JP7442134B2 - Component mounting method and component mounting system - Google Patents

Component mounting method and component mounting system Download PDF

Info

Publication number
JP7442134B2
JP7442134B2 JP2020069067A JP2020069067A JP7442134B2 JP 7442134 B2 JP7442134 B2 JP 7442134B2 JP 2020069067 A JP2020069067 A JP 2020069067A JP 2020069067 A JP2020069067 A JP 2020069067A JP 7442134 B2 JP7442134 B2 JP 7442134B2
Authority
JP
Japan
Prior art keywords
determination
learning model
unit
imaging target
component mounting
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.)
Active
Application number
JP2020069067A
Other languages
Japanese (ja)
Other versions
JP2021166245A (en
Inventor
高広 横前
俊彦 辻川
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/en
Publication of JP2021166245A publication Critical patent/JP2021166245A/en
Application granted granted Critical
Publication of JP7442134B2 publication Critical patent/JP7442134B2/en
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

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

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。 The present invention relates to a component mounting method and a component mounting system for mounting components on a board.

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)。 Conventionally, an anisotropic conductive film (ACF), which is an anisotropic conductive material, is attached to the edge of a substrate such as a display panel, and electronic components such as a drive circuit are mounted on the part of the substrate where the ACF is attached. 2. Description of the Related Art There is a component mounting system that thermocompresses electronic components onto a board on which electronic components are mounted (for example, see Patent Document 1).

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。 As an example of this type of component mounting system, Patent Document 2 discloses that before the above-mentioned ACF pasting, electronic component mounting, and thermocompression bonding processes are performed, alignment marks provided on the board are imaged. It is disclosed that the position adjustment is performed, and that the ACF attached to the substrate is imaged to determine whether the ACF is attached or not.

特開2016-186966号公報Japanese Patent Application Publication No. 2016-186966 特開2009-71069号公報Japanese Patent Application Publication No. 2009-71069

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。 For example, in a component mounting system, the quality of the imaged object is determined based on images of the imaged object such as alignment marks and ACFs, but sometimes the imaged object is incorrectly determined to be defective even though it is not defective. . In that case, there is a problem that the operation of the component mounting system stops and productivity decreases.

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。 The present invention provides a component mounting method and the like that can suppress erroneous judgments when determining the quality of an imaging target and suppress a decrease in productivity.

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。 A component mounting method according to an aspect of the present invention includes an image acquisition step of acquiring an image of an imaging target provided on a board, and an image capturing process of the imaging target based on a detected value obtained from the image and a preset reference value. a first determination step of performing a pass/fail determination; a correction step of correcting the determination result of the first determination step to good when it is incorrectly determined as defective in the first determination step; and the imaging target determined to be good. Learning data includes a first mode production process including a mounting process for attaching parts to a board, the image acquired in the first mode production process, the judgment result of the first judgment process, and the correction result of the correction process. a learning model generation step of generating a learning model for determining the quality of the imaging target by machine learning, and a learning model evaluation step of evaluating the proficiency of the learning model generated in the learning model generation step. , when it is evaluated that the proficiency level of the learning model has reached a prescribed level in the learning model evaluation step, the production process of the first mode is performed to determine the quality of the imaging target using the learning model. and a change step of changing to a second mode production process having a second determination step.

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。 A component mounting system according to one aspect of the present invention includes: an image acquisition unit that acquires an image of an imaging target provided on a board; a determining unit that determines the quality of the image; a correcting unit that corrects the determination result of the determining unit to good when the determining unit erroneously determines that the image is defective; A component mounting system comprising: a mounting section for attaching a component to a board having an object; The determination unit further includes a learning model generation unit that generates a learning model for determining the quality of a target, and a learning model evaluation unit that evaluates a proficiency level of the learning model generated by the learning model generation unit. When the learning model evaluation unit evaluates that the proficiency level of the learning model has reached a prescribed level, the learning model is used to determine the quality of the imaging target.

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。 Note that these comprehensive or specific aspects may be realized by a system, a method, an integrated circuit, a computer program, or a computer-readable recording medium such as a CD-ROM. and a recording medium may be used in any combination.

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。 According to the component mounting method and the like of the present invention, it is possible to suppress erroneous judgments when determining the quality of an imaging target, and to suppress a decrease in productivity.

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。FIG. 1 is a plan view showing a component mounting system according to an embodiment. 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。FIG. 2 is a diagram showing a board handled by each device of the component mounting system according to the embodiment. 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。FIG. 3 is a diagram showing a pasting section of the component mounting system according to the embodiment. 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。FIG. 4 is a diagram showing the main crimping section of the component mounting system according to the embodiment. 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。FIG. 5 is a block diagram showing the functional configuration of the computer of the component mounting system according to the embodiment. 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。FIG. 6 is a diagram showing an image of an alignment mark provided on a substrate, a determination result of the quality of the alignment mark, etc. 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。FIG. 7 is a diagram showing an image of an ACF provided on a board, a determination result of the quality of the ACF, etc. 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。FIG. 8 is a diagram illustrating an example of steps included in the first mode production process of the component mounting method according to the embodiment. 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。FIG. 9 is a flowchart illustrating an example of generating a first learning model based on data of a first mode production process and changing the first mode production process to a second mode production process. 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。FIG. 10 is a flowchart illustrating an example of the production process in the second mode of the component mounting method according to the embodiment. 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。FIG. 11 is a flowchart showing another example of the steps included in the first mode production process. 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。FIG. 12 is a flowchart showing an example of generating a second learning model based on the data of the first mode production process shown in FIG. 11 and changing the first mode production process to the second mode production process. . 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。FIG. 13 is a flowchart showing an example of the second mode production process shown in FIG. 12. 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。FIG. 14 is a flowchart showing the production process of the second mode of the component mounting method according to the first modification of the embodiment. 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。FIG. 15 is a flowchart showing a second mode production process of the component mounting method according to the second modification of the embodiment. 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。FIG. 16 is a flowchart illustrating an example of generating a learning model in the production process of the second mode of the component mounting method according to the third modification of the embodiment.

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。 Embodiments of the present invention will be described in detail below with reference to the drawings. Note that all of the embodiments described below are specific examples of the present invention. Therefore, the numerical values, shapes, materials, components, arrangement and connection forms of the components, steps and order of steps, etc. shown in the following embodiments are merely examples, and are not intended to limit the present invention. Therefore, among the constituent elements in the following embodiments, constituent elements that are not described in the independent claims representing the most significant concept of the present invention will be explained as arbitrary constituent elements.

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。 Furthermore, each figure is a schematic diagram and is not necessarily strictly illustrated. Moreover, in each figure, the same reference numerals are attached to the same constituent members.

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。 Furthermore, in this specification and the drawings, the X-axis, Y-axis, and Z-axis represent three axes of a three-dimensional orthogonal coordinate system. The X-axis and the Y-axis are orthogonal to each other, and both are orthogonal to the Z-axis. Furthermore, in the following embodiments, the substrate transport direction is sometimes described as the X-axis positive direction, the Z-axis positive direction as upward, and the Z-axis negative direction as downward.

(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。
(Embodiment)
[1. Schematic configuration of component mounting system]
First, a schematic configuration of a component mounting system according to an embodiment will be described with reference to FIGS. 1 and 2.

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。 FIG. 1 is a plan view showing a component mounting system 1 according to an embodiment. FIG. 2 is a diagram showing the board 3 handled by each device of the component mounting system 1.

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。 As shown in FIG. 1, the component mounting system 1 includes a board loading section 10, a pasting section 20, a temporary crimping section 30, a main crimping section 40, a board unloading section 50, a transport section 60, and a computer 70. , is provided. The substrate carrying-in section 10, the pasting section 20, the temporary pressure bonding section 30, the main pressure bonding section 40, and the substrate carrying-out section 50 are connected in this order.

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。 In FIG. 1, computer 70 is illustrated as functional blocks. The computer 70 is connected to each device, such as the pasting section 20, the temporary crimping section 30, the main crimping section 40, etc., in a wireless communicable manner or in a wired communicable manner via a control line or the like, and controls each device. In this embodiment, the computer 70 is used to generate a learning model for determining the quality of an alignment mark or an ACF (Anisotropic Conductive Film) to be imaged. Generation of the learning model will be described later.

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。 The component mounting system 1 is a system for mounting components on a substrate 3, and is used to produce liquid crystal panels and the like. Note that an example of the component is the ACF 6 or the electronic component 5, which will be described later.

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。 As shown in FIG. 2, in the component mounting system 1, the board 3 is first carried into the board carrying section 10. The substrate 3 is a rectangular substrate, and a plurality of alignment marks M (hereinafter sometimes referred to as marks M) and a plurality of electrode parts 4 are provided on the periphery of the substrate 3. Each of the plurality of electrode parts 4 is formed of a predetermined pattern electrode. The substrate 3 carried into the substrate carrying section 10 is conveyed to the pasting section 20.

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。 In the pasting section 20, first, a plurality of marks M are imaged, and the position of the substrate 3 is adjusted based on the imaged image of each mark M. Next, the ACF 6, which is an anisotropic conductive member, is attached to the region of the substrate 3 where the electrode portion 4 is formed. Further, the ACF 6 attached to the substrate 3 is imaged, and the quality of the attached state of the ACF 6 is determined based on the imaged image of the ACF 6. The substrate 3 on which the ACF 6 has been determined to be in a good state is transported to the temporary pressure bonding section 30 .

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。 In the temporary pressure bonding section 30, first, a plurality of marks M are imaged, and the position of the substrate 3 is adjusted based on the imaged image of each mark M. Next, electronic components 5 such as a drive circuit are temporarily pressed onto the substrate 3 via the ACF 6. The board 3 on which the electronic component 5 is temporarily crimped is transported to the final crimping section 40 .

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。 In the main crimping section 40, first, a plurality of marks M are imaged, and the position of the substrate 3 is adjusted based on the imaged image of each mark M. Next, the electronic component 5 is fully crimped onto the substrate 3 via the ACF 6, and the electronic component 5 is electrically connected to the electrode section 4 of the substrate 3. The board 3 to which the electronic component 5 is connected is transported to the board unloading section 50 and further unloaded from the board unloading section 50.

[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。
[2. Configuration of each device of component mounting system]
Next, the configuration of each device of the component mounting system 1 will be explained with reference to FIGS. 1, 3, and 4. As described above, the component mounting system 1 includes the board loading section 10, the pasting section 20, the temporary crimping section 30, the main crimping section 40, the board unloading section 50, the transport section 60, and the computer 70. Be prepared.

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。 As shown in FIG. 1, the substrate loading section 10 includes a stage 11 provided on a base 1a. The substrate 3 is loaded onto the stage 11, and is transported by the transport section 60 to the pasting section 20, the temporary pressure bonding section 30, the main pressure bonding section 40, and the substrate unloading section 50 in this order.

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。 The transfer unit 60 includes a substrate transfer mechanism 62A, a substrate transfer mechanism 62B, and a substrate transfer mechanism 62C on a movable base 61 extending in the X-axis direction across a base 1a, a base 1b, and a base 1c, in order from the upstream side. , and a substrate transport mechanism 62D. Each of the substrate transport mechanisms 62A to 62D includes a base 63 and two arm units 64.

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。 For example, the substrate transport mechanism 62A receives the substrate 3 carried into the stage 11 of the substrate carry-in section 10, and delivers it to the stage 23 of the pasting section 20. The substrate transport mechanism 62B receives the substrate 3 from the stage 23 of the pasting section 20 and delivers it to the stage 33 of the temporary pressure bonding section 30. The substrate transport mechanism 62C receives the substrate 3 from the stage 33 of the temporary pressure bonding section 30 and delivers it to the stage 43 of the main pressure bonding section 40. The substrate transport mechanism 62D receives the substrate 3 from the stage 43 of the main compression bonding section 40 and delivers it to the stage 51 of the substrate unloading section 50.

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。 FIG. 3 is a diagram showing the pasting section 20. As shown in FIG. 3A, the pasting section 20 includes a stage moving section 21, a pasting mechanism 22, and an imaging section 29.

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。 The stage moving unit 21 is a mechanism that moves the substrate 3. The stage moving unit 21 includes a multi-axis table movable in, for example, the X-axis direction, the Y-axis direction, the Z-axis direction, and the rotation direction around the Z-axis, and moves the substrate 3 placed on the stage 23.

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。 The imaging unit 29 is, for example, a camera having an imaging element, and images the mark M provided on the substrate 3. Further, the imaging unit 29 images the ACF 6 after being attached to the substrate 3. When the substrate 3 is transparent, the imaging unit 29 may be arranged below the substrate 3 to image the mark M or the ACF 6 from below the substrate 3. The image captured by the imaging unit 29 is transmitted to the computer 70. Note that the alignment mark M and the ACF 6 are examples of objects to be imaged in this embodiment.

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。 The pasting mechanism 22 includes two pasting heads 25 arranged in the X-axis direction on the front surface of a beam 24 extending in the X-axis direction above the base 1b. Each pasting head 25 has a tape supply section 25a and a pasting tool 25b. Furthermore, a pasting support base 26 that supports the substrate 3 from below is provided at a position below the pasting head 25 .

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。 As shown in FIG. 3B, the stage moving section 21 moves the substrate 3 so that the electrode section 4 of the substrate 3 is located between the pasting head 25 and the pasting support base 26. As shown in FIG. Each pasting head 25 cuts the ACF tape 6a supplied by the tape supply section 25a to match the length of the electrode section 4. The pasting mechanism 22 places the ACF 6 formed by cutting above the electrode section 4 and presses the ACF 6 against the substrate 3 by lowering the pasting tool 25b. As a result, the ACF 6 is attached to the substrate 3.

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。 As shown in FIG. 1, the temporary pressure bonding section 30 includes a stage moving section 31, a component mounting mechanism 32, a component supply section 34, and an imaging section 39.

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。 The stage moving unit 31 includes a multi-axis table similar to the stage moving unit 21, and moves the substrate 3 placed on the stage 33.

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。 The imaging unit 39 is, for example, a camera having an imaging element, and images the mark M provided on the substrate 3. The image captured by the imaging unit 39 is transmitted to the computer 70.

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。 The component supply unit 34 supplies the electronic component 5 to the component mounting mechanism 32.

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。 The component mounting mechanism 32 is provided on the base 1b and includes a mounting head, a mounting head moving mechanism that moves the mounting head, and a mounting support base that supports the substrate 3 from below (not shown). The component mounting mechanism 32 picks up the electronic component 5 supplied by the component supply section 34, and places and presses the electronic component 5 onto the ACF 6. Thereby, the electronic component 5 is temporarily pressure-bonded to the substrate 3.

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。 FIG. 4 is a diagram showing the main crimping section 40. As shown in FIG. The main crimping section 40 includes a stage moving section 41, a crimping mechanism 42, and an imaging section 49.

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。 The stage moving unit 41 includes a multi-axis table movable in the X-axis direction, Y-axis direction, Z-axis direction, and rotation direction around the Z-axis, and moves the substrate 3 placed on the stage 43.

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。 The imaging unit 39 is, for example, a camera having an imaging element, and images the mark M provided on the substrate 3. The image captured by the imaging unit 39 is transmitted to the computer 70.

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。 The crimping mechanism 42 includes a plurality of crimping units 45 and a crimping support section 44 that supports the substrate 3 from below. The plurality of crimping units 45 are arranged in a line above the crimping support section 44 . The crimping unit 45 includes a pressure mechanism 47 and a crimping head 48 that includes a heater. The pressure mechanism 47 has a rod that can be vertically projected and retracted, and a crimping head 48 is provided at the lower end of the rod.

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。 The pressure bonding head 48 is lowered by the drive of the pressure mechanism 47 and presses the electronic component 5 mounted on the substrate 3 while heating it. The ACF 6 is cured by this heating, and the electronic component 5 is finally pressure-bonded to the substrate 3.

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。 The substrate unloading section 50 shown in FIG. 1 includes a stage 51 provided on a base 1c. The substrate 3 transferred from the main compression bonding section 40 is held on a stage 51. The substrate 3 held by the substrate unloading unit 50 is either unloaded to another device for next processing, or taken out from the stage 51 by an operator.

[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。
[3. Functional configuration of computer]
Next, the functional configuration of the computer 70 of the component mounting system 1 will be explained with reference to FIG.

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。 FIG. 5 is a block diagram showing the functional configuration of the computer 70 of the component mounting system 1.

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。 The computer 70 is a control device for controlling the operation of each device included in the component mounting system 1. The computer 70 includes a control section 70a and a storage section 70b.

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。 The control section 70a controls the pasting section 20, the temporary pressure bonding section 30, the main pressure bonding section 40, and the conveying section 60. The control unit 70a is realized by, for example, a control program for controlling each device of the component mounting system 1, and a CPU (Central Processing Unit) that executes the control program.

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。 The storage unit 70b stores various data necessary for component attachment, such as the size of the board 3, the type of component to be attached to the board 3, the attachment position, the attachment direction, and the timing for transporting the substrate 3 between each processing section, as well as control. The control program and the like executed by the unit 70a are stored. The storage unit 70b also stores a learning model, which will be described later, learning data necessary to generate the learning model, an evaluation level necessary to evaluate the learning model, and the like. This storage unit 70b is realized by a HDD (Hard Disk Drive), an SSD (Solid State Drive), a ROM (Read Only Memory), a RAM (Random Access Memory), or the like.

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。 In the component mounting system 1, in order to suppress erroneous determination when determining the quality of the imaging target (alignment mark M and ACF 6), a learning model is used to perform the quality determination. In this embodiment, the computer 70 is used to generate and evaluate a learning model.

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。 In order to generate and evaluate a learning model, the computer 70 includes an image acquisition section 71, a determination section 73, a display section 79, a modification input section 72, a modification section 74, a learning model generation section 75, a learning model evaluation section 76, and a modification section. It has a functional configuration such as 77.

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。 The image acquisition section 71 acquires images transmitted from each of the imaging section 29 of the pasting section 20, the imaging section 39 of the temporary compression bonding section 30, and the imaging section 49 of the main compression bonding section 40. The display unit 79 displays the images transmitted from the imaging units 29, 39, and 49 on the screen.

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。 The determination unit 73 determines the quality of the imaging target based on the image acquired by the image acquisition unit 71. Specifically, the determination unit 73 determines the quality of the imaging target based on the detected value obtained from the image and a preset reference value. Examples of the detected values include the position, area, shape, color, etc. of the imaging target within the imaging range (imaging area). The preset reference value is stored in the storage unit 70b as a value corresponding to each detected value.

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。 Here, an example will be described in which the quality of the mark M is determined using the mark M as the imaging target.

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。 FIG. 6 is a diagram showing an image of the alignment mark M provided on the substrate 3 and a determination result of the quality of the alignment mark M. FIG. 6 shows an example in which the mark M has a plus (+) shape so that the center coordinates of the mark M can be easily identified. Note that the mark M is not limited to the plus-shaped shape, but may be square or diamond-shaped.

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。 FIG. 6A shows an example in which the shape and position of the image of the mark M are within the range of the reference values, and the determination result of the mark M is good. FIGS. 6(b) and 6(c) show an example in which the shape of the image of the mark M is outside the reference value range and the pass/fail determination result is poor. FIG. 6(d) shows an example in which the position of the image of the mark M is outside the reference value range and the quality determination result is poor.

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。 As shown in FIG. 6(a), if the determination result of the mark M is good, each process in the next device (for example, pasting process, temporary crimping process, main crimping process) is executed without any abnormality. . On the other hand, as shown in FIGS. 6(b) to 6(d), if the pass/fail determination result is bad, each device is stopped and an operator performs confirmation.

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。 For example, as shown in FIG. 6(b), if the shape is defective and cannot be corrected, the confirmation result that it is defective is input again by the operator. For example, if the shape is determined to be defective as shown in FIG. 6(c), but the center coordinates of the mark M can be recognized, the center coordinates are input by the operator and an input to change the judgment result to good is made. It will be done. In addition, as shown in FIG. 6(d), if it is determined that the position is defective, but the center coordinates of the mark M can be recognized, the center coordinates are input by the operator, and an input to change the judgment result to good is made. It will be done. In this way, if the detection of mark M is incorrectly determined to be defective even though it is not completely defective (for example, although the center coordinates of mark M can be recognized), the operator can make corrections. Input is made.

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。 The correction input unit 72 is, for example, a keyboard and a mouse, and obtains correction inputs from the operator. The modification unit 74 modifies the determination result incorrectly determined as defective by the determination unit 73 to a modification result of good, based on the modification input acquired by the modification input unit 72. The image of the mark M, the pass/fail judgment result, and the correction result shown in FIGS. be done.

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。 Next, an example will be described in which the quality of the ACF 6 is determined using the ACF 6 as an imaging target.

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。 FIG. 7 is a diagram showing an image of the ACF 6 provided on the substrate 3 and a determination result of the quality of the ACF 6. FIG. 7 shows an example in which the ACF 6 attached to the substrate 3 has a rectangular shape.

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。 FIG. 7A shows an example in which the shape and position of the image of the ACF 6 are within the reference value range, and the determination result of the quality of the ACF 6 is good. FIGS. 7(b) and 7(c) show an example in which the shape and position of the image of the ACF 6 are outside the reference value range, and the pass/fail determination result is poor.

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。 As shown in FIG. 7A, if the determination result of the ACF 6 is good, the next process (for example, temporary pressure bonding process) is executed without any abnormality. On the other hand, as shown in FIGS. 7(b) and 7(c), if the pass/fail determination result is bad, the operation of each device is stopped and an operator performs confirmation.

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。 For example, as shown in FIG. 7(b), if the shape is defective and cannot be corrected, a confirmation result indicating that it is defective is input again. For example, as shown in FIG. 7(c), it is determined that the shape and position are defective, but if the operator recognizes that there is no problem in performing the next process in this state, the determination result is changed to good. Input is made. In this way, even if the ACF 6 is not completely defective (for example, even though the ACF 6 completely covers the electrode part 4), it is incorrectly determined that the ACF 6 is defective. Correct input is made.

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。 The correction input unit 72 obtains correction input from the operator. The modification unit 74 modifies the determination result incorrectly determined as defective by the determination unit 73 to a modification result of good, based on the modification input acquired by the modification input unit 72. The images of the ACF 6, the pass/fail judgment results, and the correction results shown in FIGS. Ru.

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。 The learning model generation unit 75 performs machine learning using the image, the determination result, and the correction result as learning data, and generates a learning model for determining the quality of the imaging target. For example, the learning model generation unit 75 uses a neural network that has an input layer that inputs each pixel in an image and an output layer that outputs results of good and bad, and uses the judgment result or correction result as a label to identify the object to be imaged. A learning model is generated so that the correct answer rate for pass/fail judgments is high. If both the determination result and the correction result exist, learning is performed using the correction result as a label.

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。 Generation of this learning model may be executed by a computer that controls each device of the component mounting system 1, or may be executed by a computer of an external server. Further, the generation of the learning model may be executed each time a predetermined amount of data of the images, determination results, and correction results are accumulated, or may be executed each time a correction result by the operator is input.

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。 The learning model evaluation unit 76 determines whether the proficiency level of the learning model has reached a prescribed level. For example, the learning model evaluation unit 76 determines whether the correct answer rate based on the learning model has reached the same level as that of a skilled worker (for example, a correct answer rate of 99.9%). Note that the learning model and the prescribed level for evaluating the proficiency level are stored in the storage unit 70b.

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。 The changing unit 77 causes the determining unit 73 to determine the quality of the imaging target using the learning model when the learning model evaluation unit 76 evaluates that the proficiency level of the learning model has reached a prescribed level. The method of determination by the determination unit 73 is changed.

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。 For example, the changing unit 77 changes the determination method of the determining unit 73 so that instead of determining the quality of the imaging target based on the detected value and the reference value, the learning model is used to determine the quality of the imaging target. May be changed. In addition, the changing unit 77 changes the determination method of the determining unit 73 so that it performs both the quality determination of the imaging target based on the detected value and the reference value and the quality determination of the imaging target using the learning model. You may.

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。 In this way, the computer 70 determines whether the imaged object is good or bad by using the learning model generated based on the image, the judgment result of the judgment section 73, and the correction result of the correction section 74. Misjudgment can be suppressed when making a determination. Thereby, a decrease in productivity in the component mounting system 1 can be suppressed.

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。 The above-mentioned change in the method of determination may be executed by the operator's judgment, or by the judgment of the computer 70 based on the evaluation result of the learning model evaluation unit 76.

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。 Further, the above-mentioned learning model is switched for each product type. When there are many production types, it takes time to learn from the beginning, so a learning model of a similar production type may be selected from the learned learning models and learning may be performed based on that learning model. This can shorten the time it takes to create a learning model.

[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。
[4. Component mounting method]
Next, a component mounting method according to an embodiment will be described. The component mounting method according to the present embodiment includes a first mode production process S1 that does not use a learning model, and a second mode production process S2 that uses a learning model. The component mounting method also includes a changing step S1A that changes the first mode production step S1 to the second mode production step S2.

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。 FIG. 8 is a diagram illustrating an example of the steps included in the first mode production process S1. The first mode production process S1 shown in FIG. 8 includes an image acquisition process S10, a first determination process S21, a correction process S30, and an attachment process S40. In this example, the image acquisition step S10 is a step of acquiring an image of the mark M taken by the pasting section 20, and the attaching step S40 is a pasting step of pasting the ACF 6 onto the substrate 3 using the pasting section 20.

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。 First, the image acquisition unit 71 of the computer 70 acquires an image of the mark M provided on the substrate 3 (S10). Specifically, the image acquisition unit 71 acquires an image of the mark M captured by the imaging unit 29 of the pasting unit 20.

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)。 Next, the determination unit 73 determines the quality of the mark M based on the detected value determined from the image and a first reference value set in advance (S21). Examples of the detected values include the position, area, shape, color, etc. of the mark M within the imaging range (imaging area). If the determination result of the determination unit 73 is good (passed in S21), the position of the substrate 3 is adjusted based on the image of the mark M (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)。 When the determination result of the determination unit 73 is defective (defective in S21), it is determined whether the determination result is an erroneous determination (S25). If the determination result is correct, that is, if it is not an erroneous determination (No in S25), the board 3 is removed from the component mounting system 1 (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)。 On the other hand, if the determination result is an erroneous determination (Yes in S25), the determination result is corrected to be good (S30). Specifically, the correction unit 74 corrects the determination result of the mark M as good or bad based on the correction input obtained by the correction input unit 72. The position of the substrate 3 having the mark M whose determination result has been corrected is adjusted based on the image of the mark M (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。 Once the position of the board 3 is adjusted, the mounting section performs a component mounting process (S40). The attachment section in this example is the attachment mechanism 22, and the component attachment process is an attachment process for attaching the ACF 6 to the board 3.

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。 The process shown in FIG. 8 is not limited to the pasting part 20, but can also be applied to the temporary crimping part 30 or the main crimping part 40. For example, when the process shown in FIG. 8 is applied to the temporary pressure bonding section 30, the step of acquiring the image of the mark M taken by the temporary pressure bonding section 30 corresponds to the image acquisition step S10, and the electronic component 5 is temporarily bonded to the board 3. This process corresponds to the attachment process S40. Furthermore, when the process shown in FIG. 8 is applied to the main crimping section 40, the step of acquiring the image of the mark M taken by the main crimping section 40 corresponds to the image acquisition step S10, and the electronic component 5 is main crimped onto the board 3. This process corresponds to the attachment process S40.

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。 The image of the mark M, the pass/fail determination result, and the correction result obtained in the first mode production process S1 are output to the computer 70. In the computer 70, a learning process S60 is executed in parallel with the first mode production process S1.

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。 FIG. 9 is a flowchart illustrating an example of generating a first learning model based on data of the first mode production process S1 and changing the first mode production process S1 to the second mode production process S2.

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。 The learning process S60 includes a learning model generation process S61 that generates a first learning model, and a learning model evaluation process S62 that evaluates the first learning model.

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)。 The learning model generation unit 75 performs machine learning using the image obtained in the image acquisition step S10 of the production step S1 in the first mode, the determination result of the first determination step S21, and the modification result of the modification step S30 as learning data. A first learning model for determining the quality of the mark M is generated (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。 The learning model evaluation unit 76 evaluates the proficiency level of the first learning model (S62). The proficiency level is determined by, for example, whether the correct answer rate of the first learning model is equal to or higher than a specified value. This correct answer rate is set to the same level as that of a skilled worker. If it is not evaluated that the proficiency level of the first learning model has reached the prescribed level (No in S62), the process returns to the learning model generation step S61 and continues to generate the first learning model. On the other hand, if it is evaluated that the proficiency level of the first learning model has reached the prescribed level (Yes in S62), the learning model evaluation unit 76 generates an arrival signal indicating that the proficiency level has reached the prescribed level. is output to the changing unit 77.

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。 The changing unit 77 determines whether the first mode production process S1 should be changed to the second mode production process S2 (S1A). If the change unit 77 does not receive the arrival signal, it determines that the production process should not be changed (No in S1A), and continues to execute the production process S1 in the first mode. On the other hand, when the change unit 77 receives the arrival signal (Yes in S62), it determines that the production process should be changed (Yes in S1A), and changes the production process S1 in the first mode to the production process in the second mode. Change to S2.

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。 FIG. 10 is a diagram illustrating an example of the steps included in the second mode production process S2. The second mode production process S2 shown in FIG. 10 includes an image acquisition process S10, a second determination process S22, and an attachment process S40. In this example as well, the image acquisition step S10 is a step of acquiring an image of the mark M taken by the pasting section 20, and the attaching step S40 is a pasting step of pasting the ACF 6 on the substrate 3 using the pasting section 20.

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。 First, the image acquisition unit 71 acquires an image of the mark M provided on the substrate 3 (S10). Specifically, the image acquisition unit 71 acquires an image of the mark M captured by the imaging unit 29 of the pasting unit 20.

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)。 Next, the determining unit 73 uses the first learning model to determine the quality of the mark M (S22). If the judgment result of the judgment unit 73 is defective (defective in S22), the board 3 is removed from the component mounting system 1 (S50). If the determination result of the determination unit 73 is good (passed in S22), the position of the substrate 3 is adjusted based on the image of the mark M (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。 Once the position of the board 3 is adjusted, the mounting section performs a component mounting process (S40). The attachment section in this example is the attachment mechanism 22, and the component attachment process is an attachment process for attaching the ACF 6 to the board 3.

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。 The process shown in FIG. 10 is not limited to the pasting part 20, but can also be applied to the temporary pressure bonding part 30 or the main pressure bonding part 40. For example, when the process shown in FIG. 10 is applied to the temporary pressure bonding section 30, the step of acquiring the image of the mark M taken by the temporary pressure bonding section 30 corresponds to the image acquisition step S10, and the electronic component 5 is temporarily bonded to the board 3. This process corresponds to the attachment process S40. Furthermore, when the process shown in FIG. 10 is applied to the main crimping section 40, the step of acquiring the image of the mark M taken by the main crimping section 40 corresponds to the image acquisition step S10, and the electronic component 5 is main crimped onto the board 3. This process corresponds to the attachment process S40.

[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。
[5. Other examples of component mounting methods]
Next, another example of the component mounting method will be described.

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。 FIG. 11 is a diagram showing another example of the steps included in the first mode production step S1. The first mode production process S1 shown in FIG. 11 includes an image acquisition process S10, a first determination process S21, a correction process S30, and an attachment process S40. In this example, a case will be explained in which the image acquisition step S10 is a step of acquiring an image of the ACF 6 pasted by the pasting section 20, and the attachment step S40 is a temporary pressure bonding step and a main pressure bonding step following the pasting step. do.

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。 First, the image acquisition unit 71 acquires an image of the ACF 6 pasted on the substrate 3 (S10). Specifically, the image acquisition unit 71 acquires an image of the ACF 6 captured by the imaging unit 29 of the pasting unit 20.

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。 Next, the determination unit 73 determines the quality of the ACF 6 based on the detected value determined from the image and a preset second reference value (S21). Examples of the detected values include the position, area, shape, color, etc. of the ACF 6 within the imaging range (imaging region). If the determination result of the determination unit 73 is good (passed in S21), the next attachment step S40 is executed. As described above, the attachment process S40 is a temporary pressure bonding process and a main pressure bonding process.

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)。 When the determination result of the determination unit 73 is defective (defective in S21), it is determined whether the determination result is an erroneous determination (S25). If the determination result is correct, that is, if it is not an erroneous determination (No in S25), the board 3 is removed from the component mounting system 1 (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。 On the other hand, if the determination result is an erroneous determination (Yes in S25), the determination result is corrected to be good (S30). Specifically, the modification section 74 modifies the determination result of the quality of the ACF 6 to "good" based on the modification input acquired by the modification input section 72. The next mounting step S40 is executed for the board 3 having the ACF 6 for which the judgment result has been corrected.

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。 The image of the ACF 6, the quality determination result, and the correction result obtained in the first mode production process S1 are output to the computer 70. In the computer 70, a learning process S60 is executed in parallel with the first mode production process S1.

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。 FIG. 12 shows an example in which a second learning model is generated based on the data of the first mode production process S1 shown in FIG. 11, and the first mode production process S1 is changed to the second mode production process S2. It is a flowchart.

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。 The learning process S60 includes a learning model generation process S61 that generates a second learning model, and a learning model evaluation process S62 that evaluates the second learning model.

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)。 The learning model generation unit 75 performs machine learning using the image obtained in the image acquisition step S10 of the production step S1 in the first mode, the determination result of the first determination step S21, and the modification result of the modification step S30 as learning data. A second learning model for determining the quality of the ACF 6 is generated (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。 The learning model evaluation unit 76 evaluates the proficiency level of the second learning model (S62). The proficiency level is determined by, for example, whether the correct answer rate of the second learning model is equal to or higher than a specified value. This correct answer rate is set to the same level as that of a skilled worker. If it is not evaluated that the proficiency level of the second learning model has reached the prescribed level (No in S62), the process returns to the learning model generation step S61 and continues to generate the second learning model. On the other hand, when it is evaluated that the proficiency level of the second learning model has reached the prescribed level (Yes in S62), the learning model evaluation unit 76 generates an arrival signal indicating that the proficiency level has reached the prescribed level. is output to the changing unit 77.

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。 The changing unit 77 determines whether the first mode production process S1 should be changed to the second mode production process S2 (S1A). If the change unit 77 does not receive the arrival signal, it determines that the production process should not be changed (No in S1A), and continues to execute the production process S1 in the first mode. On the other hand, when the changing unit 77 receives the arrival signal, it determines that the production process should be changed (Yes in S1A), and changes the first mode production process S1 to the second mode production process S2.

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。 FIG. 13 is a diagram showing an example of the steps included in the second mode production step S2. The second mode production process S2 shown in FIG. 13 includes an image acquisition process S10, a second determination process S22, and an attachment process S40. In this example as well, the image acquisition step S10 is a step of acquiring an image of the ACF 6 pasted by the pasting section 20, and the attachment step S40 is a temporary pressure bonding step and a main pressure bonding step following the pasting step.

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。 First, the image acquisition unit 71 acquires an image of the ACF 6 provided on the substrate 3 (S10). Specifically, the image acquisition unit 71 acquires an image of the ACF 6 captured by the imaging unit 29 of the pasting unit 20.

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。 Next, the determination unit 73 determines the quality of the ACF 6 using the second learning model (S22). If the judgment result of the judgment unit 73 is defective (defective in S22), the board 3 is removed from the component mounting system 1 (S50). If the determination result of the determination unit 73 is good (passed in S22), the next attachment step S40 is executed. As described above, the attachment process S40 is a temporary crimping process and a main crimping process.

[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。
[6. Modification example 1 of embodiment]
Next, a component mounting method according to Modification 1 of the embodiment will be described. In modification example 1, the second determination step in the production process S2 of the second mode includes both the quality determination of the imaging target based on the detected value and the reference value, and the quality determination of the imaging target using a learning model. I will explain about it. In this modified example 1, the alignment mark M and the ACF 6 are each taken as an imaging target, and the ACF 6 and the electronic component 5 are each described as a component.

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。 FIG. 14 is a flowchart showing the production process S2 in the second mode of the component mounting method according to the first modification. The production process S2 in the second mode shown in FIG. 14 includes an image acquisition process S10, a first determination process S21, a second determination process S22, and an attachment process S40.

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。 First, the image acquisition unit 71 acquires an image of the imaging target provided on the substrate 3 (S10). Specifically, the image acquisition unit 71 acquires images of the imaging target captured by the imaging units 29, 39, and 49.

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)。 Next, the determination unit 73 determines the quality of the imaging target based on the detected value obtained from the image and a preset reference value (S21). Examples of the detected values include the position, area, shape, color, etc. of the imaging target within the imaging range (imaging area). If the determination result of the determination unit 73 is good (passed in S21), the attachment unit performs component attachment processing (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)。 If the determination result of the determination unit 73 is defective (defect in S21), the quality of the imaging target is determined using the learning model generated based on the data of the first mode production process S1 (S22). If the result of the quality determination using the learning model is negative (defective in S22), the board 3 is removed from the component mounting system 1 (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。 On the other hand, if the determination result using the learning model is good (passed in S22), a component mounting process is performed by the mounting section (S40). Note that the component mounting process by the mounting unit is a pasting process in which the ACF 6 is pasted on the board 3 by the pasting mechanism 22, a temporary pressure bonding process in which the electronic component 5 is temporarily pressed on the board 3 by the component mounting mechanism 32, or a temporary pressure bonding process in which the electronic component 5 is temporarily pressed on the board 3 by the component mounting mechanism 32, or This is a final crimping process in which the electronic component 5 is fully crimped onto the substrate 3.

[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。
[7. Modification 2 of embodiment]
Next, a component mounting method according to a second modification of the embodiment will be described. In modification 2, an example will be described in which it is determined whether or not to perform the second determination step S22 based on the magnitude of the difference between the detected value and the reference value. In the second modification as well, the alignment mark M and the ACF 6 are each taken as an imaging target, and the ACF 6 and the electronic component 5 are each described as a component.

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。 FIG. 15 is a flowchart showing the second mode production process S2 of the component mounting method of Modification 2. The production process S2 in the second mode shown in FIG. 15 includes an image acquisition process S10, a first determination process S21, a second determination process S22, and an attachment process S40, and further includes a determination process S26 shown below. .

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。 First, the image acquisition unit 71 acquires an image of the imaging target provided on the substrate 3 (S10). Specifically, the image acquisition unit 71 acquires an image of the imaging target captured by the imaging unit 29, 39, or 49.

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)。 Next, the determination unit 73 determines the quality of the imaging target based on the detected value obtained from the image and a preset reference value (S21). If the determination result of the determination unit 73 is good (passed in S21), the attachment unit performs component attachment processing (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)。 If the determination result of the determination unit 73 is negative (defective in S21), the computer 70 uses the learning model to determine the value based on the magnitude of the difference between the detected value obtained from the image and the preset reference value. It is determined whether or not the quality of the imaging target should be determined (S26). If the difference between the detected value and the reference value is larger than a predetermined value (Yes in S26), the board 3 is removed from the component mounting system 1 without making a pass/fail determination using the learning model. (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。 On the other hand, if the difference between the detected value and the reference value is smaller than a predetermined value (No in S26), a quality determination is performed in a second determination step using a learning model (S22). The subsequent steps are similar to the component mounting method according to the first modification.

[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。
[8. Modification example 3 of embodiment]
Next, a component mounting method according to modification 3 of the embodiment will be described. In modification 3, an example will be described in which a learning model is generated in the production process S2 of the second mode. Also in the third modification, the alignment mark M and the ACF 6 will be described as imaging targets, and the ACF 6 and the electronic component 5 will be described as a component.

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。 FIG. 16 is a flowchart illustrating an example of generating a learning model in the second mode production process S2.

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。 The production process S2 in the second mode shown in FIG. 16 includes an image acquisition process S10, a second determination process S22, and an attachment process S40, and further includes a correction process S31 shown below.

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。 First, the image acquisition unit 71 acquires an image of the imaging target provided on the substrate 3 (S10). Specifically, the image acquisition unit 71 acquires an image of the imaging target captured by the imaging unit 29, 39, or 49.

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。 Next, the determination unit 73 determines the quality of the imaging target using the learning model of the production process S2 in the second mode (S22). When the determination result of the determination unit 73 is good (passed in S22), the next attachment step S40 is executed.

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)。 If the determination result of the determination unit 73 is defective (defective in S22), it is determined whether the determination result is an erroneous determination (S25A). If the determination result is correct, that is, if it is not an erroneous determination (No in S25A), the board 3 is removed from the component mounting system 1 (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。 On the other hand, if the determination result is an erroneous determination (Yes in S25A), the determination result is corrected to be good (S31). Specifically, the modification unit 74 modifies the determination result of the quality of the imaging target to good based on the modification input acquired by the modification input unit 72. The next mounting step S40 is performed on the board 3 having the imaging target for which the determination result has been corrected.

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)。 The image of the imaging target acquired in the production process S2 of the second mode, the quality determination result, and the correction result are output to the computer 70. In the computer 70, a learning process (S60) is executed in parallel with the second mode production process S2 (see FIG. 9).

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)。 Similarly to FIG. 9, the learning model generation unit 75 learns the image obtained in the image acquisition step S10 of the production step S2 in the second mode, the determination result of the second determination step S22, and the modification result of the modification step S31. Machine learning is performed on the data to generate a learning model for determining the quality of the imaging target (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。 The learning model evaluation unit 76 evaluates the proficiency level of the learning model (S62). The proficiency level is determined, for example, by whether the correct answer rate of the learning model is equal to or higher than a specified value. The correct answer rate of the learning model is set to a higher correct answer rate than the correct answer rate of the original learning model. If it is evaluated that the proficiency level of the learning model has reached the prescribed level (Yes in S62), the computer 70 changes the original learning model to the learning model and executes the second mode production process S2. do.

(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。
(summary)
The component mounting method according to the present embodiment includes a first mode production process S1, a learning model generation process, a learning model evaluation process, and a second mode production process S2. and a changing step of changing to.

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。 The production process S1 in the first mode includes an image acquisition step of acquiring an image of the imaging target provided on the substrate 3, and a determination of the quality of the imaging target based on a detected value obtained from the image and a preset reference value. a first judgment step to be carried out, a correction step of correcting the judgment result of the first judgment step to good when it is incorrectly judged as defective in the first judgment step, and attaching the component to the board 3 having the imaging target judged as good. Has an installation process. The learning model generation process is for determining the quality of the imaging target by machine learning using the image acquired in the production process S1 of the first mode, the determination result of the first determination process, and the modification result of the modification process as learning data. Generate a learning model for. The learning model evaluation step evaluates the proficiency level of the learning model generated in the learning model generation step. In the change step, when it is evaluated that the proficiency level of the learning model has reached a specified level in the learning model evaluation step, the production process S1 of the first mode is changed to the first mode in which the quality of the imaging target is determined using the learning model. The production process is changed to a second mode production process S2 having two determination processes.

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。 In this way, the production process S1 of the first mode, which determines the quality of the imaging target based on the detection value obtained from the image and the preset reference value, is performed based on the data of the production process S1 of the first mode. By changing to the second mode production process S2, which includes a step of performing quality determination using the generated learning model, it is possible to suppress erroneous determination when determining quality of the imaging target. Thereby, it is possible to suppress a decrease in productivity in component mounting (component attachment processing).

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。 For example, in the production process S1 of the first mode, the reference value may be set more strictly in order to prevent defects from occurring frequently. However, even in such a case, the production process S1 of the first mode can be changed to the production process S2 of the second mode, which performs a quality judgment using a learning model generated based on the data of the production process S1 of the first mode. By changing, it is possible to suppress erroneous determination when determining the quality of the imaging target.

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。 Moreover, the changing process may change the production process S1 in the first mode to the production process S2 in the second mode by replacing the first determination process with a second determination process.

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。 In this way, by changing the first mode production process S1 to the second mode production process S2 using a learning model, it is possible to suppress erroneous determinations when determining the quality of the imaged object. Thereby, it is possible to suppress a decrease in productivity in component mounting.

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。 The production process S2 in the second mode includes an image acquisition process, a first determination process, and a second determination process, and when the imaging target is determined to be defective in the first determination process, the second determination process is executed. You may.

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。 In this way, by executing the second determination step when the object is determined to be defective in the first determination step, it is possible to suppress erroneous determination when determining the quality of the imaging target. Thereby, it is possible to suppress a decrease in productivity in component mounting.

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。 In addition, in the production process S2 of the second mode, when it is determined to be defective in the first determination process, it is determined whether or not to perform the second determination process based on the magnitude of the difference between the detected value and the reference value. It may further include a determination step.

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。 In this way, by further including the determination step of determining whether or not to perform the second determination step, it is possible to reduce the load applied when performing the pass/fail determination using the second step. Thereby, it is possible to suppress a decrease in productivity in component mounting.

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。 Further, the learning model generation process and the learning model evaluation process may be repeatedly executed in the first mode production process S1.

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。 According to this, it is possible to improve the proficiency level of the learning model, and therefore it is possible to suppress erroneous determination when determining the quality of the imaging target. Thereby, it is possible to suppress a decrease in productivity in component mounting.

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。 In addition, the learning model generation step further includes the image, the determination result of the second determination step, and a step of correcting the determination result of the second determination step to good when it is incorrectly determined as defective in the second determination step. A learning model for determining the quality of the imaging target may be generated by machine learning using the correction results as learning data, and the second determination step may use the learning model to determine the quality of the imaging target.

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。 According to this, the proficiency level of the learning model can be further improved, so that erroneous determinations can be suppressed when determining the quality of the imaging target. Thereby, it is possible to suppress a decrease in productivity in component mounting.

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。 Further, the imaging target may be the alignment mark M provided on the board 3, and the component to be subjected to the mounting process may be the ACF 6 or the electronic component 5.

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。 According to this, it is possible to suppress erroneous determination when determining the quality of the alignment mark M. Thereby, it is possible to suppress a decrease in productivity in component mounting.

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。 Further, the imaging target may be the ACF 6 provided on the board 3, and the component in the mounting process may be the electronic component 5.

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。 According to this, it is possible to suppress erroneous determination when determining the quality of the ACF 6. Thereby, it is possible to suppress a decrease in productivity in component mounting.

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。 Further, in the learning model generation step, machine learning may be started based on a learned model selected from a plurality of learned models prepared in advance according to the type of board 3.

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。 According to this, the time to generate a learning model can be shortened. Thereby, it is possible to suppress a decrease in productivity in component mounting.

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。 The component mounting system 1 according to the present embodiment includes an image acquisition unit 71 that acquires an image of an imaging target provided on the board 3, and an image acquisition unit 71 that acquires an image of an imaging target provided on the board 3, and an image acquisition unit 71 that acquires an image of an object to be imaged. A determining section 73 that determines whether the object is good or bad; a modifying section 74 that modifies the determination result of the determining section 73 to good when the determining section 73 erroneously determines that the object is defective; and a mounting section for mounting components onto a substrate 3 having an imaged object. The component mounting system 1 also uses machine learning that uses the image, the judgment result of the judgment unit 73, and the correction result of the correction unit 74 as learning data to generate a learning model for determining the quality of the imaged object. It further includes a model generation section 75 and a learning model evaluation section 76 that evaluates the proficiency level of the learning model generated by the learning model generation section 75. When the learning model evaluation unit 76 evaluates that the proficiency level of the learning model has reached a prescribed level, the determining unit 73 uses the learning model to determine the quality of the imaging target.

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。 In this way, the determination unit 73 determines the quality of the imaging target by using the learning model generated based on the image, the determination result of the determination unit 73, and the modification result of the modification unit 74. It is possible to suppress erroneous judgments when making pass/fail judgments. Thereby, a decrease in productivity in the component mounting system 1 can be suppressed. Note that the above attachment section is, for example, the pasting mechanism 22, the component mounting mechanism 32, or the crimping mechanism 42.

(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。
(Other embodiments)
Although the component mounting system and the like according to the present embodiment have been described above based on the above embodiments, the present invention is not limited to the above embodiments.

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。 For example, in the embodiment described above, an example is shown in which the learning model is used in determining the quality of the mark M in the pasting process, temporary pressure bonding process, and main pressure bonding process, and in determining the quality of the ACF6 in the pasting process. The quality determination and the quality determination of the ACF 6 do not need to be performed in all of the above steps, and may be performed in at least one step.

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。 In addition, in the above embodiment, machine learning is performed using the images, determination results, and correction results obtained in the pasting process, preliminary crimping process, and main crimping process as learning data, but the machine learning is not limited to this, and Machine learning may also be performed by including inspection results obtained in the process in the learning data. For example, by assigning IDs to individual production objects (for example, display panels), it becomes possible to reflect inspection results in subsequent processes in the learning model. According to this, when the cause of a defective inspection in the subsequent process is in the pasting process, temporary crimping process, and main crimping process, the learning model can be corrected based on the inspection results.

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。 For example, in the above embodiments, all or part of the computer components may be configured with dedicated hardware, or may be realized by executing a software program suitable for each component. . Each component may be realized by a program execution unit such as a CPU (Central Processing Unit) or a processor reading and executing a software program recorded on a recording medium such as an HDD (Hard Disk Drive) or a semiconductor memory. good.

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。 Also, the components of the computer may be comprised of one or more electronic circuits. Each of the one or more electronic circuits may be a general-purpose circuit or a dedicated circuit.

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。 The one or more electronic circuits may include, for example, a semiconductor device, an IC (Integrated Circuit), an LSI (Large Scale Integration), or the like. An IC or LSI may be integrated into one chip or into multiple chips. Here, it is called an IC or LSI, but the name changes depending on the degree of integration, and may be called a system LSI, VLSI (Very Large Scale Integration), or ULSI (Ultra Large Scale Integration). Furthermore, an FPGA (Field Programmable Gate Array) that is programmed after the LSI is manufactured can also be used for the same purpose.

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。 In addition, forms obtained by applying various modifications to each embodiment that those skilled in the art can think of, or by arbitrarily combining the constituent elements and functions of each embodiment without departing from the spirit of the present invention. The form is also included in the present invention.

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。 INDUSTRIAL APPLICATION This invention can be utilized for the component mounting system etc. which produce a liquid crystal panel.

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)
1 Component mounting system 1a, 1b, 1c base 3 board 4 electrode part 5 electronic component 6 ACF (anisotropic conductive member)
6a ACF tape 10 Board loading section 11, 23, 33, 43, 51 Stage 20 Pasting section 21, 31, 41 Stage moving section 22 Pasting mechanism 24 Beam 25 Pasting head 25a Tape supply section 25b Pasting tool 26 Pasting support base 29, 39 , 49, imaging section 30 temporary crimping section 32 component mounting mechanism 34 component supply section 40 main crimping section 42 crimping mechanism 44 crimping support section 45 crimping unit 47 pressing mechanism 48 crimping head 50 substrate unloading section 60 transport section 61 moving base 62A, 62B, 62C, 62D Substrate transport mechanism 63 Base 64 Arm unit 70 Computer 70a Control section 70b Storage section 71 Image acquisition section 72 Correction input section 73 Judgment section 74 Correction section 75 Learning model generation section 76 Learning model evaluation section 77 Changing section 79 Display Part M Alignment mark (mark)

Claims (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。
an image acquisition step of acquiring an image of an imaging target provided on a substrate; a first determination step of determining the quality of the imaging target based on a detected value obtained from the image and a preset reference value; A first mode including a correction step of correcting the determination result of the first determination step to good when the determination result is incorrectly determined as defective in the determination step, and a mounting step of attaching the component to a board having the imaging target determined to be good. production process and
Learning for determining the quality of the imaging target by machine learning using the image acquired in the production process of the first mode, the determination result of the first determination process, and the modification result of the modification process as learning data. a learning model generation step for generating a model;
a learning model evaluation step of evaluating the proficiency level of the learning model generated in the learning model generation step;
When it is evaluated that the proficiency level of the learning model has reached a prescribed level in the learning model evaluation step, the production process of the first mode is replaced with a step of determining the quality of the imaging target using the learning model. a change process of changing to a second mode production process having two determination processes;
Component mounting methods including.
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。
The component mounting method according to claim 1, wherein the changing step changes the first mode production process to the second mode production process by replacing the first judgment process with the second judgment process.
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。
The production process in the second mode includes the image acquisition process, the first determination process, and the second determination process, and when the imaging target is determined to be defective in the first determination process, the production process in the second mode includes the image acquisition process, the first determination process, and the second determination process. The component mounting method according to claim 1, further comprising performing a determination step.
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。
The production process in the second mode determines whether or not to perform the second determination process based on the magnitude of the difference between the detected value and the reference value when it is determined to be defective in the first determination process. The component mounting method according to claim 3, further comprising a determination step of determining.
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。
The component mounting method according to any one of claims 1 to 4, wherein the learning model generation step and the learning model evaluation step are repeatedly executed in the first mode production process.
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。
The learning model generation step further corrects the image, the determination result of the second determination step, and the determination result of the second determination step to be good if the second determination step incorrectly determines that the image is defective. Generate a learning model for determining the quality of the imaging target by machine learning using the process correction results as learning data,
6. The component mounting method according to claim 1, wherein the second determination step uses the learning model to determine the quality of the imaging target.
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。
The imaging target is an alignment mark provided on the substrate,
7. The component mounting method according to claim 1, wherein the component in the mounting step is an ACF (Anisotropic Conductive Film) or an electronic component.
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。
The imaging target is an ACF provided on the substrate,
The component mounting method according to any one of claims 1 to 6, wherein the component in the mounting step is an electronic component.
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。
According to any one of claims 1 to 8, in the learning model generation step, the machine learning is started based on a trained model selected from a plurality of trained models prepared in advance according to the type of the board. The described component mounting method.
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。
an image acquisition unit that acquires an image of an imaging target provided on the board;
a determination unit that determines the quality of the imaging target based on a detected value obtained from the image and a preset reference value;
a correction unit that corrects the determination result of the determination unit to good when the determination unit erroneously determines that the determination unit is defective;
a mounting unit that attaches a component to a board having the imaging target determined to be good by the determination unit or the correction unit;
A component mounting system comprising:
a learning model generation unit that generates a learning model for determining the quality of the imaging target by machine learning using the image, the determination result of the determination unit, and the modification result of the modification unit as learning data;
a learning model evaluation unit that evaluates the proficiency level of the learning model generated by the learning model generation unit;
Furthermore,
The determination unit determines the quality of the imaging target using the learning model when the learning model evaluation unit evaluates that the proficiency level of the learning model has reached a prescribed level.
JP2020069067A 2020-04-07 2020-04-07 Component mounting method and component mounting system Active JP7442134B2 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2020069067A JP7442134B2 (en) 2020-04-07 2020-04-07 Component mounting method and component mounting system

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2020069067A JP7442134B2 (en) 2020-04-07 2020-04-07 Component mounting method and component mounting system

Publications (2)

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

Family

ID=78021994

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2020069067A Active JP7442134B2 (en) 2020-04-07 2020-04-07 Component mounting method and component mounting system

Country Status (1)

Country Link
JP (1) JP7442134B2 (en)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001196799A (en) 2000-01-12 2001-07-19 Fuji Mach Mfg Co Ltd Method for inspecting substrate-supporting state
JP2004163348A (en) 2002-11-15 2004-06-10 Nippon Avionics Co Ltd Method for displaying inspecting situation
JP2009071069A (en) 2007-09-13 2009-04-02 Toshiba Corp Bonding material sticking inspection device, mounting device, and manufacturing method of electronic component
JP2009076502A (en) 2007-09-18 2009-04-09 Panasonic Corp Component fitting method
JP2010177628A (en) 2009-02-02 2010-08-12 Omron Corp Method and system for settling inspection result of mounted component
JP2012234488A (en) 2011-05-09 2012-11-29 Fuji Mach Mfg Co Ltd Reference mark model template creating method
WO2018087932A1 (en) 2016-11-14 2018-05-17 株式会社Fuji Stored image reclassification system and re-classification method
JP2019062163A (en) 2017-09-28 2019-04-18 パナソニックIpマネジメント株式会社 Malfunction detection system and malfunction detection method of component mounting line
JP2020042668A (en) 2018-09-12 2020-03-19 ファナック株式会社 Inspection apparatus and machine learning method

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001196799A (en) 2000-01-12 2001-07-19 Fuji Mach Mfg Co Ltd Method for inspecting substrate-supporting state
JP2004163348A (en) 2002-11-15 2004-06-10 Nippon Avionics Co Ltd Method for displaying inspecting situation
JP2009071069A (en) 2007-09-13 2009-04-02 Toshiba Corp Bonding material sticking inspection device, mounting device, and manufacturing method of electronic component
JP2009076502A (en) 2007-09-18 2009-04-09 Panasonic Corp Component fitting method
JP2010177628A (en) 2009-02-02 2010-08-12 Omron Corp Method and system for settling inspection result of mounted component
JP2012234488A (en) 2011-05-09 2012-11-29 Fuji Mach Mfg Co Ltd Reference mark model template creating method
WO2018087932A1 (en) 2016-11-14 2018-05-17 株式会社Fuji Stored image reclassification system and re-classification method
JP2019062163A (en) 2017-09-28 2019-04-18 パナソニックIpマネジメント株式会社 Malfunction detection system and malfunction detection method of component mounting line
JP2020042668A (en) 2018-09-12 2020-03-19 ファナック株式会社 Inspection apparatus and machine learning method

Also Published As

Publication number Publication date
JP2021166245A (en) 2021-10-14

Similar Documents

Publication Publication Date Title
JP3092809B2 (en) Inspection method and inspection apparatus having automatic creation function of inspection program data
US8233700B2 (en) Solder printing inspection apparatus and component mounting system
JP4493421B2 (en) Printed circuit board inspection apparatus, printed circuit board assembly inspection line system, and program
JPH04233245A (en) System and method for inspection and alignment at semiconductor chip and conductor lead frame
JPWO2009041005A1 (en) Inspection apparatus and inspection method
JP6066587B2 (en) Substrate inspection method, inspection program, and inspection apparatus
JP4871234B2 (en) Abnormality detection method and apparatus for component mounting apparatus
WO2019021361A1 (en) Substrate processing management system
CN109804730B (en) Substrate inspection apparatus and substrate distortion compensation method using the same
KR101524709B1 (en) Method for generating reference data for inspection of a circuit board
JP7442134B2 (en) Component mounting method and component mounting system
JP6550240B2 (en) Coating agent inspection method, coating agent inspection device, coating agent inspection program, and computer readable recording medium recording the program
CN113508652B (en) Component mounting device, component mounting method, mounting board manufacturing system, mounting board manufacturing method, and mounted component inspection device
JP2011018816A (en) Method for attaching electronic component
JP2021166246A (en) Component mounting method and component mounting system
JP2020043159A (en) Mounting system, and production management apparatus
JP7377655B2 (en) Die bonding equipment and semiconductor device manufacturing method
Edwards Machine vision and its integration with CIM systems in the electronics manufacturing industry
JP2014021087A (en) Inspection device and module assembly device
JP4735593B2 (en) Printing inspection apparatus and printing inspection method
KR101444258B1 (en) Method for determining a validity of a compensation matrix during a circuit board inspection
JP4311240B2 (en) Solder inspection apparatus and solder inspection method
JP7235132B2 (en) Mounted board manufacturing system, component mounting system, mounted board manufacturing method, and component mounting method
JP6884494B2 (en) Parts transfer device, parts transfer method and component mounting device
JP3801248B2 (en) Component mounting equipment

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