良否判定装置、判定程序、方法以及多变量统计解析装置

摘要

一种良否判定装置、良否判定程序、良否判定方法以及多变量统计解析装置，利用成为良否判定主要因素的多个参数及其良否判定结果，计算出判别函数。在判别函数中，生成对于合格类与不合格类的直方图，并为了根据各类别中的标准偏差而得到按照意图的流出率及漏过率来决定阈值。通过基于该阈值判定良否判定对象的良否，能够按照意图控制流出率及漏过率，实现不需要积蓄技术技巧的高性能的良否判定。因此，解决了以往即使是利用判别分析、进行变量Z＝0处的阈值判别，但如果不通过人的目测与实际的运用来积蓄技术技巧，就不进行允许实际应用的问题。

说明书

技术领域

本发明涉及一种良否判定装置、良否判定程序、良否判定方法以及多变量统计解析装置。

背景技术

在各种制品的制造工厂中，制品出厂之前，通常要进行合格与否检查。作为合格与否检查的项目有多种，仅靠人的目测来进行高速且大量的检查是困难的，同时使成本增加。特别是检查项目庞大时，采用目测进行合格与否的检查实际上是不可能的。因此，提供了针对各种制品自动进行合格与否检查的良否判定装置。

在将良否判定自动化时，一般地，在良否判定装置中对于任意的制品状态是良状态或非良状态，基于客观的基准进行明确的规定并制成装置是非常困难的。而且，在制成装置时，即使是由人的主观对良否判定规则进行特别的限定，关于该规则或状态的通用适用性，也很少能够适用于良否判定装置。对于实际安装部件焊接状态的检查等，具有多种多样状态的制品，对于所检查的对象进行良否判定特别困难。

图22是说明将各种部件焊接在基板时各种状态的例子，是表示从基板侧面观察到各种部件的状态。图中最上段的左侧是表示将电阻元件1焊接在基板上时的良好焊接的状态，而右侧是表示焊接点不牢固的状态。在左侧的良好状态中，在焊锡1a的上面形成凹面，在右侧的不牢固状态中，焊锡1b的上面则形成凸面。比较这些良好状态与不牢固状态，至少是在焊锡的端部1c与1d上，二者的焊锡形状有差异，将该形状差异赋予特征并收集充分的数据，同时特别指定以该形状差异为特征的良否判定规则是必要的。

而且，在图22的中上段的左侧，表示将电阻元件1焊接在基板上的良好焊接状态，右侧表示没有焊锡的状态。比较这些良好的状态与没有焊锡的状态，在焊锡的中央位置1e处，双方的焊锡形状及量等有着明显的差异。进而，在图22的中下段，表示了将电阻元件1以及大小与电阻元件1不同的电阻元件2焊接在基板上的状态。在该图中表示了二者都是良好的焊接状态，但由于电阻元件1、2的大小不同，所以焊锡的量及上面的倾斜度就有差异。在该图中，电阻元件2的焊锡2a上面更陡峭一些。

进而，在图22的最下段，表示了将不同形状的实际安装部件3、4焊接在基板上的状态。在该图中也表示了二者都是良好焊接的状态，但由于实际安装部件3、4的形状不同，所以焊锡的量及上面的角度就有差异。由以上可知，焊锡的形状及量等，因焊锡的良否及部件的形状而有差异，且在实际的焊锡中，即使是在同一现象，例如在不牢固这一现象中，焊锡的形状也有多种多样，在运用良否判定装置时，必须制定出良否判定规则，充分收集将这些焊锡的形状差异赋予特征的数据，同时，基于该数据明确形状的差异，进行可靠的良否判断。

也就是说，分别在上述各种状态中，必须进行不同地点的数据收集与对这些不同地点的良否判定规则的特别规定。在图22所示的锡焊中，假定对焊锡的良否考察所得到的特征形状有数百个地点(例如200个)，必须从其中抽出与不合格的类别及部件的类别相对应、确实能够进行良否判定的特征。但是，从这样庞大数量的特征形状中仅抽出适当的内容进行特别限定良否判定规则，作为实际问题是不可能的。通常，当在基板上安装有数量庞大的部件、对于其锡焊地点也存在有数百个特征时，人为地抽出适当的特征形状，实质上是不可能的。

因此，历来是提供进行统计处理、尽量排除人为主观因素的良否判定装置，例如，提供利用判别分析、从数量庞大的特征形状中选定适合于良否判定的特征形状而进行判定的良否判定装置。作为判别分析的适用例，可以是将从良否判定装置所得到的规定测定数据变换为多数的良否判定参数(表示特征形状的参数)，分开合格类与不合格类，生成对于这些参数的直方图。而且，计算出规定新变量Z的规定的判别函数，以该变量Z是否为“0”作为阈值来进行良否判定。而且，当形成对该变量Z的合格类与不合格类的度数分布时，变量Z是尽量使两类的分布能够分离而决定的变量，是所述良否判定参数的线性结合。

在上述历来的良否判定装置中，即使是以上述变量Z＝0进行阈值判别，也不一定成为高性能的良否判定，必须通过人的目测及在实际运用中积累的技术技巧，对上述参数的选定方法等重复进行非常微妙的调整，达到良否判定的高性能化。也就是说，作为合格判定的性能，要求由于对不合格品的合格判定而使不合格品流出的流出率应尽量的少，而且，由于对合格品的不合格判定而使合格品被误认为是不合格品的漏过率也应尽量的少。从这个意义上讲，在上述历来的例中高性能化是非常困难的。

以上述的焊锡的良否判定为例，在判别分析中选定与拱起或无焊锡等各种特征形状相对应的参数，由上述变量是否比Z＝0大来进行良否判定。在该判别分析中，由于Z＝0是合格类的平均值与不合格类的平均值的中间点，所以在由该Z＝0进行阈值的判别中，就不能由决定与流出率或漏过率无关的阈值、事先调整使其成为所希望的流出率或漏过率。为了判断是否为所希望的流出率或漏过率，有必要进行一次良否判定，验证合格判定的焊锡中是否存在有不合格品，不合格判定的焊锡中是否存在有合格品。

进而，在不是所希望的流出率或漏过率的情况下，有必要通过对上述参数的选定方法的变更来变更判别函数本身，再一次进行良否判定，重复上述验证。也就是说，为了提高历来的良否判定装置的性能，有必要重复进行次数非常庞大的良否判定，同时还有必要通过试行错误来积累技术技巧，选定适当的参数。所以，在历来的良否判定装置中，如果不实际进行次数庞大的良否判定，就不能使判定性能提高。

另一方面，与本发明的技术有关联可能性的资料有以下的专利公报。

1.专利申请公开公报平成8年第254501号(发行日平成8年10月1日)

在该专利申请公开公报中，公布了使用对焊锡形状的良否判定进行判别分析的技术。

但是，即使是使用该公报中所公布的方法得到分离良否的阈值，不合格品流出的可能性也很高。

对于此，由于在本发明中是以判别分析后的不合格分布为前提，基于该分布的扩展而设定的阈值，所以能够控制减少不合格品的流出。

2.专利申请公开公报平成9年第229644号(发行日平成9年9月5日)

在该专利申请公开公报中，公布了使用对焊锡形状的良否判定进行簇分析的技术。

簇分析与判别分析，在共同多变量分析的意义上是通用的。

发明内容

鉴于上述问题，本发明的目的在于提供一种良否判定装置、良否判定程序、良否判定方法以及多变量统计解析装置，能够对流出率或漏过率进行有意识的控制，并且能够实现不依赖于技术技巧积累的高性能的良否判定。

为了达到上述目的，在本发明中，通过多变量统计解析、从多个参数信息与良否判定结果信息计算给出分离合格类与不合格类的度数分布的变量的判别函数。进而在将该变量的任意一个值作为良否判定的阈值时，根据关于上述类别度数分布的统计指标，决定阈值以便在任一类别中成为特定分布概率。而且，关于个别的良否判定对象，将该良否判定对象的多个参数信息代入判别函数，通过将该值与阈值的比较来进行良否判定。

这里，通过将不合格类中成为特定的概率分布的变量值作为阈值，能够仅对不合格类内所包含的良否判定对象中特定概率的对象进行合格判定。即，能够将尽管是“不合格”而判定为“合格”，将“不合格”的流出概率(流出率)收敛为意图的值。另外，通过将合格类中成为特定概率分布的变量值设为阈值，能够仅将合格类内所包含的良否判定对象中特定概率的对象定为不合格判定。即，能够将尽管是“合格”而判定为“不合格”的概率(漏过率)收敛为意图的值。

在上述历来的例中，将由判别函数所规定的变量值“0”与个别良否判定对象中的变量值比较而进行良否判定，但该变量的值“0”是误判定的数目为最小的值。以该值作为阈值，虽然可能使误判定率减少，但有怎样才能使作为实际的良否判定装置性能的最重要的“不合格”的流出得到抑制的问题。其理由在于，在大多数情况下，良否判定装置本来的目的就是通过制品检查而查出不合格品等。所以，根据本发明，由类别的概率分布决定阈值，能够提供非常高性能的良否判定装置。然而，在设定该阈值时，除了满足类别的概率分布以外，判别合格品与不合格品的区分并不一定严格限于不在不合格品一侧而在合格品一侧，从外表看，当然也会发生在与合格品与不合格品的中间值相比靠近不合格品的一侧。

另外，即使是在作为良否判定装置的性能减少漏过率是很重要的情况下，在上述合格类中通过将成为特定概率分布的变量值作为阈值，能够提供非常高性能的良否判定装置。进而，只要是基于概率分布的阈值，在不能达到所希望的概率分布时，就可以对参数信息的设定重新考虑，但在历来的例中，不能把握在该阶段的流出率或漏过率，把握这些是在实际应用的开始之后。

所以，在历来的良否判定装置中为了提高其性能，只有积蓄技术技巧，而在本发明中通过考虑概率分布，能够对上述参数信息的设定等进行重新考虑，直至能够按照意图对上述流出率或漏过率进行控制，所以能够从良否判定装置的运用开始时就得到所希望的性能。是否必须通过运用才能使其性能提高、是作为良否判定装置价值的非常重要的因素，同时，还对实际运用中的工作繁杂性、成本等都有很大的影响，从这个意义上讲，本发明的结构能够使良否判定装置的价值得到非常大的提高。

进而，由于在由上述参数信息及良否判定结果信息进行多变量统计解析的同时而从统计指标决定阈值，所以，如果取得了预先准备的这些信息，就能够自动地决定阈值。因此，如果能够取得对于个别良否判定对象的参数信息，就能够使良否判定自动化，通过在为了取得对于良否判定对象在上述多个参数信息的检查装置中适用良否判定装置，能够提供可实施自动判定的检查装置。

这里，多个参数信息形成良否判定重要因素即可，在本发明中，由于是由多变量统计解析而计算出判别函数，所以在计算判别函数时能够适当地选择必要的参数。所以，作为参数信息，可以采用多种多样的参数，通过采用非常多的参数(例如200个)，从可多种多样的视点进行良否判断，同时，还能够减少在参数的选择中加入人为主观因素的余地。也就是说，可以不通过对是否为适当的参数进行详细的验证而作为参数采用，通过由多变量统计解析而挑选适当的参数，能够排除人为的主观因素，做出客观的判断。

作为参数信息，是从个别的良否判定对象所得到的信息，在将良否判定装置适用于某种检查装置时，也可以由该检查装置的检查数据所生成。当然，检查数据可以是一个数据，也可以是在检查装置中从多个观点收集数据、而生成上述多个数据信息。另外，检查装置之外的图像识别，例如，在判定图像中所表现的图案是否与特定的图案相符合时，也可以从判定对象的图像数据取得多个参数信息。

上述良否判定结果信息，是在分别给以上述多个参数以具体的值时，表示该良否判定结果为“合格”或“不合格”的信息，是在运用初期预先对多个良否判定对象实行判定的结果所取得的信息，也可以在运用的同时追加取得。另外，上述合格类与不合格类，是由上述良否判定结果信息所规定的类别，至少有必要分为“合格”与“不合格”两个类别，也可以进一步详细划分。例如，可以对于不合格类，再按“不合格”的原因作成子类别，在给予上述多个参数具体的值时，将是否属于某一个子类别作为良否判定结果而储存。当然，对于合格类也可以作成子类别。

判别函数，是在对上述变量考虑度数分布时、分离合格类与不合格类的度数分布的函数，由于这些分布是统计性的分布，所以没有必要将二者完全分离，即使是分布的下部有重复，但只要是将该分布尽量地分离(例如类别间的分散/全分散数为最大的状态)即可。而且，该变量为上述多个参数的函数(例如线性结合)。另外，作为多变量统计解析的方法，可以采用判别分析、重回归分析等方法。

在统计指标计算装置中，能够计算出上述类别的分布中心与表示该分布宽度的指标即可。

而且，分布的中心除了使用度数平均(Mean)之外，还可以使用具有近似值的众数(Mode)及中位数(Median)等。

另外，关于表示分布宽度的指标，也并不限于标准偏差，也可以采用对方差(Variance)或极差(Range)进行分割(例如25％分位)的值。

作为阈值决定装置，可以使用在上述类别的分布中成为特定的分布确立的变量值作为阈值，也可以按预先决定的分布确立而决定阈值，还可以由利用者根据需要而输入。

参数信息取得装置，对于个别的良否判定对象能够取得上述多个参数信息即可，例如，在对于上述检查装置适用本发明的良否判定装置时，可以从由相应的检查装置对个别的良否判定对象进行检查而得到的检查数据而生成多个参数信息，也可以在对其它机器适用本发明的良否判定装置时，从个别良否判定对象所特有的数据取得多个参数信息。这样做，如果得到了对于个别良否判定对象的多个参数信息，就能够通过将各参数值代入这些作为数的函数的上述判别函数中，得到与上述变量同维数的值，通过与该变量的维数的所规定的阈值进行比较，进行良否判定。

另外，作为本发明的其它方式，可以利用不合格类的分布中心与表示该分布宽度的分布指标作为上述统计指标，在由这些统计指标决定成为上述特定分布概率的阈值时，具有将相当于从不合格类的分布中心到其分布指标的定数倍的变量值作为阈值的结构。即，在考虑对于上述判别函数中所规定的变量的分布的同时，将自分布中心离开分布指标定数倍的值作为阈值。在采用标准偏差作为分布指标时，正态分布中标准偏差的各值表示比该值大的变量值(或小的变量值)发生的概率。例如，将标准偏差作为σ，在将3σ以上的变量值全体设为1时，发生的概率为0.0013。

在此，假定不合格类的分布为正态分布，则通过将自该分布中心的一例、即度数平均离开分布指标的一例、即标准偏差的定数倍的值作为阈值，由该阈值对不合格类中所包含的几乎全部良否判定对象进行概率判定，或进行控制。另外，这里通过基于不合格类的度数平均及标准偏差而决定阈值，可以对不合格类中所包含的(预想为不合格)良否判定对象判定为“合格”，控制“不合格”的流出概率，能够在上述“流出率”原封不动的基础上进行管理，作为非常确切的信息预先知道“流出率”。当然，对于合格类也可以进行同样的控制。即，通过计算出合格类的度数平均及标准偏差并将自该度数平均离开标准偏差定数倍的值作为阈值，能够对“漏过率”进行管理。

进而，作为本发明的其它方式，还可以将二者并用。即，决定了阈值，使其成为不合格类中由度数平均与其标准偏差的按照意向流出率的情况下，进而从合格类一侧看时，能够判定该阈值中的“漏过率”。其结果是，在从“漏过率”看的情况下，能够判断是否为所希望的阈值，在“漏过率”比意向的概率多的情况下，可以在上述判别函数计算装置中实行对上述多个参数信息的重新考虑，或对判别函数重新考虑等，在良否判定装置的实际应用之前对良否判定装置进行调整，直至成为按照意图的“流出率”及“漏过率”。所以，在运用时不需要积蓄技术技巧，从良否判定装置的运用初始就能够实现非常高性能的良否判定。

这样，即使是说不需要技术技巧的积蓄，为了使良否判定性能伴随着运用而提高，还是希望将运用时良否判定的结果反馈。多个参数信息有必要成为用于判定各良否判定对象的良否的主要因素，为了对该判定主要因素进行客观的特定，由变换式将检查装置的检查数据变换为参数。另外，为了从不同的多个视点对良否判定对象的良否进行判断，对相同的检查数据由不同的多个变换式变换为参数。该参数及变换式被储存于所规定的存储媒体中。

上述多个变换式，是在良否判定装置运用前所预先准备的。此时，没有必要讨论各参数对于良否判定是否具有大的实际意义。这是由于在决定所述判定函数时，能够由多变量统计解析的各方法来选择适当的参数。在这样预先准备了多个参数及变换式、并在通过储存于存储媒体而在运用的初始就能够实现高性能良否判定的结构中，将在上述检查装置中对个别的良否判定对象检查所得到的检查数据、由上述各变换式变换，作为良否判定结果追加储存。

在本发明中实行多变量统计解析，是对上述合格类与不合格类的分布实行统计学解析。所以，通过伴随着实际运用，逐渐追加储存新的数据，这样使统计精度随时间的延长而提高。因此，如果是通过数据的追加储存使统计精度随时间的延长而提高的结构，则良否判定性能的提高中就没有人为因素进入的余地，能够非常高效率地提高统计精度。而且，在检查装置中，只要得到关于良否判定对象的检查数据即可，并不限于这种方式。也可以由检查装置与良否判定装置为分别的装置来实现，可以通过双向通信而接收二者的数据，也可以以单体的装置形成二者。

作为在运用良否判定装置的同时使其判定性能提高的所希望的结构例，可以采用能够反映由人的目测良否判定结果的结构。即，输入目测的良否判定结果，追加储存该判定结果与其参数信息，同时，在由上述阈值的判定与由目测判定的不同情况下，以目测的良否判定结果为正确的判定结果。即，目测的良否判定结果，为对于良否判定对象实际且可靠的判定结果，在由上述阈值的判定与由目测的判定不同的情况下，认为由阈值的判定为错误结果。

而且，即使进行了由上述阈值的良否判定，对于个别的良否判定对象所取得的上述多个参数信息也不同，将这些参数代入上述判别函数中所得到的变量值、对于个别的良否判定对象也不同。由上述阈值从该值所得结论的良否判定结果，是根据上述分布概率在“确实度”的良否判定结果。因此，通过由目测把握对个良否判定对象的正确良否判定结果信息，能够对于由各自的参数从判别函数所得到的变量值，能可靠地将正确的良否判定信息对应记入。

所以，通过由目测得到的良否判定结果对应于参数信息而追加储存，能够在由上述判别函数计算装置进行的计算判别函数时提高统计精度。作为上述判别函数计算时反映良否判定结果信息的方法，可以采用多种方法。例如，在具有由上述阈值进行良否判定时为“合格判定”，但由目测却判明为“不合格”的良否判定对象的情况下，说明由上述阈值进行的良否判定关于该良否判定对象不具备高的精度的功能，但如果逐渐追加储存目测结果为正确的内容，并基于追加储存的良否判定结果信息计算判别函数，就能够使统计精度随追加储存数的增加而提高。当然，也可以在存储了具有统计学意义的总体参数的目测判定结果之后计算出新的判别函数，在上述阈值中为“不合格判定”，但目测中为“合格判定”的情况也是同样。

进而，作为产生良否判定对象的合格与不合格的原因，可以想象有多种原因，在本发明中将良否判定结果分为合格类与不合格类两部分计算出判别函数时，能够计算出关于对包括全部的不合格原因实施高精度良否判定的判别函数，如果按照原因分别规定判别函数，还可以实施精度更高的良否判定。因此，作为本发明的其它方式，也可以输入由目测得到的良否判定原因及其结果。由此，对于每一个按原因细分的类别，能够计算出分离该细分化的合格类与不合格类的判别函数。

在计算判别函数时，是在适当选择上述参数信息的同时，计算分离合格类与不合格类的变量，在计算出以上按原因非类的判别函数时，就能够计算出对于每一个细分化类别的最佳的判别函数。即，是在对于某一原因分离合格类与不合格类时所希望的参数信息，但关于其它原因却不是在分离合格类与不合格类时所希望的参数信息，在这种状况下，能够在可靠地选择所希望的参数信息的同时，计算出确实分离合格与不合格类别的判别函数。其结果是能够随所有的不合格原因进行高精度的良否判定，将误判定发生的概率收束到非常小的值。

当然，由上述细分化而得到的判定精度非常高，如上所述，由于在本发明中能够以按照意图的流出率开始运用，所以，例如即使不进行细分化，也能够毫无问题地从运用开始性提供非常高的性能的良否判定装置。另外，在为了细分化类别而输入良否判定原因及其结果的结构中，也希望实施对多个对象的输入，确保具有统计学意义程度的总体参数。而且，在输入由目测而得的良否判定结果的结构及输入良否判定原因等的结构中，进行误输入的概率有随着总体参数的增加而增加的倾向。在进行了误输入的情况下，例如在合格类的分布内“不合格”判定的对象发生散见。在进行了这样输入的情况下，如果表示合格类与不合格类的度数分布，明显地，相对于应该成为合格类的参数值，分散不合格判定的数据。在这种情况下，可以在上述判别函数计算装置的多变量统计解析中不使用相应不合格判定的数据，或采用从上述存储媒体中消除该数据本身的结构。

在本发明中，不需要详细地验证是否为适当的参数，就可以作为参数而采用，能够通过由多变量统计解析进行挑选适当的参数，排除人为的主观因素，进行客观的判断。另外，在实施多变量统计解析时，作为挑选参数的前处理，有必要去除多重共线性。在此，作为该方法的具体例，在本发明的其它方式中，是基于相关系数而决定非使用参数。

也就是说，相关系数是将一方的参数值增加时另一方的参数值也有增加的倾向等两个变量相互的相关强度进行定量化的值，存在有即使是使用多个相关强的参数，也不能计算出可以实施高精度良否判定的判别函数的情况。因此，应从相关系数为一定值以上的参数多的内容中去除。但是，由于在本发明中至少能够给予关于合格类与不合格类直方图的判别函数是必要的，所以有必要保留两类别共同的参数。在此，是将对于两类别的相关系数在规定值以上的参数的数目进行合计，从合计值大的数目为非使用，有效地去除多重共线性。

而且，作为去除多重共线性的合适的例子，是根据预先决定的优先度，从低优先度的参数开始为非使用即可。而且，该结构希望有对上述相关系数大的参数进行合计的结构且并用使用。也就是说，可以是当在从上述合计值大的参数为非使用的结构中、存在有为同一合计值的参数时，根据优先度而决定非使用参数的结构。这样做，能够容易地将多重共线性去除。

进而，在本发明的良否判定装置的具体适用例中，由于是采用只要所规定的电磁波对良否判定对象进行照射、就能产生与良否判定对象的形状相对应的反射电磁波或透过电磁波，所以若能生成表示相应反射电磁波或透过电磁波的检测值的电磁波数据，则能够得到与良否判定对象的形状相对应的电磁波数据。因此，通过由所规定的变换式将该反射电磁波或透过电磁波数据进行变换，就能够计算出与良否判定对象的形状相对应的值。  

可以考虑该变换式有多个，能够根据对应于形状的多个值而对良否判定对象处置。所以，以将与该良否判定对象的形状相对应的值设为上述多个参数信息，能够提供以良否判定对象的形状为良否判定主要因素的良否判定装置。作为以良否判定对象的形状为良否判定主要因素的良否判定装置的具体的例子，可以列举出由基板上安装部件的接点及焊锡的形状判定焊锡焊接良否的装置或从部件安装前基板上印刷的焊锡膏的形状判定印刷良否的装置等各种适用例。

而且，在后者中，将部件安装后焊锡的焊接良否分为合格类与不合格类的形式，也就是说，可以具有不是判定所述膏形状本身的良否，而是判定部件安装后焊锡的焊接良否，由此而间接地判定所述膏形状的良否。即，在上述膏的形状对部件安装时的焊锡焊接本身有较大影响的情况下，可以利用该焊锡焊接的良否与膏的良否之间密切的对应关系而进行良否判定。在本发明中，作为电磁波可以使用各种波长的可见光、红外线、X射线等，也可以采用各种形式。由于是根据电磁波的性质及良否判定对象的材质而决定电磁波是反射还是透过，所以根据电磁波的性质及良否判定对象的材质而利用适宜的反射波或透过波即可。

例如，由于在用可见光或红外线等照射金属的情况下是得到反射波，所以检测出反射波即可，而用X射线照射金属的情况下是得到以一定的透过率透过的X射线，所以测出透过的X射线即可。当然，也可以利用反射X射线。作为电磁波的检测方法可以采用多种方法。例如，可以用聚焦为小径的激光对良否判定对象进行线扫描或面扫描，由设置在特定部位的传感器检测出反射光，也可以在良否判定对象一侧的照射X射线，由设置在另一侧的两维配置的CCD传感器检测出透过X射线，还可以由CCD传感器对照射可见光的良否判定对象进行录象。作为与良否判定对象的形状相对应的值，可以采用多种值，可以根据反射电磁波的连续变化推定倾斜的变化情况，从而计算出高度，也可以从向倾斜方向反射的开始时刻来推定焊锡的长度。当然，也可以将其它多种带有形状特征的值作为参数信息。

进而，作为将检测出照射电磁波的反射、生成反射电磁波数据的装置适用于良否判定装置时所希望的结构例，还可以排除多重反射的影响。即，当多个良否判定对象被配置在特定的狭小场所时，考虑到有以下情况，即，到达特定良否判定对象的电磁波因反射而到达其它的良否判定对象，进而又由该良否判定对象的反射而到达电磁波检测装置。这样经过两次以上反射的电磁波到达电磁波检测装置的发生多重反射的情况下，上述反射电磁波数据就与不发生多重反射的情况下的电磁波数据不同。

由于原封不动地利用该数据会引起统计精度的下降，所以需要由配置分析装置把握发生了多重反射的良否判定对象的配置，不使用该良否判定对象中由多重反射所引起的有大的影响的参数，或将其定为低的优先度。由此能够排除或减低该参数的影响。当然，也可以采用计算出多重反射发生场所与不发生场所的不同的阈值的结构。

本发明的良否判定装置有单独存在的情况，也有在组装入某些机器的状态下利用的情况，作为发明的思想不受此限制，可以包含各种形式。所以，无论是软件还是硬件，都可以作适宜的变更。在作为发明思想的具体例子是为了控制良否判定装置的软件的情况下，当然在记录该软件的记录媒体上存在并利用，作为该软件本身也成为发明。

当然，该程序的记录媒体，可以是磁记录媒体，也可以是光记录媒体，今后开发的所有的记录媒体也都同样可以考虑。另外，对于一次复制品、二次复制品等复制阶段，也都是没有疑问的等同。上述媒体虽然不同，但使用通信线路作为供给方法而进行的情况下，通信线路就成为传送媒体而用于本发明。进而，即使是在一部分为软件、一部分为硬件所实现的情况下，在发明的思想中也不是完全不同，可以采用在记录媒体上储存一部分，根据需要适宜地读出的方式。

而且，在这样的良否判定装置的控制中，各装置按照所规定的控制顺序进行处理，此外，当然最根本的是在该顺序中存在有本发明，作为方法也是适用的。

附图说明

图1是表示构成良否判定装置的系统的概略硬件结构的图。

图2是激光检查装置中的概略流程图。

图3是表示激光检查装置的概略结构图。

图4是表示传感器配置关系的图。

图5是说明生成编码的说明图。

图6是良否判定程序的功能方框图。

图7是说明对于实际安装部件的“合格”状态与“不合格”状态的说明图。

图8是说明参数一例的说明图。

图9是通信控制程序的功能方框图。

图10是表示制品数据库中储存的制品数据例的图。

图11是表示特定激光照射对象位置模样的图。

图12是目测输入程序的功能方框图。

图13是表示基板平面的图像表示例的图。

图14是多变量解析程序的功能方框图。

图15是模式分类处理的流程图。

图16是表示直方图的例子。

图17是判别函数计算处理的流程图。

图18是表示合格类的相关系数行列的图。

图19是阈值决定处理的流程图。

图20是表示直方图的例子。

图21是表示发生对向反射时的例子。

图22是说明将各种部件焊接在基板上时各种状态例的说明图。

具体实施方式

这里按照下面的顺序对本发明的实施例加以说明。

(1)本发明的概略结构；

(2)激光检查装置的结构；

(3)数据存储装置的结构；

(4)目测输入装置的结构；

(5)多变量统计解析装置的结构；

(6)其他的实施例；

(1)本发明的概略结构；

图1是表示本发明中构成良否判定装置的系统的概略图。本系统设置有激光检查装置100、数据存储装置200、目测输入装置300、以及多变量统计解析装置400，分别通过集线器H与通信线路相连接。即，各装置通过通信线路能够相互进行双向通信。激光检查装置100，是通过读取基板上所贴附的标签识别基板上实际安装的各部件的各接点并对该接点附近以激光进行照射的装置。

在本发明中，良否判定由激光检查装置100实行，其处理顺序按照概略图2所示的流程进行。即，在步骤S100读取贴附在基板上的标签，在特别指定基板的同时，对后面要叙述的部件的实际安装位置及部件的类别等进行特别指定。即标签记载有特别指定基板类别的信息。而且，在本实施例中，记载有除了用于特别指定基板类别的信息之外、还有用于特别指定基板个体的信息(例如序号等)，在用于特别指定基板个体的信息中，特别指定基板的个体，对于各个体分别记录或表示良否判定结果。

而且，基板的特别指定方法并不限于上述形式，可以采用多种形式。例如，可以采用在由激光检查装置100实行检查后，贴附已知的附有序号等的标签的结构。各部件的各接点，是由焊锡焊接在基板上，照射的激光在接点附近反射。激光检查装置100用激光扫描接点附近，能够在识别反射方向的同时检测出反射光，在步骤S110取得由该扫描所发生的反射光的检测值作为形状数据。

形状数据是根据各接点附近的焊锡形状而不同的数据，在步骤S120将该形状数据变换为成为良否判定主要因素的多个参数。对于各参数的多变量统计解析，预先由上述多变量统计解析装置400所实施，预先决定判断良否的阈值作为该结果。在本实施例中，该阈值由判别函数的维数所规定，而且，判别函数是在上述步骤S120中所计算出的参数的函数。良否判定是通过将在步骤S130中的上述参数代入判别函数所计算出的值与上述阈值进行比较而进行的，其结果显示在装载于激光检查装置100上的显示器上，利用者可以根据目视该显示器而得知良否。当然，可以对每一个部件显示良否，可以对一个基板以一个画面显示，也可以仅在发生“不合格”判定时进行显示。

在本实施例中，为了提高统计精度，将在步骤S130中进行了将良否判定的良否判定对象、即对于各部件的各接点的焊锡结合的良否判定结果信息及其参数信息、储存在所对应的上述数据存储装置200中。而且，在数据存储装置200中，作为数据库注册有运用本实施例的良否判定装置时所必要的各种数据，在能够从激光检查装置100、目测输入装置300、及多变量统计解析装置400取得各种数据并进行储存的同时，还能够将储存的数据适宜地输出。还有，在本实施例中，对于上述参数信息，对应储存有上述形状信息(未图示)。而且，在数据存储装置200中，通过对键盘等输入设备的操作，可以在显示器上显示形状数据。由此，对于从各形状数据计算出的各参数是否为最确实的值等，可以事后进行检查。

另外，在目测输入装置300中，具有为了在自动良否判定时发生了错误的情况下能够订正数据、提高统计精度而可以输入目测良否结果的结构。还有，在这些激光检查装置100、数据存储装置200、目测输入装置300、以及多变量统计解析装置400等中设置的电脑可以利用通用的电脑，这里省略了其详细的硬件说明。

进而，本实施例的系统，在上述各装置中进行分散处理，当然也可以由单体的电脑构成上述各装置，也可以由特定的2台以上或3台以上的电脑构成上述各装置。在本实施例中，由以上的结构决定良否类别中给予特定分布概率的阈值，由此能够容易地对流出率及漏过率进行管理，同时，可以提供不需要积蓄技术技巧的系统，以下对各装置详细说明。

(2)激光检查装置的结构：

图3是表示激光检查装置100的概略结构图。同图的左侧是该光学系统的模式表示，右侧是表示控制系统。激光检查装置100设置有激光振荡器126，能够振荡输出规定的激光。检流计124，在其内部设置有2个角度可变的镜子，可以由检流计控制部128的控制来调整该角度可变的镜子的取向角度。

即，通过该角度可变的镜子的取向角度的调整，能够调整由检流计124输出的激光的取向角度，由此可以实现后面叙述的扫描。从检流计124输出的激光，经过透镜123聚光后，入射到受光箱110中。因此，在受光箱110中入射聚光为很细状态的激光，由于是在该状态下进行扫描，所以，由后面叙述的传感器能够检测出与焊锡133附近的微观状态相对应的激光。而且，如后面叙述的那样，扫描是从接点一侧向部件本体的方向进行，该轨迹一般是形成一条线，但高精度的扫描数据可以形成与必要的部件等、各种条件等相对应的两条以上的线进行扫描，从而实质上取得面信息。

受光箱110设置有形成激光的适当的光学通路、同时取得反射光的有无及其方向的仪器。在受光箱110内的上部设置有顶部传感器112，其下方设置有上传感器114与侧传感器116。图4是表示这些传感器配置关系的图。也就是说，上传感器114形成中央矩形的孔穴，侧传感器116形成在上传感器114下方的四侧面。

顶部传感器112为矩形平板状，一侧的面向下，设置在上传感器114的中央形成的矩形孔穴的上方。而且，在顶部传感器112与上传感器114之间形成激光的光学通路，并设置有平板状的半透半反镜118。该半透半反镜118被设置在该顶部传感器112的下方，与其略呈45度角，并将来自上述透镜123的激光反射为向下的激光。而且，受光箱110的下方为开口，激光可以由受光箱110向下方行进，也可以从下方行进到受光箱110内。

半透半反镜118可以使来自受光箱110下方的激光的一部分透过，透过的激光向顶部传感器112的方向行进。而且，顶部传感器112与上传感器114能够检测出在其下面照射的激光，侧传感器116可以检测出相互对面的激光。在受光箱110的下方设置有X-Y载物台130，可以装载实际安装的具有良否判定对象接点的部件的基板。另外，X-Y载物台130与X-Y载物台控制部135相连接，由X-Y载物台控制部135所发出的控制信号，可以使X-Y载物台130在X-Y平面上移动。

所以，在X-Y载物台130上装载有基板的状态下，通过该X-Y载物台130的移动，能够将所希望的良否判定对象配置在受光箱110的下方激光通路之内。在图3中，模式地表示了在X-Y载物台130的上面的安装部件132。该安装部件132是矩形的芯片部件，同时在其两端为接点132a，该接点132a由焊锡133所焊接。

由所述半透半反镜118所反射的激光，向上述受光箱110的下方行进，到达该焊锡133附近。其结果是激光在焊锡133附近反射，再一次向上方行进。该反射光根据其行进角度而向上述顶部传感器112、上传感器114、侧传感器116或其外侧行进。在激光到达顶部传感器112、上传感器114、侧传感器116时，各传感器输出规定的检测信号。

各传感器与放大器120相连接，由该放大器120对上述检测信号实施规定的增幅，同时将其输入到编码生成部122。上述各传感器能够对每一个检测位置检测出在规定阈值以上水准的反射光的有无，编码生成部122则基于该输入信号、生成表示上述反射光反射角度的编码。图5是说明生成编码的说明图。如图5所示，当反射光被顶部传感器112检测出时，生成编码“6”。

另外，由上传感器114一侧检测出的反射光，根据其角度而生成“5”～“3”的编码，由侧传感器116一侧检测出的反射光则生成“3”～“2”的编码。当由相反一侧的传感器检测出反射光时，生成“A”～“D”的编码。当反射光向侧传感器116的两外侧行进时生成编码“0”。另外，由于是由激光对焊锡133附近进行扫描，所以在扫描的各阶段生成编码。其结果是编码生成部122对于一次的扫描输出具有多个数值或罗马字的数据。当然，这里所表示的仅是结构的一例，可以使上述传感器中编码值变动的节距更窄或更宽，扫描也不限于一次，可以多次检测。进而，也不仅限于一个方向上的扫描，可以进行多个方向上的扫描。

上述编码生成部122、检流计控制部128、X-Y载物台控制部135与CPU(中央处理器)140相连接，该CPU140由输出控制信号所控制，而且，对CPU140输出数据。即，CPU140与未图示的ROM、RAM等一起形成程序的实行环境，CPU140实行所规定的程序，并通过编码生成部122、检流计控制部128、X-Y载物台控制部135控制激光检查装置100。

另外，通过由CPU140按照上述程序实行规定的运算处理，实行良否判定，将必要的数据写入存储部146，而且，通过通信I/O144与上述数据存储装置200及多变量统计解析装置400等进行必要的通信，在显示部142显示出良否判定结果。而且，存储部146可以是能够实行数据的写入与读出的存储媒体，可以采用硬盘驱动器、RAM、ROM等多种媒体。而且，激光检查装置100设置有用于识别装载着良否判定对象的基板而读取各基板上贴附标签的标签读取装置(未图示)。

图6是由激光检查装置100实行的良否判定程序的功能方框图。在激光检查装置100中，在0S150的控制下实行良否判定程序160。OS150对通过上述通信I/O140的数据发送接收或从存储部146读出文件进行控制，对良否判定程序160供给必要的数据。在图6中为了明确表示数据的发送与接收关系，用箭头表示了通信I/O144、良否判定程序160、及存储部146中的数据的发送与接收。

良否判定程序160，设置有标签读取部162、形状测定部164、及良否判定部166。标签读取部162，通过上述通信I/O144、控制上述未图示的标签读取装置，取得识别装载有良否判定对象的基板标签的标签数据，并储存于存储部146(标签数据146a)。形状测定部164，控制上述检流计控制部128并使激光进行扫描，控制X-Y载物台控制部135而驱动X-Y载物台130，以便控制激光照射到所希望的良否判定对象上，进而取得由从编码生成部122输出的上述编码构成的形状数据，并储存于存储部146(形状数据146b)。

这里，形状测定部164，通过上述通信I/O144取得上述标签数据146a中所特定的关于基板的制品数据。如后面所述，该制品数据，是存储在数据存储装置200中关于基板的数据，包括在各标签的基板中安装部件的类别、部件上的脚的数目、及其相对位置等。形状测定部164，通过取得这些数据而判定待检查对象的脚的位置，控制上述X-Y载物台控制部135使得对该脚的位置附近进行扫描，实施对基板定位。

形状测定部164，在实施以上的定位的同时，取得关于基板上检查对象的形状数据146b。良否判定部166，设置有为了利用这些形状数据146b实行对于各自的良否判定对象、即对接点的焊锡焊接的良否进行判定的运算处理的参数算出部166a与阈值判定部166b。参数算出部166a，根据后面叙述上述形状数据146b的在图8中所说明的式子等而计算出参数。在此，由多个变换式将形状数据146b变换为多个参数。该参数是相当于焊锡本身的形状或焊锡周围形状的参数，如后述图7所示，因焊锡形状的差异而为不同的值。

该参数只要是相当于焊锡及其周围形状的值，则可以采用各种值。该参数虽然是良否判定的主要因素，但由于由后述的判别分析的方法对适当参数以外进行了去除，所以就没有必要对作为良否判定的主要因素是否适当而进行详细的研讨，只要是限于特定形状的参数，完全可以作为参数而采用。

图7是说明对于安装部件132的“合格”状态与三种“不合格”状态的说明图。如该图所示，在“合格”状态中，安装部件132的上面对于基板的上面略呈平行，同时，焊锡133进入接点132a的下侧，进而，焊锡133的上面呈凹面。上述形状数据146b，是基于图7的从A～C及接点132a部分反射的数据，与这些形状相对应。在同图中的“合格”状态中，用上述激光从纸面的左侧顺次扫描时，形状数据146b的编码例如为“66554443332200066”。

在捕获焊锡133的形状特征时，可以由各种特征对形状进行特定，例如可以利用基于上述图7的从A～C各位置的反射的数据进行形状特定。即，上述编码是与焊锡133的凹面形状相对应的数值及顺序，在同图中的位置A处，由于从相对于基板略垂直的上方向下方行进的激光、在焊锡133处反射后，成为与基板略垂直但下方向上方行进的光，所以在其附近编码值为“6”。随着从位置“A”向位置“B”的扫描，与焊锡133的倾斜缓慢变陡相对应，反射光向纸面的左侧取向。所以编码值成为“5”～“0”缓慢变小的减少数列。而且，由于接点132a的上面对于基板略呈平行，所以再一次出现编码值“6”。

在图7的不合格(拱起)状态中，安装部件132的接点132a，与焊锡133没有融合在一起，呈拱起状态。在这种情况下，由于焊锡133的上面呈凸状，所以焊锡133的上面、即反射面的角度及焊锡的高度等都与“合格”状态不同，作为形状数据146b，“合格”状态与不合格(拱起)状态也不同。例如，在同图中所示的“不合格(拱起)状态”中，形状数据146b的编码为“022333444566666DD”。也就是说，与焊锡133的上面呈凸状相对应，编码值在成为递增数列的同时，成为出现了对应于与编码值“6”相邻的接点132a的位置的编码“D”(向纸面的右侧反射)的数列。这样，对“合格”状态与“不合格(拱起)”状态进行比较，编码值及其连续的模样，都存在有与焊锡上面形状对应的差异。因此，根据表示编码值增加/减少倾向的参数，就能够规定特定焊锡上面形状的参数。

在图7的不合格(焊锡少)状态中，在安装部件132的接点132a的周围没有存在足够量的焊锡133，焊锡133的长度等与上述“合格”状态不同，上述A～C的形状数据146b，“合格”状态与“不合格(焊锡少)”状态也不同。在该图所表示的“不合格(焊锡少)”状态中，形状数据146b的编码，例如可以列举出“66666666666532066”那样的数列。也就是说，与几乎不存在焊锡133相对应，连续了多个编码值“6”，仅存在有与很少焊锡133相对应的如“5320”那样的递减数列。对“合格”状态与“不合格(焊锡少)”状态进行比较，编码值及其连续的模样，都存在有与焊锡上面形状对应的差异。因此，根据表示这些形状数据146b中编码值“6”为连续数或“6”以外的编码为连续数及其增加/减少倾向的参数，就能够规定特定焊锡上面形状的参数。

在图7的不合格(无部件)状态中，在焊锡133上不存在安装部件132，焊锡133的上面、即反射面的角度及从安装部件位置的反射，都与“合格”状态不同，上述A～C的形状数据146b，“合格”状态与“不合格(无部件)”状态也不同。在该图所表示的“不合格(无部件)”状态中的形状数据146b的编码，例如可以列举出“022333444566666DC”那样的数列。也就是说，与焊锡133的上面呈凸状相对应，编码值在成为递增数列的同时，成为在编码值“6”的相邻处出现了对应于焊锡为凸面的编码“D”、“C”的数列。这样，对“合格”状态与“不合格(无部件)”状态进行比较，编码值及其连续的模样，都存在有与焊锡上面形状对应的差异。因此，根据表示编码值增加/减少倾向及在部件安装位置编码值有无变动的参数，就能够规定特定焊锡上面形状的参数。

图8是说明这些参数中的一例的说明图，是作为形状而特定焊锡高度的例子。如上所述，可以认为形状数据146b的各编码，与反射光到达图5所示的各传感器的位置相对应，并且该到达位置与对于照射激光的反射角相对应，该反射角与焊锡面的取向角相对应。在此，考虑扫描时的数据取得节距P与反射面的取向，就能够判明各节距P的焊锡高度。具体地讲，如果认为在如图8所示的形状数据146b的编码为“6”时，由于是与基板面略呈垂直的光路、所以反射面与基板略呈平行，则在编码为“5”时，来自该反射方向的反射面相对于基面的取向角为α。

判明了取向角α，就能够判明各节距P的焊锡高度。在图8所示的例中对于取向角α的高度为10。同样可以考虑对于编码“4”～“2”的各节距的焊锡高度，对由各编码所判明的各节距的焊锡高度进行累计计算，就相当于上述形状数据146b的焊锡高度。因此，将图8所示的例中的“665432”形状数据146b、变换为“0+0+10+20+40+50”，则焊锡的高度为120。这是特定形状的参数的一例。而且，图8中做了简化表示，实际上所取得的多次的数据要多于图示的扫描数据的次数，形状数据146b的数值列也比该图中所示的要多。

如上所述，在本实施例中的参数存在有例如200个，可以将上述形状数据146b代入各种的变换式而计算出参数。例如，在上述图7中所示的不合格(焊锡少)状态中，由于焊锡的量越少，编码值中“6”就越多，所以如果计算出(编码值中“6”的数目)/(编码值总数)，就能够计算出对焊锡位置的平坦性赋予特征的参数。其它情况也是，例如在焊锡上面存在有凹凸的情况下，由于编码值不是单调变化，而是象“456545432”等那样重复编码值的增减，所以测量出连续两个数列中数值增加的情况与数值减少的情况并计算出(增加数-减少数)，就能够计算出对焊锡上面的凹凸赋予特征的参数。

以上，在参数算出部166a中，按照预先决定的变换式，计算出赋予由形状数据146b特定的形状的特征的多个参数。而且，由于还有在基板上安装各种部件、焊锡的形状因部件的类别而不同的情况，所以在这种情况下，基于形状数据146b的参数算出式也需要变更。当然，在这种情况下，良否判定对于每一个部件类别而分别进行。而且，参数算出部166a是作为制品数据取得对于各部件的参数算出式并进行计算，但也可以是使用以特定的算出式实行运算那样的十进位计算法(阿拉伯数字系统)作成程序，由该程序的实行而计算出参数的结构。

阈值判定部166b，通过上述通信I/O144从上述多变量统计解析装置400取得后述的判别函数数据与阈值数据，根据阈值实行良否判定。判别函数数据，是将上述参数算出部166a计算出的参数中的几个作为变量的函数，阈值判定部166b，将上述计算出的参数代入相应的判别函数而计算出判定用的值。进而，将该判定用的值与阈值进行比较，在判定用的值在以阈值为边界的合格类一侧的情况下为“合格”判定，在以阈值为边界的不合格类一侧的情况下为“不合格”判定。

阈值判定部166b，将该良否判定结果向显示部142输出，在设置于激光检查装置100上的显示器上显示良否判定结果。而且，该良否判定结果作为良否判定结果数据、通过通信I/O144输出，并储存于后述的数据存储装置200中。如上所述，在激光检查装置100中，能够从数据存储装置200或多变量统计解析装置400取得适宜的数据，基于对基板上安装的各部件的各接点的焊锡形状，进行判定实际安装的良否。

(3)数据存储装置的结构：

图9是在数据存储装置200中实行的通信控制程序的功能方框图。在数据存储装置200中，在OS250的控制下实行通信控制程序260。OS250控制通过通信I/O244的数据发送与接收及从存储部246的文件读出，对通信控制程序260供给必要的数据。在图9中，为了明确表示数据的发送与接收关系，用箭头表示了通信I/O244、通信控制程序260、及存储部246中数据的发送与接收。

通信控制程序260，是通过通信I/O244发送于接收数据的程序，根据外部的要求，输出制品数据与良否判定结果。另外，存储部246是储存制品数据库246a与良否判定结果数据246b的硬盘驱动器，在本发明中系统的运用开始时，预先储存了制品数据库246a与良否判定结果数据246b，但也可以在系统运用的同时进行更新，可以取得上述阈值判定部166b输出的良否判定结果数据并追加记录，或将后述的目测输入装置300输出的目测判定数据作为新的良否判定结果数据而追加。

图10是表示在制品数据库246a中储存的制品数据的例。在该制品数据中，记录有对于基板上贴附的每一个标签特定各基板上部件及各部件所具有的接点位置的数据、以及对于每一个部件实际计算出的参数。前者是为特定由激光检查装置100照射激光的良否判定对象位置所使用，后者是对各部件实行了良否判定情况下实际的参数值，与后述良否判定结果数据相对应、同时记录。

作为与各标签所对应的数据，有图10左侧所表示的数据与每一个部件的参数算出式。在图10左侧所示的数据中，作为安装信息记录有基板上部件的坐标(X、Y)与部件的方向等，作为部件信息，记录有部件的类别、导线(接点)数、导线节距等。由此可以特定激光照射的位置。图11是表示特定激光照射对象位置的模样的图。如该图左侧所示，部件坐标是基板上特定一点的坐标，如同图中央所示，预先决定该坐标相当于部件的特定位置(图11中的“×”记号)。

而且，由安装信息的“部件的方向”特别指定部件对于基板在什么方向安装，根据导线数及其节距数，特别指定各导线的位置。上述扫描是从导线的前侧向部件本体方向进行，通过对导线位置的特别指定而特别指定扫描开始的位置。所以，上述激光检查装置100能够根据这些制品数据而特别指定扫描的开始位置，控制所述X-Y载物台130使激光能够照射到该开始位置。

在制品数据中，进而还记录有扫描信息与传感器阈值。在扫描信息中记录扫描次数及扫描节距，传感器阈值，记录特别指定上述各传感器中有无激光受光的阈值。所以，所述激光检查装置100能够根据这些制品数据而特别指定扫描方法，控制上述检流计124及编码生成部122，实施扫描及编码数据的取得。

在上述制品数据库246a中，进而还记录有每个部件的参数算出式246a1。即，有每个部件接点形状不同的情况，其结果是由于从形状数据146b所推测的焊锡的形状也不同，所以要对每一个部件规定并记录参数算出式。对每一个部件所计算出的参数在图10中作为部件A-1、A-2等来表示。也就是使特别指定是否为某一个部件成为可能的同时，记录对于各参数的计算值(图10中x1～x200等)。

实际计算出的参数在运用的开始阶段记录有多个数据，但可以随着运用而对所有的良否判定对象追加，也可以对一部分追加。在本实施例中，在追加该数据的情况下，上述参数算出部166a通过通信I/O144取得计算出的参数值。对于各部件的参数，对应记入上述良否判定结果数据246b，在良否判定结果数据246b中记录良否判定结果(“合格”、“不合格(拱起)”等)。即，通过上述参数值与良否判定结果数据246b的对应，在是各参数的情况下，都能够判断判定结果是“合格”或“不合格(拱起)”。

而且，良否判定结果数据246b，是在对良否判定对象(接点)的良否进行分类化时使用。也就是说，在上述激光检查装置100中将各参数代入判别函数，则可以计算出作为判别函数的维数的值，对于该值作成与良否判定结果相对应的直方图，可以得到对于变量Z的合格判定与非合格判定的分布。因此，将各自的分布定义为合格类与不合格类。另外，作为不合格类，由于存在有上述拱起、焊锡少、无部件等多种原因，所以还可以针对每个原因对不合格类再进行细分。

如上所述，通过在数据存储装置200中储存适当的数据，并提供给上述激光检查装置100作为参照，就能够实施良否判定。而且，通过对数据存储装置200追加对于新标签的制品数据及其装载部件的数据等，能够实施在运用的开始没有储存的基板及部件等的良否判定。

(4)目测输入装置的结构：

图12是目测输入装置300中所实行的目测输入程序的功能方框图。在目测输入装置300中，在OS350的控制下，实行目测输入程序360。OS350控制通过通信I/O344的数据发送接收和从存储部346的文件读出，并对目测输入程序360供给必要的数据，在图12中，为了明确表示数据的发送与接收关系，用箭头表示了通信I/O344、目测输入程序360、及存储部346中的数据的发送与接收。

目测输入程序360，设置有标签读取部361、判定结果取得部362、显示控制部363、输入受理部364、及目测判定信息发送部365。标签读取部361通过通信I/O344控制上述未图示的标签读取装置，取得为识别基板标签的标签数据，并储存于存储部346(标签数据346a)。这里，不需要对装载有良否判定对象的基板的全部、只需对包含有进行了否判定对象的基板实行读取操作即可。

判定结果取得部362，通过通信I/O344从上述数据存储装置200取得关于与进行了上述读取的标签相应的基板的上述制品数据及其良否判定结果数据，并保存于存储部346。显示控制部363，参照相应存储部346所保存的制品数据及良否判定结果数据，生成基板平面上的图像数据，通过向显示部310(显示器)的输出而在显示器上显示图像。图13是该图像的显示例。

如同图中所示，在图像表示中，给出的是基板上装载的各部件及其接点的模式图。在表示同一画面的状态下，由输入受理部的控制，可以通过由目测输入装置300上所设置的键盘等所构成的输入部320，而进行接收输入，实行画面上的种种操作。例如，如图13的左上所示，可以显示各部件的放大图。在图13中，还可以将对于各接点的良否判定结果一并显示(例如”不合格”判定用红色表示)，利用者可以由目测对“不合格”判定的接点是否进行判定。

进而，利用者还可以用上述输入部320的操作输入该目测判定结果，输入受理部364受理输入结果，对目测判定信息发送部365交付目测的判定结果。该目测判定信息发送部365，通过通信I/O344输出表示目测判定结果的目测判定数据。该目测判定数据，是对于上述数据存储装置200所追加的良否判定结果数据246b。这里，当然可以由目测判定关于“合格”判定的接点是否真为合格，也可以将此结果对数据存储装置200发送。另外，能够将目测判定结果与该参数信息对应记入，把握对于哪些参数由目测判定了“不合格”或“合格”。

这些目测判定数据，是在多变量统计解析装置400中为提高统计精度而利用。如上所述，根据目测输入装置300，在由多变量统计解析装置400进行解析时，能够将目测的结果反映到本发明的良否合格判定中。虽然在运用的开始时该目测结果的反映并非必须(因为在运用开始时能够进行高精度良否判定)，但通过该目测的补正能够容易地提高统计精度，从而提供可靠性非常高的高性能良否判定装置。

进而，还可以由在目测输入装置300中的输入而对类别进行细分。即，造成焊锡焊接不合格的原因有多种，如后所述，由于对于每一个不合格原因，以该原因为特征的焊锡的形状也不同，所以如果对每一个原因都规定不同的判别函数，则能够实施精度非常高的判定。另外，由于在目测输入装置300中输入时能够由目测来确认焊锡的形状，所以能够容易地输入与该形状相对应的不合格原因。

因此，在目测输入装置300中将不合格的原因一并输入，将表示相应输入原因的数据作为良否判定结果信息，就能够计算出按照每一个原因分离合格类与不合格类的判别函数。这里，由于是将由目测而确认不合格原因并输入，所以原因虽不限于严密的正确，但至少考虑了只要是焊锡外观形状不同则不合格原因不同，所以可根据外观的差异对别的原因进行细分。例如，按照安装部件132从焊锡133拱起、焊锡少、安装部件132欠缺等以目测能够判明的程度，对原因进行细分就足够了。

(5)多变量统计解析装置的结构：

在本实施例中，通过由多变量统计解析装置400进行的解析，能够决定使偏离意图的流出率及漏过率不发生的阈值，由此能够实现高性能的良否判定装置。以下说明多变量统计解析装置400的结构及处理。图14是在多变量统计解析装置400中实行的多变量解析程序的功能方框图。图15、图17、图19是表示在设置有多变量解析程序的各模块中处理的流程图。

在图14所示的多变量统计解析装置400中，在OS450的控制下实行多变量解析程序460。OS450控制通过通信I/O444的数据发送接收及从存储部446(硬盘驱动器等)等的文件读出，对多变量解析程序460供给必要的数据，在图14中为了明确表示数据的发送与接收关系，用箭头表示了通信I/O444、多变量解析程序460、及存储部446中数据的发送与接收。

模式分类部460a进行类别的细分化处理。在模式分类部460a中，如图15所示，首先在步骤S200通过通信I/O444取得目测输入装置300中所记录的目测判定数据、数据存储装置200中所记录的参数值数据、以及良否判定结果。参数值数据，是对于每一个部件所实际计算的参数值。这些所取得的数据保存于存储部446(目测判定数据446a、参数值数据446b、良否判定结果数据446c)，在多变量解析程序460的各模块中利用。而且，各个参数值数据446b与其良否判定结果数据446c(或目测判定数据446a)对应记入，可以判明各参数中的良否判定结果。

在步骤S210中，将参数的数目(在本实施例中为1～200)的计数器n初始化(n＝1)，在步骤S220中生成关于参数n的合格类与不合格类的直方图，并显示在设置于多变量统计解析装置400上的显示器上。这里，对于各参数值的良否，虽然依存于上述良否判定结果数据446c，但在目测输入装置300中，关于进行了目测判定的内容则根据目测判定结果而经常将良否分类化。即，对于进行了目测判定的对象，目测的良否判定结果与参数值数据对应记入，根据该对应关系而生成/显示直方图。其结果是，对于由目测而得到的“不合格”对象，其参数在激光检查装置100中进入合格类时，能够明确表示它是不合格类。

图16是直方图的表示例。同图上侧是表示关于参数n1的例，在该例中合格类与不合格类的直方图都大体呈正态分布且分为两个分布曲线。同图下侧是表示关于参数n2的例，在该例中合格类与不合格类的直方图都大体呈正态分布且分为三个分布曲线。对于后者参数n2的直方图，不合格类的分布分为分布E、分布F两个分布，其中分布E是包含在激光检查装置100中的合格类内，分布F则与相应的合格类分离。

在这种状况下，以参数n2为特征的形状，可以说是产生分布F的不合格原因所特有的形状，但不可以说是产生分布E的不合格原因所特有的形状。如果参数n2是产生分布E的不合格原因所特有的形状，则分布E一定与图16中的合格类相分离。所以，分布E、F中产生不合格的原因不同，同时，参数n2在分离分布F与合格类的判明函数中，是所希望的参数，在分离分布E与合格类的判明函数中则不是所希望的参数。因此，对于分布E与分布F应该由不同的判别函数进行良否判定，对不合格类进行细分化。

如图16所示，在显示器中显示每一个参数的直方图，则能够把握是否有必要对类别进行细分化，可由多变量统计解析装置400实行这一指示。即，多变量统计解析装置400设置有由键盘等操作输入设备所构成的输入420，在步骤S230中，通过该输入部420判别是否接收了将类别进行细分化的指示。当在同步骤S230中接收了将类别进行细分化的指示时，由步骤S240实行对类别的细分化。该细分化完成后，在后述的判别函数计算处理中，计算出分离该细分化的不合格类与合格类的度数分布的判别函数。

此时，在图16所示的例中，分离分布E与合格类的判别函数中不包含参数n2，分离分布F与合格类的判别函数中包含参数n2。在上述图7所示的具体例中，可以分别根据不同的判别函数对不合格(拱起)、不合格(焊锡少)、不合格(无部件)等进行评价，在不合格(拱起)中，可以设定包含表示编码值增加/减少倾向的参数的判别函数，在不合格(焊锡少)中，可以设定包含表示编码值增加/减少倾向的参数或表示编码值“6”的连续数目的参数的判别函数，在不合格(无部件)中，可以设定包含表示编码值增加/减少倾向的参数或表示在安装部件的位置的编码值有无变动的参数的判别函数，

根据以上的处理，能够规定可靠分离合格类与不合格类的判别函数，进行高精度的良否判定。在步骤S250中，使上述计数值n增量，在步骤S260中，判断是否对于所有的参数完成了类别的细分化处理，直到完成时重复S220以后的处理。并且，在目测输入装置300中目测输入错误时，在所述图16中所示的直方图中就会有异常数据的分散出现(合格类内“不合格”分散出现、不合格类内“合格”分散出现等状况)，在这种情况下，可以将给予异常数据的目测判定数据446a删除，或不予利用。

另外，在本实施例中，显示实际的直方图，向利用者输入类别细分的指示，当然，这里也可以由统计解析实行自动化。即，在判别不合格类的分布内是否存在有多个峰值的同时，在峰值存在的情况下，对给予各峰值的参数值按正态分布拟合，根据拟合的分布函数的σ判定两分布是否离开所规定的距离以上。而且，在离开所规定的距离以上时，在步骤S240中对类别实行细分化。即，在不合格类的分布内存在有多个峰值的情况下，即使是相同的不合格类，作为具有分布分离的可能性，而实行评价分布距离的处理。这里，对两分布的距离评价时，可以根据如上述的各分布的σ评价距离，也可以评价平均值及众数之间是否离开所规定的距离以上。

进而，在上述处理中，说明了作为模式分类处理而对类别实施细分化的形式，但在由所述目测输入装置300输入对于良否类别中的任一个的目测判定结果时，即使是在细分化类别的情况下，也可以根据与图16相同的原理，实施对每一个判别函数选择适当的参数，实行对每一种原因能够确实将合格类与不合格类分离并进行良否判定。当然，也可以将根据目测输入的类别的细分化与由根据所述步骤S230中的细分指示的类别的细分化进行并用。

判别函数计算部460b是给予某变量的函数，在对于相应的变量作成合格类与不合格类的度数分布的情况下，实行计算使两分布很好分开的判别函数的处理。该变量是上述多个参数的函数。在本实施例中，上述参数从参数1～200存在，但在本实施例中两分布分离时，挑选有效的变量，按所规定数目的参数规定判别函数，在挑选所规定数目的参数时，基于以下的相关系数及参数的重要程度而去除多重共线性。

在本实施例中，相关系数是在两个参数之间有某种相关关系(例如，当一方的参数值增加时，另一方的参数值也有增加的倾向等)时，将其相关的强度进行定量化的值，由以下的式(1)计算。

$>>>r>ij>>=>>>S>ij>\sqrt{>>S>i>>>S>j>}>>.>.>.>.>.>.>.>.>.>.>.>>(>1>)>>>s>$

$>>>S>i>>=>>\Sigma >>k>=>1>>n>{}^{}$

$>>>S>j>>=>>\Sigma >>k>=>1>>n>{}^{}$

$>>>S>ij>>=>>\Sigma >>k>=>1>>n>>>(>>x>ik>>->ver>>x>‾>>i>>)>>>(>>x>jk>>->ver>>x>‾>>j>>)>>>s>$

这里，i、j分别是参数编号，在本实施例中为1～200。而且，x_ik是参数编号i的第k个的值，n是参数值数据446b与良否判定结果数据246b的样本数。字母上面的水平线表示平均值。

上述定义的相关系数为-1～1的值，其绝对值距1越近，相关性越强。在将两种以上相关性强的变量组合时，不能成为实施高精度良否判定的判别函数。因此，在本实施例中，在某些参数中与其它的多个参数相比较，从0.9以上的相关系数多的参数起，顺次进行削除处理。具体地，在图17所示的步骤S300～S360中进行处理。在步骤S300中，从上述良否判定结果数据446c把握该良否的同时，基于各参数值数据446b计算上述式(1)，并分别对于合格类与不合格类计算出相关系数，作成相关系数行列。在将类别细分化时，对每一个被细分化的类别作成相关系数行列。

在图18的上部，表示合格类的相关系数行列。如同图所示，相关系数行列的各要素由编号ij所指定，由上述式(1)的定义式，对角成分为“1”。在步骤S310中，对相关系数为0.9以上的参数的数目N进行累计。图18的中段与下段表示分别在合格类与不合格类中、累计相关系数为0.9以上的参数的数目N的模样。

在同图中为了简化，将参数的总数作为8个，实际上关于更多的参数也实施同样的处理。而且，在同图中的格子的一块对应于相关系数行列的一个成分，例如合格类的相关系数r12对应于中段的左起第二、上起第一的格子(这里假定r12小于0.9。)。在图中，相关系数为0.9以上的参数，在格子上用圆圈表示，相关系数为0.9以上的参数的数目N，是在图中纵向合计圆圈的数目与1的数目的值。在图中，关于合格类用良计N，关于不合格类用非良计N表示。

即使是将相关系数为0.9以上的多数参数削除，本实施例也有必要计算出由判别分析而最终将合格类与不合格类很好分离的判别函数，在合格类与不合格类中即使用不同的参数来规定判别函数也是没有意义的。因此，在步骤S320中，分别将合格类与不合格类的参数的数，即良计N与非良计N相加合计，作为新的N′，将给予最大N′max的参数削除。

此时，在步骤S330中，判别N′max的值是否为2。也就是说，由于上述相关系数的对角成分总是“1”，所以在对角成分以外的所有的相关系数比0.9小的情况下，在良计N与非良计N相加合计时，N′max的值成为2，没有必要削除更多的参数。因此，在步骤S330中判别了N′max的值为2时，进行步骤S370以后的处理。在步骤S330中不能判别N′max的值为2时，由步骤S340判明给予N′max的参数的个数是否为1。

在步骤S340中判别了给予N′max的参数的个数为1时，在步骤S360将给予N′max的参数削除。在步骤S340中不能判别给予N′max的参数的个数为1时，在步骤S350将给予N′max的参数中低优先度的参数削除。也就是说，在给予N′max的参数的个数为2以上时，有必要决定削除哪一个，在本实施例中，是基于对各参数预先规定的优先度来决定削除对象。

这里，作为参数的优先度，可以基于种种规则来决定。例如，可以根据参数所表示形状的精度来决定。如上所述，由于在对共同的良否判定对象形成两条以上的线进行扫描的情况下，比仅形成一条线进行扫描的情况下的数据的可靠度高，所以希望将从由前者的扫描取得的形状数据146b所得到参数的优先度定为高。而且，即使是在形成一条线进行扫描的情况下，由于计算参数时所使用的编码的数目及参数计算式本身的差异而作为参数所规定的形状精度也产生差别，所以在加上这些因素的基础上决定优先度即可。当然，这样根据精度决定优先度的结构只是一个例子，也可以根据其他观点决定优先度。并且，作为上述数值的一例，当然，合计相关系数值的阈值并非必须为0.9，对于负的相关系数，也可以采用进行合计其绝对值大的参数的处理、除去多重共线性的结构。

根据以上的处理，在除去多重共线性后，在步骤S370中，从剩下的参数中选择作为判别函数变量的编入参数。该参数的选择可以采用众所周知的方法，例如循环法、前进选择法、后退消除法、逐次法等。通过以上的处理，选择了作为判别函数变量所应采用的参数，就能够在步骤S380中计算出以这些参数作为变量的判别函数。判别函数以下式来表示。

Z＝a1x1+a2x2+a3x3+……+anxn

式中ai是系数，xi是代入各参数的变量，n是被选择的参数的数目。

判别函数是由决定上述系数而计算出，使得在对于相应的Z作成合格类与不合格类的度数分布时，能够给出使两者最分离的Z。例如，可以决定与计算出使下式(2)中的相关比η2为最大的系数。

$>{}^{}$

$>>>S>T>>=>>\Sigma >>k>=>1>>>n>1>>>>\Sigma >>l>=>1>>2>{}^{}$

$>>>S>B>>=>>\Sigma >>l>=>1>>2>>>n>1>{}^{}$

上式中l是识别合格类与不合格类的识别符号，n1是每一个类别中的样本数目，上面带横线的x是总平均。

即，相关比η2为最大时，全平方和ST与群间平方和SB之比也最大。在这种状态下，两类别的群间分散尽量的大(各类别的平均尽量分离)、各类别的分散尽量的小。所以，在对于判别函数的度数分布中，两类别非常好地分离。而且，如以上那样判别函数的计算，在现代数学社1983年5月1日首次出版发行的、田中丰·胁本和昌著的《多变量统计解析法》等中有详细的论述。作为进行以上那样的判别分析的方法，除了由上述判别函数Z进行判别之外，还可以采用多种方法，由马哈赖诺毕斯(Mahalanobis)的泛距离而判定良否的判别分析也可以适用于本发明。而且，也可以利用对合格类与被细分化的不合格类同时进行判别的多群判别分析。判别函数计算部460b按照以上所述计算出各系数ai，将表示该系数及参数的数据作为判别函数数据446d保存于存储部446中。

统计指标计算部460c，计算出在对于上述判别函数的合格类与不合格类的度数分布中计算阈值时所利用的统计指标，阈值决定部460d利用相应的统计指标决定阈值。也就是说，在历来的判别分析中，是将Z＝0(两类别的中间点)作为一律的阈值，但在本发明中，在决定该阈值时参考了统计指标。具体的处理按照图19所示的流程图进行。

在该图中，在步骤S400取得上述判别函数数据446d，在步骤S410作成对于判别函数各类别的直方图。即，取得上述参数值数据446b与良否判定结果数据446c，作为判别函数数据446d的变量、将各参数值代入规定的参数中，计算出Z的值，基于其良否来测量按照良否分别的度数并作成直方图。图20是这样所作成的直方图的例子。即，每一个类别的分布都大体呈正态分布，二者的下部相交迭。而且，在实际的基板检查中的大多数情况下，不合格类的分布数要比该图中少得多。

在步骤S420中，计算出在如上述图20所作成的直方图中按照各类别划分的度数平均与标准偏差。这种情况下的度数平均，当然是分布中心的一例。而且，作为分布中心的其它的例子，还有众数及中值等，只要是反映了本发明的宗旨，这些值都可以利用。另外，标准偏差，是表示分布宽度的指标的一例，在同样是表示分布宽度的指标中，还有分散、分割范围(例如25％分位)的值。而且，只要是反映了本发明的宗旨，这些值都可以利用。在同图中判别函数Z＝0是位于两类别度数平均的中心位置，将不合格类的度数平均表示为“Ave”，合格类的度数平均表示为“-Ave”。另外，将不合格类的标准偏差表示为σn，合格类的标准偏差表示为σo。

在步骤S420计算出度数平均及标准偏差，在步骤S430接收步骤S420的流出率输入。也就是说，在多变量统计解析装置400中，能够根据输入部420而输入流出率，并基于该流出率决定阈值。即，流出率是根据尽管是在良否判定对象虽为不合格、但却为合格判定，致使不合格品不能被检测出而流出的概率，它可以由不合格类的标准偏差σn而计算出。

在根据标准偏差σn的正态分布中，能够容易地特定在度数平均与标准偏差之间包含变量的概率或在比标准偏差外侧的下部部分中包含变量的概率，通过对标准偏差设定指定的倍数，能够得到输入的流出率。例如，如果是图20所示的4σn，则在不合格类的度数分布中，全体的0.00031流出。而且，在步骤S430中，也可以受理流出率本身的输入，也可以受理对标准偏差乘以系数的输入，也可以如图14所示，基于预先保存的流出率数据446e(或标准偏差数据)而特定流出率。

无论是哪种情况，当在步骤S430中受理了流出率并特定其值时，在步骤S440中就暂时决定给予相应流出率的阈值T。在图20所示的例中，由T＝Ave-4σn而暂时决定阈值T。在本实施例中，在流出率管理的基础上还增加了漏过率的管理，在这种意义上步骤S440的阈值T是暂时决定的值。漏过率是根据尽管良否判定对象是良、但却为不合格判定，即发生阈值过严状况(漏过)的概率，它可以由合格类的标准偏差σo而计算出。

在本实施例中，在步骤S450中取得漏过率数据446f，判别(T+Ave)/σo是否大于9，判别上述暂时决定的阈值T距离合格类的度数平均是否大于标准偏差σo的9倍。当在同步骤S450中判别了(T+Ave)/σo大于9时，则认为上述暂时决定的阈值T从流出率与漏过率双方都是足够的值，将阈值T作为阈值数据446g保存于存储部446中。当在步骤S450中不能判别(T+Ave)/σo大于9时，则认为漏过率过高，实施对参数的再决定。

也就是说，对于良否判定形状，若不能够得到能够适当进行判定良否的参数、则对参数本身进行再探讨、再决定。通过实行该再决定，能够防止在不能确保充分的流出率与漏过率的状态下就开始良否判定装置的运用，从而提供从运用的开始就能够实施高性能判定的装置。另外，即使没有技术技巧的储存也能够高性能地开始装置的运用。而且，在本实施例中是将漏过率数据446f预先保存于存储部446中，当然，也可以采用通过输入部420而输入特定该漏过率值的结构。

按照以上的步骤决定阈值T，就能够通过在上述激光检查装置100中取得特定相应阈值T的阈值数据446g、而实行可达到所希望流出率及漏过率的良否判定。而且，在上述例的模式分类部460a～阈值决定部460d的处理中，是对合格类与不合格类的两个类别而进行的良否判定，当然，  也可以再对不合格类进行细分化，按照“拱起”、“焊锡少”等原因来划分类别。在这种情况下，希望能够按照原因分别进行良否判定，在判别函数计算部460b～阈值决定部460d中，实行对于合格类与按照原因细分化类的解析，并决定阈值。

(6)其他的实施例：

在本发明中，如果通过将合格类或不合格类至少一方中的成为特定分布概率的变量值定为阈值，就能够将流出率及漏过率等控制为所希望的值，则可以采用种种结构。当然，通过对上述制品数据、良否判定结果数据、流出率数据、漏过率数据等预先进行特定与保存，能够自动地决定阈值，而且可以提供实施良否判定的装置。

进而，在各装置中还可以下种种功夫。例如，在基板上通常并列安装有多个部件，在一些安装部件的接点附近、存在有其它安装部件的接点的情况下，可能会有因两接点之间的对面反射而引起的形状数据不能被正确检测的情况。图21表示了发生对面反射时的例子。安装部件132b与安装部件132c并列在基板上，其接点132b1、132c1与焊锡132b2、132c2相互对面。

在激光检查装置100中，对焊锡132b2照射激光，当在该焊锡132b2上面的中央激光向安装部件132c方向反射时，有激光在焊锡132c2的上面再次反射向上方行进的情况。在该向上行进的激光、进入上述受光箱110内而到达传感器中的任意一个的情况下，不发生对面反射时与发生对面反射时的形状数据146b是不同的。

在本发明中实施对该对面反射的对策即可。例如，可以对发生对面反射的接点与不发生对面反射的接点采用不同的判定基准(不同的参数及不同的阈值)。在本发明中，如上所述，虽然有必要在运用开始之前储存一定程度数量的良否判定结果数据246b，但仅限于上述图21所示的发生对面反射的部位及数目等，对于所限制的部位及数目等事先进行多次的良否判定而取得样本，或人为地作成样本都是效率不高的。

因此，通过储存与不发生对面反射的场所同样的形状数据146b及参数，同时变更发生对面反射场所与不发生场所的上述步骤S300～S370中参数削除/选择基准，就可以作为结果由不同的参数而决定不同的判定基准。作为该方法更具体的例，可以列举出，对于多使用假定受到对面反射影响的上述编码值而生成的参数，降低其在步骤S350中所考虑的优先度的例子。而且，也可以削除相应的参数本身。根据这样的处理，就不需要从最初开始作成因对面反射的有无而完全不同的参数，能够简单地作成不同的判定基准。

另外，在上述多变量统计解析中，按照各类别的度数分布服从正态分布而由统计指标决定阈值。所以，该度数分布与正态分布不类似时，就有不能适当地计算出统计指标的危险，对此采用对策即可。例如，可以采用以下的结构，与正态分布相比较，由关于各变量的实际度数与正态分布中的值的相对值、表现度数分布中是否发生了变形及陡峰，在相对值超出规定值的情况下，由log变换等对度数进行变换，使其收敛到基准相对值以内。

进而，在上述实施例中虽然是采用多变量统计解析作为判别分析，但在本发明中，由于只要是取得分离合格类与不合格类的度数分布的变量与其统计指标即可，所以判别分析并非必须是所希望的。例如，可以利用重回归分析。即，通过在重回归分析中代入上述各参数的说明变量的线性结合，计算出以合格判定或非合格判定的结果作为目的变量的重回归式。这样，作成重回归式的目的变量的直方图，计算相应直方图中成为上述特定分布概率的变量值、作为阈值即可。当然，也可以采用其它的解析方法。

进而，在上述实施例中，在激光检查装置100中应用良否判定装置，从安装部件的焊锡形状进行安装部件良否的判定，但当然良否判定对象也不限于此，可以采用种种对象。例如，用于取得形状数据146b的装置并不限于检测上述照射激光的反射光的传感器。将照射电磁波置换为X射线，将传感器置换为X射线检波器，也可以提供同样的检查装置，提供同样的根据多变量解析的高性能的良否判定装置。当然，为了取得形状数据而检测反射光的方向也并非必须，也可以检测透过光，也可以不是检测光的方向，而是检测其强度。

还可以利用可见光或红外线等，也可以在对图像进行录象的同时对相应图像数据通过种种的变换式而变换为多个参数，再由本发明的多变量解析进行高性能的良否判定等。作为录象对象，可以采用安装部件上带的极性标记、人脸、道路的模样等模式作为识别对象。作为前者的例子，可以列举出在二极管等具有电特性方向性的元件上带有极性标记的例子。

由于根据极性标记能够判定安装部件方向的良否，所以基于上述录象的图像数据，将与良方向标记的一致度或与非良方向标记的一致度作为参数，在各参数值中注册良否判定结果，就能够实施根据本发明的良否判定。即使在图形认识等中，也可以决定表示与特定图形的一致度、特定的形状、图像的边缘位置等的参数，通过与认识结果的良否同时注册，能够实施根据本发明的良否判定。

在上述实施例中，是在以激光照射良否判定对象的同时，利用其反射光作成形状数据及多个参数。即，利用对良否判定对象直接观测所得到的数据而进行良否判定。但是，也可以采用对于由观测数据而间接推测现象的判别良否的装置。

例如，如上所述，可以形成判定对于基板安装多个安装部件之前的焊锡印刷良否的装置，在这种情况下，通过激光的照射及其反射光的检测等，测定部件安装之前焊锡的印刷状态，从该印刷状态的数据计算出上述多个参数。作为良否判定结果，在采用部件安装的良否的同时，对应记入各参数的组。根据这些参数及良否判定结果而进行上述多变量统计解析，与上述同样，可以特定阈值，并根据相应的阈值能够按照意图的流出率及漏过率进行良否判定。

如以上的说明，在本发明中，利用成为良否判定主因素的多个参数及其良否判定结果而计算出判别函数。在判别函数中，生成关于合格类与不合格类的直方图，根据在各类别中的标准偏差、使之成为按照意图的流出率及漏过率而决定阈值。通过基于该阈值判定良否判定对象的良否，能够按照意图控制流出率及漏过率，实现不需要积蓄技术技巧的高性能的良否判定。