SEM画像に含まれる欠陥は、種類ごとのデータ量の偏り、少ない教師データ、同一欠陥内の見え方の差によって、単純な画像分類だけでは安定して判定できません。
本プロジェクトでは、一つの分類モデルにすべてを任せず、異常検出 → 領域分析 → 欠陥分類 → 未知欠陥判定を段階的に組み合わせる画像解析方式を設計します。
技術課題
- クラスごとのデータ量が不均衡
欠陥の発生頻度が異なるため、十分な教師データを確保できない種類が存在します。 - 同じ欠陥でも見え方が大きく異なる
同一クラス内のばらつきが大きく、単純な画像分類では境界を安定して学習しにくい場合があります。 - 未知欠陥を既知クラスへ誤分類するリスク
一般的な分類では、学習時に存在しなかった異常でも既知クラスのいずれかへ割り当てられる可能性があります。
技術アプローチ
- 異常検出
正常状態との差を利用して異常領域を先に抽出し、すべての欠陥種類について大量の教師データを準備する負担を抑えます。 - 領域分析
抽出した異常領域の形状や大きさなどを解析し、傷・異物など大きな性質へ分類します。 - 欠陥タイプ別の分類
傷では領域サイズなどを評価し、異物では対象物の特徴から種類を識別するなど、欠陥の性質に応じて処理を切り替えます。 - 未知欠陥判定
どの既知クラスにも十分に当てはまらない異常を未知欠陥として扱い、新しい異常の発見につなげます。
設計上のポイント
-
一段階で分類しない
問題を複数の判定へ分解し、各工程に適した解析を適用します。
-
少量データを前提にする
異常検出を組み合わせ、教師データ不足の影響を抑えます。
-
既知と未知を分けて扱う
原因分類と新規異常の監視を同時に成立させます。
適用領域
半導体・電子部品など、欠陥種類の偏りが大きく、未知異常も見逃せない製造検査へ適用できます。
まとめ
重要なのは、画像を一つの分類器へ入力することではなく、欠陥の性質に合わせて検出・分析・分類を組み合わせることです。