WO2023219082A1 - 接着状態の予測システム、接着状態の予測方法、接着状態の予測プログラム及び接着物の製造方法 - Google Patents

接着状態の予測システム、接着状態の予測方法、接着状態の予測プログラム及び接着物の製造方法 Download PDF

Info

Publication number
WO2023219082A1
WO2023219082A1 PCT/JP2023/017451 JP2023017451W WO2023219082A1 WO 2023219082 A1 WO2023219082 A1 WO 2023219082A1 JP 2023017451 W JP2023017451 W JP 2023017451W WO 2023219082 A1 WO2023219082 A1 WO 2023219082A1
Authority
WO
WIPO (PCT)
Prior art keywords
adhesion state
data
state prediction
prediction system
acquired
Prior art date
Legal status (The legal status 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 status listed.)
Ceased
Application number
PCT/JP2023/017451
Other languages
English (en)
French (fr)
Inventor
千代子 竹村
哲也 山田
康 大久保
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Konica Minolta Inc
Original Assignee
Konica Minolta Inc
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 Konica Minolta Inc filed Critical Konica Minolta Inc
Priority to CN202380039771.9A priority Critical patent/CN119173595A/zh
Priority to US18/864,147 priority patent/US20250305957A1/en
Priority to JP2024520458A priority patent/JPWO2023219082A1/ja
Publication of WO2023219082A1 publication Critical patent/WO2023219082A1/ja
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

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
    • G01N21/8422—Investigating thin films, e.g. matrix isolation method
    • C—CHEMISTRY; METALLURGY
    • C09—DYES; PAINTS; POLISHES; NATURAL RESINS; ADHESIVES; COMPOSITIONS NOT OTHERWISE PROVIDED FOR; APPLICATIONS OF MATERIALS NOT OTHERWISE PROVIDED FOR
    • C09J—ADHESIVES; NON-MECHANICAL ASPECTS OF ADHESIVE PROCESSES IN GENERAL; ADHESIVE PROCESSES NOT PROVIDED FOR ELSEWHERE; USE OF MATERIALS AS ADHESIVES
    • C09J201/00—Adhesives based on unspecified macromolecular compounds
    • C—CHEMISTRY; METALLURGY
    • C09—DYES; PAINTS; POLISHES; NATURAL RESINS; ADHESIVES; COMPOSITIONS NOT OTHERWISE PROVIDED FOR; APPLICATIONS OF MATERIALS NOT OTHERWISE PROVIDED FOR
    • C09J—ADHESIVES; NON-MECHANICAL ASPECTS OF ADHESIVE PROCESSES IN GENERAL; ADHESIVE PROCESSES NOT PROVIDED FOR ELSEWHERE; USE OF MATERIALS AS ADHESIVES
    • C09J5/00—Adhesive processes in general; Adhesive processes not provided for elsewhere, e.g. relating to primers
    • 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
    • G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
    • G01N21/63—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light optically excited
    • G01N21/64—Fluorescence; Phosphorescence
    • G01N21/6428—Measuring fluorescence of fluorescent products of reactions or of fluorochrome labelled reactive substances, e.g. measuring quenching effects, using measuring "optrodes"
    • 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
    • G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
    • G01N21/63—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light optically excited
    • G01N21/64—Fluorescence; Phosphorescence
    • G01N21/6428—Measuring fluorescence of fluorescent products of reactions or of fluorochrome labelled reactive substances, e.g. measuring quenching effects, using measuring "optrodes"
    • G01N2021/6439—Measuring fluorescence of fluorescent products of reactions or of fluorochrome labelled reactive substances, e.g. measuring quenching effects, using measuring "optrodes" with indicators, stains, dyes, tags, labels, marks
    • 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
    • G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
    • G01N21/63—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light optically excited
    • G01N21/64—Fluorescence; Phosphorescence
    • G01N21/645—Specially adapted constructive features of fluorimeters
    • G01N21/6456—Spatial resolved fluorescence measurements; Imaging

Definitions

  • the present invention relates to an adhesion state prediction system, an adhesion state prediction method, an adhesion state prediction program, and an adhesive manufacturing method.
  • Section 9-4 of the SDGs states, ⁇ Improve sustainability by improving infrastructure and industry through improving resource use efficiency and expanding the introduction of clean and environmentally friendly technologies and industrial processes.'' As described above, there is an increasing need for technology that can reduce losses in manufacturing processes, improve product yield, and detect product defects in upstream processes.
  • one of the causes of lower yields of various industrial products is the adhesion process.
  • defective products produced during the bonding process generally cannot be returned to their original parts or products and must be discarded.
  • Lithium-ion batteries which are the key to low-load electric vehicles, are required to have even higher durability from the perspective of ensuring safety, that is, highly accurate adhesive force prediction.
  • the product development cycles are short and products are used by a large number of people, making the issue even more important.
  • a step of irradiating ultraviolet rays to an ultraviolet curable resin containing a base resin and a photopolymerization initiator a step of detecting fluorescence emitted by the photopolymerization initiator upon receiving ultraviolet rays, and a step of ultraviolet curing based on the detected fluorescence.
  • a method for estimating a cured state including a step of estimating the cured state of a resin is disclosed (for example, Patent Document 3).
  • Patent Document 2 is only a limited technique that can be applied only to a specific material (synthetic resin cured by ring-opening polymerization) for a specific cause (salt adhesion).
  • the data obtained was only data related to fluorescence, and was not multidimensional.
  • the data regarding fluorescence intensity and its temporal change acquired in Patent Document 3 is local and does not include positional information in a two-dimensional space. Therefore, none of these methods could predict the occurrence of an abnormality in the adhesion state with high accuracy.
  • the present invention has been made in view of these circumstances, and it is an object of the present invention to provide an adhesion state prediction system that can be applied to various adhesive materials and that can predict the adhesion state with high accuracy. Another object of the present invention is to provide a method for predicting an adhesive state, a program for predicting an adhesive state, and a method for manufacturing an adhesive.
  • the adhesion state prediction system of the present invention is a system for predicting the adhesion state when an object having adhesive properties is adhered to an object to be adhered, and uses physical property value information on two-dimensional coordinates of the object.
  • the present invention includes a data acquisition unit that acquires two or more pieces of data, and an adhesion state prediction unit that predicts the adhesion state between the object and the adherend using the two or more acquired data.
  • the adhesion state prediction method of the present invention is a method for predicting the adhesion state when an object having adhesive properties is adhered to an adherend, and includes physical property value information on two-dimensional coordinates of the object.
  • the method includes a step of acquiring two or more pieces of data, and a step of predicting an adhesion state between the object and the adherend using the acquired two or more pieces of data.
  • the adhesion state prediction program of the present invention is a program for predicting the adhesion state when an object having adhesive properties is adhered to an object to be adhered.
  • the method is for executing a step of acquiring two or more pieces of data including information, and a step of predicting an adhesion state between the object and the object to be adhered using the two or more pieces of the acquired data. .
  • the method for producing an adhesive of the present invention includes a step of predicting the adhesion state between the target object and the adherend by performing the prediction method of the present invention on the target object having adhesive properties, and the predicted result. and adjusting processing conditions for the object based on the method.
  • an adhesion state prediction system a prediction method, a prediction program that can be applied to various adhesive materials and that can predict the adhesion state with high accuracy, and a method for manufacturing an adhesive product using the same. can do.
  • FIG. 1 is a flowchart illustrating an example of an adhesion state prediction method according to an embodiment of the present invention.
  • Figure 2A shows images taken with a normal camera at each temperature when the temperature of the object containing the contrast agent (1) was changed
  • Figure 2B shows images taken with a hyperspectral camera at each temperature. This shows a spectrum obtained by averaging the spectra of a specific photographed area.
  • Figure 3 shows the behavior of the ratio of the emission intensity at a wavelength of 488 nm and the emission intensity at a wavelength of 590 nm (F488/F590) obtained from the spectroscopic spectrum when the temperature of the target object is changed, and the elastic modulus ( It is a graph showing the behavior of (Log value).
  • FIG. 1 is a flowchart illustrating an example of an adhesion state prediction method according to an embodiment of the present invention.
  • Figure 2A shows images taken with a normal camera at each temperature when the temperature of the object containing the contrast agent (1) was changed
  • Figure 2B shows images taken
  • FIG. 4 is a flowchart illustrating an example of the prediction process.
  • FIG. 5 is a flowchart showing a method for predicting an adhesion state according to another embodiment of the present invention.
  • FIG. 6 is a schematic diagram showing an example of the configuration of an adhesion state prediction system according to an embodiment of the present invention.
  • FIG. 7 is a flowchart illustrating an example of a method for manufacturing an adhesive using a method for predicting an adhesive state according to an embodiment of the present invention.
  • Adhesion state prediction method A method for predicting an adhesion state according to an embodiment of the present invention will be described first, and then a prediction system that can be used in the prediction method will be described.
  • a method for predicting an adhesion state according to an embodiment of the present invention is a method for predicting the adhesion state when an object having adhesive properties is adhered to an adherend, for example, the quality of the final adhesion state.
  • the object having adhesive properties is not particularly limited as long as it exhibits adhesive properties, and may be a thermocompression bonding material, an adhesive material, or a curable material.
  • the thermocompression bonding material is a material that is melted and bonded by heat, and includes, for example, low-density polyethylene, ethylene/vinyl acetate copolymer, polypropylene, and the like.
  • the adhesive material include acrylic, silicone, urethane, and rubber adhesives.
  • curable materials include photocurable materials and thermosetting materials.
  • the material constituting the adherend is not particularly limited, and may be any of glass, resin material, and metal material.
  • FIG. 1 is a flowchart illustrating an example of a method for predicting an adhesion state according to an embodiment of the present invention.
  • the adhesion state prediction method according to the present embodiment includes a step of acquiring two or more data including physical property value information on two-dimensional coordinates of the object (data acquisition step, steps S11 to S14). and a step (prediction step, step S15) of predicting the adhesion state between the object and the adherend using the two or more acquired data.
  • Data acquisition process In the data acquisition step, two or more pieces of data including physical property value information on two-dimensional coordinates of the object are acquired.
  • Data containing information on physical property values on two-dimensional coordinates refers to positional information on two-dimensional coordinates and information on physical property values corresponding to individual positions. This is data including physical property value information, that is, two-dimensional data of physical property value information.
  • Physical property value information refers to the physical property value of an object or information related to it.
  • the type of physical property information is not particularly limited as long as it is related to predicting the adhesion state. Examples include elastic modulus, degree of curing, hardness, film thickness, moisture content, residual solvent content, coating unevenness, and temperature.
  • viscosity ⁇
  • dynamic viscoelasticity storage modulus, loss modulus
  • tan ⁇ surface tension
  • density vapor pressure
  • boiling point boiling point
  • refractive index curing shrinkage
  • glass transition temperature Tg
  • SP value polar component (dP ), dispersion component (dD), hydrogen bond component (dH)
  • molecular weight number average molecular weight Mn, weight average molecular weight Mw, polydispersity Mw/Mn
  • molecular structure information functional group, chemical bond state, radical generation state
  • the physical property value information is preferably elastic modulus, degree of curing, hardness, coating unevenness, polarity, moisture content, temperature, or film thickness.
  • Most of these physical property value information can be associated with spectral characteristic information obtained from spectral data. Therefore, it is preferable that at least one of the two or more pieces of data includes spectral characteristic information.
  • Data including such physical property value information can be obtained by acquiring two-dimensional coordinate information of the target object and being associated with the acquired two-dimensional coordinate information.
  • the two-dimensional coordinate information and the physical property value information may be acquired separately or at the same time. When acquired simultaneously, it can be obtained directly or indirectly from the two-dimensional image.
  • Examples of two-dimensional images include spectral images (multispectral images, hyperspectral images), reflectance distribution images, temperature distribution images, and the like.
  • the two or more pieces of data may be data that includes predetermined physical property value information that is acquired over time, or may be data that is obtained about two or more different types of physical property value information.
  • the data acquired over time may be acquired intermittently or continuously.
  • the data acquired regarding two or more different types of physical property value information may be acquired at the same time or at different timings.
  • the two or more pieces of data includes spectral property information of the object.
  • the spectral characteristic information may be the emission intensity at a specific wavelength, the ratio of emission intensities, peak shift, reflectance, etc. obtained from spectral data. It is preferable that these spectral characteristic information be associated with one or more selected from the group consisting of elastic modulus, degree of curing, hardness, polarity, and water content.
  • Data including such spectral characteristic information can be obtained from the state of light reflected and emitted from an object when the object is irradiated with light of a predetermined wavelength.
  • data including spectral characteristic information may be acquired separately by linking two-dimensional coordinate information and information on light reflected and emitted from the corresponding object; or as a spectral image. They may be acquired at the same time.
  • a spectral image can be acquired by a means capable of detecting light reflected and emitted from an object, such as a hyperspectral camera. In that case, it is preferable that the object has a light emission behavior that changes depending on its state.
  • the “state of the object” means one piece of physical property value information of the object.
  • the luminescence behavior changes refers to a change in one or more of the peak wavelength, intensity, spectrum, fluorescence lifetime, phosphorescence lifetime, etc. of the light reflected and emitted by the object.
  • the light emitted by the object may be light emitted by the object itself, or may be fluorescence or phosphorescence generated by exciting a luminescent substance contained in the object.
  • an absorbing/emitting substance contained in an object whose absorption/emitting behavior (wavelength and intensity) changes depending on the state of the object is particularly referred to as a "contrast agent.”
  • the object contains a contrast agent.
  • the contrast agent may be originally contained in the object, or may be added artificially afterwards. If the contrast agent is fluorescent or phosphorescent, it needs to be excited by known means to emit light, but the means are not limited to photoexcitation, current excitation, chemical excitation, thermal excitation, etc. Excitation etc. can be used.
  • the contrast agent is preferably a material that is excited to emit light when irradiated with light of a predetermined wavelength, and more preferably a material that is excited and emits fluorescence when irradiated with light of a predetermined wavelength. .
  • any known chromic dye can generally be used as long as it responds to the state desired to be observed.
  • a chromic dye Adv. Mater. , 2013, 25, p378, JP 2012-172139, JP 2019-38973, etc., photochromic dyes, Acc. Chem. Res. , 2017, 50, p366, JP 2008-291210, WO 2020/171199, etc., solvatochromic dyes, JP 2019-31606, PCT International Publication No. 2015-533892, etc., thermochromic dyes, Chem. Soc. Rev. Electrochromic dyes described in Chem. Eur. J.
  • the amount of contrast agent added may be within a range that does not affect adhesion and other required performances and that allows detection of the adhesion state, but is preferably 10 ppm to 1.0% by weight, more preferably It is 50 ppm to 0.5%, more preferably 100 ppm to 0.1%.
  • contrast agent a compound whose luminescent behavior changes depending on the hardness of the object, and a compound whose luminescent behavior changes depending on the moisture content and polarity of the object will be exemplified and explained.
  • Examples of compounds whose luminescence behavior changes depending on the hardness of the object include phenazine compounds such as contrast agent (1). It is known that when this compound becomes excited by light, it passes through two or more excited states and emits light at different wavelengths depending on whether the environment around the compound itself is an environment that facilitates structural relaxation. It is being The "environment that facilitates structural relaxation” here means that there is sufficient free volume around the contrast agent and it is easy to move, that sufficient thermal energy is available to facilitate molecular movement, and that the surrounding viscosity is low. It is a comprehensive expression of one or more of the following: or the fact that the surrounding area is not a solid but a liquid.
  • a small free volume and a high viscosity can be translated into a high elastic modulus and a high degree of curing. That is, by observing the emission wavelength of the contrast agent (1), the hardness of the object, represented by the elastic modulus and degree of hardening, can be obtained.
  • the structure of the contrast agent for visualizing such hardness is not particularly limited as long as it is a compound that can emit light from two or more different excited states depending on the surrounding environment. Such dyes are described in Chem. Sci. , 2020, 11, p7525 as a reference.
  • the contrast agent (1) has a peak emission intensity near a wavelength of 488 nm under an environment in which structural relaxation is difficult, that is, when the target object has a high elastic modulus.
  • the peak of the emission intensity is around a wavelength of 590 nm. Therefore, the ratio (F488/F590) of the emission intensity at a wavelength of 488 nm (F488) and the emission intensity at a wavelength of 590 nm (F590) changes depending on the elastic modulus of the object. That is, the ratio (F488/F590) of emission intensity (F590) as spectral characteristic information can be associated with the elastic modulus.
  • FIG. 2A shows images taken with a normal camera at each temperature when the temperature of the object containing the contrast agent (1) was changed
  • FIG. 2B shows images taken with a hyperspectral camera at each temperature. This shows a spectrum obtained by averaging the spectra of a specific photographed area.
  • the horizontal axis indicates wavelength (nm)
  • the vertical axis indicates emission intensity (-).
  • Figure 3 shows the behavior of the ratio of the emission intensity at a wavelength of 488 nm and the emission intensity at a wavelength of 590 nm (F488/F590) obtained from the spectroscopic spectrum when the temperature of the target object is changed, and the elastic modulus ( It is a graph showing the behavior of (Log value).
  • the horizontal axis shows the temperature (° C.) of the object
  • the left vertical axis shows the ratio of emission intensity (F488/F590)
  • the right vertical axis shows the Log value of the elastic modulus.
  • FIG. 2A shows that as the temperature rises, the emission color changes from blue (around 23 to 70°C), pink (80 to 110°C), and orange (120 to 150°C).
  • FIG. 2B it can be seen that as the temperature rises, the peak of the emission intensity shifts to the longer wavelength side. That is, as the temperature rises, the ratio of long wavelength components (red emitting components) to short wavelength components (blue emitting components) increases, that is, the ratio of the emitted light intensity at a wavelength of 488 nm to the emitted light intensity at a wavelength of 590 nm (F488 /F590) becomes smaller (see FIG. 3).
  • examples of compounds whose luminescence behavior changes depending on the water content and polarity in the target object include solvatochromic dyes.
  • Solvatochromic dyes are dyes whose emission wavelengths and absorption wavelengths change depending on the moisture content and polarity of surrounding objects and solvents. This is because the structure of the excited state of the dye is stabilized or destabilized depending on the type and composition of the solvent, and the energy difference from the ground state changes, so the emission wavelength corresponding to that energy difference changes. It is understood that In other words, by observing the emission wavelength, it is possible to indirectly visualize the type and composition of surrounding objects and solvents that stabilize or destabilize the contrast agent.
  • contrast agent for visualizing water content and polarity is not particularly limited as long as it is a dye whose emission wavelength and absorption wavelength change depending on the water content and polarity of surrounding objects and solvents.
  • contrast agents include, for example, squarylium dyes such as contrast agent (2).
  • Such a dye can be synthesized with reference to the aforementioned WO2020/171199.
  • the wavelength of the light (excitation light) irradiated onto the object is appropriately selected depending on the type of contrast agent, the type of object, and the like.
  • the contrast agent is a compound that can be excited by visible light
  • ultraviolet light ultraviolet light is used as the excitation light.
  • the other one of the two or more pieces of data includes film thickness information. This is because these data are deeply related to the adhesion state, regardless of the type of object or adhesion method.
  • an image (Image 1) is acquired by a hyperspectral camera while, for example, light of a predetermined wavelength is irradiated (Step S11). Then, data (data 1) including the ratio of luminescence intensity (F488/F590) associated with the elastic modulus is obtained from the image (step S12).
  • a reflection spectrum image (image 2) is acquired using a reflection spectroscopic film thickness meter (step S13). Then, data (data 2) including the film thickness is obtained from the reflection spectrum image (step S14).
  • the adhesion state between the object and the adherend is analyzed and predicted using two or more pieces of data acquired in the data acquisition step (steps S11 to S14).
  • the accuracy of analysis and prediction can be improved by performing such analysis and prediction on two or more pieces of data instead of using a single piece of data.
  • Analysis and prediction of the adhesion state can be performed by any method.
  • the adhesion state of the object may be analyzed and predicted by comparing two or more pieces of data acquired over time regarding predetermined physical property value information.
  • data is obtained in advance when the object is in a standard state (for example, when the adhesion state is good) or when it is in a predetermined state (for example, when the adhesion state is poor and peeling occurs). Then, by comparing these data with the data acquired in the data acquisition step, the adhesion state of the object may be analyzed and predicted. The time when a predetermined state is reached may be, for example, when the adhesion state is good or when poor adhesion occurs.
  • the adhesion state may be analyzed and predicted based on a prediction model (learned model) generated in advance by machine learning.
  • a prediction model (learned model) generated in advance by machine learning.
  • the state of adhesion of the object can be determined based on the accumulated It can be determined (predicted) from data etc.
  • FIG. 4 is a flowchart illustrating an example of the adhesion state prediction process (step S15 in FIG. 1).
  • a process similar to the data acquisition process described above is performed multiple times. Then, multiple predictive models are constructed based on this. Then, by combining the results of the plurality of prediction models, a learned model (adhesion prediction state algorithm) that can predict information regarding the adhesion state of the object (for example, peeling force, etc.) is created.
  • a learned model adheresion prediction state algorithm
  • the above prediction model uses machine learning that uses two or more data as explanatory variables and a physical property that indicates the adhesion state of the object (e.g., peeling force) as the objective variable. It can be constructed by doing each.
  • the explanatory variables the same data as the data acquired in the data acquisition step (S11 to S14) can be used.
  • the objective variable can be selected as appropriate depending on the purpose of the analysis, and variables related to the adhesion state of the object (for example, peeling force, cross-cut test, pencil hardness test, etc.) can be used.
  • Machine learning may be supervised learning or unsupervised learning.
  • supervised learning refers to a learning method that learns the "relationship between input and output” from learning data with correct answer labels.
  • Unsupervised learning refers to a learning method that learns the "structure of a data group" from training data without correct answer labels.
  • machine learning may be reinforcement learning, deep learning, or deep reinforcement learning.
  • reinforcement learning is a learning method that learns the "optimal sequence of actions" through trial and error.
  • Deep learning is a learning method that uses large amounts of data to learn features contained in the data in a step-by-step manner. Deep reinforcement learning refers to a learning method that combines reinforcement learning and deep learning.
  • Machine learning includes, for example, linear regression (multiple regression analysis, partial least squares (PLS) regression, LASSO regression, Ridge regression, principal component regression (PCR), etc.), random forest, decision tree, support vector machine (SVM), A prediction model constructed by an analysis method selected from support vector regression (SVR), neural network, discriminant analysis, etc. can be applied.
  • linear regression multiple regression analysis, partial least squares (PLS) regression, LASSO regression, Ridge regression, principal component regression (PCR), etc.
  • PLS partial least squares
  • PCR principal component regression
  • SVM support vector machine
  • a prediction model constructed by an analysis method selected from support vector regression (SVR), neural network, discriminant analysis, etc. can be applied.
  • the adhesion state prediction step the adhesion state is analyzed and predicted using the trained model created above.
  • a trained model is read (step S21).
  • a learning model of a regression equation is read.
  • the explanatory variables of the regression equation are two or more pieces of data acquired in the data acquisition step, and the objective variable is peeling force.
  • two or more data to be input as explanatory variables are extracted.
  • the extracted data is then input to the explanatory variables of the regression equation of the learned model for each pixel (step S22).
  • the peeling force is predicted for each pixel (step S23) and output as a target variable (step S24). This is performed for each of two or more pieces of data.
  • the output peeling force for each pixel is plotted on two-dimensional coordinates (step S24). Then, it is divided into areas according to the level of peeling force, and each area is colored and visualized on two-dimensional coordinates. For example, areas where the peeling force exceeds a predetermined threshold are designated as NG areas (areas that cause poor adhesion), and areas that do not exceed the threshold are designated as OK areas (areas that do not cause poor adhesion), and are displayed in different colors. Thereby, it is possible to visualize and predict on the two-dimensional coordinates in which part of the object the adhesion failure will occur.
  • NG areas areas that cause poor adhesion
  • OK areas areas that do not cause poor adhesion
  • HOG Heistograms of Oriented Gradients
  • the “HOG feature amount” is a feature amount obtained by converting a local image gradient into a histogram. By acquiring the HOG feature amount, it is possible to detect the gradient of the peeling force and clarify its contour.
  • the HOG feature amount can be calculated with reference to various known papers, Japanese Patent Application Publication No. 2018-36689, and the like. Further, the above-mentioned machine learning method can also be used for this boundary clarification algorithm.
  • the result of actually measuring the peeling force is compared with the above predicted result.
  • the compared results are then added to the training data of the learned model. Thereby, the prediction accuracy of the trained model can be further improved.
  • the adhesion state can be predicted with higher accuracy.
  • the adhesion state is predicted using two or more pieces of data in the prediction process (step S15).
  • the present invention is not limited to this, and the prediction step may be performed each time one or more pieces of data are acquired.
  • FIG. 5 is a flowchart showing a method for predicting an adhesion state according to another embodiment of the present invention.
  • a spectral image image 1 is acquired (step S31), and data (data 1) including the ratio of emission intensity (F488/F590) associated with the elastic modulus is acquired from there (step S32).
  • an adhesion state prediction step step S33
  • a reflection spectrum image image 2 is acquired (step S34), and data (data 2) including the film thickness is acquired therefrom (step S35).
  • an adhesion state prediction step step S36 is performed. In this way, the prediction step may be performed every time one or more pieces of data are acquired.
  • steps S31, S32, S34, and S35 in FIG. 5 correspond to steps S11, S12, S13, and S14 in FIG. 1, respectively. Further, the combination of steps S33 and S36 in FIG. 5 corresponds to step S15 in FIG.
  • data including the ratio of emitted light intensity or elastic modulus and data including film thickness are acquired as two or more data, but the data is not limited to this, and the type of object and the What is necessary is to obtain a suitable one depending on the type of attachment and the adhesion method.
  • Adhesion state prediction system The adhesion state prediction method according to the present embodiment can be performed by the following adhesion state prediction system. Note that the system for performing the adhesion state prediction method is not limited to the following system.
  • FIG. 6 is a schematic diagram showing the configuration of the adhesion state prediction system 100 according to the present embodiment.
  • the prediction system 100 includes an imaging device 110, a processing device 120, and a display unit 130.
  • the imaging device 110 captures an image showing the light emitting state of the object when it is irradiated with light.
  • the imaging device 110 includes a light source 111 and an imaging section 112.
  • the light source 111 is not particularly limited as long as it is a means that can irradiate light of a predetermined wavelength onto an object.
  • a lamp with a wide range of wavelengths can be applied, and examples thereof include light sources in the ultraviolet, visible, near-infrared, and infrared regions. Examples include xenon lamps, halogen lamps, white LED lamps, near-infrared hyperspectral imaging lighting (such as LDL-222X42CIR-LACL manufactured by CCS Corporation), and laser-excited white light sources that can emit light in the deep ultraviolet to near-infrared wavelength range. (XWS-65 manufactured by KLV, etc.) etc. can be used.
  • a light source that includes ultraviolet light is preferred, and when an infrared dye or the like is used, a light source that includes infrared light is preferred.
  • a light source with a sharp waveform such as an LED light source, is preferable because it can emphasize the spectrum unique to the contrast agent.
  • the shape of the light source may be a normal point light source, but when installing it on a production line, etc., it is preferable to use line lighting (high-intensity condensing line lighting manufactured by CCS Corporation, LDL-222X42CIR-LACL, etc.). .
  • the imaging unit 112 is not particularly limited as long as it can capture the state of the light reflected or emitted by the object upon receiving the light from the light source 111, and is appropriately selected according to the type of data to be acquired.
  • the imaging device 110 may be a monochrome camera, a color camera, an infrared camera, a multispectral camera, a hyperspectral camera, or the like.
  • the image captured by the imaging device 110 is output to the data acquisition unit 121.
  • Multispectral cameras and hyperspectral cameras are cameras that can take images at more wavelengths than regular cameras, and have high spectral and spatial resolution, so they can measure multiple objects in one measurement. This method is preferable because it allows quantitative evaluation over a wide range of points.
  • the wavelength resolution is 50 nm or less, more preferably 10 nm or less, even more preferably 5 nm or less.
  • area type snapshot type
  • line type is preferred. Hyperspectral cameras that can measure the visible light range include Specim's Specim IQ and FX-10, Eva Japan's NH series, etc. Hyperspectral cameras that can measure near-infrared range include Specim's FX-17 and SW.
  • hyperspectral cameras that can measure the mid-infrared region.
  • hyperspectral cameras that can measure far-infrared regions include Specim's FX-50 and MW-IR, but they are not limited to Specim's LW-IR.
  • the processing device 120 uses a data acquisition unit 121 that acquires two or more data of the target object from the image, a storage unit 122 that stores the acquired two or more data, and a data acquisition unit 122 that uses the acquired two or more data to determine the target object. and an adhesion state prediction unit 123 that predicts the adhesion state of the adherend.
  • the data acquisition unit 121 performs the data acquisition process described above. That is, two-dimensional coordinate information and physical property value information linked thereto are acquired.
  • the data acquisition unit 121 includes an image acquisition unit 124 that acquires an image captured by the imaging device 110, and an image acquisition unit 124 that acquires two or more of the above data (data including physical property value information on two-dimensional coordinates) from the image. It has a processing section 125.
  • the image acquisition unit 124 may be any means that can acquire images captured by the imaging device 110 or images captured by an external device (not shown).
  • the processing unit 125 may be any means that can acquire data of the object from the image acquired by the image acquisition unit 124.
  • the processing unit 125 can acquire data including the emission intensity ratio (F488/F590) from the spectral image acquired by the image acquisition unit 124.
  • the processing unit 125 may not be necessary, or the processing by the processing unit 125 may not be performed.
  • temperature information can be directly obtained from a temperature distribution image obtained by infrared thermography, processing by the processing unit 125 is not necessary.
  • film thickness information can be directly obtained from the reflection spectrum data obtained by the reflection spectroscopic film thickness meter, processing by the processing unit 125 is not necessary.
  • the storage unit 122 may be any means that can store two or more pieces of data acquired by the processing unit 125.
  • the adhesion state prediction unit 123 performs the above prediction process.
  • the adhesion state prediction unit 123 may be any means that can analyze the data obtained by the data acquisition unit 121 (for example, the processing unit 125). For example, data including separately acquired reference physical property value information is read out, and the reference data is compared with data obtained from the data acquisition unit 121 (for example, the processing unit 125) to analyze and analyze the adhesion state. You can predict it. Further, the adhesion state prediction unit 123 may predict the adhesion state based on the learned model. Specifically, the adhesion state prediction unit 123 reads the trained model from the storage unit 122 or an external storage device (not shown), and applies the learned model to the data acquisition unit 121 (for example, the processing unit 125). You may input the obtained data and perform calculations. Then, the calculation result, that is, the predicted result of the adhesion state is output.
  • the processing device 120 includes storage means such as a hard disk drive (HDD), solid state drive (SSD), and read-only memory (ROM) for storing programs, data, etc., and a central processing unit (120) that performs program execution, calculation processing, etc.
  • storage means such as a hard disk drive (HDD), solid state drive (SSD), and read-only memory (ROM) for storing programs, data, etc.
  • ROM read-only memory
  • a general computer general-purpose computer equipped with a CPU (CPU) can be used. Further, the computer may further include input means such as a keyboard and mouse, and output means such as a monitor and a printer.
  • the display section 130 may be any means that can display the results predicted by the adhesion state prediction section 123.
  • the display unit 130 may be an output means such as a monitor or a printer.
  • the display unit 130 may be configured integrally with the processing device 120.
  • the prediction system 100 includes a data acquisition unit 121 that acquires two or more pieces of data about an object, and an adhesive that predicts the adhesion state of the object using the two or more acquired data. It has a state prediction unit 123. As a result, it is possible to perform a multidimensional analysis compared to the conventional method, thereby improving prediction accuracy.
  • the prediction system 100 has the imaging device 110, but the prediction system 100 does not need to have the imaging device 110.
  • the prediction system 100 may be configured such that the image acquisition unit 124 reads an image showing a light emission state that is separately acquired by an external imaging device (not shown).
  • the data acquisition unit includes the image acquisition unit 124 that simultaneously acquires two-dimensional coordinate information and physical property value information, but the present invention is not limited to this. It may be a two-dimensional coordinate information acquisition unit that separately acquires the associated physical property value information.
  • the prediction system 100 has the storage unit 122 in the above embodiment, it does not need to have the storage unit 122.
  • the prediction system 100 may be configured such that two or more pieces of data acquired by the processing unit 125 can be input directly from the processing unit 125 to the adhesion state prediction unit 123, or an external storage device (not shown) may be configured. It may be configured so that it can be read from
  • the prediction system 100 has the display unit 130, but the display unit 130 may not be provided, and the output from the adhesion state prediction unit 123 is displayed on an external display device (not shown). You may also display the results.
  • Adhesion state prediction program The adhesion state prediction method according to the present embodiment can be performed by the following adhesion state prediction program.
  • the program for predicting the adhesion state causes the computer to execute the data acquisition step (for example, steps S11 to S14 in FIG. 1) and the adhesion state prediction step (for example, step S15 in FIG. 1).
  • the contents of each step of the prediction program are the same as the contents of each step of the prediction method.
  • the prediction program may be provided stored in a recording medium such as a DVD or a USB memory, or may be stored in a server device on the network so as to be downloadable via the network.
  • Adhesive manufacturing method (Embodiment 1)
  • the method for predicting the adhesion state described above can be applied to manufacturing processes for various devices and their members. Examples of devices and their components include displays, polarizing plates, touch panels, optical films, and the like.
  • the above adhesion state prediction method can be applied, for example, to a step of bonding two adherends together via a thermocompression bonding film in a device manufacturing method.
  • FIG. 7 is a flowchart illustrating an example of the adhesive manufacturing method according to the present embodiment.
  • a step of preparing a thermocompression bonding film (object) preparation step, step S41
  • a heat treatment to melt the thermocompression bonding film heat treatment step, step S42
  • data including physical property value information is acquired for the heat-melted thermocompression bonding film (step S43)
  • the thermocompression bonding film when the heat-melting thermocompression bonding film is bonded to a glass film (adherent) is obtained.
  • /Predict the adhesion state of the glass film interface asdhesion state prediction step, step S44).
  • step S45 the predicted result of the adhesion state is visualized (visualization step, step S45), and it is determined whether or not peeling will occur (determination step, step S46). If it is determined that no peeling occurs, the adhesive is bonded to a glass film to obtain an adhesive (bonding process, step S47). On the other hand, if it is determined that peeling occurs, the heat treatment conditions are reviewed (adjustment step, step S48), and the heat treatment step is performed again (heat treatment step, step S42). Each step will be explained below.
  • thermocompression bonding film is prepared.
  • the thermocompression bonding film may be prepared by applying a thermocompression bonding material onto a base material such as a resin film, or may be prepared by applying a thermocompression bonding material onto a base material in advance.
  • the method of applying the thermocompression bonding material onto the base material is not particularly limited, and may be a coating method or a melt extrusion method.
  • a resin film is used as the base material, but other base materials may be used depending on the purpose.
  • the thermocompression bonding film preferably contains a contrast agent suitable for acquiring data including elastic modulus (for example, the above-mentioned contrast agent (1), excitation wavelength 365 nm).
  • a contrast agent suitable for acquiring data including elastic modulus for example, the above-mentioned contrast agent (1), excitation wavelength 365 nm.
  • thermocompression film is heat-treated. This heats and melts the thermocompression bonding film, making it easy to bond.
  • the heating temperature may be, for example, near the glass transition temperature Tg of the thermocompression film.
  • Adhesion state prediction process (steps S43 to S44) Next, the method for predicting the adhesion state of the present invention is carried out.
  • a method for predicting an adhesion state is carried out according to the procedure shown in FIG.
  • an image (Image 1) showing a light emitting state when a heated and melted thermocompression film is irradiated with light having an excitation wavelength of 365 nm is acquired using a hyperspectral camera. Then, data (data 1) including the ratio of luminescence intensity (F488/F590) associated with the elastic modulus is acquired. Spectroscopic images may be acquired multiple times over time. Further, reflection spectrum data (image 2) of the thermocompression-bonded film that has been heated and melted is acquired using a reflection spectroscopic film thickness meter, and data including the film thickness (data 2) is acquired.
  • the reason for acquiring data including film thickness is that the film thickness of the adhesive layer is one of the important factors that determines adhesive strength.
  • a temperature distribution image (image 3) of the heated and melted thermocompression bonded film is acquired by infrared thermography, and temperature data (data 3) is acquired (step S43).
  • the reason for acquiring temperature data is as follows. For example, if the fluidity of the adhesive visualized with contrast agent (1) is not as expected, and the film thickness is as expected, the temperature may not be high enough or the temperature distribution may be uneven. This is thought to be the cause. Therefore, temperature is important information in understanding why the predicted results of the adhesion state are as they are.
  • step S44 using the acquired data 1, 2, and 3, the adhesion state of the thermocompression film/glass film interface when the glass films (adherends) are bonded is predicted (step S44).
  • the above data 1, 2, and 3 are input as the explanatory variables of the trained model, and the peeling force is output as the objective variable. Specifically, the peeling force is output for each position on two-dimensional coordinates.
  • step S45 Next, the results output in the adhesion state prediction step are visualized.
  • the visualization method is not particularly limited, but for example, for each position on two-dimensional coordinates, parts where the peeling force exceeds the threshold (peeling force NG area) and parts where it does not exceed the threshold (peeling force OK area) are displayed in different colors. Thereby, the adhesion state between the thermocompression film and the glass film after the bonding process (including after the end of the durability test) can be predicted in advance.
  • step S46 Judgment process
  • the determination method is not particularly limited, and can be performed, for example, by comparing with already acquired data. If it is determined in the determination step that no peeling occurs, a bonding step (step S47) is performed. On the other hand, if it is determined that peeling occurs, an adjustment step (step S48) is performed.
  • step S47 Bonding process (step S47) If it is determined that no peeling occurs in the above determination step, a glass film is bonded to the heated and melted thermocompression bonded film. Thereby, a bonded product of a thermocompression film and a glass film (a bonded product in which a resin film and a glass film are bonded via a thermocompression bonding material) can be obtained.
  • step S48 Adjustment process If it is determined that peeling occurs in the determination step, the heat treatment conditions in the heat treatment step (step S42) are adjusted. For example, the heating temperature and time are set based on the distribution of peeling force. Then, the process returns to the heat treatment process (step S42), and heat treatment is performed again under the conditions set in the adjustment process (step S42). This process is repeated until no peeling force NG areas are detected in the determination process.
  • the method for manufacturing an adhesive applies the adhesion state prediction method of the present invention to a thermocompression bonded film (object having adhesive properties), and
  • the method includes a step of predicting the adhesion state between the thermocompression film and the glass film when they are bonded together, and a step of adjusting processing conditions for the object based on the prediction result.
  • the adhesion state between the thermocompression bonding film and the adherend is predicted, but the present invention is not limited thereto.
  • the adhesion state between a curable material or an adhesive material and an adherend may be predicted. Therefore, the heat treatment step (step S42) of the above embodiment may be any step that is appropriate for the type of object.
  • the treatment step may be a light irradiation step.
  • the adhesion state prediction method of the present invention can be applied, for example, to the process of forming an insulating protective layer such as a solder resist for circuit protection on the surface of a printed wiring board in a method of manufacturing wiring boards such as printed wiring boards. can.
  • solder resist forming process first, a photocurable material is coated onto the printed wiring board (coating process). Next, the obtained coating film is irradiated with light to be cured (curing step). Thereby, a solder resist containing a cured product of the photocurable material is formed on the surface of the printed wiring board.
  • a photocurable material usually contains a photocurable compound and a photopolymerization initiator.
  • the photo-curable compound is preferably a radical-curable compound.
  • the photocurable material is a contrast agent suitable for acquiring data including hardness (e.g., the above-mentioned contrast agent (1), excitation wavelength 365 nm) or a contrast agent suitable for acquiring data including polarity (e.g. It is preferable to further include the contrast agent (2) (excitation wavelength: 660 nm).
  • contrast agent (1) that can visualize the hardness
  • the hardness must be within an appropriate range in order for the photocurable material to maintain sufficient adhesion even in post-processes (developing process, soldering process, etc.). This is because hardness is effective information for predicting the adhesive state.
  • Contrast agent (1) is preferable because it allows visualization of not only the hardness but also whether the degree of curing is within an appropriate range, that is, whether the curing reaction is complete.
  • contrast agent (2) that can visualize polarity is that the electronic physical properties such as polarity caused by the functional groups of monomers contained in the photocurable material are sensitive to adherends such as printed wiring boards. This is because it is one of the important factors that affect adhesiveness.
  • a spectral image (Image 1) showing the light emission state when the coating film is irradiated with light having an excitation wavelength of 660 nm is acquired using a hyperspectral camera. Then, it is possible to obtain the ratio (F800/F750) (data 1) of the emission intensity at a wavelength of 800 nm to the emission intensity at a wavelength of 750 nm, which is associated with the polarity.
  • a spectral image (image 2) showing the light emission state when the coating film is irradiated with light with an excitation wavelength of 365 nm is acquired using a hyperspectral camera. Then, data (data 2) including the ratio of the emission intensity at a wavelength of 430 nm to the emission intensity at a wavelength of 600 nm (F430/F600), which is associated with hardness, is acquired.
  • the adhesion state prediction process is performed at respective timings after the coating process and after the curing process. Thereby, it is possible to predict in advance the final state of adhesion of the cured product of the photocurable material (including after the end of the durability test), that is, the solder resist to the printed wiring board.
  • the method for predicting the adhesion state of the present invention can be applied, for example, to a method for manufacturing a hard coat film.
  • Hard coat films are used, for example, as base materials for flexible displays such as organic EL displays, and as barrier films to prevent moisture permeation. and a hard coat layer.
  • a photocurable material is coated onto a resin film (coating process).
  • the applied photocurable material is irradiated with light and cured (curing step).
  • a hard coat layer containing a cured product of the photocurable material is formed.
  • the photocurable material may contain a photocurable compound and a photopolymerization initiator, as described above.
  • the photo-curable compound is preferably a radical-curable compound.
  • the photocurable material further includes a contrast agent (for example, the above-mentioned contrast agent (1), excitation wavelength 365 nm) suitable for acquiring data including the degree of curing.
  • a spectral image (Image 1) showing the light emission state when the coating film is irradiated with light with an excitation wavelength of 365 nm is acquired using a hyperspectral camera.
  • data (data 1) including the emission intensity at a wavelength of 600 nm, which is associated with coating unevenness, is obtained. That is, in order for the hard coat layer to adhere to the resin film with sufficient adhesive force, it is a prerequisite that the hard coat layer is uniformly formed. Therefore, the contrast agent (1) can be used to visualize whether the amount and distribution of the coating film is within an appropriate range (whether uneven coating is suppressed to a certain level), that is, whether the minimum requirements for adhesion are met.
  • the first step of predicting the adhesion state which will be described later, can be performed. If adhesion abnormalities can be predicted at an early stage of the process by dividing and executing the prediction of the adhesion state step by step in this way, it is preferable because it will save time and reduce losses.
  • a spectral image (image 2) showing the light emission state when the coating film is irradiated with light with an excitation wavelength of 365 nm is acquired using a hyperspectral camera.
  • data (data 2) including the ratio of emission intensity (F430/F600) associated with the degree of curing is obtained.
  • reflection spectrum data (image 3) of the coating film is acquired using a reflection spectroscopic film thickness meter.
  • data including the film thickness (data 3) is obtained.
  • film thickness information is an important factor in predicting the adhesion state, and is preferably acquired in order to improve prediction accuracy.
  • an adhesion state prediction step is performed after the coating step (adhesion state prediction 1 in FIG. 5, step S33). Thereby, the adhesion state of the hard coat layer to the resin film after the coating process can be predicted. Furthermore, using the acquired data 2 and data 3, an adhesion state prediction step is performed after the curing step (adhesion state prediction 2, step S33 in FIG. 5). Thereby, the final adhesion state of the hard coat layer to the resin film can be predicted.
  • the adhesion state prediction method of the present invention can also be used, for example, to evaluate adhesive films in adhesive film manufacturing methods. Specifically, after applying and forming an adhesive material on a resin film (base material) (coating process), the applied adhesive material is dried (drying process). Then, the obtained adhesive film is evaluated.
  • the adhesive material contains an adhesive as a main ingredient.
  • the adhesive material is a contrast agent suitable for acquiring data including coating unevenness (for example, the above-mentioned contrast agent (1), excitation wavelength 365 nm) or a contrast agent suitable for acquiring data including the amount of residual solvent (
  • whether the adhesive material layer formed on the resin film can exert sufficient adhesion to the adherend depends on whether the adhesive material layer is uniformly formed within an appropriate thickness range. . Therefore, it is preferable to include a contrast agent (1) that can visualize coating unevenness, and it is also preferable to acquire film thickness data.
  • a contrast agent (2) that can visualize the amount of residual solvent.
  • a spectral image (Image 1) showing the light emission state when the coating film is irradiated with light with an excitation wavelength of 365 nm is acquired using a hyperspectral camera.
  • data (data 1) including the emission intensity at a wavelength of 600 nm, which is associated with coating unevenness is obtained.
  • reflection spectrum data (image 2) of the coating film is acquired using a film thickness reflection spectrometer.
  • data including the film thickness (data 2) is obtained.
  • a spectral image (image 3) showing the luminescence state when the coating film is irradiated with light with an excitation wavelength of 660 nm is acquired using a hyperspectral camera.
  • data (data 3) including the emission peak shift (F750 to 800) associated with the amount of residual solvent is obtained.
  • a polarizing plate includes a polarizer, a transparent resin film, and a cured product of a photocurable material disposed between them.
  • a process of coating a photocurable material on a polarizer is performed.
  • a translucent resin film is laminated onto the applied photocurable material (lamination step).
  • the bonded resin films are irradiated with light to harden the photocurable material (curing step).
  • a polarizing plate can be manufactured.
  • the photocurable material includes a photocurable compound and a photopolymerization initiator, as described above.
  • the photocurable compound is preferably a cationically curable compound.
  • the photocurable material is a contrast agent suitable for acquiring data including the degree of curing (for example, the above-mentioned contrast agent (1), excitation wavelength 365 nm), and a contrast agent suitable for acquiring data including water content. (For example, the above-mentioned contrast agent (2), excitation wavelength 660 nm) is preferably further included.
  • contrast agent (2) that can visualize the amount of water is that the water contained in the cationic curable compound can be a factor in inhibiting curing, which is important in understanding the causes of insufficient curing. This is because it may serve as information.
  • a contrast agent (1) that can visualize the degree of curing, since it can be determined whether the degree of curing is within an appropriate range, that is, whether the curing reaction has been completed. In this way, the reason for visualizing that the curing reaction is completed at an appropriate level is that if the curing is insufficient, it will not be possible to obtain the desired adhesive strength, so the degree of curing is effective in predicting the state of adhesion. This is because it is important information.
  • a spectral image (Image 1) showing the light emission state when the coating film is irradiated with light with an excitation wavelength of 365 nm is acquired using a hyperspectral camera. Then, data (data 1) including the ratio of the emission intensity at a wavelength of 430 nm to the emission intensity at a wavelength of 600 nm (F430/F600), which is associated with the degree of curing, is acquired.
  • a spectral image (image 2) showing the light emitting state when the cured product is irradiated with light with an excitation wavelength of 660 nm is acquired using a hyperspectral camera. Then, data (data 2) including the luminescence peak shift (F750 to 800), which is linked to the moisture content, is obtained.
  • Embodiment 6 In the method for predicting the adhesion state of a solder resist to a printed wiring board described in Embodiment 2, near-infrared reflection spectra (for example, 1000 nm to 2700 nm) of the photocurable material before and after curing are obtained using a hyperspectral camera. It is possible to predict the adhesion state.
  • near-infrared reflection spectra for example, 1000 nm to 2700 nm
  • a spectral image (image 1) showing a near-infrared absorption spectrum when the coating film is irradiated with light from a halogen lamp as a light source is acquired using a hyperspectral camera.
  • data (data 1) associated with the molecular structure information of the photocurable material before curing is acquired.
  • a spectral image (image 2) showing a near-infrared absorption spectrum when the coating film is irradiated with halogen lamp light as a light source is acquired using a hyperspectral camera.
  • data (data 2) linked to the molecular structure information of the photocurable material after curing is acquired.
  • Infrared light is absorbed by the vibrations and rotational motion of molecules, and its energy varies depending on the chemical structure. Therefore, by measuring infrared light, information about the chemical structure and state of molecules can be obtained.
  • data 1 and data 2 can be obtained as a near-infrared absorption spectrum (for example, absorbance at a specific wavelength within a wavelength range of 1000 to 2700 nm) from reflected light obtained by a hyperspectral camera.
  • data 3 linked to the degree of hardening can be obtained from the difference between data 1 and data 2, that is, (data 1) - (data 2).
  • Data 3 which is the difference spectrum between the near-infrared absorption spectra before and after curing, obtained in this way reflects changes in the chemical structure and molecular state due to curing of the photocurable material, so it cannot be linked to the degree of curing. I can do it.
  • an adhesion state prediction system that can be applied to various adhesive materials and that can predict the adhesion state with high accuracy.
  • defective adhesion and the like can be detected in advance in real time in various manufacturing processes, so that manufacturing efficiency can be improved.
  • the present invention can be applied not only to in-line defect detection (process control) in the manufacturing process and quality control of final products, but also to preliminary studies such as material search, prescription study, and process condition study (laboratory study, prototype study, etc.). ) can also be effectively applied.
  • Prediction System 110 Imaging Device 111 Light Source 112 Imaging Unit 120 Processing Device 121 Data Acquisition Unit 122 Storage Unit 123 Adhesion State Prediction Unit 124 Image Acquisition Unit 125 Processing Unit 130 Display Unit

Landscapes

  • Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Immunology (AREA)
  • Biochemistry (AREA)
  • Analytical Chemistry (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Pathology (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Organic Chemistry (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Optics & Photonics (AREA)
  • Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)

Abstract

本発明の接着状態の予測システムは、接着性を有する対象物を被接着体に接着させたときの、接着状態を予測するシステムであって、前記対象物の２次元座標上の物性値情報を含むデータを、２以上取得するデータ取得部と、取得した２以上の前記データを用いて、前記対象物と前記被接着体との接着状態を予測する接着状態予測部と、を有する。

Description

接着状態の予測システム、接着状態の予測方法、接着状態の予測プログラム及び接着物の製造方法
　本発明は、接着状態の予測システム、接着状態の予測方法、接着状態の予測プログラム及び接着物の製造方法に関する。
　近年、産業界では、単に顧客ニーズに沿った製品・サービスを創ることだけでなく、ＳＤＧｓ（Ｓｕｓｔａｉｎａｂｌｅ Ｄｅｖｅｌｏｐｍｅｎｔ Ｇｏａｌｓ；持続可能な開発目標）を達成することも、企業活動の開発動機として重要度を増している。
　例えば、ＳＤＧｓにおける９－４項では、「資源利用効率の向上とクリーン技術及び環境に配慮した技術・産業プロセスの導入拡大を通じたインフラ改良や産業改善により、持続可能性を向上させる」とある。このように、製造工程におけるロスの削減や製品の収率向上、ひいては、上流工程で製品不良を検出する技術の必要性が高まっている。
　このようなＳＤＧｓの要請は、ＤＸ（デジタルトランスフォーメーション）及びＳｏｃｉｅｔｙ ５．０（様々なモノやコトがつながりを持つＣｏｎｎｅｃｔｅｄ Ｉｎｄｕｓｔｒｉｅｓによってもたらされる新しい超スマート社会）を通じて実現することが期待されている。そのためには、高速且つ効率的に判定・選別するアルゴリズムを、処理できる形でデータとして提供し、工程に適用することが求められる。
　特に、各種工業製品の収率を下げる原因の一つに、接着工程が挙げられる。これは、一般的に、接着工程で生じる不良品は、元の部材や製品に戻すことができず、廃棄が必要になるためである。例えば自動車・航空機等の移動体産業では、化石燃料の使用量低減目的での軽量化＝金属から炭素強化繊維への移行、金属のボルトから接着剤への移行が求められており、さらには環境負荷の低い電気自動車化のカギとなるリチウムイオン電池等では安全性確保の観点でも一層の高耐久性、つまり精度の高い接着力予測が求められている。さらには様々な新材料・高価な部材が登場する電子産業・ディスプレイ産業においては、製品開発サイクルが短く非常に多くの人々に使われるものとなっているため、課題の重要さが増していた。
　例えば、近年、ディスプレイ産業の変化点として、フォルダブル化といったフォームファクターの変化に伴って、折り曲げ時の劣化や剥離等の新たな問題が発生している。そのため、これまで以上に、効率的な開発手法が必要とされている。これらの電子デバイスは、通常、複数の層が積層された積層構造を有しており、隣接する層間の接着技術が大変重要となっている。
　現状、接着状態を判断するためには、製造工程からの試料抜き取り及び破壊試験が必要である。処方の最適化や課題出し等を目的としたテストプラントで試作を行った場合、性能を確認するには、従来は、最終的に出来上がったサンプルを破壊試験で検査するしか術がなかった。このように、最終的に出来上がったサンプルの検査結果を解析した後、フィードバックをかけて、再度試作を行うといったサイクルでは、開発効率が悪く、市場の製品開発スピードについていくことはできない。一方で、試作工程上で、リアルタイムに課題抽出を行えれば、例えば最適処方にも早く辿り着くことが可能となるため、開発の効率化につながる。
　これに対し、検査システムとして、２次元空間の位置情報と、個々の位置に対応した分光データとを合わせた３次元情報を取得することで、検出対象物の可視化や付着量・膜厚の評価を行うシステムが開示されている（例えば特許文献１）。しかしながら、このシステムは、検出対象物の状態を単に可視化するだけのものであり、取得した情報から検出対象物に生じる不良（例えば接着不良や硬化不良）を事前に予測するものではなかった。
　一方、接着不良の発生を事前に予測する方法として、開環重合により硬化する合成樹脂と、ｐＨに応じて光学特性が変化するｐＨ指示薬とを含む樹脂組成物からなる接合層の光学特性を、未硬化の状態で観測することにより、変質部を検出する硬化不良予知方法が開示されている（例えば特許文献２）。
　また、主剤と、光重合開始剤とを含む紫外線硬化樹脂に紫外線を照射するステップ、紫外線を受けて光重合開始剤が放出する蛍光を検出するステップ、及び、検出される蛍光に基づいて紫外線硬化樹脂の硬化状態を推定するステップを有する硬化状態の推定方法が開示されている（例えば特許文献３）。
特開２０１９－１９１１３０号公報 特開２０２０－９４０８３号公報 特開２００７－２４８２４４号公報
　ところで、接着状態の異常の発生には、様々な因子が絡んでいるケースが多い。そのため、１つの現象を捉えるだけでは、接着状態の異常発生の予測は困難である。従って、２以上の現象や特定の現象の時間変化を捉えること、即ち、多元的なデータを取得することが望まれる。
　また、上記のような多次元的なデータを取得した上で、さらに個々の材料に適したアルゴリズムに従って、接着状態を解析及び予測することが望まれる。
　これに対し、特許文献２の方法は、特定の原因（塩分付着）について特定の材料（開環重合により硬化する合成樹脂）に対してのみ適用できる限定的な技術に過ぎなかった。また、取得するデータは、蛍光に関するデータのみであり、多元的なものではなかった。特許文献３で取得される、蛍光強度やその時間変化に関するデータは、局所的なものであり、２次元空間の位置情報を含むものではなかった。そのため、いずれも接着状態の異常の発生を高精度に予測できるものではなかった。このように、種々の接着材料に対して適用でき、且つ高精度な接着状態の予測方法や予測システムは知られていないのが現状である。
　本発明はこれらの事情に鑑みてなされたものであり、種々の接着材料に対して適用でき、且つ接着状態を高精度に予測可能な接着状態の予測システムを提供することを目的とする。また、本発明は、接着状態の予測方法、接着状態の予測プログラム及び接着物の製造方法を提供することも目的とする。
　本発明の接着状態の予測システムは、接着性を有する対象物を被接着体に接着させたときの、接着状態を予測するシステムであって、前記対象物の２次元座標上の物性値情報を含むデータを、２以上取得するデータ取得部と、取得した２以上の前記データを用いて、前記対象物と前記被接着体との接着状態を予測する接着状態予測部と、を有する。
　本発明の接着状態の予測方法は、接着性を有する対象物を被接着体に接着させたときの接着状態を予測する方法であって、前記対象物の２次元座標上の物性値情報を含むデータを、２以上取得する工程と、取得した２以上の前記データを用いて、前記対象物と前記被接着体との接着状態を予測する工程と、を有する。
　本発明の接着状態の予測プログラムは、接着性を有する対象物を被接着体に接着させたときの接着状態を予測するプログラムであって、コンピュータに、前記対象物の２次元座標上の物性値情報を含むデータを、２以上取得する工程と、取得した２以上の前記データを用いて、前記対象物と前記被接着体との接着状態を予測する工程と、を実行させるためのものである。
　本発明の接着物の製造方法は、接着性を有する対象物に対し、本発明の予測方法を行うことにより、前記対象物と被着体との接着状態を予測する工程と、前記予測した結果に基づいて、前記対象物の処理条件を調整する工程と、を含む。
　本発明によれば、種々の接着材料に対して適用でき、且つ接着状態を高精度に予測可能な接着状態の予測システム、予測方法、予測プログラム、及びそれらを用いた接着物の製造方法を提供することができる。
図１は、本発明の一実施形態に係る接着状態の予測方法の一例を示すフローチャートである。 図２Ａは、造影剤（１）を含む対象物の温度を変化させたときの、各温度ごとに通常のカメラで撮影された画像を示し、図２Ｂは、各温度ごとに、ハイパースペクトルカメラで撮影された特定のエリアの分光スペクトルを平均化した分光スペクトルを示す。 図３は、対象物の温度を変化させたときの、分光スペクトルから得られる波長４８８ｎｍでの発光強度と波長５９０ｎｍでの発光強度の比（Ｆ４８８／Ｆ５９０）の挙動と、別途測定した弾性率（Ｌｏｇ値）の挙動とを示すグラフである。 図４は、予測工程の一例を示すフローチャートである。 図５は、本発明の他の実施形態に係る接着状態の予測方法を示すフローチャートである。 図６は、本発明の一実施形態に係る接着状態の予測システムの構成の一例を示す概略図である。 図７は、本発明の一実施形態に係る接着状態の予測方法を用いた接着物の製造方法の一例を示すフローチャートである。
　以下、本発明について、実施形態に基づき、詳細に説明する。但し、本発明は、これらの実施形態に限定されない。
　１．接着状態の予測方法
　本発明の一実施形態に係る接着状態の予測方法について、先に説明し、その後、当該予測方法に使用可能な予測システムを説明する。
　本発明の一実施形態に係る接着状態の予測方法は、接着性を有する対象物を、被着体と接着させたときの接着状態、例えば最終的な接着状態の良否を予測する方法である。
　接着性を有する対象物は、接着性を示すものであれば特に限定されず、熱圧着材料、粘着材料、硬化性材料のいずれであってもよい。熱圧着材料は、熱により溶融して接着する材料であり、例えば低密度ポリエチレンやエチレン・酢酸ビニル共重合体、ポリプロピレン等が挙げられる。粘着材料としては、例えばアクリル系、シリコーン系、ウレタン系、ゴム系等の粘着剤が挙げられる。硬化性材料としては、光硬化性材料、熱硬化性材料が挙げられる。被着体を構成する材料も特に制限されず、ガラス、樹脂材料、金属材料のいずれであってもよい。
　図１は、本発明の一実施形態に係る接着状態の予測方法の一例を示すフローチャートである。図１に示されるように、本実施形態に係る接着状態の予測方法は、対象物の２次元座標上の物性値情報を含むデータを２以上取得する工程（データ取得工程、ステップＳ１１～Ｓ１４）と、取得した２以上のデータを用いて、対象物と被接着体との接着状態を予測する工程（予測工程、ステップＳ１５）と、を含む。
　（データ取得工程）
　データ取得工程では、対象物の２次元座標上の物性値情報を含むデータを、２以上取得する。
　「２次元座標上の物性値情報を含むデータ」（以下、単に「データ」又は「物性値情報を含むデータ」ともいう）とは、２次元座標上の位置情報と、個々の位置に対応した物性値情報とを含むデータ、即ち、物性値情報の２次元データである。
　物性値情報とは、対象物の物性値又はそれに関係する情報をいう。物性値情報の種類は、接着状態の予測に関係するものであれば特に制限されず、その例には、弾性率、硬化度、硬度、膜厚、水分量、残留溶媒量、塗布ムラ、温度、粘度、動的粘弾性（貯蔵弾性率、損失弾性率）、ｔａｎδ、表面張力、密度、蒸気圧、沸点、屈折率、硬化収縮率、ガラス転移温度（Ｔｇ）、ＳＰ値（極性成分（ｄＰ）、分散成分(ｄＤ)、水素結合成分（ｄＨ））、分子量（数平均分子量Ｍｎ、重量平均分子量Ｍｗ、多分散度Ｍｗ／Ｍｎ）、分子構造情報（官能基、化学結合状態、ラジカル発生状態）等が含まれる。中でも、接着状態の予測をより高精度に行う観点から、物性値情報は、弾性率、硬化度、硬度、塗布ムラ、極性、水分量、温度、又は膜厚であることが好ましい。これらの物性値情報の大部分は、分光スペクトルデータから得られる分光特性情報と関連付けることができる。そのため、２以上のデータの少なくとも一つは、分光特性情報を含むことが好ましい。
　このような物性値情報を含むデータは、対象物の２次元座標情報を取得し、取得した２次元座標情報と対応付けて取得することができる。２次元座標情報と物性値情報は、別々に取得してもよいし、同時に取得してもよい。同時に取得する場合、２次元画像から直接又は間接的に得ることができる。２次元画像の例には、分光画像（マルチスペクトル画像、ハイパースペクトル画像）、反射率分布画像、温度分布画像等が含まれる。
　２以上のデータは、所定の物性値情報を含むデータについて経時的に取得したものであってもよいし、異なる２種類以上の物性値情報について取得したものであってもよい。経時的に取得したデータは、断続的に取得したものであってもよいし、連続的に取得したものであってもよい。異なる２種類以上の物性値情報について取得したデータは、同時に取得したものであってもよいし、異なるタイミングで取得したものであってもよい。
　２以上のデータの少なくとも一つは、上記の通り、対象物の分光特性情報を含むことが好ましい。分光特性情報は、分光スペクトルデータから得られる特定の波長での発光強度や発光強度の比、ピークシフト、反射率等でありうる。これらの分光特性情報は、弾性率、硬化度、硬度、極性、水分量からなる群より選ばれる一以上と関連付けられていることが好ましい。
　このような分光特性情報を含むデータは、対象物に所定の波長の光を照射したときに、対象物から反射・放出される光の状態から得ることができる。分光特性情報を含むデータは、上記の通り、２次元座標情報と、それと対応する対象物から反射・放出される光の情報と、をリンクさせて別々に取得してもよいし；分光画像として同時に取得してもよい。分光画像は、対象物から反射・放出される光を検出可能な手段、例えばハイパースペクトルカメラにより取得することができる。その場合、対象物は、その状態に応じて発光挙動が変化するものであることが好ましい。「対象物の状態」とは、対象物の物性値情報の一つを意味する。また、「発光挙動が変化する」とは、対象物が反射・放出する光の、ピーク波長や強度、スペクトル、蛍光寿命、燐光寿命などのいずれかまたは複数が変化することをいう。対象物が発する光は、対象物自身が発する光であってもよいし、対象物に含まれる発光物質が励起されることにより生じる蛍光や燐光であってもよい。
　ここで、対象物に含まれる吸収・発光物質であり、対象物の状態に応じて吸収・発光挙動（波長及び強度）が変化するものを特に「造影剤」と呼ぶ。
　即ち、対象物は、造影剤を含むことが好ましい。造影剤は、対象物に元来含まれるものであってもよいし、後から人為的に添加するものであってもよい。造影剤が蛍光・燐光発光性のものである場合には、発光するためには、公知の手段により励起される必要があるが、その手段は制限されず、光励起、電流励起、化学励起、熱励起などを用いることができる。造影剤は、所定の波長の光が照射されることにより励起されて発光する材料であることが好ましく、さらに好ましくは所定の波長の光が照射されることにより励起されて蛍光を発する材料である。
　対象物の状態に応じて発光挙動が変化する造影剤としては、観測したい状態に応答するクロミック色素であれば既知のクロミック色素を一般に用いることができる。クロミック色素としては、Ａｄｖ．Ｍａｔｅｒ．，２０１３，２５，ｐ３７８、特開２０１２－１７２１３９、特開２０１９－３８９７３等に記載のフォトクロミック色素、Ａｃｃ．Ｃｈｅｍ．Ｒｅｓ．，２０１７，５０，ｐ３６６、特開２００８－２９１２１０、ＷＯ２０２０／１７１１９９等に記載のソルバトクロミック色素、特開２０１９－３１６０６、特表２０１５－５３３８９２等に記載のサーモクロミック色素、Ｃｈｅｍ．Ｓｏｃ．Ｒｅｖ．，１９９７，２６，ｐ１４７、ＷＯ２００８／００７５６３、特開２０１１－２２７４６２等に記載のエレクトロクロミック色素、Ｃｈｅｍ．Ｅｕｒ．Ｊ．，２０１２，１８，ｐ４５５８、特表２０１４－５１７７１１、Ｃｈｅｍ．Ｓｃｉ．，２０２０，１１，ｐ７５２５等に記載のピエゾクロミック色素などが挙げられるが、これらに限定されるものではない。
　また、造影剤の添加量は、接着および他の要求性能に影響のない範囲かつ接着状態の検出が可能な量であればよいが、好ましくは重量比で１０ｐｐｍ～１．０％、より好ましくは５０ｐｐｍ～０．５％、さらに好ましくは１００ｐｐｍ～０．１％である。
　造影剤として、対象物の硬さに応じて発光挙動が変化する化合物や、対象物中の水分量や極性などに応じて発光挙動が変化する化合物を例に挙げて説明する。
　対象物の硬さに応じて発光挙動が変化する化合物としては、例えば、造影剤（１）のようなフェナジン化合物が挙げられる。この化合物は、光によって励起状態となった際に、化合物自身の周囲の環境が「構造緩和しやすい環境であるか否か」によって２以上の励起状態を経て異なる波長で発光をすることが知られている。ここでいう「構造緩和しやすい環境」とは、造影剤自身の周囲に自由体積が十分にあり動きやすいことや、分子運動しやすいだけの熱エネルギーが得られることや、周囲の粘度が低いことや、周囲が固体でなく液体であることなどのいずれかまたは複数を総合的に表したものである。
　自由体積が小さいことや粘度が高い状態は、樹脂で言うと弾性率が高いことや硬化度が高いことと言い換えられる。すなわち、造影剤（１）の発光波長を観察することで、弾性率や硬化度に代表される、対象物の硬さを取得することができる。
　このような硬さを可視化する造影剤としては、周囲の環境によって２以上の異なる励起状態から発光することが可能な化合物であれば、特に構造は限定されない。
　このような色素は前述のＣｈｅｍ．Ｓｃｉ．，２０２０，１１，ｐ７５２５を参考として合成することができる。
　上記造影剤（１）は、構造緩和しにくい環境下、即ち、対象物の弾性率が高い場合は、発光強度のピークは、波長４８８ｎｍ付近にある。一方、構造緩和しやすい環境下、即ち、対象物の弾性率が低い場合は、発光強度のピークは、波長５９０ｎｍ付近にある。従って、対象物の弾性率に応じて、波長４８８ｎｍでの発光強度（Ｆ４８８）と波長５９０ｎｍでの発光強度（Ｆ５９０）の比（Ｆ４８８／Ｆ５９０）が変化する。即ち、分光特性情報としての発光強度（Ｆ５９０）の比（Ｆ４８８／Ｆ５９０）と、弾性率とを関連付けることができる。
　発光強度の比と弾性率とを関連付ける方法について、さらに具体的に説明する。
　図２Ａは、上記造影剤（１）を含む対象物の温度を変化させたときの、各温度での通常のカメラで撮影された画像を示し、図２Ｂは、各温度でのハイパースペクトルカメラで撮影された特定のエリアの分光スペクトルを平均化した分光スペクトルを示す。図２Ｂにおいて、横軸は、波長（ｎｍ）を示し、縦軸は、発光強度（－）を示す。図３は、対象物の温度を変化させたときの、分光スペクトルから得られる波長４８８ｎｍでの発光強度と波長５９０ｎｍでの発光強度の比（Ｆ４８８／Ｆ５９０）の挙動と、別途測定した弾性率（Ｌｏｇ値）の挙動とを示すグラフである。図３において、横軸は、対象物の温度（℃）を示し、左縦軸は、発光強度の比（Ｆ４８８／Ｆ５９０）を示し、右縦軸は弾性率のＬｏｇ値を示す。
　図２Ａでは、温度が上昇するにつれて、発光色が、青色（２３～７０℃近傍）、ピンク色（８０～１１０℃）、オレンジ色（１２０～１５０℃）へと変化する様子が示される。図２Ｂでは、温度が上昇するにつれて、発光強度のピークが長波長側にシフトすることがわかる。即ち、温度が上昇するにつれて、短波長成分（青色発光成分）に対する長波長成分（赤色発光成分）の割合が増えること、即ち、波長５９０ｎｍでの発光強度に対する波長４８８ｎｍでの発光強度の比（Ｆ４８８／Ｆ５９０）が小さくなることがわかる（図３参照）。そして、この発光強度の比の温度変化挙動は、実際に測定された弾性率の温度変化挙動とほぼ同じである（対応している）ことがわかる。従って、発光強度の比と弾性率とを関連付けることができる。この操作を、２次元座標上の画素ごとに行うことにより、発光強度の比の２次元データと弾性率の２次元データとを関連付けることができる。それにより、弾性率と関連付けられたデータとして、発光強度の比の２次元データを後述する予測工程で用いることができる。
　また、対象物中の水分量や極性に応じて発光挙動が変化する化合物としては、ソルバトクロミック色素が挙げられる。ソルバトクロミック色素は、周囲の対象物や溶媒の水分量や極性によって発光波長や吸収波長が変化する色素である。これは、溶媒の種類・組成によって、色素の励起状態の構造が安定化もしくは不安定化されることにより、基底状態とのエネルギー差が変化するため、そのエネルギー差に相当する発光波長が変化することと理解されている。つまり、発光波長を観察することで、その造影剤を安定化もしくは不安定化する周囲の対象物や溶媒の種類や組成を間接的に可視化できることを意味している。
　このような水分量や極性を可視化する造影剤としては、周囲の対象物や溶媒の水分量や極性によって発光波長や吸収波長が変化する色素であれば、特に構造は限定されない。そのような造影剤の例としては、例えば、造影剤（２）のようなスクアリリウム色素が挙げられる。
　このような色素は、前述のＷＯ２０２０／１７１１９９号公報を参考として合成することができる。
　なお、対象物に照射する光（励起光）の波長は、造影剤の種類や、対象物の種類等に応じて適宜選択される。例えば、造影剤が、可視光で励起可能な化合物である場合は、可視光を励起光とする。一方、造影剤が、紫外光で励起可能な化合物である場合は、紫外光を励起光とする。
　２以上のデータの他の一つは、膜厚情報を含むことが好ましい。これらのデータは、対象物の種類や接着方式によらず、接着状態と深く関係するからである。
　本実施形態では、図１に示されるように、例えば所定の波長の光を照射した状態で、ハイパースペクトルカメラにより画像（画像１）を取得する（ステップＳ１１）。そして、当該画像から、弾性率と紐付けられる発光強度の比（Ｆ４８８／Ｆ５９０）を含むデータ（データ１）を取得する（ステップＳ１２）。
　また、反射分光膜厚計により反射スペクトル画像（画像２）を取得する（ステップＳ１３）。そして、当該反射スペクトル画像から膜厚を含むデータ（データ２）を取得する（ステップＳ１４）。
　（予測工程）
　予測工程（ステップＳ１５）では、データ取得工程（ステップＳ１１～Ｓ１４）で取得した２以上のデータを用いて、対象物と被接着体との接着状態を解析し、予測する。このような解析及び予測を、単独のデータを用いて行うのではなく、２以上のデータについて行うことで、解析及び予測の精度を高めることができる。
　接着状態の解析及び予測は、任意の方法で行うことができる。例えば、所定の物性値情報について経時的に取得した２以上のデータを比較して、対象物の接着状態を解析及び予測してもよい。
　また、予め対象物の標準状態であるとき（例えば、接着状態が良好であるとき）や所定の状態となったとき（例えば、接着状態が悪く、剥離を生じるとき）のデータをそれぞれ取得しておき、これらのデータと、上記データ取得工程で取得したデータとを照らし合わせて、対象物の接着状態の解析及び予測を行ってもよい。所定の状態となったときとは、例えば接着状態が良好であるときや接着不良が生じるときでありうる。
　また、接着状態の解析及び予測は、予め機械学習で生成した予測モデル（学習済モデル）等に基づいて解析してもよい。学習済モデルに基づいて、解析を行う場合、上記データ取得工程で得られた、２以上のデータを学習済モデルに当てはめることで、対象物がどのような接着状態にあるかを、蓄積されたデータ等から判定（予測）することができる。
　図４は、接着状態の予測工程（図１のステップＳ１５）の一例を示すフローチャートである。
　機械学習では、例えば上記データ取得工程と同様の工程を複数回行う。そして、これに基づいて予測モデルを複数構築する。そして、複数の予測モデルの結果を組み合わせることで、対象物の接着状態に関する情報（例えば、剥離力等）を予測可能な学習済モデル（接着予測状態アルゴリズム）を作成する。
　上記予測モデルは、対象物の状態が予め判明している場合等には、２以上のデータを説明変数とし、対象物の接着状態を示す物性（例えば剥離力）を目的変数とする機械学習をそれぞれ行うことで構築可能である。説明変数としては、上記データ取得工程（Ｓ１１～Ｓ１４）で取得するデータと同様のものを用いることができる。目的変数としては、解析の目的に応じて適宜選択可能であり、対象物の接着状態に関連する変数（例えば剥離力や、クロスカット試験、鉛筆硬度試験等）を用いることができる。
　機械学習は、教師あり学習であってもよいし、教師なし学習であってもよい。なお、教師あり学習とは、正解ラベルのついた学習データから「入力と出力との関係」を学習する学習方法をいう。教師なし学習とは、正解ラベルのない学習データから「データ群の構造」を学習する学習方法をいう。
　また、機械学習は、強化学習、深層学習又は深層強化学習であってもよい。なお、強化学習とは、試行錯誤をすることで「最適な行動系列」を学習する学習方法をいう。深層学習とは、大量のデータから、データに含まれる特徴を段階的により深く（深層で）学習する学習方法をいう。深層強化学習とは、強化学習と深層学習を組み合わせた学習方法をいう。
　機械学習には、一般的な解析手法（アルゴリズム）を適用できる。機械学習には、例えば、線形回帰（重回帰分析、部分最小二乗（ＰＬＳ）回帰、ＬＡＳＳＯ回帰、Ｒｉｄｇｅ回帰、主成分回帰（ＰＣＲ）等）、ランダムフォレスト、決定木、サポートベクターマシン（ＳＶＭ）、サポートベクター回帰（ＳＶＲ）、ニューラルネットワーク、判別分析等により選択される解析手法により構築された予測モデルを適用可能である。
　接着状態の予測工程では、上記作成した学習済モデルを用いて、接着状態を解析及び予測する。まず、学習済モデルを読み込む（ステップＳ２１）。本実施形態では、例えば回帰式の学習モデルを読み込む。回帰式の説明変数は、上記データ取得工程で取得した２以上のデータとし、目的変数は剥離力とする。
　次いで、上記データ取得工程で得られたデータ群から、説明変数として入力する２以上のデータ（例えば、発光強度の比を含むデータと、膜厚を含むデータ）を取り出す。そして、取り出したデータを、画素ごとに学習済みモデルの回帰式の説明変数に入力する（ステップＳ２２）。そして、画素ごとに剥離力を予測し（ステップＳ２３）、目的変数として出力する（ステップＳ２４）。これを、２以上のデータのそれぞれについて行う。
　次いで、出力された画素ごとの剥離力を、２次元座標にプロットする（ステップＳ２４）。そして、剥離力のレベルに応じてエリア分けし、エリアごとに色分けして、２次元座標上に可視化する。例えば、剥離力が所定の閾値を超えるエリアをＮＧエリア（接着不良を生じるエリア）とし、閾値を超えないエリアをＯＫエリア（接着不良を生じないエリア）として、色分けして表示する。それにより、２次元座標上で、対象物のどの部分で接着不良が生じるかどうかを可視化及び予測することができる。
　なお、閾値の判断・境界の明確化が難しい場合は、取得した画像に対してＨＯＧ（Histograms of Oriented Gradients）特徴量によって輪郭の明確化を行うことが好ましい。
　「ＨＯＧ特徴量」とは、局所的な画像勾配をヒストグラム化した特徴量である。ＨＯＧ特徴量を取得することにより、剥離力の勾配を検出し、その輪郭を明確化することができる。ＨＯＧ特徴量は、各種公知の論文及び特開２０１８－３６６８９号公報等を参考として算出することができる。また、この境界明確化のアルゴリズムに対しても前記の機械学習法を使用することができる。
　なお、上記予測工程Ｓ１５とは別に、実際に、対象物の剥離力を測定した場合には、実際に剥離力を測定した結果と、上記予測結果とを照らし合わせる。そして、照らし合わせた結果を、学習済モデルの教師データに追加する。それにより、学習済モデルの予測精度をさらに高めることができる。
　（効果）
　従来は、単独のデータを取得し、当該取得したデータから、対象物の接着状態を予測するものであった。そのため、予測精度が十分ではなかった。
　これに対し、上述した本実施形態では、２以上のデータを取得し、当該取得した２以上のデータを用いて、対象物の接着状態を予測する。それにより、従来と比べて、多元的に解析することができるため、予測精度を高めることができる。
　また、２以上のデータの少なくとも一つを、好ましくは分光特性情報（例えば発光強度の比）を含むデータとすることで、非接触で且つリアルタイムに、接着状態の予測に必要なデータを取得することができる。さらに、好ましくは学習済みモデルを用いて予測工程を行うことで、接着状態の予測をより高精度に行うことができる。
　なお、上記実施形態では、データ取得工程（ステップＳ１１～Ｓ１４）で２以上のデータを取得した後、予測工程（ステップＳ１５）で、２以上のデータを用いて接着状態を予測しているが、これに限定されず、１又は２以上のデータを取得するごとに予測工程を行ってもよい。
　図５は、本発明の他の実施形態に係る接着状態の予測方法を示すフローチャートである。図５では、分光画像（画像１）を取得し（ステップＳ３１）、そこから、弾性率と紐付けられる発光強度の比（Ｆ４８８／Ｆ５９０）を含むデータ（データ１）を取得する（ステップＳ３２）。そして、取得したデータを用いて、接着状態予測工程（ステップＳ３３）を行う。
　次いで、反射スペクトル画像（画像２）を取得し（ステップＳ３４）、そこから膜厚を含むデータ（データ２）を取得する（ステップＳ３５）。そして、取得したデータを用いて、接着状態予測工程（ステップＳ３６）を行う。このように、１又は２以上のデータを取得するごとに予測工程を行ってもよい。
　なお、図５におけるステップＳ３１、Ｓ３２、Ｓ３４及びＳ３５は、図１のステップＳ１１、Ｓ１２、Ｓ１３及びＳ１４にそれぞれ対応する。また、図５におけるステップＳ３３及びＳ３６を合わせたものは、図１のステップＳ１５に対応する。
　また、上記実施形態では、２以上のデータとして、発光強度の比又は弾性率を含むデータと、膜厚を含むデータとを取得しているが、これに限定されず、対象物の種類や被着体の種類、接着方式に応じて、適したものを取得すればよい。
　２．接着状態の予測システム
　本実施形態に係る接着状態の予測方法は、以下の接着状態の予測システムによって行うことができる。なお、接着状態の予測方法を行うためのシステムは、以下のシステムに制限されない。
　図６は、本実施形態に係る接着状態の予測システム１００の構成を示す概略図である。図６に示されるように、本実施形態に係る予測システム１００は、撮像装置１１０と、処理装置１２０と、表示部１３０とを有する。
　（撮像装置）
　撮像装置１１０は、光が照射されたときの対象物の発光状態を示す画像を撮像する。撮像装置１１０は、光源１１１と、撮像部１１２とを有する。
　光源１１１は、対象物に対して、所定の波長の光を照射可能な手段であれば特に制限されない。光源１１１としては、広範囲の波長域のランプが適用可能であり、その例には、紫外線、可視域、近赤外、赤外領域の光源が含まれる。例えばキセノンランプ、ハロゲンランプ、白色ＬＥＤ灯、近赤外ハイパースペクトルイメージング照明（シーシーエス株式会社製ＬＤＬ－２２２Ｘ４２ＣＩＲ－ＬＡＣＬ等）、深紫外から近赤外の波長域までの光を放射できるレーザー励起白色光源（ケイエルブイ社製XWS-65等）等を使用することができる。蛍光発光材料を用いる場合は紫外域を含む光源が好ましく、赤外色素等を用いる場合は赤外光を含む光源が好ましい。また、造影剤等の特定の材料を励起させて発光させる際には、ＬＥＤ光源のように波形がシャープな光源である方が、造影剤特有のスペクトルを強調できるため好ましい。なお、光源の形状としては、通常の点光源でもよいが、生産ライン等に設置する場合はライン照明（シーシーエス社製高輝度集光型ライン照明、ＬＤＬ－２２２Ｘ４２ＣＩＲ－ＬＡＣＬ等）を用いることが好ましい。
　撮像部１１２は、光源１１１からの光を受けて対象物が反射又は放出する光の状態を撮像可能な手段であれば特に制限されず、取得するデータの種類に合わせて適宜選択される。例えば、撮像装置１１０は、モノクロカメラ、カラーカメラ、赤外カメラ、マルチスペクトルカメラ、ハイパースペクトルカメラ等であってもよい。撮像装置１１０で撮像された画像は、データ取得部１２１に出力される。
　なお、マルチスペクトルカメラおよびハイパースペクトルカメラは、通常のカメラよりも多数の波長において撮影が可能なカメラであり、高いスペクトル分解能と空間分解能を持つカメラであるため、対象物を一回の測定で多点・広範囲かつに定量的に評価することが可能であるため好ましい。好ましくは波長分解能が５０ｎｍ以下、より好ましくは１０ｎｍ以下、さらに好ましくは５ｎｍ以下である。但し、必要以上に解像度を高くすると、データ処理量が多くなりデータ処理部への負荷・処理時間が増大してしまうため、必要最小限の分解能とすることが好ましい。
　また、マルチスペクトルカメラおよびハイパースペクトルカメラには、エリア型（スナップショット型）とライン型があり、部材／個別の形態を観察する際にはエリア型が、ロール形状のものを観察する際にはライン型が好ましい。
　可視光域を測定可能なハイパースペクトルカメラとしては、Ｓｐｅｃｉｍ社のＳｐｅｃｉｍＩＱ、ＦＸ－１０、エバジャパン社ＮＨシリーズ等、近赤外域を測定可能なハイパースペクトルカメラとしては、Ｓｐｅｃｉｍ社のＦＸ－１７、ＳＷ－ＩＲ、Ｒｅｓｏｎｏｎ社のＰｉｋａＮＩＲ－３２０、ＨｙＳｐｅｘ社のＳＷＩＲ－６４０、Ｉｍｅｃ社のＳＮＡＰＳＣＡＮ－ＳＷＩＲ、エバジャパン社のＳＩＳ－ＩＲシリーズおよびＳＩＳ－ＳＷＩＲシリーズ等、中赤外域を測定可能なハイパースペクトルカメラとしては、Ｓｐｅｃｉｍ社のＦＸ－５０、ＭＷ－ＩＲ等、遠赤外域を測定可能なハイパースペクトルカメラとしては、Ｓｐｅｃｉｍ社のＬＷ－ＩＲ等、を挙げることができるが、これらに限らない。
　（処理装置）
　処理装置１２０は、上記画像から、対象物のデータを２以上取得するデータ取得部１２１と、取得した２以上のデータを記憶する記憶部１２２と、取得した２以上のデータを用いて、対象物と被接着体の接着状態を予測する接着状態予測部１２３とを有する。
　データ取得部１２１では、上記データ取得工程を行う。すなわち、２次元座標情報と、それとリンクした物性値情報とを取得する。本実施形態では、データ取得部１２１は、撮像装置１１０で撮像した画像を取得する画像取得部１２４と、当該画像から上記データ（２次元座標上の物性値情報を含むデータ）を２以上取得する処理部１２５とを有する。
　画像取得部１２４は、撮像装置１１０で撮像された画像や外部の装置（図示せず）で撮像された画像を取得可能な手段であればよい。
　処理部１２５は、画像取得部１２４で取得した画像から、対象物のデータを取得可能な手段であればよい。例えば、処理部１２５は、画像取得部１２４で取得した分光画像から、発光強度の比（Ｆ４８８／Ｆ５９０）を含むデータを取得しうる。なお、画像取得部１２４で取得する画像の種類によっては、処理部１２５は不要であるか、又は、処理部１２５による処理を行わなくてもよい。例えば、赤外線サーモグラフィにより得られる温度分布画像からは、温度情報が直接得られるため、処理部１２５による処理は不要である。また、反射分光膜厚計により得られる反射スペクトルデータからは、膜厚情報が直接得られるため、処理部１２５による処理は不要である。
　記憶部１２２は、処理部１２５で取得された２以上のデータを記憶可能な手段であればよい。
　接着状態予測部１２３では、上記予測工程を行う。接着状態予測部１２３は、データ取得部１２１（例えば処理部１２５）で得られたデータを解析可能な手段であればよい。例えば、別途取得した参照用の物性値情報を含むデータを読み出し、当該参照用のデータと、データ取得部１２１（例えば処理部１２５）から得られたデータとを比較して、接着状態を解析及び予測してもよい。また、接着状態予測部１２３は、学習済モデルに基づいて接着状態を予測してもよい。具体的には、接着状態予測部１２３は、学習済モデルを、記憶部１２２又は外部の記憶装置（図示せず）から読み出し、当該学習済モデルに、データ取得部１２１（例えば処理部１２５）で得られたデータを入力して、演算してもよい。そして、演算結果、即ち、接着状態の予測結果を出力する。
　処理装置１２０としては、プログラムやデータ等を記憶するハードディスクドライブ（ＨＤＤ）、ソリッドステートドライブ（ＳＳＤ）、リードオンリーメモリ（ＲＯＭ）等の記憶手段、プログラムの実行や計算処理等を行う中央処理装置（ＣＰＵ）を備えた一般的なコンピュータ（汎用コンピュータ）を用いることができる。また、当該コンピュータは、キーボードやマウス等の入力手段、モニタやプリンタ等の出力手段をさらに有していてもよい。
　（表示部）
　表示部１３０は、接着状態予測部１２３により予測した結果を表示可能な手段であればよい。表示部１３０は、モニタやプリンタ等の出力手段でありうる。表示部１３０は、処理装置１２０と一体に構成されたものでもよい。
　（効果）
　本実施形態に係る予測システム１００は、上記の通り、対象物について２以上のデータを取得するデータ取得部１２１と、当該取得した２以上のデータを用いて、対象物の接着状態を予測する接着状態予測部１２３とを有する。それにより、従来と比べて、多元的に解析することができるため、予測精度を高めることができる。
　なお、上記実施形態では、予測システム１００が撮像装置１１０を有しているが、撮像装置１１０を有さなくてもよい。例えば、予測システム１００は、外部の撮像装置（図示せず）で別途取得した発光状態に示す画像を画像取得部１２４で読み込むように構成されてもよい。
　また、上記実施形態では、データ取得部が、２次元座標情報と物性値情報とを同時に取得する画像取得部１２４を有する例を示したが、これに限定されず、２次元座標情報と、それと対応付けられた物性値情報とを別々に取得する２次元座標情報取得部であってもよい。
　また、上記実施形態では、予測システム１００が記憶部１２２を有しているが、記憶部１２２を有さなくてもよい。例えば、予測システム１００は、処理部１２５で取得された２以上のデータを、処理部１２５から直接、接着状態予測部１２３に入力できるように構成されてもよいし、外部の記憶装置（図示せず）から読み出せるように構成されてもよい。
　また、上記実施形態では、予測システム１００が表示部１３０を有しているが、表示部１３０を有さなくてもよく、外部の表示装置（図示せず）に接着状態予測部１２３から出力される結果を表示させてもよい。
　３．接着状態の予測プログラム
　本実施形態に係る接着状態の予測方法は、以下の接着状態の予測プログラムによって行うことができる。
　即ち、本実施形態に係る接着状態を予測するプログラムは、コンピュータに、上記データ取得工程（例えば図１のステップＳ１１～Ｓ１４）、接着状態の予測工程（例えば図１のステップＳ１５）を実行させるための、接着状態の予測プログラムである。予測プログラムの各工程の内容は、予測方法の各工程の内容と同様である。
　予測プログラムは、ＤＶＤ又はＵＳＢメモリ等のような記録媒体に格納されて提供されてもよいし、ネットワークを介してダウンロード可能にネットワーク上のサーバ装置に格納されてもよい。
　４．接着物の製造方法
　（実施形態１）
　上記接着状態の予測方法は、種々のデバイスやその部材の製造プロセスに適用することができる。デバイスやその部材の例には、ディスプレイや偏光板、タッチパネル、光学フィルム等が含まれる。上記接着状態の予測方法は、例えばデバイスの製造方法において、２つの被着体を、熱圧着フィルムを介して貼り合わせる工程に適用することができる。
　図７は、本実施形態に係る接着物の製造方法の一例を示すフローチャートである。
　図７に示されるように、まず、熱圧着フィルム（対象物）を準備する工程（準備工程、ステップＳ４１）、加熱処理して熱圧着フィルムを溶融させる（加熱処理工程、ステップＳ４２）。次いで、加熱溶融させた熱圧着フィルムについて、物性値情報を含むデータを取得し（ステップＳ４３）、加熱溶融させた熱圧着フィルムをガラスフィルム（被着体）と貼り合わせた場合の、熱圧着フィルム／ガラスフィルム界面の接着状態を予測する（接着状態予測工程、ステップＳ４４）。そして、接着状態の予測結果を可視化し（可視化工程、ステップＳ４５）、剥離が発生するかどうかを判断する（判断工程、ステップＳ４６）。剥離が発生しないと判断されれば、ガラスフィルムと貼り合わせて、接着物を得る（貼合工程、ステップＳ４７）。一方、剥離が発生すると判断されれば、加熱処理条件を見直し（調整工程、ステップＳ４８）、再度、加熱処理工程を行う（加熱処理工程、ステップＳ４２）。以下、各工程について説明する。
　１）準備工程（ステップＳ４１）
　まず、熱圧着フィルムを準備する。熱圧着フィルムは、樹脂フィルムなどの基材上に、熱圧着材料を付与して準備してもよいし、基材上に予め熱圧着材料が付与されたものを用いてもよい。基材上に熱圧着材料を付与する方法は、特に制限されず、塗布法であってもよいし、溶融押出法であってもよい。また、本実施形態では、基材として樹脂フィルムを用いているが、用途に応じて他の基材を用いてもよい。
　本実施形態では、熱圧着フィルムは、弾性率を含むデータの取得に適した造影剤（例えば上記造影剤（１）、励起波長３６５ｎｍ）を含むことが好ましい。この造影剤を含むことが好ましい理由は、熱圧着フィルムが被着体と十分な接着力で接着するためには、熱圧着フィルムの接着剤として用いられる、ホットメルト接着材料やホットメルト粘着材料の加熱溶融時の流動性や、冷却後接着時の弾性率が適切な範囲にあることが非常に重要な要件であり、接着状態を予測する上で特に有効な情報だからである。
　２）加熱処理工程（ステップＳ４２）
　次いで、熱圧着フィルムを加熱処理する。それにより、熱圧着フィルムを加熱溶融させて、接着しやすい状態にする。加熱温度は、例えば熱圧着フィルムのガラス転移温度Ｔｇの近傍としうる。
　３）接着状態予測工程（ステップＳ４３～Ｓ４４）
　次いで、本発明の接着状態の予測方法を実施する。本実施形態では、図１に示される手順で、接着状態の予測方法を実施する。
　具体的には、加熱溶融した熱圧着フィルムに、励起波長３６５ｎｍの光を照射したときの発光状態を示す画像（画像１）を、ハイパースペクトルカメラにより取得する。そして、弾性率と紐付けられる発光強度の比（Ｆ４８８／Ｆ５９０）を含むデータ（データ１）を取得する。分光画像は、経時的に複数回取得してもよい。
　また、加熱溶融した熱圧着フィルムの反射スペクトルデータ（画像２）を反射分光膜厚計により取得し、膜厚を含むデータ（データ２）を取得する。膜厚を含むデータを取得する理由は、接着剤層の膜厚が接着力を決める重要な因子の一つだからである。前述した流動性や弾性率が適切な範囲内にあったとしても、膜厚が適切な範囲内になければ十分な接着力は発現できないため、接着状態を予測する上で膜厚も有効な情報である。
　さらに、加熱溶融した熱圧着フィルムの温度分布画像（画像３）を赤外線サーモグラフィにより取得し、温度データ（データ３）を取得する（ステップＳ４３）。温度データを取得する理由は、以下の通りである。例えば、造影剤（１）で可視化した接着剤の流動性が見込み通りになっていなかった場合、膜厚が見込み通りであれば、温度が十分に高くなっていないことや温度分布にムラがあることなどが原因として考えられる。そのため、接着状態の予測結果がなぜそうなっているかを理解する上で、温度は重要な情報だからである。
　そして、取得したデータ１、２及び３を用いて、ガラスフィルム（被着体）を貼り合わせた場合の熱圧着フィルム／ガラスフィルム界面の接着状態を予測する（ステップＳ４４）。例えば図４に示されるように、学習済みモデルの説明変数に、上記データ１、２及び３を入力し、目的変数として剥離力を出力する。具体的には、２次元座標上の位置ごとに剥離力を出力する。
　４）可視化工程（ステップＳ４５）
　次いで、上記接着状態予測工程で出力された結果を可視化する。可視化方法は、特に制限されないが、例えば２次元座標上の位置ごとに、剥離力が閾値を超える部分（剥離力ＮＧエリア）と超えない部分（剥離力ＯＫエリア）とに色分けして表示する。それにより、貼り合わせ工程後（耐久試験終了後も含む）の、熱圧着フィルムとガラスフィルムとの接着状態を、事前に予測することができる。
　５）判断工程（ステップＳ４６）
　次いで、可視化したデータに基づいて、剥離が発生するかどうかを判断する。判断方法は、特に制限されず、例えば既に取得したデータと照合して行うことができる。そして、判断工程で、剥離が発生しないと判断された場合は、貼り合わせ工程（ステップＳ４７）を行う。一方、剥離が発生すると判断された場合は、調整工程（ステップＳ４８）を行う。
　６）貼り合わせ工程（ステップＳ４７）
　上記判断工程で剥離が発生しないと判断された場合、加熱溶融した熱圧着フィルムに、ガラスフィルムを貼り合わせる。それにより、熱圧着フィルムとガラスフィルムの接着物（樹脂フィルムとガラスフィルムとが、熱圧着材料を介して接着された接着物）を得ることができる。
　７）調整工程（ステップＳ４８）
　上記判断工程で剥離が発生すると判断された場合、加熱処理工程（ステップＳ４２）における加熱処理条件を調整する。例えば、剥離力の分布に基づいて、加熱すべき温度や時間を設定する。そして、加熱処理工程（ステップＳ４２）に戻り、調整工程で設定した条件で、再度、加熱処理する（ステップＳ４２）。これを、判断工程において、剥離力のＮＧエリアが検出されなくなるまで繰り返す。
　上記の通り、本実施形態に係る接着物の製造方法は、熱圧着フィルム（接着性を有する対象物）に対して本発明の接着状態の予測方法を適用し、ガラスフィルム（被着体）を貼り合わせたときの熱圧着フィルムとガラスフィルムとの接着状態を予測する工程と、予測結果に基づいて、対象物の処理条件を調整する工程とを含む。それにより、ガラスフィルムを貼り合わせたときの接着状態を予測して、接着物を製造できるため、製造効率を高めることができる。
　なお、上記実施形態では、接着状態予測工程（ステップＳ４３～Ｓ４４）を、図１に示される手順で行う例を示したが、これに限定されず、例えば図５に示される手順で行ってもよい。
　また、上記実施形態では、接着状態予測工程で出力された結果を可視化する工程（可視化工程）を行う例を示したが、必要に応じて行えばよく、行わなくてもよい。
　また、上記実施形態では、熱圧着フィルムと被着体との間の接着状態を予測しているが、これに限定されない。例えば、硬化性材料又は粘着材料と被着体との間の接着状態を予測してもよい。従って、上記実施形態の加熱処理工程（ステップＳ４２）は、対象物の種類に応じた工程であればよい。例えば、対象物が光硬化性材料である場合、処理工程は、光照射工程でありうる。
　（実施形態２）
　本発明の接着状態の予測方法は、例えばプリント配線板等の配線基板の製造方法において、プリント配線板の表面に回路保護用のソルダーレジスト等の絶縁性保護層を形成する工程に適用することができる。
　ソルダーレジストの形成工程では、まず、プリント配線板上に、光硬化性材料を塗布形成する（塗布工程）。次いで、得られた塗膜に光を照射して硬化させる（硬化工程）。それにより、プリント配線板の表面に、光硬化性材料の硬化物を含むソルダーレジストを形成する。
　光硬化性材料は、通常、光硬化性化合物と、光重合開始剤とを含む。光硬化性化合物は、好ましくはラジカル硬化性化合物である。本実施形態では、光硬化性材料は、硬度を含むデータの取得に適した造影剤（例えば上記造影剤（１）、励起波長３６５ｎｍ）や、極性を含むデータの取得に適した造影剤（例えば上記造影剤（２）、励起波長６６０ｎｍ）をさらに含むことが好ましい。
　硬度を可視化できる造影剤（１）を含むことが好ましい理由は、光硬化性材料が後工程（現像工程、ハンダ工程など）においても十分な接着性を維持するためには適切な範囲の硬度が求められるため、硬度が接着状態を予測する上で有効な情報だからである。造影剤（１）によれば、硬度のみならず、硬化度が適切な範囲である、すなわち硬化反応が完結しているかどうかも可視化できるため好ましい。
　また、極性を可視化できる造影剤（２）を含むことが好ましい理由は、光硬化性材料に含まれるモノマーの官能基などに起因する極性などの電子的物性がプリント配線板などの被着体に対する接着性に影響する重要な因子の一つだからである。
　そして、図１に示されるように、接着状態の予測方法を行う。
　具体的には、塗布工程において、塗膜に、励起波長６６０ｎｍの光を照射したときの発光状態を示す分光画像（画像１）を、ハイパースペクトルカメラにより取得する。そして、極性と紐付けられる、波長７５０ｎｍの発光強度に対する波長８００ｎｍの発光強度の比（Ｆ８００／Ｆ７５０）（データ１）を取得することができる。
　また、硬化工程において、塗膜に、励起波長３６５ｎｍの光を照射したときの発光状態を示す分光画像（画像２）を、ハイパースペクトルカメラにより取得する。そして、硬度と紐付けられる、波長６００ｎｍの発光強度に対する波長４３０ｎｍの発光強度の比（Ｆ４３０／Ｆ６００）を含むデータ（データ２）を取得する。
　そして、取得した上記データ１及び２を用いて、塗布工程後と硬化工程後のそれぞれのタイミングで、接着状態の予測工程を行う。それにより、最終的な（耐久試験終了後も含む）光硬化性材料の硬化物、即ち、ソルダーレジストのプリント配線板との接着状態を事前に予測することができる。
　（実施形態３）
　本発明の接着状態の予測方法は、例えばハードコートフィルムの製造方法に適用することができる。ハードコートフィルムは、例えば有機ＥＬディスプレイ等のフレキシブルディスプレイ用基材や、水分透過を防ぐためのバリアフィルム等に用いられるものであり、透光性の樹脂フィルムと、光硬化性材料の硬化物を含むハードコート層と、を有する。
　そのようなハードコートフィルムの製造工程では、樹脂フィルム上に、光硬化性材料を塗布形成する（塗布工程）。次いで、塗布した光硬化性材料に光を照射し、硬化させる（硬化工程）。それにより、光硬化性材料の硬化物を含むハードコート層を形成する。
　本実施形態では、光硬化性材料は、上記と同様に、光硬化性化合物と、光重合開始剤とを含みうる。光硬化性化合物は、好ましくはラジカル硬化性化合物である。本実施形態では、光硬化性材料は、硬化度を含むデータの取得に適した造影剤（例えば上記造影剤（１）、励起波長３６５ｎｍ）をさらに含むことが好ましい。
　そして、図５に示されるように、接着状態の予測方法を行う。
　具体的には、塗布工程において、塗膜に、励起波長３６５ｎｍの光を照射したときの発光状態を示す分光画像（画像１）を、ハイパースペクトルカメラにより取得する。それにより、塗布ムラと紐付けられる波長６００ｎｍの発光強度を含むデータ（データ１）を取得する。
　すなわち、ハードコート層が樹脂フィルムに対して十分な接着力をもって接着するためには、まずはハードコート層が均一に形成されているかどうかが大前提となる。よって、塗布膜の付量及びその分布が適切な範囲であるかどうか（塗布ムラが一定以下に抑えられているかどうか）、すなわち接着の最低要件を満たしているかどうかを造影剤（１）により可視化することで、後述する接着状態の予測の第一ステップを行うことができる。このように接着状態の予測をステップごとに分割して実行することで、工程の早い段階にて接着異常を予測できれば、時間短縮、ロス削減に繋がり好ましい。
　また、硬化工程において、塗膜に、励起波長３６５ｎｍの光を照射したときの発光状態を示す分光画像（画像２）を、ハイパースペクトルカメラにより取得する。それにより、硬化度と紐付けられる発光強度の比（Ｆ４３０／Ｆ６００）を含むデータ（データ２）を取得する。硬化度が適切な範囲である、すなわち硬化反応が完結していることを造影剤（１）により可視化することで、後述する接着状態の予測の第二ステップを行うことができる。第二ステップは第一ステップによる予測より精度のよい予測が可能となる。
　また、硬化工程において、塗膜の反射スペクトルデータ（画像３）を、反射分光膜厚計により取得する。それにより、膜厚を含むデータ（データ３）を取得する。膜厚情報は実施形態１でも述べた通り、接着状態を予測する上で重要な因子であり、予測精度を向上する上でも取得することが好ましい。
　そして、取得したデータ１を用いて、塗布工程後に接着状態の予測工程を行う（図５の接着状態予測１、ステップＳ３３）。それにより、塗布工程後のハードコート層の樹脂フィルムとの接着状態を予測することができる。また、取得したデータ２及びデータ３を用いて、硬化工程後に接着状態の予測工程を行う（図５の接着状態予測２、ステップＳ３３）。それにより、最終的なハードコート層の樹脂フィルムとの接着状態を予測することができる。
　（実施形態４）
　本発明の接着状態の予測方法は、例えば粘着フィルムの製造方法における粘着フィルムの評価に用いることもできる。
　具体的には、樹脂フィルム（基材）上に粘着材料を塗布形成した後（塗布工程）、塗布した粘着材料を乾燥させる（乾燥工程）。そして、得られた粘着フィルムを評価する。
　粘着材料は、主剤として粘着剤を含む。本実施形態では、粘着材料は、塗布ムラを含むデータの取得に適した造影剤（例えば上記造影剤（１）、励起波長３６５ｎｍ）や、残留溶媒量を含むデータの取得に適した造影剤（例えば上記造影剤（２）、励起波長６６０ｎｍ）をさらに含むことが好ましい。すなわち、樹脂フィルム上に形成した粘着材料層が被着体に対して十分な接着力を発揮できるかは、粘着材料層が適切な膜厚範囲にて均一に形成されているかどうかが重要となる。よって、塗布ムラを可視化できる造影剤（１）を含むことが好ましく、併せて膜厚データを取得することが好ましい。また、膜中に溶媒が残留すると接着力を低下する要因となり得るため、残留溶媒量を可視化できる造影剤（２）を含むことが好ましい。
　そして、図１に示されるように、接着状態の予測方法を行う。
　具体的には、塗布工程において、塗膜に、励起波長３６５ｎｍの光を照射したときの発光状態を示す分光画像（画像１）を、ハイパースペクトルカメラにより取得する。それにより、塗布ムラと紐付けられる波長６００ｎｍの発光強度を含むデータ（データ１）を取得する。
　また、塗布工程において、塗膜の反射スペクトルデータ（画像２）を、膜厚反射分光計により取得する。それにより、膜厚を含むデータ（データ２）を取得する。
　さらに、乾燥工程において、塗膜に、励起波長６６０ｎｍの光を照射したときの発光状態を示す分光画像（画像３）を、ハイパースペクトルカメラにより取得する。それにより、残留溶媒量と紐付けられる発光ピークシフト（Ｆ７５０～８００）を含むデータ（データ３）を取得する。
　そして、取得した上記データ１、データ２及びデータ３を用いて、粘着フィルムを貼り合わせ工程に用いた場合の接着状態の予測工程を行う。それにより、貼り合わせ工程後の粘着材料の被着体との接着状態を予測することができる。
　（実施形態５）
　本発明の接着状態の予測方法は、例えば偏光板の製造方法に適用することができる。偏光板は、偏光子と、透光性の樹脂フィルムと、それらの間に配置された、光硬化性材料の硬化物とを含む。
　そのような偏光板の製造工程では、例えば偏光子上に、光硬化性材料を塗布形成する工程（塗布工程）。次いで、塗布した光硬化性材料上に、透光性の樹脂フィルムを貼り合わせる（貼り合わせ工程）。そして、貼り合わせた樹脂フィルムに光を照射し、光硬化性材料を硬化させる（硬化工程）。それにより、偏光板を製造することができる。
　光硬化性材料は、上記と同様、光硬化性化合物と、光重合開始剤とを含む。光硬化性化合物は、好ましくはカチオン硬化性化合物である。本実施形態では、光硬化性材料は、硬化度を含むデータの取得に適した造影剤（例えば上記造影剤（１）、励起波長３６５ｎｍ）や、水分量を含むデータを取得に適した造影剤（例えば上記造影剤（２）、励起波長６６０ｎｍ）をさらに含むことが好ましい。水分量を可視化できる造影剤（２）を含むことが好ましい理由は、カチオン硬化性化合物に含有する水分が硬化阻害を起こす要因となり得るため、硬化が十分でない場合の原因を理解する上で重要な情報となる場合があるからである。また、硬化度を可視化できる造影剤（１）を含むと、硬化度が適切な範囲である、すなわち硬化反応が完結しているかどうかを判断できるため好ましい。このように、硬化反応が適切なレベルで完結していることを可視化する理由は、硬化が不十分だと狙った接着力を得ることができないため、硬化度が接着状態を予測する上で有効な情報だからである。
　そして、図１に示されるように、接着状態の予測方法を行う。
　具体的には、硬化工程において、塗膜に、励起波長３６５ｎｍの光を照射したときの発光状態を示す分光画像（画像１）を、ハイパースペクトルカメラにより取得する。そして、硬化度と紐付けられる、波長６００ｎｍの発光強度に対する波長４３０ｎｍの発光強度の比（Ｆ４３０／Ｆ６００）を含むデータ（データ１）を取得する。
　また、貼り合わせ工程において、硬化物に、励起波長６６０ｎｍの光を照射したときの発光状態を示す分光画像（画像２）を、ハイパースペクトルカメラにより取得する。そして、水分量と紐付けられる、発光ピークシフト（Ｆ７５０～８００）を含むデータ（データ２）を取得する。
　そして、取得したデータ１とデータ２を用いて、偏光板の作製後、抜き取り検査前に、接着状態の予測工程を行う。それにより、偏光板の最終的な接着状態（耐久試験終了後も含む）を予測することができる。
　（実施形態６）
　実施形態２で記載したプリント配線板に対するソルダーレジストの接着状態の予測方法において、光硬化性材料の硬化前及び硬化後の近赤外反射スペクトル（例えば１０００ｎｍ～２７００ｎｍ）をハイパースペクトルカメラにより取得することで、接着状態を予測することができる。
　そして、図１に示されるように、接着状態の予測方法を行う。
　具体的には、塗布工程において、塗膜に、光源としてハロゲンランプ光を照射したときの近赤外吸収スペクトルを示す分光画像（画像１）を、ハイパースペクトルカメラにより取得する。そして、硬化前の光硬化性材料の分子構造情報と紐付けられるデータ（データ１）を取得する。
　続いて、硬化工程において、塗膜に、光源としてハロゲンランプ光を照射したときの近赤外吸収スペクトルを示す分光画像（画像２）を、ハイパースペクトルカメラにより取得する。そして、硬化後の光硬化性材料の分子構造情報と紐付けられるデータ（データ２）を取得する。
　赤外光は分子の振動や回転運動によって吸収され、そのエネルギーは化学構造によって異なる。そのため、赤外光を測定すれば、化学構造や分子の状態に関する情報が得られる。具体的には、ハイパースペクトルカメラにより取得した反射光から近赤外吸収スペクトル（例えば波長１０００～２７００ｎｍの領域内の特定波長の吸光度など）として、データ１及びデータ２を取得することができる。
　また、硬化度に紐づけられるデータ３は、データ１とデータ２の差分、すなわち、(データ１)－(データ２)から求めることができる。このように求めた硬化前後の近赤外吸収スペクトルの差スペクトルであるデータ３は、光硬化性材料の硬化による化学構造や分子の状態の変化を反映しているため、硬化度と紐付けることができる。
　このようにして取得したデータ１、２、３を用いて、光硬化性材料の硬化物、即ち、ソルダーレジストのプリント配線板との接着状態を事前に予測することができる。
　本出願は、２０２２年５月１２日出願の特願２０２２－７８９４２に基づく優先権を主張する。当該出願明細書及び図面に記載された内容は、すべて本願明細書に援用される。
　本発明によれば、種々の接着材料に対して適用でき、且つ接着状態を高精度に予測可能な接着状態の予測システム等を提供することができる。それにより、種々の製造プロセスにおいて、リアルタイムに接着不良等を事前に検出できるため、製造効率を高めることができる。特に本発明は、製造工程におけるインラインでの不良検出（工程管理）や最終製品の品質管理にも適用できるだけでなく、材料探索や処方検討、プロセス条件検討等の事前検討（ラボ検討、試作検討等）にも有効に適用することができる。
　１００　予測システム
　１１０　撮像装置
　１１１　光源
　１１２　撮像部
　１２０　処理装置
　１２１　データ取得部
　１２２　記憶部
　１２３　接着状態予測部
　１２４　画像取得部
　１２５　処理部
　１３０　表示部

 

Claims (20)

  1. 　接着性を有する対象物を被接着体に接着させたときの、接着状態を予測するシステムであって、
    　前記対象物の２次元座標上の物性値情報を含むデータを、２以上取得するデータ取得部と、
    　取得した２以上の前記データを用いて、前記対象物と前記被接着体との接着状態を予測する接着状態予測部と、
    　を有する、
    　接着状態の予測システム。
  2. 　前記データ取得部は、
    　前記対象物の２次元座標情報を取得し、取得した２次元座標情報と対応付けて前記２以上の物性値情報を含むデータを取得する、
    　請求項１に記載の接着状態の予測システム。
  3. 　前記データ取得部は、
    　光が照射されたときの前記対象物の反射又は放出される光の状態を示す画像を取得する画像取得部と、
    　前記取得した画像から、前記対象物の前記２以上のデータを取得する処理部と、
    　を有する、
    　請求項２に記載の接着状態の予測システム。
  4. 　前記対象物に光を照射する光源と、
    　前記光源からの光を受けて発光する前記対象物の発光状態を撮像する撮像部と、をさらに有し、
    　前記画像取得部は、前記撮像部で撮像した画像を取得する、
    　請求項３に記載の接着状態の予測システム。
  5. 　前記接着状態予測部は、機械学習による予測モデルに基づいて接着状態を予測する、
    　請求項１に記載の予測システム。
  6. 　前記接着状態予測部で予測した結果を表示する表示部をさらに有する、
    　請求項１に記載の接着状態の予測システム。
  7. 　前記２以上のデータは、所定の物性値情報を含むデータを経時的に取得したものである、
    　請求項１に記載の接着状態の予測システム。
  8. 　前記２以上のデータは、異なる種類の物性値情報を含む、
    　請求項１に記載の接着状態の予測システム。
  9. 　前記２以上のデータは、同時に取得したものである、
    　請求項８に記載の接着状態の予測システム。
  10. 　前記２以上のデータの少なくとも一つは、前記対象物の分光特性情報である、
    　請求項１に記載の接着状態の予測システム。
  11. 　前記分光特性情報は、前記対象物に所定の波長の光を照射したときに、前記対象物から反射又は放出される光の状態を示す画像から得られる、
    　請求項１０に記載の接着状態の予測システム。
  12. 　前記画像は、ハイパースペクトルカメラにより取得されたものである、
    　請求項１１に記載の接着状態の予測システム。
  13. 　前記対象物は、前記対象物の物性に応じて発光挙動が変化する造影剤を含む、
    　請求項１１又は１２に記載の接着状態の予測システム。
  14. 　前記造影剤は、所定の光の照射により蛍光を発する、
    　請求項１３に記載の接着状態の予測システム。
  15. 　前記分光特性情報は、弾性率、硬化度、硬度、極性及び水分量からなる群より選ばれる物性値と関連付けられている、
    　請求項１０に記載の接着状態の予測システム。
  16. 　前記２以上のデータの他の一つは、膜厚情報を含む、
    　請求項１５に記載の接着状態の予測システム。
  17. 　前記対象物は、熱圧着材料、硬化性材料、又は粘着材料である、
    　請求項１に記載の接着状態の予測システム。
  18. 　接着性を有する対象物を被接着体に接着させたときの接着状態を予測する方法であって、
    　前記対象物の２次元座標上の物性値情報を含むデータを、２以上取得する工程と、
    　取得した２以上の前記データを用いて、前記対象物と前記被接着体との接着状態を予測する工程と、
    　を有する、
    　接着状態の予測方法。
  19. 　接着性を有する対象物を被接着体に接着させたときの接着状態を予測するプログラムであって、
    　コンピュータに、
    　前記対象物の２次元座標上の物性値情報を含むデータを、２以上取得する工程と、
    　取得した２以上の前記データを用いて、前記対象物と前記被接着体との接着状態を予測する工程とを実行させるための、
    　接着状態の予測プログラム。
  20. 　接着性を有する対象物に対し、請求項１８に記載の予測方法を行うことにより、前記対象物と被着体との接着状態を予測する工程と、
    　前記予測した結果に基づいて、前記対象物の処理条件を調整する工程と、
    　を含む、
    　接着物の製造方法。
PCT/JP2023/017451 2022-05-12 2023-05-09 接着状態の予測システム、接着状態の予測方法、接着状態の予測プログラム及び接着物の製造方法 Ceased WO2023219082A1 (ja)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202380039771.9A CN119173595A (zh) 2022-05-12 2023-05-09 粘合状态的预测系统、粘合状态的预测方法、粘合状态的预测程序以及粘合物的制造方法
US18/864,147 US20250305957A1 (en) 2022-05-12 2023-05-09 Bonded state prediction system, bonded state prediction method, bonded state prediction program and method for producing bonded article
JP2024520458A JPWO2023219082A1 (ja) 2022-05-12 2023-05-09

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2022078942 2022-05-12
JP2022-078942 2022-05-12

Publications (1)

Publication Number Publication Date
WO2023219082A1 true WO2023219082A1 (ja) 2023-11-16

Family

ID=88730255

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2023/017451 Ceased WO2023219082A1 (ja) 2022-05-12 2023-05-09 接着状態の予測システム、接着状態の予測方法、接着状態の予測プログラム及び接着物の製造方法

Country Status (4)

Country Link
US (1) US20250305957A1 (ja)
JP (1) JPWO2023219082A1 (ja)
CN (1) CN119173595A (ja)
WO (1) WO2023219082A1 (ja)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000094892A (ja) * 1998-09-11 2000-04-04 Polymark Technographics Internatl Plc 転写ラベルにおける接着層の状態確認方法
JP2008069243A (ja) * 2006-09-13 2008-03-27 Nippon Avionics Co Ltd 接着状態予測方法
JP2021156618A (ja) * 2020-03-25 2021-10-07 住友精化株式会社 金属樹脂成形品の接着力向上剤の接着力予測方法及び接着力向上剤

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000094892A (ja) * 1998-09-11 2000-04-04 Polymark Technographics Internatl Plc 転写ラベルにおける接着層の状態確認方法
JP2008069243A (ja) * 2006-09-13 2008-03-27 Nippon Avionics Co Ltd 接着状態予測方法
JP2021156618A (ja) * 2020-03-25 2021-10-07 住友精化株式会社 金属樹脂成形品の接着力向上剤の接着力予測方法及び接着力向上剤

Also Published As

Publication number Publication date
CN119173595A (zh) 2024-12-20
US20250305957A1 (en) 2025-10-02
JPWO2023219082A1 (ja) 2023-11-16

Similar Documents

Publication Publication Date Title
US9931827B2 (en) Structural repair having optical witness and method of monitoring repair performance
US20140273240A1 (en) Method and system for detecting exposure of composites to high-temperature
US8386969B2 (en) Method for designing overlay targets and method and system for measuring overlay error using the same
CN111562241B (zh) 一种对聚合物材料老化的检测及过程分析方法
CN102077051A (zh) 厚度或表面形貌检测方法
CN103364391A (zh) 测量热扩散系数的装置以及测量热扩散系数的方法
CN103630498A (zh) 基于高光谱成像技术的脐橙表面农药残留量的检测方法
Zhao et al. A Soft, Adhesive Self‐Healing Naked‐Eye Strain/Stress Visualization Patch
US8436311B2 (en) Method of predicting thermal or chemical effect in a coated or painted composite material
JP2005208046A (ja) 反応性硬化樹脂の硬化状態測定装置及び方法
Daikos et al. Monitoring of thickness and conversion of thick pigmented UV-cured coatings by NIR hyperspectral imaging
WO2023219082A1 (ja) 接着状態の予測システム、接着状態の予測方法、接着状態の予測プログラム及び接着物の製造方法
CN102334029B (zh) 活性能量线硬化型树脂组合物的硬化度评价方法、硬化度评价薄片、及硬化度评价系统
US11884789B2 (en) Manufacture of prepreg compositions, and determination of their suitability for use in composite structures
CN115298537A (zh) 状态确定装置、状态确定方法以及状态确定程序
CN119779849B (zh) 碳化物演变实时监测方法、装置、终端及存储介质
CN103674318A (zh) 基于胶体硒化铅量子点的集成电路芯片微区表面温度分布的检测方法
CN108535119B (zh) 柔性基板的抗弯折性能评估方法
Thielen et al. 27‐2: Invited Paper: Correlation of Accelerated Aging to In‐Device Lifetime of Quantum Dot Enhancement Film
CN113960061B (zh) Oled喷印缺陷检测方法、装置、电子设备及存储介质
JPWO2014174664A1 (ja) 高分子材料の耐候性評価方法
Odisio et al. Portable Vis-NIR-FORS instrumentation for restoration products detection: Statistical techniques and clustering
KR101257324B1 (ko) Ｌｅｄ 다이의 광학 특성 측정 방법
Kavetskyy et al. Complex network methods, PALS, ATR-FTIR and EPR study of photopolymerization
Ni et al. Monitoring the full-field polymerization process by using fluorescent digital image correlation

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: 23803559

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2024520458

Country of ref document: JP

Kind code of ref document: A

WWE Wipo information: entry into national phase

Ref document number: 18864147

Country of ref document: US

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 23803559

Country of ref document: EP

Kind code of ref document: A1

WWP Wipo information: published in national office

Ref document number: 18864147

Country of ref document: US