知財求人 - 知財ポータルサイト「IP Force」
(19)【発行国】日本国特許庁(JP)
(12)【公報種別】公開特許公報(A)
(11)【公開番号】P2023065861
(43)【公開日】2023-05-15
(54)【発明の名称】外観検査システム及び外観検査方法
(51)【国際特許分類】
G01N 21/956 20060101AFI20230508BHJP
G06T 7/00 20170101ALI20230508BHJP
【ＦＩ】
G01N21/956 A
G06T7/00 610
【審査請求】未請求
【請求項の数】8
【出願形態】ＯＬ
(21)【出願番号】P 2021176244
(22)【出願日】2021-10-28
(71)【出願人】
【識別番号】000000941
【氏名又は名称】株式会社カネカ
(74)【代理人】
【識別番号】100100480
【弁理士】
【氏名又は名称】藤田 隆
(72)【発明者】
【氏名】中村 聡
【テーマコード（参考）】
2G051
5L096
【Ｆターム（参考）】
2G051AA51
2G051AB02
2G051AB20
2G051AC21
2G051CA04
2G051EB05
5L096AA02
5L096AA06
5L096BA03
5L096CA02
5L096DA02
5L096EA35
5L096EA45
5L096GA06
5L096HA11
5L096KA04
(57)【要約】
【課題】本発明は、従来に比べてより正確に半導体の外観を検査できる外観検査システム及び外観検査方法を提供する。
【解決手段】配線領域と非配線領域を跨るように半導体の第１主面を撮影し、撮影画像を取得する撮影部と、撮影部で取得した撮影画像において配線領域の色情報を非配線領域の色情報で書き換えて又は配線領域の色情報を削除して加工画像を作成する画像処理部と、加工画像から複数の分割画像を抽出する抽出処理部と、過去に良品と判定された一又は複数の半導体の複数の分割画像から特徴量データを抽出し、分類モデルを作成する機械学習部と、分類モデルを用いて分割画像から良否判定を行う良否判定部を備える構成とする。
【選択図】図３
【解決手段】配線領域と非配線領域を跨るように半導体の第１主面を撮影し、撮影画像を取得する撮影部と、撮影部で取得した撮影画像において配線領域の色情報を非配線領域の色情報で書き換えて又は配線領域の色情報を削除して加工画像を作成する画像処理部と、加工画像から複数の分割画像を抽出する抽出処理部と、過去に良品と判定された一又は複数の半導体の複数の分割画像から特徴量データを抽出し、分類モデルを作成する機械学習部と、分類モデルを用いて分割画像から良否判定を行う良否判定部を備える構成とする。
【選択図】図３
【特許請求の範囲】
【請求項1】
第１主面に配線領域と非配線領域を有する半導体の外観検査システムであって、
前記配線領域と前記非配線領域を跨るように前記第１主面を撮影し、撮影画像を取得する撮影部と、
前記撮影部で取得した撮影画像において前記配線領域の色情報を前記非配線領域の色情報で書き換えて又は前記配線領域の色情報を削除して加工画像を作成する画像処理部と、
前記加工画像から複数の分割画像を抽出する抽出処理部と、
過去に良品と判定された一又は複数の半導体の前記複数の分割画像から特徴量データを抽出し、分類モデルを作成する機械学習部と、
前記分類モデルを用いて前記分割画像から良否判定を行う良否判定部を備える、外観検査システム。
前記配線領域と前記非配線領域を跨るように前記第１主面を撮影し、撮影画像を取得する撮影部と、
前記撮影部で取得した撮影画像において前記配線領域の色情報を前記非配線領域の色情報で書き換えて又は前記配線領域の色情報を削除して加工画像を作成する画像処理部と、
前記加工画像から複数の分割画像を抽出する抽出処理部と、
過去に良品と判定された一又は複数の半導体の前記複数の分割画像から特徴量データを抽出し、分類モデルを作成する機械学習部と、
前記分類モデルを用いて前記分割画像から良否判定を行う良否判定部を備える、外観検査システム。
【請求項2】
前記画像処理部は、前記撮影部で取得した撮影画像において前記配線領域の色情報を前記非配線領域の色情報で書き換えて加工画像を作成するものであり、
前記非配線領域の色情報は、前記非配線領域における平均の色味に対応する色情報である、請求項１に記載の外観検査システム。
前記非配線領域の色情報は、前記非配線領域における平均の色味に対応する色情報である、請求項１に記載の外観検査システム。
【請求項3】
前記機械学習部は、入力層と、中間層と、出力層を有し、前記複数の分割画像が前記入力層に入力され、前記分類モデルに基づいて、前記入力層に入力された分割画像から特徴抽出した特徴量データを前記中間層で生成し、前記特徴量データから復元された復元画像を前記出力層から出力するものであり、
前記良否判定部は、前記入力層に入力した分割画像と、前記出力層から出力された復元画像を比較し、良否を判定する、請求項１又は２に記載の外観検査システム。
前記良否判定部は、前記入力層に入力した分割画像と、前記出力層から出力された復元画像を比較し、良否を判定する、請求項１又は２に記載の外観検査システム。
【請求項4】
前記抽出処理部は、一方向に隣接する分割画像間で重なり部分があるように前記加工画像から複数の分割画像を抽出する、請求項１～３のいずれか１項に記載の外観検査システム。
【請求項5】
前記撮影画像は、前記半導体以外の外部領域を含んでおり、
前記画像処理部は、前記外部領域の前記半導体と接する部分の色情報を前記非配線領域の色情報で書き換えて又は前記外部領域の前記半導体と接する部分の色情報を削除して加工画像を作成する、請求項１～４のいずれか１項に記載の外観検査システム。
前記画像処理部は、前記外部領域の前記半導体と接する部分の色情報を前記非配線領域の色情報で書き換えて又は前記外部領域の前記半導体と接する部分の色情報を削除して加工画像を作成する、請求項１～４のいずれか１項に記載の外観検査システム。
【請求項6】
第１主面に配線領域と非配線領域を有する半導体の外観検査システムであって、
前記配線領域と前記非配線領域を跨るように前記第１主面を撮影し、撮影画像を取得する撮影部と、
前記撮影部で取得した撮影画像において前記配線領域の色情報を前記非配線領域の色情報で書き換えて又は前記配線領域の色情報を削除して加工画像を作成する画像処理部と、
前記加工画像から複数の分割画像を抽出する抽出処理部と、
過去に撮影された複数の半導体の前記分割画像から外観異常個所がない分割画像を選別し、選別した分割画像から特徴量データを抽出し、分類モデルを作成する機械学習部と、
前記分類モデルを用いて前記分割画像から良否判定を行う良否判定部を備える、外観検査システム。
前記配線領域と前記非配線領域を跨るように前記第１主面を撮影し、撮影画像を取得する撮影部と、
前記撮影部で取得した撮影画像において前記配線領域の色情報を前記非配線領域の色情報で書き換えて又は前記配線領域の色情報を削除して加工画像を作成する画像処理部と、
前記加工画像から複数の分割画像を抽出する抽出処理部と、
過去に撮影された複数の半導体の前記分割画像から外観異常個所がない分割画像を選別し、選別した分割画像から特徴量データを抽出し、分類モデルを作成する機械学習部と、
前記分類モデルを用いて前記分割画像から良否判定を行う良否判定部を備える、外観検査システム。
【請求項7】
前記複数の半導体には、過去に不良品と判定された半導体を含む、請求項６に記載の外観検査システム。
【請求項8】
第１主面に配線領域と非配線領域を有する半導体の外観検査方法であって、
前記配線領域と前記非配線領域を跨るように前記第１主面を撮影し、撮影画像を取得する撮影工程と、
前記撮影画像において前記配線領域の色情報を前記非配線領域の色情報で書き換えて又は前記配線領域の色情報を削除して加工画像を作成する画像処理工程と、
前記加工画像から複数の分割画像を抽出する画像抽出工程と、
過去に良品と判定された一又は複数の半導体の前記複数の分割画像から特徴量データを抽出し、分類モデルを作成するモデル作成工程と、
前記分類モデルを用いて前記分割画像から良否判定を行う判定工程と、を含む外観検査方法。
前記配線領域と前記非配線領域を跨るように前記第１主面を撮影し、撮影画像を取得する撮影工程と、
前記撮影画像において前記配線領域の色情報を前記非配線領域の色情報で書き換えて又は前記配線領域の色情報を削除して加工画像を作成する画像処理工程と、
前記加工画像から複数の分割画像を抽出する画像抽出工程と、
過去に良品と判定された一又は複数の半導体の前記複数の分割画像から特徴量データを抽出し、分類モデルを作成するモデル作成工程と、
前記分類モデルを用いて前記分割画像から良否判定を行う判定工程と、を含む外観検査方法。
【発明の詳細な説明】
【技術分野】
【0001】
本発明は、太陽電池セルや有機ＥＬパネル等の半導体を検査する外観検査システム及び外観検査方法に関する。
【背景技術】
【0002】
従来から太陽電池セルや有機ＥＬパネル等の半導体の生産プロセスでは、長期信頼性に影響を及ぼすような外観異常がないことや美観として問題がないことを担保するために外観検査が行われている。
例えば、太陽電池セルの場合には、光電変換層等の成膜面において局所的に成膜厚さが不均一になると、太陽電池セルをモジュール化した際に良品の太陽電池モジュールと比較して、短い年数でモジュール全体の出力低下が生じるおそれや、色むらが生じて美観を損なうおそれがある。そのため、太陽電池セルをモジュール化する前に、外観異常が生じている太陽電池セルは取り除く必要がある。
例えば、太陽電池セルの場合には、光電変換層等の成膜面において局所的に成膜厚さが不均一になると、太陽電池セルをモジュール化した際に良品の太陽電池モジュールと比較して、短い年数でモジュール全体の出力低下が生じるおそれや、色むらが生じて美観を損なうおそれがある。そのため、太陽電池セルをモジュール化する前に、外観異常が生じている太陽電池セルは取り除く必要がある。
【0003】
そこで、太陽電池セルの外観異常を検査する外観検査装置の一例としては、例えば、特許文献１がある。
この特許文献１では、撮像部で撮像された検査対象画像に基づいて、補正平均輝度値と輝度閾値とを比較して良否判定を行う輝度検査部と、輝度分散値と分散閾値とを比較して良否判定を行う分散検査部と、輝度ＣＶ値とＣＶ閾値とを比較して良否判定を行うＣＶ検査部を備えた自動外観検査装置が開示されている。そして、この特許文献１の自動外観検査装置は、これらの検査部の中から検査する検査部を選択し、選択した検査部での良否判定結果に基づいて検査対象部位の良否判定を行うことが可能となっている。
この特許文献１の自動外観検査装置によれば、検査対象部位毎に撮像輝度が異なる場合であっても、検査対象部位の撮像輝度の違い影響を受けることなく、種々の異常モードに対し正確な良否判定を行うことができるとされている。
この特許文献１では、撮像部で撮像された検査対象画像に基づいて、補正平均輝度値と輝度閾値とを比較して良否判定を行う輝度検査部と、輝度分散値と分散閾値とを比較して良否判定を行う分散検査部と、輝度ＣＶ値とＣＶ閾値とを比較して良否判定を行うＣＶ検査部を備えた自動外観検査装置が開示されている。そして、この特許文献１の自動外観検査装置は、これらの検査部の中から検査する検査部を選択し、選択した検査部での良否判定結果に基づいて検査対象部位の良否判定を行うことが可能となっている。
この特許文献１の自動外観検査装置によれば、検査対象部位毎に撮像輝度が異なる場合であっても、検査対象部位の撮像輝度の違い影響を受けることなく、種々の異常モードに対し正確な良否判定を行うことができるとされている。
【先行技術文献】
【特許文献】
【0004】
【特許文献1】特開２０１５－１４８４４７号公報
【発明の概要】
【発明が解決しようとする課題】
【0005】
しかしながら、特許文献１の自動外観検査装置では、成膜面の傷のような外観異常個所（欠陥箇所）が不連続となり、一つのキズ領域としてみなすことができない場合に、当該外観異常個所の評価が難しい問題がある。
また、太陽電池セルの成膜面の色味は、光電変換層等を構成する各層の微妙な膜厚の違いで色味が大きく変わるため、成膜面に生じる外観異常について、外観異常の検出のための閾値を一意に定めることが難しい問題がある。
また、太陽電池セルの成膜面の色味は、光電変換層等を構成する各層の微妙な膜厚の違いで色味が大きく変わるため、成膜面に生じる外観異常について、外観異常の検出のための閾値を一意に定めることが難しい問題がある。
【0006】
そこで、本発明は、従来に比べてより正確に半導体の外観を検査できる外観検査システム及び外観検査方法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】
【0007】
上記した課題を解決するための本発明の一つの様相は、第１主面に配線領域と非配線領域を有する半導体の外観検査システムであって、前記配線領域と前記非配線領域を跨るように前記第１主面を撮影し、撮影画像を取得する撮影部と、前記撮影部で取得した撮影画像において前記配線領域の色情報を前記非配線領域の色情報で書き換えて又は前記配線領域の色情報を削除して加工画像を作成する画像処理部と、前記加工画像から複数の分割画像を抽出する抽出処理部と、過去に良品と判定された一又は複数の半導体の前記複数の分割画像から特徴量データを抽出し、分類モデルを作成する機械学習部と、前記分類モデルを用いて前記分割画像から良否判定を行う良否判定部を備える、外観検査システムである。
【0008】
ここでいう「過去に良品として判定された半導体」とは、過去に製品基準と比較し、製品基準を満たした半導体をいう。
【0009】
本様相によれば、良否判定部は、機械学習部が機械学習し作成した分類モデルを用いて半導体の良否判定を行うので、従来の画像処理だけでは検査が難しかった傷や色むらといった外観異常を人の判断に近い判断基準で検出できる。
本様相によれば、撮影部で取得した撮影画像において配線領域の色情報を非配線領域の色情報で書き換えて又は配線領域の色情報を削除して加工画像を作成するので、加工画像の見た目がほぼ同色となってシンプルになり、特徴量の抽出精度が従来に比べて向上し、良品と不良品との分類精度を向上できる。
本様相によれば、良品と判定された一又は複数の半導体の分割画像のみを用いて分類モデルを作成するので、製造初期などの十分量の不良品が無い生産プロセスに対しても適用ができ、また想定していない未知の外観異常が発生した際にも対応できる。
本様相によれば、撮影部で取得した撮影画像において配線領域の色情報を非配線領域の色情報で書き換えて又は配線領域の色情報を削除して加工画像を作成するので、加工画像の見た目がほぼ同色となってシンプルになり、特徴量の抽出精度が従来に比べて向上し、良品と不良品との分類精度を向上できる。
本様相によれば、良品と判定された一又は複数の半導体の分割画像のみを用いて分類モデルを作成するので、製造初期などの十分量の不良品が無い生産プロセスに対しても適用ができ、また想定していない未知の外観異常が発生した際にも対応できる。
【0010】
好ましい様相は、前記画像処理部は、前記撮影部で取得した撮影画像において前記配線領域の色情報を前記非配線領域の色情報で書き換えて加工画像を作成するものであり、前記非配線領域の色情報は、前記非配線領域における平均の色味に対応する色情報である。
【0011】
ここでいう「平均の色味」とは、前記非配線領域におけるＲＧＢ３ｃｈそれぞれの平均輝度値をいう。
【0012】
本様相によれば、加工画像の大きさを一定とすることができ、分割画像を一定の水準で抽出しやすい。
【0013】
好ましい様相は、前記機械学習部は、入力層と、中間層と、出力層を有し、前記複数の分割画像が前記入力層に入力され、前記分類モデルに基づいて、前記入力層に入力された分割画像から特徴抽出した特徴量データを前記中間層で生成し、前記特徴量データから復元された復元画像を前記出力層から出力するものであり、前記良否判定部は、前記入力層に入力した分割画像と、前記出力層から出力された復元画像を比較し、良否を判定することである。
【0014】
本様相によれば、入力層に入力した分割画像と、出力層から出力された復元画像を比較することで、外観異常が差分となって抽出できるので、良否を判定しやすい。
【0015】
好ましい様相は、前記抽出処理部は、一方向に隣接する分割画像間で重なり部分があるように前記加工画像から複数の分割画像を抽出することである。
【0016】
本様相によれば、分割画像間で重なり部分があるので、分割画像の境界部分に配線領域が位置していても、正確に外観異常を検知できる。
【0017】
好ましい様相は、前記撮影画像は、前記半導体以外の外部領域を含んでおり、前記画像処理部は、前記外部領域の前記半導体と接する部分の色情報を前記非配線領域の色情報で書き換えて又は前記外部領域の前記半導体と接する部分の色情報を削除して加工画像を作成することである。
【0018】
本様相によれば、半導体の縁部分まで正確に外観異常を検知できる。
【0019】
ところで、機械学習を行って分類モデルを作成するにあたって、正確な分類モデルを作成するためには、膨大な量の学習データが必要となる。
ここで、過去に不良品として判定された太陽電池セルであっても、太陽電池セルの第１主面の一部分だけが外観異常個所となっており、他の箇所は良品の太陽電池セルと相違ない場合が多い。すなわち、最終的に不良品と判定されたとしても外観異常個所は、一部分だけであり、他の部分は正常である場合がある。
そこで、本発明者は、外観異常個所と重ならない分割画像を機械学習の学習データとして使用することで学習データの数を増加させることを考えた。
ここで、過去に不良品として判定された太陽電池セルであっても、太陽電池セルの第１主面の一部分だけが外観異常個所となっており、他の箇所は良品の太陽電池セルと相違ない場合が多い。すなわち、最終的に不良品と判定されたとしても外観異常個所は、一部分だけであり、他の部分は正常である場合がある。
そこで、本発明者は、外観異常個所と重ならない分割画像を機械学習の学習データとして使用することで学習データの数を増加させることを考えた。
【0020】
上記の考えのもと導き出された本発明の一つの様相は、第１主面に配線領域と非配線領域を有する半導体の外観検査システムであって、前記配線領域と前記非配線領域を跨るように前記第１主面を撮影し、撮影画像を取得する撮影部と、前記撮影部で取得した撮影画像において前記配線領域の色情報を前記非配線領域の色情報で書き換えて又は前記配線領域の色情報を削除して加工画像を作成する画像処理部と、前記加工画像から複数の分割画像を抽出する抽出処理部と、過去に撮影された複数の半導体の前記分割画像から外観異常個所がない分割画像を選別し、選別した分割画像から特徴量データを抽出し、分類モデルを作成する機械学習部と、前記分類モデルを用いて前記分割画像から良否判定を行う良否判定部を備える、外観検査システムである。
【0021】
ここでいう「外観異常個所」とは、欠けやチッピング等の外形変化や、色むらや傷などをいう。
【0022】
本様相によれば、従来の画像処理だけでは検査が難しかった傷や色むらといった外観異常を人の判断に近い判断基準で検出できる。
本様相によれば、加工画像の見た目がほぼ同色となってシンプルになり、特徴量の抽出精度が従来に比べて向上し、良品と不良品との分類精度を向上できる。
本様相によれば、一部に外観異常個所があり、過去に不良品として判定された太陽電池セルであっても機械学習の学習データとして使用できる。
本様相によれば、加工画像の見た目がほぼ同色となってシンプルになり、特徴量の抽出精度が従来に比べて向上し、良品と不良品との分類精度を向上できる。
本様相によれば、一部に外観異常個所があり、過去に不良品として判定された太陽電池セルであっても機械学習の学習データとして使用できる。
【0023】
好ましい様相は、前記複数の半導体には、過去に不良品と判定された半導体を含む。
【0024】
ここでいう「過去に不良品として判定された半導体」とは、過去に製品基準と比較し、製品基準を満たさなかった半導体をいう。
【0025】
本発明の一つの様相は、第１主面に配線領域と非配線領域を有する半導体の外観検査方法であって、前記配線領域と前記非配線領域を跨るように前記第１主面を撮影し、撮影画像を取得する撮影工程と、前記撮影画像において前記配線領域の色情報を前記非配線領域の色情報で書き換えて又は前記配線領域の色情報を削除して加工画像を作成する画像処理工程と、前記加工画像から複数の分割画像を抽出する画像抽出工程と、過去に良品と判定された一又は複数の半導体の前記複数の分割画像から特徴量データを抽出し、分類モデルを作成するモデル作成工程と、前記分類モデルを用いて前記分割画像から良否判定を行う判定工程と、を含む外観検査方法である。
【0026】
本様相によれば、従来に比べてより正確に半導体の外観を検査できる。
【発明の効果】
【0027】
本発明の外観検査システム及び外観検査方法によれば、従来に比べてより正確に半導体の外観異常を検査できる。
【図面の簡単な説明】
【0028】
【図1】（ａ）は本発明の第１実施形態の外観検査システムの構成を概念的に示した図であり、（ｂ）は分類モデルのニューラルネットワークを概念的に示した図である。
【図4】抽出処理部によって抽出される分割画像の説明図であり、（ａ）は抽出する分割画像の縁を太線で表した図であり、（ｂ）は一の分割画像を抽出する際の図であり、（ｃ）は（ｂ）の一の分割画像と隣接する分割画像を抽出する際の図である。
【発明を実施するための形態】
【0029】
以下、本発明の実施形態について詳細に説明する。
【0030】
本発明の第１実施形態の外観検査システム１は、太陽電池セル１００（半導体）の外観を検査し、外観異常を判定するものである。
【0031】
太陽電池セル１００は、図２のように、板状のセルであり、第１主面１０１には、配線領域１０２と、非配線領域１０３がある。
配線領域１０２は、第１主面１０１側において光電変換部上に、パターン印刷によってバスバー電極部とフィンガー電極部で構成された集電極が形成された領域である。すなわち、配線領域１０２には、バスバー電極部が形成されたバスバー領域１０５と、フィンガー電極部が形成されたフィンガー領域１０６がある。
非配線領域１０３は、配線領域１０２以外の領域であり、主に、光電変換部が露出し、光電変換部の色味が反映された光電変換領域で構成されている。
光電変換部は、ｐ型半導体層とｎ型半導体層を含み、光エネルギーを電気エネルギーに変換可能な部位である。
配線領域１０２は、第１主面１０１側において光電変換部上に、パターン印刷によってバスバー電極部とフィンガー電極部で構成された集電極が形成された領域である。すなわち、配線領域１０２には、バスバー電極部が形成されたバスバー領域１０５と、フィンガー電極部が形成されたフィンガー領域１０６がある。
非配線領域１０３は、配線領域１０２以外の領域であり、主に、光電変換部が露出し、光電変換部の色味が反映された光電変換領域で構成されている。
光電変換部は、ｐ型半導体層とｎ型半導体層を含み、光エネルギーを電気エネルギーに変換可能な部位である。
【0032】
外観検査システム１は、図１（ａ）のように、撮影部２と、処理コンピュータ３を有している。
撮影部２は、図２のように、太陽電池セル１００の第１主面１０１を撮影し、図３のような撮影画像１２０を生成する部位である。
撮影部２は、図２のように、カメラ部１０と、台座部１１を備えている。
カメラ部１０は、太陽電池セル１００の第１主面１０１を撮影するカメラである。
台座部１１は、太陽電池セル１００を載置し、保持する台座である。
台座部１１の載置面は、太陽電池セル１００の非配線領域１０３や配線領域１０２と同色であってもよいが、太陽電池セル１００との境界部分を認識しやすくする観点から、太陽電池セル１００の非配線領域１０３及び配線領域１０２とは異なる色であることが好ましい。
撮影部２は、図２のように、太陽電池セル１００の第１主面１０１を撮影し、図３のような撮影画像１２０を生成する部位である。
撮影部２は、図２のように、カメラ部１０と、台座部１１を備えている。
カメラ部１０は、太陽電池セル１００の第１主面１０１を撮影するカメラである。
台座部１１は、太陽電池セル１００を載置し、保持する台座である。
台座部１１の載置面は、太陽電池セル１００の非配線領域１０３や配線領域１０２と同色であってもよいが、太陽電池セル１００との境界部分を認識しやすくする観点から、太陽電池セル１００の非配線領域１０３及び配線領域１０２とは異なる色であることが好ましい。
【0033】
処理コンピュータ３は、ハードウェア構成として、各装置を制御する制御装置とデータに対する演算を行う演算装置で構成される中央処理装置と、データを記憶する記憶装置、外部からデータを入力する入力装置、外部にデータを出力する出力装置を備えたコンピュータである。
処理コンピュータ３は、図１（ａ）のように、主要構成部位として、画像処理部２０と、抽出処理部２１と、機械学習部２２と、良否判定部２３と、データ蓄積部２４と、入出力部２５を備えている。
処理コンピュータ３は、図１（ａ）のように、主要構成部位として、画像処理部２０と、抽出処理部２１と、機械学習部２２と、良否判定部２３と、データ蓄積部２４と、入出力部２５を備えている。
【0034】
画像処理部２０は、図３のように、撮影部２で撮影した撮影画像１２０に対して色情報を加工する部位である。
画像処理部２０は、撮影画像１２０において配線領域１０２の色情報を非配線領域１０３の色情報で書き換えて加工画像１２１を作成することが可能となっている。
画像処理部２０は、撮影画像１２０において配線領域１０２の色情報を非配線領域１０３の色情報で書き換えて加工画像１２１を作成することが可能となっている。
【0035】
抽出処理部２１は、画像処理部２０で加工した加工画像１２１から画像を抽出し、複数の分割画像１２２を生成する部位である。
【0036】
機械学習部２２は、オートエンコーダによって教師なし学習を行うものであり、良品の分割画像１２２のみを使用して機械学習する部位である。
機械学習部２２は、過去に良品と判定された一又は複数の太陽電池セル１００における複数の分割画像１２２から特徴量データを抽出し、特徴量データから分割画像１２２を復元した復元画像１２３を生成する分類モデル３０を作成可能となっている。
分類モデル３０は、図１（ｂ）のように、ニューラルネットワークが、入力層３１と、中間層３２（隠れ層）と、出力層３３を備えており、入力層３１を構成するノードの数と、出力層３３を構成するノードの数が等しく、中間層３２に分割画像１２２を符号化する符号化部３５（エンコーダ部）と、復号化する復号化部３６（デコーダ部）を備えている。
そして、分類モデル３０では、入力層３１の各ノードＸ１～Ｘｎから分割画像１２２が入力されると、中間層３２の符号化部３５で分割画像１２２から特徴量データを抽出（次元削減）し、復号化部３６で分割画像１２２の特徴量データから分割画像１２２を復元した復元画像１２３を生成し、出力層３３の各ノードＹ１～Ｙｎから復元画像１２３が出力される。
機械学習部２２は、過去に良品と判定された一又は複数の太陽電池セル１００における複数の分割画像１２２から特徴量データを抽出し、特徴量データから分割画像１２２を復元した復元画像１２３を生成する分類モデル３０を作成可能となっている。
分類モデル３０は、図１（ｂ）のように、ニューラルネットワークが、入力層３１と、中間層３２（隠れ層）と、出力層３３を備えており、入力層３１を構成するノードの数と、出力層３３を構成するノードの数が等しく、中間層３２に分割画像１２２を符号化する符号化部３５（エンコーダ部）と、復号化する復号化部３６（デコーダ部）を備えている。
そして、分類モデル３０では、入力層３１の各ノードＸ１～Ｘｎから分割画像１２２が入力されると、中間層３２の符号化部３５で分割画像１２２から特徴量データを抽出（次元削減）し、復号化部３６で分割画像１２２の特徴量データから分割画像１２２を復元した復元画像１２３を生成し、出力層３３の各ノードＹ１～Ｙｎから復元画像１２３が出力される。
【0037】
良否判定部２３は、機械学習部２２で形成された分類モデル３０を用いて、入力層３１に入力された分割画像１２２と、出力層３３から出力された復元画像１２３を比較し、その差分から外観異常を評価し、良否判定を行う部位である。
【0038】
データ蓄積部２４は、過去及び現在の撮影画像１２０、加工画像１２１、及び分割画像１２２などの各種の画像や、機械学習部２２が作成した分類モデル３０、良否判定部２３の判定結果などをデータとして蓄積する部位である。
入出力部２５は、有線又は無線で撮影部２と接続され、撮影部２に対して操作信号又は操作データを送信し、撮影部２から撮影画像１２０のデータを受信する部位である。
入出力部２５は、有線又は無線で撮影部２と接続され、撮影部２に対して操作信号又は操作データを送信し、撮影部２から撮影画像１２０のデータを受信する部位である。
【0039】
続いて、本実施形態の外観検査システム１を用いて太陽電池セル１００を検査する外観検査方法について説明する。
【0040】
本実施形態の外観検査方法は、主に機械学習部２２によって分類モデル３０を生成する機械学習工程と、分類モデル３０を用いて太陽電池セル１００の良否判定を行う検査工程で構成されている。
【0041】
機械学習工程では、あらかじめ良品と判定された一又は複数の太陽電池セル１００のみを使用して実施されるものであり、撮影工程と、画像処理工程と、画像抽出工程と、モデル作成工程をこの順に実施するものである。
【0042】
機械学習工程では、まず、図２のように台座部１１上に太陽電池セル１００を載置し、第１主面１０１をカメラ部１０に対向させる。そして、カメラ部１０によって図３（ａ）のような撮影画像１２０を撮影する（撮影工程）。
【0043】
このとき、撮影画像１２０は、図３（ａ）のように、少なくとも太陽電池セル１００の配線領域１０２と非配線領域１０３が跨るように撮影されており、本実施形態では、台座部１１内に太陽電池セル１００が含まれるように撮影されている。
すなわち、本実施形態の撮影画像１２０は、配線領域１０２と非配線領域１０３と太陽電池セル１００以外の外部領域１０４の３領域に跨って撮影されている。
すなわち、本実施形態の撮影画像１２０は、配線領域１０２と非配線領域１０３と太陽電池セル１００以外の外部領域１０４の３領域に跨って撮影されている。
【0044】
続いて、図３（ｂ）のように撮影部２で撮影した撮影画像１２０に対して画像処理部２０で配線領域１０２の色情報を非配線領域１０３の色情報で書き換えて加工画像１２１を作成する（画像処理工程）。
【0045】
このとき、画像処理部２０は、画像処理ソフトウェアによって、撮影画像１２０の配線領域１０２を非配線領域１０３の色味で塗りつぶし加工を施し、さらに外部領域１０４の太陽電池セル１００に接する部分を塗りつぶし加工を施す。
本実施形態の画像処理部２０は、画像処理ソフトウェアによって、撮影画像１２０の配線領域１０２と外部領域１０４を非配線領域１０３の色味で塗りつぶし、撮影画像１２０全体の色味がほぼ同色になるように加工する。
ここで、基準となる非配線領域１０３の色味は、非配線領域１０３が持つ色味の範囲であれば特に限定されるものではないが、非配線領域１０３の平均の色味であることが好ましい。
本実施形態の画像処理部２０は、画像処理ソフトウェアによって、撮影画像１２０の配線領域１０２と外部領域１０４を非配線領域１０３の色味で塗りつぶし、撮影画像１２０全体の色味がほぼ同色になるように加工する。
ここで、基準となる非配線領域１０３の色味は、非配線領域１０３が持つ色味の範囲であれば特に限定されるものではないが、非配線領域１０３の平均の色味であることが好ましい。
【0046】
続いて、図４のように画像処理部２０によって加工された加工画像１２１から抽出処理部２１で複数の分割画像１２２を抽出する（画像抽出工程）。
【0047】
このとき、図４（ａ）のように、横方向（一方向）及び縦方向に隣接する分割画像１２２，１２２間でオーバーラップするように分割画像１２２を切り出す。
具体的には、加工画像１２１に対して四角形状に開口した画像切り出し用のフィルターを走査させることで多数の分割画像１２２を生成する。
分割画像１２２は、四角形状の画像であり、分割画像１２２，１２２間の重なり幅は、分割画像１２２の一辺の１／２０以上１／２以下であることが好ましい。
分割画像１２２の面積は、加工画像１２１の面積に比べて小さく、加工画像１２１の面積の１／１０以上１／１０００以下であることが好ましい。
具体的には、加工画像１２１に対して四角形状に開口した画像切り出し用のフィルターを走査させることで多数の分割画像１２２を生成する。
分割画像１２２は、四角形状の画像であり、分割画像１２２，１２２間の重なり幅は、分割画像１２２の一辺の１／２０以上１／２以下であることが好ましい。
分割画像１２２の面積は、加工画像１２１の面積に比べて小さく、加工画像１２１の面積の１／１０以上１／１０００以下であることが好ましい。
【0048】
続いて、複数の太陽電池セル１００の分割画像１２２を学習データとして用いて、分類モデル３０を作成する（モデル作成工程）。
具体的には、抽出処理部２１によって抽出された各分割画像１２２を入力層３１の各ノードＸ１～Ｘｎに入力し、符号化部３５によって符号化して特徴量データを抽出し、復号化部３６によって抽出した特徴量データから復号化して各分割画像１２２を復元し、出力層３３から復元画像１２３として出力される。そして、出力層３３から出力された各復元画像１２３を入力層３１に入力した各分割画像１２２と比較して各分割画像１２２と一致するように機械学習して分類モデル３０を作成する。
以上が機械学習工程である。
具体的には、抽出処理部２１によって抽出された各分割画像１２２を入力層３１の各ノードＸ１～Ｘｎに入力し、符号化部３５によって符号化して特徴量データを抽出し、復号化部３６によって抽出した特徴量データから復号化して各分割画像１２２を復元し、出力層３３から復元画像１２３として出力される。そして、出力層３３から出力された各復元画像１２３を入力層３１に入力した各分割画像１２２と比較して各分割画像１２２と一致するように機械学習して分類モデル３０を作成する。
以上が機械学習工程である。
【0049】
続いて、検査工程では、検査対象物である太陽電池セル１００（検査対象セル１００ともいう）に対して実施されるものであり、撮影工程と、画像処理工程と、画像抽出工程と、演算工程と、判定工程をこの順に実施するものである。
撮影工程と画像処理工程と画像抽出工程は、機械学習工程の撮影工程と画像処理工程と画像抽出工程と同様の工程であるため、説明を省略する。
撮影工程と画像処理工程と画像抽出工程は、機械学習工程の撮影工程と画像処理工程と画像抽出工程と同様の工程であるため、説明を省略する。
【0050】
検査工程の演算工程では、上記した機械学習工程によって作成された分類モデル３０を用い、画像抽出工程で抽出された検査対象セル１００の各部分の分割画像１２２を分類モデル３０のニューラルネットワークの入力層３１に入力する。入力層３１に各分割画像１２２が入力されると、分類モデル３０に基づいて出力層３３から各部分の復元画像１２３が出力される（演算工程）。
【0051】
検査対象セル１００の各部分の復元画像１２３が出力されると、良否判定部２３によって各分割画像１２２のデータと各復元画像１２３を比較して差分を取り、差分から良否判定を行う（判定工程）。
具体的には、各分割画像１２２と各復元画像１２３をそれぞれ比較し、その差分からそれぞれの分割画像１２２の異常度を算出して異常度を所定の基準値と比較して良否判定を行う。
分割画像１２２の異常度が所定の基準値超過の場合には、当該分割画像１２２が対応する太陽電池セル１００の部分に異常があると判定する。
分割画像１２２の異常度が所定の基準値以下の場合には、当該分割画像１２２が対応する太陽電池セル１００の部分に異常がない、すなわち、正常であると判定する。
具体的には、各分割画像１２２と各復元画像１２３をそれぞれ比較し、その差分からそれぞれの分割画像１２２の異常度を算出して異常度を所定の基準値と比較して良否判定を行う。
分割画像１２２の異常度が所定の基準値超過の場合には、当該分割画像１２２が対応する太陽電池セル１００の部分に異常があると判定する。
分割画像１２２の異常度が所定の基準値以下の場合には、当該分割画像１２２が対応する太陽電池セル１００の部分に異常がない、すなわち、正常であると判定する。
【0052】
本実施形態の外観検査システム１によれば、良否判定部２３は、機械学習部２２が学習し作成した分類モデル３０を用いて太陽電池セル１００の良否判定を行うので、従来の画像処理だけでは検査が難しかった傷や色むらといった外観異常を人の判断に近い判断基準で検出できる。
【0053】
本実施形態の外観検査システム１によれば、撮影部２で取得した撮影画像１２０において配線領域１０２の色情報を非配線領域１０３の色情報で書き換えて加工画像１２１を作成するので、加工画像１２１の見た目がほぼ同色となってシンプルになり、特徴量の抽出精度が従来に比べて向上し、良品と不良品との分類精度を向上できる。
【0054】
本実施形態の外観検査システム１によれば、良品と判定された一又は複数の太陽電池セル１００の分割画像１２２のみを用いて分類モデル３０を生成させるので、教師なし学習が可能であり、製造初期などの不良品が無い生産プロセスに対しても適用ができ、また想定していない未知の外観異常が発生した際にも対応できる。
【0055】
本実施形態の外観検査システム１によれば、一枚の太陽電池セル１００の撮影画像１２０から極小の多数の分割画像１２２を切り出して生成するため、元となる撮影画像１２０が少なくても、大量の学習用データを生成することができ、分類精度を向上できる。
【0056】
続いて、本発明の第２実施形態の検査装置について説明する。なお、第１実施形態の外観検査システム１と同様の構成については、同一の符号を付して説明を省略する。
【0057】
第２実施形態の検査装置は、機械学習工程が第１実施形態の外観検査システム１と異なる。
第２実施形態の機械学習工程では、過去に良品と判定された太陽電池セル１００だけではなく、過去に不良品と判定された太陽電池セル１００も学習データとして使用する。
具体的には、過去に良否が判定された太陽電池セル１００において、画像抽出工程で抽出した複数の分割画像１２２の中から傷等の外観異常個所がない分割画像１２２を選別し、選別した分割画像１２２を良品と判定された太陽電池セル１００の分割画像１２２とともに学習データとして用いて、分類モデル３０を作成する（モデル作成工程）。
第２実施形態の機械学習工程では、過去に良品と判定された太陽電池セル１００だけではなく、過去に不良品と判定された太陽電池セル１００も学習データとして使用する。
具体的には、過去に良否が判定された太陽電池セル１００において、画像抽出工程で抽出した複数の分割画像１２２の中から傷等の外観異常個所がない分割画像１２２を選別し、選別した分割画像１２２を良品と判定された太陽電池セル１００の分割画像１２２とともに学習データとして用いて、分類モデル３０を作成する（モデル作成工程）。
【0058】
分割画像１２２に外観異常個所があるかどうかは、例えば、以下の（１）～（４）の基準を満たすかどうかによって判断することができる。
すなわち、太陽電池セル１００の分割画像１２２に対応する部分が以下の（１）～（４）の少なくとも一つの基準を満たす場合は外観異常個所がないと判断する。
本実施形態では、太陽電池セル１００の分割画像１２２に対応する部分が以下の（１）～（４）の全ての基準を満たす場合は外観異常個所がないと判断する。
（１）外観上の欠けがないこと
（２）チッピングが生じていないこと
（３）変色部分がないこと
（４）傷がないこと、又は傷があり、その傷の長さが８ｍｍ以下であって幅が１ｍｍ以下であること
すなわち、太陽電池セル１００の分割画像１２２に対応する部分が以下の（１）～（４）の少なくとも一つの基準を満たす場合は外観異常個所がないと判断する。
本実施形態では、太陽電池セル１００の分割画像１２２に対応する部分が以下の（１）～（４）の全ての基準を満たす場合は外観異常個所がないと判断する。
（１）外観上の欠けがないこと
（２）チッピングが生じていないこと
（３）変色部分がないこと
（４）傷がないこと、又は傷があり、その傷の長さが８ｍｍ以下であって幅が１ｍｍ以下であること
【0059】
一方、太陽電池セル１００の分割画像１２２に対応する部分が上記の（１）～（４）の全ての基準を満たさない場合は当該分割画像１２２に外観異常個所があると判断し、当該分割画像１２２を学習データとして使用しない。
【0060】
第２実施形態の検査装置によれば、良品の太陽電池セル１００の分割画像１２２だけではなく、不良品の太陽電池セル１００の分割画像１２２を機械学習部２２の学習データとして使用できるため、良品の太陽電池セル１００の分割画像１２２のみを使用する場合に比べて学習データの数を増やすことができ、より精度良く分類モデル３０を作成できる。
【0061】
上記した実施形態では、画像処理部２０は、撮影部２で撮影した撮影画像１２０において配線領域１０２の色情報を非配線領域１０３の色情報で書き換えて加工画像１２１を作成したが、本発明はこれに限定されるものではない。画像処理部２０は、撮影部２で撮影した撮影画像１２０において配線領域１０２の色情報を削除して加工画像１２１を作成してもよい。
【0062】
上記した実施形態では、各分割画像１２２を各復元画像１２３と比較し、外観異常を判定したが、本発明はこれに限定されるものではない、各復元画像１２３から太陽電池セル１００の加工画像１２１を復元し、分割画像１２２を抽出する前の加工画像１２１と、復元画像１２３から復元された加工画像１２１を比較して外観異常を判定してもよい。
【0063】
上記した実施形態では、太陽電池セル１００の表面たる第１主面１０１に対して良否判定を行ったが、本発明はこれに限定されるものではない。裏面たる第２主面に対して良否判定を行ってもよい。
【0064】
上記した実施形態では、太陽電池セル１００に対して検査したが、本発明はこれに限定されるものではない。有機ＥＬパネル等の他の半導体に対して検査してもよい。また、モジュール化された太陽電池モジュールに対して検査してもよい。
【0065】
上記した実施形態では、撮影部２は、処理コンピュータ３の入出力部２５と直接接続されていたが、本発明はこれに限定されるものではない。撮影部２は、処理コンピュータ３の入出力部２５とインターネットやイントラネット等のネットワークを介して接続されていてもよい。
【0066】
上記した実施形態では、機械学習部２２は、オートエンコーダを用いた分類モデル３０を作成したが、本発明はこれに限定されるものではない。他の機械学習手法により分類モデル３０を作成してもよい。
【0067】
上記した実施形態は、本発明の技術的範囲に含まれる限り、各実施形態間で各構成部材を自由に置換や付加できる。
【符号の説明】
【0068】
１ 外観検査システム
２ 撮影部
２０ 画像処理部
２１ 抽出処理部
２２ 機械学習部
２３ 良否判定部
３０ 分類モデル
３１ 入力層
３２ 中間層
３３ 出力層
１００ 太陽電池セル
１０１ 第１主面
１０２ 配線領域
１０３ 非配線領域
１０４ 外部領域
１２０ 撮影画像
１２１ 加工画像
１２２ 分割画像
１２３ 復元画像
２ 撮影部
２０ 画像処理部
２１ 抽出処理部
２２ 機械学習部
２３ 良否判定部
３０ 分類モデル
３１ 入力層
３２ 中間層
３３ 出力層
１００ 太陽電池セル
１０１ 第１主面
１０２ 配線領域
１０３ 非配線領域
１０４ 外部領域
１２０ 撮影画像
１２１ 加工画像
１２２ 分割画像
１２３ 復元画像
【図1】
【図2】
【図3】
【図4】