料帶置放錯誤型檢測 - 檢測階段—流程及演算法 - 檢測流程與演算法

第三章研究方法

3.2 檢測流程與演算法

3.2.2 檢測階段—流程及演算法

3.2.2.1 料帶置放錯誤型檢測

料帶置放錯誤型瑕疵為缺件、側翻與極性反，其中，缺件及側翻之影像特徵皆有 SMD-LED 區域面積不足之現象。因此，若我們先找出 SMD-LED 區域之最小包覆矩形面積，再對此面積數值進行分析，便可找出此兩瑕疵。至於極性反之情況，可藉由標準樣本資料庫中所訓練之閥值，與待測物件之相對自動框選極性區域之灰階度做比較，若灰階度大於此閥值，則判定為極性反，流程如圖 3-10，

並於下詳述。

32 開始

選取最大面積之連通元件RLED_inspection

取得RLED_inspection之最 小包覆矩形面積a Ri_inspection

計算Ri_inspection 之帄均

缺件與側翻檢測

取得影像後，首先，將其自動二值化，得到灰階值較高之區域，並藉由 Blob 分析，取得最大面積之 Blob 區域 RLED。此區域即為 SMD-LED 區域之候選區域。

若 SMD-LED 候選區域不存在，則 Blob 個數不會大於零，此時判定為缺件。當 Blob 個數大於零，表示有一個以上之連通區域，其灰階值為整張影像偏高之區域，但此區域有可能只是雜訊，仍可能發生缺件之情況，如圖 3-11 之缺件現象仍有 2 個像素。

因此，我們直觀地構想，以 SMD-LED 候選區域 R_LED之面積做進一步的分 類判斷。但因 RLED候選區域之面積是經 Otsu 自動二值化後，取出影像中灰階值偏高之區域的結果，表面髒汙或電極之反光不確定等因素可能使得灰階值偏高之 區域受到影響，意即 RLED受到影響。此時，若進行此區域面積之缺件與側翻之判斷時，容易產生瑕疵類別上的誤判。

所以，先不使用 RLED之面積做為判斷，而是以 SMD-LED 候選區域之最小包覆矩形的面積做為判斷，如圖 3-11。首先，利用 blob 分析，計算 SMD-LED 候選區域之最小包覆矩形的面積值a。而後，將^a輸入最小距離分類器中進行分類，最小分類器由標準元件資料庫得之。利用式(2)以a對 m^k計算歐幾里得距離 Dk， m^k為訓練階段中三種類別(缺件、側翻、正常)之 SMD-LED 區域的面積帄均，

k 

1,2,3 用以表示此三類別。接著，利用D^k做為a所屬類別之決策函數，

若 Dⁱ(a) 值為最小，則代表三類別中，a對第 i 類別之帄均值為最短距離，亦即a距離第 i 類別最近，因此將此待測元件歸屬於第 i 類別。

範圍 Ri_inspection，Ri_inspection是根據重心相對位移法自動產生。我們將說明重心相

對位移法於下段落。

首先令 RLED_inspection之重心為 C(RLED_inspection

)、 R

LED_train之重心為 C(

R

LED_train

)、R

i_train之重心為 C(Ri_train

)。R

LED_inspection、

R

LED_train、Ri_inspection、Ri_train

分別為待測元件之 SMD-LED 區域、標準元件之 SMD-LED 區域、待測元件之極 C(Ri_train) C(RLED_inspection) C(Ri_inspection) 標準元件之LED區域

反框選區域重心」

C(R

i_inspection

)。C(R

i_inspection

)產生後，依據(ii) R

i_train之長 L(Ri_train)、

寬 W(Ri_train)重新框選待測元件之極性反區域 Ri_inspection。以圖 3-13 說明重心相對 位移法。簡明起見，假設 C(R_{i_train}

)至 C( R

LED_train

)位於同一 X 座標，即 d

x(C(Ri_train

)

C( R

LED_train

))=0。

(a) 圖示 d_y(C(R_{i_train}

)

, C(R_{LED_train}

))

(b) 計算待測元件之「極性反框選區域重心」C(Ri_inspection

)

，

以 C(RLED_inspection

)為原點，向直角坐標之 Y 軸正方向位移

d(C(Ri_train

)

, C(R LED_train

))

(c) 圖示 L(Ri_train)、寬 W(Ri_train)

(d) 新產生待測元件之極性反區域 Ri_inspection ，以 R_{i_train}之長 L(R_{i_train})、

寬 W(Ri_train)

圖 3-13 利用重心相對位移法，自動框選待測元件之極性反區域

利用重心相對位移法自動產生Ri_inspection後，接著算出Ri_inspection帄均灰階值

G(Ri_inspection

)。藉由觀察正常與極性反之影像可以發現，若待測元件發生極性反

現象，則其帄均灰階會較正常值高出許多，如表3-2，於是以下列虛擬碼，就可以判斷出該元件是否具極性反。

料帶置放錯誤型檢測

第三章研究方法

3.2 檢測流程與演算法

3.2.2 檢測階段—流程及演算法

3.2.2.1 料帶置放錯誤型檢測

k 

)、 R

R

)、R

)。R

R

C(R

)。C(R

)產生後，依據(ii) R

)至 C( R

)位於同一 X 座標，即 d

)

C( R

))=0。

)

))

)

)為原點，向直角坐標之 Y 軸正方向位移

)

))

)。藉由觀察正常與極性反之影像可以發現，若待測元件發生極性反

Define a is a constant from training phase If G(R

) > α

Then 極性反

End if

料帶置放錯誤型檢測

第三章 研究方法

3.2 檢測流程與演算法

3.2.2 檢測階段—流程及演算法

3.2.2.1 料帶置放錯誤型檢測

k 

)、 R

R

)、R

)。R

R

C(R

)。C(R

)產生後，依據(ii) R

)至 C( R

)位於同一 X 座標，即 d

)

C( R

))=0。

)

))

)

)為原點，向直角坐標之 Y 軸正方向位移

)

))

)。 藉由觀察正常與極性反之影像可以發現，若待測元件發生極性反

Define a is a constant from training phase If G(R

) > α

Then 極性反

End if

第三章研究方法

)。藉由觀察正常與極性反之影像可以發現，若待測元件發生極性反