JPH03202707A - 基板実装検査装置 - Google Patents

Abstract

(57)【要約】本公報は電子出願前の出願データであるた
め要約のデータは記録されません。

Description

【発明の詳細な説明】 〔産業上の利用分野〕 本発明は基板実装の検査を行う基板実装検査装置に関す
るものである。

〔従来の技術〕

近年電子機器の小型軽量化、多機能化の要求に拍車がか
かっており、この要求に答えるべく、表面実装技術も発
展しつつある。

〔発明が解決しようとする課題〕

しかしながら、表面実装技術は誕生して日がまだ浅く、
部品の小型化の面が先行し、生産工程としてバランスよ
く定着したとは言い難い状況にあり、今後の技術開発に
負うところが多く残されている。その中でも特に、外観
検査の自動化の要望は大きい。

自動外観検査装置で検査したいと考えられている検査項
目は、 ■部品の有無・部品の装着姿勢 ■部品の装着状態 ■誤部品 ■はんだ付けの状態 等であり、現在目視で検査している項目の全てが自動外
観検査に期待されている。

この中で、■〜■に対しては、画像処理が容易なため様
々な画像検査装置が市販されているが、■のはんだ付は
状態の検査に関しては定量的な評価が困難なため、これ
まで種々の方法が提案され検討されてきたが、確実なも
のは未だ開発されておらず、はとんど目視検査に頼って
いるのが実情でを定量化できるファジィ理論を用いては
んだ付は検査を行うことができる基板実装検査装置を提
供することを目的とする。

〔課題を解決するための手段及び作用〕上記課題を解決
するため、本発明の基板実装検査装置は入力画像データ
を用いて複数の特徴量を抽出する手段と、前記抽出手段
により抽出された複数の特徴量を用いて原理の異なる複
数の方法により、基板の実装状態を検査する手段とを有
することを特徴とする。

上記構成において、前記抽出手段は前記入力画像データ
を用いて複数の特徴量を抽出し、前記検査手段は前記特
徴量を用いて互いに異なる複数の方法により基板の実装
状態を検査する。

〔実施例〕

本発明の好ましい実施例を図面を用・いて説明する。

実ＪＬ例」２ 本発明の第１の実施例のはんだ付は検査器を説明する。

第１図は、本実施例のはんだ付は検査器の全体構成を示
すブロック図である。

第１図において、１０１は画像データをＲ，Ｇ、　Ｂの
アナログ信号として読み取るＣＣＤカメラ、１０２゜１
０３．１０４はアナログ／デジタル変換器、１０５゜１
０６．１０７はそてぞれＲ，Ｇ、　Ｂのデジタルデータ
を記憶するフレームメモリ、１０８はインタフェース、
１０９は画素毎にＲ，Ｇ、　Ｈの平均値を算出する平均
化回路、１１０は雑音除去部、１１１は領域抽出部、１
１２は特微量抽出部、１１３は逆真理値限定ラスクリン
グ演算部、１１５は基準パターンを発生する基準パター
ン発生部、１１６は逆真理値法による演算結果とファジ
ィクラスタリングによる演算結果を結合するＤ　ｅ　ｍ
　ｐ　ｓ　ｔ　ｅ　ｒ結合部、１１７は最終的な判定結
果を出力する判定結果出力部、１１８はＣＣＤカメラを
回転させ、あるいは２次元平面内で移動させるためのモ
ータ、１１９はモータ１１８の駆動やメモリのアドレス
制御その他の制御を行う制御部である。

ＣＣＤカメラ１０１から取り込まれたＲ（レッド）、Ｇ
（グリーン）、Ｂ（ブルー）のアナログ画像信号は、Ａ
／Ｄ変換器１０２．　１０３．　１０４でそれぞれ多値
のデジタルデータに変換され、フレームメモＩｊ　１０
５．　１０６．　１０７に記憶される。この画像データ
はインターフェース１０ｇを経て、平均化回路１０９で
平均値データが算出される。次に雑音除去部１１０で、
ノイズ除去が行われ、領域抽出部１１１で特徴量を抽出
する領域を抽出する。抽出された領域に対して特微量抽
出部１１２は位置情報、明るさ情報、形状情報などに関
する特徴量を抽出する。位置情報に関する特徴量は１１
３において逆真理値限定法により基準パターン発生部１
１５から送られた基準パターンとのマツチングが行われ
る。一方明るさ情報、形状情報に関する特徴量は１１４
において、ファジィクラスタリングにより１１５からの
基準パターンとのマツチングが行われる。この２つの演
算結果はＤ　ｅ　ｍ　ｐ　ｓ　ｔ　ｅ　ｒ結合部１１６
において、ＤｅｍｐＳｔｅｒ−Ｓｈａｆｅｒの結合規則
に従って合成され、確信度が高められた判定結果が１１
７から出力される。

第２図に本発明のはんだ付は付着状態検査の全体的な処
理流れを示す。

（ステップ１） 画像入力部であるＣＣＤカメラ１０１からＩＣの１番目
のリード付近の画像を画素毎にＲ，Ｇ、　Ｂ各色成分に
ついて８ｂｉｔで取り込む。

（ステップ２） ステップｌで入力されたＲ、　Ｇ、　Ｂデータの平均値
（Ｒ＋Ｇ＋Ｂ）／３をとり、白黒画像化する。ここで本
実施例では、Ｒ，Ｇ、　　Ｈの３原色成分により読取っ
たが、例えばＲ，Ｇ、　　Ｂのいずれか単色成分を用い
たり、輝度と色度の組み合わせとしてＹ、　　ｒ、　　
Ｑあるいは特にＧ（グリーン）信号はＮＤイメージに近
いのでＧ単色成分を用いるようにすれば、装置の簡素化
を図ることができる。ぴ。

ａｍ　、　　ｂ＊などの色成分で入力し、輝度成分を用
いるようにしても良い。ここで、単色画像を生成するの
は、本実施例がはんだ付は検査を目的とするものであり
、その検査において、色彩がさほど重要なパラメータで
ないことによるが、色度のパラメータを加味して判定を
行うこともできる。

（ステップ３） ステップ２で単色成分が抽出された画像に対し、次に第
１図雑音除去部１１０において雑音除去（孤立点除去）
が行われる。本実施例においては、第６のような９×９
画素のメデイアンフィルタを用いる。

メデイアンフィルタのアルゴリズムを第５図に示す。す
なわち、着目する１点についてのメデイアンフィルタの
出力は、まず、その点を中心としたウィンドウ（９×９
画素）をとり、ウィンドウ内のデータを大きさ順に並べ
、順番が真中のものをこの点での値とする。この処理を
全画面について行なう。

なお、メデイアンフィルタ以外の手法（例えば平滑化フ
ィルタなど）を用いることも可能である。

また、フィルタサイズも９×９には限らない。

（ステップ４） 次に第１図の領域抽出部１１１において、領域抽出が行
われる。領域抽出のアルゴリズムを第１０図に示す。

雑音除去された画像データは、５ｔｏｏｌにおいて領域
抽出のため、２値化される。２値化の閾値を決めるため
には判別分析法を用いる（Ｓ１００１）。判別分析法の
アルゴリズムを第７図に示す。まず第８図に示すように
、画像の濃度のヒストグラムを作り、このヒストグラム
をもとに、分散σＢ’　（ｋ）が最大にするような閾値
ｋを繰り返し計算により求める。そして、この閾値を使
って画像データの２値化を行う。２値化された画像デー
タは連結点が調べられ、領域が抽出される（Ｓ１００３
）。次に各領域について、ドツト数をカウントすること
により、面積を計算しく５１００４）、予め与えられた
面積以下の小領域は雑音とみなして除去する（Ｓ１００
６）。そして、残った領域には、番号付け（ナンバリン
グ）を行なう（Ｓ１００７）。番号付けを行なった後の
画像が第９図である。

（ステップ５） 番号付けされた各領域に対して、特徴量抽出部１１２に
おいて特徴量抽出を行なう。今回用いた特徴量を第１０
図に示す。

第１２図に示すように、各領域の２値画像からＦ＋−Ｆ
＋ａの特徴量を第１３図に示すように多値画像からＦ１
９〜Ｆ２４の特徴量を計算する。各特徴量の計算方法に
ついて、以下に示す。

■外接長方形 以下の特徴量を算出する際に必要となる情報である。領
域の左、上、右、下端を通る垂直及び平行線で囲まれた
長方形を外接長方形と呼ぶ（第１４図参照）。

■重心位置 大きさ、形状認識には直接的には関与しない情報である
。第１４図の（Ｘ　Ｇ＋　　￥　ｃ　）が重心にあたる
。

■アスペクト比 縦横比とも呼ばれる形状認識に有効な従来から用いられ
ている特徴量で、ａの外接長方形により次式のように求
められる。

アスペクト比＝　Ｉ　Ｙｕ−ＹＤ　Ｉ　／　Ｉ　ＸＲＸ
Ｌ■Ｘ平均長さ：Ｘ最最大さ、Ｙ平均長さ；Ｙ最大長さ 領域の座標軸への射影を求め、その強度分布（周辺分布
と呼ぶ）のｘ　（ｙ）方向の平均長さＸ　ｍｅａｎ（Ｙ
　ｍｅａｎ　）とｘ　（ｙ）方向の最大長さＸｍａｘ　
（Ｙｍａｘ　）の比で示す特徴量。

■面積 領域部分の全ての画素数を計数して面積とする。

大きさに関与し、形状には関与しない特徴量である。

■面積密度 ■で求めた面積と、■で求めた外接長方形の面積との比
で表す特徴量。

＠Ｘ方向偏り、Ｙ方向偏り ｂ重心がａ外接長方形内でｘ　（ｙ）方向にどのくらい
偏っているかを示す特徴量。各々、Ｘｃ−ＸＬ　ｌ　／
　Ｉ　ＸＲ−ＸＬ　ｌ　、　ｌ　Ｙｃ−ＹＵ　Ｉ　／　
Ｉ　Ｙｏ−Ｙｕ　１で計算される。

■周囲長 領域の輪郭の長さで示される情報である。

■サイズ ■面積と■周囲長の情報により、２×面積／周囲長で示
される特徴量である。

０周面比 ■面積と■周囲長の情報により、（周囲長）２／面積で
示される従来より用いられている特徴量である。

■Ｘ軸周辺分布分散、Ｙ軸周辺分布分散周辺分布におい
てＸＳＹＳ各軸に対しての分散で示される特徴量。

多値画像から求められる特徴量は ■平均、分散 その領域における画素の濃淡値の平均及び分散で示され
る特徴量。

■有界変動量（ＢＶＱ） 有界変動量はパターンの局所的性質を反映した計算量の
少ない特徴量として、数学における有界変動関数の全変
動の概念を応用して定義されたものである。ディジタル
濃淡画像配列Ｐの有界変動量は次のようにして計算でき
る。θ＝００の場合、領域番号配列ＰＮを横方向に１個
づつ探索して、隣接する２個が同一領域番号の時のみ、
対応する隣接２画素の濃淡差の絶対値をＳＤＩ　Ｉθ＝
００　に加え、絶対差分総和ＳＤ、ｌθ＝００　を計算
する。

また同時に、そのときの差分演算回数Ｄ＋ｌθ＝００　
を求めておき、全画面の処理終了後、領域ｊごとにθ＝
ｏ’　方向の有界変動量ＢＶＱｊｌθ＝０°を計算する
。

５Ｄｊｌθ＝０°　＝Σ（ＩＰ（１，Ｊ−１）−Ｐ（１
，Ｊ）：ＰＮ（Ｉ、　　Ｊ−１）＝ＰＮ（Ｉ、　　Ｊ）
）ＢＶＱｉｌ　ｅ　＝　０°　＝ＳＤｉｌθ＝０’／Ｄ
＋ｌθ＝　ｏ’θ＝４５°　９０°　１３５°のときも
ＰＮの探索方向がθ方向に変化するだけで同様の計算を
行う。

以上の様な画像入力（Ｓｌ）から特徴量抽出（ｓ５）ま
での処理をすべてのＩＣリードについて繰り返す。

第４図（ａ）は、ＩＣを示す図であり、その斜線部を拡
大したのが第４図（ｂ）である。第４図（ｂ）において
３０５は、はんだ付けのされない空間部分、３０６は基
板の部分、３０７はＩＣリード部である。Ｓｌの画像入
力は第４図（ｂ）について行い、上述の処理を第４図（
ａ）のすべてのＩＣリードについて繰り返し特徴量を抽
出し、メモリに保存する。

このようにすべてのＩＣリードについて特徴を抽出する
ため、本実施例の検査装置は、第３図（ａ）のような構
成になっている。即ち、３０１が検査対象を載せる。プ
レート３０２は検査対象の基板、３０３はＣＣＤカメラ
、３０４はＣＣＤカメラ移動部、３０５がベルトコンベ
アである。

ＣＣＤカメラ移動部３０４は、ＣＣＤカメラ３０３をＸ
方向、Ｙ方向に移動、θ方向に回転させ、ＩＣリードす
べての画像入力ができるようにしている。

次に上で求めた特徴量と、基準パターンとのマツチング
を行ない、入カバターンはどのパターンに所属するかを
求める。本実施例で用いた基準パターンは、 ■正常（リード部）■正常（はんだ部）■浮き■浮き気
味■ブリッジ■はんだボール■はんだ不足（リード部）
■はんだ不足（はんだ部）の８種類である。

第１５図〜第２０図にそれぞれ、正常、浮き、浮き気味
、ブリッジ、はんだポール、はんだ不足の２値化画像の
例を示す。

（ステップ７） 上述の特徴量のうち、形状に関するもの（Ｆ７〜Ｆ）８
）及び、明るさに関するもの（Ｆ　１９〜Ｆ２４）につ
いて、ファジィクラスタリング演算部１１４において付
加データファジィクラスタリング法を適用し、入力画像
がどの状態にどれだけ属するかについての′第１の証拠
′を計算する。

基準となるパターンデータは本実施例においては■正常
（リード部）■正常（はんだ部）■浮き■浮き気味　■
ブリッジ　■はんだボール　■はんだ不足（リード部）
■はんだ不足（はんだ部）の８種類を用いた。これらの
基準パターンデータはそれぞれ経験的に得られた典型的
なサンプルを選び出し、これらに対して前述と同様の画
像処理（平均化、雑音除去等）を行い、得られた特徴量
（Ｆ＋〜Ｆ２４）を基準パターンベクトルとして基準パ
ターン発生部１１５から入力し、内部知識として蓄える
。

ここで基準ベクトルは例えば、複数のサンプルから統計
的に得られた数値でもよく、また、最もマツチングした
い典型的な１サンプルから得られた数値であってもよい
。以下に付加データファジィクラスタリング法のアルゴ
リズムについて述べる。

教師なしパターン認識の分野においては、扱うべきデー
タ集合のそれぞれのデータ・ベクトルが予め定められた
どのクラスタに属しているかを決定するクラスタリング
手法が用いられている。クラスタリングとは、与えられ
た多次元データ集合を、そのデータ集合の構造のみから
「似ている」データ同士を同一のクラスタにまとめ、指
定された任意の数のクラスタに分割することである。１
つのクラスタは、与えられたデータ集合内の１つの部分
集合であり、分割とはクラスタの族を形成することであ
る。各データは、その分割のうちただ１個のクラスタの
みに帰属するという特性を持つ。

しかし、パターン認識では、認識主体である人間が見た
り聞いたりする事柄を扱う対象にしているため、人間の
主観や個性など複雑な要素が関係してくる。すなわち、
扱う対象の性質に真為の２値のみでは説明できないあい
まいさが存在し、そのあいまいさを一般的には多様性に
富んだかなり複雑なものである。このように人間の判断
が関与してくる分野では（０，１］の２値評価だけでは
充分な説明がつかない場合も多く、中間のあいまい状態
も積極的に取り入れた（０．　１］多値評価の理論が検
討されている。この［０，１］多値評価の概念をクラス
タリングに導入したものがファジィ・クラスタリングで
ある。

いまｎ個の分類対象（個体と呼ぶことにする）を、Ｅ　
＝　（ｏ　ｌ、　　０２　・−、ｏ　Ｉ、　−・ｏ　ｎ
　１または［１，２，・・・ｌ　ＩＩ・・・、　ｎ）　
　　　　（１）で表す。また、第１個体のｐ変量観測ベ
クトルを、Ｘ　ｉ　”　（Ｘ　ｉｌ　、　　Ｘ　ｉ２　
＋　・・・、Ｘ＋＋、・・・、ＸＩＰ）で表し多変量デ
ータ行列全体を、 Ｘ＝　　（ＸＩ、Ｘ２．　　・・コ　　Ｘ　＋　、　　
・”、Ｘｎ）　　　　　（２）と書く。いま個体の集合
Ｅを適当に分割して互いに排反な空でない０個のクラス
タ（つまりファジィ部分集合）が与えられたものとする
。これを、「＝［ζｈ　ζ２．・・・、ζ３．・・・、
ζ。）（３）で表す。

いま（３）式のような０個の分割に対して、各個体が各
クラスタに所属する度合を次の行列で表す。

Ｕ＝（ｕｊ＋） （ｊ＝１．　２．　　・・・ ｃ；ｉ＝１．２．　　・・・ ｎ） （４） ここで、 Ｕｊ＋ｅ−（ｏ、　　１］。

Σｕ　ｊＩ＝　１　　である。

つまりｕ　ｉｉがメンバーシップ関数であり、これで個
体ｉがクラスタＳ１に所属する度合を示す。このとき次
の関数の最適化を考える。

Ｊｐ　（Ｕ、　Ｖ）　＝Σ　、Σ（ｕ＋＋）’ｌｌｘ＋
−ｖ＋１１２（１≦ｐ＜ＣＸ））１−Ｉ　　Ｊ−１ （５） ここで、ｌ＜ｐ＜■に対して、 ｕＩ＋： Ｖｉ＝ ：Ｅ　（ＩＩ　ＸＩ　Ｖｊ　ＩＩ　”／　Ｉｆ　ｘ＋−
ｖｋＩＩ　”）”’−”ｋ−＋ Σ（ｕｊｉ）ｐＸ＋ （６） （７） Σ（ｕ＋＋）’ であり、■、はクラスタＳ、の平均ベクトルである。

いま、ｐ＝Ｌ　　ｕｊｉｇ−（ｏ、　　１１　と考える
といわゆる通常のに−ｍｅａｎｓ法となり、Ｊｔは平方
和基準そのものである。ｐ＝ｌ、２に対して（５）式の
Ｊ、を最小化する重み係数が（８）、　　（７）式の形
により与えられることは典型的な極値問題としてラグラ
ンシュの未定係数法などを使って示すことができる。

そしてこれを一般のｐにまで拡張をはかったアルゴリズ
ムを要約すると次のようになる。

国　クラスタ数Ｃ１べき指数ｐを設定する。Ｕの初期条
件Ｕ（０）を適当に与え、反復回数Ｌ＝０とする。

図　（７）式により平均ベクトルｖＩ”　（Ｊ　”　’
　＋　　２＋回　（６）式によりＵ（Ｌ）を参倍する。

圓適当な収束判定値εを与えて、ｌ　Ｕ（Ｌ＋ｌｌ　　
［Ｊ（Ｌ）≦εとなれば計算終了。そうでなければ、Ｌ
＝Ｌ＋１として図に戻る。

ファジィｋ　−ｍ　ｅ　ａ　ｎ　ｓ法を画像データに応
用した場合、類似したパターンのデータ集合の分類がう
まくできないという欠点や、孤立したデータ（すなわち
データ数の少ないクラスタ）は他の（データ数の多い）
クラスタに含まれてしまうという欠点がある。この点を
改善するために（５）式に基準（ｌ≦ｐ＜ｏｏ）　　　
　　　　　　　　　　　（８）ｇｉ（−［０，１］ ただし、ｇｉｅ−（０，１）　　ｓ＋を与えた場合ｇｉ
”０　　　　　８１を与えない場合予め分類したいパタ
ーン（クラスタ）の代表となりつるいくつかのベクトル
を（Ｓ＋）として与えておく。これは一種のパターンマ
ツチングと考えることができる。この手法はＰｅｄｒｙ
ｃｚの手法と比較して、Ｓｉを最高でもクラスタ数Ｃ個
だけ与えればよく、与えるデータ数も少なくてすむ。

また、ｇｉはクラスタＳｌに関するファジィに−ｍｅａ
ｎｓ法でのクラスタリングと８１を与えた場合の一種の
マ マツチングによるクラスタリングとの比を表すパラメー
タである。ｇ　＋　＝　Ｏの場合にはファジィに−ｍｅ
ａｎｓ法と同一であり、ｇｌ＝１の場合にはｓｉと各デ
ータＸ１への距離によるクラスタリングとなる。ｇｊ＝
１７２の場合には両クラスタリングの重み付けが等しい
クラスタリングである。

最終的に得られたＵの要素ｕｉｉｉこよって個体ｉがク
ラスタに所属する度合が分かる。通常のに−ｍｅａｎｓ
法であれば求めたクラスタ集合ｒ　＝（ｓ　ｌＴ　Ｓ　
２１・・・Ｓｌ、・・・、　Ｓｃ］に対し、ある個体ｉ
がＳｊに所属しているか（ｕ　、Ｉ＝　１　）、所属し
ていないか（＋ｇ＝Ｏ）を知るだけであるが、この方式
によると各クラスタへの所属の度合を知ることができる
。

今回のシミュレーションでは、式（８）においてｐ＝１
．３　　ｃ＝８　　ｎ＝８７　　ｇｌ＝０．９を用いて
いる。

付加ファジィデータクラスタリング法の原理を様式的に
示したのが、第２１図である。図示するためにパラメー
タは２個（２次元）としたが、実際には１８個（１８次
元）ある。

付加ファジィデータクラスタリングにおいては、複数の
リードに関する画像を画像処理して求めた特徴量を同時
に処理する。これにより、似たパターンどうしをまとめ
るクラスタリングと基準パターンとのマツチングを同時
に行ったのと同様の効果が得られる。また、従来のクラ
スタリング法（ハード・クラスタリング）では、ある入
力データは必ずどれか１つのクラスタに含めることしか
できなかったが、ファジィクラスタリングでは複数のク
ラスタにそれぞれどれだけの度合で含まれるということ
を表わすことができる。したがって、クラスタリングだ
けで、正確に判断できない場合にも、あいまいさを残し
ておき、後に他の情報を合わせて判断することができる
。

第２１図において、ａ、　ｂ、　ｃはそれぞれ正常（リ
ード部）、浮き、はんだボールの基準パターンであり、
＋は入力画像データから求めた特徴量である。

方、Ａ、　Ｂ、　Ｃはそれぞれ従来のクラスタリングに
おけるクラスタ結果を示すものである。即ち、特徴量２
１１．２１２は、′浮き”というクラスタＢに属し、２
１３はいずれのクラスタにも属さず、２１４は“はんだ
ボール”というクラスタＣに属し、２１５は、“正常”
というクラスタＡに属する。このように、従来のクラス
タリングにおいては、ある特徴量に対しては、いずれか
のクラスタに属するか又はいずれのクラスタにも属さな
いか一義時に決められていた。これに対し、本発明のフ
ァジィクラスタリングによれば、例えば２１１がＡ、　
Ｃに属する度合いも考慮して、あいまいさを残してお（
ことにより、別の情報を合わせて判断することにより、
検査精度を向上させることができる。

位置に関する特徴量（Ｆ＋〜Ｆａ）については逆真理値
限定法演算部１１３において、逆真理値限定法を適用し
、前記■〜■に関する“第２の証拠”を計算する。すな
わち第２２図（ａ）に示すように位置情報をファジィ集
合で表し、基準パターンのファジィ集合とのマツチング
を行なう。

このマツチングの取り方に数値的真理値による逆真理値
限定法を用いた。ここで、この逆真理値限定法について
簡単に述べる。いま、Ａ、Ｂをファジィ集合とし、Ｘ　
　ｉｓ　　Ａ”という命題の数値的真理値がｔである時
、次のようなりを求めるのが真理値限定である。

（“Ｘ　　ｉｓ　　Ａ″ｉｓ　　ｔ）＝　　（Ｘ　　ｉ
ｓ　　Ｂ）ここでＡとＢが与えられたとき、ｔを推定す
るのが逆真理値限定法である。上記の提案によればｔは
次式で表される。

ｔ＝　（Ｓｕｐ　（ＡｎＢ）　十Ｉｎｆ　（ＡＵｑＢ）
ｌ　／２ここにＳｕｐはメンバーシップ関数の最大値、
Ｉｎｆは最小値を意味する。また、Ａ、　Ｂはともにｎ
　ｏ　ｒ　ｍ　ａ　ｌ　。

ｃｏｎｖｅｘとする。この方法でｔは第２２図（ｂ）の
ような言語的意味を有する。

第２３図に具体的な計算例を示す。

逆真理値限定法の結果ｔには、２次元平面上のＸ方向に
関するｔｘ（第２５図８２５１）とＹ方向に関するｔｙ
（第２５図５２５２）があるので、最終結果として、積
演算を行ない、 ｔ＝ｍｉｎ　（ｔｘ、　　ｔｙ）　　　　　　　　　　
（９）を用いる（Ｓ２５４）。

位置の特徴量に逆真理値限定法を用いる理由は、以下に
示す通りである。

第２４図において、リードは領域■に、はんだは領域■
に入るように装置が構成されている。この場合、領域Ｉ
に入るものはブリッジ、はんだボール等の欠陥になる。

これらの欠陥は位置に任意性があるのでクラスタリング
の方法で分類するのは困難である。すなわち本来、ブリ
ッジやはんだボール等はないのが正常であり、大部分の
場合には検出しないが、これらが生じる場合にはどこに
生じるかは不確定だからである。また、リード、はんだ
にも多少の位置ずれがあるため、位置ずれを許容できる
方法が望ましい。このため、本方法では、位置のマツチ
ングに付加データファジィクラスタリングの代わりに逆
真理値限定法を用いた。

（ステップ９） 最後に、付加データファジィクラスタリングの結果と逆
真理値限定法の結果を独立な基本確率としてＤｅｍｐｓ
ｔｅｒの結合規則を用いて結合する（第２５図５２５５
）。

その計算式は であられされる。

ここで、ｍｌ（Ａｌｔ）、（ｉ＝１．２．−８）はｉ番
目の基準パターンに関する付加データファジィクラスタ
リングの結果であり ｍ２（Ａｚ＋）、（ｊ＝１．　２．　・、　　８）はｊ
番目の基準パターンに関する逆真理値限定法の結果。

ｍ　（Ａｉｔ）　　（ｋ＝１．　２．−、　８）は結合
された結果である。

また、分子はＡｎとＡ２ｉの積集合Ａｋにそれぞれの基
本確率の積を割り当てることを意味し、分母は矛盾する
推論の結合の場合はＡｌｔとＡ２＋の積集合が空集合と
なる場合があるので、これらを除外して正規化している
。２個以上の基本確率の結合は、もしそれらが独立な証
拠より得られたものであれば、（１０）式を順次適用す
ることによって実現される。

最初の領域についてＤｅｍｐｓｔｅｒ結合を行ったあと
、逆真理値限定法、付加データファジィクラスタリング
を１ビン当たりのすべての領域について繰り返す（Ｓ２
５６）。ある１画面（ｌビン）についての処理結果例を
第２６図に示す。この中には３２の領域があり、それぞ
れの領域で８種類の基準パターンに関するＤｅｍｐｓｔ
ｅｒの結合結果が求められる。

（ステップ１０） 最終的な評価は、ｌビン当りの全ての領域で最大の結果
を用いて判定結果出力部１１７から出力される。例えば
、浮きに関しては、領域１．２．３の結果は０．１３．
　０．６３４．　０．００１であるので、最大値（７）
０．６３４＝６３．４％が結果となる。この結果は、浮
きの可能性が６３．４％、浮き気味の可能性が３０．４
％というように評価する。

以上の処理がすべてのピンについて繰り返され（５２５
８）、最終的にその基板のはんだ付けの良否の判断が行
われる。

最終的な判断は、以下の通り行われる。

まず、ピン毎の評価については、前述の評価結果のうち
浮き、浮き気味、ブリッジ、半田ポール、不足（リード
部）、不足（はんだ部）の６つの不良項目の可能性の最
大値が６０％以上の場合にそのピンを不良と評価する。

次に、すべてのピンのうち少くとも１本のピンについて
、不良と判断された場合にその基板を不良と判断する。

そして、不良と判断された基板については、インライン
の場合には、ソート手段によりラインから取り除いたり
、あるいは、ランプやブザーで警告するようにしてもよ
い。

最終的なデータの取り扱いは上の場合に限らず、例えば
、基本的には正常（リード部）、正常（はんだ部）のデ
ータを優先的に評価に用い、不良項目が１つでも６０％
以上の場合には、不良として処理するようにしてもよい
。

〔実施例１の効果〕 従来の（２値の）クラスタリング（ｋ−ｍｅａｎｓ法）
においては、あるクラスタ集合に属するか、属さないか
を知るだけであり、あいまいな帰属度は許されないから
中間状態にあるデータも無理やりどちらかのクラスタ集
合に帰属させなければならない。そのため誤認識を起こ
したり、柔軟な評価ができなかった。

これに対し、本実施例においてはファジィ・クラスタリ
ングを用い、さらに逆真理値限定法及びそれらを統合す
るのにＤ　ｅ　ｍ　ｐ　ｓ　ｔ　ｅ　ｒの結合規則を用
いることにより以下のような効果を得ることができる。

■　誤判定が減少する。

すなわちハード・クラスタリングを行う場合にくらべて
、本実施例によるファジィクラスタリングによれば判定
精度が格段に向上する。

更に、逆真理値限定法の出力と付加データファジィクラ
スタリングの出力はＤｅｍｐｓｔｅｒの結合規則を使っ
て結合され、単独のものよりより高い確信度が得られる
。

■　柔軟な評価が可能となる。

ハード・クラスタリングでは［０，１］の評価のため、
例えばはんだ不足か、不足でないかしか分からないが、
ファジィ処理でははんだ不足がどの程度生じているかが
分かり、その後の処理に幅を持たせることができる。

Ｏあいまいさを自由に設定できる。

（８）式のｐの値を変えることによりクラスタリングの
あいまいさを設定することができる。ｐを大きくするこ
とによりあいまい度を大きくすることができる。また、
クラスタリングを行うには、最初に初期条件び０ゝを与
えなければならないが、その初期条件の与え方によりク
ラスタリングの結果が変わってくる。特に、ハード・ク
ラスタリングの場合にはその傾向が強い。しかし、ファ
ジィ・クラスタリングの場合、最初にｐを大きくしてお
いてあいまいに分類し、次にｐを小さくして再び分類す
ることにより初期条件の違いにまったく左右されない結
果が得られる。

友鳳Ｉ」 第２７図は本発明の第２の実施例の構成を示すブロック
図である。基本的構成は、第１の実施例と同様であるが
、本実施例においては、ｃｃＤカメラ１０１を移動、回
転するため手段は有さず、フレームメモリ１０５〜１０
７にＩＣの全体を読み取った画像データを格納しておき
、ｃＰＵＩ１９によるフレームメモリ１０５〜１０７か
らの読み出しのアドレスを制御することによりピン毎の
判定を行うことができるようにしたものである。

本実施例によれば、ＣＣＤカメラあるいは、基板を載せ
たテーブルを移動、回転する手段が不要となり、装置全
体の構成を簡素化することができる。

なお、実施例１においては、ＣＣＤカメラを移動・回転
させることにより、１個の基板についてのすべてのＩＣ
リードの画像久方を行うようにしたが、例えば第３図（
ａ）で基板３０２を載せたテーブル３０１をＸ−Ｙテー
ブルとしモータで移動、回転するようでなく、例えばフ
ァジィ推論など、他の評価手段を用いてもよい。

また、上述の２つの評価手段（ファジィクラスタリング
と逆真理値法）の結合にはＤ　ｅ　ｍ　ｐ　ｓ　ｔ　ｅ
　ｒの結合規則ではなく、例えば両評価手段の重み付は
平均や最大値、最小値をとるなど他の結合方法を用いて
もよい。

また、特徴量も、位置情報、形状情報、明るさ情報に限
らず、色情報（色層や彩度など）や、ドツト配置情報な
ど他の特徴量を抽出してもよいのは勿論である。

また、上述の実施例のはんだ付は検査に限らず、本発明
のアルゴリズムは例えば、画像のパターンマツチング、
画像域分離など画像の特徴量に応じた他のあらゆる評価
にも適用することができる。

〔発明の効果〕

以上説明したように、本発明によれば、基板実装検査の
精度を格段に向上させることができる。

【図面の簡単な説明】

第１図は、本発明の第１の実施例の基板実装検査装置の
全体ブロック図、 第２図は、本発明の第１の実施例の検査のアルゴリズム
を示すフローチャート 第３図は、 第４図は、 第５図は、 第６図は、 第７図は、 第８図は、 第９図は、 第１０図は、 第１１図は、 第１２図は、 第１３図は、 第１４図は、 第１５図は、 を示す図、 第１６図は、 図、 第１７図は、 示す図、 第１８図は、 例を示す図、 検査装置の外観図、 ＩＣチップの拡大図、 雑音除去のフローチャート、 ウィンドウを示す図、 判別分析法のフローチャート、 ２値化方法を示す図、 領域抽出例と番号付けを示す図、 領域抽出のフローチャート、 抽出すべき特徴量を示す図、 ２値画像データの流れを示す図、 多値画像データの流れを示す図、 外接長方形と重心を示す図、 正常なはんだ付けの２値化画像の例 浮きの場合の２値化画像の例を示す 浮き気味の場合の２値化画像の例を ブリッジのある場合の２値化画像の 第１９図は、はんだポールのある場合の２値化画像の例
を示す図、 第２０図は、はんだ不足の場合の２値化画像の例を示す
図、 第２１図は、ファジィクラスタリングの原理を示す図、 第２２図は、逆真理値限定法を説明する図、第２３図は
、逆真理値限定法の適用の具体的例を示す図、 第２４図は、抽出された領域を示す図、第２５図は、Ｄ
ｅｍｐｓｔｅｒの結合のフローチャート、 第２６図は、Ｄ　ｅ　ｍ　ｐ　ｓ　ｔ　ｅ　ｒ結合結果
を示す図、第２７図は、本発明の第２の実施例の一基板
実装検査装置の構成を示すブロック図である。 １１３・・・逆真理値限定法演算部 １１４・・・ファジィクラスタリング演算部１１５　・
−Ｄ　ｅ　ｍ　ｐ　ｓ　ｔ　ｅ　ｒ結合部第５図 卆１邑除去フローへ−ト 第７３図 汐債ゐ４テ”９ ↓ フ＋ジンクラスタリンフ゛簿茸一部へ ＸＬ う事さ ＸＦ？ 正電 ラエ（きｉ入昧 第７８図 ブ′リッジ゛ １人だ不足 第７９図 １ｔんだ゛ボーｊし Ｌ ×ｑ Ｒ Ｙｔ、＋ ｅｒ Ｄ 士のｉ語的覧味

Claims (4)

【特許請求の範囲】
1. （１）入力画像データを用いて複数の特徴量を抽出する
   手段、 前記抽出手段により抽出された複数の特徴量を用いて、
   原理の異なる複数の方法により、基板の実装状態を検査
   する手段とを有することを特徴とする基板実装検査装置
   。
2. （２）前記特徴量は、位置情報、形状情報、明るさ情報
   の少くとも１つを含むことを特徴とする請求項第１項記
   載の基板実装検査装置。
3. （３）前記複数の方法は、逆真理値限定法、フアジイク
   ラスタリングの少くとも一方を含むことを特徴とする請
   求項第１項又は第２項記載の基板実装検査装置。
4. （４）前記位置情報には逆真理値限定法を用い、前記形
   状情報又は明るさ情報にはフアジイクラスタリングを用
   い、 更に両方法による結果を結合する手段を有することを特
   徴とする請求項第１項又は、第２項又は第３項記載の基
   板実装検査装置。