第四章 實證分析與結果
第一節 相同影像於不同輸入角度之實證分析
此實驗目的為將CF 的十一類樣本（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，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。在類神經網路部份參數設定部份，於本項實驗中輸入 變數共有330 筆（11 類，每類 30 筆），取 220 筆為訓練資料，其餘 110 筆為測試資料；
輸出變數部份固定為11；學習循環設定為 10000 次，學習速率初始值、衰減率、及下限 值，慣性因數初始值、衰減率、及下限值等在每一次的BPN 訓練測試中，均固定不變；
隱藏層數設為1 層，隱藏層單元數則依內定值設為 10。茲參數設定整理於表 4.1。
表4.1 倒傳遞類神經網路模式參數設定
輸入變數數目 22a/10b 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 330 範例取樣隨機亂數種子 0.456
訓練範例數目 220 學習循環 10000 測試範例數目 110 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
註: a：使用所有 22 項特徵；b：刪減輸入維度，僅使用 10 項特徵 資料來源：本研究整理
壹、角度為 0 度擷取特徵值
在共330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）：0.10376；誤判率（Error rate）：0.15000 測試範例：誤差均方根（RMSE）：0.11428；誤判率（Error rate）：0.11818
圖4.1顯示BPN訓練過程中的RMSE以及誤判率收斂圖，表4.2、4.3則分別列出訓練 與測試資料中各類別的分類結果，在訓練方面其中以膜面傷、金屬殘留與玻璃氣泡誤判 為白缺、黑缺比率最高；在測試方面以白缺、膜面傷與金屬殘留誤判為黑缺比率最高。
圖4.1 角度為 0 度實證分析之誤差收斂圖 資料來源：本研究整理
表4.2 220 筆訓練範例角度為 0 度之混淆矩陣表
接著透過 BW 比例法保留前 10 大特徵值，11 類瑕疵類型，每類 30 筆樣本進行試 驗。在共 330 筆的樣本資料中，經 BPN 模式訓練測試後，得到之誤差均方根以及誤判 率之資料如下：
訓練範例：誤差均方根（RMSE）：0.10764；誤判率（Error rate）：0.16818 測試範例：誤差均方根（RMSE）：0.12014；誤判率（Error rate）：0.15455 BPN 倒傳遞網路模式建構完成共 91.016 秒。
保留特徵值項目為：6、1、8、12、16、14、11、9、13、10
表4.4、4.5 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、膜面傷、PS 光阻殘留與玻璃氣泡誤判為黑缺、膜面傷比率最高；在測試方 面以白缺與突起誤判為黑缺、膜面傷比率最高。
表4.4 220 筆訓練範例角度為 0 度並縮減維度之混淆矩陣表
貳、角度為 45 度擷取特徵值
在共330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）：0.08488；誤判率（Error rate）：0.06818 測試範例：誤差均方根（RMSE）：0.09729；誤判率（Error rate）：0.09091 BPN 倒傳遞網路模式建構完成共 65.844 秒。
表4.6、4.7 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、膜面傷與金屬殘留誤判為黑缺比率最高；在測試方面以突起、膜面傷與金屬殘留誤 判為黑缺比率最高。
表4.6 220 筆訓練範例角度為 45 度之混淆矩陣表
接著透過 BW 比例法保留前 10 大特徵值，11 類瑕疵類型，每類 30 筆樣本進行試 驗。共330 筆樣本資料中，經 BPN 模式訓練測試後得之誤差均方根及誤判率資料如下：
訓練範例：誤差均方根（RMSE）：0.09228；誤判率（Error rate）：0.16364 測試範例：誤差均方根（RMSE）：0.12012；誤判率（Error rate）：0.23636 BPN 倒傳遞網路模式建構完成共 73.032 秒。
保留特徵值項目為：6、16、17、2、8、12、11、14、9、10
表 4.8、4.9 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 PS 光阻殘留誤判為白缺、黑缺與突起比率最高；在測試方面以 ITO 缺陷與 PS 光阻殘留 誤判為黑缺、光阻擴散比率最高。
表4.8 220 筆訓練範例角度為 45 度並縮減維度之混淆矩陣表
參、角度為 90 度擷取特徵值
在共330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）：0.10622；誤判率（Error rate）：0.11818 測試範例：誤差均方根（RMSE）：0.13761；誤判率（Error rate）：0.30909 BPN 倒傳遞網路模式建構完成共 66.25 秒。
表4.10、4.11 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 良品與膜面傷誤判為黑缺與突起比率最高；在測試方面以良品、膜面傷與金屬殘留誤判 為黑缺、突起、玻璃氣泡與光阻擴散比率最高。
表4.10 220 筆訓練範例角度為 90 度之混淆矩陣表
接著透過 BW 比例法保留前 10 大特徵值，11 類瑕疵類型，每類 30 筆樣本進行試 驗。在共330 筆樣本資料中，經 BPN 模式訓練測試後得之誤差均方根及誤判率資料：
訓練範例：誤差均方根（RMSE）：0.10031；誤判率（Error rate）：0.12273 測試範例：誤差均方根（RMSE）：0.11016；誤判率（Error rate）：0.14545 BPN 倒傳遞網路模式建構完成共 85.218 秒。
保留特徵值項目為：6、8、16、12、14、9、11、17、2、13
表4.12、4.13 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、ITO 缺陷與 PS 光阻殘留誤判為白缺、黑缺與膜面傷比率最高；在測試方面以良 品、突起與ITO 缺陷誤判為黑缺與膜面傷比率最高。
表4.12 220 筆訓練範例角度為 90 度並縮減維度之混淆矩陣表
肆、角度為 135 度擷取特徵值
在共330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）：0.09809；誤判率（Error rate）：0.08182 測試範例：誤差均方根（RMSE）：0.10858；誤判率（Error rate）：0.05455 BPN 倒傳遞網路模式建構完成共 68.032 秒。
表4.14、4.15 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 ITO 缺陷誤判為突起與膜面傷比率最高；在測試方面以 ITO 缺陷誤判為突起比率最高。
表4.14 220 筆訓練範例角度為 135 度之混淆矩陣表
接著透過 BW 比例法保留前 10 大特徵值，11 類瑕疵類型，每類 30 筆樣本進行試 驗。在共330 筆樣本資料中，經 BPN 模式訓練測試後得之誤差均方根及誤判率資料：
訓練範例：誤差均方根（RMSE）：0.09768；誤判率（Error rate）：0.11364 測試範例：誤差均方根（RMSE）：0.09901；誤判率（Error rate）：0.10000 BPN 倒傳遞網路模式建構完成共 83.032 秒。
保留特徵值項目為：6、16、17、2、8、12、11、14、9、10
表4.16、4.17 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、金屬殘留與PS 光阻殘留誤判為白缺與黑缺比率最高；在測試方面以白缺、
突起與PS 光阻殘留誤判為黑缺與玻璃氣泡比率最高。
表4.16 220 筆訓練範例角度為 135 度並縮減維度之混淆矩陣表
伍、實驗一小結
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。從實驗數據中可以發現在四種角度之下目標類別為 白缺、膜面傷與金屬殘留之瑕疵類型被誤判為黑缺的比率為最高，透過僅保留BW 比率 前10 大之特徵值作為輸入的誤判結果亦同，辨識正確率也同時降低，故合理堆論此 22 項特徵值對於個別樣本進行辨識下，其個別皆具有重要代表性不可任意予以刪減。