2025-5766 検査装置

(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】P2025005766

(43)【公開日】2025-01-17

(54)【発明の名称】検査装置

(51)【国際特許分類】

   G01N 23/18 20180101AFI20250109BHJP

   G01N 23/046 20180101ALI20250109BHJP

   G01N 21/88 20060101ALI20250109BHJP

【ＦＩ】

G01N23/18

G01N23/046

G01N21/88 J

【審査請求】未請求

【請求項の数】5

【出願形態】ＯＬ

(21)【出願番号】P 2023106106

(22)【出願日】2023-06-28

(71)【出願人】

【識別番号】000000011

【氏名又は名称】株式会社アイシン

(74)【代理人】

【識別番号】110002147

【氏名又は名称】弁理士法人酒井国際特許事務所

(72)【発明者】

【氏名】長谷部 瑛久

(72)【発明者】

【氏名】▲桑▼原 伸明

(72)【発明者】

【氏名】武藤 功樹

【テーマコード（参考）】

2G001

2G051

【Ｆターム（参考）】

2G001AA01

2G001BA11

2G001CA01

2G001DA09

2G001FA01

2G001FA06

2G001FA29

2G001HA07

2G001HA14

2G001KA03

2G001LA11

2G051AA61

2G051AB02

2G051CA04

2G051EA12

2G051EB01

2G051EB10

2G051EC01

(57)【要約】

【課題】計算資源を増大化させることなく検査対象物の異常を高精度に検出可能な検査装置を提供する。
【解決手段】検査装置は、検査対象物の異なる部分を撮像した複数の画像を取得する取得部と、機械学習により重みが設定された学習済みモデルを用いて部分毎に画像の特徴量を出力する特徴抽出部と、それぞれが部分毎に設定されたパラメータを有する複数の推論モデルを含み、特徴量を当該特徴量に対応する部分に対応する推論モデルに入力することにより、部分毎に異常が存在することの確からしさを示す指標値を出力する推論部と、それぞれが部分毎に設定された閾値を有する複数の判定モデルを含み、指標値を当該指標値に対応する部分に対応する判定モデルに入力することにより、部分毎に異常の有無を示す部分判定結果を出力する部分判定部と、複数の部分判定結果に基づいて検査対象物の異常の有無を判定する統合判定部と、を備える。
【選択図】図４

【特許請求の範囲】

【請求項1】

検査対象物の異なる部分を撮像した複数の画像を取得する取得部と、
機械学習により重みが設定された学習済みモデルを用いて前記部分毎に前記画像の特徴量を出力する特徴抽出部と、
それぞれが前記部分毎に設定されたパラメータを有する複数の推論モデルを含み、前記特徴抽出部から出力された前記特徴量を当該特徴量に対応する前記部分に対応する前記推論モデルに入力することにより、前記部分毎に異常が存在することの確からしさを示す指標値を出力する推論部と、
それぞれが前記部分毎に設定された閾値を有する複数の判定モデルを含み、前記推論部から出力された前記指標値を当該指標値に対応する前記部分に対応する前記判定モデルに入力することにより、前記部分毎に異常の有無を示す部分判定結果を出力する部分判定部と、
前記部分判定部から出力された複数の前記部分判定結果に基づいて前記検査対象物の異常の有無を判定する統合判定部と、
を備える検査装置。

【請求項2】

前記部分は、前記検査対象物の内部を分割する階層であり、
前記画像は、各前記階層における前記検査対象物の内部構造を示すＸ線画像である、
請求項１に記載の検査装置。

【請求項3】

前記学習済みモデルに所定のデータセットを入力して得られる出力に基づいて複数の前記部分のうちの１つである第１部分に対応する前記推論モデルの前記パラメータを算出し、当該算出されたパラメータを有する前記推論モデルに所定のデータセットを入力して得られる出力に基づいて前記第１部分に対応する前記判定モデルの前記閾値を算出する学習処理部、
を更に備える請求項１に記載の検査装置。

【請求項4】

前記学習処理部は、前記検査対象物以外の物体を撮像した画像を含むデータセットを用いて前記学習済みモデルの重みを算出する、
請求項３に記載の検査装置。

【請求項5】

前記推論部は、特徴毎に正規化された距離を用いて、前記特徴量の入力に対して前記指標値を出力する、
請求項１に記載の検査装置。

【発明の詳細な説明】

【技術分野】

【0001】

本発明の実施形態は、検査装置に関する。

【背景技術】

【0002】

工業製品等の検査対象物の異常（欠陥や不良等）を検出する技術として、検査対象物の内部や表面を撮像した画像を解析することにより検査対象物を破壊することなくその異常を検出可能な非破壊検査が利用されている。このような非破壊検査における画像解析処理に機械学習（深層学習）により生成された学習済みモデルが利用される場合がある。

【先行技術文献】

【特許文献】

【0003】

【特許文献1】特開２０２０－２４２０１号公報

【発明の概要】

【発明が解決しようとする課題】

【0004】

上記のような非破壊検査において、１つの検査対象物について複数の部分を撮像した複数の画像（例えば、検査対象物の内部構造を複数の階層に分割して撮像した複数の断面画像等）を取得し、これらの画像のそれぞれについて画像解析処理を行う場合がある。このような場合、部分（例えば階層等）毎に異なる画像解析処理を行う必要があるが、部分毎に異なる学習済みモデルを使用すると、多大な計算資源（メモリ容量や処理能力等）が必要となる。

【0005】

そこで、本発明の実施形態が解決しようとする課題の一つは、計算資源を増大化させることなく検査対象物の異常を高精度に検出可能な検査装置を提供することである。

【課題を解決するための手段】

【0006】

実施形態の検査装置は、検査対象物の異なる部分を撮像した複数の画像を取得する取得部と、機械学習により重みが設定された学習済みモデルを用いて部分毎に画像の特徴量を出力する特徴抽出部と、それぞれが部分毎に設定されたパラメータを有する複数の推論モデルを含み、特徴抽出部から出力された特徴量を当該特徴量に対応する部分に対応する推論モデルに入力することにより、部分毎に異常が存在することの確からしさを示す指標値を出力する推論部と、それぞれが部分毎に設定された閾値を有する複数の判定モデルを含み、推論部から出力された指標値を当該指標値に対応する部分に対応する判定モデルに入力することにより、部分毎に異常の有無を示す部分判定結果を出力する部分判定部と、部分判定部から出力された複数の部分判定結果に基づいて検査対象物の異常の有無を判定する統合判定部と、を備える。

【0007】

上記構成によれば、１つの学習済みモデルと、部分毎に設定されたパラメータを有する複数の推論モデルと、部分毎に設定された閾値を有する複数の判定モデルと、を用いて検査対象物の異常が検出される。そして、複数の推論モデルの各パラメータ及び複数の判定モデルの各閾値をそれぞれ対応する部分に適合するように設定（最適化）することにより、大きな計算資源を必要とする学習済みモデルを複数用いることなく、複数の画像を部分毎に異なる状況に合わせて適切に解析することが可能となる。これにより、計算資源を増大化させることなく高精度な非破壊検査を実施することが可能となる。

【図面の簡単な説明】

【0008】

【図1】図１は、実施形態の検査装置の構成の一例を示す図である。

【図2】図２は、実施形態の検査対象物及び画像の一例を示す図である。

【図3】図３は、実施形態の階層と画像との関係の一例を示す図である。

【図4】図４は、実施形態の検査装置の機能構成の一例を示す図である。

【図5】図５は、実施形態の検査装置による検査処理の一例を示すフローチャートである。

【図6】図６は、実施形態の学習処理の一例を示すフローチャートである。

【発明を実施するための形態】

【0009】

以下、本発明の例示的な実施形態が開示される。以下に示される実施形態の構成、並びに当該構成によってもたらされる作用、結果及び効果は、一例である。本発明は、以下の実施形態に開示される構成以外によって実現可能であると共に、基本的な構成に基づく種々の効果や派生的な効果のうち少なくとも１つを得ることが可能である。

【0010】

図１は、実施形態の検査装置１の構成の一例を示す図である。本実施形態の検査装置１は、所定の検査対象物Ｏの異常を、検査対象物Ｏを破壊することなく検出する非破壊検査が可能な装置である。検査対象物Ｏは、特に限定されるべきものではないが、例えば半導体デバイス、車載部品、その他各種の工業製品等であり得る。

【0011】

本実施形態の検査装置１は、撮像装置１１及び情報処理装置１２を含む。

【0012】

撮像装置１１は、検査対象物Ｏの所定の部分を撮像した画像（画像データ）を取得する装置である。撮像装置１１は、例えば、Ｘ線等を利用して検査対象物Ｏの内部構造を示す断面画像を取得可能なＣＴ（Computed Tomography）装置等であり得る。なお、撮像装置１１は、ＣＴ装置に限定されるものではなく、例えば検査対象物Ｏの表面の状態を示す外観画像を取得可能な可視光線カメラ、赤外線カメラ、超音波カメラ等であってもよい。

【0013】

情報処理装置１２は、撮像装置１１により取得された画像に基づいて検査対象物Ｏの異常を検出するための処理を実行する装置である。情報処理装置１２は、例えば、ＣＰＵ（Central Processing Unit）２１、メモリ２２、通信Ｉ／Ｆ（Interface）２３、ユーザＩ／Ｆ２４等を備える汎用コンピュータであり得る。ＣＰＵ２１は、メモリ２２に記憶されたプログラムに従って検査対象物Ｏの異常を検出するための各種処理を実行する。メモリ２２には、当該プログラムの他、当該処理の実行に必要な各種データを記憶する。通信Ｉ／Ｆ２３は、撮像装置１１等の外部機器と所定のネットワークを介して通信を確立するデバイスである。ユーザＩ／Ｆ２４は、ユーザとの間で情報の入出力を可能にするデバイスであり、例えばディスプレイ、スピーカ、キーボード、ポインティングデバイス、タッチパネル機構、マイク等であり得る。

【0014】

図２は、実施形態の検査対象物Ｏ及び画像Ｉ１～Ｉｎの一例を示す図である。図２において、検査対象物Ｏの上面図が例示されている。ここで例示する検査対象物Ｏは、プロセッサ等の電子回路部品の電極として機能する、複数のバンプＢを有するＢＧＡ（Ball Grid Array）である。ここで例示するＢＧＡは、基板Ｓの表面に複数のバンプＢが所定の間隔で配列されて構成されている。各バンプＢは、導電性の材料からなり、基板Ｓの表面から突出するように形成された、側面視で略楕円球状又は略球状の部材である。

【0015】

本実施形態の撮像装置１１は、Ｘ線等を利用してバンプＢの内部構造を示す複数の画像Ｉ１～Ｉｎを取得する。これらの画像Ｉ１～Ｉｎは、バンプＢを高さ方向（基板Ｓの表面に対して垂直な方向）に分割する複数の階層（本例では第１階層～第ｎ階層）のそれぞれに対応する断面画像である。本実施形態の情報処理装置１２は、このような複数の画像Ｉ１～Ｉｎのそれぞれに対して所定の画像解析処理を行い、その結果に基づいて全てのバンプＢ又は選択された１以上のバンプＢの異常を検出する。なお、複数の画像Ｉ１～Ｉｎは、Ｘ線画像に限定されるものではなく、例えば、欠陥を複数の角度から撮影した画像であってもよい。複数の角度から撮影することによって、一定の角度では見えない欠点を検知できるという効果がある。

【0016】

図３は、実施形態の階層と画像との関係の一例を示す図である。図３において、略楕円球状のバンプＢの内部にボイド５５が存在する状態が例示されている。例えば、このようなボイド５５がある程度高い割合で混入しているバンプＢを異常があるものと判定できる。なお、ボイド５５は検査対象物Ｏを異常たらしめる異常要因の一例であって、異常要因はボイド５５に限定されるものではない。

【0017】

ここで例示するバンプＢは、略楕円球状であるため、その幅（基板Ｓと平行な断面の直径）は、階層毎に異なっている。具体的には、ここで例示するバンプＢの幅は、中央の階層である第（ｎ／２）階層で最も大きく、端部の階層、すなわち第１階層又は第ｎ階層に近付くほど小さくなっている。

【0018】

図３において、あるボイド５５が存在する位置に対応する第ａ階層の画像Ｉａと、他のボイド５５が存在する位置に対応する第ｂ階層の画像Ｉｂと、が例示されている。ここでは、第ａ階層は、第ｂ階層より第（ｎ／２）階層に近い。このような場合、第ａ階層におけるバンプＢの幅Ｄ１は、第ｂ階層におけるバンプＢの幅Ｄ２より大きくなる。すなわち、第ａ階層の画像Ｉａにおける撮像領域ＲＩの幅Ｄに対するバンプＢの幅Ｄ１の割合Ｄ１／Ｄは、第ｂ階層の画像Ｉｂにおける撮像領域ＲＩの幅Ｄに対するバンプＢの幅Ｄ２の割合Ｄ２／Ｄより大きくなる。

【0019】

上記のように、検査対象物Ｏの形状的特徴等に応じて、撮像領域ＲＩと、検査対象物Ｏ（バンプＢ）の映像と、異常要因（ボイド５５等）の映像と、の関係が階層毎に異なることとなる。そのため、バンプＢの異常を高精度に検出するためには、階層毎に画像Ｉ１～Ｉｎに対する画像解析処理におけるパラメータや閾値等を調整することが必要となる。

【0020】

図４は、実施形態の検査装置１の機能構成の一例を示す図である。本実施形態の検査装置１は、取得部１０１、特徴抽出部１０２、推論部１０３、部分判定部１０４、統合判定部１０５、出力部１０６及び学習処理部１０７を備える。これらの機能部は、例えば図１に例示するようなハードウェアとソフトウェアとの協働により実現され得る。また、これらの機能部のうちの少なくとも１つが専用のハードウェア（回路等）により実現されてもよい。

【0021】

取得部１０１は、検査対象物Ｏ（例えばバンプＢ）の複数の部分（例えば階層）のそれぞれを撮像した複数の画像Ｉ１～Ｉｎを取得する。ここでは、複数の画像Ｉ１～Ｉｎが検査対象物Ｏの内部構造を階層毎に示す複数の断面画像である場合を例として説明するが、複数の画像はこれに限定されるものではない。例えば、検査対象物の表面を複数の角度から撮像した外観画像等を当該複数の画像としてもよい。

【0022】

特徴抽出部１０２は、機械学習（深層学習）により重みＷが設定された学習済みモデルを用いて部分（階層）毎に画像Ｉ１～Ｉｎの特徴量Ｆ１～Ｆｎを出力する。学習済みモデルの具体的構造は限定されないが、例えば、ニューラルネットワークを用いた構造であり得る。なお、特徴量Ｆ１～Ｆｎはそれぞれ一つ以上の値を取ることができる。例えば、特徴量Ｆ１～Ｆｎはスカラー値であってもよいし、ベクトルであってもよい。

【0023】

特徴量Ｆ１～Ｆｎをどのような性質を有する値にするかは、検査対象物Ｏの種類や特性等に応じて適宜決定されるべきものである。バンプＢを検査対象物Ｏとする場合、特徴量Ｆ１～Ｆｎは、例えば、画像Ｉ１～Ｉｎ内においてボイド５５の映像の面積が占める割合が大きいほど大きくなる値等であり得る。

【0024】

推論部１０３は、部分（階層）毎に設けられた複数の推論モデル（第１～第ｎ推論モデル）を含み、特徴抽出部１０２から出力された複数の特徴量Ｆ１～Ｆｎをそれぞれ対応する推論モデルに入力することにより、部分（階層）毎に異常が存在することの確からしさを示す指標値としての異常度Ｓ１～Ｓｎを出力する。複数の推論モデル（第１～第ｎ推論モデル）のそれぞれは、部分（階層）毎に設定された固有のパラメータα１～αｎを有する。

【0025】

指標値の一例としての異常度Ｓ１～Ｓｎは、例えば、異常がある可能性が高いほど大きくなる値等であり、特徴量Ｆ１～Ｆｎと固有のパラメータα１～αｎで設定された分布との距離が大きいほど大きくなる値等であり得る。複数の推論モデルのそれぞれは、階層毎に異なる固有のパラメータα１～αｎを有する。これらのパラメータα１～αｎは、例えば、階層毎に異なる検査対象物Ｏの状態（例えば階層毎にバンプＢの幅が異なること等）に適合するように設定される。推論モデルの具体的構成は、検査対象物Ｏの種類や特性等に応じて適宜決定される。なお、固有のパラメータα１～αｎは値が一致することがあってもよい。また、固有のパラメータα１～αｎはそれぞれスカラー値やベクトルのように１つ以上の値をとることができる。

【0026】

異常度Ｓ１～Ｓｎの算出方法に正規化した距離を測る方法を用いることで、異常度Ｓ１～Ｓｎはある特定の確率密度分布に従った値を取り得る。このため、分布の特性から得られる閾値によって判定が可能となるため、閾値の設定を自動化することができ、設定工数の削減効果が得られる。例えば、正規化した距離として、異常度Ｓ１～Ｓｎの算出方法にマハラノビス距離を用いることで、異常度Ｓ１～Ｓｎはカイ二乗分布に従う。このため、カイ二乗分布の累積確率と異常の発生確率が一致する確率変数の値で閾値を設定することで、目的の異常判定精度を満たし得る閾値を計算のみにより導出することができるため、閾値の設定を自動化することができる。また、正規化した距離の代わりとして、コサイン類似度を用いることもできる。

【0027】

部分判定部１０４は、部分（階層）毎に設けられた複数の判定モデル（第１～第ｎ判定モデル）を含み、推論部１０３から出力された複数の異常度Ｓ１～Ｓｎをそれぞれ対応する判定モデルに入力することにより、部分（階層）毎に異常の有無を示す部分判定結果Ｒ１～Ｒｎを出力する。複数の判定モデル（第１～第ｎ判定モデル）のそれぞれは、部分（階層）毎に設定された固有の閾値β１～βｎを有する。

【0028】

各判定モデルは、例えば、入力された異常度Ｓ１～Ｓｎがそれぞれ対応する閾値β１～βｎより大きい場合に異常があると判定するロジックモデル等であり得る。複数の判定モデルのそれぞれは、階層毎に異なる固有の閾値β１～βｎを有する。これらの閾値β１～βｎは、例えば、推論モデルのパラメータα１～αｎと同様に、階層毎に異なる検査対象物Ｏの状態に適合するように設定される。なお、閾値β１～βｎは、階層毎に異なる検査対象物Ｏの状態と適合度合いによって、共通の値が設定されることも可能である。この場合、共通の値を設定できる階層については一括で閾値β１～βｎを設定できるため、閾値β１～βｎの設定工程を低減できるという効果がある。

【0029】

統合判定部１０５は、部分判定部１０４から出力された複数の部分判定結果Ｒ１～Ｒｎに基づいて検査対象物Ｏの異常の有無を判定し、その結果を示す統合判定結果ＲＴを出力する。なお、何を検査対象物Ｏとするかは使用状況等に応じて適宜設定され得るものであり、例えば、複数のバンプＢのそれぞれを検査対象物Ｏとしてもよいし、複数のバンプＢを含むＢＧＡを検査対象物Ｏとしてもよい。

【0030】

出力部１０６は、統合判定部１０５から出力された統合判定結果ＲＴを所定の形式で出力する。

【0031】

学習処理部１０７は、学習済みモデルの重みを設定するための学習処理、複数の推論モデルのそれぞれのパラメータα１～αｎを設定するための学習処理、及び複数の判定モデルのそれぞれの閾値β１～βｎを設定するための学習処理を実行する。学習処理部１０７は、重みＷが設定された学習済みモデルに所定のデータセットを入力して得られる出力に基づいて複数の部分（階層）のうちの１つである第１部分に対応する推論モデルのパラメータを算出し、当該算出されたパラメータを有する推論モデルに所定のデータセットを入力して得られる出力に基づいて第１部分に対応する判定モデルの閾値を算出する。例えば、学習処理部１０７は、重みＷが設定された学習済みモデルに所定のデータセットを入力して得られる出力に基づいて第１階層に対応する第１推論モデルのパラメータα１を算出する。そして、学習処理部１０７は、当該パラメータα１を有する第１推論モデルに所定のデータセットを入力して得られる出力に基づいて第１階層に対応する第１判定モデルの閾値β１を算出する。

【0032】

上記構成によれば、１つの学習済みモデル（重みＷ）を用いて複数の画像Ｉ１～Ｉｎに対して階層毎に異なる状況に適合するように画像解析処理を実行できる。これにより、メモリ等の計算資源を削減できる。

【0033】

図５は、実施形態の検査装置１による検査処理の一例を示すフローチャートである。取得部１０１が検査対象物Ｏ（例えばバンプＢ）の各階層の画像Ｉ１～Ｉｎを取得すると、階層を示す変数ｄが１に設定される（Ｓ１０１）。

【0034】

特徴抽出部１０２は、第ｄ階層の画像Ｉｄ（初期段階では第１階層の画像Ｉ１）を、事前の機械学習により重みＷが設定された学習済みモデルに入力し、画像Ｉｄの特徴を示す特徴量Ｆｄ（初期段階では特徴量Ｆ１）を取得する（Ｓ１０２）。

【0035】

その後、推論部１０３は、特徴抽出部１０２により取得された特徴量Ｆｄを第ｄ推論モデル（初期段階では第１階層に対応するパラメータα１を有する第１推論モデル）に入力し、第ｄ階層の異常度Ｓｄ（初期段階では第１階層の異常度Ｓ１）を取得する（Ｓ１０３）。

【0036】

その後、部分判定部１０４は、推論部１０３により取得された異常度Ｓｄを第ｄ判定モデル（初期段階では第１階層に対応する閾値β１を有する第１判定モデル）に入力し、第ｄ階層における異常の有無を示す部分判定結果Ｒｄ（初期段階では第１階層の部分判定結果Ｒ１）を取得する（Ｓ１０４）。

【0037】

その後、ｄ＝ｎか否か、すなわち変数ｄが最大階層数ｎに達したか否かが判定され（Ｓ１０５）、ｄ＝ｎでない場合（Ｓ１０５：Ｎｏ）、現在の変数ｄに１を加算した後（Ｓ１０６）、ステップＳ１０２以降の処理が再度実行される。すなわち、第１階層の部分判定結果Ｒ１が取得された後、第２階層の部分判定結果Ｒ２を取得するためにステップＳ１０２～Ｓ１０４の処理が実行され、その後、第ｎ階層の部分判定結果Ｒｎの取得が完了するまでステップＳ１０２～Ｓ１０４の処理が繰り返される。

【0038】

ｄ＝ｎである場合（Ｓ１０５：Ｙｅｓ）、すなわち全階層１～ｎ分の部分判定結果Ｒ１～Ｒｎが取得された後、統合判定部１０５は、これらの部分判定結果Ｒ１～Ｒｎに基づいて検査対象物Ｏの異常の有無を判定する（Ｓ１０７）。当該判定の具体的手法は、検査対象物Ｏの種類や特性等に応じて適宜決定されるべきものであるが、例えば、複数の部分判定結果Ｒ１～Ｒｎのうち１つでも異常がある場合には、検査対象物Ｏに異常があると判定してもよい。そして、出力部１０６は、統合判定部１０５による判定結果を示す統合判定結果ＲＴを所定の形式で出力する（Ｓ１０８）。

【0039】

以下に、学習済みモデルの重みＷ、複数の推論モデルの各パラメータα１～αｎ及び複数の判定モデルの各閾値β１～βｎを設定するための学習処理ついて説明する。

【0040】

図６は、実施形態の学習処理の一例を示すフローチャートである。先ず、学習処理部１０７は、学習済みモデルの重みＷとして、ドメイン外のデータセットを用いて算出された重みを使用するか否かを判定する（Ｓ２０１）。ドメイン外のデータセットとは、実際の検査対象物Ｏ以外の物体を撮像した画像を含むデータセットである。このようなドメイン外のデータセットを用いることにより、重みを算出するための機械学習を検査対象物Ｏ（バンプＢ）毎に行う必要がなくなるため、学習処理に要する工数を低減できる。

【0041】

ドメイン外のデータセットを用いて算出された重みを使用しない場合（Ｓ２０１：Ｎｏ）、学習処理部１０７は、ドメイン外のデータセットとは異なる所定のデータセット（例えば、実際の検査対象物Ｏの画像のみからなるデータセット）を用いて重みを算出し（Ｓ２０２）、その後、階層を示す変数ｄを１に設定する（Ｓ２０３）。また、ドメイン外のデータセット用いて算出された重みを使用する場合（Ｓ２０１：Ｙｅｓ）、ステップＳ２０２を行うことなく、変数ｄを１に設定する（Ｓ２０３）。

【0042】

その後、学習処理部１０７は、上記のように算出された重みＷが設定された学習済みモデルにパラメータ設定用のデータセットを入力して得られた出力に基づいて第ｄ推論モデルのパラメータαｄ（初期段階では第１推論モデルのパラメータα１）を算出する（Ｓ２０４）。

【0043】

その後、学習処理部１０７は、上記のように算出されたパラメータαｄを有する第ｄ推論モデルに閾値設定用のデータセットを入力して得られた出力に基づいて第ｄ判定モデルの閾値βｄ（初期段階では第１判定モデルの閾値β１）を算出する（Ｓ２０５）。

【0044】

その後、ｄ＝ｎか否か、すなわち変数ｄが最大階層数ｎに達したか否かが判定され（Ｓ２０６）、ｄ＝ｎでない場合（Ｓ２０６：Ｎｏ）、現在の変数ｄに１を加算した後（Ｓ２０７）、ステップＳ２０４以降の処理が再度実行される。すなわち、第１階層に対応するパラメータα１及び閾値β１の設定が完了した後、第２階層に対応するパラメータα２及び閾値β２を設定するためのステップＳ２０４，Ｓ２０５の処理が実行され、その後、第ｎ階層のパラメータαｎ及び閾値βｎの設定が完了するまでステップＳ２０４，Ｓ２０５の処理が繰り返される。

【0045】

ｄ＝ｎである場合（Ｓ２０６：Ｙｅｓ）、すなわち全階層１～ｎ分のパラメータα１～αｎ及び閾値β１～βｎの設定が完了すると、本ルーチンは終了する。このような学習処理により、複数の階層のそれぞれに対応するパラメータα１～αｎ及び閾値β１～βｎを簡便且つ適切に設定できる。

【0046】

以上のように、本実施形態によれば、１つの学習済みモデルを利用して複数の画像Ｉ１～Ｉｎのそれぞれの特徴量Ｆ１～Ｆｎが抽出される。そして、各特徴量Ｆ１～Ｆｎをそれぞれ対応する推論モデルに入力することにより階層毎に異常度Ｓ１～Ｓｎが取得され、各異常度Ｓ１～Ｓｎをそれぞれ対応する判定モデルに入力することにより階層毎に部分判定結果Ｒ１～Ｒｎが取得され、複数の部分判定結果Ｒ１～Ｒｎに基づいて検査対象物Ｏの異常の有無が判定される。そして、複数の推論モデルの各パラメータα１～αｎ及び複数の判定モデルの各閾値β１～βｎは、それぞれ対応する階層に適合するように設定（最適化）される。すなわち、１つの学習済みモデルを用いて複数の画像Ｉ１～Ｉｎに対して階層毎に異なる状況に適合するように画像解析処理を実行できる。これにより、計算資源を増大化させることなく高精度な非破壊検査を実施することが可能となる。

【0047】

また、上記実施形態において、検査対象物Ｏの部分は、検査対象物Ｏの内部を分割する階層であり、画像は、各階層における検査対象物Ｏの内部構造を示すＸ線画像である。この構成によれば、検査対象物Ｏの内部構造を複数の階層に分割して撮像した複数のＸ線画像を用いて行われる非破壊検査を小さい計算資源で高精度に実施できる。

【0048】

また、上記実施形態において、検査装置１は、学習済みモデルに所定のデータセットを入力して得られる出力に基づいて複数の部分のうちの１つである第１部分に対応する推論モデルのパラメータを算出し、当該算出されたパラメータを有する推論モデルに所定のデータセットを入力して得られる出力に基づいて第１部分に対応する判定モデルの閾値を算出する学習処理部１０７、を備える。この構成によれば、複数の推論モデルの各パラメータ及び複数の判定モデルの各閾値をそれぞれ対応する部分に適合するように簡便且つ適切に設定（最適化）できる。

【0049】

また、上記実施形態において、学習処理部１０７は、検査対象物Ｏ以外の物体を撮像した画像を含むデータセットを用いて学習済みモデルの重みを算出する。この構成によれば、重みを算出するための機械学習を検査対象物毎に行う必要がなくなるため、学習処理に要する工数を低減できる。

【0050】

また、上記構成において、推論部１０３は、特徴毎に正規化された距離を用いて、特徴量の入力に対して指標値を出力する。このように、指標値の算出方法に正規化した距離を測る方法を用いることで、指標値はある特定の確率密度分布に従った値を取り得る。これにより、分布の特性から得られる閾値によって判定が可能となるため、閾値の設定を自動化することができ、設定工数の削減効果が得られる。

【0051】

上述したような機能を検査装置１に実行させるプログラムは、インストール可能な形式または実行可能な形式のファイルでＣＤ－ＲＯＭ、ＣＤ－Ｒ、メモリカード、ＤＶＤ（Digital Versatile Disk）、フレキシブルディスク（ＦＤ）等のコンピュータで読み取り可能な記憶媒体に記憶されてコンピュータプログラムプロダクトとして提供されるようにしてもよい。また、当該プログラムを、インターネット等のネットワークに接続されたコンピュータ上に格納し、ネットワーク経由でダウンロードさせることにより提供するようにしてもよい。また、当該プログラムを、インターネット等のネットワーク経由で提供または配布するようにしてもよい。

【0052】

以上、本発明の実施形態を説明したが、上記実施形態は、例として提示したものであり、発明の範囲を限定することは意図していない。この新規な実施形態は、その他の様々な形態で実施されることが可能であり、発明の要旨を逸脱しない範囲で、種々の省略、置き換え、変更を行うことができる。この実施形態やその変形は、発明の範囲や要旨に含まれるとともに、特許請求の範囲に記載された発明とその均等の範囲に含まれる。

【符号の説明】

【0053】

１…検査装置、１１…撮像装置、１２…情報処理装置、５５…ボイド、１０１…取得部、１０２…特徴抽出部、１０３…推論部、１０４…部分判定部、１０５…統合判定部、１０６…出力部、１０７…学習処理部、Ｂ…バンプ、Ｆ１～Ｆｎ…特徴量、Ｉ１～Ｉｎ，Ｉａ，Ｉｂ…画像、Ｏ…検査対象物、Ｒ１～Ｒｎ…部分判定結果、ＲＩ…撮像領域、ＲＴ…統合判定結果、Ｓ…基板、Ｓ１～Ｓｎ…異常度、Ｗ…重み、α１～αｎ…パラメータ、β１～βｎ…閾値

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】