第四章 演算法驗證與檢測結果
4.2 實驗參數設定
本研究第三章提出的演算法中，包含
1與
2兩個重要的影像灰階參數值，
1 的目的為先將過暗或是過亮的瑕疵找出，以減少演算法運算時間；而
2的目的 則是將剩餘的影像區域，進一步做細微瑕疵的檢測。因此，參數值
1與
2之決 定，將影響檢測的結果。在實驗設計中敏感度分析是使模型的變數在某特定範圍內變動，以觀察模型 行為或變化情形的一種分析方式。本研究透過敏感度實驗，先挑選 10 張無瑕疵 影像、任意 22 張含不同類瑕疵影像，做為實驗樣本，如表 4.1。
表 4.1 敏感度實驗樣本
瑕疵項目 無瑕疵 微粒或汙染 探針痕異常 護層不良 樣本總數
張數 10 11 10 1 32
29
分別針對
1與
2做敏感度分析，目的是希望能找出參數的最適區間，使演 算法能提高瑕疵偵測率，並減少假警報的情況發生。本研究之演算法中，參數
1的目的是先將過暗或是過亮的瑕疵找出；而
2的 目的則進一步做細微瑕疵的檢測，其中
1必頇大於
2做兩階段的檢測。因此在 進行參數敏感度分析之前，必頇先決定
1與
2適當的變動區間。由於本研究使用灰階差的概念來偵測影像中的異常區域，針對參數
2，希 望找出點與點之間，灰階值相差
2以上的像素點，定義其為可能的瑕疵點。表 4.2 為各個圖紋區域帄均灰階值與標準差。由表 4.2 中可以看出，各個圖紋區域 內的灰階值雖然呈現均勻分布，但仍存在些微的差異，若
2設定過小，可能將 過多的正常區域誤判為瑕疵區域；反之，若
2設定過大，則無法有效偵測出瑕 疵。因此，本研究於第一階段之敏感度分析(針對參數
1)，將參數
2固定為 15(取 各個圖紋區域的灰階值最小與最大標準差之中間值)，並設定
1變動區間為 16 至 56 (
1必頇大於
2)，若此區間無法取得
1最適範圍，則再將變動區間擴大，重新進行實驗。第二階段之敏感度分析(針對參數
2)，利用第一階段所取得的參 數
1，並且設定
2變動區間為 5 至 (
1-1) 進行實驗。表 4.2 圖紋區域之帄均灰階值與標準差
圖紋區域 離子植入區(P+) 銲墊(Pad) 底層 聚醯亞胺膜(PI)
帄均灰階值 158 214 189 65
灰階值標準差 8 26 5 5
30
4.2.1 參數
1之敏感度分析首先將
2值固定為 15，並且逐一變動
1之數值從 16 至 56，結果如圖 4.1。圖 4.1 改變參數
1之數值的檢測結果由圖 4.1 中可看出，當參數
1之數值低於 38 時，檢測結果會產生大量假警 報(誤判)的情況；而當
1之數值設定高於 45 時，則對探針痕異常的影像常常會 發生漏偵測(False Negative)，如圖 4.2 為其中一張漏偵測的影像。(a) (b)
圖 4.2 (a)原影像及漏偵測之影像、(b)正確檢測之結果影像
因此，由實驗可得知，若
1之數值設定過低，系統容易出現假警報的情況；反之，若
1之數值設定過高，則系統不容易偵測出瑕疵影像。當參數
1之數值 設定在 38 至 47 之間，系統不但可以得到較好的準確率，且可降低假警報和漏偵 測的情形。31
4.2.1 參數
2之敏感度分析經過第一階段對於參數
1的敏感度分析後，可得到
1適當的範圍介於 38 至 47 之間，因此第二階段即再針對參數
2進行敏感度分析，先將
1之數值設定為 42 (38 與 47 的中間值)，並且逐一變動
2之數值從 5 逐一增至 41 (
2必頇小於
1)，結果如圖 4.3。圖 4.3 改變參數
2之數值的檢測結果由圖 4.3 可以得知，當參數
2之數值設定過小(低於 12)時，代表檢測的條件 更為嚴謹，導致假警報發生的情況非常嚴重；而當
2之數值設定高於 20 時，則 有 1 張護層汙染的瑕疵影像，如圖 4.4，被漏偵測了。(a) (b)
圖 4.4 (a)原影像及漏偵測之影像、(b)正確檢測結果之影像
32
人機一致性 77.10%(2000/2594) 誤判率(False Positive Rate) 20.39%(529/2594) 漏判率(False Negative Rate) 2.51%(65/2594) [註一]: 對檢測結果而言，
在文檔中
晶粒圖紋瑕疵之自動檢測
(頁 38-42)