CN118176078A - 激光剥离装置、信息处理方法及程序 - Google Patents

Abstract

激光剥离装置向包括基板和在该基板上形成的剥离层的工件照射激光而将所述剥离层从所述基板剥离，包括：拍摄装置，其对被照射所述激光的工件进行拍摄；以及处理部，其进行基于由所述拍摄装置拍摄到的图像的处理，所述处理部获取由所述拍摄装置拍摄到的工件的图像，通过将所获取的所述工件的图像输入至学习模型，导出与所述剥离层的状态相关的信息，所述学习模型在输入了工件的图像的情况下输出与该工件的剥离层的状态相关的信息，所述处理部输出所导出的与所述剥离层的状态相关的信息。

Description

激光剥离装置、信息处理方法及程序

技术领域

本发明涉及激光剥离装置、信息处理方法及程序。

背景技术

已知从基板侧向在基板上形成的剥离层(工件)照射激光束而将剥离层从基板剥离的激光剥离装置(例如，专利文献1)。专利文献1中公开了以一边时刻改变激光束相对于工件的照射区域一边使相邻的各照射区域重叠的方式照射激光束的激光剥离装置(激光剥离装置)。

现有技术文献

专利文献

专利文献1：日本特开2012-28740号公报

发明内容

然而，专利文献1的激光剥离装置并未考虑高效地导出与激光照射的剥离层的状态相关的信息。

本公开是鉴于上述情况提出的，目的在于提供能够高效地导出与激光照射的剥离层的状态相关的信息的激光剥离装置等。

本方式的激光剥离装置向包括基板和在该基板上形成的剥离层的工件照射激光而将所述剥离层从所述基板剥离，所述激光剥离装置包括：拍摄装置，其对被照射所述激光的工件进行拍摄；以及处理部，其进行基于由所述拍摄装置拍摄到的图像的处理，所述处理部获取由所述拍摄装置拍摄到的工件的图像，通过将所获取的所述工件的图像输入至学习模型，导出与所述剥离层的状态相关的信息，所述学习模型在输入了工件的图像的情况下输出与该工件的剥离层的状态相关的信息，输出所导出的与所述剥离层的状态相关的信息。

本方式的信息处理方法使计算机执行下述处理：获取向在基板上形成有剥离层的工件照射激光后的所述工件的图像；通过将所获取的所述工件的图像输入至学习模型，导出与所述剥离层的状态相关的信息，所述学习模型在输入了工件的图像的情况下输出与该工件的剥离层的状态相关的信息；以及输出所导出的与所述剥离层的状态相关的信息。

本方式的程序使计算机执行下述处理：获取向在基板上形成有剥离层的工件照射激光后的所述工件的图像；通过将所获取的所述工件的图像输入至学习模型，导出与所述剥离层的状态相关的信息，所述学习模型在输入了工件的图像的情况下输出与该工件的剥离层的状态相关的信息；以及输出所导出的与所述剥离层的状态相关的信息。

发明效果

根据本公开，能够提供高效地导出与激光照射的剥离层的状态相关的信息的激光剥离装置等。

附图说明

图1是示出实施方式1的激光剥离装置的构成例的图。

图2是示出激光剥离装置中包含的信息处理装置的构成例的图。

图3是示出学习模型(剥离状态判断模型)的一例的说明图。

图4是例示信息处理装置的处理部(控制部)中包含的功能部的功能框图。

图5是示出处理部的处理步骤的一例的流程图。

图6是说明激光剥离装置的管理画面的一例的图。

图7是示出实施方式2(针对剥离不良的应对控制)的处理部的处理步骤的一例的流程图。

具体实施方式

(实施方式1)

以下说明本公开的实施方式。图1是示出实施方式1的激光剥离装置1的构成例的图。图2是示出激光剥离装置1中包含的信息处理装置9的构成例的图。激光剥离装置1是从基板81侧照射激光束以将剥离层82从基板81剥离的装置，例如被用于有机EL显示器的制造。基板81是例如玻璃基板81等的透明基板81，由基板81和在该基板81的下表面侧形成的剥离层82构成激光剥离装置1实施LLO(Laser Lift-Off：激光剥离)工艺的工件8。

如本实施方式中的图示那样，在XYZ三维正交坐标系中，Z方向成为铅垂方向，是与基板81垂直的方向。XY平面是与基板81的形成有剥离层82的面平行的平面。例如，X方向成为矩形状的基板81的长边方向，Y方向成为基板81的短边方向。在使用能够绕Z轴从0°旋转至90°的Θ轴载物台71的情况下，能够使X方向成为基板81的短边方向、Y方向成为基板81的长边方向。

激光剥离装置1具备激光光学系统11、激光照射室7及信息处理装置9。激光照射室7收容基座72和载置在基座72上的载物台71。在激光剥离装置1中，一边利用载物台71将基板81向+X方向搬运，一边向剥离层82照射激光。

激光光学系统11包含激光源2、衰减器3、偏振比控制单元4、光束整形光学系统5、落射镜61及投影透镜63，射出线状的激光。

激光源2是产生脉冲激光来作为用于向剥离层82照射的激光的激光产生装置。所产生的激光例如为中心波长为308nm的准分子激光等的气体激光。或者，激光也可以不限于准分子激光，而是由固体激光形成的激光。激光源2在腔室内封入有氙等的气体并将两片谐振器镜以隔着气体相对的方式配置。一个谐振器镜是反射所有光的全反射镜，另一谐振器镜是使一部分的光透射的部分反射镜。由气体激励的气体光在谐振器镜之间反复反射，增幅后的光以激光的形式被从谐振器镜发出。激光源2以例如500Hz到600Hz的周期重复发出脉冲状的激光。激光源2朝向激光衰减器3射出。

衰减器3使所入射的激光衰减，将其调整为规定的能量密度(ED)。上述衰减器3构成为具有表示射出的激光相对于入射的激光的比率的透射率来作为特性，该透射率能够基于来自PLC(Programmable Logic Controller：可编程逻辑控制器)等的控制装置的信号而变化。衰减器3设置在从激光源2到光束整形光学系统5的光路的中途。衰减器3根据透射率而使从激光源2射出的激光衰减。从衰减器3射出的能量密度(E)为从激光源2射出的激光的能量密度(E0)乘以衰减器3的透射率(T)得到的值(E＝E0×T)。PLC(控制装置)以从衰减器3射出的能量密度成为最优能量密度的方式确定(导出)并变更衰减器3的透射率。

偏振比控制单元4配置在衰减器3的射出侧。偏振比控制单元4由例如1/2波长板(λ/2板)及偏振光束分束器构成，对所入射的激光的P偏振波与S偏振波的偏振比进行变更。即，从衰减器3射出的激光的偏振比通过偏振比控制单元4来变更。偏振比控制单元4构成为基于从PLC(控制装置)输出的控制信号对偏振比进行变更(可变)。

从偏振比控制单元4射出的激光入射到光束整形光学系统5，该光束整形光学系统5对所入射的激光进行整形，生成适合于向剥离层82照射的光束形状的激光。光束整形光学系统5生成沿着Y方向的线状的直线束。

光束整形光学系统5例如通过由透镜阵列构成的均化器而将一个光束划分成多个光束(在Z方向上排列的多个直线束)。在划分成多个光束后，能够使用聚光透镜合成为直线束状。光束整形光学系统5将所生成(整形)的线状的激光向落射镜61射出。

落射镜61是在Y方向上延伸的矩形状的反射镜，反射光束整形光学系统5生成的作为多个直线束的激光。落射镜61例如是分色镜，是使一部分的光透射的部分反射镜。落射镜61对线状的激光进行反射而生成反射光，并使该线状的激光一部分透射而生成透射光。落射镜61向基板81的剥离层82照射作为反射光的激光，以透射光将激光向例如双平面光电管62等的脉冲测量器射出。

投影透镜63配置在基板81的上方。投影透镜63具有用于将激光向基板81即剥离层82投射的多个透镜。投影透镜63将激光会聚到基板81上。在基板81上，形成激光沿着Y方向的线状的照射区域。即，在基板81上，激光成为以Y方向为长度方向的直线束。另外，一边向+X方向搬运工件8(基板81)，一边向剥离层82照射激光。由此，能够向以Y方向上的照射区域的长度为宽度的带状的区域照射激光。

向落射镜61照射的直线束状的激光成为短轴宽度变宽的光束形状，即在从聚光透镜射出后，该短轴宽度稍微变宽而成为变形的形状。由落射镜61反射的激光穿过投影透镜63，由此被整形为短轴宽度为1/5左右的直线束状的激光。

双平面光电管62与光束整形光学系统5邻接地设置于激光光学系统11的端部，基于从落射镜61透射的透射光，检测从激光源2射出的激光的脉冲波形。双平面光电管62将所检测到的脉冲波形向PLC(控制装置)输出(发送)。基于该脉冲波形，导出激光的激光脉冲能量。

拍摄装置64对照射激光后的工件8(基板81及剥离层82)进行拍摄，将所拍摄的工件8的图像向信息处理装置9输出。拍摄装置64例如包含同轴落射型的线阵相机(同轴落射型线阵相机)。该同轴落射型的线阵相机(拍摄装置64)包括半反射镜及LED等的照明装置(同轴落射照明)以及线阵相机(摄像头主体)，构成为使得由半反射镜反射的照明光与摄像头主体同轴。由此，能够以高对比度拍摄利用来自LED等的照明装置的照射光照射的照射部和未照射部。在本实施方式中，拍摄装置64为同轴落射型的线阵相机，但不限定于此，拍摄装置64也可以除了同轴落射型线阵相机以外还包含例如透射型线阵相机、漫反射型线阵相机或正反射型线阵相机等，也可以由上述不同种类的多个线阵相机组构成。

信息处理装置9与拍摄装置64能够通信地连接，获取从拍摄装置64输出的工件8的图像，基于所获取的工件8的图像输出与工件8的剥离层82的状态相关的信息，及基于该信息进行判断是否正常进行了剥离层82中的剥离的处理。即，信息处理装置9作为构成剥离观察监视系统的主要装置发挥功能，该剥离观察监视系统自动判别是否通过激光剥离装置1剥离了基板上的剥离层82。

信息处理装置9例如是边缘计算机、个人计算机或服务器装置等的信息处理装置9，也可以是兼具作为控制激光剥离装置1的运转的控制面板或PLC(Programmable LogicController：可编程逻辑控制器)的功能的装置(控制装置)。或者，控制激光剥离装置1的运转的PLC等设置为与信息处理装置9不同的装置，信息处理装置9也可以经由通信部93与PLC等(控制装置)能够通信地连接。在该情况下，信息处理装置9也可以是例如与互联网等的外部网络连接的云服务器，分别与设置于多个生产地点的激光剥离装置1(拍摄装置64、PLC)通信，作为导出与基于由该多个激光剥离装置1分别进行的LLO工艺的剥离层82的状态相关的信息的中心服务器发挥功能。

信息处理装置9包含处理部91、存储部92、通信部93及输入输出I/F94，经由该通信部93或输入输出I/F94与拍摄装置64及PLC等通信。

处理部91具有一个或多个CPU(Central Processing Unit：中央处理器)、MPU(Micro-Processing Unit：微处理单元)、GPU(Graphics Processing Unit：图形处理单元)等具备计时功能的运算处理装置，通过读取并执行存储部92中存储的程序P(程序产品)，而作为进行基于由拍摄装置64拍摄的图像(工件8的图像)的处理或控制的控制部发挥功能。

存储部92包含SRAM(Static Random Access Memory：静态随机存储器)、DRAM(Dynamic Random Access Memory：动态随机存储器)、闪存等的易失性存储区域及EEPROM或硬盘等的非易失性存储区域。预先在存储部92中存储程序P(程序产品)及处理时要参照的数据。在存储部92中存储的程序P也可以是从处理部91能够读取的记录介质读取的程序P(程序产品)。另外，也可以是从与未图示的通信网连接的未图示的外部计算机下载程序P(程序产品)并存储于存储部92的程序。后述的学习模型913的实体文件例如也可以作为程序P的模块存储在存储部92中。

通信部93是例如基于以太网(注册商标)的标准的通信模块或通信接口，该通信部93与以太网线缆连接。通信部93不限定于该以太网线缆等有线的情况，也可以是与例如Wi-Fi(注册商标)、Bluetooth(注册商标)等的短距离无线通信模块或4G、5G等的宽带无线通信模块等的广域通信对应的通信接口。

输入输出I/F94例如是遵照RS232C或USB等的通信标准的通信接口。输入输出I/F94与键盘等的输入装置及液晶显示器等的显示装置941等的外围设备连接。信息处理装置9的处理部91与拍摄装置64能够经由该输入输出I/F94或通信部93通信连接。

图3是示出学习模型913(剥离状态判断模型)的一例的说明图。学习模型913由例如CNN(Convolution Neural Network：卷积神经网络)等构成，是在输入来的图像所包含的工件8的剥离层82中输出与该剥离层82的状态相关的信息的神经网络(NN)，作为剥离状态判断模型发挥功能。

输入至学习模型913(剥离状态判断模型)的工件8的图像也可以是分割成规定的尺寸的块图像。即，作为使用学习模型913(剥离状态判断模型)时的前处理，也可以将通过拍摄装置64拍摄到的工件8(剥离层82)的图像分割成规定的尺寸，并将该分割得到的块图像输入学习模型913。或者，也可以不进行分割等的前处理，而将通过拍摄装置64拍摄到的工件8(剥离层82)的图像输入至学习模型913。

学习模型913(剥离状态判断模型)能够通过准备训练数据并使用该训练数据使未学习的神经网络进行机器学习来生成，在训练数据中将工件8(剥离层82)的图像(问题数据)和与剥离层82的状态(剥离状态、或未剥离状态)相关的信息(回答数据)对应关联。工件8的图像伴随激光剥离装置1的运用而被作为运行历史记录数据由例如数据记录器依次存储，与剥离层82的状态相关的信息能够通过汇集针对经过LLO工艺的产品的品质确认结果等来获取。通过使用上述数据，能够生成学习模型913(剥离状态判断模型)用的训练数据。

当生成(学习)学习模型913(剥离状态判断模型)时，也可以使用已经以作为分类器发挥功能的方式进行了学习的模型，使用专门用于上述工件8的剥离层82的训练数据针对该模型进行迁移学习或微调。用于进行学习模型913等的学习的训练数据中包含的问题数据及回答数据的数据集与使用该学习模型913等时的输入数据及输出数据的数据集含义相同，若在其中某一数据集中进行定义，则在另一数据集中当然也能够应用。

设想使用训练数据进行了学习的神经网络(剥离状态判断模型)用作人工智能软件的一部分即程序模块。学习模型913(剥离状态判断模型)如上所述被用于具备处理部91及存储部92的信息处理装置9，通过由像这样具有运算处理能力的信息处理装置9执行，从而构成神经网络系统。即，信息处理装置9的处理部91按照来自在存储部92中存储的学习模型913(剥离状态判断模型)的指令，进行提取输入至输入层的工件8(剥离层82)的图像的特征量的运算，从输出层输出与剥离层82的状态相关的信息。

学习模型913(剥离状态判断模型)具有接受图像的输入的输入层、输出与图像所包含的工件8的剥离层82的状态相关的信息的输出层、以及提取图像的图像特征量的中间层。输入层具有接受图像所包含的各像素的像素值的输入的多个神经元，将所输入的像素值交给中间层。中间层具有提取图像的图像特征量的多个神经元，将所提取的图像特征量交给输出层。例如在学习模型913(剥离状态判断模型)为CNN的情况下，中间层具有对从输入层输入的各像素的像素值进行卷积的卷积层与对由卷积层卷积得到的像素值进行映射的池化层交替连结的构成，对图像的像素信息进行压缩并且最终提取图像的特征量。输出层具有输出与工件8的剥离层82的状态相关的信息的一个或多个神经元，基于从中间层输出的图像特征量而输出与剥离层82的状态相关的信息。

在本实施方式中，作为一例，输出层由softmax层构成，具有与工件8的剥离层82的状态对应的两个神经元(节点)。该剥离层82的状态例如包含剥离状态及未剥离状态，从与剥离状态对应的神经元输出表示剥离层82为剥离状态(剥离正常)的情况的概率(评分)，从与未剥离状态对应的神经元输出表示剥离层82为未剥离状态(剥离不良)的情况的概率(评分)。该概率也可以利用由规定的有效数字构成的从0到1的值(在例如有效数字为两位小数的情况下为0.00到1.00)来表示。或者，学习模型913也可以仅输出表示所输入的块图像所包含的剥离层82的状态为剥离状态(剥离正常)的情况的概率(评分)。或者，学习模型913也可以输出表示所输入的块图像所包含的剥离层82的状态是剥离状态和未剥离状态中的哪个状态的二值信息(剥离状态：1、未剥离状态：0)。

学习模型913(剥离状态判断模型)输出表示剥离状态及未剥离状态各自的概率的值(评分)来作为与剥离层82的状态相关的信息，但不限定于此。学习模型913(剥离状态判断模型)也可以在被输入了工件8的图像的情况下输出表示剥离状态、未剥离状态及产生烟尘状态(灰化)各自的概率(评分)的值(百分比)来作为与该工件8的剥离层82的状态相关的信息。在该情况下，用于使学习模型913学习的学习的训练数据当然除了剥离状态或未剥离状态的图像以外还包含产生烟尘状态的图像。学习模型913(剥离状态判断模型)的输出层由包含分别与未剥离状态及产生烟尘状态(灰化)对应的三个神经元的softmax层构成，从各神经元输出对应的剥离层82的各状态的概率(评分)。由此，在分割得到的各块图像中，能够确定相应块图像中包含的工件8的剥离层82处于剥离状态、未剥离状态或产生烟尘状态(灰化)中的哪个状态。信息处理装置9的处理部91(控制部)能够通过确定上述各块图像中的剥离层82的状态而在整个工件8(基板)的剥离层82的全部区域中确定剥离状态、未剥离状态或产生烟尘状态的区域。

或者，学习模型913(剥离状态判断模型)例如由RCNN(Regions withConvolutional Neural Network)、Fast RCNN、Faster RCNN或SSD(Single ShotMultibook Detector)、YOLO(You Only Look Once)等构成，也可以是进行物体(对象)检测、语义分割或实例分割的神经网络(NN)。在该情况下，学习模型913(剥离状态判断模型)发挥针对工件8的图像的对象提取功能，能够在工件8整体确定成为剥离状态、未剥离状态或产生烟尘状态的剥离层82的区域。

在本实施方式中，学习模型913(剥离状态判断模型)为CNN等，但不限定于此，可以是由CNN以外的神经网络、变换网络、BERT、GPT、RNN(Recurrent Neural Network：递归神经网络)、LSTM(Long-short term model：长短期记忆模型)、CNN、SVM(Support VectorMachine：支持向量机)、贝叶斯网络、线性回归、回归树、多元回归、随机森林、集成等其他学习算法构建的学习模型913。

图4是例示信息处理装置9的处理部91(控制部)中包含的功能部的功能框图。信息处理装置9的处理部91通过执行在存储部92中存储的程序P，从而作为获取部911、图像分割部912、学习模型913、评分算出部914、热图生成部915、判断部916及输出部917发挥功能。

获取部911获取从拍摄装置64输出的工件8的图像。该工件8的图像中包含在工件8的基板81上形成的剥离层82。获取部911将所获取的图像向图像分割部912输出。例如，在从拍摄装置64以规定的周期依次输出工件8的图像的情况下，获取部911也可以将依次获取的图像依次向图像分割部912等的其他功能部输出，由此，针对以规定的周期拍摄的图像进行持续性的处理。

图像分割部912通过将来自获取部911的工件8的图像分割为规定的尺寸而生成块图像。由此，从一张工件8的图像生成多张块图像。图像分割部912也可以针对所生成的块图像进行压缩处理。

图像分割部912也可以分别针对所生成(分割)的多个块图像赋予表示该块图像的位置的编号(图像编号)。图像编号例如也可以利用工件8的图像中的块图像的纵向的地址和横向的地址的组合来设定，通过将这些地址保存为排列变量，而相对于块图像分别赋予图像编号(建立关联)。通过使用该图像编号，能够对分割得到的块图像进行汇集以重构工件8的图像。图像分割部912将所生成的块图像输入学习模型913(剥离状态判断模型)。在信息处理装置9的处理部91包含具有并行处理功能的GPU的情况下，图像分割部912也可以通过并行处理向学习模型913输入块图像及进行基于该学习模型913的推定。

学习模型913(剥离状态判断模型)基于所输入的块图像输出与该块图像所包含的剥离层82的状态相关的信息。如上所述，学习模型913输出表示所输入的块图像所包含的剥离层82的状态为剥离状态(剥离正常)的情况的概率(评分)及为未剥离状态(剥离不良)的情况的概率(评分)。或者，学习模型913也可以仅输出表示所输入的块图像中包含的剥离层82的状态为剥离状态(剥离正常)的概率(评分)。或者，学习模型913也可以输出表示所输入的块图像中包含的剥离层82的状态是剥离状态和未剥离状态中的哪个状态的二值信息。学习模型913将与所推定的剥离层82的状态相关的信息向评分算出部914输出。

评分算出部914作为基于从学习模型913输出的与各块图像中的剥离层82的状态相关的信息来算出工件8中的剥离率的剥离率算出部发挥功能。在从一张工件8的图像生成例如100张块图像的情况下，这些块图像分别被赋予(建立关联)了表示剥离状态(剥离正常)的情况的概率(评分)。在该概率例如以由规定的有效数字构成的0到1的值表示的情况下，通过对所有的块图像的概率进行汇集(合计)，能够算出整个工件8(整个剥离层82)中的剥离状态(剥离正常)的概率。当学习模型913推定在块图像中包含的剥离层82完全剥离的情况下，概率(评分)为1，对应于剥离程度降低，该概率(评分)接近0。评分算出部914通过将所有块图像的概率(表示剥离状态(剥离正常)的情况的概率)合计的合计值除以块图像的张数，来算出工件8中的剥离率。例如，在所有块图像的概率为1的情况下，工件8中的剥离率为1(100％)。评分算出部914将算出的剥离率输出至判断部916。

评分算出部914通过将对各块图像分别赋予的概率按照该块图像各自的位置进行映射，算出表示工件8整体的剥离状态(剥离正常)的概率的分布的分布数据。评分算出部914将算出的分布数据输出至热图生成部915。通过将工件8的图像分割为多个块图像，并在各块图像中导出表示剥离状态(剥离正常)的情况的概率，能够在整个工件8(整个剥离层82)中高效地确定局部产生的未剥离状态(剥离不良)的区域。

热图生成部915基于从评分算出部914输出的分布数据，生成使工件8整体中的剥离状态(剥离正常)的概率的分布可视化的热图。在该热图中，也可以是剥离状态(剥离正常)的概率越高，则红色系彩色度越高，剥离状态(剥离正常)的概率越低(表示未剥离状态(剥离不良)的情况的概率越高)，则蓝色系彩色度越高。热图生成部915还可以进行使指示未剥离状态的区域的框体等的对象与热图重叠的注释显示。

判断部916基于从评分算出部914输出的剥离率来判断是否正常进行了工件8中的剥离层82的剥离。在信息处理装置9的存储部92中预先存储有用于判断是否正常进行了工件8中的剥离层82的剥离的基准值。判断部916通过将像这样预先存储的规定的基准值与工件8中的剥离率进行对比或比较，来判断是否正常进行了该工件8中的剥离层82的剥离。规定的基准值例如被设定为0.99(99％)，判断部916在工件8中的剥离率为基准值以上的情况下，判断为在LLO工艺中正常进行了剥离层82的剥离，在工件8中的剥离率低于基准值的情况下，判断为剥离层82的剥离没有正常进行(产生了剥离不良)。

输出部917使用来自热图生成部915的热图、来自判断部916的判断结果及来自获取部911的工件8的图像生成后述的管理画面(画面数据)，并将所生成的管理画面(画面数据)输出到例如显示装置941。

图5是示出处理部91的处理步骤的一例的流程图。信息处理装置9的处理部91接受例如操作者使用与输入输出连接的键盘等的操作，基于该接受到的操作进行以下的处理。

信息处理装置9的处理部91获取由拍摄装置64拍摄到的工件8的图像(S101)。信息处理装置9的处理部91将所获取的图像分割成规定尺寸的多个块图像(S102)。信息处理装置9的处理部91通过将所获取的工件8的图像分割成规定尺寸的块图像，来生成多个块图像。信息处理装置9的处理部91也可以对分割得到的块图像赋予图像编号。

信息处理装置9的处理部91将分割得到的块图像输入学习模型913(剥离状态判断模型)(S103)。信息处理装置9的处理部91获取由学习模型913(剥离状态判断模型)输出的与剥离层82的状态相关的信息(S104)。信息处理装置9的处理部91将分割得到的块图像分别依次或并行地输入至学习模型913(剥离状态判断模型)，获取由学习模型913输出的与剥离层82的状态相关的信息。与该剥离层82的状态相关的信息包含表示块图像所包含的剥离层82的状态为剥离状态(剥离正常)的情况的概率(评分)。也可以是，在推定为块图像中包含的剥离层82完全剥离的情况下，该概率(评分)为1，随着剥离程度降低，该概率(评分)接近0。

信息处理装置9的处理部91基于获取到的与剥离层82的状态相关的信息来算出剥离率(S105)。信息处理装置9的处理部91通过将所有块图像的概率(表示剥离状态(剥离正常)的情况的概率)合计的合计值除以块图像的张数，算出工件8中的剥离率。例如，在所有块图像的概率为1的情况下，工件8中的剥离率为1(100％)，随着该剥离率减小(接近0)，表示产生剥离不良的区域增加。

信息处理装置9的处理部91判断算出的剥离率是否为规定的基准值以上(S106)。信息处理装置9的处理部91基于例如预先在存储部92中存储的规定的基准值(例如，0.99)，判断是否正常进行了工件8中的剥离层82的剥离。

在剥离率为规定的基准值以上的情况下(S106：是)，信息处理装置9的处理部91判断为工件8中正常进行了剥离层82的剥离(S107)。在剥离率不是规定的基准值以上的情况下(S106：否)，即剥离率低于规定的基准值的情况下，信息处理装置9的处理部91判断为工件8中的剥离层82的剥离未正常进行而产生了剥离不良(S1061)。

信息处理装置9的处理部91基于所获取的与剥离层82的状态相关的信息来生成热图(S108)。信息处理装置9的处理部91通过将分别赋予给块图像的概率按照该块图像各自的位置进行映射，算出表示工件8整体的剥离状态(剥离正常)的概率的分布的分布数据，使用该分布数据生成热图。

信息处理装置9的处理部91输出判断结果及热图(S109)。信息处理装置9的处理部91生成用于显示热图及判断结果的管理画面(画面数据)，通过将所生成的管理画面(画面数据)输出至例如显示装置941或激光剥离装置1的管理者的移动终端，使显示装置941或移动终端显示该管理画面。

图6是说明激光剥离装置1的管理画面的一例的图。激光剥离装置1的管理画面例如包含将剥离判断结果等进行列表显示的列表显示区、显示工件8的图像的工件8图像显示区、显示热图的图像的热图图像显示区及显示与剥离判断结果对应的建议信息的建议显示区。

在列表显示区中配置有显示记载有当使用激光剥离装置1时与LLO工艺相关的事项的作业单据的编号、剥离判断结果、剥离率、块图像的尺寸(块图像尺寸)及块图像的个数(块图像个数)的显示栏。

将工件8的图像显示区与热图图像显示区左右并排配置，通过使由拍摄装置64拍摄的工件8的图像(实图像)与工件8整体的各区域中的剥离程度能够对比，能够提高激光剥离装置1的管理者等的视觉辨认性。通过在剥离程度低的区域、即判断为未剥离状态的区域中重叠显示红框等的对象，能够提醒该管理者等注意。

在建议显示区显示基于剥离判断结果导出的建议(意见)。在信息处理装置9的存储部92中例如以表格形式存储与剥离判断结果的内容对应的建议内容，信息处理装置9的处理部91也可以通过参照该表格来导出与剥离判断结果对应的建议。

根据本实施方式，信息处理装置9(处理部91)通过将拍摄装置64拍摄到的工件8的图像输入至学习模型913(剥离状态判断模型)，而导出与该工件8的剥离层82的状态相关的信息。通过像这样使用学习模型913(剥离状态判断模型)，能够在向工件8照射激光而将剥离层82剥离的LLO(Laser Lift-Off)工艺中，高效地导出与剥离层82的状态相关的信息。该剥离层82的状态也可以包含剥离层82正常剥离的剥离状态、在激光(直线束)的能量密度(ED)低的情况下产生的未剥离状态及在能量密度(ED)高的情况产生的产生烟尘状态(灰化)。学习模型913在输入了工件8的图像的情况下输出(推定)该工件8的剥离层82的状态是剥离状态、未剥离状态还是产生烟尘状态，因此能够关于剥离层82的状态高效地导出更详细的信息。信息处理装置9(处理部91)将所导出的与剥离层82的状态相关的信息与获取到的图像(拍摄装置64拍摄的工件8的图像)建立关联，例如通过输出至与该信息处理装置9连接的显示装置941等，能够高效地向激光剥离装置1的操作者通知与剥离层82的状态相关的信息。

根据本实施方式，信息处理装置9(处理部91)基于由学习模型913输出的与剥离层82的状态相关的信息来判断是否正常进行了该剥离层82的剥离，因此高效地进行LLO工艺中的剥离或未剥离的判断。信息处理装置9(处理部91)基于与剥离层82的状态相关的信息来确定与表示剥离层82正常剥离的部分的剥离部的区域(剥离区域)相关的信息。信息处理装置9(处理部91)算出剥离部相对于整个基板81(在基板81上形成的剥离层82整体)的面积的面积比率作为剥离率，在该剥离率(面积比率)为例如99％(0.99)以上的情况下，判断为剥离状态正常，在低于99％的情况下，判断为剥离状态异常(剥离不良)。通过像这样使用基于与剥离层82的状态相关的信息而算出的剥离率，能够高效地判断是否正常进行了剥离层82中的剥离。

根据本实施方式，信息处理装置9(处理部91)将从拍摄装置64获取的图像分割成规定尺寸而得到的多个块图像输入至学习模型913，导出与各块图像中的剥离层82的状态相关的信息。学习模型913在所输入的多个块图像中分别输出与该块图像所包含的剥离层82的状态相关的信息，因此与将从拍摄装置64获取的整个图像输入学习模型913的情况相比，能够提高所输出的信息的精度。此外，在分割得到的各块图像中，通过导出表示剥离状态(剥离正常)的概率，能够在工件8整体(剥离层82整体)高效地确定局部产生的未剥离状态(剥离不良)的区域。

根据本实施方式，信息处理装置9(处理部91)基于与各块图像中的剥离层82的状态相关的信息而生成并输出表示工件8中的剥离层82的状态分布的热图，因此，能够提高激光剥离装置1的操作者等在掌握工件8中的剥离层82整体的剥离状态时的视觉辨认性。此外，在热图中重叠有表示未剥离状态的区域的框体等的对象，因此能够高效地提醒激光剥离装置1的操作者等注意该未剥离状态。

(实施方式2)

图7是示出实施方式2(针对剥离不良的应对控制)的处理部91的处理步骤的一例的流程图。信息处理装置9的处理部91接受例如操作者使用与输入输出连接的键盘等的操作，并基于该接受到的操作进行以下的处理。

信息处理装置9的处理部91获取由拍摄装置64拍摄到的工件8的图像(S201)。信息处理装置9的处理部91将所获取的图像分割成规定尺寸的多个块图像(S202)。信息处理装置9的处理部91将分割得到的块图像输入至学习模型913(剥离状态判断模型)(S203)。信息处理装置9的处理部91获取学习模型913(剥离状态判断模型)输出的与剥离层82的状态相关的信息(S204)。信息处理装置9的处理部91基于所获取的与剥离层82的状态相关的信息来算出剥离率(S205)。信息处理装置9的处理部91判断算出的剥离率是否为规定的基准值以上(S206)。在剥离率为规定的基准值以上的情况下(S206：是)，信息处理装置9的处理部91判断为正常进行了工件8中的剥离层82的剥离(S207)。信息处理装置9的处理部91与实施方式1的处理S101到S107同样地，进行S201到S207的处理。

在剥离率并非规定的基准值以上的情况下(S206：否)、即剥离率低于规定的基准值的情况下，信息处理装置9的处理部91判断为工件8中的剥离层82的剥离未正常进行而产生剥离不良(S2061)。信息处理装置9的处理部91与实施方式1的处理S1061同样地进行S2061的处理。

信息处理装置9的处理部91进行用于停止向工件8照射激光的处理(S2062)。信息处理装置9的处理部91在剥离率低于规定的基准值且判断为产生了剥离不良的情况下，例如，通过将工艺停止信号输出至激光剥离装置1或控制激光剥离装置1的PLC(ProgrammableLogic Controller：可编程逻辑控制器)，从而停止向工件8照射激光，中止生产。由此，能够防止在此后的生产中制造存在剥离不良的基板81。

产生剥离不良时的应对处置不限定于停止向工件8照射激光，也可以变更向工件8照射的激光的能量密度。信息处理装置9的处理部91在剥离率低于规定的基准值且判断为产生了剥离不良的情况下，也可以根据该剥离不良的种类、即剥离不良是由未剥离引起(未剥离状态)或由产生烟尘(灰化)引起(产生烟尘状态)而使向工件8照射的激光的能量密度变化。

在学习模型913(剥离状态判断模型)基于所输入的工件8的图像(分割的块图像)来输出(推定)剥离状态、未剥离状态及产生烟尘状态各自的概率(评分)的情况下，信息处理装置9的处理部91基于来自该学习模型913的输出结果确定剥离层82处于哪种状态。即，在剥离率低于规定的基准值且判断为产生了剥离不良的情况下，该剥离不良会导致未剥离状态和产生烟尘状态中的一者。在判断为产生了剥离不良的情况下，信息处理装置9的处理部91基于来自该学习模型913的输出结果来确定剥离层82的状态是未剥离状态还是产生烟尘状态。

在确定剥离层82的状态为未剥离状态的情况下，信息处理装置9的处理部91使向工件8照射的激光的能量密度增加。在确定剥离层82的状态为产生烟尘状态的情况下，信息处理装置9的处理部91减小向工件8照射的激光的能量密度。信息处理装置9的处理部91例如也可以通过增减衰减器3的透射率或增减激光源2的输出来增减能量密度。通过像这样根据剥离层82的状态使激光的能量密度变化(增减)，能够提高基板的成品率。

信息处理装置9的处理部91基于所获取的与剥离层82的状态相关的信息来生成热图(S208)。信息处理装置9的处理部91输出判断结果及热图(S209)。信息处理装置9的处理部91在示出判断结果及热图时判断为产生了剥离不良的情况下，也可以与该判断结果及热图一并输出表示停止激光的照射的信息。信息处理装置9的处理部91与实施方式1的处理S108至S109同样地进行S208至S209的处理。

根据本实施方式，信息处理装置9(处理部91)在剥离状态异常、即剥离层82中的剥离未正常进行而判断为产生了剥离不良的情况下，例如，进行向激光剥离装置1或控制激光剥离装置1控制的PLC(Programmable Logic Controller：可编程逻辑控制器)输出工艺停止信号等用于停止向工件8照射激光的处理。由此，能够抑制制造成为剥离不良的产品。

应理解为，本次公开的实施方式在各方面均为例示的，而并非是限制性的。各实施例中记载的技术特征能够相互组合，本发明的范围旨在包含权利要求书内的所有变更及与权利要求书等同的范围。

附图标记说明

1 激光剥离装置

11 激光光学系统

2 激光源

3 衰减器

4 偏振比控制单元

5 光束整形光学系统

61 落射镜

62 双平面光电管

63 投影透镜

64拍摄装置(同轴落射型线阵相机)

7 激光照射室

71 载物台

72 基座

8 工件

81 基板

82 剥离层

9 信息处理装置

91 处理部

911 获取部

912 图像分割部

913学习模型(剥离状态判断模型)

914 评分算出部

915 热图生成部

916 判断部

917 输出部

92 存储部

920 记录介质

P程序(程序产品)

93通信部

94输入输出I/F

941显示装置。

Claims (12)

1.一种激光剥离装置，其特征在于，向包括基板和在该基板上形成的剥离层的工件照射激光而将所述剥离层从所述基板剥离，

所述激光剥离装置包括：

拍摄装置，其被照射所述激光的工件进行拍摄；以及

处理部，其进行基于由所述拍摄装置拍摄到的图像的处理，

所述处理部获取由所述拍摄装置拍摄到的工件的图像，

所述处理部通过将所获取的所述工件的图像输入至学习模型，导出与所述剥离层的状态相关的信息，所述学习模型在输入了工件的图像的情况下输出与该工件的剥离层的状态相关的信息，

所述处理部输出所导出的与所述剥离层的状态相关的信息。

2.根据权利要求1所述的激光剥离装置，其特征在于，

所述剥离层的状态包含剥离状态、未剥离状态及产生烟尘状态中的至少一个状态。

3.根据权利要求1或2所述的激光剥离装置，其特征在于，

所述处理部与从所述拍摄装置获取的图像建立关联地输出与所述剥离层的状态相关的信息。

4.根据权利要求1至3中任一项所述的激光剥离装置，其特征在于，

所述处理部基于所导出的与所述剥离层的状态相关的信息来判断是否正常进行了剥离层的剥离，并输出所述判断的结果。

5.根据权利要求4所述的激光剥离装置，其特征在于，

与所述剥离层的状态相关的信息包含与剥离部的区域相关的信息，所述剥离部表示剥离层已剥离的部分，

所述处理部算出所述剥离部相对于所述基板的面积的面积比率，

所述处理部在算出的所述面积比率为规定比率以上的情况下，判断为剥离状态正常，

所述处理部在算出的所述面积比率低于规定比率的情况下，判断为剥离状态异常。

6.根据权利要求5所述的激光剥离装置，其特征在于，

所述处理部在判断为剥离状态异常的情况下，进行用于停止向所述工件照射激光的处理。

7.根据权利要求1至6中任一项所述的激光剥离装置，其特征在于，

所述处理部将从所述拍摄装置获取的图像分割成规定尺寸的多个块图像，

通过将分割得到的所述块图像输入至所述学习模型，导出与所述块图像各自中的剥离层的状态相关的信息。

8.根据权利要求7所述的激光剥离装置，其特征在于，

所述处理部基于所导出的与所述块图像各自中的剥离层的状态相关的信息，生成表示所述工件中的剥离层的状态分布的热图，并输出所生成的所述热图。

9.根据权利要求8所述的激光剥离装置，其特征在于，

所述处理部在利用所述热图表示的剥离层的状态分布中，与所述热图重叠地输出表示未剥离状态的区域的对象。

10.根据权利要求1至9中任一项所述的激光剥离装置，其特征在于，

所述拍摄装置包含同轴落射型的线阵相机。

11.一种信息处理方法，其特征在于，使计算机执行下述处理：

获取向在基板上形成有剥离层的工件照射激光后的所述工件的图像；

通过将所获取的所述工件的图像输入至学习模型，导出与所述剥离层的状态相关的信息，所述学习模型在输入了工件的图像的情况下输出与该工件的剥离层的状态相关的信息；以及

输出所导出的与所述剥离层的状态相关的信息。

12.一种程序，其特征在于，使计算机执行下述处理：

获取向在基板上形成有剥离层的工件照射激光后的所述工件的图像；

通过将所获取的所述工件的图像输入至学习模型，导出与所述剥离层的状态相关的信息，所述学习模型在输入了工件的图像的情况下输出与该工件的剥离层的状态相关的信息；以及

输出所导出的与所述剥离层的状态相关的信息。