跳到主要內容

臺灣博碩士論文加值系統

(44.192.20.240) 您好!臺灣時間:2024/02/27 13:08
字體大小: 字級放大   字級縮小   預設字形  
回查詢結果 :::

詳目顯示

: 
twitterline
研究生:陳興倫
研究生(外文):Hsing-Lun Chen
論文名稱:使用小波包分解與部份最小平方法於光學元件之可視瑕疵檢測
論文名稱(外文):Using wavelet packet decomposition and partial least square methods for visual defect detection of optical components
指導教授:林宏達林宏達引用關係
指導教授(外文):Hong-Dar Lin (林宏達)
學位類別:碩士
校院名稱:朝陽科技大學
系所名稱:工業工程與管理系碩士班
學門:工程學門
學類:工業工程學類
論文種類:學術論文
論文出版年:2009
畢業學年度:97
語文別:中文
論文頁數:88
中文關鍵詞:小波包轉換LED透鏡瑕疵檢測部份最小平方法
外文關鍵詞:Partial least square (PLS) methodDefect detectionWavelet packet transform (WPT)LED lens
相關次數:
  • 被引用被引用:8
  • 點閱點閱:740
  • 評分評分:
  • 下載下載:123
  • 收藏至我的研究室書目清單書目收藏:2
發光二極體(Light emitting diode, LED)具壽命長、耗電量低、體積小等優良特性,近年大量被使用在各種用途上,造就了光電相關產品的發展,本研究主要將針對表面具複雜結構性紋路之LED透鏡進行可視瑕疵的偵測,目前許多LED透鏡之生產過程的品質檢測,仍然仰賴人工使用目視的方式進行瑕疵檢測,在持續長時間工作下,易造成眼睛疲勞,導致品質檢測上產生較多的誤判發生,造成損失。有鑑於此,本研究將試圖建構一套LED透鏡表面可視瑕疵之自動化檢測系統,主要提出使用小波包轉換 (Wavelet Packet Transform, WPT) 擷取紋路與瑕疵之小波包特徵,搭配使用多變量分析中的部份最小平方 (Partial Least Square, PLS) 法,將小波包特徵向量進行轉換與維度縮減,得到小波包特徵中重要的資訊,可以有效地將背景中紋路的影響降至最低,並將瑕疵檢測出來。此方法相較於以往刪除整個小波子區塊的方式,更能保留表面紋路與瑕疵資訊,而實驗結果顯示在瑕疵檢出率可達93.5 %,而瑕疵誤判率僅0.102%,執行每張影像檢測時間僅頇113毫秒(ms),非常適用於實際生產作業中進行瑕疵的檢測。
This research proposes a wavelet packet transformation (WPT) based partial least square (PLS) approach to detect visual defects of optical components with structural textures. Three steps are developed to finish the process of defect detection. Firstly, a spatial domain image is converted to WPT domain and the wavelet features of the sub-band images are extracted. Secondly, the proposed PLS method is applied to multivariate transform and data reduction with wavelets features to obtain latent images. There is as much information in the latent components as those in the original features. Thirdly, the latent images are fitted by a regression model to produce a predicted image and then subtract with the original image to get the residual image where the visual defects have been separated. Experimental results show that performance of the wavelet based PLS approach in the defect detection rate is 93.5% better than that of PCA model.
目錄
摘要 ....................................... IV
Abstract ................................... V
誌謝 ....................................... VI
第一章 緒論 ................................ 1
1.1 研究背景 ............................... 1
1.2 LED透鏡簡介 ............................ 1
1.3 LED透鏡之瑕疵類型 ......................................... 3
1.4 具紋路表面之LED透鏡檢測困難 ............ 4
1.5 研究動機與目的 ......................... 6
1.6 本研究論文架構 ......................... 6
第二章 文獻回顧 ............................ 8
2.1 光學檢測系統 ........................... 8
2.2 光源系統架構 ........................... 8
2.3 二維影像頻率域轉換與小波轉換 ........... 9
2.3.1 小波轉換與傅利葉轉換的比較 ........... 9
2.3.2 賈柏轉換(GT)與小波包轉換(WPT)的比較 .. 11
2.3.3 多層尺度空間之概念 ................... 12
2.4 小波包轉換與紋路表面瑕疵檢測 ........... 12
2.5 部份最小平方(PLS)法 .................... 13
第三章 研究方法之相關理論 .................. 17
3.1 小波轉換 ............................... 17
3.1.1 連續小波轉換(CWT) .................... 17
3.1.2 Haar 小波轉換 ........................ 18
3.1.3 二維離散小波轉換 ..................... 19
3.1.4 二維離散小波轉換之實行 ............... 19
3.1.5 小波包分解 ........................... 21
3.1.6 傅立葉轉換與小波轉換之比較 ........... 23
3.2 部份最小帄方(PLS)法 .................... 25
3.2.1 部份最小帄方法(PLS)演算法 ............ 25
3.2.2 潛在變數的選擇 ....................... 27
3.2.3 PLS 與PCA 的差異 ..................... 28
第四章 研究流程與方法應用 .................. 31
4.1 影像前處理 ............................. 32
4.2 小波包轉換(WPT)與小波特徵轉置 .......... 33
4.3 使用部份最小帄方法(PLS)於縮減維度與去除相關性 .... 36
4.3.1 PLS 於WPT 之變數轉換的應用 ........... 36
4.3.2 潛伏影像的選取與配適 ................. 38
4.3.3 使用PRESS 判別瑕疵的存在 ............. 40
4.4 影像二值化閥值切割 ..................... 41
4.5 表面瑕疵特性判別 ....................... 43
第五章 實驗結果與方法驗證 .................. 44
5.1 實驗拍攝設備與環境 ..................... 44
5.2 瑕疵檢測之效益評估 ..................... 45
5.3 實驗規劃 ............................... 46
5.4 以實驗設計方法尋求理想參數設定 ......... 47
5.4.1 第1 次實驗設計: 3 2 實驗設計 ........ 48
5.4.2 第2次實驗設計:二因子實驗設計 ........ 49
5.5 不同影像處理方法比較 ................... 52
5.6 不同多變量分析之方法比較 ............... 56
5.6.1 WPLS與WPCR方法比較 ................... 56
5.6.2 WPLS與BPN方法比較 .................... 58
5.7 以PRESS指標判別良品與瑕疵 .............. 61
5.8 敏感度分析 ............................. 62
5.8.1 不同拍攝照明度對檢測結果的影響 ....... 63
5.8.2 改變小波包轉換階數對檢測結果的影響.... 68
5.8.3 不同配適維度選擇法則之比較 ........... 70
5.9 瑕疵集中特性判別 ....................... 75
第六章 結論與未來研究方向 .................. 78
6.1 結論 ................................... 78
6.2 未來研究方向 ........................... 80
參考文獻 ................................... 81

圖目錄
圖1 各種常見不同的透鏡種類 2
圖2 常見的LED透鏡類型 2
圖3 常見的LED照明應用 3
圖4 對比程度較低的LED透鏡之髒污瑕疵 4
圖5 常見光學透鏡的人工目視檢測方式 6
圖6 小波包分解樹之示意圖 21
圖7 1階與2階小波包分解示意圖 21
圖8 傅立葉與小波轉換的直觀型式 23
圖9 PLS結構示意圖 27
圖10 使用不同的潛伏影像個數進行配適之瑕疵檢測結果 28
圖11 以WPT搭配PLS進行光學元件可視瑕疵檢測 30
圖12 本研究之研究流程圖 31
圖13 使用WPT分解並搭配PLS於LED透鏡之瑕疵檢測示意圖 32
圖14 具結構性表面紋路之LED透鏡 32
圖15 光學透鏡之檢測前處理流程 33
圖16 以無瑕疵之LED透鏡之表面影像為例的WPT與配置示意圖 34
圖17 小波特徵影像 35
圖18 含表面瑕疵之LED透鏡的待測與3張潛伏影像 37
圖19 使用不同配適維度進行瑕疵檢測的過程與結果 39
圖20 20張瑕疵與正常待測影像之PRESS分佈圖 41
圖21 待測影像與殘差影像直方圖與閥值切割示意圖 42
圖22 瑕疵集中特性偵測結果與示意圖 43
圖23 本研究開發之操作軟體介面 45
圖24 實驗室環境取像之設備 45
圖25 影像上效益評估指標示意圖 45
圖26 實驗與相關方法之比較流程圖 46
圖27 各因子水準的平均檢測效果 49
圖28 透過實驗設計所尋求之參數組合的部份樣本檢測結果 51
圖29 以ROC 曲線分析第2次實驗設計結果 52
圖30 不同表面瑕疵偵測方法之比較結果 55
圖31 WPLS與WPCR檢測結果之ROC比較 57
圖32 以WPCR與WPLS兩種方法進行瑕疵檢測結果 57
圖33 小波包特徵與BPN方法之處理過程 58
圖34 分別使用WPCR、WBPN及WPLS方法進行檢測之檢測誤判數量與檢測結果比較(一) 59
圖35 分別使用WPCR、WBPN及WPLS方法進行檢測之檢測誤判數量與檢測結果比較(二) 60
圖36 以PRESS指標大小判別是否有瑕疵存在於LED透鏡表面 61
圖37 瑕疵對比較低的樣本影像 61
圖38 乘冪律轉換之參數設置與灰階度對應關係 63
圖39 經明亮改變後的影像與直方圖 64
圖40 以顯著水準0.05劃分出穩建地調整區域 66
圖41 改變明暗度係數之檢測結果 67
圖42 改變小波包轉換階數所檢測之結果影像 69
圖43 使用Keaser法則選擇配適維度的方式 71
圖44 不同選取法則之檢測結果(J=1) 73
圖45 不同選取法則之檢測結果(J=2) 74
圖46 具部份瑕疵過度集中的待測樣本與其偵測結果 76
圖47 具部份瑕疵過度集中的待測樣本與其偵測結果(二) 77
圖48 以ROC曲線表示理想檢測參數設置 79
圖49 以OC曲線表示理想檢測參數設置 79

表目錄
表1 光學元件之不同表面紋路類型的比較 5
表2 小波轉換與傅利葉轉換一同比較表 10
表3 賈柏轉換與小波包轉換一同比較表 11
表4 PCA、LS與PLS等方法之比較 14
表5 小波轉換與傅立葉轉換之比較(長思科技, 49) 24
表6 本研究於常用符號參照與說明 25
表7 交叉驗證法與解釋度交互選擇潛伏影像 28
表8 PLS與PCA之新變數特徵值與解釋力 29
表9 小波特徵值之標準化過程及數據變化情形 35
表10 小波特徵值之標準化過程及數據變化情形 37
表11 正常無瑕疵影像之轉置向量與迴歸係數 37
表12 分別計算潛伏影像與配適結果之統計指標與檢測效益 39
表13 待測影像與殘差影像之灰階度統計指標 42
表14 使用CCD攝影機之詳細規格 44
表15 效益評估指標之錯誤分類表 45
表16 本研究實驗階段之實驗設計的因子設置 47
表17 第一次實驗設計之實驗數據 48
表18 第一次實驗設之ANOVA表(顯著水準0.05) 48
表19 第二次實驗設計的因子設置 50
表20 第二次實驗設計之實驗數據 50
表21 以實驗設計法所設定較佳之網路參數與其檢測結果彙整表 52
表22 本研究之比較對象的特色與異同 53
表23 不同表面瑕疵偵測方法之比較結果 53
表24 同樣使用實驗設計方法選擇WPCR理想參數與結果 56
表25 本次方法比較之BNP參數設置 58
表26 WPCR、WBPN與WPLS的檢測結果比較 60
表27 部份樣本之配適殘差值與判別結果 62
表28 不同照射光源之檢定結果 65
表29 小波包轉換階數與影像解析度之對應關係表 68
表30 不同小波包轉換階數之檢測結果 68
表31 潛伏影像特徵值及PRESS 71
表32 配適維度之選取法則比較 72
表33 21張具瑕疵過度集中之樣本其檢測結果彙整表 75
1 Ahmet, A. L., A. Ercil, A. Ertuzun, “Texture defect detection current using subband domain co-occurrence matrices,” Image Analysis and Interpretation, Vol.1, pp.205-210 (1998).
2 Anderson, J.C. & Gerbing, D.W., "Structural Equation modeling in Practice: A Review and Recommended two-step Approach", Psychological Bulletin, Vol.103, No.3, pp. 411-423 (1988).
3 Batchelor, B.G., “Streak and spot detection in digital pictures,” Electronics Letters, Vol.15, No.12, pp.352-353 (1979).
4 Boles, W. W., B. Boashash, “A human identification technique using images of the iris and wavelet transform,” Security and Etection, pp.244-251 (1998).
5 Brown, P. J., Measurement, Regression and Calibration, Oxford University Press Inc., New York, pp.51-83 (1993).
6 Coifman, R. R., M. V. Wickerhauser, “Entropy-Based algorithms for best basis selection,” IEEE Tran. Information Theory, Vol.38, No.2, pp.713-718 (1992).
7 Cui, Y., H. Dong, E. Zhou, “An early fire detection method based on smoke texture analysis and discrimination,” Congress on Image and Signal Processing, Vol. 3, PP. 95-99 (2008).
8 Diaz, R., L. Gil, C. Serrano, M. Blasco, E. Molt, J. Blasco, “Comparison of three algorithms in the classification of table olives by means of computer vision,” Journal of Food Engineering, Vol. 61, PP. 101-107 (2004).
82
9 Eriksson, S., A. Lundquist, Y. Gustafson, L.O. Lillemor, “Comparison of three statistical methods for analysis of fall predictors in people with dementia: Negative binomial regression (NBR), regression tree (RT), and partial least squares regression (PLSR),” Archives of Gerontology and Geriatrics, DIO: 10.1016 (2008).
10 Farrokhnia, F., A. K. Jain, “A multi-channel filtering approach to texture segmentation,” IEEE Conference on Computer Vision and Pattern Recognition (1991).
11 Geladi, P., B. R. Kowalski, “Partial least squares regression: a tutorial,” Analytica chimica acta, Vol.185, pp.1-17 (1986).
12 Gnanadesikan, Methods for statistical data analysis of multivariate Observations 2nd ed, Wiley New York, pp.46-61 (1997).
13 Gonzalez, R. C., E. W. Richard, Digital Image Processing, Prentice Hall, 2nd Ed., New Jersey (2002).
14 Hamed, S. S., J. S. Goddard, “Robust defect segmentation in woven fabrics,” Proceedings of Computer Vision and Pattern Recognition, pp.938-944 (1998).
15 Han, Y., P. Shi, “An adaptive level-selecting wavelet transform for texture defect detection,” Image and Vision Computing, Vol.25, pp.1239-1248 (2007).
16 Helland, I. S., “Partial least squares regression and statistical models,” Scand. J. Statist, Vol.17, pp.97-114 (1990).
17 Helland, I. S., “Structure of partial least square regression,” Communication in statistics, pp.581-607 (1988).
83
18 Helland, I. S., “Some theoretical aspects of partial least squares regression,” Chemometrics and Intelligent Laboratory Systems, Vol.58, pp.97-107 (2001).
19 Hoskuldsson, A., “PLS Regression Methods,” Journal of Chemometrics, Vol.2, pp.211 (1988).
20 Jain, Ramesh, and R. Kasturi, and B. G. Schunck, Machine Vision International Editions, New York, NY, Mcgraw Hill 76-86 (1995).
21 Kim, S. C., T. J. Kang, “Texture classification and segmentation using wavelet packet frame and Gaussian mixture model”, Pattern Recognition, Vol.40, pp.1207-1221 (2007).
22 Kosanovich, K. A., M. J. Piovoso, “PCA of Wavelet Transformed Process Data for Monitoring,” Intell. Data Analysis, Vol.1, pp.85-99 (1997).
23 Lee, C. S., C. H. Choi, J. Y. Choi and S. H. Choi, “Surface defect inspection of cold rolled strips with features based on adaptive wavelet packets,” IEICE Transactions on Information and Systems, Vol.E80-D, No.5, pp.594-604 (1997).
24 Lin, H. D., C. Y. Chung, “A wavelet-based neural network applied to surface defect detection of LED chips,” 2007 The Fourth International Symposium on Neural Networks, Nanjing, China, June 3-7, pp.785-792 (2007).
25 Lin, H. D., J. D. Jiang, “Applying discrete cosine transform and grey relational analysis to surface defect detection of LED,” Journal of the Chinese Institute of Industrial Engineers, Vol. 24, No.6, pp.458-467 (2007).
84
26 Lin, H. D., D. C. Ho, “Detection of pinhole defects on chips and wafers using DCT enhancement in computer vision systems,” International Journalof Advanced Manufacturing Technology, Vol. 34, No. 5-6, pp.567-583 (2007).
27 Li, P.Y., C. Y. Hao, S. W. Zhu, “Machining tools wear condition detection based on wavelet packet,” Proceedings of the Sixth International Conference on Machine Learning and Cybernetics, Vol. 3, PP. 1559-1564, Hong Kong (2007).
28 Maestre, R. A., J. Garcia, C. Ferreira, “Pattern recognition using sequential matched filtering of wavelet coefficients,” Optics Communications, Vol.133, No.1-6, pp.401-414 (1997).
29 Mallat, S. G., “A Theory For Multiresolution Signal Decomposition The Wavelet Representation,” IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol.11, No.7, pp.674-693 (1989).
30 Mallat, S. G., “Multifrequency Channel Decompositions of Image And Wavelet Models,” IEEE Transactions On Acousyics Speech And Signal Processing, Vol.37, No.12, pp.2091-2109 (1989).
31 Manne, R., “Analysis of Two Partial Least Squares Algorithms for Multivariate Calibration,” Chemometrics and Intelligent Laboratory Systems, Vol.2, pp.283 (1987).
32 Martens, H., Næs, T., Multivariate calibration, Chichester, Wiley, pp.116-165 (1989).
33 Moigne, J. L., “Towards a parallel registration of multiple resolution remote sensing data,” Quantitative Remote Sensing for Science and Applications, Vol.2, pp.1011-1013 (1995).
34 Otsu, N., “A threshold selection method from gray level histogram,” IEEE
85
Transactions on Systems, Man and Cyberneics, Vol.9, pp.62-66 (1979).
35 Pikaz, A. Averbuch, “An efficient topological characterization of gray-levels textures using a multiresolution respresentation,” Graphical Models and Image Processing, Vol.59, pp.1-17 (1997).
36 Qin, S. J., T. J. McAvoy, A data-based process modeling approach and its applications, In reprints of the 3nd IFAC Dycord Symposium (1992).
37 Qin, S. J., “Partial Least Squares Regression for Recursive System Identification,” Proce. Conf. on Decision and Control, IEEE, Piscat-away (1993).
38 Rioul, O., M. Vetterli, “Wavelet and signal processing,” IEEE Sp Magazine, pp.14-38 (1991).
39 Roberge, D., Y. Sheng, “Optical composite wavelet-matched filters,” Optical Engineering, Vol.33, No.7, pp.2290-2295 (1994).
40 Sun, D.W., C. Zheng, L. Zheng, “Correlating colour to moisture content of large cooked beef joints by computer vision,” Journal of Food Engineering, Vol. 77, PP. 858-863 (2006).
41 Tang, Y. Y., B. F. Li, H. Ma, Liu, “Ring-projection-wavelet-fractal signatures: a novel approach to feature extraction”, IEEE Transactions on Circuits and Systems II : Analog and Digital Signal Processing, Vol.45, No.8, pp.1130-1134 (1998).
42 Tsai, D.M., C.J. Lu, “Independent component analysis-based defect detection in patterned liquid crystal display surfaces,” Image and Vision computing, Vol. 26, PP. 955-970 (2008).
43 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.
86
45, No. 6, PP. 1297-1321 (2007).
44 Tsai, D. M., C. Y. Hung, “Automatic Defect Inspection of Patterned TFT-LCD Panels Using 1-D Fourier Reconstruction and Wavelet Decomposition,” International Journal of Production Research, Vol 43, No. 21, pp.4589-4607 (2005).
45 Tsai, D. M., T. Y. Huang, “Automated surface inspection for statistical textures,” Image and Vision Computing, Vol.21, pp.307-323 (2003).
46 Tsai, D. M., C. H. Chiang, “Automatic band selection for wavelet reconstruction in the application of defect detection,” Image and Vision Computing, Vol.21 , pp.413-431 (2003).
47 Tsai, D.M., C.P. Lin, “Fast defect detection in textured surfaces using 1D Gabor filters,” The International Journal of Advanced Manufacturing Technology, Vol. 20, PP. 664-675 (2002).
48 Tsai, D. M., C. Y. Hsieh, “Automated surface inspection for directional textures,” Image and Vision Computing, Vol.18, pp.49-62 (1999).
49 Vetterli, M., C. Herley, “Wavelet and filter bank: theory and design,” IEEE Transaction on Signal Process, Vol.40, No.9, pp.2207-2232 (1992).
50 Wise, B.M., “Adapting Multivariate Analysis for Monitoring and Modeling Dynamic Systems,” PhD Thesis, Univ. of Wishington, Seattle (1991).
51 Wold, H., Estimation of Principle Components and Related Models by Iterative Least Squares, Multivariate Analysis, R. P. Krishnaiah, ed., Academic Press. New York, pp.391 (1966).
52 Wong, 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 system with Applications, Vol. 36, PP.
87
3845-3856 (2009).
53 Wold, S. et al. Mathematics, Heidelberg, Springer Verlag (1982).
54 Zhang. L., D. He, Y. Cui, “Face recognition using (2D)2 PCA and wavelet packet decomposition,” Congress on image and signal processing, Vol. 1, PP. 548-553 (2008).
55 國家實驗研究院儀器科技中心,光學元件精密製造與檢測,全華圖書,台北 (2007)。
56 江凱偉,「小波分解輔助影像紋理區之分塊」,國立成功大學測量研究所,高雄 (1997)。
57 沈大誠,「應用ㄧ維小波轉換檢測基層陶瓷電容」,國立台北科技大學生產系統工程與管理研究所,台北 (2002)。
58 長思科技產品研發中心,MATLAB 6.5輔助小波分析與應用,電子工業出版社,北京 (2003)。
59 林震岩,多變量分析:SPSS的操作與應用,第359-366頁,智勝文化,台北 (2006)。
60 柯志宏,「二維離散小波轉換應用於帶有加強材之帄板破損偵測」,國立成功大學系統及船舶機電工程學所,高雄 (2007)。
61 陳順宇,多變量分析,華泰文化出版,第1.1-1.65頁,台北 (2005)。
62 陳順宇,迴歸分析,華泰文化出版,第5.1-5.68頁,台北 (2000)。
63 單維彰,凌波初步,全華科技圖書,台北 (1999)。
64 蔡全益,田方治,「整合主成份分析與區域自相關係數於人臉識」,第一屆台灣作業研究學會學術研討會暨2004年科技與管理學術研討會,台北 (2004)。
65 蘇堃綺,郭寶錚,何兆銓,「淨最小帄方法的介紹」,科學農業,Vol.49,pp.7-18 (2001)。
88
66 徐士殷、林宏達,「透明曲面光學透鏡之自動化可視瑕疵檢測」,2008精密機械與製造科技研討會,高苑科技大學,第E10頁,屏東 (2008)。
67 徐永衡,「利用淨最小帄方迴歸、主成份迴歸與類神經網路分析近紅外線光譜資料」,國立中興大學農藝學系,台中 (2003)。
68 繆紹綱,數位影像處理 活用-Matlab,全華科技圖書,台北(1999)。
69 元智大學蔡篤銘教授,機器視覺檢測實驗室網站, http://inspection.iem.yzu.edu.tw/。
QRCODE
 
 
 
 
 
                                                                                                                                                                                                                                                                                                                                                                                                               
第一頁 上一頁 下一頁 最後一頁 top