臺灣博碩士論文加值系統

彩色濾光片（Color Filter）為現今液晶面板中之關鍵零組件，為佔整體成本比重最高之元件。然而目前其瑕疵檢測仍舊大量仰賴人工於最後成品階段全檢，而使用人工除檢測效率較差外，其主觀判斷方式亦容易產生誤判。本研究藉由統計觀點之灰階共生矩陣（Gray-Level Co-Occurrence Matrix, GLCM）擷取彩色濾光片表面瑕疵特徵，來解決樣本影像本身之旋轉、位移、放大倍率…等尺度不一之問題；並透過倒傳遞類神經網路進行瑕疵分類，以避免因人工檢測誤判造成之損失。本研究針對彩色濾光片中人眼不易觀察之瑕疵包括：白缺、黑缺、突起、ITO缺陷、膜面傷、金屬殘留、PS光阻殘留、Cr蝕刻不良、玻璃氣泡、光阻擴散等與良品共十一類，各30筆樣本，於灰階共生矩陣四種不同角度下（0度、45度、90度、135度）搭配同像素距離（10像素）共擷取22項特徵，探討不同特徵擷取方式與與瑕疵分類正確率之關係。經實驗得知對於單一角度特徵，以135度擷取特徵其辨識正確率最佳，其測試樣本正確率可達94.55%；將四種角度擷取之特徵視為不同樣本，其測試辨識正確率達90%；若將四種角度擷取之特徵視為同一樣本之特徵，可得共88項特徵值，則測試樣本正確率達90.91%；透過BW比率刪減維度，發現保留前40大特徵值可達良好分類效果，其測試樣本辨識率高達96.36%。故本研究透過統計觀點之灰階共生矩陣法擷取出瑕疵特徵，可順利克服彩色濾光片瑕疵樣本尺度不一問題並有效正確辨識瑕疵類型。

Color filter （CF） is the critical component to realize colorization and is the most expensive component in LCD production. Most of the CF manufactures recognize the surface defects of the finished goods by human inspectors. Such inspection is inefficient. Besides, the inspectors may be mistaken about the CF defect type. To improve the inspection efficiency, the research develops an automatic defect classification system for CF. Since the images provided by the CF manufacture are captured under different setting, some properties of the image such as size, orientation, and brightness are inconsistent. To overcome the problems of shift variant, scale variant, and light variant, the study utilizes the gray-level co-occurrence matrix （GLCM） to extract the texture features of a CF image. The co-occurrence matrix is formed using a set of offsets sweeping through 180 degrees （i.e. 0, 45, 90, and 135 degrees） at the same distance （10 pixels）. For one degree, 22 features are extracted. There are total 88 features for a CF image. The extracted features are imported into the back-propagation neural network （BPN）. After learning and training the neural network the system can recognizes ten kinds of CF defects. The recognition accuracy is 90.91% for the test samples. Compared the features extracted from different degrees, the recognition accuracy is highest under 135 degrees （94.55%）. If the input dimension for BPN classification is reduced by BW ratio, it will influence the classification accuracy. Experiment results indicate keeping the features with the top 40 BW ratio has the best recognition rate, 96.36%. Overall speaking, the proposed method can achieve good performance for CF defect classification.

目錄
第一章 緒論1
第一節 研究背景與動機1
第二節 研究範圍與目的7
第三節 研究限制10
第四節 研究流程與論文結構11
第二章 文獻探討14
第一節 TFT-LCD與彩色濾光片14
第二節 機器視覺於彩色濾光片相關瑕疵檢測19
第三節 瑕疵紋路分析24
第四節 分類方法26
第五節 資料探勘31
第六節 本章小結32
第三章 研究方法33
第一節 樣本尺度不變定義34
第二節 瑕疵定義35
第三節 灰階共生矩陣39
第四節 特徵值擷取44
第五節 特徵資料維度刪減49
第六節 分類判斷51
第四章 實證分析與結果55
第一節 相同影像於不同輸入角度之實證分析56
第二節 擷取特徵值與角度關係實證分析74
第三節 最具代表性之特徵值實證分析79
第四節 實證分析討論87
第五章 結論與未來研究92
第一節 研究結論92
第二節 未來研究方向94
參考文獻95
附錄一：MatLab計算影像灰階共生矩陣程式碼（.m）100
附錄二：MatLab擷取紋路特徵值程式碼（.m）103
表目錄
表1.1 彩色濾光片於面板材料成本比重結構4
表1.2 彩色濾光片之瑕疵類型8
表1.3 論文流程與架構13
表2.1 製程瑕疵分類表16
表2.2 微觀瑕疵黑缺白缺分類17
表2.3 彩色濾光片微觀瑕疵分類18
表2.4 產品潛在特性20
表2.5 分類方法優缺點表30
表3.1 瑕疵影像特性表36
表3.2 本研究所擷取之全部22項特徵值48
表3.3 BW比率示意表50
表4.1 倒傳遞類神經網路模式參數設定56
表4.2 220筆訓練範例角度為0度之混淆矩陣表58
表4.3 110筆測試範例角度為0度之混淆矩陣表58
表4.4 220筆訓練範例角度為0度並縮減維度之混淆矩陣表60
表4.5 110筆測試範例角度為0度並縮減維度之混淆矩陣表60
表4.6 220筆訓練範例角度為45度之混淆矩陣表62
表4.7 110筆測試範例角度為45度之混淆矩陣表62
表4.8 220筆訓練範例角度為45度並縮減維度之混淆矩陣表64
表4.9 110筆測試範例角度為45度並縮減維度之混淆矩陣表64
表4.10 220筆訓練範例角度為90度之混淆矩陣表66
表4.11 110筆測試範例角度為90度之混淆矩陣表66
表4.12 220筆訓練範例角度為90度並縮減維度之混淆矩陣表68
表4.13 110筆測試範例角度為90度並縮減維度之混淆矩陣表68
表4.14 220筆訓練範例角度為135度之混淆矩陣表70
表4.15 110筆測試範例角度為135度之混淆矩陣表70
表4.16 220筆訓練範例角度為135度並縮減維度之混淆矩陣表72
表4.17 110筆測試範例角度為135度並縮減維度之混淆矩陣表72
表4.18 倒傳遞類神經網路與角度關係實證分析之模式參數設定74
表4.19 880筆訓練範例混合角度特徵之混淆矩陣表75
表4.20 440筆測試範例混合角度特徵之混淆矩陣表75
表4.21 880筆訓練範例與角度關係刪減特徵維度之混淆矩陣表77
表4.22 440筆測試範例與角度關係刪減特徵維度之混淆矩陣表77
表4.23 220筆訓練範例最具代表性之特徵值之混淆矩陣表80
表4.24 110筆測試範例最具代表性之特徵值之混淆矩陣表80
表4.25 220筆訓練範例最具代表特徵保留前20大特徵值之混淆矩陣表82
表4.26 110筆測試範例最具代表特徵保留前20大特徵值之混淆矩陣表82
表4.27 220筆訓練範例最具代表特徵保留前40大特徵值之混淆矩陣表84
表4.28 110筆測試範例最具代表特徵保留前40大特徵值之混淆矩陣表84
表4.29 220筆訓練範例最具代表特徵保留前60大特徵值之混淆矩陣表86
表4.30 110筆測試範例最具代表特徵保留前60大特徵值之混淆矩陣表86
表4.31 各試驗瑕疵正確辨識率比較表87
表4.32 保留前40大BW值下各角度最具代表性之瑕疵特徵值91
圖目錄
圖1.1 TFT-LCD製程流程圖3
圖1.2 AOI技術研發內涵5
圖1.3 AOI技術發展策略及方向5
圖1.4 CF瑕疵檢測之AOI機台顯示介面6
圖1.5 CF十類瑕疵之樣本舉例7
圖1.6 研究流程圖11
圖2.1 TFT-LCD面板結構15
圖2.2 液晶透光原理15
圖2.3 TFT-LCD 單色信號圖15
圖3.1 研究方法流程圖33
圖3.2 樣本尺度不變實驗圖34
圖3.3 一（4×4）的紋路矩陣40
圖3.4 所有在d = 1，θ=0° 下所要掃描之點40
圖3.5 灰階共生矩陣41
圖3.6 灰階明亮度相互關係矩陣例子42
圖3.7 相互關係矩陣42
圖3.8 正規化後關係矩陣的元素值42
圖3.9 倒傳遞類神經網路架構圖51
圖3.10 倒傳遞類神經網路訓練流程54
圖4.1 角度為0度實證分析之誤差收斂圖57
圖4.2 未刪維度時角度與準確率比較圖88
圖4.3 不同角度下準確率與特徵值關係比較圖88
圖4.4 合併四種不同角度下辨識率比較圖89
圖4.5 最具代表性特徵值之辨識率比較圖90

中文部份
[1]孔祥竹（2007），應用類神經網路減少TFT-LCD產品測試項目之研究，交通大學工業工程與管理研究所未出版碩士論文。
[2]吳木杏（2000），彩色濾光片表面瑕疵檢測分析，台灣大學資訊工程學系研究所未出版碩士論文。
[3]拓墣產業研究所（2003），中小尺寸顯示器發展前瞻（初版），台北：拓墣科技股份有限公司。
[4]拓墣產業研究所（2009），剖析全球面版產業競爭力版圖，台北：拓墣科技股份有限公司。
[5]林佑駿（2007），應用遞增式支持向量機於TFT-LCD陣列電路工程閘電極光罩線中瑕疵辨識，中原大學機械工程研究所未出版碩士論文。
[6]金屬工業研究發展中心，2008/10/23 新聞稿。
[7]洪崇祐（2004），應用一維傅立葉分析於TFT-LCD液晶顯示面板之瑕疵檢測，元智大學工業工程與管理研究所未出版碩士論文。
[8]莊凱評（2008），自動光學檢測產業設備發展趨勢，工研院量測技術發展中心，自動化光學檢測種子師資班講義。
[9]陳一斌（2001），TFT 彩色濾光片瑕疵檢測系統，機械工業雜誌十二月。
[10]陳志忠（2001），液晶顯示器的像素點缺陷與亮度均一性之自動化檢測，私立中原大學機械工程研究所未出版碩士論文。
[11]陳振銘（2004）， TFT LCD 檢測與量測技術講義，自強基金會。
[12]陳學宇、蔡孟儒（2005），應用機器視覺於LCD 擴散片之檢測，第五屆全國AOI 論壇B-15，國立交通大學，新竹。
[13]曾彥馨（2003），應用機器視覺於TFT面板之表面瑕疵檢測與分類，私立元智大學工業工程研究所未出版碩士論文。
[14]葉怡成（2004），類神經網路模式應用與實作（八版三刷），台北：儒林圖書有限公司。
[15]趙新民（2003），應用非線性擴散於非同質性紋路之ITO 導電玻璃表面檢測，元智大學工業工程與管理研究所未出版碩士論文。
[16]鄧凱元（2006），應用視覺於TFT-LCD陣列電路工程中瑕疵辨識之研究-畫素電極光罩瑕疵自動分類，中原大學機械工程研究所未出版碩士論文。
[17]錢志豪（2002），建構液晶顯示器（LCD）色彩偏差瑕疵之自動化視覺檢測系統之探討，私立朝陽科技大學工業工程研究所未出版碩士論文。
[18]繆紹綱編譯（2003），數位元影像處理（初版），臺北市：普林斯頓國際有限公司。
英文部份
[1]Amet, A. L., A. Ertuzun and A. Ercil （1998）, Texture defect detection using subband domain co-occurrence matrices, Proceedings of the IEEE Southwest Symposium on Image Analysis and Interpretation, pp. 205-210.
[2]Bakhadyrov, I., M. A. Jafari, T. Fang, A. Safari, S. Danforth and N. Langrana （1998）, Defect defection in indirect layered manufacturing, IEEE International Conference on Systems, Man and Cybernetics, Vol. 5, pp. 4251-4256.
[3]Chan, C. H. and K. H. Pang （2000）, Fabric defect detection by Fourier analysis, IEEE Trans. on Industry Application, Vol. 36, pp.1267-1276.
[4]Chan, Y. C., K. C. Huang and X. Dai （2000）, Nondestructive defect detection in multiplayer ceramic capacitors using an improved digital speckle correlation method with wavelet packet noise reduction processing, IEEE Trans. Packaging and Manufacturing Technology, Vol. 46, pp. 80-87.
[5]Chetverikov, D. （1987）, Texture imperfections, Pattern Recognition Letters, Vol. 6, pp. 45-50
[6]Chou, P. B. （1997）, Automatic defect classification for semiconductor manufacturing, Machine Vision and Applications, Vol. 9, pp. 201–214.
[7]Conners, R. W., C. W. Mcmillin, K. Lin and R. E. Vasquez-Espinosa （1983）, Identifying and locating surface defects in wood : part of and automated lumber processing dystem, IEEE Trans. Pattern Anal. and Mach. Intell., Vol. PAMI-5, pp. 573-583.
[8]Cortes, C. and Vapnik, V. （1995）, Support-vector Networks, Machine learning, 20, pp. 273-297.
[9]Dudoit, S., Fridlyand, J. and Speed, T. （2000）, Comparison of discrimination methods for the classification of tumors using gene expression data. Journal of the american statistical association, 97, pp. 1-43.
[10]Erturk, S. and T. J. Dennis （2000）, Image sequence stabilization based on DFT filtering, IEE Proc.-Vis. Image Signal Process, Vol. 147, pp. 95-102.
[11]Fayyad, U., Piatetsky, G., Smyth, P. （1996）, From Data Mining to Knowledge Discovery in Database, American Association for Artificial Intelligence, pp.37-54.
[12]Haralick, R. M., K. Shanmugam and I. Dinstein （1973）, Textural features for image classification, IEEE Trans. System, Man, Cybern., Vol. SMC-3, pp. 610-621.
[13]Hawthorne, J. （2000）, Electro-optics technology tests flat-panel displays, Laser Focus World, Vol. 36, pp. 271- 276.
[14]Iivarinen, J. （2000）, Surface defect detection with histogram-based texture features, Proceedings of SPIE 4197, pp. 140-145.
[15]Kido. T. （1992）, In-process inspection technique for active-matrix LCD panels, International Test Conference, pp. 795-799.
[16]Kido. T. （1993）, In-process functional inspection technique for TFT-LCD array, Journal of SID, Vol. 1, No. 4, pp. 429-435.
[17]Kido. T. （1995）, 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.
[18]Kim, J. H, Ahn, S., Jeon, J. W. and Byun, J. E. （2001）, A High-Speed High- Resolution Vision System for the Inspection of TFT LCD, ISIE, Pusan , Korea, pp.101-105
[19]Kim, S., Lee, M. H. and Woo, K. B.（1999）, Wavelet analysis to fabric defects detection in weaving processes, Proceedings of the IEEE International Symposium on Industrial Electronics, Vol. 3, pp. 1406-1409.
[20]Kumar, S. （2004）, Neural networks：a classroom approach （1st ed）, Asia：McGraw-Hill Education, pp. 259-313.
[21]Kymeyama, K. （1999）, Semiconductor Defect Classification using Hyperellipsoid Clustering Neural Networks and Model Switching, Neural Networks, Vol. 5, pp. 3505–3510.
[22]Lambert, G. and F. Bock （1997）, Wavelet method for texture defect detection, Proceedings of the IEEE International Conference on Image Processing, Vol. 3, pp. 201-204.
[23]Lee, K. B., Ko, M. S. , Lee, J. J., Koo, T. M., Park, K. H. （2004）, Defect Detection Method for TFT-LCD Panel Based on Saliency Map Model, IEEE Region 10 Conference Volume A, 21-24 Nov. 2004 Vol. 1, pp.223-226.
[24]Li, Y. and T. W. Liao （1996）, Weld defect detection based on Gaussian curve, Proceedings of the Twenty-Eighth Southeastern Symposium on System Theory, pp. 227-231.
[25]Lin C. S., W. Z. Wu, Y. L. Lay and M. W. Chang （2001）, A digital image-base measurement system for a LCD backlight module, Optics & Laser Technology, Vol.33, No. 7, pp.499-505.
[26]Liu, S. S. and M. E. Jernigan （1990）, Texture analysis and discrimination in additive noise, Computer Vision, Graphics and Image Processing, Vol. 49, pp. 52-67.
[27]Malamas,E.N., Petrakis,E.G.M., Zervakis,M., Petit,L. and Legat,J.D. （2003）, A survey on industrial vision systems, applications and tools, Image and Vision Computing, 21, pp. 171-188
[28]Nakashima K. （1994）, Hybrid inspection system for LCD color filter panels, Tenth International Conference on Instrumentation and Measurement Technology, Hamamatsu, pp.689-692.
[29]Ramana, K. V. and B. Ramamoorthy （1996）, Statistical methods to compare the texture features of machined surfaces, Pattern Recognition, Vol. 29, pp. 1447-1459.
[30]Soh, L. and Tsatsoulis, C. （1999）, Texture Analysis of SAR Sea Ice Imagery Using Gray Level Co-Occurrence Matrices, Geoscience and Remote Sensing, vol. 37, no. 2.
[31]Specht, F. D. （1990）, Probabilistic Neural Networks and Polynomial Adaline as Complementary Techniques for Classification, Neural Networks, Vol. 1, No. 1.
[32]Tsai, D. M. and C. Y. Hsieh （1999）, Automated surface inspection for directional textures, Image and Vision Computing, Vol. 18, pp. 49-62.