4.1 系統標記自動定位
系統標記定位是檢測的最初步驟，本計畫提出連續使用相關係數法製作模板，並配合 最大內積值平均位置決定法之概念以達到提升定位精度。故在此設計實驗，藉此驗證本計 畫所提之方法能提升精準度。
液晶面板表面具有各種不同的定位點，其中定位點如圖 9 所示。該系統標記包含十字 定位標示和 T 字型定位標示。兩定位點的相對位置固定，所以可藉由測試兩定位點之相對 位置，來鑑定一到四組實驗配對之品質優劣。
使用不同模板量測不同面板表面之兩定位點，所得距離變化越小，則定位動作受到雜 訊和曝光程度的影響較少，本實驗於測試樣品中加入雜訊和改變亮度等動作以比較實驗結 果。統計樣品圖經由定位後得到的 X 和 Y 值如圖 10。X 值代表兩定位點在水平軸方向上的 位移，由於兩定位點的中心位於同直線上，所以 X 值大小應為零，但由於定位動作的誤差 或門檻值的選取方式，造成 X 值的產生。
經由統計多種樣品的方式來評定結果，其中包含平均值、極大值、標準差等評定方式。
每種分析方式皆有其獨特的重點，平均值小代表誤差少，極大值小代表定位精準度高，標 準差越小則代表資料浮動的情況較少。
4.1.1 實驗模板製作
本實驗樣本經由隨機的方式從八十張樣品取出二十五張的十字標示圖。十字標在此階 段尚由人工方式擷圖，並限制圖形大小於 120x120 像素的範圍。
圖 10 實驗量測示意圖 圖 9 T 型標示與十字標示
由於圖形為隨機選取，所以會有各種曝光、塵埃顆粒等狀況。也因為是人工取圖所以 十字標示在圖中的位置並不固定。從圖形擷取出完整之十字標示做為初始模板，並使用初 始模板收尋十字標示並將比對結果取出，並將結果列於圖 11。最後將圖 11 全部平均得到平 均化模板，即為本實驗所使用之模板，如圖 12。
4.1.2 求得樣品圖之 X、Y 值
如圖 13 所示，先選用(1) Maximum value 或(2) 98% of maximum value 做為門檻值，和 選取模板 Pattern 1 和 Pattern 2 其中一組模板，接著對七種分別為(A) (B) (C) (D) (E) (F) (G) 的 sample set 運算，並求得所有資料的 X 值和 Y 值。最後使用算術平均、標準差、極大值 等對 X、Y 等資料進行實驗分析。其中 Pattern 1 為本實驗方法製作之模板，pattern 2 為隨 機選取之模板。
將所得四組實驗數據之平均值列於表 1。分別以 avg_x、avg_y 代表 X 和 Y 的平均值，
sd_x、sd_y 代表 X 和 Y 的標準差，max_x、max_y 分別代表 X、Y 的最大值。由於無法確 定 Y 值之實際大小所以 Y 值僅為參考用，但由於可以確定 X 值應為零，所以探討 X 值之 變化狀況即可了解第一組到第四組的配對優劣。比較表 1 之結果，由本方法所提出之第三 組配對具有 X 之最大值為最小，其值為 0.688。且所有 X 值之間之標準差亦為最小其值為 0.246，因此證明本計畫所提出之方法能夠提升模板比對之精度。
圖 12 連續相關係數法所得之模板 圖 11 由初始模板取得之十字標示樣品
表 1 四組實驗數據之個別平均值
Sd_x Sd_y Avg_x Avg_y Max_x Max_y
第一組 0.338795 6.070245 0.069643 119.9196 1 121
第二組 0.346622 7.928316 1.055357 118.9875 2 121
第三組 0.246881 7.586402 0.095625 119.6872 0.688095 121.5
第四組 0.295586 7.032387 1.017406 119.1116 1.640476 120.5286
4.2 瑕疵辨識系統
TFT-LCD 面板邊緣瑕疵種類可分為毛邊、破碎、刮痕和汙點的檢測，瑕疵如圖 14 所 示，這些瑕疵必須能夠檢測辨識出來，因為有瑕疵的 TFT-LCD 其使用壽命較短或容易產 生故障等問題，必須在產線上被篩檢出來。
4.2.1 影像處理
針對圖 14 之六種瑕疵影像圖進行影像的處理技術，每張影像為 512×512 (Pixels)，利用 改良式對比伸長強化法則，將影像的對比度提高，瑕疵影像強化後，再利用高通濾波器將 影像銳化，使得影像之輪廓凸顯出來，得到較佳的影像邊緣特性，進而再利用中值濾波將 雜訊消除，影像加強後以自動門檻值取得二值化瑕疵影像，如圖 15 所示。
Pattern 1 and Pattern 2
Normalized cross correlation with two kind of threshole.
(1)Maximum value (2) 98% of maximum value.
Sample sets (A) (B) (C) (D) (E) (F) (G)
X and Y
Analyze X and Y value.
(1)Average (2)Stand Divition (3)Max (4)Min
圖 13 系統標記定位之流程圖
(a)TFT 之 Chipping (b)CF 之 Chipping (c) 汙點瑕疵
(d)TFT 之 Burr (e)CF 之 Burr (f) 刮痕瑕疵
圖 14 瑕庛種類
(a)TFT 之 Chipping (b)CF 之 Chipping (c)汙點瑕疵
(d)TFT 之 Burr (e)CF 之 Burr (f)刮痕瑕疵
圖 15 瑕疵與背景分割
4.2.2 瑕疵特徵值分析
影像經過二值化後，就可以將目標檢測物的資訊數值化，算出每個瑕疵特性的特徵值，
就可以方便檢測的判斷。本計畫所使用的特徵值有：質心 x 座標、延展度、緊密度、海伍 德圓因子以及面積五個部分，其值再經過正規化使其介於 0~1 之間，分別針對 TFT 及 CF 的毛邊、破碎、刮痕與汙點的瑕疵進行運算，總計共有 213 個樣本提供實驗數據，圖 16 為 六個瑕疵影像的平均特徵值分布圖。
圖 16 不同瑕疵的平均特徵值分布圖
4.2.3 貝氏分類結果
本計畫利用貝氏分類器之決策函數來做瑕疵的分類，依據實驗流程所擷取其瑕疵之特 徵值，對特徵值取平均向量和共變異數矩陣來產生每類圖形的判別式，產生判別式後代表 訓練學習完成，接著依序輸入影像之特徵值並開始正式的實驗分類結果。最後經由實驗結 果統計，貝氏分類器之總辨識率達 95.8%，如表 2 所示。
表 2 貝氏分類器分類結果
瑕疵種類 待測數量 檢測錯誤 檢測率
TFT-Chipping 30 0 100%
TFT-Burr 10 0 100%
CF-Chipping 25 2 92%
CF-Burr 10 0 100%
刮痕 45 3 93.3%
汙點 93 4 95.7%
總體辨識率 213 9 95.8%