KR100200215B1 - 상관 신경 회로망을 이용한 납땜 검사 장치 및방법 - Google Patents

상관 신경 회로망을 이용한 납땜 검사 장치 및방법 Download PDF

Info

Publication number
KR100200215B1
KR100200215B1 KR1019960010514A KR19960010514A KR100200215B1 KR 100200215 B1 KR100200215 B1 KR 100200215B1 KR 1019960010514 A KR1019960010514 A KR 1019960010514A KR 19960010514 A KR19960010514 A KR 19960010514A KR 100200215 B1 KR100200215 B1 KR 100200215B1
Authority
KR
South Korea
Prior art keywords
soldering
image
learning
correlation
neural network
Prior art date
Application number
KR1019960010514A
Other languages
English (en)
Other versions
KR970073259A (ko
Inventor
김종형
Original Assignee
윤종용
삼성전자주식회사
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 윤종용, 삼성전자주식회사 filed Critical 윤종용
Priority to KR1019960010514A priority Critical patent/KR100200215B1/ko
Priority to JP8224189A priority patent/JPH09275272A/ja
Priority to US08/833,451 priority patent/US6023663A/en
Publication of KR970073259A publication Critical patent/KR970073259A/ko
Application granted granted Critical
Publication of KR100200215B1 publication Critical patent/KR100200215B1/ko

Links

Classifications

    • HELECTRICITY
    • H05ELECTRIC TECHNIQUES NOT OTHERWISE PROVIDED FOR
    • H05KPRINTED CIRCUITS; CASINGS OR CONSTRUCTIONAL DETAILS OF ELECTRIC APPARATUS; MANUFACTURE OF ASSEMBLAGES OF ELECTRICAL COMPONENTS
    • H05K3/00Apparatus or processes for manufacturing printed circuits
    • H05K3/30Assembling printed circuits with electric components, e.g. with resistor
    • H05K3/32Assembling printed circuits with electric components, e.g. with resistor electrically connecting electric components or wires to printed circuits
    • H05K3/34Assembling printed circuits with electric components, e.g. with resistor electrically connecting electric components or wires to printed circuits by soldering
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/0002Inspection of images, e.g. flaw detection
    • G06T7/0004Industrial image inspection
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01NINVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84Systems specially adapted for particular applications
    • G01N21/88Investigating the presence of flaws or contamination
    • G01N21/95Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • G01N21/956Inspecting patterns on the surface of objects
    • G01N21/95684Patterns showing highly reflecting parts, e.g. metallic elements
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01RMEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/28Testing of electronic circuits, e.g. by signal tracer
    • G01R31/302Contactless testing
    • G01R31/308Contactless testing using non-ionising electromagnetic radiation, e.g. optical radiation
    • G01R31/309Contactless testing using non-ionising electromagnetic radiation, e.g. optical radiation of printed or hybrid circuits or circuit substrates
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01RMEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/50Testing of electric apparatus, lines, cables or components for short-circuits, continuity, leakage current or incorrect line connections
    • G01R31/66Testing of connections, e.g. of plugs or non-disconnectable joints
    • G01R31/70Testing of connections between components and printed circuit boards
    • G01R31/71Testing of solder joints
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/10Image acquisition modality
    • G06T2207/10024Color image
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/20Special algorithmic details
    • G06T2207/20084Artificial neural networks [ANN]
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/30Subject of image; Context of image processing
    • G06T2207/30108Industrial image inspection
    • G06T2207/30152Solder

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Immunology (AREA)
  • Electromagnetism (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Pathology (AREA)
  • Theoretical Computer Science (AREA)
  • Toxicology (AREA)
  • General Engineering & Computer Science (AREA)
  • Manufacturing & Machinery (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
  • Length Measuring Devices By Optical Means (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)
  • Electric Connection Of Electric Components To Printed Circuits (AREA)
  • Tests Of Electronic Circuits (AREA)

Abstract

본 발명은 삼색의 원형 조명장치하에서 납땜부의 컬러 영상을 얻고 인공 지능기법에 의한 형상인식 알고리즘을 갖는 상관 신경 회로망을 이용하여 각 컬러 패턴간의 교차-상관관계와 자기-상관관계를 계산하여 그 계산 결과로 납땜부의 양/불량을 판정하는 분류 조건을 학습함으로써, 새로운 영상이 들어롤 때 인식하고자 하는 대상의 계층이 서로 유사하고 검사 대상의 위치가 일정하지 않을 때도 신뢰성 있게 PCB의 납땜부 형상을 인식시켜 납땜부를 검사할 수 있도록 한 상관 신경 회로망을 이용한 납땜 검사장치 및 방법에 관한 것인바, 그 하나의 특징은 카메라와 동축을 갖는 삼색원형 조명하에서 납땜부의 3차원적 영상을 추출하기 위한 납땜형상측정수단과, 상기 납땜형상 측정수단으로부터 추출된 영상정보들을 받아들여 분류하고자 하는 계층들의 경계조건을 학습하고, 새로운 영상이 들어올 때 그 표본 학습 데이터를 가지고 사람의 분류 능력을 모사하여 납땜부 영상정보들에 대한 분류 조건을 인식하는 납땜형상 인식수단으로 구성함에 있으며, 다른 특징은 카메라와 동축을 갖는 삼색 원형조명하에서 얻어진 납땜부의 3차원적 영상정보를 납땜부 검사를 위한 보다 의미있고 간단한 정보로 변환하는 전처리 과정과, 상기 전처리과정에서 계산된 결과를 사용자가 판정하는 결과와 비교하여 제한된 표본들에 대해 신경회로망의 시냅스 가중치들을 학습과정으로 이루어짐에 있다.

Description

상관 신경 회로망(correlation neural network)을 이용한 납땜 검사 장치 및 방법
제1도는 본 발명의 일 실시예에 의한 상관 신경 회로망을 이용한 납땜 검사 장치의 개략적인 구성을 전체적으로 보인 블럭도.
제2도는 제1도의 각 삼색 조명을 하나의 점광원들로 본 경우 납땜부경사면의 기울기에 따라 CCD컬러 카메라에 입사되는 조명 조건을 설명하기 위한 참고도로서,
(a)는 평면에 가까운 납땜부 경사면에서의 반사조건 표시예도.
(b)는 완만한 납땜부 경사면에서 반사조건 표시예도.
(c)는 급경사를 갖는 납땜부 경사면에서의 반사조건 표시예도.
제3도는 본 발명에 의한 제1도의 상관 신경 회로망의 일 실시예를 보인 모형도.
제4도는 본 발명의 일 실시예에 의한 상관 신경 회로망을 이용한 납땜 검사방법의 동작 흐름도.
제5도는 본 발명에 의한 상관 신경 회로망에서의 축소 영상 과정을 설명하기 위한 참고도.
제6도는 제3도의 상관 노드를 상세하게 나타낸 모형도.
제7도는 본 발명에서 분류 기준으로 사용하는 납땜부의 등급별 종류의 컬러 패턴을 보인 분류도.
제8도는 본 발명의 전처리부에서 실시되는 1차원 벡터화 단계를 설명하기 위한 참고도로서,
(a)는 4×5 화소크기의 축소 영상 패턴도.
(b)는 상기 (a)에 대한 벡터열 표현예도.
제9도 내지 제11도는 각각 4×5 축소영상의 경우와 8×10 축소 영상의 경우와 12×15축소 영상의 경우에 대하여 본 발명의 신경 회로망의 학습 능력을 설명하기 위한 참고도로서,
(a)는 각 표본의 실험 반복수(N)에 대한 시스템 에러율을 나타낸 그래프.
(b)는 입력 노드의 수에 따른 각 표본 데이터를 보인 참고표.
제12도는 본 발명에 의한 상관 신경 회로망의 극복 능력을 설명하기 위해 4×5 축소영상 크기(a1)와 8×10 축소영상 크기(b1)와 12×15 축소영상 크기(c1)와 일반적인 신경 회로망의 경우 (d1)의 극복능력을 비교한 참고도로서,
(a)는 가우시안 잡음(1δ)에 따른 오 분류율(%)을 나타낸 그래프.
(b)는 화소의 위치 변동에 따른 오 분류율(%)을 나타낸 그래프.
* 도면의 주요부분에 대한 부호의 설명
1 : 납땜부 검사 영역 2 : 납땜부
3 : 리드부 4 : 줌렌즈
5 : CCD 컬러 카메라부 6 : 삼색 조명부
6R,6G,6B : 고주파 네온등 7 : 컬러 영상 취득부
10 : 상관 신경 회로망 10A : 전처리부
10B : 학습부 11 : 입력 노드
12 : 상관노드 14, 15 : 계산 노드
본 발명은 인쇄회로기판(이하는 PCB라 칭함)의 납땜부를 인공 지능 기법에 의한 형상인식 알고리즘으로 표본형상에 대해서 유연하게 학습하여 여러 계층의 납땜부 형상을 검사할 수 있는 장치 및 방법에 관한 것으로서, 보다 상세하게는 삼색의 원형 조명장치하에서 납땜부의 컬러 영상을 얻고 인공 지능기법에 의한 형상인식 알고리즘을 갖는 상관 신경 회로망을 이용하여 각 컬러 패턴간의 교차-상관(cross - correlation)과 자기-상관(auto - correlation)관계를 계산하여 그 계산 결과로 납땜부의 양/불량을 판정하는 분류 조건을 학습함으로써, 새로운 영상이 들어올 때 인식하고자 하는 대상의 계층이 서로 유사하고 검사 대상의 우치가 일정하지 않을 때도 신뢰성 있게 PCB의 납땜부 형상을 인식시켜 납땜부를 검사할 수 있도록 한 상관 신경 회로망을 이용한 납땜 검사 장치 및 방법에 관한 것이다.
최근 들어 전자 기기의 소형 경량화, 고기능화에 따라 전자 부품을 고밀도 회로기판에 담기 위한 표면실장 기술(surface-mounting technology : 이하는 SMT라 칭함)의 개발이 다방면으로 진행중인데, 이 SMT는 PCB표면에 만들어진 전기적 도체 표면에 칩 형상의 부품 및 평면 IC등의 표면 실장형 부품을 납 접착제(solder paste)를 바른 PCB위에 탑재한 후 접착시키는 방법으로서, 현재 많은 전자 제품들 내에 이러한 SMT에 의해 조립된 PCB가 높은 비중으로 사용되어지고 있다. 상기와 같은 SMT를 이용한 PCB조립 공정에 있어 많은 자동화 조립장비가 개발되어 높은 생산성을 이룩하였으며, 현재 산업체에서 생산하고 있는 PCB조립용 부품의 크기는 소형화되고 기판위의 밀도는 엄청나게 증가하고 있다. 따라서 한 장의 PCB 내에서 검사하여야 할 검사점의 수도 엄청나게 많아지고 처리 시간면에서도 고속화된 검사 시스템을 요구하고 있다.
그러나 조립된 PCB를 검사하는 검사기의 개발은 아직 미진하여 사람의 목시검사에 의존하는 경우가 많은데, 이러한 목시 검사는 PCB상의 부품의 밀도가 높아질수록 그 신뢰성 및 전체 생산성 면에서 한계에 이르고 있으며, 작업자가 이러한 작은 부품의 결함을 검사하는 것은 매우 단순하고 힘든 작업으로서 검사의 신뢰성이 항상 균일하게 보장되지 못하고 있다. 이러한 이유 때문에 PCB조립 공정에 있어 목시 검사작업은 하나의 병목현상을 이루고 있으며, 차츰 한장의 PCB의 생산 가격이 높아지므로 어느 한 부분의 결함으로 이하여 PCB를 버릴 경우 이에 의한 경제적 손실은 차츰 심각해지고 있다. 따라서 PCB제조 공정에서 검사작업의 자동화는 고품질과 고생산성을 요구하는 산업계의 현실에 비추어 볼때 하루 빨리 자동화되어야 할 과제로 남아 있었다.
상기의 SMT에서 실시되는 검사작업중 특히 납땜부의 검사는 최종 제품의 품질을 좌우하는 매우 중요한 공정중의 하나이기는 하지만 납땜부 검사는 다른 검사작업에 비하여 대상 자체가 매우 작고 그 품질의 경계가 모호하여 사람이 검사하기에는 매우 까다롭고 쉽게 피로를 느끼는 작업이며, 자동화하기에 매우 어려운 부분으로 간주되어 왔다. PCB에 관련한 컴퓨터 비젼(computer vision) 분야나 머신 비젼(machine vision)분야에서의 많은 연구결과들이 발표되었으나 실제로 납땜검사를 대상으로 발표된 결과나 실제 적용 예제가 많지 않은 실정이며, 특히 납땜검사 자동화 장비의 개발에 있어서 어려운 점들은 납땜부의 경면 반사특성에 의한 형상 측정상의 어려움과 품질에 따른 형상의 인식 및 분류문제로 압측될 수 있다.
그 중에서 먼저 납땜부 형상 측정상의 문제를 보면, 검사하여야 할 납땜부는 측정 부위가 매우 작고 3차원적 형상 특징을 갖고 있으므로 2차원 영상으로 이를 표현하기가 매우 어려울 뿐만 아니라 표면이 경면으로 이루어져 있어 조명 조건이나 보는 각도에 따라 잘못 인식하는 경우가 많이 발생한다. 즉, 약간의 조명 조건의 변화나 시각의 변화에도 납땜부에서 반사되는 형태나 반사되는 빛의 밝기가 매우 민감하게 변화하므로 종래의 시각 인식기법들중 반사되는 빛의 밝기 정도를 가지고 3차원 물체를 인식하는 방법들은 납땜부처럼 경면 반사특성이 강한 대상에 대해서는 신뢰성이 저하되는 어려움이 있어 보다 잘 정돈되고 계획된 조명과 시각 장치를 이용하지 않고서는 안정되고 신뢰성있는 영상을 취득할 수 없다.
일반적으로 PCB상의 납땜부는 IC리드와 PCB상의 패트사이에 형성되어 있으며, 그 표면은 매우 작고 반짝이는 곡면의 형상으로서 땜납의 조성 및 불순물, 유체의 종류 및 양, 적절한 가열온도 및 시간등의 영향을 받는다.
이러한 납땜부의 특성을 조사하기 위하여 기존 및 종류의 납땜검사 장비들이 개발되어 있는데, 현재까지 나와 있는 측정 방법을 원리적 측면에서 살펴보면 그 첫째는 가장 일반적인 방법으로서, 일정한 조명을 납땜부에 투사하여 납땜부의 표면 형상에 나타나는 시각적 특징을 이용하여 검사하는 방법이 있으며, 둘째는 X선 투사 방법으로서 외관 형상과 관계없이 실제로 리드부와 PCB의 패드사이의 결함 여부를 조사하는 방식인데, 이 방식은 내부 결함도 측정할 수 있는 반면, 측정 장비의 가격이 높고 외관에서 오는 물량 요인은 측정할 수 없는 단점이 있고, 세째는 온도 측정법으로서 납땜부의 형상보다는 리드와 PCB의 패드가 접촉되었는지를 확인하는 방법인데, 이것은 먼저 리드 부위를 가열한 후 일정 시간이 경과한 뒤 리드의 온도를 측정하여 결과를 판정하며, 이때 납땜에 의해 리드가 잘 접촉이 되었을 경우는 가해진 열이 납땜부를 통하여 잘 전달되어 리드의 온도가 높지 않고, 그렇지 않을 경우는 가열된 열이 다른 곳으로 전달되지 못하여 리드부의 온도가 높게 유지되어 있으므로 이를 측정하여 납땜상태를 판단하게 되나, 이 방법은 열전도 특성이 달라질때마다 측정 특성도 달라지게 되는 문제점이 있었다.
한편, 널리 사용되어지고 있는 시각 인식에 의한 납땜부 검사방식도 학문적으로 뿐만 아니라 기업체에서도 많은 연구가 있었지만 실제로 상용화된 것은 그리 많지 않은 편이며, 1985년 이후 납땜부 검사 관련 특허는 일본과 미국을 중심으로 많이 출원되었다. 이중에서 시각 또는 광학검사에 의한 측정방법중 실현 가능성이 있는 것만을 추려보면 대략 14개 정도가 된다. 그 중에서 시각 인식에 의한 측정방법은 측정 원리적인 측면에서 심각 도법(Trianglation)을 근거로 납땜부의 높이 차이를 측정하는 방법과 표면에서 빛의 반사차이로 납땜부의 경사면을 측정하는 방법으로 나눌 수 있다.
첫번째 시각 인식에 의한 측정방법으로 납땜부의 3차원적 형상을 삼각도법에 의해 직접 찾아내는 방법은 주로 레이져 빔을 이용하여 만든 구조화된 광(Structured light)을 사용하는 것으로서, 레이져의 빔은 교차하는 물체의 위치에 따라 영상상에 맺히는 위치가 달라지므로 영상상의 점의 위치와 레이져 빔의 투사각도를 알면 카메라에서 몸체까지의 거리를 측정할 수 있는 것이다. 그 중 한 방법에서는 실린더 형태의 렌즈를 레이져 앞에 위치시켜 직선 형태의 구조화된 레이져 빔을 이용하여 납땜부 검사에 응용하였는데, 이 방법은 매우 얇은 직선 빔을 납땜부를 따라 여러 번 순차적으로 그 위치를 옮겨가며 검사한다. 이때의 직선은 납땜부의 3차원 영상을 마주치면서 왜곡되므로 카메라로 그 직선의 왜곡 형태를 찾고 그 직선의 왜곡된 정도는 3차원 형상의 차이에서 나타나므로 이들 왜곡된 직선들을 가지고 납땜부의 3차원 형상을 유추할 수 있다. 이 경우 카메라 상에서 직선의 특징을 추출하는 데는 많은 시간이 소요되지 않으나, 한장의 PCB에 전체적으로 맣은 납땜부를 모두 검사하는데는 많은 시간이 걸리고, 또한 납땜부에 정확히 직선 빔을 투사하기 위해서는 매우 정교한 기구부를 필요로 하게 된다. 또한 일반적인 레이져 투사용 3차원 거리센서는 측정면이 레이져가 투사되는 축에 대하여 15도 이상 기울어지면 높이 측정이 힘들게 되므로 따라서 이러한 센서를 사용하여서는 납땜부에 대한 완전한 형태의 복원이 어렵게 되는 문제점이 있었다.
두번째 방법은 측정 대상인 납땜부에서 반사되는 빛의 명암 차이에 의해 검사하는 방식으로서, 잘 정돈된 조명하에서 납땜부위를 볼때 표면의 경사도에 따라 반사되는 빛의 방향이 달라지고 영상상의 밝기의 차이를 가져오므로 조명과 시각 센서, 반사면의 특성등이 반사모델을 이용하여 주어진 영상 센서상의 밝기로부터 납땜부의 3차원 형상을 유추하여 이로부터 납땜부의 양/불량을 검사하였다. 일반적으로 납땜부의 3차원 형상은 몇개의 대표적 법선 벡터의 집합으로 대변될 수 있으며, 그 형상 또는 불량의 형상에 따라 각기 다른 법선벡터의 집합을 갖는다. 특정한 몇개의 다른 방향에서 광원을 비추어 나타나는 명암의 정보로부터 이러한 법선 벡터의 집합을 구하여 양질의 납땜부의 집합 특성과 불량의 집합과의 특성을 비교하여 양/불량의 납땜부를 인식 및 검사하였다. 그러나 이러한 방법으로 납땜부를 측정하는 데 있어 가장 어려운 점은 납땜부의 표면이 매우 경면이므로 일반적인 한 개의 점광원에 의한 조명방식으로 납땜부의 3차원 형상을 알 수 있는 시각적 특징을 추출할 수 없을 뿐 아니라 조명의 위치나 크기에 따라 그 반사 특성이 매우 달라지게 된다. 따라서 그 중 한가지 제안 방법은 강하지만 균일하게 충분히 분산된 조명을 사용하여 납땜부를 조명하고 반사되는 명암의 패턴과 양/불량 형태와의 관계를 정성적으로 해석하고 이를 토대로 검사 알고리즘을 구성하였다. 또 다른 제안 방법은 4개의 점광원과 1개의 분산 조명을 사용하여 납땜부를 검사하는 것인데, 이들에 의해 얻어지는 사각 정보는 매우 제한적이어서 납땜부의 다양한 형상의 변화를 모두 측정할 수 없다. 따라서 실제로 상용화되어 검사에 사용되어지는 조명 방식은 앞에서도 언급된 다점 방식(multi-point sources)의 조명 장치들이 채택되어 졌다. 그것은 원형의 램프를 적층하여 납땜부의 경면 반사에 의해 생기는 밝은 명암의 정보를 이용하여 납땜부의 형상을 인식하고 검사하였다. 또 다른 제안 방법은 127개의 광섬유를 반구상에 균일하게 심어 순차적으로 조명함으로써, 조명된 한 개의 광원과 이에 일치하는 법선을 갖는 표면을 찾는 방법으로 납땜과 같은 경면 반사 물체를 인식하고자 했다. 이러한 방법에서는 납땜부의 3차원적 형상의 특징을 표면의 경사도 분포로 해석하고 이들과 품질과의 관계를 정립하여 이를 근거로 검사작업을 수행하였으며, 이러한 방법은 비교적 측정 기구도 간단하고 주어진 문제에 따라 부분적으로만 경사도의 분포에서 3차원 형상도 복원할 수 있었다.
다음으로 납땜부 형상 인식 및 분류 문제를 보면, 납땜부 검사 자동화에 있어 어려운 점중에 하나는 납땜부의 형상이나 그 불량의 형태가 다양하여 그 검사 기준을 결정하는 것이 어렵다는 것이다. 비록 양품의 납땜부라 할지라도 그 형태가 매우 다양하여 한 개의 모델이나 규칙을 가지고 이들을 검사하는 것이 어렵고, 또한 그 기준도 납땜의 재질이나 부품의 종류에 따라 조금씩 차이가 난다. 그리고 납땜부 표면의 경면 반사 특징 이외에 동일한 품질의 등급에 속하는 납땜부들간에도 형상의 차이가 다양하여 한개의 모델이나 검사 기준으로 이들을 분류 인식하기가 어렵다. 또한 검사 기준도 부품의 종류나 기판의 종류에 따라 조금씩 차이가 날수도 있는데, 이러한 점은 검사 알고리즘을 개발하는데 신중히 고려하여야 할 점이다. 납땜 검사를 하기 위한 종래의 검사/분류 알고리즘들은 확률적인 통계자료나 고정된 규칙에 근거한 방식들이 많이 제안되었다. 그 중에서 확률적 통계에 의존하는 방법은 각 품질 등급에 대한 충분한 통계적 자료를 요구하며, 이들은 많은 시료와 실험을 통해서 얻어질 수 있다. 고정된 규칙에 근거한 방식은 예상하지 못한 시료들에 대해 유연성이 결여되는 약점이 있다. 이러한 점들은 실제 적용시 많이 발생할 수 있는 문제이므로 이들에 대한 대책이 없는 경우 실제 문제에 적용하기에는 많은 어려움이 뒤따르게 되었다.
본 발명은 상기와 같은 종래의 납땜부 형상 인식의 어려움을 극복하기 위하여 창출한 것으로서, 본 발명의 목적 특별한 조명조건하에서 추출되는 제한된 임의의 표본 학습 데이터를 가지고 효율적으로 사람의 분류 능력을 모사할 수 있는 인공지능기법에 의한 형상 인식 알고리즘을 이용함으로써, 납땜부와 같은 비선형적인 형상 분류 인식에 적용할 수 있는 상관 신경 회로망을 이용한 납땜 검사 장치 및 방법을 제공함에 있다.
상기와 같은 목적을 달성하기 위한 본 발명에 따른 상관 신경 회로망을 이용한 납땜 검사 장치의 특징은 삼색 원형 조명하에서 납땜부의 3차원적 영상을 추출하기 위한 납땜형상 측정수단과, 상기 납땜형상 측정수단으로부터 추출된 영상정보들을 받아 들여 분류하고자 하는 계층들의 경계조건을 학습하고, 새로운 영상이 들어올 때 그 표본 학습 데이터를 가지고 사람의 분류 능력을 모사하여 납땜 영상정보들에 대한 분류 조건을 인식하는 납땜형상 인식수단으로 구성함에 있다.
상기와 같은 목적을 달성하기 위한 본 발명에 따른 상관 신경 회로망을 이용한 납땜 검사 방법의 특징은 카메라의 동축을 갖는 삼색 원형조명하에서 얻어진 납땜부의 3차원적 영상정보를 납땜부 검사를 위한 보다 의미있고 간단한 정보로 변환하는 전처리 과정과, 상기 전처리과정에서 계산된 결과를 사용자가 판정하는 결과와 비교하여 제한된 표본들에 대해 신경 회로망의 시냅스 가중치들을 학습하는 학습과정으로 이루어짐에 있다.
이하, 본 발명의 일 실시예에 따른 상관 신경 회로망을 이용한 납땜 검사 장치 및 방법을 첨부된 도면에 의거하여 상세히 설명하면 다음과 같다.
제1도는 본 발명의 일 실시예에 의한 상관 신경 회로망을 이용한 납땜 검사 장치의 전체적인 구성을 개략적으로 보인 블럭도로서, 도면에 도시된 바와 같이 카메라와 동축을 갖는 삼색 원형 조명하에서 납땜부의 3차원적 표본 영상정보를 추출해내는 납땜형상 측정수단은 납땜부 검사 영역(1)과 동일축상에 위치하여 납땜부(2) 및 리드부(3)에서 반사되어 줌렌즈(4)를 통해 들어오는 외부의 컬러 영상신호를 전하 전송 소자(charge coupled device : 이하는 CCD라 칭함)에 의해 입력받아 전기적인 신호로 변화하는 CCD컬러 카메라부(5)와, 상기 CCD컬러 카메라부와 동축을 갖도록 순차적으로 적층시킨 상태에서 납땜부 검사 영역(1)에 반사각이 서로 다른 적색(R), 녹색(G), 청색(B)빛을 조사하는 삼색 조명부(6)와, 상기 CCD컬러 카메라부의 출력으로부터 각각의 R프레임(7R)과 G프레임(7G)과 B프레임(7B)을 취득하는 컬러 영상 취득부(7)로 구성함을 나타내고 있다.
상기 삼색 조명부(6)는 경면(競競)납땜부의 표면에 각각 적색과 녹색과 청색의 빛을 서로 다른 각도에서 조사하기 위해 CCD컬러 카메라부와 동축을 갖는 3개의 빨강, 파랑, 그리고 녹색으로 구성된 원형의 고주파 네온등(6R,6G,6B)으로 이루어지고, 여기서 파란색 네온등(6B)은 지름을 40mm, 빨간색 네온등(6R)은 70mm, 녹색 네온등(6G)은 130mm으로 선정하고, 검사하는 검사 대상인 PCB에 조사되는 각도는 그 중심축을 기준으로 파란색 네온등(6B)은θs1=20°, 빨간색 네온등(6R)은 θs2=40°, 그리고 녹색 네온등(6G)은 θs3=70°로 되도록 고정함이 바람직하다.
상기 납땜형상 측정수단으로부터 추출된, 영상정보들을 받아 들여 분류하고자 하는 계층들과 경계조건을 학습하고, 새로운 영상이 들어올 때 그 학습 데이터를 가지고 효율적으로 사람의 분류 능력을 모사하여 납땜부 영상정보들에 대한 분류 조건을 인식하는 인공지능 기법에 의한 납땜형상 인식수단은 특정한 조명 조건하에서 상기 컬러 영상 취득부(7)로부터 추출되는 제한된 임의의 표본 영상정보를 납땜부 검사를 위한 벡터정보로 변환하여 납땜부 형상에 대해 분류하고자 하는 패턴 계층들의 상관 관계를 계산하고, 그 상관값과 사용자 판정값에 대한 비교결과로 신경 세포의 시넵스 가중치들을 학습하여 납땜부의 표본 영상정보들에 대한 분류 조건을 인공지능기법으로 인식하는 상관 신경 회로망(10)으로 구성함을 나타내고 있다.
제2도는 제1도의 각 고주파 네온등(6)으로부터 납땜부 경사면의 기울기에 따라 CCD컬러 카메라부(5)가 얻을 수 있는 영상정보를 설명하기 위한 참고도로서, (a)는 납땜부 경사면의 기울기 (θn1)가 약 10° 정도인 경우의 반사조건이고, (b)는 납땜부 경사면의 기울기 (θn2)가 약 20° 정도인 경우의 반사조건이고, (c)는 납땜부 경사면의 기울기 ( n3)가 약 35° 정도인 경우의 반사조건을 나타내고 있다. 여기서 원형의 고주파 네온등은 CCD컬러 카메라부와 동축을 갖는 3개의 빨강, 파랑, 그리고 녹색의 세가지 색깔로서, 검사하는 검사 대상인 PCB에 조사되는 각도는 그 중심축을 기준을 파란색 네온등(6B)은 s1 s2 s2 n1 n2 n3
제3도는 제1도의 상관 신경 회로망의 일 실시예를 보인 모형도로서, 도면에 도시된 바와 같이 1차원적으로 벡터화된 벡터열을 입력받을 수 있는 다수의 입력 노드(11)와 영상 패턴간의 상관값을 계산하는 다수의 상관노드(12)로 이루어져 상기 컬러 영상 취득부(7)에서 추출된 컬러 영상을 납땜부 검사를 위한 보다 의미있고 간단한 정보로 변환함으로써, 한개의 영상내에 3개의 서로 다른 색깔을 지닌 패턴(분류 계층)간의 상관 관계를 계산하는 전처리부(10A)와, 2단계의 계산노드(14,15)로 이루어져 상기 전처리부에서 계산된 상관값으로 각 표본 패컨에 대한 오차(Ep) 및 표준편차(E)들을 계산한 후 범용 델타 규칙에 근거하여 제한된 표본 영상정보들의 분류조건을 학습하는 학습부(10B)로 구성하고 있다. 도면에서 설명되지 않은 부호 13은 전처리부의 각 상관노드에서 계산된 결과를 직접 입력받기 위한 단순 접속노드이다.
제4도는 본 발명에 의한 상관 신경 회로망을 이용한 납땜 검사방법의 흐름도로서, 카메라와 동축을 갖는 삼색 원형조명하에서 얻어진 납땜부의 3차원적 영상정보를 납땜부 검사를 위한 보다 의미있고 간단한 정보로 변환하는 전처리 과정과, 상기 전처리과정에 계산된 결과를 사용자가 판정하는 결과와 비교하여 제한된 표본들에 대해 신경 회로망의 시냅스 가중치들을 학습하는학습과정으로 이루어진다. 여기서 상기 전처리부의 상관값 계산과정 및 학습부의 패턴 분류조건 학습과정을 보면, 카메라와 동축을 갖는 삼색 조명하에서 추출(S10)된 납땜부의 3차원적 표본 영상정보를 입수하여 보다 작은 크기의 축소 영상으로 변환하는 영상축소단계(S11)와, 상기 영상 축소단계에서 변환된 축소영상의 각 화소를 1차원 벡터로 표현하는 축소형상 벡터화단계(S12)와, 상기 축소영상 벡터화단계에서 1차원 벡터화된 각 화소 벡터들간의 상관값을 계산하는 상관값 계산단계(S13)와, 상아기 상관값 계산단계에서 계산된 벡터 상관값을 사용자가 판정하는 결과와 비교하여 각 표본 패턴에 대한 오차 및 각 표본 패턴들의 평균 오차 함수를 구해내기 위한 학습작업을 개시하는 학습 실행단계(S14)와, 상기 학습 실행단계에서 얻어지는 오차 함수들을 이용하여 신경회로(세포)의 시넵스 가중치들을 학습하는 시넵스 가중치 학습단계(S15)로 구분할수 있음을 나타내고 있다.
제5도는 제3도의 전처리부에서 실시되는 납땜부의 3차원적 표면 영상정보 축소단계를 설명하기 위한 참고도로서, (a)는 원 영상 lo(u, v)이고, (b)는 축소 영상 Ic(i, j)과 그 축소 영상내의 원 영상을 나타내고 있다. 여기서 (u, v)는 원 영상의 화소 좌표이며, (i, j)는 축소 영상의 화소 좌표이고, (k, l)은 축소 영상내의 원 영상 화소 좌표를 나타내고 있다.
제6도는 제3도의 임의 상관 노드(12)를 상세하게 나타낸 도면으로서, 도면에서는 3차원적인 두개의 컬러 영상정보가 전처리부의 벡터화단계를 거쳐 1차원 벡터로 변환된 두개의 컬러 벡터열(C1)(c2)과 상기 벡터들간의 상관값을 계산하는 상관노드(12)를 보이고 있으며, 상기 상관 노드(12)에는 교차곱 연산자(12a) 및 시그마 연산자(12b)가 포함되어 있음을 나타내고 있다.
제7도는 본 발명에서 납땜부의 크기에 따른 분류 기준과 납땜부의 종류와 그에 따라 영상으로 나타나는 컬러 분포를 나타내고 있는 것으로서, 도면에 도시된 바와 같이 납땜부의 크기에 따라 미납, 미납 정상, 정상, 정상 과납, 그리고 과납의 5개의 등급으로 나누었으며, 미납 영상에서는 파란색 패턴(도면에서 여백으로 표시됨)이 주로 나타나며, 미납 정상 영상에서는 약간의 녹색 패턴(도면에서 흑색으로 표시됨)과 빨강색 패턴(도면에서 다수의 점으로 표시됨)이 나타나기 시작하고, 정상 영상에서는 리드에서부터 녹색 패턴, 빨간색 패턴, 파란색 패턴이 순차적으로 나타나며, 과납 정상 영상에서는 주로 빨간색 패턴이 많이 나타나고, 과납 영상에서는 파란색 패턴이 빨간색 패턴과 녹색 패턴으로 둘러싸여 있는 형태를 취하고 있다.
제8도는 본 발명에 의한 신경 회로망의 전처리부에서 실시되는 1차원 벡터화 단계를 설명하기 위한 참고도로서, (a)는 4×5 화소크기의 축소 영상의 한 예를 나타내고 있으며, (b)는 상기 축소 영상을 각각의 녹색과 적색과 청색에 대하여 1차원 컬러 벡터(G(1-5), R(1-5), B(1-5))로 표현한 예를 보이고 있다.
제9도 내지 제11도는 각각 4×5 축소영상의 경우와 8×10 축소 영상의 경우와 12×15축소 영상의 경우에 대하여 본 발명의 신경 회로망의 학습 능력을 설명하기 위한 참고도로서, 각각의 도면에서는 축소 영상의 크기와 학습부 신경 회로망의 구조에 따른 학습 능력의 차이를 보여주고 있다. 여기서는 일단 시냅스 가중치들이 학습되고 전체 학습 오차가 작아지면 분류 작업시 정확도도 평균적으로 95%를 상회한다. 실험의 결과로부터 50×60 화소의 원 영상을 축소하는데 있어서, 그 축소 영상의 크기가 8×10이면 주어진 문제를 충분히 풀 수 있음을 나타내고 있다.
제12도는 4×5 축소형상 크기(a1) 와 8×10 축소영상 크기(b1)와 12×15 촉소영상 크기(c1)와 후방전파 회로망의 경우(d1)를 비교하면서 본 발명의 상관 신경 회로망의 극복 능력을 설명하기 위한 참고도로서, (a)는 가우시안 잡음(1δ)에 따른 오 분류율(%)을 나타내고 있으며, (b)는 화소의 위치 변동에 따른 오 분류율(%)을 나타내고 있다.
이상에서와 같은 본 발명에 따른 상관 신경 회로망을 이용한 납땜 검사장치 및 방법의 작용 및 효과를 설명하면 다음과 같다.
먼저, 본 발명에 의한 상관 신경 회로망을 이용한 납땜부 검사를 위하여 전제되는 여러 가지의 배경 및 조건을 설명한다.
본 발명에 의한 상관 신경 회로망을 이용한 납땜부 검사 장치에서는 납땜부의 3차원적 정보를 추출하기 위하여 CCD컬러 카메라부(5)의 줌렌즈(4)와 동축을 갖는 삼색의 원형 고주파 네온등(6G)(6R)(6B)을 차례로 적층할 때 검사 물체의 크기에 비하여 각각의 원형 고주파 네온등이 매우 크다는 가정을 설정하면 원형 고주파 네온등은 대상 물체(검사 영역내의 납땜부)에 거의 동일한 경사각을 가지고 빛을 투사할수 있게 되므로 그에 의해 나타나는 영상상의 경면 반사 특징은 CCD 컬러 카메라부의 축에 대한 동경사도 궤적 또는 곡선으로 나타나게 된다. 그리고 납땜부는 매우 작은 곡면으로 형성되어 경면 반사특성을 지니고 있으며, 일반적으로 경면 반사의 특성을 갖는 표면들, 즉 리드부, 납땜부등은 경사도에 따라 각기 다른 색깔을 선명히 보여 주지만 플라스틱 패키지나 PCB의 바닥면등 난반사 특성을 가지고 있는 부분은 원래 재질 고유의 색깔을 보여주므로 이들의 형상을 검사함에 있어서 원형 조명 방식이 매우 효과적으로 쓰일 수 있게 된다.
그리고 본 발명에 따른 상관 신경 회로망을 이용한 납땜부 검사 방법에서는 벡터 상관 신경 회로망을 이용한 방법으로 원형 조명 방식에 의해 추출된 3차원의 납땜부 영상 패턴들의 상호 관계를 1차원의 벡터 상관항으로 나타내게 되며, 이때 영상 패턴을 벡터화하는 과정 및 상관값을 계산하는 과정은 사전에 납땜부 품질에 따른 영상상의 특징에 따른 근거를 두어 설정하고, 이러한 상호관계는 다시 다층 신경 회로망의 입력으로 제공하여 학습시킴으로써, 납땜 검사와 같이 일반적으로 상호 분류 등급들 간에 복잡한 경계조건을 가지고 있는 분류 인식 문제에 있어 효과적으로 적용될 수 있게 된다. 이때 만약 분류하기 어려운 영상상의 특징을 그대로 다층 신경 회로망의 입력으로 준다면 신경 회로망에 연결된 시냅스(신경 세포) 가중치들의 학습 능률이 떨어지게 되거나 더 많은 신경 세포가 추가된 복잡한 형태의 신경 회로망 구조가 되어야 하나, 만약 분류하고자 하는 패턴이나 영상상의 특징을 그 사전에 알고 있으면 이를 미리 처리하여 보다 단순하고 명료한 정보로 바꾼 다음에 이를 다층 신경 회로망의 입력으로 넣어줌으로써, 신경 회로망의 구조를 단순화시킬 수 있게 되거나 혹은 학습 능률을 향상시켜 분류 에러율을 줄일 수 있게 된다. 이러한 개념은 맥스웰 등에 의해서 제시된 기능 고리 신경 회로망과 고차 신경 회로망의 기본 이론과 일치한다. 따라서 본 발명의 납땜 검사방법에서 제시된 벡터 상관의 결과도 최초의 복잡한 영상 정보가 보다 단순하고 명료한 정보로 변환된 형태이며, 이처럼 변환된 형태의 정보를 이용함으로써, 보다 향상된 분류 결과를 기대할수 있게 된다.
이제 본 발명에 따른 납땜부의 품질 검사를 위한 벡터 상관 신경 회로망에서 수행되는 상관계산 및 그 상관값을 이용한 학습과정에 대하여 기술하면, 제3도와 같이 크게 전처리부(10A; Preprocessing module)에서의 영상 패턴 처리동작과 학습부(10B; Training module)에서의 학습동작으로 나누어 기술할 수 있다.
먼저, 전처리부(10A)에서는 컬러 영상의 정보를 납땜부 검사를 위한 보다 의미있고 간단한 정보로의 변환을 시켜주는 과정을 수행하는 것으로서, 그 처리과정을 크게 제1단계인 영상 축소단계(S11)와, 제 2단계인 축소영상 벡터화단계(S12)와, 제3단계인 상관값 계산단계(S13)로 제 4도와 같이 다시 나눌 수 있게 된다.
그 제1단계인 영상 축소단계(S11)에서는 주어진 원 영상의 크기를 보다 작은 크기의 축소된 영상으로 바꾼다. 제5도와 같이 축소된 영상(1c)의 한 화소는 원 영상(Io) L*K 화소들의 평균값으로 정해진다.
여기서, (u0, v0)는 축소 영상(i, j) 화소 내의 원 영상의 초기 화소위치이고, τ는 문턱값으로 사용자가 상황에 따라 정하는 값이며, 축소 영상의 크기도 사용자가 정해줄 수 있는데, 축소 영상이 크면 전체적으로 처리시간이 짧아지는 반면에 분류 정확도가 떨어지므로 제9도 내지 제11도의 실험치에서 보여주는 바와 같이 분류하고자 하는 문제의 난이도에 따라 그 크기를결정해야 한다.
제2단계인 축소영상 벡터화단계에서는 3차원의 축소 영상의 각 화소값을 1차원의 컬러 벡터(G(i), R(i), B(i))로 표현한다.
{G(i)1|i=1,…, m}
{R(i)1|i=1,…, m}
{B(i)1|i=1,…, m}
여기서 R, G, B는 각각 녹색, 빨간색, 파란색 패턴 축소 영상에 대한 1차원 벡터 묶음을 나타낸다. 예를 들어 파란색 패턴 축소 영상 {(i,j)1|i=1,…, m j=1,…,n}의 열 방향의 벡터 표현법은 다음과 같다.
여기서 첨자 b는 파란색을 의미하고 있으므로 같은 방법으로 빨간색과 녹색의 축소 영상I와 영상,에 대한 벡터 형태도 R(i), G(i)로 나타낼 수 있다.
제3단계인 상관값 계산단계에서는 각 컬러 벡터들간의 상관값을 상관 노드(12)를 통하여 계산한다. 제6도와 같이 두개의 컬러 벡터열 C1(·)과 C2(·) 및 그들에 대한 공간적인 상관 거리(d)가 주어졌을 때 임의의 상관 노드(X)의 출력은 다음과 같다.
상관 노드(X)의 출력 = f{C1(·), G2(·), d] =C1(i), C2R(i+d)
여기서 {C1(i)|=1, m}, {C2(i)|=1, …,m}는 두개의 벡터열이고, m은 이들내의 벡터 갯수이며, 계산 결과는 C1 컬러 축소영상과 d만큼 열방향으로 이동된 C2 컬러 축소 영상과의 상관 관계이다.
예를 들어 제1단계를 거친 제8도(a)와 같은 축소 영상이 있을때, 제2단계를 거쳐 제8도의 (b)와 같은 벡터열을 구성할 수 있다. 이 경우 녹색과 빨간색의 상관 노드의 최종 출력값은 다음과 같이 표시된다.
상관 노드(X)의 출력 = f{G(i), R(i), d] =G(i), R(i+d)로 되므로상관 거리 d에 따른 상관 값은 다음과 같다.
d=1일 때
f(G,R,1)=G(1)·R(2)+G(2)·R(3)+G(3)·R(4)+G(4)·R(5)=2
d=2일 때
f(G,R,2)=G(1)·R(3)+G(2)·R(4)+G(3)·R(5)=2
d=3일 때
f(G,R,3)=G(1)·R(4)+G(2)·R(5)=0
d=4일 때
f(G,R,4)=G(1)·R(5)=0
또한 상관 노드는 같은 색의 벡터열에도 적용하여 컬러 벡터열의 자기 상관값을 구할 수 있다.
상관 노드(X)의 출력=f[C1(·), C1(·), d]C1(i)·C1(i+d)
따라서 전처리부에서 최종적으로 계산된 각 컬러 영상 패턴간의 형태학적 관계는 다음과 같이 요약될 수 있다.
f[B(·),R(·),d], d=1,...m-1,
f[R(·),B(·),d], d=1,...m-1,
f[G(·),R(·),d], d=1,...m-1,
f[R(·),G(·),d], d=1,...m-1,
f[B(·),G(·),d], d=1,...m-1,
f[G(·),B(·),d], d=1,...m-1,
f[G(·),G(·),d], d=0,
f[R(·),R(·),d], d=0,
f[B(·),B(·),d], d=0,
이러한 계산 결과는 원래의 영상정보를 보다 의미있고 함축적으로 표현한 결과이므로 따라서 납땜부의 품질 분류에 있어 원래의 3차원 영상정보보다 이들 상관된 결과를 이용한다면 훨씬 쉽게 수행할 수 있게된다.
다음으로 학습부(10B)에서는 상기 상관값 계산단계에서 계산된 벡터상관값을 사용자가 판정하는 결과와 비교하여 신경 회로망의 시냅스 가중치들을 학습하는 시넵스 가중치 학습단계(S14)를 수행하게 된다.
이때 학습부는 일반적은 후방전파 다층신경 회로망으로 전처리부의 계산결과를 받아 관리자가 판정하는 결과와 비교하면서 시냅스 가중치들을 학습하게 되는데, 여기서 학습 과정은 범용 델타규칙을 사용하여 다음과 같이 실행한다.
노드 j의 출력값 Oj는 다음의 시그마(1δ) 함수에 의하여 그 값이 결정된다.
여기서, nt는 j층에 들어가는 nt의 입력이고, 파라미터 δj는 문턱값 또는 바이어스 역할을 한다. 따라서 납땜부 분류에 있어 각 표본 패턴에 대한 출력값의 오차(Ep)는 다음과 같다.
여기서, tp는 분류시 목적 패턴이 되고 o1는 신경 회로망에서 나온 최종 출력값이다. 따라서 이들의 평균 오차)E)는 다음과 같이 정의 된다.
여기서 영문 대문자 P는 입력 표본의 갯수이고, 영문 소문자로 나타난 첨자 p는 각 표본을 나타낸다. 이러한 오차 함수를 최소화하기 위한 가중치들은 범용 델타 규칙에 근거한 다음의 식으로 구해진다.
여기서,는 학습율이며, 시냅스 가중치들의 수렴성을 좋게 하기 위하여 일종의 움직임 간격인 계수 a를 사용한다.
다음에서 본 발명에 제안된 알고리즘의 성능을 평가하기 위하여 가우시안 노이즈들을 첨가하였을 때와 검사 윈도우내의 납땜부 위치 변동에 대한 분류 실험 과정을 설명하면, 제9도 내지 제12도에 도시한 실험의 경우 그 표본 패턴은 라인에서 생산하는 기판에서 512(H) × 512(V)화소의 컬러 영상을 얻고, 그 컬러 영상으로부터 각 5개의 납땜부 품질 등급에서 각각 27개씩 135개의 표본을 준비하였으며, 보통 납땜부는 영상상에서 47 × 56의 화소 크기를 가지고 있으나 표본 취득을 위한 윈도우는 납땜부의 위치이동을 고려하여 60 × 75 화소 크기로 잡은 경우를 보이고 있다. 그리고 이때의 축소 영상의 크기는 전체 처리시간과 분류 정확도 간에 장단점을 고려하여 평균치를 취해야 하는 문제가 있다. 즉, 축소 영상의 크기가 작으면 전체적으로 처리시간이 짧아지는 반면에 분류 정확도가 떨어지고 그 역도 성립하므로 따라서 정확도가 보장되는한 축소 영상의 크기를 줄이는 것이 효율적이다. 본 실험에서는 (4×5), (8×10), 그리고 (12×15) 3가지 축소 영상의 크기에 대해 실험하였으며, 이때 원 영상의 크기는 (60×75) 이다.
또한 학습부 신경 회로망의 구조는 간단한 BP신경 회로망에서 복잡한 구조까지 다양하게 실시한 실험으로서, 참고표에서와 같이 숨겨진 층의 수를 증가시킬수록 복잡한 문제를 풀 수 있지만 전체적으로 계산시간이 많이 걸리고 때로는 필요 이상으로 복잡한 경우 오히려 학습이 안되는 경우도 발생시키므로 실험하고자 하는 적당한 구조는 다음과 같다.
1) 숨긴 층이 없는 편평한 회로망
2) 5노드를 갖는 단일 숨긴 층 회로망
3) 10 노드를 갖는 단일 숨긴 층 회로망
4) 각층에 4노드를 갖는 두 개의 숨긴층을 갖는 회모랑
또한 모든 구조가 공통적으로 5개의 출력 노드를 가지는데 이들의 기준값은 납땜부의 5개 등급에 따라 주어졌다.
(1,0,0,0,0) : 미납
(0,1,0,0,0) : 미납 정상
(0,0,1,0,0) : 정상
(0,0,0,1,0) : 과납 정상
(0,0,0,0,1) : 과납
또한 제9도에서 제11도까지는 축소영상의 크기와 학습부 신경 회로망의 구조에 따른 학습 능력의 차이를 보여 주고 있는데, 일단 신경 회로망의 시냅스 가중치들이 학습되고 전체 학습 오차가 작아지면 분류 작업시 정확도도 평균적으로 95%를 상회함을 나타내며, 실험의 결과에서 50×60 화소의 원 영상을 축소시킨 영상의 크기가 8×10이면 주어진 문제를 충분히 풀수 있음을 알 수 있다.
또한 제12도 (a)의 경우와 같이 영상상에 주어지는 외부 잡광이나 기타의 신호 잡음에 대한 대응 능력을 보기 위해 평균이 '0'이고 표준 편차가 '0'에서 '50'사이의 가우시안 잡음(1)을 원 영상의 명암값에 더한 후 분류의 정확도를 비교한 결과를 보면, 그 비교 대상 알고리즘들은 (a1)의 경우 47×56화소의 원래 크기의 영상의 각 컬러별 밝기값을 받아 들이는 관리된 알고리즘이고, (b1)의 경우는 (a1)과 동일한 입력에 대한 관리되지 않은 셀프 집단 알고리즘이며, (c1)는 8×10의 축소 영상에 대한 벡터 상관 알고리즘이고, (d1)는 (c1)과 동일한 축소 영상에서 각 이진화 영상값을 입력으로 하는 후방 전파 신경 회로망 알고리즘으로서, 그 결과는 관리된 알고리즘을 이용한 방법이 가장 좋은 결과를 얻을 수 있음을 알 수 있다. 이 알고리즘에서는 시험 표본과 기존의 표본들과의 밝기의 차이로 그 유사성을 판단하기 때문에 가우시안 잡음(1)이 있어도 결함이 거의 영에 가까우므로 판정 결과에 큰 영향을 미치지 않는다. 반면에 (c1)(d1)의 경우 노이즈가 많아짐으로 인해 표준 편차가 '20'이상인 경우는 이진화값에 차이가 발생함에 따라 분류의 오차가 발생하기 시작함을 알 수 있다.
그리고 제12도의 (b)의 경우는 납땜부 위치 변동에 대한 대응능력을 보기 위해 납땜부는 (60 S75)의 원래 영상에서 (47 S56)만큼의 크기를 가지고 있으므로 10화소 이내에서 납땜부를 이동시켜 가며 실험한 결과를 보이고 있으며, 도면에서와 같이 벡터 상관 신경 회로망의 경우(a2)위치 변동에 관계없이 분류의 정확도가 나오는데 일반 다른 알고리즘의 경우(b2,c2,d2) 오 인식률이 위치변동에 따라 급격히 증가한다. 물론 벡터상관 신경 회로망이 모든 방향에 대한 위치변화를 극복하고 분류할 수 있는 것은 아니지만 납땜 검사의 겨우 납땜 과정에서 생기는 미소 위치 이동은 그 방향이 한정되어 있으므로 비록 한 방향에 대한 위치 불변 인식 방법이지만 납땜부의 형상 인식에는 좋은 효과를 가져 올 수 있음을 알 수 있다.
이상에서와 같이 본 발명에 따른 상관 신경 회로망을 이용한 납땜검사 장치 및 방법에 의하면 PCB의 납땜부의 검사를위하여 원형 조명 방식의 개선된 형태인 삼색 원형 조명 시스템과 인공지능 기법의 벡터상관 신경 회로망을 제안하고 실제 라인에서 생산되고 있는 PCB상의 표본을 대상으로 이들의 성능을 실험한 결과에서도 볼 수 있는 바와 같이 PCB의 미리 정의된 영역내에서 납땜부의 위치 변동에 대한 영향없이 검사할 수 있으며, 또한 일반적인 신경 회로망들과 비교하여 볼 때 동일한 분류 문제에 대하여 보다 작은 수의 시넵스 가중치와 빠른 학습능력을 가지고 효과적으로 적용될 수 있는 이점이 있다. 또한 컬러 영상의 처리는 일반 흑백 영상에 비해 정보의 양도 많고 각 컬러가 이루는 패턴들의 상대적인 형태가 중요하므로 본 발명은 이러한 각 컬러 패턴의 상대적인 형태를 비교 인식하는데 효과적으로 사용되어질 수 있으며, 다층 신경 회로망을 이용하여 복잡한 분류인식 문제를 풀때에 구해진 입력 데이터를 그대로 사용하기 보다는 문제에 대한 사전 지식이나 경험을 회로망의 구조속에 심어 넣어 설계함으로써, 일반적인 신경 회로망에 비하여 학습능력의 향상 및 구조의 간단화, 사용의 편이성과 같은 성능 향상을 기대할 수 있어서 납땜부의 품질 검사뿐만 아니라 다른 복잡하고 어려운 분류 인식 문제에 성공적으로 적용될 수 있는 유용함이 있다.

Claims (12)

  1. 적색, 녹색 및 청색의 삼색 조명하에서 납땜부의 3차원적 영상을 추출하는 납땜형상 측정수단; 및 상기 납땜형상 측정수단이 추출한 영상정보를 입력하여 분류하고자 하는 계층들의 경계조건을 학습하고 새로운 영상이 들어올 경우에 상기 경계조건을학습한 표본 학습 데이터를 가지고 사람의 분류 능력을 모사하여 납땜 영상정보들에 대한 분류조건을 인식하는 납땜형상 인식수단으로 구성됨을 특징으로 하는 상관 신경 회로망을 이용한 납땜 검사장치.
  2. 제1항에 있어서, 상기 납땜형상 측정수단은; 납땜부 검사영역(1)의 상을 CCD로 입력받아 전기적인 컬러 영상신호로 변환하는 CCD컬러 카메라부(5); 상기 납땜부 검사영역(1)에 반사각이 서로 상이한 적색(R), 녹색(G) 및 청색(B) 빛을 조사하는 삼색 조명부(6); 및 상기 CCD 컬러 카메라부(5)가 출력하는 컬러 영상신호으로부터 각각의 R 프레임(7R), G 프레임(7G) 및 B프레임(7B)을 취득하는 컬러 영상 취득부(7)로 구성됨을 특징으로 하는 상관 신경 회로망을 이용한 납땜 검사장치.
  3. 제1항에 있어서, 상기 납땜형상 인식수단은; 삼색의 조명 조건에서 추출된 표몬 영상정보를 납땜부 검사를 위한 벡터 정보로 변환하여 납땜부 형상에 대하여 분류하고자 하는 상관 관계를 계산하고, 그 계산한 상관 관계의 값과 사용자 판정 값의 비교 결과로 신경 세포의 가중치들을 학습하여 납땜부의 표본 영상정보들에 대한 분류 조건을 인공 지능 기법으로 인식하는 상관 신경 회로망(10)으로 구성됨을 특징으로 하는 상관 신경 회로망을 이용한 납땜 검사장치.
  4. 제2항에 있어서, 상기 삼색 조명부(6)는; 상기 납땜부의 표면에 적색, 녹색 및 청색의 빛이 서로 상이한 각도에서 조사되도록 각기 지름이 상이한 원형의 청색 고주파 네온등(6B), 적색 고주파 네온등(6R) 및 녹색 고주파 네온등(6G)을 상기 CCD 컬러 카메라부와 동축을 갖도록 순차적으로 적층시켜 구성됨을 특징으로 하는 상관 신경 회로망을 이용한 납땜 검사장치.
  5. 제2항 또는 제4항에 있어서, 상기 삼색 조명부(6)는; 검사 대상인 PCB에 조사되는 각도가 그 중심축을 기준으로 하여 각기 청색 고주파 네온등(6B)은 s1=20°, 적색 고주파 네온등(6R)은 s2=40°, 녹색 고주파 네온등(6G)은 s1=70°가 되게 고정하는 것을 특징으로 하는 상관 신경 회로망을 이용한 납땜 검사장치.
  6. 제3항에 있어서, 상기 상관 신경 회로망(10)은; 하나의 영상정보내의 패턴계층간의 상관 관계를 계산하는 전처리부(10A); 및 상기 전처리부(10A)에서 계산된 상관 값으로 납땜부의 표본 영상정보들을 학습하고 학습한 표본 학습 데이터로 납땜부 분류 조건을 설정하는 학습부(10B)로 구성됨을 특징으로 하는 상관 신경 회로망을 이용한 납땜 검사장치.
  7. 카메라와 동축을 갖는 적색, 녹색 및 청색의 삼색 원형 조명하에서 얻어진 납땜부의 3차원적 영상정보를 납땜부 검사를 위한 정보로 변환하는 전처리 과정; 및 상기 전처리 과정에서 변환한 납땜부 검사를 위한 정보와 사용자가 판정하는 결과를 비교하여 제한된 표본들에 대해 상관 신경 회로망의 시냅스 가중치들을 학습하는 학습과정으로 이루어짐을 특징으로 하는 상관 신경 회로망을 이용한 납땜 검사방법.
  8. 제7항에 있어서, 상기 전처리 과정은; 카메라와 동축을 갖는 삼색 원형 조명하에서 얻어진 납땜부의 3차원적 영상 정보를 축소 영상으로 변환하는 영상 축소단계(S11); 상기 영상 축소단계(S11)에서 변환된 축소 영상의 각 화소를 1차원 벡터로 표현하는 축소영상 벡터화 단계(S12); 및 상기 축소영상 단계(S12)에서 1차원 벡터화된 각 화소 벡터들간의 교차-상관값 및 자기-상관값을 계산하는 상관값 계산단계(S13)로 이루어짐을 특징으로 하는 상관 신경 회로망을 이용한 납땜 검사방법.
  9. 제7항에 있어서, 상기 학습과정은; 상기 전처리 과정에서 계산된 벡터 상관값을 사용자가 판정하는 결과와 비교 하여 각 표본 패턴에 대한 오차 및 각 표본 패턴들의 평균 오차 함수를 구하는 학습 실행단계(S14); 및 상기 학습 실행단계(S14)에서 얻어지는 오차 함수들을 이용하여 신경회로(세포)의 가중치들을 학습하는 시냅스 가중치 학습단계(S15)로 이루어짐을 특징으로 하는 상관 신경 회로망을 이용한 납땜 검사방법.
  10. 제8항에 있어서, 상기 영상 축소단계는; 사용자가 임의로 지정하는 문턱값 1와 축소 영상(i, j)화소 내의 원 영상의 초기 화소 위치(u0, v0)에 대하여
    로 되도록 원 영상(Ic)의 L×K화소들의 평균값으로 축소 영상(Ic)의 화소 크기를 설정하는 것을 특징으로 하는 상관 신경 회로망을 이용한 납땜 검사방법.
  11. 제9항에 있어서, 상기 학습 실행단계는;노드 j에 들어가는 nt의 입력 ntj와 문턱값 또는 바이어스 역할을 하는 파라미터1δj와 관련되는 시그마 함수에 의해 그 값이 결정되는 노드 j의 출력값에 의하여 실행이 개시되는 것을 특징으로 하는 상관 신경 회로망을 이용한 납땜 검사방법.
  12. 제9항에 있어서, 상기 시냅스 가중치 학습단계는; 각 표본 패턴에 대한 출력 값의 평균 오차(E),와, 학습률와 시넵스 가중치들의 수렴성을 위한 움직임 간격 계수 α에 대하여로 되는 범용 델타 규칙을 근거로 시냅스 가중치를 학습함을 특징으로 하는 상관 신경 회로망을 이용한 납땜 검사방법.
KR1019960010514A 1996-04-08 1996-04-08 상관 신경 회로망을 이용한 납땜 검사 장치 및방법 KR100200215B1 (ko)

Priority Applications (3)

Application Number Priority Date Filing Date Title
KR1019960010514A KR100200215B1 (ko) 1996-04-08 1996-04-08 상관 신경 회로망을 이용한 납땜 검사 장치 및방법
JP8224189A JPH09275272A (ja) 1996-04-08 1996-08-26 相関神経回路網を利用した半田付け検査装置およびその方法
US08/833,451 US6023663A (en) 1996-04-08 1997-04-07 Method and apparatus for inspecting a solder joint using a correlation neural network

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1019960010514A KR100200215B1 (ko) 1996-04-08 1996-04-08 상관 신경 회로망을 이용한 납땜 검사 장치 및방법

Publications (2)

Publication Number Publication Date
KR970073259A KR970073259A (ko) 1997-11-07
KR100200215B1 true KR100200215B1 (ko) 1999-06-15

Family

ID=19455276

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1019960010514A KR100200215B1 (ko) 1996-04-08 1996-04-08 상관 신경 회로망을 이용한 납땜 검사 장치 및방법

Country Status (3)

Country Link
US (1) US6023663A (ko)
JP (1) JPH09275272A (ko)
KR (1) KR100200215B1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20220117092A (ko) * 2021-02-15 2022-08-23 호서대학교 산학협력단 검사 장치 및 그 제어 방법

Families Citing this family (47)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR0176661B1 (ko) * 1995-12-28 1999-05-15 김광호 납땜부 검사방법 및 검사장치
WO1998050784A1 (de) * 1997-05-05 1998-11-12 Macrotron Process Technologies Gmbh Verfahren und schaltungsanordnung zur prüfung von lötstellen
JP2001235426A (ja) * 1999-12-22 2001-08-31 Novartis Ag パッケージ検査装置
US7912868B2 (en) * 2000-05-02 2011-03-22 Textwise Llc Advertisement placement method and system using semantic analysis
KR20010107638A (ko) * 2000-05-23 2001-12-07 윌리엄 비. 켐플러 집적 회로 본더의 조명 조건을 교정하기 위한 시스템 및방법
US7062080B2 (en) * 2001-11-26 2006-06-13 Omron Corporation Method of inspecting curved surface and device for inspecting printed circuit board
JP3551188B2 (ja) * 2002-01-10 2004-08-04 オムロン株式会社 表面状態検査方法および基板検査装置
US7801361B2 (en) * 2002-10-15 2010-09-21 Definiens Ag Analyzing pixel data using image, thematic and object layers of a computer-implemented network structure
TWI221531B (en) * 2002-10-25 2004-10-01 Hwan-Chia Chang Method for testing soldering reliability
EP1455179A1 (en) * 2003-03-07 2004-09-08 MV Research Limited A machine vision inspection system and method
US7171037B2 (en) * 2003-03-20 2007-01-30 Agilent Technologies, Inc. Optical inspection system and method for displaying imaged objects in greater than two dimensions
US7019826B2 (en) * 2003-03-20 2006-03-28 Agilent Technologies, Inc. Optical inspection system, apparatus and method for reconstructing three-dimensional images for printed circuit board and electronics manufacturing inspection
US7330528B2 (en) 2003-08-19 2008-02-12 Agilent Technologies, Inc. System and method for parallel image reconstruction of multiple depth layers of an object under inspection from radiographic images
JP3867724B2 (ja) * 2004-02-27 2007-01-10 オムロン株式会社 表面状態検査方法およびその方法を用いた表面状態検査装置ならびに基板検査装置
US20050226488A1 (en) * 2004-03-31 2005-10-13 Paud Barry Inspection system for blister packages
JP4736764B2 (ja) * 2005-01-11 2011-07-27 オムロン株式会社 基板検査装置並びにその検査ロジック設定方法および検査ロジック設定装置
US20080221734A1 (en) * 2005-01-24 2008-09-11 National University Corporation Yokohama National University Categorical Color Perception System
JP4935109B2 (ja) * 2005-03-17 2012-05-23 オムロン株式会社 基板検査装置並びにその検査ロジック設定方法および検査ロジック設定装置
JP4552749B2 (ja) * 2005-05-12 2010-09-29 オムロン株式会社 検査基準設定装置及び方法、並びに、工程検査装置
JP4595705B2 (ja) * 2005-06-22 2010-12-08 オムロン株式会社 基板検査装置並びにそのパラメータ設定方法およびパラメータ設定装置
SG138491A1 (en) * 2006-06-21 2008-01-28 Generic Power Pte Ltd Method and apparatus for 3-dimensional vision and inspection of ball and like protrusions of electronic components
JP4389982B2 (ja) * 2007-08-09 2009-12-24 オムロン株式会社 基板外観検査装置
US8894259B2 (en) * 2009-09-22 2014-11-25 Cyberoptics Corporation Dark field illuminator with large working area
US8670031B2 (en) * 2009-09-22 2014-03-11 Cyberoptics Corporation High speed optical inspection system with camera array and compact, integrated illuminator
US8681211B2 (en) * 2009-09-22 2014-03-25 Cyberoptics Corporation High speed optical inspection system with adaptive focusing
US8388204B2 (en) * 2009-09-22 2013-03-05 Cyberoptics Corporation High speed, high resolution, three dimensional solar cell inspection system
US8872912B2 (en) * 2009-09-22 2014-10-28 Cyberoptics Corporation High speed distributed optical sensor inspection system
KR101614061B1 (ko) * 2012-03-29 2016-04-20 주식회사 고영테크놀러지 조인트 검사 장치
CN103413141B (zh) * 2013-07-29 2017-02-22 西北工业大学 环形光源及利用环形光源照明基于刀具形状纹理重量的融合识别方法
CN106030240B (zh) * 2014-01-08 2019-04-30 雅马哈发动机株式会社 外观检查装置及外观检查方法
KR101739696B1 (ko) * 2016-07-13 2017-05-25 서장일 재질인식 조명 시스템 및 이를 이용한 재질인식 방법
CN106780426B (zh) * 2016-09-21 2023-05-23 南京师范大学 一种基于色彩特征模型的集成电路板多形态焊点定位方法
US10643306B2 (en) * 2017-10-11 2020-05-05 Qualcomm Incoporated Image signal processor for processing images
US11263782B2 (en) 2017-10-11 2022-03-01 Qualcomm Incorporated Image signal processor for processing images
JP2019100753A (ja) * 2017-11-29 2019-06-24 アンリツ株式会社 プリント基板検査装置及びプリント基板検査方法
CN108876849B (zh) * 2018-04-24 2021-11-23 哈尔滨工程大学 基于辅助标识的深度学习目标识别及定位方法
JP7266272B2 (ja) * 2018-05-24 2023-04-28 株式会社オプトン ろう接装置
JP7159312B2 (ja) * 2018-06-28 2022-10-24 株式会社日立ハイテク 半導体検査装置
CN111766253A (zh) * 2019-03-15 2020-10-13 鸿富锦精密电子(成都)有限公司 锡膏印刷品质检测方法、数据处理装置及计算机存储介质
CN113240618A (zh) * 2020-01-23 2021-08-10 株式会社理光 工件检测方法、装置及计算机可读存储介质
EP4133396A4 (en) * 2020-04-10 2024-05-15 Cybord Ltd SYSTEM AND METHOD FOR EVALUATING THE QUALITY OF ELECTRONIC COMPONENTS
US11301980B2 (en) * 2020-04-21 2022-04-12 GM Global Technology Operations LLC System and method to evaluate the integrity of spot welds
US11026313B1 (en) * 2020-08-17 2021-06-01 Deediim Sensor Inc. Illumination system
CN112950533A (zh) * 2021-01-21 2021-06-11 重庆大学 基于深度学习的焊点外观类别自动识别方法及系统
CN113536489B (zh) * 2021-08-25 2023-06-20 中国电子科技集团公司第三十八研究所 一种组件封装的连接构型和工艺参数确定方法
WO2023115409A1 (zh) * 2021-12-22 2023-06-29 深圳技术大学 一种焊盘检测方法、装置、计算机设备及存储介质
DE102022101537A1 (de) 2022-01-24 2023-07-27 Bayerische Motoren Werke Aktiengesellschaft Verfahren und Vorrichtung zur Ermittlung von Lebensdauerinformation für eine Lötstelle einer elektronischen Baugruppe

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0685732B1 (en) * 1988-05-09 1999-08-25 Omron Corporation Printed circuit board inspecting apparatus
US5598345A (en) * 1990-11-29 1997-01-28 Matsushita Electric Industrial Co., Ltd. Method and apparatus for inspecting solder portions
US5548697A (en) * 1994-12-30 1996-08-20 Panasonic Technologies, Inc. Non-linear color corrector having a neural network and using fuzzy membership values to correct color and a method thereof
US5751910A (en) * 1995-05-22 1998-05-12 Eastman Kodak Company Neural network solder paste inspection system
US5787408A (en) * 1996-08-23 1998-07-28 The United States Of America As Represented By The Secretary Of The Navy System and method for determining node functionality in artificial neural networks

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20220117092A (ko) * 2021-02-15 2022-08-23 호서대학교 산학협력단 검사 장치 및 그 제어 방법
KR102582008B1 (ko) * 2021-02-15 2023-09-22 호서대학교 산학협력단 검사 장치 및 그 제어 방법

Also Published As

Publication number Publication date
US6023663A (en) 2000-02-08
JPH09275272A (ja) 1997-10-21
KR970073259A (ko) 1997-11-07

Similar Documents

Publication Publication Date Title
KR100200215B1 (ko) 상관 신경 회로망을 이용한 납땜 검사 장치 및방법
Moganti et al. Automatic PCB inspection algorithms: a survey
Kim et al. Visual inspection system for the classification of solder joints
CN111179251A (zh) 基于孪生神经网络利用模板比对的缺陷检测系统及方法
CN107945184A (zh) 一种基于彩色图像分割和梯度投影定位的贴装元件检测方法
KR0176661B1 (ko) 납땜부 검사방법 및 검사장치
CN111712769A (zh) 用于设定照明条件的方法、装置、系统及程序以及存储介质
Kim et al. Neural network-based inspection of solder joints using a circular illumination
Sanz et al. Machine-vision techniques for inspection of printed wiring boards and thick-film circuits
Kim et al. Pattern classification of solder joint images using a correlation neural network
CN114280075A (zh) 一种管类零件表面缺陷在线视觉检测系统及检测方法
Ong et al. Solder joint inspection with multi-angle imaging and an artificial neural network
Park et al. A solder joint inspection system for automated printed circuit board manufacturing
CN112750113B (zh) 基于深度学习和直线检测的玻璃瓶缺陷检测方法及装置
Melnyk et al. Printed Circuit Boards Short and Open Defects Detection by Thinning and Flood-fill Algorithms
CN111566438B (zh) 图像获取方法及系统
JP2002277409A (ja) プリント基板パターンの検査装置
Ko et al. Solder joints inspection using neural network and fuzzy rule-based classification
Anu et al. Automatic visual inspection of PCB using CAD information
CN114882027B (zh) 电子设备芯片引脚缺陷检测方法及系统
Kuo et al. Construction of 3D solder paste surfaces using multi-projection images
Kobayashi et al. Hybrid defect detection method based on the shape measurement and feature extraction for complex patterns
KR100227736B1 (ko) 납땜부 검사장치 및 방법
Fanni et al. Neural network diagnosis for visual inspection in printed circuit boards
Kinney Simplify Deep Learning Systems with Optimized Machine Vision Lighting

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant
LAPS Lapse due to unpaid annual fee