JP2023071276A - 検査方法および検査装置 - Google Patents
検査方法および検査装置 Download PDFInfo
- Publication number
- JP2023071276A JP2023071276A JP2021183940A JP2021183940A JP2023071276A JP 2023071276 A JP2023071276 A JP 2023071276A JP 2021183940 A JP2021183940 A JP 2021183940A JP 2021183940 A JP2021183940 A JP 2021183940A JP 2023071276 A JP2023071276 A JP 2023071276A
- Authority
- JP
- Japan
- Prior art keywords
- inspection
- contour
- temporary
- image
- area
- 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
- 238000007689 inspection Methods 0.000 title claims abstract description 228
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000010801 machine learning Methods 0.000 claims description 13
- 238000013135 deep learning Methods 0.000 claims description 7
- 230000007547 defect Effects 0.000 description 11
- 230000002950 deficient Effects 0.000 description 8
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000002093 peripheral effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Analytical Chemistry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Image Analysis (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Image Processing (AREA)
Abstract
【課題】 検査領域の誤認識を抑制した検査方法および検査装置を提供することにある。【解決手段】 検査方法は、被検査物の検査画像を取得する検査画像取得ステップと、検査画像の特徴に基づいて検査画像を仮の検査領域と仮の非検査領域に分け、仮の検査領域と仮の非検査領域の境界線を第1輪郭として取得する第1輪郭取得ステップと、予め記憶されている基準となる特徴と第1輪郭を比較し、基準となる特徴に対して第1輪郭が所定長さ以上離れている特定部分がある場合は、第1輪郭の特定部分を基準となる特徴で修正して第2輪郭を取得し、第2輪郭に基づいて検査画像を検査領域と非検査領域に分け、検査領域を検査する検査ステップを有する。【選択図】 図1
Description
本発明は、検査方法および検査装置に関する。
特許文献1には、欠陥の見逃し、または、欠陥の誤検出を抑制するために、撮像部によって撮像された素子チップの画像に基づいて、素子チップの周縁領域の外側のエッジおよび有効領域を検出し、検出された周縁領域の外側のエッジと有効領域とに基づいて、素子チップの欠陥を検査するための検査領域を決定し、素子チップの検査領域に対応する画像と、予め記憶されている良品の素子チップの画像とを比較することにより、素子チップの欠陥を検出する欠陥検査装置が開示されてる。
しかしながら、特許文献1の欠陥検査装置では、周縁領域の外側のエッジおよび有効領域を誤認識してしまうことについては検討されておらず、周縁領域の外側のエッジと有効領域とに基づいて決定される素子チップの欠陥を検査するための検査領域を誤認識するおそれがあった。
本発明の目的の一つは、検査領域の誤認識を抑制した検査方法および検査装置を提供することにある。
本発明の目的の一つは、検査領域の誤認識を抑制した検査方法および検査装置を提供することにある。
本発明の一実施形態における検査方法は、被検査物の検査画像を取得する検査画像取得ステップと、検査画像の特徴に基づいて検査画像を仮の検査領域と仮の非検査領域に分け、仮の検査領域と仮の非検査領域の境界線を第1輪郭として取得する第1輪郭取得ステップと、予め記憶されている基準となる特徴と第1輪郭を比較し、基準となる特徴に対して第1輪郭が所定長さ以上離れている特定部分がある場合は、第1輪郭の特定部分を基準となる特徴で修正して第2輪郭を取得し、第2輪郭に基づいて検査画像を検査領域と非検査領域に分け、検査領域を検査する検査ステップと、を有する。
よって、本発明にあっては、非検査物個々に正確な検査領域を生成することで検査精度を向上することができる。
〔実施形態1〕
図1は、実施形態1の検査装置1の概略図である。
実施形態1の検査装置1は、カメラ(検査画像取得部)2、ロボット3およびコンピュータ4を備える。
カメラ2は、ピストン(被検査物)5の検査用表面の画像を撮像する(検査画像取得ステップ)。
ロボット3は、カメラ2に対するピストン5の姿勢角を変化させる。
コンピュータ4は、例えばパーソナルコンピュータであり、メモリ6およびCPU7を備える。
CPU7は、第1輪郭取得部8と第2輪郭取得部9と検査部10を備える。
メモリ6には、複数のサンプル画像を用いて機械学習させた学習結果が記憶されている。
機械学習は、例えば、ニューラルネットを用いた学習であって、実施形態1では、ディープラーニングによる学習を採用している。
また、ニューラルネットを多層に結合したディープラーニングによる学習を行うため、ニューラルネットを用いた場合と比較して、検査の判定精度を向上できる。
さらに、メモリ6には、2次元または3次元の設計用のCADデータ(形状データ、基準となる特徴)、良品ピストンの寸法データ(形状データ、基準となる特徴)、所定の曲率半径(基準となる特徴)、所定の大きさ(基準となる特徴)等のデータが記憶されている。詳細は、後述する。
図1は、実施形態1の検査装置1の概略図である。
実施形態1の検査装置1は、カメラ(検査画像取得部)2、ロボット3およびコンピュータ4を備える。
カメラ2は、ピストン(被検査物)5の検査用表面の画像を撮像する(検査画像取得ステップ)。
ロボット3は、カメラ2に対するピストン5の姿勢角を変化させる。
コンピュータ4は、例えばパーソナルコンピュータであり、メモリ6およびCPU7を備える。
CPU7は、第1輪郭取得部8と第2輪郭取得部9と検査部10を備える。
メモリ6には、複数のサンプル画像を用いて機械学習させた学習結果が記憶されている。
機械学習は、例えば、ニューラルネットを用いた学習であって、実施形態1では、ディープラーニングによる学習を採用している。
また、ニューラルネットを多層に結合したディープラーニングによる学習を行うため、ニューラルネットを用いた場合と比較して、検査の判定精度を向上できる。
さらに、メモリ6には、2次元または3次元の設計用のCADデータ(形状データ、基準となる特徴)、良品ピストンの寸法データ(形状データ、基準となる特徴)、所定の曲率半径(基準となる特徴)、所定の大きさ(基準となる特徴)等のデータが記憶されている。詳細は、後述する。
図2は、実施形態1における検査方法の流れを示すフローチャートである。
ステップS1では、カメラ2によりピストン5の検査画像を取得する(検査画像取得ステップ)。
ステップS2では、検査画像の模様若しくは画素の輝度変化に基づいて輪郭を抽出し、仮の検査領域Taと仮の非検査領域Jaに分ける(第1輪郭取得ステップ)。
ステップS3では、仮の検査領域Taと仮の被検査領域Jaの境界線を第1輪郭R1として取得する(第1輪郭取得ステップ)。
ステップS4では、メモリ6に予め記憶されている2次元または3次元の設計用の形状データであるCADデータD1(形状データ、基準となる特徴)と第1輪郭R1を比較し、第2輪郭R2aを取得する(第2輪郭取得ステップ)。
このように、2次元または3次元の設計用の形状データであるCADデータD1を使うことにより、簡易に比較することができる。
ステップS5では、第2輪郭R2aに基づいて検査領域Trと非検査領域Jrに分ける(第2輪郭取得ステップ)。
ステップS6では、修正された第2輪郭R2aに基づく検査領域Trを機械学習のディープラーニングに基づく推論により検査し、欠陥個所を抽出する。(検査ステップ)。
ステップS2では、検査画像の模様若しくは画素の輝度変化に基づいて輪郭を抽出し、仮の検査領域Taと仮の非検査領域Jaに分ける(第1輪郭取得ステップ)。
ステップS3では、仮の検査領域Taと仮の被検査領域Jaの境界線を第1輪郭R1として取得する(第1輪郭取得ステップ)。
ステップS4では、メモリ6に予め記憶されている2次元または3次元の設計用の形状データであるCADデータD1(形状データ、基準となる特徴)と第1輪郭R1を比較し、第2輪郭R2aを取得する(第2輪郭取得ステップ)。
このように、2次元または3次元の設計用の形状データであるCADデータD1を使うことにより、簡易に比較することができる。
ステップS5では、第2輪郭R2aに基づいて検査領域Trと非検査領域Jrに分ける(第2輪郭取得ステップ)。
ステップS6では、修正された第2輪郭R2aに基づく検査領域Trを機械学習のディープラーニングに基づく推論により検査し、欠陥個所を抽出する。(検査ステップ)。
図3は、実施形態1における検査方法の動作を説明するタイムチャートである。
まず、検査画像取得ステップでは、カメラ2によりピストン5の検査画像を取得する。
なお、以下矢視A部の拡大検査画像で説明する。
つぎに、第1輪郭取得ステップでは、検査画像の模様若しくは画素の輝度変化に基づいて輪郭を抽出し、仮の検査領域Taと仮の非検査領域Jaに分け、仮の検査領域Taと仮の被検査領域Jaの境界線を、破線で示す第1輪郭R1として取得する。
なお、非検査領域Jaと欠陥Kの模様若しくは画素の輝度は、類似しているため、欠陥Kを含む領域を非検査領域Jaとして誤認識している。
このため、第2輪郭取得ステップでは、CADデータD1と第1輪郭R1を比較し、CADデータD1と第1輪郭R1間の長さが、所定長さa0以上の箇所を特定部分Q(a1>a0)として抽出する。
さらに、特定部分Qを除き、第1輪郭R1を修正して、第2輪郭R2aを取得し、第2輪郭R2aに基づいて検査画像を検査領域Trと非検査領域Jrに分ける。
検査ステップでは、修正された第2輪郭R2aに基づく検査領域Trを機械学習のディープラーニングに基づく推論により検査し、欠陥個所を抽出する。
この各ステップを検査対象の個々のピストンに対して実施する。
これにより、仮の検査領域Taと仮の非検査領域Jaの誤認識を、2次元または3次元の設計用の形状データであるCADデータD1で修正することで第2輪郭R2aを取得し、実際の検査画像に合った正確な検査領域を取得することができるので、検査対象のピストン個々の検査精度を向上することができる。
なお、以下矢視A部の拡大検査画像で説明する。
つぎに、第1輪郭取得ステップでは、検査画像の模様若しくは画素の輝度変化に基づいて輪郭を抽出し、仮の検査領域Taと仮の非検査領域Jaに分け、仮の検査領域Taと仮の被検査領域Jaの境界線を、破線で示す第1輪郭R1として取得する。
なお、非検査領域Jaと欠陥Kの模様若しくは画素の輝度は、類似しているため、欠陥Kを含む領域を非検査領域Jaとして誤認識している。
このため、第2輪郭取得ステップでは、CADデータD1と第1輪郭R1を比較し、CADデータD1と第1輪郭R1間の長さが、所定長さa0以上の箇所を特定部分Q(a1>a0)として抽出する。
さらに、特定部分Qを除き、第1輪郭R1を修正して、第2輪郭R2aを取得し、第2輪郭R2aに基づいて検査画像を検査領域Trと非検査領域Jrに分ける。
検査ステップでは、修正された第2輪郭R2aに基づく検査領域Trを機械学習のディープラーニングに基づく推論により検査し、欠陥個所を抽出する。
この各ステップを検査対象の個々のピストンに対して実施する。
これにより、仮の検査領域Taと仮の非検査領域Jaの誤認識を、2次元または3次元の設計用の形状データであるCADデータD1で修正することで第2輪郭R2aを取得し、実際の検査画像に合った正確な検査領域を取得することができるので、検査対象のピストン個々の検査精度を向上することができる。
次に、実施形態1の作用効果を説明する。
(1)検査装置1は、ピストン5の検査画像を取得する検査画像取得ステップと、仮の検査領域Taと仮の非検査領域Jaに分け、仮の検査領域Taと仮の非検査領域Jaの境界線を第1輪郭R1として取得する第1輪郭取得ステップと、メモリ6に予め記憶されている2次元または3次元の設計用の形状データであるCADデータD1と第1輪郭R1を比較し、CADデータD1と第1輪郭R1間の長さが、所定長さa0以上の箇所を特定部分Q(a1>a0)として抽出し、特定部分Qを除き、第1輪郭R1を修正して、第2輪郭R2aを取得し、第2輪郭R2aに基づいて検査画像を検査領域Trと非検査領域Jrに分ける第2輪郭取得ステップと、修正された第2輪郭R2aに基づく検査領域Trを機械学習のディープラーニングにより検査する検査ステップを有するようにした。
よって、仮の検査領域Taと仮の非検査領域Jaの誤認識を、2次元または3次元の設計用の形状データであるCADデータD1で修正することで第2輪郭R2aを取得し、機械学習のロジックを変更することなく、実際の検査画像に合った正確な検査領域を取得することができるので、検査対象のピストン個々の検査精度を向上することができる。
また,不正確な検査領域に基き良品部と欠陥部が混在していると機械学習精度向上に時間を要する。本発明であれば、正確な検査領域が得られるため良品部と欠陥部の区別が明確となり機械学習精度向上の時間が短縮できる。
よって、仮の検査領域Taと仮の非検査領域Jaの誤認識を、2次元または3次元の設計用の形状データであるCADデータD1で修正することで第2輪郭R2aを取得し、機械学習のロジックを変更することなく、実際の検査画像に合った正確な検査領域を取得することができるので、検査対象のピストン個々の検査精度を向上することができる。
また,不正確な検査領域に基き良品部と欠陥部が混在していると機械学習精度向上に時間を要する。本発明であれば、正確な検査領域が得られるため良品部と欠陥部の区別が明確となり機械学習精度向上の時間が短縮できる。
(2)メモリ6に予め記憶されている2次元または3次元の設計用の形状データであるCADデータD1と第1輪郭R1を比較するようにした。
よって、簡易に比較することができる。
よって、簡易に比較することができる。
(3)検査画像の模様若しくは画素の輝度変化に基づいて輪郭を抽出し、仮の検査領域Taと仮の非検査領域Jaに分けるようにした。
よって、実際の検査画像から仮の検査領域を、簡単に取得することができる。
よって、実際の検査画像から仮の検査領域を、簡単に取得することができる。
図4は、実施形態2における検査方法の流れを示すフローチャートである。
実施形態1では、検査画像の模様若しくは画素の輝度変化に基づいて輪郭を抽出し、仮の検査領域Taと仮の非検査領域Jaに分けるようにしていたが、実施形態2では、機械学習により取得された特徴量に基づき、仮の検査領域Taと仮の非検査領域Jaに分けるようにした。
これにより、機械学習の特徴量に基づいて得られた仮の検査領域Taと仮の非検査領域Jaの誤認識を2次元または3次元の設計用の形状データであるCADデータD1で修正することで、機械学習のロジックを変更することなく、実際の検査画像に合った正確な検査領域を取得することができるので、検査対象のピストン個々の検査精度を向上することができる。
その他の構成は、実施形態1と同じ構成であるため、同じ構成には同一符号を付して、説明は省略する。
よって、実施形態2では、実施形態1と同様の作用効果を奏する。
これにより、機械学習の特徴量に基づいて得られた仮の検査領域Taと仮の非検査領域Jaの誤認識を2次元または3次元の設計用の形状データであるCADデータD1で修正することで、機械学習のロジックを変更することなく、実際の検査画像に合った正確な検査領域を取得することができるので、検査対象のピストン個々の検査精度を向上することができる。
その他の構成は、実施形態1と同じ構成であるため、同じ構成には同一符号を付して、説明は省略する。
よって、実施形態2では、実施形態1と同様の作用効果を奏する。
図5は、実施形態3における検査方法の動作を説明するタイムチャートである。
実施形態1では、仮の検査領域Taと仮の非検査領域Jaの誤認識を、2次元または3次元の設計用の形状データであるCADデータD1で修正することで第2輪郭R2aを取得するようにしていたが、実施形態3では、仮の検査領域Taと仮の非検査領域Jaの誤認識を、良品ピストンから抽出した実物に近い寸法データ(形状データ、基準となる特徴)D2で修正することで第2輪郭R2bを取得するようにした。
これにより、検査精度をより向上することができる。
その他の構成は、実施形態1と同じ構成であるため、同じ構成には同一符号を付して、説明は省略する。
これにより、検査精度をより向上することができる。
その他の構成は、実施形態1と同じ構成であるため、同じ構成には同一符号を付して、説明は省略する。
図6は、実施形態4における第2輪郭取得ステップの動作を説明するタイムチャートである。
実施形態1では、仮の検査領域Taと仮の非検査領域Jaの誤認識を、2次元または3次元の設計用の形状データであるCADデータD1で修正することで第2輪郭R2aを取得するようにしていたが、実施形態4では、複数の点fを繋いで形成された第1輪郭R1の所定の曲率半径(基準となる特徴)r0以下の特定部分Qの最も曲率半径r1の小さい部分に対応する点fを消去し隣接する点fを繋ぎ直し、さらに、第1輪郭R1の所定の曲率半径r0以下の特定部分Qの曲率半径r1の小さい部分に対応する点fを順次消去し、隣接する点fを繋ぎ直すことを繰り返すことで第2輪郭R2cを取得するようにした。
このように、第1輪郭R1の曲率半径r1が極端に小さい特定部分Qは、誤認識である可能性が高いので、精度の高い検査領域Trとすることができる。
その他の構成は、実施形態1と同じ構成であるため、同じ構成には同一符号を付して、説明は省略する。
よって、実施形態4では、実施形態1と同様の作用効果を奏する。
このように、第1輪郭R1の曲率半径r1が極端に小さい特定部分Qは、誤認識である可能性が高いので、精度の高い検査領域Trとすることができる。
その他の構成は、実施形態1と同じ構成であるため、同じ構成には同一符号を付して、説明は省略する。
よって、実施形態4では、実施形態1と同様の作用効果を奏する。
図7は、実施形態5における検査方法の動作を説明するタイムチャートである。
実施形態1の検査方法では、第1輪郭取得ステップ、第2輪郭取得ステップ、検査ステップにより構成していたが、実施形態5では、検査画像の特徴に基づいて検査画像を第1輪郭R1により仮の検査領域Taと仮の非検査領域Jaに分ける第1ステップと、仮の検査領域Taの範囲内に仮の非検査領域Jaの第1部分Q1が存在する場合、第1部分Q1が、事前に設定され予め記憶されている所定のピクセル(所定の大きさ)、例えば、所定の直径L1よりも小さいときは、検査画像を2回収縮処理した後、2回拡張処理を行い、第1部分Q1を仮の検査領域Jaから削除して第2輪郭R2dを取得し、検査領域Trと非検査領域Jrを取得する第2ステップと、検査領域Trを検査する検査ステップから構成するようにした。
これにより、簡易にノイズ除去が可能となり、実際の検査画像に合った正確な検査領域Trを取得することができるので、検査対象のピストン個々の検査精度を向上することができる。
その他の構成は、実施形態1と同じ構成であるため、同じ構成には同一符号を付して、説明は省略する。
よって、実施形態5では、実施形態1と同様の作用効果を奏する。
これにより、簡易にノイズ除去が可能となり、実際の検査画像に合った正確な検査領域Trを取得することができるので、検査対象のピストン個々の検査精度を向上することができる。
その他の構成は、実施形態1と同じ構成であるため、同じ構成には同一符号を付して、説明は省略する。
よって、実施形態5では、実施形態1と同様の作用効果を奏する。
〔他の実施形態〕
以上、本発明を実施するための実施形態を説明したが、本発明の具体的な構成は実施形態の構成に限定されるものではなく、発明の要旨を逸脱しない範囲の設計変更等があっても本発明に含まれる。
例えば、被検査物は、ピストンに限らないし、機械学習は、ニューラルネットやディープラーニングに限らない。
また、姿勢制御部は、ロボットによりピストンの姿勢変化を行っているが、カメラの位置を変更することにより行ってもよい。さらに、姿勢制御を行わなくてもよい。
さらに、検査ステップは、機械学習ではなく、通常のルールベース(寸法基準)であってもよい。
また、所定のピクセル(所定の大きさ)は、直径に限らず、面積であってもよい。
以上、本発明を実施するための実施形態を説明したが、本発明の具体的な構成は実施形態の構成に限定されるものではなく、発明の要旨を逸脱しない範囲の設計変更等があっても本発明に含まれる。
例えば、被検査物は、ピストンに限らないし、機械学習は、ニューラルネットやディープラーニングに限らない。
また、姿勢制御部は、ロボットによりピストンの姿勢変化を行っているが、カメラの位置を変更することにより行ってもよい。さらに、姿勢制御を行わなくてもよい。
さらに、検査ステップは、機械学習ではなく、通常のルールベース(寸法基準)であってもよい。
また、所定のピクセル(所定の大きさ)は、直径に限らず、面積であってもよい。
1 検査装置、2 カメラ(検査画像取得部)、3 ロボット、4 コンピュータ、5 ピストン(被検査物)、6 メモリ、7 CPU、8 第1輪郭取得部、9 第2輪郭取得部、10 検査部、a0 所定長さ、D1 設計用のCADデータ(形状データ、基準となる特徴)、D2 良品ピストンの寸法データ(形状データ、基準となる特徴)、D3 所定の曲率半径r0(基準となる特徴)、D4 所定の大きさL0(基準となる特徴)、f 点、Q 特定部分、Q1 第1部分、R1 第1輪郭、R2a 第2輪郭、R2b 第2輪郭、R2c 第2輪郭、R2d 第2輪郭、Ta 仮の検査領域、Ja 仮の非検査領域、Tr 検査領域、Jr 非検査領域、
Claims (12)
- 被検査物の検査画像を取得する検査画像取得ステップと、
前記検査画像の特徴に基づいて前記検査画像を仮の検査領域と仮の非検査領域に分け、前記仮の検査領域と仮の非検査領域の境界線を第1輪郭として取得する第1輪郭取得ステップと、
予め記憶されている基準となる特徴と前記第1輪郭を比較し、前記基準となる特徴に対して前記第1輪郭が所定長さ以上離れている特定部分がある場合は、前記第1輪郭の前記特定部分を前記基準となる特徴で修正して第2輪郭を取得し、前記第2輪郭に基づいて前記検査画像を検査領域と非検査領域に分け、前記検査領域を検査する検査ステップと、
を有する、
ことを特徴とする検査方法。 - 請求項1に記載の検査方法において、
前記基準となる特徴は、前記被検査物について予め設定されている形状データである、
ことを特徴とする検査方法。 - 請求項2に記載の検査方法において、
前記形状データは、前記被検査物の3次元データもしくは2次元データである、
ことを特徴とする検査方法。 - 請求項2に記載の検査方法において、
前記形状データは、前記被検査物以外の基準となる被検査物から抽出した寸法データである、
ことを特徴とする検査方法。 - 請求項1に記載の検査方法において、
前記第1輪郭取得ステップは、前記検査画像の模様若しくは画素の輝度変化に基づいて前記検査画像を仮の検査領域と仮の非検査領域に分ける、
ことを特徴とする検査方法。 - 請求項5に記載の検査方法において
前記第1輪郭取得ステップは、事前に機械学習によって取得された特徴量に基づき、前記検査画像を仮の検査領域と仮の非検査領域に分ける、
ことを特徴とする検査方法。 - 請求項6に記載の検査方法において
前記機械学習はディープラーニングである
ことを特徴とする検査方法。 - 請求項1に記載の検査方法において、
前記基準となる特徴は所定の曲率半径であって、前記第1輪郭の曲線の曲率半径が前記所定の曲率半径以下の部分を有する場合に、それを前記特定部分と判断する、
ことを特徴とする検査方法。 - 請求項8に記載の検査方法において、
前記第1輪郭の曲線は複数の点を繋いで形成されており、
前記検査ステップでは、前記第1輪郭の前記特定部分の最も曲率の小さい部分に対応する点を消去し、隣接する点を繋ぎ直す修正ステップを有し、
前記修正ステップを繰り返して前記第2輪郭を取得する、
ことを特徴とする検査方法。 - 被検査物の検査装置であって、
前記被検査物の検査画像を取得する検査画像取得部と、
前記検査画像の特徴に基づいて前記検査画像を仮の検査領域と仮の非検査領域に分け、前記仮の検査領域と仮の非検査領域の境界線を第1輪郭として取得する第1輪郭取得部と、
予め記憶されている基準となる特徴と前記第1輪郭を比較し、前記基準となる特徴に対して前記第1輪郭が所定以上離れている特定部分がある場合は、前記第1輪郭の前記特定部分を前記基準となる特徴で修正して第2輪郭を取得する第2輪郭取得部と、
前記第2輪郭に基づいて前記検査画像を検査領域と非検査領域に分け、前記検査領域を検査する検査部と、
を有する、
ことを特徴とする検査装置。 - 被検査物の検査画像を取得する検査画像取得ステップと、
前記検査画像の特徴に基づいて前記検査画像を仮の検査領域と仮の非検査領域に分ける第1ステップと、
前記仮の検査領域の範囲内に前記仮の非検査領域の第1部分が存在する場合、前記第1部分が予め記憶されている所定の大きさよりも小さいときは、前記第1部分を前記仮の検査領域から削除して検査領域を取得する第2ステップと、
検査領域を検査する第3ステップと、
を有する、
ことを特徴とする検査方法。 - 請求項11に記載の検査方法において、
前記第2ステップでは、前記検査画像を収縮処理したのち、拡張処理することで前記第1部分を前記仮の検査領域から削除する、
ことを特徴とする検査方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2021183940A JP2023071276A (ja) | 2021-11-11 | 2021-11-11 | 検査方法および検査装置 |
PCT/JP2022/029623 WO2023084849A1 (ja) | 2021-11-11 | 2022-08-02 | 検査方法および検査装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2021183940A JP2023071276A (ja) | 2021-11-11 | 2021-11-11 | 検査方法および検査装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2023071276A true JP2023071276A (ja) | 2023-05-23 |
Family
ID=86335522
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2021183940A Pending JP2023071276A (ja) | 2021-11-11 | 2021-11-11 | 検査方法および検査装置 |
Country Status (2)
Country | Link |
---|---|
JP (1) | JP2023071276A (ja) |
WO (1) | WO2023084849A1 (ja) |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003149165A (ja) * | 2001-11-12 | 2003-05-21 | Sekisui Chem Co Ltd | 不良検査方法 |
JP5067677B2 (ja) * | 2010-03-17 | 2012-11-07 | コグネックス株式会社 | 欠陥検出方法、欠陥検出装置、及びプログラム |
JP5546317B2 (ja) * | 2010-03-31 | 2014-07-09 | 株式会社デンソーアイティーラボラトリ | 外観検査装置、外観検査用識別器の生成装置及び外観検査用識別器生成方法ならびに外観検査用識別器生成用コンピュータプログラム |
JP5874398B2 (ja) * | 2012-01-05 | 2016-03-02 | オムロン株式会社 | 画像検査装置の検査領域設定方法 |
JP5953842B2 (ja) * | 2012-03-14 | 2016-07-20 | オムロン株式会社 | 画像検査方法および検査領域設定方法 |
-
2021
- 2021-11-11 JP JP2021183940A patent/JP2023071276A/ja active Pending
-
2022
- 2022-08-02 WO PCT/JP2022/029623 patent/WO2023084849A1/ja unknown
Also Published As
Publication number | Publication date |
---|---|
WO2023084849A1 (ja) | 2023-05-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7004145B2 (ja) | 欠陥検査装置、欠陥検査方法、及びそのプログラム | |
EP4280153A1 (en) | Defect detection method, apparatus and system | |
TWI755613B (zh) | 基於機器學習之圖案分組方法 | |
US8331651B2 (en) | Method and apparatus for inspecting defect of pattern formed on semiconductor device | |
KR100954703B1 (ko) | 결함을 검출하는 방법 및 시스템 | |
CN107315011B (zh) | 图像处理装置、图像处理方法及存储介质 | |
JP5010207B2 (ja) | パターン検査装置及び半導体検査システム | |
JP5202110B2 (ja) | パターン形状評価方法,パターン形状評価装置,パターン形状評価データ生成装置およびそれを用いた半導体形状評価システム | |
CN112150460B (zh) | 检测方法、检测系统、设备和介质 | |
US10488371B1 (en) | Nondestructive inspection using thermoacoustic imagery and method therefor | |
US20200134384A1 (en) | Abnormality detection device | |
CN110596120A (zh) | 玻璃边界缺陷检测方法、装置、终端及存储介质 | |
CN110959114A (zh) | 缺陷检查方法及缺陷检查装置 | |
CN112200790B (zh) | 布料缺陷检测方法、设备和介质 | |
JP5726472B2 (ja) | アライメント方法及び検出装置 | |
TW201930908A (zh) | 電路板瑕疵篩選方法及其裝置與電腦可讀取記錄媒體 | |
CN113516619A (zh) | 一种基于图像处理技术的产品表面瑕疵识别方法 | |
US20110164129A1 (en) | Method and a system for creating a reference image using unknown quality patterns | |
JP3265595B2 (ja) | 画像処理方法およびその装置 | |
JP2019194549A (ja) | タイヤ金型サイドプレートの検査方法 | |
JP4597509B2 (ja) | パターン検査装置およびパターン検査方法 | |
WO2023084849A1 (ja) | 検査方法および検査装置 | |
JP4629086B2 (ja) | 画像欠陥検査方法および画像欠陥検査装置 | |
CN117011376A (zh) | 基于边缘轮廓与特征矩的工业零件综合定位方法和系统 | |
CN114529543B (zh) | 一种航空发动机外周螺钉垫片的安装检测方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20240412 |