臺灣博碩士論文加值系統

玻璃製品充斥在我們的日常生活中，以工業用玻璃LCD來講，若玻璃基板上有瑕疵，便會影響整個LCD成像的品質，且由於玻璃具透明性質且某些精密工業之應用其後續製程通常集中於玻璃的某一面，正反面瑕疵檢測標準也不一樣，因此在瑕疵檢測與瑕疵發生位置之正反面判斷皆很重要。本研究提出使用自動化視覺檢測系統檢測玻璃之瑕疵並對瑕疵發生位置進行正反面判斷。在瑕疵偵測部份利用二維傅立葉轉換與搭配累和管制法選取適當的刪除半徑，利用高通濾波之方式將半徑內頻率值刪除並利用傅立葉反轉將影像轉回空間域，利用簡單的 方式進行切割將瑕疵偵測出來；而在瑕疵發生位置之正反面判斷方面，則使用形態學將二值化影像進行區塊選取與特徵值擷取(包含灰階平均值與灰階標準差)，最後利用模糊推論系統來判斷瑕疵之正反面。
本研究初步使用194張影像之實驗結果顯示，本研究所提方法在瑕疵偵測方面，平均檢出率為92.85%，而在正反面瑕疵分類方面，利用本研究所建構之模糊推論系統之平均正確分類率分為91.01%，均比傳統之相關係數法以及倒傳遞類神經網路法之分類效果佳。

It is difficult to detect visual defects of glasses and determine the defect locations on the front or reverse sides because the glasses have transparent property. Some industrial applications have higher precision requirements on one specific side of the glasses, so the inspection standards of the visual defects on the front and reverse sides are different. This research explores the automated glass defect detection and determinations of the defects located on the front or reverse side of the glasses by machine vision system.
In this research, we first use the Fourier transform and cumulative sum algorithm to choose adequate cutting radius and remove the frequency components within the selected radius in the Fourier domain. After the frequency components are removed, the frequency domain image is transferred back to the spatial domain and a simple threshold method can be applied to separate the background and the defects. Then, we use morphology techniques to do binary image processing, including suspected area detections and feature extraction of the suspected areas. Finally, we apply the fuzzy inference system to determine the defect locations whether on the front or the reverse sides. Experimental results demonstrate the proposed method achieves 92.85% probability of accurately detecting the defects on glasses and the probability of accurately classifying the defect location which is on the front or reverse side is 91.01%.

摘要 I
Abstract II
誌謝 III
目錄 IV
圖目錄 VI
表目錄 VIII
第一章緒論 1
11研究背景與動機 1
12研究範圍與目的 1
13研究流程 4
14論文架構 5
第二章文獻回顧 6
21瑕疵影像檢測 6
22正反面辨識與判斷 7
23應用傅立葉轉換之影像處理技術 8
24累和管制法之應用 10
25模糊理論之應用 11
26統計相關分析之應用 12
27倒傳遞類神經網路之應用 13
第三章研究方法之相關學理 15
31傅立葉轉換 15
32偵測微量偏移之累和管制法 17
33模糊推論系統 18
331模糊理論 19
332模糊推論 24
34統計相關分析 25
341樣本相關係數 26
342母體相關係數 27
35倒傳遞類神經網路 28
第四章研究流程與學理應用 33
41影像前處理與二維傅立葉正轉換 34
42適當刪除半徑的選取與頻率值刪除 35
43影像還原 38
44二值化影像分割 39
45瑕疵發生位置之正反面判斷 40
451形態學 41
452影像特徵值之擷取 44
453以模糊推論法判斷正反面瑕疵 46
第五章實驗結果與分析 53
51實驗設備 53
511玻璃瑕疵拍攝之系統硬體架構 53
512檢測軟體開發 54
52小樣本測試實驗 55
521玻璃瑕疵偵測之效益評估 55
522玻璃瑕疵發生位置之正反面判斷之效益評估 57
53大樣本分析實驗 60
531玻璃瑕疵偵測之大樣本效益評估 60
532玻璃正反面瑕疵判斷之大樣本效益評估 62
54透明玻璃之正常與瑕疵分類 64
55方法比較 65
551瑕疵偵測之方法比較 65
552瑕疵正反面判斷方法之比較 66
56敏感度分析 72
561以二元邏輯運算對瑕疵偵測之影響 72
562不同影像結合方式對瑕疵偵測之影響 76
563適當刪除半徑r*改變對瑕疵偵測之影響 80
564二值化閥值微調對瑕疵偵測之影響 83
565待測影像亮度改變 86
566影像旋轉 87
第六章結論與未來研究方向 89
61結論 89
62未來研究方向 89
參考文獻 91

圖目錄
圖 1 不同透明玻璃之刮傷瑕疵樣本 2
圖 2 透明待測物之三種不同對焦方式的拍攝示意圖 3
圖 3 玻璃瑕疵正反面拍攝之影像 4
圖 4 本研究之研究流程架構圖 5
圖 5 以一維轉換的串接來計算二維傅立葉轉換 17
圖 6 模糊推論系統架構 19
圖 7 模糊集合運算示意圖 22
圖 8 三角形歸屬函數圖 23
圖 9 梯形歸屬函數圖 23
圖 10 高斯歸屬函數圖 24
圖 11 π形歸屬函數圖 24
圖 12 倒傳遞類神經網路架構圖 28
圖 13 非線性轉換函數圖 29
圖 14 本研究之整體研究流程圖 33
圖 15 待測影像之前處理結果 34
圖 16 二維傅立葉頻譜能量分佈圖 35
圖 17 傅立葉頻譜上不同半徑所對應之位置 36
圖 18 本研究待測影像之平均能量圖 37
圖 19 本研究之適當半徑選擇示意圖 38
圖 20 透明玻璃之瑕疵實際偵測流程圖 40
圖 21 本研究所提正反面瑕疵判斷方法之流程圖 41
圖 22 3×3遮罩之圖元編號 41
圖 23 待測影像之膨脹與侵蝕次數比較圖 42
圖 24 八連通之方向示意圖 43
圖 25 二值化後待測影像經標籤化處理之結果 43
圖 26 正反面瑕疵判斷中區塊選取之示意圖 44
圖 27 影像特徵值計算之示意圖 45
圖 28 模糊推論輸入值之資料分佈圖 46
圖 29 正反面瑕疵及無瑕疵之模糊輸入值資料分佈圖 47
圖 30 正面灰階平均值之差範圍示意圖 49
圖 31 反面灰階平均值之差範圍示意圖 49
圖 32 正面灰階標準差之差範圍示意圖 50
圖 33 正面灰階標準差之差範圍示意圖 50
圖 34 CNC型非接觸式三次元座標量測儀 54
圖 35 本研究所開發軟體之操作介面圖 54
圖 36 針對測試影像當改變參數k之ROC曲線 56
圖 37 本研究實驗之模糊推論過程 58
圖 38 部份大樣本之待測影像瑕疵偵測結果 61
圖 39 部份玻璃樣本瑕疵偵測與正反面判斷之結果 63
圖 40 四種瑕疵偵測方法之結果比較圖 66
圖 41 相關係數raij與rbij的計算示意圖 68
圖 42 倒傳遞類神經網路判斷瑕疵正反面之處理過程 69
圖 43 具正面瑕疵影像經邏輯運算後在瑕疵偵測效果之比較 73
圖 44 具反面瑕疵影像經邏輯運算後在瑕疵偵測效果之比較 74
圖 45 具正面與反面瑕疵影像經邏輯運算後在瑕疵偵測效果之比較 75
圖 46 具正面瑕疵影像之不同結合方式在瑕疵偵測效果之比較 77
圖 47 具反面瑕疵影像之不同結合方式在瑕疵偵測效果之比較 78
圖 48 具正面與反面瑕疵影像之不同結合方式在瑕疵偵測效果之比較 79
圖 49 樣本1對不同半徑改變之結果 81
圖 50 樣本2對不同半徑改變之結果 82
圖 51 閥值偏移對 與 之改變量 83
圖 52 閥值偏移之ROC圖 83
圖 53 對樣本1改變不同閥值之偵測結果 84
圖 54 對樣本2改變不同閥值之偵測結果 85
圖 55 經亮度改變後之待測影像瑕疵偵測結果 86
圖 56 經影像旋轉後之待測影像瑕疵偵測結果 87

表目錄
表 1 相關分析中相關之種類 26
表 2 本研究之模糊集合定義表 48
表 3 本研究之模糊集合與歸屬函數之定義表 48
表 4 本研究所使用之模糊推論規則 50
表 5 不同k值對( )與 之影響 56
表 6 瑕疵發生位置之正反面判斷績效指標彙整表 57
表 7 Mamdani之模糊推論系統對單一樣本判斷結果 59
表 8 小樣本瑕疵區塊判斷表 59
表 9 小樣本正反面瑕疵判斷之績效表 59
表 10 所有樣本瑕疵偵測之效益評估 60
表 11 大樣本瑕疵區塊判斷表 62
表 12 大樣本正反面瑕疵判斷之績效表 62
表 13 所有樣本瑕疵區塊判斷表 62
表 14 所有樣本正反面瑕疵判斷之績效表 63
表 15 透明玻璃正常與瑕疵分類結果 64
表 16 四種瑕疵偵測方法之比較結果表 65
表 17 相關係數法對單一樣本判斷結果 68
表 18 倒傳遞類神經網路參數設定表 70
表 19 相關係數與模糊推論系統之瑕疵區塊判斷表 70
表 20 相關係數與模糊推論系統之正反面瑕疵判斷績效表 71
表 21 倒傳遞類神經網路與模糊推論系統之瑕疵區塊判斷表 71
表 22 倒傳遞類神經網路與模糊推論系統之正反面瑕疵判斷績效表 71
表 23 亮度改變之瑕疵偵測數據 86
表 24 影像旋轉之瑕疵偵測數據 87

[1] Bissell, A. F., “CUSUM techniques for quality control,” Applies Statistics, Vol. 18, pp.1-30 (1969).
[2]Bodnarova, A., Bennamoum, M., and Kubik, K., “Suitability analysis of techniques for flaw detection in textiles using texture analysis,” Pattern Analysis and Applications, Vol. 3, pp.254-226 (2000).
[3]Bodnarova, A., Bennamoum, M., and Latham, S., “Optimal Gabor filters for textile flaw detection,” Pattern Recognition, Vol. 35, pp.2973-2991 (2002).
[4]Carlson, A., and Le, T., “Correlation of Wafer Backside Defects to Photolithography Hot Spots Using Advanced Macro Inspection,” SPIE’s Microlithography International Symposium, California (2006).
[5]Chang, T. C., and Gan, F. F., “A cumulative sum control chart for monitoring process variance,” Journal of Quality Technology, Vol. 27, pp.109-119 (1995).
[6]Chan, C. H., and Pang, K. H., “Fabric defect detection by Fourier analysis,” IEEE Trans. on Industry Application, Vol. 36, pp.1267-1276 (2000).
[7]Chang, C. S., “A cumulative score control scheme for detection process shifts,” Communication in Statistics-Theory and Methods, Vol.24, pp.744-755 (1995).
[8]Chang, J. Y., and Cho, C. W., “Scene Analysis System Using a Combined Fuzzy Logic-Based Technique,” Journal of the Chinese Institute of Engineers, Vol. 25, No. 3, pp.297-307 (2002).
[9]Chen, Y. H., “Computer vision for industrial inspection through linguistic fuzzy variable inputs,” Control and Instrumentation, Vol. 2, pp.1349-1353 (1994).
[10]Crosier, R. B., “A new two-sided cumulative sum quality control scheme,” Technometrics, Vol. 28, pp.187-194 (1986).
[11]Desai, V. S., and Crook, J. N., “A Comparison of Neural Networks and Linear Scoring Models in the Credit Union Environment,” European Journal of Operational Research, Vol. 95, No. 1, pp.63-72 (1996).
[12]Erturk, S., and Dennis, T. J., “Image sequence stabilization based on DFT filtering,” IEEE Proc.-Vis. Image Signal Process, Vol. 147, pp.95-102 (2000).
[13]Gan, F. F., “An Optimal Design of CUSUM Quality Control Charts,” Journal of Quality Technology, Vol. 23, No. 4, pp.279-286 (1991).
[14]Gan, F. F., “Design of Optimal Exponential CUSUM Control Charts,” Journal of Quality Technology, Vol. 26, No. 2, pp.109-124 (1994).
[15]Gonzalez, R. C., and Woods, R. E., Digital Image Processing, Prentice Hall, NEW JERSEY (2002).
[16]Hakulinen, A., and Hakkarainen, H. J., “A neural network approach to quality control of padlock manufacturing,” Pattern Recognition Letters, Vol. 17, pp.357-362 (1996).
[17]Hawkins, D. M., “A Fast, Accurate Approximation of Average Run Length of CUSUM Control Charts,” Journal of Quality Technology, Vol. 24, pp.37-43 (1992).
[18]Herley, C., Vora, P., and Yang, S., “Detection and Deterrence of Counterfeiting of Valuable Documents,” IEEE International Conference, Image Processing, Vol. 4, pp.2423-2426 (2004).
[19]Hu, M. C., and Tsai, I. S., “Fabric Inspection Based on Best Wavelet Packet Bases,” Textile Research Journal, Vol. 70, No. 8, pp.662-670 (2000).
[20]Huang, H. P., “DSP-Based Controller for a Muti-Degree Prosthetic Hand,” Proceedings of IEEE International Conference on Robotics and Automation, San Francisco, pp.1378-1383 (2000).
[21]Ionescu, M., and Ralusce, A., “Fuzzy Hamming Distance Based Banknote Validator,” IEEE International Conference, Fuzzy Systems, Nevada, pp.300-305 (2005).
[22]Jain, R., Kasturi, R., and Schunck, B. G., Machine Vision International Editions, Mcgraw Hill, New Yark, pp.76-86 (1955).
[23]Jang, J. S., Sun, C. T., and Mizutani, E., Neuro-Fuzzy And Soft Computing, Pearson Education Taiwan Ltd, Taiwan (2004).
[24]Jiang, B. C., Wang, Y. M., and Wang, C. C., “Bootstrap Sampling Techniques Applied to PCB Golden Fingers Defects Classification,” International Journal of Production Research, Vol. 39, No. 1, pp.2215-2230 (2001).
[25]Kido, T., “In-process functional inspection technique for TFT- LCD array,” Journal of SID, Vol. 1, No. 4, pp.429-435 (1993).
[26]Kido, T., “Optical charge-sensing method for testing and characterizing thin-film transistor array,” IEEE Journal of Selected Topics in Quantum Electronics, Vol. 1, No. 4, pp.993-1001 (1995).
[27]Ko, K. W., and Cho, H. S., “Solder joints inspection using a neural network and fuzzy rule-based classification method,” IEEE Transactions on Electronics Packaging Manufacturing, Vol. 23, pp.93-103 (1998).
[28]Lacoutrue, D. C., and Ramkrishnan, K., “Fuzzy Logic Method for Measuring Building Quality,” Journal of Quality, Vol. 15, No. 2, pp.117-129 (2008).
[29]Lewis, J. P., “Fast normalized cross-correlation,” Vision Interface, pp.120-123 (1995).
[30]Lin, H. D., and Liu, C. H., “Applying Fuzzy Inference System and CUSUM Algorithm to Process Control of Chip Corner Arcs of Multi-Layer Ceramic Capacitors,” The 5 th World Multi-Conference on Systemics, Cybernetics and Informatics, Florida, pp.433-438 (2001).
[31]Lin, H. D., and Ho, D. C., “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).
[32]Liu, S. S., and Jernigan, M. E., “Texture analysis and discrimination in additive noise,” Computer Vision , Graphics , and Image Processing, Vol. 49, pp.52-67 (1990).
[33]Lucas, J. M., “Combined Shewhart-CUSUM quality control schemes,” Journal of Quality Technology, Vol. 14, pp.51-59 (1982).
[34]Lucas, J. M., and Crosier, R. B., “Fast inital response for CUSUM quality control schemes: Give your CUSUM a head start,” Technometrics, Vol. 24, pp.199-205 (1982).
[35]Lucas, J. M., “Counted data CUSUM''s,” Technometrics, Vol. 27, pp.129-144 (1985).
[36]Minami, H., Matsumoto, F., and Suzuki, S., “Prospects of LCD Panel Fabrication and Inspection Equipment Amid Growing Demand for Increased Size,” Hitachi Review, Vol. 56, No. 3, pp.63-69 (2007).
[37]Muzzolini, R. E., Yang, Y. H., and Pierson, R. A., “Texture characterization using robust statistic,” Pattern Recognition, Vol. 27, pp.119-134 (1994).
[38]Montgomery, D. C., Introduction to Statistical Quality Control, John Wiley & Sons, New York, pp.406-419 (2001).
[39]Nakashima, K., “Hybrid inspection system for LCD color filter panels,” Tenth International Conference on Instrumentation and Measurement Technology, Japan, pp.689-692 (1994).
[40]Otsu, N., “A threshold selection method from gray level histogram,” IEEE Transactions on Systems, Man and Cyberneics, Vol. 9, pp.62-66 (1979).
[41]Page, E. S., “Continuous inspection schemes,” Biometrika, Vol.41, pp.100-115, 1954.
[42]Park, C. H., and Park, H., “Fingerprint classification using fast fourier transform and nonlinear discriminant analysis,” Pattern Recognition, Vol. 38, pp.495-503 (2005).
[43]Pignatiello, J. J., and Runger, G. C., “Comparison of multivariate CUSUM charts,” Journal of Quality Technology, Vol. 22, No. 3, pp.173-186 (1990).
[44]Quesenberry, C. P., SPC Methods for Quality Improvement, John Wiley & Sons, New York (1997).
[45]Sevkil, M., Turkyilmaz, A., and Aksoy, M. S., “Banknote Recognition Using Inductive Learning,” International Conference, Responsive Manufacturing, Turkey (2002).
[46] Shiau, Y. R., Tsai, I. S., and Lin, C. S., “Classifying Web Defects With Back-Propagation Neural Network by Color Image Processing,” Textile Research Journal, Vol. 70, No. 7, pp.633-640 (2000).
[47]Shioyama, T., and Hamanaka, J., “Recognition algorithm for handprinted Chinese characters by 2D-FFT,” International Conference on pattern Recognition, Vol. 3, pp.225-229 (1996).
[48]Song, Y. C., Choi, D. H., and Park, K. H., “Morphological blob-mura defect detection method for TFT-LCD panel inspection,” Lecture Notes in Computer Science, Springer -Verlag GmbH, Vol. 32, pp.862-868 (2004).
[49]Sutton, M. A., Cheng, M., Peters, W. H., Chao, Y. J., and Mchneill, S. R., “Application of an optimized digital correlation method to planer deformation analysis,” Image and Vision Computing, Vol. 4, No. 3, pp.143-150 (1986).
[50]Tsai, D. M., and Hsueh, C. Y., “Automated surface inspection for directional textures,” Image and Vision Computing, Vol. 21, pp.307-323 (1999).
[51]Tsai, D. M., and Huang, T. Y., “Automated Surface Inspection for Statistical Textures,” Image and Vision Computing, Vol. 21, pp.307-323 (2003).
[52]Tsai, D. M., and Yang, R. H., “An eigenvalue-based similarity measure and its application in defect detection,” Image and Vision Computing, Vol. 23, pp.1094–1101 (2005).
[53]Tsai, D. M., Chuang, S. T., and Tseng, Y. H., “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).
[54]Tsoukalas, L. H., and Robert, E. U., Fuzzy and Neural Approaches in Engineering, John Wiley and Sons, New Yark (1997).
[55]Uenohara, M., and Kanade, T., “Use of Fourier and Karhunen-Loeve decomposition for fast pattern matching with a large set of templates,” IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol. 19, No. 8, pp.891-898 (1997).
[56]Xiao, H., “A cumulative score control scheme,” Applied Statistics, Vol. 41, pp.47-54 (1992).
[57]Yao, Y., Xiaoli, L., and Yuan, Z., “Tool wear detection with fuzzy classification and wavelet fuzzy neural network,” International Journal of Machine Tools & Manufacture, Vol. 39, pp.1525-1538 (1999).
[58]Yoshimura, S., and Kanade, T., “Fast template matching based on the normalized correlation by using multiresolution eigenimages,” Intelligent Robots and Systems, Vol. 3, pp.2086-2093 (1994).
[59]方世榮，統計學導論，華泰文化事業公司，臺北(1998)。
[60]江雅雯，「基於色彩及紋理分析之鈔票偵測系統」，碩士論文，中原大學資訊工程系研究所，桃園(2006)。
[61]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，國立成功大學資訊工程系研究所，台南(2005)。
[62]李淑惠，「X-RAY 即時影像強化與瑕疵偵測之研究」，碩士論文，元智大學工業工程與管理研究所，桃園(2001)。
[63]林宏達、陳育洺，「見李以ANFIS模糊推論系統為基礎之電容瓷片外觀瑕疵分類與製程管制模式」，朝陽學報，第10期，第1-41頁(2005)。
[64]林建達，「改良式相關係數法於瑕疵檢測之應用」，碩士論文，元智大學工業工程與管理研究所，桃園(2002)。
[65]林東賦，「應用影像處理技術與類神經網路理論於非織物瑕疵辨識」，碩士論文，台灣科技大學纖維及高分子工程研究所，臺北(2000)。
[66]林伯羽，「應用倒傳遞網路於電子產品之LED自動化檢測系統」，碩士論文，大同大學資訊工程研究所，臺北(2004)。
[67]邱學源，「導光板品質自動檢測系統之研製」，碩士論文，國立高雄第一科技大學機械與自動化工程研究所，高雄(2004)。
[68]侯俊成，「頭部姿勢辨識應用於遊標與機器人之控制」，碩士論文，國立中央大學機工程研究所，桃園(2005)。
[69]洪崇祐，「應用一維立葉分析於TFT-LCD 液晶顯示面板之瑕疵檢測」，碩士論文，元智大學工業工程與管理學系，桃園(2003)。
[70]張宏佐，「基層陶瓷電容製程中自動化電極印刷檢測之探討」，碩士論文，朝陽科技大學工業工程與管理研究所，台中(1998)。
[71]張勝仁，「一個可增強車牌字元辨識效能的多重辨識器設計」，碩士論文，中原大學電子工程研究所，桃園(2003)。
[72]陳一斌，「TFT 彩色濾光片瑕疵檢測系統」，機械工業雜誌(2001)。
[73]陳宗達，「CMOS 玻璃蓋片自動光學檢測機台之設計及開發」，第五屆全國AOI論壇(2005)。
[74]游舜豪，「應應用高解析度線掃描CCD 於ITO 導電玻璃表面瑕疵檢測之研究」，碩士論文，國立台灣科技大學自動化及控制研究所，臺北(2005)。
[75]彭光裕，「應用電腦視覺技術於表面黏著元件印刷電路板之自動檢測新系統設計及開發」，碩士論文，國立交通大學工業工程與管理研究所，新竹(1996)。
[76]曾彥馨，「應用於機器視覺於TFT 面板之表面瑕疵檢測與分類」，碩士論文，元智大學工業工程與管理學系，桃園(2002)。
[77]葉怡成，「類神經網路模式應用與實作」，儒林圖書，臺北，第4-2至4-27頁(1999)。
[78]葉信宏，「適應性類神經模糊推論系統於跟車模式模式之應用」，碩士論文，國立交通大學交通運輸研究所，新竹(1998)。
[79]葉柏涼、劉佩玲，「敲擊回音法之時間-頻率域分析與影像法」，第十三屆非破壞檢測技術研討會，石門(2006)。
[80]黃哲韻，「應用機器視覺於隨機性紋路表面之瑕疵檢測」，碩士論文，元智大學工業工程與管理研究所，桃園(2000)。
[81]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，台中(2002)。
[82]蔡英男，「應用影像處理與類神經網路於偏光膜瑕疵辨識」，碩士論文，台灣科技大學高分子工程研究所，臺北(2003)。