臺灣博碩士論文加值系統

本研究主要是使用第五世代TFT-LCD廠之自動光學檢測設備 (Auto Optical Inspection，簡稱AOI) ，針對尺寸 1100*1300mm 之基板 (Substrate) ，於有效區域 (Active Area) 做影像掃描檢查，並利用放大倍率10倍之電子顯微鏡 (Microscope) 取得之照片，以倒傳遞類神經網路針對瑕疵做檢測分類。檢測分類系統的開發是以MATLAB為影像處理工具，並設計倒傳遞類神經網路，結合Visual Basic 為人機介面，判斷並呈現出檢測結果。瑕疵分類主要針對陣列工程黃光製程 (Array Photolithography Process) 的第二層光阻殘留 (AS-Residue) 、第二層大面積光阻殘留 (AS-BPADJ) 、第三層光阻殘留 (M2-Residue) 這些瑕疵檢測及分類。
在處理程序方面，先將AOI Microscope鏡頭拍攝解析度640*480 Pixel的影像，選取包含正常 (Normal)之四種瑕疵種類，利用MATLAB軟體，做影像二值化處理以及Blob Analysis，再以倒傳遞類神經網路訓練之後，將各瑕疵照片及其像素值，以及輸入層、隱藏層到輸出層之權重值和偏權值，代入Visual Basic軟體，由Visual Basic呈現瑕疵判定 (Judge) 結果，判定結果則包含本實驗的四種瑕疵分類。最後實驗結果證明，不需過於複雜之處理程序，僅以影像處理加上倒傳遞類神經網路訓練，便能夠迅速且準確的將TFT-LCD Array Photo製程的四種瑕疵做分類，如此可減少利用人工判定所需付出的各項成本。

This research is conducted mainly by using the Auto Optical Inspection (AOI) in the fifth generation TFT-LCD factory. This machine is specifically fit the substrates with the size 1100*1300 mm. It performs image-scanned inspection in the active area and then obtains the photos by the 10X electronic microscope. Then, the classification of defects is made by using the back-propagation neural network.
In the development of detect-classification system, we designed the back-propagation neural network which combined with Visual Basic as the interface and MATLAB as an image-processing tool. The system is able to determine and display the detected results. The defect classification mainly designed to detect and classify the following defects: the second layer of the photo resist residue (AS-Residue), the second layer of large-area photo resist residue (AS-BPADJ), and the third layer of photo resist residue (M2-residue) in the Array Photolithography Process.
In the processing procedure, we first took four 640*480 pictures with three different types of defects and a normal one by using AOI Microscope camera. Secondly, we utilized the MATLAB for image processing and did Blob analysis and binary operation. After the training in the back-propagation neural network, we input all the defected images and data, such as weights and bias values of input layer, output layer, and hidden layer, into Visual Basic software, and the software will display the result of the judgments, which including the four classifications of defects in this experiment.
Finally, the result shows the fact that without complicated processing procedure, the four defects in the TFT-LCD Array Photo Process can be precisely and quickly classified only by imaging processing and back-propagation neural network training. As result, it is feasible to reduce the costs and the risk of human judgments.

摘要 i
ABSTRACT iii
誌謝 v
目錄 vi
表目錄 viii
圖目錄 ix
第一章 緒論 1
1.1 研究動機與目的 1
1.2 文獻回顧 3
1.3 研究方法與步驟 6
1.4 論文架構 7
第二章 檢測系統相關原理 8
2.1 TFT-LCD製程技術的簡介 8
2.2 TFT 陣列工程的檢測項目 13
2.3 影像處理 15
2.4 倒傳遞類神經網路 18
第三章 系統設計 22
3.1 硬體架構 22
3.2 軟體架構 28
3.3 倒傳遞類神經網路的架構及學習過程 31
第四章 測試結果與分析 34
4.1 倒傳遞類神經網路的學習結果 34
4.2 測試結果 38
4.3 結果分析與討論 43
第五章 結論 46
5.1 結論 46
5.2 未來展望 47
參考文獻 48

[1] Alasdair McAndrew, Introduction to Digital Image Processing with MATLAB, Thomson Course Technology (2004).
[2] 薛伊伶，應用視覺及資料探勘技術於TFT-LCD陣列電路工程線中瑕疵辨識之研究-島狀半導體光罩瑕疵自動分類系統，碩士論文，中原大學機械工程學系(2006)。
[3] 紀國鐘、鄭晃忠，液晶顯示器技術手冊，台灣電子材料與原件協會 (2002)。
[4] 陳明隆，Array Process Introduction，友達光電理工學院訓練教材 (2007)。
[5] 陳亮嘉、楊舜霖，創新性背景重建演算法運用於TFT-LCD Mura瑕疵之自動化檢測技術，精密機電整合人才培育技術論文，國立台北科技大學 (2005)。
[6] 陳亮嘉、郭家成，創新性TFT-LCD巨觀瑕疵檢測技術開發，精密機電整合人才培育技術論文，國立台北科技大學 (2005)。
[7] J. Y. Lee and S.I. Yoo, Automatic detection of region-mura defect in TFT-LCD, Ieice Transactions on Information and Systems, vol.E87-D, no.10 (2004).
[8] 陳念慈，影像處理應用於TFT-LCD之輝度檢測，第二屆精密機械與製造技術研討會 (2004)。
[9] 郭志忠，TFT-LCD自動光學檢測-以Cell Zone為基礎之瑕疵分類研究，碩士論文，國立成功大學工程科學系 (2008)。
[10] 林宸生，數位信號-影像與語言處理，全華科技圖書 (2004)。
[11] J. F. Canny, A computational approach to edge detection, IEEE Transactions Pattern Analysis Machine Intelligence (1992).
[12] 郭融，TFT-LCD基板缺陷之自動化檢測，碩士論文，逢甲大學資訊電機工程碩士在職專班 (2008)。
[13] 廖燿璋，高速TFT LCD瑕疵檢測系統，碩士論文，逢甲大學自動控制工程學系 (2005)。
[14] 繆紹綱，數位影像處理 活用-Matlab，全華科技圖書 (1999)。
[15] 施威銘研究室，新觀念Visual Basic 2008 程式設計，旗標出版公司 (2009)。
[16] 許世壕，VTEC Introduction，友達光電教育訓練教材 (2008)
[17] 陳孟亨，應用類神經網路於TFT-LCD微影製程缺陷辨識之研究，碩士論文，國立清華大學工業工程與工程管理學系 (2007)。
[18] Fausett, L., Fundamentals of Neural Networks, Prentice-Hall International, 1994.
[19] 陳主原，L5D LR defect限度見本，友達光電訓練教材 (2007)。
[20] W. S. Kim, D. M. Kwak, Y. C. Song, D. H. Choi, and K. H. Park, Detection of spot-type defects on liquid crystal display modules, Key Engineering Materials, PP.808-813, 2004.
[21] 丁冠文，模糊控制結合倒傳遞類神經網路應用於BGA錫球外形瑕疵檢測，碩士論文，龍華科技大學工程技術研究所 (2010)。
[22] 戴金憲、林宸生，影像二值化，http://cslin.auto.fcu.edu.tw/scteach/mech/
[23] Jung-Hun Kim, Suk Ahn, Jae Wook Jeon, Jong-Eun Byun, A High-Speed High Resolution Vision System for the Inspection of TFT-LCD, Symposium on ISIE, 2001.
[24] 泰洛科技股份有限公司, http://www.nowa.com.tw
[25] 羅華強，類神經網路-MATLAB的應用，高麗圖書 (2005)。
[26] 張智星，MATLAB程式設計[入門篇]，清蔚科技、鈦思科技共同出版 (2005)。
[27] 洪維恩，Matlab7程式設計，旗標出版(2005)。