擷取特徵值與角度關係實證分析

此實驗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，

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。在此項實驗 中，我們將不同角度擷取的特徵值視為不同角度下的影像樣本，故樣本總數為1320（11 類，每類30 筆，4 種角度）。表 4.18 為倒傳遞類神經網路於實證二之模式參數設定：

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

輸入變數數目 22 輸入變數機率對映 1.96 倍標準差

輸出變數數目 11 輸出變數區對映 0.2-0.8 原始範例筆數 1320 範例取樣隨機亂數種子 0.456

訓練範例數目 880 學習循環 10000

測試範例數目 440 測試週期 100

學習速率初始值 1.0 慣性因數初始值 0.5 學習速率衰減率 0.99 慣性因數衰減率 0.99 學習速率下限值 0.1 慣性因數下限值 0.1 資料來源：本研究整理

在1320 筆樣本資料中，經 BPN 模式訓練測試後，得誤差均方根及誤判率資料如下：

訓練範例：誤差均方根（RMSE）：0.11060；誤判率（Error rate）：0.11705 測試範例：誤差均方根（RMSE）：0.10948；誤判率（Error rate）：0.10000

表4.19、4.20 則分別列出訓練與測試資料中各類別的分類結果，在訓練方面其中以 良品、白缺、黑缺、突起與 PS 光阻殘留誤判為黑缺與膜面傷比率最高；在測試方面以 白缺與突起誤判為Cr 蝕刻不良比率最高。

表4.19 880 筆訓練範例混合角度特徵之混淆矩陣表

在探討不同角度下所擷取之特徵值合併辨識情況下，透過 BW 比例法保留前 10 大 特徵值，瑕疵類型11 類，每類 120 筆樣本進行試驗，經 BPN 模式訓練測試後，得誤差 均方根及誤判率資料如下：

訓練範例：誤差均方根（RMSE）：0.11409；誤判率（Error rate）：0.22386 測試範例：誤差均方根（RMSE）：0.09131；誤判率（Error rate）：0.11818 BPN 倒傳遞網路模式建構完成共 215.5 秒。

表4.21、4.22 則分別列出訓練與測試資料中各類別的分類結果，在訓練方面其中以 白缺、突起、金屬殘留與 PS 光阻殘留誤判為黑缺、ITO 缺陷與膜面傷比率最高；在測 試方面以白缺、突起與PS 光阻殘留誤判為黑缺、ITO 缺陷與膜面傷比率最高。

表4.21 880 筆訓練範例倒傳遞類神經網路與角度關係刪減特徵維度之混淆矩陣表

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，合併成 為實驗樣本故總樣本數達 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%。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 位矯正的情況下我們仍可以透過此方式正確辨識其類別。從實驗數據中可以發現在四種 角度之下目標類別為良品與突起之瑕疵類型被誤判為黑缺、膜面傷與 Cr 蝕刻不良的比 率為最高，透過僅保留 BW 比率前 10 大之特徵值作為輸入的誤判類別亦同，但訓練與 測試範例之辨識正確率則同時降低，故合理堆論此 22 項特徵值對於個別樣本進行辨識 下，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。