試験・信頼性・品質

コード板外観検査のディープラーニング:できることと注意点

コード板外観検査のディープラーニング:できることと注意点

ルールベースAOIは寸法欠陥を逃さないが粒子や汚れなどの擬似欠陥に溺れやすい;ディープラーニングは外観クラス分けに強いがサンプルと閾値に依存する。本稿は両者の適用範囲を比較し、模擬データで閾値・過検出・見逃しのトレードオフとコスト最適閾値を示し、見逃し率検証に必要な不良サンプル数を計算する。

コード板外観検査が探す欠陥は混在する:クロムピンホール、残留クロム橋、断線、傷、粒子、縁欠け、汚れ。ルールベースAOIは画像を設計と画素単位で比較でき寸法判定は信頼できるが、「違う」に敏感で「違うことが重要か」には鈍い;一枚で数十候補が出て大半は粉塵や無害な縁うねりで、人手再確認で仕上げる。ディープラーニングはその隙間を埋めるように見えるが、問題を「パラメータ調整」から「データと閾値の管理」に変える。

判定閾値を動かすと良品と不良のスコア分布の切り方が変わり、混同行列で見逃しと過検出がトレードオフする(模擬データ:良品9800、不良200)
図1 – 判定閾値を動かすと良品と不良のスコア分布の切り方が変わり、混同行列で見逃しと過検出がトレードオフする(模擬データ:良品9800、不良200)

ルールベースAOIとディープラーニングが得意なこと

次元ルールベースAOIディープラーニング
原理設計または金標準との比較、閾値、形態学、寸法測定ラベル付きサンプルから欠陥特徴を学習;クラスまたは画素分割を出力
必要サンプル実質不良サンプル不要十分な代表的ラベル付きサンプル
寸法判定強い;不確かさ評価も可能弱い;直接測定には不向き
外観判定弱い;擬似欠陥が多い強い;粒子・汚れと真欠陥を分けられる
照明/工程ドリフト敏感;繰り返し再調整学習セットが覆う変動には比較的頑健;未覆いは失敗し得る
解釈性とトレーサビリティルールが明示ヒートマップ等が必要;結論はデータ版に依存

そこでよくあるのはハイブリッド(図3):緩め閾値のルールベースAOIが全候補を拾い寸法判定を終え;ディープラーニングは候補を「真欠陥か擬似欠陥か」だけ再判定し、疑わしいものは人手へ。良品のみで異常検知モデルによる一次選別もできるが、「良品に見えるか」だけ答え、欠陥種別は答えられない。

画像とサンプル:まずデータ量を数える

分解能は最小欠陥が決める。欠陥は画像上少なくとも約3画素を占めるべきで、5 μmピンホールなら画素スケールは約1.7 μmより粗くできない。内外半径14 mm・20 mmのトラック帯面積は約641 mm²;1200×10⁴画素カメラを1.5 μm/画素とすると視野あたり約27.6 mm²で、一枚に約23視野、重なりを入れて約28視野が要る。

サンプリングの難しさは欠陥が稀で多クラスなことである。守るべき原則:

  • 学習と検証をバッチで分ける。同じ板や同じバッチの画像が両方に入ると検証スコアが膨らむ。
  • ラベル規則を先に定義する:どの大きさのピンホールを欠陥とするか、クロム線上の粒子を数えるか——受入基準を書いてからラベル;複数人がラベルするときは一致度を測り争点サンプルを別途議論する。
  • 工程変動を覆う:異なるコーティングバッチ、異なる照明老化状態、異なる板設計を学習セットに入れる;新設計はリリース前に再検証が要る。

混同行列と閾値

モデルは各候補に欠陥確率pを出し、閾値超で欠陥と呼ぶ。四つの結果が混同行列をなす:検出(TP)、見逃し(FN)、過検出(FP)、合格(TN)。よく使う指標は

見逃し率 = FN / (TP + FN)、過検出率 = FP / (FP + TN)

例(模擬データ、10000枚、不良率2%):閾値0.5で見逃し13(6.5%)、過検出17(0.17%)、真欠陥は欠陥と呼ばれた枚の91.7%。閾値0.31では見逃し2(1.0%)、過検出134(1.37%)へ。

閾値はコストで選ぶ。現場に出た見逃し一件のコストが過検出一件(余分な再確認や誤廃棄)の50倍と仮定すると、総コスト = 50·FN + FP はこの例で閾値約0.31で最小234、既定0.5では667(図2)。0.5は数学的中点にすぎず、工学最適ではない。

閾値に対する見逃し率・過検出率・総コスト;見逃しコストが過検出の50倍のときコスト最小閾値は約0.31(模擬データ)
図2 – 閾値に対する見逃し率・過検出率・総コスト;見逃しコストが過検出の50倍のときコスト最小閾値は約0.31(模擬データ)

低不良率のベースレート効果にも注意する。不良が2%だけでも過検出率1.37%なら、欠陥と呼ばれた枚の約四割はなお良品である。だから人手再確認チャネルを残す。

見逃し率を証明するのに必要なサンプル数

「見逃し2 / 200 = 1.0%」自体に統計的不確かさがあり、二項分布では95%上側信頼限界は約3.1%。検証で見逃しゼロのとき見逃し率がp以下と証明するには不良サンプル数は

n ≥ ln(1 − CL) / ln(1 − p)

信頼度CL = 95%、p = 1%なら n ≈ 299;p = 0.5%なら約598;見逃し1回を許すとp = 1%で約473。コード板のように不良率がごく低い製品では実不良を数百枚ためるのに長くかかることが多く——ディープラーニング検査の本番前の最も現実的なボトルネックである。

ハイブリッド案:ルールベースAOIが寸法判定と候補抽出;ディープラーニングが再判定・分類;人手再確認結果が学習データへ戻る
図3 – ハイブリッド案:ルールベースAOIが寸法判定と候補抽出;ディープラーニングが再判定・分類;人手再確認結果が学習データへ戻る

工学上の要点

  • 寸法判定はルール算法に任せ、ディープラーニングは外観の再判定だけ——測定トレーサビリティを保ちつつ擬似欠陥を削る。
  • 閾値は「見逃しコスト ÷ 過検出コスト」で決め、検証セットで過検出・見逃し対閾値を描く;既定0.5にしない。
  • 見逃し率の検証には見逃しゼロで少なくとも約3/p個の不良サンプルが要る;サンプルが足りないときは上側信頼限界を正直に報告する。
  • 学習と検証はバッチで分ける;同じ板の画像をセット横断させない。
  • 固定の金標準セット(各クラスの境界欠陥を含む)を持ち、モデル更新やカメラ/照明変更のたびに回帰を回す。
  • 本番後はスコア分布のドリフトを監視する。良品スコアの上方シフトは過検出率上昇の前に現れ、照明老化や工程変化を示すことが多い。

まとめ

コード板外観検査におけるディープラーニングの価値は、主にルールベースAOIの擬似欠陥の洪水を濾すことにあり、寸法測定の代替ではない。性能はサンプル・ラベル・閾値で決まり、閾値をコストで選び、十分な不良で見逃し率を証明し、バッチと工程変化をまたいでモデルを検証し続ける。ブラックボックスではなく管理すべき測定系として扱えば、信頼性は保てる。


中国語原文記事の翻訳 (0199). ENC7 コード板メーカー(お問い合わせ) · 技術記事 · https://enc7.com

© 廊坊晶正光電技術有限公司(Langfang Jingzheng Optoelectronic Technology Co., Ltd.)無断転載を禁じます。本記事はAIの支援を受けて作成されています。

Have a drawing? Get an engineer's review.

Send your outer diameter, bore, line count or bit count, substrate and readhead wavelength. Our engineers check manufacturability and reply with a quotation and sample lead time.

WhatsApp