本研究的研究背景為考量到各大電子元件廠商近年來導入機器視覺系統，並配合機器學習以檢測產品瑕疵；然而機器視覺系統取得影像之過程耗費時間及程序相對繁瑣，可能使得其效率有比人工進行瑕疵檢測低；此外應用於機器學習所擷取之影像的品質若是不佳，會導致進行瑕疵偵測時出現無法正確辨識瑕疵；因此，本研究以案例公司為改善對象，提升其取像效率及優化其取像品質；在提升取像效率方面，在導入工業相機、遠心鏡頭、移動平台等硬體搭配取像軟體FlyCapture後，將案例公司整體取像流程由十四個步驟減少至九個步驟，花費時間降低了68.87%；在取像品質的優化方面則是利用田口品質工程的手法取得應用於機器視覺系統的最佳取像參數組合為照度在25000 Lux、快門速度為5 ms及曝光值設於0.0 EV，以此組參數取像後並取得其瑕疵檢測模型，將原先案例公司所用瑕疵檢測模型的準確率由57%提升至87%。

The background of this study is considering that electronic component manufacturers apply machine learning to inspect defects with machine vision systems nowadays; however, the process of taking images with machine vision systems might take more time with complicated procedures, which might result in that the efficiency is lower than manual inspection. In addition, if the quality of captured images which are applied for machine learning is not acceptable, it will lead to the situation that the defects cannot be identified correctly. Therefore, this study cooperates with a company, in order to improve its efficiency of obtaining images and to optimize image quality. About improving efficiency of obtaining images, by introducing industrial camera, telecentric lenses, sliding stage and image capturing software called FlyCapture, the steps of whole procedure are eliminated from 14 steps to 9 steps, and the cost of time is reduced about 68.87%. About optimizing image quality, this study gets the optimal parametric combination of machine vison system for capturing images is 25000 Lux for illuminance, 5ms for shutter speed and 0.0 EV for exposure value by applying Taguchi method. By this parametric combination, it raises the accuracy of the defect inspection system used by company which cooperating with from 57% to 87%.

摘 要 i
ABSTRACT ii
誌 謝 iv
目 錄 v
表目錄 vii
圖目錄 viii
第一章 緒論 1
1.1 研究背景 1
1.2 研究動機及目的 1
1.3 研究範圍及限制 2
1.4論文架構 3
第二章 文獻探討 4
2.1 機器視覺系統 4
2.2 自動光學檢測設備 6
2.3 工業相機 7
2.4 田口方法 8
2.5 影像處理 9
第三章 研究方法 11
3.1 研究流程 11
3.2 影像擷取硬體 12
3.2.1 顯微鏡 12
3.2.2 工業相機 13
3.2.2.1 感光元件 13
3.2.2.2 解析度 13
3.2.2.3 像素總量 14
3.2.2.4 色彩深度 14
3.2.2.5 幀率 15
3.2.2.6 曝光 15
3.2.3 鏡頭 16
3.2.3.1 定焦鏡頭 16
3.2.3.2 變焦鏡頭 17
3.2.3.3 遠心鏡頭 17
3.3 田口方法 18
3.3.1 田口參數設計 19
3.3.2 直交表 20
3.3.3 信號雜音比 20
3.3.4 Omega 轉換 21
3.3.5 確認實驗 22
第四章 實驗設計及進行 24
4.1 確認目前取像設備規格 24
4.2 確認目前取像至瑕疵偵測之流程及效率 27
4.2.1 針對取像流程與效率相關分析 27
4.3 建立可助提升取像效率相關軟、硬體 29
4.3.1 可助提升取像效率相關硬體 30
4.3.2 可助提升取像效率相關軟體 33
4.4 確認改善後取像效率 36
4.5 設計用於提升取像品質田口實驗參數 37
4.6 進行實驗 41
4.6.1 確認各種瑕疵數量及種類 41
4.6.2 取像數量與標記方式確認 42
4.6.3 數據收集方式 44
第五章 實驗結果與分析 45
5.1 實驗結果 45
5.2 結果分析 47
5.3 確認實驗 48
第六章 結論與建議 50
6.1 結論 50
6.2 建議 51
參考文獻 52

水本洋, 藪田義人, 小林弘典, 有井士郎, 1996, “能動視点を持ったステレオマシンビジョンシステムの開発”, 精密工学会誌, vol 62, no. 10, pp. 1434-1438。
林正淳，2010，光學機構設計-光學產品的設計聖經，台北：三民書局，第390-398頁。
林汝成，2016，應用田口方法於面板框膠機台效能最佳化，碩士論文，逢甲大學資訊電機工程碩士在職專班，台中。
洪晨銘，2019，應用人工智慧方法與田口方法優化製程參數-以射出成型機為例，碩士論文，中原大學工業與系統工程學系研究所，桃園。
洪竣鴻，2017，開發焊點失效分析之機器視覺檢測系統，碩士論文，國立台北科技大學工業工程管理學系，台北。
康茂龍，2010，機器視覺系統攝影機的應用，中央印製廠，台灣。
張黃堯，2019，應用於機器視覺辨識系統之元件影像擷取品質優化-以DPC基板產品為例，碩士論文，國立台北科技大學工業工程管理學系研究所，台北。
陳宗祺，2002，整合模糊理論與影像物件化處理於高效率影像傳輸之研究，碩士論文，國立台灣科技大學應用科技研究所，台北。
游博慎，2008，應用快速視覺定位技術於 TFT-LCD 覆晶薄膜自動化檢測，碩士論文，國立台北科技大學工業工程管理學系，台北。
溫航瑞，2013，基於邊緣分析之模糊影像還原法及其設計與實現，碩士論文， 中興大學電機工程學系研究所，台中。
蔡坤展，2017，以 AOI 技術作多種皮革之表面瑕疵檢測，碩士論文，國立雲林科技大學電機工程系，雲林。
謝宛儒，2017，應用田口方法進行手沖咖啡最佳化之研究，碩士論文，健行科技大學工業管理系研究所，桃園。
謝承諭，2009，自動光學檢測系統與創新構思問題解決法(TRIZ)之整合應用-以精密鋼珠表面瑕疵檢測為例，碩士論文，國立台北科技大學工業工程管理學系，台北。
蘇朝敦譯，2013，品質工程：線外方法與應用，新北：前程文化，第184-188頁。
蘇朝敦譯，2013，品質工程：線外方法與應用，新北：前程文化，第242-245頁
Abdullah, M. Z., Aziz, S. A., & Dos Mohamed, A. M., 2007, “Quality Inspection of Bakery Products Using a Color-Based Machine Vision System”, Journal of Food Quality, Vol. 23, no. 1, pp. 39-50.
Belbachir, A. N., Lera, M., Fanni, A., & Montisci, A, 2005, “An automatic optical inspection system for the diagnosis of printed circuits based on neural networks”, Fourtieth IAS Annual Meeting. Conference Record of the 2005 Industry Applications Conference, vol. 1, pp. 680-684.
Fan, K. C., & Hsu, C., 2005,” Strategic planning of developing automatic optical inspection (AOI) technologies in Taiwan”, In Journal of Physics: Conference Series, vol. 13, no. 1,pp. 394.
Kingsbury, N., 1999, “Image processing with complex wavelets”, Philosophical Transactions of the Royal Society of London. Series A: Mathematical, Physical and Engineering Sciences, vol. 357, no. 1760, pp. 2543-2560.
Lahajnar, F., Pernuš, F., & Kovačič, S., 2002, “Machine Vision System for Inspecting Electric Plates”, Computer in Industry, Vol. 47, no. 1, pp. 113-122.
L'Hostis, P., Byers, F., Podio, F. L., & Tang, X., 1999, “Microscopic Image Analysis of Defect Areas in Optical Disks”, Recent Advances in Metrology, Characterization, and Standards for Optical Digital Data Disks, Vol. 3806, International Society for Optics and Photonic, pp106-112.
Rau, H., & Wu, C. H., 2005, “Automatic optical inspection for detecting defects on printed circuit board inner layers”, The International Journal of Advanced Manufacturing Technology, Vol. 25, no. 9-10, pp. 940-946.
Wang, Z., & Bovik, A. C., 2002, “A universal image quality index”, IEEE signal processing letters, vol. 9, no. 3,pp. 81-84.