良否判定装置、良否判定方法および良否判定プログラム
【課題】信頼性が高い線形判別分析の判定結果を距離判別分析に反映させることにより、距離判別分析の閾値決定に対する収斂性を高め、距離判別分析の持つ簡便な判定性能を向上させるとともに、線形判別分析と距離判別分析とを共用することにより、優れた判定精度を実現できる良否判定装置、良否判定方法および良否判定プログラムを提供する。
【解決手段】検査対象から複数のパラメータを取得するパラメータ取得手段と、サンプルデータに基づいて算出した判別関数に検査対象に対応するパラメータを代入して得られる変数と閾値とを比較する線形判別分析手段と、パラメータ空間において良サンプルデータに対応する良クラスターの中心位置から検査対象に対応する要素の位置までの距離と閾値とを比較する距離判別分析手段と、線形判別分析手段および距離判別分析手段のいずれにおいても良のカテゴリーに判別された場合に良判定する良否判定手段と、を備える。
【解決手段】検査対象から複数のパラメータを取得するパラメータ取得手段と、サンプルデータに基づいて算出した判別関数に検査対象に対応するパラメータを代入して得られる変数と閾値とを比較する線形判別分析手段と、パラメータ空間において良サンプルデータに対応する良クラスターの中心位置から検査対象に対応する要素の位置までの距離と閾値とを比較する距離判別分析手段と、線形判別分析手段および距離判別分析手段のいずれにおいても良のカテゴリーに判別された場合に良判定する良否判定手段と、を備える。
【発明の詳細な説明】
【技術分野】
【０００１】
本発明は、製品の良否を判定する良否判定装置、良否判定方法および良否判定プログラムに関する。
【背景技術】
【０００２】
従来、製品の良否を判定する良否判定装置として、多変量線形判別分析（以後、線形判別分析と呼ぶ。）を用いる良否判定装置が知られている（例えば、特許文献１および特許文献２参照）。このような装置では、良否属性が既知の多数のサンプルから複数のパラメータを取得して線形判別分析の変数（説明変数）とし、これらの複数のパラメータから良カテゴリーと否カテゴリーとの度数分布を分離させる変数を与える線形判別関数（以後、判別関数と呼ぶ。）を求め、良否判定対象から測定した複数のパラメータを代入して得られる上記判別関数の算出結果と閾値とを比較することにより良否を判定する。
【０００３】
また、他の良否判定装置として、多変量の距離判別分析（以後、距離判別分析と呼ぶ。）を用いる良否判定装置が知られている（例えば、特許文献３参照）。このような装置では、良否属性が既知の多数のサンプルから複数のパラメータを取得して距離判別分析の変数（説明変数）とし、これら複数のパラメータが投射されるパラメータ空間におけるクラスター同士の距離の近似により属性の同じクラスターを結合し、これら各クラスターの中心位置と良否判定対象から測定した複数のパラメータに対応する要素の位置との間のユークリッド距離に基づいて、良否判定対象に対応する要素がどのクラスターに属するかを判別することにより良否を判定する。
【先行技術文献】
【特許文献】
【０００４】
【特許文献１】特開平８−２５４５０１号公報
【特許文献２】特開２００４−０８５２１６号公報
【特許文献３】特開２００６−２２６７０８号公報
【発明の概要】
【発明が解決しようとする課題】
【０００５】
しかしながら、上記特許文献１および２のような線形判別分析による良否判定装置では、良否のカテゴリーを最も良く分離する判別関数を用いることにより、判別精度に優れる良否判定を実現できるものの、良否のカテゴリーに対して分離度の高い判別関数を求めるためには各カテゴリーの特徴を表すパラメータからなる多量のサンプルデータを収集する必要がある。また、収集したサンプルデータに基づいて判別関数が算出されるため、例えば、浮き、欠品、不濡れ等の不良原因別の不良品に対して、サンプル数の多い不良原因の不良品では信頼性の高い判別結果を得られるが、サンプル数の少ない不良原因の不良品では良品と誤判定されてしまう判別結果となる場合があり、これを防ぐためには、不良原因別の不良品のそれぞれについて多量のサンプルデータを必要とするといった問題があった。
さらに、線形判別分析の場合には、２つのカテゴリーを閾値となる境界線（面）によって２分する手法であるため、カテゴリーの度数分布の平均値から離れた外れ値に相当する判別結果であっても、閾値の何れの側に属するかで良否が判定されるといった問題があった。そのため、判別関数を求めるために選択されたパラメータとの相関が低い未知の不良を、正確に判別することが難しいといった問題があった。
【０００６】
一方、上記特許文献３のような距離判別分析による良否判定装置では、クラスターの中心からのユークリッド距離に基づいて良否を判定できるため、検査開始時などの不良品サンプルの少ない場合であっても、良品サンプルのデータのみを用いて良品に似ているものを識別できる利便性はある。しかし、良否のカテゴリー同士が十分に分離されない場合があり、不良品を良品として誤判定してしまういわゆる流出率が高くなることを防ぐために、検査開始時において安全率の高い閾値を設定することが必要となる。そのため、安全率の高い閾値により、良品を不良品として誤判定してしまういわゆる見過ぎ率が高くなってしまうといった問題があった。
【０００７】
本発明は、上記の問題を解決せんとするもので、信頼性が高い線形判別分析の判定結果を距離判別分析に反映させることにより、距離判別分析の閾値決定に対する収斂性
を高め、距離判別分析の持つ簡便な判定性能を向上させるとともに、線形判別分析と距
離判別分析とを共用することにより、互いの良否のカテゴリー判別の特徴を生かし、優れた判定精度を実現できる良否判定装置、良否判定方法および良否判定プログラムを提供することを目的とする。
【課題を解決するための手段】
【０００８】
本発明は、以下の通りである。
１．検査対象から良否判定要因となる複数のパラメータを取得するパラメータ取得手段と、
良否属性が既知の複数のサンプルに対応する前記複数のパラメータから良カテゴリーと否カテゴリーとの度数分布を分離させる変数を与えるように選択された複数のパラメータからなる判別関数を求め、前記度数分布に基づいて設定される判定基準としての前記判別関数の線形判別閾値と、前記判別関数に検査対象に対応するパラメータを代入して得られた算出結果と、を比較して当該検査対象の良否のカテゴリーを判別する線形判別分析手段と、
前記複数のパラメータが投射されるパラメータ空間において、良属性を有する複数のサンプルに対応する要素によって構成された良クラスターの中心位置に対する距離として設定される判定基準としての距離判別閾値と、前記中心位置に対する検査対象に対応する要素の距離と、を比較して当該検査対象の良否のカテゴリーを判別する距離判別分析手段と、
前記線形判別分析手段により良のカテゴリーに判別された検査対象について前記距離判別分析手段により良否のカテゴリーを判別し、前記線形判別分析手段および前記距離判別分析手段のいずれにおいても良のカテゴリーに判別された場合にのみ良判定する良否判定手段と、を備えることを特徴とする良否判定装置。
２．上記１．において、目視により検査対象の良否のカテゴリーを判別する目視判別手段と、
前記距離判別分析手段により否のカテゴリーに判別された検査対象について前記目視判別手段により良否のカテゴリーを判別し、前記距離判別分析手段および前記目視判別手段のいずれにおいても否のカテゴリーに判別された場合にのみ否判定する予備良否判定手段と、
前記予備良否判定手段により良否判定された検査対象に対応する前記複数のパラメータとその良否判定結果とをサンプルデータとして蓄積するサンプルデータ蓄積手段と、を更に備え、
前記良否判定手段は、
前記線形判別分析手段が、前記サンプルデータに基づいて設定される前記線形判別閾値により良否のカテゴリーを判別し、
前記距離判別分析手段が、前記サンプルデータのうち良のカテゴリーに判別されたデータに基づいて設定される前記距離判別閾値により良否のカテゴリーを判別し、これらの判別結果に基づいて当該検査対象の良否を判定することを特徴とする。
３．検査対象から良否判定要因となる複数のパラメータを取得するパラメータ取得工程と、
良否属性が既知の複数のサンプルに対応する前記複数のパラメータから良カテゴリーと否カテゴリーとの度数分布を分離させる変数を与えるように選択された複数のパラメータからなる判別関数を求め、前記度数分布に基づいて設定される判定基準としての前記判別関数の線形判別閾値と、前記判別関数に検査対象に対応するパラメータを代入して得られた算出結果と、を比較して当該検査対象の良否のカテゴリーを判別する線形判別分析工程と、
前記複数のパラメータが投射されるパラメータ空間において、良属性を有する複数のサンプルに対応する要素によって構成された良クラスターの中心位置に対する距離として設定される判定基準としての距離判別閾値と、前記中心位置に対する検査対象に対応する要素の距離と、を比較して当該検査対象の良否のカテゴリーを判別する距離判別分析工程と、
前記線形判別分析工程により良のカテゴリーに判別された検査対象について前記距離判別分析工程により良否のカテゴリーを判別し、前記線形判別分析工程および前記距離判別分析工程のいずれにおいても良のカテゴリーに判別された場合にのみ良判定する良否判定工程と、を備えることを特徴とする良否判定方法。
４．上記３．において、目視により検査対象の良否のカテゴリーを判別する目視判別工程と、
前記距離判別分析工程により否のカテゴリーに判別された検査対象について前記目視判別工程により良否のカテゴリーを判別し、前記距離判別分析工程および前記目視判別工程のいずれにおいても否のカテゴリーに判別された場合にのみ否判定する予備良否判定工程と、
前記予備良否判定工程により良否判定された検査対象に対応する前記複数のパラメータとその良否判定結果とをサンプルデータとして蓄積するサンプルデータ蓄積工程と、を更に備え、
前記良否判定工程は、
前記線形判別分析工程が、前記サンプルデータに基づいて設定される前記線形判別閾値により良否のカテゴリーを判別し、
前記距離判別分析工程が、前記サンプルデータのうち良のカテゴリーに判別されたデータに基づいて設定される前記距離判別閾値により良否のカテゴリーを判別し、これらの判別結果に基づいて当該検査対象の良否を判定することを特徴とする。
５．検査対象から良否判定要因となる複数のパラメータを取得するパラメータ取得機能と、
良否属性が既知の複数のサンプルに対応する前記複数のパラメータから良カテゴリーと否カテゴリーとの度数分布を分離させる変数を与えるように選択された複数のパラメータからなる判別関数を求め、前記度数分布に基づいて設定される判定基準としての前記判別関数の線形判別閾値と、前記判別関数に検査対象に対応するパラメータを代入して得られた算出結果と、を比較して当該検査対象の良否のカテゴリーを判別する線形判別分析機能と、
前記複数のパラメータが投射されるパラメータ空間において、良属性を有する複数のサンプルに対応する要素によって構成された良クラスターの中心位置に対する距離として設定される判定基準としての距離判別閾値と、前記中心位置に対する検査対象に対応する要素の距離と、を比較して当該検査対象の良否のカテゴリーを判別する距離判別分析機能と、
前記線形判別分析機能により良のカテゴリーに判別された検査対象について前記距離判別分析機能により良否のカテゴリーを判別し、前記線形判別分析機能および前記距離判別分析機能のいずれにおいても良のカテゴリーに判別された場合にのみ良判定する良否判定機能と、をコンピュータに実現させることを特徴とする良否判定プログラム。
６．上記５．において、目視により検査対象の良否のカテゴリーを判別する目視判別機能と、
前記距離判別分析機能により否のカテゴリーに判別された検査対象について前記目視判別機能により良否のカテゴリーを判別し、前記距離判別分析機能および前記目視判別機能のいずれにおいても否のカテゴリーに判別された場合にのみ否判定する予備良否判定機能と、
前記予備良否判定機能により良否判定された検査対象に対応する前記複数のパラメータとその良否判定結果とをサンプルデータとして蓄積するサンプルデータ蓄積機能と、を更に備え、
前記良否判定機能は、
前記線形判別分析機能が、前記サンプルデータに基づいて設定される前記線形判別閾値により良否のカテゴリーを判別し、
前記距離判別分析機能が、前記サンプルデータのうち良のカテゴリーに判別されたデータに基づいて設定される前記距離判別閾値により良否のカテゴリーを判別し、これらの判別結果に基づいて当該検査対象の良否を判定することを特徴とする。
【発明の効果】
【０００９】
本発明の良否判定装置によると、良否判定手段が、線形判別分析手段により良のカテゴリーに判別された検査対象について距離判別分析手段により良否のカテゴリーを判別し、線形判別分析手段および前記距離判別分析手段のいずれにおいても良のカテゴリーに判別された場合にのみ良判定する。このように線形判別分析と距離判別分析とを共用することにより、距離判別分析において良否のカテゴリー同士が十分に分離されない場合であっても、線形判別分析により予め特定の否カテゴリーを排除することができ、その結果、安全率の高い距離判別閾値を設定する必要がなく、距離判別分析の閾値算出に対する収斂性を高めることができる。これにより、判定精度に優れた良否判定装置を実現できる。
【００１０】
また、目視により検査対象の良否のカテゴリーを判別する目視判別手段と、前記距離判別分析手段により否のカテゴリーに判別された検査対象について前記目視判別手段により良否のカテゴリーを判別し、前記距離判別分析手段および前記目視判別手段のいずれにおいても否のカテゴリーに判別された場合にのみ否判定する予備良否判定手段と、前記予備良否判定手段により良否判定された検査対象に対応する前記複数のパラメータとその良否判定結果とをサンプルデータとして蓄積するサンプルデータ蓄積手段と、を更に備え、前記良否判定手段は、前記線形判別分析手段が、前記サンプルデータに基づいて設定される前記線形判別閾値により良否のカテゴリーを判別し、前記距離判別分析手段が、前記サンプルデータに基づいて設定される前記距離判別閾値により良否のカテゴリーを判別し、これらの判別結果に基づいて当該検査対象の良否を判定する場合は、運用初期のサンプルデータの数が少ない状態においても良否判定を実行することができるとともに、予備良否判定手段による良否判定にて取得した十分な数のサンプルデータに基づいて実運用の良否判定を実行することができる。すなわち、通常の生産工程においては歩留まりが高いことが必然であり、不良品のサンプルを取得することは困難である。一方、良品サンプルは容易に取得できるため、これらに基づいて良否判定を実行すれば、不良品サンプルを取得するための多大な時間を必要とすることなく、比較的初期の段階から良否判定装置を運用することができる。また、距離判別分析により否のカテゴリーであると判別された検査対象については目視による検査を実行して、真の良否を判定する。これにより、良品を不良品と誤判定してしまうことを確実に防ぐことができる。
【００１１】
以上は、本発明が装置として実現される場合について説明したが、かかる装置を実現する方法やプログラム、当該プログラムを記録した媒体としても発明は実現可能である。また、以上のような良否判定装置は単独で実現される場合もあるし、ある方法に適用され、あるいは同方法が他の機器に組み込まれた状態で利用されることもあるなど、上記に示す良否判定装置、良否判定方法および良否判定プログラムに限らず、各種の態様を含むものである。したがって、本発明思想は、プログラム、ソフトウェアであったり、ハードウェアであったりするなど、適宜、変更可能である。
発明の思想の具現化例として上記装置を制御するためのソフトウェアとなる場合には、かかるプログラム、ソフトウェア、あるいはソフトウェアを記録した記録媒体上においても存在し、利用される。
【００１２】
また、プログラム、ソフトウェアの記録媒体は、磁気記録媒体であってもよいし光磁気記録媒体であってもよいし、今後開発されるいかなる記録媒体においても全く同様に考えることができる。一次複製品、二次複製品などの複製段階についても同等である。その他、供給装置として通信回線を利用して行う場合でも本発明が利用されていることにはかわりない。さらに、一部がソフトウェアであって、一部がハードウェアで実現されている場合においても発明の思想において全く異なるものではなく、一部を記録媒体上に記憶しておいて必要に応じて適宜読み込まれるような形態であってもよい。
【図面の簡単な説明】
【００１３】
【図１】本実施形態にかかる良否判定装置の全体図である。
【図２】本実施形態にかかるコンピュータの内部ブロック図である。
【図３】本実施形態にかかる良否判定を行うためのソフトウェアブロック図である。
【図４】サンプルデータテーブルの例を示す図である。
【図５】本実施形態にかかるサンプルデータ登録処理のフローチャートを示す図である。
【図６】視野Ｓの例を示す平面図である。
【図７】評価領域Ｅの例を示す平面図である。
【図８】本実施形態にかかる距離判別分析判定基準作成処理のフローチャートを示す図である。
【図９】パラメータ空間を示すグラフの例を示す図である。
【図１０】距離に対する度数分布図の例を示す図である。
【図１１】本実施形態にかかる予備良否判定処理のフローチャートを示す図である。
【図１２】本実施形態にかかる線形判別分析判定基準作成処理のフローチャートを示す図である。
【図１３】判別関数の変数に対する度数分布図の例を示す図である。
【図１４】本実施形態にかかる実運用時の良否判定処理のフローチャートを示す図である。
【発明を実施するための形態】
【００１４】
ここでは、下記の順序に従って本発明の実施の形態について説明する。
（１）良否判定装置の構成：
（２）サンプルデータ登録処理：
（３）良否判定処理：
（３−１）予備良否判定処理：
（３−２）実運用時の良否判定処理：
【００１５】
（１）良否判定装置の構成：
図１は、本発明にかかる良否判定装置の構成を示している。同図において、良否判定装置１０は、相互に接続された撮像ユニット２０とコンピュータ３０とから構成されている。撮像ユニット２０は検査対象物の実装基板５０を撮像して撮像イメージを生成し、同撮像イメージをコンピュータ３０に出力する。コンピュータ３０は撮像イメージを入力し、同撮像イメージを解析することにより、撮像を行った実装基板５０の良否を判定する。図１において、撮像ユニット２０は、実装基板５０が一定位置に載置されるとともに、コントローラ２１の指令に基づいてＸ−Ｙ（水平）方向に移動可能なＸ−Ｙステージ２３を備えている。カメラ２２は、所定の光学レンズからなる光学系２２ａを鉛直下方に配向させており、鉛直下方の像を入力することが可能となっている。カメラ２２の内部にはＣＣＤ撮像板２２ｂが備えられており、光学系２２ａは鉛直下方の像をＣＣＤ撮像板２２ｂに結像することが可能となっている。
【００１６】
ＣＣＤ撮像板２２ｂはドットマトリックス状に配列された複数のＣＣＤ撮像素子で構成されている。ＣＣＤ撮像素子は、それぞれ入力した光に応じて電荷を発生させる光電素子であるとともに、同発生した電荷を一時的に記憶する。そして、ＣＣＤ撮像素子にて生成した電荷をデジタル信号に変換しつつ、順次コントローラ２１に転送する。コントローラ２１は、転送された上記デジタル信号をＣＣＤ撮像板２２ｂにおけるＣＣＤ撮像素子の個々のアドレスに対応づけながら画像メモリ（ＶＲＡＭ）２１ａに蓄積する。すなわち、ＶＲＡＭ２１ａにおいてＣＣＤ撮像素子に対応する画素ごとに上記デジタル信号の階調を有する画像データが生成される。なお、本実施形態において、上記デジタル信号はＣＣＤ撮像素子に入力された光の輝度を表現するものとする。すなわち、画素ごとに輝度値を有する画像データがＶＲＡＭ２１ａにおいて記憶される。
【００１７】
上記のようにしてＶＲＡＭ２１ａに記憶された画像データはコンピュータ３０に対して出力される。また、カメラ２２にて撮像を行うごとにＶＲＡＭ２１ａには新たな画像データが記憶される。コントローラ２１は、Ｘ−Ｙステージ２３に対して駆動信号を出力しており、同駆動信号に応じてＸ−Ｙステージ２３が水平方向に駆動される。むろん、Ｘ−Ｙステージ２３上の一定位置に載置された実装基板５０も水平移動することとなる。このようにすることにより、カメラ２２を移動させることなく、実装基板５０上のあらゆる位置にカメラ２２の視野を移動させることが可能となる。なお、カメラ２２にて撮像する際には、Ｘ−Ｙステージ２３が停止するため、静止画像が撮像されることとなる。
【００１８】
Ｘ−Ｙステージ２３から所定量上方にリングライト２４が保持されている。リングライト２４は発光素子としてＬＥＤを具備している。このＬＥＤは円環状に形成されており、その中心位置が上方視においてカメラ２２の光学系２２ａの中心位置と一致させられている。すなわち、リングライト２４はカメラ２２の視野を外側から一定の角度で照射することが可能となっている。これにより、実装基板５０のリングライト２４による反射像をカメラ２２にて撮像した２次元の画像データを生成することができる。なお、リングライト２４は図示のように一段ではなく径の異なるリングライトを上下に複数配置し、照明角度の異なる画像データを生成するようにしてもよい。また、カメラ２２にて撮像した画像データを撮像イメージというものとする。
【００１９】
図２は、コンピュータ３０の内部構成をブロック図により示している。同図において、コンピュータ３０は、主要な構成としてＣＰＵ３１とＲＡＭ３２とビデオメモリ（ＶＲＡＭ）３３とハードディスク（ＨＤＤ）３４を備えている。ＣＰＵ３１は、ＨＤＤ３４に記憶されたオペレーティングシステム（ＯＳ）３４ａや良否判定プログラム３４ｂ等に基づいた処理を実行させる演算装置であり、同処理を実行する際にＲＡＭ３２をワークエリアとして使用する。ＶＲＡＭ３３は、画像データを記憶するために特化したメモリであり、撮像イメージ３３ａが記憶される。なお、撮像イメージ３３ａは、コントローラ２１のＶＲＡＭ２１ａから転送された画像データである。
【００２０】
その他の構成として、コンピュータ３０にはビデオインターフェイス（Ｉ／Ｆ）３５と入力インターフェイス（Ｉ／Ｆ）３７とＩ／Ｏ３９が備えられている。ビデオＩ／Ｆ３５にはディスプレイ等の表示部３６が接続され、入力Ｉ／Ｆ３７にはキーボードやマウス等の入力部３８が接続され、Ｉ／Ｏ３９には撮像ユニット２０のコントローラ２１が接続されている。Ｉ／Ｏ３９は、コントローラ２１に対してＸ−Ｙステージ２３を駆動させるための信号や、カメラ２２にて撮像を実行させるための信号等を出力するとともに、コントローラ２１から撮像イメージの入力を受け付けている。
【００２１】
図３は、コンピュータ３０にて実現されるソフトウェアの構成とデータの流れを示している。ＣＰＵ３１およびＲＡＭ３２にて、ＯＳ３４ａと良否判定プログラム３４ｂとが実行されており、そのモジュール構成が示されている。良否判定プログラムＭＰは、撮像データ入力部ＳＰ１と距離判別分析部ＳＰ２と線形判別分析部ＳＰ３と目視データ入力部ＳＰ４と表示制御部ＳＰ５とを備えている。
【００２２】
撮像データ入力部ＳＰ１は、撮像実行部ＳＰ１１と撮像イメージ取得部ＳＰ１２とパラメータ算出部ＳＰ１３とを有している。撮像実行部ＳＰ１１は、ＨＤＤ３４に記憶された基板データ３４ｃを取得し、同基板データ３４ｃに基づいて撮像ユニット２０に撮像を実行させる。具体的に説明すると、基板データ３４ｃには、実装基板５０の大きさや実装された部品の位置や大きさや形状や個数といった情報が格納されており、これらの情報に基づいてＸ−Ｙステージ２３を駆動させる。したがって、実装基板５０上における所望の位置にカメラ２２の視野を動かすことができ、実装基板５０上における所望の位置について良否判定を実行することができる。
【００２３】
撮像イメージ取得部ＳＰ１２は、コントローラ２１から撮像イメージを入力し、ＶＲＡＭ３３に撮像イメージ３３ａを記憶させる。パラメータ算出部ＳＰ１３は撮像イメージ３３ａを入力し、撮像イメージ３３ａから複数のパラメータを算出する。ここで、パラメータとは撮像イメージ３３ａにおいて、はんだが撮像された画素領域から得られる特徴値であり、例えば平均輝度や最大輝度や最小輝度やエッジ数等のような値である。むろん、これらに限られるものではない。本実施形態において、パラメータはｈ（ｈは正の整数）種類用意されるものとする。なお、各パラメータの値をパラメータ値ｐｋ（ｋは０からｈまでの整数）と表記するものとする。
【００２４】
また、パラメータ算出部ＳＰ１３は、カメラ２２の視野のどの位置にはんだが配置されているかという位置情報を基板データ３４ｃから取得するため、はんだに対応する画素領域について画素データを抽出し、パラメータ値ｐｋを算出することができる。パラメータ算出部ＳＰ１３が算出したパラメータ値ｐｋは、ＨＤＤ３４に割り当てられたサンプルデータテーブル３４ｄに格納される。図４は、サンプルデータテーブル３４ｄを示しており、同サンプルデータごとに良／否が識別されている。この良否属性は、使用者によって入力部３８を介して入力される。なお、実際の量産製品においては、歩留まりが高いため、不良品の数は良品の数より大幅に少ないことが多い。したがって、このような実際の量産製品をサンプルとする場合には、否属性のサンプル数は良属性のサンプルより大幅に少なくなる。
【００２５】
距離判別分析部ＳＰ２は、中心値算出部ＳＰ２１と距離算出部ＳＰ２２と距離判別閾値設定部ＳＰ２３と距離判別良否判定部ＳＰ２４とを有している。中心値算出部ＳＰ２１は、サンプルデータテーブル３４ｄから良否属性が良のグループの要素に対応したパラメータ値ｐｋを取得し、このパラメータ値ｐｋの中心値を算出する。そして、距離算出部ＳＰ２２は、この中心値と、中心値を算出する際に用いた良属性を有するサンプルデータのパラメータ値ｐｋおよび検査対象に対応するパラメータ値ｐｋと、のユークリッド距離を算出する。
【００２６】
距離判別閾値設定部ＳＰ２３は、上述の中心値と、中心値を算出する際に用いた良属性を有するサンプルデータのパラメータ値ｐｋと、のユークリッド距離について、この距離に対する度数平均と標準偏差とを算出し、これらに基づいて、所定の見過ぎ率となるような値を距離判別閾値として設定する。
距離判別良否判定部ＳＰ２４は、距離算出部ＳＰ２２が算出した距離と距離判別閾値設定部ＳＰ２３で設定された距離判別閾値とを比較して、距離判別分析における検査対象の良否のカテゴリーを判別する。
【００２７】
線形判別分析部ＳＰ３は、判別関数算出部ＳＰ３１と線形判別閾値算出部ＳＰ３２と線形判別良否判定部ＳＰ３３とを有している。判別関数算出部ＳＰ３１は、ある変数を与える関数であって、当該変数に対して良カテゴリーと否カテゴリーとの度数分布を作成した場合に、両分布が良く分かれる判別関数を算出する処理を行う。この変数は上記パラメータ値ｐｋの関数である。本実施形態では、判別関数は、サンプルデータテーブル３４ｄに格納されているパラメータ値ｐｋとそれらの良否判定結果とを用いて算出される。また、本実施形態において上記パラメータ値ｐｋはｈ種類存在するが、本実施形態においては良否のカテゴリーの分布を分離する際に効果的な変数を選別して所定数のパラメータ値ｐｋで判別関数を規定している。
【００２８】
線形判別閾値算出部ＳＰ３２は、判別関数算出部ＳＰ３１により算出された判別関数により与えられる各サンプルデータに対応する変数Ｚについて、良カテゴリーと否カテゴリーとの度数分布別に度数平均と標準偏差とを算出し、これらに基づいて、所定の流出率と見過ぎ率とを満たすような線形判別閾値を算出する。
【００２９】
線形判別良否判定部ＳＰ３３は、判別関数により与えられる検査対象に対応する変数Ｚと、線形判別閾値算出部ＳＰ３２が算出した線形判別閾値とを比較して、線形判別分析における検査対象の良否のカテゴリーを判別する。
【００３０】
目視データ入力部ＳＰ４は、後述のサンプルデータ登録処理の際のパラメータ値ｐｋに対応づけられる良否判定結果の入力を受け付けたり、予備良否判定処理において距離判別分析の結果が否である検査対象について、目視による再検査を行った際の真の判定結果の入力を受け付けたりする。また、後述する距離判別閾値や線形判別閾値を設定するための数値の入力等も受け付ける。
表示制御部ＳＰ５は、撮像イメージ３３ａや良否判定処理の過程で生成された各種データ等を表示部３６に出力することによってディスプレイ上にそれらのイメージを表示させる。
【００３１】
（２）サンプルデータ登録処理：
本実施形態におけるサンプルデータ登録処理では、予め用意された良否属性が既知のサンプルから、後述する良否判定処理で用いる判定基準を作成するための複数のパラメータを算出し、これら複数のパラメータと良否属性とをサンプルデータとして登録する。
図５は、サンプルデータ登録処理の流れを示している。同図において、ステップＳ１００にて、サンプルとして用意された実装基板５０の撮像を行う。サンプルとして用意された実装基板５０に対しては、予め目視検査等の他の手法によってはんだの良否判定が行われており、実装基板５０に形成されたはんだの良否が判明している。
【００３２】
ステップＳ１１０においては、撮像イメージ３３ａが生成され、撮像イメージ取得部ＳＰ１２が撮像イメージ３３ａをＶＲＡＭ３３に記憶させる。図６は、カメラ２２の視野Ｓを示している。同図において、カメラ２２にて撮像される視野Ｓには、実装基板５０上の複数の実装部品やはんだが含まれることとなる。なお、本実施形態においては、実線で示すチップ部品５１のはんだ５２の形状についての良否判定を説明するものとする。ステップＳ１１０においては、視野Ｓ全体を表す画像データとして撮像イメージ３３ａが生成される。
【００３３】
ステップＳ１２０においては、撮像イメージ３３ａからはんだ５２が含まれる画素データのみを抽出する。すなわち、図６においてはんだ５２の周辺を実線で囲んだ評価領域Ｅの内側の画素データのみを抽出する。なお、ステップＳ１２０においてＣＰＵ３１は、ＨＤＤ３４に記憶された基板データ３４ｃに基づいて、視野Ｓのどこに良否判定対象のはんだ５２が配置されているかを特定する。そして、はんだ５２が撮像された画素に予め登録されたサイズの評価領域Ｅを設定して、同評価領域Ｅに属する画素データの抽出を行う。
【００３４】
図７は、評価領域Ｅの様子を模式的に示している。同図において、評価領域Ｅは破線で区画された多数の画素Ｐａ，ｂで構成されている。なお、各画素Ｐａ，ｂの輝度値Ｂａ，ｂは、実装基板５０上における各ＣＣＤ撮像素子が画像入力を担当する領域の平均輝度を意味する。なお、評価領域Ｅは図示の形状に限られるものではなく、算出するパラメータに応じて形状や個数が決定される。
【００３５】
ステップＳ１３０においては、ステップＳ１２０にて抽出した画素データについてパラメータ値ｐｋを算出する。例えば、パラメータ値ｐｋのひとつとして平均輝度を算出する場合には、評価領域Ｅに含まれる全画素の輝度値Ｂａ，ｂの積算値を全画素数で除算した値がパラメータ値ｐｋとして算出されることとなる。同様に、評価領域Ｅに含まれる全画素の輝度値Ｂａ，ｂに対してパラメータ算出部ＳＰ１３が所定の演算を行うことにより、他の種類のパラメータ値ｐｋを全部でｈ種類算出する。算出されたパラメータ値ｐｋは、当該評価領域Ｅに対応するはんだに対して与えられた固有の通し番号とともに上述したサンプルデータテーブル３４ｄに格納される。
【００３６】
ステップＳ１４０においては、サンプルデータテーブル３４ｄに格納されたパラメータ値ｐｋに対応づけて良否属性を登録する。使用者は予め実装基板５０上のはんだについての良否を目視検査等によって取得しており、これらの情報を、入力部３８を介して入力する。すると、サンプルデータテーブル３４ｄにおける"良否属性"の欄に情報が追記される。これにより、一つのはんだ５２についてパラメータ値ｐｋと既知の良否判定結果とを対応づけて登録することができる。
【００３７】
以上において、一つのはんだ５２についてパラメータ値ｐｋと既知の良否判定結果とを対応づけて登録する処理を説明したが、通常、撮像イメージ３３ａには「はんだ無」「部品浮き」「部品欠品」「部品位置ずれ」等の複数の検査項目が含まれるため、撮像イメージ３３ａにおいて各はんだの評価領域Ｅに対するステップＳ１２０〜Ｓ１４０の処理を繰り返すこととなる。さらに、単一の実装基板５０上においても多数の部品が実装され多数の評価領域Ｅが存在するため、Ｘ−Ｙステージ２３によって視野Ｓを移動させつつステップＳ１００〜Ｓ１４０が繰り返されることとなる。この場合、予め全ての検査項目についてパラメータ値ｐｋを算出しておき、各はんだと良否属性との対応関係を損なうことなく、一括して良否属性を登録するようにしてもよい。
【００３８】
（３）良否判定処理：
次に、実際に製品を検査する際に行われる良否判定処理について説明する。本実施形態においては、実運用の良否判定処理である線形判別分析と距離判別分析とによる良否判定処理を実行する前に、距離判別分析と目視による判別とによる予備良否判定処理を実行する。すなわち、本実施形態においては、予備良否判定処理を実施した後に、実運用の良否判定処理を実施する。
【００３９】
上述のように、線形判別分析では、良否のカテゴリーに対して分離度の高い判別関数を求めるために各カテゴリーの特徴を表すパラメータからなる多量のサンプルデータを収集する必要があるが、実際の量産製品においては、歩留まりが高いため、良品の数に対して不良品の数が大幅に少ないことが多く、不良サンプルのデータを収集することは極めて困難である。一方、距離判別分析では、比較的入手しやすい良品サンプルのデータのみを用いて良否を判別することができる。したがって、本実施形態では、予備良否判定処理により、良否判定を実行しつつ、実運用時の良否判定処理のためのサンプルデータを蓄積する。そして、十分な数のサンプルデータを収集した時点で、実運用の良否判定処理に移行する。
【００４０】
（３−１）予備良否判定処理
本実施形態における予備良否判定処理は、複数のパラメータに対して良否の属性が予め分かっている比較的少数の良サンプルデータに基づいて距離判別分析に用いる判定基準を作成し、これを用いた距離判別分析による判別と、目視による判別とを実施するものである。すなわち、予備良否判定処理は、装置立ち上げ時等において、不良サンプルのデータを収集することなく運用開始できる良否判定処理であるとともに、後述する実運用時の良否判定処理に用いる判定基準を作成するための多量のサンプルデータを蓄積するための仮運用の良否判定処理である。
【００４１】
最初に、距離判別分析に用いる判定基準の作成処理について説明する。本実施形態における距離判別分析では、パラメータ空間において、良属性を有するパラメータに対応する要素によって構成されるクラスターの中心位置からのユークリッド距離として設定される距離判別閾値を判定基準としている。したがって、距離判別分析の判定基準作成処理では、サンプルデータのうち良属性を有するサンプルデータを用いて、それらのパラメータ空間における中心値から良クラスターの範囲を定める距離を算出して判定基準を作成する。距離判別分析の判定基準作成処理は、図８のフローチャートに従って実行される。
【００４２】
最初に、中心値算出部ＳＰ２１は、サンプルデータテーブル３４ｄを参照し、登録されているすべてのサンプルデータのうち、良属性を有するサンプルデータを抽出する（ステップＳ２００）。ステップＳ２１０では、それらのパラメータ値ｐｋをｈ次元のパラメータ空間における座標とした各要素により構成される良クラスターの中心値を算出する。図９は、サンプルデータテーブル３４ｄに記述されたパラメータ値ｐｋをパラメータのｈ次元のパラメータ空間における座標として示している。なお、同図においては図示の簡略化のためｈ＝２の平面にて座標を示しているが、実際にはパラメータの種類ｈごとに軸が形成されたｈ次元の空間となる。むろん、ｈ＝１，２となる場合もあり、その場合はそれぞれ直線と平面上にパラメータ値ｐｋをプロットすることができる。上記において、ｓ番目のサンプルデータの座標Ｐ（ｓ）は、以下の式（１）のように表すことができる。
【数１】
なお、図９において、各サンプルデータに対応する要素の座標Ｐ（ｓ）は×で示されている。
【００４３】
また、ｔ個の要素で構成されるクラスターの中心値Ｃは、ｈ種類のパラメータｐｋを全要素分積算し、同積算値を全要素数ｔによって除算したパラメータｐｋの相加平均として算出される。すなわち、中心値Ｃは、
【数２】
のように表すことができる。
次に、ステップＳ２２０において、距離算出部ＳＰ２２は、中心値Ｃと各要素の座標Ｐ（ｓ）とのユークリッド距離を算出する。中心値Ｃとｓ番目の要素の座標Ｐ（ｓ）との距離ＣＰ（ｓ）は以下の式で表すことができる。
【数３】
【００４４】
ステップＳ２３０では、上述のように取得したユークリッド距離ＣＰ（ｓ）に対する度数分布図を作成する。作成された度数分布図は、例えば、図１０のようになる。そして、ステップＳ２４０では、この度数分布図において度数平均と標準偏差を算出する。度数平均と標準偏差を算出すると、距離判別閾値設定部ＳＰ２３は、ステップＳ２５０にて入力部３８での見過ぎ率入力を受け付ける。すなわち、本距離判別分析の判定基準作成処理においては、入力部３８によって見過ぎ率を入力できるようになっており、この見過ぎ率に基づいて距離判別閾値を算出する。すなわち、見過ぎ率は、良否を判定される検査対象が良品であるにも関わらず否判定されてしまう確率であって、上述の度数分布図における標準偏差σによって算出することができる。
【００４５】
標準偏差によれば、正規分布において、変数が度数平均と標準偏差との間に含まれる確率あるいは変数が標準偏差より外側の裾部分に含まれる確率を容易に特定することができ、標準偏差を定数倍することによって、入力された見過ぎ率にすることができる。すなわち、ステップＳ２５０にて見過ぎ率が入力されることによって、標準偏差σに対して乗じる係数αが決定される。例えば、見過ぎ率０．０００３１が入力された場合、係数α＝４となる。なお、ステップＳ２５０においては、標準偏差に対して乗じる係数α自体の入力を受け付けても良いし、予め保存された見過ぎ率データ（あるいは標準偏差データ）に基づいて見過ぎ率を特定しても良い。
【００４６】
いずれにしても、ステップＳ２５０にて見過ぎ率を受け付けてその値を特定すると、ステップＳ２６０においては、当該見過ぎ率を与えるような閾値Ｔｄｓ＝Ａｄｓ＋ασを算出する。算出された閾値ＴｄｓはＨＤＤ３４に保存される（ステップＳ２７０）。このようにして、距離判別分析における良否のカテゴリーを判別するため基準となる閾値Ｔが設定される。
【００４７】
上述のようにして距離判別分析の判定基準が作成されるが、予備良否判定処理に用いる距離判別分析の判定基準は、見過ぎ率の高い係数α＝４未満の数値を使用している。距離判別分析においては、比較的入手しやすい良サンプルのみを用いて良否を判別することができるが、それでも多量の実装基板を目視により良否判定するのは大変な労力を要する。このため、本実施形態における予備良否判定処理では、ごく少数のサンプルに基づいて距離判別分析の判定基準を作成する。そして、明らかに良品であるものについては目視判定することなく良品と判定し、不良品の疑いがあるものについてのみ目視判定を実施する。そして、上記のように見過ぎ率を比較的高く設定することにより、ごく少数の良サンプルデータに基づいて作成された距離判別分析の判定基準であっても不良品の流出を抑えている。
なお、後述の実運用時の良否判定処理に用いる距離判別分析の判定基準は、この予備良否判定処理にて蓄積された十分な数のサンプルデータに基づいて作成されるので、見過ぎ率の係数α＝４以上の数値に設定される。
【００４８】
次に、予備良否判定処理について説明する。図１１は、予備良否判定処理の流れを示している。なお、同図において、ステップＳ３３０までの検査対象の実装基板５０を撮像してパラメータ値ｐｋを算出する工程は、サンプルデータ登録処理のステップＳ１３０までと同様であるため説明を省略する。ただし、ここで撮像を行う実装基板５０は、良否判定の対象となる基板であり、良否判定の結果が未知である。ステップＳ３３０において、実装基板５０上のあるはんだについてのパラメータ値ｐ１，ｐ２・・ｐｋ・・ｐ（ｈ−１），ｐｈが算出される。ステップＳ３４０では、距離判別分析の判定基準である距離判別閾値と比較される距離ＣＸが算出される。
【００４９】
図１１のステップＳ３４０にて、距離算出部ＳＰ２２は、パラメータ値ｐ１，ｐ２・・ｐｋ・・ｐ（ｈ−１），ｐｈで定義されるパラメータ空間内の座標Ｘ＝｛ｐ１，ｐ２・・ｐｋ・・ｐ（ｈ−１），ｐｈ｝と、距離判別分析の判定基準を作成する際に算出された良カテゴリーの中心値Ｃとの距離を算出する。すなわち、座標Ｘと中心値Ｃとのユークリッド距離を上記式（３）と同様の手法によって算出する。図９において、○で示される座標Ｘは検査対象に対応する要素の座標として示されている。
【００５０】
ステップＳ３５０において、距離判別良否判定部ＳＰ２４は、ステップＳ３４０にて算出した座標Ｘの良カテゴリーの中心値Ｃに対する距離ＣＸと、予め判定基準として算出されている距離判別閾値Ｔｄｓとを比較する。距離ＣＸが閾値Ｔｄｓよりも小さいと判別された場合は、この検査対象が良カテゴリーであると判別し、この検査対象についての判定結果を記憶する（ステップＳ３５５）。そして、次の検査対象について同様の処理を繰り返す。なお、この判定結果とともに、当該検査対象のパラメータ値についても記憶させるようにしてもよい。また、これら判定結果とパラメータ値は、データとして出力したり、後述の目視による判別と同様に、サンプルデータとしてサンプルデータテーブル３４ｄに追加登録したりするようにしてもよい。
【００５１】
ステップＳ３５０において、距離ＣＸが閾値Ｔｄｓよりも小さいと判別されなかった場合は、ステップＳ３６０にて目視による判別を実施する。目視による判別では、距離判別分析により否カテゴリーであると判別された検査対象について、真に否であるのかを判別する。具体的には、表示部３６に検査対象である評価領域Ｅのイメージを表示させ、これに基づいて目視により良否のカテゴリーを判別する。目視判別により良カテゴリーであると判別された場合はステップＳ３７０にて良判定し、否カテゴリーであると判別された場合はステップＳ３８０にて否判定する。最後に、この検査対象についての良否の判定結果とパラメータ値とをサンプルデータテーブル３４ｄに追加登録する（ステップＳ３９０）。このとき、目視判定にて否と判定された検査対象について、その不良の原因についても併せて登録する。そして、次の検査対象について同様の処理を繰り返す。
【００５２】
このように、予備良否判定処理では、距離判別分析と目視判別による良否判定を実施するとともに、実運用時の良否判定における線形判別分析の判定基準を作成するために用いる良否カテゴリーのサンプルデータを収集する。そして、これらの処理を繰り返し実行し、線形判別分析の判定基準を作成するに十分な、所定数（例えば、３００個）の否カテゴリーのサンプルデータを収集した時点で、実運用時の良否判定処理へ移行する。
【００５３】
（３−２）実運用時の良否判定処理
本実施形態における実運用時の良否判定処理では、目視判定による必要な数のサンプルデータに基づいて線形判別分析の判定基準および距離判別分析の判定基準を予め作成し、これらを用いて線形判別分析および距離判別分析を実施する。本実施形態においては、線形判別分析の判定基準および距離判別分析の判定基準を作成するための必要な数のサンプルデータは、上述の予備良否判定処理にて蓄積されたサンプルデータである。
【００５４】
最初に、実運用時の良否判定処理に用いる判定基準の作成処理について説明する。上述のように、実運用時の良否判定処理では、線形判別分析と距離判別分析とを実施する。これらのうち、距離判別分析判定基準については、上述の予備良否判定処理に用いる距離判別分析判定基準と同様に作成されるため、その作成方法は省略し、線形判別分析に用いる判定基準の作成処理について説明する。
【００５５】
なお、本良否判定処理に用いる距離判別分析判定基準について、その作成に用いられるサンプルデータは、上述のように、予備良否判定処理にて蓄積したサンプルデータのうちの良カテゴリーに属するサンプルデータである。すなわち、実運用時の良否判定処理に用いる距離判別分析判定基準は、上述の予備良否判定処理に用いる距離判別分析判定基準とは異なる判定基準である。そして、その見過ぎ率係数は、予備良否判定処理で用いた距離判別分析判定基準の見過ぎ率係数の数値よりも低いα＝４未満に設定されている。
【００５６】
本実施形態における線形判別分析では、良否属性が既知のパラメータ値とその良否属性とから良カテゴリーと否カテゴリーとの度数分布を分離する変数を与える判別関数を算出し、その判別関数から与えられる変数の分布傾向から統計的推定を行うことにより算出される線形判別閾値を判定基準としている。したがって、本判定基準作成処理では、サンプルデータを用いてそれらの度数分布における良否のカテゴリーを分離する判別関数を算出し、その度数分布に基づいて判定基準となる閾値を算出する。線形判別分析の判定基準作成処理は、図１２のフローチャートに従って実行される。
【００５７】
最初に、判別関数算出部ＳＰ３１は、サンプルデータテーブル３４ｄを参照し、登録されているすべてのサンプルデータを取得する（ステップＳ４００）。ステップＳ４１０では、それらのパラメータ値ｐｋの中から判別関数の説明変数として組み入れるパラメータ値ｐｋを選択する。すなわち、上述の距離判別分析に用いる判定基準を作成する際には全てのパラメータを用いたが、線形判別分析に用いる判定基準作成においては、全パラメータのうち、良品と不良品の度数分布が良く分離するパラメータ値ｐｋを選択し、それらを判別関数の説明変数として採用する。
【００５８】
なお、本実施形態では、パラメータ値ｐｋの中から判別関数に用いるパラメータを選択するに当たり、他のいずれかのパラメータとの相関の強さを示す値が所定の大きさ以上となるパラメータを非使用パラメータとして予め排除しておき、他のパラメータとの相関が比較的低いパラメータの中からのみ選択するようにしている。これにより、判別関数の多重共線性を除去するようにしている。具体的には、各パラメータ相互の相関の強さを定量化した相関係数を算出し、相関係数が所定値以上になるパラメータの数を良カテゴリーと否カテゴリーとのそれぞれについて集計し、それらの集計の合計値が大きいパラメータを非使用パラメータにする処理を繰り返す。これにより、相関係数が一定値以上になるパラメータが順に排除されていき、最終的には一定値未満の相関係数となるパラメータのみが残る。
【００５９】
上述のようにして選別されたパラメータの中から判別関数に用いるパラメータを選択する。このパラメータの選択においては、例えば、総当たり法、前進選択法、後退消去法、逐次法等を採用して、良否の度数分布を良く分離する特定のパラメータを選択する。本実施形態においては、総当たり法により全てのパラメータの組み合わせを求め、良否の度数分布を最も良く分離する組合せを選択するようにしている。次に、これらのパラメータを変数とした判別関数をステップＳ４２０にて算出する。判別関数は、
【数４】
で表現される。なお、ここで、ａｉは係数、ｘｉは各パラメータが代入される変数、ｎは選択されたパラメータの数である。上記判別関数は各パラメータ値を変数として有しており、この判別関数により変数"Ｚ"が与えられる。なお、選択されるパラメータ値ｐｋは、「はんだ無」、「部品浮き」、「部品欠品」、「部品位置ずれ」などの検査項目毎に異なるものを選択し、それぞれについての判別関数が算出される。
【００６０】
判別関数は、当該Ｚについて上記良カテゴリーと否カテゴリーとの度数分布図を作成した際に両者を最も分離するようなＺを与えるように上記係数が決定されることによって算出され、例えば、下記式（５）における相関比η２を最大にする係数を決定して算出することができる。
【数５】
なお、上記式（５）でｌは良カテゴリーあるいは否カテゴリーを識別する識別符号であり、ｎlはカテゴリー毎のサンプル数であり、上部に直線が付されたｘは総平均である。
【００６１】
上記式（５）において、相関比η２が最大になると全平方和ＳＴと群間平方和ＳＢの比が最大になる。この状態においては両カテゴリーの群間分散がなるべく大きく（各カテゴリーの平均がなるべく離れる）、各カテゴリーの分散がなるべく小さくなる。したがって、判別関数に対する度数分布においては両カテゴリーが非常に良く分離する。なお、以上のような判別関数の算出は、現代数学社１９８３年５月１日初版発行、田中豊・脇本和昌著「多変量統計解析法」等に詳述されている。判別関数算出部ＳＰ３１が以上のようにして各係数ａｉを算出すると、当該係数およびパラメータを示すデータを判別関数データとしてＨＤＤ３４に保存する。
【００６２】
上述のようにして良カテゴリーと否カテゴリーとを最も分離するようなＺを与える判別関数が算出されると、線形判別閾値算出部ＳＰ３２は、判別関数に対する各カテゴリーの度数分布図を作成する（ステップＳ４３０）。すなわち、上記パラメータ値データと良否判定結果データとを取得し、判別関数の変数として規定されたパラメータにサンプルの各パラメータ値を代入してＺの値を算出し、サンプルデータテーブル３４ｄに登録された目視による良否判定に基づいて良否別に度数を計測して度数分布図を作成する。
【００６３】
ステップＳ４４０では、図１３のように作成された度数分布図において、良否のカテゴリー別にサンプルについての度数平均と標準偏差を算出する。同図において判別関数Ｚ＝０が両カテゴリーの度数平均の中心に位置しており、否カテゴリーの度数平均を"Ａｄｃ"、良カテゴリーの度数平均を"−Ａｄｃ"と示している。また、否カテゴリーの標準偏差をσｎ、良カテゴリーの標準偏差をσｏとして示している。
【００６４】
ステップＳ４４０にてサンプルについての度数平均および標準偏差を算出すると、ステップＳ４５０にて入力部３８での流出率入力を受け付ける。本実施形態における線形判別分析判定基準作成処理では入力部３８によって流出率を入力できるようになっており、この流出率に基づいて閾値を決定する。すなわち、流出率は良否判定対象が不良であるにもかかわらず良判定してしまうことによって、不良品が検出されることなく流出する確率であり、否カテゴリーの標準偏差σｎによって算出することができる。
【００６５】
上述のように、標準偏差によれば、正規分布において、変数が度数平均と標準偏差との間に含まれる確率あるいは変数が標準偏差より外側の裾部分に含まれる確率を容易に特定することができる。そしてこの場合、否カテゴリーの度数分布に基づいて算出された標準偏差σｎを定数倍（β倍）することによって、入力された流出率にすることができる。なお、ステップＳ４５０においては、流出率自体の入力を受け付けても良いし、標準偏差に対して乗じる係数の入力を受け付けても良いし、予め保存された流出率データ（あるいは標準偏差データ）に基づいて流出率を特定しても良い。
【００６６】
いずれにしても、ステップＳ４５０にて流出率を受け付けてその値を特定すると、ステップＳ４６０においては当該流出率を与えるような線形判別分析の閾値Ｔｄｃを算出して仮決定する。図１３に示す例では、Ｔｄｃ＝Ａｄｃ−βσｎにて閾値Ｔｄｃを仮決定している。本実施形態においては、流出率の管理に加えて見過ぎ率の管理をも実施しており、この意味でステップＳ４６０の閾値Ｔｄｃは仮決定された値である。見過ぎ率は良否判定対象が良品であるにもかかわらず不良判定がなされることによって、いわば過剰に閾値を厳しくしている状況（見過ぎ）が発生する確率であり、良カテゴリーの標準偏差σｏによって算出することができる。
【００６７】
本実施形態においては、ステップＳ４７０にて見過ぎ率データを取得し、（Ｔｄｃ＋Ａｄｃ）／σｏが所定の係数γより大きいか否かを判別して、上記仮決定された閾値Ｔｄｃが良カテゴリーの度数平均からその標準偏差σｏのγ倍より遠いか否かを判別する。同ステップＳ４７０にて（Ｔｄｃ＋Ａｄｃ）／σｏがγより大きいと判別されたときには上記仮決定された閾値Ｔｄｃが流出率と見過ぎ率との双方から十分な値であるとして、閾値Ｔｄｃを閾値データｈとしてＨＤＤ３４に保存する（ステップＳ４８０）。ステップＳ４７０にて（Ｔｄｃ＋Ａｄｃ）／σｏがγより大きいと判別されないときには、見過ぎ率が高いとしてパラメータの再決定を実施する。
【００６８】
すなわち、良否判定対象の形状について良否を適正に判定できるパラメータが得られてなかったとしてパラメータ選択を実施し、上記の流出率と見過ぎ率を満足するパラメータを決定する。この再決定を行うことによって、十分な流出率および見過ぎ率を確保できない状態で良否判定装置の運用を開始してしまうことを防止することができる。また、ノウハウの蓄積をしなくても高性能で装置の運用を開始することができる。なお、本実施形態では見過ぎ率データを予めＨＤＤ３４に保存していたが、むろん、入力部３８を介してこの見過ぎ率を特定するための値を入力させる構成等を採用可能である。また、本実施形態では、前記特許文献２の実施例のように度数平均および標準偏差を算出し、これらに基づいて所定の流出率となるように線形判別閾値を設定したが、良否のカテゴリーの度数分布が十分に分離でき、閾値が各カテゴリーの度数平均から４σ以上の値に設定できるパラメータが選択できた場合には、特許文献１の実施例のように線形判別分析における判別関数の本来の閾値であるところの各度数平均の中間値を閾値として採用してもよい。
【００６９】
次に、実運用時の良否判定処理について説明する。図１４は、実運用時の良否判定処理の流れを示している。なお、ステップＳ５３０までは、上記予備良否判定と同様に、サンプルデータ登録処理のステップＳ１３０までと同様であるため説明を省略する。
図１４のステップＳ５４０では、予め算出されている各判別関数に、ステップＳ５３０で取得したパラメータ値のうちの上記で選択されたパラメータの値を代入して判別関数毎の変数Ｚを算出する。そして、ステップＳ５５０において、線形判別良否判定部ＳＰ３３は、算出された判別関数毎の変数Ｚの値と、各判別関数に対応する線形判別閾値Ｔｄｃとを比較する。各変数Ｚが各閾値Ｔｄｃより大きいと判別された場合は、ステップＳ５８５にて、各変数Ｚの当該検査対象を否判定する。各変数Ｚがそれらに対応する各閾値Ｔｄｃより小さいと判別された場合は、ステップＳ５６０へ移行する。
【００７０】
ステップＳ５６０では、距離算出部ＳＰ２２によりパラメータ値ｐ１，ｐ２・・ｐｋ・・ｐ（ｈ−１），ｐｈで定義されるパラメータ空間内の座標Ｘ＝｛ｐ１，ｐ２・・ｐｋ・・ｐ（ｈ−１），ｐｈ｝と、良カテゴリーの中心値Ｃとの距離ＣＸを算出する。そして、ステップＳ５７０において、距離判別良否判定部ＳＰ２４は、ステップＳ５６０にて算出した座標Ｘの良カテゴリーの中心値Ｃに対する距離ＣＸと、予め判定基準として算出されている距離判別閾値Ｔｄｓとを比較する。距離ＣＸが閾値Ｔｄｓよりも小さいと判別された場合は、ステップＳ５８０にて良判定する。距離ＣＸが閾値Ｔｄｓよりも小さいと判別されなかった場合は、ステップＳ５８５にて否判定する。
【００７１】
最後に、この検査対象のはんだ５２についての良否の判定結果を記憶する（ステップＳ５９０）。なお、この良否判定結果とともに、当該検査対象のパラメータ値についても記憶させるようにしてもよいし、否判定された検査対象についてはその不良原因についても併せて記憶させるようにしてもよい。これらは、データとして出力したり、サンプルデータとしてサンプルデータテーブル３４ｄに追加登録したりするようにしてもよい。不良原因の記憶に際しては、不良と判別された際の判定基準に基づいて自動的に記憶するようにしてもよいし、上述の予備良否判定処理のように、目視により特定した不良原因を、入力部３８を介して入力して記憶するようにしてもよい。なお、サンプルデータとして追加登録される場合には、各判定基準を修正する際に用いることができる。
【００７２】
このように、本良否判定処理では、線形判別分析に用いる判別関数および閾値は不良原因別に算出されるので、検査対象のはんだ５２が特定の不良原因を有する不良品である場合には、線形判別分析において確実に否カテゴリーであることを判別することができる。一方、距離判別分析では、良属性を有する要素で構成されるクラスターの位置と検査対象に対応する要素の位置とに基づいて良否を判別するので、線形判別分析で見逃された特定不良原因以外の不良原因を有する不良品についても正しく良否を判別することができる。すなわち、線形判別分析と距離判別分析とを共用することにより、両判別分析方式の特徴を生かすとともに、互いの欠点を補完することのできる判定精度に優れた良否判定を実現できる。
【００７３】
なお、本実施形態では、予備良否判定処理にてサンプルデータを蓄積し、それらを用いて作成した線形判別分析の判定基準および距離判別分析の判定基準により良否判定を実施するようにしたが、これに限定されるものではない。すなわち、予め良否属性が既知な必要数のサンプルを用意できるのであれば、サンプルデータ登録処理にてそれらのサンプルデータを蓄積し、予備良否判定処理を経ることなく線形判別分析および距離判別分析による良否判定処理を実施するようにしてもよい。
【符号の説明】
【００７４】
１０；良否判定装置、２０；撮像ユニット、２１；コントローラ、２１ａ；画像メモリ（ＶＲＡＭ）、２２；カメラ、２２ａ；光学系、２２ｂ；ＣＣＤ撮像板、２３；Ｘ−Ｙステージ、２４；リングライト、３０；コンピュータ、３１；ＣＰＵ、３２；ＲＡＭ、３３；ビデオメモリ（ＶＲＡＭ）、３３ａ；撮像イメージ、３４；ハードディスク（ＨＤＤ）、３４ａ；オペレーティングシステム（ＯＳ）、３４ｂ；良否判定プログラム、３４ｃ；基板データ、３４ｄ；サンプルデータテーブル、３５；ビデオインターフェイス、３６；表示部、３７；入力インターフェイス、３８；入力部、３９；Ｉ／Ｏ、５０；実装基板、５１；チップ部品、５２；はんだ、ＳＰ１；撮像データ入力部、ＳＰ１１；撮像実行部、ＳＰ１２；撮像イメージ取得部、ＳＰ１３；パラメータ算出部、ＳＰ２；距離判別分析部、ＳＰ２１；中心値算出部、ＳＰ２２；距離算出部、ＳＰ２３；距離判別閾値設定部、ＳＰ２４；距離判別良否判定部、ＳＰ３；線形判別分析部、ＳＰ３１；判別関数算出部、ＳＰ３２；線形判別閾値算出部、ＳＰ３３；線形判別良否判定部、ＳＰ４；目視データ入力部、ＳＰ５；表示制御部。
【技術分野】
【０００１】
本発明は、製品の良否を判定する良否判定装置、良否判定方法および良否判定プログラムに関する。
【背景技術】
【０００２】
従来、製品の良否を判定する良否判定装置として、多変量線形判別分析（以後、線形判別分析と呼ぶ。）を用いる良否判定装置が知られている（例えば、特許文献１および特許文献２参照）。このような装置では、良否属性が既知の多数のサンプルから複数のパラメータを取得して線形判別分析の変数（説明変数）とし、これらの複数のパラメータから良カテゴリーと否カテゴリーとの度数分布を分離させる変数を与える線形判別関数（以後、判別関数と呼ぶ。）を求め、良否判定対象から測定した複数のパラメータを代入して得られる上記判別関数の算出結果と閾値とを比較することにより良否を判定する。
【０００３】
また、他の良否判定装置として、多変量の距離判別分析（以後、距離判別分析と呼ぶ。）を用いる良否判定装置が知られている（例えば、特許文献３参照）。このような装置では、良否属性が既知の多数のサンプルから複数のパラメータを取得して距離判別分析の変数（説明変数）とし、これら複数のパラメータが投射されるパラメータ空間におけるクラスター同士の距離の近似により属性の同じクラスターを結合し、これら各クラスターの中心位置と良否判定対象から測定した複数のパラメータに対応する要素の位置との間のユークリッド距離に基づいて、良否判定対象に対応する要素がどのクラスターに属するかを判別することにより良否を判定する。
【先行技術文献】
【特許文献】
【０００４】
【特許文献１】特開平８−２５４５０１号公報
【特許文献２】特開２００４−０８５２１６号公報
【特許文献３】特開２００６−２２６７０８号公報
【発明の概要】
【発明が解決しようとする課題】
【０００５】
しかしながら、上記特許文献１および２のような線形判別分析による良否判定装置では、良否のカテゴリーを最も良く分離する判別関数を用いることにより、判別精度に優れる良否判定を実現できるものの、良否のカテゴリーに対して分離度の高い判別関数を求めるためには各カテゴリーの特徴を表すパラメータからなる多量のサンプルデータを収集する必要がある。また、収集したサンプルデータに基づいて判別関数が算出されるため、例えば、浮き、欠品、不濡れ等の不良原因別の不良品に対して、サンプル数の多い不良原因の不良品では信頼性の高い判別結果を得られるが、サンプル数の少ない不良原因の不良品では良品と誤判定されてしまう判別結果となる場合があり、これを防ぐためには、不良原因別の不良品のそれぞれについて多量のサンプルデータを必要とするといった問題があった。
さらに、線形判別分析の場合には、２つのカテゴリーを閾値となる境界線（面）によって２分する手法であるため、カテゴリーの度数分布の平均値から離れた外れ値に相当する判別結果であっても、閾値の何れの側に属するかで良否が判定されるといった問題があった。そのため、判別関数を求めるために選択されたパラメータとの相関が低い未知の不良を、正確に判別することが難しいといった問題があった。
【０００６】
一方、上記特許文献３のような距離判別分析による良否判定装置では、クラスターの中心からのユークリッド距離に基づいて良否を判定できるため、検査開始時などの不良品サンプルの少ない場合であっても、良品サンプルのデータのみを用いて良品に似ているものを識別できる利便性はある。しかし、良否のカテゴリー同士が十分に分離されない場合があり、不良品を良品として誤判定してしまういわゆる流出率が高くなることを防ぐために、検査開始時において安全率の高い閾値を設定することが必要となる。そのため、安全率の高い閾値により、良品を不良品として誤判定してしまういわゆる見過ぎ率が高くなってしまうといった問題があった。
【０００７】
本発明は、上記の問題を解決せんとするもので、信頼性が高い線形判別分析の判定結果を距離判別分析に反映させることにより、距離判別分析の閾値決定に対する収斂性
を高め、距離判別分析の持つ簡便な判定性能を向上させるとともに、線形判別分析と距
離判別分析とを共用することにより、互いの良否のカテゴリー判別の特徴を生かし、優れた判定精度を実現できる良否判定装置、良否判定方法および良否判定プログラムを提供することを目的とする。
【課題を解決するための手段】
【０００８】
本発明は、以下の通りである。
１．検査対象から良否判定要因となる複数のパラメータを取得するパラメータ取得手段と、
良否属性が既知の複数のサンプルに対応する前記複数のパラメータから良カテゴリーと否カテゴリーとの度数分布を分離させる変数を与えるように選択された複数のパラメータからなる判別関数を求め、前記度数分布に基づいて設定される判定基準としての前記判別関数の線形判別閾値と、前記判別関数に検査対象に対応するパラメータを代入して得られた算出結果と、を比較して当該検査対象の良否のカテゴリーを判別する線形判別分析手段と、
前記複数のパラメータが投射されるパラメータ空間において、良属性を有する複数のサンプルに対応する要素によって構成された良クラスターの中心位置に対する距離として設定される判定基準としての距離判別閾値と、前記中心位置に対する検査対象に対応する要素の距離と、を比較して当該検査対象の良否のカテゴリーを判別する距離判別分析手段と、
前記線形判別分析手段により良のカテゴリーに判別された検査対象について前記距離判別分析手段により良否のカテゴリーを判別し、前記線形判別分析手段および前記距離判別分析手段のいずれにおいても良のカテゴリーに判別された場合にのみ良判定する良否判定手段と、を備えることを特徴とする良否判定装置。
２．上記１．において、目視により検査対象の良否のカテゴリーを判別する目視判別手段と、
前記距離判別分析手段により否のカテゴリーに判別された検査対象について前記目視判別手段により良否のカテゴリーを判別し、前記距離判別分析手段および前記目視判別手段のいずれにおいても否のカテゴリーに判別された場合にのみ否判定する予備良否判定手段と、
前記予備良否判定手段により良否判定された検査対象に対応する前記複数のパラメータとその良否判定結果とをサンプルデータとして蓄積するサンプルデータ蓄積手段と、を更に備え、
前記良否判定手段は、
前記線形判別分析手段が、前記サンプルデータに基づいて設定される前記線形判別閾値により良否のカテゴリーを判別し、
前記距離判別分析手段が、前記サンプルデータのうち良のカテゴリーに判別されたデータに基づいて設定される前記距離判別閾値により良否のカテゴリーを判別し、これらの判別結果に基づいて当該検査対象の良否を判定することを特徴とする。
３．検査対象から良否判定要因となる複数のパラメータを取得するパラメータ取得工程と、
良否属性が既知の複数のサンプルに対応する前記複数のパラメータから良カテゴリーと否カテゴリーとの度数分布を分離させる変数を与えるように選択された複数のパラメータからなる判別関数を求め、前記度数分布に基づいて設定される判定基準としての前記判別関数の線形判別閾値と、前記判別関数に検査対象に対応するパラメータを代入して得られた算出結果と、を比較して当該検査対象の良否のカテゴリーを判別する線形判別分析工程と、
前記複数のパラメータが投射されるパラメータ空間において、良属性を有する複数のサンプルに対応する要素によって構成された良クラスターの中心位置に対する距離として設定される判定基準としての距離判別閾値と、前記中心位置に対する検査対象に対応する要素の距離と、を比較して当該検査対象の良否のカテゴリーを判別する距離判別分析工程と、
前記線形判別分析工程により良のカテゴリーに判別された検査対象について前記距離判別分析工程により良否のカテゴリーを判別し、前記線形判別分析工程および前記距離判別分析工程のいずれにおいても良のカテゴリーに判別された場合にのみ良判定する良否判定工程と、を備えることを特徴とする良否判定方法。
４．上記３．において、目視により検査対象の良否のカテゴリーを判別する目視判別工程と、
前記距離判別分析工程により否のカテゴリーに判別された検査対象について前記目視判別工程により良否のカテゴリーを判別し、前記距離判別分析工程および前記目視判別工程のいずれにおいても否のカテゴリーに判別された場合にのみ否判定する予備良否判定工程と、
前記予備良否判定工程により良否判定された検査対象に対応する前記複数のパラメータとその良否判定結果とをサンプルデータとして蓄積するサンプルデータ蓄積工程と、を更に備え、
前記良否判定工程は、
前記線形判別分析工程が、前記サンプルデータに基づいて設定される前記線形判別閾値により良否のカテゴリーを判別し、
前記距離判別分析工程が、前記サンプルデータのうち良のカテゴリーに判別されたデータに基づいて設定される前記距離判別閾値により良否のカテゴリーを判別し、これらの判別結果に基づいて当該検査対象の良否を判定することを特徴とする。
５．検査対象から良否判定要因となる複数のパラメータを取得するパラメータ取得機能と、
良否属性が既知の複数のサンプルに対応する前記複数のパラメータから良カテゴリーと否カテゴリーとの度数分布を分離させる変数を与えるように選択された複数のパラメータからなる判別関数を求め、前記度数分布に基づいて設定される判定基準としての前記判別関数の線形判別閾値と、前記判別関数に検査対象に対応するパラメータを代入して得られた算出結果と、を比較して当該検査対象の良否のカテゴリーを判別する線形判別分析機能と、
前記複数のパラメータが投射されるパラメータ空間において、良属性を有する複数のサンプルに対応する要素によって構成された良クラスターの中心位置に対する距離として設定される判定基準としての距離判別閾値と、前記中心位置に対する検査対象に対応する要素の距離と、を比較して当該検査対象の良否のカテゴリーを判別する距離判別分析機能と、
前記線形判別分析機能により良のカテゴリーに判別された検査対象について前記距離判別分析機能により良否のカテゴリーを判別し、前記線形判別分析機能および前記距離判別分析機能のいずれにおいても良のカテゴリーに判別された場合にのみ良判定する良否判定機能と、をコンピュータに実現させることを特徴とする良否判定プログラム。
６．上記５．において、目視により検査対象の良否のカテゴリーを判別する目視判別機能と、
前記距離判別分析機能により否のカテゴリーに判別された検査対象について前記目視判別機能により良否のカテゴリーを判別し、前記距離判別分析機能および前記目視判別機能のいずれにおいても否のカテゴリーに判別された場合にのみ否判定する予備良否判定機能と、
前記予備良否判定機能により良否判定された検査対象に対応する前記複数のパラメータとその良否判定結果とをサンプルデータとして蓄積するサンプルデータ蓄積機能と、を更に備え、
前記良否判定機能は、
前記線形判別分析機能が、前記サンプルデータに基づいて設定される前記線形判別閾値により良否のカテゴリーを判別し、
前記距離判別分析機能が、前記サンプルデータのうち良のカテゴリーに判別されたデータに基づいて設定される前記距離判別閾値により良否のカテゴリーを判別し、これらの判別結果に基づいて当該検査対象の良否を判定することを特徴とする。
【発明の効果】
【０００９】
本発明の良否判定装置によると、良否判定手段が、線形判別分析手段により良のカテゴリーに判別された検査対象について距離判別分析手段により良否のカテゴリーを判別し、線形判別分析手段および前記距離判別分析手段のいずれにおいても良のカテゴリーに判別された場合にのみ良判定する。このように線形判別分析と距離判別分析とを共用することにより、距離判別分析において良否のカテゴリー同士が十分に分離されない場合であっても、線形判別分析により予め特定の否カテゴリーを排除することができ、その結果、安全率の高い距離判別閾値を設定する必要がなく、距離判別分析の閾値算出に対する収斂性を高めることができる。これにより、判定精度に優れた良否判定装置を実現できる。
【００１０】
また、目視により検査対象の良否のカテゴリーを判別する目視判別手段と、前記距離判別分析手段により否のカテゴリーに判別された検査対象について前記目視判別手段により良否のカテゴリーを判別し、前記距離判別分析手段および前記目視判別手段のいずれにおいても否のカテゴリーに判別された場合にのみ否判定する予備良否判定手段と、前記予備良否判定手段により良否判定された検査対象に対応する前記複数のパラメータとその良否判定結果とをサンプルデータとして蓄積するサンプルデータ蓄積手段と、を更に備え、前記良否判定手段は、前記線形判別分析手段が、前記サンプルデータに基づいて設定される前記線形判別閾値により良否のカテゴリーを判別し、前記距離判別分析手段が、前記サンプルデータに基づいて設定される前記距離判別閾値により良否のカテゴリーを判別し、これらの判別結果に基づいて当該検査対象の良否を判定する場合は、運用初期のサンプルデータの数が少ない状態においても良否判定を実行することができるとともに、予備良否判定手段による良否判定にて取得した十分な数のサンプルデータに基づいて実運用の良否判定を実行することができる。すなわち、通常の生産工程においては歩留まりが高いことが必然であり、不良品のサンプルを取得することは困難である。一方、良品サンプルは容易に取得できるため、これらに基づいて良否判定を実行すれば、不良品サンプルを取得するための多大な時間を必要とすることなく、比較的初期の段階から良否判定装置を運用することができる。また、距離判別分析により否のカテゴリーであると判別された検査対象については目視による検査を実行して、真の良否を判定する。これにより、良品を不良品と誤判定してしまうことを確実に防ぐことができる。
【００１１】
以上は、本発明が装置として実現される場合について説明したが、かかる装置を実現する方法やプログラム、当該プログラムを記録した媒体としても発明は実現可能である。また、以上のような良否判定装置は単独で実現される場合もあるし、ある方法に適用され、あるいは同方法が他の機器に組み込まれた状態で利用されることもあるなど、上記に示す良否判定装置、良否判定方法および良否判定プログラムに限らず、各種の態様を含むものである。したがって、本発明思想は、プログラム、ソフトウェアであったり、ハードウェアであったりするなど、適宜、変更可能である。
発明の思想の具現化例として上記装置を制御するためのソフトウェアとなる場合には、かかるプログラム、ソフトウェア、あるいはソフトウェアを記録した記録媒体上においても存在し、利用される。
【００１２】
また、プログラム、ソフトウェアの記録媒体は、磁気記録媒体であってもよいし光磁気記録媒体であってもよいし、今後開発されるいかなる記録媒体においても全く同様に考えることができる。一次複製品、二次複製品などの複製段階についても同等である。その他、供給装置として通信回線を利用して行う場合でも本発明が利用されていることにはかわりない。さらに、一部がソフトウェアであって、一部がハードウェアで実現されている場合においても発明の思想において全く異なるものではなく、一部を記録媒体上に記憶しておいて必要に応じて適宜読み込まれるような形態であってもよい。
【図面の簡単な説明】
【００１３】
【図１】本実施形態にかかる良否判定装置の全体図である。
【図２】本実施形態にかかるコンピュータの内部ブロック図である。
【図３】本実施形態にかかる良否判定を行うためのソフトウェアブロック図である。
【図４】サンプルデータテーブルの例を示す図である。
【図５】本実施形態にかかるサンプルデータ登録処理のフローチャートを示す図である。
【図６】視野Ｓの例を示す平面図である。
【図７】評価領域Ｅの例を示す平面図である。
【図８】本実施形態にかかる距離判別分析判定基準作成処理のフローチャートを示す図である。
【図９】パラメータ空間を示すグラフの例を示す図である。
【図１０】距離に対する度数分布図の例を示す図である。
【図１１】本実施形態にかかる予備良否判定処理のフローチャートを示す図である。
【図１２】本実施形態にかかる線形判別分析判定基準作成処理のフローチャートを示す図である。
【図１３】判別関数の変数に対する度数分布図の例を示す図である。
【図１４】本実施形態にかかる実運用時の良否判定処理のフローチャートを示す図である。
【発明を実施するための形態】
【００１４】
ここでは、下記の順序に従って本発明の実施の形態について説明する。
（１）良否判定装置の構成：
（２）サンプルデータ登録処理：
（３）良否判定処理：
（３−１）予備良否判定処理：
（３−２）実運用時の良否判定処理：
【００１５】
（１）良否判定装置の構成：
図１は、本発明にかかる良否判定装置の構成を示している。同図において、良否判定装置１０は、相互に接続された撮像ユニット２０とコンピュータ３０とから構成されている。撮像ユニット２０は検査対象物の実装基板５０を撮像して撮像イメージを生成し、同撮像イメージをコンピュータ３０に出力する。コンピュータ３０は撮像イメージを入力し、同撮像イメージを解析することにより、撮像を行った実装基板５０の良否を判定する。図１において、撮像ユニット２０は、実装基板５０が一定位置に載置されるとともに、コントローラ２１の指令に基づいてＸ−Ｙ（水平）方向に移動可能なＸ−Ｙステージ２３を備えている。カメラ２２は、所定の光学レンズからなる光学系２２ａを鉛直下方に配向させており、鉛直下方の像を入力することが可能となっている。カメラ２２の内部にはＣＣＤ撮像板２２ｂが備えられており、光学系２２ａは鉛直下方の像をＣＣＤ撮像板２２ｂに結像することが可能となっている。
【００１６】
ＣＣＤ撮像板２２ｂはドットマトリックス状に配列された複数のＣＣＤ撮像素子で構成されている。ＣＣＤ撮像素子は、それぞれ入力した光に応じて電荷を発生させる光電素子であるとともに、同発生した電荷を一時的に記憶する。そして、ＣＣＤ撮像素子にて生成した電荷をデジタル信号に変換しつつ、順次コントローラ２１に転送する。コントローラ２１は、転送された上記デジタル信号をＣＣＤ撮像板２２ｂにおけるＣＣＤ撮像素子の個々のアドレスに対応づけながら画像メモリ（ＶＲＡＭ）２１ａに蓄積する。すなわち、ＶＲＡＭ２１ａにおいてＣＣＤ撮像素子に対応する画素ごとに上記デジタル信号の階調を有する画像データが生成される。なお、本実施形態において、上記デジタル信号はＣＣＤ撮像素子に入力された光の輝度を表現するものとする。すなわち、画素ごとに輝度値を有する画像データがＶＲＡＭ２１ａにおいて記憶される。
【００１７】
上記のようにしてＶＲＡＭ２１ａに記憶された画像データはコンピュータ３０に対して出力される。また、カメラ２２にて撮像を行うごとにＶＲＡＭ２１ａには新たな画像データが記憶される。コントローラ２１は、Ｘ−Ｙステージ２３に対して駆動信号を出力しており、同駆動信号に応じてＸ−Ｙステージ２３が水平方向に駆動される。むろん、Ｘ−Ｙステージ２３上の一定位置に載置された実装基板５０も水平移動することとなる。このようにすることにより、カメラ２２を移動させることなく、実装基板５０上のあらゆる位置にカメラ２２の視野を移動させることが可能となる。なお、カメラ２２にて撮像する際には、Ｘ−Ｙステージ２３が停止するため、静止画像が撮像されることとなる。
【００１８】
Ｘ−Ｙステージ２３から所定量上方にリングライト２４が保持されている。リングライト２４は発光素子としてＬＥＤを具備している。このＬＥＤは円環状に形成されており、その中心位置が上方視においてカメラ２２の光学系２２ａの中心位置と一致させられている。すなわち、リングライト２４はカメラ２２の視野を外側から一定の角度で照射することが可能となっている。これにより、実装基板５０のリングライト２４による反射像をカメラ２２にて撮像した２次元の画像データを生成することができる。なお、リングライト２４は図示のように一段ではなく径の異なるリングライトを上下に複数配置し、照明角度の異なる画像データを生成するようにしてもよい。また、カメラ２２にて撮像した画像データを撮像イメージというものとする。
【００１９】
図２は、コンピュータ３０の内部構成をブロック図により示している。同図において、コンピュータ３０は、主要な構成としてＣＰＵ３１とＲＡＭ３２とビデオメモリ（ＶＲＡＭ）３３とハードディスク（ＨＤＤ）３４を備えている。ＣＰＵ３１は、ＨＤＤ３４に記憶されたオペレーティングシステム（ＯＳ）３４ａや良否判定プログラム３４ｂ等に基づいた処理を実行させる演算装置であり、同処理を実行する際にＲＡＭ３２をワークエリアとして使用する。ＶＲＡＭ３３は、画像データを記憶するために特化したメモリであり、撮像イメージ３３ａが記憶される。なお、撮像イメージ３３ａは、コントローラ２１のＶＲＡＭ２１ａから転送された画像データである。
【００２０】
その他の構成として、コンピュータ３０にはビデオインターフェイス（Ｉ／Ｆ）３５と入力インターフェイス（Ｉ／Ｆ）３７とＩ／Ｏ３９が備えられている。ビデオＩ／Ｆ３５にはディスプレイ等の表示部３６が接続され、入力Ｉ／Ｆ３７にはキーボードやマウス等の入力部３８が接続され、Ｉ／Ｏ３９には撮像ユニット２０のコントローラ２１が接続されている。Ｉ／Ｏ３９は、コントローラ２１に対してＸ−Ｙステージ２３を駆動させるための信号や、カメラ２２にて撮像を実行させるための信号等を出力するとともに、コントローラ２１から撮像イメージの入力を受け付けている。
【００２１】
図３は、コンピュータ３０にて実現されるソフトウェアの構成とデータの流れを示している。ＣＰＵ３１およびＲＡＭ３２にて、ＯＳ３４ａと良否判定プログラム３４ｂとが実行されており、そのモジュール構成が示されている。良否判定プログラムＭＰは、撮像データ入力部ＳＰ１と距離判別分析部ＳＰ２と線形判別分析部ＳＰ３と目視データ入力部ＳＰ４と表示制御部ＳＰ５とを備えている。
【００２２】
撮像データ入力部ＳＰ１は、撮像実行部ＳＰ１１と撮像イメージ取得部ＳＰ１２とパラメータ算出部ＳＰ１３とを有している。撮像実行部ＳＰ１１は、ＨＤＤ３４に記憶された基板データ３４ｃを取得し、同基板データ３４ｃに基づいて撮像ユニット２０に撮像を実行させる。具体的に説明すると、基板データ３４ｃには、実装基板５０の大きさや実装された部品の位置や大きさや形状や個数といった情報が格納されており、これらの情報に基づいてＸ−Ｙステージ２３を駆動させる。したがって、実装基板５０上における所望の位置にカメラ２２の視野を動かすことができ、実装基板５０上における所望の位置について良否判定を実行することができる。
【００２３】
撮像イメージ取得部ＳＰ１２は、コントローラ２１から撮像イメージを入力し、ＶＲＡＭ３３に撮像イメージ３３ａを記憶させる。パラメータ算出部ＳＰ１３は撮像イメージ３３ａを入力し、撮像イメージ３３ａから複数のパラメータを算出する。ここで、パラメータとは撮像イメージ３３ａにおいて、はんだが撮像された画素領域から得られる特徴値であり、例えば平均輝度や最大輝度や最小輝度やエッジ数等のような値である。むろん、これらに限られるものではない。本実施形態において、パラメータはｈ（ｈは正の整数）種類用意されるものとする。なお、各パラメータの値をパラメータ値ｐｋ（ｋは０からｈまでの整数）と表記するものとする。
【００２４】
また、パラメータ算出部ＳＰ１３は、カメラ２２の視野のどの位置にはんだが配置されているかという位置情報を基板データ３４ｃから取得するため、はんだに対応する画素領域について画素データを抽出し、パラメータ値ｐｋを算出することができる。パラメータ算出部ＳＰ１３が算出したパラメータ値ｐｋは、ＨＤＤ３４に割り当てられたサンプルデータテーブル３４ｄに格納される。図４は、サンプルデータテーブル３４ｄを示しており、同サンプルデータごとに良／否が識別されている。この良否属性は、使用者によって入力部３８を介して入力される。なお、実際の量産製品においては、歩留まりが高いため、不良品の数は良品の数より大幅に少ないことが多い。したがって、このような実際の量産製品をサンプルとする場合には、否属性のサンプル数は良属性のサンプルより大幅に少なくなる。
【００２５】
距離判別分析部ＳＰ２は、中心値算出部ＳＰ２１と距離算出部ＳＰ２２と距離判別閾値設定部ＳＰ２３と距離判別良否判定部ＳＰ２４とを有している。中心値算出部ＳＰ２１は、サンプルデータテーブル３４ｄから良否属性が良のグループの要素に対応したパラメータ値ｐｋを取得し、このパラメータ値ｐｋの中心値を算出する。そして、距離算出部ＳＰ２２は、この中心値と、中心値を算出する際に用いた良属性を有するサンプルデータのパラメータ値ｐｋおよび検査対象に対応するパラメータ値ｐｋと、のユークリッド距離を算出する。
【００２６】
距離判別閾値設定部ＳＰ２３は、上述の中心値と、中心値を算出する際に用いた良属性を有するサンプルデータのパラメータ値ｐｋと、のユークリッド距離について、この距離に対する度数平均と標準偏差とを算出し、これらに基づいて、所定の見過ぎ率となるような値を距離判別閾値として設定する。
距離判別良否判定部ＳＰ２４は、距離算出部ＳＰ２２が算出した距離と距離判別閾値設定部ＳＰ２３で設定された距離判別閾値とを比較して、距離判別分析における検査対象の良否のカテゴリーを判別する。
【００２７】
線形判別分析部ＳＰ３は、判別関数算出部ＳＰ３１と線形判別閾値算出部ＳＰ３２と線形判別良否判定部ＳＰ３３とを有している。判別関数算出部ＳＰ３１は、ある変数を与える関数であって、当該変数に対して良カテゴリーと否カテゴリーとの度数分布を作成した場合に、両分布が良く分かれる判別関数を算出する処理を行う。この変数は上記パラメータ値ｐｋの関数である。本実施形態では、判別関数は、サンプルデータテーブル３４ｄに格納されているパラメータ値ｐｋとそれらの良否判定結果とを用いて算出される。また、本実施形態において上記パラメータ値ｐｋはｈ種類存在するが、本実施形態においては良否のカテゴリーの分布を分離する際に効果的な変数を選別して所定数のパラメータ値ｐｋで判別関数を規定している。
【００２８】
線形判別閾値算出部ＳＰ３２は、判別関数算出部ＳＰ３１により算出された判別関数により与えられる各サンプルデータに対応する変数Ｚについて、良カテゴリーと否カテゴリーとの度数分布別に度数平均と標準偏差とを算出し、これらに基づいて、所定の流出率と見過ぎ率とを満たすような線形判別閾値を算出する。
【００２９】
線形判別良否判定部ＳＰ３３は、判別関数により与えられる検査対象に対応する変数Ｚと、線形判別閾値算出部ＳＰ３２が算出した線形判別閾値とを比較して、線形判別分析における検査対象の良否のカテゴリーを判別する。
【００３０】
目視データ入力部ＳＰ４は、後述のサンプルデータ登録処理の際のパラメータ値ｐｋに対応づけられる良否判定結果の入力を受け付けたり、予備良否判定処理において距離判別分析の結果が否である検査対象について、目視による再検査を行った際の真の判定結果の入力を受け付けたりする。また、後述する距離判別閾値や線形判別閾値を設定するための数値の入力等も受け付ける。
表示制御部ＳＰ５は、撮像イメージ３３ａや良否判定処理の過程で生成された各種データ等を表示部３６に出力することによってディスプレイ上にそれらのイメージを表示させる。
【００３１】
（２）サンプルデータ登録処理：
本実施形態におけるサンプルデータ登録処理では、予め用意された良否属性が既知のサンプルから、後述する良否判定処理で用いる判定基準を作成するための複数のパラメータを算出し、これら複数のパラメータと良否属性とをサンプルデータとして登録する。
図５は、サンプルデータ登録処理の流れを示している。同図において、ステップＳ１００にて、サンプルとして用意された実装基板５０の撮像を行う。サンプルとして用意された実装基板５０に対しては、予め目視検査等の他の手法によってはんだの良否判定が行われており、実装基板５０に形成されたはんだの良否が判明している。
【００３２】
ステップＳ１１０においては、撮像イメージ３３ａが生成され、撮像イメージ取得部ＳＰ１２が撮像イメージ３３ａをＶＲＡＭ３３に記憶させる。図６は、カメラ２２の視野Ｓを示している。同図において、カメラ２２にて撮像される視野Ｓには、実装基板５０上の複数の実装部品やはんだが含まれることとなる。なお、本実施形態においては、実線で示すチップ部品５１のはんだ５２の形状についての良否判定を説明するものとする。ステップＳ１１０においては、視野Ｓ全体を表す画像データとして撮像イメージ３３ａが生成される。
【００３３】
ステップＳ１２０においては、撮像イメージ３３ａからはんだ５２が含まれる画素データのみを抽出する。すなわち、図６においてはんだ５２の周辺を実線で囲んだ評価領域Ｅの内側の画素データのみを抽出する。なお、ステップＳ１２０においてＣＰＵ３１は、ＨＤＤ３４に記憶された基板データ３４ｃに基づいて、視野Ｓのどこに良否判定対象のはんだ５２が配置されているかを特定する。そして、はんだ５２が撮像された画素に予め登録されたサイズの評価領域Ｅを設定して、同評価領域Ｅに属する画素データの抽出を行う。
【００３４】
図７は、評価領域Ｅの様子を模式的に示している。同図において、評価領域Ｅは破線で区画された多数の画素Ｐａ，ｂで構成されている。なお、各画素Ｐａ，ｂの輝度値Ｂａ，ｂは、実装基板５０上における各ＣＣＤ撮像素子が画像入力を担当する領域の平均輝度を意味する。なお、評価領域Ｅは図示の形状に限られるものではなく、算出するパラメータに応じて形状や個数が決定される。
【００３５】
ステップＳ１３０においては、ステップＳ１２０にて抽出した画素データについてパラメータ値ｐｋを算出する。例えば、パラメータ値ｐｋのひとつとして平均輝度を算出する場合には、評価領域Ｅに含まれる全画素の輝度値Ｂａ，ｂの積算値を全画素数で除算した値がパラメータ値ｐｋとして算出されることとなる。同様に、評価領域Ｅに含まれる全画素の輝度値Ｂａ，ｂに対してパラメータ算出部ＳＰ１３が所定の演算を行うことにより、他の種類のパラメータ値ｐｋを全部でｈ種類算出する。算出されたパラメータ値ｐｋは、当該評価領域Ｅに対応するはんだに対して与えられた固有の通し番号とともに上述したサンプルデータテーブル３４ｄに格納される。
【００３６】
ステップＳ１４０においては、サンプルデータテーブル３４ｄに格納されたパラメータ値ｐｋに対応づけて良否属性を登録する。使用者は予め実装基板５０上のはんだについての良否を目視検査等によって取得しており、これらの情報を、入力部３８を介して入力する。すると、サンプルデータテーブル３４ｄにおける"良否属性"の欄に情報が追記される。これにより、一つのはんだ５２についてパラメータ値ｐｋと既知の良否判定結果とを対応づけて登録することができる。
【００３７】
以上において、一つのはんだ５２についてパラメータ値ｐｋと既知の良否判定結果とを対応づけて登録する処理を説明したが、通常、撮像イメージ３３ａには「はんだ無」「部品浮き」「部品欠品」「部品位置ずれ」等の複数の検査項目が含まれるため、撮像イメージ３３ａにおいて各はんだの評価領域Ｅに対するステップＳ１２０〜Ｓ１４０の処理を繰り返すこととなる。さらに、単一の実装基板５０上においても多数の部品が実装され多数の評価領域Ｅが存在するため、Ｘ−Ｙステージ２３によって視野Ｓを移動させつつステップＳ１００〜Ｓ１４０が繰り返されることとなる。この場合、予め全ての検査項目についてパラメータ値ｐｋを算出しておき、各はんだと良否属性との対応関係を損なうことなく、一括して良否属性を登録するようにしてもよい。
【００３８】
（３）良否判定処理：
次に、実際に製品を検査する際に行われる良否判定処理について説明する。本実施形態においては、実運用の良否判定処理である線形判別分析と距離判別分析とによる良否判定処理を実行する前に、距離判別分析と目視による判別とによる予備良否判定処理を実行する。すなわち、本実施形態においては、予備良否判定処理を実施した後に、実運用の良否判定処理を実施する。
【００３９】
上述のように、線形判別分析では、良否のカテゴリーに対して分離度の高い判別関数を求めるために各カテゴリーの特徴を表すパラメータからなる多量のサンプルデータを収集する必要があるが、実際の量産製品においては、歩留まりが高いため、良品の数に対して不良品の数が大幅に少ないことが多く、不良サンプルのデータを収集することは極めて困難である。一方、距離判別分析では、比較的入手しやすい良品サンプルのデータのみを用いて良否を判別することができる。したがって、本実施形態では、予備良否判定処理により、良否判定を実行しつつ、実運用時の良否判定処理のためのサンプルデータを蓄積する。そして、十分な数のサンプルデータを収集した時点で、実運用の良否判定処理に移行する。
【００４０】
（３−１）予備良否判定処理
本実施形態における予備良否判定処理は、複数のパラメータに対して良否の属性が予め分かっている比較的少数の良サンプルデータに基づいて距離判別分析に用いる判定基準を作成し、これを用いた距離判別分析による判別と、目視による判別とを実施するものである。すなわち、予備良否判定処理は、装置立ち上げ時等において、不良サンプルのデータを収集することなく運用開始できる良否判定処理であるとともに、後述する実運用時の良否判定処理に用いる判定基準を作成するための多量のサンプルデータを蓄積するための仮運用の良否判定処理である。
【００４１】
最初に、距離判別分析に用いる判定基準の作成処理について説明する。本実施形態における距離判別分析では、パラメータ空間において、良属性を有するパラメータに対応する要素によって構成されるクラスターの中心位置からのユークリッド距離として設定される距離判別閾値を判定基準としている。したがって、距離判別分析の判定基準作成処理では、サンプルデータのうち良属性を有するサンプルデータを用いて、それらのパラメータ空間における中心値から良クラスターの範囲を定める距離を算出して判定基準を作成する。距離判別分析の判定基準作成処理は、図８のフローチャートに従って実行される。
【００４２】
最初に、中心値算出部ＳＰ２１は、サンプルデータテーブル３４ｄを参照し、登録されているすべてのサンプルデータのうち、良属性を有するサンプルデータを抽出する（ステップＳ２００）。ステップＳ２１０では、それらのパラメータ値ｐｋをｈ次元のパラメータ空間における座標とした各要素により構成される良クラスターの中心値を算出する。図９は、サンプルデータテーブル３４ｄに記述されたパラメータ値ｐｋをパラメータのｈ次元のパラメータ空間における座標として示している。なお、同図においては図示の簡略化のためｈ＝２の平面にて座標を示しているが、実際にはパラメータの種類ｈごとに軸が形成されたｈ次元の空間となる。むろん、ｈ＝１，２となる場合もあり、その場合はそれぞれ直線と平面上にパラメータ値ｐｋをプロットすることができる。上記において、ｓ番目のサンプルデータの座標Ｐ（ｓ）は、以下の式（１）のように表すことができる。
【数１】
なお、図９において、各サンプルデータに対応する要素の座標Ｐ（ｓ）は×で示されている。
【００４３】
また、ｔ個の要素で構成されるクラスターの中心値Ｃは、ｈ種類のパラメータｐｋを全要素分積算し、同積算値を全要素数ｔによって除算したパラメータｐｋの相加平均として算出される。すなわち、中心値Ｃは、
【数２】
のように表すことができる。
次に、ステップＳ２２０において、距離算出部ＳＰ２２は、中心値Ｃと各要素の座標Ｐ（ｓ）とのユークリッド距離を算出する。中心値Ｃとｓ番目の要素の座標Ｐ（ｓ）との距離ＣＰ（ｓ）は以下の式で表すことができる。
【数３】
【００４４】
ステップＳ２３０では、上述のように取得したユークリッド距離ＣＰ（ｓ）に対する度数分布図を作成する。作成された度数分布図は、例えば、図１０のようになる。そして、ステップＳ２４０では、この度数分布図において度数平均と標準偏差を算出する。度数平均と標準偏差を算出すると、距離判別閾値設定部ＳＰ２３は、ステップＳ２５０にて入力部３８での見過ぎ率入力を受け付ける。すなわち、本距離判別分析の判定基準作成処理においては、入力部３８によって見過ぎ率を入力できるようになっており、この見過ぎ率に基づいて距離判別閾値を算出する。すなわち、見過ぎ率は、良否を判定される検査対象が良品であるにも関わらず否判定されてしまう確率であって、上述の度数分布図における標準偏差σによって算出することができる。
【００４５】
標準偏差によれば、正規分布において、変数が度数平均と標準偏差との間に含まれる確率あるいは変数が標準偏差より外側の裾部分に含まれる確率を容易に特定することができ、標準偏差を定数倍することによって、入力された見過ぎ率にすることができる。すなわち、ステップＳ２５０にて見過ぎ率が入力されることによって、標準偏差σに対して乗じる係数αが決定される。例えば、見過ぎ率０．０００３１が入力された場合、係数α＝４となる。なお、ステップＳ２５０においては、標準偏差に対して乗じる係数α自体の入力を受け付けても良いし、予め保存された見過ぎ率データ（あるいは標準偏差データ）に基づいて見過ぎ率を特定しても良い。
【００４６】
いずれにしても、ステップＳ２５０にて見過ぎ率を受け付けてその値を特定すると、ステップＳ２６０においては、当該見過ぎ率を与えるような閾値Ｔｄｓ＝Ａｄｓ＋ασを算出する。算出された閾値ＴｄｓはＨＤＤ３４に保存される（ステップＳ２７０）。このようにして、距離判別分析における良否のカテゴリーを判別するため基準となる閾値Ｔが設定される。
【００４７】
上述のようにして距離判別分析の判定基準が作成されるが、予備良否判定処理に用いる距離判別分析の判定基準は、見過ぎ率の高い係数α＝４未満の数値を使用している。距離判別分析においては、比較的入手しやすい良サンプルのみを用いて良否を判別することができるが、それでも多量の実装基板を目視により良否判定するのは大変な労力を要する。このため、本実施形態における予備良否判定処理では、ごく少数のサンプルに基づいて距離判別分析の判定基準を作成する。そして、明らかに良品であるものについては目視判定することなく良品と判定し、不良品の疑いがあるものについてのみ目視判定を実施する。そして、上記のように見過ぎ率を比較的高く設定することにより、ごく少数の良サンプルデータに基づいて作成された距離判別分析の判定基準であっても不良品の流出を抑えている。
なお、後述の実運用時の良否判定処理に用いる距離判別分析の判定基準は、この予備良否判定処理にて蓄積された十分な数のサンプルデータに基づいて作成されるので、見過ぎ率の係数α＝４以上の数値に設定される。
【００４８】
次に、予備良否判定処理について説明する。図１１は、予備良否判定処理の流れを示している。なお、同図において、ステップＳ３３０までの検査対象の実装基板５０を撮像してパラメータ値ｐｋを算出する工程は、サンプルデータ登録処理のステップＳ１３０までと同様であるため説明を省略する。ただし、ここで撮像を行う実装基板５０は、良否判定の対象となる基板であり、良否判定の結果が未知である。ステップＳ３３０において、実装基板５０上のあるはんだについてのパラメータ値ｐ１，ｐ２・・ｐｋ・・ｐ（ｈ−１），ｐｈが算出される。ステップＳ３４０では、距離判別分析の判定基準である距離判別閾値と比較される距離ＣＸが算出される。
【００４９】
図１１のステップＳ３４０にて、距離算出部ＳＰ２２は、パラメータ値ｐ１，ｐ２・・ｐｋ・・ｐ（ｈ−１），ｐｈで定義されるパラメータ空間内の座標Ｘ＝｛ｐ１，ｐ２・・ｐｋ・・ｐ（ｈ−１），ｐｈ｝と、距離判別分析の判定基準を作成する際に算出された良カテゴリーの中心値Ｃとの距離を算出する。すなわち、座標Ｘと中心値Ｃとのユークリッド距離を上記式（３）と同様の手法によって算出する。図９において、○で示される座標Ｘは検査対象に対応する要素の座標として示されている。
【００５０】
ステップＳ３５０において、距離判別良否判定部ＳＰ２４は、ステップＳ３４０にて算出した座標Ｘの良カテゴリーの中心値Ｃに対する距離ＣＸと、予め判定基準として算出されている距離判別閾値Ｔｄｓとを比較する。距離ＣＸが閾値Ｔｄｓよりも小さいと判別された場合は、この検査対象が良カテゴリーであると判別し、この検査対象についての判定結果を記憶する（ステップＳ３５５）。そして、次の検査対象について同様の処理を繰り返す。なお、この判定結果とともに、当該検査対象のパラメータ値についても記憶させるようにしてもよい。また、これら判定結果とパラメータ値は、データとして出力したり、後述の目視による判別と同様に、サンプルデータとしてサンプルデータテーブル３４ｄに追加登録したりするようにしてもよい。
【００５１】
ステップＳ３５０において、距離ＣＸが閾値Ｔｄｓよりも小さいと判別されなかった場合は、ステップＳ３６０にて目視による判別を実施する。目視による判別では、距離判別分析により否カテゴリーであると判別された検査対象について、真に否であるのかを判別する。具体的には、表示部３６に検査対象である評価領域Ｅのイメージを表示させ、これに基づいて目視により良否のカテゴリーを判別する。目視判別により良カテゴリーであると判別された場合はステップＳ３７０にて良判定し、否カテゴリーであると判別された場合はステップＳ３８０にて否判定する。最後に、この検査対象についての良否の判定結果とパラメータ値とをサンプルデータテーブル３４ｄに追加登録する（ステップＳ３９０）。このとき、目視判定にて否と判定された検査対象について、その不良の原因についても併せて登録する。そして、次の検査対象について同様の処理を繰り返す。
【００５２】
このように、予備良否判定処理では、距離判別分析と目視判別による良否判定を実施するとともに、実運用時の良否判定における線形判別分析の判定基準を作成するために用いる良否カテゴリーのサンプルデータを収集する。そして、これらの処理を繰り返し実行し、線形判別分析の判定基準を作成するに十分な、所定数（例えば、３００個）の否カテゴリーのサンプルデータを収集した時点で、実運用時の良否判定処理へ移行する。
【００５３】
（３−２）実運用時の良否判定処理
本実施形態における実運用時の良否判定処理では、目視判定による必要な数のサンプルデータに基づいて線形判別分析の判定基準および距離判別分析の判定基準を予め作成し、これらを用いて線形判別分析および距離判別分析を実施する。本実施形態においては、線形判別分析の判定基準および距離判別分析の判定基準を作成するための必要な数のサンプルデータは、上述の予備良否判定処理にて蓄積されたサンプルデータである。
【００５４】
最初に、実運用時の良否判定処理に用いる判定基準の作成処理について説明する。上述のように、実運用時の良否判定処理では、線形判別分析と距離判別分析とを実施する。これらのうち、距離判別分析判定基準については、上述の予備良否判定処理に用いる距離判別分析判定基準と同様に作成されるため、その作成方法は省略し、線形判別分析に用いる判定基準の作成処理について説明する。
【００５５】
なお、本良否判定処理に用いる距離判別分析判定基準について、その作成に用いられるサンプルデータは、上述のように、予備良否判定処理にて蓄積したサンプルデータのうちの良カテゴリーに属するサンプルデータである。すなわち、実運用時の良否判定処理に用いる距離判別分析判定基準は、上述の予備良否判定処理に用いる距離判別分析判定基準とは異なる判定基準である。そして、その見過ぎ率係数は、予備良否判定処理で用いた距離判別分析判定基準の見過ぎ率係数の数値よりも低いα＝４未満に設定されている。
【００５６】
本実施形態における線形判別分析では、良否属性が既知のパラメータ値とその良否属性とから良カテゴリーと否カテゴリーとの度数分布を分離する変数を与える判別関数を算出し、その判別関数から与えられる変数の分布傾向から統計的推定を行うことにより算出される線形判別閾値を判定基準としている。したがって、本判定基準作成処理では、サンプルデータを用いてそれらの度数分布における良否のカテゴリーを分離する判別関数を算出し、その度数分布に基づいて判定基準となる閾値を算出する。線形判別分析の判定基準作成処理は、図１２のフローチャートに従って実行される。
【００５７】
最初に、判別関数算出部ＳＰ３１は、サンプルデータテーブル３４ｄを参照し、登録されているすべてのサンプルデータを取得する（ステップＳ４００）。ステップＳ４１０では、それらのパラメータ値ｐｋの中から判別関数の説明変数として組み入れるパラメータ値ｐｋを選択する。すなわち、上述の距離判別分析に用いる判定基準を作成する際には全てのパラメータを用いたが、線形判別分析に用いる判定基準作成においては、全パラメータのうち、良品と不良品の度数分布が良く分離するパラメータ値ｐｋを選択し、それらを判別関数の説明変数として採用する。
【００５８】
なお、本実施形態では、パラメータ値ｐｋの中から判別関数に用いるパラメータを選択するに当たり、他のいずれかのパラメータとの相関の強さを示す値が所定の大きさ以上となるパラメータを非使用パラメータとして予め排除しておき、他のパラメータとの相関が比較的低いパラメータの中からのみ選択するようにしている。これにより、判別関数の多重共線性を除去するようにしている。具体的には、各パラメータ相互の相関の強さを定量化した相関係数を算出し、相関係数が所定値以上になるパラメータの数を良カテゴリーと否カテゴリーとのそれぞれについて集計し、それらの集計の合計値が大きいパラメータを非使用パラメータにする処理を繰り返す。これにより、相関係数が一定値以上になるパラメータが順に排除されていき、最終的には一定値未満の相関係数となるパラメータのみが残る。
【００５９】
上述のようにして選別されたパラメータの中から判別関数に用いるパラメータを選択する。このパラメータの選択においては、例えば、総当たり法、前進選択法、後退消去法、逐次法等を採用して、良否の度数分布を良く分離する特定のパラメータを選択する。本実施形態においては、総当たり法により全てのパラメータの組み合わせを求め、良否の度数分布を最も良く分離する組合せを選択するようにしている。次に、これらのパラメータを変数とした判別関数をステップＳ４２０にて算出する。判別関数は、
【数４】
で表現される。なお、ここで、ａｉは係数、ｘｉは各パラメータが代入される変数、ｎは選択されたパラメータの数である。上記判別関数は各パラメータ値を変数として有しており、この判別関数により変数"Ｚ"が与えられる。なお、選択されるパラメータ値ｐｋは、「はんだ無」、「部品浮き」、「部品欠品」、「部品位置ずれ」などの検査項目毎に異なるものを選択し、それぞれについての判別関数が算出される。
【００６０】
判別関数は、当該Ｚについて上記良カテゴリーと否カテゴリーとの度数分布図を作成した際に両者を最も分離するようなＺを与えるように上記係数が決定されることによって算出され、例えば、下記式（５）における相関比η２を最大にする係数を決定して算出することができる。
【数５】
なお、上記式（５）でｌは良カテゴリーあるいは否カテゴリーを識別する識別符号であり、ｎlはカテゴリー毎のサンプル数であり、上部に直線が付されたｘは総平均である。
【００６１】
上記式（５）において、相関比η２が最大になると全平方和ＳＴと群間平方和ＳＢの比が最大になる。この状態においては両カテゴリーの群間分散がなるべく大きく（各カテゴリーの平均がなるべく離れる）、各カテゴリーの分散がなるべく小さくなる。したがって、判別関数に対する度数分布においては両カテゴリーが非常に良く分離する。なお、以上のような判別関数の算出は、現代数学社１９８３年５月１日初版発行、田中豊・脇本和昌著「多変量統計解析法」等に詳述されている。判別関数算出部ＳＰ３１が以上のようにして各係数ａｉを算出すると、当該係数およびパラメータを示すデータを判別関数データとしてＨＤＤ３４に保存する。
【００６２】
上述のようにして良カテゴリーと否カテゴリーとを最も分離するようなＺを与える判別関数が算出されると、線形判別閾値算出部ＳＰ３２は、判別関数に対する各カテゴリーの度数分布図を作成する（ステップＳ４３０）。すなわち、上記パラメータ値データと良否判定結果データとを取得し、判別関数の変数として規定されたパラメータにサンプルの各パラメータ値を代入してＺの値を算出し、サンプルデータテーブル３４ｄに登録された目視による良否判定に基づいて良否別に度数を計測して度数分布図を作成する。
【００６３】
ステップＳ４４０では、図１３のように作成された度数分布図において、良否のカテゴリー別にサンプルについての度数平均と標準偏差を算出する。同図において判別関数Ｚ＝０が両カテゴリーの度数平均の中心に位置しており、否カテゴリーの度数平均を"Ａｄｃ"、良カテゴリーの度数平均を"−Ａｄｃ"と示している。また、否カテゴリーの標準偏差をσｎ、良カテゴリーの標準偏差をσｏとして示している。
【００６４】
ステップＳ４４０にてサンプルについての度数平均および標準偏差を算出すると、ステップＳ４５０にて入力部３８での流出率入力を受け付ける。本実施形態における線形判別分析判定基準作成処理では入力部３８によって流出率を入力できるようになっており、この流出率に基づいて閾値を決定する。すなわち、流出率は良否判定対象が不良であるにもかかわらず良判定してしまうことによって、不良品が検出されることなく流出する確率であり、否カテゴリーの標準偏差σｎによって算出することができる。
【００６５】
上述のように、標準偏差によれば、正規分布において、変数が度数平均と標準偏差との間に含まれる確率あるいは変数が標準偏差より外側の裾部分に含まれる確率を容易に特定することができる。そしてこの場合、否カテゴリーの度数分布に基づいて算出された標準偏差σｎを定数倍（β倍）することによって、入力された流出率にすることができる。なお、ステップＳ４５０においては、流出率自体の入力を受け付けても良いし、標準偏差に対して乗じる係数の入力を受け付けても良いし、予め保存された流出率データ（あるいは標準偏差データ）に基づいて流出率を特定しても良い。
【００６６】
いずれにしても、ステップＳ４５０にて流出率を受け付けてその値を特定すると、ステップＳ４６０においては当該流出率を与えるような線形判別分析の閾値Ｔｄｃを算出して仮決定する。図１３に示す例では、Ｔｄｃ＝Ａｄｃ−βσｎにて閾値Ｔｄｃを仮決定している。本実施形態においては、流出率の管理に加えて見過ぎ率の管理をも実施しており、この意味でステップＳ４６０の閾値Ｔｄｃは仮決定された値である。見過ぎ率は良否判定対象が良品であるにもかかわらず不良判定がなされることによって、いわば過剰に閾値を厳しくしている状況（見過ぎ）が発生する確率であり、良カテゴリーの標準偏差σｏによって算出することができる。
【００６７】
本実施形態においては、ステップＳ４７０にて見過ぎ率データを取得し、（Ｔｄｃ＋Ａｄｃ）／σｏが所定の係数γより大きいか否かを判別して、上記仮決定された閾値Ｔｄｃが良カテゴリーの度数平均からその標準偏差σｏのγ倍より遠いか否かを判別する。同ステップＳ４７０にて（Ｔｄｃ＋Ａｄｃ）／σｏがγより大きいと判別されたときには上記仮決定された閾値Ｔｄｃが流出率と見過ぎ率との双方から十分な値であるとして、閾値Ｔｄｃを閾値データｈとしてＨＤＤ３４に保存する（ステップＳ４８０）。ステップＳ４７０にて（Ｔｄｃ＋Ａｄｃ）／σｏがγより大きいと判別されないときには、見過ぎ率が高いとしてパラメータの再決定を実施する。
【００６８】
すなわち、良否判定対象の形状について良否を適正に判定できるパラメータが得られてなかったとしてパラメータ選択を実施し、上記の流出率と見過ぎ率を満足するパラメータを決定する。この再決定を行うことによって、十分な流出率および見過ぎ率を確保できない状態で良否判定装置の運用を開始してしまうことを防止することができる。また、ノウハウの蓄積をしなくても高性能で装置の運用を開始することができる。なお、本実施形態では見過ぎ率データを予めＨＤＤ３４に保存していたが、むろん、入力部３８を介してこの見過ぎ率を特定するための値を入力させる構成等を採用可能である。また、本実施形態では、前記特許文献２の実施例のように度数平均および標準偏差を算出し、これらに基づいて所定の流出率となるように線形判別閾値を設定したが、良否のカテゴリーの度数分布が十分に分離でき、閾値が各カテゴリーの度数平均から４σ以上の値に設定できるパラメータが選択できた場合には、特許文献１の実施例のように線形判別分析における判別関数の本来の閾値であるところの各度数平均の中間値を閾値として採用してもよい。
【００６９】
次に、実運用時の良否判定処理について説明する。図１４は、実運用時の良否判定処理の流れを示している。なお、ステップＳ５３０までは、上記予備良否判定と同様に、サンプルデータ登録処理のステップＳ１３０までと同様であるため説明を省略する。
図１４のステップＳ５４０では、予め算出されている各判別関数に、ステップＳ５３０で取得したパラメータ値のうちの上記で選択されたパラメータの値を代入して判別関数毎の変数Ｚを算出する。そして、ステップＳ５５０において、線形判別良否判定部ＳＰ３３は、算出された判別関数毎の変数Ｚの値と、各判別関数に対応する線形判別閾値Ｔｄｃとを比較する。各変数Ｚが各閾値Ｔｄｃより大きいと判別された場合は、ステップＳ５８５にて、各変数Ｚの当該検査対象を否判定する。各変数Ｚがそれらに対応する各閾値Ｔｄｃより小さいと判別された場合は、ステップＳ５６０へ移行する。
【００７０】
ステップＳ５６０では、距離算出部ＳＰ２２によりパラメータ値ｐ１，ｐ２・・ｐｋ・・ｐ（ｈ−１），ｐｈで定義されるパラメータ空間内の座標Ｘ＝｛ｐ１，ｐ２・・ｐｋ・・ｐ（ｈ−１），ｐｈ｝と、良カテゴリーの中心値Ｃとの距離ＣＸを算出する。そして、ステップＳ５７０において、距離判別良否判定部ＳＰ２４は、ステップＳ５６０にて算出した座標Ｘの良カテゴリーの中心値Ｃに対する距離ＣＸと、予め判定基準として算出されている距離判別閾値Ｔｄｓとを比較する。距離ＣＸが閾値Ｔｄｓよりも小さいと判別された場合は、ステップＳ５８０にて良判定する。距離ＣＸが閾値Ｔｄｓよりも小さいと判別されなかった場合は、ステップＳ５８５にて否判定する。
【００７１】
最後に、この検査対象のはんだ５２についての良否の判定結果を記憶する（ステップＳ５９０）。なお、この良否判定結果とともに、当該検査対象のパラメータ値についても記憶させるようにしてもよいし、否判定された検査対象についてはその不良原因についても併せて記憶させるようにしてもよい。これらは、データとして出力したり、サンプルデータとしてサンプルデータテーブル３４ｄに追加登録したりするようにしてもよい。不良原因の記憶に際しては、不良と判別された際の判定基準に基づいて自動的に記憶するようにしてもよいし、上述の予備良否判定処理のように、目視により特定した不良原因を、入力部３８を介して入力して記憶するようにしてもよい。なお、サンプルデータとして追加登録される場合には、各判定基準を修正する際に用いることができる。
【００７２】
このように、本良否判定処理では、線形判別分析に用いる判別関数および閾値は不良原因別に算出されるので、検査対象のはんだ５２が特定の不良原因を有する不良品である場合には、線形判別分析において確実に否カテゴリーであることを判別することができる。一方、距離判別分析では、良属性を有する要素で構成されるクラスターの位置と検査対象に対応する要素の位置とに基づいて良否を判別するので、線形判別分析で見逃された特定不良原因以外の不良原因を有する不良品についても正しく良否を判別することができる。すなわち、線形判別分析と距離判別分析とを共用することにより、両判別分析方式の特徴を生かすとともに、互いの欠点を補完することのできる判定精度に優れた良否判定を実現できる。
【００７３】
なお、本実施形態では、予備良否判定処理にてサンプルデータを蓄積し、それらを用いて作成した線形判別分析の判定基準および距離判別分析の判定基準により良否判定を実施するようにしたが、これに限定されるものではない。すなわち、予め良否属性が既知な必要数のサンプルを用意できるのであれば、サンプルデータ登録処理にてそれらのサンプルデータを蓄積し、予備良否判定処理を経ることなく線形判別分析および距離判別分析による良否判定処理を実施するようにしてもよい。
【符号の説明】
【００７４】
１０；良否判定装置、２０；撮像ユニット、２１；コントローラ、２１ａ；画像メモリ（ＶＲＡＭ）、２２；カメラ、２２ａ；光学系、２２ｂ；ＣＣＤ撮像板、２３；Ｘ−Ｙステージ、２４；リングライト、３０；コンピュータ、３１；ＣＰＵ、３２；ＲＡＭ、３３；ビデオメモリ（ＶＲＡＭ）、３３ａ；撮像イメージ、３４；ハードディスク（ＨＤＤ）、３４ａ；オペレーティングシステム（ＯＳ）、３４ｂ；良否判定プログラム、３４ｃ；基板データ、３４ｄ；サンプルデータテーブル、３５；ビデオインターフェイス、３６；表示部、３７；入力インターフェイス、３８；入力部、３９；Ｉ／Ｏ、５０；実装基板、５１；チップ部品、５２；はんだ、ＳＰ１；撮像データ入力部、ＳＰ１１；撮像実行部、ＳＰ１２；撮像イメージ取得部、ＳＰ１３；パラメータ算出部、ＳＰ２；距離判別分析部、ＳＰ２１；中心値算出部、ＳＰ２２；距離算出部、ＳＰ２３；距離判別閾値設定部、ＳＰ２４；距離判別良否判定部、ＳＰ３；線形判別分析部、ＳＰ３１；判別関数算出部、ＳＰ３２；線形判別閾値算出部、ＳＰ３３；線形判別良否判定部、ＳＰ４；目視データ入力部、ＳＰ５；表示制御部。
【特許請求の範囲】
【請求項１】
検査対象から良否判定要因となる複数のパラメータを取得するパラメータ取得手段と、
良否属性が既知の複数のサンプルに対応する前記複数のパラメータから良カテゴリーと否カテゴリーとの度数分布を分離させる変数を与えるように選択された複数のパラメータからなる判別関数を求め、前記度数分布に基づいて設定される判定基準としての前記判別関数の線形判別閾値と、前記判別関数に検査対象に対応するパラメータを代入して得られた算出結果と、を比較して当該検査対象の良否のカテゴリーを判別する線形判別分析手段と、
前記複数のパラメータが投射されるパラメータ空間において、良属性を有する複数のサンプルに対応する要素によって構成された良クラスターの中心位置に対する距離として設定される判定基準としての距離判別閾値と、前記中心位置に対する検査対象に対応する要素の距離と、を比較して当該検査対象の良否のカテゴリーを判別する距離判別分析手段と、
前記線形判別分析手段により良のカテゴリーに判別された検査対象について前記距離判別分析手段により良否のカテゴリーを判別し、前記線形判別分析手段および前記距離判別分析手段のいずれにおいても良のカテゴリーに判別された場合にのみ良判定する良否判定手段と、を備えることを特徴とする良否判定装置。
【請求項２】
目視により検査対象の良否のカテゴリーを判別する目視判別手段と、
前記距離判別分析手段により否のカテゴリーに判別された検査対象について前記目視判別手段により良否のカテゴリーを判別し、前記距離判別分析手段および前記目視判別手段のいずれにおいても否のカテゴリーに判別された場合にのみ否判定する予備良否判定手段と、
前記予備良否判定手段により良否判定された検査対象に対応する前記複数のパラメータとその良否判定結果とをサンプルデータとして蓄積するサンプルデータ蓄積手段と、を更に備え、
前記良否判定手段は、
前記線形判別分析手段が、前記サンプルデータに基づいて設定される前記線形判別閾値により良否のカテゴリーを判別し、
前記距離判別分析手段が、前記サンプルデータのうち良のカテゴリーに判別されたデータに基づいて設定される前記距離判別閾値により良否のカテゴリーを判別し、これらの判別結果に基づいて当該検査対象の良否を判定する請求項１記載の良否判定装置。
【請求項３】
検査対象から良否判定要因となる複数のパラメータを取得するパラメータ取得工程と、
良否属性が既知の複数のサンプルに対応する前記複数のパラメータから良カテゴリーと否カテゴリーとの度数分布を分離させる変数を与えるように選択された複数のパラメータからなる判別関数を求め、前記度数分布に基づいて設定される判定基準としての前記判別関数の線形判別閾値と、前記判別関数に検査対象に対応するパラメータを代入して得られた算出結果と、を比較して当該検査対象の良否のカテゴリーを判別する線形判別分析工程と、
前記複数のパラメータが投射されるパラメータ空間において、良属性を有する複数のサンプルに対応する要素によって構成された良クラスターの中心位置に対する距離として設定される判定基準としての距離判別閾値と、前記中心位置に対する検査対象に対応する要素の距離と、を比較して当該検査対象の良否のカテゴリーを判別する距離判別分析工程と、
前記線形判別分析工程により良のカテゴリーに判別された検査対象について前記距離判別分析工程により良否のカテゴリーを判別し、前記線形判別分析工程および前記距離判別分析工程のいずれにおいても良のカテゴリーに判別された場合にのみ良判定する良否判定工程と、を備えることを特徴とする良否判定方法。
【請求項４】
目視により検査対象の良否のカテゴリーを判別する目視判別工程と、
前記距離判別分析工程により否のカテゴリーに判別された検査対象について前記目視判別工程により良否のカテゴリーを判別し、前記距離判別分析工程および前記目視判別工程のいずれにおいても否のカテゴリーに判別された場合にのみ否判定する予備良否判定工程と、
前記予備良否判定工程により良否判定された検査対象に対応する前記複数のパラメータとその良否判定結果とをサンプルデータとして蓄積するサンプルデータ蓄積工程と、を更に備え、
前記良否判定工程は、
前記線形判別分析工程が、前記サンプルデータに基づいて設定される前記線形判別閾値により良否のカテゴリーを判別し、
前記距離判別分析工程が、前記サンプルデータのうち良のカテゴリーに判別されたデータに基づいて設定される前記距離判別閾値により良否のカテゴリーを判別し、これらの判別結果に基づいて当該検査対象の良否を判定する請求項３記載の良否判定方法。
【請求項５】
検査対象から良否判定要因となる複数のパラメータを取得するパラメータ取得機能と、
良否属性が既知の複数のサンプルに対応する前記複数のパラメータから良カテゴリーと否カテゴリーとの度数分布を分離させる変数を与えるように選択された複数のパラメータからなる判別関数を求め、前記度数分布に基づいて設定される判定基準としての前記判別関数の線形判別閾値と、前記判別関数に検査対象に対応するパラメータを代入して得られた算出結果と、を比較して当該検査対象の良否のカテゴリーを判別する線形判別分析機能と、
前記複数のパラメータが投射されるパラメータ空間において、良属性を有する複数のサンプルに対応する要素によって構成された良クラスターの中心位置に対する距離として設定される判定基準としての距離判別閾値と、前記中心位置に対する検査対象に対応する要素の距離と、を比較して当該検査対象の良否のカテゴリーを判別する距離判別分析機能と、
前記線形判別分析機能により良のカテゴリーに判別された検査対象について前記距離判別分析機能により良否のカテゴリーを判別し、前記線形判別分析機能および前記距離判別分析機能のいずれにおいても良のカテゴリーに判別された場合にのみ良判定する良否判定機能と、をコンピュータに実現させることを特徴とする良否判定プログラム。
【請求項６】
目視により検査対象の良否のカテゴリーを判別する目視判別機能と、
前記距離判別分析機能により否のカテゴリーに判別された検査対象について前記目視判別機能により良否のカテゴリーを判別し、前記距離判別分析機能および前記目視判別機能のいずれにおいても否のカテゴリーに判別された場合にのみ否判定する予備良否判定機能と、
前記予備良否判定機能により良否判定された検査対象に対応する前記複数のパラメータとその良否判定結果とをサンプルデータとして蓄積するサンプルデータ蓄積機能と、を更に備え、
前記良否判定機能は、
前記線形判別分析機能が、前記サンプルデータに基づいて設定される前記線形判別閾値により良否のカテゴリーを判別し、
前記距離判別分析機能が、前記サンプルデータのうち良のカテゴリーに判別されたデータに基づいて設定される前記距離判別閾値により良否のカテゴリーを判別し、これらの判別結果に基づいて当該検査対象の良否を判定する請求項５記載の良否判定プログラム。
【請求項１】
検査対象から良否判定要因となる複数のパラメータを取得するパラメータ取得手段と、
良否属性が既知の複数のサンプルに対応する前記複数のパラメータから良カテゴリーと否カテゴリーとの度数分布を分離させる変数を与えるように選択された複数のパラメータからなる判別関数を求め、前記度数分布に基づいて設定される判定基準としての前記判別関数の線形判別閾値と、前記判別関数に検査対象に対応するパラメータを代入して得られた算出結果と、を比較して当該検査対象の良否のカテゴリーを判別する線形判別分析手段と、
前記複数のパラメータが投射されるパラメータ空間において、良属性を有する複数のサンプルに対応する要素によって構成された良クラスターの中心位置に対する距離として設定される判定基準としての距離判別閾値と、前記中心位置に対する検査対象に対応する要素の距離と、を比較して当該検査対象の良否のカテゴリーを判別する距離判別分析手段と、
前記線形判別分析手段により良のカテゴリーに判別された検査対象について前記距離判別分析手段により良否のカテゴリーを判別し、前記線形判別分析手段および前記距離判別分析手段のいずれにおいても良のカテゴリーに判別された場合にのみ良判定する良否判定手段と、を備えることを特徴とする良否判定装置。
【請求項２】
目視により検査対象の良否のカテゴリーを判別する目視判別手段と、
前記距離判別分析手段により否のカテゴリーに判別された検査対象について前記目視判別手段により良否のカテゴリーを判別し、前記距離判別分析手段および前記目視判別手段のいずれにおいても否のカテゴリーに判別された場合にのみ否判定する予備良否判定手段と、
前記予備良否判定手段により良否判定された検査対象に対応する前記複数のパラメータとその良否判定結果とをサンプルデータとして蓄積するサンプルデータ蓄積手段と、を更に備え、
前記良否判定手段は、
前記線形判別分析手段が、前記サンプルデータに基づいて設定される前記線形判別閾値により良否のカテゴリーを判別し、
前記距離判別分析手段が、前記サンプルデータのうち良のカテゴリーに判別されたデータに基づいて設定される前記距離判別閾値により良否のカテゴリーを判別し、これらの判別結果に基づいて当該検査対象の良否を判定する請求項１記載の良否判定装置。
【請求項３】
検査対象から良否判定要因となる複数のパラメータを取得するパラメータ取得工程と、
良否属性が既知の複数のサンプルに対応する前記複数のパラメータから良カテゴリーと否カテゴリーとの度数分布を分離させる変数を与えるように選択された複数のパラメータからなる判別関数を求め、前記度数分布に基づいて設定される判定基準としての前記判別関数の線形判別閾値と、前記判別関数に検査対象に対応するパラメータを代入して得られた算出結果と、を比較して当該検査対象の良否のカテゴリーを判別する線形判別分析工程と、
前記複数のパラメータが投射されるパラメータ空間において、良属性を有する複数のサンプルに対応する要素によって構成された良クラスターの中心位置に対する距離として設定される判定基準としての距離判別閾値と、前記中心位置に対する検査対象に対応する要素の距離と、を比較して当該検査対象の良否のカテゴリーを判別する距離判別分析工程と、
前記線形判別分析工程により良のカテゴリーに判別された検査対象について前記距離判別分析工程により良否のカテゴリーを判別し、前記線形判別分析工程および前記距離判別分析工程のいずれにおいても良のカテゴリーに判別された場合にのみ良判定する良否判定工程と、を備えることを特徴とする良否判定方法。
【請求項４】
目視により検査対象の良否のカテゴリーを判別する目視判別工程と、
前記距離判別分析工程により否のカテゴリーに判別された検査対象について前記目視判別工程により良否のカテゴリーを判別し、前記距離判別分析工程および前記目視判別工程のいずれにおいても否のカテゴリーに判別された場合にのみ否判定する予備良否判定工程と、
前記予備良否判定工程により良否判定された検査対象に対応する前記複数のパラメータとその良否判定結果とをサンプルデータとして蓄積するサンプルデータ蓄積工程と、を更に備え、
前記良否判定工程は、
前記線形判別分析工程が、前記サンプルデータに基づいて設定される前記線形判別閾値により良否のカテゴリーを判別し、
前記距離判別分析工程が、前記サンプルデータのうち良のカテゴリーに判別されたデータに基づいて設定される前記距離判別閾値により良否のカテゴリーを判別し、これらの判別結果に基づいて当該検査対象の良否を判定する請求項３記載の良否判定方法。
【請求項５】
検査対象から良否判定要因となる複数のパラメータを取得するパラメータ取得機能と、
良否属性が既知の複数のサンプルに対応する前記複数のパラメータから良カテゴリーと否カテゴリーとの度数分布を分離させる変数を与えるように選択された複数のパラメータからなる判別関数を求め、前記度数分布に基づいて設定される判定基準としての前記判別関数の線形判別閾値と、前記判別関数に検査対象に対応するパラメータを代入して得られた算出結果と、を比較して当該検査対象の良否のカテゴリーを判別する線形判別分析機能と、
前記複数のパラメータが投射されるパラメータ空間において、良属性を有する複数のサンプルに対応する要素によって構成された良クラスターの中心位置に対する距離として設定される判定基準としての距離判別閾値と、前記中心位置に対する検査対象に対応する要素の距離と、を比較して当該検査対象の良否のカテゴリーを判別する距離判別分析機能と、
前記線形判別分析機能により良のカテゴリーに判別された検査対象について前記距離判別分析機能により良否のカテゴリーを判別し、前記線形判別分析機能および前記距離判別分析機能のいずれにおいても良のカテゴリーに判別された場合にのみ良判定する良否判定機能と、をコンピュータに実現させることを特徴とする良否判定プログラム。
【請求項６】
目視により検査対象の良否のカテゴリーを判別する目視判別機能と、
前記距離判別分析機能により否のカテゴリーに判別された検査対象について前記目視判別機能により良否のカテゴリーを判別し、前記距離判別分析機能および前記目視判別機能のいずれにおいても否のカテゴリーに判別された場合にのみ否判定する予備良否判定機能と、
前記予備良否判定機能により良否判定された検査対象に対応する前記複数のパラメータとその良否判定結果とをサンプルデータとして蓄積するサンプルデータ蓄積機能と、を更に備え、
前記良否判定機能は、
前記線形判別分析機能が、前記サンプルデータに基づいて設定される前記線形判別閾値により良否のカテゴリーを判別し、
前記距離判別分析機能が、前記サンプルデータのうち良のカテゴリーに判別されたデータに基づいて設定される前記距離判別閾値により良否のカテゴリーを判別し、これらの判別結果に基づいて当該検査対象の良否を判定する請求項５記載の良否判定プログラム。
【図１】
【図２】
【図３】
【図４】
【図５】
【図６】
【図７】
【図８】
【図９】
【図１０】
【図１１】
【図１２】
【図１３】
【図１４】
【図２】
【図３】
【図４】
【図５】
【図６】
【図７】
【図８】
【図９】
【図１０】
【図１１】
【図１２】
【図１３】
【図１４】
【公開番号】特開２０１１−１１２５７２（Ｐ２０１１−１１２５７２Ａ）
【公開日】平成２３年６月９日（２０１１．６．９）
【国際特許分類】
【出願番号】特願２００９−２７０７０５（Ｐ２００９−２７０７０５）
【出願日】平成２１年１１月２７日（２００９．１１．２７）
【出願人】（０００２４３８８１）名古屋電機工業株式会社 (107)
【Ｆターム（参考）】
【公開日】平成２３年６月９日（２０１１．６．９）
【国際特許分類】
【出願日】平成２１年１１月２７日（２００９．１１．２７）
【出願人】（０００２４３８８１）名古屋電機工業株式会社 (107)
【Ｆターム（参考）】
[ Back to top ]