独自の高性能識別技術

株式会社竹田技研

〒702-8057 岡山市南区あけぼの町25-5

受付時間
9:00~17:00
定休日
土曜・日曜・祝日
お気軽にお問合せください
086-259-0568

見逃しの少ない外観検査装置とは

製品の製造工程において、製品の検査は避けて通れません。検査の中には、部品の重さを検査するといった簡単なものもあり自動化は進んでいます。しかし、製品の外観検査を自動化することは大変難しく、これまでの外観検査装置では過検出や見落としなどが多いため、自動化が十分になされているとはいえません。

このため、現在でも目視検査がよく行われていますが、目視検査には判断基準があいまいで客観性が無く、熟練を要する作業であるため検査員の養成が必要であるなどの問題点があります。更に、最近では人員不足が問題になっています。

そこで、外観検査の自動化を図るためには、慎重に実用的な外観検査装置を選択する必要があります。

ここでは、外観検査装置の概要と外観検査装置の選択に当たっての留意点を説明します。特に、製品のばらつきに強く、過検出や見落としの少ないおすすめの統計処理式の外観検査装置も紹介します

卓上型外観検査装置の例

外観検査装置とは

外観検査装置とは、検査対象を撮影し、撮影した画像を分析して検査対象に傷や汚れなどの欠陥がないかを判断する装置です。

現在、以下のような検査に応用されています。

 

〇自動車部品や機械部品の外観検査
金属部品の表面・内面の欠陥検査、樹脂部品の表面欠陥検査、セラミックス部品の表面欠陥検査
 
〇電子機器や電子部品の外観検査
プリント基板のパターン検査、ウェハパターン検査、LCD・LED欠陥検査、リード線変形検査
 
〇印字検査
商品ラベル、表示パネル、写真など
 
〇部品の欠損検査
実装基板の欠品、逆装、部品の位置ずれなど
 
〇その他
食品中の毛髪検出、金属板の腐食率検査など

外観検査装置の構成

卓上型の外観検査装置は検査ソフト内蔵の処理装置、レンズとカメラ、照明で構成されます。

処理装置

処理装置は撮影した検査対象の画像に各種処理を行い、検査対象の良否を判定します。当初は専用処理装置が主に使用されましたが、パソコンの処理性能がよくなったことや高速処理カードを併用することも可能になり、パソコンもよく使用されています。

処理プログラムは画像処理を利用するものがほとんどですが、当社の外観検査装置(StaVaTesterII)のように統計とパターン認識技術を融合した処理方式を使用するものもあります。

しかし、画像処理方式では原理的に判定精度が十分ではないため、注意が必要です。良否の閾値を変えても変えても十分な検査精度が得られないということはよく聞きます。また、検査レシピの作成にも熟練と時間が必要です。

当社の外観検査装置StaVaTesterはこれらの課題を克服する目的で、欠陥検査方法に関する長年の研究成果(検査精度99.999%以上を達成した例もあります)を基に新規に開発した独自の方法を適用しており、これまでの課題をかなり克服したものになっています。

レンズ

単焦点レンズやズームレンズ、テレセントリックレンズなど各種のレンズがあり、用途に応じて使い分けます。

単焦点レンズは視野及びレンズと検査対象の間隔(WD:ワーキング・ディスタンス)に合わせて適当な焦点距離を持つレンズを選定します。遠距離から近距離まで対応するレンズを選択することができます。

カメラ

カメラの性能の進歩は目覚ましく、大画素化、高速化、小型化が進み大画素の高性能カメラが安価で入手できるようになっています。少し前は640×480(約30万)画素程度のカメラが多く使われていましたが、現在では500万画素や1000万画素のカメラも普及しています。

新しく導入される外観検査装置ではカメラはほぼデジタルカメラを使用しています。デジタルカメラで使用されるイメージセンサは、かつてはCCDが主流でしたが、現在ではCMOSが多く使われるようになっています。

撮影方式で分けるとエリアカメラとラインカメラに分類することができます。エリアカメラは一般的に使用されているカメラの撮影方式と同じで、平面画像を取得します。ラインカメラはスキャナなどに使用されているカメラで、線状の画像を得るカメラです。面の画像を得るためには、被検体かカメラを動かす必要があります。ラインカメラを使用する代表的な装置はイメージスキャナです。

エリアカメラの場合、面情報をいったんメモリに保存したのち順次パソコンなどにデータを送信する方式(グローバルシャッター方式)と垂直方向に線画像を順次パソコンなどに送信する方式(プログレッシブスキャン方式)があり、注意が必要です。グローバルシャッター方式では検査対象が移動しても画像は歪ませんが、プログレッシブスキャン方式では撮影タイミングのずれにより画像にひずみが生じます。

グローバルシャッター
プログレッシブスキャン

ラインカメラは連続的に製造されるシートの検査や丸いものの周囲の検査や円筒内外面の検査など、主にエリアカメラでは撮影しにくい場合に使用されます。

照明

照明には万能なものがないため、各種照明の中で検査に適合した照明を選択することが重要になります。

外観検査装置では画像の明るさの度合い(濃度)を基に良否を判定するため、強度が時間的に安定な照明が必要になります。このため、太陽光や室内灯などは照明として使えません。逆に、太陽光は不安定で強いことから、撮影に大きな悪影響を与えるため、検査時点で太陽光の影響を受けないようにすることが必要です。太陽光と比較すると影響は小さいですが、室内灯についても影響がないことを確認する必要があります。

また、検査対象上で照度にムラがあると、正しく検査ができなくなります。通常、検査対象ごとにその位置には変動があるため照度ムラにより撮影された画像の濃度分布が異なることが原因です。このため、広い範囲で明るさがあまり違わないような照明を選択し、照明の高さなどを調整して使用する必要があります。

市販されている照明は、特定の欠陥向けに設計されているため、照射される光の性状にも種類があります。どのような欠陥を検出したいかに応じて適正に照明のタイプを選択する必要があります。代表的なものとして、斜光照明、拡散照明、同軸落射照明などがあります。これらの照明によって欠陥が鮮明になる場合と不鮮明になる場合があります。

斜光照明は、検査対象に垂直に近い方向の光線を照射するものは、比較的多くの検査で使用できます。検査対象に水平に近い方向の光線を照射するものは、低角度の光線によってクラックや突起などで影ができるため、このような欠陥に適用されます。

拡散照明は検査対象にいろいろな方向から光を当てる方式で、影を作らないようにする必要がある検査に使用します。このため、クラックなどは検出しにくくなります。

同軸落射照明は、カメラの光軸と同一方向の光線を検査対象に照射するものです。検査対象からの正反射光が撮影されます。光沢のある金属表面の傷の検査などに使用します。

照明の色に関しては、白色、赤、青、黄色の照明があり、検査に応じて選択します。また、波長の長い近赤外光を使用する照明もあります。近赤外線を印刷物に照射すると印字が写らず傷のみが写るため有効に傷の検出を行うことができます。

照明の形状については、バー形状やリング形状の照明があります。検査対象に合わせて濃度ムラが出ず設備をコンパクトにできる形状を選択します。

以上のように、検出対象に合わせて最適な照明を選択する必要があります。また、傷の種類が多い場合は複数の照明を使用する必要も出てきます。

外観検査装置を選ぶポイント

外観検査装置を選択するときのポイントを以下に示します。まず、外観検査を確実に自動化するためには、以下のことが重要です。

1)良い画像を撮影すること

2)撮影した画像を使用して、精度の高い検査方法により良否判定すること

そこで、これらの2点も念頭に置きながら外観検査装置の選定を行う必要があります。

目視検査と自動検査装置の性能の違いを考慮する

目視検査が可能であっても、自動化できる場合とできない場合があります。これは、視覚の機能と外観検査装置の検査方式が異なることや人間の持っている多様な機能を自動化することが難しい場合があるためです。自動化がきるかどうかを最初に検討することが良いでしょう。

検査の難易度

外観検査を大きく分けると、良否の差が大きい検査と良否の差が小さい検査があります。

良否の差が大きい検査としては、部品の欠損や異種部品の組付けを検出する検査などがあります。この検査は比較的簡単な検査に属しますので、画像処理方式の簡易的な外観検査装置で自動化が可能です。例えば、面積比で画像全体の1%以上で大きな差が出るケースなどでは使用が可能です。

一方、良否の差が小さい検査としては、製品表面の傷や汚れなどを検出する検査があります。これらの検査は難しいため、自動化が可能な場合とそうでない場合があり注意が必要です。通常は少数のサンプルを使用して検査が可能かどうかを評価し、その結果傷が検出できることが確認された場合には多数のサンプルを使用して実用性を確認(N増し)した後実用することになります。このような手順をおろそかにすると検査装置を導入したが使えないということが起こる可能性があります。なお、上で紹介した少数のサンプルを対象に検査できるかどうかを確認することはトイ・プロブレム(toy problem)と呼ばれ、どちらかといえば非常に簡単なため、うまく行くことが多々みられます。このため、少数のサンプルを対象にして良否を判定できても、実用できると判断するのは危険です。

また、一面を検査するだけの検査では検査対象を簡単に撮影できますが、多面検査になるとコストがかかります。人間は簡単に検査対象を裏返したり、側面を観察したりすることができますが、自動化する場合は検査対象を動かすか、多数のカメラと照明を使用するか、カメラと照明を備えたロボットハンドを使用して検査する必要があります。

検査方式

部品の有無検査などの簡単な検査を除くと、検査方式を選択することが非常に重要になります。

現在よく使用されている方式は、画像処理方式です。新しい検査方法として当社のStaVaTester(スタバテスタ)方式があります

画像処理方式の検査原理は、1枚の良品画像と検査画像の濃度値(明暗)の差を各画素で計算し、その差の大小で良否を判定します。良否で違いが小さい場合は、良否差が顕著になるように画像処理を施します。この方式の場合、どのような画像処理を施せば良否差が顕著になるかを明確にするためには、ある程度画像処理技術に通じる必要があり高い壁になります。また、原理的に検査精度は十分とはいえません。

StaVaTester方式では、あらかじめ多数の良品画像を使用して各画素の濃度値の平均値と標準偏差を計算しておき(良品の定義)これらの統計量から計算される統計値を基に独自のパターン認識技術で良否を判定します。このため、精度が非常に高くなり、検査レシピ作成に当たってはかなりの部分を自動化できるため専門知識なしに検査を行うことも可能です。

外観検査装置をおすすめする理由

自動外観検査装置を導入すれば、以下のメリットが得られます。

〇検査の自動化が可能である。

〇客観的な判断ができる。

〇安定した検査ができる。

〇高速な検査ができる。

おすすめの外観検査装置

 外観検査装置には、統計を利用するものと画像処理を利用するものがあります。検査精度や使い勝手の点から、統計を利用する当社の外観検査装置 StaVaTester II(スタバテスタ・アイ・アイ)をおすすめします

外観検査装置 StaVaTesterII

StaVaTesterIIは画素の良否を統計処理により解析し、その結果を基に新規に開発したパターン認識技術により画像全体の良否を示す類似度(0~1の実数値)を計算し、類似度と閾値を比較して良否を判定することで、自動外観検査を行っています。

このため、StaVaTesterIIには以下の特長があります。

製品のばらつきに強い

良品画像を基に計算した、各画素の濃度値の標準偏差に閾値を設定することにより、ばらつきの大きさに応じたばらつき対策ができ、これまで自動化が難しかったばらつきの大きい製品の検査もできます。

StaVaTesterIIの検査方法は、傷の性状によらない汎用的な検査方法です。 

従来の外観検査装置が想定した欠陥が存在するかどうかを検査することに対して、StaVaTesterIIは、良品か良品でないかを検査します。このため、多様な傷に対応可能で、多品種・少量・短納期生産品に対しても効果的です。 

検査装置の調整が高速にできます。

プログラムを作る必要がなく、良品画像と不良品画像があれば30分程度で検査レシピを作成できます。 また、必要な情報は1つのファイルに保存されるため、このファイルを読み込むだけで簡単に検査対象用の検査レシピをセットすることができます。

検査装置の調整が簡単です。 

誰でも半日程度でStaVaTesterIIの基本的な使用方法を習得することができます。特別な講習は必要ありません。概要は動画マニュアルをご覧ください。

高い検査精度が得られます。

従来の検査装置では、明らかな良品に対する検査出力値の頻度分布と明らかな不良品に対する検査出力値の頻度分布が、重なるものが多いといわれています。この場合、検査装置から重なっている範囲の値が出力されると良品か不良品か判断できなくなり問題です。

一般的な外観検査装置の検査精度(検査出力値頻度分布)

StaVaTesterIIでは、下図のようにこの重なりを解消することができるようになりました。このため、良否の判別が容易で、検査精度が格段に向上します。

StaVaTesterIIの検査精度(類似度の頻度分布)

クレンジングが可能です。

検査レシピを作成する時点で良品の統計解析を行うため、検査レシピ作成に使用する良品画像の中に不良画像が紛れ込んでいないかをチェックできます(クレンジング)。これにより、検査性能の低下を防ぐことができます。

品質の評価が可能です。

StaVaTesterの出力値(類似度)は0から1の間の値を取り、値が大きいほど品質が高いことを示します。そこで、品質の管理や前工程の不具合などを検出することも可能です。

 

StaVaTesterIIの外観検査における位置づけ

StaVaTesterIIの検査原理は、パターン検査の長い歴史において培われてきた検査原理をさらに発展させたもので、パターン検査に対して高い検査精度を持っています。以降は、StaVaTesterIIの検査原理の、パターン検査における位置づけについて説明します。

製造工程における検査の自動化

製造業の競争力を維持向上させるためには、製造コストの低減が不可欠です。このためには、製造の自動化と検査の自動化が避けて通れません。

製造の自動化についてはかなり進展していますが、検査についてはまだ改善の余地があります。

検査はスカラー検査とパターン検査に大別できます。スカラー検査は製品の重量や寸法など、測定値が1つの簡単な測定を基にした検査で、自動化が容易なため既に自動化が進展しています。

しかし、製品の外観検査や自動車エンジンの異音検査などのパターン検査は、自動化が難しいため自動化は進展していません。

製造工程における自動化

パターンとは波形や画像などの時間的空間的情報のことで、通常はベクトル量で表すことができます。パターン検査はパターンに基づく検査であり、スカラー検査と比較すると格段に難しいといわれています。このため、パターン検査は人間の視覚や聴覚を利用したいわゆる官能検査に頼る場合が多いのが現状です。

しかしながら、官能検査には以下の問題点があります。

・熟練を要する。

・検査結果に客観性がない

・人により、また同一検査員でも結果にばらつきが生じる。

・製品の高度化、製造の高度化により人間では対応できにくくなりつつある。

・人間にとって過酷な業務である。

このように、パターン検査の自動化ニーズは強いものの、十分な検査精度を持つ自動検査装置は少ないのが現状です。

パターン検査の現状

以上のように、パターン検査の自動化はものづくりにおいて大きなニーズがあります。また、キーの1つはパターン検査技術であると考えられます。

パターン検査のキー技術

パターン検査とは

それでは、なぜパターン検査が難しいのでしょうか。これ以降、この点について説明します。

パターン検査は通常パターン認識技術と呼ばれる技術を使用し、検査を行います。検査は、以下の順で行われます。

「データ入力」→「前処理」→「特徴解析」→「判定」

データ入力は判定精度に大きな影響を与えるため、画像に関する知見や波動に関する知見を有効に利用して収集する必要があります

前処理はノイズを低減する必要がある場合に行われます。

特徴解析は、元々のパターン情報には冗長性がありデータ量が膨大である一方、一般の識別技術では扱えるデータ数に限りがあるため、特徴を損なうことなく元データを圧縮するために行われます。例えば、画像を使用して魚種を判定する検査では、魚の縦横比などを特徴量とする方法が使われたこともあります。縦横比を使えば、タイとイワシの識別は容易です。

最後に、特徴量に対して識別技術を適用して判定を行います。識別技術として、これまで解析的な方法(ユークリッド距離、マハラノビス距離、テンプレートマッチングなど)や階層型ニューラルネットワーク(NN)、境界学習型NNなどが使用されています。

解析的な方法ではカテゴリの境界を直線で表す能力しかないため(線形分離)、過検出や見逃しが防げず、帯に短したすきに長しという状態でした(または、オオカミ少年)。

そこにNNが導入され、カテゴリ間の境界が曲線になるため(非線形分離)非常に期待されましたが、これにも問題があることがわかり、NNも下火になりました。しかし、境界学習型NNが開発され、実用的なパターン検査装置が実現しました(当社の竹田が前職時に開発し実用化しました)。

ところが、依然として特徴量の数が多いと適用が難しいため、境界学習型NNを外観検査に適用することはできませんでした。そこで、当社が統計処理式の検査技術を開発し、外観検査においても境界学習型NNと同程度の精度を持つ検査を可能にしました

パターン検査のフロー

それでは、検査精度の性能にとって重要な過検出と見落としについて説明します。

これまでのパターン検査では、識別技術として解析的な方法が使用されています。すると、検査性能にとって致命的といえる問題が生じます。下図は、検査品が良品であるか不良品であるかを検査する装置の精度を説明したものです。この装置では良品であれば1を出力し、不良品であれば0を出力すものとします。この時、この装置により実際に検査をすると、検査時にどのような検査出力が出るかを示したものです(頻度分布)。良品に対しては比較的大きな出力、不良品に対しては比較的小さな出力を出し、それなりの結果を出します。しかし、一般に良品に対する頻度分布曲線と不良品の頻度分布曲線は交差します。そこで、上記2つの曲線がオーバーラップするところの出力が得られた場合は良品か不良品かの判断ができません。原理的には検査は不可能です。

しかし、他に検査方法がなければこれを何とか使わざるをえません。そこで、閾値を設定して出力がこの値より大きければ良品、小さければ不良品と無理やり決めることになります。この結果、過検出や見落としが避けられません。

 

一般的なパターン検査装置の検査精度

以上のように、頻度分布曲線のオーバーラップが発生する理由を、図を使い説明します。

いま、手書き文字「a」「b」を各種の識別技術を使用して認識することを考えます。なお、「c」は学習しません。

手書き文字の認識

カテゴリの境界線は一般に曲線になりますが、解析的方法では線形分離しかできないため、どうしても重なる範囲やカバーできない範囲が出ます。

テンプレートマッチング法によるカテゴリの分離

また、データの中から選んだテンプレートがカテゴリのどの部分をカバーするか全くわかりません。従って、多数のデータに対して性能を確認する必要も生じます。ただし、[c]を判別させると、[a]であると判別したり、「b」であると判別することが極端に多く発生することはありません。

不明瞭なカバー範囲

階層型NNは非線形分離が可能であるため、学習したカテゴリは高精度で識別できます(過検出少)。しかしながら、この曲線はカテゴリを分別するための線であってカテゴリを特定するための線ではありません。このため、学習していない文字「c」を判定させると、境界線より右のものは「b」、左のものは「a」と判定しがちです(見落し極めて多)。このため、大ブームを起こしたNNが急速に下火になりました。

現在脚光を浴びているディープラーニングでは、従来のNNと比較すると性能は極めて高くなっていますが、学習していないデータに対する応答は基本的に変わりません。従って、検査応用は難しい可能性があると思います。

3層階層型NNによる識別

境界学習型NNはカテゴリの境界線を学習します。このため、学習したカテゴリに属するものは正しく判定します(過検出少)。一方、「c」を判定すると「a」でも「b」でもないと正しく判定します(見落し少)。このため、境界学習型NNを識別技術として使用すると良品と不良品の頻度分布曲線が交差しないことが期待されます。

実際に、境界学習型NN方式を適用して自動車用デフギア検査装置では、数十万セットの検査で間違いが生じませんでした(検査精度:99.999%以上)。また、自動車用エンジンの検査でも検査員が発見できなかった欠陥を検出しています。

一方、自動車タイヤ締結用ナットを対象にした画像検査装置では、26000画像に対する検査で間違いが生じませんでした(検査精度:99.99%以上)。

境界学習型NNが形成するカテゴリの境界線

自動車用エンジン音による自動車用製品検査の検討段階での分析結果を示します。境界学習型NNを使用すると良否を判定できることが分かりましたが、同じデータに対してマハラノビス距離を適用すると良否を判定できそうにない結果が得られています。

ナットの供給状態検査(異種ナットでないか、傾き過ぎでないか、裏になっていないか)においても、検討段階で境界学習型NNでは容易に判定ができる結果が得られていますが、テンプレートマッチング法を適用すると良否判定ができない結果が得られました。

以上のことから、識別方法の性能をまとめます(私見)。

識別方法の性能のうち、最も重要なもの過検出と見落としで、識別技術にはこれらの間違いが共に少ないことが求められます。解析的方法は過検出と見落としとも多くはありませんが、実用するには十分な精度とはいえません。階層型ニューラルネットワークは、過検出が非常に少ないことが特長ですが、見落しが非常に多く実際に適用できませんでした。これに対して、境界学習型NNは過検出も見落しも少なく、実用的な方法といえます。そこで、良品・不良品の頻度分布曲線が交差しなければ非常に高い検査精度が得られることが実証されたといえます。

また、StaVaTesterIIの出力(類似度)の頻度分布は境界学習型NNのように良否で交差しない場合が多いため、高い検査精度が期待できます。ちなみに、交差しない場合は自動検査が可能で、交差する場合は半自動検査を行います。

識別の性能比較

次に、外観検査に限定して説明します。

外観検査では、画素数が多いため、境界学習型NNは適用できません。そこで、パターン認識技術を使用する方法としてはStaVaTesterII方式のみが適用可能です。

一方で、外観検査装置では画像処理を適用するものが殆どですが、この方法は従来のパターン検査方法とは全く検査原理が違います。そこで、良否差が大きい簡単な検査には十分適用できますが、良否差が小さい場合には適用が難しいといえます。

そこで、これらの方法をよく吟味して使用することが必要です。