JP4088019B2

JP4088019B2 - Defect inspection equipment

Info

Publication number: JP4088019B2
Application number: JP2000119097A
Authority: JP
Inventors: 和公山田; 昇長谷川; 学國永
Original assignee: Nippon Steel Corp
Current assignee: Nippon Steel Corp
Priority date: 2000-04-20
Filing date: 2000-04-20
Publication date: 2008-05-21
Anticipated expiration: 2020-04-20
Also published as: JP2001307067A

Description

【０００１】
【発明の属する技術分野】
本発明は、検査対象の欠陥の種類及び程度を判別する機能を持つ欠陥検査装置に関するものである。
【０００２】
【従来の技術】
欠陥検査装置において欠陥の種類及び程度を判別する判別手段として、決定木方式を用いて欠陥の種類及び程度を判別する技術が知られている。これは、ある一つの特徴量に対して欠陥データの特徴量とあらかじめ設定された閾値との大小関係によって二方向のいずれかに進むに分岐作業を、欠陥の種類が特定されるまで繰り返すことで、欠陥の種類及び程度を判別する判別手段である。
決定木を用いる方法では、決定木を作成するために、種類および種類が分かっているサンプルデータを収集した上で、このサンプルデータを精度よく分類するために、人間が一つ一つの分岐において用いる条件式を試行錯誤して調整している。そのため、調整に長期間を要するという問題がある。
【０００３】
この問題を解決するため、特開平５−２２３７５１号公報および、特開平６−７６０６９号公報では、ニューラルネットワークを欠陥の種類及び程度が既知である欠陥サンプルデータによって学習させて、学習したニューラルネットワークによって欠陥の種類及び程度を判別する判別手段を備える欠陥検査装置が提案されている。また、特開平６−６０８０４５号公報では、決定木方式による判別手段と、学習機能とを組み合わせた判別手段を備える欠陥検査装置が提案されている。
【０００４】
【発明が解決しようとする課題】
判別手段の調整の目的は、発生し得るデータ全体（今後、これを一般データと記す）に対して精度良い判別を行うことのできる判別手段を得ることに有る。しかし、ニューラルネットワークなど学習機能を用いた手法では、サンプルデータを精度よく分類できるようにはなるが、これが、一般データに対して精度よく判別できる判別手段であるとは限らない。一般データに対して精度よく判別できるようにするためには、発生し得るすべての形態のデータを収集し、学習させる必要がある。しかしながら、欠陥の発生は品質の悪化を招くために、能動的に欠陥を発生させてデータを収集することができず、すべての形態のデータの収集には長期間を要するため、調整期問が逆に長期化する事態が起こり得る。
【０００５】
この問題に対しては、人間が判別式を調整することによって、データには現れていない欠陥に関する知識を判別に反映させることが有効であるが、ニューラルネットワークなど学習機能を用いた手法では、ネットワークにおける判別の内容が明示されていないため、人間の知識を判別に反映させることができないという問題がある。
【０００６】
一方、人間が判別式の生成を一から行う手法では、サンプルデータを精度よく分類できる判別手段を生成することに対しても長期間を必要とする。これは、同じ種類であっても形態の大きく異なる欠陥、異なる種類であっても形態の似ている欠陥が存在することが有るために、少数の特徴量を用いるだけでは正確に分類することができないことや、３つ以上の特徴量を組み合わせた欠陥の発生状態を図示することが困難なため、３つ以上の特徴量を有効に活用した判別手段を得ることが困難であることに起因する。
【０００７】
本発明では、人間の調整による性能向上を可能にすること、判別の条件式を自動構築することによって調整期間を短縮することを可能にする欠陥検査装置を提供することを目的とする。
【０００８】
【課題を解決するための手段】
本発明の第一の欠陥検査装置は、検査対象を撮像手段で撮像して画像を得て該画像から欠陥部を検出し、該欠陥部の種類又は有害度の程度を判別する欠陥検査装置であって、前記撮像手段で得られた画像から、各画素の輝度に基づいて欠陥部を検出する欠陥検出手段と、該欠陥検出手段で検出された各欠陥部について、欠陥の形態又は輝度に関する情報を含む該欠陥部の複数の特徴量を抽出する特徴量抽出手段と、前記欠陥部の特徴量から、各欠陥の種類毎に各特徴量の判別条件式を記したロジックテーブルによってその種類又は程度を判別する欠陥判別手段と、欠陥の種類及び程度が既知の欠陥部のデータからなるデータベースＤＡに基づいて前記ロジックテーブルを生成するロジックテーブル生成手段とを備え、前記ロジックテーブル生成手段は、前記データベースＤＡの既知の欠陥部の特徴量のデータそれぞれを、各特徴量の座標軸により生成される特徴量空間にデータ点として配して、
（Ａ）データベースＤＡの各データ点ｄについて、該データ点ｄのみを含む初期領域を、各座標軸方向に拡大して得る多次元直方体領域であって、且つ該多次元直方体は該データ点ｄの欠陥の種類と異なるデータ点を含まない多次元直方体領域を求めて、各データ点ｄの純粋領域とする処理、
（Ｂ）該各データ点ｄの純粋領域について、式（１）で表される評価値を求める処理、
評価値＝（データｄの純粋領域内のデータ数）／
（データベースＤＡにおけるデータｄと同種のデータ数）（１）
（Ｃ）評価値が最大となる純粋領域に存在するデータを集めて一つの純粋クラスとする処理、
（Ｄ）前記（Ｃ）で得た一つの純粋クラスタに属するデータ点をデータベースＤＡから除去する処理、
からなる（Ａ）〜（Ｄ）の一連の処理をデータベースＤＡが空になるまで繰り返し、前記（Ｃ）で得られた一つの純粋クラスタを得られた順に順位ｋをつけてクラスタ分類を求める純粋クラスタ分割する機能；
及び、前記純粋クラスタ分割する機能によって得られたクラスタ分類を用いて、
（ア）クラスタ分類の二つのクラスタの全ての組合せに対して、各組合せを一つのクラスタに融合することによって、純粋クラスタ分割する前の当初のデータベースＤＡに対する誤判別がどれだけ発生するかを評価し、誤判別の発生が最少となる二つのクラスタを一つのクラスタに融合するクラスタ融合機能；
（イ）クラスタ分類の一つのクラスタ内のデータをそれぞれ他のクラスタに割り当てることによってデータベースＤＡに対する誤判別がどれだけ発生するかを評価し、誤判別の発生が最少となる一つのクラスタを除去するクラスタ除去機能；
（ウ）前記クラスタ融合機能とクラスタ除去機能とを、それぞれに対する誤判別がどれだけ発生するかを比較して、より誤判別が少ない方の機能を選択し、クラスタ数を削減して新たなクラスタ分割とするクラスタ数削減機能；
（エ）前記クラスタ数削減機能により得られた新たなクラスタ分類において、前記データベースＤＡとは異なる評価用データベースＤＢに対する判別率である実効判別率を推定する判別率評価機能；を有し、
（ア）〜（エ）の機能による処理をクラスタ分類のクラスタが一つになるまで繰り返して、前記実効判別率が最大となるクラスタ分類を最適クラスタ分割として求めて、該最適クラスタ分類の各クラスタに基づいて判別式を作成してロジックテーブルを生成することを特徴とする欠陥検査装置である。
【０００９】
本発明の第二の欠陥検査装置は、第一の欠陥検査装置において、前記ロジックテーブル生成手段は、クラスタ分類を行う前処理として、前記データベースＤＡの各データ点ｄについて、該データ点ｄのみを含む初期領域を、各座標軸方向に拡大して得る多次元直方体領域であって、且つ該多次元直方体は該データ点ｄの欠陥の種類と異なるデータ点を含まない多次元直方体領域を求めるのに際して、該多次元直方体領域がデータ点ｄのみを含む場合に該データ点ｄを孤立点としてデータベースＤＡから取り除く孤立点除去機能を有することを特徴とする欠陥検査装置である。
【００１０】
本発明の第三の欠陥検査装置は、第一の欠陥検査装置または第二の欠陥検査装置において、前記ロジックテーブル生成手段のクラスタ融合機能が、前記クラスタ分類の二つのクラスタの全ての組合せに対して、上の順位から順に第ｉクラスタと第ｊクラスタ（ｉ＜ｊ）とを融合するの際して、融合後のクラスタの順位をｉとし、第ｉクラスタと第ｊクラスタに属するデータｄを一つにまとめ、該データに対して各特徴量毎に最大値と最小値を求めて、該最大値と最小値で規定されるｎ次元直方体領域を求めて最小領域とし、該最小領域内に存在する前記データベースＤＡのデータのうち、第ｉクラスタより下位のクラスタに属するものは全て、融合した第ｉクラスタヘと移し、該融合した第ｉクラスタのデータにおける最多欠陥種を求めて、この欠陥種を融合した第ｉクラスタの欠陥種とし、融合前と融合後において、第ｉクラスタに含まれる最多欠陥種と異なる種類の異種データ数の総和がどれだけ変化したかを求めて融合のコストとして、データベースＤＡに対する誤判別がどれだけ発生するかを評価することを特徴とする欠陥検査装置である。
さらに、前記ロジックテーブル生成手段のクラスタ除去機能が、前記クラスタ分類のクラスタを上の順位から順に第ｋクラスタの除去を判定するのに際して、第ｋクラスタおよび第ｋクラスタに属するデータをクラスタ分類および前記データベースＤＡから取り除き、第ｋクラスタ以下のクラスタの順位を１繰り上げ、第１クラスタから順に第ｍクラスタとして、該第ｍクラスタの最小領域を求めて該最小領域を初期領域とし、前記除去したクラスタおよび第（ｍ＋１）クラスタ以降に属するデータで、第ｍクラスタと種類の異なるデータの全体を領域外データとし、純粋領域を求めて第ｍクラスタの最大領域とし、該第ｍクラスタの最大領域内に除去したクラスタに属していたデータが含まれているときは、そのデータを新たに第ｍクラスタに属するデータとして割り当てる処理を、ｍが最下位のクラスタまで繰り返して除去前と除去後において、各クラスタに含まれる異種データ数の総和がどれだけ変化したかを求めて第ｋクラスタを除去するコストとして、誤判別がどれだけ発生するかを比較することを特徴とする。
【００１１】
ここで、クラスタとはデータベース内のデータの部分集合を意味する。また、データベース内の各々のデータが複数のクラスタに分類したとき、そのクラスタの集合をクラスタ分類と呼ぶ。
さらに、ロジックテーブルとは、表１に示す表形式に表された判別条件式の集合を指す。ロジックテーブルの縦方向の項目として欠陥の種類が並び、横方向の項目として特徴量の種類が並んでおり、横方向に並んだ判別条件式が一組となって各行の先頭に記述された欠陥の種類を判別するための条件式となる。ロジックテーブル方式とはこのロジックテーブルを用いて欠陥の種類を判別する手法である。
【００１２】
【表１】

【００１３】
【発明の実施の形態】
［実施例］
ここでは、鋼板表面の欠陥検査における実施例によって発明の実施の形態を説明する。図１に本発明の実施例の模式図を示す。
撮像部では、流れる鋼板１の表面を、蛍光灯照明（光源２）によって鋼板の流れる方向とは垂直の向きに均一の明るさで照らす。さらに蛍光灯を照射した箇所をラインセンサカメラ３で撮像する。その結果、鋼板の流れと共に２次元画像が得られる。
【００１４】
欠陥検出部４では、専用の画像処理装置によって、この鋼板の画像の各画素に対して、周辺画素との輝度の線形和を得るフィルタ処理を施し、この値が与えられた閾値を超えるか否かによって画素毎に正常であるか欠陥であるかを判定し、正常部は０、欠陥部は１で記述される２値画像を作成する。さらに、連続して発生している欠陥画素を結合していくことで一つ一つの欠陥部を認識する。
【００１５】
特徴量抽出部５では、欠陥部位の幅、長さ、周囲長、面積、外接長方形面積という欠陥の形態に関する情報、欠陥部位の輝度の最大値、最小値、平均値などの欠陥の見え方（明るさ）に関する情報などが特徴量として抽出される。
【００１６】
欠陥判別部６では、特徴量抽出部５にて抽出された特徴量をもとにテーブル方式によって欠陥の種類や有害度の判別を行う。テーブル方式では、ロジックテーブルによってあらわされる判別条件によって判定される。ロジックテーブルの縦方向の項目として欠陥の種類が並び、横方向の項目として特徴量の種類が並んでいる。各項目には、対応する特徴量の大小による判別式が記述されており、ロジックテーブルの各行が一組となって、一つ一つの欠陥の種類の判別条件となる。判別は、最上位の行に記述された種類から順に行い、いずれかひとつの行に関する判別条件をすべて満たした時点で停止する。
以上の処理は、鋼板の通板と共にリアルタイム処理で行われる。
【００１７】
さらに、ロジックテーブル生成部７によって、オフラインで欠陥判別部６で用いるロジックテーブルを生成する。まず、欠陥検査装置によって欠陥の検出を行うとともに、同じ鋼板に対して検定員によって欠陥の検出、および、欠陥の種類、程度の判別を行う。この両者を比較し、対応付けることで欠陥検査装置が検出した欠陥に対して、検定員が判別した種類、程度を求める。この結果、検定員が判別した種類、程度と対応付いたデータからなるデータベースが得られる。ロジックテーブル生成部では、このデータベースを元に、ロジックテーブルを作成する処理が行われる。
【００１８】
続いて、このロジックテーブル生成部において、データベースからロジックテーブルを生成する処理を説明する。ロジックテーブル生成部における処理の流れの概略を図２に示す。
まず、正規化処理として各特徴量毎にデータベース全体の平均値、分散値によって、平均値０、分散値１となるように正規化する（２１）。
つづいて、各データが孤立点であるか否かを評価し、孤立点をデータベースから取り除く（２２）。
このデータベースを異種データを含まないクラスタ（以降、純粋クラスタと、呼ぶ）に分類する（２３）。
得られたクラスタ分類に対して、２つのクラスタを選び、このすべての組合せに対して、クラスタを融合した場合に生じる、各クラスタに含まれる異種データ数の和の変化（以降この変化量を、クラスタ融合のコスト、と呼ぶ）を求める（２４）。
また、同様に、各クラスタを除去した場合に生じる、各クラスタに含まれる異種データ数の和の変化量（以降この変化量を、クラスタ除去のコスト、と呼ぶ）を求める（２５）。
前段階で求めたクラスタ融合のコストおよびクラスタ除去のコストを比較して、クラスタ融合もしくはクラスタ除去のいずれか一方の処理を行うことでクラスタ数を１つ削減したクラスタ分類を求める（２６）。
このクラスタ分類に対して一般データに対する判別率（以降、実効判別率と呼ぶ）を推定する（２７）。
図２のステップ２４以降の処理をクラスタ数が１になるまで繰り返す（２８）。
最後に実効判別率の推定値を比較して、実効判別率最大のクラスタ分割に対してロジックテーブルを生成する（２９）。
【００１９】
続いて、図２における各処理の詳細について、更に説明する。
図２のステップ２２に記した孤立点除去処理の流れを図３に示す。
データを１つ選び（３１）、そのデータをｄと記す。特徴量空間においてデータｄを含み、データｄと種類の異なるデータを含まないｎ次元直方体領域を求める（３２）。以降この領域をデータｄの純粋領域、と呼ぶ。
データｄの純粋領域のなかに、データｄと同種のデータがいくつ含まれるのかを評価する（３３）。データｄ以外のデータを含む場合はデータｄを非孤立点とみなし（３４）、データｄしか含まない場合はデータｄを孤立点とみなす（３５）。
すべてのデータに関して孤立点か、非孤立点か、の判定を行い（３６）、最後に孤立点をデータベースから取り除く（３７）。
【００２０】
図３のステップ３２に記した純粋領域探索処理の流れを図４に示す。
入力として特徴量空間における初期傾域、及び傾域外データを与える。
この処理では、初期領域を核として領域を領域外データに衝突するまで拡大していき、領域外データを含まない領域を求める。前記の孤立点除去におけるデータｄの純粋領域探索では、初期領域としてデータｄの示す１点、領域外データとしてデータｄと種類の異なるデータ全体を与える。
初期領域の境界面を出発面として、各座標軸方向に等方的に領域を拡大していく（４１）。領域外データに衝突した時点でその方向への拡大を停止し（４２）、残りの方向に対して等方的に領域を拡大していく。すべての方向に対して拡大が停止する、もしくは無限遠に達したら終了する（４３）。
【００２１】
図２のステップ２３に記した純粋クラスタ分割処理の流れを図５に示す。
孤立点を除いたデータベースに対して、各データの純粋領域および純粋領域内のデータ数を求め（５１）、以下の式で表される評価値を求める（５２）。
評価値＝データｄの純粋領域内のデータ数／データベースにおけるデータｄと同種類のデータ総数
すべてのデータに対して評価値を求め（５３）、評価値が最大となる純粋領域の内側に存在するデータを集めて第１クラスタとし（５４）、第１クラスタに属するデータをデータベースから取り除く（５５）。これを繰り返して第２、第３のクラスタを求めていき、データベースが空になった時点で終了する（５６）。ここで、各クラスタは、除去した順に順位をつける。すなわち、第ｋクラスタの順位はｋとなる。
【００２２】
図２のステップ２４に記したクラスタ融合のコスト計算処理の流れを図６に示す。
クラスタ分類の中から２つのクラスタを選択し（６１）、これらの２つのクラスタを融合する（６２）。融合前と融合後において、各クラスタに含まれる異種データ数の総和がどれだけ変化したかを求めて、この値を融合のコストとする（６３）。コストを計算したら、クラスタ分割を融合前の状態に戻す（６４）。全組合せに対して同様に融合のコストを計算し（６５）、コストの最小値と最小を達成するクラスタの組合せを求める（６６）。
【００２３】
図６のステップ６２に記したクラスタ融合処理の流れを図７に示す。
第ｉクラスタと第ｊクラスタ（ｉ＜ｊとする）が融合する場合、融合後のクラスタの順位は、より上位であるｉとする（７１）。
第ｉクラスタと第ｊクラスタに属するデータを一つにまとめて（７２）、このデータに対して各特徴量毎に最大値、最小値を求める。この最大値、最小値で規定されるｎ次元直方体領域を考える（７３）。以降、この領域を最小領域と呼ぶ。最小領域内に存在するデータのうち、第ｉクラスタより下位のクラスタに属するものは、全て融合したクラスタヘと移す（７４）。この結果、第ｊクラスタに属していたデータはすべて第ｉクラスタヘと移動し、場合によってはそれ以外のクラスタからのデータの移動もありえる。この様にして得られた融合したクラスタのデータにおける最多欠陥種を求めて、この欠陥種を融合したクラスタの欠陥種とする。それ以外の欠陥種のデータはすべて異種データとなる（７５）。最後にｊ以下のクラスタの順位を１つ繰り上げて終了する（７６）。
【００２４】
このコスト計算処理は、以下において説明するクラスタ削減処理においても用いられる。
図２のステップ２５に記したクラスタ除去のコスト計算処理の流れを図８に示す。
クラスタ分類の中から１つのクラスタを選択し（８１）、このクラスタを除去する（８２）。除去前と除去後において、各クラスタに含まれる異種データ数の総和がどれだけ変化したかを求めて、この値を除去のコストとする（８３）。コストを計算したら、クラスタ分割を除去前の状態に戻す（８４）。全クラスタに対して同様に除去のコストを計算し（８５）、コストの最小値と最小を達成するクラスタを求める（８６）。
【００２５】
図８のステップ８２に記したクラスタ除去処理の流れを図９に示す。
ここでは第ｋクラスタを除去するものとする。
まず、第ｋクラスタおよび第ｋクラスタに属するデータを取り除き（９１）、第ｋクラスタ以下のクラスタの順位を１繰り上げる（９２）。
第１クラスタの最小領域を求めて、この最小領域を初期領域とし、除去したクラスタおよび第２クラスタ以降に属するデータで、第１クラスタと種類の異なるデータの全体を領域外データとし、純粋領域を求める。この純粋領域には、第１クラスタに属するデータと、第２クラスタ以降のクラスタに属するデータのうち第１クラスタと同種のデータが含まれる。以降、この純粋領域を、第１クラスタの最大領域と呼ぶ（９３）。この第１クラスタの最大領域内に除去したクラスタに属していたデータが含まれているときは、そのデータを新たに第１クラスタに属するデータとして割り当てる（９４）。同様に第２、第３のクラスタにもデータを割り当てていき（９５）、どのクラスタにも属さないデータは最下位のクラスタに属するデータとして割り当てて（９６）終了する。
【００２６】
図２のステップ２６に記したクラスタ削減処理の流れを図１０に示す。
ステップ２４で計算したクラスタ融合の最小コストと、ステップ２５で計算したクラスタ除去の最小コストとを比較し（１０１）、クラスタ融合のコストが小さければクラスタ融合を（１０２）、クラスタ除去のコストが小さければクラスタ除去を実施する（１０３）。ここで、ステップ１０２におけるクラスタ融合は図７に記した処理によって行う。また、ステップ１０２におけるクラスタ除去は図９に記事した処理によって行う。
【００２７】
図２のステップ２７に記した判別率推定処理の流れを図１１に示す。
この実施例では、交互検定法を用いて判別率を評価している。まず、データベースを３つのグループに分ける（１１１）。
そのうち１つを評価用データベース、残りの２つを合わせて生成用データベースとする（１１２）。生成用データベースを元にロジックテーブルを生成する（１１３）。得られたロジックテーブルに評価用データベースのデータを適用して、判別結果が本来の種類（程度）と一致するか否かを調べる（１１４）。３つのグループのそれぞれを評価用データベースとして３回繰り返し（１１５）、全結果を集計して判別率を求める（１１６）。この結果を実効判別率の推定値とする。
【００２８】
図２のステップ２９に記したロジックテーブル作成処理の流れを図１２に示す。
まず、第１クラスタに着目し、第１クラスタの最小領域と最大領域を求める。
最小領域と最大領域の境界値を比較し、あらかじめ設定した境界比率ｔ（０＜ｔ＜１）に応じて各方向毎に以下の式で境界値を定める（１２２）。
新境界値＝ｔ×最大領域の境界値＋（１−ｔ）×最小領域の境界値
新境界値によって得られる領域は最大領域よりは小さく、最小領域よりは大きくなっている。
新境界値によって各特徴量ごとに条件式を定めることで、第１クラスタの判別条件を生成する（１２３）。この判別条件をロジックテーブルの第１行の判別条件として記述する（１２４）。これを最下位のクラスタまで繰り返すことでロジックテーブルを生成する（１２５）。
以上の処理によって、データベースからロジックテーブルを生成することができる。
【００２９】
【発明の効果】
本発明では、第１にクラスタ分類機能によって、データベースの細分化を進めていくことで、データベースを正確に分類するロジックテーブルを自動的に生成することができるようになり、人間が１からロジックを生成する場合に比べて、ロジックの調整に要する時間を短縮することができる。
また、ロジックテーブル方式では、判別内容が明示されているため、人間が自動生成したロジックテーブルの判別式を操作し、データベースには含まれない欠陥に関する知識を反映させて判別性能を向上させることができる。
【００３０】
第２に、クラスタ融合処理、および、クラスタ削除処理を用いることで、より単純な構造をもとめることができる。さらに、一般データに対する判別率を推定することで、複数のロジックテーブルの中から一般データに対して最適なロジックテーブルが何であるかを判断することができるようになる。
第３に、特徴の類似した同種欠陥を持たないデータをデータベースから取り除くことによって、例外的な少数データを排除し、このようなデータの存在によって一般データに対する判別性能を低下させる事態を避けることができる。
【図面の簡単な説明】
【図１】本発明の実施例を示す模式図である。
【図２】図１における「ロジックテーブル作成手段」７の流れを示すフローチャートである。
【図３】図２における「孤立点除去」２２の流れを示すフローチャートである。
【図４】図３における「純粋領域探索」３１の流れを示すフローチャートである。
【図５】図２における「純粋クラスタ分割」２３の流れを示すフローチャートである。
【図６】図２における「クラスタ融合コスト計算」２４の流れを示すフローチャートである。
【図７】図６における「クラスタ融合」６２の流れを示すフローチャートである。
【図８】図２における「クラスタ除去コスト計算」２５の流れを示すフローチャートである。
【図９】図８における「クラスタ除去」８２の流れを示すフローチャートである。
【図１０】図２における「クラスタ削減」２６の流れを示すフローチャートである。
【図１１】図２における「判別率推定」２７の流れを示すフローチャートである。
【図１２】図２における「ロジックテーブル作成」２９の流れを示すフローチャートである。
【符号の説明】
１鋼板２光源
３カメラ４欠陥検出部
５特徴量抽出部６欠陥判別部
７ロジックテーブル生成部[0001]
BACKGROUND OF THE INVENTION
The present invention relates to a defect inspection apparatus having a function of determining the type and degree of a defect to be inspected.
[0002]
[Prior art]
As a discriminating means for discriminating the type and degree of defects in a defect inspection apparatus, a technique for discriminating the type and degree of defects using a decision tree method is known. This is because a branching operation is repeated until one defect type is specified, depending on the magnitude relationship between the feature value of the defect data and a preset threshold value for a certain feature value. And a discriminating means for discriminating the type and degree of the defect.
In a method using a decision tree, sample data of known types and types are collected in order to create a decision tree, and then used by humans at each branch to classify the sample data with high accuracy. Conditional expressions are adjusted by trial and error. Therefore, there is a problem that adjustment takes a long time.
[0003]
In order to solve this problem, in Japanese Patent Application Laid-Open Nos. 5-223551 and 6-76069, a neural network is trained with defect sample data whose type and degree of defect are known, and the learned neural network There has been proposed a defect inspection apparatus provided with a discriminating means for discriminating the type and degree of defects. Japanese Patent Laid-Open No. 6-608045 proposes a defect inspection apparatus including a determination unit that combines a determination unit based on a decision tree method and a learning function.
[0004]
[Problems to be solved by the invention]
The purpose of adjusting the discriminating means is to obtain discriminating means capable of accurately discriminating the entire data that can be generated (hereinafter referred to as general data). However, although a method using a learning function such as a neural network can classify sample data with high accuracy, this is not necessarily a discrimination means that can accurately discriminate against general data. In order to be able to accurately discriminate general data, it is necessary to collect and learn all forms of data that can be generated. However, since the occurrence of defects leads to deterioration of quality, data cannot be collected by actively generating defects, and it takes a long time to collect all forms of data. Conversely, a prolonged situation can occur.
[0005]
For this problem, it is effective for humans to adjust the discriminant so that knowledge about defects that do not appear in the data is reflected in the discriminating method. Since the contents of discrimination in are not specified, there is a problem that human knowledge cannot be reflected in discrimination.
[0006]
On the other hand, the method in which humans generate discriminants from scratch requires a long period of time to generate discriminating means that can classify sample data with high accuracy. This is because even if the type is the same, there may be defects with very different forms, and even with different types, there may be defects with similar forms. This is because it is difficult to obtain a determination means that effectively utilizes three or more feature quantities because it is difficult to illustrate the state of occurrence of a defect combining three or more feature quantities. .
[0007]
An object of the present invention is to provide a defect inspection apparatus that enables performance improvement by human adjustment and shortens the adjustment period by automatically constructing a conditional expression for discrimination.
[0008]
[Means for Solving the Problems]
The first defect inspection apparatus of the present invention is to provide an image to detect the defect from the image by imaging the inspection object by the imaging means, in the defect inspection apparatus for determining the degree of type or harmful degree of the defect The defect detection means for detecting a defective portion based on the luminance of each pixel from the image obtained by the imaging means , and information on the form or luminance of the defect for each defect portion detected by the defect detection means the type or degree by the logic table containing a feature amount extracting section which extracts a plurality of feature amounts of the defect portion, from the feature of the defect portion, each feature quantity of the determination condition for each type of defects including a defect determining means for determining, e Bei a logic table generating means for generating the logic table based on the database DA the type and extent of defects of known defect portion of the data, the logic table raw Means, the by arranging the respective data of the known defects of the feature quantity database DA, as data points in the feature quantity space generated by the coordinate axes of the feature amounts,
(A) For each data point d in the database DA, a multidimensional cuboid region obtained by enlarging an initial region including only the data point d in the direction of each coordinate axis, and the multidimensional cuboid is the data point d A process of obtaining a multidimensional rectangular parallelepiped region that does not include data points different from the type of defect and making each data point d a pure region;
(B) A process for obtaining an evaluation value represented by Expression (1) for a pure region of each data point d;
Evaluation value = (number of data in the pure region of data d) /
(Number of data of the same type as data d in database DA) (1)
(C) A process of collecting data existing in a pure area where the evaluation value is maximized into one pure class,
(D) a process of removing data points belonging to one pure cluster obtained in (C) from the database DA;
(A) to (D) are repeated until the database DA is empty, and one pure cluster obtained in the above (C) is obtained in the order in which it is obtained. Ability to divide clusters;
And using the cluster classification obtained by the pure clustering function,
(A) Evaluate how many misclassifications occur with respect to the original database DA before pure cluster division by merging each combination into one cluster for all combinations of two clusters of cluster classification And a cluster fusion function that fuses two clusters with minimal misclassification into one cluster;
(A) Evaluate how many misclassifications to the database DA occur by assigning the data in one cluster of the cluster classification to other clusters, and remove one cluster that minimizes the occurrence of misclassification. Cluster removal function;
(C) Compare how much misclassification occurs between the cluster fusion function and the cluster removal function, select the function with less misclassification, reduce the number of clusters, and create a new cluster Cluster number reduction function to be divided;
(D) In a new cluster classification obtained by the cluster number reduction function, a discrimination rate evaluation function for estimating an effective discrimination rate that is a discrimination rate for an evaluation database DB different from the database DA;
The processes of (a) to (d) are repeated until the number of clusters in the cluster classification becomes one, and the cluster classification that maximizes the effective discrimination rate is obtained as the optimum cluster division. The defect inspection apparatus is characterized in that a discriminant is created based on the above and a logic table is generated .
[0009]
In the second the defect inspection apparatus, the first defect inspection apparatus of the present invention, the logic table generating means, the preprocessing of the cluster classification, for each data point d of the database DA, only the data points d A multidimensional rectangular parallelepiped region obtained by enlarging an initial region to be included in each coordinate axis direction, and the multidimensional rectangular parallelepiped obtains a multidimensional rectangular parallelepiped region that does not include a data point different from the defect type of the data point d. , multi-dimensional cuboid region is defect inspection apparatus characterized by chromatic an isolated point removal function of removing from the database DA as isolated points the data points d if it contains only the data points d.
[0010]
According to a third defect inspection apparatus of the present invention, in the first defect inspection apparatus or the second defect inspection apparatus, the cluster fusion function of the logic table generation unit is configured for all combinations of the two clusters of the cluster classification. When the i-th cluster and the j-th cluster (i <j) are merged in order from the top, the rank of the cluster after the merge is i, and the data d belonging to the i-th cluster and the j-th cluster is Collectively, the maximum value and the minimum value are obtained for each feature amount with respect to the data, the n-dimensional rectangular parallelepiped region defined by the maximum value and the minimum value is obtained and set as the minimum region, and within the minimum region All data belonging to the cluster lower than the i-th cluster among the existing data in the database DA is transferred to the fused i-th cluster, and the most frequent defect type in the fused i-th cluster data is obtained, The defect type of the i-th cluster is a fusion type, and before and after the fusion, the total number of different types of data different from the most defective type contained in the i-th cluster is calculated to determine how much It is a defect inspection apparatus characterized by evaluating how much misclassification with respect to the database DA occurs as a cost .
Further, when the cluster removal function of the logic table generation means determines the removal of the k-th cluster from the top of the clusters of the cluster classification, the data belonging to the k-th cluster and the k-th cluster are classified into the cluster classification and the The cluster DA is removed from the database DA, the rank of the clusters below the k-th cluster is incremented by one, the m-th cluster in order from the first cluster, the minimum area of the m-th cluster is obtained and the minimum area is set as the initial area, The data belonging to the (m + 1) th cluster and later, the entire data different in type from the mth cluster is regarded as out-of-area data, the pure area is determined as the maximum area of the mth cluster, and removed within the maximum area of the mth cluster If the data belonging to the selected cluster is included, the data is newly added to the mth class. The cost of removing the k-th cluster by determining how much the sum of the number of different types of data contained in each cluster has changed before and after removal by repeating the process of allocating as data belonging to n to the lowest cluster It is characterized by comparing how much misclassification occurs.
[0011]
Here, the cluster means a subset of data in the database. Further, when each data in the database is classified into a plurality of clusters, the set of clusters is called cluster classification.
Further, the logic table refers to a set of discriminant conditional expressions expressed in the table format shown in Table 1. Defect types listed as vertical items in the logic table, feature types arranged as horizontal items, and a set of discriminant expressions arranged in the horizontal direction at the beginning of each row This is a conditional expression for discriminating the type of. The logic table method is a technique for determining the type of defect using this logic table.
[0012]
[Table 1]

[0013]
DETAILED DESCRIPTION OF THE INVENTION
[Example]
Here, an embodiment of the invention will be described by way of examples in the defect inspection of the steel sheet surface. FIG. 1 shows a schematic diagram of an embodiment of the present invention.
In the imaging unit, the surface of the flowing steel plate 1 is illuminated with uniform brightness in a direction perpendicular to the direction in which the steel plate flows by fluorescent lamp illumination (light source 2). Further, the line sensor camera 3 captures an image of the portion irradiated with the fluorescent lamp. As a result, a two-dimensional image is obtained along with the flow of the steel plate.
[0014]
In the defect detection unit 4, a dedicated image processing device performs a filtering process for obtaining a linear sum of luminance with peripheral pixels on each pixel of the steel plate image, and whether or not this value exceeds a given threshold value. Whether the pixel is normal or defective is determined for each pixel, and a binary image described with 0 for the normal part and 1 for the defective part is created. Furthermore, each defective portion is recognized by combining defective pixels that are continuously generated.
[0015]
In the feature quantity extraction unit 5, information on the defect form such as the width, length, perimeter length, area, circumscribed rectangular area of the defect part, and the appearance of the defect such as the maximum value, minimum value, and average value of the luminance of the defect part Information on (brightness) is extracted as a feature amount.
[0016]
The defect discriminating unit 6 discriminates the type of defect and the harmfulness by a table method based on the feature amount extracted by the feature amount extracting unit 5. In the table method, the determination is made based on a determination condition represented by a logic table. Types of defects are arranged as items in the vertical direction of the logic table, and types of feature values are arranged as items in the horizontal direction. In each item, a discriminant according to the size of the corresponding feature is described, and each row of the logic table is a set, which becomes a discrimination condition for each type of defect. The determination is performed in order from the type described in the top line, and is stopped when all the determination conditions for any one line are satisfied.
The above processing is performed in real time together with the passing of the steel plate.
[0017]
Further, the logic table generation unit 7 generates a logic table used in the defect determination unit 6 offline. First, the defect is detected by the defect inspection apparatus, and the defect is detected and the type and degree of the defect are determined by the examiner for the same steel plate. By comparing and correlating the two, the type and degree determined by the certifier for the defect detected by the defect inspection apparatus is obtained. As a result, a database consisting of data associated with the type and degree determined by the examiner is obtained. In the logic table generation unit, processing for creating a logic table is performed based on this database.
[0018]
Next, a process for generating a logic table from the database in the logic table generation unit will be described. An outline of the flow of processing in the logic table generation unit is shown in FIG.
First, as a normalization process, normalization is performed so that an average value 0 and a variance value 1 are obtained for each feature amount by an average value and a variance value of the entire database (21).
Subsequently, it is evaluated whether each data is an isolated point, and the isolated point is removed from the database (22).
This database is classified into clusters that do not contain heterogeneous data (hereinafter referred to as pure clusters) (23).
For the obtained cluster classification, two clusters are selected, and for all of these combinations, a change in the sum of the number of heterogeneous data included in each cluster, which occurs when the clusters are merged (hereinafter, this change amount, (Referred to as cluster fusion cost) (24).
Similarly, a change amount of the sum of the number of different types of data included in each cluster (hereinafter, this change amount is referred to as cluster removal cost) that occurs when each cluster is removed is obtained (25).
The cluster fusion cost and the cluster removal cost obtained in the previous stage are compared, and either one of cluster fusion or cluster removal is performed to obtain a cluster classification with the number of clusters reduced by one (26).
For this cluster classification, a discrimination rate for general data (hereinafter referred to as an effective discrimination rate) is estimated (27).
The processing after step 24 in FIG. 2 is repeated until the number of clusters becomes 1 (28).
Finally, the estimated value of the effective discrimination rate is compared, and a logic table is generated for the cluster division with the maximum effective discrimination rate (29).
[0019]
Next, details of each process in FIG. 2 will be further described.
FIG. 3 shows the flow of the isolated point removal process described in step 22 of FIG.
One data is selected (31), and the data is denoted as d. An n-dimensional rectangular parallelepiped region that includes data d in the feature amount space and does not include data of a different type from data d is obtained (32). Hereinafter, this area is referred to as a pure area of data d.
It is evaluated how many data of the same kind as the data d are contained in the pure region of the data d (33). When data other than data d is included, data d is regarded as a non-isolated point (34), and when only data d is included, data d is regarded as an isolated point (35).
It is determined whether all the data are isolated points or non-isolated points (36), and finally the isolated points are removed from the database (37).
[0020]
FIG. 4 shows the flow of the pure area search process described in step 32 of FIG.
As an input, the initial inclination area and the out-inclination data in the feature space are given.
In this process, the area is expanded until the area collides with the out-of-area data using the initial area as a nucleus, and an area not including the out-of-area data is obtained. In the pure area search of the data d in the isolated point removal described above, one point indicated by the data d is given as the initial area, and the whole data different from the data d is given as the out-of-area data.
Using the boundary surface of the initial region as a starting surface, the region is expanded isotropically in the direction of each coordinate axis (41). When it collides with out-of-area data, the expansion in that direction is stopped (42), and the area is expanded isotropically with respect to the remaining directions. When the enlargement stops in all directions or reaches infinity, the process ends (43).
[0021]
FIG. 5 shows the flow of the pure cluster division process described in step 23 of FIG.
For the database excluding isolated points, the pure area of each data and the number of data in the pure area are obtained (51), and the evaluation value represented by the following equation is obtained (52).
Evaluation value = number of data in pure region of data d / total number of data of the same type as data d in the database is calculated (53) and exists inside the pure region where the evaluation value is maximum. The data is collected as the first cluster (54), and the data belonging to the first cluster is removed from the database (55). This process is repeated to obtain the second and third clusters, and the process is terminated when the database becomes empty (56). Here, each cluster is ranked in the order of removal. That is, the rank of the k-th cluster is k.
[0022]
FIG. 6 shows the flow of the cluster fusion cost calculation process described in step 24 of FIG.
Two clusters are selected from the cluster classification (61), and these two clusters are merged (62). Before the fusion and after the fusion, how much the total number of different types of data included in each cluster has changed is obtained, and this value is set as the fusion cost (63). After the cost is calculated, the cluster division is returned to the state before the fusion (64). Similarly, the cost of fusion is calculated for all combinations (65), and the combination of clusters that achieves the minimum value and the minimum cost is obtained (66).
[0023]
FIG. 7 shows the flow of the cluster fusion process described in step 62 of FIG.
When the i-th cluster and the j-th cluster (i <j) are merged, the rank of the cluster after the fusion is set to i, which is higher (71).
The data belonging to the i-th cluster and the j-th cluster are combined into one (72), and the maximum value and the minimum value are obtained for each feature amount for this data. Consider an n-dimensional rectangular parallelepiped region defined by the maximum and minimum values (73). Hereinafter, this area is referred to as a minimum area. Of the data existing in the minimum area, all data belonging to a cluster lower than the i-th cluster is transferred to a fused cluster (74). As a result, all data belonging to the j-th cluster moves to the i-th cluster, and in some cases, data from other clusters can also move. The most frequent defect type in the fused cluster data obtained in this way is obtained, and this defect type is used as the defect type of the fused cluster. All other defect type data is heterogeneous data (75). Finally, the rank of clusters equal to or less than j is incremented by 1 and the process ends (76).
[0024]
This cost calculation process is also used in the cluster reduction process described below.
FIG. 8 shows a flow of the cluster removal cost calculation process described in step 25 of FIG.
One cluster is selected from the cluster classification (81), and this cluster is removed (82). Before the removal and after the removal, how much the total number of different types of data included in each cluster has changed is obtained, and this value is used as the removal cost (83). After the cost is calculated, the cluster division is returned to the state before the removal (84). Similarly, the cost of removal is calculated for all clusters (85), and the minimum value and the cluster that achieves the minimum are obtained (86).
[0025]
FIG. 9 shows the flow of the cluster removal process described in step 82 of FIG.
Here, the k-th cluster is removed.
First, the k-th cluster and the data belonging to the k-th cluster are removed (91), and the rank of the clusters after the k-th cluster is incremented by one (92).
The minimum area of the first cluster is obtained, this minimum area is set as the initial area, the data belonging to the removed cluster and the second cluster and thereafter, the entire data different from the first cluster is set as out-of-area data, and the pure area is Ask. This pure area includes data belonging to the first cluster and data of the same type as the first cluster among the data belonging to the clusters after the second cluster. Hereinafter, this pure region is referred to as the maximum region of the first cluster (93). When the data belonging to the removed cluster is included in the maximum area of the first cluster, the data is newly assigned as data belonging to the first cluster (94). Similarly, data is assigned to the second and third clusters (95), and data not belonging to any cluster is assigned as data belonging to the lowest cluster (96), and the process ends.
[0026]
FIG. 10 shows the flow of cluster reduction processing described in step 26 of FIG.
The minimum cluster fusion cost calculated in step 24 is compared with the minimum cluster removal cost calculated in step 25 (101). If the cluster fusion cost is small, cluster fusion is performed (102), and the cluster removal cost is small. Cluster removal is performed (103). Here, cluster fusion in step 102 is performed by the processing shown in FIG. Further, the cluster removal in step 102 is performed by the processing described in FIG.
[0027]
FIG. 11 shows the flow of the discrimination rate estimation process described in step 27 of FIG.
In this embodiment, the discrimination rate is evaluated using an alternating test method. First, the database is divided into three groups (111).
One of them is used as an evaluation database, and the remaining two are combined as a generation database (112). A logic table is generated based on the generation database (113). Data of the evaluation database is applied to the obtained logic table, and it is checked whether or not the discrimination result matches the original type (degree) (114). Each of the three groups is repeated three times as an evaluation database (115), and all results are totaled to obtain a discrimination rate (116). This result is taken as the estimated effective discrimination rate.
[0028]
FIG. 12 shows the flow of the logic table creation process described in step 29 of FIG.
First, paying attention to the first cluster, the minimum area and the maximum area of the first cluster are obtained.
The boundary values of the minimum region and the maximum region are compared, and the boundary value is determined by the following formula for each direction in accordance with a preset boundary ratio t (0 <t <1) (122).
New boundary value = t × maximum region boundary value + (1−t) × minimum region boundary value The region obtained by the new boundary value is smaller than the maximum region and larger than the minimum region.
A determination condition for the first cluster is generated by defining a conditional expression for each feature amount using the new boundary value (123). This determination condition is described as the determination condition of the first row of the logic table (124). By repeating this process up to the lowest cluster, a logic table is generated (125).
With the above processing, a logic table can be generated from the database.
[0029]
【The invention's effect】
In the present invention, first, by proceeding with subdivision of the database by the cluster classification function, it becomes possible to automatically generate a logic table for accurately classifying the database. Compared with the case where it produces | generates, the time which adjustment of a logic requires can be shortened.
In the logic table method, since the contents of discrimination are clearly indicated, it is possible to improve the discrimination performance by manipulating the discriminant of the logic table automatically generated by humans and reflecting knowledge about defects not included in the database. it can.
[0030]
Second, a simpler structure can be obtained by using cluster fusion processing and cluster deletion processing. Furthermore, by estimating the discrimination rate for general data, it is possible to determine what is the optimum logic table for general data from among a plurality of logic tables.
Thirdly, by removing data that does not have similar defects with similar characteristics from the database, it is possible to eliminate exceptional minority data and avoid the situation where the existence of such data degrades the discrimination performance for general data. it can.
[Brief description of the drawings]
FIG. 1 is a schematic view showing an embodiment of the present invention.
FIG. 2 is a flowchart showing a flow of “logic table creation means” 7 in FIG. 1;
FIG. 3 is a flowchart showing a flow of “isolated point removal” 22 in FIG. 2;
4 is a flowchart showing a flow of “pure area search” 31 in FIG. 3;
FIG. 5 is a flowchart showing the flow of “pure cluster division” 23 in FIG. 2;
6 is a flowchart showing a flow of “cluster fusion cost calculation” 24 in FIG. 2;
7 is a flowchart showing a flow of “cluster fusion” 62 in FIG. 6;
FIG. 8 is a flowchart showing the flow of “cluster removal cost calculation” 25 in FIG. 2;
FIG. 9 is a flowchart showing a flow of “cluster removal” 82 in FIG. 8;
10 is a flowchart showing the flow of “cluster reduction” 26 in FIG. 2;
FIG. 11 is a flowchart showing a flow of “discrimination rate estimation” 27 in FIG. 2;
12 is a flowchart showing a flow of “logic table creation” 29 in FIG. 2;
[Explanation of symbols]
DESCRIPTION OF SYMBOLS 1 Steel plate 2 Light source 3 Camera 4 Defect detection part 5 Feature-value extraction part 6 Defect discrimination part 7 Logic table production | generation part

Claims

A defect inspection apparatus that images an inspection object with an imaging unit, obtains an image, detects a defective portion from the image , and determines the type of the defective portion or the degree of harmfulness,
The defect detection means for detecting a defective portion based on the luminance of each pixel from the image obtained by the imaging means, and the information on the defect form or the luminance for each defect portion detected by the defect detection means a feature amount extracting section which extracts a plurality of feature amounts of the defect portion, from the feature of the defect portion, determines the type or degree by the logic table that describes the determination condition of the characteristic amounts for each type of defect e Bei defect discriminating means, and a logic table generating means for generating the logic table based on the database DA the type and extent of defects of known defect portion of the data,
The logic table generation means includes
Each of the feature amount data of the known defective portion of the database DA is arranged as a data point in the feature amount space generated by the coordinate axis of each feature amount,
(A) For each data point d in the database DA, a multidimensional cuboid region obtained by enlarging an initial region including only the data point d in the direction of each coordinate axis, and the multidimensional cuboid is the data point d A process of obtaining a multidimensional rectangular parallelepiped region that does not include data points different from the type of defect and making each data point d a pure region;
(B) A process for obtaining an evaluation value represented by Expression (1) for a pure region of each data point d;
Evaluation value = (number of data in the pure region of data d) /
(Number of data of the same type as data d in database DA) (1)
(C) A process of collecting data existing in a pure area where the evaluation value is maximized into one pure class,
(D) a process of removing data points belonging to one pure cluster obtained in (C) from the database DA;
(A) to (D) are repeated until the database DA is empty, and one pure cluster obtained in the above (C) is obtained in the order in which it is obtained. Ability to divide clusters;
And using the cluster classification obtained by the pure clustering function,
(A) Evaluate how many misclassifications occur with respect to the original database DA before pure cluster division by merging each combination into one cluster for all combinations of two clusters of cluster classification And a cluster fusion function that fuses two clusters with minimal misclassification into one cluster;
(A) Evaluate how many misclassifications to the database DA occur by assigning the data in one cluster of the cluster classification to other clusters, and remove one cluster that minimizes the occurrence of misclassification. Cluster removal function;
(C) said cluster fusion function and a cluster removal function compares whether erroneous discrimination occurs much for each, and selects a more misclassification is towards less functionality, new clusters by reducing the number of clusters Cluster number reduction function for classification ;
In the new cluster classification obtained by (d) the number of the clusters reduction function, discrimination rate evaluation function that estimates the effective discrimination rate is discrimination rate for the different evaluation database DB and the database DA; has,
The processes of (a) to (d) are repeated until the number of clusters in the cluster classification becomes one, and the cluster classification that maximizes the effective discrimination rate is obtained as the optimum cluster division. defect inspection apparatus you and generates the logic table to create a discriminant based on.

The logic table generation means is a pre-process for performing cluster classification.
For each data point d in the database DA, a multidimensional cuboid region obtained by enlarging an initial region including only the data point d in the direction of each coordinate axis, and the multidimensional cuboid is a defect of the data point d. When obtaining a multi- dimensional rectangular parallelepiped region that does not include data points different from the type, the multi- dimensional rectangular parallelepiped region has an isolated point removing function that removes the data point d from the database DA as an isolated point when the multi- dimensional rectangular parallelepiped region includes only the data point d. The defect inspection apparatus according to claim 1 .

The cluster fusion function of the logic table generating means is
When merging the i-th cluster and the j-th cluster (i <j) in order from the top for all combinations of the two clusters of the cluster classification,
The cluster order after the fusion is i,
Combine the data d belonging to the i-th cluster and the j-th cluster into one,
A maximum value and a minimum value are determined for each feature amount for the data, an n-dimensional rectangular parallelepiped region defined by the maximum value and the minimum value is determined as a minimum region,
Of the data in the database DA existing in the minimum area, all data belonging to a cluster lower than the i-th cluster is transferred to the fused i-th cluster,
The most frequent defect type in the data of the fused i-th cluster is obtained, and this defect type is set as the defect type of the fused i-th cluster,
Before and after the fusion, the cost of fusion is calculated by determining how much the total number of different types of data different from the most defective species included in the i-th cluster has changed.
The defect inspection apparatus according to claim 1, wherein an evaluation is made as to how many misidentifications occur with respect to the database DA.

The cluster removal function of the logic table generating means is
When determining the removal of the k-th cluster in order from the top of the clusters of the cluster classification,
K-th cluster and data belonging to the k-th cluster are removed from the cluster classification and the database DA, and the rank of the clusters below the k-th cluster is incremented by one;
As the m-th cluster in order from the first cluster,
Find the minimum area of the m-th cluster and use the minimum area as the initial area;
In the data belonging to the removed cluster and the (m + 1) th cluster and thereafter, the entire data different in kind from the mth cluster is set as out-of-area data, a pure area is obtained and set as the maximum area of the mth cluster,
When the data belonging to the removed cluster is included in the maximum area of the m-th cluster, a process of newly assigning the data as data belonging to the m-th cluster,
How many misclassifications occur as the cost of removing the k-th cluster by determining how much the sum of the number of different types of data contained in each cluster has changed before and after removal by repeating m up to the lowest cluster The defect inspection apparatus according to claim 3, wherein the defect inspection apparatuses are compared.