WO2021040409A1 - 광학 검사 방법 및 이를 이용한 장치 - Google Patents

광학 검사 방법 및 이를 이용한 장치 Download PDF

Info

Publication number
WO2021040409A1
WO2021040409A1 PCT/KR2020/011416 KR2020011416W WO2021040409A1 WO 2021040409 A1 WO2021040409 A1 WO 2021040409A1 KR 2020011416 W KR2020011416 W KR 2020011416W WO 2021040409 A1 WO2021040409 A1 WO 2021040409A1
Authority
WO
WIPO (PCT)
Prior art keywords
image
light sources
light
defect
product
Prior art date
Application number
PCT/KR2020/011416
Other languages
English (en)
French (fr)
Inventor
브이야체슬라보비치 포포브미카일
알렉산드로비치 스티코브스타니슬라브
발러레비치 말리셰브일리아
이고레브나 버막류드밀라
아나톨예비치 필리모노브파벨
알렉산드로비치 투르코세르게이
알렉세예비치 아스피도브알렉산더
Original Assignee
삼성전자 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
Priority claimed from RU2019126936A external-priority patent/RU2716465C1/ru
Application filed by 삼성전자 주식회사 filed Critical 삼성전자 주식회사
Publication of WO2021040409A1 publication Critical patent/WO2021040409A1/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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Definitions

  • Exemplary embodiments relate to optical inspection, and more particularly, to a method and apparatus for optically inspecting a surface of a test product.
  • Inspection includes not only visual detection of defects, but also the use of cleaners to determine whether defects are true or false.
  • Defects include real defects that cannot be removed, such as scratches, dents, etc., and fake defects that can be removed such as dirt, stains, fibers, etc., and defect inspection of a product requires a distinction between real and fake defects.
  • Exemplary embodiments provide a method and apparatus for optically inspecting a product surface.
  • An exemplary embodiment is a method of optically inspecting the surface of a product
  • Sequentially illuminating at least one surface of the product by at least two light sources Blocking at least one of reflected light and direct sunlight of light illuminated by the at least two light sources from entering at least one camera by at least one of at least one opening and at least one of a light absorbing box; Capturing an image set of at least one surface by the at least one camera, and detecting a defect in the at least one surface when a scattered light pattern is detected in at least one image of the image set; Includes.
  • the positions of the at least two light sources may be different with respect to at least one surface of the product, and the illumination directions of the at least two light sources may be different.
  • Each image of the image set may be captured when illuminated by at least one of the at least two light sources.
  • the method may further include pre-processing an image of the image set, and the pre-processing may include removing at least a background.
  • the pre-processing of the image set may further include at least one of contrast adjustment, histogram equalization, and contrast limit adaptive histogram equalization.
  • the method further includes the step of distinguishing the type of the defect and whether the defect is false or true by evaluating the defect detected by the trained artificial intelligence classifier, wherein the identification of the defect is performed based on the type of defect. Can be.
  • the trained artificial intelligence classifier includes one of a convolutional neural network classifier, a deep convolutional neural network classifier, and a residual convolutional neural network classifier. Performed by inputting into the intelligent classifier, the trained artificial intelligence classifier can be pretrained on a plurality of training sets of images of different defects with an indication of the type of defect.
  • the at least two light sources may include a first pair of light sources and a second pair of light sources, and the first pair of light sources and the second pair of light sources may be disposed in opposite directions with respect to the at least one product.
  • the detection of defects on the at least one surface includes binarization of the image, edge detection in the image, spectrum analysis of the image, clustering of the image, segmentation of the image, and processing the images using Markov random fields. It may include at least one of.
  • the method may further include extracting features of the defect from the image set by a trained artificial intelligence classifier prior to the step of discriminating between the type of defect and whether the defect is false or true.
  • the method may further include determining whether the at least one surface is good or a defect based on a predetermined condition by analyzing the defect or set of defects.
  • An exemplary embodiment is an apparatus for optically inspecting a surface of a product
  • At least two light sources configured to sequentially illuminate at least one surface of the product; At least one camera configured to capture a set of images of the at least one surface; At least one opening and a light absorption box configured to prevent light illuminated from the at least two light sources from being reflected or directed to the at least one camera, excluding light scattered on the at least one surface; And a processor including a trained artificial intelligence classifier.
  • An exemplary embodiment may optically inspect a defect on a surface of a product.
  • the optical inspection apparatus according to an exemplary embodiment may accurately inspect a defect on a surface of a product and detect a true or false defect.
  • Fig. 1 schematically shows an optical inspection device according to an exemplary embodiment.
  • FIG. 2 is a diagram for describing an optical inspection method according to an exemplary embodiment.
  • Fig. 3 schematically shows an optical inspection device according to another exemplary embodiment.
  • Fig. 4 schematically shows an optical inspection device according to another exemplary embodiment.
  • Fig. 5 schematically shows an optical inspection device according to another exemplary embodiment.
  • FIG. 6 is a diagram for describing an optical inspection method according to an exemplary embodiment.
  • Fig. 7 shows an example of a defect classifier of an optical inspection apparatus according to an exemplary embodiment.
  • Fig. 8 is a diagram showing another example of a defect classifier of an optical inspection apparatus according to an exemplary embodiment.
  • FIG. 9 is a diagram illustrating an example of an arrangement of a light source in an optical inspection apparatus according to an exemplary embodiment.
  • Fig. 10 is a diagram showing another example of an arrangement of a light source in an optical inspection apparatus according to an exemplary embodiment.
  • FIG. 11 shows a change in light intensity according to an angle of illumination direction of a light source.
  • An exemplary embodiment is for optically inspecting the surface of a product.
  • the exemplary embodiment makes it possible to quickly and accurately discriminate whether a defect is false or true in an automatic mode in which the type of defect and the high sensitivity and inspection time are short.
  • the exemplary embodiment enables inspection of both a flat surface and a curved surface of a product.
  • the present invention enables simultaneous inspection of two surfaces of a product when the product is made of a material that is transparent to light used for inspection.
  • Fig. 1 shows an optical inspection device according to an exemplary embodiment.
  • the optical inspection apparatus 100 may include at least two light sources 101, a plate 103 having at least one opening 102, and at least one camera 104. .
  • the at least two or more light sources 101 may include, for example, a first light source 101a and a second light source 101b.
  • the first light source 101a and the second light source 101b may be disposed at different positions.
  • the opening 102 may be provided above the product 110 to be inspected.
  • At least two or more light sources 101 may be disposed above the opening 102.
  • the first light source 101a and the second light source 101b may be disposed on a straight line.
  • the first light source 101a and the second light source 101b may be disposed to irradiate light toward the opening 102.
  • the first light source 101a may be provided at one side above the opening 102, and the second light source 101b may be provided at the other side above the opening 102. In FIG. 1, the first light source 101a may be provided on the upper left side of the opening 102, and the second light source 101b may be provided on the upper right side of the opening 102.
  • the camera 104 may be provided above at least two light sources 101.
  • a camera 104 may be provided on the central axis of the opening 102.
  • the camera 104 may be arranged so that the central axis of the camera 104 and the central axis of the opening 102 coincide.
  • the location of the camera 104 is not limited thereto.
  • a processor 105 that processes the image captured by the camera 104 and detects a defect may be provided.
  • At least two light sources 101 sequentially illuminate at least one surface of the product 110 (S101).
  • the at least two light sources 101 may be disposed at different positions with respect to at least one surface of the product 110.
  • the illumination directions of the at least two light sources 101 may be different.
  • a light absorption box 120 may be further provided under the product 110.
  • the light absorption box 120 may be emitted from at least two light sources 101 to receive light transmitted through the product 110.
  • At least one of the at least one opening 202 and the light absorption box 203 is reflected with direct sunlight illuminated from at least two light sources 201, excluding the light scattered on at least one surface of the product 210. At least one of the lights may be blocked so that it does not enter the at least one camera 204 (S102).
  • At least one camera 104 captures an image set of at least one surface of the product 110 (S103), each image of the image set is at least one light source 101 of at least two light sources 101 It can be captured when illuminated.
  • the processor 105 pre-processes at least one image of the image set (S104).
  • the pretreatment may include at least background removal.
  • the processor 105 detects a defect on at least one surface of the product 110 (S105). In at least one image of the image set, when a scattered light pattern is detected, the processor 105 may detect a defect.
  • the processor 105 may include, for example, an artificial intelligence classifier.
  • the processor 105 may identify the type of defect and whether the defect is false or true by evaluating the defect detected by the artificial intelligence classifier. The distinction as to whether a defect is false or true can be performed based on the type of distinction of the defect.
  • the product 110 includes two surfaces facing each other and is made of a transparent material, defects can be detected on one or both surfaces.
  • FIG 3 schematically illustrates an optical inspection apparatus according to another embodiment.
  • the optical inspection apparatus 200 may include at least two light sources 201, a plate 203 having at least one opening 202, and at least one camera 204. .
  • the at least two or more light sources 201 may include, for example, a first light source 201a and a second light source 201b.
  • the first light source 201a and the second light source 201b may be disposed at different positions.
  • the opening 202 may be provided under the product 210 to be inspected.
  • At least two or more light sources 201 may be disposed on the product 210.
  • the first light source 201a and the second light source 201b may be disposed at the same height from the plate 203.
  • the first light source 201a and the second light source 201b may be disposed to irradiate light toward the opening 202.
  • the first light source 201a may be provided at one side of the upper part of the opening 202, and the second light source 201b may be provided at the other side of the upper part of the opening 202.
  • the first light source 201a may be provided on the upper left side of the opening 202
  • the second light source 201b may be provided on the upper right side of the opening 202.
  • the camera 204 may be provided under the opening 202 of the plate 203.
  • a camera 204 may be provided on the central axis of the opening 202.
  • the camera 204 may be arranged such that the central axis of the camera 204 and the central axis of the aperture 202 are aligned.
  • the location of the camera 204 is not limited thereto.
  • a light absorption box 220 may be further provided on an upper side of at least two or more light sources 201.
  • a processor 105 may be provided that processes the image captured by the camera 204 and detects defects.
  • FIG 4 schematically illustrates an optical inspection apparatus according to another embodiment.
  • the optical inspection apparatus 300 may include at least two light sources 301, a plate 303 having at least one opening 302, and at least one camera 304. .
  • the at least two or more light sources 301 may include, for example, a first light source 301a and a second light source 301b.
  • the first light source 301a and the second light source 301b may be disposed at different positions.
  • the opening 302 may be provided under the product 310 to be inspected.
  • At least two or more light sources 301 may be disposed under the plate 3030.
  • the first light source 301a and the second light source 301b may be disposed apart from the plate 303 by the same distance.
  • the first light source 301a and the second light source 301b may be disposed to irradiate light toward the opening 302.
  • the first light source 301a is provided at a lower side of the opening 302,
  • the second light source 301b may be provided at the other side below the opening 302.
  • the first light source 301a is provided at the lower left of the opening 302
  • the second light source 301b is an opening It may be provided on the lower right side of the 302.
  • the camera 304 may be provided on the product 310.
  • the camera 304 may be provided on the central axis of the opening 302.
  • the camera 304 may be disposed so that the central axis of the camera 304 and the central axis of the opening 302 are aligned.
  • the location of the camera 304 is not limited thereto.
  • a light absorption box 320 may be further provided under the at least two light sources 301.
  • a processor 305 may be provided that processes the image captured by the camera 304.
  • FIG 5 illustrates an optical inspection apparatus according to another embodiment.
  • the optical inspection apparatus 400 may include at least two or more light sources 401, at least one plate 403 having at least one opening, and at least one camera 404. .
  • the at least two or more light sources 401 may include, for example, at least two pairs of light sources.
  • the at least two or more light sources 401 may include, for example, a first light source 401a, a second light source 401b, a third light source 401c, and a fourth light source 401d.
  • At least one plate 403 may include, for example, a first plate 403a and a second plate 403b.
  • a first opening 402a may be provided in the first plate 403a, and a second opening 402b may be provided in the second plate 403b.
  • the first plate 403a may be disposed above the product 410, and the second plate 403b may be disposed below the product 410. In other words, the product 410 may be disposed between the first plate 403a and the second plate 403b.
  • the first light source 401a and the second light source 401b are disposed above the first plate 403a, and the third light source 401c and the fourth light source 401d are disposed below the second plate 403b.
  • the first light source 401a and the second light source 401b may be disposed at the same height from the first plate 403a.
  • the first light source 401a and the second light source 401b may be disposed to irradiate light toward the first opening 402a.
  • the first light source 401a may be provided at one side above the first opening 402, and the second light source 401b may be provided at the other side above the opening 402.
  • the first light source 401a may be provided in the upper left side of the first opening 402a
  • the second light source 401b may be provided in the upper right side of the first opening 402a.
  • the third light source 401c may be provided at one lower side of the second opening 402b, and the fourth light source 401d may be provided at the other lower side of the second opening 402b.
  • the third light source 401c may be provided at the lower left side of the second opening 402b, and the fourth light source 401d may be provided at the lower right side of the second opening 402b.
  • the first light source 401a and the second light source 401b may be disposed symmetrically with respect to the central axis of the first opening 402a. However, the positions of the first light source 401a and the second light source 401b are not limited thereto.
  • the third light source 401c and the fourth light source 401d may be disposed symmetrically with respect to the central axis of the second opening 402b. However, the positions of the third light source 401c and the fourth light source 401d are not limited thereto.
  • the first opening 402a may be smaller than the second opening 402b.
  • the sizes of the first opening 402a and the second opening 402b are not limited thereto, and the sizes of the two openings may be the same.
  • the central axis of the first opening 402a and the central axis of the second opening 402b may be positioned differently. However, if necessary, the central axis of the first opening 402a and the central axis of the second opening 402b may be the same.
  • the camera 404 may be provided above the first light source 401a and the second light source 401b.
  • the camera 404 may be provided on the central axis of the first opening 402a.
  • the camera 404 may be disposed so that the central axis of the camera 404 and the central axis of the first opening 402a coincide.
  • the location of the camera 404 is not limited thereto.
  • the light absorption box 420 may be provided under the third camera 401c and the fourth camera 401d.
  • a processor 405 for processing the image captured by the camera may be provided.
  • two pairs of light sources 401a, 401b, 401c, and 401d are included, and each pair of light sources may be disposed to face each other.
  • the first light source 401a and the second light source 401b may be illuminated at the same time, and the third light source 401c and the fourth light source 401d may be illuminated at the same time.
  • a pair of light sources may be sequentially illuminated after the other pair of light sources, and illumination directions of at least two pairs of light sources may be different.
  • FIG. 6 is a diagram for describing an optical inspection method according to an exemplary embodiment.
  • the processor controls the light source to irradiate light onto the product under test.
  • the light scattered from the test product is detected by the camera, and N images can be read out and cropped.
  • the image pre-processing step may include at least one of contrast adjustment of the image, histogram equalization, and contrast-limited adaptive histogram equalization.
  • the image preprocessing may further include removing the background.
  • image preprocessing is not limited to the above operation. The preprocessing of the image can be done using known tasks capable of detecting defects in the image. Detailed descriptions of known tasks are omitted.
  • the image is analyzed using binarization of the image, edge detection in the image, spectrum analysis of the image, clustering of the image, segmentation of the image, and Markov random fields. At least one of processing may be further included.
  • defect detection is not limited to this operation. Defect detection can be performed using any known operation that is most suitable for the particular application of the present invention. Since such operations are known, their detailed description will be omitted.
  • the trained artificial intelligence classifier may include one of a convolutional neural network classifier, a deep convolutional neural network classifier, and a residual convolutional neural network classifier.
  • the distinction of defect types and whether the defect is false or true can be performed by inputting the set of images into a trained artificial intelligence classifier.
  • the artificial intelligence classifier may be pre-trained by a plurality of training sets of different defect images with an indication of the defect type.
  • the present invention is not limited to the artificial intelligence classifier described above, and any known classifier may be applied to distinguish the content of an image that is most suitable for a specific application of the present invention.
  • the training set of images with different defects may include images of various defects of various shapes and sizes along with the type of defect.
  • Images of defects may include, for example, images with various scratches, shears, abrasions, stains, dust particles, fluff, and the like.
  • the training set of the image may include whether the defect is true or false, that is, whether it is possible to remove it or whether it is impossible to remove it. Since training of an artificial intelligence classifier for a plurality of image training sets and processing of image sets for discriminating content of images are known in the art, detailed descriptions thereof will be omitted.
  • the optical inspection method may include extracting features of the defect from the image set by a trained artificial intelligence classifier prior to the step of identifying the type of defect and whether the defect is false or true. have.
  • the artificial intelligence classifier may be performed using the extracted defect features for the identification of the defect types and whether the defect is false or true along with the indication of the defect type.
  • the artificial intelligence classifier can be pretrained on multiple training sets of features of different defects.
  • the trained artificial intelligence classifier may include, for example, an XGBoost classifier (extreme gradient boosting) as shown in FIG. 6.
  • the trained artificial intelligence classifier may include a random forest classifier.
  • the trained artificial intelligence classifier may include a fully connect5ed neutral network classifier.
  • the artificial intelligence classifier may include a convolutional neural network classifier, It may include one of a deep convolutional neural network classifier, a residual convolutional neural network classifier, and a descriptor classifier.
  • the descriptor classifier may include, for example, Scale-Invariant Feature Transformation (SIFT), VGG16 (function vector of a pre-trained neural network), Speeded Up Robust Features (SURF), and the like, but is not limited thereto. Any known artificial intelligence classifier can be used to recognize the content of an image by extracted features that are best suited for a particular application of the present invention.
  • SIFT Scale-Invariant Feature Transformation
  • VGG16 function vector of a pre-trained neural network
  • SURF Speeded Up Robust Features
  • the features are different defect geometry (shape and size), modulation of light scattered by different defects, texture of different defects, spectrum of light scattered by defect, defect Structure, the result of clustering images of different defects, and so on. Training of such classifiers using training sets of a plurality of features to recognize the content of an image and processing of features by such classifiers are known in the art, and detailed descriptions of them are not required.
  • the optical inspection method may further include determining, by a processor, whether at least one surface is good or a defect based on a predetermined condition by analyzing a defect or a set of defects. For example, there may be predetermined conditions for determining whether a product is good or not. Conditions can include, for example, the type of defect, whether the defect is true or false, the size of the defect, the number of defects on the surface/product, the distance between defects, etc., depending on the quality requirements the product must meet.
  • the optical inspection apparatus and method according to an exemplary embodiment may be applied to inspections in medical fields such as screen quality inspection, jewelry quality inspection, facial wrinkles, eye corneal surface defect inspection, etc. of TVs, smart phones, and tablets.
  • the optical inspection apparatus and method according to an exemplary embodiment can be applied to quality control for precise optical elements, for example, inspection of automobile parts, inspection of paint coating defects, inspection of surface defects of aircraft, spacecraft, ship parts and parts, etc. have.
  • the optical inspection apparatus and method according to the exemplary embodiment may be applied to inspection of thin films and coatings of various products, microelectronics, wafer inspection, and the like.
  • each pair of light sources may be illuminated sequentially.
  • this is not a limiting example of the arrangement of light sources.
  • the number of light sources may be different and may not be illuminated in pairs.
  • the light sources include, for example, a first pair of light sources 601, a second pair of light sources 602, a third pair of light sources 603, and a fourth pair of light sources ( 604, a fifth pair of light sources 605, and a sixth pair of light sources 606 may be included.
  • the number of pairs can be changed in various ways.
  • the first to sixth pairs of light sources 601, 602, 603, 604, 605, and 606 may be arranged in a circular shape.
  • the first to sixth pairs of light sources 601, 602, 603, 604, 605, and 606 may be positioned at the same distance from the product 610, respectively.
  • the product 610 and each pair of light sources are not located on the same plane.
  • the light sources included in each pair can illuminate the product 610 at the same time.
  • the first pair of light sources 61 may illuminate the product 610 at the same time.
  • the first pair of light sources 601 may illuminate the product 610 at the same time, and the second pair of light sources 602 may illuminate the product 610 at the same time. Then, the first pair of light sources 601 illuminates, then the second pair of light sources 602 illuminates, then the third pair of light sources 603 illuminates, and then the fourth pair of light sources ( 604 may illuminate, then a fifth pair of light sources 605 illuminates, and then a sixth pair of light sources 606 may illuminate.
  • FIG. 9 shows an example in which a pair of light sources includes two light sources
  • a pair of light sources may include three or more light sources.
  • a first pair of light sources 701 that emit light of a first wavelength with respect to the product 710
  • a second pair of light sources 702 that emit light of a second wavelength
  • a third pair of light sources 703 that emit light of a third wavelength.
  • light of a first wavelength may include blue light
  • light of a second wavelength may include green light
  • light of a third wavelength may include red light.
  • four light sources 701 of a first pair may be provided, four light sources 702 of a second pair may be provided, and four light sources 703 of a third pair may be provided.
  • the first pair of light sources 701, the second pair of light sources 702, and the third pair of light sources 703 may be alternately arranged.
  • a portion (A) in which the light intensity is relatively strong may represent a real defect such as a scratch, that is, a defect that cannot be removed.
  • a portion (B) in which the change in light intensity is relatively weak may represent a removable defect, for example, a fingerprint or a stain.
  • the portion C where the change in light intensity is relatively weak may represent a removable defect, for example, dust.
  • Information about the type of defect corresponding to the change in light intensity according to the angle of the illumination direction may be provided in advance.
  • two or more light sources may be provided, and two or more light sources may be sequentially illuminated.
  • two or more light sources may be differently disposed with respect to at least one surface, and light may be illuminated in two or more different illumination directions.
  • the processor may additionally perform at least one of contrast adjustment, histogram equalization, and contrast limit adaptive histogram equalization of the image.
  • the pre-processing of the image in the present invention is not limited to the above operation.
  • the processor may perform at least one of binarization of the image, edge detection in the image, spectrum analysis of the image, clustering of the image, segmentation and processing of the image. .
  • the image uses a Markov random field.
  • the defect detection of the present invention is not limited to the above operation.
  • the trained artificial intelligence classifier may include at least one of a convolutional neural network classifier, a deep convolutional neural network classifier, a residual convolutional neural network classifier, and a descriptor classifier.
  • the processor can determine the type of defect and whether the defect is false or true by inputting the image set to the trained artificial intelligence classifier.
  • the artificial intelligence classifier may be pretrained on a plurality of training sets of images of different defects according to the indication of the defect type.
  • the present invention is not limited by the above-described classifier, and any known classifier for recognizing the content of an image most suitable for a specific use of the present invention may be applied.
  • the processor can extract features of the defect from the set of images by a trained artificial intelligence classifier before distinguishing between the type of defect and whether the defect is false or true.
  • the processor identifies whether the defect is false or true by the trained artificial intelligence classifier, based on the type of defect and the extracted features of the defect, and the artificial intelligence classifier may be pretrained on a training set of a plurality of features.
  • the trained artificial intelligence classifier may include at least one of an XGBoost (extreme gradient boosting) classifier, a random forest classifier, a fully connected neural network classifier, a convolution neural network classifier, a deep convolution neural network classifier, and a residual convolution.
  • the descriptor classifier may include Scale-Invariant Feature Transformation (SIFT), feature vector of pre-trained neural network (VGG16), Speeded Up Robust Features (SURF), and the like.
  • SIFT Scale-Invariant Feature Transformation
  • VCG16 feature vector of pre-trained neural network
  • SURF Speeded Up Robust Features
  • the processor may further determine whether the at least one surface is good or defective based on a predetermined condition by analyzing the defect or set of defects.
  • a predetermined condition by analyzing the defect or set of defects.
  • the light source 201 may be one of a visible light source, an ultraviolet light source, and an infrared light source, and the light may be polarized or non-polarized, monochromatic, or have a predetermined spectrum.
  • At least one camera can be selected according to the light spectrum of the light source.
  • the at least one camera may include at least one of a color camera, a monochrome camera, an ultraviolet camera, and an infrared camera.
  • At least one camera may include at least one of a spectral filter and a polarization filter.
  • the layout of a device with multiple cameras can increase the field of view such that one camera sees a portion of the inspection surface and multiple cameras cover the entire area of the inspection surface.
  • the arrangement of multiple cameras can also capture images of the entire area or part of the inspection surface from different angles in different directions of the camera.
  • Each camera may be aligned with or differently aligned with the axis of symmetry of at least two light sources.
  • the optical inspection apparatus and method according to the exemplary embodiment may precisely inspect the surface of the inspection product.

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

광학 검사 장치 및 검사 방법이 개시된다. 개시된 검사 방법은, 제품의 표면을 광학적으로 검사하는 방법으로서, 적어도 2 개의 광원에 의해 상기 제품의 적어도 하나의 표면을 순차적으로 조명하는 단계, 적어도 하나의 개구 및 광 흡수 박스 중 적어도 하나에 의해 상기 적어도 2 개의 광원에 의해 조명된 광의 반사광과 직사광 중 적어도 하나가 적어도 하나의 카메라에 입사하는 것을 차단하는 단계, 상기 적어도 하나의 카메라에 의해 적어도 하나의 표면의 이미지 세트를 캡처하는 단계를 포함한다.

Description

광학 검사 방법 및 이를 이용한 장치
예시적인 실시 예는 광학 검사에 관한 것으로, 보다 구체적으로는 피검 제품의 표면을 광학적으로 검사하는 방법 및 장치에 관한 것이다.
공장에서의 제품의 표면 결함에 대한 인간의 검사는 제품 품질 관리를 위한 일반적인 방법이다. 검사에는 결함을 육안으로 감지하는 것뿐만 아니라 결함이 참인지 거짓인지 확인하기 위해 클리너를 사용하는 것이 포함된다. 결함에는 스크래치, 움푹 들어간 것 등과 같은 제거될 수 없는 진짜 결함과, 먼지, 얼룩, 섬유 등과 같은 제거될 수 있는 가짜 결함이 있고, 제품의 결함 검사에는 진짜 결함과 가짜 결함이 구분될 필요가 있다. 이러한 수동적인 검사 이외에, 제품 표면의 광학 검사를 자동으로 수행하는 기술이 있다.
예시적인 실시 예는 제품 표면을 광학적으로 검사하기 위한 방법 및 장치를 제공한다.
예시적인 실시 예는, 제품의 표면을 광학적으로 검사하는 방법으로서,
적어도 2 개의 광원에 의해 상기 제품의 적어도 하나의 표면을 순차적으로 조명하는 단계; 적어도 하나의 개구 및 광 흡수 박스 중 적어도 하나에 의해 상기 적어도 2 개의 광원에 의해 조명된 광의 반사광과 직사광 중 적어도 하나가 적어도 하나의 카메라에 입사하는 것을 차단하는 단계; 상기 적어도 하나의 카메라에 의해 적어도 하나의 표면의 이미지 세트를 캡처하는 단계, 및 상기 이미지 세트 중 적어도 하나의 이미지에서 산란 된 광 패턴이 검출되면, 상기 적어도 하나의 표면에서 결함을 검출하는 단계;를 포함한다.
상기 적어도 2 개의 광원의 위치가 상기 제품의 적어도 하나의 표면에 대해 상이하고, 상기 적어도 2 개의 광원의 조명 방향이 상이할 수 있다.
상기 이미지 세트 중 각각의 이미지는 상기 적어도 2 개의 광원 중 적어도 하나의 광원에 의해 조명 될 때 캡처될 수 있다.
상기 방법은, 상기 이미지 세트 중 이미지를 전처리하는 단계를 더 포함하고, 상기 전처리 단계는 적어도 배경을 제거하는 단계를 포함할 수 있다.
상기 이미지 세트의 전처리 단계는 상기 이미지의 콘트라스트 조정, 히스토그램 등화, 콘트라스트 제한 적응 히스토그램 등화 중 적어도 하나를 더 포함할 수 있다.
상기 방법은, 훈련 된 인공 지능 분류기에 의해 검출 된 결함을 평가함으로써 결함의 유형 및 결함이 거짓인지 참인지를 구별하는 단계를 더 포함하고, 상기 결함의 구별 여부는 구별 유형의 결함에 기초하여 수행될 수 있다.
상기 훈련된 인공 지능 분류기는 컨벌루션 신경망 분류기, 딥 컨벌루션 신경망 분류기, 잔류 컨벌루션 신경망 분류기 중 하나를 포함하고, 상기 결함의 유형과 결함이 참인지 거것인지를 구별하는 것은 상기 일련의 이미지를 상기 훈련된 인공 지능 분류기에 입력함으로써 수행되고, 훈련된 인공 지능 분류기는 결함 유형의 표시를 가지고 상이한 결함의 이미지의 복수의 훈련 세트에 대해 사전 훈련될 수 있다.
상기 적어도 두 개의 광원은 제1 쌍의 광원과 제2 쌍의 광원을 포함하고, 상기 제1 쌍의 광원과 제2 쌍의 광원은 상기 적어도 하나의 제품에 대해 서로 반대 방향에 배치될 수 있다.
상기 적어도 하나의 표면에서의 결함의 검출은 상기 이미지의 이진화, 상기 이미지에서의 에지 검출, 상기 이미지의 스펙트럼 분석, 상기 이미지의 클러스터링, 상기 이미지의 분할 및 Markov 랜덤 필드들을 사용하여 상기 이미지들을 처리하는 것 중 적어도 하나를 포함할 수 있다.
상기 방법은, 결함의 유형과 결함이 거짓인지 참인지를 구별하는 단계 전에, 훈련 된 인공 지능 분류기에 의해 상기 이미지 세트로부터 결함의 특징을 추출하는 단계를 더 포함할 수 있다.
상기 방법은, 결함 또는 결함 세트를 분석함으로써 미리 결정된 조건에 기초하여 적어도 하나의 표면이 양호한 지 또는 결함인지를 결정하는 단계를 더 포함할 수 있다.
예시적인 실시 예는, 제품의 표면을 광학적으로 검사하기 위한 장치로서,
상기 제품의 적어도 하나의 표면을 순차적으로 조명하도록 구성된 적어도 2 개의 광원; 상기 적어도 하나의 표면의 이미지 세트를 캡처하도록 구성된 적어도 하나의 카메라; 상기 적어도 하나의 표면 상에서 산란 된 광을 제외하고, 상기 적어도 2 개의 광원으로부터 조명 된 광이 상기 적어도 하나의 카메라로 반사되거나 지향하는 것을 방지하도록 구성된 적어도 하나의 개구 및 광 흡수 박스; 훈련된 인공 지능 분류기를 포함하는 프로세서;를 포함한다.
예시적인 실시 예는 제품 표면의 결함을 광학적으로 검사할 수 있다. 예시적인 실시 예에 따른 광학 검사 장치는 제품 표면의 결함을 정밀하게 검사하고, 결함의 진부를 검출할 수 있다.
도 1은 예시적인 실시예에 따른 광학 검사 장치를 개략적으로 도시한 것이다.
도 2는 예시적인 실시예에 따른 광학 검사 방법을 설명하기 위한 도면이다.
도 3은 다른 예시적인 실시예에 따른 광학 검사 장치를 개략적으로 도시한 것이다.
도 4는 또 다른 예시적인 실시예에 따른 광학 검사 장치를 개략적으로 도시한 것이다.
도 5는 다른 예시적인 실시예에 따른 광학 검사 장치를 개략적으로 도시한 것이다.
도 6은 예시적인 실시예에 따른 광학 검사 방법을 설명하기 위한 도면이다.
도 7은 예시적인 실시예에 따른 광학 검사 장치의 결함 분류기의 예를 도시한 것이다.
도 8은 예시적인 실시예에 따른 광학 검사 장치의 결함 분류기의 다른 예를 도시한 것이다.
도 9는 예시적인 실시예에 따른 광학 검사 장치의 광원 배치의 예를 도시한 것이다.
도 10은 예시적인 실시예에 따른 광학 검사 장치의 광원 배치의 다른 예를 도시한 것이다.
도 11은 광원의 조명 방향 각도에 따른 광 강도의 변화를 도시한 것이다.
이하, 예시적인 실시 예에 따른 광학 검사 방법 및 이를 이용한 장치에 대해 설명된다.
이하의 설명에서, 다른 표시가 없는 한, 다른 도면에 도시 될 때 동일한 요소에 대해서는 동일한 참조 번호가 사용되며, 이들의 병렬 설명은 생략된다. 구체화의 상세한 설명, 청구 범위에 의해 정의 된 본 발명의 다양한 실시 예 및 그 등가물의 포괄적인 이해를 용이하게 하기 위해 첨부 도면을 참조하여 다음의 설명이 제공된다. 이 설명은 그러한 이해를 돕기 위해 다양한 특정 세부 사항을 포함하지만, 이들 세부 사항은 단지 예시적인 것으로 간주되어야 한다. 따라서, 당업자는 본 발명의 범위를 벗어나지 않고 본 명세서에 설명 된 다양한 실시 예에 대한 다양한 변경 및 수정이 개발 될 수 있음을 알 것이다. 또한, 일반적으로 알려진 기능 및 구조에 대한 설명은 명확성 및 간결성을 위해 생략 될 수 있다. 하기 설명 및 청구 범위에서 사용 된 용어 및 정의는 서지학적 의미에 의해 제한되지 않고 본 발명에 대한 명확하고 일관된 이해를 제공하기 위해 본 발명자에 의해 간단하게 사용된다. 따라서, 본 발명의 다양한 실시 예들에 대한 다음의 설명은 단지 예시를 위해 제공된다는 것이 당업자에게 명백하다.
단수의 표현은 문맥 상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 또한, 본 명세서에서 사용되는 용어 "포함하다", "포함하는"은 특징, 값, 동작, 요소 및 / 또는 구성 요소의 존재를 의미하고, 하나 이상의 다른 특징, 값, 동작, 요소, 구성 요소 및 / 또는 그 그룹의 존재 또는 추가를 배제하지는 않는다.
이하, 첨부 된 도면을 참조하여 본 발명의 다양한 실시 예를 보다 상세하게 설명한다.
예시적인 실시 예는 제품의 표면을 광학적으로 검사하기 위한 것이다. 예시적인 실시 예는 결함의 유형 및 고감도 및 검사 시간이 짧은 자동 모드에서 결함이 거짓인지 참인지를 신속하고 정확하게 구별 할 수 있게 한다. 또한, 예시적인 실시 예는 제품의 평평한 표면과 곡면을 모두 검사 할 수 있게 한다. 본 발명은 제품이 검사에 사용되는 광에 대해 투명한 재료로 만들어진 경우 제품의 두 표면의 동시 검사를 가능하게 한다.
도 1은 예시적인 실시 예에 따른 광학 검사 장치를 도시한 것이다.
도 1을 참조하면, 광학 검사 장치(100)는 적어도 2개 이상의 광원(101)과, 적어도 하나의 개구(102)를 가지는 플레이트(103)와, 적어도 하나의 카메라(104)를 포함할 수 있다.
적어도 2개 이상의 광원(101)은 예를 들어, 제1 광원(101a)과 제2 광원(101b)을 포함할 수 있다. 제1 광원(101a)과 제2 광원(101b)은 서로 다른 위치에 배치될 수 있다. 개구(102)는 검사할 제품(110)의 상부에 구비될 수 있다. 적어도 2개 이상의 광원(101)은 개구(102) 상부에 배치될 수 있다. 예를 들어, 제1 광원(101a)과 제2 광원(101b)은 일직선 상에 배치될 수 있다. 제1 광원(101a)과 제2 광원(101b)은 개구(102)를 향해 광을 조사하도록 배치될 수 있다. 제1 광원(101a)은 개구(102)의 상부 일 측에 구비되고, 제2 광원(101b)은 개구(102)의 상부 타 측에 구비될 수 있다. 도 1에서 제1 광원(101a)은 개구(102)의 상부 좌측에 구비되고, 제2 광원(101b)은 개구(102)의 상부 우 측에 구비될 수 있다.
카메라(104)는 적어도 2개의 광원(101)의 상부에 구비될 수 있다. 예를 들어, 카메라(104)가 개구(102)의 중심 축 상에 구비될 수 있다. 카메라(104)의 중심 축과 개구(102)의 중심 축이 일치되도록 카메라(104)가 배치될 수 있다. 하지만, 카메라(104)의 위치가 여기에 한정되는 것은 아니다. 카메라(104)에 의해 캡처된 이미지를 처리하고, 결함을 검출하는 프로세서(105)가 구비될 수 있다.
예시적인 실시 예에 따른 광학 검사 방법은 도 1 및 도 2를 참조하여 설명한다.
적어도 2 개의 광원(101)은 제품(110)의 적어도 하나의 표면을 순차적으로 조명한다(S101). 적어도 2 개의 광원(101)은 제품(110)의 적어도 하나의 표면에 대해 서로 다른 위치에 배치될 수 있다. 적어도 2 개의 광원(101)의 조명 방향은 상이할 수 있다.
제품(110)의 하부에 광 흡수 박스(120)가 더 구비될 수 있다. 광 흡수 박스(120)가 적어도 2개의 광원(101)으로부터 출사되어 제품(110)을 투과한 광을 수광할 수 있다.
적어도 하나의 개구(202) 및 광 흡수 박스(203) 중 적어도 하나는 제품(210)의 적어도 하나의 표면 상에서 산란 된 광을 제외하고, 적어도 2 개의 광원(201)으로부터 조명된 직사 광과 반사된 광 중 적어도 하나를 차단하여 적어도 하나의 카메라(204)에 들어 가지 않도록 할 수 있다(S102).
적어도 하나의 카메라(104)는 제품(110)의 적어도 하나의 표면의 이미지 세트를 캡처한다(S103), 상기 이미지 세트 중 각각의 이미지는 적어도 두 개의 광원(101) 중 적어도 하나의 광원(101)이 조명할 때 캡처될 수 있다.
프로세서(105)는 상기 이미지 세트 중 적어도 하나의 이미지를 전처리(pre-process)한다(S104). 전처리는 적어도 배경 제거를 포함할 수 있다.
프로세서(105)는 제품(110)의 적어도 하나의 표면에서의 결함을 검출한다(S105). 상기 이미지 세트 중 적어도 하나의 이미지에서, 산란된 광 패턴이 검출될 때, 프로세서(105)는 결함을 검출할 수 있다.
프로세서(105)는 예를 들어, 인공 지능 분류기를 포함할 수 있다. 프로세서(105)는 인공 지능 분류기에 의해 검출된 결함을 평가함으로써 결함의 유형 및 결함이 거짓인지 참인지를 식별할 수 있다. 결함이 거짓인지 참인지에 대한 구별은 결함의 구별 유형에 기초하여 수행될 수 있다.
제품(110)이 서로 마주 보는 두 개의 표면을 포함하고 투명한 재료로 만들어진 경우, 결함은 하나 또는 두 개의 표면에서 검출될 수 있다.
도 3은 다른 실시 예에 따른 광학 검사 장치를 개략적으로 도시한 것이다.
도 3을 참조하면, 광학 검사 장치(200)는 적어도 2개 이상의 광원(201)과, 적어도 하나의 개구(202)를 가지는 플레이트(203)와, 적어도 하나의 카메라(204)를 포함할 수 있다.
적어도 2개 이상의 광원(201)은 예를 들어, 제1 광원(201a)과 제2 광원(201b)을 포함할 수 있다. 제1 광원(201a)과 제2 광원(201b)은 서로 다른 위치에 배치될 수 있다. 개구(202)는 검사할 제품(210)의 하부에 구비될 수 있다. 적어도 2개 이상의 광원(201)은 제품(210) 상부에 배치될 수 있다. 예를 들어, 제1 광원(201a)과 제2 광원(201b)은 플레이트(203)으로부터 같은 높이에 배치될 수 있다. 제1 광원(201a)과 제2 광원(201b)은 개구(202)를 향해 광을 조사하도록 배치될 수 있다. 제1 광원(201a)은 개구(202)의 상부 일 측에 구비되고, 제2 광원(201b)은 개구(202)의 상부 타 측에 구비될 수 있다. 도 3에서 제1 광원(201a)은 개구(202)의 상부 좌측에 구비되고, 제2 광원(201b)은 개구(202)의 상부 우 측에 구비될 수 있다.
카메라(204)는 플레이트(203)의 개구(202)의 하부에 구비될 수 있다. 예를 들어, 카메라(204)가 개구(202)의 중심 축 상에 구비될 수 있다. 카메라(204)의 중심 축과 개구(202)의 중심 축이 일치되도록 카메라(204)가 배치될 수 있다. 하지만, 카메라(204)의 위치가 여기에 한정되는 것은 아니다.
적어도 두 개의 이상의 광원(201)의 상 측(upper side)에 광 흡수 박스(220)가 더 구비될 수 있다. 카메라(204)에 의해 캡처된 이미지를 처리하고 결함을 검출하는 프로세서(105)가 구비될 수 있다.
도 4는 다른 실시 예에 따른 광학 검사 장치를 개략적으로 도시한 것이다.
도 4를 참조하면, 광학 검사 장치(300)는 적어도 2개 이상의 광원(301)과, 적어도 하나의 개구(302)를 가지는 플레이트(303)와, 적어도 하나의 카메라(304)를 포함할 수 있다.
적어도 2개 이상의 광원(301)은 예를 들어, 제1 광원(301a)과 제2 광원(301b)을 포함할 수 있다. 제1 광원(301a)과 제2 광원(301b)은 서로 다른 위치에 배치될 수 있다. 개구(302)는 검사할 제품(310)의 하부에 구비될 수 있다. 적어도 2개 이상의 광원(301)은 플레이트(3030의 하부에 배치될 수 있다. 예를 들어, 제1 광원(301a)과 제2 광원(301b)은 플레이트(303)로부터 같은 거리만큼 떨어져 배치될 수 있다. 제1 광원(301a)과 제2 광원(301b)은 개구(302)를 향해 광을 조사하도록 배치될 수 있다. 제1 광원(301a)은 개구(302)의 하부 일 측에 구비되고, 제2 광원(301b)은 개구(302)의 하부 타 측에 구비될 수 있다. 도 4에서 제1 광원(301a)은 개구(302)의 하부 좌측에 구비되고, 제2 광원(301b)은 개구(302)의 하부 우 측에 구비될 수 있다.
카메라(304)는 제품(310)의 상부에 구비될 수 있다. 예를 들어, 카메라(304)가 개구(302)의 중심 축 상에 구비될 수 있다. 카메라(304)의 중심 축과 개구(302)의 중심 축이 일치되도록 카메라(304)가 배치될 수 있다. 하지만, 카메라(304)의 위치가 여기에 한정되는 것은 아니다.
적어도 두 개의 이상의 광원(301)의 하 측에 광 흡수 박스(320)가 더 구비될 수 있다. 카메라(304)에 의해 캡처된 이미지를 처리하는 프로세서(305)가 구비될 수 있다.
도 5는 다른 실시 예에 따른 광학 검사 장치를 도시한 것이다.
도 5를 참조하면, 광학 검사 장치(400)는 적어도 2개 이상의 광원(401)과, 적어도 하나의 개구를 가지는 적어도 하나의 플레이트(403)와, 적어도 하나의 카메라(404)를 포함할 수 있다.
적어도 2개 이상의 광원(401)은 예를 들어, 적어도 2 쌍의 광원을 포함할 수 있다. 적어도 2개 이상의 광원(401)은 예를 들어, 제1 광원(401a), 제2 광원(401b), 제3 광원(401c), 및 제4 광원(401d)을 포함할 수 있다.
적어도 하나의 플레이트(403)는 예를 들어, 제1 플레이트(403a)와 제2 플레이트(403b)를 포함할 수 있다. 제1 플레이트(403a)에 제1 개구(402a)가 구비되고, 제2 플레이트(403b)에 제2 개구(402b)가 구비될 수 있다. 제1 플레이트(403a)는 제품(410)의 상부에 배치되고, 제2 플레이트(403b)는 제품(410)의 하부에 배치될 수 있다. 다시 말하면, 제1 플레이트(403a)와 제2 플레이트(403b) 사이에 제품(410)이 배치될 수 있다.
제1 광원(401a)과 제2 광원(401b)은 제1 플레이트(403a)의 상부에 배치되고, 제3 광원(401c)과 제4 광원(401d)은 제2 플레이트(403b)의 하부에 배치될 수 있다. 예를 들어, 제1 광원(401a)과 제2 광원(401b)은 제1 플레이트(403a)로부터 같은 높이에 배치될 수 있다. 제1 광원(401a)과 제2 광원(401b)은 제1 개구(402a)를 향해 광을 조사하도록 배치될 수 있다. 제1 광원(401a)은 제1 개구(402)의 상부 일 측에 구비되고, 제2 광원(401b)은 개구(402)의 상부 타 측에 구비될 수 있다. 도 5에서 제1 광원(401a)은 제1 개구(402a)의 상부 좌측에 구비되고, 제2 광원(401b)은 제1 개구(402a)의 상부 우 측에 구비될 수 있다.
제3 광원(401c)은 제2 개구(402b)의 하부 일 측에 구비되고, 제4 광원(401d)은 제2 개구(402b)의 하부 타 측에 구비될 수 있다. 도 5에서 제3 광원(401c)은 제2 개구(402b)의 하부 좌측에 구비되고, 제4 광원(401d)은 제2 개구(402b)의 하부 우 측에 구비될 수 있다.
제1 광원(401a)과 제2 광원(401b)은 제1 개구(402a)의 중심 축에 대해 대칭적으로 배치될 수 있다. 하지만, 제1 광원(401a)과 제2 광원(401b)의 위치가 여기에 한정되는 것은 아니다. 제3 광원(401c)과 제4 광원(401d)은 제2 개구(402b)의 중심 축에 대해 대칭적으로 배치될 수 있다. 하지만, 제3 광원(401c)과 제4 광원(401d)의 위치가 여기에 한정되는 것은 아니다.
제1 개구(402a)가 제2 개구(402b)보다 작을 수 있다. 하지만, 제1 개구(402a)와 제2 개구(402b)의 크기가 여기에 한정되는 것은 아니고, 두 개구의 크기가 같을 수도 있다. 제1 개구(402a)의 중심 축과 제2 개구(402b)의 중심 축이 다르게 위치할 수 있다. 하지만, 필요에 따라서는 제1 개구(402a)의 중심 축과 제2 개구(402b)의 중심 축이 동일할 수 있다.
카메라(404)는 제1 광원(401a)과 제2 광원(401b)의 상부에 구비될 수 있다. 예를 들어, 카메라(404)가 제1 개구(402a)의 중심 축 상에 구비될 수 있다. 카메라(404)의 중심 축과 제1 개구(402a)의 중심 축이 일치되도록 카메라(404)가 배치될 수 있다. 하지만, 카메라(404)의 위치가 여기에 한정되는 것은 아니다.
제3 카메라(401c)와 제4 카메라(401d) 하부에 광 흡수 상자(420)가 구비될 수 있다. 카메라에 의해 캡처된 이미지를 처리하는 프로세서(405)가 구비될 수 있다.
본 실시 예에서, 2 쌍의 광원(401a)(401b)(401c)(401d)을 포함하며, 각 쌍의 광원은 서로 대향하여 배치될 수 있다. 제1 광원(401a)과 제2 광원(401b)은 동시에 조명되고, 제3 광원(401c)과 제4 광원(401d)은 동시에 조명될 수 있다. 그리고, 한 쌍의 광원은 다른 한 쌍의 광원 다음에 순차적으로 조명될 수 있고, 적어도 두 쌍의 광원의 조명 방향은 상이할 수 있다.
도 6은 예시적인 실시 예에 따른 광학 검사 방법을 설명하기 위한 도면이다.
프로세서가 광원을 제어하여 피검 제품에 광을 조사한다. 피검 제품에서 산란된 광이 카메라에 의해 검출되고, N개의 이미지가 독출 및 크롭될 수 있다. 그리고, 이미지 전처리(image pre-processing) 단계는 상기 이미지의 콘트라스트 조절, 히스토그램 등화(histogram equalization), 콘트라스트 제한 적응 히스토그램 등화(contrast-limited adaptive histogram equalization) 중 적어도 하나를 포함 할 수 있다. 이미지 전처리는 배경을 제거하는 단계를 더 포함할 수 있다. 그러나, 이미지 전처리는 상기 동작에 한정되지 않는다. 이미지의 전처리는 이미지의 결함을 감지 할 수 있는 알려진 작업을 사용하여 수행 할 수 있다. 알려진 작업에 대해서는 상세한 설명을 생략한다.
결함 검출 단계는 상기 이미지의 이진화(binarization), 상기 이미지에서의 에지 검출, 상기 이미지의 스펙트럼 분석, 상기 이미지의 클러스터링, 상기 이미지의 분할 및 마르코프 랜덤 필드(Markov random fields) 등을 이용하여 상기 이미지를 처리하는 것 중 적어도 하나를 더 포함 할 수 있다.
그러나, 결함 검출은 상기 동작으로 제한되지 않는다. 결함 검출은 본 발명의 특정 적용에 가장 적합한 임의의 공지된 조작을 사용하여 수행 될 수 있다. 그러한 동작들이 알려져 있기 때문에, 그들의 상세한 설명은 생략하기로 한다.
훈련된 인공 지능 분류기는 컨벌루션 신경망 분류기, 딥 컨볼루션 신경망 분류기, 잔류 컨볼루션 신경망 분류기 중 하나를 포함할 수 있다. 결함 유형의 구별 및 결함이 거짓인지 참인지 여부는 훈련된 인공 지능 분류기에 상기 이미지 세트를 입력함으로써 수행될 수 있다. 인공 지능 분류기는 결함 유형의 표시와 함께 상이한 결함 이미지의 복수의 훈련 세트에 의해 사전 훈련될 수 있다. 그러나, 본 발명은 전술한 인공 지능 분류기에 제한되지 않으며, 본 발명의 특정 응용에 가장 적합한 이미지의 내용을 구별하기 위해 임의의 공지의 분류기가 적용될 수 있다.
상이한 결함을 갖는 이미지의 트레이닝 세트는 결함의 유형과 함께 다양한 형상 및 크기의 다양한 결함의 이미지를 포함할 수 있다. 결함의 이미지는 예를 들어, 다양한 흠집, 전단(shears), 마모, 얼룩, 먼지 입자, 보풀 등을 갖는 이미지를 포함할 수 있다. 또한, 이미지의 트레이닝 세트는 결함이 참인지 거짓인지, 즉 제거가 가능한 지 또는 제거가 불가능한 지 여부를 포함할 수 있다. 복수의 이미지 트레이닝 세트에 대한 인공 지능 분류기의 트레이닝 및 이미지의 내용을 구별하기 위한 이미지 세트의 처리는 당 업계에 공지되어 있으므로, 이들의 상세한 설명은 생략하기로 한다.
예시적인 실시 예에 따른 광학 검사 방법은 결함의 유형과, 결함이 거짓인지 참인지를 식별하는 단계 이전에, 훈련된 인공 지능 분류기에 의해 상기 이미지 세트로부터 결함의 특징을 추출하는 단계를 포함할 수 있다. 또한, 인공 지능 분류기는 결함 유형의 표시와 함께 결함 유형의 구별과 결함이 거짓인지 참인지에 대해, 추출된 결함 특징을 이용하여 수행될 수 있다. 인공 지능 분류기는 상이한 결함의 특징의 복수의 훈련 세트에 대해 사전 훈련될 수 있다.
훈련된 인공 지능 분류기는 도 6에 도시된 바와 같이 예를 들어, XGBoost 분류기(익스트림 그래디언트 부스팅)를 포함할 수 있다. 또는, 도 7에 도시된 바와 같이, 훈련된 인공 지능 분류기는 랜덤 포레스트 분류기(random forest classifier)를 포함할 수 있다. 또는, 도 8에 도시된 바와 같이, 훈련된 인공 지능 분류기는 완전 연결 신경망 분류기(fully connect5ed neutral network classifier)를 포함할 수 있다, 이 밖에도, 인공 지능 분류기는 회선 신경망 분류기(convolutional neural network classifier), 깊은 회선 신경망 분류기(deep convolutional neural network classifier), 잔존 회선 신경망 분류기(residual convolutional neural network classifier), 설명자 분류기(descriptor classifier) 중 하나를 포함할 수 있다. 설명자 분류기는 예를 들어, SIFT (Scale-Invariant Feature Transformation), VGG16 (Pre-trained neural network의 기능 벡터), SURF (Speeded Up Robust Features) 등을 포함할 수 있으나 여기에 한정되지 않는다. 임의의 공지된 인공 지능 분류기는 본 발명의 특정 응용에 가장 적합한 추출된 특징에 의해 이미지의 내용을 인식하는데 사용될 수 있다.
예시적인 실시 예에서 특징을 추출하는데 있어서, 특징(feature)은 상이한 결함의 기하 구조(형상 및 크기), 상이한 결함에 의해 산란된 광의 변조, 상이한 결함의 조직, 결함에 의해 산란된 광의 스펙트럼, 결함의 구조, 상이한 결함의 클러스터링 이미지의 결과 등을 포함 할 수 있다. 이미지의 내용을 인식하기 위해 복수의 특징의 훈련 세트를 사용하는 이러한 분류기의 훈련 및 이러한 분류기에 의한 특징의 프로세싱은 당업계에 공지되어 있고, 이들의 상세한 설명은 요구되지 않는다.
예시적인 실시 예에 따른 광학 검사 방법은 결함 또는 결함 세트를 분석함으로써 미리 결정된 조건에 기초하여 적어도 하나의 표면이 양호한 지 또는 결함인지를 프로세서에 의해 결정하는 단계를 더 포함 할 수 있다. 예를 들어, 제품의 양호 여부를 판단하기 위한 사전 결정된 조건이 있을 수 있다. 조건은 예를 들어, 제품이 충족해야 하는 품질 요구 사항에 따라 결함 유형, 결함이 참인지 거짓인지 여부, 결함 크기, 표면 / 제품의 결함 수, 결함 사이의 거리 등을 포함할 수 있다.
예시적인 실시 예에 따른 광학 검사 장치 및 방법은 TV, 스마트 폰, 태블릿 등의 화면 품질 검사, 보석 품질 검사, 안면 주름, 눈 각막 표면 결함 검사 등과 같은 의료 분야 검사에 적용될 수 있다. 또한, 예시적인 실시 예에 따른 광학 검사 장치 및 방법은 정밀한 광학 요소를 위한 품질 관리, 예를 들어, 자동차 부품 검사, 도장 코팅 결함 검사, 항공기, 우주선, 선박 부품 및 부품의 표면 결함 검사 등에 적용될 수 있다. 예시적인 실시 예에 따른 광학 검사 장치는 및 방법은 다양한 제품의 박막, 코팅 등의 검사, 마이크로 일렉트로닉스, 웨이퍼 검사 등에 적용될 수 있다.
도 9는 광원의 예시적인 배열을 도시하며, 여기서 광원은 제품 표면 주위에 복수의 쌍으로 분포되고 광원의 각 쌍은 순차적으로 조명될 수 있다. 그러나, 이것은 광원의 배치의 제한적인 예가 아님을 이해해야 한다. 광원의 수는 상이 할 수 있고, 쌍으로 조명되지 않을 수 있다.
도 9를 참조하면, 광원은 예를 들어, 서로 마주보게 배치된 제1 쌍의 광원(601), 제2 쌍의 광원(602), 제3 쌍의 광원(603), 제4 쌍의 광원(604), 제5 쌍의 광원(605), 제6 쌍의 광원(606)을 포함할 수 있다. 쌍의 개수는 다양하게 변경될 수 있다. 제1 내지 제6 쌍의 광원(601)(602)(603)(604)(605)(606)은 원형으로 배열될 수 있다. 예를 들어, 제1 내지 제6 쌍의 광원(601)(602)(603)(604)(605)(606)은 각각 제품(610)으로부터 같은 거리에 위치할 수 있다. 제품(610)과 각 쌍의 광원은 같은 평면에 위치하는 것은 아니다.
각 쌍에 포함된 광원은 동시에 제품(610)을 조명할 수 있다. 예를 들어, 제1 쌍의 광원(61)이 동시에 제품(610)을 조명할 수 있다. 예를 들어, 제1 쌍의 광원(601)은 제품(610)을 동시에 조명하고, 제2 쌍의 광원(602)은 제품(610)을 동시에 조명할 수 있다. 그리고, 제1 쌍의 광원(601)이 조명하고, 그 다음 제2 쌍의 광원(602)이 조명하고, 그 다음 제3 쌍의 광원(603)이 조명하고, 그 다음 제4 쌍의 광원(604)이 조명하고, 그 다음 제5 쌍의 광원(605)이 조명하고, 그 다음 제6 쌍의 광원(606)이 조명할 수 있다.
한편, 도 9에서는 한 쌍의 광원이 2 개의 광원을 포함하는 예를 도시하였지만, 한 쌍의 광원이 3 개 이상의 광원을 포함하는 것도 가능하다. 예를 들어, 도 10에 도시된 바와 같이 제품(710)에 대해 제1 파장의 광을 발광하는 제1 쌍의 광원(701), 제2 파장의 광을 발광하는 제2 쌍의 광원(702), 및 제3 파장의 광을 발광하는 제3 쌍의 광원(703)을 포함할 수 있다. 예를 들어, 제1 파장의 광은 청색 광을 포함하고, 제2 파장의 광은 녹색 광을 포함하고, 제3 파장의 광은 적색 광을 포함할 수 있다. 하지만, 이는 예일 뿐이고, 여기에 한정되지는 않는다.
예를 들어, 제1 쌍의 광원(701)이 4개 구비되고, 제2 쌍의 광원(702)이 4개 구비되고, 제3 쌍의 광원(703)이 4개 구비될 수 있다. 제1 쌍의 광원(701), 제2 쌍의 광원(702), 제3 쌍의 광원(703)이 교대로 배열될 수 있다.
도 11은 광의 조명 방향 각도에 따른 광 강도의 변화를 도시한 것이다. 도 11의 상부 그래프에서 광 강도가 상대적으로 강하게 나타나는 부분(A)이 스크래치와 같은 진짜 결함, 즉 제거를 할 수 없는 결함을 나타낼 수 있다. 도 11의 중간 그래프에서 광 강도의 변화가 상대적으로 약하게 나타나는 부분(B)은 제거가 가능한 결함, 예를 들어, 지문이나 얼룩을 나타낼 수 있다. 도 11의 하부 그래프에서는 광 강도의 변화가 상대적으로 약하게 나타나는 부분(C)은 제거가 가능한 결함, 예를 들어, 먼지를 나타낼 수 있다. 이러한 조명 방향 각도에 따른 광 강도의 변화에 대응되는 결함의 종류에 대해서는 미리 정보를 가지고 있을 수 있다.
예시적인 실시 예에서 광원은 2 개 이상 구비되고, 2개 이상의 광원이 순차적으로 조명될 수 있다. 또한, 적어도 하나의 표면에 대해 2 개 이상의 광원이 서로 다르게 배치되고, 2 개 이상의 다른 조명 방향으로 광이 조명될 수 있다. 이미지 세트를 사전 처리 할 때, 프로세서는 상기 이미지의 콘트라스트 조정, 히스토그램 등화, 대비 제한 적응 히스토그램 등화 중 적어도 하나를 추가로 수행 할 수 있다. 그러나, 표면을 광학적으로 검사하기 위한 방법과 관련하여 위에서 언급 된 바와 같이, 본 발명에서 이미지의 전처리는 상기 동작에 제한되지 않는다.
적어도 하나의 표면에서 결함을 검출 할 때, 프로세서는 상기 이미지의 이진화, 상기 이미지에서의 에지 검출, 상기 이미지의 스펙트럼 분석, 상기 이미지의 클러스터링, 상기 이미지의 분할 및 처리 중 적어도 하나를 수행 할 수 있다. 상기 이미지는 Markov 랜덤 필드를 사용한다. 하지만, 본 발명의 결함 검출은 상기 동작에 제한되지 않는다.
훈련된 인공 지능 분류기는 컨볼루션 신경망 분류기, 딥 컨볼루션 신경망 분류기, 잔차 컨볼루션 신경망 분류기, 디스크립터 분류기 중 적어도 하나를 포함할 수 있다. 프로세서는 훈련 된 인공 지능 분류기에 상기 이미지 세트를 입력함으로써 결함의 유형 및 결함이 허위인지 또는 진실인지를 판단할 수 있다. 인공 지능 분류기는 결함 유형의 지시에 따라 상이한 결함의 이미지의 복수의 훈련 세트에 대해 사전 훈련될 수 있다. 그러나, 본 발명은 전술 한 분류기에 의해 제한되지 않으며, 본 발명의 특정 용도에 가장 적합한 이미지의 내용을 인식하기 위한 임의의 공지의 분류 기가 적용될 수 있다.
프로세서는 결함의 유형 및 결함이 거짓인지 참인지를 구별하기 전에 훈련 된 인공 지능 분류기에 의해 상기 이미지 세트로부터 결함의 특징을 추출할 수 있다. 프로세서는 결함의 유형 및 결함의 추출된 특징에 기초하여, 훈련된 인공 지능 분류기에 의해 결함이 거짓인지 참인지를 식별하고, 인공 지능 분류기는 복수의 특징의 훈련 세트에 대해 사전 훈련될 수 있다.
훈련된 인공 지능 분류기는 XGBoost (극단 그래디언트 부스팅) 분류기, 랜덤 포레스트 분류기, 완전 연결 신경망 분류기, 회선 신경망 분류기, 깊은 회선 신경망 분류기, 잔존 회선 중 적어도 하나를 포함할 수 있다. 디스크립터 분류기는 SIFT(Scale-Invariant Feature Transformation), VGG16 (feature vector of pre-trained neural network), SURF (Speeded Up Robust Features) 등을 포함할 수 있다. 그러나, 본 발명은 상기 분류기에 제한되지 않는다.
장치의 다른 실시 예에서, 프로세서는 결함 또는 결함 세트를 분석함으로써 미리 결정된 조건에 기초하여 적어도 하나의 표면이 양호한 지 또는 결함인지를 추가로 결정할 수 있다. 이러한 동작 및 미리 정해진 조건은 표면을 광학적으로 검사하기 위한 방법 (100)에 대해 이미 설명되었으므로 여기서는 설명을 생략한다. 선택적으로, 광원(201)은 가시 광선 광원, 자외선 광원, 적외선 광원 중 하나 일 수 있으며, 광은 편광 또는 비 편광, 단색 또는 소정의 스펙트럼을 가질 수 있다.
적어도 하나의 카메라는 광원의 광 스펙트럼에 따라 선택 될 수 있다. 적어도 하나의 카메라는 컬러 카메라, 흑백 카메라, 자외선 카메라, 또는 적외선 카메라 중 적어도 하나를 포함할 수 있다. 적어도 하나의 카메라는 스펙트럼 필터 및 편광 필터 중 적어도 하나를 포함 할 수 있다.
다수의 카메라를 갖는 장치의 레이아웃은 하나의 카메라가 검사 표면의 일부를 보고, 다수의 카메라가 검사 표면의 전체 영역을 커버하도록 시야를 증가시킬 수 있다.
다수의 카메라의 배열은 또한 카메라의 상이한 방향에서 상이한 각도로부터 검사 표면의 전체 영역 또는 표면의 일부의 이미지를 캡처 할 수 있다. 각각의 카메라는 적어도 2 개의 광원의 대칭축과 같이 정렬되거나 다르게 정렬 될 수 있다.
이상과 같이 예시적인 실시 예에 따른 광학 검사 장치 및 방법은 검사 제품의 표면을 정밀하게 검사할 수 있다.
상기한 실시예들은 예시적인 것에 불과한 것으로, 당해 기술분야의 통상을 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 타 실시예가 가능하다. 따라서, 예시적인 실시예에 따른 진정한 기술적 보호범위는 하기의 특허청구범위에 기재된 발명의 기술적 사상에 의해 정해져야만 할 것이다.

Claims (15)

  1. 제품의 표면을 광학적으로 검사하는 방법으로서,
    적어도 2 개의 광원에 의해 상기 제품의 적어도 하나의 표면을 순차적으로 조명하는 단계;
    적어도 하나의 개구 및 광 흡수 박스 중 적어도 하나에 의해 상기 적어도 2 개의 광원에 의해 조명된 광의 반사광과 직사광 중 적어도 하나가 적어도 하나의 카메라에 입사하는 것을 차단하는 단계;
    상기 적어도 하나의 카메라에 의해 적어도 하나의 표면의 이미지 세트를 캡처하는 단계, 및
    상기 이미지 세트 중 적어도 하나의 이미지에서 산란 된 광 패턴이 검출되면, 상기 적어도 하나의 표면에서 결함을 검출하는 단계;를 포함하는 방법.
  2. 제1 항에 있어서,
    상기 적어도 2 개의 광원의 위치가 상기 제품의 적어도 하나의 표면에 대해 상이하고, 상기 적어도 2 개의 광원의 조명 방향이 상이한, 방법.
  3. 제1 항에 있어서,
    상기 이미지 세트 중 각각의 이미지는 상기 적어도 2 개의 광원 중 적어도 하나의 광원에 의해 조명 될 때 캡처되는, 방법.
  4. 제1 항에 있어서,
    상기 이미지 세트 중 이미지를 전처리하는 단계를 더 포함하고,
    상기 전처리 단계는 적어도 배경을 제거하는 단계를 포함하는, 방법.
  5. 제 4 항에 있어서,
    상기 이미지 세트의 전처리 단계는 상기 이미지의 콘트라스트 조정, 히스토그램 등화, 콘트라스트 제한 적응 히스토그램 등화 중 적어도 하나를 더 포함하는 방법.
  6. 제1 항에 있어서,
    훈련 된 인공 지능 분류기에 의해 검출 된 결함을 평가함으로써 결함의 유형 및 결함이 거짓인지 참인지를 구별하는 단계를 더 포함하고, 상기 결함의 구별 여부는 구별 유형의 결함에 기초하여 수행되는, 방법.
  7. 제 6 항에 있어서,
    상기 훈련된 인공 지능 분류기는 컨벌루션 신경망 분류기, 딥 컨벌루션 신경망 분류기, 잔류 컨벌루션 신경망 분류기 중 하나를 포함하고, 상기 결함의 유형과 결함이 참인지 거것인지를 구별하는 것은 상기 일련의 이미지를 상기 훈련된 인공 지능 분류기에 입력함으로써 수행되고, 훈련된 인공 지능 분류기는 결함 유형의 표시를 가지고 상이한 결함의 이미지의 복수의 훈련 세트에 대해 사전 훈련되는, 방법.
  8. 제 1 항에 있어서,
    상기 적어도 두 개의 광원은 제1 쌍의 광원과 제2 쌍의 광원을 포함하고, 상기 제1 쌍의 광원과 제2 쌍의 광원은 상기 적어도 하나의 제품에 대해 서로 반대 방향에 배치된 방법.
  9. 제 1 항에 있어서,
    상기 적어도 하나의 표면에서의 결함의 검출은 상기 이미지의 이진화, 상기 이미지에서의 에지 검출, 상기 이미지의 스펙트럼 분석, 상기 이미지의 클러스터링, 상기 이미지의 분할 및 Markov 랜덤 필드들을 사용하여 상기 이미지들을 처리하는 것 중 적어도 하나를 포함하는, 방법.
  10. 제품의 표면을 광학적으로 검사하기 위한 장치로서,
    상기 제품의 적어도 하나의 표면을 순차적으로 조명하도록 구성된 적어도 2 개의 광원;
    상기 적어도 하나의 표면의 이미지 세트를 캡처하도록 구성된 적어도 하나의 카메라;
    상기 적어도 하나의 표면 상에서 산란 된 광을 제외하고, 상기 적어도 2 개의 광원으로부터 조명 된 광이 상기 적어도 하나의 카메라로 반사되거나 지향하는 것을 방지하도록 구성된 적어도 하나의 개구 및 광 흡수 박스;
    훈련된 인공 지능 분류기를 포함하는 프로세서;를 포함하는 장치.
  11. 제10항에 있어서,
    상기 이미지 세트 중 각각의 이미지는 상기 적어도 2 개의 광원 중 적어도 하나의 광원에 의해 조명 될 때 캡처되는, 장치.
  12. 제10항에 있어서,
    상기 이미지 세트 중 적어도 하나의 이미지에서 산란 된 광 패턴이 검출되면, 상기 적어도 하나의 표면에서 결함을 검출하도록 구성된, 장치.
  13. 제 10항에 있어서,
    상기 적어도 2 개의 광원은 적어도 2 쌍의 광원을 포함하고, 각 쌍에 포함된 광원은 서로 대향하여 배치되고, 각 쌍에 포함된 광원은 동시에 조명되고, 상기 적어도 2쌍의 광원은 순차적으로 조명되도록 구성된, 장치.
  14. 제 10 항에 있어서,
    상기 이미지 세트의 전처리에서, 상기 프로세서는 상기 이미지의 콘트라스트 조정, 히스토그램 등화, 콘트라스트 제한 적응 히스토그램 등화 중 적어도 하나를 수행하도록 구성된, 장치.
  15. 제 10 항에 있어서,
    상기 적어도 하나의 표면에서 결함을 검출할 때, 상기 프로세서는 상기 이미지의 이진화, 상기 이미지에서의 에지 검출, 상기 이미지의 스펙트럼 분석, 이미지의 클러스터링, 상기 이미지의 분할, Markov 랜덤 필드를 사용하여 상기 이미지를 처리하는 것 중 적어도 하나를 수행하도록 구성된, 장치.
PCT/KR2020/011416 2019-08-27 2020-08-26 광학 검사 방법 및 이를 이용한 장치 WO2021040409A1 (ko)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
RU2019126936A RU2716465C1 (ru) 2019-08-27 2019-08-27 Способ оптической проверки и использующее его устройство
RU2019126936 2019-08-27
KR1020200096395A KR20210025482A (ko) 2019-08-27 2020-07-31 광학 검사 방법 및 이를 이용한 장치
KR10-2020-0096395 2020-07-31

Publications (1)

Publication Number Publication Date
WO2021040409A1 true WO2021040409A1 (ko) 2021-03-04

Family

ID=74685658

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2020/011416 WO2021040409A1 (ko) 2019-08-27 2020-08-26 광학 검사 방법 및 이를 이용한 장치

Country Status (1)

Country Link
WO (1) WO2021040409A1 (ko)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060115143A1 (en) * 2004-11-29 2006-06-01 Ditza Auerbach Method for filtering nuisance defects
US7162073B1 (en) * 2001-11-30 2007-01-09 Cognex Technology And Investment Corporation Methods and apparatuses for detecting classifying and measuring spot defects in an image of an object
KR20130139747A (ko) * 2011-01-21 2013-12-23 가부시기가이샤니레꼬 농산물의 외부 품질 검사 장치용의 조명 장치 및 조명 방법
KR20160004099A (ko) * 2014-07-02 2016-01-12 한화테크윈 주식회사 결함 검사 장치
US20180075594A1 (en) * 2016-09-14 2018-03-15 Kla-Tencor Corporation Convolutional Neural Network-based Mode Selection and Defect Classification for Image Fusion

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7162073B1 (en) * 2001-11-30 2007-01-09 Cognex Technology And Investment Corporation Methods and apparatuses for detecting classifying and measuring spot defects in an image of an object
US20060115143A1 (en) * 2004-11-29 2006-06-01 Ditza Auerbach Method for filtering nuisance defects
KR20130139747A (ko) * 2011-01-21 2013-12-23 가부시기가이샤니레꼬 농산물의 외부 품질 검사 장치용의 조명 장치 및 조명 방법
KR20160004099A (ko) * 2014-07-02 2016-01-12 한화테크윈 주식회사 결함 검사 장치
US20180075594A1 (en) * 2016-09-14 2018-03-15 Kla-Tencor Corporation Convolutional Neural Network-based Mode Selection and Defect Classification for Image Fusion

Similar Documents

Publication Publication Date Title
KR20210025482A (ko) 광학 검사 방법 및 이를 이용한 장치
WO2016043397A1 (ko) 초분광영상화 기법을 이용한 글라스 결함 검출 방법 및 장치
KR101401146B1 (ko) 미세 전도체를 가지는 패터닝된 장치를 검사하는 시스템 및방법
KR20010042027A (ko) 물체의 구조화된 표면 광학검사 방법 및 장치
KR102168724B1 (ko) 이미지 검사를 이용한 이상 판별 방법 및 장치
KR20080080998A (ko) 화상 해석에 의해서 결함 검사를 실시하는 결함검사장치
US6556291B2 (en) Defect inspection method and defect inspection apparatus
WO2011019192A2 (ko) Ir 조명을 이용한 얼굴인식 시스템 및 방법
WO2008100683A1 (en) Method and apparatus for illuminating material for automated inspection
WO2017204519A2 (ko) 데이터 밸런싱을 통한 학습기반의 비전검사 방법 및 이를 이용한 데이터 밸런싱을 통한 학습기반의 비전검사 장치
WO2018021748A1 (ko) 다초점 영상 획득 장치 및 샘플 표면 검사 시스템
KR20190027042A (ko) 검사대상체 표면 검사를 위한 듀얼 라인 광학 검사 시스템
WO2011083989A2 (ko) 결점 검사장치
JPH04128635A (ja) 検査方法及び装置
WO2021040409A1 (ko) 광학 검사 방법 및 이를 이용한 장치
JP2022501594A (ja) ビジョンベース検査システムの光学構成要素の自律診断検証のためのシステム、方法、および装置
EP0823629B1 (en) Process for the automatic recognition and categorization of defects in pallets or similar elements, and corresponding system
CN209387542U (zh) 一种消除物料阴影的检测装置
JP2000046651A (ja) ワイヤーの外観検査装置
CN110658207A (zh) 一种区分非偏光膜内与膜外异物的检测方法及装置
CN217156336U (zh) 一种边缘检测设备以及设备前端模块
JPH06186002A (ja) ラベル外観検査方法及び装置
WO2022085822A1 (ko) 연질성 이물을 검출할 수 있는 초분광 검사장치
JPH04305144A (ja) コンタクトレンズ外周欠け検査装置
JPH04238592A (ja) 結束棒鋼自動検数装置

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 20856140

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 20856140

Country of ref document: EP

Kind code of ref document: A1