薄膜检查装置、薄膜检查方法以及记录介质与流程

1.本发明涉及薄膜检查装置、薄膜检查方法以及记录介质。


背景技术：

2.在将长条的树脂薄膜卷绕成卷筒(roll)状时，由于薄膜的状态(膜厚偏差、残留应力、温度、湿度)、卷绕的条件(张力、速度、伴随空气)而产生各种缺陷。作为薄膜中的缺陷，例如，有薄膜彼此的粘附所致的卷筒的周向上的暗的筋状的不良(暗条带(gauge band))、周向的筋状的变形(纵褶皱)、斜方向的变形(斜褶皱)等。
3.需要将产生了缺陷的卷筒检测为不合格产品，所以以往人们通过目视监视薄膜卷筒的卷绕。具体而言，针对卷绕过程中的薄膜卷筒，作业员每隔几分钟进行监视，以几十mm间隔记录卷筒的状态。这样，在薄膜上的缺陷的检测中需要人工，并且因人而判断存在偏差。
4.对此，做出了使用针对读取薄膜而得到的图像的图像处理技术来自动地检测在卷筒状薄膜的卷绕时产生的褶皱、损伤等特定的缺陷的尝试。例如，提出了将光照射到卷筒状薄膜，由相机拍摄卷筒，根据来自卷筒的反射光来检测褶皱的技术(参照专利文献1)。
5.现有技术文献
6.专利文献
7.专利文献1：日本特开2002-365225号公报


技术实现要素：

8.然而，在专利文献1所记载的技术中，使用正反射光，所以能够从由相机得到的图像数据检测褶皱(薄膜表面的凹凸)所导致的筋状的异常反射域，但存在无法检测如暗条带那样的薄膜表面大致平坦的缺陷这样的问题。
9.另外，褶皱的强度(等级)不仅取决于褶皱的形状，还取决于凹凸的程度，但在专利文献1所记载的技术中，由于褶皱的凹凸以外的原因，相机接受的光的强度容易发生变动，无法从图像数据检测准确的凹凸的程度，所以难以对缺陷进行定量化。
10.因此，在产生褶皱以外的缺陷的情况、想要对缺陷定量地进行评价的情况下，结果还是需要作业员的监视。特别是，在进行不产生缺陷的条件探索的情况下，需要在现状的条件下对缺陷定量地进行评价。
11.本发明是鉴于上述现有技术中的问题而做出的，其课题在于无需基于人工的监视而容易地进行薄膜中产生的缺陷的检测。
12.为了解决上述课题，项目1所记载的发明是一种薄膜检查装置，光学性地检查重叠的状态的薄膜中产生的缺陷，所述薄膜检查装置具备：光源，将光照射到所述薄膜的检查区域；光学传感器，检测在所述薄膜的检查区域中反射的光中的漫射光；以及控制部，通过对所述光学传感器的输出信号进行数据处理来检测所述缺陷。
13.项目2所记载的发明在项目1所记载的薄膜检查装置中，所述数据处理包括针对从
所述光学传感器的输出信号得到的图像数据的图像处理和根据该图像处理后的数据来判定所述缺陷的缺陷判定处理。
14.项目3所记载的发明在项目2所记载的薄膜检查装置中，所述控制部在所述缺陷判定处理中使用将所述图像处理后的数据作为说明变量并将基于人的所述缺陷的判定结果作为目的变量而构建的机器学习模型。
15.项目4所记载的发明在项目2或3所记载的薄膜检查装置中，所述数据处理还包括根据所述图像处理后的数据对所述缺陷进行定量评价的定量评价处理。
16.项目5所记载的发明在项目4所记载的薄膜检查装置中，所述控制部在所述定量评价处理中使用将所述图像处理后的数据作为说明变量并将基于人的所述缺陷的定量评价结果作为目的变量而构建的机器学习模型。
17.项目6所记载的发明在项目1至5中的任意一项所记载的薄膜检查装置中，所述薄膜被卷绕成卷筒状，该薄膜检查装置将在所述薄膜的卷绕过程中产生的所述缺陷作为检查对象。
18.项目7所记载的发明在项目6所记载的薄膜检查装置中，所述光源在所述卷筒状的薄膜的宽度方向上均匀地照射光。
19.项目8所记载的发明在项目1至7中的任意一项所记载的薄膜检查装置中，在所述光学传感器的输出信号中，与所述薄膜上的被所述光源照射光的照射部对应的信号值和与未被所述光源照射光的非照射部对应的信号值的对比度(contrast)为预定值以上。
20.项目9所记载的发明在项目1至8中的任意一项所记载的薄膜检查装置中，设置有反射防止板，使得在所述薄膜的检查区域中反射的光中的正反射光不进入到所述光学传感器。
21.项目10所记载的发明在项目1至9中的任意一项所记载的薄膜检查装置中，所述光学传感器是黑白相机。
22.项目11所记载的发明是一种薄膜检查方法，光学性地检查重叠的状态的薄膜中产生的缺陷，所述薄膜检查方法包括：由光源将光照射到所述薄膜的检查区域的工序；由光学传感器检测在所述薄膜的检查区域中反射的光中的漫射光的工序；以及由控制部通过对所述光学传感器的输出信号进行数据处理来检测所述缺陷的工序。
23.项目12所记载的发明在项目11所记载的薄膜检查方法中，所述数据处理包括针对从所述光学传感器的输出信号得到的图像数据的图像处理和根据该图像处理后的数据来判定所述缺陷的缺陷判定处理。
24.项目13所记载的发明在项目12所记载的薄膜检查方法中，所述控制部在所述缺陷判定处理中使用将所述图像处理后的数据作为说明变量并将基于人的所述缺陷的判定结果作为目的变量而构建的机器学习模型。
25.项目14所记载的发明在项目12或13所记载的薄膜检查方法中，所述数据处理还包括根据所述图像处理后的数据对所述缺陷进行定量评价的定量评价处理。
26.项目15所记载的发明在项目14所记载的薄膜检查方法中，所述控制部在所述定量评价处理中使用将所述图像处理后的数据作为说明变量并将基于人的所述缺陷的定量评价结果作为目的变量而构建的机器学习模型。
27.项目16所记载的发明在项目11至15中的任意一项所记载的薄膜检查方法中，所述
薄膜被卷绕成卷筒状，该薄膜检查方法将在所述薄膜的卷绕过程中产生的所述缺陷作为检查对象。
28.项目17所记载的发明在项目16所记载的薄膜检查方法中，所述光源在所述卷筒状的薄膜的宽度方向上均匀地照射光。
29.项目18所记载的发明在项目11至17中的任意一项所记载的薄膜检查方法中，在所述光学传感器的输出信号中，与所述薄膜上的被所述光源照射光的照射部对应的信号值和与未被所述光源照射光的非照射部对应的信号值的对比度为预定值以上。
30.项目19所记载的发明在项目11至18中的任意一项所记载的薄膜检查方法中，利用反射防止板，使得在所述薄膜的检查区域中反射的光中的正反射光不进入到所述光学传感器。
31.项目20所记载的发明在项目11至19中的任意一项所记载的薄膜检查方法中，所述光学传感器是黑白相机。
32.项目21所记载的发明是一种计算机能够读取的记录介质，储存有用于使光学性地检查重叠的状态的薄膜中产生的缺陷的薄膜检查装置计算机作为控制部发挥功能的程序，所述薄膜检查装置具备：光源，将光照射到所述薄膜的检查区域；以及光学传感器，检测在所述薄膜的检查区域中反射的光中的漫射光，所述控制部通过对所述光学传感器的输出信号进行数据处理来检测所述缺陷。
33.项目22所记载的发明在项目21所记载的记录介质中，所述数据处理包括针对从所述光学传感器的输出信号得到的图像数据的图像处理和根据该图像处理后的数据来判定所述缺陷的缺陷判定处理。
34.项目23所记载的发明在项目22所记载的记录介质中，所述控制部在所述缺陷判定处理中使用将所述图像处理后的数据作为说明变量并将基于人的所述缺陷的判定结果作为目的变量而构建的机器学习模型。
35.项目24所记载的发明在项目22或23所记载的记录介质中，所述数据处理还包括根据所述图像处理后的数据对所述缺陷进行定量评价的定量评价处理。
36.项目25所记载的发明在项目24所记载的记录介质中，所述控制部在所述定量评价处理中使用将所述图像处理后的数据作为说明变量并将基于人的所述缺陷的定量评价结果作为目的变量而构建的机器学习模型。
37.项目26所记载的发明在项目21至25中的任意一项所记载的记录介质中，所述薄膜被卷绕成卷筒状，所述薄膜检查装置将在所述薄膜的卷绕过程中产生的所述缺陷作为检查对象。
38.项目27所记载的发明在项目26所记载的记录介质中，所述光源在所述卷筒状的薄膜的宽度方向上均匀地照射光。
39.项目28所记载的发明在项目21至27中的任意一项所记载的记录介质中，在所述光学传感器的输出信号中，与所述薄膜上的被所述光源照射光的照射部对应的信号值和与未被所述光源照射光的非照射部对应的信号值的对比度为预定值以上。
40.项目29所记载的发明在项目21至28中的任意一项所记载的记录介质中，在所述薄膜检查装置中设置有反射防止板，使得在所述薄膜的检查区域中反射的光中的正反射光不进入到所述光学传感器。
41.项目30所记载的发明在项目21至29中的任意一项所记载的记录介质中，所述光学传感器是黑白相机。
42.根据本发明，能够无需基于人工的监视而容易地进行薄膜中产生的缺陷的检测。
附图说明
43.图1是示出本发明的第1实施方式中的薄膜检查装置的功能性结构的图。
44.图2是用于说明光源以及相机的配置的图。
45.图3是实际的薄膜检查装置中的光源以及相机的配置例。
46.图4是示出光源以及相机相对于卷筒状的薄膜的位置关系的立体图。
47.图5是用于说明反射防止板的配置的图。
48.图6是示出由薄膜检查装置执行的薄膜缺陷检测处理的流程图。
49.图7是示出数据处理的流程图。
50.图8是示出由第2实施方式的薄膜检查装置执行的薄膜缺陷学习处理的流程图。
51.图9是示出说明变量的特征量制作处理的流程图。
52.图10是示出目的变量的加标签处理的流程图。
53.图11是学习用数据集的例子。
54.图12是目视评价画面的例子。
55.图13是示出第2数据处理的流程图。
56.图14是由第2实施方式的薄膜检查装置得到的评价结果的例子。
57.图15a是在薄膜检查装置中根据拍摄薄膜得到的图像数据计算出的特征量的例子。
58.图15b是人对与图15a相同的图像数据进行目视评价(感官评价)得到的结果。
59.图16是薄膜上的照射部与非照射部的对比度的例子。
60.符号说明
61.10：薄膜检查装置；11：光源；12：相机；20：数据处理装置；21：控制部；25：显示部；26：操作部；27：存储部；28：计时部；48：反射防止板；251：目视评价画面；f：薄膜
具体实施方式
62.以下，参照附图来说明本发明的薄膜检查装置的实施方式。但是，本发明的范围并不限定于图示例。
63.[第1实施方式]
[0064]
图1示出第1实施方式中的薄膜检查装置10的功能性结构。薄膜检查装置10具备光源11、作为光学传感器的相机12、数据处理装置20。薄膜检查装置10光学性地检查被卷绕成卷筒状而重叠的状态的薄膜f中产生的缺陷。薄膜检查装置10将在长条的薄膜f的卷绕过程中产生的缺陷作为检查对象。
[0065]
作为薄膜f的原材料，不被特别限定，但一般而言，可举出聚碳酸酯树脂、聚砜树脂、丙烯酸树脂、聚烯烃树脂、环状烯烃系树脂、聚醚树脂、聚酯树脂、聚酰胺树脂、聚硫化物树脂、不饱和聚酯树脂、环氧树脂、三聚氰胺树脂、酚醛树脂、邻苯二甲酸二烯丙酯树脂、聚酰亚胺树脂、聚氨酯树脂、聚醋酸乙烯酯树脂、聚乙烯醇树脂、苯乙烯树脂、醋酸纤维素树
脂、氯乙烯树脂等。
[0066]
另外，例如，使用薄膜f的厚度为1μm～1000μm、薄膜f的宽度为0.1m～5m的例子。
[0067]
作为薄膜f中的缺陷，可举出暗条带、纵褶皱、斜褶皱等。
[0068]
暗条带是由于薄膜f彼此的粘附而看起来比周围发黑的缺陷，是卷筒的周向上的暗的筋状的不良。暗条带还称为黑带、凸条。
[0069]
纵褶皱是卷筒的周向的筋状的变形。纵褶皱还称为提灯压曲。
[0070]
斜褶皱是相对于卷筒的周向及宽度方向的斜方向的变形，具有金字塔状、链状的凹凸。斜褶皱还称为钻石压曲。
[0071]
光源11将光照射到薄膜f的检查区域。光源11在卷筒状的薄膜f的宽度方向(是与薄膜f的长度方向正交的方向，与薄膜表面平行的方向)上均匀地照射光。在此，均匀是指薄膜f中的照度遍及薄膜f的宽度方向而大致相同(最大值与最小值之差为预定值以下等)。
[0072]
相机12是光学性地读取薄膜f的检查区域的光学传感器。相机12具备ccd(charge coupled device，电荷耦合元件)、cmos(complementary metal oxide semiconductor，互补金属氧化物半导体)等摄像元件、透镜等，是从各摄像元件的输出信号生成2维的图像数据的区域传感器(area sensor)。相机12检测由光源11照射并在薄膜f的检查区域中反射的光中的漫射光。在此，作为相机12，使用黑白相机(单色相机)。
[0073]
相机12具有遍及薄膜f的宽度方向整体的拍摄范围，通过1次拍摄，同时读取薄膜f的宽度方向上的整个范围。相机12既可以是检测可见光区域的光的相机，也可以是检测红外线区域的光的相机。
[0074]
另外，期望在相机12的输出信号中，与薄膜f上的被光源11照射光的照射部对应的信号值和与未被光源11照射光的非照射部对应的信号值的对比度为预定值以上。也就是说，期望仅薄膜f上的来自光源11的光照射的部位(照射部)看上去明亮的状态。
[0075]
对比度由处理对象的两个值(在此为与照射部对应的信号值和与非照射部对应的信号值)之差、之比等表示，两个值相差越大，则对比度越大。为了增大照射部与非照射部的对比度，期望使用强力且直线度高的光源11。
[0076]
在此，“强力”是指在将照射距离50mm处的照度设为e50时，照度e50为50000lx以上。
[0077]
另外，“直线度高”是指在将照射距离50mm处的照度设为e50、将照射距离100mm处的照度设为e100时，满足(e50-e100)/e50《0.5。
[0078]
数据处理装置20构成为具备控制部21，i/f(interface，接口)22、23、通信部24、显示部25、操作部26、存储部27、计时部28等，各部分由总线连接。数据处理装置20由pc(personal computer，个人电脑)等构成。
[0079]
控制部21由cpu(central processing unit，中央处理单元)、ram(random access memory，随机存取存储器)等构成，总体地控制数据处理装置20(薄膜检查装置10)的各部分的处理动作。具体而言，cpu读出存储于存储部27的各种处理程序并展开到ram，通过与该程序的协作来进行各种处理。
[0080]
i/f 22是用于与相机12连接的接口，对相机12发送控制信号，从相机12接收拍摄薄膜f得到的图像数据。
[0081]
i/f 23是用于与光源11连接的接口，将用于控制光源11的光的照射的控制信号发
送到光源11。
[0082]
通信部24由网络接口等构成，在与经由lan(local area network，局域网)等通信网络连接的外部设备之间进行数据的发送接收。
[0083]
显示部25构成为具备lcd(liquid crystal display，液晶显示器)等监视器，依照从控制部21输入的显示信号的指示来显示各种画面。
[0084]
操作部26构成为包括具备光标键、字符/数字输入键以及各种功能键等的键盘和鼠标等定点设备，将通过针对键盘的键操作、鼠标操作输入的操作信号输出到控制部21。
[0085]
存储部27由hdd(hard disk drive，硬盘驱动器)、ssd(solid state drive，固态驱动器)等构成，存储各种处理程序、该程序的执行所需的数据等。
[0086]
计时部28具有计时电路(rtc：real time clock，实时时钟)，利用该计时电路对当前日期时间进行计时并输出到控制部21。
[0087]
控制部21通过对相机12(光学传感器)的输出信号进行数据处理来检测薄膜f的缺陷(种类/位置/强度)。
[0088]
数据处理包括针对从相机12的输出信号得到的图像数据的图像处理、根据图像处理后的数据来判定缺陷的缺陷判定处理以及根据图像处理后的数据对缺陷进行定量评价的定量评价处理。
[0089]
接下来，参照图2来说明光源11以及相机12的配置。
[0090]
在观察由光源11照射并被检查对象物(在此为薄膜f)反射的正反射光的情况下，观察光源11的亮度分量。作为申请人研究得到的结果，可知在人观察的情况下通过正反射光不易检测薄膜f的缺陷。
[0091]
该研究结果在相机12等机器视觉中也是同样的。当在接受来自光源11的正反射光(亮度分量)的位置p1处配置相机12时，相机12基本上拍摄光源11映入的状态的检查对象物(与光源11的姿态重叠的检查对象物)，所以可知不适于缺陷的检测。
[0092]
作为相机12的位置，避开接受从光源11照射的光的正反射光的位置p1。另外，作为位置p1的附近的位置p2也不太适合缺陷的检测。在此，位置p1的附近是指可能受到来自光源11的光的正反射光的影响的范围。
[0093]
相机12配置于除了位置p1及其附近(位置p2等)之外的位置(位置p3～p6等)、即、接受被检查对象物反射的光中的漫射光的位置即可。
[0094]
此外，当对检查对象物的表面从低角度进行拍摄时(位置p5、p6等)，容易产生像差的问题，所以期望在相机12的拍摄方向与检查对象面所成的角度为预定值以上的位置处设置相机12。
[0095]
接下来，参照图3来说明实际的薄膜检查装置10中的光源11以及相机12的配置例。
[0096]
薄膜检查装置10在将薄膜f卷绕成卷筒状时，利用相机12拍摄薄膜f。因此，卷筒在卷绕开始时和卷绕结束时卷绕半径不同。具体而言，如图3所示，从卷绕开始即刻后的卷筒31起至卷绕结束时的卷筒32为止，卷绕半径逐渐变大。优选从薄膜f的卷绕开始时起至卷绕结束时为止相机12稳定地接收漫射光。
[0097]
因此，设为如卷绕开始即刻后的卷筒31的检查区域位于光源11的照射方向以及相机12的拍摄方向各自的延长线上那样的配置，并且设为如来自光源11的正反射光不进入到相机12那样的配置。
[0098]
具体而言，设为至少在包括从接受来自光源11的照射光33被卷绕开始即刻后的卷筒31反射后的正反射光34的位置起至接受来自光源11的照射光35被卷绕结束时的卷筒32反射后的正反射光36的位置为止的ng区域37中不配置相机12。
[0099]
另一方面，在ng区域37以外的ok区域38、39中能够配置相机12。
[0100]
最佳的配置不限于图3所示，但通过将光源11和相机12配置得较近，在卷筒的卷绕开始时和卷绕结束时观察场所(相机12进行拍摄的场所)的变化变小。另外，当将光源11与相机12配置得较近时，还有薄膜检查装置10的装置自身变得紧凑这样的优点。
[0101]
图4是示出光源11以及相机12相对于卷筒状的薄膜f的位置关系的立体图。光源11和相机12配置得较近，卷绕过程中的薄膜f的卷筒表面(重叠的状态的薄膜f)被作为检查对象。
[0102]
另外，也可以在薄膜检查装置10中设置反射防止板，使得在薄膜f的检查区域中反射的光中的正反射光不进入到相机12。
[0103]
当背景映入到相机12的观察范围的薄膜表面时，成为缺陷判定的精度下降的原因。
[0104]
如图5所示，卷绕开始即刻后的卷筒41在被卷绕至卷绕结束时的卷筒42为止的期间，卷绕半径最小，所以成为基于正反射的映入的对象的区域(在薄膜表面被正反射的光进入到相机12的区域)变得最大。
[0105]
从相机12朝向卷绕开始即刻后的卷筒41的观察范围的周向上的两端部41a、41b中的每一个引出直线43、44，该两条直线43、44分别向在薄膜表面正反射的方向引出直线(称为反射直线)45、46。该两条反射直线45、46之间的范围47映入到相机12的观察范围，所以优选遍及该范围47地存在反射防止板48。
[0106]
反射防止板48的颜色优选为黑色。另外，作为反射防止板48的原材料，使用一般的塑料(聚丙烯、丙烯酸树脂、聚对苯二甲酸乙二醇酯、聚碳酸酯等)、橡胶、毛毡、合成纤维、纸等。
[0107]
接下来，说明薄膜检查装置10中的动作。
[0108]
图6是示出由薄膜检查装置10执行的薄膜缺陷检测处理的流程图。薄膜缺陷检测处理是从卷绕过程中的重叠的状态的薄膜f检测缺陷的处理，通过基于控制部21与存储于存储部27的程序的协作的软件处理来实现。薄膜f以薄膜f的长度方向上的搬送速度(线速)成为恒定的方式被卷绕。
[0109]
首先，控制部21经由i/f 23控制光源11，使光照射到薄膜f的检查区域(步骤s1)。
[0110]
接下来，控制部21经由i/f 22控制相机12，拍摄薄膜f的检查区域(步骤s2)。相机12检测在薄膜f的检查区域中反射的光中的漫射光。
[0111]
接下来，控制部21经由i/f 22获取由相机12生成的2维的图像数据(步骤s3)，将获取到的图像数据保存到存储部27(步骤s4)。具体而言，控制部21从计时部28获取当前日期时间作为检查日期时间，与该检查日期时间对应起来地使图像数据存储到存储部27。通过1次拍摄得到的图像数据将被卷绕的薄膜f的周向上的区域的一部分作为对象，所以与图像数据对应起来的检查日期时间相当于薄膜f的长度方向上的位置。
[0112]
接下来，控制部21对从相机12获取到的图像数据进行数据处理(步骤s5)。
[0113]
在此，参照图7来说明数据处理。
[0114]
控制部21将图像数据在薄膜f的宽度方向上分割为多个区域(步骤s11)。具体而言，控制部21将图像数据分割为n个区域a1～an。
[0115]
接下来，控制部21获取区域a1的图像数据(步骤s12)，对区域a1的图像数据进行数学处理(步骤s13)。根据检测对象的缺陷的种类(暗条带、纵褶皱、斜褶皱等)，准备适当的数学处理。
[0116]
数学处理中包括预处理、强调处理、信号处理、图像特征量提取等。
[0117]
作为预处理，可举出图像的修剪、低通滤波、高通滤波，高斯滤波、中值滤波、双向滤波、形态变换、颜色变换(l＊a＊b＊、srgb、hsv、hsl)、对比度调整、噪声去除、模糊/抖动图像的复原、掩模处理、哈夫变换、射影变换等。
[0118]
作为强调处理，可举出sobel滤波、scharr滤波、laplacian滤波、gabor滤波、canny算法等。
[0119]
作为信号处理，可举出求出基本统计量(最大值、最小值、平均值、中位数、标准偏差、方差、四分位点)、平方和平方根、差分、和、积、比、距离矩阵的处理、微分积分、阈值处理(二值化、自适应二值化等)、傅里叶变换、小波变换、波峰检测(峰值、峰数、半值宽度等)等。
[0120]
作为图像特征量提取，可举出模板匹配、sift特征量等。
[0121]
步骤s13的数学处理相当于针对图像数据的“图像处理”。
[0122]
具体而言，在暗条带的检测中，作为预处理，使用低通滤波、高斯滤波、中值滤波、形态变换、掩模处理等的值，在信号处理中，使用基本统计量、阈值处理。
[0123]
对于纵褶皱、斜褶皱，作为预处理，使用高通滤波，作为强调处理，使用sobel滤波、gabor滤波，作为信号处理，使用平方和平方根、傅里叶变换、基本统计量等。
[0124]
接下来，控制部21对关于区域a1的图像数据通过数学处理求出的值(特征量)进行阈值处理(步骤s14)。阈值处理是如下处理：根据针对检测对象的缺陷的每个种类而预先决定的一个或者多个阈值，判定是否是检测对象的缺陷，并且决定缺陷的等级(强度)。
[0125]
在步骤s14的阈值处理中，判定缺陷的存在、缺陷的种类相当于“缺陷判定处理”。另外，在步骤s14的阈值处理中，依照阈值将缺陷分类为多个等级相当于“定量评价处理”。
[0126]
例如，针对取1～100的值的参数(特征量)，以在参数的值是1～10的情况下为等级1、在11～30的情况下为等级2、在31～60的情况下为等级3、在61～100的情况下为等级4这样的方式，将缺陷分类为多个等级。
[0127]
对区域a1以外的区域也同样地进行处理。例如，对区域an的图像数据进行的步骤s15～步骤s17的处理与步骤s12～步骤s14的处理相同。
[0128]
在针对各区域a1～an的处理之后，控制部21汇总针对各区域a1～an的结果(步骤s18)，数据处理结束。具体而言，控制部21针对每个区域(薄膜f的宽度方向上的每个位置)，生成将检测到的缺陷的种类以及等级对应起来后的数据。
[0129]
在图7所示的数据处理中，除了对在薄膜f的宽度方向上分割后的各区域a1～an的图像数据进行数学处理(步骤s13、s16)之外，也可以在步骤s11的处理之前还对区域分割前的图像数据整体进行数学处理。
[0130]
在数据处理之后，返回到图6，控制部21将数据处理的处理结果保存到存储部27，使处理结果显示于显示部25(步骤s6)。控制部21将通过针对在步骤s4中保存的图像数据的数据处理得到的处理结果(在宽度方向上分割后的各区域中检测到的缺陷的种类以及等
级)与和该图像数据对应的检查日期时间对应起来，存储到存储部27。
[0131]
以上，薄膜缺陷检测处理结束。
[0132]
此外，图6所示的薄膜缺陷检测处理是表示与1次拍摄对应的范围的检查的处理。与被卷绕的薄膜f的移动相伴地，改变薄膜f的长度方向上的检查区域，重复进行薄膜缺陷检测处理，从而获取薄膜f的长度方向上的各个位置处的检查结果。
[0133]
另外，在图6中，设为了每当进行1次拍摄时进行数据处理(参照图7)，但也可以设为保存通过多次拍摄得到的图像数据之后集中地进行数据处理。
[0134]
如以上说明，根据第1实施方式，对检测在薄膜f的检查区域中反射的漫射光得到的输出信号进行数据处理，所以能够无需基于人工的监视而容易地进行薄膜f中产生的缺陷的检测。通过使用漫射光，还能够检测暗条带等没有大致凹凸的薄膜表面的明暗之差，还能够检测以往难以检测的种类的缺陷。
[0135]
具体而言，能够通过针对从相机12(光学传感器)的输出信号得到的图像数据的图像处理和根据图像处理后的数据判定缺陷的缺陷判定处理来检测缺陷。
[0136]
另外，通过根据图像处理后的数据对缺陷进行定量评价，能够将缺陷划分为多个等级。
[0137]
例如，通过使用与检测对象的缺陷的种类相应的数学处理(图像处理)，能够针对暗条带、纵褶皱、斜褶皱等每个种类来检测缺陷。在褶皱这样的缺陷之中，也能够将纵褶皱、斜褶皱分别区分地进行检测。
[0138]
另外，通过对利用数学处理求出的值(特征量)进行阈值处理，能够判定是否是检测对象的缺陷，并且检测缺陷的等级(强度)。
[0139]
在如现有技术那样的使用了正反射光的缺陷的形状检测中，能够捕捉异常反射域的形状，但检测指向性高的光，所以检测的光的强度因褶皱的凹凸以外的形状、卷绕时的移动等而发生变化。
[0140]
另一方面，在使用了漫射光的薄膜检查装置10中，检测指向性低的光，所以不易受到褶皱的凹凸以外的形状、卷绕时的移动的影响，并且能够得到与人进行评价时接近的状态的图像。通过将针对检测漫射光得到的图像数据的图像处理(数学处理)进行组合，能够提取与人的评价指标相关性高的数值(特征量)，作为结果能够定量地评价缺陷。
[0141]
另外，在现实的条件下，知晓在薄膜f的卷绕过程中产生的缺陷的种类以及强度，从而能够探寻不产生缺陷的条件。
[0142]
另外，光源11在卷筒状的薄膜f的宽度方向上均匀地照射光，所以能够抑制宽度方向的评价的偏差，提高缺陷的检测精度。
[0143]
另外，在相机12(光学传感器)的输出信号中，当与薄膜f上的照射部对应的信号值和与非照射部对应的信号值的对比度变大时，在照射部内的正常部和异常部(缺陷)中得到的图像处理后的数据之差变大，缺陷的判定精度提高。此外，当照射部与非照射部的对比度变大时，对于周围的映入的降低也具有效果，在该点上也会有助于缺陷的判定精度的提高。
[0144]
使用强力且直线度高的光源11，将薄膜f上的照射部与非照射部的对比度设为预定值以上，使用检测照射部的漫射光得到的图像数据，从而能够检测在环境光等下未能够很好地观察的缺陷。
[0145]
另外，在薄膜检查装置10中设置反射防止板48，使得在薄膜f的检查区域中反射的
光中的正反射光不进入到相机12，从而能够防止向检查区域的映入所致的缺陷的检测精度的下降。
[0146]
另外，作为相机12而使用黑白相机，从而能够确保缺陷的检测精度，并且削减图像数据的数据量。
[0147]
[第2实施方式]
[0148]
接下来，说明应用了本发明的第2实施方式。
[0149]
第2实施方式中的薄膜检查装置是与第1实施方式所示的薄膜检查装置10同样的结构，所以引用图1而省略该结构的图示及说明。以下，说明第2实施方式的特征性的结构及处理。
[0150]
在第2实施方式中，薄膜检查装置10的控制部21在从由相机12拍摄到的检查区域的图像数据检测缺陷时，使用基于机器学习的学习结果。
[0151]
控制部21通过对相机12的输出信号进行数据处理来检测薄膜f的缺陷。
[0152]
数据处理包括针对从相机12的输出信号得到的图像数据的图像处理、根据图像处理后的数据来判定缺陷的缺陷判定处理以及根据图像处理后的数据对缺陷进行定量评价的定量评价处理。
[0153]
控制部21在缺陷判定处理中使用将图像处理后的数据作为说明变量并将基于人的缺陷的判定结果作为目的变量而构建的机器学习模型。
[0154]
控制部21在定量评价处理中使用将图像处理后的数据作为说明变量并将基于人的缺陷的定量评价结果作为目的变量而构建的机器学习模型。控制部21使用机器学习结果，根据图像处理后的数据对缺陷进行定量评价，从而将缺陷划分为多个等级。
[0155]
此外，实际上，无需单独执行缺陷判定处理和定量评价处理，而能够使用将图像处理后的数据作为输入数据并将人进行评价得到的缺陷的种类与等级的组合作为输出数据而进行机器学习的结果，集中地进行缺陷判定处理和定量评价处理。
[0156]
作为机器学习模型的算法，基于人的缺陷的判定结果是名义尺度，所以优选使用类别分类的机器学习模型。另外，基于人的缺陷的定量评价结果是顺序尺度，所以同样地优选使用类别分类的机器学习模型。具体而言，能够使用一般化线性模型(逻辑斯蒂(logistic)、普罗比(probit)、泊松)、判别分析、典型判别分析、k近邻法、高斯过程、朴素贝叶斯、决策树、集成学习(adaboost、gbm、随机森林)、svm、神经网络等机器学习模型。
[0157]
另外，通过将名义尺度、顺序尺度的评价结果变换为one-hot矢量，还能够使用回归的机器学习模型的算法。具体而言，能够使用线性模型(多元回归、lasso、ridge、elastic-net等)、一般化线性模型(逻辑斯蒂、普罗比、泊松)、pls、k近邻法、高斯过程、决策树、集成学习(adaboost、gbm、随机森林)、svr、神经网络等机器学习模型。
[0158]
另外，在进行基于机器学习模型的学习之前，能够适当地使用维度压缩(主成分分析、因子分析、多维尺度法、典型相关分析)、变量变换(核方法、交互作用项等)、特征量选择(正则化、aic、bic、随机森林等)等预处理。
[0159]
接下来，说明第2实施方式的薄膜检查装置10中的动作。
[0160]
图8是示出由薄膜检查装置10执行的薄膜缺陷学习处理的流程图。薄膜缺陷学习处理是对从薄膜f的图像数据检测缺陷的任务进行机器学习的处理，通过基于控制部21与存储于存储部27的程序的协作的软件处理来实现。
[0161]
步骤s21～步骤s24的处理与薄膜缺陷检测处理(参照图6)的步骤s1～步骤s4的处理相同，所以省略说明。在步骤s24中，控制部21将图像数据与检查日期时间对应起来地存储到存储部27。
[0162]
在步骤s24的处理之后，控制部21对从相机12获取到的图像数据进行说明变量的特征量制作处理(步骤s25)以及目的变量的加标签处理(步骤s26)。
[0163]
在此，参照图9来对说明变量的特征量制作处理进行说明。该处理是制作在机器学习中用作说明变量(输入数据)的特征量的处理。
[0164]
控制部21将图像数据在薄膜f的宽度方向上分割为多个区域(步骤s31)。具体而言，控制部21将图像数据分割为n个区域a1～an。
[0165]
步骤s32以及步骤s33的处理与数据处理(参照图7)的步骤s12以及步骤s13的处理相同，所以省略说明。在步骤s33的数学处理中，从图像数据求出的值是特征量。在步骤s33中，针对检测对象的缺陷的每个种类，分别进行适当的数学处理。
[0166]
对区域a1以外的区域也同样地进行处理。例如，对区域an的图像数据进行的步骤s34及步骤s35的处理与步骤s32及步骤s33的处理相同。
[0167]
在针对各区域a1～an的处理之后，控制部21汇总针对各区域a1～an的结果(步骤s36)，说明变量的特征量制作处理结束。具体而言，控制部21将针对每个区域(薄膜f的宽度方向上的每个位置)计算出的各特征量与和处理对象的图像数据对应的检查日期时间对应起来，存储到存储部27。
[0168]
在图9所示的说明变量的特征量制作处理中，除了对在薄膜f的宽度方向上分割后的各区域a1～an的图像数据进行数学处理(步骤s33、s35)之外，也可以在步骤s31的处理之前还对区域分割前的图像数据整体进行数学处理。
[0169]
接下来，参照图10来说明目的变量的加标签处理。该处理是赋予在机器学习中用作目的变量(输出数据)的标签的处理。
[0170]
控制部21将图像数据在薄膜f的宽度方向上分割为多个区域(步骤s41)。具体而言，控制部21将图像数据分割为n个区域a1～an。
[0171]
接下来，控制部21获取区域a1的图像数据(步骤s42)。
[0172]
接下来，控制部21使区域a1的图像数据显示于显示部25，通过来自操作部26的操作，受理针对区域a1的图像数据的加标签(步骤s43)。用户通过从操作部26进行操作，输入区域a1中存在的缺陷的种类及等级。
[0173]
对区域a1以外的区域也同样地进行处理。例如，对区域an的图像数据进行的步骤s44及步骤s45的处理与步骤s42及步骤s43的处理相同。
[0174]
在针对各区域a1～an的处理之后，控制部21汇总针对各区域a1～an的结果(步骤s46)，目的变量的加标签处理结束。具体而言，控制部21将用户针对每个区域(薄膜f的宽度方向上的每个位置)输入的缺陷的种类及等级与和处理对象的图像数据对应的检查日期时间对应起来，存储到存储部27。
[0175]
在说明变量的特征量制作处理(步骤s25)以及目的变量的加标签处理(步骤s26)之后，返回到图8，控制部21判断学习用数据的收集是否已结束(步骤s27)。例如，控制部21既可以对用户提醒输入学习用数据的收集是否已结束，也可以自动地判断是否积蓄了预定量以上学习用数据。
[0176]
在学习用数据的收集未结束的情况下(步骤s27；否)，返回到步骤s21，将新的检查区域、新的卷筒作为对象，重复进行处理。
[0177]
当在步骤s27中学习用数据的收集已结束的情况下(步骤s27；是)，控制部21使用所积蓄的数据，制作机器学习模型(步骤s28)。具体而言，控制部21使用根据薄膜f的各位置(检查日期时间、宽度方向上的区域)对应起来的特征量和加标签的结果，进行机器学习。也就是说，控制部21将通过数学处理得到的特征量(图像处理后的数据)作为输入数据，将基于人的缺陷的判定结果(缺陷的种类)以及定量评价结果(缺陷的等级)作为输出数据，进行机器学习。
[0178]
接下来，控制部21将所制作的机器学习模型保存到存储部27(步骤s29)。
[0179]
以上，薄膜缺陷学习处理结束。
[0180]
图11示出在步骤s28中使用的学习用数据集的例子。针对每个检查日期时间t1、t2、
…
(相当于薄膜f的长度方向的位置)，针对区域a1～an，通过数学处理求出的特征量1～k与标签(缺陷判定结果)被对应起来。作为缺陷判定结果，记录“暗条带”、“纵褶皱”、“斜褶皱”等缺陷的种类、“无缺陷”这样的标签。
[0181]
此外，在图11中，作为标签，仅使用缺陷判定结果(缺陷的种类)，但也可以包括定量评价结果(缺陷的等级)。
[0182]
此外，在薄膜缺陷学习处理中，为了简化说明，设为了每当进行1次拍摄时并且针对在宽度方向上分割后的每个区域进行加标签(步骤s43、s45)，但加标签无需每次都进行，在制作机器学习模型的步骤s28之前结束即可。实际上，对于多次拍摄量、多个区域量的图像数据，基于人的加标签在某种程度上集中进行是现实的，效率也良好。
[0183]
图12示出在集中地进行加标签的情况下显示于显示部25的目视评价画面251的例子。目视评价画面251是用于记录针对卷筒1周量的薄膜f的目视评价的画面。在目视评价画面251中包括宽度方向位置栏51、标签输入栏52、合成图像栏53。
[0184]
在宽度方向位置栏51中，显示薄膜f的宽度方向上的位置。在此，薄膜f的宽度方向上的位置每隔5cm地划分。
[0185]
在标签输入栏52中，输入针对显示于合成图像栏53的合成图像的标签(缺陷判定结果、定量评价结果)。例如，在标签输入栏52中，输入“暗条带”、“纵褶皱”、“斜褶皱”、“无缺陷”等，另外，输入各缺陷的等级。
[0186]
在合成图像栏53中，显示与宽度方向位置(宽度方向的分割区域)对应的合成图像。合成图像是将通过多次(在此为16次)拍摄得到的图像数据分别在宽度方向上分割为多个区域而生成分割图像数据并沿着时间的经过(检查日期时间、薄膜f的卷绕方向)合成相同的宽度方向位置的卷筒1周量(16个)的分割图像数据而得到的。在图12所示的例子中，针对每个宽度方向位置，针对通过16次拍摄得到的合成图像进行加标签。
[0187]
在第2实施方式的薄膜检查装置10中，在从卷绕过程中的薄膜f检测缺陷时，使用通过薄膜缺陷学习处理(参照图8)制作出的已学习的机器学习模型(已学习模型)。
[0188]
第2实施方式的薄膜缺陷检测处理与图6所示的第1实施方式的薄膜缺陷检测处理大致相同，但代替步骤s5的数据处理而进行图13所示的第2数据处理。
[0189]
步骤s51～步骤s53的处理与数据处理(参照图7)的步骤s11～步骤s13的处理相同，所以省略说明。
[0190]
接下来，控制部21根据通过针对区域a1的图像数据的数学处理求出的值(特征量)，利用已学习模型来检测缺陷(步骤s54)。具体而言，控制部21将从区域a1的图像数据得到的特征量输入到机器学习模型，获取从机器学习模型输出的缺陷的种类以及等级。
[0191]
步骤s54的处理相当于“缺陷判定处理”、“定量评价处理”。
[0192]
对区域a1以外的区域也同样地进行处理。例如，对区域an的图像数据进行的步骤s55～步骤s57的处理与步骤s52～步骤s54的处理相同。
[0193]
在针对各区域a1～an的处理之后，控制部21汇总针对各区域a1～an的结果(步骤s58)，第2数据处理结束。具体而言，控制部21针对每个区域(薄膜f的宽度方向上的每个位置)，生成将检测到的缺陷的种类以及等级对应起来后的数据。
[0194]
在图13所示的第2数据处理中，除了对在薄膜f的宽度方向上分割后的各区域a1～an的图像数据进行数学处理(步骤s53、s56)之外，也可以在步骤s51的处理之前还对区域分割前的图像数据整体进行数学处理。
[0195]
在第2实施方式的薄膜缺陷检测处理中，也与被卷绕的薄膜f的移动相伴地改变薄膜f的长度方向上的检查区域，重复进行薄膜缺陷检测处理，从而获取薄膜f的长度方向上的各个位置处的检查结果。
[0196]
另外，也可以设为保存通过多次拍摄得到的图像数据之后集中地进行第2数据处理。
[0197]
图14示出由第2实施方式的薄膜检查装置10得到的评价结果的例子。例如，控制部21使评价结果显示于显示部25。
[0198]
在图14的评价结果中，横轴表示薄膜f的宽度方向上的位置，纵轴表示检查日期时间。此外，薄膜检查装置10对被卷绕的薄膜f检查缺陷，所以检查日期时间对应于薄膜f的长度方向的位置。
[0199]
在评价结果中，针对检测到的每个缺陷，与缺陷的种类/等级相应的字符(b1～b4、c1～c4等)配置于与检测到缺陷的薄膜f的宽度方向上的位置以及检查日期时间对应的位置。在此，b1～b4表示暗条带，数字越小则强度越强。另外，c1～c4表示斜褶皱，数字越小则强度越强。
[0200]
如以上说明，根据第2实施方式，与第1实施方式同样地，对检测在薄膜f的检查区域中反射的漫射光得到的输出信号进行数据处理，所以能够无需基于人工的监视而容易地进行薄膜f中产生的缺陷的检测。
[0201]
另外，通过将图像处理后的数据作为说明变量并将基于人的缺陷的判定结果作为目的变量而构建机器学习模型，能够在缺陷判定处理中使用机器学习结果(已学习模型)来判定缺陷。
[0202]
另外，通过将图像处理后的数据作为说明变量并将基于人的缺陷的定量评价结果作为目的变量而构建机器学习模型，能够在定量评价处理中使用机器学习结果(已学习模型)对缺陷进行定量评价。
[0203]
另外，在薄膜f中产生未知的缺陷的情况下，也将对包括未知的缺陷的图像数据进行图像处理之后的数据作为说明变量，将基于人的缺陷判定结果作为目的变量，将未知的缺陷作为对象而再次进行学习，从而对于此前未被识别的缺陷，也能够自动地进行检测。
[0204]
此外，在步骤s43、s45中，在显示于显示部25的图像数据上进行了目视评价(加标
签)，但也可以观察卷绕过程中的薄膜f自身而进行加标签。
[0205]
《特征量计算结果与感官评价的比较》
[0206]
图15a是根据在第1实施方式或第2实施方式的薄膜检查装置10中拍摄薄膜f得到的图像数据计算出的特征量的例子。具体而言，在图15a中，在薄膜f的卷绕时，对由相机12拍摄薄膜f的宽度方向的某个区域得到的图像数据进行快速傅里叶变换(fft：fast fourier transform)，作为特定频率下的强度，针对薄膜f的长度方向的位置(卷长)绘制振幅的平均。
[0207]
图15b是人对与图15a相同的图像数据进行目视评价(感官评价)得到的结果。在图15b中，针对薄膜f的长度方向的位置(卷长)绘制斜褶皱的目视等级。根据图15b，在薄膜f的卷长100m～275m的范围中产生等级4的斜褶皱(c4)，在薄膜f的卷长300m～400m的范围中产生等级3的斜褶皱(c3)。
[0208]
相对于此，在图15a中，在薄膜f的卷长50m～400m的范围中特定频率下的强度逐渐地变大，与图15b的感官评价结果(从c4变化为c3)对应。也就是说，可知在fft中得到的特定频率下的强度作为检测斜褶皱时的特征量、检测缺陷的强度(等级)时的特征量是合适的。
[0209]
从图15a及图15b能够确认，使用了从图像数据计算出的特征量的评价与基于人的评价的倾向一致。
[0210]
《照射部与非照射部的对比度》
[0211]
接下来，说明薄膜f上的照射部与非照射部的对比度的计算方法的一个例子。
[0212]
在由相机12拍摄薄膜f得到的图像数据中，将被光源11照射光的照射部的信号值(明亮度)设为l1，将未被光源11照射光的非照射部的信号值设为l2。
[0213]
图16示出改变光源11的条件而测定出的照射部中的信号值l1的平均值l1_mean、最小值l1_min、最大值l1_max、非照射部中的信号值l2的平均值l2_mean、最小值l2_min、最大值l2_max、对比度l1_mean/l2_mean。
[0214]
直线光源1、2是直线度高的光源，符合仅对想要观察的部分照射光这样的目的。直线光源1的直线度比直线光源2高。
[0215]
在数据编号1～3中，使用相同的直线光源1，但改变光源的数量、强度，调整对比度。
[0216]
在数据编号4、5中，使用相同的直线光源2，但改变光源的数量、强度，调整对比度。
[0217]
漫射光源对想要观察的部分以外也照射光，但即使是漫射光源，只要以某种程度靠近薄膜f，也能够在照射部和非照射部中使光的照射方式不同。
[0218]
在环境光(以往)的情况下，结果是非照射部中的信号值l2的平均值l2_mean比照射部中的信号值l1的平均值l1_mean大，不会仅对想要观察的部分照射光。
[0219]
在如图16那样，作为对比度，使用照射部中的信号值l1的平均值与非照射部中的信号值l2的平均值之比“l1_mean/l2_mean”的情况下，对比度优选为1.1以上。另外，更优选为1.8以上，进一步优选为2.5以上的。
[0220]
此外，上述各实施方式中的记述是本发明所涉及的薄膜检查装置的例子，并不限定于此。关于构成装置的各部分的细部结构以及细部动作，也能够在不脱离本发明的要旨的范围内适当地进行变更。
[0221]
例如，在上述各实施方式中，检测在将薄膜f卷绕成卷筒状时产生的缺陷，但也可
以检测在裁断成预定的尺寸的薄膜f重叠时产生的缺陷。
[0222]
另外，在上述各实施方式中，说明了作为相机12而使用了黑白相机的情况，但相机12也可以是彩色相机。
[0223]
另外，在上述各实施方式中，说明了作为光学传感而使用了区域传感器(相机12)的情况，但也可以使用线传感器。
[0224]
另外，在图7所示的数据处理或者图13所示的第2数据处理中，也可以不进行定量评价处理。即，在对从相机12的输出信号得到的图像数据进行图像处理并根据图像处理后的数据来判定缺陷时，也可以不求出缺陷的强度。
[0225]
另外，在上述各实施方式中，既可以将薄膜f的长度方向上的整个区域依次作为检查区域，也可以在薄膜f的长度方向上以预定的间隔设置检查区域而检测缺陷。
[0226]
另外，除了在卷绕过程中产生薄膜f的缺陷之外，有时在卷绕时未产生，但在向接下来的工序的转移过程中(移动或者保管薄膜f的期间)等产生，在从卷筒卷出时识别为缺陷。
[0227]
将对卷绕时的图像数据进行图像处理得到的图像处理后的数据作为说明变量，将接下来的工序的卷出时的基于人的缺陷的判定结果作为目的变量而进行机器学习，从而能够检测在向接下来的工序的转移过程中产生的缺陷的征兆。另外，通过将进行机器学习时的目的变量设为接下来的工序的卷出时的基于人的缺陷的定量评价结果，还能够预测在向接下来的工序的转移过程中产生的缺陷的等级。
[0228]
作为储存用于执行各处理的程序的计算机能够读取的介质，不限定于上述例子，还能够应用便携式记录介质。另外，作为经由通信线路提供程序的数据的介质，也可以应用载波(载频)。