ハイパースペクトルイメージング技術のFPCB表面欠陥検出への応用
2026,03,28
I. 従来の目視検査の限界
フレキシブルプリント基板（FPCB）は、屈曲性や放熱性に優れているため、スマートフォン、フレキシブルディスプレイ、ウェアラブルデバイスなどの分野で広く使用されています。回路密度が増加し続けるにつれて、表面欠陥の種類はますます複雑になり、一般的な欠陥には、短絡、開回路、突起、白点、黒点、破損した穴が含まれます。
従来の検出方法では、RGB 画像に基づくテンプレート マッチングが広く使用されています。この方法では、標準画像とテスト対象画像を比較することで異常領域を特定します。ただし、これらの方法は照明条件に影響されます。配光が不均一な場合、誤検知や見逃しが発生しやすくなります。また、欠陥の中には正常な回路構造と形態的に類似しているものもあり、可視光画像だけでは正確に欠陥を区別することが困難です。
II.ハイパースペクトルイメージングシステムの構築
検出の安定性を向上させるために、この研究ではハイパースペクトル顕微鏡イメージング システムを構築しました。このシステムは、ハイパースペクトル カメラ、顕微鏡、および取得ソフトウェアで構成されます。このうちハイパースペクトルカメラにはCHNSpec社のFS-23モデルを採用しており、スペクトル範囲400～1000nm、スペクトル分解能2.5nmを特長としています。
このカメラはイメージングにラインスキャン方式を使用しており、生データには 1200 バンドが含まれています。処理を容易にするために、研究では隣接する 4 つのバンドごとに 1 つにマージされ、最終的に 300 バンドのデータ構造が得られました。 1 つのハイパースペクトル画像のサイズは 1920 × 960 ピクセル × 300 バンドで、銅導体とポリイミド基板の完全なスペクトル情報をカバーします。
ハイパースペクトル イメージングの利点は、各ピクセルの連続スペクトル曲線を取得できることにあります。この研究では、500 ～ 750nm の波長範囲で銅とポリイミドのスペクトル応答に大きな違いがあることが判明し、これがその後の画像の分割と材料の識別のための信頼できる基礎となります。
Ⅲ．スペクトル情報を活用した検出手法
この研究で提案された検出フレームワークは、欠陥位置特定用の FPCB-LocNet と欠陥分類用の FPCB-ClaNet の 2 つのサブネットワークで構成されています。
位置特定段階では、FPCB-LocNet はマルチスケール 3D コンボリューション カーネルを利用して、空間次元とスペクトル次元の両方から同時に特徴を抽出します。ネットワークでは 2 つの異なるサイズのコンボリューション カーネルが使用され、局所的な空間構造とスペクトルの特徴にそれぞれ焦点を当て、異なるスケールの特徴が残差構造を通じて融合されます。この設計により、ネットワークは微細な空間テクスチャと連続的なスペクトル変化を同時にキャプチャできるようになり、銅とポリイミドのピクセルレベルのセグメンテーションが実現します。セグメンテーションが完了すると、テンプレート マッチングによって異常領域が特定されます。
分類段階では、限られた数のハイパースペクトル サンプルを考慮して、ネットワークは転移学習戦略を採用し、最初に FPCB RGB 画像データセットで事前トレーニングし、次に疑似カラー画像で微調整します。さまざまな欠陥カテゴリの不均衡なサンプル数の問題を目的として、カテゴリバランスのとれたサンプリングと重み減衰戦略がネットワークに導入され、モデルがより少ないサンプルで欠陥タイプに重点を置くことができるようになります。同時に、SE アテンション メカニズムが組み込まれており、主要な機能に対するネットワークの集中力が強化されています。
IV.実験結果と応用価値
画像セグメンテーションに関しては、FPCB-LocNet は、照明が不均一な画像を処理する場合に、エントロピー法、ウォーターシェッド アルゴリズム、Otsu などの従来のセグメンテーション手法よりも優れたパフォーマンスを発揮し、セグメンテーション精度は 97.86% に達します。分類タスクでは、一般的な 6 種類の欠陥に対する FPCB-ClaNet の包括的な分類精度は 97.84% です。
アブレーション実験により、各モジュールの実際の貢献が検証されました。データ拡張により分類精度が向上し、カテゴリバランスの取れたサンプリングと重み減衰により末尾カテゴリの認識効果が効果的に向上し、SE アテンション メカニズムにより、少数のパラメータを追加しながら分類パフォーマンスが安定的に向上しました。 Grad-CAM ヒートマップの視覚化結果は、モデルの懸念領域が実際の欠陥位置と非常に一致していることを示しています。
この研究では、ハイパースペクトル イメージングとディープ ラーニングを組み合わせて、データ取得、画像セグメンテーション、欠陥位置特定から欠陥分類までの完全な処理チェーンを構築します。この方法は、特定の照明条件に依存せずにFPCB表面欠陥の識別タスクを安定して完了することができ、高密度フレキシブル回路基板の製造品質管理に実現可能な技術的パスを提供します。
推奨製品: FigSpec FS-23 イメージング ハイパースペクトル カメラ
●画像解像度: 1920*1920
●スペクトル範囲:400-1000nm
●スペクトル分解能(FWHM):2.5nm
● スペクトルチャンネル数: 1200
