JPH0926802A - ニューラルネットワークの学習方法 - Google Patents

Abstract

(57)【要約】 【課題】 試験用ペースト状半田ブリックの物理的品質
の品質評価を自動的に提供するためのニューラルネット
ワークの新たな学習方法を提供する。 【解決手段】 ペースト状半田ブリックの学習セットに
関する各ブリックの画像を収集し、収集された学習セッ
トに関する各ブリックの画像から予め定められた種類の
計量値を抽出する。次に、学習セットの各ブリックに対
して望ましい品質評価を決定し、異なる品質評価間の予
め定められた類似関係に従って学習セットの各ブリック
に対する望ましい品質評価を各ブリックに対するファジ
ー化された品質評価ベクトル中にファジー化する。そし
て、抽出された値をネットワーク入力としてファジー化
された品質評価ベクトルを学習セットの各ブリックに対
するファジー出力ベクトルとして解収束に向けて印加す
る。

Description

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】本発明は、一般的にはニュー
ラルネットワークに、より特定すれば対象物の区分け用
のニューラルネットワークの使用に、さらに特定すれば
プリント回路基板のペースト状半田ブリックの物理的質
を決定するためのニューラルネットワークの学習および
使用のための方法に関連する。

【０００２】

【従来の技術】今日、表面実装技術（ＳＭＴ）部品ある
いは素子を含むプリント回路基板（ＰＣＢ）はコンピュ
ータマザーボードを含めて大量に各種の態様で生産され
ている。ＳＭＴ要素は、それらのリードをボード上の金
属パッドに半田付けすることによってＰＣＢに機械的に
固定され電気的に接続される。

【０００３】より詳しく言えば、裸の回路基板上に金属
パッドのパターンが各素子のリードと１対１に対応して
備えられている。ペースト状半田のデポジットもしくは
ブリックがステンシル処理によって各ボードパッドに塗
布される。そしてＳＭＴ素子がボード上に配置される。
ペースト状半田の粘着性の性質が素子を基板に保持す
る。最後に基板はペースト状半田をリフローするために
オーブン中を通過し、素子のリードと対応するパッドと
の間の結束を生成する。

【０００４】ＳＭＴ要素の世代が新しくなればなるほ
ど、サイズは小さくなりパッケージ当たりのリード数は
増加する。例えば四角フラットパック素子のような精密
ピッチ素子はパッケージの４側面すべてから延びる３０
ミル以下の間隔のリードを有する。ある部品のリード間
隔は２０ミルであり、１側面あたり５２のリードを有す
る。

【０００５】部品のリードに対応するＳＭＴパッドはよ
り小さくより稠密となるので、ペースト状半田を塗布す
るために使用されるステンシルの対応する穴もより小さ
くより稠密となる。幅対厚さのアスペクト比は低減する
ため、ステンシルの穴は乾燥したペースト状半田で詰ま
りがちであり、その結果回路基板のパッドへのペースト
状半田の塗布は少なくなる。その結果のペースト状半田
ブリックは厄介なすきのあるものとなり、様々な半田の
欠陥を引き起こす。もしＳＭＴパッドがペースト状半田
を大量に欠いていると、不完全な接合が発生する。ペー
スト状半田が急に無くなったり広がっていると、例えば
湿気のある動作環境、ステンシルの磨耗あるいは不適当
なセットアップ作業に起因して、近接するパッド間で短
絡が発生する。このようなステンシル処理における半田
に関連した欠陥はコストおよび価格に重大なインパクト
を与える。実際この様な欠陥はＰＣＢ製造過程において
容易に検出され得るので、修正動作は直ちに行える。

【０００６】

【発明が解決しようとする課題】目視検査は大部分のＳ
ＭＴアセンブリの製造者にとってペースト状半田ブリッ
クの物理的な性質中の欠陥を明らかにするために選択で
きる今日的な方法である。不幸なことに、この方法は本
質的に非能率的であり、オペレータによって変化し易
い。人間の目視検査は通常の疲労および目の緊張によっ
てもたらされる制限に起因して実際の品質レベルの近似
値を提供するにすぎない。他の変化はオペレータ間の違
いに関連する。

【０００７】問題を区別しプリント回路基板上のペース
ト状半田ブリックの物理的品質に関する欠陥を避けるた
めの自動化された生産ライン中の機械による検査は改善
された品質レベルと再検査の低減を約束する。しかしな
がら、例えばリフロー後のペースト状半田の厚さを決定
するためのＸ線検査あるいはペースト状半田の形状図を
製作するためのレーザー三角測量のような従来使用され
た技術は、低速であり、非常に高価であり、あるいは部
分的にのみ効果的であることが証明されている。さらに
初期の装置は１回の計測では検査されるべきペースト状
半田ブリックの全体的な品質を表すことはできない。従
って調達し操作するのに比較的廉価であり、実時間で正
確な全体の品質情報を提供する自動化されたオンライン
ペースト状半田検査装置に対する必要性が存在する。

【０００８】

【課題を解決するための手段】この挑戦に取り組むため
に、本出願人はＳＭＴペースト状半田の品質格付けのた
めにニューラルネットワークの使用について調査した。
ニューラルネットワークはそれまでに成功的に研究され
ており、種々の分野における広い範囲に適用されてい
る。応用研究は軍事的パターン認識から医学的診断にま
で、音声認識からロボットの設計もしくは自律的車両制
御にまで拡大している。ニューラルネットワークはまた
ＯＣＲへの応用から面相認識までの画像応用に使用され
てきた。典型的には多層フィードフォワードニューラル
ネットワークが後ろ向き学習規範伝搬とともに使用され
る。

【０００９】時には人工的ニューラルネットワークとも
呼ばれるニューラルネットワークは生物学的に鼓舞され
る、即ち研究者はニューラルネットワークの構造および
アルゴリズムを考察するときには脳の組織について常に
考えている。ノードと呼ばれる人工的ニューロンは生物
学的ニューロンの第１次性質を模擬するために設計され
た。本質において、それぞれが他のニューロンを表す一
対の入力が適用される。各入力はシナップス強さを模擬
する対応する荷重が乗算され、すべての荷重入力はニュ
ーロンあるいはノードの活性化レベルを決定するために
加算される。

【００１０】図３に示されているように、最も簡略化さ
れたノード２はＮ個の荷重（Ｗ）入力（Ｘ）を加算し、
非線形性（ｙ＝ｆ（ｗ，ｘ））を介して結果を通過させ
る。スクワッシュ関数（squashing function）と呼ばれ
る非線形性は時には双曲正接である。この非線形性の目
的は、ノードの出力をある有限の値、一般的には−１か
ら＋１に制限することである。

【００１１】１つのニュートロンあるいはノードはある
種の単純なパターン検出機能を発揮することが可能であ
るが、ニューラルネットワークの能力は大規模な多層ネ
ットワークにノードを接続することに起因する。ネット
ワークの最も簡単な構成は、１層の並列に作動するＭ個
のノードから構成される。多層ネットワークは１組の単
層を単純に積み重ねることによって構成され、１つの層
の出力は次の層の入力となる。図４は、各層に対する前
向きノード計算式（ "Ｏｆ" は一定のオフセット値）と
ともに前向きネットワーク構造に完全に接続された従来
の多層構造が示されている。

【００１２】ニューラルネットワークは、一般に２つの
独立したステップで実行される。第１のステップは学習
ステップであり、これはしばしばオフラインバッチモー
ドで実行される。第２のそして最後のステップは試験ス
テップである。後ろ向き伝播学習はニューラルネットワ
ーク規範に関して最も広く使用されており、広い分野の
範囲における応用学習において成功的に適用されてい
る。後ろ向き伝搬を使用して学習されたニューラルネッ
トワークはパターン図形化を要求する多くの問題を解決
することが可能であり、入力パターンが与えられると、
ネットワークは関連した出力パターンを生成する。

【００１３】後ろ向き伝搬は理解容易なネットワークの
１種である。その学習および更新手続は、もしネットワ
ークが誤った回答を与えたならば荷重は誤りが学習され
ネットワークの結果としての将来の応答がより正確に近
くなるように修正されるという比較的簡単な概念に基づ
いているので直観的に興味がある。学習データを用いた
多くの繰り返し学習の後に、ネットワークは回答に収束
し、高精度で与えられた入力パターンに対する正しい出
力パターンを区別することが可能である。この点におい
て、学習は完全であると考えられ、ネットワークにおけ
る荷重の数値は凍結される。

【００１４】いったんニューラルネットワークが学習さ
れると、これは試験モードでオンラインで使用され、時
々前向き通路として参照される。試験モードにおいて
は、学習は行われない。その代わり、ネットワークは新
しい入力パターンを与えられ、あるキャパシティの中で
結果としての出力パターンが計算され、使用される。ニ
ューラルネットワークの利点は、能力的に高い並列演算
によって与えられる高演算レートを越えて拡張する。ニ
ューラルネットワークは、一般的にそれぞれが本来ロー
カル接続を有しているより多くの処理ノードがあるため
に典型的な直列計算機よりも高程度なロバスト性および
耐故障性を有している。従っていくつかのノードあるい
はリンクの損傷は全体的な性能を必ずしも顕著には傷つ
けない。

【００１５】ニューラルネットワークは例題によって学
習され、従って解を試みる前に問題の詳細なモデルを製
作する必要はない。即ち、ニューラルネットワーク的ア
プローチは生産ラインに沿う操作員が行う目的生産物の
検査の模倣を試みる場合には魅力的なものである。多く
の場合、人間が視覚的にどのようにペースト状半田ブリ
ックのような部品が良好であるか、限界であるか、ある
いは欠陥であるかを検査し決定しているかを量的に計る
ことは不可能でないけれども大抵は困難である。ニュー
ラルネットワークの使用は使用以前に規範の定量化およ
び明確化を要求しない。ニューラルネットワークは規範
を例えば能力の高い人間の操作員から導き出されるデー
タから学習する。さらにいったん学習すると、ニューラ
ルネットワークは、人間の操作員が実施する同一の検査
で遭遇する不一致により悪化することはない。最後にニ
ューラルネットワークは、新たなデータの取扱いに対し
て極めて高い柔軟性を備えている。もしニューラルネッ
トワークが新たなデータを用いて適切に機能しないとし
たら、望ましい性能レベルに到達するまでニューラルネ
ットワークは迅速にかつ容易に付加的な学習を与えられ
ることが可能である。

【００１６】このように、ニューラルネットワーク技術
は自動検査およびペースト状半田ブリックの等級付けに
対する大きな保証を保持している。しかしながら、本発
明者による試みは従来の方法で学習されたニューラルネ
ットワークは解に収束せず、この課題に対するニューラ
ルネットワークの適用を失敗させることを明らかにし
た。

【００１７】従って学習の新たなアプローチおよびペー
スト状半田ブリックの検査および品質等級付けだけでな
く他の等級付け課題に対する適用を許容するニューラル
ネットワークの使用の必要が存在する。本発明は、ファ
ジー化されたネットワーク出力ベクトルで学習されたニ
ューラルネットワークを適用したペースト状半田ブリッ
ク検査、品質評価装置を提供することによって、上記の
要求を満足し、従来技術の欠点を克服し、付加的な利点
を与える。試験モードにおいて学習されるニューラルネ
ットワークはネットワークのファジー出力ベクトルを判
りやすい品質評価値に変換する非ファジー化器と結合さ
れる。

【００１８】本発明の原理によれば、試験用ペースト状
半田ブリックの物理的量の品質評価を自動的に提供する
ためのニューラルネットワークの学習方法は、ペースト
状半田ブリックの学習用セットの各ブリックの画像の収
集；学習用セットの各ブリックの収集された画像から予
め定められた種類の計量値の抽出；異なる品質評価間の
予め定められた類似関係に従って各ブリックのファジー
化品質評価ベクトル中への学習用セットの各ブリックの
望ましい品質評価のファジー化；ならびに解収束に向け
てネットワークを学習するためにニューラルネットワー
クに対してネットワーク入力として抽出値のおよびファ
ジーネットワーク出力ベクトルとしてファジー化された
品質評価ベクトルの印加；のステップからなる。そし
て、この学習されたニューラルネットワークは、試験対
象のペースト状半田ブリックの画像の収集；試験対象の
ペースト状半田ブリックの収集された画像から試験対象
のペースト状半田ブリックに対する予め定められた種類
の計量値の抽出；ファジーネットワークの出力ベクトル
を発生するために学習されたニューラルネットワークへ
の入力として試験対象のペースト状半田ブリックに対す
る抽出値の印加；試験対象のペースト状半田ブリックに
対する品質評価を得るためにファジーネットワークの出
力ベクトルの非ファジー化；によって試験対象のペース
ト状半田ブリックの品質評価を決定するために使用され
ることが可能である。

【００１９】本発明はまた、試験対象のペースト状半田
ブリックの画像の収集；収集された画像から予め定めら
れた種類の計量値の抽出；試験対象のペースト状半田ブ
リックに対するファジーネットワーク出力ベクトルを発
生するためにファジー化されたネットワーク出力ベクト
ルを使用して学習されたニューラルネットワークへの入
力として抽出値の印加；試験対象のペースト状半田ブリ
ックに対する品質評価を得るためのファジーネットワー
ク出力ベクトルの非ファジー化；というステップを含む
試験対象のペースト状半田ブリックに対する品質評価を
自動的に決定するための方法を意図している。試験対象
のペースト状半田ブリックの高分解画像は軸外れ照明、
暗視野反射および交差偏光を使用して収集することが望
ましい。予め定められた種類の計量値にはブリックの
幅、ブリックの長さ、ブリックの面積、軸対象性、平均
濃度、ブリックの縁のぎざぎざ度合い、およびブリック
の角の丸みを含んでいることが望ましい。

【００２０】本発明の原理に基づく品質評価を自動的に
決定する方法は、重複したペースト状半田ブリックに対
しても一般的に適用される。重複したペースト状半田ブ
リックに対する品質評価は、品質傾向表示を与えるため
にグラフ的に表示され得る。この方法はプリント基板組
み立てライン中で精密ピッチ表面実装部品に対するペー
スト状半田ブリックの物理的品質の実時間検査に適用す
ることが有利であり、品質傾向表示はペースト状半田ブ
リックの品質制御に対する実時間フィードバックを提供
する。

【００２１】本発明はまた、プリント基板上の精密ピッ
チ表面実装ペースト状半田ブリックを検査し、ブリック
の物理的品質の品質評価を自動的に出力するための装置
も含む。この装置は、検査すべきペースト状半田ブリッ
クの画像を収集するためのカメラ、収集された画像から
ブリックのメトリックの予め定められたセットの値を抽
出するためのコンピュータ、およびコンピュータ内にあ
りファジーネットワーク出力ベクトルで学習されるニュ
ーラルネットワークを含んでいる。ニューラルネットワ
ークは入力として印加される抽出値を有し、検査される
べきブリックに対するファジー品質評価を出力する。非
ファジー化器は検査されるべきブリックに対する明確な
品質評価を提供するために学習されたニューラルネット
ワークによって出力されるファジー品質評価を非ファジ
ー化する。

【００２２】偏光された光の軸外れ光源が検査されるべ
きブリックを照明し、カメラの入口に交差偏光子が配置
されることが望ましい。カメラは、検査されることが望
ましい特定のペースト状半田ブリックの画像のカメラに
よる収集を行うために印刷基板に対して相対的に制御可
能に位置決めされ得る。この装置は、ＣＣＤカメラ、ハ
ロゲンライト、およびカメラの位置決めのためのＸ−Ｙ
リニア移動台を採用することが望ましい。

【００２３】本発明はより一般的には、多重出力ノード
を有するニューラルネットワークを学習する方法を提供
する。各出力ノードは異なる出力クラスを表し、多重出
力ノードの出力値は正確にネットワーク出力ベクトルを
定義する。本方法によれば、異なる出力クラス間の類似
関係が決定される。ネットワーク出力ベクトルは決定さ
れた類似関係によってファジー化され、ニューラルネッ
トワークは解収束に向かってファジー化されたネットワ
ーク出力ベクトルによって学習される。類似関係は明確
な出力値の両方向で単調減少する波形にとって特徴付け
られることが望ましい。後ろ向き伝搬学習が採用される
ことが望ましい。従って、結果的に学習されたニューラ
ルネットワークは入力データの出力クラスを決定するた
めに使用され得る。入力データはファジーネットワーク
出力ベクトルを発生するために学習されたニューラルネ
ットワークによって前向きモードで処理される。このベ
クトルは入力データに対する出力クラスを識別するため
に非ファジー化される。

【００２４】本発明は、学習されたニューラルネットワ
ークが入力データが学習されたニューラルネットワーク
によって処理されるときはいつでもファジーネットワー
ク出力ベクトルを発生するように設計されるように向け
られている。非ファジー化器はファジーネットワーク出
力ベクトルを明確な出力値に変換する。ニューラルネッ
トワークはファジー化されたネットワーク出力ベクトル
によって学習される。

【００２５】本発明のさらに他の概念によれば、ニュー
ラルネットワークを学習する方法は；明確な入力と明確
な出力の組の第１の学習データベースを準備する段階；
明確な入力とファジー化された出力の組である第２の学
習データベースを得るために第１の学習データベースの
明確な出力をファジー化する段階；解の収束に向かって
明確な入力とファジー化された出力でニューラルネット
ワークを学習する段階を含んでいる。ニューラルネット
ワークが対象の区分に対して適用された場合には、学習
に使用される明確な入力は特定の対象の画像を表し、各
明確な出力は特定の対象の望ましい区分けを表してい
る。対象物がペースト状半田ブリックであるときには、
各明確な入力は特定のペースト状半田ブリックの機械撮
像画像であり、明確な出力は操作者が作った特定のペー
スト状半田ブリックの物理的品質評価である。明確な入
力は、機械撮像画像から抽出される予め定められた種類
の計量値から構成されることが望ましい。このようにし
て学習されたニューラルネットワークは；検査対象のペ
ースト状半田ブリックの機械撮像画像を収集する段階；
検査対象のペースト状半田ブリックの収集された機械撮
像画像から検査対象のペースト状半田ブリックに対する
予め定められた種類の計量値を抽出する段階；ファジー
ネットワーク出力ベクトルを発生するために、検査対象
のペースト状半田ブリックに対する抽出された値を学習
されたニューラルネットワークに対する入力として印加
する段階；および検査対象のペースト状半田ブリックに
対する品質評価を得るためにファジーネットワーク出力
ベクトルを非ファジー化する段階によって検査対象のペ
ースト状半田ブリックの品質評価を決定するために使用
され得る。

【００２６】

【発明の実施の形態】それぞれの要素がそれぞれの参照
番号によって識別される図面を参照すると、本発明の原
理に基づいて構成されたニューラルネットワークペース
ト状半田検査および品質評価システム１０が図１に描か
れている。システム１０は、実時間で何も付いていない
ＰＣＢ１２上のペースト状半田ブリックを検査し、その
物理的品質の評価を付けるためのオンライン検査機とし
て使用されることが意図されている。

【００２７】コンベヤ部１４は矢印Ａの方向にＰＣＢを
運搬する。上流側基板センサ１６および下流側基板セン
サ１８が、コンベヤモータ制御器２０に対して大まかな
基板位置情報を供給するために具備されている。モータ
制御器２０はコンベヤモータ２２を制御する。伸長性の
基板止め２４がコンベア１４に沿って配置されている。
コンベヤ１４上のＰＣＢ１２は、それが伸長された基板
止め２４に接触した時に停止する。基板止め２４に近接
する基板センサ２６は、プリント回路基板が基板止め２
４によって拘束され、検査のために位置決めされたとき
に検出する。この情報は基板センサ２６からコンベヤモ
ータ制御器２０にコンピュータ２８を介して転送され
る。そして制御器２０はコンベヤモータ２２を停止す
る。

【００２８】例えばＳＯＮＹ（商標）のＸＣ−９９９
（商品名）のようなデジタルカラーＣＣＤカメラのよう
なカメラが基板１２の上面を見下ろすカメラレンズ３２
とともに、停止したＰＣＢ１２の上に吊り下げられてい
る。カメラ３０はＸ−Ｙモータ駆動直線移動台３４上に
設置されている。移動台３４はカメラ３０がＰＣＢ１２
上のどこにでも位置決めされることを許容する。移動台
３４はモータ制御器３８の制御のもとＸ−Ｙモータ３６
によって駆動される。制御器３８はコンピュータ２８に
よって供給される信号に応答する。

【００２９】カメラ３０は、それが基板全体の俯瞰と同
時には適切な視野と分解能を有することはないために所
定の視界位置に動くように設置されている。移動台３４
は直交する一対の直線ネジ駆動位置決め台（図示せ
ず。）あるいは他の周知の自動もしくは手動のＸ−Ｙ位
置決め装置で構成し得る。検査装置１０は、さらに望ま
しくはハロゲン型である一対の光源４０および４２を含
んでいる。光源４０は光ファイバーケーブル４４および
レンズアセンブリ４６を介してカメラ３０の光軸と概ね
平行な方向なＰＣＢ１２に対する照明を提供する。光源
４０からの光は、以下により詳細に説明するようにＰＣ
Ｂ上の基準点を照明するために使用される。

【００３０】第２の光源４２からの光は、光ファイバー
ケーブル４８、５０およびレンズアセンブリ５２、５４
を介して伝達され、ＰＣＢ１２の表面上のペースト状半
田ブリックの軸外れ（即ち４５°）の正反射暗視野照明
を提供するために使用される。レンズアセンブリ５２、
５４はそれぞれ第１の偏光軸に沿うＰＣＢ１２への光入
射に偏光するために対応する偏光子５６、５８を具備す
る。カメラ３０は第１の偏光軸から９０°偏光オフセッ
トする第２の軸を有する交差偏光子６０によって準備さ
れている。交差された偏光子と一緒の軸外れ正反射暗視
野照明の使用は、ペースト状半田ブリックの画像を最適
に拡大するけれども下に横たわる平らなピカピカ光る金
属のパッドの正反射アスペクトおよび平らなプリント回
路基板それ自体を縮小するために発見されたものであ
る。もちろん、カメラ３０が以後の画像処理において良
好なコントラストおよび分解能を有してペースト状半田
ブリックの画像を獲得することを許容する他の照明方法
が使用されてもよい。

【００３１】操作において、センサ２６がコンピュータ
２８に基板１２が検査のための位置にあることを伝達し
たときに、コンピュータ２８はモータ制御器３８に連続
する２つの基板基準点の上にカメラ３０を位置決めする
ことを指示する。基準点は、様々の製造操作に対して基
板を位置させるための普通ＰＣＢの角に位置する典型的
には丸い金属のパッドである。基準点の画像はカメラ３
０で収集され、例えばカナダ、オンタリオ州、オタワの
Dipix Technologies社（会社名）によって提供されるＤ
ＩＰＩＸフレームグラバーカードＮｏ．Ｐ３６０Ｆ（商
品名）のようなフレームグラバーを介してコンピュータ
２８内に取り込まれる。低価格の領域走査ＣＣＤアレイ
カメラを使用して、５１２×４８０画素が取り込まれ
る。一対の基準点の画像からコンピュータ２８はごくわ
ずかな基板の回転量およびコンベア１４上での移動量を
決定する。基板回転および基板移動情報は、後にペース
ト状半田ブリックの画像が修正されるときに使用され
る。

【００３２】そして、カメラ３０は所定の精密ピッチの
ＳＭＴ要素の基準点（図示せず。）の上に位置決めされ
る。通常は各精密ピッチのＳＭＴ要素はそれ自体の位置
の基準点を有している。この基準点の画像はカメラ３０
で取り込まれ、部品リードが基板に接触する位置を形成
する個々のパッド６２の位置に関し何らかの小さな修正
をするためにコンピュータ２８によって処理される。部
品基準点が存在しないときには、システムは適切な精度
でパッドのグループを位置決めすることができる。図２
に示すように、ペースト状半田謄写操作中に各金属パッ
ド６２の表面上にペースト状半田ブリック６４が配置さ
れる。部品基準点情報およびあらゆる基板回転および移
動情報を使用して、画像が撮影できるようにカメラ３０
は所定のペースト状半田ブリックのグループの上に位置
決めされる。

【００３３】すべての基準点の位置、部品の位置、部品
の向きおよびパッドの位置の情報は、コンピュータ２８
による処理のためにカルフォルニアBorland （会社名）
のBorland Paradox （商品名）のようなデータベース上
に保持されることが望ましい。コンピュータ２８はInte
l 8048（商品名）互換のコンピュータあるいは他の互換
性のあるコンピュータあるいはより高速な計算装置によ
って構成し得る。キーボードあるいはマウスのような入
力装置２９は、コンピュータ２８に対する操作者の干渉
を許容する。ディスプレイ２７は、以下に詳細に説明す
るような半田品質傾向表示のようなコンピュータ２８か
らの出力情報の視覚的表示のために使用され得る。ライ
ブビデオディスプレイ（図示せず。）もまたカメラ３０
によって収集された半田ブリック画像の実時間表示を操
作者に提供するために使用され得る。

【００３４】モータ制御器３８がカメラ３０を適切な点
に位置決めした後に、ペースト状半田ブリックの２次元
画像が撮像される。カメラの分解能は例えば、約１ミル
当たり２画素に設定され得る。この分解能で、ライブビ
デオディスプレイ等による人間の熟練者の画像監視はペ
ースト状半田ブリックの物理的品質に関する正確な決定
をなすことが可能である。精密ピッチの半田ブリックは
典型的には１２−１３ミル程度のブリック間の隙間を有
する幅１２ミル、長さ６０ミル程度の大きさであるの
で、この分解能は各カメラフレームで８個のペースト状
半田ブリック画像を収集することを許容する。典型的な
フレーム映像が図２に示されている。対応するパッド６
２上の各ペースト状半田ブリック６４の高コントラスト
画像が得られる。各ペースト状半田ブリック６４の画像
は、直近に例えば欠損６６およびブリッジ６８のような
変形が観察される周辺領域をも含んでいる。物理的な品
質の等級は単なる量ではなくて余分のペーストの幾何学
的性質に大きく依存するので、各ペースト状半田ブリッ
クの領域の単なるヒストグラムあるいは平均操作は品質
の測定には不適当である。例えば、近接するブリック間
の薄い半田ブリッジ６８であってもペースト状半田の多
量の独立した飛沫よりも深刻な欠陥であると考えられて
いる。

【００３５】上記の分解能で、検査システム１０は１秒
当たり１ブリック画像を収集処理することができる。走
査ノイズおよびカメラジッタを低減するために収集され
た各画像に対し周知の方法でフレーム平均化が実行され
得る。収集されたブリック画像は以下に十分詳細に説明
するように種々の画像計量値を抽出するためにコンピュ
ータ２８によって処理される。この計量値は、対応する
画像の熟練者の品質評価とともにニューラルネットワー
クを学習するための基礎として使用される。

【００３６】特定の精密ピッチＳＭＴ要素に関連するす
べてのブリックが撮像され処理されるまで、ペースト状
半田ブリックの各組はコンピュータ２８によって撮像さ
れ処理される。そしてシステムは検査されるべき次の部
分に行き、同一の手続を繰り返す。基板上のすべての所
定の半田ブリックが検査されるまでこの検査処理が続け
られる。そして基板止め２４はコンピュータ２８の制御
の下に収納され、コンベヤモータ２２はコンベヤ１４が
基板１２を下流側センサ２８を通過し次の組み立て段階
（図示せず。）に至るまで移動させるために再起動され
る。基板１２が検査システム１０を起動させた後は、基
板止め２４は上昇しシステムは次の基板の到着を待つ。

【００３７】コンピュータ２８はフレーム収集機能に加
えて周知の画像処理および画質向上機能を実行し、検査
されるべき個々のペースト状半田ブリック（その極く周
辺を含む。）の画像を抽出する。個々のブリックの画像
から、コンピュータ２８はブリックの予め定められた種
類の計量値もしくは特徴を抽出し、決定する。これらの
値はコンピュータ２８によって実行されることが望まし
いニューラルネットワーク７０の入力としての形式に組
み立てられる。

【００３８】本発明にかかるペースト状半田検査システ
ムに使用するのに適したニューラルネットワーク７０は
図５に図示されている。ネットワーク７０は、多層の完
全接続されたニューラルネットワークである。入力層
は、ニューラルネットワークニ対する入力として使用さ
れる３０種類の異なるブリックの計量値に対応する３０
個のノードを含んでいる。現状好ましい実施例におい
て、ネットワークの第１隠れ層は９０個のノードを含
み、第２隠れ層は２０個のノードを含み、出力層は１０
個のノードを含んでいる。各層の各ノードは前の層のす
べてのノードに接続されている。層の数および各層のノ
ードの数は示されたものから変化し得る。

【００３９】各入力ノードは、予め定められた組の半田
ブリックの計量値に対応している。現在望ましい計量値
の組は以下の通りである。 計量値１ バイナリしきい値 計量値２ グレイスケールしきい値 計量値３ 幅グレイスケール 計量値４ 長さグレイスケール 計量値５ 幅バイナリ 計量値６ 長さバイナリ 計量値７ 左縁バイナリ 計量値８ 右縁バイナリ 計量値９ 上縁バイナリ 計量値１０ 底縁バイナリ 計量値１１ 左縁グレイスケール 計量値１２ 右縁グレイスケール 計量値１３ 上縁グレイスケール 計量値１４ 底縁グレイスケール 計量値１５ 左縁偏倚 計量値１６ 右縁偏倚 計量値１７ 上縁偏倚 計量値１８ 底縁偏倚 計量値１９ 上部左隅半径 計量値２０ 上部右隅半径 計量値２１ 下部左隅半径 計量値２２ 下部右隅半径 計量値２３ 左縁傾き 計量値２４ 右縁傾き 計量値２５ 上縁傾き 計量値２６ 底縁傾き 計量値２７ 画素輝度ヒストグラム平均 計量値２８ 画素輝度ヒストグラム分散 計量値２９ 半田ブリック面積 計量値３０ 半田ブリック対称性 上記において、「グレイスケール」という語は各画素が
２５６の異なる輝度レベルを有することのできる画像を
意味し、「バイナリ」という語は各画素が２輝度レベル
を有することのできる画像を意味する。上記の計量値表
において、「グレイスケール」および「バイナリ」とい
う語が参照されたときは、それらは計量値を発生するた
めに使用される画像の形式を表す。計量値の他の組み合
わせがニューラルネットワークの入力として採用されて
もよい。集合的に入力値はときどき入力ベクトルと呼ば
れる。

【００４０】出力層の１０個のノードは、異なる物理的
品質評価もしくは０から９の程度区分を表している。ニ
ューラルネットワークを学習するために、学習用の各ペ
ースト状半田ブリック画像は熟練者によって総合的な評
価によって区分けされる。評価０はブリックの評価は非
常に高い（良好）であることを示し、評価９はブリック
の評価は非常に低い（不良）であることを示している。
４またはそれ以下の評価は許容されることを表す。逆に
５またはそれ以上の評価は許容されないことを表す。ニ
ューラルネットワークの実行で意味のある比較がなされ
るためには区分けは相対的に矛盾がないことが必要であ
る。

【００４１】区分けされた学習サンプルはのデータベー
スファイルは、ニューラルネットワーク７０の学習のた
めに使用される。ニューラルネットワークは学習のため
に多量のデータを必要とする。従って、半田ブリックの
大規模学習用セットが使用される。ネットワークを学習
するために後ろ向き学習方法を使用することが有利であ
る。後ろ向き学習は入力データ（入力ベクトル）と所定
の関連する出力データ（出力ベクトル）とからなる大規
模学習用セットを使用する管理された学習規範である。

【００４２】所定の関連する出力ベクトルは、熟練者の
評価に基づいている。入力ベクトルと出力ベクトルの組
み合わせは時々学習対と呼ばれる。ネットワークの後ろ
向き学習は、学習セットから次の学習対を選択し、ネッ
トワーク７０の入力ノードに入力ベクトルを印加する段
階；ニューラルネットワーク出力ベクトルを計算する段
階；ネットワーク出力と熟練者の作った望ましい出力と
の間の差を算出する段階；そして差を最小とするように
ネットワークの重み係数を調整する段階；を含んでい
る。

【００４３】これらの段階は、すべてのセットの差が許
容できる程度に小さくなるまで学習セットの各学習対に
対して繰り返される。すべての学習サンプルのネットワ
ーク処理が熟練者の作った望ましい出力と十分に一致す
るネットワーク出力を出力する時は、ネットワークは解
に収束したとみなせる。ニューラルネットワークに関す
る１つの問題点は収束は保証されておらず、多くの場合
ネットワークは解に収束しない。これは、プリント基板
上のペースト状半田ブリックの品質を区分するために周
知の方法、即ち明確な出力ベクトルを用いて学習したニ
ューラルネットワークを使用したときに発生する問題で
ある。ペースト状半田検査システムにおいて、１０個の
出力ノードあるいは階級が非常に良好から非常に不良ま
での物理的な品質範囲を表す。１つの正しい出力ノード
が＋１という値を与え、他の９つのノードが−１という
値を与える標準的なアプローチを使用した場合には、ネ
ットワークは収束に失敗する。

【００４４】本発明によれば、この問題はファジー化さ
れた出力ベクトルを使用してネットワークを学習するこ
とによって解決される。ネットワーク出力ベクトルは、
異なる出力階級もしくは評価間の定められた類似関係に
基づいてファジー化される。この類似関係は隣接する評
価との間でオーバーラップがある、即ち品質評価４は品
質評価５と非常によく似ているけれども品質評価１は品
質評価９とは非常に違っていることを認識するものであ
る。ネットワークの学習に使用される出力ベクトルをフ
ァジー化することによって、正しい出力に近い出力が、
正しい出力から離れた出力ほど厳しく罰せられないとい
う状況が作られる。これは、正しい出力を中心とするあ
る距離において＋１から−１に向かって傾斜している三
角傾斜関数を使用して出力ベクトルをファジー化するこ
とによって達成される。図６は第４出力ノードにおいて
＋１が、他のすべてのノードで−１が与えられる明確な
出力ベクトルを示している。これは周知の明確な出力ベ
クトル学習技術を表している。

【００４５】図７は、対応するファジー化された出力ベ
クトルを示している。ファジー化されたベクトルにおい
て、第４ノードに近い評価はノード４から離れたノード
の評価が失敗状態を表す−１に到達するまで徐々に減少
する。学習に使用される望ましい出力ベクトルをファジ
ー化するための上記のアプローチを使用することによっ
て、ニューラルネットワーク７０は解に収束し、半田ブ
リックの品質の正しい予測を提供する。望ましい出力ベ
クトルは、明確な値の両側で単調に減少する他の波形あ
るいは出力等級間の類似関係を正確に反映したどのよう
な波形によってもファジー化することができる。

【００４６】ニットワーク７０がいったん収束すれば、
それは以前に検査されたことのない新たなサンプルに対
して試験され得る。ネットワークの実際の試験は過去の
例の記憶に基づくものではなく、新たなサンプルに対し
て正確に発生されるものでもない。もし学習サンプルが
非常に小規模であれば、ネットワークは単に学習に使用
された特定の例であると記憶し、新たな例に対して貧弱
な実行をおこなうだけである。良好な普遍性を得るため
に、ネットワークを学習するために多くのサンプルが使
用される。重要な点は、入力空間を平等にカバーする典
型的な数のサンプルを有することである。入力空間は、
抽出されたブリック計量値から構成される多次元マトリ
ックスである。この入力空間のすべての点がデータの学
習セットに対する１つの領域中に集中されていれば、入
力空間の他の領域中の離れた新たな試験点は正しい評価
に対して非常に低い可能性しかない。成功するニューラ
ルネットワーク使用の要点の１つは学習例中で内挿さ
れ、入力空間の新たな領域で外挿されないる新たな入力
例を使用することである。

【００４７】本発明の原理に従って学習されたニューラ
ルネットワークの性能はニューラルネットワークが以前
に扱ったことのない第２の収集データセットによって試
験された。ネットワークは半田プリント操作を制御状態
に維持するための統計的な評価制御装置として使用され
ることが意図されているので、熟練者の品質評価とネッ
トワークの品質評価とを比較するために傾向チャートが
作成される。３０点の移動平均がネットワークの出力評
価７２を熟練者の与えた評価７４とともに示す図９に表
示されている。図９から理解できるように、ネットワー
クの出力と熟練者とは非常に良い相関がある。

【００４８】ニューラルネットワーク７０がいったん解
収束に学習されその性能が一様になれば、ネットワーク
はペースト状半田ブリックの物理的な品質のオンライン
での区分のために検査システム１０中で使用され得る。
このオンライン検査モードにおいて、ニューラルネット
ワーク７０の出力は非ファジー化器７６に結合される。
非ファジー化器はネットワーク７０のファジー品質評価
出力を明確な品質評価出力に変換する。図８はこの操作
をブロック線図の形式で示している。図示されるよう
に、明確な計量値入力が前もってファジー出力ベクトル
で学習されたニューラルネットワーク７０に供給され
る。ニューラルネットワークはファジー品質評価を出力
し、非ファジー化器７６はこれを明確な品質評価に変換
する。周知の方法で学習されたニューラルネットワーク
の出力に対して完全なファジーロジックシステムを直列
接続する初期のシステムと異なり、図８のシステムはニ
ューラルネットワークの出力と非ファジー化器との間に
ファジー化器および規則／評価部分を必要としない。非
ファジー化器７６はウイナーテイクアプローチ、重心ア
プローチあるいはたの周知の非ファジー化規範で操作さ
れ得る。望ましい非ファジー化器は重心アプローチを採
用る。

【００４９】図１０−１２のフローチャートは、本発明
の原理によるニューラルネットワーク学習処理の段階を
要約したものである。図１０はデータ収集部分を、図１
１はデータ変換部分を、図１２は学習処理における実際
の学習部分を表している。図１０に示すように、処理は
コンピュータ２８がプリント回路基板が検査場所におい
てセンサ２６によって検出されたか否かを決定する（ス
テップ８０、８２）ことによって開始する。もし基板が
発見されなければ、基板検出ステップが繰り返される。
いったん基板が発見されると、ペースト状半田ブリック
の所定のグループの画像がカメラ３０によって収集され
る（ステップ８４）。そしてコンピュータ２８は注目す
る領域、即ち個々のペースト状半田ブリック画像を位置
決めし（ステップ８６）、適当なデジタル画像処理を実
行する（ステップ８８）。ブリックの計量値の予め定め
られた組の値が、ニューラルネットワーク７０の入力デ
ータとして使用するためにコンピュータ２８によってデ
ジタル画像から抽出される（ステップ９０）。各画像
は、明確な出力ベクトルとして望ましい品質評価を入力
する操作者によっても区分けされる（ステップ９２）。
そしてプリント回路基板上の各学習用ブリック画像に対
する明確な入力および出力ベクトルは、第１の学習ファ
イルあるいはデータベースに記憶される（ステップ９
４）。この処理は前の戻り半田ブリックの学習セットの
各サンプルに対して繰り返される。

【００５０】図１１は、明確な入力および明確な出力ベ
クトルの組を明確な入力とファジー出力ベクトルの組に
変換する学習処理操作を表す。まず、明確な入力と明確
な出力ベクトルの組が第１の学習ファイルから読み込ま
れる（ステップ９６）。そのようなベクトルの組の例は
ステップ９８に示されている。そして、出力ベクトルは
図７に示されるような類似関係によってファジー化され
る（ステップ１００）。結果としての明確な入力とファ
ジー出力ベクトルはステップ１０２に示されている。明
確な入力とファジー出力ベクトルの組は第２の学習ファ
イルあるいはデータベースに書き込まれる（ステップ１
０４）。そして第１の学習ファイルの終わりに到達した
か否かの決定がなされる（ステップ１０６）。もし否定
されれば、次の明確な入力と明確な出力ベクトルの組が
第１の学習ファイルから読み込まれ処理が繰り返され
る。第１の学習ファイルのすべての明確な入力と明確な
出力ベクトルの組が変換されたときには、図１１に示す
処理は完了する（ステップ１０８）。

【００５１】第２の学習ファイル中のベクトルを使用し
ての実際のニューラルネットワーク７０の学習に含まれ
る操作は図１２に示される。この処理は、第２の学習フ
ァイルの終わりに到達したか否かの決定で開始する（ス
テップ１１０）。もし否定されれば次の明確な入力とフ
ァジー出力ベクトルの組が第２の学習ファイルから読み
込まれる（ステップ１１４）。第２の学習ファイルに到
達したときは、次の明確な入力とファジー出力ベクトル
の読み取りの前にこのファイルはリセットされる（ステ
ップ１１２）。次に、前向きネットワーク出力が明確な
入力ベクトルを使用するネットワークによって計算され
る（ステップ１１６）。そしてファジー出力ベクトルが
ネットワークの後ろ向き学習に適用される（ステップ１
１８）。もしネットワークが十分な性能に到達すれば
（ステップ１２０）、学習は停止し（ステップ１２
２）、学習されたネットワークを表示する機能あるいは
手続が生成される（ステップ１２３）。否定された場合
は、明確な入力とファジー出力ベクトルの組を使用して
の学習が継続される。図１２に示された操作は、ピッツ
バーグ、ＰＡのNeural Ware 社（会社名）から購入でき
る市賠品のニューラルネットワークソフトウエアパッケ
ージであるNeuralware Neural Works ProfessionalII/P
LUS（商品名）で実行され得る。

【００５２】学習されたニューラルネットワーク７０の
ペースト状半田ブリックのオンライン検査および品質区
分けに対する使用の手順のフローチャートは、図１３に
示されている。この試験あるいは検査モードにおける最
初の操作は図１０に示され、上述した学習モードのデー
タ収集手続と同一である。図１３の試験モードにおい
て、ブリックの計量値の抽出された値は学習されたニュ
ーラルネットワーク機能に対する入力として印加され、
ネットワークはファジー出力ベクトルを計算する（ステ
ップ１２４）。そして非ファジー化器７６はネットワー
ク出力ベクトルを非ファジー化し、明確な出力品質評価
に変換する（ステップ１２６）。この出力評価は、監視
およびペースト状半田ステンシル工程の制御に使用され
得る。このような制御は、操作者のステンシルの洗浄も
しくは交換、室内湿度もしくは温度の調整、ペースト状
半田の処方の変更等を含むかもしれない。ず１３の手続
は各ペースト状半田ブリックが検査されるまで繰り返さ
れる。

【００５３】本発明に係るペースト状半田検査および品
質評価システムは、製造工程でよく発生するペースト状
半田の欠陥を監視し制御するための比較的安価なしかし
迅速かつ正確な解決策を提供する。この技術に先行する
重要なステップは達成された。本発明の原理は他の目視
検査、品質評価化、および／または対象物区分けに適用
可能である。ニューラルネットワークの出力等級の間に
内部的な関係が存在する場合には、学習における出力ベ
クトルのファジー化はネットワークを解に収束させるた
めに有利ある。

【００５４】ここでは本発明の特定の実施例が説明され
示されたけれども、種々の変更、削除、追加等が特許請
求の範囲に定義される本発明の範囲を逸脱することなく
可能であることは当業者にとって明らかである。

【００５５】

【発明の効果】本発明にかかる方法および装置は、オン
ライン機械撮影検査、自動的な正確な品質採点、および
プリント回路基板上の精密ピッチ部品を含むＳＭＴ要素
のペースト状半田ブリックの品質制御に対する実時間フ
ィードバックを提供する。ニューラルネットワークの多
くの利点がこの分野、他の対象物区分の分野、およびニ
ューラルネットワークの従来の学習が解の収束に帰結し
ないその他の状況において適用可能である。このように
本発明はこの技術分野において顕著な利点を表す。

【図面の簡単な説明】

【図１】本発明の原理に基づく半田ブリック検査および
品質評価システムのブロック線図である。

【図２】多重ペースト状半田ブリックの概念図である。

【図３】単一ノードのニューラルネットワークのモデル
である。

【図４】従来の多層フィードフォワードニューラルネッ
トワークである。

【図５】本発明に使用し得る典型的なニューラルネット
ワークである。

【図６】明確なネットワーク出力ベクトルのグラフ的な
表示である。

【図７】ファジーネットワーク出力ベクトルのグラフ的
な表示である。

【図８】本発明の原理に基づく品質評価出力を決定する
ための装置のブロック線図である。

【図９】操作者の評価と比較したニューラルネットワー
クの評価の半田品質傾向チャートである。

【図１０】ネットワーク学習過程のデータ収集部分のフ
ローダイヤグラムである。

【図１１】ネットワーク学習過程のデータ変換部分のフ
ローダイヤグラムである。

【図１２】ネットワーク学習過程の実際の学習部分のフ
ローダイヤグラムである。

【図１３】学習されたニューラルネットワークの試験モ
ードでの使用のフローダイヤグラムである。

Claims (3)

【特許請求の範囲】
1. 【請求項１】 それぞれが異なる出力の階級を表す複数
   の出力ノードを有し、該出力ノードの出力値がネットワ
   ーク出力ベクトルを正確に定義するニューラルネットワ
   ークの学習方法であって、 異なる出力の等級間の類似関係を決定する段階と、 該類似関係に従ってネットワーク出力ベクトルをファジ
   ー化する段階と、 該ファジー化されたネットワーク出力ベクトルを使用し
   て解収束に向けてネットワークを学習する段階と、を具
   備するニューラルネットワークの学習方法。
2. 【請求項２】 試験用ペースト状半田ブリックの物理的
   品質の品質評価を自動的に提供するためのニューラルネ
   ットワークの学習方法であって、 ペースト状半田ブリックの学習セットに関する各ブリッ
   クの画像を収集する段階と、 該収集された学習セットに関する各ブリックの画像から
   予め定められた種類の計量値を抽出する段階と、 前記学習セットの各ブリックに対して望ましい品質評価
   を決定する段階と、 異なる品質評価間の予め定められた類似関係に従って、
   該学習セットの各ブリックに対する望ましい品質評価を
   各ブリックに対するファジー化された品質評価ベクトル
   中にファジー化する段階と、 前記抽出された値をネットワーク入力として、ファジー
   化された品質評価ベクトルを学習セットの各ブリックに
   対するファジー出力ベクトルとして解収束に向けてニュ
   ーラルネットワークを学習しているニューラルネットワ
   ークに印加する段階と、を具備するニューラルネットワ
   ークの学習方法。
3. 【請求項３】 試験用ペースト状半田ブリックの品質評
   価の自動的決定方法であって、 試験用ペースト状半田ブリックの画像を収集する段階
   と、 該収集された画像から予め定められた種類の計量値を抽
   出する段階と、 該抽出された値を、試験用ペースト状半田ブリックに対
   するファジーネットワーク出力ベクトルを発生するため
   にファジー化されたネットワーク出力ベクトルを使用し
   て学習されるニューラルネットワークに対して印加する
   段階と、 該ファジーネットワーク出力を試験ペースト状半田ブリ
   ックに対する品質評価を提供するために非ファジー化す
   る段階と、を具備する品質評価の自動的決定方法。