JPH11101620A

JPH11101620A - 半田付け検査装置

Info

Publication number: JPH11101620A
Application number: JP9279843A
Authority: JP
Inventors: Tomohiro Arakawa; 智広荒川
Original assignee: Toyota Auto Body Co Ltd; Toyota Central R&D Labs Inc
Current assignee: Toyota Auto Body Co Ltd; Toyota Central R&D Labs Inc
Priority date: 1997-09-26
Filing date: 1997-09-26
Publication date: 1999-04-13

Abstract

(57)【要約】【課題】半田付け状態のさらに詳細な判定を、電極の
形状等に左右されることなく正確に行うことができる。【解決手段】撮像装置８によって半田付けされた電極
の画像を得、この画像がデータ処理装置に送られる。Ｃ
ＰＵ６１は画像の輝度ヒストグラムを算出する。ニュー
ラルネットワーク６５が設けられ、上記画像の輝度ヒス
トグラムを入力信号とし、上記電極の半田付け状態を目
視した評価値を教師信号として予め学習させられてい
る。検査対象となる半田付けされた電極の輝度ヒストグ
ラムを学習済みの上記ニューラルネットワーク６５に入
力して当該半田付けされた電極の評価値を得る。

Description

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】本発明は半田付け検査装置に
関し、単に半田付けの良否のみならず、良否の程度等の
詳細判定情報を、電極の形状等に左右されることなく、
ベテラン検査員の正確さをもって得ることができる半田
付け検査装置に関する。

【０００２】

【従来の技術】半田付け検査装置として、例えば特開平
６−１７４４４４号公報には、半田付け状態毎に予めそ
の濃度（輝度）ヒストグラムを標準濃度ヒストグラムと
して登録しておき、半田付けされた電極の濃淡画像より
その濃度ヒストグラムを作成して、これと度数差の総和
が最も小さい標準濃度ヒストグラムに対応する半田付け
状態にあるものと判定する装置が提案されている。

【０００３】

【発明が解決しようとする課題】しかし、上記従来の半
田付け検査装置では、例えば良品ではあるがやや半田が
少ないとか、良品ではあるがやや半田が多い等の、さら
に詳細な工程管理上の半田付け情報を正確に得ることは
困難であるという問題がある。

【０００４】また、半田付けされる電極の形状や大きさ
等により濃度ヒストグラムが変化するため、電極形状等
によっては誤判定を生じるという問題があった。

【０００５】そこで、本発明はこのような課題を解決す
るもので、半田付け状態のさらに詳細な判定を、電極の
形状等に左右されることなく正確に行うことが可能な半
田付け検査装置を提供することを目的とする。

【０００６】

【課題を解決するための手段】上記目的を達成するた
め、本発明では、半田付けされた電極（９）の画像を得
る手段（８）と、上記画像の輝度ヒストグラムを算出す
る手段（６，１０３）と、半田付けされた所定の電極
（９）について、その画像の輝度ヒストグラムを入力信
号とし、上記所定の電極の半田付け状態を目視した評価
値を教師信号として学習させたニューラルネットワーク
（６５）とを具備し、検査対象となる半田付けされた電
極（９）の輝度ヒストグラムをニューラルネットワーク
（６５）に入力して当該半田付けされた電極（９）の評
価値を得る。

【０００７】本発明においては、ベテラン検査員の半田
付け状態を目視した評価値とこの時の輝度ヒストグラム
を関連させてニューラルネットワークに学習させ、検査
時にその学習結果を再現するようにしているから、ベテ
ラン検査員なみの詳細な半田付け状態の判定が可能であ
る。

【０００８】電極が複数種ある場合には、ニューラルネ
ットワークを各電極に対応させて複数設け、これらニュ
ーラルネットワークでそれぞれ各電極の半田付け状態を
学習するようにすれば、電極の形状等の相違に左右され
ることなく、正確な半田付け状態の判定が可能である。

【０００９】電極が複数種ある場合に、輝度ヒストグラ
ムに加えて電極の種類をニューラルネットワークの入力
信号として学習させるようにすれば、単一のニューラル
ネットワークによっても、形状等の相違に左右されるこ
となく複数種の電極の半田付け状態を正確に判定するこ
とができる。

【００１０】なお、上記カッコ内の符号は、後述する実
施形態に記載の具体的手段との対応関係を示すものであ
る。

【００１１】

【発明の実施の形態】

（第１実施形態）図１には半田付け検査装置の全体構成
を示す。図において、ディスクリート部品１はそのリー
ド１１がプリント基板２のスルーホール２１内に挿入さ
れて、半田付け部３によってプリント基板２上の電極
（図示略）に接続固定されている。プリント基板２は移
動テーブル４上に載置されており、プリント基板２上に
半田付けされた多数のディスクリート部品１のうちの一
つが、移動テーブル４によって順次照明装置５の直下に
移送され位置決めされる。この移動テーブル４はＸ軸ス
テージ４１とＹ軸ステージ４２で構成されて、プリント
基板２を二次元のＸ−Ｙ平面上で位置決めすることがで
きる。Ｘ軸ステージ４１とＹ軸ステージ４２は位置決め
回路７２の出力によりサーボ制御されている。

【００１２】照明装置５は複数の円環状照明リング５１
〜５４を有し、これら照明リング５１〜５４は上下方向
へ間隔をおいて同心状に配設されるとともに、上方へ向
かうにつれて小径となっている。照明リング５１は周方
向へ４区画され、各区画毎に多数の発光ダイオードが設
けられている。他の照明リング５２〜５４も同一構造で
ある。照明リング５１〜５４はそれぞれ照明制御回路７
１へ接続され、照明制御回路７１は各照明リング５１〜
５４の各区画毎に、発光ダイオード群を通電発光させる
ことができる。なお、最上段の照明リング５４はプリン
ト基板２の位置合わせ時に使用するものであり、半田付
け検査では残る下段の照明リング５１〜５３が使用され
る。

【００１３】ディスクリート部品１はそのリード１１
（すなわちスルーホール２１）が照明装置５の中心軸上
に位置決めされており、各照明リング５１〜５３から発
する照明光は、リード１１の半田付け部３に対してそれ
ぞれ異なる角度で入射する。各照明光の入射角度は上段
の照明リング５３から発したものほど大きくなり、本実
施形態では３°〜７０°の範囲内に設定されている。
「正常」な半田付け部３は、図２に示すように、なだら
かな裾部から急峻な頂部へと立ち上がる山型断面を有
し、プリント基板２に対して大きな角度で入射した光Ｌ
1 は半田付け部３の裾部で反射されて上方へ向かい、小
さい角度で入射した光Ｌ2 は頂部で反射されて上方へ向
かう。したがって、「正常」な半田付け部３ではほぼ電
極９の全面で上方へ向かう高輝度の反射光を生じる。

【００１４】図３は「半田過少」の場合の半田付け部３
の断面で、この場合は、正常なときのものに比して半田
付け部３の断面が相似的に縮小し、上方へ向かう高輝度
の反射光を生じる領域は大幅に減少する。また、図４は
スルーホール２１が一部露出した「穴あき」の半田付け
部３の断面であり、この場合は、半田が付いている領域
では上方へ向かう高輝度の反射光を生じるものの、半田
の無い部分はその輝度が非常に低い。図５は「半田過
多」の半田付け部３の断面であり、この場合は半田付け
部３の内周部が平坦面に、外周部は急峻面になるため、
上方へ向かう高輝度の反射光を生じる適度な傾斜面の領
域はやはり少なくなる。このように、半田付けの状態に
よって反射光の強度や分布が異なる。

【００１５】図１において、照明装置５の上方にはその
中心軸上にＣＣＤカメラ等の撮像装置８が設けてあり、
撮像装置８は上記半田付け部３からの上方への反射光を
入射してその画像を得る。撮像装置８で得られた画像
は、データ処理装置６へ送られる。データ処理装置６は
内部に、入力および出力の各インターフェース６２，６
３、ＣＰＵ６１、ビデオＲＡＭを含む各種メモリ６４、
およびニューラルネットワーク６５等を有するととも
に、キーボード等の入力器６６や、表示器６７が接続さ
れている。ＣＰＵ６１は既述の照明制御回路７１や位置
決め回路７２の作動を制御するとともに、後述する手順
でニューラルネットワーク６５を学習させ、学習済みの
ニューラルネットワーク６５を使用して半田付けの評価
を行う。

【００１６】ここで、図６にニューラルネットワークの
構成を示す。ニューラルネットワーク６５は実際には半
田付けされる電極の形状、大きさ等の種類に応じてＡ，
Ｂ，…，Ｎと複数設けられており、各ニューラルネット
ワーク６５Ａ〜６５Ｎは信号の伝播を行うニューロン素
子６５４からなるニューロン素子網とその学習を制御す
る学習制御部（図示略）から構成されている。ニューロ
ン素子網は、入力信号が入力する入力層６５１と、出力
信号が出力される出力層６５３、およびこの両層６５
１，６５３間に配置された中間層６５２から構成され、
各層６５１〜６５３のニューロン素子６５４は、他層の
ニューロン素子に対して所定の強さ（結合重み）で結合
されている。この結合重みの値の違いにより出力信号が
変化する。このような階層構造に構成されたニューラル
ネットワーク６５Ａ〜６５Ｃでは、各ニューロン素子６
５４相互間の結合重みを学習制御部で変化させることに
よって「学習」という処理が行われる。

【００１７】なお、入力層６５１の出力関数は例えば線
形関数等が、中間層６５２および出力層６５３の出力関
数は例えばシグモイド関数等が使用できる。また、入力
層６５１のニューロン素子６５４は、後述する輝度ヒス
トグラムの輝度値（例えば０〜２５５）と等しい数だけ
設けられ、該当する輝度値における画素数が各ニューロ
ン素子６５４に入力信号として与えられる。中間層６５
２のニューロン素子６５４の数は判定精度との関係で決
定されるが、通常は１０〜２０個である。出力層６５３
のニューロン素子６５４の数は本実施形態のように判定
値が一種類の場合には１個である。

【００１８】以下、図７のフローチャートに従って、ニ
ューラルネットワークの学習手順を説明する。図７のス
テップ１０１では撮像装置８で得られた画像を取り込
む。続くステップ１０２では、図８に示すように、半田
付け部３の周囲に四角形の検査ウインドウＬを設定する
とともに、この検査ウインドウＬ内のうち、半田付け部
３（プリント基板２上の電極９）を除く領域を低輝度画
素（図８の斜線）で置換するマスキング処理を行う。こ
れは後述の輝度平滑化処理において、半田付け部３の周
囲の画素輝度値が処理に影響しないようにしたものであ
る。すなわち、半田付け部３の周囲が暗い基板母材であ
る場合と、比較的明るい配線パターンである場合とでは
輝度平滑化処理の処理結果が異なってくるため、その影
響を排除するものである。なお、上記画像中、リード１
１の先端が露出する（図２参照）半田付け部３の中心領
域Ｎは上方への反射光が殆ど無いから低輝度域となる。

【００１９】図７のステップ１０３では、マスキング処
理された半田付け画像の各部の輝度を平滑化する輝度平
滑化処理を行う。この輝度平滑化処理は例えば移動平均
法により行う。移動平均法を図９で説明すると、注目画
素Ｐ４の輝度値をその周囲のＰ０〜Ｐ３，Ｐ５〜Ｐ８の
８画素の輝度値の平均値と置き換えつつ、これを半田付
け部画像内の全ての画素について順次行うものである。
なお、輝度値の平均を上述のように３×３の画素領域で
８個の近傍画素からとる以外に、５×５の画素領域で２
４個の近傍画素からとることもできる。このような輝度
平滑化処理は３回程繰り返す。平滑化処理によって画像
全体がぼかされ、半田付け部３の外周境界域における細
幅の高輝度部がぼけて、輝度ヒストグラムへの影響が軽
減される。

【００２０】図７のステップ１０４では、輝度平滑化処
理を行った画像について、輝度ヒストグラムを作成す
る。この輝度ヒストグラムは横軸に輝度、縦軸に画素数
をとったもので、輝度ヒストグラムの凹凸が激しい場合
には近傍同士を前後３点で平均化すると良い。輝度ヒス
トグラムの一例を図１０に示す。図１０において、実線
Ｘは正常な半田付け部の輝度ヒストグラムであり、鎖線
Ｙは「半田過少」の半田付け部のものである。

【００２１】ステップ１０５では、半田付けされる電極
の種類に応じて既述のように複数設けたニューラルネッ
トワーク６５Ａ〜６５Ｎのうち、電極の種類に対応する
所定のニューラルネットワーク６５Ａの入力層６５１
へ、各輝度値毎の画素数を入力信号として与える。この
ニューラルネットワーク６５Ａ〜６５Ｎの選択は、入力
器６６（図１）より入力される指令信号等に基づいてな
される。続くステップ１０６では、学習対象となってい
る電極９の半田付け部３に対して予めベテラン検査員が
行った目視評価値を、上記ニューラルネットワーク６５
Ａへ教師信号として与える。ステップ１０７では、出力
信号が教師信号に一致するようにニューラルネットワー
ク６５Ａにおける各ニューロン素子６５４間の結合重み
を修正する。修正の具体的方法としては公知の誤差逆転
伝播法等を使用する。

【００２２】ステップ１０８では、上記ニューラルネッ
トワーク６５Ａの出力信号（評価値）が目視評価値と一
致したか否かを確認し、一致していなければステップ１
０７を繰り返す。出力評価値が目視評価値に一致する
と、学習は完了する。このような学習を電極９の種類毎
に全てのニューラルネットワーク６５Ａ〜６５Ｎについ
て順次、種々の半田付け状態について行う。各半田付け
状態とその評価値の一例を以下に示す。

【００２３】（１）半田無し０．０≦評価値≦０．１（２）半田過少０．１＜評価値≦０．３（３）過少気味０．３＜評価値≦０．４（４）完全良品０．４＜評価値≦０．６（５）過多気味０．６＜評価値≦０．７（６）半田過多０．７＜評価値≦０．９（７）半田極過剰０．９＜評価値≦１．０

【００２４】以上のように学習させたニューラルネット
ワークを使用して半田付け検査を行う場合には、検査対
象となるディスクリート部品１の半田付け部３を、移動
テーブル４によって照明装置５の直下に移送し、上述し
たステップ１０１〜１０４と同様の行程で半田付け画像
の輝度ヒストグラムを得る。そして、この輝度ヒストグ
ラムを、検査対象となっている電極の種類に対応したニ
ューラルネットワーク６５Ａ〜６５Ｎの一つへ入力信号
として与えると、その出力信号として上記（１）〜
（７）に示した評価値が得られる。この評価値より、
「半田無し」から「半田極過剰」までの７種の半田付け
形態を判定することができる。

【００２５】このように、本実施形態によれば、ベテラ
ン検査員による目視評価と一致するようにニューラルネ
ットワーク６５Ａ〜６５Ｎを学習させ、これを利用して
半田付け状態の評価をしているから、単に半田過多、過
少のみならず、上述した（１）〜（７）までの、さらに
詳細な判定を行うことができる。さらに本実施形態で
は、ニューラルネットワークを複数設けて、半田付けさ
れる電極の種類に応じたニューラルネットワークを選択
して半田付けの状態を判定するようにしているから、電
極形状等に影響されることなく常に正確な判定を行うこ
とができる。

【００２６】（第２実施形態）上記第１実施形態では、
半田付けされる電極の種類に応じて複数のニューラルネ
ットワークを設けたが、図１１に示すように単一のニュ
ーラルネットワーク６５とし、入力信号１として第１実
施形態と同様の、輝度値毎の画素数を入力するととも
に、入力信号２として、電極９の種類を入力する。本実
施形態では、入力層６５１のニューロン素子６５４の数
を、輝度値と電極の種類に応じた数とする必要がある
が、電極９の種類が多い場合には、第１実施形態のよう
に各種類毎にニューラルネットワークを設けるのに比し
て、全体の構成を簡素化することができる。

【００２７】（第３実施形態）さらに詳細な判定を行う
場合には、図１２に示すように、教師信号および出力信
号を２種類とし、教師信号１と出力信号１は既に説明し
た「半田無し」から「半田極過剰」までの評価値とし、
教師信号２と出力信号２は、「半田無し」から「半田極
過剰」までの各判定の下でのさらに詳細な程度を、例え
ば１０段階で評価した評価値とする。これにより、電極
の種類に左右されることなく、さらに詳細に半田付け状
態の評価を行うことができる。

【００２８】

【発明の効果】以上のように、本発明の半田付け検査装
置によれば、半田付け状態のさらに詳細な判定を、電極
の形状等に左右されることなく正確に行うことができ
る。

【図面の簡単な説明】

【図１】本発明の第１実施形態における半田付け検査装
置の全体構成を示すブロック図である。

【図２】正常な半田付け部の垂直断面図である。

【図３】「半田過少」の半田付け部の垂直断面図であ
る。

【図４】「穴あき」の半田付け部の垂直断面図である。

【図５】「半田過多」の半田付け部の垂直断面図であ
る。

【図６】ニュラルネットワークの構成を示す模式図であ
る。

【図７】ニュラルネットワーク学習時のＣＰＵにおける
処理手順を示すフローチャートである。

【図８】半田付け部の撮影画像である。

【図９】輝度平滑化処理の説明図である。

【図１０】輝度ヒストグラムを示す図である。

【図１１】本発明の第２実施形態におけるニュラルネッ
トワークの構成を示す模式図である。

【図１２】本発明の第３実施形態におけるニュラルネッ
トワークの構成を示す模式図である。

【符号の説明】

３…半田付け部、６１…ＣＰＵ（輝度ヒストグラムを算
出する手段）、６５，６５Ａ，６５Ｂ，６５Ｃ…ニュー
ラルネットワーク、８…撮像装置（電極の画像を得る手
段）、９…電極。

【手続補正書】

【提出日】平成９年１２月８日

【手続補正１】

【補正対象書類名】明細書

【補正対象項目名】発明の名称

【補正方法】変更

【補正内容】

【発明の名称】半田付け検査装置

Claims

【特許請求の範囲】

【請求項１】半田付けされた電極の画像を得る手段
と、画像の輝度ヒストグラムを算出する手段と、半田付けされた所定の電極について、その画像の輝度ヒ
ストグラムを入力信号とし、上記所定の電極の半田付け
状態を目視した評価値を教師信号として学習させたニュ
ーラルネットワークとを具備し、検査対象となる半田付けされた電極の輝度ヒストグラム
を前記ニューラルネットワークに入力して当該半田付け
された電極の評価値を得るようにしたことを特徴とする
半田付け検査装置。