JP7393313B2 - 欠陥分類装置、欠陥分類方法及びプログラム - Google Patents
欠陥分類装置、欠陥分類方法及びプログラム Download PDFInfo
- Publication number
- JP7393313B2 JP7393313B2 JP2020163685A JP2020163685A JP7393313B2 JP 7393313 B2 JP7393313 B2 JP 7393313B2 JP 2020163685 A JP2020163685 A JP 2020163685A JP 2020163685 A JP2020163685 A JP 2020163685A JP 7393313 B2 JP7393313 B2 JP 7393313B2
- Authority
- JP
- Japan
- Prior art keywords
- classification
- defect
- unit
- detected
- defects
- 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.)
- Active
Links
- 230000007547 defect Effects 0.000 title claims description 361
- 238000000034 method Methods 0.000 title claims description 27
- 238000001514 detection method Methods 0.000 claims description 65
- 238000007689 inspection Methods 0.000 claims description 56
- 238000013135 deep learning Methods 0.000 claims description 44
- 238000004364 calculation method Methods 0.000 claims description 39
- 230000006870 function Effects 0.000 claims description 24
- 238000003860 storage Methods 0.000 description 24
- 238000003384 imaging method Methods 0.000 description 15
- 238000012545 processing Methods 0.000 description 11
- 238000004891 communication Methods 0.000 description 10
- 238000013527 convolutional neural network Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 10
- 238000013528 artificial neural network Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 9
- 238000004519 manufacturing process Methods 0.000 description 8
- 230000037303 wrinkles Effects 0.000 description 8
- 230000002950 deficient Effects 0.000 description 7
- 238000011176 pooling Methods 0.000 description 6
- 238000013473 artificial intelligence Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000007637 random forest analysis Methods 0.000 description 3
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 239000000428 dust Substances 0.000 description 2
- 238000005401 electroluminescence Methods 0.000 description 2
- 229910001416 lithium ion Inorganic materials 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 229910044991 metal oxide Inorganic materials 0.000 description 1
- 150000004706 metal oxides Chemical class 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
Images
Landscapes
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Image Analysis (AREA)
Description
検査対象が撮像された撮像画像から欠陥を検出する欠陥検出部と、
前記欠陥検出部により検出された前記欠陥の特徴量を計算する特徴量計算部と、
ディープラーニングにより学習された学習済みモデルを用いて、前記欠陥検出部により検出された前記欠陥を分類する第1の分類部と、
複数のグループのうちの、前記特徴量計算部により計算された前記特徴量に前記第1の分類部による分類結果を加えた組み合わせが該当するグループに、前記欠陥検出部により検出された前記欠陥を分類する第2の分類部と、を備える。
検査対象が撮像された撮像画像から欠陥を検出する欠陥検出ステップと、
前記欠陥検出ステップで検出された前記欠陥の特徴量を計算する特徴量計算ステップと、
ディープラーニングにより学習された学習済みモデルを用いて、前記欠陥検出ステップで検出された前記欠陥を分類する第1の分類ステップと、
複数のグループのうちの、前記特徴量計算ステップで計算された前記特徴量に前記第1の分類ステップでの分類結果を加えた組み合わせが該当するグループに、前記欠陥検出ステップで検出された前記欠陥を分類する第2の分類ステップと、を含む。
コンピュータを、
検査対象が撮像された撮像画像から欠陥を検出する欠陥検出部、
前記欠陥検出部により検出された前記欠陥の特徴量を計算する特徴量計算部、
ディープラーニングにより学習された学習済みモデルを用いて、前記欠陥検出部により検出された前記欠陥を分類する第1の分類部、
複数のグループのうちの、前記特徴量計算部により計算された前記特徴量に前記第1の分類部による分類結果を加えた組み合わせが該当するグループに、前記欠陥検出部により検出された前記欠陥を分類する第2の分類部、として機能させる。
図1に、本発明の実施形態1に係る欠陥分類装置10の構成を示す。欠陥分類装置10は、検査対象に存在する欠陥を分類することで検査対象を検査する装置である。ここで、検査対象は、欠陥検査される対象となる製品、商品等である。検査対象は、一例として、リチウムイオン2次電池(LIB:Lithium-Ion Battery)において用いられるフィルム状(シート状)の部材である。しかしながら、検査対象はこれに限らずどのようなものであっても良い。
次に、本発明の実施形態2について説明する。実施形態1と同様の構成及び機能については、適宜説明を省略する。
以上、本発明の実施形態を説明したが、各実施形態を組み合わせたり、各実施形態を適宜、変形、省略したりすることが可能である。
Claims (11)
- 検査対象が撮像された撮像画像から欠陥を検出する欠陥検出部と、
前記欠陥検出部により検出された前記欠陥の特徴量を計算する特徴量計算部と、
ディープラーニングにより学習された学習済みモデルを用いて、前記欠陥検出部により検出された前記欠陥を分類する第1の分類部と、
複数のグループのうちの、前記特徴量計算部により計算された前記特徴量に前記第1の分類部による分類結果を加えた組み合わせが該当するグループに、前記欠陥検出部により検出された前記欠陥を分類する第2の分類部と、を備える、
欠陥分類装置。 - ユーザから受け付けた操作に従って、前記第2の分類部による前記欠陥の分類条件を設定する分類条件設定部、を更に備え、
前記第2の分類部は、前記分類条件設定部により設定された分類条件に従って、前記欠陥検出部により検出された前記欠陥を分類する、
請求項1に記載の欠陥分類装置。 - 前記分類条件設定部は、前記分類条件として、前記特徴量計算部により計算された前記特徴量と前記第1の分類部による前記分類結果との両方に基づいて前記欠陥を分類するか、前記特徴量計算部により計算された前記特徴量と前記第1の分類部による前記分類結果とのうちのいずれか一方のみに基づいて前記欠陥を分類するか、を設定する、
請求項2に記載の欠陥分類装置。 - ユーザから受け付けた操作に従って、前記学習済みモデルを設定するモデル設定部、を更に備え、
前記第1の分類部は、前記モデル設定部により設定された前記学習済みモデルを用いて、前記欠陥検出部により検出された前記欠陥を分類する、
請求項1から3のいずれか1項に記載の欠陥分類装置。 - 前記学習済みモデルは、前記欠陥検出部により検出された前記欠陥が、予め定められた複数の種別のそれぞれに該当する確からしさを示すスコアを出力し、
前記第1の分類部は、前記欠陥検出部により検出された前記欠陥を、前記複数の種別のうちの、前記学習済みモデルから出力されたスコアが最も高い種別に分類し、
前記第2の分類部は、前記複数のグループのうちの、前記特徴量計算部により計算された前記特徴量に前記第1の分類部により分類された前記種別及び該種別に該当する確からしさを示す前記スコアを加えた組み合わせが該当するグループに、前記欠陥検出部により検出された前記欠陥を分類する、
請求項1から4のいずれか1項に記載の欠陥分類装置。 - 前記特徴量計算部は、前記特徴量として、前記欠陥検出部により検出された前記欠陥のサイズと面積と真円度と明るさとのうちの少なくとも1つを計算する、
請求項1から5のいずれか1項に記載の欠陥分類装置。 - 学習用の欠陥画像と該欠陥画像に示される欠陥の種別との関係を前記ディープラーニングにより学習することにより、前記学習済みモデルを生成する学習部、を更に備え、
前記第1の分類部は、前記学習部により生成された前記学習済みモデルを用いて、前記欠陥検出部により検出された前記欠陥を分類する、
請求項1から6のいずれか1項に記載の欠陥分類装置。 - 前記第2の分類部による分類結果に基づいて、前記欠陥検出部により検出された前記欠陥の合否を判定する合否判定部、を更に備える、
請求項1から7のいずれか1項に記載の欠陥分類装置。 - 前記第1の分類部は、前記学習済みモデルを用いて、前記欠陥検出部により検出された前記欠陥を、予め定められた複数の種別のうちのいずれかの種別に分類し、
前記第2の分類部は、前記第1の分類部により分類された前記種別に対して設定された基準値と、前記特徴量計算部により計算された前記特徴量と、の比較により、前記欠陥検出部により検出された前記欠陥を分類する、
請求項1から8のいずれか1項に記載の欠陥分類装置。 - 検査対象が撮像された撮像画像から欠陥を検出する欠陥検出ステップと、
前記欠陥検出ステップで検出された前記欠陥の特徴量を計算する特徴量計算ステップと、
ディープラーニングにより学習された学習済みモデルを用いて、前記欠陥検出ステップで検出された前記欠陥を分類する第1の分類ステップと、
複数のグループのうちの、前記特徴量計算ステップで計算された前記特徴量に前記第1の分類ステップでの分類結果を加えた組み合わせが該当するグループに、前記欠陥検出ステップで検出された前記欠陥を分類する第2の分類ステップと、を含む、
欠陥分類方法。 - コンピュータを、
検査対象が撮像された撮像画像から欠陥を検出する欠陥検出部、
前記欠陥検出部により検出された前記欠陥の特徴量を計算する特徴量計算部、
ディープラーニングにより学習された学習済みモデルを用いて、前記欠陥検出部により検出された前記欠陥を分類する第1の分類部、
複数のグループのうちの、前記特徴量計算部により計算された前記特徴量に前記第1の分類部による分類結果を加えた組み合わせが該当するグループに、前記欠陥検出部により検出された前記欠陥を分類する第2の分類部、として機能させる、
プログラム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020163685A JP7393313B2 (ja) | 2020-09-29 | 2020-09-29 | 欠陥分類装置、欠陥分類方法及びプログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020163685A JP7393313B2 (ja) | 2020-09-29 | 2020-09-29 | 欠陥分類装置、欠陥分類方法及びプログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2022055953A JP2022055953A (ja) | 2022-04-08 |
JP7393313B2 true JP7393313B2 (ja) | 2023-12-06 |
Family
ID=80998402
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020163685A Active JP7393313B2 (ja) | 2020-09-29 | 2020-09-29 | 欠陥分類装置、欠陥分類方法及びプログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP7393313B2 (ja) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2023133939A (ja) * | 2022-03-14 | 2023-09-27 | 東レエンジニアリング株式会社 | 欠陥分類装置 |
JP2023157278A (ja) * | 2022-04-14 | 2023-10-26 | 株式会社アーステクニカ | 判定装置、選別装置、及び判定方法 |
CN115294135B (zh) * | 2022-10-09 | 2023-01-03 | 临沂华太电池有限公司 | 一种电池卷边封口质量检测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004294360A (ja) | 2003-03-28 | 2004-10-21 | Hitachi High-Technologies Corp | 欠陥分類方法及び装置 |
JP2012181209A (ja) | 2012-06-14 | 2012-09-20 | Hitachi Ltd | 欠陥分類方法及びその装置 |
US20150254832A1 (en) | 2014-03-06 | 2015-09-10 | Kla-Tencor Corporation | Composite Defect Classifier |
JP2019124591A (ja) | 2018-01-17 | 2019-07-25 | 東京エレクトロン株式会社 | 基板の欠陥検査装置、基板の欠陥検査方法及び記憶媒体 |
-
2020
- 2020-09-29 JP JP2020163685A patent/JP7393313B2/ja active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004294360A (ja) | 2003-03-28 | 2004-10-21 | Hitachi High-Technologies Corp | 欠陥分類方法及び装置 |
JP2012181209A (ja) | 2012-06-14 | 2012-09-20 | Hitachi Ltd | 欠陥分類方法及びその装置 |
US20150254832A1 (en) | 2014-03-06 | 2015-09-10 | Kla-Tencor Corporation | Composite Defect Classifier |
JP2019124591A (ja) | 2018-01-17 | 2019-07-25 | 東京エレクトロン株式会社 | 基板の欠陥検査装置、基板の欠陥検査方法及び記憶媒体 |
Non-Patent Citations (1)
Title |
---|
橘高 翼,産業用画像処理アプリケーションへの機械学習技術の適用,画像ラボ,日本,日本工業出版株式会社,2017年02月10日,第28巻 第2号,pp.70-75 |
Also Published As
Publication number | Publication date |
---|---|
JP2022055953A (ja) | 2022-04-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7393313B2 (ja) | 欠陥分類装置、欠陥分類方法及びプログラム | |
JP7004145B2 (ja) | 欠陥検査装置、欠陥検査方法、及びそのプログラム | |
JP6992475B2 (ja) | 情報処理装置、識別システム、設定方法及びプログラム | |
JP5546317B2 (ja) | 外観検査装置、外観検査用識別器の生成装置及び外観検査用識別器生成方法ならびに外観検査用識別器生成用コンピュータプログラム | |
JP6936957B2 (ja) | 検査装置、データ生成装置、データ生成方法及びデータ生成プログラム | |
WO2023077404A1 (zh) | 缺陷检测方法、装置和*** | |
JP6403261B2 (ja) | 分類器生成装置、外観検査装置、分類器生成方法、及びプログラム | |
JP6869490B2 (ja) | 欠陥検査装置、欠陥検査方法、及びそのプログラム | |
US7668388B2 (en) | System and method for single image focus assessment | |
JP2018005640A (ja) | 分類器生成装置、画像検査装置、及び、プログラム | |
JP2018005639A (ja) | 画像分類装置、画像検査装置、及び、プログラム | |
JP6932987B2 (ja) | 画像処理装置、画像処理プログラム、画像処理システム | |
JP5255953B2 (ja) | 欠陥検査方法及び装置 | |
JP2012026982A (ja) | 検査装置 | |
US11378522B2 (en) | Information processing apparatus related to machine learning for detecting target from image, method for controlling the same, and storage medium | |
JP5441728B2 (ja) | 官能検査装置及び官能検査方法 | |
JP7349816B2 (ja) | 画像検査装置 | |
JP2021174456A (ja) | 異常判定方法及び異常判定装置 | |
JP2001188906A (ja) | 画像自動分類方法及び画像自動分類装置 | |
JP7298176B2 (ja) | 欠点検査装置および学習済みモデル | |
JP2010071826A (ja) | 教師データ作成方法、並びに、画像分類方法および画像分類装置 | |
JPH08101915A (ja) | 不良検査方法およびその装置 | |
JP2010008159A (ja) | 外観検査処理方法 | |
JP2021179944A (ja) | 分類システム、プログラム及び学習システム | |
WO2022130814A1 (ja) | 指標選択装置、情報処理装置、情報処理システム、検査装置、検査システム、指標選択方法、および指標選択プログラム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20221021 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20230825 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230905 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20231023 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20231107 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20231124 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7393313 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |