JP3002325B2 - 表面検査装置 - Google Patents
表面検査装置Info
- Publication number
- JP3002325B2 JP3002325B2 JP4107810A JP10781092A JP3002325B2 JP 3002325 B2 JP3002325 B2 JP 3002325B2 JP 4107810 A JP4107810 A JP 4107810A JP 10781092 A JP10781092 A JP 10781092A JP 3002325 B2 JP3002325 B2 JP 3002325B2
- Authority
- JP
- Japan
- Prior art keywords
- determination
- defect
- type
- learning
- decision tree
- 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.)
- Expired - Fee Related
Links
Landscapes
- Length Measuring Devices By Optical Means (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Description
【0001】
【産業上の利用分野】本発明は、例えば鋼板やアルミニ
ウム板等の検査対象物の表面を検査して欠陥を検出する
表面検査装置に関し、更に詳しくは、欠陥の種類や等
級、すなわち程度を判定する表面検査装置に関する。
ウム板等の検査対象物の表面を検査して欠陥を検出する
表面検査装置に関し、更に詳しくは、欠陥の種類や等
級、すなわち程度を判定する表面検査装置に関する。
【0002】
【従来の技術】この種の表面検査装置は、一般に検査対
象物の表面を撮像した画像信号から欠陥の特徴量を抽出
し、この特徴量を統計的に処理したり、ディシジョンツ
リーロジックを用いて欠陥の種類および等級を判定して
いる。
象物の表面を撮像した画像信号から欠陥の特徴量を抽出
し、この特徴量を統計的に処理したり、ディシジョンツ
リーロジックを用いて欠陥の種類および等級を判定して
いる。
【0003】図8は、この種の従来の表面検査装置の構
成図である。同図において、矢印7の方向に搬送される
帯状の検査対象物5の表面を検出器1によって光電的に
走査しながら撮像し、この撮像した画像信号を特徴抽出
回路2に供給し、検査対象物5の表面の欠陥6の特徴量
を抽出する。
成図である。同図において、矢印7の方向に搬送される
帯状の検査対象物5の表面を検出器1によって光電的に
走査しながら撮像し、この撮像した画像信号を特徴抽出
回路2に供給し、検査対象物5の表面の欠陥6の特徴量
を抽出する。
【0004】特徴抽出回路2で抽出された特徴量は、デ
ィシジョンツリーロジック3およびニューラルネット4
に供給され、ディシジョンツリーロジック3においては
エキスパートの経験に基づく構成により欠陥の種類を判
定し、種類別の出力信号KD1〜KDmを出力し、また
ニューラルネット4においては欠陥の程度、すなわち等
級を判定し、等級別の出力信号GD1〜GDpを出力す
る。なお、ニューラルネット4の重みパラメータは学習
によって決定される。
ィシジョンツリーロジック3およびニューラルネット4
に供給され、ディシジョンツリーロジック3においては
エキスパートの経験に基づく構成により欠陥の種類を判
定し、種類別の出力信号KD1〜KDmを出力し、また
ニューラルネット4においては欠陥の程度、すなわち等
級を判定し、等級別の出力信号GD1〜GDpを出力す
る。なお、ニューラルネット4の重みパラメータは学習
によって決定される。
【0005】また、この種の表面検査装置として、上述
したように検査対象物の表面を撮像した画像信号から抽
出した欠陥画像の二次元的な形状の特徴量および画像の
階調に相関を持つ濃度的な特徴量からディシジョンツリ
ー方式で欠陥、すなわちきずの種類および程度を判定す
る方式のものがある。図9はこのようなディシジョンツ
リー方式を利用して、きずの種類を判定する従来の表面
検査装置の構成を示している。このような表面検査装置
では、本装置で判定した欠陥種類や等級を目視検査員に
よる目視判定結果の欠陥種類や等級と一致させる判別ア
ルゴリズムを有し、この一致率の向上を図ることが行わ
れている。
したように検査対象物の表面を撮像した画像信号から抽
出した欠陥画像の二次元的な形状の特徴量および画像の
階調に相関を持つ濃度的な特徴量からディシジョンツリ
ー方式で欠陥、すなわちきずの種類および程度を判定す
る方式のものがある。図9はこのようなディシジョンツ
リー方式を利用して、きずの種類を判定する従来の表面
検査装置の構成を示している。このような表面検査装置
では、本装置で判定した欠陥種類や等級を目視検査員に
よる目視判定結果の欠陥種類や等級と一致させる判別ア
ルゴリズムを有し、この一致率の向上を図ることが行わ
れている。
【0006】この方式は、「IF〜THEN・・・」方
式のものであり、欠陥、すなわちきずの特徴量を所定の
しきい値と比較し、その判定結果の組み合せで欠陥の種
類を決定している。これは、まず1つの判定を行い、そ
の真偽により2方向に分岐し、次の判定を行うという処
理を欠陥の種類が決定されるまで繰り返し行うものであ
る。このディシジョンツリーの構造設計は知識、経験、
ユーザの判定基準との整合等の様々な要因を加味して、
しきい値を決定している。
式のものであり、欠陥、すなわちきずの特徴量を所定の
しきい値と比較し、その判定結果の組み合せで欠陥の種
類を決定している。これは、まず1つの判定を行い、そ
の真偽により2方向に分岐し、次の判定を行うという処
理を欠陥の種類が決定されるまで繰り返し行うものであ
る。このディシジョンツリーの構造設計は知識、経験、
ユーザの判定基準との整合等の様々な要因を加味して、
しきい値を決定している。
【0007】図10は、上述したディシジョンツリー方
式による判定、学習による判定、および後述する本発明
の表面検査装置で利用している混在システムによる判定
の一致率を表したグラフであり、横軸に時間を示し、縦
軸に一致率を示しているが、時間軸はデータの採集とデ
ィシジョンツリーの設計時間を含んでいる。また、Aで
示す曲線はディシジョンツリー方式による判定を示し、
Bで示す曲線は学習による判定を示し、Cで示す曲線は
本発明の表面検査装置の混在システムによる判定を示し
ている。
式による判定、学習による判定、および後述する本発明
の表面検査装置で利用している混在システムによる判定
の一致率を表したグラフであり、横軸に時間を示し、縦
軸に一致率を示しているが、時間軸はデータの採集とデ
ィシジョンツリーの設計時間を含んでいる。また、Aで
示す曲線はディシジョンツリー方式による判定を示し、
Bで示す曲線は学習による判定を示し、Cで示す曲線は
本発明の表面検査装置の混在システムによる判定を示し
ている。
【0008】図10からわかるように、曲線Aで示すデ
ィシジョンツリー方式では、最初の立ち上がりは早い
が、ある程度まで一致率が上がると、その後更に一致率
を上げようとすることが非常に困難であり、一致率はあ
る限界を有している。これは多数ある特徴量データの値
によっては判定しづらいパターンのものが若干存在する
ためである。
ィシジョンツリー方式では、最初の立ち上がりは早い
が、ある程度まで一致率が上がると、その後更に一致率
を上げようとすることが非常に困難であり、一致率はあ
る限界を有している。これは多数ある特徴量データの値
によっては判定しづらいパターンのものが若干存在する
ためである。
【0009】曲線Bで示す学習による方式は、装置自体
に判定方法を学習させる学習機能を用いるものであり、
学習機能とは各特徴量データに対して最適な重み付けの
値を求めて、その重みの値によって判定する方法であ
る。この学習による方式は欠陥の種類および等級が多い
と、曲線Bで示すように、収束が遅く、すなわち学習時
間が長くなり、一致率が上がるまでに時間がかかる。
に判定方法を学習させる学習機能を用いるものであり、
学習機能とは各特徴量データに対して最適な重み付けの
値を求めて、その重みの値によって判定する方法であ
る。この学習による方式は欠陥の種類および等級が多い
と、曲線Bで示すように、収束が遅く、すなわち学習時
間が長くなり、一致率が上がるまでに時間がかかる。
【0010】
【発明が解決しようとする課題】上述した図8に示すよ
うな従来の表面検査装置では、学習に時間がかかるとと
もに、欠陥の程度の判定が適切に行えないという問題が
ある。また、熟練した検査員が目視で検査する場合、欠
陥の種類によって等級判定の仕方を微妙に変えている
が、上述した従来の表面検査装置にはこのような種類判
定と等級判定とを結び付ける要素がなく、適切な等級判
定を行うことができないという問題がある。
うな従来の表面検査装置では、学習に時間がかかるとと
もに、欠陥の程度の判定が適切に行えないという問題が
ある。また、熟練した検査員が目視で検査する場合、欠
陥の種類によって等級判定の仕方を微妙に変えている
が、上述した従来の表面検査装置にはこのような種類判
定と等級判定とを結び付ける要素がなく、適切な等級判
定を行うことができないという問題がある。
【0011】更に、上述したように、ディシジョンツリ
ー方式を利用したり、または学習方式を利用した従来の
表面検査装置は、一致率に限界があって、高い一致率を
達成することが困難であったり、または一致率が上昇す
るまでに時間がかかるという問題がある。
ー方式を利用したり、または学習方式を利用した従来の
表面検査装置は、一致率に限界があって、高い一致率を
達成することが困難であったり、または一致率が上昇す
るまでに時間がかかるという問題がある。
【0012】本発明は、上記に鑑みてなされたもので、
その目的とするところは、欠陥を高い信頼性をもって適
確かつ迅速に判定し得る表面検査装置を提供することに
ある。
その目的とするところは、欠陥を高い信頼性をもって適
確かつ迅速に判定し得る表面検査装置を提供することに
ある。
【0013】
【課題を解決するための手段】上記目的を達成するた
め、本発明の表面検査装置は、検査対象物の表面を撮像
する撮像手段と、該撮像手段で撮像した検査対象物の表
面の画像信号から欠陥の特徴量を抽出する特徴量抽出手
段と、この抽出された特徴量に基づいて欠陥の種類を判
定する種類判定手段と、前記特徴量および前記種類判定
手段が判定した欠陥の種類に基づいて欠陥の等級を判定
する等級判定手段とを有し、前記種類判定手段および前
記等級判定手段は、入力に応じてディシジョンツリーに
よる判定結果と学習機能による判定結果とを比較し、両
者が一致する場合には最終判定結果として採用し、両者
が異なる場合には補助学習判定を行って最終判定結果と
する判別手段を有することを要旨とする。
め、本発明の表面検査装置は、検査対象物の表面を撮像
する撮像手段と、該撮像手段で撮像した検査対象物の表
面の画像信号から欠陥の特徴量を抽出する特徴量抽出手
段と、この抽出された特徴量に基づいて欠陥の種類を判
定する種類判定手段と、前記特徴量および前記種類判定
手段が判定した欠陥の種類に基づいて欠陥の等級を判定
する等級判定手段とを有し、前記種類判定手段および前
記等級判定手段は、入力に応じてディシジョンツリーに
よる判定結果と学習機能による判定結果とを比較し、両
者が一致する場合には最終判定結果として採用し、両者
が異なる場合には補助学習判定を行って最終判定結果と
する判別手段を有することを要旨とする。
【0014】また、本発明の表面検査装置は、検査対象
物の表面を撮像した画像信号から抽出された欠陥の特徴
量および目視検査員による目視判定信号から欠陥の程度
および種類を判別するアルゴリズムを作成する機能を有
する表面検査装置であって、前記判別アルゴリズムがデ
ィシジョンツリーによる判定ロジック、学習機能による
判定ロジック、両者の結果を比較するロジック、補助学
習ロジック、および最終判定決定ロジックを有すること
を要旨とする。
物の表面を撮像した画像信号から抽出された欠陥の特徴
量および目視検査員による目視判定信号から欠陥の程度
および種類を判別するアルゴリズムを作成する機能を有
する表面検査装置であって、前記判別アルゴリズムがデ
ィシジョンツリーによる判定ロジック、学習機能による
判定ロジック、両者の結果を比較するロジック、補助学
習ロジック、および最終判定決定ロジックを有すること
を要旨とする。
【0015】
【作用】本発明の表面検査装置では、撮像手段で撮像し
た検査対象物の表面の画像信号から欠陥の特徴量を抽出
しておき、この抽出された特徴量に基づいて欠陥の種類
を判定する際に、この特徴量に対してディシジョンツリ
ーによる判定結果と学習機能による判定結果とを比較
し、両者が一致する場合には欠陥の種類の最終判定結果
として採用し、両者が異なる場合には補助学習判定を行
って欠陥の種類の最終判定結果とする。さらに、前記特
徴量および判定した欠陥の種類に基づいて欠陥の等級を
判定する際に、この特徴量および欠陥の種類に対してデ
ィシジョンツリーによる判定結果と学習機能による判定
結果とを比較し、両者が一致する場合には欠陥の等級の
最終判定結果として採用し、両者が異なる場合には補助
学習判定を行って欠陥の等級の最終判定結果とする。
た検査対象物の表面の画像信号から欠陥の特徴量を抽出
しておき、この抽出された特徴量に基づいて欠陥の種類
を判定する際に、この特徴量に対してディシジョンツリ
ーによる判定結果と学習機能による判定結果とを比較
し、両者が一致する場合には欠陥の種類の最終判定結果
として採用し、両者が異なる場合には補助学習判定を行
って欠陥の種類の最終判定結果とする。さらに、前記特
徴量および判定した欠陥の種類に基づいて欠陥の等級を
判定する際に、この特徴量および欠陥の種類に対してデ
ィシジョンツリーによる判定結果と学習機能による判定
結果とを比較し、両者が一致する場合には欠陥の等級の
最終判定結果として採用し、両者が異なる場合には補助
学習判定を行って欠陥の等級の最終判定結果とする。
【0016】また、本発明の表面検査装置では、ディシ
ジョンツリーによる判定および学習機能による判定を行
い、両者の結果を比較し、一致していればそのまま採用
し、異なっている場合には、補助学習判定を行い、その
結果を最終判定結果としている。
ジョンツリーによる判定および学習機能による判定を行
い、両者の結果を比較し、一致していればそのまま採用
し、異なっている場合には、補助学習判定を行い、その
結果を最終判定結果としている。
【0017】
【実施例】以下、図面を用いて本発明の実施例を説明す
る。
る。
【0018】図1は、本発明の一実施例に係わる表面検
査装置の構成を示す図である。同図に示す表面検査装置
は、矢印7の方向に搬送される検査対象物5の表面を検
出器1で撮像し、この撮像した画像信号を特徴抽出回路
2に供給して、検査対象物5の表面上の欠陥6の特徴量
を抽出する。
査装置の構成を示す図である。同図に示す表面検査装置
は、矢印7の方向に搬送される検査対象物5の表面を検
出器1で撮像し、この撮像した画像信号を特徴抽出回路
2に供給して、検査対象物5の表面上の欠陥6の特徴量
を抽出する。
【0019】そして、特徴抽出回路2で抽出された特徴
量は、X1〜Xnとしてディシジョンツリーロジック1
3に供給され、予め検査のエキスパートによって定めら
れたディシジョンツリーにより欠陥の種類が判定され、
出力Y1〜Ymとして出力端子KD1〜KDmから出力
されるとともに、ニューラルネット4にも供給されてい
る。
量は、X1〜Xnとしてディシジョンツリーロジック1
3に供給され、予め検査のエキスパートによって定めら
れたディシジョンツリーにより欠陥の種類が判定され、
出力Y1〜Ymとして出力端子KD1〜KDmから出力
されるとともに、ニューラルネット4にも供給されてい
る。
【0020】また、ニューラルネット4は、ディシジョ
ンツリーロジック13からの欠陥の種類を示す出力Y1
〜Ymを供給されることに加えて、前記特徴抽出回路2
で抽出された特徴量X1〜Xnも供給され、これにより
欠陥の種類の毎に欠陥の等級を判定し、出力Z1〜Zp
として出力端子GD1〜GDpから出力される。
ンツリーロジック13からの欠陥の種類を示す出力Y1
〜Ymを供給されることに加えて、前記特徴抽出回路2
で抽出された特徴量X1〜Xnも供給され、これにより
欠陥の種類の毎に欠陥の等級を判定し、出力Z1〜Zp
として出力端子GD1〜GDpから出力される。
【0021】ニューラルネット4は、複数のニューロン
からなるネットワークであり、各入力に対する重みのパ
ラメータは学習により決定される。
からなるネットワークであり、各入力に対する重みのパ
ラメータは学習により決定される。
【0022】図2は、ニューラルネット4としてフィー
ドバック機構を持たない最も単純なニューラルネットを
採用した図1に示す表面検査装置の変形例を示す図であ
る。図2において、ニューラルネット4は第1ニューロ
ン4−1から第pニューロン4−pで構成され、その各
々はディシジョンツリーロジック13からの欠陥種類の
判定出力によって発火する。
ドバック機構を持たない最も単純なニューラルネットを
採用した図1に示す表面検査装置の変形例を示す図であ
る。図2において、ニューラルネット4は第1ニューロ
ン4−1から第pニューロン4−pで構成され、その各
々はディシジョンツリーロジック13からの欠陥種類の
判定出力によって発火する。
【0023】図3は、図1および2に示す表面検査装置
に使用されているディシジョンツリーロジック13の具
体的構成を示す図である。同図に示すディシジョンツリ
ーロジック13は、「if〜then・・・」形式のロ
ジックでエキスパートの判断により欠陥の種類を形等か
ら分類するものであり、欠陥の長さHi、欠陥の幅W
i、欠陥の面積Siの大きさを判定する複数の判定ブロ
ックから構成されている。すなわち、欠陥の長さ、幅お
よび面積等のような欠陥の種類判別のイメージに近いパ
ラメータを特徴量として選択し、これらのパラメータを
エキスパートの各経験値と比較して、欠陥の種類を判定
している。
に使用されているディシジョンツリーロジック13の具
体的構成を示す図である。同図に示すディシジョンツリ
ーロジック13は、「if〜then・・・」形式のロ
ジックでエキスパートの判断により欠陥の種類を形等か
ら分類するものであり、欠陥の長さHi、欠陥の幅W
i、欠陥の面積Siの大きさを判定する複数の判定ブロ
ックから構成されている。すなわち、欠陥の長さ、幅お
よび面積等のような欠陥の種類判別のイメージに近いパ
ラメータを特徴量として選択し、これらのパラメータを
エキスパートの各経験値と比較して、欠陥の種類を判定
している。
【0024】図4は、図1に示した表面検査装置に使用
されているニューラルネット4の別の構成を示す図であ
る。このニューラルネットは、各欠陥種類毎に等級判定
を行うためのm個のニューラルネット40−1〜40−
mを有し、各ニューラルネット40−1〜40−mは特
徴抽出回路2からの特徴量X1〜Xnを入力として等級
判定を行い、グレード1からグレードpまでの信号を択
一的に出力する。
されているニューラルネット4の別の構成を示す図であ
る。このニューラルネットは、各欠陥種類毎に等級判定
を行うためのm個のニューラルネット40−1〜40−
mを有し、各ニューラルネット40−1〜40−mは特
徴抽出回路2からの特徴量X1〜Xnを入力として等級
判定を行い、グレード1からグレードpまでの信号を択
一的に出力する。
【0025】各ニューラルネット40−1〜40−pの
グレード1の各出力信号のうちの1つのみが出力スイッ
チS1で選択され、出力端子GD1から出力される。グ
レード2の各出力信号のうちの1つのみが出力スイッチ
S2で選択され、出力端子GD2から出力される。以下
同様にして、グレードpの各出力信号のうちの1つのみ
が出力スイッチSpで選択され、出力端子GDpから出
力される。
グレード1の各出力信号のうちの1つのみが出力スイッ
チS1で選択され、出力端子GD1から出力される。グ
レード2の各出力信号のうちの1つのみが出力スイッチ
S2で選択され、出力端子GD2から出力される。以下
同様にして、グレードpの各出力信号のうちの1つのみ
が出力スイッチSpで選択され、出力端子GDpから出
力される。
【0026】出力スイッチS1〜Spは、ディシジョン
ツリーロジック13からの種類判定出力信号Y1〜Ym
を受けて、その種類に対応してニューラルネット40−
1〜40−mのうちの該当するものの出力を選択するよ
うに切り替え制御される。すなわち、ディシジョンツリ
ーロジック13から種類判定出力信号Yi(i=1〜
m)を入力されると、ニューラルネット40−iの出力
が等級判定出力信号として出力端子GD1〜GDpから
出力される。
ツリーロジック13からの種類判定出力信号Y1〜Ym
を受けて、その種類に対応してニューラルネット40−
1〜40−mのうちの該当するものの出力を選択するよ
うに切り替え制御される。すなわち、ディシジョンツリ
ーロジック13から種類判定出力信号Yi(i=1〜
m)を入力されると、ニューラルネット40−iの出力
が等級判定出力信号として出力端子GD1〜GDpから
出力される。
【0027】図5は、本発明の別の実施例に係わる表面
検査装置の判定アルゴリズムを示すフローチャートであ
る。同図に示す判定アルゴリズムは、ディシジョンツリ
ーによる判定(ステップ110)と学習機能による判定
(ステップ120)とを同時に行い、両者の結果を比較
し(ステップ130)、一致していれば、その結果をそ
のまま最終判定決定として採用し(ステップ150)、
異なっている場合には、更に補助学習判定を行い(ステ
ップ140)、その結果を最終判定結果とするものであ
る。
検査装置の判定アルゴリズムを示すフローチャートであ
る。同図に示す判定アルゴリズムは、ディシジョンツリ
ーによる判定(ステップ110)と学習機能による判定
(ステップ120)とを同時に行い、両者の結果を比較
し(ステップ130)、一致していれば、その結果をそ
のまま最終判定決定として採用し(ステップ150)、
異なっている場合には、更に補助学習判定を行い(ステ
ップ140)、その結果を最終判定結果とするものであ
る。
【0028】図5に示す本実施例の表面検査装置は、上
述したように、ディシジョンツリー方式と学習方式の混
在システムとなっている。このような構成において、デ
ィシジョンツリーによる判定で誤判定となった場合と、
学習による判定で誤判定になった場合の中から、補助学
習判定によって正しい判定へと振り替えることができる
ので、それだけ一致率の向上を期待することができる。
また、学習機能を用いるには教示データ(サンプル)数
を少なくして一部欠落している場合等でも、ディシジョ
ンツリーで過去に蓄えた経験、知識でロジックを組むこ
とによりこの一部欠落を補間することができ、ディシジ
ョンツリーの利点である立ち上がりの速さを生かすこと
ができる。従って、従来に比較して、図5に示す実施例
の表面検査装置では、より速い立ち上がりとより高い一
致率を実現することができる。更に、学習機能の部分は
学習のためのデータ(特徴量と教示データ)を採集すれ
ばよいので、一度補助学習判定ロジックを作成した後
は、従来のディシジョンツリーを設計する作業量だけで
稼働することができる。
述したように、ディシジョンツリー方式と学習方式の混
在システムとなっている。このような構成において、デ
ィシジョンツリーによる判定で誤判定となった場合と、
学習による判定で誤判定になった場合の中から、補助学
習判定によって正しい判定へと振り替えることができる
ので、それだけ一致率の向上を期待することができる。
また、学習機能を用いるには教示データ(サンプル)数
を少なくして一部欠落している場合等でも、ディシジョ
ンツリーで過去に蓄えた経験、知識でロジックを組むこ
とによりこの一部欠落を補間することができ、ディシジ
ョンツリーの利点である立ち上がりの速さを生かすこと
ができる。従って、従来に比較して、図5に示す実施例
の表面検査装置では、より速い立ち上がりとより高い一
致率を実現することができる。更に、学習機能の部分は
学習のためのデータ(特徴量と教示データ)を採集すれ
ばよいので、一度補助学習判定ロジックを作成した後
は、従来のディシジョンツリーを設計する作業量だけで
稼働することができる。
【0029】図6は、本発明の更に別の実施例に係わる
表面検査装置の判定アルゴリズムを示すフローチャート
である。同図に示す判定アルゴリズムは、図5に示した
混在システムの判定アルゴリズムの処理の前にステップ
101〜105で示すようにディシジョンツリーおよび
学習処理を追加したものである。すなわち、まず、ステ
ップ101においてディシジョンツリーによる判定を行
うとともに、このディシジョンツリーによる判定の間に
オンラインでデータを採集して学習を進め(ステップ1
03)、学習が十分習熟したと判断した後に(ステップ
105)、図5で示すと同じ混在システム切り替え、上
述したようにディシジョンツリーにより判定(ステップ
110)、学習機能による判定(ステップ120)、補
助学習判定(ステップ140)を行うようにしている。
表面検査装置の判定アルゴリズムを示すフローチャート
である。同図に示す判定アルゴリズムは、図5に示した
混在システムの判定アルゴリズムの処理の前にステップ
101〜105で示すようにディシジョンツリーおよび
学習処理を追加したものである。すなわち、まず、ステ
ップ101においてディシジョンツリーによる判定を行
うとともに、このディシジョンツリーによる判定の間に
オンラインでデータを採集して学習を進め(ステップ1
03)、学習が十分習熟したと判断した後に(ステップ
105)、図5で示すと同じ混在システム切り替え、上
述したようにディシジョンツリーにより判定(ステップ
110)、学習機能による判定(ステップ120)、補
助学習判定(ステップ140)を行うようにしている。
【0030】更に詳しくは、ステップ101,110の
ディシジョンツリーによる判定は、「IF〜THEN・
・・」方式で、欠陥の特徴量を所定の値と比較し、その
判定結果の組み合せで欠陥の種類を決定する。また、ス
テップ120の学習による判定は、線形判別を基本と
し、欠陥の種類毎に線形関数を用意し、入力の特徴量デ
ータに対してその教師データである欠陥の種類の関数値
が最大となるように各関数の係数(=重み)を求める。
この求め方は統計的な判別分析の手法や神経細胞のモデ
ルとしてのバーセプトン方式等を採用する。この方式で
は第1候補の欠陥の種類および第2の候補の欠陥の種類
まで求められ、それぞれに類似度が算出される。
ディシジョンツリーによる判定は、「IF〜THEN・
・・」方式で、欠陥の特徴量を所定の値と比較し、その
判定結果の組み合せで欠陥の種類を決定する。また、ス
テップ120の学習による判定は、線形判別を基本と
し、欠陥の種類毎に線形関数を用意し、入力の特徴量デ
ータに対してその教師データである欠陥の種類の関数値
が最大となるように各関数の係数(=重み)を求める。
この求め方は統計的な判別分析の手法や神経細胞のモデ
ルとしてのバーセプトン方式等を採用する。この方式で
は第1候補の欠陥の種類および第2の候補の欠陥の種類
まで求められ、それぞれに類似度が算出される。
【0031】ステップ140における補助学習判定は、
ステップ110および120の各判定結果に基づいて次
に図7で示すように最終判定を決定する。
ステップ110および120の各判定結果に基づいて次
に図7で示すように最終判定を決定する。
【0032】図7に示す補助学習判定処理について説明
する。図6のステップ110におけるディシジョンツリ
ーにより判定の結果を欠陥種類iと判定し、ステップ1
20における学習機能により判定の結果を欠陥種類j
(第1候補の欠陥種類)と判定したとすると、両者が不
一致であると(ステップ130)、ディシジョンツリー
により判定結果である欠陥種類iと学習による判定結果
である欠陥種類の第2候補kとを比較する(ステップ2
10)。ディシジョンツリーによる判定と学習による判
定の第2候補が一致する場合には、学習による判定の第
1候補jの類似度αと第2候補kの類似度βとを比較
し、大差がないか否かを判定する(ステップ220)。
この比較判定は、0と1との間の定数x(0<x<1)
を類似度αに掛けたものが類似度βより小さいか否かを
判定することにより行い、大差がない場合には、欠陥種
類iを最終判定としている(ステップ230)。
する。図6のステップ110におけるディシジョンツリ
ーにより判定の結果を欠陥種類iと判定し、ステップ1
20における学習機能により判定の結果を欠陥種類j
(第1候補の欠陥種類)と判定したとすると、両者が不
一致であると(ステップ130)、ディシジョンツリー
により判定結果である欠陥種類iと学習による判定結果
である欠陥種類の第2候補kとを比較する(ステップ2
10)。ディシジョンツリーによる判定と学習による判
定の第2候補が一致する場合には、学習による判定の第
1候補jの類似度αと第2候補kの類似度βとを比較
し、大差がないか否かを判定する(ステップ220)。
この比較判定は、0と1との間の定数x(0<x<1)
を類似度αに掛けたものが類似度βより小さいか否かを
判定することにより行い、大差がない場合には、欠陥種
類iを最終判定としている(ステップ230)。
【0033】大差がある場合には、ディシジョンツリー
により判定結果である欠陥種類iと学習による判定結果
の第1候補である欠陥種類jの2種だけを対象に行った
学習による判定(補助学習)を行い(ステップ240,
250)、その結果により最終判定の欠陥種類を決定す
る(ステップ260,270)。
により判定結果である欠陥種類iと学習による判定結果
の第1候補である欠陥種類jの2種だけを対象に行った
学習による判定(補助学習)を行い(ステップ240,
250)、その結果により最終判定の欠陥種類を決定す
る(ステップ260,270)。
【0034】上述した実施例においては、ステップ10
3において学習データを採取している間もステップ10
1で示すようにディシジョンツリーの判別を行っている
ので、混在システムよりは若干一致率が劣るものの初期
の立ち上がりが良い。また、ステップ102として判定
決定される学習データの採取中の判定も比較的良い判定
結果を出すことが期待できる。そして、学習が十分習熟
した後に混在システムに切り替えることにより、図10
の曲線Cで示すように更に一致率を向上させることがで
きる。このシステムでは、従来のディシジョンツリーと
同じ作業時間でシステムを立ち上げることができ、全体
としても高い一致率を上げることができる。
3において学習データを採取している間もステップ10
1で示すようにディシジョンツリーの判別を行っている
ので、混在システムよりは若干一致率が劣るものの初期
の立ち上がりが良い。また、ステップ102として判定
決定される学習データの採取中の判定も比較的良い判定
結果を出すことが期待できる。そして、学習が十分習熟
した後に混在システムに切り替えることにより、図10
の曲線Cで示すように更に一致率を向上させることがで
きる。このシステムでは、従来のディシジョンツリーと
同じ作業時間でシステムを立ち上げることができ、全体
としても高い一致率を上げることができる。
【0035】
【発明の効果】以上説明したように、本発明によれば、
撮像手段で撮像した検査対象物の表面の画像信号から欠
陥の特徴量を抽出しておき、この抽出された特徴量に基
づいて欠陥の種類を判定する際に、この特徴量に対して
ディシジョンツリーによる判定結果と学習機能による判
定結果とを比較し、両者が一致する場合には欠陥の種類
の最終判定結果として採用し、両者が異なる場合には補
助学習判定を行って欠陥の種類の最終判定結果とする。
さらに、前記特徴量および判定した欠陥の種類に基づい
て欠陥の等級を判定する際に、この特徴量および欠陥の
種類に対してディシジョンツリーによる判定結果と学習
機能による判定結果とを比較し、両者が一致する場合に
は欠陥の等級の最終判定結果として採用し、両者が異な
る場合には補助学習判定を行って欠陥の等級の最終判定
結果とするので、欠陥の種類毎に異なる基準で等級判定
を行うことができるとともに、学習の収束も速く、加え
て、より速い立ち上がりとより高い一致率を実現するこ
とができる。
撮像手段で撮像した検査対象物の表面の画像信号から欠
陥の特徴量を抽出しておき、この抽出された特徴量に基
づいて欠陥の種類を判定する際に、この特徴量に対して
ディシジョンツリーによる判定結果と学習機能による判
定結果とを比較し、両者が一致する場合には欠陥の種類
の最終判定結果として採用し、両者が異なる場合には補
助学習判定を行って欠陥の種類の最終判定結果とする。
さらに、前記特徴量および判定した欠陥の種類に基づい
て欠陥の等級を判定する際に、この特徴量および欠陥の
種類に対してディシジョンツリーによる判定結果と学習
機能による判定結果とを比較し、両者が一致する場合に
は欠陥の等級の最終判定結果として採用し、両者が異な
る場合には補助学習判定を行って欠陥の等級の最終判定
結果とするので、欠陥の種類毎に異なる基準で等級判定
を行うことができるとともに、学習の収束も速く、加え
て、より速い立ち上がりとより高い一致率を実現するこ
とができる。
【0036】また、本発明によれば、ディシジョンツリ
ーによる判定および学習機能による判定を行い、両者の
結果を比較し、一致していればそのまま採用し、異なっ
ている場合には、補助学習判定を行い、その結果を最終
判定結果としているので、ディシジョンツリーによる判
定により一致率の立ち上がりを速くすることができると
ともに、学習による判定により一致率の向上を高くする
ことができる。
ーによる判定および学習機能による判定を行い、両者の
結果を比較し、一致していればそのまま採用し、異なっ
ている場合には、補助学習判定を行い、その結果を最終
判定結果としているので、ディシジョンツリーによる判
定により一致率の立ち上がりを速くすることができると
ともに、学習による判定により一致率の向上を高くする
ことができる。
【図1】本発明の一実施例に係わる表面検査装置の構成
を示す図である。
を示す図である。
【図2】図1の表面検査装置に使用されているニューラ
ルネットとしてフィードバック機構を持たない最も単純
なニューラルネットを採用した図1に示す表面検査装置
の変形例を示す図である。
ルネットとしてフィードバック機構を持たない最も単純
なニューラルネットを採用した図1に示す表面検査装置
の変形例を示す図である。
【図3】図1および2に示す表面検査装置に使用されて
いるディシジョンツリーロジックの具体的構成を示す図
である。
いるディシジョンツリーロジックの具体的構成を示す図
である。
【図4】図1に示した表面検査装置に使用されているニ
ューラルネットの別の構成を示す図である。
ューラルネットの別の構成を示す図である。
【図5】本発明の別の実施例に係わる表面検査装置の判
定アルゴリズムを示すフローチャートである。
定アルゴリズムを示すフローチャートである。
【図6】本発明の更に別の実施例に係わる表面検査装置
の判定アルゴリズムを示すフローチャートである。
の判定アルゴリズムを示すフローチャートである。
【図7】図6,7に示した表面検査装置の判定アルゴリ
ズムにおける補助学習判定処理を示すフローチャートで
ある。
ズムにおける補助学習判定処理を示すフローチャートで
ある。
【図8】従来の表面検査装置の構成図である。
【図9】ディシジョンツリーによる判定を利用した従来
の表面検査装置の構成図である。
の表面検査装置の構成図である。
【図10】従来のディシジョンツリーにより判別アルゴ
リズム、学習機能を用いた判別アルゴリズム、および本
発明の表面検査装置の判別アルゴリズムにおける一致率
を示すグラフである。
リズム、学習機能を用いた判別アルゴリズム、および本
発明の表面検査装置の判別アルゴリズムにおける一致率
を示すグラフである。
1 検出器 2 特徴抽出回路 4 ニューラルネット 13 ディシジョンツリーロジック
───────────────────────────────────────────────────── フロントページの続き (56)参考文献 特開 平4−142412(JP,A) (58)調査した分野(Int.Cl.7,DB名) G01N 21/88 G01N 21/89 G01B 11/30 G06T 7/00
Claims (2)
- 【請求項1】 検査対象物の表面を撮像する撮像手段
と、 該撮像手段で撮像した検査対象物の表面の画像信号から
欠陥の特徴量を抽出する特徴量抽出手段と、 この抽出された特徴量に基づいて欠陥の種類を判定する
種類判定手段と、 前記特徴量および前記種類判定手段が判定した欠陥の種
類に基づいて欠陥の等級を判定する等級判定手段とを有
し、 前記種類判定手段および前記等級判定手段は、 入力に応じてディシジョンツリーによる判定結果と学習
機能による判定結果とを比較し、両者が一致する場合に
は最終判定結果として採用し、両者が異なる場合には補
助学習判定を行って最終判定結果とする判別手段を 有す
ることを特徴とする表面検査装置。 - 【請求項2】 検査対象物の表面を撮像した画像信号か
ら抽出された欠陥の特徴量および目視検査員による目視
判定信号から欠陥の程度および種類を判別するアルゴリ
ズムを作成する機能を有する表面検査装置であって、前
記判別アルゴリズムがディシジョンツリーによる判定ロ
ジック、学習機能による判定ロジック、両者の結果を比
較するロジック、補助学習ロジック、および最終判定決
定ロジックを有することを特徴とする表面検査装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP4107810A JP3002325B2 (ja) | 1992-04-27 | 1992-04-27 | 表面検査装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP4107810A JP3002325B2 (ja) | 1992-04-27 | 1992-04-27 | 表面検査装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
JPH05302897A JPH05302897A (ja) | 1993-11-16 |
JP3002325B2 true JP3002325B2 (ja) | 2000-01-24 |
Family
ID=14468615
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP4107810A Expired - Fee Related JP3002325B2 (ja) | 1992-04-27 | 1992-04-27 | 表面検査装置 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP3002325B2 (ja) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022158628A1 (ko) * | 2021-01-20 | 2022-07-28 | 주식회사 솔루션에이 | 머신러닝 모델에 기반한 디스플레이 패널의 결함 판정 시스템 |
WO2022250190A1 (ko) * | 2021-05-27 | 2022-12-01 | 주식회사 솔루션에이 | 딥러닝 모델을 이용한 영상검사 대상체의 결함 판정시스템 |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5563702A (en) * | 1991-08-22 | 1996-10-08 | Kla Instruments Corporation | Automated photomask inspection apparatus and method |
JP3982646B2 (ja) * | 1997-04-28 | 2007-09-26 | 財団法人くまもとテクノ産業財団 | 画像識別装置および方法および画像識別装置を備えた画像検出識別装置ならびに画像識別用プログラムを記録した媒体 |
JP2004354250A (ja) * | 2003-05-29 | 2004-12-16 | Nidek Co Ltd | 欠陥検査装置 |
JP6568664B2 (ja) * | 2017-06-29 | 2019-08-28 | 住友化学株式会社 | 特異部検知システム及び特異部検知方法 |
JP6960784B2 (ja) * | 2017-07-06 | 2021-11-05 | 日本放送協会 | ニューラルネットワーク、符号化装置、復号装置、学習方法、制御方法、およびプログラム |
JP6795472B2 (ja) * | 2017-08-28 | 2020-12-02 | ファナック株式会社 | 機械学習装置、機械学習システム及び機械学習方法 |
JP6955211B2 (ja) * | 2017-12-14 | 2021-10-27 | オムロン株式会社 | 識別装置、識別方法及びプログラム |
CN116368375A (zh) * | 2020-12-15 | 2023-06-30 | Agc株式会社 | 缺陷检查装置、缺陷检查方法以及制造方法 |
-
1992
- 1992-04-27 JP JP4107810A patent/JP3002325B2/ja not_active Expired - Fee Related
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022158628A1 (ko) * | 2021-01-20 | 2022-07-28 | 주식회사 솔루션에이 | 머신러닝 모델에 기반한 디스플레이 패널의 결함 판정 시스템 |
WO2022250190A1 (ko) * | 2021-05-27 | 2022-12-01 | 주식회사 솔루션에이 | 딥러닝 모델을 이용한 영상검사 대상체의 결함 판정시스템 |
Also Published As
Publication number | Publication date |
---|---|
JPH05302897A (ja) | 1993-11-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111784633B (zh) | 一种面向电力巡检视频的绝缘子缺损自动检测算法 | |
CN106886216B (zh) | 基于rgbd人脸检测的机器人自动跟踪方法和系统 | |
CN112036755B (zh) | 一种建筑工程质量检测的监管方法及系统 | |
US20050141766A1 (en) | Method, system and program for searching area considered to be face image | |
JPH05209821A (ja) | 粒子判定装置 | |
CN110890102A (zh) | 一种基于rnn声纹识别的发动机缺陷检测算法 | |
JP3002325B2 (ja) | 表面検査装置 | |
CN110942450A (zh) | 一种基于深度学习的多生产流水线实时缺陷检测方法 | |
Puno et al. | Quality Assessment of Mangoes using Convolutional Neural Network | |
US6694054B1 (en) | Pattern recognition process | |
JP3594477B2 (ja) | 異音検査装置 | |
Alejandro et al. | Grading and sorting of Carabao mangoes using probabilistic neural network | |
Jacobsen et al. | A comparison between neural networks and decision trees | |
Xu et al. | Fiber-image analysis part I: Fiber-image enhancement | |
CN117237736A (zh) | 一种基于机器视觉和深度学习的大曲质量检测方法 | |
CN111582440A (zh) | 一种基于深度学习的数据处理方法 | |
JP4109742B2 (ja) | 部分放電自動判別方法 | |
CN113554592A (zh) | 一种图像差异检测方法和装置 | |
CN113657315A (zh) | 人脸图像的质量筛选方法、装置、设备及存储介质 | |
CN112215355A (zh) | 神经网络模型优化系统及方法 | |
Esmaili et al. | An enhancement to polypyrrole/chloride ion sensor performance | |
Bishop et al. | Real time invariant grey level image processing using digital neural networks | |
CN117474915B (zh) | 一种异常检测方法、电子设备及存储介质 | |
CN112087272B (zh) | 一种电磁频谱监测接收机信号自动检测方法 | |
CN111291624B (zh) | 一种挖掘机目标识别方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
LAPS | Cancellation because of no payment of annual fees |