最具代表性之特徵值實證分析

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，

將同一樣本於不同輸入角度下透過此運算擷取方式所共獲得之 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 值是否最具代表性，可據以將瑕疵正確分類。在此項實驗中樣本總數為 330 筆，每 一樣本共擷取88 項特徵；其後透過 BW 比例法分別保留前 20/40/60 大特徵值。至於 BPN 模式之參數設定則除了輸入變數外，其餘如表4.1。

壹、所有特徵合併辨識結果

訓練範例：誤差均方根（RMSE）：0.05558；誤判率（Error rate）：0.00000 測試範例：誤差均方根（RMSE）：0.09115；誤判率（Error rate）：0.09091

表4.23、4.24 則分別列出訓練與測試資料中各類別的分類結果，在訓練方面辨識率 100%；在測試方面以突起誤判為白缺與光祖擴散比率最高。

表4.23 220 筆訓練範例最具代表性之特徵值之混淆矩陣表

貳、保留前 20 大 BW 比率之特徵值的辨識結果

在所有角度下所擷取之特徵值合併辨識情況下其最具代表性特徵值，透過BW 比例 法保留前20 大特徵值，瑕疵類型 11 類，每類 30 筆樣本進行試驗之結果如下：

訓練範例：誤差均方根（RMSE）：0.12658；誤判率（Error rate）：0.39091 測試範例：誤差均方根（RMSE）：0.13005；誤判率（Error rate）：0.37273

保留特徵值：1、6、8、12、24、28、30、34、38、39、50、52、56、60、68、72、74、

78、82、83

表4.25、4.26 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、黑缺、突起與PS 光阻殘留誤判為良品、黑缺、突起、ITO 缺陷與 Cr 蝕刻不良比 率最高；在測試方面以白缺與PS 光阻殘留誤判為良品、黑缺、突起、ITO 缺陷與 Cr 蝕 刻不良比率最高。

表4.25 220 筆訓練範例最具代表特徵保留前 20 大特徵值之混淆矩陣表

参、保留前 40 大 BW 比率之特徵值的辨識結果

然而在探討不同角度下所擷取之特徵值合併辨識情況下其最具代表性特徵值，透過 BW 比例法保留前 40 大特徵值，瑕疵類型 11 類，每類 30 筆樣本進行試驗。

訓練範例：誤差均方根（RMSE）：0.06700；誤判率（Error rate）：0.00455 測試範例：誤差均方根（RMSE）：0.09214；誤判率（Error rate）：0.03636

保留特徵值：1、6、8、9、11、12、14、16、24、28、30、31、32、33、34、35、36、

38、39、40、42、50、52、53、55、56、58、60、68、72、74、75、76、77、78、79、

80、82、83、84

表4.27、4.28 則分別列出訓練與測試資料中各類別的分類結果，在訓練方面其中僅 一筆黑缺誤判為金屬殘留；在測試方面以突起與膜面傷誤判為黑缺與光阻擴散比率最 高。

表4.27 220 筆訓練範例最具代表特徵保留前 40 大特徵值之混淆矩陣表

肆、保留前 60 大 BW 比率之特徵值的辨識結果

訓練範例：誤差均方根（RMSE）：0.06123；誤判率（Error rate）：0.01364 測試範例：誤差均方根（RMSE）：0.10543；誤判率（Error rate）：0.08182

保留特徵值：1、5、6、8、9、10、11、12、13、14、15、16、23、24、27、28、29、

30、31、32、33、34、35、36、37、38、39、40、42、45、46、49、50、52、53、54、

55、56、57、58、59、60、61、67、68、71、72、73、74、75、76、77、78、79、80、

81、82、83、84、86

表4.29、4.30 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 黑缺與玻璃氣泡誤判為黑缺與突起比率最高；在測試方面以黑缺、PS 光阻殘留與玻璃 氣泡誤判為黑缺與光阻擴散比率最高。

表4.29 220 筆訓練範例最具代表特徵保留前 60 大特徵值之混淆矩陣表