概要(表面側)

撮像条件(表面側)

■視野：１１mm×１１mm

■その他：裏面の足部分をそのまま台において撮像

テスト処理フロー

１．良品・不良品の撮像

撮像条件で良品20枚程度と各種不良品を撮像します。

２．アノマリー学習

取得した良品画像を使用してディープラーニングで検査AIを学習させます。

３．推論

学習が終わったAIを使用して、良品と不良品が正しく検出できるか検討します。

画像処理結果(表面側)

良品・不良品の撮像

同じ撮像条件で、良品画像と不良品画像を撮像しています。

良品は、今回検討では20個撮像しており、これをAI学習に使用します。

アノマリー学習

用意した良品画像を使用して、HALCONという画像処理ライブラリによってAI学習を実行します。

今回は「アノマリー検知」機能を使用し、良品画像のみを学習することで、OK / NGの判別を行わせています。

推論

学習が終わった識別AIを用いて、接点部品の不良判別を行わせた結果は以下の通りです。

右側の画像が、AIで認識した結果の画像です。良品と差のある部分が黄色～赤で示されています。

青い部分はあまり差がない認識です。より差のあると認識されている部分ほど赤色に近づきます。上図はカケ不良なので、欠けたために良品と比較して暗くなっている部分が不良箇所として認識されています。

下記、銀ズレの認識結果の代表例です。

下記、銀はがれの認識結果の代表例です。

下記、銅バリの認識結果の代表例です。

下記、中央打痕の認識結果の代表例です。

概要(裏面側)

■視野：１１mm×１１mm

■その他：・裏面の足部分をそのままガラス板に置いて撮像

　　　　　・透明ガラスを通して裏面側を撮像

　　　　　・4分割照明をそれぞれ点灯させ、画像合成で特徴画像を生成する

画像処理結果(裏面側　打痕)

良品・不良品の撮像

裏面の打痕は検討の結果、フォトメトリックステレオ法を用いて取得された「特徴画像」を使用します。

製品平面に対して凹凸のある部分を強調した画像が取得されます。

同じ撮像条件で、良品画像と不良品画像を撮像しています。

良品は、今回検討では20個撮像しており、これをAI学習に使用します。

推論

表面と同様にAIに良品を学習させ、裏面打痕不良品を推論させた結果です。

画像処理結果(裏面側　Cuバリ残り)

良品・不良品の撮像

裏面の打痕は検討の結果、フォトメトリックステレオ法を用いて取得された「アルベド画像」を使用します。

製品平面に対して周囲から光を照射したときの外乱を除去した画像が取得されます。

同じ撮像条件で、良品画像と不良品画像を撮像しています。良品は、今回検討では20個撮像しており、これをAI学習に使用します。

推論

表面と同様にAIに良品を学習させ、裏面Cuバリ残り不良品を推論させた結果です。

 

まとめ

AIを用いて接点外観検査の表面・裏面の不良検査を検討した結果、良品画像のみを学習させたAIによって、良品と不良品を判別することが可能でした。

また、表面と裏面で照明を変え、撮像方法を調整することで、それぞれの不良の特徴を強調した画像を取得しております。

更に、裏面側の検査は、ガラス板の上に置いて下側からカメラで撮影していますが、ガラス板の耐久性を考慮すると、自動化の際は別の方法をとる必要があると考えます。

画像検査.comを運営する岡部機械工業では、このような画像処理検討・開発はもちろん、自動化装置の設計・製造・据付立上げまで一貫して全てお受けできます。 画像検査・自動化でお悩みの方は、ぜひ当社までお問い合わせください。