實證分析討論

由以上實驗本研究透過統計觀點所擷取其彩色濾光片各類瑕疵影像背後所隱含的 瑕疵特徵資訊量可進一步從中探勘出更有意義的訊息，以下整理本研究實驗驗證範圍所 細分三大部份之討論：（表4.31 為各試驗瑕疵辨識正確率比較表）

一、 各類樣本單一個別相同角度擷取其瑕疵特徵，比較何角度下正確率最佳。

二、 各類樣本不同角度下擷取其瑕疵特徵，模擬不同角度下是否判斷正確。

三、 將各類樣本四種角度下擷取出之特徵值，篩選出最具代表性之特徵。

表4.31 各試驗瑕疵辨識正確率比較表

原始資料（22 項特徵值） 保留前 10 大 BW 特徵

實證分析一 訓練_220 測試_110 訓練_220 測試_110

0 度_11 類_每類 30 筆樣本 85.00% 88.18% 83.18% 84.55%

45 度_11 類_每類 30 筆樣本 93.18% 90.91% 83.64% 76.36%

90 度_11 類_每類 30 筆樣本 88.18% 69.09% 87.73% 85.46%

135 度_11 類_每類 30 筆樣本 91.82% 94.55% 88.64% 90.00%

原始資料（22 項特徵值） 保留前 10 大 BW 特徵

實證分析二 訓練_880 測試_440 訓練_880 測試_440

4 種角度_11 類_每類 120 筆樣本 88.30% 90.00% 77.61% 88.18%

原始資料（88 項特徵值） 保留前 20 大 BW 特徵

實證分析三 訓練_220 測試_110 訓練_220 測試_110

各為獨立特徵_11 類_每類 30 筆樣本 100.00% 90.91% 60.91% 62.73%

保留前 40 大 BW 特徵 99.55% 96.36%

保留前 60 大 BW 特徵 98.64% 91.82%

資料來源：本研究整理

實驗一之目的為將十一類樣本（良品、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）各 30 筆樣本，於四種不同 角度下（0 度、45 度、90 度、135 度）搭配同像素距離（10 像素）擷取其瑕疵 22 項特 徵，將同一樣本於不同輸入角度下透過此運算擷取方式是否能正確判斷辨識且在何種角 度下準確率如何進行實証分析比較。由圖4.2 中可明顯看出，在 220 筆訓練樣本 110 筆 測試樣本下，正確辨識分類率以 45 度及 135 度的方向進行灰階共生矩陣的統計後擷取 之特徵較高。而透過 BW 比率所刪減維度後僅保留前 10 筆特徵值所進行倒傳遞類神經 網路辨識率皆低於未刪減前（其比較圖於圖4.3），故合理堆論此 22 項特徵值皆具有重 要代表性不可任意刪減。

圖4.2 未刪維度時角度與準確率比較圖 資料來源：本研究整理

圖4.3 不同角度下準確率與特徵值關係比較圖 資料來源：本研究整理

實驗二之目的透過將十一類樣本各 30 筆樣本，每一樣本各於四種不同角度下（0 度、45 度、90 度、135 度）搭配同像素距離（10 像素）擷取其瑕疵 22 項特徵，故總樣 本數達 1320 張。此乃模擬當樣本於不同輸入角度下透過此運算擷取方式是否能正確判 斷辨識，而其訓練辨識結果正確率達88.30%，測試辨識結果正確率達 90.0%（圖 4.4）。

由實驗結果可知當樣本於取像環境不定、光源不一、放大倍率未知且在無定位矯正的情 況下仍可以正確辨識其類別。故，運用此統計觀點之灰階共生矩陣來擷取瑕疵特徵是可 行且具可靠性的。相對的經BW 比率法刪減特徵維度後，其分類辨識率不盡理想。故可 推論在此工業瑕疵類型之中其瑕疵類別所依據之特徵值當予以刪減之時，反而導致其辨 識不佳的結果；因此在實驗二於瑕疵維度方面也應採全部投入而不予以刪減。

圖4.4 合併四種不同角度下辨識率比較圖 資料來源：本研究整理

實驗三之目的為將十一類樣本各30 筆樣本，於四種不同角度下搭配同像素距離（10 像素）擷取其瑕疵22 項特徵共獲得之 88 項特徵一併匯入分析，予以比較是否能正確判 斷辨識，且進一步探勘其在不同角度下所擷取之某些較高BW 值是否能正確分類瑕疵。

由實驗可知當全數四角度搭配 22 項特徵值一併進行瑕疵分類辨識正確率在訓練方面達 100%，測試方面正確率達 90.91%，而進一步刪減維度各保留前 20、前 40、前 60BW 值 高之特徵投入倒傳遞進行比較，可發現僅採用前 40 筆 BW 值較高的特徵值時更可獲得 更優異的分類表現在訓練方面達 99.55%，測試方面正確率達 96.36%，故推論刪減過多 維度或保留過多皆不盡理想；此 40 筆特徵值資料列於表 4.32，為各角度下最具代表性 之特徵值，其中以 45 度及 135 度保留較多，印證實驗項目一的推論：在此兩角度下有 較優異的分類效果；特徵值方面：06_Cluster Shade、08_Entropy、09_Homogeneity：

matlab、11_Maximum probability、12_Sum of sqaures：Variance、14_Sum variance、

16_Difference variance，則是不論在何角度下皆極其重要而需保留此特徵值。

圖4.5 最具代表性特徵值之辨識率比較圖 資料來源：本研究整理

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

特徵值 \ 角度 0 度 45 度 90 度 135 度

01_Autocorrelation [2] 1 23 45 67 02_Contrast [1,2] 2 24 46 68 03_Correlation 3 25 47 69 04_Correlation [1,2] 4 26 48 70 05_Cluster Prominence [2] 5 27 49 71 06_Cluster Shade [2] 6 28 50 72 07_Energy [1,2] 7 29 51 73

08_Entropy [2] 8 30 52 74

09_Homogeneity 9 31 53 75

10_Homogeneity [2] 10 32 54 76 11_Maximum probability [2] 11 33 55 77 12_Sum of squares Variance [1] 12 34 56 78 13_Sum average [1] 13 35 57 79 14_Sum variance [1] 14 36 58 80 15_Sum entropy [1] 15 37 59 81 16_Difference variance [1] 16 38 60 82 17_Difference entropy [1] 17 39 61 83 18_Information measure of correlation1 [1] 18 40 62 84 19_Informaiton measure of correlation2 [1] 19 41 63 85 20_Inverse difference （INV） is homom [3] 20 42 64 86 21_Inverse difference normalized （INN） [3] 21 43 65 87 22_Inverse difference moment normalized [3] 22 44 66 88 註：GLCM Features （1：Haralick, 1973；2：Soh and Tsatsoulis, 1999；3：Clausi 2002）

資料來源：本研究整理

在瑕疵樣本採樣類別之抉擇方面則大致有以下議題尚需克服：

一、由於此方式主要依據其樣本圖像中，該瑕疵類型灰階資訊量共同發生次數而進行之 比較運算，若當該瑕疵類型不牽涉到紋路破損而是色彩方面之瑕疵類型，如：雷射補錯 色…等，因當影像轉為灰階時期資訊量銳減而將不適用。

二、巨觀瑕疵且具光線折射條件影響因素，如：Mura 瑕疵，當影像轉為灰階時其資訊