臺灣博碩士論文加值系統

受惠於面板大廠的投資熱潮帶動，市面上的平面顯示器檢測設備近年來快速的崛起，但大多數的檢測設備僅針對已完成之面板進行瑕疵偵測，而最常見的瑕疵為面板顯示不均的情況，可區分為小範圍集中區域的顯示不均（Blob Mura）、大範圍集中區域的顯示不均（Large area Mura），以及具有直線之特徵的顯示不均（Line Mura），輕微可以用雷射進行修補，嚴重則必須報廢，此對面板廠商而言即成本的消耗，而影響面板良率的主因在於面板陣列電路工程的製程方面，因此若能在陣列電路工程中及時發現瑕疵並加以補救，則可提升面板之良率。
而目前LCD的瑕疵辨識仍然仰賴大量人工進行，使用人工的缺點除了檢測效率差之外，其主觀的判斷亦會造成檢測上的問題，故本研究導入機器視覺於TFT-LCD面板之陣列電路工程的瑕疵檢測。與市面上檢查機台僅提供偵測而無分類之功能相作比較，本論文所發展的『接觸孔洞光罩之微影製程瑕疵影像辨識系統』為其貢獻。藉由融合各種數位影像處理、紋理特徵抽取以及類神經網路辨識等方法可針對檢查機台所拍攝的瑕疵影像進行自動即時偵測與分類。此系統主要針對常見的7種瑕疵影像進行分類，以使瑕疵分類達到自動化、即時化，並以此系統來提供於工業界嚴格之需求。
經由實驗測試結果可知，系統輸入的實際照片，『接觸孔洞光罩之微影製程瑕疵影像辨識系統』的辨識率可達96％，顯示系統針對瑕疵影像可精確的分類，並可預防下一批面板經過微影製程時產生同樣的瑕疵，對於面板製程中的檢測及良率提升具有相當程度的幫助。此外，系統辨識瑕疵影像的平均時間約為四秒之內，可快速的分辨瑕疵，以符合工業檢測所需求。

Currently, most equipments used in TFT-LCD manufacturing can only detect defects from panels. For example, some of the defects are blob Mura, large area Mura, and line Mura that are a typical region defect of TFT-LCD. However, Mura inspection is performed in cell or module assembly engineering. If defects can be found and repaired in array engineering in real time, the yield rate of panels would thus be increased, and the cost can be reduced.
Most companies set up quality control departments to increase the yield rate of their products. However, in order to reduce the influences of human factors, an automatic inspection system is needed. The purpose of this study is to provide an automatic defect recognition system. In this study, we combine theories of digital image processing techniques, statistic textured feature extraction, and neural network, and propose a “Defect Recognition System for the Lithography Process Inspection in the CH(Contact hole)-Mask”. This system is able to automatically classify seven common defects, providing a real-time automatic defect classification.
The experimental results show that, this system achieves a recognition rate up to 96%. This means that this system is able to classify, and prevent the same defects occur again during the lithography process and increase the accuracy of inspection and the yield rate. Moreover the developed system is also able to classify one defect image within 4 second, which means that high-speed defect inspection is achieved.

目 錄
摘要 I
Abstract II
誌謝 III
目錄 IV
圖目錄 V
表目錄 IX
第一章 緒論 1
1-1 研究背景 1
1-2 陣列電路簡介 1
1-3 研究動機與目的 5
1-4 文獻回顧 10
1-5 本文貢獻 12
1-6 本文架構 12
第二章 接觸孔洞光罩之微影製程之瑕疵介紹 14
2-1 前道製程殘 15
2-1-1 GE殘 15
2-1-2 SE殘 16
2-1-3 源/汲電極短路 17
2-2 源電極斷路 18
2-3 接觸孔洞異常 19
2-4 異物 20
2-5 刮傷 21
第三章 設計原理 23
3-1 數位影像系統 23
3-1-1 數位影像 23
3-1-2 數位影像處理系統 23
3-2 紋理分析 23
3-2-1 統計灰階直方圖 24
3-2-2 灰階共生矩陣 25
3-3 色彩特徵擷取 26
3-3-1 CMY色彩空間 26
3-3-2 HSV色彩空間 27
3-3-3 色彩動差 28
3-4 倒傳遞類神經網路 29
3-4-1 類神經網路簡介 29
3-4-2 利用倒傳遞類神經網路於特徵分類 31
3-4-3 倒傳遞類神經網路之參數設定 35
3-5 支持向量機器 37
3-5-1 最佳化理論 37
3-5-2 Lagrangian理論 38
3-5-3 Kuhn-Tucker理論 40
3-5-4 最佳分離超平面 41
3-5-5 非線性不可分離情形 42
第四章 系統流程分析 46
4-1 步驟一：分離大面積瑕疵區塊影像 46
4-2 步驟二：分析大面積瑕疵區塊影像 50
4-3 步驟三：影像分割暨區域定位 53
4-4 步驟四：源電極區檢查 56
4-5 步驟五：接觸孔洞圖案檢查 59
4-6 步驟六：倒傳遞類神經網路於畫素電極區分析 63
第五章 實驗結果與討論 68
5-1 大面積瑕疵之各分類器辨識率比較 68
5-1-1 K-最近鄰居分類器 68
5-1-2 倒傳遞類神經網路分類實驗結果 69
5-1-3 支持向量機器分類實驗結果 70
5-1-4 大面積瑕疵實驗結果分析 71
5-2 倒傳遞類神經於畫素電極區辨識結果 74
5-2-1 實驗結果與討論 74
5-3 分析與討論接觸孔洞異常誤判情形 77
5-4 接觸孔洞光罩中微影製程瑕疵影像辨識系統』辨識率測試 78
5-4-1 實驗結果與討論 78
5-5 『接觸孔洞光罩中微影製程瑕疵影像辨識系統』辨識速度測試 79
第六章 系統軟硬體、人機介面展示暨功能說明 81
6-1 系統硬體 81
6-2 系統軟體 81
6-3 人機介面 81
第七章 結論與未來研究方向 87
7-1 結論 87
7-2 未來研究方向 87
參考文獻 89

圖目錄
圖1-1、陣列電路工程製程流程圖Ⅰ 2
圖1-2、面板之橫截面基本結構的示意圖 3
圖1-3、陣列電路工程製程流程圖Ⅱ 3
圖1-4、第一道光罩配線圖案介紹 4
圖1-5、第二道光罩圖案介紹 4
圖1-6、第三道光罩配線圖案介紹 4
圖1-7、第四道光罩配線圖案介紹 4
圖1-8、第四道光罩配線圖案介紹 4
圖1-9、線中檢查的配置及流程圖 6
圖2-1、『殘』的示意圖 15
圖2-2、『GE殘』瑕疵影像 16
圖2-3、『SE殘』瑕疵影像 17
圖2-4、『源電極短路』瑕疵影像 18
圖2-5、『源電極線斷路』瑕疵影像 19
圖2-6、『接觸孔洞異常』瑕疵影像 20
圖2-7、『異物』瑕疵影像 21
圖2-8、『刮傷』瑕疵影像 22
圖3-1、CMY色彩空間 27
圖3-2、HSV色彩空間 28
圖3-3、類神經元的模型 29
圖3-4、倒傳遞網路模型 30
圖3-5、倒傳遞類神經網路訓練過程流程圖 32
圖3-6、誤差函數和學習循環次數的關係圖 35
圖3-7、最佳分離超平面(OSH) 41
圖4-1、『接觸孔洞光罩中微影製程瑕疵影像辨識系統』流程圖 46
圖4-2、影像兩軸投影處理 49
圖4-3、經影像前處理後二值化影像 49
圖4-4、瑕疵影像分割區域示意圖 53
圖4-5、檢查機所拍攝的各類型疵影像 53
圖4-6、瑕疵影像中的相關參數示意圖 54
圖4-7、源電極區斷路 55
圖4-8、源電極斷路檢查流程 56
圖4-9、正常影像經二值化後影像 56
圖4-10、灰階梯度計算後二值化影像 57
圖4-11、具雜訊之正常影像 57
圖4-12、對X軸進行投影之投影圖 58
圖4-13、接觸孔洞異常瑕疵影像 59
圖4-14、接觸孔洞異常檢查流程 59
圖4-15、經影像前處理後二值化影像 60
圖4-16、統計灰階直方圖 60
圖4-17、接觸孔洞未形成之二值化影像 61
圖4-18、接觸孔洞形成之二值化影像 61
圖4-19、框選接觸孔洞 61
圖4-20、畫素區上的GE殘瑕疵影像 64
圖4-21、異物瑕疵影像 65
圖5-1、分類錯誤之SE殘連橫 69
圖5-2、分類錯誤之源/汲電極短路 69
圖5-3、欲特徵抽取之瑕疵影像 70
圖5-4、誤差函數和學習循環次數的關係圖 70
圖5-5、源/汲電極短路誤判為SE殘 71
圖5-6、刮傷誤判為正常 72
圖5-7、異物誤判為正常 73
圖5-8、正常的接觸孔洞誤判為異常 74
圖5-9、經影像前處理後二值化影像 75
圖6-1、『GE殘』檢測流程 81
圖6-2、『接觸孔洞異常』檢測流程 83

表目錄
表1-1、各製程發生瑕疵的機率 9
表2-1、瑕疵統整表 14
表4-1、步驟一中瑕疵影像前處理 47
表4-2、欲抽取特徵值的瑕疵影像比較表 50
表4-3、瑕疵影像中的相關參數說明 55
表4-4、畫素電極區瑕疵影像前處理 62
表5-1、K-最近鄰居分類器實驗結果 66
表5-2、倒傳遞類神經網路實驗結果 67
表5-3、基於SVM之實驗結果統整表 69
表5-4、步驟六中類神經網路測試結果 73
表5-5、步驟六中各類別測試十次後的平均分類率 74
表5-6、『接觸孔洞光罩中微影製程瑕疵影像辨識系統』之測試結果Ⅰ 76
表5-7、『接觸孔洞電極光罩中微影製程瑕疵影像辨識系統』之測試結果Ⅱ 77

參考文獻
[1]C. J. Lu and D. M. Tsai, “Automatic defect inspection for LCDs using singular value decomposition,” International Journal of Advanced Manufacturing Technology, vol. 25, no. 1-2, pp. 53-61, 2005.
[2]D. M. Tsai and S. M. Chao, “An anisotropic diffusion-based defect detection for sputtered surfaces with inhomogeneous textures,” Image and Vision Computing, vol. 23, no. 3, pp. 325-338, 2005.
[3]D. M. Tsai, P. C. Lin, and C. J. Lu, “An independent component analysis-based filter design for defect detection in low-contrast surface images,” Pattern Recognition, vol. 39, no. 9, pp. 1679-1694, 2006.
[4]F. Markowetz, “Support vector machines in bioinformatics,” Master’s Thesis, Mathematics Department of the University of Heidelberg, 2001.
[5]J. S. Ryu, J. H. Oh, J. G. Km, T. M. Koo, and K. H. Park, “TFT-LCD panel blob-Mura inspection using the correlation of wavelet coefficients”, TENCON 2004. 2004 IEEE Region 10 Conference, vol. A, pp. 219-222, 2004.
[6]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, pp. 2371-2378, 2004.
[7]J. H. Oh, D. M. Kwak, K. B. Lee, Y. C. Song, D. H. Choi, and K. H. Park, ”Line defect detection in TFT-LCD using directional filter bank and adaptive multilevel thresholding,” Key Engineering Materials, vol. 270-273, pp. 233-238, 2004.
[8]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”, IEEE Canadian Conference on Electrical and Computer Engineering, vol. 2, pp. 1134-1139, 2002.
[9]K. Nakashima, ”Hybrid inspection system for LCD color filter panels,” Proceedings of IEEE Instrumentation and Measurement Technology Conference, vol. 2, pp. 689-692, 1994.
[10]R. M. Haralick, K. Shanmugam, and I. Dinstein, ”Textural features for image classification,” IEEE Transactions on Systems, Man, and Cybernetics, vol. SMC-3, pp. 610-624, 1973.
[11]R. Jain, R. Kasturi, and B. G. Schunck, Machine Vision, McGraw-Hill, New York, 1995.
[12]S. I. Baek, W. S. Kim, T. M. Koo, I. Choi, and K. H. Park, “Inspection of defect on LCD panel using polynomial approximation,” IEEE Region 10 Conference on TENCON, vol. 1, pp. 235-238, 2004.
[13]V. Vapnik, The Nature of Statistical Learning Theory, New York: Springer-Verlag, 1995.
[14]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, vol. 270-273, pp. 808-813, 2004.
[15]Y. Zhang and J. Zhang, “A fuzzy neural network approach for quantitative evaluation of Mura in TFT-LCD,” 2005 International Conference on Neural Networks and Brain, vol. 1, pp. 424-427, 2005
[16]Y. C. Song, D. H. Choi, and K. H. Park, “Multiscale detection of defect in thin film transistor liquid crystal display panel,” Japanese Journal of Applied Physics, vol. 43, no. 8A, pp. 5465-5468, 2004.
[17]Y. Mori, K. Tanahashi and S. Tsuji, ”Quantitative evaluation of Mura in liquid crystal displays,” Optical Engineering, vol. 43, no. 11, pp. 2696-2700, 2004.
[18]顧鴻壽，光電液晶平面顯示器-技術基礎及運用，新文京開發出板股份有限公司，2004年3月。
[19]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。
[20]繆紹綱，數位影像處理，普林斯頓國際有限公司，2004年10月。
[21]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。
[22]林思賢，”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-源/汲電極光罩瑕疵自動分類系統開發”,私立中原大學機械工程研究所，2006年。
[23]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開發”,私立中原大學機械工程研究所，2006年。
[24]維基百科，http://zh.wikipedia.org/w/index.php
[25]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年。
[26]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。
[27]葉怡成，類神經網路模式應用與實作，儒林圖書，2003年。
[28]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，227期，2006年。
[29]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。
[30]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。