[发明专利]元件图像识别用学习完成模型生成系统及方法

说明书

元件图像识别用学习完成模型生成系统以吸附于元件安装机(12)的吸嘴(31)的元件或安装于电路基板(11)的元件为拍摄对象，通过相机(18、22)来拍摄该拍摄对象并生成在进行图像识别时使用的学习完成模型，元件图像识别用学习完成模型生成系统具备取得在成为基准的元件的图像识别中使用的基准学习完成模型的计算机(23)。该计算机针对成为基准的元件具有预定的类似关系的元件的每个种类收集样本元件图像，并针对该元件的每个种类追加该样本元件图像作为上述基准学习完成模型的教师数据而进行再学习，从而针对该元件的每个种类生成用于该元件的图像识别的按元件类别学习完成模型。

技术领域

本说明书公开了关于以吸附于元件安装机的吸嘴的元件或者安装于电路基板的元件为拍摄对象，通过相机拍摄该拍摄对象并生成在进行图像识别时使用的学习完成模型的元件图像识别用学习完成模型生成系统及元件图像识别用学习完成模型生成方法的技术。

背景技术

关于吸附于元件安装机的吸嘴的元件的吸附姿势，若是正常吸附，则元件被水平地吸附，但是有时因某些原因而产生元件以倾斜等异常的姿势被吸附的异常吸附。由于这样的异常吸附成为元件安装不良的原因，因此以往在元件安装机中搭载拍摄吸附于吸嘴的元件的相机，并对由该相机拍摄到的图像进行处理，从而判别元件的吸附姿势是正常吸附还是异常吸附，将判定为异常吸附的元件废弃，仅将判定为正常吸附的元件向电路基板安装。

以往的一般的图像处理使用包含元件的尺寸等的图像处理用元件形状数据来判别正常吸附/异常吸附，但是在吸附于吸嘴的元件是微小的元件的情况下，有时难以通过使用了以往的图像处理用元件形状数据的图像处理来判别正常吸附/异常吸附。

因此，如专利文献1（日本特开2008-130865号公报）所记载的那样，使用神经网络等机械学习方法，预先生成判别正常吸附/异常吸附的学习完成模型，在生产中对由元件安装机的相机拍摄到的元件图像进行处理，使用学习完成模型来判别正常吸附/异常吸附。

现有技术文献

专利文献1：日本特开2008-130865号公报。

发明内容

发明所要解决的课题

例如，即使是电学上相同规格的元件，有时尺寸、颜色、原材料、制造公司、制造批次等中的任一个也会不同，图像识别结果有时也会因该不同而产生差异。但是，对于在生产开始前电学上相同规格的元件，若根据尺寸、颜色、原材料、制造公司、制造批次等而将元件的种类细化并欲针对该全部种类通过机械学习方法生成学习完成模型，则必须生成非常多的学习完成模型，学习完成模型的生成作业耗费大量的工时。

因此，对于形状等与已经生成了学习完成模型的元件相似的种类的元件，有时先使用已有的学习完成模型来判别正常吸附/异常吸附，但是在该情况下，有时无法获得在生产中期待的判别精度。在该情况下，需要迅速地生成专用于该元件的学习完成模型，但是通过以往方法从最初生成学习完成模型要花费工时。

用于解决课题的技术方案

为了解决上述课题，元件图像识别用学习完成模型生成系统以吸附于元件安装机的吸嘴的元件或者安装于电路基板的元件为拍摄对象，通过相机来拍摄该拍摄对象并生成在进行图像识别时使用的学习完成模型，上述元件图像识别用学习完成模型生成系统具备取得在成为基准的元件的图像识别中使用的基准学习完成模型的计算机，上述计算机针对与成为上述基准的元件具有预定的类似关系的元件的每个种类收集样本元件图像，并针对该元件的每个种类追加该样本元件图像作为上述基准学习完成模型的教师数据而进行再学习，从而针对该元件的每个种类生成用于该元件的图像识别的按元件类别学习完成模型。