臺灣博碩士論文加值系統

PCB金手指檢測中小樣本條件下瑕疵分類之研究
學生：王裕民 指導教授：江行全 博士
私立元智大學工業工程研究所
摘要
一般的工件表面瑕疵檢測分類上，較常使用的統計方法分類器包括貝氏分類、線性區別函數分類器、最小距離與最鄰近區域分類器。而非統計的方法則屬類神經網路分類器，最常被使用。以統計方法來說，必須符合一些方法的假設條件；而非統計方法上，類神經網路的訓練又相當耗時。然而在實務上，若所能提供之樣本太少，以上分類方法將難以適用。本次研究針對分類過程中，針對訓練樣本不足的情況下加以分析。而分類對象則選定印刷電路板作為樣本。
本次論文所定義的瑕疵包括刮傷、凸點、粗糙以及沾錫四類。藉由取像過程之後所獲得的灰階值資料，作為分析依據。實驗中有5組刮傷樣本、5組凸點樣本、2組粗糙樣本、2組沾錫樣本。採用Bootstrap重複抽樣技巧，來估計出母體的統計參數。並藉由所描繪的曲線以及資料範圍，給定分類標準。
而分類器採用樹枝狀分類法作為實驗分類器，而樹枝狀分類法是利用樹枝狀展開及界限之給定，完成分類。在研究過程中，發現運用此法分類，利用470組測試樣本測試，整體辨識率達97.87％，所以以此法作為小樣本條件下的分類方法，可擁有相當不錯的分類辨識率。
關鍵字：Bootstrap、機器視覺、金手指、瑕疵檢測、分類

PCB Golden Finger Defects Classification Research
Under Small-Sample Size Situation
Student:Yu-Min Wang Advisor:Dr.B.C.Jiang
Department of Industrial Engineering
YUAN-ZE University
ABSTRACT
Generally, using machine vision to inspect surface defects of manufacturing parts in industry, the classification of the defects can provide important information on how to improve quality in manufacturing processes. However, current available classification schemes are not able to handle small sample situation which is sometimes occurs in industry.
It is proposed to use bootstrap technique to deal with the small sample classification problem. Then a tree analysis method is used to classify different PCB surface defects. In this research, there are 19 training samples and 25 test samples. Using the real 19 samples generates 2000 "bootstraped" samples and using the 25 test samples segmented into 470 test samples.The results showed that using bootstrap and tree-classifier to solve small sample size classification problem, it can achieve 97.87% accuracy rate.
Keywords: Bootstrap, Machine Vision, Golden Finger, Defect inspect, classifier

目 錄
目錄……………………………………………………………………..Ⅰ
表目錄…………………………………………………………………….Ⅳ
圖目錄…………………………………………………………………….Ⅴ
第一章 緒論 ………………………….…………………….…… 1.
1.1 研究目的與動機……………………….……………………… 1.
1.2 研究方法簡介………………………………..………………….. 2.
第二章 文獻探討…………………………………………………. 4.
2.1影像處理部份…………………………………………………… 4.
2.1.1 分劃法……………………………………………………… 5.
2.2 The Bootstrap…………………………………………….……… 7.
2.2.1 Bootstrap方法論……………………………………….…… 7.
2.2.2 關於樣本數B值的要求………………………………….... 9.
2.3 特徵值…………………………………………………………… 9.
2.3.1 特徵值的選取……………………………………………… 10.
2.3.2 特徵值選取標準…………………….……………………. 10.
2.4 分類理論………………………………………………………. 11.
2.4.1統計分類模型……………………………………..………. 12.
2.4.2 類神經網路分類模型…………………..………………… 16.
第三章 研究方法…………………………………………..…… 20.
3.1 影像處理部份…………………………………………………. 21.
3.2 資料處理部份…………………………………………………. 23.
3.2.1 Bootstrap抽樣過程………………………...……………… 23.
3.2.2 母體參數估計…………………….………………………. 26.
3.2.3 特徵值選取……………………………………………….. 28.
3.3 實驗分類器-樹枝狀決策分析法……………………………. 30.
3.3.1 樹枝狀分類法……….……………………………………… 31.
3.3.2 最鄰近區域分類法…………………………….…….…… 34.
3.3.3最小距離分類……………………….………………………35.
第四章 實驗系統架構與分析………………………………… 38.
4.1 實驗系統架構…………………………………………………. 38.
4.2 實驗與分析……………………………………………………. 40.
4.2.1 表面瑕疵定義…………………………………………….. 40.
4.4.2 實驗結果……………………………………………….…… 51.
4.4.3分析及驗證…………………………………………………57.
第五章 分類實驗………………………………………………….. 60.
5.1實驗分類器…………...…………………………………………60.
5.1.1樹枝狀分類器…….……………………………………...60.
5.1.2最小距離分類器……………………………………………63.
5.1.3最鄰近區域分類器……………..…………………………….63.
5.2測試樣本驗證結果…………………………………….………....63.
5.2.1測試樣本蒐集……………………………..………………..63.
5.3分類正確性……………………………….……………………..66.
第六章 討論與結論……………………………………………….. 71.
<參考文獻>………………………..…………………………………. 75.
附錄一 取像程式……………………………..…………………….78.
附錄二 Bootstrap分析程式……..………….……………………90.
附錄三 分類程式…………………………………………….99.
附錄四 實驗分類結果………………………………………..106.
表 目 錄
表2-1 影像劃分技術年獻…………………………………………… 6.
表3-1 瑕疵資料………………………………………………….… 25.
表3-2 樣本灰階值資料……………………………………………… 32.
表3-3 樣本特徵值資料表…………………….…………………….. 33.
表4-1 母體平均值統計分配估計資料……………………..…….… 52.
表4-2 母體標準差統計分配估計資料…………………..……….… 53.
表4-3 母體平均絕對誤差統計分配估計資料……………………… 54.
表4-4 母體偏態統計分配估計資料………………..…………….… 55.
表4-5 母體峰態統計分配估計資料……………..……………….… 56.
表4-6 實際樣本資料………………………………………………..58.
表5-1 測試樣本資料表……………………………………………..65.
表5-2 樹枝狀分類法辨識結果……………..…………………..………68.
表5-3 最小距離分類法辨識結果………..………………………..……68.
表5-4 最鄰近區域分類法辨識結果……………..…………………..…68.
圖 目 錄
圖2-1 類神經網路架構………………………………………………. 17.
圖3-1 實驗流程圖……………………………………………………. 20.
圖3-2 金手指取像………………………………………………….… 22.
圖3-3 瑕疵的圈選……………………………………………………. 22.
圖3-4 金手指的二極化………………………………………………. 23.
圖3-5 Bootstrap抽樣過程………………………………….………… 24.
圖3-6 中四分位距圖…………………………………………………. 27.
圖3-7 特徵值選取……………………………………………………. 29.
圖3-8 參數估計圖……………………………………………………. 30.
圖3-9樹枝界限法圖示……………………………………………….. 31.
圖3-10最鄰近區域分類法示圖……………………………………….34.
圖3-11最小距離分類法示圖………………………………………….36.
圖4-1 硬體架構圖………………………………………………….… 38.
圖4-2 金手指正常與表面瑕疵……………………………………… 41.
圖4-3 正常樣本擷取資料範圍及資料直方圖…….…………………42.
圖4-4 刮傷樣本擷取資料範圍及資料直方圖……….………………45.
圖4-5 凸點樣本擷取資料範圍及資料直方圖………….……………48.
圖4-6 粗糙樣本擷取資料範圍及資料直方圖…………………………49.
圖4-7 沾錫樣本擷取資料範圍及資料直方圖…………………………50.
圖4-8 母體平均值統計參數分配圖…………………………………. 52.
圖4-9 母體標準差統計參數分配圖………………………………… 53.
圖4-10 母體平均絕對誤差統計數參數分配圖………………….…. 54.
圖4-11 母體偏態統計參數分配圖………………………………….. 55.
圖4-12 母體峰態統計參數分配圖……………………………….…… 56.
圖5-1 樹枝界限分類器圖…………………………...………….…….61.
圖5-2 正常影像分割………………………………………….………64.
圖5-3 刮傷影像分割………………………….………………………64.
圖5-4 凸點影像分割……………………………………….…………64.
圖5-5 粗糙影像分割………………………………..…………………64.
圖5-6 沾錫影像分割……………………….…………………………64.
圖5-7 分類程式結果示意圖……….…………………………………66.

<參考文獻>
[1] A. Rosenfeld and P. De La Torre, Histogram concavity analysis as an
aid in threshold selection, IEEE Trans. Systems Man Cybernet. SMC-
13, 1983, 231-235.
[2] B. Efron, Bootstrap method:another look at the jackknife. Annals of
Statistics, 7, 1979, 1-26.
[3] B. Efron, Better bootstrap confidence intervals. Journal of the
American Statistical Association, 82, 1987, 171-185.
[4] B. Efron, and B. Tibshirani, An Introduction to the Bootstrap,
Chapman & Hall, London, England, 1993.
[5] D. E. Rumelhart, G. E. Hinton, and R. J. Williams, Learning
internal representation, in Parallel Distributed Processing, Vol. 1,
1986, 318-362.
[6] D. V. Hinkley and S. Shi, Importance sampling and the nested
bootstrap. Biometrika, 76, 1989, 435-446.
[7] D. F. Specht, Probabilstic neural networks, Neural Networks, 3,
1990, 109-118.
[8] D. Michie, D.J.Spiegelhalter and C.C.Talor, Machine Learning,Neural
and Statisical Classification, Ellis Horwood, New York., USA, 1994.
[9] J. M. S. Prewitt and M. L. Mendelsohn, The analysis of cell image,
in Ann. New York Acad. Sci. Vol. 128, pp 1035-1053, New York,
Acad. Sci.,New York, USA, 1966.
[10] J. N. Kapur, P. K. Sahoo, and A. K. C. Wong, A new method for
gray-level picture thresholding using the entropy of the histogram,
Comput.Vision Grapics Image Process. 29, 1985, 273-285.
[11] J. Kittier and J. Illingworth, Minimum error thresholding, Pattern
Reconit. 19, 1986, 41-47.
[12] J. S. Maritz and T. Lwin, Empirical Bayes Methods, Chapman and
Hall, London, England, 1989.
[13] J. Geoffery, Mclachlan, Discriminant Analysis and Statistical Pattern
Recongnition, Wiley, New York, USA, 1992.
[14] J. Besag and P. J. Green Simple Monte Carlo tests for spatial pattern.
Applied Statistics, 26, 1997, 633-642.
[15] K. Johannse and J. Bille, Athreshold selection method using
information measure, in Processing, 6th Int. Conf. Pattern
Recognntion, Munich, Germary, 1982, pp. 140-143.
[16] K. Do, and P. Hall, On improtance resampling for the bootstrap.
Biometrika, 78, 1991, 161-167.
[17] K. Do, and P. Hall, Quasi-random resampling for the bootstrap.
Statistical Computing, 1, 1991, 13-22.
[18] M. V. Johns, Importance sampling for bootstrap confidence intervals.
Journal of the American Statistical Association, 83, 1988, 709-714.
[19] N. Ostu, A threshold selection method from gray-level histogram,
IEEE Trans. Systems Man Cybernet. SMC-8, 1978, 62-66.
[20] P. Hall, Antithetic resampling for the bootstrap. Biometrika, 76,
1989, 713-724.
[21] P. Hall, The Bootstrap and Edgewworth Expansion, Springer-Verlag,
New York, USA, 1992.
[22] R. Hect-Nielsen, Application of counterpropagation, Netural
Networks, 1, 1988, 131-139.
[23] T. Pun, A new method for gray-level picture thresholding using the
entropy of the histogram, Signal Process. 2, 1980, 223-237.
[24] T. Pun, Entropic thresholding: A new approach, Comput. Vison
Graphics Image Process. 2, 1980, 223-237.
[25] T. Kohonen, An introduction to neural computing, Neural Networks,
1988, 3-16.
[26] W. Doyle ,Operation useful for similarity-invariant pattern, J.Assoc.
Comput. Mach. 9, 1962, 259-267.
[27] W. Tsai, Moment-preserving thresholding: A new approach, Comput.
Vison Graphics Image Process. 29, 1985, 377-393.
[28] Y. Tzay, Young., King-sun Fu, Feature selection and extraction.
Handkook of Pattern Recognition and Image Processing. 3, 1986,
60-83.
[29]葉怡成，「類神經網路模式應用與實作」，儒林圖書有限公司，
1998.