臺灣博碩士論文加值系統

　　在IC導線架多腳化、薄型化、及引腳細微化的發展趨勢下，透過裸眼進行瑕疪辨識的人工檢測方式益形困難，為了減輕檢測人員的負擔，本研究提出一套結合影像分析及神經網路技術的瑕疵偵測與分類方法。本方法首先利用影像增強、影像分割、邊界偵測、形態運算、及標號等影像處理技術，將影像中所有可能的瑕疪搜尋出來；接下來利用特徵抽取技術計算各瑕疪之周長、面積、矩量、離心率、緊密度、粗糙度、及灰階值標準差等特徵值；最後，將較具有分類特性之特徵值輸入事先訓練完成之倒傳遞式神經網路分類器，判定各瑕疪為刮傷、蝕刻坑洞、或污染。
　　為了達到自動檢測IC導線架表面瑕疵的目標，我們進一步將影像處理、特徵抽取、類神經網路、以及X-Y平台移位控制與光源切換等技術整合成一套有效率的瑕疵偵測與分類系統。本系統不僅可以取代人工裸眼目視或透過顯微鏡觀察的傳統檢測方式，更可以提高檢測的效率及精確度。在經過473件未知瑕疵樣本的實際測試後，結果顯示本系統的平均辨識率高達99.22%，至於檢測完成一幅影像的平均時間大約是0.4秒。

As the pitch getting finer and the lead number getting higher, the inspection of IC lead frame using bare eyes becomes more difficult. To lessen the workload of human inspectors, an effective method for the detection and classification of defects is presented. First, the proposed method uses image-processing techniques such as image enhancement, image segmentation, edge detection, morphological operation, and labeling to locate defects. Next, feature extraction techniques are applied to measure such features as perimeter, moments, area, eccentricity, compactness, roughness, and standard deviation of gray level. Finally, by inputting the extracted features of each defect to a pre-trained feedforward backpropagation network, the defect can be classified into pinhole, scratch, or contamination.
To automate the inspection process, image processing, feature extraction, artificial neural network, as well as stage and light source control techniques have been integrated into an effective defect detection and classification system. The experimental results show that on an average, the system can finish inspecting an image in 0.4 second and the recognition rate is 99.22%. In summary, the developed system not only can replace the convention inspection method, but also increase the accuracy and efficiency of lead frame inspection.

第一章 緒論………………………………………………………… 1
1.1 研究背景………………………………………………………… 1
1.2 研究動機與目的………………………………………………… 6
1.3 研究範疇………………………………………………………… 8
1.4 研究方法………………………………………………………… 9
1.5 文獻回顧………………………………………………………… 10
第二章 檢測方法與原理…………………………………………… 14
2.1 系統架構………………………………………………………… 14
2.2 檢測流程………………………………………………………… 15
2.3 校正與定位……………………………………………………… 17
2.4 擷取影像………………………………………………………… 18
2.5 影像前處理……………………………………………………… 21
2.6 影像分割………………………………………………………… 22
2.6.1 自動閥值計算之二值化法…………………………………… 22
2.6.2 三值化法……………………………………………………… 23
2.7 形態處理………………………………………………………… 26
2.8 特徵分析………………………………………………………… 28
2.8.1 瑕疪尋找……………………………………………………… 29
2.8.2 標號與邊界搜尋……………………………………………… 29
2.8.3 特徵抽取……………………………………………………… 30
2.8.3.1 離心率……………………………………………………… 31
2.8.3.2 真圓度……………………………………………………… 32
2.8.3.3 粗糙度……………………………………………………… 32
2.8.3.4 簽名及長短距離比………………………………………… 32
2.8.3.5 灰階值標準差……………………………………………… 33
2.9 瑕疪辨識………………………………………………………… 34
2.9.1 圖形識別原理………………………………………………… 34
2.9.2 類神經網路簡介……………………………………………… 35
2.9.2.1 類神經網路模型…………………………………………… 35
2.9.2.2 類神經網路之學習模式…………………………………… 36
2.9.3 BPN逆傳遞神經網路………………………………………… 37
2.9.3.1 BPN網路架構……………………………………………… 37
2.9.3.2 BPN網路演算法…………………………………………… 38
2.9.3.3 BPN網路修正……………………………………………… 41
2.10 SPC統計製程管制……………………………………………… 42
第三章 影像校正、導線架定位及檢測路徑之設計……………… 44
3.1 影像校正………………………………………………………… 44
3.1.1 校正之步驟…………………………………………………… 44
3.1.2 校正結果……………………………………………………… 45
3.2 導線架定位……………………………………………………… 45
3.2.1 導線架之定位孔……………………………………………… 46
3.2.2 定位之步驟…………………………………………………… 46
3.2.3 定位結果……………………………………………………… 49
3.3 導線架之檢測路徑……………………………………………… 49
3.3.1 一般檢測路徑之設計方法…………………………………… 50
3.3.2 最佳化之導線架檢測路徑…………………………………… 51
第四章 檢測結果與討論…………………………………………… 52
4.1 刮傷、污染、及蝕刻坑洞之瑕疪檢測………………………… 52
4.1.1 第一階層網路之辨識………………………………………… 52
4.1.1.1 訓練樣本…………………………………………………… 52
4.1.1.2 BPN網路結構……………………………………………… 53
4.1.1.3 網路輸入值之正規化……………………………………… 54
4.1.1.4 網路之收斂結果…………………………………………… 55
4.1.1.5 系統辨識率分析…………………………………………… 56
4.1.2 第二階層網路之辨識………………………………………… 59
4.1.2.1 訓練樣本…………………………………………………… 59
4.1.2.2 BPN網路結構……………………………………………… 59
4.1.2.3 網路之收斂結果…………………………………………… 60
4.1.2.4 系統辨識率分析…………………………………………… 62
4.1.3 系統總辨識率………………………………………………… 63
4.1.4 自動檢測實例………………………………………………… 63
4.2 乾膜殘留之瑕疪檢測…………………………………………… 68
4.3 討論……………………………………………………………… 70
第五章 結論………………………………………………………… 74
5.1 結論……………………………………………………………… 74
5.2 未來展望………………………………………………………… 75
參考文獻……………………………………………………………… 77
附錄A ………………………………………………………………… 79
A.1 刮傷之訓練樣本影像…………………………………………… 79
A.2 蝕刻坑洞之訓練樣本影像……………………………………… 80
A.3 污染之訓練樣本影像…………………………………………… 81
A.4 訓練樣本之特徵值……………………………………………… 83
附錄B ………………………………………………………………… 85
B.1 刮傷之測試樣本影像…………………………………………… 85
B.2 蝕刻坑洞之測試樣本影像……………………………………… 88
B.3 污染之測試樣本影像…………………………………………… 90
附錄C ………………………………………………………………… 95
C.1 蝕刻坑洞樣本之特徵值（第二階層網路訓練用）…………… 95
C.2 污染誤判為蝕刻坑洞之特徵值………………………………… 96
附錄D ………………………………………………………………… 97
D.1 第一組雙階層網路之辨識率…………………………………… 97
D.2 第二組雙階層網路之辨識率…………………………………… 98
D.3 第三組雙階層網路之辨識率…………………………………… 99
D.4 第四組雙階層網路之辨識率…………………………………… 100
D.5 第五組雙階層網路之辨識率…………………………………… 101
D.6 第六組雙階層網路之辨識率…………………………………… 102
D.7 第七組雙階層網路之辨識率…………………………………… 103
D.8 第八組雙階層網路之辨識率…………………………………… 104
D.9 第九組雙階層網路之辨識率…………………………………… 105
D.10 第十組雙階層網路之辨識率…………………………………… 106

1. “電子IC產業現況報告”，TVBS金融中心，產業研究報告，1997。
2. “我國IC製造業發展概況”，合作金庫，業務簡介，1998/9/10。
3. “導線架工業現況”，工業材料，127期，pp.156-159，1997/7。
4. “IC導線架用銅合金板片現況”，金屬工業，31卷4期，pp.17-27，1997/7。
5. “導線架工業現況”，工業材料，127期，pp.156-159，1997/7。
6. “台灣封裝市場與技術發展趨勢”，新電子期刊，pp.142-153，1998/10。
7. 廖家興，“機器視覺在糙米外觀檢驗之應用”，中興大學農業機械工程研究所碩士論文，1995。
8. D. CRUSE and A. WRIGHT, “The use of segmentation and shape recognition techniques in synthetic aperture radar image,” Pattern Recognition Letters, Vol. 5, pp.41-47, 1987.
9. 王昭宏，“影像處理應用於細微表面微粒之自動評估系統”，逢甲大學自動控制工程研究所碩士論文，1996。
10. N. Uozumi, T. et al., “Application of Image Analysis with Neural Network for Plant Somatic Embryo Culture,” Journal of Fermentation and Bioengineering, Vol. 76, No. 6, pp. 505-509, 1993.
11. P. Perner, “A knowledge-based image-inspection system for automatic defect recognition, classification, and process diagnosis,” Machine Vision and Application, Vol. 7, pp. 135-147, 1994.
12. Robert J. Schalkoff, “Pattern Recognition: Statistical, Structural and Neural Approaches,” John Wiiey & Sons. Inc., 1992.
13. 唐為璽，“衝壓件高速檢驗系統－以晶片接腳檢驗為例”，清華大學工業工程研究所碩士論文，1995。
14. 張永弢，“利用統計模型對物體表面缺陷之分類研究”，元智大學工業工程研究所碩士論文，1995。
15. D. D. Kerrick and A. C. Bovik, “Microprocessor-Based Recognition of Handprinted Characters from A Table Input,” Pattern Recognition, Vol. 21, No. 5, pp. 525-537, 1988.
16. 廖子凱，“影像處理應用於鋪面破壞辨識之研究”，台灣大學土木工程研所碩士論文，1994。
17. 楊智超，“類神經網路應用於糙米外觀品質檢測之研究”，中興大學農業機械工程研究所碩士論文，1997。
18. 陳加發，“以類神網路作產品表面瑕疪分類之先導性研究”，中原大學工業工程研究所碩士論文，1994。
19. 吳其昀，“在時域上以類神經網路進行心電圖不整脈辨識”，中原大學醫學工程研究所碩士論文，1991。
20. 蔡玉芬，“應用機器視覺與類神經網路分級玫瑰切花之研究”，中興大學農業機械工程研究所碩士論文，1996。
21. 楊清富、李芳繁，“應用機器視覺進行番茄顏色分級之研究”，農業機械學刊，第三卷，第一期，1994/03。
22. 廖晏生、楊長維、金甘平，“電腦視覺在電路板檢測上的應用”，中國機械工程學會第十四屆全國學術研討會論文集，1996/12，pp. 280-287。
23. 陳嶸列，“應用灰階值強度的方法於晶圓表面自動化檢驗”，清華大學工業工程研究所碩士論文，1996。
24. 張育賢，“利用影像區域特性於晶圓表面瑕疪自動化檢驗”，清華大學工業工程研究所碩士論文，1996。
25. 李見龍，“語音晶片鋁線路之缺陷檢測”，中華大學航空太空工程研究所碩士論文，1998。
26. 謝嘉俊，“機器視覺在車削金屬表面的瑕疪檢驗之研究”，清華大學工業工程研究所碩士論文，1993。
27. 楊坤元，“射線檢測影像數位化與瑕疪、裂紋檢測診斷系統之開發”，成功大學機械工程研究所碩士論文，1992。
28. 羅國軒，“基於影像處理技術的表面缺陷檢測系統”，交通大學資訊科學研究所碩士論文，1994。
29. A. R. Rao, “A Classification Scheme for Visual Detects Arising in Semiconductor Wafer Inspection,” Journal of Crystal Growth, Vol. 103, pp. 398-406, 1990.
30. 邱奕契、陳嘉宏、梁有燈，“導線架機器視覺自動化檢測系統”，中國機械工程學會第十五屆全國學術研討會控制與自動化組論文集，1998/11，pp. 319-326。
31. 高橋政信，“導線架加工用線上衝壓畫像處理檢查系統”，機械儀表與測量技術，35(3)，1997/3，pp.60-64。
32. 王鵬凱、蔡篤銘，“用機器視覺於導線架製程之品質自動監控”，第十屆全國自動化科技學術研討會論文集，1997/10，pp.79-86。
33. 邱奕契、梁有燈，“次像素圓孔尺寸量測方法的比較”，中國機械工程學會第十五屆全國學術研討會製造與材料組論文集，pp. 175-182，1998/11。
34. R. C. Gonzalez, “Digital Image Processing,” Addison Wesley, 1993.
35. 邱奕契、柯文龍、陳嘉宏，“視覺輔助定位機器人系統之研究”，第十屆全國自動化科技研討會，pp. 423-430，1997/10。
36. Wen-Hsiang Tsai, “Moment-Preserving Thresholding: A New Approach,” Computer Vision, Graphic, and Image Processing, Vol. 29, p.p. 377-393, 1985.
37. 楊武智，“影像處理與辨認”，全華圖書，pp.98-100。
38. Judith E. Dayhoff, “Neural Network Architectures: An Introduction,” International Thomson Computer Press, America, 1990.
39. Simon Haykin, “Neural Networks , A Comprehensive Foundation ,” McMaster University, Hamilton, Ontario, Canada, 1994.
40. Dan W. Patterson, “Artificial Neural Networks: Theory and Applications ,” PRENTICE HALL, 1996.