
学習モデル評価部７６は、第１の学習モデルの習熟度を評価する（Ｓ６２）。習熟度は、例えば、第１の学習モデルの正答率が規定値以上にあるか否かで判断される。この正答率は、熟練作業者と同じレベルに設定される。第１の学習モデルの習熟度が規定のレベルに到達したと評価されなかった場合（Ｓ６２にてＮｏ）、学習モデル生成工程Ｓ６１に戻り引き続き第１の学習モデルの生成が行われる。一方、第１の学習モデルの習熟度が規定のレベルに到達したと評価された場合（Ｓ６２にてＹｅｓ）、学習モデル評価部７６は、習熟度が規定のレベルに到達したことを示す到達信号を変更部７７に出力する。
変更部７７は、第１モードの生産工程Ｓ１を第２モードの生産工程Ｓ２に変更すべきか否かを判断する（Ｓ１Ａ）。変更部７７は、上記到達信号を受け付けていない場合、生産工程を変更すべきでないと判断し（Ｓ１ＡにてＮｏ）、第１モードの生産工程Ｓ１を引き続き実行させる。一方、変更部７７が上記到達信号を受け付けた場合（Ｓ６２にてＹｅｓ）、生産工程を変更すべきと判断し（Ｓ１ＡにてＹｅｓ）、第１モードの生産工程Ｓ１を第２モードの生産工程Ｓ２に変更する。
図１０は、第２モードの生産工程Ｓ２に含まれる工程の一例を示す図である。図１０に示す第２モードの生産工程Ｓ２は、画像取得工程Ｓ１０と、第２判定工程Ｓ２２と、取付工程Ｓ４０とを含む。この例でも、画像取得工程Ｓ１０が、貼付け部２０で撮像したマークＭの画像を取得する工程であり、取付工程Ｓ４０が、貼付け部２０で基板３にＡＣＦ６を貼り付ける貼付け工程である。
まず、画像取得部７１が、基板３に設けられたマークＭの画像を取得する（Ｓ１０）。具体的には、画像取得部７１が、貼付け部２０の撮像部２９で撮像したマークＭの画像を取得する。
次に、判定部７３が、第１の学習モデルを用いてマークＭの良否判定を行う（Ｓ２２）。判定部７３の判定結果が不良の場合（Ｓ２２にて不良）、部品実装システム１から基板３が取り除かれる（Ｓ５０）。判定部７３の判定結果が良の場合（Ｓ２２にて良）、上記マークＭの画像に基づいて基板３の位置が調整される（Ｓ２９）。
基板３の位置が調整されると、取付部による部品取り付け処理が行われる（Ｓ４０）。この例における取付部は貼付け機構２２であり、部品取り付け処理は基板３にＡＣＦ６を貼り付ける貼り付け処理である。
図１０に示す工程は、貼付け部２０に限られず、仮圧着部３０又は本圧着部４０にも当てはめることができる。例えば、図１０に示す工程を仮圧着部３０に当てはめた場合、仮圧着部３０で撮像したマークＭの画像を取得する工程が画像取得工程Ｓ１０に該当し、基板３に電子部品５を仮圧着する工程が取付工程Ｓ４０に該当する。また、図１０に示す工程を本圧着部４０に当てはめた場合、本圧着部４０で撮像したマークＭの画像を取得する工程が画像取得工程Ｓ１０に該当し、基板３に電子部品５を本圧着する工程が取付工程Ｓ４０に該当する。
［５．部品実装方法の他の例］
次に、部品実装方法の他の例について説明する。
図１１は、第１モードの生産工程Ｓ１に含まれる工程の他の例を示す図である。図１１に示す第１モードの生産工程Ｓ１は、画像取得工程Ｓ１０と、第１判定工程Ｓ２１と、修正工程Ｓ３０と、取付工程Ｓ４０とを含む。この例では、画像取得工程Ｓ１０が、貼付け部２０で貼り付けられたＡＣＦ６の画像を取得する工程であり、取付工程Ｓ４０が、貼付け工程の次の仮圧着工程及び本圧着工程である場合について説明する。
まず、画像取得部７１が、基板３に貼り付けられたＡＣＦ６の画像を取得する（Ｓ１０）。具体的には、画像取得部７１が、貼付け部２０の撮像部２９で撮像したＡＣＦ６の画像を取得する。
次に、判定部７３が、上記画像から求められる検出値と予め設定された第２の基準値とに基づいてＡＣＦ６の良否判定を行う（Ｓ２１）。上記検出値としては、例えば、撮像範囲（撮像領域）内におけるＡＣＦ６の位置、面積、形状、色等が挙げられる。判定部７３の判定結果が良の場合（Ｓ２１にて良）、次の取付工程Ｓ４０が実行される。取付工程Ｓ４０は前述したように、仮圧着工程及び本圧着工程である。
判定部７３の判定結果が不良の場合（Ｓ２１にて不良）、判定結果が誤判定であるか否かが判断される（Ｓ２５）。判定結果が正しい場合すなわち誤判定でない場合（Ｓ２５にてＮｏ）、部品実装システム１から基板３が取り除かれる（Ｓ５０）。
一方、判定結果が誤判定である場合（Ｓ２５にてＹｅｓ）、判定結果が良に修正される（Ｓ３０）。具体的には、修正部７４が、修正入力部７２で取得した修正入力に基づいて、ＡＣＦ６の良否の判定結果を良に修正する。判定結果が良に修正されたＡＣＦ６を有する基板３は、次の取付工程Ｓ４０が実行される。
第１モードの生産工程Ｓ１で取得したＡＣＦ６の画像、良否の判定結果及び修正結果は、コンピュータ７０に出力される。コンピュータ７０では、第１モードの生産工程Ｓ１と並行して学習工程Ｓ６０が実行される。
図１２は、図１１に示す第１モードの生産工程Ｓ１のデータに基づいて第２の学習モデルを生成し、第１モードの生産工程Ｓ１を第２モードの生産工程Ｓ２に変更する例を示すフローチャートである。
学習工程Ｓ６０は、第２の学習モデルを生成する学習モデル生成工程Ｓ６１と、第２の学習モデルを評価する学習モデル評価工程Ｓ６２と、を含む。
学習モデル生成部７５は、第１モードの生産工程Ｓ１の画像取得工程Ｓ１０で得られた画像、第１判定工程Ｓ２１の判定結果、及び、修正工程Ｓ３０の修正結果を学習データとする機械学習を行い、ＡＣＦ６の良否判定を行うための第２の学習モデルを生成する（Ｓ６１）。
学習モデル評価部７６は、第２の学習モデルの習熟度を評価する（Ｓ６２）。習熟度は、例えば、第２の学習モデルの正答率が規定値以上にあるか否かで判断される。この正答率は、熟練作業者と同じレベルに設定される。第２の学習モデルの習熟度が規定のレベルに到達したと評価されなかった場合（Ｓ６２にてＮｏ）、学習モデル生成工程Ｓ６１に戻り引き続き第２の学習モデルの生成が行われる。一方、第２の学習モデルの習熟度が規定のレベルに到達したと評価された場合（Ｓ６２にてＹｅｓ）、学習モデル評価部７６は、習熟度が規定のレベルに到達したことを示す到達信号を変更部７７に出力する。
変更部７７は、第１モードの生産工程Ｓ１を第２モードの生産工程Ｓ２に変更すべきか否かを判断する（Ｓ１Ａ）。変更部７７は、上記到達信号を受け付けていない場合、生産工程を変更すべきでないと判断し（Ｓ１ＡにてＮｏ）、第１モードの生産工程Ｓ１を引き続き実行させる。一方、変更部７７が上記到達信号を受け付けた場合、生産工程を変更すべきと判断し（Ｓ１ＡにてＹｅｓ）、第１モードの生産工程Ｓ１を第２モードの生産工程Ｓ２に変更する。
図１３は、第２モードの生産工程Ｓ２に含まれる工程の一例を示す図である。図１３に示す第２モードの生産工程Ｓ２は、画像取得工程Ｓ１０と、第２判定工程Ｓ２２と、取付工程Ｓ４０とを含む。この例でも、画像取得工程Ｓ１０が、貼付け部２０で貼り付けたＡＣＦ６の画像を取得する工程であり、取付工程Ｓ４０が、貼付け工程の次の仮圧着工程及び本圧着工程である。
まず、画像取得部７１が、基板３に設けられたＡＣＦ６の画像を取得する（Ｓ１０）。具体的には、画像取得部７１が、貼付け部２０の撮像部２９で撮像したＡＣＦ６の画像を取得する。
次に、判定部７３が、第２の学習モデルを用いてＡＣＦ６の良否判定を行う（Ｓ２２）。判定部７３の判定結果が不良の場合（Ｓ２２にて不良）、部品実装システム１から基板３が取り除かれる（Ｓ５０）。判定部７３の判定結果が良の場合（Ｓ２２にて良）、次の取付工程Ｓ４０が実行される。取付工程Ｓ４０は前述したように、仮圧着工程及び本圧着工程である。
［６．実施の形態の変形例１］
次に、実施の形態の変形例１に係る部品実装方法について説明する。変形例１では、第２モードの生産工程Ｓ２における第２判定工程が、検出値と基準値とに基づく撮像対象の良否判定、及び、学習モデルを用いた撮像対象の良否判定の両方を含む場合について説明する。この変形例１では、アライメントマークＭ及びＡＣＦ６のそれぞれを撮像対象とし、ＡＣＦ６及び電子部品５のそれぞれを部品として説明する。
図１４は、変形例１に係る部品実装方法の第２モードの生産工程Ｓ２を示すフローチャートである。図１４に示す第２モードの生産工程Ｓ２は、画像取得工程Ｓ１０と、第１判定工程Ｓ２１と、第２判定工程Ｓ２２と、取付工程Ｓ４０とを含む。
まず、画像取得部７１が、基板３に設けられた撮像対象の画像を取得する（Ｓ１０）。具体的には、画像取得部７１が、撮像部２９、３９、４９で撮像した撮像対象の画像を取得する。
次に、判定部７３が、上記画像から求められる検出値と予め設定された基準値とに基づいて撮像対象の良否判定を行う（Ｓ２１）。上記検出値としては、例えば、撮像範囲（撮像領域）内における撮像対象の位置、面積、形状、色等が挙げられる。判定部７３の判定結果が良の場合（Ｓ２１にて良）、取付部による部品取り付け処理が行われる（Ｓ４０）。
判定部７３の判定結果が不良の場合（Ｓ２１にて不良）、第１モードの生産工程Ｓ１のデータに基づいて生成した学習モデルを用いて、撮像対象の良否判定を行う（Ｓ２２）。学習モデルを用いた良否判定による判定結果が不良の場合（Ｓ２２にて不良）、部品実装システム１から基板３が取り除かれる（Ｓ５０）。
一方、学習モデルを用いた判定結果が良の場合（Ｓ２２にて良）、取付部による部品取り付け処理が行われる（Ｓ４０）。なお、取付部による部品取り付け処理は、貼付け機構２２によって基板３にＡＣＦ６を貼り付ける貼り付け処理、部品搭載機構３２によって基板３に電子部品５を仮圧着する仮圧着処理、又は、圧着機構４２によって基板３に電子部品５を本圧着する本圧着処理である。
［７．実施の形態の変形例２］
次に、実施の形態の変形例２に係る部品実装方法について説明する。変形例２では、検出値と基準値との差の大きさに基づいて、第２判定工程Ｓ２２を行うか否かを判断する例について説明する。変形例２でも、アライメントマークＭ及びＡＣＦ６のそれぞれを撮像対象とし、ＡＣＦ６及び電子部品５のそれぞれを部品として説明する。
図１５は、変形例２の部品実装方法の第２モードの生産工程Ｓ２を示すフローチャートである。図１５に示す第２モードの生産工程Ｓ２は、画像取得工程Ｓ１０と、第１判定工程Ｓ２１と、第２判定工程Ｓ２２と、取付工程Ｓ４０とを含み、さらに、以下に示す判断工程Ｓ２６を含む。
まず、画像取得部７１が、基板３に設けられた撮像対象の画像を取得する（Ｓ１０）。具体的には、画像取得部７１が、撮像部２９、３９又は４９で撮像した撮像対象の画像を取得する。
次に、判定部７３が、上記画像から求められる検出値と予め設定された基準値とに基づいて撮像対象の良否判定を行う（Ｓ２１）。判定部７３の判定結果が良の場合（Ｓ２１にて良）、取付部による部品取り付け処理が行われる（Ｓ４０）。
判定部７３の判定結果が不良の場合（Ｓ２１にて不良）、コンピュータ７０は、上記画像から求められる検出値と予め設定された基準値との差の大きさに基づいて、学習モデルを用いて撮像対象の良否判定を行うべきか否かを判断する（Ｓ２６）。上記検出値と上記基準値との差が、予め決められた値よりも大きい場合（Ｓ２６にてＹｅｓ）、上記学習モデルを用いた良否判定を行わずに、部品実装システム１から基板３が取り除かれる（Ｓ５０）。
一方、上記検出値と上記基準値との差が、予め決められた値よりも小さい場合（Ｓ２６にてＮｏ）、学習モデルを用いた第２判定工程による良否判定が実行される（Ｓ２２）。以降の工程は、変形例１に係る部品実装方法と同様である。
［８．実施の形態の変形例３］
次に、実施の形態の変形例３に係る部品実装方法について説明する。変形例３では、第２モードの生産工程Ｓ２において学習モデルが生成される例について説明する。変形例３でも、アライメントマークＭ及びＡＣＦ６のそれぞれを撮像対象として説明し、ＡＣＦ６及び電子部品５のそれぞれを部品として説明する。
図１６は、第２モードの生産工程Ｓ２において学習モデルを生成する例を示すフローチャートである。
図１６に示す第２モードの生産工程Ｓ２は、画像取得工程Ｓ１０と、第２判定工程Ｓ２２と、取付工程Ｓ４０とを含み、さらに、以下に示す修正工程Ｓ３１を含む。
まず、画像取得部７１が、基板３に設けられた撮像対象の画像を取得する（Ｓ１０）。具体的には、画像取得部７１が、撮像部２９、３９又は４９で撮像した撮像対象の画像を取得する。
次に、判定部７３が、第２モードの生産工程Ｓ２の学習モデルを用いて撮像対象の良否判定を行う（Ｓ２２）。判定部７３の判定結果が良の場合（Ｓ２２にて良）、次の取付工程Ｓ４０が実行される。
判定部７３の判定結果が不良の場合（Ｓ２２にて不良）、判定結果が誤判定であるか否かが判断される（Ｓ２５Ａ）。判定結果が正しい場合すなわち誤判定でない場合（Ｓ２５ＡにてＮｏ）、部品実装システム１から基板３が取り除かれる（Ｓ５０）。
一方、判定結果が誤判定である場合（Ｓ２５ＡにてＹｅｓ）、判定結果が良に修正される（Ｓ３１）。具体的には、修正部７４が、修正入力部７２で取得した修正入力に基づいて、撮像対象の良否の判定結果を良に修正する。判定結果が良に修正された撮像対象を有する基板３は、次の取付工程Ｓ４０が実行される。
第２モードの生産工程Ｓ２で取得した撮像対象の画像、良否の判定結果及び修正結果は、コンピュータ７０に出力される。コンピュータ７０では、第２モードの生産工程Ｓ２と並行して学習工程（Ｓ６０）が実行される（図９参照）。
図９と同様に、学習モデル生成部７５は、第２モードの生産工程Ｓ２の画像取得工程Ｓ１０で得られた画像、第２判定工程Ｓ２２の判定結果、及び、修正工程Ｓ３１の修正結果を学習データとする機械学習を行い、撮像対象の良否判定を行うための学習モデルを生成する（Ｓ６１）。
学習モデル評価部７６は、当該学習モデルの習熟度を評価する（Ｓ６２）。習熟度は、例えば、当該学習モデルの正答率が規定値以上にあるか否かで判断される。当該学習モデルの正答率は、元の学習モデルの正答率よりも高い正答率に設定される。当該学習モデルの習熟度が規定のレベルに到達したと評価された場合（Ｓ６２にてＹｅｓ）、コンピュータ７０は、元の学習モデルを当該学習モデルに変更して第２モードの生産工程Ｓ２を実行する。
（まとめ）
本実施の形態に係る部品実装方法は、以下に示す第１モードの生産工程Ｓ１と、学習モデル生成工程と、学習モデル評価工程と、第１モードの生産工程Ｓ１を第２モードの生産工程Ｓ２に変更する変更工程と、を含む。
第１モードの生産工程Ｓ１は、基板３に設けられた撮像対象の画像を取得する画像取得工程、上記画像から求められる検出値と予め設定された基準値とに基づいて撮像対象の良否判定を行う第１判定工程、第１判定工程で不良と誤判定された場合に第１判定工程の判定結果を良に修正する修正工程、及び、良とされた撮像対象を有する基板３に部品を取り付ける取付工程を有する。学習モデル生成工程は、第１モードの生産工程Ｓ１で取得した画像、第１判定工程の判定結果、及び、修正工程の修正結果を学習データとする機械学習により、撮像対象の良否判定を行うための学習モデルを生成する。学習モデル評価工程は、学習モデル生成工程で生成された学習モデルの習熟度を評価する。変更工程は、学習モデル評価工程において学習モデルの習熟度が規定のレベルに到達したと評価された場合に、第１モードの生産工程Ｓ１を、学習モデルを用いて撮像対象の良否判定を行う第２判定工程を有する第２モードの生産工程Ｓ２に変更する。
このように、上記画像から求められる検出値と予め設定された基準値とに基づいて撮像対象の良否判定を行う第１モードの生産工程Ｓ１を、第１モードの生産工程Ｓ１のデータに基づいて生成した学習モデルを用いて良否判定を行う工程を有する第２モードの生産工程Ｓ２に変更することで、撮像対象の良否判定を行う際の誤判定を抑制することができる。これにより、部品実装（部品取り付け処理）における生産性の低下を抑制することができる。
例えば、第１モードの生産工程Ｓ１では、不良が多発することを防止するため上記基準値が厳しめに設定されることがある。しかしそのような場合であっても、第１モードの生産工程Ｓ１を、第１モードの生産工程Ｓ１のデータに基づいて生成した学習モデルを用いて良否判定を行う第２モードの生産工程Ｓ２に変更することで、撮像対象の良否判定を行う際の誤判定を抑制することができる。
また、変更工程は、第１判定工程を第２判定工程に置き換えることで、第１モードの生産工程Ｓ１を第２モードの生産工程Ｓ２に変更してもよい。
このように、第１モードの生産工程Ｓ１を、学習モデルを用いる第２モードの生産工程Ｓ２に変更することで、撮像対象の良否判定を行う際の誤判定を抑制することができる。これにより、部品実装における生産性の低下を抑制することができる。
また、第２モードの生産工程Ｓ２は、画像取得工程、第１判定工程及び第２判定工程を有し、撮像対象が第１判定工程で不良と判定された場合に、第２判定工程を実行してもよい。
このように、第１判定工程で不良と判定された場合に、第２判定工程を実行することで、撮像対象の良否判定を行う際の誤判定を抑制することができる。これにより、部品実装における生産性の低下を抑制することができる。
また、第２モードの生産工程Ｓ２は、第１判定工程で不良と判定された場合に、検出値と基準値との差の大きさに基づいて、第２判定工程を行うか否かを判断する判断工程をさらに有していてもよい。
このように、第２判定工程を行うか否かを判断する判断工程をさらに有することで、第２工程を用いて良否判定を行う際にかかる負荷を軽減することができる。これにより、部品実装における生産性の低下を抑制することができる。
また、学習モデル生成工程及び学習モデル評価工程は、第１モードの生産工程Ｓ１において繰り返し実行されてもよい。
これによれば、学習モデルの習熟度を向上させることができるので、撮像対象の良否判定を行う際の誤判定を抑制することができる。これにより、部品実装における生産性の低下を抑制することができる。
また、学習モデル生成工程は、さらに、上記画像、第２判定工程の判定結果、及び、第２判定工程で不良と誤判定された場合に第２判定工程の判定結果を良に修正する工程の修正結果を学習データとする機械学習により、撮像対象の良否判定を行うための学習モデルを生成し、第２判定工程は、当該学習モデルを用いて撮像対象の良否判定を行ってもよい。
これによれば、学習モデルの習熟度をさらに向上させることができるので、撮像対象の良否判定を行う際の誤判定を抑制することができる。これにより、部品実装における生産性の低下を抑制することができる。
また、上記撮像対象は、基板３に設けられたアライメントマークＭであり、上記取付工程の部品は、ＡＣＦ６又は電子部品５であってもよい。
これによれば、アライメントマークＭの良否判定を行う際の誤判定を抑制することができる。これにより、部品実装における生産性の低下を抑制することができる。
また、上記撮像対象は、基板３に設けられたＡＣＦ６であり、上記取付工程の部品は、電子部品５であってもよい。
これによれば、ＡＣＦ６の良否判定を行う際の誤判定を抑制することができる。これにより、部品実装における生産性の低下を抑制することができる。
また、学習モデル生成工程では、基板３の品種に応じて予め用意された複数の学習済みモデルから選択される学習済みモデルに基づき機械学習が開始されてもよい。
これによれば、学習モデルを生成する時間を短縮できる。これにより、部品実装における生産性の低下を抑制することができる。
本実施の形態に係る部品実装システム１は、基板３に設けられた撮像対象の画像を取得する画像取得部７１と、上記画像から求められる検出値と予め設定された基準値とに基づいて撮像対象の良否判定を行う判定部７３と、判定部７３で不良と誤判定された場合に判定部７３の判定結果を良に修正する修正部７４と、判定部７３又は修正部７４で良とされた撮像対象を有する基板３に部品を取り付ける取付部と、を備える。また、部品実装システム１は、上記画像、判定部７３の判定結果、及び、修正部７４の修正結果を学習データとする機械学習により、撮像対象の良否判定を行うための学習モデルを生成する学習モデル生成部７５と、学習モデル生成部７５で生成された学習モデルの習熟度を評価する学習モデル評価部７６と、をさらに備える。判定部７３は、学習モデル評価部７６において学習モデルの習熟度が規定のレベルに到達したと評価された場合に、当該学習モデルを用いて撮像対象の良否判定を行う。
このように、判定部７３は、上記画像、判定部７３の判定結果、及び、修正部７４の修正結果に基づいて生成した学習モデルを用いて撮像対象の良否判定を行うことで、撮像対象の良否判定を行う際の誤判定を抑制することができる。これにより、部品実装システム１における生産性の低下を抑制することができる。なお、上記における取付部は、例えば、貼付け機構２２、部品搭載機構３２又は圧着機構４２である。
（その他の実施の形態）
以上、本実施の形態に係る部品実装システム等について、上記実施の形態に基づいて説明したが、本発明は、上記実施の形態に限定されるものではない。
例えば、上記実施の形態では、貼付け工程、仮圧着工程及び本圧着工程でのマークＭの良否判定、ならびに、貼付け工程でのＡＣＦ６の良否判定において学習モデルを用いる例を示したが、マークＭの良否判定ならびにＡＣＦ６の良否判定は、上記全ての工程で実行される必要はなく、少なくとも１つの工程で実行されてもよい。
また、上記実施の形態では、貼付け工程、仮圧着工程及び本圧着工程で取得した画像、判定結果及び修正結果を学習データとして機械学習が行われているが、それに限られず、本圧着工程の後続工程で取得した検査結果も学習データに含めて機械学習を行ってもよい。例えば、個々の生産対象物（例えばディスプレイパネル）にＩＤを割り振ることで、後続工程での検査結果を学習モデルに反映することが可能となる。これによれば、後続工程で検査不良になった原因が貼付け工程、仮圧着工程及び本圧着工程にある場合に、その検査結果に基づいて、学習モデルを修正することができる。
例えば、上記実施の形態では、コンピュータの構成要素の全部又は一部は、専用のハードウェアで構成されてもよく、或いは、各構成要素に適したソフトウェアプログラムを実行することによって実現されてもよい。各構成要素は、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）又はプロセッサ等のプログラム実行部が、ＨＤＤ（Ｈａｒｄ Ｄｉｓｋ Ｄｒｉｖｅ）又は半導体メモリ等の記録媒体に記録されたソフトウェアプログラムを読み出して実行することによって実現されてもよい。
また、コンピュータの構成要素は、１つ又は複数の電子回路で構成されてもよい。１つ又は複数の電子回路は、それぞれ、汎用的な回路でもよいし、専用の回路でもよい。
１つ又は複数の電子回路には、例えば、半導体装置、ＩＣ（Ｉｎｔｅｇｒａｔｅｄ Ｃｉｒｃｕｉｔ）又はＬＳＩ（Ｌａｒｇｅ Ｓｃａｌｅ Ｉｎｔｅｇｒａｔｉｏｎ）等が含まれてもよい。ＩＣ又はＬＳＩは、１つのチップに集積されてもよく、複数のチップに集積されてもよい。ここでは、ＩＣ又はＬＳＩと呼んでいるが、集積の度合いによって呼び方が変わり、システムＬＳＩ、ＶＬＳＩ（Ｖｅｒｙ Ｌａｒｇｅ Ｓｃａｌｅ Ｉｎｔｅｇｒａｔｉｏｎ）、又は、ＵＬＳＩ（Ｕｌｔｒａ Ｌａｒｇｅ Ｓｃａｌｅ Ｉｎｔｅｇｒａｔｉｏｎ）と呼ばれるかもしれない。また、ＬＳＩの製造後にプログラムされるＦＰＧＡ（Ｆｉｅｌｄ Ｐｒｏｇｒａｍｍａｂｌｅ Ｇａｔｅ Ａｒｒａｙ）も同じ目的で使うことができる。
その他、各実施の形態に対して当業者が思いつく各種変形を施して得られる形態や、本発明の趣旨を逸脱しない範囲で各実施の形態における構成要素及び機能を任意に組み合わせることで実現される形態も本発明に含まれる。
本発明は、液晶パネルを生産する部品実装システム等に利用可能である。
１ 部品実装システム
１ａ、１ｂ、１ｃ 基台
３ 基板
４ 電極部
５ 電子部品
６ ＡＣＦ（異方性導電部材）
６ａ ＡＣＦテープ
１０ 基板搬入部
１１、２３、３３、４３、５１ ステージ
２０ 貼付け部
２１、３１、４１ ステージ移動部
２２ 貼付け機構
２４ ビーム
２５ 貼付けヘッド
２５ａ テープ供給部
２５ｂ 貼付けツール
２６ 貼付け支持台
２９、３９、４９、撮像部
３０ 仮圧着部
３２ 部品搭載機構
３４ 部品供給部
４０ 本圧着部
４２ 圧着機構
４４ 圧着支持部
４５ 圧着ユニット
４７ 加圧機構
４８ 圧着ヘッド
５０ 基板搬出部
６０ 搬送部
６１ 移動ベース
６２Ａ、６２Ｂ、６２Ｃ、６２Ｄ 基板搬送機構
６３ 基部
６４ アームユニット
７０ コンピュータ
７０ａ 制御部
７０ｂ 記憶部
７１ 画像取得部
７２ 修正入力部
７３ 判定部
７４ 修正部
７５ 学習モデル生成部
７６ 学習モデル評価部
７７ 変更部
７９ 表示部
Ｍ アライメントマーク（マーク）

Claims (10)

  1. 基板に設けられた撮像対象の画像を取得する画像取得工程、前記画像から求められる検出値と予め設定された基準値とに基づいて前記撮像対象の良否判定を行う第１判定工程、前記第１判定工程で不良と誤判定された場合に前記第１判定工程の判定結果を良に修正する修正工程、及び、良とされた前記撮像対象を有する基板に部品を取り付ける取付工程を有する第１モードの生産工程と、
    前記第１モードの生産工程で取得した前記画像、前記第１判定工程の判定結果、及び、前記修正工程の修正結果を学習データとする機械学習により、前記撮像対象の良否判定を行うための学習モデルを生成する学習モデル生成工程と、
    前記学習モデル生成工程で生成された前記学習モデルの習熟度を評価する学習モデル評価工程と、
    前記学習モデル評価工程において前記学習モデルの習熟度が規定のレベルに到達したと評価された場合に、前記第１モードの生産工程を、前記学習モデルを用いて前記撮像対象の良否判定を行う第２判定工程を有する第２モードの生産工程に変更する変更工程と、
    を含む部品実装方法。
  2. 前記変更工程は、前記第１判定工程を前記第２判定工程に置き換えることで、前記第１モードの生産工程を前記第２モードの生産工程に変更する
    請求項１に記載の部品実装方法。
  3. 前記第２モードの生産工程は、前記画像取得工程、前記第１判定工程及び前記第２判定工程を有し、前記撮像対象が前記第１判定工程で不良と判定された場合に、前記第２判定工程を実行する
    請求項１に記載の部品実装方法。
  4. 前記第２モードの生産工程は、前記第１判定工程で不良と判定された場合に、前記検出値と前記基準値との差の大きさに基づいて、前記第２判定工程を行うか否かを判断する判断工程をさらに有する
    請求項３に記載の部品実装方法。
  5. 前記学習モデル生成工程及び前記学習モデル評価工程は、前記第１モードの生産工程において繰り返し実行される
    請求項１〜４のいずれか１項に記載の部品実装方法。
  6. 前記学習モデル生成工程は、さらに、前記画像、前記第２判定工程の判定結果、及び、前記第２判定工程で不良と誤判定された場合に前記第２判定工程の判定結果を良に修正する工程の修正結果を学習データとする機械学習により、前記撮像対象の良否判定を行うための学習モデルを生成し、
    前記第２判定工程は、当該学習モデルを用いて前記撮像対象の良否判定を行う
    請求項１〜５のいずれか１項に記載の部品実装方法。
  7. 前記撮像対象は、前記基板に設けられたアライメントマークであり、
    前記取付工程の前記部品は、ＡＣＦ（Ａｎｉｓｏｔｒｏｐｉｃ Ｃｏｎｄｕｃｔｉｖｅ Ｆｉｌｍ）又は電子部品である
    請求項１〜６のいずれか１項に記載の部品実装方法。
  8. 前記撮像対象は、前記基板に設けられたＡＣＦであり、
    前記取付工程の前記部品は、電子部品である
    請求項１〜６のいずれか１項に記載の部品実装方法。
  9. 前記学習モデル生成工程では、前記基板の品種に応じて予め用意された複数の学習済みモデルから選択される学習済みモデルに基づき前記機械学習が開始される
    請求項１〜８のいずれか１項に記載の部品実装方法。
  10. 基板に設けられた撮像対象の画像を取得する画像取得部と、
    前記画像から求められる検出値と予め設定された基準値とに基づいて前記撮像対象の良否判定を行う判定部と、
    前記判定部で不良と誤判定された場合に前記判定部の判定結果を良に修正する修正部と、
    前記判定部又は前記修正部で良とされた前記撮像対象を有する基板に部品を取り付ける取付部と、
    を備える部品実装システムであって、
    前記画像、前記判定部の判定結果、及び、前記修正部の修正結果を学習データとする機械学習により、前記撮像対象の良否判定を行うための学習モデルを生成する学習モデル生成部と、
    前記学習モデル生成部で生成された前記学習モデルの習熟度を評価する学習モデル評価部と、
    をさらに備え、
    前記判定部は、前記学習モデル評価部において前記学習モデルの習熟度が規定のレベルに到達したと評価された場合に、前記学習モデルを用いて前記撮像対象の良否判定を行う
    部品実装システム。
JP2020069067A 2020-04-07 2020-04-07 部品実装方法及び部品実装システム Active JP7442134B2 (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2020069067A JP7442134B2 (ja) 2020-04-07 2020-04-07 部品実装方法及び部品実装システム

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2020069067A JP7442134B2 (ja) 2020-04-07 2020-04-07 部品実装方法及び部品実装システム

Publications (2)

Publication Number Publication Date
JP2021166245A true JP2021166245A (ja) 2021-10-14
JP7442134B2 JP7442134B2 (ja) 2024-03-04

Family

ID=78021994

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2020069067A Active JP7442134B2 (ja) 2020-04-07 2020-04-07 部品実装方法及び部品実装システム

Country Status (1)

Country Link
JP (1) JP7442134B2 (ja)

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4456709B2 (ja) 2000-01-12 2010-04-28 富士機械製造株式会社 基板支持状態検査方法
JP2004163348A (ja) 2002-11-15 2004-06-10 Nippon Avionics Co Ltd 検査状況表示方法
JP4966139B2 (ja) 2007-09-13 2012-07-04 株式会社東芝 接合材貼付検査装置、実装装置、電気部品の製造方法
JP4907478B2 (ja) 2007-09-18 2012-03-28 パナソニック株式会社 部品取付方法
JP2010177628A (ja) 2009-02-02 2010-08-12 Omron Corp 実装部品の検査結果確定方法および検査結果確定システム
JP5798371B2 (ja) 2011-05-09 2015-10-21 富士機械製造株式会社 基準マークモデルテンプレート作成方法
WO2018087932A1 (ja) 2016-11-14 2018-05-17 株式会社Ｆｕｊｉ 保存画像の再分類システム及び再分類方法
JP7253679B2 (ja) 2017-09-28 2023-04-07 パナソニックＩｐマネジメント株式会社 不調検知システムおよび部品実装ラインの不調検知方法
JP6823025B2 (ja) 2018-09-12 2021-01-27 ファナック株式会社 検査装置及び機械学習方法

Also Published As

Publication number Publication date
JP7442134B2 (ja) 2024-03-04

Similar Documents

Publication Publication Date Title
CN101317502B (zh) 针对电路基板的操作装置和操作方法
JP4767995B2 (ja) 部品実装方法、部品実装機、実装条件決定方法、実装条件決定装置およびプログラム
US20060000872A1 (en) Printed circuit board inspection device, printed circuit board assembly inspection line system, and computer-readable medium having program recorded thereon
JP2014060249A (ja) ダイボンダ、および、ダイの位置認識方法
JP6830538B2 (ja) 対基板作業管理システム
JP2009054759A (ja) 異常検出方法及び装置
JP2008014700A (ja) ワークの検査方法及びワーク検査装置
JP4619896B2 (ja) 基準位置決定方法及び基準位置決定装置並びに接合材料の印刷方法及び印刷装置
US20120272510A1 (en) Mounting system, electronic component mounting method, substrate production method, and program
US20120218402A1 (en) Component placement process and apparatus
JP4896855B2 (ja) 部品実装システム
JP7442134B2 (ja) 部品実装方法及び部品実装システム
CN115642098B (zh) 芯片安装定位方法、装置、设备及可读存储介质
JP2011018816A (ja) 電子部品の装着方法
JP2021166246A (ja) 部品実装方法及び部品実装システム
JP2000315896A (ja) 表面実装部品装着機
JP2008046012A (ja) 欠陥検出装置および欠陥検出方法
JP7235603B2 (ja) 部品実装用データの変更装置、変更プログラム、及び、表面実装機
TW201743389A (zh) 用於重組晶圓之測試系統及其方法
JPWO2017212566A1 (ja) 部品実装システム
KR101444258B1 (ko) 기판 검사 시의 보상 매트릭스의 유효성 판단 방법
TWI835241B (zh) 維護方法、及電子零件的製造方法
JP2007218925A (ja) 印刷検査装置および印刷検査方法
JP4311240B2 (ja) 半田検査装置および半田検査方法
JP3947386B2 (ja) 電子部品実装方法及び電子部品実装装置の制御装置

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20230216

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20231221

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: 20240123

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20240209

R151 Written notification of patent or utility model registration

Ref document number: 7442134

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R151