TW201908718A - 缺陷檢查系統及缺陷檢查方法 - Google Patents

缺陷檢查系統及缺陷檢查方法

Info

Publication number
TW201908718A
TW201908718A TW107125176A TW107125176A TW201908718A TW 201908718 A TW201908718 A TW 201908718A TW 107125176 A TW107125176 A TW 107125176A TW 107125176 A TW107125176 A TW 107125176A TW 201908718 A TW201908718 A TW 201908718A
Authority
TW
Taiwan
Prior art keywords
image
column
defect
inspection object
images
Prior art date
Application number
TW107125176A
Other languages
English (en)
Other versions
TWI788387B (zh
Inventor
尾崎麻耶
Original Assignee
日商住友化學股份有限公司
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 日商住友化學股份有限公司 filed Critical 日商住友化學股份有限公司
Publication of TW201908718A publication Critical patent/TW201908718A/zh
Application granted granted Critical
Publication of TWI788387B publication Critical patent/TWI788387B/zh

Links

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
    • G01N21/8851—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
    • G01N21/01—Arrangements or apparatus for facilitating the optical investigation
    • 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
    • G01N21/8806—Specially adapted optical and illumination features
    • 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
    • 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
    • G01N21/8806—Specially adapted optical and illumination features
    • G01N2021/8809—Adjustment for highlighting 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
    • G01N2021/8887—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

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • Theoretical Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
  • Software Systems (AREA)
  • Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)

Abstract

本發明提供缺陷檢查系統及缺陷檢查方法。在缺陷檢查系統(1)中，由攝像部(3)拍攝在輸送方向(X)上亮度變化的二維圖像(F(t1)~F(tm))等，由列分割處理部(9)處理成列分割圖像的圖像資料，該列分割圖像是將二維圖像(F(t1)~F(tm))等分割為沿著輸送方向(X)排列的列(L1(t1)~Lk(tm))等，並使二維圖像(F(t1)~F(tm))等的相同位置的列(L1(t1)~Lk(tm))等依照時間序列的順序排列而成的列分割圖像(DL(t1)~DLk(t(1-(k-1))))，即便是相同的檢查物件(T)的拍攝圖像，列分割圖像(DL1(t1))等也具有不同的亮度。由缺陷類別識別部(10)基於對與亮度及呈現方式不同的列分割圖像(DL(t1)~DLk(t(1-(k-1))))所包含的缺陷類別的識別相關的機械學習的結果進行積累得到的資料，來識別檢查物件(T)的缺陷(D)的類別，而使缺陷(D)的識別精度提高。

Description

缺陷檢查系統及缺陷檢查方法
本發明涉及缺陷檢查系統及缺陷檢查方法。
作為基於檢查物件的拍攝圖像來對檢查物件的缺陷進行檢查的缺陷檢查系統，例如已知有檢測偏振膜及相位差膜等光學膜、電池的隔膜所使用的層疊膜等的缺陷的缺陷檢查系統。這種缺陷檢查系統係沿著輸送方向輸送膜，按離散時間拍攝膜的二維圖像，而基於拍攝出的二維圖像來進行缺陷檢查。例如，日本國專利第4726983號的系統生成列分割圖像，該列分割圖像藉由將二維圖像分割為沿著輸送方向排列的多個列，並使按離散時間拍攝出的二維圖像各自中的相同位置的列依照時間序列的順序排列而成。列分割圖像被處理成增強了亮度變化的缺陷增強處理圖像。藉由缺陷增強處理圖像，容易具體指定膜的缺陷的有無、膜的缺陷的位置。
然而，即便如上述技術將檢查物件的二維圖像處理成缺陷增強處理圖像，最終也藉由基於人的判定 來進行缺陷的識別，缺陷的識別精度仍存在改善的餘地。
於是，本發明的目的在於提供能夠提高缺陷的識別精度的缺陷檢查系統及缺陷檢查方法。
本發明係一種缺陷檢查系統，係具備：光源，係向檢查物件照射光；攝像部，係按離散時間拍攝二維圖像，該二維圖像基於從光源向檢查物件照射並透過檢查物件或在檢查物件上反射後的光而形成；輸送部，係將檢查物件相對於光源及攝像部沿著輸送方向相對地輸送；以及圖像處理部，係對由攝像部拍攝出的二維圖像的圖像資料進行處理，攝像部拍攝出在二維圖像的與輸送方向一致的方向上亮度發生變化的二維圖像，圖像處理部具有：列分割處理部，係將二維圖像處理成列分割圖像的圖像資料，列分割圖像為藉由將二維圖像分割為沿著輸送方向排列的多個列，並使由攝像部按離散時間拍攝出的二維圖像各自中的相同位置的列依照時間序列的順序排列而成者；以及缺陷類別識別部，係基於對與兩個以上的列分割圖像所包含的缺陷的類別的識別相關的機械學習的結果進行積累得到的資料，來識別檢查物件的缺陷的類別，其中，兩個以上的列分割圖像是藉由列分割處理部處理而得到的圖像。
根據該結構，缺陷檢查系統具備：光源，係向檢查物件照射光；攝像部，係按離散時間拍攝二維圖像，該二維圖像基於從光源向檢查物件照射並透過檢查物 件或在檢查物件上反射後的光而形成；輸送部，係將檢查物件相對於光源及攝像部沿著輸送方向相對地輸送；以及圖像處理部，係對由攝像部拍攝出的二維圖像的圖像資料進行處理，其中，由攝像部拍攝出在二維圖像的與輸送方向一致的方向上亮度發生變化的二維圖像，由圖像處理部的列分割處理部將二維圖像處理成列分割圖像的圖像資料，前述列分割圖像為藉由將二維圖像分割為沿著輸送方向排列的多個列，並使由攝像部按離散時間拍攝出的二維圖像各自中的相同位置的列依照時間序列的順序排列而成者，因此即便是對相同的檢查物件進行拍攝得到的圖像，各列分割圖像也成為具有不同的亮度的圖像。而且，由圖像處理部的缺陷類別識別部基於對與下述列分割圖像所包含的缺陷的類別的識別相關的機械學習的結果進行積累而得出的資料，來識別檢查物件的缺陷的類別，其中，該列分割圖像是由列分割處理部處理得到的兩個以上的分別具有不同的亮度的列分割圖像，因此，即便是對相同的檢查物件進行拍攝得到的圖像，也會基於針對亮度不同且呈現方式不同的兩個以上的列分割圖像進行的機械學習的結果來識別缺陷的類別，從而能夠提高缺陷的識別精度。
在該情況下，較佳為缺陷類別識別部基於對與亮度10%以上不同的兩個以上的列分割圖像所包含的缺陷的類別的識別相關的機械學習的結果進行積累得到的資料，來識別檢查物件的缺陷的類別。
根據該結構，缺陷類別識別部基於對與亮 度10%以上不同的兩個列分割圖像所包含的缺陷的類別的識別相關的機械學習的結果進行積累得到的資料，來識別檢查物件的缺陷的類別，因此，即便是對相同的檢查物件進行拍攝得到的圖像，也會基於針對亮度大幅不同達10%以上且呈現方式大幅不同的兩個列分割圖像進行的機械學習的結果來識別缺陷的類別，因此能夠進一步提高缺陷的識別精度。
另外，較佳為缺陷檢查系統還具備遮光體，該遮光體位於光源與檢查物件之間，並對從光源向檢查物件照射的光的一部分進行遮擋，從而在由攝像部按離散時間拍攝的二維圖像上形成明部和暗部，輸送部將檢查物件相對於光源、遮光體及攝像部沿著與明部和暗部的分界線相交的輸送方向相對地輸送，缺陷類別識別部基於對與下述列分割圖像所包含的缺陷的類別的識別相關的機械學習的結果進行積累得到的資料，來識別檢查物件的缺陷的類別，列分割圖像是指：使二維圖像中的明部的位置的列依照時間序列的順序排列而成的列分割圖像；以及使二維圖像中的暗部的位置的列依照時間序列的順序排列而成的列分割圖像。
根據該結構，由位於光源與檢查物件之間的遮光體對從光源向檢查物件照射的光的一部分進行遮擋，從而在由攝像部按離散時間拍攝的二維圖像上形成明部和暗部，由輸送部將檢查物件相對於與光源、遮光體及攝像部沿著與明部和暗部的分界線相交的輸送方向相對地 輸送，因此按離散時間拍攝出的一系列的二維圖像中的檢查物件的各部位進入明部及暗部之兩方。另外，缺陷類別識別部基於對與下述列分割圖像所包含的缺陷的類別的識別相關的機械學習的結果進行積累得到的資料，來識別檢查物件的缺陷的類別，其中，前述列分割圖像是指：藉由使二維圖像中的明部的位置的列依照時間序列的順序排列而成的列分割圖像；以及藉由使二維圖像中的暗部的位置的列依照時間序列的順序排列而成的列分割圖像，因此基於針對分別屬於明部及暗部且呈現方式大幅不同的兩個列分割圖像進行的機械學習的結果來識別缺陷的類別，能夠進一步提高缺陷的識別精度。
另一方面，本發明係一種缺陷檢查方法，係包括：從缺陷檢查系統的光源向檢查物件照射光的照射工序；由缺陷檢查系統的攝像部按離散時間拍攝二維圖像的攝像工序，其中，二維圖像基於在照射工序中從光源向檢查物件照射並透過檢查物件或在檢查物件上反射後的光而形成；由缺陷檢查系統的輸送部將檢查物件相對於光源及攝像部沿著輸送方向相對地輸送的輸送工序；以及由缺陷檢查系統的圖像處理部對在攝像工序中拍攝出的二維圖像的圖像資料進行處理的圖像處理工序，在攝像工序中，拍攝出在二維圖像的與輸送方向一致的方向上亮度發生變化的二維圖像，在圖像處理工序中包括：將二維圖像處理成列分割圖像的圖像資料的列分割處理工序，其中，列分割圖像為藉由將二維圖像分割為沿著輸送方向排列的多個 列，並使在攝像工序中按離散時間拍攝出的二維圖像各自中的相同位置的列依照時間序列的順序排列而成者；以及基於對與兩個以上的列分割圖像所包含的缺陷的類別的識別相關的機械學習的結果進行積累得到的資料，來識別檢查物件的缺陷的類別的缺陷類別識別工序，其中，兩個以上的列分割圖像是在列分割處理工序中處理得到的圖像。
在該情況下，較佳為在缺陷類別識別工序中，基於對與亮度10%以上不同的兩個列分割圖像所包含的缺陷的類別的識別相關的機械學習的結果進行積累得到的資料，來識別檢查物件的缺陷的類別。
另外，較佳為在照射工序中，由遮光體在藉由攝像工序按離散時間拍攝出的二維圖像上形成明部和暗部，遮光體位於光源與檢查物件之間，且對從光源向檢查物件照射的光的一部分進行遮擋，在輸送工序中，將檢查物件相對於光源、遮光體及攝像部沿著與明部和暗部的分界線相交的輸送方向相對地輸送，在缺陷類別識別工序中，基於對與下述列分割圖像所包含的缺陷的類別的識別相關的機械學習的結果進行積累得到的資料，來識別檢查物件的缺陷的類別，列分割圖像是指：藉由使二維圖像中的明部的位置的列依照時間序列的順序排列而成的列分割圖像；以及藉由使二維圖像中的暗部的位置的列依照時間序列的順序排列而成的列分割圖像。
1‧‧‧缺陷檢查系統
2‧‧‧光源
3‧‧‧攝像部
4‧‧‧輸送部
5‧‧‧圖像處理部
6‧‧‧遮光體
7‧‧‧平行光透鏡
8‧‧‧顯示裝置
9‧‧‧列分割處理部
10‧‧‧缺陷類別識別部
100‧‧‧卷積神經網路
110‧‧‧輸入層
120‧‧‧隱含層
121‧‧‧卷積層
122‧‧‧池化層
123‧‧‧卷積層
124‧‧‧全連接層
130‧‧‧輸出層
b‧‧‧分界線
D‧‧‧缺陷
d‧‧‧暗部
F‧‧‧二維圖像
l‧‧‧明部
R‧‧‧誤差向逆向
T‧‧‧檢查物件
X‧‧‧輸送方向
Y‧‧‧寬度方向
第1圖係顯示實施形態的缺陷檢查系統的立體圖。
第2圖是係顯示第1圖的缺陷檢查系統的光源、攝像部、遮光體及檢查物件的配置的圖。
第3圖係顯示第1圖的缺陷檢查系統的圖像處理部的詳細情況的方塊圖。
第4圖係顯示實施形態的缺陷檢查方法的工序的流程圖。
第5圖係顯示第4圖的圖像處理工序的詳細情況的流程圖。
第6圖的(A)、(B)、(C)、(D)、(E)、(F)及(G)係顯示由第1圖的缺陷檢查系統的圖像處理部的列分割處理部處理的圖像的圖。
第7圖的(A)係顯示時間序列的二維圖像的圖，(B)係顯示使各位置的列依照時間序列的順序排列而成的各列分割圖像的圖，(C)係顯示出以使(B)的各列分割圖像顯示檢查物件的相同位置的方式將時刻錯開所得的對位元圖像的圖。
第8圖係顯示卷積神經網路的圖。
以下，參照附圖來詳細地說明本發明的缺陷檢查系統及缺陷檢查方法的較佳實施形態。如第1圖及第2圖所示，本發明的實施形態的缺陷檢查系統1具備光源2、攝像部3、輸送部4、圖像處理部5、遮光體6、平行光透鏡7及顯示裝置8。本實施方式的缺陷檢查系統將 偏振膜及相位差膜等光學膜、電池的隔膜所使用的層疊膜等膜作為檢查物件T，而檢測檢查物件T的缺陷。檢查物件T沿著輸送部4的輸送方向X延伸，並在與輸送方向X正交的寬度方向Y上具有預先設定的寬度。在檢查物件T產生的缺陷是指與所期望的狀態不同的狀態，例如可舉出異物、劃痕、氣泡(在成形時產生的氣泡等)、異物氣泡(因異物的混入而產生的氣泡等)、傷痕、裂紋(因折線痕等而產生的裂紋等)、以及條紋(因厚度的差異而產生的條紋等)。缺陷檢查系統1識別這些缺陷的類別。缺陷檢查系統1除了缺陷的類別的識別以外，還能夠確定缺陷是在檢查物件T的哪個面產生者。
如第1圖及第2圖所示，光源2向檢查物件T照射光。光源2配置為照射與寬度方向Y平行的線狀的光。作為光源2，只要是金屬鹵化物燈、鹵素傳送燈、螢光燈等照射不給作為檢查物件T的膜的組成及性質帶來影響的光的燈即可，不特別限定。
攝像部3按離散時間拍攝二維圖像，該二維圖像基於從光源2向檢查物件T照射並透過檢查物件T或在檢查物件T上反射後的光而形成。攝像部3具有多個光學構件和光電轉換元件。光學構件包括光學透鏡、光閘等，使透過作為檢查對象T的膜後的光在光電轉換元件的表面成像。光電轉換元件是由拍攝二維圖像的CCD(Charge Coupled Device，電荷耦合元件)或CMOS(Complementary Metal-Oxide Semiconductor，互補金屬氧化半導體)等攝像 元件構成的面感測器。攝像部3也可以是拍攝不具有色彩的二維圖像及具有色彩的二維圖像中的任一方的構件。
輸送部4將檢查物件T相對於光源2及攝像部3沿著輸送方向X相對地輸送。輸送部4例如具備將作為檢查對象T的膜沿著輸送方向X輸送的送出輥和接收輥，藉由旋轉編碼器等來計測輸送距離。在本實施形態中，輸送部4對檢查物件T進行輸送的輸送速度被設定為沿著輸送方向X為2~100m/分鐘之程度。輸送部4的輸送速度由圖像處理部5等設定及控制。
圖像處理部5處理由攝像部3拍攝出的二維圖像的圖像資料。圖像處理部5只要是進行二維圖像資料的圖像處理的構件，就不特別限定，例如可以適用安裝有圖像處理軟體的PC(個人電腦)、搭載有記載圖像處理電路的FPGA(Field Programmable Gate Array，現場可程式化閘陣列)的圖像採集卡等。
遮光體6位於光源2與檢查物件T之間，藉由對從光源2向檢查物件T照射的光的一部分進行遮擋，來在由攝像部3按離散時間拍攝的二維圖像上形成明部和暗部。借助遮光體6，攝像部3拍攝出在二維圖像的與輸送方向X一致的方向上亮度發生變化的二維圖像。更具體而言，輸送部4將檢查物件T相對於光源2、平行光透鏡7、遮光體6及攝像部3沿著和明部與暗部的分界線相交的輸送方向X相對地輸送。在本實施形態中，分界線平行於與輸送方向X垂直的寬度方向Y。另外，只要攝像 部3能夠拍攝出在二維圖像的與輸送方向X一致的方向上亮度發生變化的二維圖像，則也可以不具備遮光體6。平行光透鏡7使從光源2向檢查物件T及遮光體6照射的光的行進方向平行。平行光透鏡7例如可以由遠心光學系統構成。
與圖像處理部5連接的顯示裝置8例如由PC(個人電腦)等構成，將由圖像處理部5識別出的缺陷的類別顯示於LC(Liquid Crystal，液晶)顯示面板、電漿顯示面板、EL(Electro Luminescence，電致發光)顯示面板等。另外，圖像處理部5也可以具有顯示處理得到的圖像的顯示裝置。
以下，說明圖像處理部5的詳細情況。如第3圖所示，圖像處理部5具有列分割處理部9和缺陷類別識別部10。列分割處理部9將二維圖像處理成列分割圖像的圖像資料，該列分割圖像係藉由將二維圖像分割為沿著輸送方向X排列的多個列，並使由攝像部3按離散時間拍攝出的二維圖像各自中的相同位置的列依照時間序列的順序排列而成者。缺陷類別識別部10基於對與由列分割處理部9處理後的兩個以上的列分割圖像所包含的缺陷的類別的識別相關的機械學習的結果進行積累得到的資料，來識別檢查物件T的缺陷的類別。對機械學習的結果進行積累得到的資料存儲於包含缺陷類別識別部10的PC的硬碟等存儲裝置，且伴隨機械學習的結果而被更新。
需要說明的是，在本實施形態中，對與列 分割圖像所包含的缺陷的類別的識別相關的機械學習的結果進行積累得到的資料，係除了包括對與由缺陷檢查系統1的內部的攝像部3按離散時間拍攝出的一系列的二維圖像被處理後的列分割圖像所包含的缺陷的類別的識別相關的機械學習的結果進行積累得到的資料以外，還包括對與在缺陷檢查系統1的外部另行生成的列分割圖像所包含的缺陷的類別的識別相關的機械學習的結果進行積累得到的資料。即，在本實施方式中，除了包括在缺陷檢查系統1的內部進行了機械學習的狀態下識別缺陷的類別的方案以外，還包括基於對在缺陷檢查系統1的內部尚未進行機械學習的狀態下在缺陷檢查系統1的外部另行生成的機械學習的結果進行積累得到的資料，來識別缺陷的類別的方案。
缺陷類別識別部10基於對與亮度有10%以上不同的兩個列分割圖像所包含的缺陷的類別的識別相關的機械學習的結果進行積累得到的資料，來識別檢查物件T的缺陷的類別。另外，缺陷類別識別部10基於對與下述列分割圖像所包含的缺陷的類別的識別相關的機械學習的結果進行積累得到的資料，來識別檢查物件T的缺陷的類別，該列分割圖像是指：藉由使借助遮光體6得到的二維圖像中的明部的位置的列依照時間序列的順序排列而成的列分割圖像；以及藉由使借助遮光體6得到的二維圖像中的暗部的位置的列依照時間序列的順序排列而成的列分割圖像。
以下，說明本實施形態的缺陷檢查方法。 如第4圖所示，進行從缺陷檢查系統1的光源2向檢查物件T照射光的照射工序(S1)。如第6圖的(A)所示，在照射工序中，利用位於光源2與檢查物件T之間且對從光源2向檢查物件T照射的光的一部分進行遮擋的缺陷檢查系統1的遮光體6，在攝像工序中按離散時間拍攝的二維圖像F(t1)上形成以分界線b為分界的明部l和暗部d。如第6圖的(A)所示，就時刻t=t1下的二維圖像F(t1)而言，來自光源2的光被遮光體6遮擋，因此隨著到達輸送方向X的下游側而二維圖像F(t1)內的明亮度變高。另外，在二維圖像F(t1)上映有檢查物件T的膜上的缺陷D。時刻t=t2、t3、…、tm之二維圖像F(t2)、F(t3)、…、F(tm)亦相同(m為任意的自然數)。
如第4圖所示，由缺陷檢查系統1的攝像部3進行攝像工序(S2)，在該攝像工序中，按離散時間拍攝二維圖像F(t1)，該二維圖像F(t1)基於在照射工序中從光源2向檢查物件T照射並透過檢查物件T或在檢查物件T上反射後的光而形成。如第6圖的(A)所示，在攝像工序中，由遮光體6遮擋從光源2向檢查物件T照射的光的一部分，因此拍攝出在二維圖像F(t1)的與輸送方向X一致的方向上亮度發生變化的二維圖像F(t1)。時刻t=t2、t3…tm之二維圖像F(t2)、F(t3)、…、F(tm)亦相同。
另外，如第4圖所示，由缺陷檢查系統1的輸送部4進行將檢查物件T相對於光源2及攝像部3沿著輸送方向X相對地輸送的輸送工序(S3)。如第6圖的(A) 所示，在輸送工序中，將檢查物件T相對於光源2、平行光透鏡7、遮光體6及攝像部3沿著與明部l和暗部d的分界線b相交的輸送方向X相對地輸送。在本實施形態中，分界線b平行於與輸送方向X正交的寬度方向Y，但分界線b與輸送方向X所成的角度也可以是90°以外的角度。另外，分界線b未必是嚴格的分界線，分界線b是指明部l所包含的二維圖像F(t1)的亮度最大的部位與暗部d所包含的二維圖像F的亮度最小的部位的中間的線。
如第4圖所示，由缺陷檢查系統1的圖像處理部5進行對在攝像工序中拍攝出的二維圖像F(t1)~F(tm)的圖像資料進行處理的圖像處理工序(S4)。以下，說明圖像處理工序的詳細情況。如第5圖所示，在圖像處理工序中，由缺陷檢查系統1的圖像處理部5的列分割處理部9進行列分割處理工序(S41)。如第6圖的(B)所示，在列分割處理工序中，列分割處理部9將二維圖像F(t1)分割為沿著輸送方向X排列的多個之第1列L1(t1)~第j列Lj(t1)~第k列Lk(t1)(j及k為任意的自然數，jk)。列L1(t1)~列Lk(t1)的輸送方向X的寬度與在時刻t1、時刻t2、…、時刻tj、…、時刻tm中的各時刻下的一幀間隔中將檢查物件T沿著輸送方向X輸送的距離相同。對時刻t=t2、t3…tm下的二維圖像F(t2)、F(t3)、…、F(tm)也進行同樣的處理。
列分割處理部9將二維圖像F(t1)~F(tm)處理成列分割圖像的圖像資料，列分割圖像係藉由使在攝像 工序中按離散時間拍攝出的二維圖像F(t1)~F(tm)各自中的相同位置的列L1(t1)、L1(t2)等依照時間序列的順序排列而成。例舉第1列分割圖像來進行說明。如第6圖的(C)所示，列分割處理部9使按離散時間拍攝出的二維圖像F(t1)、F(t2)、F(t3)、…各自中的輸送方向X的最下游側的第1列L1(t1)、L1(t2)、L1(t3)、…依照時間序列的順序(輸送方向X)排列。如第6圖的(D)所示，列分割處理部9使二維圖像F(t1)~F(tm)各自中的第1列L1(t1)~L1(tm)依照時間序列的順序排列而生成第1列分割圖像DL1(t1)。
如第6圖的(E)、第6圖的(F)及第6圖的(G)所示，列分割處理部9也對二維圖像F(t1)~F(tm)各自中的第1列L1(t1)~L1(tm)、…、第j列Lj(t1)~Lj(tm)、…、第k列Lk(t1)~Lk(tm)進行同樣的處理，生成第1列分割圖像DL1(t1)、…、第j列分割圖像DLj(t1)、…、第k列分割圖像DLk(t1)。如第6圖的(E)所示，列分割圖像DL1(t1)係藉由使二維圖像F(t1)~F(tm)中的明部l的位置的列L1(t1)~L1(tm)依照時間序列的順序排列而成的列分割圖像。另外，如第6圖的(F)所示，列分割圖像DLj(t1)係藉由使二維圖像F(t1)~F(tm)中的分界線b的附近的位置的列Lj(t1)~L1(tm)依照時間序列的順序排列而成的列分割圖像。另外，如第6圖的(G)所示，列分割圖像DLk(t1)係藉由使二維圖像F(t1)~F(tm)中的暗部d的位置的列Lk(t1)~Lk(tm)依照時間序列的順序排列而成的列分割圖像。
如第6圖的(E)~第6圖的(G)所示，列分割 圖像DL1(t1)~DLk(t1)是使按離散時間拍攝出的二維圖像F(t1)~F(tm)各自中的相同位置的列L1(t1)~Lk(t1)分別依照時間序列的順序排列而成的列分割圖像，因此相同的時刻的範圍的列分割圖像DL1(t1)~DLk(t1)表示檢查物件T的不同的位置，列分割圖像DL1(t1)~DLk(t1)中的缺陷D的位置也分別偏移。於是，在本實施形態中，藉由製作使分別在不同的時刻的範圍拍攝出的二維圖像各自中的相同位置的列依照時間序列的順序排列而成的列分割圖像，從而以使各列分割圖像顯示出檢查物件T的相同位置的方式進行對位。
如第7圖的(A)所示，在攝像工序中，二維圖像F(t1)~F(tm)按離散時間拍攝。檢查物件T被沿著輸送方向X輸送，因此二維圖像F(t1)~F(tm)中的缺陷D的位置分別偏移。如第7圖的(B)所示，如上述方式生成列分割圖像DL1(t1)~DLj(t1)~DLk(t1)。相同的時刻的範圍的列分割圖像DL1(t1)~DLk(t1)顯示檢查物件T的不同的位置，因此列分割圖像DL1(t1)~DLk(t1)中的缺陷D的位置也分別偏移。
相對於從輸送方向X的下游側起的第1列L1(t1)~L1(tm)，例如相同的時刻的範圍的從輸送方向X的下游側起的第j列Lj(t1)~Lj(tm)顯示以在(j-1)的量的幀間隔中檢查物件T被輸送的距離向檢查物件T的輸送方向X的上游側偏移的位置。因此，如第7圖的(C)所示，相對於第1列L1(tm)~L1(t(m+(m-1)))的列分割圖像DL1(tm)，例 如就第j列的列分割圖像而言，係相對於時刻t1~時刻tm的範圍回溯了(j-1)的量的幀間隔的時間之時刻t(m-(j-1))~時刻t(m+(m-j))的範圍的列分割圖像DLj(t(m-(j-1)))會顯示檢查物件T的相同位置。
同樣地，相對於第1列L1(tm)~L1(t(m+(m-1)))的列分割圖像DL1(tm)，例如就第k列的列分割圖像而言，相對於時刻t1~時刻tm的範圍回溯了(k-1)的量的幀間隔的時間之時刻t(m-(k-1))~時刻t(m+(m-k))的範圍的列分割圖像DLk(t(m-(k-1)))會顯示檢查物件T的相同位置。
或者，相對於第1列L1(t1)~L1(t(1+(m-1)))的列分割圖像DL1(t1)，例如就第j列的列分割圖像而言，時刻t(1-(j-1))~時刻t(1+(m-j))的範圍的列分割圖像DLj(t(1-(j-1)))顯示檢查物件T的相同位置。另外，相對於第1列L1(t1)~L1(t(1+(m-1)))的列分割圖像DL1(t1)，例如就第k列的列分割圖像而言，時刻t(1-(k-1))~時刻t(1+(m-k))的範圍的列分割圖像DLk(t(1-(k-1)))顯示檢查物件T的相同位置。藉由像這樣使時刻的範圍錯開，從而能夠以使各列分割圖像顯示檢查物件T的相同位置的方式進行對位。
另外，在位置偏移的量為已知的情況或列分割圖像的尺寸相對於缺陷為足夠大的情況下，由於缺陷一定會落入於列分割圖像內，因此即便不進行對位也能夠將包含缺陷的列分割圖像用於機械學習。因此，在這樣的情況下，也可以不進行對位。
如第5圖所示，由缺陷檢查系統1的圖像處理部5的缺陷類別識別部10進行缺陷類別識別工序(S42)。在缺陷類別識別工序中，缺陷類別識別部10基於對與兩個以上的列分割圖像所包含的缺陷的類別的識別相關的機械學習的結果進行積累得到的資料，來識別檢查物件T的缺陷D的類別，該兩個以上的列分割圖像是在列分割處理工序中處理得到的兩個以上的列分割圖像DL1(t1)、…、DLj(t(1-(j-1)))、…、DLk(t(1-(k-1)))。
在缺陷類別識別工序中，缺陷類別識別部10基於對與亮度有10%以上不同的兩個列分割圖像DL1(t1)、DLk(t1)所包含的缺陷的類別的識別相關的機械學習的結果進行積累得到的資料，來識別檢查物件T的缺陷D的類別。更具體而言，在缺陷類別識別工序中，缺陷類別識別部10基於對與下述列分割圖像所包含的缺陷的類別的識別相關的機械學習的結果進行積累得到的資料，來識別檢查物件T的缺陷D的類別，前述列分割圖像是指：藉由使二維圖像F(t1)~F(tm)中的明部l的位置的列L1(t1)~L1(tk)依照時間序列的順序排列而成的列分割圖像DL1(t1)；以及藉由使二維圖像F(t(1-(k-1)))~F(t(1+(m-k)))中的暗部d的位置的列Lk(t(1-(k-1)))~Lk(t(1+(m-k)))依照時間序列的順序排列而成的列分割圖像DLk(t(1-(k-1)))。機械學習例如由卷積神經網路進行。另外，只要能夠藉由機械學習識別缺陷的類別，則也可以採用卷積神經網路以外的神經網路或其他方法。
如第8圖所示，卷積神經網路100具備輸入層110、隱含層120及輸出層130。由缺陷檢查系統1的圖像處理部5將在列分割處理工序中處理得到的列分割圖像DL1(t1)~DLk(t(1-(k-1)))中的兩個以上的列分割圖像對輸入層110輸入。隱含層120具有：基於權重濾波器進行圖像處理的卷積層121、123；進行縱橫地減小從卷積層121、123輸出的二維陣列而殘留有效的值的處理的池化層122；以及更新各層的權重係數n的全連接層124。在輸出層130中，輸出機械學習對缺陷D的類別的識別結果。在卷積神經網路100中，將輸出的識別結果與正解值的誤差向逆向R逆傳播來學習各層的權重。
例如，預先將多個列分割圖像與缺陷D的類別的識別的正解一起對圖像處理部5輸入而使圖像處理部5進行學習，由此依次識別新輸入的列分割圖像DL1(t1)等所包含的類別是否為特定的缺陷D的類別，並依次輸出識別結果。依次輸出的識別結果與正解的誤差向逆向R逆傳播，依次更新各層的權重係數n並作為資料進行積累。在依次更新了各相的權重的狀態下，進一步依次識別新輸入的列分割圖像DL1(t1)等所包含的類別是否為特定的缺陷的類別，並依次輸出識別結果，基於依次輸出的識別結果與正解的誤差來依次更新各層的權重係數n並作為資料進行積累，如此反復處理，由此識別結果與正解的誤差變小，缺陷D的類別的識別的精度提高。
根據本實施形態，缺陷檢查系統1具備： 光源2，係向檢查物件T照射光；攝像部3，係按離散時間拍攝二維圖像F(t1)~F(tm)等，該二維圖像F(t1)~F(tm)等基於從光源2向檢查物件T照射並透過檢查物件T或在檢查物件T上反射後的光而形成；輸送部4，係將檢查物件T相對於光源2及攝像部3沿著輸送方向X相對地輸送；以及圖像處理部5，係處理由攝像部3拍攝出的二維圖像F(t1)~F(tm)等的圖像資料，其中，由攝像部3拍攝出在二維圖像F(t1)~F(tm)等的與輸送方向X一致的方向上亮度發生變化的二維圖像F(t1)~F(tm)等，並由圖像處理部5的列分割處理部9將二維圖像F(t1)~F(tm)等處理成列分割圖像DL1(t1)~DLk(t(1-(k-1)))的圖像資料，列分割圖像DL1(t1)~DLk(t(1-(k-1)))藉由將二維圖像F(t1)~F(tm)等分割為沿著輸送方向X排列的多個列L1(t1)~Lk(tm)等，並使由攝像部3按離散時間拍攝出的二維圖像F(t1)~F(tm)等各自中的相同位置的列L1(t1)~L1(tm)等依照時間序列的順序排列而成，因此即便是對相同的檢查物件進行拍攝得到的圖像，各列分割圖像DL1(t1)~DLk(t(1-(k-1)))也會成為具有不同的亮度的圖像。而且，由圖像處理部5的缺陷類別識別部10基於對與下述列分割圖像所包含的缺陷的類別的識別相關的機械學習的結果進行積累得到的資料，來識別檢查物件T的缺陷D的類別，其中，該列分割圖像是由列分割處理部9處理得到的兩個以上的分別具有不同的亮度的列分割圖像DL1(t1)~DLk(t(1-(k-1)))，因此，即便是對相同的檢查物件T進行拍攝得到的圖像，也會基於針 對亮度不同且呈現方式不同的兩個以上的列分割圖像DL1(t1)~DLk(t(1-(k-1)))等進行的機械學習的結果來識別缺陷D的類別，從而能夠提高缺陷D的識別精度。
另外，根據本實施形態，缺陷類別識別部10基於對與下述兩個列分割圖像所包含的缺陷的類別的識別相關的機械學習的結果進行積累得到的資料，來識別檢查物件T的缺陷D的類別，其中，該兩個列分割圖像係亮度有10%以上不同的兩個列分割圖像DL1(t1)、DLk(t(1-(k-1)))，因此，即便是對相同的檢查物件T進行拍攝得到的圖像，也會基於針對亮度大幅不同達10%以上且呈現方式大幅不同的兩個列分割圖像DL1(t1)、DLk(t(1-(k-1)))進行的機械學習的結果來識別缺陷D的類別，從而能夠進一步提高缺陷D的識別精度。
另外，根據本實施形態，由位於光源2與檢查物件T之間的遮光體6對從光源2向檢查物件T照射的光的一部分進行遮擋，由此在由攝像部3按離散時間拍攝的二維圖像F(t1)~F(tm)等上形成明部l和暗部d，由輸送部4將檢查物件T相對於光源2、遮光體6及攝像部3沿著與明部l和暗部d的分界線b相交的輸送方向X相對地輸送，因此按離散時間拍攝出的一系列的二維圖像F(t1)~F(tm)等中的檢查物件T的各部位進入明部l及暗部d之兩方。另外，缺陷類別識別部10基於對與下述列分割圖像所包含的缺陷的類別的識別相關的機械學習的結果進行積累得到的資料，來識別檢查物件T的缺陷D的類別， 其中，該列分割圖像是指：藉由使二維圖像F(t1)~F(tm)等中的明部l的位置的列L1(t1)~L1(tm)依照時間序列的順序排列而成的列分割圖像DL1(t1)；以及藉由使二維圖像F(t(1-(k-1)))~F(t(1+(m-k)))中的暗部d的位置的列Lk(t(1-(k-1)))~Lk(t(1+(m-k)))依照時間序列的順序排列而成的列分割圖像DLk(t(1-(k-1)))，因此，成為基於針對分別屬於明部l及暗部d且呈現方式大幅不同的兩個列分割圖像DL1(t1)、DLk(t(1-(k-1)))進行的機械學習的結果，來識別缺陷D的類別，由此能夠進一步提高缺陷D的識別精度。
以上，說明了本發明的實施形態，但本發明不限定於上述實施形態，而能夠以各種方式實施。例如，在上述實施形態中，以檢查物件T為膜的情況為中心進行了說明，但本發明的缺陷檢查系統及缺陷檢查方法例如能夠在生產線中適用於填充於容器的液體的填充量檢查。藉由本實施形態的缺陷檢查系統1及缺陷檢查方法，能夠檢測液體未到達容器內的所期望的位置，或者檢測液體未超過容器內的所期望的位置等缺陷。
另外，本實施方式的缺陷檢查系統1及缺陷檢查方法能夠在生產線中適用於玻璃產品等的斷裂、傷痕等外觀檢查。在玻璃產品存在斷裂、傷痕等缺陷的情況下，能夠利用亮度比其他的部位高之情況來篩出缺陷。

Claims (6)

  1. 一種缺陷檢查系統，係具備：光源，係向檢查物件照射光；攝像部，係按離散時間拍攝二維圖像，該二維圖像基於從前述光源向前述檢查物件照射並透過前述檢查物件或在前述檢查物件上反射後的前述光而形成；輸送部，係將前述檢查物件相對於前述光源及前述攝像部沿著輸送方向相對地輸送；以及圖像處理部，係對由前述攝像部拍攝出的前述二維圖像的圖像資料進行處理，前述攝像部拍攝出在前述二維圖像的與前述輸送方向一致的方向上亮度發生變化的前述二維圖像，前述圖像處理部具有：列分割處理部，係將前述二維圖像處理成列分割圖像的前述圖像資料，前述列分割圖像為藉由將前述二維圖像分割為沿著前述輸送方向排列的多個列，並使由前述攝像部按前述離散時間拍攝出的前述二維圖像各自中的相同位置的前述列依照時間序列的順序排列而成者；以及缺陷類別識別部，係基於對與兩個以上的前述列分割圖像所包含的缺陷的類別的識別相關的機械學習的結果進行積累得到的資料，來識別前述檢查物件的缺陷的類別，其中，兩個以上的前述列分割圖像係藉由前述列分割處理部處理而得到的圖像。
  2. 如申請專利範圍第1項所述的缺陷檢查系統，其中，前述缺陷類別識別部基於對與亮度有10%以上不同的兩個前述列分割圖像所包含的缺陷的類別的識別相關的機械學習的結果進行積累得到的資料，來識別前述檢查物件的缺陷的類別。
  3. 如申請專利範圍第1或2項所述的缺陷檢查系統，其中，前述缺陷檢查系統還具備遮光體，該遮光體位於前述光源與前述檢查物件之間，並對從前述光源向前述檢查物件照射的前述光的一部分進行遮擋，從而在由前述攝像部按離散時間拍攝的前述二維圖像上形成明部和暗部，前述輸送部將前述檢查物件相對於前述光源、前述遮光體及前述攝像部沿著與前述明部和前述暗部的分界線相交的前述輸送方向相對地輸送，前述缺陷類別識別部基於對與下述列分割圖像所包含的缺陷的類別的識別相關的機械學習的結果進行積累得到的資料，來識別前述檢查物件的缺陷的類別，前述列分割圖像是指：使前述二維圖像中的前述明部的位置的前述列依照時間序列的順序排列而成的列分割圖像；以及使前述二維圖像中的前述暗部的位置的前述列依照時間序列的順序排列而成的列分割圖像。
  4. 一種缺陷檢查方法，係包括：從缺陷檢查系統的光源向檢查物件照射光的照射 工序；由前述缺陷檢查系統的攝像部按離散時間拍攝二維圖像的攝像工序，其中，前述二維圖像基於在前述照射工序中從前述光源向前述檢查物件照射並透過前述檢查物件或在前述檢查物件上反射後的前述光而形成；由前述缺陷檢查系統的輸送部將前述檢查物件相對於前述光源及前述攝像部沿著輸送方向相對地輸送的輸送工序；以及由前述缺陷檢查系統的圖像處理部對在前述攝像工序中拍攝出的前述二維圖像的圖像資料進行處理的圖像處理工序，在前述攝像工序中，拍攝出在前述二維圖像的與前述輸送方向一致的方向上亮度發生變化的前述二維圖像，在前述圖像處理工序中包括：將前述二維圖像處理成列分割圖像的前述圖像資料的列分割處理工序，其中，前述列分割圖像為藉由將前述二維圖像分割為沿著前述輸送方向排列的多個列，並使在前述攝像工序中按前述離散時間拍攝出的前述二維圖像各自中的相同位置的前述列依照時間序列的順序排列而成者；以及基於對與兩個以上的前述列分割圖像所包含的缺陷的類別的識別相關的機械學習的結果進行積累得到 的資料，來識別前述檢查物件的缺陷的類別的缺陷類別識別工序，其中，兩個以上的前述列分割圖像係在前述列分割處理工序中處理得到的圖像。
  5. 如申請專利範圍第4項所述的缺陷檢查方法，其中，在前述缺陷類別識別工序中，基於對與亮度有10%以上不同的兩個前述列分割圖像所包含的缺陷的類別的識別相關的機械學習的結果進行積累得到的資料，來識別前述檢查物件的缺陷的類別。
  6. 如申請專利範圍第4或5項所述的缺陷檢查方法，其中，在前述照射工序中，由遮光體在藉由前述攝像工序按離散時間拍攝出的前述二維圖像上形成明部和暗部，前述遮光體位於光源與檢查物件之間，且對從前述光源向前述檢查物件照射的光的一部分進行遮擋，在前述輸送工序中，將前述檢查物件相對於前述光源、前述遮光體及前述攝像部沿著與前述明部和前述暗部的分界線相交的前述輸送方向相對地輸送，在前述缺陷類別識別工序中，基於對與下述列分割圖像所包含的缺陷的類別的識別相關的機械學習的結果進行積累得到的資料，來識別前述檢查物件的缺陷的類別，前述列分割圖像是指：藉由使前述二維圖像中的前述明部的位置的前述列依照時間序列的順序排列而成的列分割圖像；以及藉由使前述二維圖像中的前述暗部的位置的前述列依照時間序列的順序排列 而成的列分割圖像。
TW107125176A 2017-07-24 2018-07-20 缺陷檢查系統及缺陷檢查方法 TWI788387B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2017-142923 2017-07-24
JP2017142923A JP6970549B2 (ja) 2017-07-24 2017-07-24 欠陥検査システム及び欠陥検査方法

Publications (2)

Publication Number Publication Date
TW201908718A true TW201908718A (zh) 2019-03-01
TWI788387B TWI788387B (zh) 2023-01-01

Family

ID=65172600

Family Applications (1)

Application Number Title Priority Date Filing Date
TW107125176A TWI788387B (zh) 2017-07-24 2018-07-20 缺陷檢查系統及缺陷檢查方法

Country Status (4)

Country Link
JP (1) JP6970549B2 (zh)
KR (1) KR20190011199A (zh)
CN (1) CN109297973B (zh)
TW (1) TWI788387B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE112020006158T5 (de) 2019-12-16 2022-09-29 Mitsubishi Electric Corporation Bild-gut/fehlerhaft-Lernvorrichtung, Bild-gut/fehlerhaft-Bestimmungsvorrichtung und Bild-Lesevorrichtung
KR102372714B1 (ko) * 2020-01-31 2022-03-10 한국생산기술연구원 딥러닝 기반 자동 결함 검사 장치 및 방법

Family Cites Families (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3476913B2 (ja) * 1994-07-08 2003-12-10 オリンパス株式会社 欠陥種別判定装置及びプロセス管理システム
JP3178644B2 (ja) * 1995-02-10 2001-06-25 セントラル硝子株式会社 透明板状体の欠点検出方法
JPH08247954A (ja) * 1995-03-15 1996-09-27 Asahi Glass Co Ltd 光学歪の測定方法
JP4220595B2 (ja) * 1998-08-10 2009-02-04 株式会社日立製作所 欠陥の分類方法並びに教示用データ作成方法
JP2001134763A (ja) * 1999-11-09 2001-05-18 Hitachi Ltd 撮像画像に基づく欠陥の分類方法、および、その結果の表示方法
US6930772B2 (en) * 2001-07-05 2005-08-16 Nippon Sheet Glass Company, Limited Method and device for inspecting defect of sheet-shaped transparent body
US7105848B2 (en) * 2002-04-15 2006-09-12 Wintriss Engineering Corporation Dual level out-of-focus light source for amplification of defects on a surface
JP2004163416A (ja) * 2002-10-23 2004-06-10 Nippon Steel Corp 欠陥検査装置
JP2004191283A (ja) * 2002-12-13 2004-07-08 Ricoh Co Ltd 欠陥検出方法及び欠陥検出装置
JP2007501942A (ja) * 2003-05-19 2007-02-01 マイクロ−エプシロン・メステヒニク・ゲーエムベーハー・ウント・コンパニー・カー・ゲー 好適に円形エッジを有する物体の品質を光学的に制御する光学的試験方法及び光学的試験装置
JP2004354250A (ja) * 2003-05-29 2004-12-16 Nidek Co Ltd 欠陥検査装置
JP4694914B2 (ja) * 2005-08-03 2011-06-08 昭和電工株式会社 表面検査方法および同装置
JP4739044B2 (ja) * 2006-02-09 2011-08-03 三菱原子燃料株式会社 外観検査装置
EP2177898A1 (en) * 2008-10-14 2010-04-21 Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V. Method for selecting an optimized evaluation feature subset for an inspection of free-form surfaces and method for inspecting a free-form surface
JP4726983B2 (ja) * 2009-10-30 2011-07-20 住友化学株式会社 欠陥検査システム、並びに、それに用いる、欠陥検査用撮影装置、欠陥検査用画像処理装置、欠陥検査用画像処理プログラム、記録媒体、および欠陥検査用画像処理方法
JP6191627B2 (ja) * 2013-01-30 2017-09-06 住友化学株式会社 画像生成装置、欠陥検査装置および欠陥検査方法
JP7026309B2 (ja) * 2015-01-29 2022-02-28 株式会社 デクシス 光学式外観検査装置、及びこれを用いた光学式外観検査システム
US10359371B2 (en) * 2015-08-24 2019-07-23 Kla-Tencor Corp. Determining one or more characteristics of a pattern of interest on a specimen

Also Published As

Publication number Publication date
JP2019023588A (ja) 2019-02-14
CN109297973B (zh) 2022-12-23
CN109297973A (zh) 2019-02-01
JP6970549B2 (ja) 2021-11-24
TWI788387B (zh) 2023-01-01
KR20190011199A (ko) 2019-02-01

Similar Documents

Publication Publication Date Title
TW201809640A (zh) 缺陷檢查系統、薄膜製造裝置及缺陷檢查方法
TW201908719A (zh) 缺陷檢查系統及缺陷檢查方法
JP7391173B2 (ja) 食品検査補助システム、食品検査補助装置、およびコンピュータプログラム
TWI484161B (zh) 缺陷檢查系統及使用於該缺陷檢查系統之缺陷檢查用攝影裝置、缺陷檢查用畫像處理裝置、缺陷檢查用畫像處理程式、記錄媒體及缺陷檢查用畫像處理方法
KR102168143B1 (ko) 화상 생성 장치, 결함 검사 장치 및 결함 검사 방법
US20220244194A1 (en) Automated inspection method for a manufactured article and system for performing same
TWI797145B (zh) 缺陷檢查系統及缺陷檢查方法
TW201944059A (zh) 檢查管理系統、檢查管理裝置以及檢查管理方法
TWI788387B (zh) 缺陷檢查系統及缺陷檢查方法
CN111551559A (zh) 一种基于多目视觉系统的lcd液晶屏缺陷检测方法
WO2016063381A1 (ja) 電磁波検知部と光学検知部を使用した検査装置
TWI607212B (zh) Image generation device, defect inspection device, and defect inspection method
TW201727219A (zh) 薄膜檢查裝置及薄膜檢查方法
US10627225B2 (en) Alignment inspection apparatus and lamination inspection system having the same
KR102495565B1 (ko) 광학 표시 패널의 손상 검사 방법
JP2011145305A (ja) 欠陥検査システム、並びに、それに用いる、欠陥検査用撮影装置、欠陥検査用画像処理装置、欠陥検査用画像処理プログラム、記録媒体、および欠陥検査用画像処理方法
JP2021004748A (ja) 外観検査管理システム、外観検査管理装置、外観検査管理方法及びプログラム
US20210100256A1 (en) Foreign Material Inspection System
US20220318984A1 (en) Use of an hdr image in a visual inspection process
JP2013003062A (ja) 画像生成装置および欠陥検査装置