JP7415286B2 - カラーフィルタ検査装置、検査装置、カラーフィルタ検査方法および検査方法 - Google Patents
カラーフィルタ検査装置、検査装置、カラーフィルタ検査方法および検査方法 Download PDFInfo
- Publication number
- JP7415286B2 JP7415286B2 JP2021502393A JP2021502393A JP7415286B2 JP 7415286 B2 JP7415286 B2 JP 7415286B2 JP 2021502393 A JP2021502393 A JP 2021502393A JP 2021502393 A JP2021502393 A JP 2021502393A JP 7415286 B2 JP7415286 B2 JP 7415286B2
- Authority
- JP
- Japan
- Prior art keywords
- defect
- classification
- color filter
- image
- candidate
- 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
- 238000000034 method Methods 0.000 title claims description 134
- 238000007689 inspection Methods 0.000 title claims description 47
- 230000007547 defect Effects 0.000 claims description 377
- 230000008569 process Effects 0.000 claims description 112
- 238000012545 processing Methods 0.000 claims description 50
- 238000001514 detection method Methods 0.000 claims description 43
- 238000013528 artificial neural network Methods 0.000 claims description 40
- 238000011176 pooling Methods 0.000 claims description 25
- 238000004458 analytical method Methods 0.000 claims description 20
- 230000008859 change Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 description 34
- 238000010586 diagram Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 7
- 238000004519 manufacturing process Methods 0.000 description 7
- 238000007781 pre-processing Methods 0.000 description 7
- 238000010276 construction Methods 0.000 description 6
- 239000011159 matrix material Substances 0.000 description 6
- 239000000758 substrate Substances 0.000 description 6
- 230000000875 corresponding effect Effects 0.000 description 5
- 238000002372 labelling Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 238000009499 grossing Methods 0.000 description 4
- 230000005855 radiation Effects 0.000 description 4
- 239000000463 material Substances 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000010408 film Substances 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004020 luminiscence type Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000010422 painting Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 229910052710 silicon Inorganic materials 0.000 description 1
- 239000010703 silicon Substances 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
-
- G—PHYSICS
- G02—OPTICS
- G02B—OPTICAL ELEMENTS, SYSTEMS OR APPARATUS
- G02B5/00—Optical elements other than lenses
- G02B5/20—Filters
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Immunology (AREA)
- Optics & Photonics (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Pathology (AREA)
- Analytical Chemistry (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Spectrometry And Color Measurement (AREA)
- Eye Examination Apparatus (AREA)
- Image Processing (AREA)
Description
また、半導体基板等の外観検査に用いることができる画像分類装置がJP2017-54239Aに開示されている。この技術は、撮影画像から特徴量を抽出して欠陥分類を行うものであり、教師データを用いてニューラルネットワーク、決定木、判別分析等により欠陥分類を行っている。
本発明は、以下のような解決手段により、前記課題を解決する。なお、理解を容易にするために、本発明の実施形態に対応する符号を付して説明するが、これに限定されるものではない。
図1は、本発明によるカラーフィルタ検査装置1の実施形態を示す図である。
カラーフィルタ検査装置1は、カラーフィルタの製造過程において、製造上の欠陥を検査する装置であり、ここでは、対象物の一例であるカラーフィルタのムラを検討する場合を例示するが、ムラ以外の欠陥を検査するものであってもよい。
本実施形態のカラーフィルタ検査装置1は、撮影部11と、欠陥検出部12と、画像切り出し部13と、入力部14と、欠陥分類部15と、学習モデル構築部17とを備えている。なお、欠陥検出部12と、画像切り出し部13と、入力部14と、欠陥分類部15と、学習モデル構築部17とは、コンピュータに、専用のプログラムを組み込んで構成されており、プログラムが各構成の機能を実現する。
撮影部11は、カラーフィルタからの反射光を受光する形態でも透過光を受光する形態であってもよい。
欠陥検出部12によって欠陥候補を検出し、画像切り出し部13によって画像を切り出すことにより、後述の欠陥分類部15による処理を軽くすることができる。
学習モデル16は、学習モデル構築部17によって予め学習データ18(ムラの種類毎の画像群)を学習して構築される。
図2は、カラーフィルタ検査装置1の動作の流れを示すフローチャートである。
ステップ(以下、Sとする)11では、撮影部11が、カラーフィルタを撮影して、画像を取得する。
S12では、欠陥検出部が欠陥候補を検出する。本実施形態では、欠陥検出部12は、ステップ11で取得した画像に対して空間フィルタを用いた一次微分処理を行い、ムラが存在すると予想される領域を抽出する。
S13では、画像切り出し部13が、欠陥候補を含む所定の範囲について撮影画像から切り出して、ムラ周辺画像を取得する。
S14では、入力部14が、ムラ周辺画像(切り出された画像)を欠陥分類部15の入力層へ入力する。
図5は、微分画像を2値画像にする例を示す図である。
所定のしきい値を設定し、微分画像について、しきい値以上の画素値を有する画素については第1の画素値を与え、しきい値未満の画素値を有する画素については第2の画素値を与えることにより、微分画像を図5に示すような2値画像にする。
図6は、図5の2値画像について第1の画素値を有する隣接画素の集合からなる領域を抽出した例を示す図である。
この2値画像について、第1の画素値を有する隣接画素の集合からなる領域を図6に示すように抽出する。この領域を構成する画素群を、微分方向に沿った複数の一次元画素配列の集合として、この一次元画素配列の両端に位置する画素の階調値の差を当該一次元画素配列の長さで除した値を一次元画素配列に関する不均一性を示す評価値として、複数の一次元画素配列について求めた複数の評価値の代表値を、評価対象領域についての不均一性を示す評価値とする。評価値の値が高ければ周囲からムラが目立って見える。評価値を微分方向毎に求めて、一定の所定の条件を満たせば、評価対象領域にムラが存在すると評価する。
図3は、欠陥分類部15のニューラルネットワークの構成と、学習処理について示す図である。
本実施形態の欠陥分類部15のニューラルネットワークは、入力層151と、畳み込み層152と、プーリング層153と、全結合層154と、出力層155とを備えている。
畳み込み処理では64×64ピクセルの入力画像から3×3ピクセルの第1小画像を抽出し、この小画像と3×3係数行列を用いて畳み込み計算を行い、それにバイアス値とバイアス係数を乗算したものを加算してReLU(Rectified Linear Unit)を適用し、第1特徴マップを生成する。図3では、64種類の行列係数を用いて64枚の畳み込み画像を作成する例を例示しているが、これは、適宜変更可能である。
図4は、平均プーリングを説明する図である。
図4に示す平均プーリングの例では、2×2ピクセルのプーリング領域に分割し、輝度値を平均することによりサイズを低減化している。
なお、上述したニューラルネットワークの構成例は、一例を示したに過ぎず、適宜変更可能である。
図7は、本発明によるカラーフィルタ検査装置1の第2実施形態を示す図である。
第2実施形態のカラーフィルタ検査装置1は、第1実施形態の構成に加えて、さらに、欠陥出力部の一例である欠陥分別部21と、分類確定部22と、欠陥判定部23とを備えている。これら欠陥分別部21、分類確定部22および欠陥判定部23は、コンピュータに、専用のプログラムを組み込んで構成されており、プログラムが各構成の機能を実現する。
図8は、第2実施形態におけるカラーフィルタ検査装置1の動作の流れを示すフローチャートである。
シェーディング処理は、濃度ムラのある画像から濃度ムラを取り除く処理である。
平滑化処理は、撮影画像に含まれる欠陥候補以外のノイズを除去するために撮影画像をぼかす処理である。平滑化処理には、例えばガウシアンフィルタを用いることができる。
放射処理は、後述する欠陥候補検出の際の畳み込み演算に必要な処理として、撮影画像の端部に位置する画素の輝度値をその外側にコピーする処理である。放射処理は、撮影画像の端部に位置する画素を注目画素すなわち中心画素とした例えば3×3画素を用いて畳み込みを行う場合に、注目画素の周辺の画素が不足するのでこの不足を補うために行われる。
白黒反転処理は、黒い欠陥を判定対象とする場合には撮影画像を白黒反転し、白い欠陥を判定対象とする場合には撮影画像を白黒反転しない処理である。判定対象が黒い欠陥であるか又は白い欠陥であるかについては、判定すべき欠陥の種類によって異なる。白黒反転処理によれば、欠陥の種類によらずに白い画像を欠陥候補として検出して判定することができるので、欠陥判定を簡便化することができる。
なお、前処理を構成する上記のシェーディング処理、平滑化処理、放射処理および白黒反転処理は、これらの前後を適宜入れ替えてもよい。
畳み込み演算による差分フィルタ処理は、前処理後の撮影画像の各点すなわち各画素において、輝度値の変化の大きさを求める処理である。ムラや異物などの欠陥候補がある場所では、輝度値が周囲に比べて大きく変化しているため、差分フィルタ処理によって輝度値の変化の大きさを求めることで欠陥候補を検出することができる。具体的には、差分フィルタ処理においては、前処理後の撮影画像の各画素のそれぞれを順に注目画素に設定し、注目画素を中心とした例えば3×3画素のそれぞれの輝度値と、フィルタとしての例えば3×3の係数行列とを用いた畳み込み演算を行う。畳み込み演算によって、注目画素ごとに隣接する画素との間の輝度値の差分値が算出される。輝度値の変化の大きい場所ほど差分値は大きくなり、差分値が大きな場所を欠陥候補として検出することができる。
なお、欠陥候補検出処理を構成する上記の差分フィルタ処理、二値化処理、水平方向クロージング処理、垂直方向クロージング処理、水平方向オープニング処理、垂直方向オープニング処理およびラベリング処理は、これらの前後を適宜入れ替えてもよい。
なお、上記の横幅算出処理、縦幅算出処理、面積算出処理、輝度差ピーク値算出処理、輝度差平均値算出処理、斜率算出処理、面積比算出処理、スジ率算出処理および円形度算出処理は、これらの前後を適宜入れ替えてもよい。
以上説明した実施形態に限定されることなく、種々の変形や変更が可能であって、それらも本発明の範囲内である。
11 撮影部
12 欠陥検出部
13 画像切り出し部
14 入力部
15 欠陥分類部
16,19 学習モデル
17 学習モデル構築部
18 学習データ
151 入力層
152 畳み込み層
153 プーリング層
154 全結合層
155 出力層
Claims (5)
- カラーフィルタの撮影画像に基づいて欠陥候補を検出する欠陥検出部であって、前記撮影画像を複数方向から一次微分したデータから前記欠陥候補を含む範囲を検出することで前記欠陥候補を検出する欠陥検出部と、
前記検出された欠陥候補を含む範囲を、欠陥分類のためにニューラルネットワークに出力する欠陥出力部と、
カラーフィルタの撮影画像の第1の分析結果に基づいて前記ニューラルネットワークから出力された前記欠陥分類の結果を確定する分類確定部と、
カラーフィルタの撮影画像の第2の分析結果に基づいて前記欠陥分類の結果が確定された欠陥候補が欠陥であるか否かを判定する欠陥判定部と、
を備え、
前記第2の分析結果は、分類毎の欠陥の発生履歴を示す発生履歴情報を含み、
前記ニューラルネットワークは、
前記撮影画像から畳み込み処理により第1特徴マップを生成する畳み込み層と、
プーリング処理を行い前記第1特徴マップのサイズ又は変化を低減して第2特徴マップを生成するプーリング層と、
前記欠陥分類の結果を出力する出力層と、
を備えるカラーフィルタ検査装置。 - 前記第1の分析結果は、分類毎の欠陥の発生位置を示す発生位置情報を含む、請求項1に記載のカラーフィルタ検査装置。
- 前記欠陥検出部で検出された前記欠陥候補を含む範囲を前記撮影画像から切り出す画像切り出し部をさらに備える、請求項1又は2に記載のカラーフィルタ検査装置。
- 欠陥検出部が、カラーフィルタの撮影画像に基づいて欠陥候補を検出する工程であって、前記撮影画像を複数方向から一次微分したデータから前記欠陥候補を含む範囲を検出することで前記欠陥候補を検出する工程と、
欠陥出力部が、前記検出された欠陥候補を含む範囲を、欠陥分類のためにニューラルネットワークに出力する工程と、
分類確定部が、カラーフィルタの撮影画像の第1の分析結果に基づいて前記ニューラルネットワークから出力された前記欠陥分類の結果を確定する工程と、
欠陥判定部が、カラーフィルタの撮影画像の第2の分析結果に基づいて前記欠陥分類の結果が確定された欠陥候補が欠陥であるか否かを判定する工程と、
を備え、
前記第2の分析結果は、分類毎の欠陥の発生履歴を示す発生履歴情報を含み、
前記ニューラルネットワークは、
前記撮影画像から畳み込み処理により第1特徴マップを生成する畳み込み層と、
プーリング処理を行い前記第1特徴マップのサイズ又は変化を低減して第2特徴マップを生成するプーリング層と、
前記欠陥分類の結果を出力する出力層と、
を備えるカラーフィルタ検査方法。 - 撮影部が、前記カラーフィルタを撮影する工程と、
前記ニューラルネットワークが、前記撮影画像から畳み込み処理により第1特徴マップを生成する畳み込み工程と、
プーリング処理を行い前記第1特徴マップのサイズ又は変化を低減して第2特徴マップを生成するプーリング工程と、
をさらに備える、請求項4に記載のカラーフィルタ検査方法。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019036102 | 2019-02-28 | ||
JP2019036102 | 2019-02-28 | ||
PCT/JP2020/008236 WO2020175666A1 (ja) | 2019-02-28 | 2020-02-28 | カラーフィルタ検査装置、検査装置、カラーフィルタ検査方法および検査方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
JPWO2020175666A1 JPWO2020175666A1 (ja) | 2020-09-03 |
JP7415286B2 true JP7415286B2 (ja) | 2024-01-17 |
Family
ID=72238882
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2021502393A Active JP7415286B2 (ja) | 2019-02-28 | 2020-02-28 | カラーフィルタ検査装置、検査装置、カラーフィルタ検査方法および検査方法 |
Country Status (3)
Country | Link |
---|---|
JP (1) | JP7415286B2 (ja) |
TW (1) | TWI822968B (ja) |
WO (1) | WO2020175666A1 (ja) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023282043A1 (ja) * | 2021-07-08 | 2023-01-12 | Jfeスチール株式会社 | 検査方法、分類方法、管理方法、鋼材の製造方法、学習モデルの生成方法、学習モデル、検査装置及び鋼材の製造設備 |
CN113469997B (zh) * | 2021-07-19 | 2024-02-09 | 京东科技控股股份有限公司 | 平面玻璃的检测方法、装置、设备和介质 |
JP7510132B1 (ja) | 2023-11-22 | 2024-07-03 | 株式会社デンケン | 外観検査装置、機械学習モデルの学習方法、教師用画像の生成方法及びプログラム |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005127823A (ja) | 2003-10-23 | 2005-05-19 | Dainippon Printing Co Ltd | 光学特性の不均一性測定方法および装置ならびにこれを利用した製品良否判定方法および装置 |
JP2013167596A (ja) | 2012-02-17 | 2013-08-29 | Honda Motor Co Ltd | 欠陥検査装置、欠陥検査方法及びプログラム |
JP2018005640A (ja) | 2016-07-04 | 2018-01-11 | タカノ株式会社 | 分類器生成装置、画像検査装置、及び、プログラム |
JP2018005639A (ja) | 2016-07-04 | 2018-01-11 | タカノ株式会社 | 画像分類装置、画像検査装置、及び、プログラム |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH06273349A (ja) * | 1993-03-23 | 1994-09-30 | Sumitomo Metal Ind Ltd | 疵判定装置 |
-
2020
- 2020-02-28 TW TW109106635A patent/TWI822968B/zh active
- 2020-02-28 JP JP2021502393A patent/JP7415286B2/ja active Active
- 2020-02-28 WO PCT/JP2020/008236 patent/WO2020175666A1/ja active Application Filing
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005127823A (ja) | 2003-10-23 | 2005-05-19 | Dainippon Printing Co Ltd | 光学特性の不均一性測定方法および装置ならびにこれを利用した製品良否判定方法および装置 |
JP2013167596A (ja) | 2012-02-17 | 2013-08-29 | Honda Motor Co Ltd | 欠陥検査装置、欠陥検査方法及びプログラム |
JP2018005640A (ja) | 2016-07-04 | 2018-01-11 | タカノ株式会社 | 分類器生成装置、画像検査装置、及び、プログラム |
JP2018005639A (ja) | 2016-07-04 | 2018-01-11 | タカノ株式会社 | 画像分類装置、画像検査装置、及び、プログラム |
Non-Patent Citations (1)
Title |
---|
TSENG, din-chang et al.,DEFECT CLASSIFICATION FOR LCD COLOR FILTERS USING NEURAL-NETWORK DECISION TREE CLASSIFIER,International Journal of Innovative Computing, Information and Control,2011年,Vol.7, No7(A),p.3695-3707,ISSN1349-4198 |
Also Published As
Publication number | Publication date |
---|---|
TW202034421A (zh) | 2020-09-16 |
WO2020175666A1 (ja) | 2020-09-03 |
TWI822968B (zh) | 2023-11-21 |
JPWO2020175666A1 (ja) | 2020-09-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102254773B1 (ko) | 영상정보를 이용한 건물 부위별 하자의 자동 판정과 분류 시스템 및 그 방법 | |
JP7415286B2 (ja) | カラーフィルタ検査装置、検査装置、カラーフィルタ検査方法および検査方法 | |
Omid et al. | An expert egg grading system based on machine vision and artificial intelligence techniques | |
Choudhary et al. | Crack detection in concrete surfaces using image processing, fuzzy logic, and neural networks | |
JP7132701B2 (ja) | タイヤ画像の認識方法及びタイヤ画像の認識装置 | |
Mathavan et al. | Use of a self-organizing map for crack detection in highly textured pavement images | |
KR102166458B1 (ko) | 인공신경망 기반의 영상 분할을 이용한 불량 검출 방법 및 불량 검출 장치 | |
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 | |
Kuo et al. | Automated optical inspection system for surface mount device light emitting diodes | |
CN111815564B (zh) | 一种检测丝锭的方法、装置及丝锭分拣*** | |
CN114155181B (zh) | 检查方案的自动优化 | |
CN112150460B (zh) | 检测方法、检测***、设备和介质 | |
Bong et al. | Vision-based inspection system for leather surface defect detection and classification | |
KR101813223B1 (ko) | 영상 표면의 결함을 검출 및 분류하는 방법 및 장치 | |
CN112200790B (zh) | 布料缺陷检测方法、设备和介质 | |
JP7298176B2 (ja) | 欠点検査装置および学習済みモデル | |
Mir et al. | Machine learning-based evaluation of the damage caused by cracks on concrete structures | |
JP2024505874A (ja) | 機械学習を用いて塗装不良の検出を行うためのシステムおよび方法 | |
KR102372714B1 (ko) | 딥러닝 기반 자동 결함 검사 장치 및 방법 | |
CN115861259A (zh) | 一种基于模板匹配的引线框架表面缺陷检测方法及装置 | |
JP2840347B2 (ja) | 基板実装検査装置 | |
KR20230082346A (ko) | 오토인코더 및 합성곱 심층 신경망을 활용한 고해상도 영상 기반 제조품 결함 탐지 방법 | |
CN112767365A (zh) | 一种探伤方法 | |
US8699761B2 (en) | Method for evaluating quality of image representing a fingerprint pattern | |
Revathy et al. | Fabric defect detection and classification via deep learning-based improved Mask RCNN |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220915 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230707 |
|
A601 | Written request for extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A601 Effective date: 20230901 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20231030 |
|
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: 20231201 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20231214 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7415286 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |