臺灣博碩士論文加值系統

本論文使用倒傳遞類神經網路自動辨識兩種LED晶粒缺陷。經由CCD所擷取之LED晶圓影像，透過Otsu演算法、模板比對從LED晶圓中找出單一LED晶粒，透過邏輯運算法擷取出缺陷之特徵，將此特徵經由倒傳遞類神經網路訓練取得比對相關參數，其參數與未經訓練之單一LED晶粒進行檢測，辨識是否為缺陷之晶粒。實驗結果顯示，應用倒傳遞類神經網路自動檢測兩種晶粒的檢測正確率，分別為99.23%與84.81%，且兩種類型之每顆晶粒檢測時間平均約為70毫秒，比起人工檢測，節省很多時間。

This thesis uses the back-propagation neural network to recognize two types defects of LED die automatically. First of all, a LED die recognition process will be developed. The Otsu's method and template-matching techniques are employed in this recognition process to find a single LED die from the LED wafer image. Through the multi-sample algorithm and the simple logic operators, the characteristics of LED die defects will be obtained quickly. These characteristics of LED die defects will be the training samples of the neural network. After the training process, the LED die defects detection system will be examined by a lot of the single LED die images. The defects detection system will identify whether the defect of the sample images.
The results show that the proposed feature extraction method can increase the detection accuracy effectively. The detection accuracy of these two types of LED die are 99.23% and 84.81%. The time of detection for every single die is about 70 milliseconds on average.

目錄
誌謝 i
中文摘要 ii
Abstract iii
目錄 iv
第一章 緒論 1
1-1 研究動機 1
1-2 研究目的 1
1-3 論文架構 2
第二章 文獻回顧 3
第三章 LED晶粒檢測流程 5
3-1 前處理 7
3-1-1 二值化 8
3-1-2 晶粒切割 11
3-1-3 特徵擷取 12
3-2 倒傳遞網路 19
第四章 實驗結果 23
4-1 實驗使用軟體 23
4-2 實驗晶粒 24
4-3 網路訓練參數與結果 27
4-4 辨識結果 30
第五章 結論與未來研究方向 35
5-1 結論 35
5-2 未來研究方向 37
參考文獻 38
表目錄 vi
圖目錄 vii

 
表目錄
表4-1：第一種類型晶粒訓練樣本數 27
表4-2：第二種類型晶粒訓練樣本數 27
表4-3：兩種類型晶粒數量表 32
表4-4：兩種類型晶粒辨識的正確率 32
表4-5：單一樣本與多重樣本於第一種類型晶粒辨識的正確率 33
表4-6：兩種特徵擷取辨識之結果 33
表4-7：一種類型單顆晶粒的平均花費時間-單位：ms 34
表4-8：二種類型單顆晶粒的平均花費時間-單位：ms 34

 
圖目錄
圖3-1：LED晶粒檢測流程圖 5
圖3-2：BPNN訓練結果取的流程圖 6
圖3-3：LED晶圓部分影像 7
圖3-4：晶粒裁剪流程 8
圖3-5：灰階晶圓影像 10
圖3-6：圖3-5經Otsu演算法後的二值化影像 10
圖3-7(a)：晶圓影像中心位置 11
圖3-7(b)：搜尋晶粒順序與找尋邊緣示意圖 11
圖3-8：模板比對之樣本影像 12
圖3-9：晶圓裁剪後的晶粒影像 12
圖3-10：晶粒結構圖 13
圖3-11：單顆晶粒處理流程圖 14
圖3-12(a)：無缺陷之晶粒樣本 15
圖3-12(b)：待檢測之有缺陷晶粒影像 15
圖3-13(a)：圖3-12(a)之電極區 15
圖3-13(b)：圖3-12(b)之電極區 15
圖3-14(a)：圖3-13(a)與圖3-13(b)XOR結果 15
圖3-14(b)：圖3-14(a)的瑕疵放大圖 15
圖3-15：五種無缺陷LED晶粒 16
圖3-16：五種晶粒電極區AND結果 16
圖3-17：計算後無缺陷之電極區 16
圖3-18(a)：圖3-17與圖3-13(b)做XOR後之影像 17
圖3-18(b)：圖3-18(a)的瑕疵放大圖 17
圖3-19(a)：發光區有缺陷之晶粒 17
圖3-19(b)：圖3-19(a)之發光區 17
圖3-20：圖3-15五種晶粒發光區AND結果 18
圖3-21：計算後無缺陷之發光區 18
圖3-22：圖3-21與圖3-19(b)做XOR後之影像 18
圖3-23：倒傳遞神經網路架構圖 20
圖3-24：雙彎曲線函數圖形 20
圖4-1：倒傳遞網路訓練介面 23
圖4-2：LED晶粒瑕疵檢測系統介面 24
圖4-3：兩種類型之LED正常晶粒 25
圖4-4：兩種類型之LED發光區有缺陷之晶粒 25
圖4-5：兩種類型之LED電極區有缺陷之晶粒 26
圖4-6：兩種類型之LED發光區與電極區皆有缺陷之晶粒 26
圖4-7：第一種類型晶粒發光區BPNN收斂曲線圖 28
圖4-8：第一種類型晶粒電極區BPNN收斂曲線圖 28
圖4-9：第二種類型晶粒發光區BPNN收斂曲線圖 29
圖4-10：第二種類型晶粒電極區BPNN收斂曲線圖 29
圖4-11：第一種類型辨識結果 30
圖4-12：第二種類型辨識結果 31

[1]Rao, A. R., ”Future directions in industrial machine vision: a case study of semiconductor manufacturing applications,” Image and Vision Computing, Vol. 14, 1996, 3-19.
[2]Mital, D.P. Teoh, E.K., “Computer Based Wafer Inspection System,” Proceeding of International Conference on Industrial Electronics, Control and Instrumentation, Vol. 3, 1991, pp. 2497-2503.
[3]Chao-To Su, Taho Yang, Chir-Mour Ke, “Neural-Network Approach for Semiconductor Wafer Post-Sawing Inspection,” IEEE Transactions on Semiconductor Manufacturing, Vol. 15, No. 2, pp.260-266, 2002.
[4]廖尹業，「應用機械視覺於發光二極體外觀瑕疵檢測」，碩士論文，國立台灣科技大學自動化及控制研究所，2008。
[5]黃國峰，「類神經網路應用於被動元件辨識之研究」，碩士論文，中興大學生物產業機電工程學系所，2011。
[6]劉明進，「高亮度LED外觀瑕疵檢測技術」，碩士論文，國立暨南科技大學資訊工程學系研究所，2005。
[7]吳文進，「以資料探勘技術改善國軍網路入侵偵測效能之研究」，復興崗學報，第92期，2008，pp. 177-212。
[8]張詠棨，「半徑基底函數(RBF)類神經網路應用於 LED 晶圓缺陷檢測」，碩士論文，雲林科技大學資訊工程研究所，2006。
[9]N. Otsu, “A Threshold Selection Method from Gray-Scale Histogram,” IEEE Trans. Systems, Man, and Cybernetics, Vol. 8, 1978, pp. 62-66.
[10]張斐章、張麗秋，「類神經網路」，東華書局，台北，2006，pp. 4-18。
[11]吳聲浩，「以類神經網路建立梭織胚布幅寬收縮之預測模式」，碩士論文，逢甲大學紡織工程研究所，2006。
[12]陳雪峰、李樹剛，「基于BP神經網路的虛擬物品個性化設計推薦」，計算機工程，第34卷、第10期，2008，pp. 193-195。
[13] 孟毅、呂渭濟，「基于BP神經網路的數據挖掘及在股價預測中的應用」，現代計算機，第301期，2009，pp. 106-108。
[14]徐國政、葉忠，「皮革瑕疵類別自動辨識與補償」，中華民國品質學會第38屆年會暨第8屆全國品質管理研討會，pp. 119-130。
[15]高大启，「有教師的線性基本函數前向三層神經網絡結構研究」，計算機學報，Vol. 21, No. 1, 1998, pp. 80-86。