臺灣博碩士論文加值系統

影像辨識技術在目前工業界的應用己相當普遍，因為它的檢測速度快，檢查錯誤率低，同時能即時對檢查數據進行分析與異常回饋，己逐漸取代以往的人工檢測作業方式。而隨著顯示器技術的提升，具有3D影像功能的顯示器將會是未來的基本需求，其中柱狀透鏡陣列(Lenticular Lens Array)的立體顯示技術，在觀看時不必配戴眼鏡即能觀賞3D立體影像，且擁有售價便宜的優點。但目前柱狀透鏡陣列技術的顯示器仍是依賴人員進行檢測，確認貼合紋路的傾斜角度是否在規格之內，此作法相當費時、且不準確。
因此本研究提出一套適用於「3D面板貼合檢測之自動化光學檢測系統」，利用CCD鏡頭擷取影像，再經由檢測系統檢測柱狀透鏡陣列板的貼合狀況，取代人員檢測，減少檢測的誤判率與差異性，亦可提升生產速度、降低生產成本，達到製程監控的目的。經實驗結果得知，本研究所開發的檢測系統，對於檢測環境有光源強弱之變化、檢測影像中殘有背景雜訊或者在進行黑紋傾角偵測時，黑紋不完整且有破損的狀況下，仍然可有效檢測出面板貼合狀況，整體檢出率可達96%。

Image recognition technology has been quite common in industrial applications.
Compared with the traditional manual inspection method , it is superior for its speedy testing , high accuracy and reliability. With the rise of display technology, TV with 3D imaging capabilities will be the basic needs of the future. The Lenticular Lens Array with no aided glasses and has the advantages of lower prices among stereoscopic display technology. Now, flat display panel of Lenticular Lens Array still relying on manual inspection methods. It is very time consuming and not accurate.
In this thesis, a Image recognition technology is proposed to deal with the critical problem mentioned above. This technology will replace the traditional manual inspection method because it has high speed detection and low detection error rate. It is able to flat display panel bonding process check from different lighting environment and Image noise.
Experimental results show this technology is able to flat display panel bonding process check from different lighting environment and Image noise, and also achieves average recognition rate 96%.

目錄
摘要 I
Abstract II
致謝 III
目錄 IV
圖目錄 VI
表目錄 VII
第一章 緒論 1
1.1 研究動機與目的 1
1.2文獻回顧 3
1.2.1 二值化的門檻值選擇 3
1.2.2 車牌定位 4
1.2.3 文字切割 5
1.3 論文架構 6
第二章 硬體規劃與系統流程 7
2.1硬體架構 7
2.1.1 電腦 ThinkPad R61 7
2.1.2 彩色攝影機 SC-C301N 7
2.1.3 鏡頭 H0514-MP2 8
2.1.4 影像擷取卡 EZMaker USB SDK-C039P 9
2.2 系統流桯 10
第三章 面板定位系統 12
3.1影像前處理 13
3.1.1 灰階轉換 13
3.1.2 中值濾波器 14
3.2影像二值化處理 14
3.3 投影法 19
第四章 黑紋傾斜角度辨識 23
4.1 檢測黑紋切割 23
4.2 傾斜角度偵測 25
4.2.1 黑紋中心線特徵抽取 25
4.2.2 Hough transform 26
第五章 實驗結果 31
5.1 面板定位 31
5.2 檢測黑紋切割 36
5.3 黑紋傾斜角度偵測 38
5.4 討論 41
第六章 結論與未來展望 44
6.1結論 44
6.2未來展望 44
參考文獻 46

圖目錄
圖 1.1 柱狀透鏡陣列與平面顯示器貼合示意圖 1
圖 1.2 貼合後檢測示意圖 2
圖 1.3目前貼合後檢測手法示意圖 2
圖 2.1系統架設示意圖 7
圖 2.2 SC-301N彩色攝影機 8
圖 2.3 H0514-MP2鏡頭 8
圖 2.4 圓剛 EZMaker USB SDK-C039P 9
圖 2.5 貼合檢測系統流程圖 11
圖 3.1 面板定位系統執行流程圖 12
圖 3.2 檢測面板影像 13
圖 3.3 Otsu門檻值與直方圖 15
圖 3.4 不同環境照度下的檢測影像狀況 17
圖 3.5 二值化門檻值和灰階平均值的方程式曲線 18
圖 3.6 面板檢測影像二值化處理 18
圖 3.7 影像二值化處理流程 19
圖 3.8面板定位處理 20
圖 3.10 使用垂直投影對面板進行定位 21
圖 4.1 黑紋傾斜角度辨識流程 23
圖 4.2 使用垂直投影找出黑紋位置 24
圖 4.3 對檢測黑紋進行特徵抽取 25
圖 4.4 黑紋傾角偵測處理 26
圖 4.5 斜載式Hough transform示意圖 27
圖 4.6 斜載式Hough transform直線偵測示意圖 28
圖 4.7 極座標Hough transform示意圖 29
圖 4.8 斜載式Hough transform直線偵測示意圖 29
圖 5.1 面板定位流程與結果 32
圖 5.2 正常環境照度下的面板定位處理 33
圖 5.3 低環境照度下的面板定位處理 34
圖 5.4 高環境照度下的面板定位處理 35
圖 5.5 影像背景有雜訊下的定位處理 36
圖 5.6 檢測黑紋切割處理 37
圖 5.7 失敗的檢測黑紋切割影像 38
圖 5.8 檢測黑紋影像不完整下的傾角偵測處理 39
圖 5.9 黑紋傾角偵測 40
圖 5.10 採用一組二值閥值切割失敗的影像範列 42
圖 5.11 採用二組二值閥值切割的影像範列 42

表目錄
表 2.1 SC-301規格表 8
表 2.2 H0514-MP2規格表 9
表 2.3 EZMaker USB SDK-C039P規格表 10
表 5.1 面板定位結果 31
表 5.2檢測黑紋切割結果 38
表 5.3 黑紋傾角偵測結果 39

[1] Bellas, N., S. M. Chai, M. Dwyer, and D. Linzmeier, "FPGA implementation of a license plate recognition SoC using automatically generated streaming accelerators," in Proc. 20th IPDPS, Rhodes Island, Apr.25-29, 2006, pp.8-15.
[2] Broumandnia, A. and M. Fathy, "Application of pattern recognition for farsi license plate recognition," Int. Journal on Graphics, Vision and Image Processing, vol.5, no.2, pp.25-31, Jan. 2005.
[3] C. Coetzee, C. Botha and D. Weber, “PC based number plate recognition system,” in Proc. IEEE Symposium on Industrial Electronics, vol. 2, pp. 605-610, July 1998.
[4] Draghici, S., "A neural network based artificial vision system for license plate recognition," Int. Journal of Neural Systems, vol.8, no.1, pp.113-126, Feb. 1997.
[5] Hsieh, C.-T., Y.-S. Juan, and K.-M. Hung, "Multile license plate detection for complex background," in Proc. 19th Int. Conf. on Advance Iinformation Networking and Applications, Taipei, Taiwan, Mar28-30, 2005, pp.389-392.
[6] Kamat, V. and S. Ganesan, "An efficient implementation of the Hough transform for detecing vehicle license plates using DSP'S," in Proc. Conf.Real-Time Technology and Application., Chicago, IL, May 15-17, 1995,pp.58-59.
[7] Kahraman, F., B. Kurt, and M. Gökmen, “License plate character segmentation based on the Gabor transform and vector quantization,” Lecture Notes on Computer Science, vol. 2869, pp. 381-388, 2003.
[8] N. Otsu, “A Thresholding Selection Method from Gray LevelHistograms,” IEEE Transactions on Systems, Man and Cybernetics,vol. 9, pp. 62-66, 1979.
[9] Rahman, C. A., W. Badawy, and A. Radmanesh, “A real time vehicle’slicense plate recognition system,” in Proc. IEEE Conf. on Advanced Video and Signal Based Surveillance, Miami, FL, Jul.21-23, 2003,pp.163-166.
[10] Suryanarayana, P. V., S. K. Mitra, A. Baneree, and A. K. Roy, "A morphology based approach for car license plate extraction," in Proc. IEEE India Conf.(INDICON), Chennai, India, Dec.11-13, 2005, pp.24-27.
[11] W. Wu, M. J. Wang and Z. X. Huang, “An automatic method of location for number-plate using color features,” in Proc. IEEE International Conference on Image Processing, pp. 782-785, 2001.
[12] Yan, D., H. Ma, J. Liu, and L. Li, “A high performance license plate recognition system based on the web technique,“ in Proc. Conf. Intelligent Transportation Systems, Oakland, CA, Aug.25-29, 2001, vol.5, no.1, pp.325-329.
[13] Y. T. Hsu, C. B. Lin, S. C. Mar., and S. F. Su, "High noise vehicle plate recognition using gray system," Journal of Gray Systems,pp.193-208, 1998.
[14] Zhang, H., W. Jia, X. He, and Q. Wu, "Learning-based license plate detectionusing global and local features," in Proc. 18th Int. Conf. Pattern Recognition,Hong Kong, Sep.18, 2006, vol.2, pp.1102-1105.
[15]林泰良，"智慧型車牌定位與字串分割"，國立台灣大學"，電機工程所碩士論文，2000。
[16]陳翔傑，"自動化車牌辨識系統設計"，"國立中央大學"，電機工程研究所碩士論文，2005。
[17]簡維皇，"用於路口查驗贓車的車牌辨識系統"，"國立中央大學"，資訊工程研究所碩士論文，2012。
[18]松橋工作室，"Visual Basic 6 完美的演繹"，知城數位科技股份有限公司，2003。
[19]賴岱佑、劉敏，"數位影像處理技術手册"，文魁資訊出版，2007。
[20]繆紹剛，"數位影像處理"，普林斯頓國際有限公司，2007。