KR101694337B1 - 필름의 검사 방법 - Google Patents

필름의 검사 방법 Download PDF

Info

Publication number
KR101694337B1
KR101694337B1 KR1020150018146A KR20150018146A KR101694337B1 KR 101694337 B1 KR101694337 B1 KR 101694337B1 KR 1020150018146 A KR1020150018146 A KR 1020150018146A KR 20150018146 A KR20150018146 A KR 20150018146A KR 101694337 B1 KR101694337 B1 KR 101694337B1
Authority
KR
South Korea
Prior art keywords
defect
vector
defects
group
film
Prior art date
Application number
KR1020150018146A
Other languages
English (en)
Other versions
KR20160096461A (ko
Inventor
이은규
박진용
Original Assignee
동우 화인켐 주식회사
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 동우 화인켐 주식회사 filed Critical 동우 화인켐 주식회사
Priority to KR1020150018146A priority Critical patent/KR101694337B1/ko
Priority to TW105102853A priority patent/TWI679611B/zh
Priority to CN201610077455.2A priority patent/CN105869143B/zh
Priority to JP2016020609A priority patent/JP6718245B2/ja
Publication of KR20160096461A publication Critical patent/KR20160096461A/ko
Application granted granted Critical
Publication of KR101694337B1 publication Critical patent/KR101694337B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • G01N21/958—Inspecting transparent materials or objects, e.g. windscreens
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G06T7/0008—Industrial image inspection checking presence/absence
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8854—Grading and classifying of flaws
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8854—Grading and classifying of flaws
    • G01N2021/888—Marking defects
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
    • G01N2021/889—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques providing a bare video image, i.e. without visual measurement aids
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection

Abstract

본 발명은 필름의 검사 방법에 관한 것으로, 보다 상세하게는 분류된 복수의 결함 그룹으로부터 각 단일 결함 영상 정보를 다차원 벡터로 변환하는 단계; 상기 벡터를 다차원 좌표계에 맵핑하고, 상기 벡터를 결함 그룹에 따라 구분하는 최적 초평면을 결정하는 단계; 및 판정 대상 필름에서 검출된 결함으로부터 얻어진 결함 영상 정보를 다차원 벡터로 변환 후, 변환된 다차원 벡터를 상기 최적 초평면이 결정된 다차원 좌표계에 맵핑하여 해당하는 결함 그룹을 얻는 단계;를 포함함으로써, 미지의 결함을 결함 그룹별로 높은 정확도로 분류할 수 있어, 결함 그룹별로 양품 판정 기준을 달리 설정하여 필름을 판정함으로써, 불량품이 양품으로 판정되거나, 양품임에도 불량품으로 과검되는 경우를 줄일 수 있는 필름의 검사 방법에 관한 것이다.

Description

필름의 검사 방법 {METHOD FOR INSPECTING FILM}
본 발명은 필름의 검사 방법에 관한 것이다.
액정 표시 패널 등에 사용되는 편광 필름의 제조 공정에서는, 일반적으로, 일정한 폭으로 장대한 띠형의 상태로 각종 처리가 자동적으로 실시되고, 최종적으로 제품사양에 따라 소정 형상이 되도록 커팅되고 있다.
종래부터, 띠형 상태의 편광 필름에 대하여 결함 검사 장치(자동 검사기)에 의해 자동적으로 결함을 검출하고, 뒤 행정에서 결함의 식별이 용이해지도록, 결함의 근방 위치에 마크를 형성하는 편광 필름의 검사 방법이 알려져 있다.
일반적으로, 결함 검사 장치로 결함을 검출한 편광 필름은 100% 사용할 수 없는 것이 아니다. 결함 검사 장치로 결함이 검출되는 결함은 그 종류별로 광학 기능성에 미치는 영향성이 상이하여, 일부 결함은 소량이 검출되어도 사용이 불가하고, 또다른 결함은 일부 검출되어도 사용에 문제가 없는 경우도 있다. 그러나, 결함 검사 장치는 통상적으로 결함을 그 종류별로 분류할 수는 없어, 결함 종류에 관계 없이 모든 결함을 검출해 버린다.
따라서 일반적으로 결함 검사 장치로 검출한 결함이 허용되는지의 여부는, 최종적으로 사람이 육안으로 확인하는 검사로 판단한다. 그러나, 이는 작업자의 숙련도에 따라 검사 정밀도 및 생산성이 저하됨으로, 정확성을 갖고 대량의 제품을 신속하게 검사할 수 없다.
한국공개특허 제2010-32682호에는 편광판 얼룩 자동 검사 시스템 및 이를 이용한 편광판 얼룩검사 방법이 개시되어 있다.
한국공개특허 제2010-32682호
본 발명은 미지의 결함을 결함 그룹별로 높은 정확도로 분류할 수 있는 필름의 검사 방법을 제공하는 것을 목적으로 한다.
1. 분류된 복수의 결함 그룹으로부터 각 단일 결함 영상 정보를 다차원 벡터로 변환하는 단계;
상기 벡터를 다차원 좌표계에 맵핑하고, 상기 벡터를 결함 그룹에 따라 구분하는 최적 초평면을 결정하는 단계; 및
판정 대상 필름에서 검출된 결함으로부터 얻어진 결함 영상 정보를 다차원 벡터로 변환 후, 변환된 다차원 벡터를 상기 최적 초평면이 결정된 다차원 좌표계에 맵핑하여 해당하는 결함 그룹을 얻는 단계;
를 포함하는 필름의 검사 방법.
2. 위 1에 있어서, 상기 최적 초평면을 결정하는 단계는
서로 다른 종류의 결함 그룹에서 얻어진 벡터들의 경계에 초평면을 형성하고, 상기 초평면 중 서로 다른 결함 그룹에서 얻어진 최근접한 두 벡터로부터의 거리의 합이 최대가 되는 초평면을 최적 초평면으로 결정하는, 필름의 검사 방법.
3. 위 1에 있어서, 상기 결함 영상 정보는 피크(peak), 면적(area), 델타X(dx), 델타Y(dy), 밀도(density), 두께(Thickness) 및 음영(shading)로 이루어진 파라미터 중에서 선택된 1종 이상이고, 상기 결함 영상 정보가 다차원 벡터의 성분으로 포함되는, 필름의 검사 방법.
4. 위 1에 있어서, 상기 결함 영상 정보는 피크(peak), 면적(area), 델타X(dx), 델타Y(dy), 밀도(density), 두께(Thickness) 및 음영(shading)이고, 상기 결함 영상 정보가 다차원 벡터의 성분으로 포함되는, 필름의 검사 방법.
5. 위 1에 있어서, 상기 결함 영상 정보는 결함으로 인식된 부분을 중앙에 포함하는 직사각형의 픽셀 그룹에서 각 픽셀의 밝기 값이고, 상기 결함 영상 정보가 다차원 벡터의 성분으로 포함되는, 필름의 검사 방법.
6. 위 5에 있어서, 상기 각 픽셀의 위치 정보가 다차원 벡터의 각 축으로 변환되고, 각 픽셀의 밝기 값이 상기 벡터의 각 성분으로 변환되는, 필름의 검사 방법.
7. 위 5에 있어서, 상기 직사각형의 픽셀 그룹에서 결함으로 인식된 부분과 배경에 해당하는 부분을 분리하여, 배경에 해당하는 부분만 포함하는 픽셀의 밝기값을 0으로 설정하는 단계를 더 포함하는, 필름의 검사 방법.
8. 위 5에 있어서, 2픽셀 이하 크기의 노이즈를 포함하는 픽셀의 밝기값을 0으로 설정하는 단계를 더 포함하는, 필름의 검사 방법.
9. 위 1에 있어서, 결함으로 인식된 부분을 중앙에 포함하는 직사각형의 픽셀 그룹에서 각 픽셀마다 하기 수학식 1 또는 수학식 2로 표시되는 값에 따라 상기 벡터에서의 축이 정해지고, dx 및 dy와 비례하는 소정값에 따라 해당 축의 성분이 정해지는, 필름의 검사 방법:
[수학식 1]
Arctan(|dx|/|dy|)
[수학식 2]
Arctan(|dy|/|dx|)
(식 중, dx는 x축 밝기 변화량이고, y는 y축 밝기 변화량임).
10. 위 1에 있어서, 상기 결함 영상 정보를 정규화하여 다차원 벡터로 변환하는, 필름의 검사 방법.
11. 위 1에 있어서, 상기 판정 대상 필름에서 검출된 결함의 결함 그룹별 양품 판정 기준을 달리 설정하여 필름의 양품 여부를 판정하는, 필름의 검사 방법.
본 발명의 방법에 의하면 미지의 결함을 결함 그룹별로 높은 정확도로 분류할 수 있다. 이에, 결함 그룹별로 양품 판정 기준을 달리 설정하여 필름을 판정함으로써, 불량품이 양품으로 판정되거나, 양품임에도 불량품으로 과검되는 경우를 줄일 수 있다.
도 1은 비투과 모드(크로스 니콜)에서 검출되는 결함을 분류한 사진이다.
도 2는 투과 모드에서 검출되는 결함을 분류한 사진이다.
본 발명은 분류된 복수의 결함 그룹으로부터 각 단일 결함 영상 정보를 다차원 벡터로 변환하는 단계; 상기 벡터를 다차원 좌표계에 맵핑하고, 상기 벡터를 결함 그룹에 따라 구분하는 최적 초평면을 결정하는 단계; 및 판정 대상 필름에서 검출된 결함으로부터 얻어진 결함 영상 정보를 다차원 벡터로 변환 후, 변환된 다차원 벡터를 상기 최적 초평면이 결정된 다차원 좌표계에 맵핑하여 해당하는 결함 그룹을 얻는 단계;를 포함함으로써, 미지의 결함을 결함 그룹별로 높은 정확도로 분류할 수 있어, 결함 그룹별로 양품 판정 기준을 달리 설정하여 필름을 판정함으로써, 불량품이 양품으로 판정되거나, 양품임에도 불량품으로 과검되는 경우를 줄일 수 있는 필름의 검사 방법에 관한 것이다.
이하 본 발명의 일 구현예에 따른 필름의 검사 방법을 상세히 설명하기로 한다.
먼저, 분류된 복수의 결함 그룹으로부터 각 단일 결함 영상 정보를 다차원 벡터로 변환한다.
결함 그룹은 예를 들면 군집성 휘점 결함, 실오라기 결함, 휘점 결함, 스타 결함, 스크래치 결함, 블랙스지 결함, 노리핀홀 결함, 기포성 결함, 이물기포 결함, 백점이물 결함, 이물 결함 등을 들 수 있다.
이들 결함은 비투과 모드(크로스 니콜 상태) 또는 투과 모드에서 검출되는 결함일 수 있다.
구체적으로, 군집성 휘점 결함, 실오라기 결함, 휘점 결함, 스타 결함 및 스크래치 결함은 비투과 모드에서 검출 가능한 결함으로서, 도 1 은 비투과 모드에서 관찰된 이들 결함의 사진이다. 도 1(a)는 군집성 휘점 결함, 도 1 (b)는 실오라기 결함, 도 1 (c)는 휘점 결함, 도 1 (d)는 스타 결함, 도 1 (e)는 스크래치 결함이다.
구체적으로, 블랙스지 결함, 실오라기 결함, 노리핀홀 결함, 기포성 결함, 이물기포 결함, 백점이물 결함 및 이물 결함은 투과 모드에서 검출 가능한 결함으로서, 도 2는 투과 모드에서 관찰된 이들 결함의 사진이다. 도 2 (a)는 블랙스지 결함, 도 2 (b)는 실오라기 결함, 도 2 (c)는 노리핀홀 결함, 도 2 (d)는 기포성 결함, 도 2 (e)는 이물기포 결함, 도 2 (f)는 백점이물 결함, 도 2 (g)는 이물 결함이다.
분류된 복수의 결함 그룹으로부터 각 단일 결함 영상 정보를 얻어, 얻어진 정보를 다차원의 벡터로 변환한다.
결함 그룹별 다수의 결함으로부터 해당 결함 그룹의 영상 정보를 얻을 수 있다.
결함 영상 정보는 예를 들면, 피크(peak), 면적(area), 델타X(dx), 델타Y(dy), 밀도(density), 두께(Thickness) 및 음영(shading)으로 이루어진 군에서 선택된 2종 이상일 수 있다.
본 명세서에서 피크는 결함으로 인식된 부분의 밝기(회색도(gray scale), 0~ 255) 최고 또는 최저치와 주변 평균 밝기와의 차이이다.
면적은 결함으로 인식된 부분을 포함하는 직사각형의 면적을 의미하는 것으로, 구체적인 예를 들면, 결함으로 인식된 부분이 포함되는 픽셀의 개수를 면적으로 할 수 있다. 결함으로 인식된 부분을 포함하는 픽셀의 경우, 결함이 픽셀의 중앙에 오도록 포함하는 것으로, 결함을 포함하는 최소 직사각형의 무게 중심 또는 결함으로 인식된 부분을 포함하는 픽셀의 평균 좌표를 중앙으로 설정할 수 있다.
델타X는 결함으로 인식된 부분의 x축 최장 길이를 의미하고, 델타Y는 결함이 차지하는 영역의 Y축 최장 길이를 의미한다. 구체적인 예를 들면, 델타X는 결함으로 인식된 부분을 포함하는 픽셀의 x축 최장 길이일 수 있고, 델타Y는 결함으로 인식된 부분을 포함하는 픽셀의 y축 최장 길이일 수 있다.
밀도는 결함으로 인식된 부분이 차지하는 실면적을 결함으로 인식된 부분을 포함하는 직사각형이나 원으로 나눈 것으로서, 구체적으로, 결함으로 인식된 부분이 차지하는 실면적을 결함의 장축을 지름으로 하는 원의 면적으로 나눈 것일 수 있다.
두께는 결함으로 인식된 부분의 2 이상의 외점을 잇는 선을 그어 결함의 각 점으로부터 중심선까지의 거리의 평균일 수 있다. 상기 선은 결함의 장축일 수도 있으나, 이에 제한되는 것은 아니다.
음영은 흑, 백, 흑백의 세가지 값을 나타내는 것으로서, 흑은 결함으로 인식된 부분 전부가 주변의 정상 영역보다 어두운 경우, 백은 결함으로 인식된 부분 전부가 주변의 정상 영역보다 밝은 경우, 흑백은 결함으로 인식된 부분 중 일부는 주변의 정상 영역보다 밝고, 일부는 어두운 경우를 의미한다.
상기 흑, 백, 흑백의 세가지 값은 소정의 숫자로 대응되어 벡터의 성분으로 포함될 수 있다. 예를 들면, 흑, 백, 흑백이 각각 0, 1, 2로 대응되거나, 1, 2, 3으로 대응되는 식으로 벡터의 성분으로 변환될 수 있는 것으로, 이들이 각각 다른 숫자로 구분되기만 한다면 상기 소정의 숫자값은 제한되지 않는다.
본 명세서에서 다차원의 벡터는 행벡터 또는 열벡터로서, 각 성분(element)이 2개 이상인 벡터를 의미한다.
결함 영상 정보가 피크(peak), 면적(area), 델타X(dx), 델타Y(dy), 밀도(density), 두께(Thickness) 및 음영(shading)으로 이루어진 군에서 선택된 1종 이상인 경우, 상기 다차원의 벡터는 이들을 성분으로 포함하는 2차원 이상의 벡터일 수 있다.
다차원 벡터가 결함 영상 정보 외의 정보를 성분으로 포함하는 경우, 해당 정보는 해당 결함이 얻어진 필름의 조성이나, 색도, 두께, 표면 조도, 수축력, 인장강도 등의 물성 등일 수 있다. 이들 정보를 소정의 숫자에 대응시켜 성분으로 포함할 수 있으나, 이에 제한되는 것은 아니다.
결함 영상 정보가 피크(peak), 면적(area), 델타X(dx), 델타Y(dy), 밀도(density), 두께(Thickness) 및 음영(shading)인 경우, 상기 다차원의 벡터는 이들을 각 성분으로 포함하는 7차원 이상의 벡터일 수 있다.
결함 그룹별로의 분류 정확도를 향상시킨다는 측면에서 바람직하게는 상기 결함 영상 정보들은 정규화되어 벡터의 성분으로 포함될 수 있다.
상기 결함 영상 정보에서 피크는 밝기값이므로 0~255의 값을 갖고, 면적, 델타X, 델타Y 등은 픽셀의 개수값을 가지므로, 결함 영상 정보마다 값의 편차가 크게 나타난다. 그러한 경우에, 벡터의 성분으로 포함되는 피크, 면적, 델타X, 델타Y, 밀도, 두께, 음영 등의 값을 정규화하는 경우, 데이터 처리량이 감소되고 분류 정확도가 개선될 수 있다.
정규화 방법은 특별히 한정되지 않고 당 분야에 공지된 방법에 의해 정규화할 수 있다. 예를 들면, 각 결함 영상 정보의 모든 값들을 각 결함 영상 정보의 최대값으로 나누는 방법에 의할 수 있다. 보다 구체적으로, 피크의 경우를 예로 들면, 모든 피크 값들을 피크 중 최대 값인 255로 나누는 방법에 의할 수 있고, 면적 등의 경우도 마찬가지로 모든 면적 값을 최대 면적 값으로 나누는 방법에 의할 수 있다.
본 발명의 다른 일 구현예에 따르면, 상기 결함 영상 정보는 결함으로 인식된 부분을 중앙에 포함하는 직사각형의 픽셀 그룹에서 각 픽셀의 각 밝기 값일 수 있다. 그러한 경우 각 밝기 값이 다차원 벡터의 성분으로 포함될 수 있다.
이때, 각 픽셀의 위치 정보가 다차원 벡터의 각 축으로 변환되고, 각 픽셀의 밝기 값이 상기 벡터의 각 성분으로 변환될 수 있다. 예를 들어, 직사각형의 픽셀 그룹에서 좌측 최상단 픽셀을 (1,1) 좌표로 두었을 때, (1,1) 픽셀의 밝기 값이 벡터에서 첫번째 축의 성분이고, (1,2) 픽셀의 밝기 값이 벡터에서 두번째 축의 성분으로 하는 등의 방식으로 변환될 수 있으나, 이에 제한되는 것은 아니다.
상기 직사각형의 픽셀 그룹은 100 x 100 픽셀 그룹일 수 있고, 다차원 벡터는 10,000개 픽셀의 각 밝기 값을 성분으로 포함하는 10,000 차원 이상의 벡터일 수 있다.
결함 영상 정보가 피크(peak), 면적(area), 델타X(dx), 델타Y(dy), 밀도(density), 두께(Thickness), 음영(shading) 등인 경우, 결함으로 인식된 부분을 포함하는 100 x 100 픽셀에서 7개의 정보만을 수집하는 것이지만, 각 픽셀의 밝기 값이 결함 영상 정보인 경우 10,000개의 정보를 수집하는 것인 바, 보다 많은 정보를 사용하여 결함을 분류함으로써 정확도를 더욱 높일 수 있다.
다만, 처리해야 하는 데이터 양이 방대해지는 문제가 있는바, 다차원 벡터의 각 성분 중 소정 성분을 0으로 변환하여, 데이터 처리량을 줄이는 것이 바람직하다.
예를 들면, 직사각형의 픽셀 그룹에서 결함으로 인식된 부분과 배경에 해당하는 부분을 분리하여, 배경에 해당하는 부분만 포함하는 픽셀의 밝기값을 0으로 설정하는 단계를 포함할 수 있다. 결함으로 인식된 부분은 그렇지 않은 부분보다 더 밝거나 어두우므로, 밝기 차이를 이용하여 결함으로 인식된 부분과 배경에 해당하는 부분을 분리할 수 있다.
또한, 2픽셀 이하 크기의 노이즈를 포함하는 픽셀의 밝기값을 0으로 설정하는 단계를 더 포함할 수 있다.
상기 노이즈도 결함과 마찬가지로 그렇지 않은 부분에 비해 더 밝거나 어두운 부분이나, 결함과 분리되어 있으며 2픽셀 이하 크기를 갖는 작은 부위를 의미하는 것으로, 노이즈만을 포함하는 픽셀의 밝기값을 0으로 설정함으로써 데이터 양을 줄일 수 있다.
전술한 결함 영상 정보들을 정규화하는 방법은 10,000차원 이상의 벡터에 대해서도 동일하게 적용될 수 있다.
본 발명의 또 다른 구현예에 따르면 상기 결함 영상 정보로 결함으로 인식된 부분을 중앙에 포함하는 직사각형의 픽셀 그룹에서 각 픽셀의 각 밝기 값을 활용하되, 하기 수학식 1 또는 수학식 2로 표시되는 값에 따라 상기 벡터의 축을 정하고, dx 및 dy와 비례하는 소정값에 따라 해당 축의 성분을 정할 수 있다.
[수학식 1]
Arctan(|dx|/|dy|)
[수학식 2]
Arctan(|dy|/|dx|)
(식 중, dx는 x축 밝기 변화량이고, y는 y축 밝기 변화량임).
픽셀 그룹 내에서 각 픽셀마다 dx와 dy가 얻어질 수 있는데, 이를 상기 수학식 1에 대입하면 각 픽셀마다 dx와 dy가 이루는 기울기가 각도값으로 얻어진다.
dx와 dy가 이루는 기울기를 최소 0˚ 부터 최대 180˚로 상정하고, 이를 20˚씩 분할하면 9개의 구간으로 나누어진다. 상기 9개의 구간을 벡터의 각 축으로 설정하여, 각 픽셀마다 상기 수학식 1 및 2의 기울기에 따라 대응되는 각도로 축이 정해질 수 있다.
그리고, dx 및 dy와 비례하는 소정값에 따라 해당 축의 성분이 정해질 수 있다. 상기 소정값은 예를 들면 dx와 dy의 합, dx와 dy의 곱, dx와 dy의 합의 제곱근, dx2과 dy2의 합의 제곱근 등일 수 있으나, 이에 제한되는 것은 아니다.
dx와 dy가 이루는 기울기 값에 따라 해당 픽셀에서의 정보가 어느 축으로 변환될지 정해지는 것인데, 서로 다른 픽셀의 각도값이 동일 각도 구간 내에 속하는 경우, 동일 각도 구간에 해당하는 픽셀들에서의 dx 및 dy와 비례하는 소정값이 모두 더해진 값이 해당 축에서의 성분이 된다.
이러한 과정을 거치면 결함으로 인식된 부분을 중앙에 포함하는 직사각형의 픽셀 그룹에서 9차원의 벡터가 얻어질 수 있다.
보다 많은 데이터를 활용하여 후술할 분류 정확도를 높인다는 측면에서 바람직하게는, 결함으로 인식된 부분을 중앙에 포함하는 직사각형의 픽셀 그룹을 소정 크기로 등분하여, 등분된 픽셀 그룹마다 상기 9차원의 벡터를 얻고, 등분된 픽셀 그룹의 위치 정보에 따라 각 벡터의 성분들을 나열하여 하나의 벡터를 얻을 수 있다.
구체적인 예를 들면, 결함으로 인식된 부분을 중앙에 포함하는 직사각형의 픽셀 그룹이 100 x 100 픽셀 그룹인 경우, 이를 10 x 10의 픽셀 그룹 100개로 등분할 수 있다. 그러고 나서, 10 x 10의 픽셀 그룹마다 상기 9차원의 벡터를 얻고, 등분된 픽셀 그룹의 위치 정보에 따라 각 벡터의 성분들을 나열하여 900차원의 벡터를 얻을 수 있다.
상기 9차원 벡터도 결함 영상 정보 외의 정보를 더 성분으로 포함하여 9차원 이상이 될 수 있고, 이에 따라 900차원 이상의 벡터가 얻어질 수 있다.
상기 위치 정보는 최상단 픽셀 그룹을 좌측부터 우측까지 1~10번, 그 다음 행의 픽셀 그룹을 좌측부터 우측까지 11~20번으로, 그러한 방식으로 최하단 픽셀 그룹을 좌측부터 우측까지 91~100번으로 하여, 이들 번호 순서대로 각 벡터의 성분을 나열할 수 있으나, 이에 제한되는 것은 아니다.
전술한 데이터 처리량을 줄이는 방법, 결함 영상 정보들을 정규화하는 방법은 900차원 이상의 벡터에 대해서도 동일하게 적용될 수 있다.
이후, 상기 벡터를 다차원 좌표계에 맵핑한다.
개별 결함마다 다소 차이는 있지만, 결함 그룹별로 유사한 값의 성분을 갖는 벡터가 얻어지는 바, 각 결함 그룹에서 얻어진 벡터들을 다차원 좌표계에 맵핑하면 결함 그룹별 벡터군이 형성될 수 있다.
그리고, 상기 벡터를 결함 그룹에 따라 구분하는 최적 초평면을 결정한다.
본 명세서에서 초평면(hyperplane)은 다차원 좌표계에서 서로 다른 다차원의 벡터를 구분하는 다차원의 평면을 의미한다. 서로 다른 결함 그룹에서 얻어진 벡터들의 경계에 초평면을 형성하여, 이들 벡터를 결함 그룹에 따라 구분할 수 있는 초평면을 형성할 수 있다. 최적 초평면은 초평면 중에 가장 오차를 최소화하면서 서로 다른 결함 그룹에서 얻어진 벡터들을 결함 그룹에 따라 구분할 수 있는 초평면을 의미한다.
최적 초평면을 얻는 방법은 예를 들면, 서로 다른 종류의 결함 그룹에서 얻어진 벡터들의 경계에 초평면을 형성하고, 상기 초평면 중 서로 다른 결함 그룹에서 얻어진 최근접한 두 벡터로부터의 거리의 합이 최대가 되는 초평면을 최적 초평면으로 결정할 수 있다.
상기 최적 초평면은 서포트 벡터 머신(SVM, Support Vector Machine)의 병렬 처리를 이용하여 결정할 수 있다. SVM은 구조적 위험 최소화(Structural Risk Minimization; SRM) 이론으로부터 발전한 이진 패턴 분류기로서, 구조적 위험 최소화 개념에 기반한 최적의 선형 결정 평면을 찾음으로써 두 개의 클래스를 분류하기 위한 알고리즘이다. 분류 문제를 해결하기 위한 최적의 분리 경계면(hyperplane)을 제공한다. 이러한 서포트 벡터 머신의 구조와 원리는 당 업계에 널리 공지되어 있으므로 본 명세서에서는 그에 대한 자세한 설명은 생략한다.
이후에, 판정 대상 필름으로부터 얻어진 결함 영상 정보를 다차원 벡터로 변환 후, 변환된 다차원 벡터를 상기 최적 초평면이 결정된 다차원 좌표계에 맵핑하여 해당하는 결함 그룹을 얻는다.
판정 대상 필름은 전술한 결함 그룹이 검출된 필름과 동일 조성 및 방법으로 제조된 필름일 수 있다.
어떠한 결함 그룹에 해당하는지 알 수 없는 판정 대상 필름의 미지의 결함의 결함 영상 정보를 다차원 벡터로 변환하여 상기 최적의 초평면이 결정된 다차원 좌표계에 맵핑하면, 해당 벡터가 어떠한 결함 그룹에 해당하는 벡터인지 알 수 있다. 이에 따라 해당 결함이 어떠한 결함 그룹에 해당하는지 알 수 있다.
즉, 미지의 결함이 어떠한 결함 그룹에 해당하는지 높은 정확도로 분류가 가능하고, 이는 검출된 결함 그룹별 양품 판정 기준을 달리 설정하여 필름의 양품 여부를 판정하는 검사 방법에 바람직하게 적용될 수 있다.
구체적으로, 전술한 군집성 휘점 결함, 실오라기 결함, 휘점 결함, 스타 결함, 스크래치 결함, 블랙스지 결함, 노리핀홀 결함, 기포성 결함, 이물기포 결함, 백점이물 결함, 이물 결함 등의 각 결함 그룹별로 광학 기능성에 미치는 영향성이 상이하다. 따라서, 영향성이 큰 결함 그룹에 해당하는 결함은 적은 수가 검출되어도 해당 필름은 불량으로 판정되어야 하고, 영향성이 적은 결함 그룹의 경우 다소 많은 수가 검출되어도 양품으로 판정될 수도 있다.
종래에는 자동 광학 검사기에서 검출된 결함을 결합 그룹별로 정확하게 분류할 수가 없어, 모든 결함 그룹들에 대해 동일한 기준을 적용하여 검사를 수행해야 했다. 따라서, 불량인 필름을 양품으로 판정하거나, 양품인 판정에 대해서도 불량으로 판정되는 경우가 많았다.
그러나, 본 발명은 미지의 결함이 어떠한 결함 그룹에 해당하는 결함인지 높은 정확도로 분류할 수 있다. 따라서, 결함 그룹별 양품 판정 기준을 달리 설정하여 필름의 양품 여부를 높은 정확도로 판정할 수 있다.
이하, 본 발명의 이해를 돕기 위하여 바람직한 실시예를 제시하나, 이들 실시예는 본 발명을 예시하는 것일 뿐 첨부된 특허청구범위를 제한하는 것이 아니며, 본 발명의 범주 및 기술사상 범위 내에서 실시예에 대한 다양한 변경 및 수정이 가능함은 당업자에게 있어서 명백한 것이며, 이러한 변형 및 수정이 첨부된 특허청구범위에 속하는 것도 당연한 것이다.
실시예 1. 필름의 검사 방법
편광 필름에 대하여 자동 광학 검사를 수행하여, 군집성 휘점 결함, 실오라기 결함, 휘점 결함, 스타 결함, 스크래치 결함, 블랙스지 결함, 노리핀홀 결함, 기포성 결함, 이물기포 결함, 백점이물 결함 및 이물 결함을 검출하였다.
이들 결함 그룹의 각 결함의 영상은 100 x 100 픽셀의 크기로, 결함을 포함하는 최소 직사각형 픽셀의 무게 중심이 영상의 중앙에 위치하도록 수집하였다. 각 결함 영상에서 피크(peak), 면적(area), 델타X(dx), 델타Y(dy), 밀도(density), 두께(Thickness), 음영(shading)값을 얻어 정규화를 수행하고, 이들을 순서대로 성분으로 포함하는 7차원 벡터를 얻었다.
상기 7차원 벡터를 SVM library를 이용하여 7차원 좌표계에 맵핑하고, 최적 초평면을 결정하였다.
이후에, 상기 편광 필름과 동일 공정 라인에서 생산된 편광 필름을 판정 대상 필름으로 하여 자동 광학 검사를 수행하여 결함을 검출하고, 공지된 기준에 따라 결함들을 그룹별로 분류하였다.
비투과 모드에서 검사를 수행하여 군집성 휘점 결함 500개, 실오라기 결함 500개, 휘점 결함 500개, 스타 결함 500개, 스크래치 결함 500개를 선별하고, 투과 모드에서 블랙스지 결함 11개, 실오라기 결함 17개, 노리핀홀 결함 59개, 기포성 결함 690개, 이물기포 결함 143개, 백점이물 결함 84개, 이물 결함 1125개를 선별하였다.
상기 총 4629개의 결함의 영상에서 피크(peak), 면적(area), 델타X(dx), 델타Y(dy), 밀도(density), 두께(Thickness) 및 음영(shading) 값을 얻어, 이들을 순서대로 성분으로 포함하는 7차원 벡터를 얻고, 이들을 상기 최적 초평면이 결정된 7차원 좌표계에 맵핑하였다. 상기 최적 초평면에 근거하여 벡터들을 결함 그룹별로 분류하고, 결함들을 결함 그룹별로 분류하였다. 분류 결과는 하기 표 1 및 2와 같다.
구분 개수 분류 결과 정확도
군집성휘점 결함 500 398 79.6%
실오라기 결함 500 412 82.4%
휘점 결함 500 432 86.4%
스타 결함 500 409 81.8%
스크래치 결함 500 447 89.4%
합계 2500 2098 83.9%
상기 표 1은 비투과 모드에서 검출된 결함들을 본 발명의 방법에 따라 분류한 것으로서, 총 83.9%의 높은 정확도로 결함이 분류된 것을 확인할 수 있다.
구분 개수 분류 결과 정확도
블랙스지 11 9 81.8%
실오라기 17 14 82.4%
노리핀홀 59 48 81.4%
기포성결함 690 601 87.1%
이물기포 143 113 79.0%
백점이물 84 68 81.0%
이물 1125 1002 89.1%
합계 2129 1855 87.1%
상기 표 2는 투과 모드에서 검출된 결함들을 본 발명의 방법에 따라 분류한 것으로서, 총 87.1%의 높은 정확도로 결함이 분류된 것을 확인할 수 있다.
실시예 2. 필름의 검사 방법
편광 필름에 대하여 자동 광학 검사를 수행하여, 군집성 휘점 결함, 실오라기 결함, 휘점 결함, 스타 결함, 스크래치 결함, 블랙스지 결함, 노리핀홀 결함, 기포성 결함, 이물기포 결함, 백점이물 결함 및 이물 결함을 검출하였다.
이들 결함 그룹의 각 결함의 영상은 100 x 100 픽셀의 크기로, 결함을 포함하는 최소 직사각형 픽셀의 무게 중심이 영상의 중앙에 위치하도록 수집하였다. 각 결함 영상에서 각 픽셀의 밝기값을 얻어, 좌측 최상단을 (1,1) 좌표로 두었을 때, (1,1) 픽셀의 밝기 값이 벡터에서 첫번째 축의 성분, (1,2) 픽셀의 밝기 값이 벡터에서 두번째 축의 성분이 되도록 좌에서 우로, 그리고 위에서 아래로 각 픽셀의 밝기 값을 벡터의 성분으로 하여, 최종적으로 (100,100) 픽셀의 밝기 값을 벡터에서 10,000번째 축의 성분으로 하는, 10,000차원 벡터를 얻었다.
상기 10,000차원 벡터를 SVM library를 이용하여 10,000차원 좌표계에 맵핑하고, 최적 초평면을 결정하였다.
이후에, 상기 편광 필름과 동일 공정 라인에서 생산된 편광 필름을 판정 대상 필름으로 하여 자동 광학 검사를 수행하여 결함을 검출하고, 공지된 기준에 따라 결함들을 그룹별로 분류하였다.
비투과 모드에서 검사를 수행하여 군집성 휘점 결함 500개, 실오라기 결함 500개, 휘점 결함 500개, 스타 결함 500개, 스크래치 결함 500개를 선별하고, 투과 모드에서 블랙스지 결함 11개, 실오라기 결함 17개, 노리핀홀 결함 59개, 기포성 결함 690개, 이물기포 결함 143개, 백점이물 결함 84개, 이물 결함 1125개를 선별하였다.
상기 총 4629개의 결함의 영상에서 상기와 동일한 방법으로 10,000차원 벡터를 얻어 이들을 상기 최적 초평면이 결정된 10,000차원 좌표계에 맵핑하였다. 상기 최적 초평면에 근거하여 벡터들을 결함 그룹별로 분류하고, 결함들을 결함 그룹별로 분류하였다. 분류 결과는 하기 표 3 및 4와 같다.
구분 개수 분류 결과 정확도
군집성휘점 결함 500 462 92.4%
실오라기 결함 500 455 91.0%
휘점 결함 500 497 99.4%
스타 결함 500 491 98.2%
스크래치 결함 500 499 99.8%
합계 2500 2404 96.2%
상기 표 3은 비투과 모드에서 검출된 결함들을 본 발명의 방법에 따라 분류한 것으로서, 총 96.2%의 높은 정확도로 결함이 분류된 것을 확인할 수 있다.
구분 개수 분류 결과 정확도
블랙스지 11 11 100.0%
실오라기 17 16 94.1%
노리핀홀 59 57 96.6%
기포성결함 690 688 99.7%
이물기포 143 135 94.4%
백점이물 84 83 98.8%
이물 1125 1112 99.6%
합계 2129 2102 98.7%
상기 표 4는 투과 모드에서 검출된 결함들을 본 발명의 방법에 따라 분류한 것으로서, 총 98.7%의 높은 정확도로 결함이 분류된 것을 확인할 수 있다.
실시예 3. 필름의 검사 방법
편광 필름에 대하여 자동 광학 검사를 수행하여, 군집성 휘점 결함, 실오라기 결함, 휘점 결함, 스타 결함, 스크래치 결함, 블랙스지 결함, 노리핀홀 결함, 기포성 결함, 이물기포 결함, 백점이물 결함 및 이물 결함을 검출하였다.
이들 결함 그룹의 각 결함의 영상은 100 x 100 픽셀의 크기로, 결함을 포함하는 최소 직사각형 픽셀의 무게 중심이 영상의 중앙에 위치하도록 수집하였다. 각 결함 영상에서 각 픽셀의 밝기값을 얻고, 이를 10 x 10의 픽셀 그룹 100개로 등분하였다.
각 픽셀 그룹에서 각 픽셀마다 x축 밝기 변화량(dx), y축 밝기 변화량(dy)을 얻고, 이를 하기 수학식 1에 대입하여, 각 픽셀마다 dx와 dy가 이루는 기울기를 각도값으로 얻었다.
[수학식 1]
Arctan(|dx|/|dy|)
0˚ 부터 180˚의 각도를 20˚씩 9개의 구간으로 분할하여, 9개 구간을 벡터의 각 축으로 설정하고, 각 픽셀에서의 dx2와 dy2의 합의 제곱근값을 각 축의 성분으로 설정하였다. 동일 각도 구간에 해당하는 서로 다른 픽셀이 있는 경우, 그 픽셀들의 dx2와 dy2의 합의 제곱근값을 모두 더하여 이를 각 축의 성분으로 설정하였다.
이에 따라 9차원의 벡터 100개를 얻었다.
최상단 픽셀 그룹을 좌측부터 우측까지 1~10번, 그 다음 행의 픽셀 그룹을 좌측부터 우측까지 11~20번으로, 그러한 방식으로 최하단 픽셀 그룹을 좌측부터 우측까지 91~100번으로 위치 정보를 상정하고, 상기 번호 순서대로 9차원 벡터 100개의 성분을 그대로 나열하여 900차원의 벡터 1개를 얻었다.
상기 900차원 벡터를 SVM library를 이용하여 900차원 좌표계에 맵핑하고, 최적 초평면을 결정하였다.
이후에, 상기 편광 필름과 동일 공정 라인에서 생산된 편광 필름을 판정 대상 필름으로 하여 자동 광학 검사를 수행하여 결함을 검출하고, 공지된 기준에 따라 결함들을 그룹별로 분류하였다.
비투과 모드에서 검사를 수행하여 군집성 휘점 결함 500개, 실오라기 결함 500개, 휘점 결함 500개, 스타 결함 500개, 스크래치 결함 500개를 선별하고, 투과 모드에서 블랙스지 결함 11개, 실오라기 결함 17개, 노리핀홀 결함 59개, 기포성 결함 690개, 이물기포 결함 143개, 백점이물 결함 84개, 이물 결함 1125개를 선별하였다.
상기 총 4629개의 결함의 영상에서 상기와 동일한 방법으로 900차원 벡터를 얻고, 이들을 상기 최적 초평면이 결정된 900차원 좌표계에 맵핑하였다. 상기 최적 초평면에 근거하여 벡터들을 결함 그룹별로 분류하고, 결함들을 결함 그룹별로 분류하였다. 분류 결과는 하기 표 5 및 6과 같다.
구분 개수 분류 결과 정확도
군집성휘점 결함 500 458 91.6%
실오라기 결함 500 450 90.0%
휘점 결함 500 495 99.0%
스타 결함 500 489 97.8%
스크래치 결함 500 498 99.6%
합계 2500 2390 95.6%
상기 표 5는 비투과 모드에서 검출된 결함들을 본 발명의 방법에 따라 분류한 것으로서, 총 95.6%의 높은 정확도로 결함이 분류된 것을 확인할 수 있다.
구분 개수 분류 결과 정확도
블랙스지 11 11 100.0%
실오라기 17 16 94.1%
노리핀홀 59 55 93.2%
기포성결함 690 685 99.3%
이물기포 143 128 89.5%
백점이물 84 83 98.8%
이물 1125 1100 97.8%
합계 2129 2078 97.6%
상기 표 6은 투과 모드에서 검출된 결함들을 본 발명의 방법에 따라 분류한 것으로서, 총 97.6%의 높은 정확도로 결함이 분류된 것을 확인할 수 있다.

Claims (11)

  1. 분류된 복수의 결함 그룹으로부터 각 단일 결함 영상 정보를 다차원 벡터로 변환하는 단계;
    상기 벡터를 다차원 좌표계에 맵핑하고, 상기 벡터를 결함 그룹에 따라 구분하는 최적 초평면을 결정하는 단계; 및
    판정 대상 필름에서 검출된 결함으로부터 얻어진 결함 영상 정보를 다차원 벡터로 변환 후, 변환된 다차원 벡터를 상기 최적 초평면이 결정된 다차원 좌표계에 맵핑하여 해당하는 결함 그룹을 얻는 단계; 를 포함하며,
    결함으로 인식된 부분을 중앙에 포함하는 직사각형의 픽셀 그룹에서 각 픽셀마다 하기 수학식 1 또는 수학식 2로 표시되는 값에 따라 상기 벡터에서의 축이 정해지고, dx 및 dy와 비례하는 소정값에 따라 해당 축의 성분이 정해지는, 필름의 검사 방법:
    [수학식 1]
    Arctan(|dx|/|dy|)
    [수학식 2]
    Arctan(|dy|/|dx|)
    (식 중, dx는 x축 밝기 변화량이고, dy는 y축 밝기 변화량임).
  2. 청구항 1에 있어서, 상기 최적 초평면을 결정하는 단계는
    서로 다른 종류의 결함 그룹에서 얻어진 벡터들의 경계에 초평면을 형성하고, 상기 초평면 중 서로 다른 결함 그룹에서 얻어진 최근접한 두 벡터로부터의 거리의 합이 최대가 되는 초평면을 최적 초평면으로 결정하는, 필름의 검사 방법.
  3. 삭제
  4. 삭제
  5. 삭제
  6. 삭제
  7. 청구항 1에 있어서, 상기 직사각형의 픽셀 그룹에서 결함으로 인식된 부분과 배경에 해당하는 부분을 분리하여, 배경에 해당하는 부분만 포함하는 픽셀의 밝기값을 0으로 설정하는 단계를 더 포함하는, 필름의 검사 방법.
  8. 청구항 1에 있어서, 2픽셀 이하 크기의 노이즈를 포함하는 픽셀의 밝기값을 0으로 설정하는 단계를 더 포함하는, 필름의 검사 방법.
  9. 삭제
  10. 청구항 1에 있어서, 상기 결함 영상 정보를 정규화하여 다차원 벡터로 변환하는, 필름의 검사 방법.
  11. 청구항 1에 있어서, 상기 판정 대상 필름에서 검출된 결함의 결함 그룹별 양품 판정 기준을 달리 설정하여 필름의 양품 여부를 판정하는, 필름의 검사 방법.
KR1020150018146A 2015-02-05 2015-02-05 필름의 검사 방법 KR101694337B1 (ko)

Priority Applications (4)

Application Number Priority Date Filing Date Title
KR1020150018146A KR101694337B1 (ko) 2015-02-05 2015-02-05 필름의 검사 방법
TW105102853A TWI679611B (zh) 2015-02-05 2016-01-29 薄膜檢查方法
CN201610077455.2A CN105869143B (zh) 2015-02-05 2016-02-03 膜的检查方法
JP2016020609A JP6718245B2 (ja) 2015-02-05 2016-02-05 フィルムの検査方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020150018146A KR101694337B1 (ko) 2015-02-05 2015-02-05 필름의 검사 방법

Publications (2)

Publication Number Publication Date
KR20160096461A KR20160096461A (ko) 2016-08-16
KR101694337B1 true KR101694337B1 (ko) 2017-01-09

Family

ID=56570302

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020150018146A KR101694337B1 (ko) 2015-02-05 2015-02-05 필름의 검사 방법

Country Status (4)

Country Link
JP (1) JP6718245B2 (ko)
KR (1) KR101694337B1 (ko)
CN (1) CN105869143B (ko)
TW (1) TWI679611B (ko)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000099727A (ja) 1998-09-18 2000-04-07 Hitachi Ltd 外観画像分類装置およびその方法
JP2008076167A (ja) * 2006-09-20 2008-04-03 Yamaguchi Univ 画像処理により対象物の表面状態を検査する方法及びそのための画像処理プログラム
JP2013167596A (ja) * 2012-02-17 2013-08-29 Honda Motor Co Ltd 欠陥検査装置、欠陥検査方法及びプログラム

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102138068B (zh) * 2008-09-09 2015-02-11 玛机统丽公司 外观检查装置
KR101188756B1 (ko) 2008-09-18 2012-10-10 주식회사 엘지화학 편광판 얼룩 자동 검사 시스템 및 이를 이용한 편광판 얼룩검사 방법
JP2010159979A (ja) * 2009-01-06 2010-07-22 Hitachi Ltd 外観検査方法及び外観検査システム
JP5498189B2 (ja) * 2010-02-08 2014-05-21 株式会社日立ハイテクノロジーズ 欠陥検査方法及びその装置
CN102136061B (zh) * 2011-03-09 2013-05-08 中国人民解放军海军航空工程学院 一种矩形石英晶片缺陷自动检测分类识别方法
JP2013098267A (ja) * 2011-10-31 2013-05-20 Hitachi High-Technologies Corp 半導体パターン検査装置
US20130173179A1 (en) * 2011-12-30 2013-07-04 Weyerhaeuser Nr Company Method for predicting whether a wood product originated from a butt log
KR101328204B1 (ko) * 2012-03-27 2013-11-14 주식회사 포스코 열간 슬라브의 스크래치 검출 장치 및 방법

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000099727A (ja) 1998-09-18 2000-04-07 Hitachi Ltd 外観画像分類装置およびその方法
JP2008076167A (ja) * 2006-09-20 2008-04-03 Yamaguchi Univ 画像処理により対象物の表面状態を検査する方法及びそのための画像処理プログラム
JP2013167596A (ja) * 2012-02-17 2013-08-29 Honda Motor Co Ltd 欠陥検査装置、欠陥検査方法及びプログラム

Also Published As

Publication number Publication date
JP6718245B2 (ja) 2020-07-08
TWI679611B (zh) 2019-12-11
CN105869143A (zh) 2016-08-17
TW201629906A (zh) 2016-08-16
CN105869143B (zh) 2020-06-05
JP2016142739A (ja) 2016-08-08
KR20160096461A (ko) 2016-08-16

Similar Documents

Publication Publication Date Title
CN113570605B (zh) 一种基于液晶显示面板的缺陷检测方法和系统
US8611638B2 (en) Pattern inspection method and pattern inspection apparatus
CN103646893B (zh) 晶圆缺陷检测方法
US20160210527A1 (en) Method and apparatus for detecting repetitive pattern in image
CN103646899B (zh) 晶圆缺陷检测方法
CN106770321A (zh) 一种基于多阈值区间的塑料零件缺陷检测方法
EP2212909B1 (en) Patterned wafer defect inspection system and method
JP2020532122A (ja) 透明又は半透明ウェハを対象にした欠陥検出
CN108022219B (zh) 一种二维图像灰度修正方法
CN115049651A (zh) 一种钣金冲压异常检测方法
US9052295B2 (en) Panel inspection method and apparatus
KR101751681B1 (ko) 이물질 검출 시스템
KR101694337B1 (ko) 필름의 검사 방법
KR101330098B1 (ko) 광학 필름의 결함 판별 방법
CN111693533B (zh) 工件表面质量的检测方法及检测装置、外观机
JP5155938B2 (ja) パターン輪郭検出方法
JP4420796B2 (ja) 容器の外観検査方法
JPH01250806A (ja) 幅寸法測定方法及びその装置
KR101349662B1 (ko) 광학 필름의 결함 판별 방법
KR101697071B1 (ko) 광학 필름의 결함 판별 방법
CN117635595B (zh) 一种精密注塑模胚表面质量视觉检测方法
CN103646895B (zh) 检测缺陷扫描程式灵敏度的方法
CN106248689B (zh) 复合膜的缺陷判别方法
WO2023286518A1 (ja) デブリ判定方法
KR20080082278A (ko) 문자인식방법 및 반도체디바이스에 형성된 문자의문자인식방법

Legal Events

Date Code Title Description
A201 Request for examination
A302 Request for accelerated examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant
FPAY Annual fee payment

Payment date: 20191210

Year of fee payment: 4