KR20040111529A

KR20040111529A - 표면 결함 판별 방법

Info

Publication number: KR20040111529A
Application number: KR10-2004-7016654A
Authority: KR
Inventors: 히라타다케히데; 아사노가즈야; 도무라야스오
Original assignee: 제이에프이 스틸 가부시키가이샤
Priority date: 2002-05-21
Filing date: 2003-05-16
Publication date: 2004-12-31
Also published as: EP1507141A4; CN1656371A; US20050175231A1; WO2003098201A1; EP1507141A1; TW587154B; JP2003344300A; TW200401878A

Abstract

결함 종류나 결함 등급의 판별 논리를 단기간에 자동적으로 작성하는 동시에, 결함 종류나 결함 등급의 일치율을 향상시킨다. 구체적 해결 수단은 다음과 같다. 과거에 취득하여 축적한 복수의 표면 결함의 특징량을 특징 공간상의 점으로서 나타내고, 가상 사상 함수에 의해 사상선 공간에서 선형 분리를 완전하게 실시할 수 있는 식별면이 존재한다는 제약 조건하에서, 식별면에 대한 거리가 가장 가까운 점과의 거리를 목적 함수로서 하고, 이것을 최대화하는 2 차 계획 문제를 푸는 것에 의해 구해지는 식별면을 식별 함수로서 미리 구해 두고, 종류를 알 수 없는 표면 결함의 특징량을 상기 식별 함수에 대입하고, 그 결과에 따라 종류를 알 수 없는 표면 결함이 상기 결함 종류에 해당하는지 아닌지를 판별한다.

Description

표면 결함 판별 방법 {SURFACE DEFECT JUDGING METHOD}

제품 (이하 「피검사재」라고 한다) 의 표면 결함을 검출하는 장치로는, 도 1 에 나타내는 바와 같이, 반송 중인 피검사재 (10) 의 표면에 외부 조명 (20) 으로부터 빛을 조사하여, 피검사재 (10) 의 표면에서의 반사광을 카메라 (30) 로 촬상하고, 촬상한 화상으로부터 화상 처리에 의해 결함의 특징량을 추출한 후, 추출된 특징량을 바탕으로 결함 종류나 결함 등급을 판별하는 표면 결함 검사 장치가 있다.

이러한 표면 결함 검사 장치에서는, 화상 처리에 의해 얻어지는 표면 결함의 길이, 폭, 면적 등과 같은 치수적인 특징량, 원형도, 애스펙트비 (aspect ratio) 등과 같은 형상적인 특징량, 결함부 화상 농도 평균치, 결함부 화상 농도 최소치, 결함부 화상 농도 최대치 등과 같은 화상의 농담적인 특징량 등에 근거하여 결정 트리 방식 (tree decision method) 에 의해 결함 종류나 결함 등급을 판별하고 있다. 결정 트리 방식이란, 판별 조건을 트리모양으로 조합하여, 제 1 판별에 있어서 제 1 판별 조건에 부합하면 제 1 결함으로 판별하고, 그렇지 않으면 제 2 판별을 실시하여 제 2 판별 조건에 부합하면 제 2 결함으로 판별하여, 결함 종류나 결함 등급이 결정될 때까지 이것을 차례차례 반복해가는 방법이다. 한편, 각 판별 조건에서는, 각 결함 종류나 각 결함 등급을 특징짓는 몇몇 특징량을 미리 선택해 두고, 특징량마다 미리 설정한 역치와 비교하여 판별한다.

본 발명은, 표면 검사에 있어서 표면 결함의 종류 또는 표면 결함의 등급을 판별하는 방법에 관한 것이다.

도 1 은 본 발명에 관한 표면 결함 검사 방법의 실시에 사용하는 검사 장치의 구성을 나타내는 블록도이다.

도 2 는 상기 검사 장치의 표면 결함 종류 판별부를 나타내는 설명도이다.

도 3 는 본 발명에 관한 표면 결함 검사 방법의 표면 결함 종류ㆍ등급 판별부를 나타내는 설명도이다.

* 도면의 주요부분에 대한 부호의 설명*

10: 피검사재

20: 조명

30: 카메라

40: 표면 결함 특징량 추출부

50: 규격화 처리부

60: 표면 결함 종류 판별부

70: 학습 데이터 처리부

72: 2 차 계획 문제 처리부

74: 식별 함수 기억부

80: 미지의 데이터 판별부

발명을 실시하기 위한 최선의 형태

이하, 본 발명의 실시형태에 대해서 도면을 참조하여 설명한다.

도 1 은, 피검사재의 표면 상태의 정보 취득에 카메라를 사용하는 경우의 표면 결함 검사 장치의 전체 구성예이다. 조명 (20) 에 의해, 도면 중 화살표 L 방향으로 반송되는 피검사재 (10) 에 빛을 조사하고, 그 반사광이나 산란광을 카메라 (30) 로 촬상한다.

촬상한 화상은 표면 결함 특징량 추출부 (40) 에서 화상 처리되고, 화상 농도의 변화 등으로부터 표면 결함을 검출하여 복수의 특징량이 추출된다. 특징량으로는, 표면 결함의 치수에 관련된 길이, 폭, 면적 등, 표면 결함의 형상에 관련된 원형도, 애스펙트비 등, 화상 농도에 관련된 결함부 화상 농도 평균치, 결함부 화상 농도 최소치, 결함부 화상 농도 최대치 등이 있다.

또, 피검사재의 표면 상태의 정보 취득을 위한 수단으로는 상기한 것 외에, 레이저광을 피검사재에 조사하고, 그 반사광이나 산란광의 변화를 사용하는 방법 등도 있다.

본 발명은 특징 공간상에서 데이터를 취급하기 때문에, 각 특징량 사이에서 수치의 범위가 다르면 정확한 평가를 할 수 없다. 그래서, 얻어진 특징량은, 규격화 처리부 (50) 에 있어서, 예를 들어 (1) 식, (2) 식에서 나타내는 형태로 규격화된다.

단, μ: 학습 데이터로서 취득한, 임의의 특징량의 평균치

σ: 학습 데이터로서 취득한, 임의의 특징량의 표준 편차

또는

단, x_min: 학습 데이터로서 취득한, 임의의 특징량의 최소치

x_max: 학습 데이터로서 취득한, 임의의 특징량의 최대치

규격화된 특징량은, 표면 결함 종류 판별부 (60) 에서 처리되어 표면 결함의 종류가 판별되고, 표면 결함 종류 판별 결과 출력부 (90) 로 판별 결과가 출력된다.

도 2 는, 표면 결함 종류 판별부 (60) 의 일례로서, 표면 결함 A 에 해당하는지 아닌지를 판별하는 경우를 나타낸 도면이다. 그 표면 결함 종류 판별부 (60) 는 학습 데이터 처리부 (70) 와 미지의 데이터 판별부 (80) 로 나누어진다. 학습 데이터 처리부 (70) 에는, 과거에 취득하여 축적한 복수의 표면 결함의 특징량과, 이에 대응되는 표면 결함 종류의 세트가 학습 데이터로서 입력된다.

2 차 계획 문제 처리부 (72) 에서는 이하의 처리가 이루어진다. ① 학습 데이터를 특징 공간상의 점으로서 나타낸다. ② 제약 조건을 바탕으로 목적 함수를 최대화하는 2 차 계획 문제를 푼다. ③ 2 차 계획 문제를 푸는 것에 의해최적의 식별면을 얻는다. ④ 최적의 식별면을 식별 함수로 한다. 여기서 제약 조건이란, 가상적으로 상정하는 사상 함수에 의해 사상선의 공간상에서 선형 분리를 완전하게 실시할 수 있는 식별면이 존재하는 것을 말한다. 목적 함수란, 식별면에 대한 거리가 가장 가까운 점과 그 식별면과의 거리를 말한다.

작성된 식별 함수는 식별 함수 기억부 (74) 에 기억된다. 또, 입력되는 표면 결함의 특징량에 대응되는 표면 결함 종류는 검사원의 판단 등에 의해 결정된 것이다. 또한, 학습 데이터는 입력하기만 하면 되며, 피검사재의 재질 변경이나 가공 방법 변경 등의 경시적 변화가 있는 경우에는 새롭게 학습 데이터를 재입력하여 식별 함수를 갱신하면 된다. 즉, 종래와 같이 전문 기술자가 데이터를 해석하여, 시행 착오적으로 판별 논리를 작성할 필요가 없다.

한편, 미지의 데이터 판별부 (80) 에서는, 식별 함수 기억부 (74) 에서 기억되어 있는 식별 함수를 사용하여 표면 결함 A 에 해당하는지 아닌지를 판별한다.

그러나 전술한 바와 같은 종래 방법에서는, 각 판별 조건에 있어서 전문 기술자가 대량의 데이터에 근거하여 해석하고 각 결함을 특징짓는 특징량을 선정하여 역치를 시행 착오적으로 결정하기 때문에, 판별 논리의 완성에 많은 노력을 필요로 하고, 표면 결함 검사 장치의 시동에 긴 시간을 필요로 한다는 문제가 있었다.

또, 피검사재의 재질이 변경되거나 가공 방법이 변경되거나 하면 전술한 작업을 처음부터 실시하지 않으면 안되어, 그 때마다 많은 노력을 필요로 하고, 빠른 검사에 대응하기가 불가능하다는 문제가 있었다.

또한, 판별 조건으로 사용하는 특징량의 선택이나 각 특징량의 역치의 설정은, 특징량의 수가 다수 있으면 이론상으로는 결함 종류나 결함 등급의 일치율 향상으로 이어지지만, 실질적으로는 해석이 곤란해져 결함 종류나 결함 등급의 일치율의 향상에 한계를 낳는다는 문제가 있었다. 여기서, 일치율이란, 검사원의 판별을 옳은 것으로 하여, 검사원의 판별과 검사 장치의 판별이 일치한 비율을 말한다. 예를 들어 결함의 종류를 판별하는 경우, 검사원이 결함 종류 A 로 판단한 결함 중, 검사 장치가 결함 종류 A 로 판별한 비율을 말한다. 또는 반대로, 표면 결함 검사 장치가 결함 종류 A 라고 판별한 결함 중, 검사원에 의해 옳다고판단된 비율을 말한다. 결함 등급에 대해서도 동일하다.

한편, 판별 논리를 구축하는 데 필요한 노력을 절약하는 것을 목적으로 하여, 판별 논리의 작성을 자동화하는 기술로서 뉴럴 네트를 적용한 일본 공개특허공보 평4-142412호 등이 있다. 그러나, 뉴럴 네트는 학습를 위해 방대한 수의 데이터가 필요할 뿐만 아니라, 학습 시간이 길고 비효율적이다. 또한, 내용물이 블랙 박스가 되기 때문에, 개개의 특정 사항에 대해서 판별 오류가 발생하여도 개개의 조정이 불가능하다는 문제가 있다.

본 발명은 이러한 사정을 감안하여 이루어진 것으로, 결함 종류나 결함 등급의 판별 논리를 단기간에 자동적으로 작성하는 동시에, 결함 종류나 결함 등급의 일치율을 향상시키는 방법을 제공하는 것을 목적으로 한다.

상기 과제를 해결하기 위해, 제 1 본 발명은, 피검사재의 표면 상태의 정보를 취득하고, 취득한 정보에 근거하여 표면 결함의 특징량을 추출하며, 상기 특징량에 근거하여, 소정의 결함 종류에 해당하는지 아닌지를 판별하는 표면 결함 판별 방법에 있어서, 과거에 취득하여 축적한 복수의 표면 결함의 특징량과, 이에 대응되는 표면 결함의 종류를 학습 데이터로서 미리 준비하고, 상기 학습 데이터를 특징 공간상의 점으로서 나타내어, 가상적으로 상정하는 사상 함수 (mapping function) 에 의해 사상선 (寫像先) 의 공간상에서 선형 분리를 완전하게 실시할 수 있는 식별면이 존재한다는 제약 조건하에서, 상기 식별면에 대한 거리가 가장 가까운 점과 상기 식별면과의 거리를 목적 함수로 하여, 상기 목적 함수를 최대화하는 2 차 계획 문제를 푸는 것에 의해 최적의 식별면을 식별 함수로서 미리 구해두고, 종류를 알 수 없는 표면 결함의 특징량을 상기 식별 함수에 대입하고, 그 결과에 따라 상기 종류를 알 수 없는 표면 결함이 상기 결함 종류에 해당하는지 아닌지를 판별하는 것을 특징으로 하는 표면 결함 판별 방법을 제공한다.

제 2 본 발명은, 피검사재의 표면 상태의 정보를 취득하고, 취득한 정보에 근거하여 표면 결함의 특징량을 추출하며, 상기 특징량에 근거하여, 소정의 결함 종류에 해당하는지 아닌지를 판별하는 표면 결함 판별 방법에 있어서, 과거에 취득하여 축적한 복수의 표면 결함의 특징량과, 이에 대응되는 표면 결함의 종류를 학습 데이터로서 미리 준비하고, 상기 학습 데이터를 특징 공간상의 점으로서 나타내어, 가상적으로 상정하는 사상 함수에 의해 사상선의 공간상에서 선형 분리를 완전하게 실시할 수 있는 식별면이 존재한다는 제약 조건을 설정하는 동시에, 상기 식별면에 대한 거리가 가장 가까운 점과 상기 식별면과의 거리를 목적 함수로서 설정하고, 상기한 선형 분리를 완전히 실시할 수 있다는 제약 조건을 완화하여 식별 오류가 발생되는 점이 존재하는 것을 허용하는 동시에, 상기 목적 함수에 페널티항 (penalty term) 을 부가하여 보정하고, 상기 완화시킨 제약 조건하에서, 상기 보정한 목적 함수를 최대화하는 2 차 계획 문제를 푸는 것에 의해 구해지는 식별면을 식별 함수로서 미리 구해 두고, 종류를 알 수 없는 표면 결함의 특징량을 상기 식별 함수에 대입하고, 그 결과에 따라 상기 종류를 알 수 없는 표면 결함이 상기 결함 종류에 해당하는지 아닌지를 판별하는 것을 특징으로 하는 표면 결함 판별 방법을 제공한다.

제 3 본 발명은, 제 1 또는 제 2 본 발명에 있어서의 식별 함수에 대하여,절대 놓쳐서는 안되는 중요도가 높은 표면 결함에 대해서는, 원하는 결함 종류 일치율이 얻어지도록 상기 식별 함수의 바이어스항 (bias term) 을 조정하는 것을 특징으로 하는 표면 결함 판별 방법을 제공한다.

제 4 본 발명은, 제 1 내지 제 3 중 어느 하나의 본 발명에 관한 표면 결함 판별 방법에 의해 결함 등급을 판별하는 것을 특징으로 하는 표면 결함 판별 방법을 제공한다.

제 5 본 발명은, 제 1 내지 제 4 중 어느 하나의 본 발명에 있어서의 표면 결함 판별 방법을 결정 트리 안에 조합시킴으로써, 복수의 결함 종류, 결함 등급, 또는 결함 종류와 결함 등급을 판별하는 것을 특징으로 하는 표면 결함 판별 방법을 제공한다.

제 1 본 발명에 의하면, 특징 공간상에서 선형 분리가 불가능한 분포의 데이터를 완전히 식별 가능하게 되어 결함 종류의 일치율이 향상된다. 또한, 판별 논리가 단기간에 자동적으로 작성되기 때문에, 판별 논리의 완성에 필요한 노력을 절약할 수 있는 동시에, 표면 결함 검사 장치의 조기 시동이 가능해진다.

제 2 본 발명에 의하면, 해당 결함 종류와 그렇지 않은 양쪽 데이터가 식별면 부근에서 혼재하고 있더라도 과(過)학습하지 않고 적절한 판별이 가능하게 된다.

제 3 본 발명에 의하면, 전문 기술자 등의 조정하는 사람에 의해 의식적으로 식별면을 평행 이동시켜, 절대 놓쳐서는 안되는 중요도가 높은 표면 결함측의 특징 공간 영역을 확대할 수 있어, 원하는 결함 종류 일치율을 얻는 것이 가능하게 된다.

제 4 본 발명에 의하면, 제 1 내지 제 3 본 발명에 의한 결함 종류를 판별하는 방법을 결함 등급을 판별하는 방법에도 적용할 수 있게 된다.

제 5 본 발명에 의하면, 제 1 내지 제 4 본 발명에 있어서의 표면 결함 판별 방법을 결정 트리의 안에 조합시키기 때문에, 복수의 결함 종류나 결함 등급을 판별하는 것이 가능해진다.

실시예 1

여기서, 표면 결함 A 와 그 외의 표면 결함 A' 를 판별하는 경우의 표면 결함 종류 판별부 (60) 의 학습 데이터 처리부 (70) 에서의 학습 방법에 대해서 상세히 설명한다. 특징 공간상의 점으로서 표시되는 학습 데이터의 특징량 벡터 (xi) 는,

을 만족하는 가상적인 사상 함수 (φ) 에 의해 x_i→φ(x_i) 로 사상된다. 즉, 사상선의 φ 공간상에서의 내적 (the inner product) φ(x_i)ㆍφ(x_j) 은 사상원 (寫像元) 의 특징 공간상에서의 내적 x_iㆍx_j의 함수로 한다.

여기서, i, j 는 학습 데이터 번호로서,

i, j = 1, 2, …, n (n: 학습 데이터 수)

이다. 또한, 이 사상은 사상원의 특징 공간상에서의 거리의 관계를 보존하는 동시에, 사상의 결과, φ 공간에서는 표면 결함 A 의 집합과 그 외의 표면 결함 A' 의 집합이 선형 분리가 가능해지는 것으로 한다.

φ 공간상에서는 선형 분리가 가능해지기 때문에, 부호화 함수 (sgn: 양의 값은 ＋1, 음의 값은 －1 을 반환한다) 를 사용하여, 다음 식에 의해 A 집합과 A' 집합의 판별이 가능해진다.

단, y: 판별 출력치 {＋1, －1}

w: 무게 (weight) 벡터

x: 미지의 결함의 특징 벡터

h: 바이어스 (bias)

여기서, (4) 식을 기하학적으로 해석하면, 법선 벡터 (w) 와 바이어스 (h) 에 의해 결정되는 식별면을 경계로 φ 공간을 2 개로 나누고, 한쪽에 1 을, 다른 한쪽에 －1 을 할당하는 것으로 해석할 수 있다. 그러나, A 집합과 A' 집합에대하여 선형 분리를 완전하게 실시할 수 있는 식별면이 존재하는 경우, 법선 벡터 (w) 와 바이어스 (h) 는 일의(一意)적으로 정해지지 않는다. 그래서, 식별면에 대한 거리가 가장 가까운 점과 그 식별면과의 거리 (d_m) 를 최대로 하는 식별면을 최적 식별면으로서 구한다.

x_sv: 최적 식별면에 가장 가까운 점

또, w 및 h 의 용장성 (冗長性) 을 배제하기 위한 규격화 조건, 즉,

을 제공한다.

한편, A 집합과 A' 집합에 대하여 완전 분리가 가능하다는 점에서,

를 만족하는 ε가 반드시 존재한다. 여기서, 규격화 조건 (6) 식으로부터, (7) 식은 다음 식으로 나타낼 수 있다.

이상을 정리하면,

목적 함수: ∥w∥²→ 최대화

제약 조건:

로 되어, 2 차 계획 문제로 귀착시킬 수 있다.

여기서 2 차 계획 문제를 푸는 경우의 상투 수단인 Lagrange 함수를 도입하면,

단 α_i: Lagrange 승수 (α_i≥0)

이 얻어지고, w, h 의 안장점 (saddle point) 에서는

라는 관계가 얻어진다.

이들 관계식을 원래의 Lagrange 함수에 대입하면, 이하의 쌍대 문제 (dual problem) 에 귀착시킬 수 있다.

ㆍ목적 함수:에 관해서 최대화

ㆍ제약 조건:

여기서 (3) 식의 관계로부터

ㆍ목적 함수:에 관해서 최대화

ㆍ제약 조건:

이 된다. 이번에는 구체적인 K 의 함수로서

를 사용하였다. 따라서, (14) 식은,

ㆍ목적 함수:에 관해서 최대화

ㆍ제약 조건:

이 된다. (16) 식은, 예를 들어 Matlab 에서 준비되어 있는 2 차 계획 문제를 푸는 함수 quadprog 등을 이용하여 실제로 풀 수 있어, α가 구해진다.

또한, (3) 식, (12) 식, (15) 식으로부터 식별 함수 (4) 식은,

가 되고, 2 차 계획 문제를 풂으로써 구한 α 와 적당한 σ, h 를 제공함으로써 식별 함수를 결정할 수 있다.

실시예 2

그러나, 실제로는 특징 공간상에서의 각 집합의 분포는 확률적으로, 그 중에는 잘못된 데이터 (검사원의 판단을 옳은 것으로 하고 있지만 오판단이 포함되는케이스도 있다) 도 있기 때문에, 항상 학습 데이터가 옳다고 판별할 필요는 없다.

그래서, 제 2 실시예에서는, 제 1 실시예에서 나타낸 선형 분리를 완전히 실시할 수 있다는 제약 조건을 완화한다. 식별 오류가 발생되는 점이 존재하는 것을 허용하고, 그 경우에는 제 1 실시예에서 나타낸 목적 함수에 페널티항을 부가한다. 이하, 이 방법에 대해서 설명한다.

본 실시예에서는, 제약 조건에 있어서의 식별 오류를 허용하는 변수 (ξ) 와 식별 오류에 대한 페널티 파라미터 (C) 에 의해, (9) 식을 이하의 형태로 기술한다.

ㆍ목적 함수:

ㆍ제약 조건:

(18) 식을 제 1 실시예와 동일하게 Lagrange 함수를 도입하여 쌍대 문제로 귀착시키고, (15) 식을 사용하면, 이하의 형태로 기술할 수 있다.

목적 함수:에 관해서 최대화

제약 조건:

(19) 식도 (16) 식과 동일하게, 예를 들어 Matlab 에서 준비되어 있는 2 차 계획 문제를 푸는 함수 quadprog 등을 이용하여 실제로 풀 수 있어, α가 구해진다.

또한, 식별 함수는 (17) 식과 동일하여, 2 차 계획 문제를 풂으로써 구한 α와 적당한 σ, h 를 제공함으로써 식별 함수를 결정할 수 있다.

또, 본 실시예에서는, 식별 함수의 파라미터로서 C = 10⁴, σ= 1.0, h = 0 또는 C = ∞, σ= 10, h = O 을 선택하였다.

실시예 3

전술한 실시예 2 는, 표면 결함 A 의 일치율 (예를 들어, 검사원 등에 의한 판단을 옳은 것으로 하여, 임의의 결함 종류 A 에 속한다고 판단된 결함 중, 표면 결함 검사 장치에 의해 종류 A 로 판별된 비율) 과 그 이외의 표면 결함 A' 의 일치율 (예를 들어, 검사원 등에 의해 A' 로 판단된 결함 중, 표면 결함 검사 장치에 의해 A' 로 판별된 비율) 이 거의 등량이 되도록 판별한다. 그러나, 표면 결함의 종류에 따라서는 절대 놓쳐서는 안되는 중요도가 높은 표면 결함도 있어, 그 결함 종류 이외의 결함 종류에 대한 판별의 일치율을 저하시키더라도 그 결함 종류에 대한 판별의 일치율은 향상시키고자 하는 경우가 있다.

그래서, 제 3 실시예로서, 절대 놓쳐서는 안되는 중요도가 높은 표면 결함에 대하여 원하는 결함 종류 일치율을 얻기 위한 방법에 대해서 설명한다.

본 실시예에서는, 학습 데이터를 제공하고 자동 작성된 식별 함수 (17) 식에 있어서 원하는 일치율이 얻어지도록 미리 바이어스 (h) 를 조정한다. 이것에 의해, 전문 기술자 등의 조정하는 사람에 의해 의식적으로 식별면을 평행 이동시킬 수 있어, 절대 놓쳐서는 안되는 중요도가 높은 표면 결함측의 특징 공간 영역을 확대할 수 있어, 원하는 일치율이 얻어지게 된다.

실시예 4

실시예 1 내지 실시예 3 은 표면 결함 종류를 대상으로 한 실시예이지만, 다음으로 제 4 실시예로서 표면 결함의 등급을 대상으로 하는 경우에 대해서 설명한다.

본 실시예에서는, 특징량으로서, 원형도나 애스펙트비와 같은 결함 형상보다도, 표면 결함의 길이, 폭, 면적과 같은 결함 치수나 화상 농도 등의 특징량을 중심으로 사용한다. 이 경우, 실시예 1 내지 실시예 3 과 완전히 동일한 방법으로 결함 등급을 판별할 수 있다.

실시예 5

이상은 소정의 결함 종류 또는 결함 등급에 해당하는지 아닌지를 판별하는 경우이지만, 실제로는 결함 종류는 A, B, C …, 결함 등급은 대, 중, 소와 같이 복수개 존재하여, 각각을 판별하고자 하는 경우가 많다. 그래서, 제 5 실시예로서 복수의 결함 종류 및/또는 결함 등급을 판별하는 경우에 대해서 설명한다.

도 3 은, 복수의 결함 종류를 판별하는 경우의 표면 결함 종류 판별부 (60) 를 나타낸 도면이다. 복수의 판별 조건이 결정 트리 안에 조합되어 트리 모양으로 구성되어 있다. 우선 처음에 표면 결함 A 판별 조건부에 의해 표면 결함 A 인지, 그 외의 표면 결함 A' 인지가 판별되고, 그 외의 표면 결함 A' 로 판별된 경우는 표면 결함 B 판별 조건부로 진행된다. 표면 결함 B 판별 조건부에서는, 표면 결함 B 인지, 그 외의 표면 결함 B' 인지가 판별되고, 그 외의 것으로 판별된 경우는 표면 결함 C 판별 조건부로 진행되어 차례차례로 판별되어 간다. 판별조건부는 판별하고자 하는 표면 결함 종류의 수만큼 존재하게 된다.

또한, 판별 조건 A, B, C … 을 적절히 결함 등급의 판별 조건으로 치환시켜 나가면, 복수의 결함 종류와 결함 등급이 혼재하고 있더라도 각각 구별하여 판별하는 것이 가능해진다.

또, 본 실시예의 판별 조건은 실시예 1 내지 실시예 4 에서 설명한 표면 결함 종류 판별부 (60) 에서의 방법과 동일하다.

본 발명에 의하면, 제품의 표면 흠집 결함을 판별하는 경우에, 결함 종류의 일치율이 향상된다. 또한, 판별 논리가 단기간에 자동적으로 작성되기 때문에, 판별 논리의 완성에 필요한 노력을 절약할 수 있다. 표면 결함 검사 장치를 단기간에 시동할 수 있다. 해당 결함 종류와 그렇지 않은 양쪽의 데이터가 식별면 부근에서 혼재되어 있더라도 과학습하지 않고 적절한 판별이 가능하게 된다. 절대 놓쳐서는 안되는 중요도가 높은 표면 결함에 대해서는, 전문 기술자 등의 조정하는 사람에 의해 의식적으로 식별면을 평행 이동시켜 절대 놓쳐서는 안되는 중요도가 높은 표면 결함측의 특징 공간 영역을 확대할 수 있어, 원하는 결함 종류 일치율을 얻기가 가능해진다. 결함 종류 뿐만 아니라 결함 등급을 판별하는 것이 가능해진다. 복수의 결함 종류나 결함 등급을 판별하는 것이 가능해진다.

Claims

피검사재의 표면 상태의 정보를 취득하고, 취득한 정보에 근거하여 표면 결함의 특징량을 추출하며, 상기 특징량에 근거하여, 소정의 결함 종류에 해당하는지 아닌지를 판별하는 표면 결함 판별 방법에 있어서,

과거에 취득하여 축적한 복수의 표면 결함의 특징량과, 이에 대응되는 표면 결함의 종류를 학습 데이터로서 미리 준비하고,

상기 학습 데이터를 특징 공간상의 점으로서 나타내어, 가상적으로 상정하는 사상 함수에 의해 사상선 (寫像先) 의 공간상에서 선형 분리를 완전하게 실시할 수 있는 식별면이 존재한다는 제약 조건하에서,

상기 식별면에 대한 거리가 가장 가까운 점과 상기 식별면과의 거리를 목적 함수로 하여, 상기 목적 함수를 최대화하는 2 차 계획 문제를 푸는 것에 의해,

최적의 식별면을 식별 함수로서 미리 구해 두고,

종류를 알 수 없는 표면 결함의 특징량을 상기 식별 함수에 대입하고, 그 결과에 따라 상기 종류를 알 수 없는 표면 결함이 상기 결함 종류에 해당하는지 아닌지를 판별하는 것을 특징으로 하는 표면 결함 판별 방법.
피검사재의 표면 상태의 정보를 취득하고, 취득한 정보에 근거하여 표면 결함의 특징량을 추출하며, 상기 특징량에 근거하여, 소정의 결함 종류에 해당하는지 아닌지를 판별하는 표면 결함 판별 방법에 있어서,

과거에 취득하여 축적한 복수의 표면 결함의 특징량과, 이에 대응되는 표면 결함의 종류를 학습 데이터로서 미리 준비하고,

상기 학습 데이터를 특징 공간상의 점으로서 나타내어, 가상적으로 상정하는 사상 함수에 의해 사상선의 공간상에서 선형 분리를 완전하게 실시할 수 있는 식별면이 존재한다는 제약 조건을 설정하는 동시에,

상기 식별면에 대한 거리가 가장 가까운 점과 상기 식별면과의 거리를 목적 함수로서 설정하고,

상기한 선형 분리를 완전히 실시할 수 있다는 제약 조건을 완화하여, 식별 오류가 발생되는 점이 존재하는 것을 허용하는 동시에, 상기 목적 함수에 페널티항을 부가하여 보정하고,

상기 완화시킨 제약 조건하에, 상기 보정한 목적 함수를 최대화하는 2 차 계획 문제를 푸는 것에 의해 구해지는 식별면을 식별 함수로서 미리 구해 두고,

종류를 알 수 없는 표면 결함의 특징량을 상기 식별 함수에 대입하고, 그 결과에 따라 상기 종류를 알 수 없는 표면 결함이 상기 결함 종류에 해당하는지 아닌지를 판별하는 것을 특징으로 하는 표면 결함 판별 방법.
제 1 항 또는 제 2 항에 있어서의 식별 함수에 대하여, 중요한 표면 결함에 대해서는, 원하는 결함 종류 일치율이 얻어지도록 상기 식별 함수의 바이어스항을 조정하는 것을 특징으로 하는 표면 결함 판별 방법.
제 1 항 내지 제 3 항 중 어느 한 항에 기재된 표면 결함 판별 방법에 의해 결함 등급을 판별하는 것을 특징으로 하는 표면 결함 판별 방법.
제 1 항 내지 제 4 항 중 어느 한 항에 있어서의 표면 결함 판별 방법을 결정 트리 안에 조합시킴으로써, 복수의 결함 종류, 결함 등급, 또는 결함 종류와 결함 등급을 판별하는 것을 특징으로 하는 표면 결함 판별 방법.