JPH06201338A - 外観状態検査方法 - Google Patents

Abstract

(57)【要約】 【目的】 一般部品の外観検査方法に係り、特に、各種
条件にフレキシブルに対応する電子部品の基板実装後の
はんだ付け状態の検査方法に関する。 【構成】 本発明は上記の問題を解決するために、被検
査物品のを発光手段により照射し、撮像カメラ等のセン
サにより、撮像し、電気信号に変換する。更に、この電
気信号は画像処理手段により、形状情報コ−ドデ−タ
（すなわち、立体形状のデータ）のパターンと濃淡階調
分布デ−タのパターンが作成される。このそれぞれのパ
ターンデ−タをもとに、被検査物品の外観状態を正確に
把握し、検査、判断する学習認識機能をもったニュ−ロ
コンピュ−タの手段により構成される。

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】本発明は一般部品の外観検査方法
に係り、特に、電子部品の基板実装後のはんだ付け状態
の検査方法に関する。

【０００２】

【従来の技術】立体形状としての被検査対象品の一例と
して、従来の装置には特開６１−４１９０６号公報に記
載のように、被検査対象であるはんだ付け部に異なった
複数の光源光を照射し、はんだ付け面に対して、その都
度得られる反射面の値の変化を、受光素子またはテレビ
カメラによりはんだ付け面の幾つかの傾斜面の画像情報
を得る（以下段差照明装置と称す）。この種々の画像情
報を数値的演算処理により判断基準を作り高度のソフト
により、はんだの状態別、例えば、はんだ付けの良、不
足、過剰、ぬれ不良、無し、リ−ド浮き、リ−ドずれ、
異常などに分類し判定をしていた。

【０００３】上記従来技術は、特に、立体形状としての
被検査対象品の一例として、例えばはんだ表面状態の多
様性、及びその進展性、柔軟性について考慮されていな
い。つまり、実装基板に搭載する電子部品はより一層高
密度化され、小形化され、はんだ付け技術は進歩し、ま
た、当該基板の採用先により、その都度、はんだ付けの
良否判定基準は変化する。従って、その毎に画像情報の
数値的演算処理内容を変更する必要がある。

【０００４】しかし、これらの検討は大変に手間の掛か
るものであり、非常に困難である。また、この判定基準
を設定することは種々のノウハウの積み重ねが必要であ
るため高度の解析判定ソフトが必要であり、また、その
判定基準の設定は大変困難であり判定も微妙である。こ
のため判定が不十分であったり、時により検査結果に大
きなバラツキが出る為に検査精度が低下するという問題
もあった。また、判定処理時間も長くなり問題であっ
た。一方、これらの問題点を解決する方法として、ニュ
ーラルネットワークを応用した検査装置が提案されてい
る。その一例として、例えば、特願平３−８１２０６号
がある。 この発明は段差照明を使用した検査装置で、
立体形状コ−ドデ−タをニューロコンピュータ処理して
いる。このため、ニューラルネットワークによる学習機
能の効果により、微妙な判定基準の設定が可能になっ
た。

【発明が解決しようとする課題】これら従来方法におい
て、より微細な平面の状態を把握することは、照明の段
数を増加させなければならず、装置の構成が複雑になる
ばかりではなく、処理時間も長くなり、実用上の問題が
多い。

【０００５】

【課題を解決するための手段】本発明は上記の問題を解
決するために、被検査物品のを発光手段により照射し、
撮像カメラ等のセンサにより、撮像し、電気信号に変換
する。更に、この電気信号は画像処理手段により、形状
情報コ−ドデ−タ（すなわち、立体形状のデータ）のパ
ターンと濃淡階調分布デ−タのパターンが作成される。
このそれぞれのパターンデ−タをもとに、被検査物品の
外観状態を正確に把握し、検査、判断する学習認識機能
をもったニュ−ロコンピュ−タの手段により構成され
る。

【０００６】

【作用】発光手段とセンサによりえられた被検査物品の
形状情報コ−ドデ−タ（すなわち、立体形状のデータ）
のパターンと濃淡階調分布デ−タのパターンは、ニュー
ロコンピュータ内で、被検査物品の判定基準と検出デー
タとの関係を対応させながら、対象品の外観状態の各種
レベルの豊富なデ−タにより学習させニュ−ロコンピュ
−タ内のネットワ−クが最適な判断構成となるように重
み付けされ、構成される。このように、ニュ−ロコンピ
ュ−タは、形状情報と濃淡階調分布の２つデ−タにより
微妙な形状の変化にも対応し、最適に判断を行うもので
ある。

【０００７】

【実施例】以下に本発明による立体形状の被検査対象品
の一例として、はんだ付けの状態の外観検査装置の一実
施例について図面により詳細に説明する。図１は、はん
だ付けの状態検査装置の主要部簡略構成図である。同図
において、電子部品がはんだ付けされた実装基板１の上
方には被検査はんだ付け部への照射角度が変えられる光
源として複数の環状の照明装置１１、１３、１５、１７
を配置している。更に撮像カメラ２、２’を上方に配置
し、この撮像カメラ２、または２’は画像処理装置３、
４及び認識判定装置５に接続される。各照明装置は最初
に設定された一定の明るさに保持されている。尚、実装
基板１上面においては電子部品のリ−ド部２１とはんだ
付け部２２の側断面図を示してある。

【０００８】図２は図１の実装基板１を拡大したはんだ
付け部側面図を示したものである。同図において、１
ａ、３ａ、５ａ、７ａは各段各照明装置１１、１３、１
５、１７を順次切り替えた場合の入射光、１ｂ、３ｂ、
５ｂ、７ｂは同じく反射光である。この入射光と反射光
の関連からはんだめんの傾斜角度を求めることができ
る。

【０００９】図３は電子部品のリ−ド部２１とはんだ付
け部２２の平面図を示している。同図の二点鎖線であら
わしたほぼ正方形の枠２３は撮像カメラ２、または２’
の撮像取り込み検査する窓枠の範囲を示す。なお、図１
から３については特願平３−８１２０６号に詳細に説明
されている

【００１０】図４は画像処理装置３から得たはんだ付け
状態の形状情報コ−ドと、その濃淡階調分布デ−タの例
を示す。同図において、濃淡階調分布デ−タは、多段照
明装置１１、１３、１５、１７を順次切り替え、撮像カ
メラ２、または２’から得た撮影画像を、画像処理装置
３により、相対値演算し正規化したのち、はんだ面から
の相対的に反射率の高い箇所の領域を摘出し、画像処理
装置４により、各画像データを合成して再構築し表した
ものである。各画素毎に、形状のコ−ドデ−タ番号Ｎｃ
と濃淡階調デ−タ値Ｍを、［Ｎｃ−Ｍ］にて表す。

【００１１】例えば、［１ｃ−数値］は照明装置１１で
照射した場合の相対的に反射率の高い箇所の領域の形状
情報コード番号とその濃淡階調デ−タ値を示し、［３ｃ
−数値］は照明装置１３で照射した場合の相対的に反射
率の高い箇所の領域の形状情報コード番号とその濃淡階
調デ−タ値を示す。このように画像処理装置４により各
照明に対応した各撮像デ−タは合成作成される。従っ
て、図４は、はんだ付け上面より見た形状情報コード番
号と濃淡階調分布デ−タ例を示していることになる。な
お、［Ｎｃ−Ｍ］の、形状情報コード番号２ｃは多段多
照明装置１１、１３の中間値コ−ド番号、４ｃは多段多
照明装置１３、１５の中間値、コ−ド番号６ｃは多段多
照明装置１５、１７の中間値を画像処理装置３、４によ
り求め設定したものである。このときの濃淡階調デ−タ
値Ｍはそれぞれの両者の多段多照明装置による和で表わ
されている。

【００１２】図５は、はんだ付け上面より示した詳細デ
−タ（すなわち、図４）の結果を入力し、認識判定処理
し、各種のはんだ付け状態別に分類し出力する認識判定
装置５の構成図を示す。同図において認識判定装置５の
構成はニュ−ラルネットワ−ク３１の一種である学習形
階層式パ−セプトロンからなる、ニュ−ロコンピュ−タ
３２である。

【００１３】入力デ−タ、すなわち、形状情報コードデ
−タと、濃淡階調分布デ−タは区分して入力される。な
お、この場合の濃淡階調分布デ−タは、多段照明装置１
３、１５、１７の照明・反射から得られる階調デ−タ値
（形状情報コードデ−タの３ｃ以上に対応の）が選択さ
れ入力される。逆に、はんだ付けされていない比較的平
坦部分の特徴を捕らえているところの、真上方向からの
多段照明装置１１、１３の照明・反射から得られる、階
調デ−タ値（形状情報コードデ−タの３ｃ以下に対応
の）を選択し入力されることもある。

【００１４】ニュ−ラルネットワ−ク３１の構成は入力
層、中間層、出力層である。ここで、図５に示す各層の
ニュ−ロンユニットｊが、図６に示す互いにシナプス結
合ｓ、すなわち、各シナプスｓはそれぞれ１個づつ係数
を記憶し、他のニュ−ロンユニットｊからきた信号を受
けて、該係数を掛ける作用を介して接続され後、ニュ−
ロンｎに取り込む。各ニュ−ロンｎが出す信号は該ニュ
−ロンユニットｊが取り込んだ信号の総和のレベルによ
り決まる。記憶している係数が該ニューラルネットワ−
ク３１の持つ知識である。なお、ニュ−ロンユニットの
ハードウエアについては既に周知の技術であるため、こ
こでは特に説明しない。

【００１５】ここで、ニューラルネットワ−ク３１の学
習にはバックプロパゲ−ションを用いる。すなわち（詳
細は後述）、始めに入力層Ｉに詳細データ（学習教示デ
ータ）を入力し、中間層Ｈを経て、出力層Ｏに回答、す
なわち、はんだ付け状態別分類を得る。ニューラルネッ
トワ−ク３１はこの回答（出力）と理想回答（対象出力
のみ１、他の出力は０）とを比較しその差が小さくなる
ようにシナップス結合を出力層Ｏから中間層Ｈ、入力層
Ｉへと逆にたどり、自ら変更していく。この学習を多く
のデータを用いて繰り返すことにより、ニューラルネッ
トワ−ク３１はあらゆるデータに対して正確な回答を出
力するようになる。すなわち、ニューラルネットワ−ク
３１内のネットワ−クが最適な判断構成となるように結
合の重み付けを実施されるように構成される。

【００１６】以上のニューラルネットワ−ク３１の動作
式を説明する。初めに、順伝播の動作は、入力層Ｉにパ
タ−ンＰが入力さえれると、中間層Ｈの各ユニットｊは
式（１）にで示される内部ポテンシャルＵｊを蓄積す
る。結合の重み値をＷとし、ｆをシグモイド関数とす
る。 Ｕｊ＝ΣＷｊｉ・Ｉｉ＋θｊ−−−−−（１） Ｕｊ：中間層Ｈのユニットの内部ポテンシャル Ｗｊｉ：入力層Ｉのユニットから中間層Ｈのユニットへ
の結合係数 Ｉｉ：入力層Ｉのユニットの出力 θｊ：中間層Ｈのユニットのオフセット係数 Ｈｊ＝ｆ（Ｕｊ）−−−−−−−−−（２） Ｈｊ：中間層Ｈのユニットの出力 これは、中間層Ｈのユニットの出力が、入力層Ｉのユニ
ットの出力と結合係数の荷重和により求められることを
表している。この内部ポテンシャルＵｊは、例として単
調非減少のシグモイド関数ｆ（ｘ）により、中間層Ｈの
ユニットの出力Ｈｊとなる。同様に、出力層Ｏの各ユニ
ットｋも次式により求められる。 Ｓｋ＝ΣＶｋｊ・Ｈｊ＋γｋ−−−−（３） Ｓｋ：出力層Ｏのユニットの内部ポテンシャル Ｖｋｊ：中間層Ｈのユニットから出力層Ｏのユニットへ
の結合係数 γｊ：出力層Ｏのユニットのオフセット係数 Ｏｋ＝ｆ（Ｓｋ）−−−−−−−−−（４） Ｏｋ ：出力層Ｏのユニットの出力 次に、理想回答の対象となる学習教示デ−タにもとづく
結合係数の逆伝播の動作は、出力層Ｏの回答する出力Ｏ
ｋと学習教示デ−タＴｋとが一致するように、結合係数
の修正値を求める。学習の評価としては、誤差関数Ｅｐ
とする。 Ｅｐ＝ｇ（Ｔｐｋ−Ｏｋｐ）−−−−−(５） を考える。中間層と出力層の結合係数の更新値ΔＶkｊ
は、各結合係数を微小変化させたとき、誤差関数への影
響δＥｐ／δＶｋｊに比例した量ずつ、最小値へ変化さ
せれば、 ΔＶkｊ＝−α・δＥｐ／δＶｋｊ−−（６） α：定数 結合係数の誤差関数Ｅｐへの影響は δＥｐ／δＶｋｊ＝−θｋ・Ｈｊ−−−(７） θｋ：誤差 新たな結合係数Ｖｋｊは、 ΔＶkｊ＝α・θｋ・Ｈｊ−−−−−−（８） Ｖkｊ＝Ｖkｊ（前回）＋ΔＶkｊ−−−（９） 同様に、入力層と中間層の結合係数の更新値ΔＷｊｉ
は、各結合係数を微小変化させたとき、誤差関数への影
響 δＥｐ／δＷｊｉに比例した量ずつ、最小値へ変化
させれば、 ΔＷｊｉ＝−β・δＥｐ／δＷｊｉ−−(１０) β：定数 結合係数の誤差関数Ｅｐへの影響は δＥｐ／δＷｊｉ＝−ξｊ・Ｉｉ−−−(１１） ξｊ：誤差 新たな結合係数Ｗｉｊは、 ΔＷｊｉ＝β・ξｊ・Ｉｉ−−−−−−(１２） Ｗｊｉ＝Ｗｊｉ（前回）＋ΔＷｊｉ−−(１３） となる。この結合の重み値の更新の動作を繰り返す事に
より、誤差を０に近付けていく学習方法である。

【００１７】本発明の実施例においては、図５に示すよ
うに、ニューラルネットワ−ク３１の具体的構成例とし
て、中間層を二重とした入力層Ｉ、Ｉ’、中間層Ｈ、
Ｈ’、出力層Ｏの３層にて、ニュ−ロコンピュ−タ３２
を構成している。更に、入力層Ｉ、中間層Ｈの一群は形
状情報コ−ドデ−タ側に結合されている。入力層Ｉ’、
中間層Ｈ’の他の一群は濃淡階調分布デ−タ側に結合さ
れている。

【００１８】ニュ−ロコンピュ−タ３２の入力層Ｉ、
Ｉ’は図４に示した詳細デ−タ状態図に対応し、その画
素に対応する（冗長度が高い場合には必要に応じて、一
定間隔に間曳いた後）たてデ−タｍ×よこデ−タｎ＝ｍ
ｎのニュ−ロンユニットｊをそれぞれ設ける。（図６は
１つのニューロンユニットの構成を示す）この入力層
Ｉ、Ｉ’に画像処理装置４からのデータが入力する。

【００１９】中間層Ｈ、Ｈ’は入力層Ｉ、Ｉ’に対応し
Ｍ、Ｎのニュ−ロンユニットｊを実験的に設ける。

【００２０】出力層Ｏには認識判定カテゴリ結果の詳細
分類Ｓのニュ−ロンユニットｊを設ける。例えば、予め
設定した認識判定カテゴリとして各種はんだ付けの状態
別、すなわち、ａ：良、ｂ：不足、ｃ：過剰、ｄ：ぬれ
不良、ｅ：無し、ｆ：リ−ド浮き、ｇ：リ−ドずれ、
ｈ：異常などに、分類される。

【００２１】初に、学習段階においては、係数（知識）
を適切な値に修正する事になる。先ず、はんだ付け状態
の自動分類をするために、予め詳細分類が分かっている
はんだ面の特徴パラメ−タである形状傾斜角度別の形状
情報コ−ドデ−タが入力層Ｉと、濃淡階調分布デ−タが
入力層Ｉ’に、画素分たてデ−タｎ×よこデ−タｍ＝ｎ
ｍニユ−ロンユニットｊに入力される。この時のはんだ
付け状態のデ−タは、はんだ付けの実面積領域、急峻
性、平坦性、リ−ド位置との対象性等の形状デ−タをふ
くんでいる。学習には、各分類の学習教示のお手本の例
題となるデ−タと正しい出力値を準備し、例題を入力層
Ｉ、Ｉ’に入力し、中間層Ｈ、Ｈ’をえて、出力層Ｏの
出力と正しい出力値の差（誤差）が小さくなるように、
各シナプスが記憶している係数を更新する。外部へ出力
しない中間層Ｈ、Ｈ’については、お手本に対する直接
の誤差を測定出来ないため、出力層Ｏに表れている誤差
を逆伝播させることによって、その誤差を修正する。具
体的には後段の層のニユ−ロンユニットｊの誤差とシナ
プスｓの係数を掛け算し、そのシナプスにつながる前段
の層Ｈのニュ−ロンユニットｎにつたえ記憶している係
数を更新し学習する。すなわち、例えば、学習教示デ−
タに外観状態が“ａ：良”の場合の学習においては、出
力層Ｏの理想回答であるニュ−ロンユニットａの出力デ
−タを“１．０００”とし、ニュ−ロンユニットｂ以降
の他の出力デ−タを“０．０００”とし、入力層Ｉ、
Ｉ’のニュ−ロンユニットｊの入力層ｍｎに学習教示デ
−タに対応した多数の良品サンプルのデ−タとして、外
観状態の入力デ−タである形状情報コ−ドデ−タ（１〜
８）と濃淡階調分布デ−タ（１〜２５６）を入力し、中
間層Ｈ、Ｈ’をえて、出力層Ｏが出す検査回答の出力
（必ずしも“１．０００”“０．０００”とならず、０
〜１の少数点以下を含む数値デ−タとなる）と正しい出
力値の差（誤差）が小さく（≒０に）なるように、各シ
ナプスが記憶している係数を更新し学習される。他の認
識判定カテゴリも同様にして、学習教示データを多数入
力し、対応する出力値を１、他の出力を０に設定し、次
々と学習させる。

【００２２】しかるのちに、任意のはんだ付けの状態を
撮像すれば、画像処理し、認識判定し、はんだ付けの状
態の結果を抽出し明確に検査回答する。以上の実施例に
よれば、簡単な構成と、高級なソフトを使用しないで、
必要時に詳細デ−タ状態図即ち画像分布デ−タの入力の
みで、はんだ付けの状態を判定しつつ、認識判定カテゴ
リのレベルを学習し、最適な検査基準を設定できる。使
用時には極めて高速に、正確に判定検査できる。はんだ
付け状態の条件変更も学習により容易である。

【００２３】尚、実施例では、濃淡階調分布デ−タは各
画素毎に対し、各照明装置毎によるデ−タを形状情報コ
−ドデ−タと対応して用いたが、必要に応じて濃淡階調
分布デ−タは各画素毎に対し、形状を捕らえる各照明装
置毎による濃淡階調分布デ−タの総和を用いて正規化し
ても良い。また、必要に応じて濃淡階調分布デ−タは各
画素毎に対し、形状の一部を捕らえる或る照明装置によ
る濃淡階調分布デ−タの単独、または照明装置による濃
淡階調分布デ−タ幾つかの各和を用いて正規化しても良
い。

【００２４】また、実施例では照明式で説明したがレ−
ザー光線を用いてもよい。この場合は例えば図１の撮像
カメラの位置にレ−ザー光源を置き多段照明装置のそれ
ぞれの位置に環状のセンサを設け角度又は高さの画像分
布デ−タをもとに入力しても同様の効果が得られること
が可能である。

【００２５】更に、多段の照明装置は当該各段、すなわ
ち、光の各照射角度に対応して固有の色を発光させるこ
とにより、画像分布デ−タの抽出をより高速化すること
が出来る。例えば、照明手段を赤色、青色、緑色等の複
数の色相とした場合は反射光の色相の違い、変化により
照射角度が特定出来るため、時間と共に光源を切換（多
段光源の場合）たり、移動（光源を移動することにより
照射角度を変える）する必要が無い。

【００２６】尚、更に図７に示されるように、認識判定
装置５のニュ−ラルネットワ−ク３１にファジィ処理装
置３３を併せ構成し、ニュ−ロ・ファジィコンピュ−タ
３４の構成とし、立体形状の検査対象品の外観状態を正
確にファジィ認識判定検査する。すなわち、ニュ−ラル
ネットワ−ク３１の出力層Ｏの認識判定カテゴリ結果の
詳細分類Ｓのニュ−ロンユニットｊを細かく設けるとと
もに、この出力層Ｏにファジィ処理装置３３が接続され
る。この場合の出力層Ｏは、予め設定した認識判定カテ
ゴリとして、各種はんだ付けの状態別、ａ：良、ｂ：不
足、ｃ：過剰、ｄ：ぬれ不良、ｅ：無し、ｆ：リ−ド浮
き、ｇ：リ−ドずれ、ｈ：異常などの他に対し、更に、
多めの良：ａ’、少なめの良：ａ”、多めの不足：
ｂ’、少なめの不足：ｂ”、多めの過剰：ｃ’、少なめ
の過剰：ｃ”、多めのぬれ不良：ｄ’、少なめのぬれ不
良：ｄ”、多めのリ−ド浮き（未接浮き）：ｆ’、少な
めのリ−ド浮き（接合浮き）：ｆ”、多めのリ−ドず
れ：ｇ’、少なめのリ−ドずれ：ｇ”等に追加詳細分類
Ｓ分類される。これらの出力デ−タをファジィ処理装置
３３に設けられたメンバ−シップ関数にもとずいてファ
ジィ処理され、最終設定した認識判定カテゴリとして、
各種はんだ付けの状態別、良、不足、過剰、ぬれ不良、
無し、リ−ド浮き、リ−ドずれ、異常などに判定され
る。ここで、具体例として、出力層Ｏのファジィ的出力
デ−タとして、良品の値は多めの良：ａ’（０．０３
０）、良：ａ（０．０４０）、少なめの良：ａ”（０．
７００）、不足の値は、多めの不足：ｂ’（０．２０
０）、不足：ｂ（０．０２０）、少なめの不足：ｂ”
（０．０１０）などのにおいて、ファジィ処理装置３３
により、良品と判定される。

【００２７】更にまた、図８に示されるように、認識判
定装置５のニュ−ラルネットワ−ク３１の中にファジィ
処理機能を併せ構成し、ニュ−ロ・ファジィコンピュ−
タ３５の構成とし、立体形状の検査対象品の外観状態を
正確にファジィ認識判定検査する。すなわち、ニュ−ラ
ルネットワ−ク３１の出力層Ｏを中間層Ｈ”に置き換え
て、もう一つの層の出力層Ｏを設け、入力層Ｉ、入力層
Ｉ’、中間層Ｈ、中間層Ｈ’、中間層Ｈ”、出力層Ｏと
される。ここで、中間層Ｈ”のニュ−ロンユニットｊを
認識判定カテゴリ結果の詳細分類Ｓのニュ−ロンユニッ
トｊを更に細かく設ける。例えば、予め設定した認識判
定カテゴリとして、各種はんだ付けの状態別、ａ：良、
ｂ：不足、ｃ：過剰、ｄ：ぬれ不良、ｅ：無し、ｆ：リ
−ド浮き、ｇ：リ−ドずれ、ｈ：異常などを、更に、多
めの良：ａ’、少なめの良：ａ”、多めの不足：ｂ’、
少なめの不足：ｂ”、多めの過剰：ｃ’、少なめの過
剰：ｃ”、多めのぬれ不良：ｄ’、少なめのぬれ不良：
ｄ”、多めのリ−ド浮き：ｆ’、少なめのリ−ド浮き：
ｆ”、多めのリ−ドずれ：ｇ’、少なめのリ−ドずれ：
ｇ”等に追加詳細分類Ｓ分類される。ここで、中間層
Ｈ”と出力層Ｏの結合はファジィ的に結合され、出力層
Ｏの認識判定カテゴリ結果をａ：良、ｂ：不足、ｃ：過
剰、ｄ：ぬれ不良、ｅ：無し、ｆ：リ−ド浮き、ｇ：リ
−ドずれ、ｈ：異常などとし、中間層Ｈ”と出力層Ｏの
デ−タはファジィ的に処理判定される。具体的には、中
間層Ｈ”の良品の値はファジィ的デ−タ例として、多め
の良：ａ’（０．１００）、良：ａ（０．２００）、少
なめの良：ａ”（０．５００）中間層Ｈ”の不足の値は
ファジィ的デ−タとして、多めの不足：ｂ’（０．１５
０）、不足：ｂ（０．０５０）、少なめの不足：ｂ”
（０．０００）などとなり、ファジィ的に処理され出力
層Ｏの認識判定カテゴリ結果はａ：良とされる。

【発明の効果】以上説明したように本発明は、立体形状
の検査対象品の外観状態をを多段照明装置により照射
し、それぞれの画像を撮像カメラ等のセンサにて撮像
し、画像処理装置に成において、必要画像分布デ−タを
形状情報コ−ドデ−タと濃淡階調分布デ−タとに区分
し、認識判定装置において、ニュ−ラルネットワ−ク一
種である学習形階層式パ−セプトロンにて、入力層Ｉ、
中間層Ｈの一群は形状情報コ−ドデ−タ側に結合され、
入力層Ｉ’、中間層Ｈ’の他の一群は濃淡階調分布デ−
タ側に結合されて出力層Ｏに出力されるニュ−ロコンピ
ュ−タを構成し、立体形状の検査対象品の外観状態を高
速、正確に認識判定検査する。また、本発明に用いる認
識判定装置のニュ−ラルネットワ−クにファジィ処理装
置とを併せ構成し、ニュ−ロ・ファジィコンピュ−タの
構成とし、立体形状の検査対象品の外観状態を正確にフ
ァジィ認識判定検査する。更にまた、本発明に用いる認
識判定装置のニュ−ラルネットワ−クの中にファジィ処
理機能を併せ構成し、ニュ−ロ・ファジィコンピュ−タ
の構成とし、立体形状の検査対象品の外観状態を正確に
ファジィ認識判定検査する。

【図面の簡単な説明】

【図１】本発明による検査対象品であるはんだ付け状態
の外観検査装置の主要部簡略構成図。

【図２】はんだ付け部拡大側断面図。

【図３】電子部品のリ−ド部とはんだ付け部の平面図。

【図４】本発明によるはんだ形状情報コ−ドデ−タと、
濃淡階調デ−タとを示した詳細デ−タ状態図。

【図５】本発明に用いる認識判定装置のブロック構成
図。

【図６】本発明の実施例におけるニュ−ラルユニットの
説明図

【図７】本発明の他の実施例を示す主要部簡略構成図。

【図８】本発明の他の実施例を示す主要部簡略構成図。

【符号の説明】

１ 実装基板 １１，１３，１５，１７ 照明装置 １ａ，３ａ，５ａ，７ａ 入射光 １ｂ，３ｂ，５ｂ，７ｂ 反射光 ２ 撮像カメラ ３，４ 画像処理装置 ５ 認識判定装置 Ｉ、Ｉ’ 入力層 Ｈ、Ｈ’ 中間層 Ｏ 出力層

Claims (5)

【特許請求の範囲】
1. 【請求項１】検査対象品を多段多照明装置により照射
   し、それぞれの画像を撮像手段にて撮像し、各段より得
   られた濃淡階調分布の画像配列デ−タから構成される形
   状情報コ−ドデ−タのパターンと濃淡階調分布デ−タの
   パターンとを、入力層、中間層、出力層により学習形階
   層式パ−セプトロンが形成されるニュ−ロコンピュ−タ
   手段に入力し、該手段の出力層に、前記検査対象品の外
   観の状態を出力し、認識判定検査することを特徴とする
   外観状態検査方法
2. 【請求項２】検査対象品をレ−ザー光線にて走査照射
   し、反射光をセンサにて受光し、画像処理装置により必
   要抽出画像分布の画像配列デ−タから構成される形状情
   報コ−ドデ−タのパターンと濃淡階調分布デ−タのパタ
   ーンとを作成し、これら２つのデータパターンを入力
   層、中間層、出力層により学習形階層式パ−セプトロン
   が形成されるニュ−ロコンピュ−タ手段に入力し、該手
   段の出力層に、前記検査対象品の外観の状態を出力し、
   認識判定検査することを特徴とする外観状態検査方法
3. 【請求項３】請求項１において、多段照明手段の各段は
   互いの色相が異なり、かつ、撮像手段がカラーカメラで
   あることを特徴とする外観状態検査方法
4. 【請求項４】請求項１又は２において、認識判定手段の
   出力層にファジィ処理手段を有することを特徴とする外
   観状態検査方法
5. 【請求項５】請求項１又は２において、認識判定手段の
   中間層にファジィ処理手段を有することを特徴とする外
   観状態検査方法