Chapter 3 Proposed Mura Inspection System
3.2 Contrast Based Identification
透過我們提出的偵測方法，我們改進了帶狀瑕疵偵測的效果，且針對以 前不能做的微弱細線瑕疵，我們也可以處理了。帶狀瑕疵用工研院自己模擬 瑕疵產生的影像來測試，我們的準確率有超過九成，以前 Curve Fitting 的方 式只有六成的準確率。然而在處理真實面板的時候，我們的方法準確率只有 七成，為了更進一步提升準確率，我們將 3.1 中最後取 threshold 的部分，先 把標準放鬆，讓更多有可能是瑕疵發生的地方被判斷出來，接著再透過對比 強弱的判定，搭配清大做實驗得到的 JND 值，來判斷是否是可以被看到的瑕 疵。
在這邊我們觀察很多的瑕疵，發現它們都有漸進性的增減，在瑕疵的地 方看起來很像是一個本來沒有瑕疵的的平緩區域加入一個 Gaussian 的瑕疵，
如圖 3.45。所以下面我們先簡單的選用 Gaussian 來模擬這些瑕疵的形狀。
+
Original image with mura Pseudo image with mura removal
Original Profile with mura Original Profile with mura removal
圖 3.45 瑕疵形狀的模擬
整個對比判斷的過程分下面三步，一開始先去找到比較準確的位置和大 小，接著第二步去計算那個瑕疵發生的區域對比值多少。最後一步由清大的 實驗去決定瑕疵在這樣的大小應該需要多強才可以感覺的到，最後一步是一 個 threshold 的機制。
3.2.1 Position Refinement
這邊主要是要去細調一下瑕疵發生的地方，還有它的大小，以便之後的 對比計算。前面的作法可以大約找到瑕疵發生的位置，因為是用取 threshold 方式決定的，這樣通常只是找到訊號比較強的地方，而沒有找到整個瑕疵的 地方，所以我們修正一下找到的位置。
Original Image Vertical Projection Profile
The LOG Result of Vertical Projection Profile
圖 3.46 修正瑕疵的位置和大小
修正的方法如上圖，本來找到的區域是只有黑色地方圈起來的部分，但 是瑕疵通常成漸進狀，實際上包含的部分應該是從黑點到黑點的二次微分
同性質極值點的距離。也就是下方的箭頭長度。經過這個步驟後我們可 以知道比較準確的位置和長度了。
這邊我們要注意，通過 LOG 濾波器，其實可以看成是先通過一個 Gaussian 濾波器，再做二次微分。所以如果我們想要知道實際上瑕疵的大 小，我們必須要回推到還沒有通過 LOG 的訊號長怎樣。我們利用兩個 Gaussian convolution 的結果還是 Gaussian，可以回推回原本的 Gaussian 的高 度還有標準差。
3.2.2 Contrast Evaluation
由前面的步驟，最終我們可以把有瑕疵的訊號拆解成一個沒有瑕疵的情 況再加上一個 Gaussian 的訊號。如圖 3.47 所示，
+
＝
Profile without Mura Mura Profile
Profile with Mura
圖 3.47 對比計算示意圖
那我們要去計算瑕疵發生的地方的對比，這邊採用清大人因實驗的對 比，因為接下來要決定能不能看到的時候，我們是採用清大的實驗，所以要 採一樣的對比定義。對比定義是瑕疵的最大值跟背景的比值。
3.2.3 Threshold Determination
我們想要有一種符合人眼的 threshold 機制，所以我們引用清大的人因 實驗結果，如圖 3.48，
contrast threshold of bands
width(degree)
圖 3.48 帶狀瑕疵和微弱細線瑕疵的 Contrast Threshold
由這個圖我們可以得到，不同寬度的帶狀瑕疵，應該需要多強的對比才 能看的到。那這邊包含了微弱細線的瑕疵，因為我們可以把他當成是一個很 細的帶狀瑕疵。這邊的寬度，是由視角決定，所以就等於還有考慮距離的問 題，在不同的距離看到的東西應該會不一樣。我們可以把瑕疵對應到的點 數，回推到對應的視角，這樣我們就可以知道對應的 Contrast Threshold 了。
我們的論文是去模擬檢測員看到的結果，因為檢測員距離螢幕是 30 公 分，所以我們也去模擬在 30 公分下人可以看到的結果，那超過 Contrast Threshold 的訊號，我們就標記起來，並且記錄它的對比，代表那是人看的 到的訊號。