JP4610364B2 - 良否判定装置、良否判定方法および良否判定プログラム - Google Patents

Description

本発明は、良否判定装置、良否判定方法および良否判定プログラムに関する。

従来、この種の良否判定装置として、サンプルから多数のパラメータを取得し、同パラメータから算出された判別関数を利用して良否判定を行うもの知られている。（例えば、特許文献１、参照。）。
かかる構成によれば、パラメータ空間において、良否のカテゴリーを判別関数によって分離させた上で良否判定の閾値を設定することができるため、誤判定の少ない良否判定を実現することが可能であった。
特開２００４−０８５２１６号公報

しかしながら、上述した良否判定装置において、良否のカテゴリーに複数の集団がある場合に、画一的な閾値を設定することができないという課題があった。すなわち、良否のカテゴリーに複数のモードが混在する場合、判別関数を適用したとしても良否のカテゴリーが入り組んで分布することがあり、単一の閾値では良否のカテゴリーの分布を区切ることができないという問題があった。
本発明は、上記課題にかんがみてなされたもので、複数のモードが混在する場合でも精度よく良否判定を行うことができる良否判定装置、良否判定方法および良否判定プログラムの提供を目的とする。

上記目的を達成するため、本発明では、複数のサンプルおよび検査対象からそれぞれ１以上のパラメータを取得するパラメータ取得手段と、パラメータ空間内において上記サンプルに対応し、共通する良否属性を有する複数の要素によって構成された複数のグループの位置と、同パラメータ空間における上記検査対象に対応する要素の位置に基づいて当該検査対象の良否を判定する良否判定手段と、上記パラメータ空間における上記サンプルに対応する要素と上記グループの相対位置が所定の条件を満足するとき新たな上記グループを作成するグループ作成手段とを具備する構成としてある。

上記の構成において、パラメータ取得手段が複数のサンプルおよび検査対象からそれぞれ１以上のパラメータを取得する。パラメータ空間内において、上記サンプルに対応し、良否属性が共通する複数の要素によって構成された複数のグループが設けられる。上記サンプルは、予め良否属性が判明しているため、その良否属性に応じて、良否のグループを定義することができる。

良否判定手段は、上記パラメータ空間における上記グループと上記検査対象に対応する要素の相対位置に基づいて良否判定を行う。例えば、上記検査対象に対応する要素と、属性が良の上記グループとが上記パラメータ空間において近い場合には、当該検査対象は良であると判定できる。反対に、上記検査対象に対応する要素と、属性が否の上記グループとが上記パラメータ空間において近い場合には、当該検査対象は否であると判定できる。

さらに、グループ作成手段は、上記パラメータ空間内における上記サンプルに対応する要素と上記グループの相対位置が所定の条件を満足するとき新たな上記グループを作成する。すなわち、上記パラメータ空間における上記サンプルに対応する要素と上記グループの相対位置を調査し、新たなグループを作成する必要があると判断された場合には、新たなグループを作成する。すなわち、上記パラメータ空間における上記要素の分布傾向に基づいて新たなグループを作成し、上記良否判定手段による良否判定に反映させることができる。上記パラメータ空間における上記要素の分布傾向に基づいて新たなグループを作成することができるため、不良モードの把握等の煩雑な作業を予め行わなくてもグループの細分化を実現することができる。むろん、細分化されたグループを利用して上記良否判定手段が良否判定を行うため、精度のよい良否判定を実現することができる。

さらに、上記グループ作成手段は、上記グループの上記パラメータ空間における中心値を算出する中心値算出手段と、上記パラメータ空間における上記中心値と上記要素との距離を算出する距離算出手段と、良否属性が共通する上記グループの上記中心値に対する上記距離である同属距離が、良否属性が共通しない上記グループの上記中心値に対する上記距離である異属距離よりも大きくなる上記要素を検出する検出手段とを具備するとともに、上記検出手段にて検出された上記要素が属し、当該要素と良否属性が共通する上記要素で構成される新たなグループを作成する構成としてある。

上記の構成において、中心値算出手段は、複数の上記グループの中心値をそれぞれ算出する。距離算出手段は、上記パラメータ空間における上記中心値と上記要素との距離を算出する。検出手段は、良否属性が共通する上記グループの上記中心値に対する上記距離である同属距離が、良否属性が共通しない上記グループの上記中心値に対する上記距離である異属距離よりも大きくなる上記要素を検出する。そして、上記同属距離が上記異属距離よりも大きい上記要素が検出されると、グループ作成手段は、当該要素が属するとともに、当該要素と属性が共通する上記要素で構成される新たなグループを作成する。

新たなグループが作成されると、上記中心値算出手段と上記距離算出手段は、同新たなグループについての上記中心値と上記距離を算出することとなる。さらに、上記良否判定手段は、新たなグループについての上記中心値と上記距離も考慮に入れて、上記同距離が最も小さくなる上記グループを検出することができる。すなわち、新たなグループを反映させて良否判定を行うことができる。これにより、グループを細分化し、精度よく良否判定を行うことができる。

また、上記良否判定手段は、上記グループの上記パラメータ空間における中心値を算出する中心値算出手段と、上記パラメータ空間における上記中心値と上記要素との距離を算出する距離算出手段を具備するとともに、上記検査対象に対応する要素の上記距離が最も小さくなる上記グループの良否属性に基づいて当該検査対象の良否を判定する構成としてある。

上記の構成において、上記検査対象に対応する要素についての上記距離を取得し、同距離が最も小さくなる上記グループを検出する。そして、同検出された上記グループの良否属性に基づいて上記検査対象の良否を判定する。すなわち、上記パラメータ空間において、上記検査対象に対応する要素と最も近い上記グループの良否属性によって、当該検査対象の良否を判定する。最も近い上記グループと似たようなパラメータ特性を上記検査対象物が有していると判断することができ、上記検査対象物と最も近い上記グループの良否属性が共通するということができるからである。

さらに、上記良否判定手段は、上記グループの上記パラメータ空間における中心値を算出する中心値算出手段と、上記パラメータ空間における上記中心値と上記要素との距離を算出する距離算出手段を具備するとともに、上記検査対象に対応する要素の属性が良の上記グループに対する上記距離が所定の閾値よりも大きくなるとき当該検査対象が否であると判定する構成としてある。

上記の構成において、上記検査対象に対応する要素の属性が良の上記グループに対する上記距離が所定の閾値よりも大きいことをもって、当該検査対象が不良であると判定する。すなわち、上記良否判定手段において、上記検査対象に対応する要素の属性が良の上記グループに対する上記距離のみに基づいて良否判定を行うため、処理の負担を軽減することができる。

また、上記グループを作成手段は、上記同属距離が、上記異属距離の基準値Ｔｈ（０＜Ｔｈ＜１）倍よりも大きい要素が検出されたとき新たなグループを作成する構成としてある。

上記の構成において、上記同属距離が、上記異属距離の所定倍よりも大きい場合に、上記グループを作成手段が新たなグループを作成する。すなわち、基準値Ｔｈを増減させることにより、上記グループを作成手段が新たなグループを作成するための条件を調整することができる。なお、上記基準値Ｔｈを小さくすることにより、上記同属距離の値が小さくても新たなグループが作成されるようになる。

さらに、上記距離算出手段は、上記グループの上記中心値に対する上記要素のユークリッド距離に対して当該グループに対応した重み係数を乗算した値を上記距離として算出する構成としてある。

上記の構成において、上記距離算出手段が上記グループの上記中心値と上記要素との上記距離を算出するにあたり、まず、上記中心値と上記要素とのユークリッド距離が算出される。そして、上記ユークリッド距離に当該グループに対応した重み係数を乗算した値を上記距離として算出する。すなわち、上記距離には対応する上記グループごとに重み付けが行われるため、上記グループごとの広がりに差がある場合でも上記距離を相対的に比較することが可能となる。

さらに、上記グループ作成手段は、上記新たなグループに取り込んだ要素について、同新たなグループの上記中心値に対する上記距離である同属距離が、同新たなグループとは良否属性が共通しない上記グループの上記中心値に対する上記距離である異属距離よりも小さいことを検証する構成としてある。

上記の構成において、新たな上記要素を当該新たなグループに取り込むことにより、同新たなグループを拡大し、統計的信頼性を向上させることができる。また、上記新たなグループに取り込んだ上記要素についての同属距離が、同新たなグループとは良否属性が共通しない上記グループの上記中心値に対する異属距離よりも小さいことが保証される。従って、上記新たなグループに取り込んだ要素が、上記検出手段にて検出されることはなく、再度当該要素について新たなグループが作成されることが防止できる。

また、本発明の思想としては各種の態様を含むものであり、ソフトウェアであったりハ−ドウェアであったりするなど、適宜変更可能である。発明の思想の具現化例として良否判定装置を制御するソフトウェアとなる場合には、当該ハ−ドウェアやソフトウェアの記録媒体としても発明は成立する。また、上述した手法は、かかる装置を実現する方法としても適用可能であり、請求項６にかかる発明においても、基本的には同様の作用となる。また、請求項７にかかる発明のように、良否判定装置が具備する各手段を実現可能にするプログラムであってもよい。むろん、そのソフトウェアの記録媒体は、磁気記録媒体であってもよいし、光磁気記録媒体であってもよいし、今後開発されるいかなる記録媒体においても全く同様に考えることができる。

また、一次複製品、二次複製品等の複製段階については全く問う余地も無く同様である。その他、供給方法として通信回線を利用して行う場合でも本発明が利用されていることには変わりはないし、半導体チップに書き込まれたようなものであっても同様である。さらに、一部がソフトウェアであって、一部がハ−ドウェアで実現されている場合においても発明の思想において全く異なるものではなく、一部を記録媒体上に記録しておいて必要に応じて適宜読み込まれているような形態のものでもよい。むろん、請求項２〜請求項５に記載された構成を請求項６，７の方法とプログラムに対応させることも可能である。

以上説明したように、請求項１、請求項６および請求項７にかかる発明によれば、誤判定が防止しつつ複数のモードが混在する場合でも精度よく良否判定を行うことができる良否判定装置、良否判定方法および良否判定プログラムを提供することができる。
請求項２にかかる発明によれば、各モードのパラメータの分布が入り組んだ場合でも精度よく良否判定を行うことができる。
請求項３にかかる発明によれば、簡易な処理で良否判定を行うことができる。

請求項４にかかる発明によれば、グループ作成条件を調整することができる。
請求項５にかかる発明によれば、異なるグループの中心値に対する距離を比較することができる。

以下、下記の順序に従って本発明の実施形態を説明する。
（１）良否判定装置の構成：
（２）サンプルデータ登録処理：
（３）グループ作成処理：
（４）良否判定処理：
（５）変形例：

（１）良否判定装置の構成：
図１は、本発明にかかる良否判定装置の構成を示している。同図において、良否判定装置１０は、相互に接続された撮像ユニット２０とコンピュータ３０とから構成されている。撮像ユニット２０は検査対象物の実装基板５０を撮像して撮像イメージを生成し、同撮像イメージをコンピュータ３０に出力する。コンピュータ３０は撮像イメージを入力し、同撮像イメージを解析することにより、撮像を行った実装基板５０の良否を判定する。図１において、撮像ユニット２０は、実装基板５０が一定位置に載置されるとともに、コントローラ２１の指令に基づいてＸ−Ｙ（水平）方向に移動可能なＸ−Ｙステージ２３を備えている。カメラ２２は、所定の光学レンズからなる光学系２２ａを鉛直下方に配向させており、鉛直下方の像を入力することが可能となっている。カメラ２２の内部にはＣＣＤ撮像板２２ｂが備えられており、光学系２２ａは鉛直下方の像をＣＣＤ撮像板２２ｂに結像することが可能となっている。

ＣＣＤ撮像板２２ｂはドットマトリックス状に配列された複数のＣＣＤ撮像素子で構成されている。ＣＣＤ撮像素子は、それぞれ入力した光に応じて電荷を発生させる光電素子であるとともに、同発生した電荷を一時的に記憶する。そして、ＣＣＤ撮像素子にて生成した電荷をデジタル信号に変換しつつ、順次コントローラ２１に転送する。コントローラ２１は、転送された上記デジタル信号をＣＣＤ撮像板２２ｂにおけるＣＣＤ撮像素子の個々のアドレスに対応づけながら画像メモリ（ＶＲＡＭ）２１ａに蓄積する。すなわち、ＶＲＡＭ２１ａにおいてＣＣＤ撮像素子に対応する画素ごとに上記デジタル信号の階調を有する画像データが生成される。なお、本実施形態において、上記デジタル信号はＣＣＤ撮像素子に入力された光の輝度を表現するものとする。すなわち、画素ごとに輝度値を有する画像データがＶＲＡＭ２１ａにおいて記憶される。

上記のようにしてＶＲＡＭ２１ａに記憶された画像データはコンピュータ３０に対して出力される。また、カメラ２２にて撮像を行うごとにＶＲＡＭ２１ａには新たな画像データが記憶される。コントローラ２１は、Ｘ−Ｙステージ２３に対して駆動信号を出力しており、同駆動信号に応じてＸ−Ｙステージ２３が水平方向に駆動される。むろん、Ｘ−Ｙステージ２３上の一定位置に載置された実装基板５０も水平移動することとなる。このようにすることにより、カメラ２２を移動させることなく、実装基板５０上のあらゆる位置にカメラ２２の視野を移動させることが可能となる。なお、カメラ２２にて撮像する際には、Ｘ−Ｙステージ２３が停止するため、静止画像が撮像されることとなる。

Ｘ−Ｙステージ２３から所定量上方にリングライト２４ａが保持されている。リングライト２４は発光素子としてＬＥＤを具備している。このＬＥＤは円環状に形成されており、その中心位置が上方視においてカメラ２２の光学系２２ａの中心位置と一致させられている。すなわち、リングライト２４はカメラ２２の視野を外側から一定の角度で照射することが可能となっている。これにより、実装基板５０のリングライト２４による反射像をカメラ２２にて撮像した２次元の画像データを生成することができる。なお、リングライト２４ａは図示のように一段ではなく径の異なるリングライトを上下に複数配置し、照明角度の異なる画像データを生成するようにしてもよい。また、カメラ２２にて撮像した画像データを撮像イメージというものとする。

図２は、コンピュータ３０の内部構成をブロック図により示している。同図において、コンピュータ３０は、主要な構成としてＣＰＵ３１とＲＡＭ３２とビデオメモリ（ＶＲＡＭ）３３とハードディスク（ＨＤＤ）３４を備えている。ＣＰＵ３１は、ＨＤＤ３４に記憶されたオペレーティングシステム（Ｏ／Ｓ）３４ａや良否判定プログラム３４ｂ等に基づいた処理を実行させる演算装置であり、同処理を実行する際にＲＡＭ３２をワークエリアとして使用する。ＶＲＡＭ３３は、画像データを記憶するために特化したメモリであり、撮像イメージ３３ａが記憶される。なお、撮像イメージ３３ａは、コントローラ２１のＶＲＡＭ２１ａから転送された画像データである。

その他の構成として、コンピュータ３０にはビデオインターフェイス（Ｉ／Ｆ）３５と入力インターフェイス（Ｉ／Ｆ）３７とＩ／Ｏ３９が備えられている。ビデオＩ／Ｆ３５にはディスプレイ３６が接続され、入力Ｉ／Ｆ３７にはキーボード３８ａおよびマウス３８ｂが接続され、Ｉ／Ｏ３９には撮像ユニット２０のコントローラ２１が接続されている。Ｉ／Ｏ３９は、コントローラ２１に対してＸ−Ｙステージ２３を駆動させるための信号や、カメラ２２にて撮像を実行させるための信号等を出力するとともに、コントローラ２１から撮像イメージの入力を受け付けている。

図３は、コンピュータ３０にて実現されるソフトウェアの構成とデータの流れを示している。ＣＰＵ３１およびＲＡＭ３２にて、Ｏ／Ｓ３４ａと良否判定プログラム３４ｂとが実行されており、そのモジュール構成が示されている。良否判定プログラムＭは、撮像実行部Ｍ１と撮像イメージ取得部Ｍ２とパラメータ算出部Ｍ３と中心値算出部Ｍ４と距離算出部Ｍ５と検出部Ｍ６とグループ作成部Ｍ７と良否判定部Ｍ８を有している。

撮像実行部Ｍ１は、ＨＤＤ３４に記憶された基板データ３４ｃを取得し、同基板データ３４ｃに基づいて撮像ユニット２０に撮像を実行させる。具体的に説明すると、基板データ３４ｃには、実装基板５０の大きさや実装された部品の位置や大きさや形状や個数といった情報が格納されており、これらの情報に基づいてＸ−Ｙステージ２３を駆動させる。従って、実装基板５０上における所望の位置にカメラ２２の視野を動かすことができ、実装基板５０上における所望の位置について良否判定を実行することができる。

撮像イメージ取得部Ｍ２は、コントローラ２１から撮像イメージを入力し、ＶＲＡＭ３３に撮像イメージ３３ａを記憶させる。パラメータ算出部Ｍ３は撮像イメージ３３ａを入力し、撮像イメージ３３ａから複数のパラメータを算出する。ここで、パラメータとは撮像イメージ３３ａにおいて、はんだが撮像された画素領域から得られる特徴値であり、例えば平均輝度や最大輝度や最小輝度やエッジ数等のような値である。むろん、これらに限られるものではない。本実施形態において、パラメータはｈ（ｈは正の整数）種類用意されるものとする。なお、各パラメータの値をパラメータ値ｐ_k（ｋは０からｈまでの整数）と表記するものとする。

また、パラメータ算出部Ｍ３は、カメラ２２の視野のどの位置にはんだが配置されているかという位置情報を基板データ３４ｃから取得するため、はんだに対応する画素領域について画素データを抽出し、パラメータ値ｐ_k算出することができる。パラメータ算出部Ｍ３が算出したパラメータ値ｐ_kは、ＨＤＤ３４に割り当てられたサンプルデータテーブル３４ｄに格納される。図４は、サンプルデータテーブル３４ｄを示している。同サンプルデータごとに良／否が識別されている。この良否属性は、使用者によってキーボード３８ａやマウス３８ｂを介して入力される。

中心値算出部Ｍ４は、サンプルデータテーブル３４ｄから各グループの要素に対応したパラメータ値ｐ_kを取得し、このパラメータ値ｐ_kの中心値を算出する。そして、距離算出部Ｍ５は、この中心値と各パラメータ値ｐ_kとのユークリッド距離を算出する。検出部Ｍ６は、中心値と距離を入力し、同距離が所定条件を満足する要素を検出する。そして、同要素が検出された場合にグループ作成部Ｍ７が新たなグループを作成する。さらに、ユークリッド距離に対して重み付け係数α乗算することにより距離を算出する。

良否判定部Ｍ８は、距離算出部Ｍ５が算出した距離に基づいて、検査対象のはんだから取得されたパラメータ値ｐ_kと中心値の距離が最も近いグループを検出する。そして、検査対象から取得されたパラメータ値ｐ_kと中心値の距離が最も近いグループの良否属性に基づいて当該はんだの良否を決定する。

（２）サンプルデータ登録処理：
図５は、サンプルデータ登録処理の流れを示している。同図において、ステップＳ１００にて、サンプルとして用意された実装基板５０の撮像を行う。サンプルとして用意された実装基板５０に対しては、予め目視検査等の他の手法によってはんだの良否判定が行われており、実装基板５０に形成されたはんだの良否が判明している。

ステップＳ１１０においては、撮像イメージ３３ａが生成され、撮像イメージ取得部Ｍ２が撮像イメージ３３ａをＶＲＡＭ３３に記憶させる。図６は、カメラ２２の視野Ｓを示している。同図において、カメラ２２にて撮像される視野Ｓには、実装基板５０上の複数の実装部品やはんだが含まれることとなる。なお、本実施形態においては、実線で示すチップ部品５１のはんだ５２の形状についての良否判定を説明するものとする。ステップＳ１１０においては、視野Ｓ全体を表す画像データとして撮像イメージ３３ａが生成される。

ステップＳ１２０においては、撮像イメージ３３ａからはんだ５２が含まれる画素データのみを抽出する。すなわち、図６においてはんだ５２の周辺を実線で囲んだ評価領域Ｔの内側の画素データのみを抽出する。なお、ステップＳ１２０においてＣＰＵ３１は、ＨＤＤ３４に記憶された基板データ３４ｃに基づいて、視野Ｓのどこに良否判定対象のはんだ５２が配置されているかを特定する。そして、はんだ５２が撮像された画素に適正形状の評価領域Ｔを設定して、同評価領域Ｔに属する画素データの抽出を行う。

図７は、評価領域Ｔの様子を模式的に示している。同図において、評価領域Ｔは破線で区画された多数の画素Ｐ_a,bで構成されている。なお、各画素Ｐ_a,bの輝度値Ｂ_a,bは、実装基板５０上における各ＣＣＤ撮像素子が画像入力を担当する領域の平均輝度を意味する。なお、評価領域Ｔは図示の形状に限られるものではなく、算出するパラメータに応じて形状や個数が決定される。

ステップＳ１３０においては、ステップＳ１２０にて抽出した画素データについてパラメータ値ｐ_kを算出する。例えば、パラメータ値ｐ_kのひとつとして平均輝度を算出する場合には、評価領域Ｔに含まれる全画素の輝度値Ｂ_a,bの積算値を全画素数で除算した値がパラメータ値ｐ_kとして算出されることとなる。同様に、評価領域Ｔに含まれる全画素の輝度値Ｂ_a,bに対してパラメータ算出部Ｍ３が所定の演算を行うことにより、他の種類のパラメータ値ｐ_kを全部でｈ種類算出する。算出されたパラメータ値ｐ_kは、当該評価領域Ｔに対応するはんだに対して与えられた固有の通し番号とともに上述したサンプルデータテーブル３４ｄに格納される。

ステップＳ１４０においては、サンプルデータテーブル３４ｄに格納されたパラメータ値ｐ_kに対応づけて良否属性を登録する。使用者は予め実装基板５０上のはんだについての良否を目視検査等によって取得しており、これらの情報をキーボード３８ａやマウス３８ｂを介して入力する。すると、サンプルデータテーブル３４ｄにおける”良否属性”の欄に情報が追記される。これにより、一つのはんだ５２（要素）についてパラメータ値ｐ_kと既知の良否判定結果とを対応づけて登録することができる。

以上において、一つのはんだ５２（要素）についてパラメータ値ｐ_kと既知の良否判定結果とを対応づけて登録する処理を説明したが、通常、撮像イメージ３３ａには複数のはんだ（要素）が含まれるため、撮像イメージ３３ａにおいて各はんだ（要素）の評価領域Ｔに対するステップＳ１２０〜Ｓ１４０の処理を繰り返すこととなる。さらに、単一の実装基板５０上においても複数のはんだ（要素）が存在するため、Ｘ−Ｙステージ２３によって視野Ｓを移動させつつステップＳ１００〜Ｓ１４０が繰り返されることとなる。この場合、予め全てのはんだ（要素）についてパラメータ値ｐ_kを算出しておき、各はんだと良否属性との対応関係を損なうことなく、一括して良否属性を登録するようにしてもよい。なお、サンプルデータ登録処理をできるだけ多くの実装基板５０に対して実行し、できるだけ多くのパラメータ値ｐ_kと既知の良否判定結果との対応関係をサンプルデータテーブル３４ｄに登録しておくことが望ましい。

（３）グループ作成処理：
サンプルデータ登録処理によってサンプルデータテーブル３４ｄが作成されると、グループ作成部Ｍ７がグループ作成処理を実行する。図８は、グループ作成処理の流れを示している。ステップＳ２００においては、サンプルデータテーブル３４ｄに登録された各要素を、その良否属性によって良グループＧと否グループＮに分類する。図９は、分類後のサンプルデータテーブル３４ｄを示している。同図において、サンプルデータテーブル３４ｄが良否のテーブルに分割されており、それぞれに各要素が分類され、良否のパラメータ値ｇ_k，ｎ_kが格納されている。パラメータ値ｇ_k，ｎ_kは、パラメータ値ｐ_kと同じものを意味するが、良品のパラメータ値ｐ_kと不良品のパラメータ値ｎ_kとを識別するために異なる文字で表している。また、サンプルデータテーブル３４ｄにおいて良品の要素は全部でｔ個存在するものとし、不良品の要素は全部でｊ個存在するものとする。また、良グループＧに属する要素の通し番号をｓとして、否グループＮに属する要素の通し番号をｉと表すものとする。

図１０は、サンプルデータテーブル３４ｄに記述されたパラメータ値ｐ_kをパラメータのｈ次元のパラメータ空間における座標として示している。なお、同図においては図示の簡略化のためｈ＝２の平面にて座標を示しているが、実際にはパラメータの種類ｈごとに軸が形成されたｈ次元の空間となる。むろん、ｈ＝１，２となる場合もあり、その場合はそれぞれ直線と平面上にパラメータ値ｐ_kをプロットすることができる。良グループＧに属する各要素の座標を座標Ｐ_gと表記するものとし、否グループNに属する各要素の座標を座標Ｐ_nと表記するものとする。すると、ｓ，ｉ番目の座標Ｐ_g(s)，Ｐ_n(i)は下記式（１），（２）のように表すことができる。
Ｐ_g(s)＝｛ｇ₁(s)，ｇ₂(s)，ｇ₃(s)・・ｇ_k(s)・・ｇ_(h-1)(s)，ｇ_h(s)｝ ・・・（１）
Ｐ_n(i)＝｛ｎ₁(i)，ｎ₂(i)，ｎ₃(i)・・ｎ_n(i)・・ｎ_(h-1)(i)，ｎ_h(i)｝ ・・・（２）
また、座標Ｐ_g(s)，Ｐ_n(i)を空間にプロットすることにより、良グループＧおよび否グループNごとにパラメータ値ｇ_k，ｎ_kの分布傾向を把握することができる。なお、図１０において、座標Ｐ_g(s)を●で示し、Ｐ_n(i)を×で示している。所属するグループＧ，Ｎによって、
パラメータ値ｇ_k，ｎ_kの分布傾向が大きく相違していることが分かる。

次に、ステップＳ２０５において、距離算出部Ｍ５が良グループＧおよび否グループNの中心値Ｃ_g，Ｃ_nを算出する。中心値Ｃ_g，Ｃ_nは、下記式（３），（４）によって算出することができる。

上記式（３），（４）において、ｈ種類用意された各パラメータｇ_k，ｎ_kをそれぞれ全要素分積算し、同積算値を全要素数ｔ，ｊによって除算することにより、各パラメータｇ_k，ｎ_kの相加平均を算出している。なお、中心値Ｃ_g，Ｃ_nは、図１０のパラメータ空間において、☆，△によって示されている。

ステップＳ２１０において、距離算出部Ｍ５が中心値Ｃ_g，Ｃ_nに対する各要素の座標Ｐ_g(s)，Ｐ_n(i)のユークリッド距離を４通り算出する。具体的には、良グループGの中心値Ｃ_gに対する良グループＧに属する要素の座標Ｐ_g(s)のユークリッド距離Ｃ_gＰ_g(s)と、否グループNの中心値Ｃ_nに対する否グループNに属する要素の座標Ｐ_n(i)のユークリッド距離Ｃ_nＰ_n(i)と、良グループＧの中心値Ｃ_gに対する否グループNに属する要素の座標Ｐ_n(i)のユークリッド距離Ｃ_gＰ_n(i)と、否グループNの中心値Ｃ_nに対する良グループGに属する要素の座標Ｐ_g(s)のユークリッド距離Ｃ_nＰ_g(s)とが算出される。また、各ユークリッド距離Ｃ_gＰ_g(s)，Ｃ_nＰ_n(i)，Ｃ_gＰ_n(i)，Ｃ_nＰ_g(s)の計算式は下記式（５），（６），（７），（８）で表すことができる。

ここで、上記式（５），（６），（７），（８）の前二者は、各グループＧ，Ｎの中心値Ｃ_g，Ｃ_nに対する当該グループＧ，Ｎに属する要素の座標Ｐ_g(s)，Ｐ_n(i)のユークリッド距離Ｃ_gＰ_g(s)，Ｃ_nＰ_n(i)であるといえる。従って、ユークリッド距離Ｃ_gＰ_g(s)，Ｃ_nＰ_n(i)を同属距離というものとする。これに対して、上記式（５），（６），（７），（８）の後二者は、各グループＧ，Ｎの中心値Ｃ_g，Ｃ_nに対する当該グループＧ，Ｎに属しない要素の座標Ｐ_g(s)，Ｐ_n(i)のユークリッド距離Ｃ_gＰ_n(i)，Ｃ_nＰ_g(s)であるといえる。従って、ユークリッド距離Ｃ_gＰ_n(i)，Ｃ_nＰ_g(s)を異属距離というものとする。

さらに、各ユークリッド距離Ｃ_gＰ_g(s)，Ｃ_nＰ_n(i)，Ｃ_gＰ_n(i)，Ｃ_nＰ_g(s)に対して、重み係数α_g，α_nを乗算することにより、各グループＧ，Ｎの広がりが考慮された距離Ｃ_gＰ_g*(s)，Ｃ_nＰ_n* (i)，Ｃ_gＰ_n* (i)，Ｃ_nＰ_g*(s)が算出される。
Ｃ_gＰ_g*(s)＝α_g×Ｃ_gＰ_g(s) ・・・（９）
Ｃ_nＰ_n*(i)＝α_n×Ｃ_nＰ_n(i) ・・・（１０）
Ｃ_gＰ_n*(i)＝α_g×Ｃ_gＰ_n(i) ・・・（１１）
Ｃ_nＰ_g*(s)＝α_n×Ｃ_nＰ_g(s) ・・・（１２）
なお、各ユークリッド距離Ｃ_gＰ_g(s)，Ｃ_nＰ_n(i)，Ｃ_gＰ_n(i)，Ｃ_nＰ_g(s)に乗算される重み係数α_g，α_nは、その算出の起点となる中心値Ｃ_g，Ｃ_nに対応するグループＧ，Ｎ固有の重み係数α_g，α_nである。また、本実施形態において、グループＧ，Ｎの重み係数α_g，α_nは、ともに１．０であるものとする。なお、予めグループＧ，Ｎの分布傾向を調査しておき、その広がりに応じた重み係数α_g，α_nを設定するようにしてもよい。また、はじめの段階では、重み係数α_g，α_nをともに１．０であると仮定しておき、その後、重み係数α_g，α_nの妥当性について検討するようにしてもよい。

次に、ステップＳ２１５において、検出部Ｍ６が判定値ｒ(s)，ｒ(i)を算出する。判定値ｒ(s)，ｒ(i)は下記式（１３），（１４）によってそれぞれ算出することができる。
ｒ(s)＝Ｃ_gＰ_g*(s)／Ｃ_gＰ_n*(i) ・・・（１３）
ｒ(i)＝Ｃ_nＰ_n*(i)／Ｃ_nＰ_g*(s) ・・・（１４）
上記式（１３）において、良グループＧに属する要素の座標Ｐ_g(s)に関して同属距離を異属距離で除算した値が判定値ｒ(s)として算出されている。一方、上記式（１４）においては、否グループＮに属する要素の座標Ｐ_n(i)に関して同属距離を異属距離で除算した値が判定値ｒ(i)として算出されている。なお、判定値ｒ(s)，ｒ(i)は、全ての要素について算出される。

ステップＳ２２０においては、検出部Ｍ６が１以上の値となる判定値ｒ(s)，ｒ(i)が存在するかどうかを判定し、１以上の値となる判定値ｒ(s)，ｒ(i)がひとつも存在しない場合にはグループ作成処理を終了させる。すなわち、これ以上グループを作成する必要がないとして、処理を中止させる。一方、１以上の値となる判定値ｒ(s)，ｒ(i)がひとつでも検出された場合には、新たなグループを作成する必要があるとしてステップＳ２２５を実行する。なお、１以上の値となる判定値ｒ(s)，ｒ(i)が算出される要素を突出要素というものとする。

ステップＳ２２５においては、グループ作成部Ｍ７が判定値ｒ(s)，ｒ(i)が最大となる突出要素を検出し、同要素を中心とした新たなグループＡを作成する。なお、現時点でグループＡに属する要素は１個のみであるため、グループＡの中心値Ｃ_ａは突出要素の座標と一致する。なお、ここでは否ループＮに属する要素が最大の判定値ｒ(i)となる突出要素として検出されたものとして以下説明する。従って、新たなグループＡは否の属性を有することとなる。なお、上記突出要素の座標、および、新たなグループＡの中心値Ｃ_ａは、Ｐ_ａ(1)＝｛ａ₁(1)，ａ₂(1)・・ａ_k(1)・・ａ_(h-1)(1)，ａ_h(1)｝であるものとする。また、突出要素は否グループＮに属する座標Ｐ_n(i)から選択された一つの要素の座標であり、ａ_kはｐ_k，ｇ_k，ｎ_kと同様にパラメータ値を意味する。なお、良グループＧに属する要素が最大の判定値ｒ(s)となる突出要素として検出された場合には、新たなグループＡは良の属性を有することとなる。

次に、ステップＳ２３０において、良グループＮに属する各要素の座標Ｐ_n(i)と、グループＡの中心値Ｃ_ａとのユークリッド距離Ｃ_ａＰ_n(i)を算出し、同ユークリッド距離Ｃ_ａＰ_n(i)が最小となる要素を検出する。なお、このとき既に新たなグループＡに属している要素については除外する。ここで検出された要素の座標をＰ_ａ(2)＝｛ａ₁(2)，ａ₂(2)・・ａ_k(2)・・ａ_(h-1)(2)，ａ_h(2)｝と表すものとする。

ステップＳ２３５においては、ステップＳ２３０にて検出した要素を新たなグループＡに取り込む。図１１は、ステップＳ２３５にて更新されたサンプルデータテーブル３４ｄを示している。同図において、座標がＰ_ａ(1)，Ｐ_ａ(2)で表現される２個の要素で構成された新たなグループＡが生成されている。また、新たなグループＡの属性は否とされている。すなわち、グループＡは否グループＮから分割して生成されたグループとしてサンプルデータテーブル３４ｄに登録されている。なお、新たなグループＡの生成に伴って、もともとの否グループＮの要素数が２個減り（ｊ−２）個となっている。

ステップＳ２４０においては、距離算出部Ｍ５が各グループＧ，Ｎ，Ａの中心値Ｃ_g，Ｃ_n，Ｃ_aを算出する。各グループＧ，Ｎについては、上記式（３），（４）にて中心値Ｃ_g，Ｃ_nを算出し、新たなグループＡについては下記式（１５）によって中心値Ｃ_aを算出する。なお、良グループＧの中心値Ｃ_gはステップＳ２０５で算出したものと変動がないが、否グループNは要素が２個減少しているためステップＳ２０５と異なる中心値Ｃ_nが算出されることとなる。

なお、上記式（１５）において、ｆはグループＡに属する要素の通し番号であり、現時点で最大値ｑ＝２となっている。

ステップＳ２４５にて距離算出部Ｍ５は、各要素と中心値Ｃ_g，Ｃ_aとのユークリッド距離を算出する。ここでは、新たなグループＡの中心値Ｃ_aと同グループＡに属する各要素の座標Ｐ_ａ(f)とのユークリッド距離Ｃ_aＰ_ａ(f)と、良グループＧの中心値Ｃ_gと良グループＧに属する各要素の座標Ｐ_g(s)とのユークリッド距離Ｃ_gＰ_g(s)と、良グループＧの中心値Ｃ_gとグループＡに属する要素の座標Ｐ_ａ(f)とのユークリッド距離Ｃ_gＰ_ａ(f)と、新たなグループＡの中心値Ｃ_ａと良グループＧに属する各要素の座標Ｐ_g(s)とのユークリッド距離Ｃ_aＰ_g(s)とを算出する。

ここで、前二者は、各グループＡ，Ｇの中心値Ｃ_a，Ｃ_gに対する当該グループＡ，Ｇに属する要素の座標Ｐ_ａ(f)，Ｐ_g(s)のユークリッド距離Ｃ_aＰ_ａ(f)，Ｃ_gＰ_g(s)であるといえる。従って、ユークリッド距離Ｃ_aＰ_ａ(f)，Ｃ_gＰ_g(s)を同属距離というものとする。これに対して、後二者は、各グループＡ，Ｎの中心値Ｃ_a，Ｃ_gに対する当該グループＡ，Ｇに属しない要素の座標Ｐ_ａ(f)，Ｐ_g(s)のユークリッド距離Ｃ_gＰ_ａ(f)，Ｃ_aＰ_g(s)であるといえる。従って、ユークリッド距離Ｃ_gＰ_ａ(f)，Ｃ_aＰ_g(s)を異属距離というものとする。

なお、ユークリッド距離Ｃ_gＰ_g(s)は上記式（５）により算出することができ、他のユークリッド距離Ｃ_aＰ_ａ(f)，Ｃ_gＰ_ａ(f)，Ｃ_aＰ_g(s)については下記式（１６），（１７），（１８）によって算出することができる。また、ユークリッド距離Ｃ_aＰ_ａ(f)，Ｃ_gＰ_g(s)，Ｃ_gＰ_ａ(f)，Ｃ_aＰ_g(s)は、全ての要素について算出される。

ステップＳ２５０においては、新たなグループＡが適正であるか否かを、下記の条件式（１９），（２０）によって判定する。なお、ｆ，ｓの全ての組合せについて、下記式（１９），（２０）の充足が検証される。
Ｃ_aＰ_a(f)＜Ｃ_gＰ_a(f) ・・・（１９）
Ｃ_gＰ_g(s)＜Ｃ_aＰ_g(s) ・・・（２０）

図１２は、上記式（１９），（２０）の意味するところを模式的に示している。同図において、新たなグループＡと同グループＡと良否属性を異にする良カテゴリーＧとがパラメータ空間に示されている。上記式（１９）を充足するとき、新たなグループＡに属する要素のうち最も良グループＧの中心値Ｃ_gに近い要素が、良グループＧの中心値Ｃ_gよりも新たなグループＡの中心値Ｃ_aに近いことが保証される。一方、上記式（２０）を充足するとき、良グループＧに属する要素のうち新たなグループＡの中心値Ｃ_aに近い要素が、新たなグループＡの中心値Ｃ_aよりも良グループＧの中心値Ｃ_gに近いことが保証される。すなわち、上記式（１９），（２０）を充足することにより、新たなグループＡの分布領域に異なる良否属性の良グループＧの要素が混在しないことと、良グループＧの分布領域に新たなグループＡの要素が混在しないことが保証される。

そして、上記式（１９），（２０）が充足されない場合には、ステップＳ２５５にて新たなグループＡに取り込んだ直前の要素を除外して新たなグループＡの要素を確定する。上記の例では、新たなグループＡから座標Ｐ_ａ(2)となる要素が除外されて、座標Ｐ_ａ(1)の要素のみからなる新たなグループＡが確定される。新たなグループＡが確定すると、ステップＳ２０５に戻り、以降の処理を繰り返して実行する。

一方、上記式（１９），（２０）が充足された場合には、ステップＳ２６０にて、新たなグループＡについての重み係数α_ａを算出する。
α_ａ×Ｃ_aＰ_a(f)＜Ｃ_gＰ_a(f) ・・・（２１）
Ｃ_gＰ_g(s)＜α_ａ×Ｃ_aＰ_g(s) ・・・（２２）
上記式（２１），（２２）では、上記式（１９），（２０）において新たなグループＡの中心値Ｃ_aを起点としたユークリッド距離Ｃ_aＰ_a(f)，Ｃ_aＰ_g(s)に対して重み係数α_ａが乗算されている。そして、上記式（２１），（２２）を重み係数α_ａについて整理すると、下記式（２３）のようになる。
Ｃ_gＰ_a(f)／Ｃ_aＰ_a(f)＞α_ａ＞Ｃ_gＰ_g(s)／Ｃ_aＰ_g(s) ・・・（２３）

そして、ステップＳ２６０では、上記式（２３）の左辺｛Ｃ_gＰ_a(f)／Ｃ_aＰ_a(f)｝の最小値と右辺｛Ｃ_gＰ_g(s)／Ｃ_aＰ_g(s)｝の最大値との相加平均の値を重み係数α_ａとして算出する。なお、分母Ｃ_aＰ_a(f)＝０のときに左辺｛Ｃ_gＰ_a(f)／Ｃ_aＰ_a(f)｝が最小となる場合には、α_ａ＝２×Ｃ_gＰ_g(s)／Ｃ_aＰ_g(s)とする。

ステップＳ２６０が完了すると、ステップＳ２３０を再び実行させる。すなわち、否グループＮに属する各要素の座標Ｐ_n(i)と、新たなグループＡの中心値Ｃ_ａとのユークリッド距離Ｃ_ａＰ_n(i)を算出し、同ユークリッド距離Ｃ_ａＰ_n(i)が最小となる要素を検出する。そして、ステップＳ２３５において、検出された要素を新たなグループＡに追加する。すなわち、ステップＳ２３０〜Ｓ２６０を繰り返して実行することにより、新たなグループＡの中心値Ｃ_ａとのユークリッド距離が近く、新たなグループＡと良否属性が共通な要素を、順次、新たなグループＡに取り込み、新たなグループＡを拡大させることができる。そして、新たな要素を取り込むごとに、ステップＳ２５０にて新たなグループＡの要素が適正であるかどうかが検証される。

そして、新たなグループＡの要素が不適正である場合には、直前に取り込んだ要素をステップＳ２５５にて除外し、新たなグループＡを確定する。さらに、新たなグループＡの確定後はステップＳ２０５以降が繰り返される。ただし、グループはステップＳ２５５を経るごとに追加されるため、繰り返し実行されるステップＳ２０５，Ｓ２１０においては、既に作成されたグループＧ，Ｎ，Ａ・・を対象として処理が行われる。ステップＳ２１０において、新たなグループＡの中心値Ｃ_aを起点とした距離を算出する場合には、新たなグループＡについて算出された重み係数α_aがユークリッド距離に乗算されることとなる。

また、繰り返し実行されるステップＳ２１５において、予めグループが増加しているため、複数のグループの中心値Ｃに対する複数の異属距離が一つの要素に対して算出される場合もある。この場合、複数の異属距離のうち最短のものが上記式（１３），（１４）に適用される。すなわち、良否属性が異なるグループのうち最も対象の要素に近いグループに属する要素がステップＳ２２０の検出の対象となる。そして、ステップＳ２２０にて新たなグループの作成が必要ないと判定されるまで、ステップＳ２０５〜Ｓ２６０が繰り返される。図１３は、最終的に作成されたサンプルデータテーブル３４ｄの一例を示している。同図において、属性が否の新たなグループＡ，Ｂ，Ｃが作成されており、属性が否の新たなグループDが作成されている。また、繰り返して実行されるステップ２６０にて各グループＡ，Ｂ，Ｃ，Ｄについて重み係数α_g，α_n，α_a，α_b，α_c，α_dが算出される。

（４）良否判定処理：
次に、実際に製品を検査する際に行われる良否判定処理について説明する。図１４は、良否判定処理の流れを示している。なお、良否判定処理はグループ作成処理が完了した後に実行される。ステップＳ３３０までは、サンプルデータ登録処理のステップＳ１３０までと同様であるため説明を省略する。ただし、ここで撮像を行う実装基板５０は、良否判定の結果が未知の基板である。なお、ステップＳ１００〜Ｓ１３０、および、ステップＳ３００〜Ｓ３３０を実行するハードウェアおよびソフトウェアが本発明のパラメータ取得手段に相当する。ステップＳ３３０において、実装基板５０上の、あるはんだについてのパラメータ値ｐ₁，ｐ₂・・ｐ_k・・ｐ_(h-1)，ｐ_hが算出される。

次に、ステップＳ３４０にて、中心値算出部Ｍ４と距離算出部Ｍ５がパラメータ値ｐ₁，ｐ₂・・ｐ_k・・ｐ_(h-1)，ｐ_hで定義されるパラメータ空間内の座標Ｘ＝｛ｐ₁，ｐ₂・・ｐ_k・・ｐ_(h-1)，ｐ_h｝と、サンプルデータテーブル３４ｄに作成された各グループＧ，Ｎ，Ａ，Ｂ，Ｃ，Ｄの中心値Ｃ_g，Ｃ_n，Ｃ_a，Ｃ_b，Ｃ_c，Ｃ_dとの距離を算出する。すなわち、座標Ｘと中心値Ｃ_g，Ｃ_n，Ｃ_a，Ｃ_b，Ｃ_c，Ｃ_dとのユークリッド距離を上記式（５），（６），（７），（８），（１６），（１７），（１８）と同様の手法によって算出し、さらにユークリッド距離の起点となる中心値Ｃ_g，Ｃ_n，Ｃ_a，Ｃ_b，Ｃ_c，Ｃ_dが属するグループＧ，Ｎ，Ａ，Ｂ，Ｃ，Ｄに対応した重み係数α_g，α_n，α_a，α_b，α_c，α_dを乗算することにより、距離を算出する。

図１５は、グループ作成処理後のパラメータ空間をグラフに示している。同図において、グループＧ，Ｎ，Ａ，Ｂ，Ｃ，Ｄごとに中心値Ｃ_g，Ｃ_n，Ｃ_a，Ｃ_b，Ｃ_c，Ｃ_dが算出されている。また、座標Ｘを★により示し、各グループＧ，Ｎ，Ａ，Ｂ，Ｃ，Ｄに属する要素の分布領域を円で示している。同図において、ステップＳ２２５，Ｓ２５０を実行することにより、属性が良となるグループＧと、属性が否となるグループＮ，Ａ，Ｂ，Ｃ，Ｄの分布領域が重複してないように新たなグループＡ，Ｂ，Ｃ，Ｄが定義されていることがわかる。なお、重み係数α_g，α_n，α_a，α_b，α_c，α_dは、円で示す各グループＧ，Ｎ，Ａ，Ｂ，Ｃ，Ｄの広がりの差を解消するための補正係数であると考えることができる。従って、各中心値Ｃ_g，Ｃ_n，Ｃ_a，Ｃ_b，Ｃ_c，Ｃ_dに対するユークリッド距離に重み係数α_g，α_n，α_a，α_b，α_c，α_dを乗算することにより得られた各距離を、単純に比較することができる。

ステップＳ３５０においては、良否判定部Ｍ８がステップＳ３４０にて算出した座標Ｘの各グループＧ，Ｎ，Ａ，Ｂ，Ｃ，Ｄの中心値Ｃ_g，Ｃ_n，Ｃ_a，Ｃ_b，Ｃ_c，Ｃ_dに対する距離のうち最小のものを検出する。中心値Ｃ_g，Ｃ_n，Ｃ_a，Ｃ_b，Ｃ_c，Ｃ_dに対する距離が最小となる各グループＧ，Ｎ，Ａ，Ｂ，Ｃ，Ｄに座標Ｘが属すると考えることができる。従って、ステップＳ３６０においては、座標Ｘが属するグループＧ，Ｎ，Ａ，Ｂ，Ｃ，Ｄの良否属性を良否判定結果として特定する。そして、同特定された良否を当該はんだの良否判定結果としてディスプレイ３６等に出力する。図１５に示す例では、座標ＸとグループＤの中心値Ｃ_dが最も近く、検査対象のはんだが否であると判定される。

以上説明したように、本発明では検査対象から取得されたパラメータ値ｐ₁，ｐ₂・・ｐ_k・・ｐ_(h-1)，ｐ_hの空間内において、同パラメータ値の座標Ｘ＝｛ｐ₁，ｐ₂・・ｐ_k・・ｐ_(h-1)，ｐ_h｝に対して距離の短いグループの良否属性が良であるか否であるかによって良否判定を行っている。最も距離の短いグループを検出するにあたっては、単純なユークリッド距離に対して各グループごとに算出された重み係数αが乗算される。従って、各グループを構成する要素の広がりに依存することなく、各グループの中心値に対する距離同士を公平に比較することができる。すなわち、各グループごとに重み係数αを乗算することにより、パラメータ値の空間を各グループの広がりに応じて正規化することができる。

また、グループ作成処理において、上記式（１３），（１４）で表されるｒ(s)，ｒ(i)が１以上であることを新たなグループ作成の要件としている。すなわち、良否属性が共通するグループの中心値に対する同属距離が、良否属性が共通しないグループの中心値に対する異属距離よりも大きくなることを新たなグループ作成の要件としている。さらにいいかえれば、良グループＧの分布領域に良否属性の異なる否グループＮのいずれかの要素が混在し、または、否グループＮの分布領域に良否属性の異なる良グループＧのいずれかの要素が混在する場合に、その混在する突出要素を中心として新たなグループを作成している。これにより、図１５に示すように属性が良のグループＧの分布領域と、属性が否のグループＮ，Ａ，Ｂ，Ｃ，Ｄとが重複しないようなグループを作成することができる。

パラメータ空間において良グループＧと否グループＮとがそれぞれひとまとまりで分布していることは少なく、良グループＧと否グループＮは複合的な分布から成り立っている場合が多い。例えば、はんだを検査対象とした場合、否グループには、はんだ浮きモードやはんだ小モードや部品なしモード等の多種の不良モードを有する要素が含まれることとなる。これらは、それぞれ固有の形状的特徴を有しているため、パラメータ値ｐ₁，ｐ₂・・ｐ_k・・ｐ_(h-1)，ｐ_hもそれぞれが固有の分布傾向を有することとなる。また、良グループについてもはんだの形成条件等によって複数のモードが発生する場合がある。

図１５に示した分布においても、属性が否となる各グループＮ，Ａ，Ｂ，Ｃ，Ｄのように複数の集団が見られ、それぞれが各不良モードに対応していると考えることができる。このような分布態様において、図１０のように良否グループＧ，Nをひとまとめにして、中心値Ｃ_g，Ｃ_nを算出し、同中心値Ｃ_g，Ｃ_nからの距離に基づいて座標Ｘで表される検査対象の良否判定を行ったとする。すると、図１０において★で示した検査対象は不良であるにもかかわらず、☆で示す良グループＧの中心値Ｃ_gに対する距離ＸＣ_gが、△で示す否グループＮの中心値Ｃ_nに対する距離ＸＣ_nよりも短いと判定されることにより、良品であると誤判定されることとなる。これに対して、図１５では図１０と同位置に★で示される検査対象について、☆で示す良グループＧの中心値Ｃ_gに対する距離ＸＣ_gよりも、△で示す属性が否の新たなグループＤの中心値Ｃ_dに対する距離ＸＣ_dが短いと判定されるため、当該検査対象を正確に不良品であると判定することができる。

すなわち、図１５のようにグループが細分化された後では、各モードに対応して形成されたグループＧ，Ｎ，Ａ，Ｂ，Ｃ，Ｄの中心値Ｃ_g，Ｃ_n，Ｃ_a，Ｃ_b，Ｃ_c，Ｃ_dに対して検査対象のパラメータ値が近いかどうかを判断することができる。つまり、各モードごとにパラメータ特性の類似性を判断することができ、精度の高い良否判定を実現することができる。なお、多変量解析に基づいて大量のパラメータから有効なものを選択し、同選択したパラメータを線形結合させる技術が知られているが、かかる技術によっても図１５のように良否の分布が入り組んだ状況においては、確実に良否を分断可能な閾値を設定することができない。

むろん、サンプルデータ登録の際に不良や良品のモード分類を行っておき、各モードごとにパラメータの傾向を調査し、予めモード個別のグループを作成することにより上記課題が解決されると考えられる。しかしながら、サンプルデータ登録の際に不良や良品のモード分類を行うことは非常に煩わしく、多数のモードに対応することができない。これに対して、本発明においては、最低限、良否の２グループからグループ作成処理を開始することができ、使用者の負担とならない。また、使用者にとって未知のモードに対しても、パラメータの分布傾向が特異的であれば自動的にグループを作成することができ、不良発生要因が多様かつ不明な検査対象物についても容易に対応することができる。むろん、明らかなモードについては人為的にモード分類を行っておいてから、本発明の処理を実行するようにしてもよい。

また、本発明においては属性が異なるグループとの距離を判断基準としているため、グループを新たに作成している。従って、図１５に示すように属性が否の各グループＮ，Ａ，Ｂ，Ｃ，Ｄに属する要素がパラメータ空間において重複するような場合であっても、否のグループを細分化していくことができる。すなわち、似たようなパラメータ特性を有する複数の不良モードが存在する場合にも、グループを細分化し、良否判定の精度を向上させることができる。

さらに、新たなグループを作成した後にステップＳ２３５〜Ｓ２５０を実行することにより、可能な限り新たなグループに要素を多く取り入れるようにしている。ただし、ステップＳ２５０において、新たなグループについても、新たなグループの分布領域に良否属性の異なるグループのいずれかの要素が混在しないことが検証されるため、新たなグループに取り込まれた要素を中心として、さらに新たなグループが作成されることはない。従って、処理が複雑化することが防止できる。なお、上記実施形態においては、はんだを検査対象とするものを例示したが、検査対象の特徴を示すパラメータが取得できれば、いかなる検査対象物にも適用することができる。

（５）変形例：
ところで、前実施形態において、グループ作成処理が完了する段階で、ｒ(s)＝Ｃ_gＰ_g*(s)／Ｃ_gＰ_n*(i)＜１、および、ｒ(i)＝Ｃ_nＰ_n*(i)／Ｃ_nＰ_g*(s)＜１となることが保証される。図１６は、各要素と各グループの中心値との距離の分布を示している。同図において、縦軸は属性が否となるグループの中心値に対する各要素の距離を示し、横軸は属性が良となるグループの中心値に対する各要素の距離を示している。また、属性が良の要素を●で示し、属性が否の要素を▲で示している。

同図において、ｒ(s)＝Ｃ_gＰ_g*(s)／Ｃ_gＰ_n*(i)＜１、および、ｒ(i)＝Ｃ_nＰ_n*(i)／Ｃ_nＰ_g*(s)＜１が満足されるように新たなグループが作成されるため、傾き１の直線を境界として、良の要素と否の要素が分離して分布している。すなわち、同属距離と異属距離との比が１：１となる座標を境界として、良の要素と否の要素が分離して分布することとなる。ただし、良否の要素は、分離しているものの、傾き１の直線付近に多数の要素が存在している。従って、当該直線の付近の距離となる要素については、微妙な誤差等によって誤判定が発生する場合もある。

そこで、ある程度、余裕を持たせるためにｒ(s)＝Ｃ_gＰ_g*(s)／Ｃ_gＰ_n*(i)＜Ｔｈ、および、ｒ(i)＝Ｃ_nＰ_n*(i)／Ｃ_nＰ_g*(s)＜Ｔｈをグループ作成の条件としてもよい。なお、基準値Ｔｈは、０＜Ｔｈ＜１を満足する任意の閾値を意味する。例えば、Ｔｈ＝０．９とした場合には、同属距離は異属距離の０．９倍よりも小さい値となっていなければならない。また、Ｔｈ＝０．８とした場合には、同属距離は異属距離の０．８倍よりも小さい値となっていなければならない。すなわち、基準値Ｔｈを小さくするほど、同属距離は異属距離と比べて小さくなることが保証される。

図１７は、Ｔｈ＝０．９５，０．９０，０．８５，０．８０としたときの各要素と各グループの中心値との距離の分布を示している。同図において、傾き１の直線の両側にそれぞれ良否の要素が分布しない領域を形成することができ、Ｔｈが小さいほど同領域を広く確保することができる。従って、距離の算出等に多少の誤差があった場合でも、誤判定が発生することが防止できる。ただし、Ｔｈをあまりにも小さい値に設定しすぎると、ｒ(s)＝Ｃ_gＰ_g*(s)／Ｃ_gＰ_n*(i)＜Ｔｈ、および、ｒ(i)＝Ｃ_nＰ_n*(i)／Ｃ_nＰ_g*(s)＜Ｔｈが満足される要件が厳しくなりすぎ、不必要なグループが作成され、グループ作成処理の効率が低下する。誤判定防止効果が確保されつつ、グループ作成処理の効率を低下させない基準値Ｔｈの値として、Ｔｈ＝０．８５〜０．９５が望ましい。

なお、基準値Ｔｈを適用した場合、ステップＳ２６０では、上記式（２３）の左辺｛Ｃ_gＰ_a(f)／Ｃ_aＰ_a(f)｝の最小値に基準値Ｔｈを乗算した値と、右辺｛Ｃ_gＰ_g(s)／Ｃ_aＰ_g(s)｝の最大値を基準値Ｔｈで除算した値との相加平均の値を重み係数α_ａとして算出する。また、分母Ｃ_aＰ_a(f)＝０のときに左辺｛Ｃ_gＰ_a(f)／Ｃ_aＰ_a(f)｝が最小となる場合には、α_ａ＝２×Ｃ_gＰ_g(s)／Ｃ_aＰ_g(s)／Ｔｈとする。これにより、重み係数αに対して基準値Ｔｈを加重することができる。

さらに、上述した実施形態の良否判定において、各グループＧ，Ｎ，Ａ，Ｂ，Ｃ，Ｄの中心値Ｃ_g，Ｃ_n，Ｃ_a，Ｃ_b，Ｃ_c，Ｃ_dに対する座標Ｘの距離を全て算出し、最も距離が小さくなるグループＧ，Ｎ，Ａ，Ｂ，Ｃ，Ｄに基づいて良否を決定するようにしたが、他の手法を適用してもよい。例えば、良グループＧの中心値Ｃ_gに対する座標Ｘの距離のみを算出し、同距離が所定の閾値を下回る場合には良であると判定し、同距離が所定の閾値を上回る場合には否であると判定してもよい。

この閾値を設定するにあたっては、グループ作成処理により良グループＧを取り囲む否のグループＮ，Ａ，Ｂ，Ｃ，Ｄの位置関係が分かっているため、これらの分布領域に干渉しないような閾値を設定することができる。これにより、良否判定処理を行う際の処理負担を軽減させることができる。また、どのグループＧ，Ｎ，Ａ，Ｂ，Ｃ，Ｄの中心値Ｃ_g，Ｃ_n，Ｃ_a，Ｃ_b，Ｃ_c，Ｃ_dにも距離が短くない座標Ｘに対して、安全をみて否であると判定することができる。

本発明にかかる良否判定装置の全体図である。 コンピュータの内部ブロック図である。 良否判定を行うためのソフトウェアブロック図である。 サンプルデータテーブルを示す表である。 サンプルデータ登録処理のフローチャートである。 視野Ｓを示す平面図である。 評価領域Ｔを示す平面図である。 グループ作成処理のフローチャートである。 サンプルデータテーブルを示す表である。 パラメータ空間を示すグラフである。 サンプルデータテーブルを示す表である。 新たなグループの成立条件を説明する図である。 グループ作成処理後のサンプルデータテーブルを示す表である。 良否判定処理のフローチャートである。 パラメータ空間を示すグラフである。 同属距離と異属距離との関係を示すグラフである。 変形例における同属距離と異属距離との関係を示すグラフである。

符号の説明

１０…形状良否判定装置
２０…撮像ユニット
２１…コントローラ
２１ａ…画像メモリ（ＶＲＡＭ）
２２…カメラ
２２ａ…光学系
２２ｂ…ＣＣＤ撮像板
２３…Ｘ−Ｙステージ
２４…リングライト
３０…コンピュータ
３１…ＣＰＵ
３２…ＲＡＭ
３３…ビデオメモリ（ＶＲＡＭ）
３３ａ…撮像イメージ
３４…ハードディスク（ＨＤＤ）
３４ｂ…良否判定プログラム
３４ｃ…基板データ
３４ｄ…サンプルデータテーブル
３６…ディスプレイ
３８ａ…キーボード
３８ｂ…マウス
５０…実装基板
５１…チップ部品
５２…はんだ
Ｍ１…撮像実行部
Ｍ２…撮像イメージ取得部
Ｍ３…パラメータ算出部
Ｍ４…中心値算出部
Ｍ５…距離算出部
Ｍ６…検出部
Ｍ７…グループ作成部
Ｍ８…良否判定部

Claims (7)

1. 複数の半田のサンプルおよび半田の検査対象からそれぞれ１以上のパラメータを取得するパラメータ取得手段と、
   互いに共通する良否属性を有する複数の上記サンプルから取得された上記パラメータで表される要素によって構成された複数のグループのパラメータ空間における位置と、上記検査対象から取得された上記パラメータで表される上記要素の上記パラメータ空間における位置と、に基づいて当該検査対象の良否を判定する良否判定手段と、
   上記パラメータ空間における上記グループの中心値を算出する中心値算出手段と、
   上記パラメータ空間における上記グループの上記中心値に対する上記要素の距離を算出する距離算出手段と、
   良否属性が共通する上記グループの上記中心値との上記距離である同属距離が、良否属性が共通しない上記グループの上記中心値との上記距離である異属距離よりも大きくなる上記要素が検出された場合に、当該要素を含む新たな上記グループを作成するグループ作成手段と、
   を具備することを特徴とする良否判定装置。
2. 上記良否判定手段は、上記パラメータ空間において、上記検査対象に対応する上記要素と最も近い上記中心値を有する上記グループの良否属性に基づいて当該検査対象の良否を判定することを特徴とする請求項１に記載の良否判定装置。
3. 上記良否判定手段は、良否属性が良の上記要素によって構成される上記グループの上記中心値と、上記検査対象に対応する上記要素との距離が所定の閾値よりも大きくなるとき当該検査対象が否であると判定することを特徴とする請求項１に記載の良否判定装置。
4. 上記グループ作成手段は、上記同属距離が、上記異属距離の基準値Ｔｈ（０＜Ｔｈ＜１）倍よりも大きい上記要素を含む新たな上記グループを作成することを特徴とする請求項１から請求項３のいずれかに記載の良否判定装置。
5. 上記距離算出手段は、上記グループの上記中心値と上記要素とのユークリッド距離に対して当該グループに対応した重み係数を乗算した値を上記距離として算出することを特徴とする請求項１から請求項４のいずれかに記載の良否判定装置。
6. 複数の半田のサンプルおよび半田の検査対象からそれぞれ１以上のパラメータを取得するパラメータ取得工程と、
   互いに共通する良否属性を有する複数の上記サンプルから取得された上記パラメータで表される要素によって構成された複数のグループのパラメータ空間における位置と、上記検査対象から取得された上記パラメータで表される上記要素の上記パラメータ空間における位置と、に基づいて当該検査対象の良否を判定する良否判定工程と、
   上記パラメータ空間における上記グループの中心値を算出する中心値算出工程と、
   上記パラメータ空間における上記グループの上記中心値に対する上記要素の距離を算出する距離算出工程と、
   良否属性が共通する上記グループの上記中心値との上記距離である同属距離が、良否属性が共通しない上記グループの上記中心値との上記距離である異属距離よりも大きくなる上記要素が検出された場合に、当該要素を含む新たな上記グループを作成するグループ作成工程と、
   を含むことを特徴とする良否判定方法。
7. 複数の半田のサンプルおよび半田の検査対象からそれぞれ１以上のパラメータを取得するパラメータ取得機能と、
   互いに共通する良否属性を有する複数の上記サンプルから取得された上記パラメータで表される要素によって構成された複数のグループのパラメータ空間における位置と、上記検査対象から取得された上記パラメータで表される上記要素の上記パラメータ空間における位置と、に基づいて当該検査対象の良否を判定する良否判定機能と、
   上記パラメータ空間における上記グループの中心値を算出する中心値算出機能と、
   上記パラメータ空間における上記グループの上記中心値に対する上記要素の距離を算出する距離算出機能と、
   良否属性が共通する上記グループの上記中心値との上記距離である同属距離が、良否属性が共通しない上記グループの上記中心値との上記距離である異属距離よりも大きくなる上記要素が検出された場合に、当該要素を含む新たな上記グループを作成するグループ作成機能と、
   をコンピュータによって実現することを特徴とする良否判定プログラム。

Images