臺灣博碩士論文加值系統

近年來面板被大量的使用，使得其需求量大增，因此所有面板廠無不增加面板產量和研發新尺寸。然而在面板的製造流程中，面板常會因外在環境及機台本身之因素出現瑕疵（defect），造成面板良率下降、成本增加，為了改善此問題，目前面板廠皆設有線中檢查機制，即在製造流程中進行玻璃基板抽樣檢查的工作，以防止大量不良面板之發生，但目前的檢查機制僅能進行抽檢動作，且皆為人工處理，為取代人力、增加處理速度，讓面板進行全檢並即時傳送相關資訊給線上工程師，因此發展一套即時且自動化之檢查機台系統是有必要的。
本論文為改善線中檢查機制，提昇面板廠之良率，因此發展了一套自動化之瑕疵偵測及辨識系統，藉由使用影像處理技術、統計方法、紋理特徵值抽取和類神經網路等方法，針對檢查機台所拍攝之瑕疵影像進行分類。為符合面板廠的使用需求，因此利用中華映管面板廠所提供之瑕疵影像進行分析及辨識，在此本論文主要針對檢查機台在陣列電路工程中、第二道光罩微影製程中所拍攝到之瑕疵影像進行分析與辨識，發展了一個『島狀半導體光罩中微影製程瑕疵影像辨識系統』。此系統可以對『閘電極-儲存電容短路』、『SE殘』、『SE殘連橫』、『異物』、『塗佈異常』、『刮傷』、『膜浮起及膜剝落』、『皺膜剝及皺膜浮』等瑕疵影像進行分析及辨識，讓瑕疵分類達到自動化。
經由實驗測試可知，將面板廠所提供之987張瑕疵影像輸入『島狀半導體光罩中微影製程瑕疵影像辨識系統』進行分析及辨識，整體辨識率可達97％以上，且達到高速辨識(4秒) 之目的，即顯示整套系統能有效的針對上述的瑕疵影像進行快速且精準的分類，以防止面板再發生相同瑕疵，並達到工廠降低成本提高良率的要求。

For panel companies today, reducing their costs and increasing company revenues by raising the yield rate of panels is one of their most important goals. One of the major factors hugely affecting the quality of panels is the process of making panels. Though all of panel-making processes are practiced in dust-free rooms, and all factories have tried their best to reduce the influences of outside factors to the least degree, defects do occur in the process, either because of the falling-down of particles, or because of equipment failure. As a result, companies make defected products. For example, some of the defects are bright spots or bright lines that do not change color for a long time. Less serious defects could be repaired by laser; more serious ones make the product being abandoned. This is an unnecessary waste of resources for a company. As a result, if mistakes could be found in time in the process of array engineering and get fixed or prevented, the yield rate of panels would thus be increased, and the cost decreased.
Most companies set up quality control departments to increase the yield rate of their products. They are meant to perform manual defect classification when the process is practiced to a certain stage, intending to call a stop before major mistakes occur. However, in order to reduce the influences of human factors, to accelerate the speed of processing, and to achieve the goal of a full inspection, an automatic inspection system is in great need.
The purpose of this study is to provide an automatic defect recognition system. In this study, we consult theories of digital image processing techniques, statistic textured feature extraction, data mining, and neural network. We want our system to automatically classify defect images shot by inspection machines, with the intension of increasing the yield rate of products. We focus on the analysis and recognition of defect images shot by inspection machines in array engineering, during the lithography process in the third mask, and devised a “Defect Recognition System for the Lithography Process Inspection in the SE(Semiconductor Electrode)-Mask” in the study. This system is able to automatically classify nine common defect images, providing a real-time automatic defect classification. The above-mentioned defect images are all offered by a panel company.
The experimental results show that, among the 987 defect pictures offered by a listed panel company in Taiwan, the “Defect Recognition System for the Lithography Process Inspection in the SE-Mask” achieves a recognition rate higher than 97%. This means that our system is able to classify the nine defect images above promptly and accurately, to prevent the same defects occur in panels-to-come during the lithography process, and is capable of increasing the accuracy of inspection and the yield rate in panel processing. Moreover the developed system is also to classify one defect image within 4 second, which means that the goal of high-speed defect inspection is achieved.

目錄
摘要 I
Abstract II
誌謝 IV
目錄 V
圖索引 VIII
表索引 XI
第一章 緒論 1
1.1 前言 1
1.2 研究動機與目的 2
1.3 文獻回顧 2
1.4 研究方法 3
1.5 本文之貢獻 4
1.6 本文架構 4
第二章 文獻探討 6
2.1 顯示器面板製造背景簡介 6
2.2 線中檢查機制之問題描述及解決方法 8
2.3 瑕疵影像介紹及發生原因 11
2.3.1 發生於GE光罩之瑕疵影像 13
2.3.2 發生於SE光罩之瑕疵影像 14
第三章 瑕疵辨識系統設計原理 23
3.1 影像前處理技術 23
3.1.1 灰階化 23
3.1.2 Otsu統計式門檻值決定法 23
3.1.3 二值化 25
3.1.4 膨脹 26
3.1.5 侵蝕 26
3.1.6 斷開運算 27
3.1.7 投影 27
3.1.8 連通物件標籤法 27
3.1.9 面積過濾 28
3.1.10 HSV色彩空間 28
3.1.11 色彩動差 29
3.1.12 紋理 29
3.2 倒傳遞類神經網路 32
3.2.1 倒傳遞類神經網路介紹 32
3.2.2 利用倒傳遞類神經網路於特徵值分類 34
第四章 瑕疵影像辨識系統分析流程 37
4.1 瑕疵影像辨識系統流程架構圖 37
4.2 瑕疵影像辨識系統流程設計原理 38
第五章 軟硬體系統說明及實驗結果與討論 61
5.1 系統在陣列電路工程中的判斷流程 61
5.2 系統軟硬體說明 64
5.3 系統人機介面展示暨功能說明 64
5.4 實驗影像資訊 68
5.5 倒傳遞類神經網路訓練結果及分析 69
5.5.1 步驟五中類神經網路參數訓練及辨識率比較 69
5.5.2 步驟五實驗結果之討論 69
5.5.3 步驟六中類神經網路參數訓練及辨識率比較 71
5.5.4 步驟六實驗結果之討論 71
5.6 『島狀半導體光罩中微影製程瑕疵影像辨識系統』辨識率測試 74
5.6.1 『島狀半導體光罩中微影製程瑕疵影像辨識系統』實驗結果之討論 74
5.7 『島狀半導體光罩中光微影製程瑕疵影像辨識系統』的速率測試 75
第六章 結論與未來工作 76
6.1 結論 76
6.2 未來工作 76
參考文獻 78

圖索引
圖2-1 薄膜電晶體液晶平面顯示器陣列電路工程之製造流程 6
圖2-2 薄膜電晶體液晶平面顯示器之五道光罩 7
圖2-3 線中檢查機制之流程圖 8
圖2-4 SE光罩配線圖案介紹 12
圖2-5 島狀區域及島狀半導體主線圖案介紹 12
圖2-6 在SE製程拍攝到之GE圖案介紹 13
圖2-7 『閘電極與儲存電容短路』瑕疵影像 14
圖2-8 『SE殘』瑕疵影像 15
圖2-9 『SE殘連橫』瑕疵影像 17
圖2-10 『塗佈異常』瑕疵影像 18
圖2-11 『膜浮起及膜剝落』瑕疵影像 19
圖2-12 『皺膜浮及皺膜剝』瑕疵影像-大面積氣泡導致膜塌陷後而形成 20
圖2-13 『皺膜浮及皺膜剝』瑕疵影像-異物將大面積的膜撐破後而形成 20
圖2-14 『刮傷』瑕疵影像 21
圖2-15 『異物』瑕疵影像 22
圖3-1 尋找最佳門檻T* 24
圖3-2 類神經元的模型（虛線的部分即為類神經元） 32
圖3-3 倒傳遞網路模型（圓圈的部分代表神經元） 33
圖3-4 倒傳遞類神經網路訓練過程流程圖 34
圖4-1 系統流程架構圖 37
圖4-2 步驟一之流程圖 38
圖4-3 彩色測試影像 39
圖4-4 彩色影像做灰階化之灰階影像 39
圖4-5 灰階影像做二值化之二值化影像 40
圖4-6 做3*3遮罩斷開運算之二值化影像 40
圖4-7 二值化影像對X軸投影之投影圖 41
圖4-8 二值化影像對Y軸投影之投影圖 42
圖4-9 島狀半導體主線投影值未超過門檻界線之投影圖 43
圖4-10 島狀半導體主線投影值部分未過門檻界線之投影圖 43
圖4-11 步驟二之流程圖 44
圖4-12 經式(4 3)處理後之二值化影像 46
圖4-13 將圖4-12作5*5遮罩侵蝕之影像 46
圖4-14 判定為『SE殘連橫』 46
圖4-15 判定為『塗佈異常』 47
圖4-16 步驟三之流程圖 47
圖4-17 判定為『塗佈異常』 48
圖4-18 步驟四之流程圖 49
圖4-19 二值化影像中沒有任何白色區域保留下來 50
圖4-20 二值化影像中有殘留的白色島狀區域 50
圖4-21 二值化影像中有大面積的瑕疵被保留下來 51
圖4-22 步驟五之流程圖 51
圖4-23 『C型SE殘連橫』被找出之最大白色區域影像 52
圖4-24 『C型SE殘連橫』 52
圖4-25 『C型SE殘』 52
圖4-26 『B型異物』 52
圖4-27 『皺膜剝及皺膜浮』 53
圖4-28 『島狀區域』 53
圖4-29 『C型SE殘連橫』之轉換後V值影像 53
圖4-30 『C型SE殘連橫』瑕疵區域之原始二值化影像 54
圖4-31 步驟六之流程圖 56
圖4-32 二值化影像分別對X、Y軸做投影，並取最大投影值之0 6倍為界 57
圖4-33 彩色影像之小區塊自動切割 57
圖4-34 灰階影像之小區塊自動切割 57
圖4-35 二值化影像之小區塊自動切割 58
圖4-36 此張影像被判定『SE殘』－紅框為小區域被判為正常，藍框為小區域被判為SE殘 59
圖4-37 此張影像被判定『刮傷』－紅框為小區域被判為正常，藍框為小區域被判為刮傷，黑框為異物 59
圖4-38 此張影像被判定『正常』－紅色框框為小區域被判為正常 60
圖5-1 『島狀半導體光罩中微影製程瑕疵影像辨識系統』在陣列電路工程之作動流程圖 63
圖5-2 『島狀半導體光罩中微影製程瑕疵影像辨識系統』開啟時的初始畫面 66
圖5-3 按下初始畫面中的「輸入圖檔」按鈕後，會出現所有待測瑕疵照片之對話框 66
圖5-4 選擇對話框中的檔案後，該照片會顯示在畫面中，且該張照片取得之相關資訊也顯示於左側 67
圖5-5 按下「檢測」紐後，系統即開始進行瑕疵辨識，結果會顯示於「檢測結果」欄位內。照片中有瑕疵的區域也會被白線框起，並自動將瑕疵區域顯示在另一個圖框中 67
圖5-6 SE殘分類為異物之錯誤影像 70
圖5-7 SE殘分類為皺膜剝及皺膜浮之錯誤影像 70
圖5-8 膜浮起及膜剝落分類為異物之錯誤瑕疵影像 73
圖5-9 刮傷影像中被判為異物之小區塊影像-白框小區塊被判定為異物 73

表目錄
表2-1 瑕疵依照製程發生之機率高低 11
表2-2 瑕疵影像資訊之統整表 12
表5-1 SE光罩中微影瑕疵影像資訊 68
表5-2 步驟五中的類神經網路測試結果 69
表5-3 步驟五中十次類神經網路測試結果之平均 69
表5-4 步驟六中的類神經網路測試結果 71
表5-5 步驟六中十次類神經網路測試結果之平均 71
表5-6 『島狀半導體光罩中光微影製程瑕疵影像辨識系統』辨識率測試 74
表5-7 系統在Matlab程式中各瑕疵處理時間 75
表5-8 系統在人機介面程式中瑕疵處理時間 75

參考文獻
[1]D.A. Forsyth and J. Ponce, Computer Vision: A Modern Approach, Prentice Hall, 2002.
[2]R. Jain, R. Kasturi and B. G. Schunck, Machine Vision, McGRAW-HILL Internation Editions, New York, 1995.
[3]J. Y. Lee and S. I. Yoo, “Automation defect inspection for LCDs using singular value decomposition,” International Journal of Advanced Manufacturing Technology, vol.25, pp.53-61, 2005.
[4]Alasdair McAndrew, Introduction to Digital Image Processing with MATLAB, Thomson Course Technology, 2004.
[5]N. Otsu, “A threshold selection method from gray-level histograms,” IEEE Trans. System Man Cybernet, Vol. 9, No. 1, pp. 62-69, 1979.
[6]J. K. Shuttleworth, A. G.. Todman, R. N. G.. Naguib, B.M. Newman,and M.K. Bennett, “Colour texture analysis using co-occurrence matrices for classification of colon cancer images,” in Proc. IEEE Canadian Conference Electrical and Computer Engineering, Vol. 2, pp. 1134 - 1139 , 2002.
[7]江行全、廖克東、李淑惠、王建智、張子仁、劉永賢，“動態X光影像強化與瑕疵分類之研究，” 工業工程學刊，第21期，第4卷，第409-421頁，2004年。
[8]江行全、蔡篤銘、王建智，“機器視覺於液晶螢幕面板表面瑕疵檢測之應用，”機械月刊，第三十二卷，第四期，第78-87頁，2006年。
[9]吳上立、林宏墩，C 語言數位影像處理，全華科技圖書股份有限公司，2005年。
[10]徐飛、施曉紅，MATLAB應用圖像處理，西安電子科技大學出版社，2003年。
[11]張真誠、黃國峰、陳同孝，電子影像技術，松崗電腦圖書資料股份有限公司，2000年。
[12]張裴章，類神經網路模式應用與實務，東華書局，2003年。
[13]陳同孝、張真誠、黃國峰，數位影像處理技術（Digital image processing），旗標出版股份有限公司，2004年。
[14]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年。
[15]陳亮嘉、楊舜霖，“創新性背景重建演算法用運於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年。
[16]陳耀俊、呂炎川，“自動瑕疵分類在LCD瑕疵檢測的應用，”機械工業月刊，第227期，第90-98頁，2006年。
[17]黃國源，類神經網路與圖型辨識，維科出版社，2000年。
[18]楊武智，影像處理與辨識，全華科技圖書股份有限公司，2001年。
[19]葉怡成，類神經網路模式應用與實作，儒林圖書，2003年。
[20]董志偉、楊燕珠，“利用階層式比對之影像內容檢索，”大同大學資訊經營研究所，2005。
[21]趙中興，顯示器原理與技術，全華科技圖書股份有限公司，1998年。
[22]劉益宏、林思賢、薛伊伶、鄧凱元，“TFT-LCD陣列工程閘電極光罩製程之智慧型瑕疵影像辨識系統，” 第十三屆非破壞檢測技術研討會暨中華民國非破壞檢測協會年度會議論文集，桃園龍潭，2006年。
[23]黎家伶、黃湋展、張俊隆，“光學影像處理在AOI產業的應用簡介，”機械工業月刊，第227期，第74-89頁，2006年。
[24]繆紹綱，數位影像處理，普林斯頓國際有限公司，2004年。
[25]繆紹綱，數位影像處理活用-Matlab，全華科技圖書股份有限公司，1999年。
[26]鍾國亮，影像處理與電腦視覺，東華書局，2004年2月，第二版。
[27]蘇木春、張孝德，機器學習：類型經網路、模糊系統以及基因演算法則，全華科技圖書股份有限公司，2000年3月。
[28]顧鴻壽，光電液晶平面顯示器-技術基礎及運用，新文京開發出版股份有限公司，2004年3月，第二版。