臺灣博碩士論文加值系統

曲型鏡面相較於平面鏡面具有較高反射性、增加鏡面成像視野等特性，目前已廣泛應用於汽機車用後視鏡及道路週邊之安全反射鏡，讓駕駛人員透過鏡面反射更能掌握行車路況而降低行車的危險性。在曲型車用後視鏡的生產製程中，後視鏡在製品常因烘曲時受到爐內溫度變化及玻璃成形拉曲等因素影響而產生歪斜瑕疵。具歪斜瑕疵的鏡面其對物件的成像會產生明顯的變形，而變形所造成的歪斜程度不易以量化方式表示，加上曲型鏡面具有高反射之特性，對於不同程度之歪斜瑕疵的認定，更增加分辨上的難度。因此本研究提出一曲型鏡面玻璃的自動化歪斜瑕疵檢驗方法，利用曲型鏡面具高反射之特性，使用棋盤式方格狀標準檢驗板反射於鏡中之成像進行影像擷取，其成像圖案會因受測鏡面是否具有不同程度歪斜瑕疵而產生相對應的成像變形。
本研究利用棋盤式標準檢驗板之60個線段的交點將歪斜瑕疵之變形程度進行量化，並計算各交點與中心點的距離為特徵值，接著比較此特徵值與正常成像所對應之距離，並計算其各對應的距離歪斜偏移量。最後將此歪斜偏移量透過微量偏移管制法偵測，其可有效判斷鏡面玻璃是否存在歪斜瑕疵。本研究實驗樣本分為兩階段實驗，第一階段以小樣本數量85張，用以決定較佳參數的範圍，另外，在第二階段為大樣本實驗，主要使用第一階段較佳參數範圍實驗，該階段使用386張待測影像進行曲型鏡面玻璃之歪斜瑕疵偵測，實驗結果顯示本研究所提方法其正常樣本誤判率為4.41%，而瑕疵檢出率達98%，此自動化方法具有顯著性的檢驗效果。

Comparing with plane car mirrors, curved car mirrors have characteristics of higher reflectance and wider field of view. Currently, the curved mirrors have been widely used in vehicle rearview mirrors and security mirrors on the driving roads and make drivers have better fields of views and driving information. In the production process of curved car mirrors, mirrors with surface distortion defects results from the unstable temperature changes of ovens and inappropriate control of over-flow fusion process. It is not easy to measure the magnitudes of distortion defects on curved car mirrors. Furthermore, the curved mirrors with the property of higher reflection increase the difficulty of discrimination of surface distortion defects on car mirrors.

This study proposes a novel approach based on small-shift control scheme to inspect surface distortion defects on curved car mirrors. In order to quantize the deformation (degree of distortion) of a car mirror, a standard inspection pattern (checkerboard grids) is designed to reflect the pattern on a testing car mirror for image acquisition. The reflected pattern image of a defective mirror with distortion is compared with that of a normal mirror for quantifying the deformation and locating the distortion defects. We first detect the intersection points of the standard inspection pattern, then measure the distances of the intersection points from the origin, and calculate the distance deviations of the corresponding intersection points between the defective and normal images. Finally, we apply the small-shift control schemes, the cumulative sum (CUSUM) method and the exponentially weighted moving average (EWMA) method, to judge the existence of the distortion defects based on the accumulative deviation distances. Experimental results show that the proposed methods achieves a high 98% probability of correctly discriminating distortion defects on curved car mirrors.

摘要 I
Abstract II
誌謝 III
目錄 IV
圖目錄 VII
表目錄 X
第一章 緒論 1
1.1 研究背景 1
1.2 鏡面玻璃簡介 1
1.3 鏡面玻璃檢測規範及瑕疵類型 3
1.4 現行人工與視覺檢測方法 6
1.4.1現行人工檢測方法 7
1.4.2現行視覺檢測方法 8
1.5 鏡面玻璃檢測之困難與限制 9
1.6 研究動機與目的 11
1.7 論文架構 12
第二章 文獻探討 13
2.1 自動化視覺檢測 13
2.2 玻璃檢測 14
2.2.1透明玻璃瑕疵檢測 14
2.2.2鏡面玻璃瑕疵檢測 15
2.3 歪斜瑕疵之檢測 15
2.4 微量偏移管制法 16
2.5 類神經網路之相關研究 17

第三章 研究方法之相關學理 19
3.1 空間域影像處理 19
3.1.1影像二值化Otsu 19
3.1.2標準檢驗板距離特徵值之計算 22
3.2 修華特管制法 23
3.3 微量偏移管制法 25
3.2.1累積和管制法 25
3.2.2指數加權移動平均法 27
3.4 倒傳遞類神經網路 29
3.5 現行視覺檢測方法 35
第四章 研究流程與學理應用 37
4.1 鏡面玻璃影像擷取與前處理 39
4.2 空間域影像處理 42
4.2.1影像Otsu二值化方法 42
4.2.2棋盤式標準檢驗板影像特徵點中心位置之自動化找尋 44
4.3 標準檢驗板之類型對於檢驗結果之影響 46
4.2.1同心圓標準檢驗板 47
4.2.2棋盤式標準檢驗板 48
4.4 微量偏移管制法 52
4.4.1累和管制法檢測歪斜瑕疵 52
4.4.2指數加權移動平均管制法 54
4.5 倒傳遞類神經網路 57
第五章 實驗與結果分析 63
5.1 影像擷取系統與檢測軟體開發 64
5.2 歪斜與表面瑕疵偵測之效益評估指標 65
5.3 實驗樣本數量與績效評估標準 66
5.4 曲型車用後視鏡歪斜表面瑕疵檢測系統之參數設定 68
5.4.1小樣本實驗階段 68
5.4.2大樣本實驗階段 74
5.5 不同瑕疵檢測方法之效益比較 82
5.5.1修華特(Shewhart)管制法 82
5.5.2現行視覺檢測方法 85
5.5.3倒傳遞類神經網路 87
5.5.4本研究各方法之實驗結果彙整說明 94
5.6 敏感度分析 95
5.6.1不同標準檢驗板類型對於歪斜瑕疵偵測率之探討 95
5.6.2同心圓與棋盤式之標準檢驗板於現行視覺檢測方法結果之探討 98
5.6.3 類神經網路資料前處理類型對於檢測結果之探討 100
5.6.4 棋盤式影像特徵點取點使用質量中心與座標之差異 103
第六章 研究成果與未來研究方向 106
6.1 結論 106
6.2 未來研究方向 107
參考文獻 109

圖1 鏡面玻璃於生活中之應用(圖片來源網路) 2
圖2 車用後視鏡之生產流程 3
圖3 各種車用鏡面玻璃之產品表面檢驗規格區 4
圖4 車用後視鏡之成像 4
圖5 品檢員使用現行目視方法檢驗瑕疵的成像 7
圖6 電腦車鏡歪斜率測試儀之介紹 8
圖7 現行視覺檢測方法之檢驗板成像說明 8
圖8 現行視覺檢驗方法之實驗流程 9
圖9 車用後視鏡之實體影像 10
圖10 鏡面具反射特性所造成之干擾 10
圖11 同心圓標準檢驗板定位之影響 11
圖12 影像閥值切割之示意圖 20
圖13 距離之輪廓示意圖 22
圖14 距離之輪廓示意圖 23
圖15 X-BAR管制圖 24
圖16 BPN模式之基本網路架構 29
圖17 雙彎曲函數圖 31
圖18 雙曲線正切函數 31
圖19 現行視覺檢測方法採用同心圓標準檢驗板之特徵點定義 35
圖20 本研究曲型鏡面玻璃在製品之歪斜瑕疵檢測流程圖 38
圖21 使用梯形遮罩於曲型鏡面玻璃拍攝之硬體設備與實驗設置 39
圖22 是否使用適度光源輔助之拍攝影像 39
圖23 梯形遮罩之三視圖及實際拍攝圖 40
圖24 棋盤式標準檢驗板之詳細規格 40
圖25 生產線上使用兩台鏡頭於曲型鏡面玻璃在製品之拍攝示意圖 41
圖26 曲型鏡面玻璃表面分區塊拍攝後的合併影像 42
圖27 棋盤式標準檢驗板經由OTSU方法二值化之前後差異比較 43
圖28 棋盤式標準檢驗板經由OTSU方法獲得之閥值位置 44
圖29 棋盤式標準檢驗板之各方格點位置與對應之符號 44
圖30 刪除棋盤式最外圈(I3,J)之特徵點示意圖說明 45
圖31 刪除棋盤式中間圈(I2,J)之特徵點示意圖說明 46
圖32 同心圓標準檢驗板之規格 47
圖33 同心圓標準檢驗板之正常與歪斜成像 47
圖34 同心圓之各特徵點位置圖 48
圖35 同心圓最內圈之特徵點編號順序 48
圖36 棋盤式標準檢驗板之拍攝成像 49
圖37 棋盤式檢驗板特徵值定義 50
圖38 棋盤式檢驗板特徵值擷取順序 50
圖39 棋盤式標準檢驗板之正常影像特徵值分佈圖 50
圖40 棋盤式正常影像之偏移量輸入至CUSUM管制法偵測之結果 53
圖41 棋盤式瑕疵影像之偏移量輸入至CUSUM管制法偵測之結果 54
圖42 棋盤式正常影像之偏移量輸入至EWMA管制法偵測之結果 56
圖43 棋盤式瑕疵影像之偏移量輸入至EWMA管制法偵測之結果 56
圖44 本研究BPN網路模式學習與調整之流程圖 57
圖45 倒傳遞類神經網路架構 58
圖46 本研究之實驗架構 63
圖47 本研究所開發軟體之使用者操作介面 65
圖48 表格化累和管制法之ROC曲線(小樣本檢測) 70
圖49 標準化累和管制法之ROC曲線(小樣本檢測) 71
圖50 EWMA管制法之ROC曲線(小樣本檢測) 73
圖51 CUSUM與EWMA之ROC曲線比較(小樣本檢測) 73
圖52 表格化累和管制法之ROC曲線(大樣本檢測) 77
圖53 標準化累和管制法之ROC曲線(大樣本檢測) 79
圖54 表格化與標準化累和管制法之ROC曲線(大樣本檢測) 79
圖55 EWMA管制法之ROC曲線(大樣本檢測) 82
圖56 SHEWHART管制法於歪斜瑕疵分類之ROC曲線(L=2~5) 83
圖57 SHEWHART管制法於歪斜瑕疵分類之ROC曲線(L=3.5~4.5) 84
圖58 現行視覺檢測方法用於大樣本正常影像之偵測結果 85
圖59 現行視覺檢測方法用於大樣本瑕疵影像之偵測結果 86
圖60 現行視覺檢測方法之大樣本判斷結果 86
圖61 倒傳遞類神經網路架構 87
圖62 倒傳遞網路收斂過程圖 89
圖63 學習率設定與績效評估指標之ROC曲線 90
圖64 BPN神經網路各參數組合結果之ROC曲線 91
圖65 BPN網路學習率對於MSE之影響 93
圖66 同心圓與棋盤式標準檢驗板之涵蓋面積示意圖 95
圖67 同心圓與棋盤式檢驗板於現行視覺檢驗方法之效益結果 99
圖68 訓練與測試數據正規化方式對於結果之影響 102
圖69 三種獲得特徵點資訊方法的ROC曲線 105

表1 玻璃製品種類及用途整理 2
表2 車用後視鏡常見四種表面瑕疵類型之特性說明 5
表3 表面瑕疵與歪斜瑕疵之特性說明與比較表 6
表4 同心圓及棋盤式標準檢驗板之特性比較說明 51
表5 本研究之實驗樣本數量彙整表 66
表6 本研究實作之相關檢測方法的參數對照表 67
表7 微量偏移CUSUM管制法之參數設定(小樣本檢測) 68
表8 表格化累和管制法於小樣本檢測之績效評估結果 69
表9 標準化累和管制法於小樣本檢測之績效評估結果 71
表10 微量偏移EWMA管制法之參數設定(小樣本檢測) 72
表11 EWMA管制法參數與檢測結果之影響(小樣本檢測) 72
表12 使用微量偏移管制法之偵測效益結果(小樣本檢測) 74
表13 大樣本實驗之樣本數彙整表 74
表14 微量偏移CUSUM管制法之參數設定(大樣本檢測) 75
表15 表格化累和管制法之不同參數設定與檢測結果對照表(大樣本檢測) 76
表16 標準化累和管制法之不同參數設定與檢測結果對照表(大樣本檢測) 78
表17 表格化與標準化累積和之效益評估結果比較表 80
表18 微量偏移EWMA管制法之參數設定(大樣本檢測) 81
表19 EWMA管制法參數與檢測結果之影響(大樣本檢測) 81
表20 使用SHEWHART管制法於歪斜瑕疵分類之績效評估(L=2~5) 83
表21 使用SHEWHART管制法於歪斜瑕疵分類之績效評估(L=3.5~4.5) 84
表22 現行視覺檢測方法之樣本判斷結果(參數設定與結果) 86
表23 本研究採用BPN模式之參數設定表 88
表24 本研究使用類神經網路分類實驗之大樣本數量彙整表 88
表25 BPN初始訓練參數設定 88
表26 學習率與績效評估指標之結果 90
表27 不同學習率與隱藏層數目對於分類結果之影響 91
表28 不同學習率與隱藏層數目對於分類結果之影響 92
表29 類神經網路之較佳參數組合彙整(大樣本偵測) 93
表30 本研究各方法之實驗結果彙整說明 94
表31 使用同心圓檢驗板於標準化累和管制法之績效評估 96
表32 EWMA管制法參數與檢測結果之影響(同心圓小樣本檢測) 97
表33 不同管制法與檢驗板之偵測結果 98
表34 同心圓檢驗板於現行視覺檢驗方法之參數設定與結果 98
表35 棋盤式檢驗板於現行視覺檢驗方法之參數設定與結果 99
表36 不同標準檢驗板於現行視覺檢驗方法之結果 99
表37 資料正規化類型對於類神經網路之分類結果 101
表38 正規化類型對於檢出率之數量統計 102
表39 兩種方法獲得特徵點資訊之CUSUM參數 104
表40 兩種方法獲得特徵點資訊的績效評估 104

[1]Adamo, F., F. Attivissimo, A. Di. Nisio, M. Savino, “A low-cost inspection system for online defects assessment in satin glass,” Measurement, Vol.42, pp. 1304-1311 (2009).
[2]Bissell, A. F., “CUSUM techniques for quality control,” Applies Statistics, 18, 1-30 (1969).
[3]Chang, C. A., H. D. Lin, C. C. Lo, “Tests of pattern change for automated detection of printing faults using computer vision systems”, International Journal of Industrial Engineering, Vol.4 , pp.5-13, (1997).
[4]Cheng, C. S., Cheng, S. S., “Aneuralnetwork-based procedure for the monitoring of exponential mean,”Computer and Industrial Engineering, 40,309-321, (2001).
[5]Chen, Y. C., J. H. Yu, M. C. Xie, and F. J. Shiou, “Automated optical inspection system for analogical resistance type touch panel,” International Journal of the Physical Sciences, Vol.55, pp.1099-1110, (2011).
[6]Chiou, Y. C., “Intelligent segmentation method for real-time defect inspection system,” Computers in Industry, pp. 646-658 (2010).
[7]Crowder, S.V., “A Simple Method for Studying Run-Length Distributions of Exponentially Weighted Moving Average Charts,” Technometrics, Vol. 29(4), pp. 401-407,(1987) .
[8]Cox. D. R., “Prediction by Exponentially Weighted Moving Averages and Related Methods”. Journal of the Roal Statistical Society, Serise B, Vol. 23, No.2, pp. 414~442, (1961).
[9]Duan, M. L., K. X. Wu, ”New method of correcting barrel distortion on lattice model,” Journal of Computer Applications, pp.1113-1115 (2012).
[10]Gerard, I., “Automatic Inspection Systems for the Flat Glass Industry”, IEEE 89CH2792-0/89/0000-1370, pp. 1370-1374 (1989).
[11]Gonzalez, R. C., R. E. Woods, Digital Image Processing (3/e), Pearson Education, Upper Saddle River, New Jersey. (2008).
[12]Kang, H., N. Hur, S. Lee, H. Yoshikawa, “Horizontal parallax distortion in toed-in camera with wide-angle lens for mobile device”, Optics Communications 281, pp.1430-1437, (2008).
[13]Li, W. C., and D.M. Tsai, “Wavelet-based defect detection in solar wafer images with inhomogeneous texture”, Pattern Recognition, Vol.45, pp.742-756, (2012).
[14]Lin, H. D., “Automated visual inspection of ripple defects using wavelet characteristic based multivariate statistical approach,” Image and Vision Computing, Vol. 25, Issue 11, pp.1785-1801, (2007).
[15]Lin, H. D., “Computer-aided visual inspection of surface defects in ceramic capacitor chips,” Journal of Materials Processing Technology, Vol. 189, Issues 1-3, pp.19-25, (2007).
[16]Lin, H. D., D. C. Ho, “Detection of pinhole defects on chips and wafers using DCT enhancement in computer vision systems,” International Journal of Advanced Manufacturing Technology, Vol. 34, No. 5-6, pp.567-583 (2007).
[17]Lin, H. D., “Tiny surface defect inspection of electronic passive components using Discrete Cosine Transform decomposition and cumulative sum techniques,” Image and Vision Computing, Vol. 26, Issue 5, pp.603-621, (2008).
[18]Lin, H. D., Huan-Hua Tsai, “Automated quality inspection of surface defects on touch panels,” Journal of the Chinese Institute of Industrial Engineers, Vol. 29, No. 5, pp.291-302, (2012).
[19]Liu, H., Y. Wang, F. Duan, “Glass bottle inspector based on machine vision”, International Journal of Computer Systems Science and Engineering, No.3:3, pp.162-167 (2008).
[20]Lucas, J. M., “Combined Shewhart-CUSUM quality control schemes,” Journal of Quality Technology, Vol.14, pp. 51-59 (1982).
[21]Ma, H. M., G. D. Su, J. Y. Wang, Z. Ni, “A glass bottle detection system without touching”, Conference on Machine Learning and Ccybernetics, pp.628-632, (2002).
[22]Montgomery, D. C. Introduction to Statistical Quality Control (6e), John Wiley & Sons, Inc. (2009).
[23]Ngo, H. T., V. K. Asari, ”A Pipelined Architecture for Real-Time Correction of Barrel Distortion in Wide-Angle Camera Images”, IEEE Transactions on Circuits and Systems for Video Technoglogy, Vol.15, pp.436-444, (2005).
[24]Oh, C. H., Joo, and K. H.Yang, and R. A. Pierson, “Texture characterization using robust statistic,” Pattern Recognition, Vol.27, pp.119-134, (1994).
[25]Page, E. S., “Cumulative sum charts,” Technometrics, 3,.1-9, (1961).
[26]Perng, D. B., C. C. Chou, S. M. Lee, “Design and development of a new machine vision wire bonding inspection system”, International Journal of Advanced Manufacturing Technology, Vol.34, pp.323-334, (2006).
[27]Perng, D. B., W. C. Wang, S. H. Chen, “A novel quasi-contact lens auto-inspection system”, Journal of the Chinese Institute of Industrial Engineers, Vol.27, No.4, pp.260-269, (2010).
[28]Perng, D. B., S. H. Chen, Y. S. Chang, “A novel internal thread defect auto-inspection system”, The International Journal of Advanced Manufacturing Technology, Vol.47, pp.731-743, (2010).
[29]Perng, D. B., S. H. Chen, “Directional textures auto-inspection using discrete cosine transform”, International Journal of Production Research, Vol.49, No.23, pp.7171-7187, (2011).
[30]Prybutok, V. R., J. Yi and D. Mitchell, “Comparison of Neural Network Models with ARIMA and Regression Models for Prediction of Houston’s Daily Maximum Ozone Concentration”, European Journal of Operational Research, Vol. 122, pp. 31-40, (2000).
[31]Rafael Vilar , Juan Zapata , Ramo’n Ruiz, “An automatic system of classification of weld defects in radiographic images”, NDT&E International 42 , pp.467-476, (2009).
[32]Roberts, S. W., “Control Chart Tests Based on Geometric Moving Averages”, Technometrics, Vol. 1, (1959).
[33]Schmidt, T., SteffenWerner, Jorn Diedrichsen, “Spatial distortions induced by multiple visual landmarks: How local distortions combine to produce complex distortion patterns,” Perception & Psychophysics, pp.861-873, (2003).
[34]Smith, L. N., M. L. Smith, “Automatic machine vision calibration using statistical and neural network methods”, Image and Vision Computing 23 ,pp.887-899, (2005).
[35]Swets, J. A., “Is there a sensory threshold?,” Science, New Series, Vol.134, No.3473, pp.168-177, (1961) .
[36]Tsai, D. M., C. Y. Hsieh, “Automated surface inspection for directional textures,” Image and Vision Computing, Vol.18, pp.49-62, (1999).
[37]Tsai, D. M., T. Y. Huang, “Automated surface inspection for statistical textures”, Image and Vision Computing, Vol.21, pp.307-322, (2003).
[38]Tsai, D. M., S. M. Chao, “An anisotropic diffusion-based defect detection for sputtered surfaces with inhomogeneous textures”, Image and Vision Computing, Vol.23, pp.325-338, (2005).
[39]Tsai, D. M., S. T. Chuang, Y. H. Tseng, “One-dimensional-based automatic defect inspection of multiple patterned TFT-LCD panels using Fourier image reconstruction”, International Journal of Production Research, Vol.45, pp.1297-1321, (2007).
[40]Wonga, W. K., C.W.M. Yuen , D.D.Fan , L.K.Chan , E.H.K. Fung, “Stitching defect detection and classification using wavelet transform and BP neural network”, Expert Systems with Applications 36 ,pp.3845-3856, (2009) .
[41]Woods, K., and K.W. Bowyer, “Generating ROC curves for artificial neural networks,” IEEE Trans. Medical Imaging, Vol. 16, No.3, pp.329-337, (1997).
[42]Wu, B., J. B. Yu, “A neural network ensemble model for on-line monitoring of process mean and variance shift in correlated process”,Expert Systems with Application37, pp.4058-4068,(2010).
[43]Yang, Ni, Wang, Yu-tian, Lin, Xiao-lin, Lv, Jiang-tao, and Pan, Zhao, “Study on a Novel Laser Measurement System for Float Glass Thickness”, Proceedings of 2008 IEEE International Conference on Mechatronics and Automation, 978-1-4244-2632-4/08, pp. 179-184, (2008).
[44]Yu, F. J., Y. Y. Yang, M. J. Wang, Z. Wu, “Using EWMA control schemes for monitoring wafer quality in negative”, Microelectronics Reliability 51,pp.400-405,(2011).
[45]Zhang, C., J. P. Helferty, G. McLennan, and W. E. Higgins, "Nonlinear distortion correction in endoscopic video images", IEEE ICIP-2000, Vol. 34, pp.II-439 -II-442( 2000).
[46]沈瑞蓉，｢應用多品質特性之SPC-EPC 系統於隧道窯爐溫控制之製程管制探討-以陶瓷電容之介電瓷粉製程為例｣，碩士論文，朝陽科技大學工業工程與管理研究所，林宏達教授指導，(2003年)。
[47]吳瑞堯、張鈞亮，｢運用行駛中車輛拍攝之影像進行車牌辨識之研究｣，碩士論文， 世新大學資訊管理研究所，(2012年)。
[48]李英達，｢TFT-LCD 小尺寸面板之玻璃表面瑕疵的自動強化及檢測｣，碩士論文，成功大學資訊工程學系，連震傑教授指導，(2005年)。
[49]林宏達，謝冠申，「曲型車用後視鏡歪斜瑕疵之自動化品質檢測」，2012 工業工程學會年會暨學術研討會，彰化，第94-101頁（2012）。
[50]柯紳彥，｢應用衛星影像決定波向線及估算水深之初步探討｣，碩士論文，交通大學土木工程學系研究所，張憲國教授指導，(2012年)。
[51]黃智政，「應用區塊離散餘弦轉換搭配灰預測模式檢測車用平面鏡面玻璃可視瑕疵」，碩士論文，朝陽科技大學工業工程與管理所，林宏達教授指導，(2009年)。
[52]廖英翔，｢印刷電路板佈線弧度之自動化檢測與製程管制探討－以具可撓曲特性之軟性電路板為例｣，碩士論文，朝陽科技大學工業工程與管理研究所，林宏達教授指導，(2002年)。
[53]劉繼煥，｢基層陶瓷電容製程中電容晶片端面弧度之自動化檢測與製程管制探討｣，碩士論文，朝陽科技大學工業工程與管理研究所，林宏達教授指導，(2000年)。
[54]葉怡成，類神經網路模式應用與實作，儒林圖書，台北(2003)。
[55]陳韋吉，｢透明玻璃之自動化可視瑕疵檢測｣，碩士論文，朝陽科技大學工業工程與管理研究所，林宏達教授指導，(2011年)。
[56]鄭春生，品質管理，三民書局，(1993年)。
[57]蘇朝墩，品質管理，前程文化事業有限公司，(2010年)。
[58]PChome 個人新聞台，交通事故為人為疏失
http://mypaper.pchome.com.tw/car_teacher_607/post/1322510600.
[59]中華徵信所之台灣玻璃工業簡介
http://www.credit.com.tw/CreditOnline/cfcontent/industrial/weekly/index.cfm?sn=208
[60]生活百科，愛車一族，怎樣才能用好汽車後鏡
http://www.shbk365.com/02automobile/jiashijishu/jstt/j093650806232018.asp
[61]清華大學品質研究中心，統計品質管制，作者：周昭宇、林裕章
http://mx.nthu.edu.tw/~ctsu/QRC/studyQ/control_chart/.
[62]福華明鏡股份有限公司
http://www.fu-hwa.com.tw/c-index.htm