印刷電路板導電區域瑕疵自動檢測系統之研究

國立高雄大學資訊工程學系

碩士在職專班論文

印刷電路板導電區域瑕疵自動檢測系統之研究

An Automatic Detection System for Conductive Area Defects

in Printed Circuit Boards

研究生：郭家豐 撰

指導教授：吳俊興 博士

i

印刷電路板導電區域瑕疵自動檢測系統之研究

指導教授：吳俊興博士 國立高雄大學資訊工程學系 學生：郭家豐 國立高雄大學資訊工程學系 摘要 在科技快速發展的現代，PCB 印刷電路板是不可或缺的一環，而電路板的 好壞影響著電子產品的良率，故 PCB 生產廠商對於如何確保 PCB 出廠前的良率 是一個很重要的課題。在 PCB 導電區中會出現的瑕疵有氧化、沾汙等，這些瑕 疵皆會影響 PCB 導電功能或上件後的功能性。 傳統檢測 PCB 表面瑕疵方法通常是目視檢測，此方法對於不同人的判斷標 準可能不一，且人眼容易疲累。在本論文中設計一套整合的 HybridDetect 自動檢 測系統來檢測 PCB 導電區域，以解決人眼檢測所產生的檢測精度和檢測結果不 一等問題，而且提升檢出率以及減少誤判發生的機會。 本論文使用影像處理函式庫 OpenEVision 的 ImageRange，並利用相減、移 動相減、平均統計、閉合平均統計等影像處理技巧，以及 AlexNet 卷積神經網路， 來檢測 PCB 導電區域瑕疵並與 HybridDetect 系統進行比較。實驗結果顯示，本 論文提出整合移動相減、閉合平均統計檢測步驟的 HybridDetect 系統，能使總體 瑕疵檢出率和檢出正確率相較於其他的檢測步驟高，具極高的實用性。 關鍵詞：電腦視覺、印刷電路板、瑕疵檢測、自動光學檢測

ii

An Automatic Detection System for Conductive

Area Defects in Printed Circuit Boards

Advisor : Dr. Chun-Hsin Wu

Department of Computer Science and Information Engineering National University of Kaohsiung

Student: Chia-Feng Kuo

Department of Computer Science and Information Engineering National University of Kaohsiung

ABSTRACT

The PCB(Printed Circuit Board) has become a key component of electronic products nowadays. For PCB makers, how to eliminate defective products before packaging process is a very important issue. This dissertation presents the design of an automatic detection system with a suitable light source and CCD, and a set of image inspection processing to detect surface defects. The major manufacturing defects addressed in this dissertation on conductive areas of PCB include: oxidation, contamination, etc. These defects will affect the functions on finishing goods.

A conventional method for detecting PCB surface defects is manual visual inspection. This method may have inconsistent criteria for different people, and the human eye is prone to fatigue. In this dissertation, an automatic detection system, called HybridDetect, will be designed to detect the PCB conductive area to solve the insufficiency problem of detection accuracy with human-eye detection, and to improve the detection rate and reduce the chance of misjudgment.

In this dissertation, ImageRange of the image processing library OpenEVision and several image processing techniques such as simple subtraction, moving subtraction, average statistics, and closed average statistics as well as the AlexNet convolutional neural network are evaluated to detect the defects in the conductive area of the PCB. The experimental results show that HybridDetect with the integrated moving subtraction and closed average statistical detection can have better detection rate and test accuracy than the others.

Key words: Computer Vision、PCB、Defects Inspection、Auto Optical Inspection

iii

致謝

在進修碩士的這段時間中，首先要感謝就是我的指導教授吳俊興老師，感謝 他在這段時間不厭其煩的幫助我，給與我研究的方向，以及指出我看不到的盲 點，讓我了解到如何從各種角度切入看到不同層面的問題，這讓我未來在職場發 揮時，可以在思考問題時有更多的方向可以思考。 接下來要感謝的是家人與女友在這段時間支持我去做研究，妳們是我進修在 職專班最大的動力。最後我要感謝的就是我的主管以及同事，感謝你們在我修課 時間無法支援工作任務時，也能夠幫助我將工作任務完成，讓我可以專心在修課 上。

iv

目錄

摘要... i ABSTRACT ... ii 致謝... iii 圖目錄 ... vii 表目錄 ... x 第一章 簡介 ... 1

1.1 PCB（Printed circuit board）基本介紹 ... 1

1.2 研究目的 ... 2 1.3 研究方法 ... 2 1.4 論文架構介紹 ... 4 第二章 背景知識與相關研究... 5 2.1 PCB 印刷電路板導電區域問題 ... 5 2.1.1 問題特點與分類 ... 5 2.2 取像環境介紹 ... 7 2.3 基本影像處理方法介紹 ... 8 2.3.1 灰階化 ... 8 2.3.2 二值化 ... 8 2.3.3 形態學處理 ... 9 2.3.4 Blob analysis... 10 2.3.5 影像運算 ... 10

v 第三章 自動檢測系統之設計... 12 3.1 ImageRange 檢測步驟設計與性質 ... 12 3.1.1 ImageRange 檢測步驟 ... 13 3.1.2 ImageRange 檢測範例 ... 13 3.1.3 ImageRange 檢測步驟小結 ... 15 3.2 平均統計檢測步驟設計與性質 ... 16 3.2.1 平均統計檢測步驟 ... 16 3.2.2 平均統計檢測範例 ... 17 3.2.3 統計平均檢測步驟遭遇問題 ... 19 3.3 閉合平均統計檢測步驟設計與性質 ... 20 3.3.1 閉合平均統計檢測步驟 ... 20 3.3.2 閉合平均統計檢測範例 ... 21 3.3.3 統計平均檢測步驟小結 ... 23 3.4 相減檢測步驟設計與性質 ... 24 3.4.1 相減檢測步驟 ... 24 3.4.2 相減檢測範例 ... 25 3.4.3 相減檢測步驟遭遇問題 ... 26 3.5 移動相減檢測步驟設計與性質 ... 26 3.5.1 移動相減檢測步驟 ... 26 3.5.2 移動相減檢測步驟解決問題範例 ... 27 3.5.3 相減檢測步驟小結 ... 28 3.6 HybridDetect 檢測步驟設計與性質 ... 28

3.7 AlexNet 卷積神經網路(Convolutional neural networks) ... 29

vi 4.1 實驗設計 ... 31 4.2 指標定義 ... 32 4.3 ImageRange 檢測實驗 ... 33 4.4 平均統計檢測實驗 ... 36 4.5 閉合平均統計檢測實驗 ... 38 4.5.1 侵蝕運算矩陣設定 ... 38 4.5.2 閉合運算矩陣設定 ... 40 4.6 相減檢測實驗 ... 43 4.7 移動相減檢測實驗 ... 45 4.8 實驗結果比較 ... 48 4.8.1 相減檢測與移動相減檢測實驗比較 ... 48 4.8.2 平均統計檢測與閉合平均統計檢測實驗比較 ... 49 4.8.3 HybridDetect 檢測與 ImageRange 檢測實驗比較 ... 50 4.9 AlexNet 訓練結果與比較 ... 51 第五章 結論 ... 57 5.1 檢測效果結論 ... 57 5.2 後續研究探討與建議 ... 57 參考文獻 ... 58

vii

圖目錄

圖 1-1 印刷電路板製程流程圖 ... 1 圖 2-1 取像環境示意圖 ... 7 圖 3-1 ImageRange 檢測步驟圖 ... 12 圖 3-2 彩色轉灰階處理 ... 14 圖 3-3 標準影像前處理 ... 14 圖 3-4 檢測結果 ... 15 圖 3-5 誤判範例 ... 15 圖 3-6 平均統計檢測步驟圖 ... 17 圖 3-7 彩色轉二值化處理 ... 18 圖 3-8 建立檢測灰階門檻 ... 18 圖 3-9 門檻比對 ... 19 圖 3-10 瑕疵漏測 ... 19 圖 3-11 閉合平均統計步驟圖 ... 20 圖 3-12 彩色影像前處理 ... 22 圖 3-13 建立檢測灰階門檻 ... 22 圖 3-14 門檻比對 ... 23 圖 3-15 大片沾汙無法檢出問題 ... 23 圖 3-16 相減檢測步驟圖 ... 25

viii 圖 3-17 樣板比對 ... 25 圖 3-18 移動相減檢測步驟圖 ... 27 圖 3-19 移動待測樣板中心 ... 28 圖 3-20 HybridDetect 檢測步驟 ... 29 圖 4-1 1000 樣本 ImageRange 變動侵蝕矩陣圖 ... 34 圖 4-2 10000 樣本 ImageRange 變動侵蝕矩陣圖 ... 35 圖 4-3 20000 樣本 ImageRange 變動侵蝕矩陣圖 ... 35 圖 4-4 1000 樣本平均統計變動侵蝕矩陣圖 ... 37 圖 4-5 10000 樣本平均統計變動侵蝕矩陣圖 ... 37 圖 4-6 20000 樣本平均統計變動侵蝕矩陣圖 ... 38 圖 4-7 1000 樣本閉合平均統計變動侵蝕矩陣圖 ... 39 圖 4-8 10000 樣本閉合平均統計變動侵蝕矩陣圖 ... 40 圖 4-9 20000 樣本閉合平均統計變動侵蝕矩陣圖 ... 40 圖 4-10 1000 樣本閉合平均統計變動閉合矩陣圖 ... 41 圖 4-11 10000 樣本閉合平均統計變動閉合矩陣圖 ... 42 圖 4-12 20000 樣本閉合平均統計變動閉合矩陣圖 ... 42 圖 4-13 1000 樣本相減變動侵蝕矩陣圖 ... 43 圖 4-14 10000 樣本相減變動侵蝕矩陣圖 ... 44 圖 4-15 20000 樣本相減變動侵蝕矩陣圖 ... 45

ix 圖 4-16 1000 樣本移動相減變動侵蝕矩陣圖 ... 46 圖 4-17 10000 樣本移動相減變動侵蝕矩陣圖 ... 46 圖 4-18 20000 樣本移動相減變動侵蝕矩陣圖 ... 47 圖 4-19 1000 樣本訓練灰階化影像訓練變化圖 ... 53 圖 4-20 1000 樣本訓練 ROI 影像訓練變化圖 ... 53 圖 4-21 10000 樣本訓練灰階化影像訓練變化圖 ... 54 圖 4-22 10000 樣本訓練 ROI 影像訓練變化圖 ... 54

x

表目錄

表 2-1 印刷電路板導電層問題 ... 6 表 4-1.實驗樣本數 1000 表 ... 32 表 4-2 實驗樣本數 10000 表 ... 32 表 4-3 實驗樣本數 20000 表 ... 32 表 4-4 ImageRange 檢測訓練結果測詴表 ... 36 表 4-5 平均統計檢測訓練結果測詴表 ... 38 表 4-6 閉合平均統計檢測訓練結果測詴表 ... 43 表 4-7 相減檢測訓練結果測詴表 ... 45 表 4-8 移動相減檢測訓練結果測詴表 ... 48 表 4-9 訓練相減檢測與移動相減檢測實驗比較表 ... 49 表 4-10 平均統計檢測與閉合平均統計檢測實驗比較表 ... 50 表 4-11 HybridDetect 檢測與 ImageRange 檢測實驗比較表 ... 51 表 4-12 AlexNet 實驗數據比較表 ... 55 表 4-13 AlexNet、HybridDetect 檢測和 ImageRange 檢測步驟比較表 .. 56

1

第一章

簡介

1.1 PCB（Printed circuit board）基本介紹

在科技快速發展的現代，PCB 印刷電路板是不可或缺的一環，在一個電子商 品中，它扮演著導通電子元件之間的角色，也乘載著各類電子元件，使各類電子 元件可以維持正常運作。PCB 印刷電路板製程如圖 1-1 所示，包含著電子、材料、 化工、光學、機械等等複雜的製程才能成為一塊科技產品的基石。 圖 1-1 印刷電路板製程流程圖 在 PCB 包裝、出貨前，電性測詴與外觀檢測是兩個很重要的站別，它們可以 避免不良品外流，而 AOI(Automatic optical inspection)自動化光學檢測是近幾年來 製造業常用的一項外觀檢測技術，此技術綜合了電子、機械、光學、電腦資訊等 技術。在產品線上使用 AOI 系統做線上即時檢測，有減少人力成本與提升檢測穩 裁切 鑽孔 化學銅 壓乾膜 曝光 顯影 蝕刻 除膜 綠漆 對片 曝光 顯影 印文字 化學鎳 撈外型 電測 外觀檢測 包裝 出貨 蝕刻 除膜 對片

2 定度這兩項優點，且根據產品缺陷還可以在外觀檢測站之前的製程做參數調整或 設備調整，可以更有效的對產品品質做把關。

1.2 研究目的

如前一小節所述因為製程複雜，且有許多影響產品良率的因素，為了在電子 元件上件前能確保所有電子元件能正常運作，在產品出廠前，必頇經過電性測詴 及外觀檢測兩大關卡，產品才能送至組裝廠上件。其中電性測詴是為了測詴電路 板在出廠前皆能正常導電使電子元件正常運作，外觀檢測則是藉由外觀來檢測電 路板運作不穩定的因素。 此篇論文的研究目的在於利用工業相機結合 LED 光源，拍攝產品影像，再將 影像利用電腦影像處理等方法，輔助判斷出產品屬於良品或是劣品，若為劣品則 不出貨，良品則可出貨。如此就可以避免不良品外流至組裝廠，導致電子元件彼 此之間無法正常運作。本篇論文中著重於如何檢出 PCB 印刷電路板中導電區域瑕 疵，在此所提到的導電區域即是電路板中的金屬區域，而不導電區域則是電路板 中非金屬的區域，非金屬區域主要為油墨其次為 PCB 基板。

1.3 研究方法

本論文使用影像處理函式庫 OpenEVision 的 ImageRange 檢測步驟，以及提出 四種影像處理步驟用於檢測 PCB 金屬區域的瑕疵，分別為平均統計檢測步驟、閉 合平均統計檢測步驟、相減檢測步驟、相減移動檢測步驟。ImageRange 檢測步驟 目前已實際運用於產線上，但基於缺陷檢出率和檢出正確率一直無法提升，故本 論文利用收集不同的瑕疵種類去設計檢測步驟，期望能提升檢出正確率和總體瑕 疵檢出率。

3 在影像處理中最為直觀判斷影像中有差異的方法為樣板比對也就是影像相 減，因為影像相減後剩下來的區域即是異常區域。故本篇論文從影像相減出發， 首先 ImageRange 檢測步驟即將標準影像經由灰階化、侵蝕運算以及減灰階門檻值 等步驟後，再和灰階化後的待測影像做樣板比對。不過，因為 ImageRange 檢測和 相減檢測皆是屬於樣板比對的檢測步驟，會有很大機會發生產線製程容許範圍的 無異常影像誤判為異常影像。針對此問題，本論文使用侵蝕運算將不導電和導電 區域之間容易誤判的區域減小，使得誤判發生的機會下降，但也因為侵蝕運算使 得瑕疵檢出率大為下降。 由於在樣板比對中誤判發生的頻率太高，因此我們整合平均統計檢測步驟。 在平均統計檢測步驟中，利用二值化的待測樣板為遮罩遮住不檢測非導電區域 後，再利用侵蝕運算使得不檢測區域加大，以減少邊緣誤判的發生機率，最後再 使用門檻比對篩選出高於門檻的異常點，而使用平均檢測步驟的好處是不再需要 樣板比對，所以就可以減少樣板比對中因製程變異而造成的誤判，故而提升檢出 正確率。 平均統計檢測中，因為非導電區域遮罩使得邊緣缺陷、大片沾汙等在二值化 後會變成遮罩的缺陷無法檢出，故本論文在平均統計檢測步驟中的二值化運算後 加入閉合運算，使得較小瑕疵和邊緣毛刺狀缺陷遮罩消失，所以在門檻比對時可 以找到邊緣毛刺或小瑕疵等缺陷。但是閉合運算能處理的瑕疵遮罩大小有限，所 以要檢測出較明顯的瑕疵，如大片沾汙還是必頇仰賴樣板比對。 為了取得明顯樣板輪廓，本論文將標準樣板和待測樣板皆經過灰階化、二值 化處理後，再樣板比對，留下的即是異常區域，以上即是相減檢測步驟。但相減 檢測步驟對於規格內製程變異以及對位誤差所造成的誤殺還是無法避免，為了減 少誤殺發生的機率，本論文在相減檢測步驟中的二值化步驟後，皆對待測樣板和

4 標準樣板計算圖型質心位置，移動待測樣板的質心至標準樣板的質心位置再 執行 影像相減步驟，以上即為本論文所提出的移動相減檢測步驟。 最後整合閉合平均統計檢測步驟和移動相減檢測步驟，以取代 ImageRange 檢 測步驟提升 PCB 金屬區域瑕疵檢出率和檢出正確率。

1.4 論文架構介紹

本論文章節安排如下。將在第二章詳細介紹印刷電路板導電區域問題以及取 像環境和影像處理基本方法。在第三章中介紹 ImageRange 檢測步驟、平均統計檢 測步驟、閉合平均統計檢測步驟、相減檢測步驟、相減移動檢測步驟共五種影像 處理步驟和類神經網路中的 AlexNet 卷積式神經網路用於檢測 PCB 表面金屬區 域。在第四章的模擬實驗，詳述本論文提出的幾種檢測步驟的實驗結果，藉由實 驗結果可以了解矩陣大小或參數的設定對於結果有甚麼影響，且實驗數據可以比 較幾種方法的優缺點。最後在第五章提出結論。

5

第二章

背景知識與相關研究

本章將詳細說明我們如何檢測 PCB 印刷電路板導電區域，以及在導電區域中 會發生的瑕疵種類。如下表所示，在此篇論文中，不以一般 PCB 印刷電路板常見 的瑕疵種類，如裸露銅、缺口、斷路等瑕疵分類，在此篇論文所討論的瑕疵種類 如表 1 所示。

2.1 PCB 印刷電路板導電區域問題

2.1.1 問題特點與分類  項次 1 中，可明顯觀察到金屬區域上中有一深色區塊，在機器視覺檢測中， 此種瑕疵顏色深、面積大，且又不與非導電區邊緣連接，不需要特別打光強 化對比，即可取到瑕疵對比高的影像。而在 PCB 印刷電路板外觀檢測中，此 種瑕疵歸類為不可漏掉的明顯瑕疵，因為此種瑕疵會影響電子元件上件的密 合度。  項次 2 中，金屬區域上淡淡的異色痕跡，在 PCB 印刷電路板外觀檢測中，此 種瑕疵顏色淡，人員不易察覺，容易造成瑕疵漏檢，而當異色也就是氧化存 在於金屬區域上時，會影響電路板的導電性，尤其是深色氧化會造成電路板 的導電功能喪失。故在此篇論文中，是以氧化顏色較深的氧化瑕疵為檢測目 標。  項次 3 中，可明顯觀察到非導電區邊緣延伸至金屬區域上的瑕疵，在 PCB 印 刷電路板外觀檢測中，此種瑕疵與項次 1 並無太大不同，只是發生的地方不 一樣，在此篇論文用到的檢測方法中需要特別處理才可以增加檢出的機會， 故在此篇論文特別列出此項目做討論。

6  項次 4 中，可觀察到導電層上有小黑點，在 PCB 印刷電路板外觀檢測中，此 種瑕疵因面積小，造成瑕疵原因可能為灰塵附著或者金屬區域上瑕疵，此影 像並非真的會影響到 PCB 印刷電路板的基本功能。故此種瑕疵不需將門檻設 得太過嚴謹。否則會造成產品 Over kill 問題。 表 2-1 印刷電路板導電層問題 項次 瑕疵名稱 瑕疵影像 1 異物汙染 2 氧化 3 異物汙染(邊緣) 4 小缺陷

7

2.2 取像環境介紹

以往外觀檢測是利用放大鏡或顯微鏡等輔具來輔助人能找到缺陷，但在以往 的檢測方式中，因人眼易疲勞且每一位檢測人員判定的標準不一致[7] ，造成不良 品外流，所以希望能夠開發出一套系統能使產品達到全檢的效果。 所以在此篇論文中首要介紹的就是取像環境，所使用的取像環境如梁有燈[1] 所提到的前照式打光方式如圖 2-1 所示，此光源架設方式為 Area 工業相機搭配外 同軸白色光源，如同張國政[2] 所提到使用同軸光源有光線均勻、層次感較佳等優 點，而使用白光是為了讓人員複查影像時可以看到與實際 PCB 板差異不大的相 片。另外，利用 XY 軸伺服馬達製作而成的移動平台，在工業相機底下移動並區 塊取像。 圖 2-1 取像環境示意圖

資料庫

工業

相機

XY平台

印刷電路板

外同軸光源

8 這樣做的目的有二，其一為將大面積的 PCB 印刷電路板分次取像，即可達到 產品全表面檢查目的，且若需要提升檢測精度時，只需將工業相機的視野範圍減 少即可。其二為只要利用一個 XY 平台、一個工業相機，就可以將各式各樣不同 大小的 PCB 板完整取像，減少取像硬體成本的支出。最後將檢測結果存入資料庫， 以利往後的研究或者日後資料的查閱。

2.3 基本影像處理方法介紹

2.3.1 灰階化 灰階化處理是為了將彩色影像中紅色、綠色、藍色三種色階變為單一色階灰 階所做的處理，目的為使計算量減少，計算公式如下： 𝐆𝐫𝐚𝐲 = 𝛂 ∗ 𝐑 + 𝛃 ∗ 𝐆 + 𝛒 ∗ 𝐁 𝛂 + 𝛃 + 𝛒 = 𝟏 在 L. Fu 等[8] 提到使用灰階化為影像前處理第一個步驟，經由灰階化、二質 化等前處理完的奇異果影像可以和背景分離，進而計算奇異果的等級，而在此篇 論文中，也是使用灰階化為影像前處理的第一步驟。由於系統判斷的異常需再給 現場人員複查，故為了使檢測結果與人眼判斷差異不大故使用以下參數，此組參 數是著名的心理學公式。

Gray = 0.299 * Red + 0.587 * Green + 0.114 * Blue[9]

2.3.2 二值化 在影像處理中，二值化目的為將目標物件從背景中分割出來，而在本篇論文 中，即是將欲檢測導電區域從不導電區域中分割出來。選擇一個門檻值 T，若灰階 像素點值大於 T 則為 255 呈現白色，若灰階像素點值小於 T 則為 0 呈現黑色，計 算公式如下： H(gq)= 𝟎 𝐠𝐪 < 𝑡 𝟐𝟓𝟓 𝐠_𝐪 ≧ 𝐭

9

 Minimum residual method：在本論文中使用田方治[3] 所使用的二值化方法， 在統計學中殘差法的定義為，實際觀測值與預測值之間差值的平方。實際觀 察值在影像處理中為經由灰階化處理的影像中，每一個像素點的灰階數值， 而預測值則為二值化處理的影像中，每一個像素點的灰階數值，如上所述最 小殘差法二值化為找一個門檻值 T 使得灰階化影像和二值化影像的平方殘差 值最小。  Maximum entropy：在二值化方法中也有中央大學影像處理暨虛擬實境實驗室 [4] 中所提出最大熵法。在一張影像中，灰階像素的數值種類越多，則這一張 影像中的灰階熵值也就隨之越大，換句話說各種灰階值都有的影像其灰階熵 值也最大。所以最大熵法二值化的意義就是找一個門檻值 T 將像素灰階值分 為兩群，使得兩群像素的灰階熵值最大，也就是像素分佈儘量均勻分佈。 2.3.3 形態學處理 形態學(Morphology) [10] 原本是研究動植物形態的生物學門，在影像領域， 則用來抽取出影像特定部分的方法。在此篇論文，使用侵蝕運算來縮減金屬區域 邊緣，能使邊緣的灰色區域不被誤判為 NG 影像，又或者使用閉合運算讓遮罩的 毛刺可以消除，進而檢出邊緣毛刺形狀的瑕疵。  侵蝕運算：侵蝕是使影像中白色區域縮小的影像處理方法。其定義為： A ⊖ B = {x | Bx ⊆A}  膨脹運算：膨脹是使影像中白色區域放大的影像處理方法。其定義為： A ⊕ B = {x | Bx ∩A≠∅ }  閉合運算：閉合先對目標影像做膨脹運算，再對影像做侵蝕運算，其作用為 將斷線連接、填補小洞與使輪廓平滑。其定義為： A ● B = (A ⊕ B) ⊖ B

10  斷開運算：斷開為先對目標影像做侵蝕運算，再做影像之膨脹運算，其作用 為去除影像中的小雜訊、切斷細頸、消除銳角與毛刺等。其定義為： A ○ B = (A ⊖ B) ⊕ B 2.3.4 Blob analysis 像素之間彼此相鄰且具有相同屬性或條件的像素，所形成的像素集合。若一 張影像中含有一群像素的集合且是一個連通集合，則稱該集合是影像的一個區 域，亦稱為 Blob。而 Blob analysis 意義[11] 為，截取這些在影像中的連通集合區 域，進行特徵萃取，特徵可包括區塊面積、個數、長、寬、維度與位置等。在張 元碩[5] 中提到，會對已經影像前處理完的影像切割元件做 Blob analysis，經由 Blob analysis 可以得到對瑕疵的描述，而在本論文中使用到的 Blob 特徵如下：  面積：Blob邊界內的像素點數量的總和。  質心：的定義為Blob的幾何座標中心點。  邊界盒(Bounding box)：一個可以完全包住邊界的矩形。 2.3.5 影像運算  影像相加：數位影像是由數個像素點所組成的二維陣列，故影像相加就是二 維矩陣的相加，而影像中不會出現超過 255 的值，所以在影像相減的過程中 若有大於 255 的值，則視為 255。  影像相減：影像相減就是二維矩陣的相減，而影像中不會出現負值，所以在 影像相減的過程中若有小於 0 的值，則視為 0。在江偉銘[6] 所寫的論文中， 利用影像相減取得移動物體的方向，而在此篇論文中所討論的影像相減運算 有二種目的，其一為兩張影像相減，利用影像相減可以讓灰階值較高的區域 留下來，該區域就可能是異常點發生的區域。其二為將整張影像的像素值減

11

掉 G 值 G 為 0 到 255 之間的一個值，目的是為了減少取像所造成的些微灰階 差異。

2.4 卷積神經網路(Convolutional neural networks)介紹

在 1980 年時，K.Fukushima[12] 提出了第一個卷積式神經網路該理論模型稱 為 Neocognitron。Neocognitron 是一個多層神經網路模型，對於辨別物件不受位置， 及較小的形狀變化所限制，該網路屬於非監督式神經網路。

在 1998 年時，Lecun 等[13] 提出了 LeNet-5 使用了基於梯度的反向傳播算法 (Gradient-based learning applied to document recognition)對神經網路進行監督式的 訓練。經由訓練過後的神經網路通過交替連接的卷積層和降採樣層將原始影像轉 成各種不同的特徵圖，然後，連接全連接層的神經網路對特徵圖進行分類。卷積 層中的卷積核完成了識別的功能，可以將低層的區塊內訊息通過卷積核傳遞到更 深的階層。LeNet-5 在手寫文字辨識領域的成功引起了學術界對於卷積神經網路的 關注。

在 2012 年時，Krizhevsky 等[14] 提出的 AlexNet 在 ImageNet[15] 大量圖像數 據庫的圖像分類競賽中，AlexNet 錯誤率 15.3%相較於第二名的 26.2%精準度提升 了約 11%，大幅超越了第二名取得冠軍，使得卷積神經網路瞬間成為了學術界中 的焦點。而在 AlexNet 之後，不斷有新的卷積神經網路模型被提出，例如牛津大學 提出的 VGG(Visual geometry group) [16] 和 Google 提出的 GoogLeNet[17] 或是 Microsoft 提出 的 ResNet[18] 等 等 ，這些 神經 網路 不斷的 刷新了 AlexNet 在 ImageNet 上所留下的紀錄。而且，卷積式神經網路不斷的與一些傳統演算法結合， 再加上遷移學習方法的導入，使得卷積神經網路的在各種應用領域獲得了不同且 快速的擴展。

12

第三章

自動檢測系統之設計

此篇論文所提出的檢測步驟是因應少量多樣化的產線所衍生出的方法，在檢 測圖形無法預先知道的情況，由使用者去設定標準影像，然後再將標準影像和待 測影像做樣本比對，或是提取標準影像門檻特徵去和待測影像做特徵篩選，不管 是前者還是後者，皆頇具備有標準和待測兩張影像才能達到檢測的目的。另外， 由於此篇論文著重於討論如何檢測 PCB 印刷電路板金屬區域瑕疵，故如何讓不導 電區域不列入計算，以及讓緊連著不導電區域的瑕疵可以檢測出來，也是本篇論 文所討論的重點之一。

3.1 ImageRange 檢測步驟設計與性質

此檢測步驟是讓標準影像和待測影像的原始數據做最少變動的前處理，避免 過濾掉太多的資訊，而漏掉了某些瑕疵。 圖 3-1 ImageRange 檢測步驟圖 灰階化 侵蝕運算 灰階化 標準影像 待測影像 樣板比對 減灰階門檻 瑕疵篩選

13 在標準影像的前處理包含灰階化、侵蝕處理和減掉灰階值處理，灰階化是為 了讓 RGB 三種顏色的數據變為單一灰階數據的前處理，使數據變單純，又可以達 到標準影像不失真的目的。侵蝕運算，是為了避免金屬和不導電之間的灰色區域， 被誤判為瑕疵，而做的處理。而在灰階化、侵蝕運算後，會讓整張影像的灰階像 素值皆減掉灰階值 G，這麼做的目的，可以使樣板比對時多了 G 值的灰階彈性， 而待測影像在經過灰階化處理後，就和檢測樣板做樣板比對，比對後產生的結果 再做瑕疵篩選，若瑕疵篩選大於等於門檻則為產品異常頇由現場人員再次確認， 小於門檻則為產品正常。 因為原始資料變動不大關係，使得檢測精確度不高，為了找到一個缺陷會多 誤殺好幾個好的影像。而這樣的檢測步驟優點為，不限制產品樣式皆可上機，且 影像中的缺陷都可以檢測，因為此檢測方法完全依賴標準影像和待測影像的相似 度，若是有一點不相同，系統即判定為異常點。但缺點就是，產能過低、過量報 廢數量過高，因有些異常點在製程上是容許的誤差值。 3.1.1 ImageRange 檢測步驟 檢測步驟如圖 3-1 所示，載入標準影像，經過灰階化、侵蝕運算後，整張影像 像素值減掉灰階門檻值即為檢測樣板。載入待測影像經由灰階化後和檢測樣板做 樣板比對，即可產生比對結果，最後將比對結果經過瑕疵篩選後，大於面積門檻 即為異常點區域。 3.1.2 ImageRange 檢測範例  前處理：如圖 3-2 所示，將標準影像為 S，待測影像 P，S 和 P 經由灰階 化運算產生 S’、P’。利用灰階化運算可使 RGB 三種色階數值轉為單一灰 階數值，可減少後續計算量。

14  前處理 2：如圖 3-3 所示，將 S’ 經過侵蝕運算增加不導電區域面積可減 少製程變異上的誤判，將整張影像中的每個像素點減掉灰階門檻值 G， 可使檢測樣板減少些微照度誤差所產生的誤判，即可得到檢測樣板。  樣板比對：如圖 3-4 所示，將 P’ 和檢測標準經過樣板比對後，再經過瑕 疵篩選即出現檢測結果。在這個檢測方法中，所使用到的樣板比對方法 為影像相減。由於視覺上越接近白色的像素值越高，故使用檢測樣板減 掉 P’，P’中的缺陷區域會留下較高的值，而其他與檢測樣板顏色差異不 大的區域值會幾乎等於 0，視覺上會變成黑色，再將相減後的影像做二值 化處理，即可得到圖 3-2.4 中 Result 中的影像。 圖 3-2 彩色轉灰階處理 圖 3-3 標準影像前處理 S P S’ P’ RGB轉灰階 RGB轉灰階 Erode 減灰階門檻 S’ 檢測樣板

15 圖 3-4 檢測結果 3.1.3ImageRange 檢測步驟小結 圖 3-5 誤判範例 檢測樣板 樣板比對 Result P’

P

S

Result

16  優點 : 不限制影像圖形、不限制檢測缺陷種類，只要有標準影像皆可檢測。  缺點 : 如圖 3-5 所示，由於產品在製程中會有脹縮，我們所設定的侵蝕矩 陣若太小，則會發生在誤判在邊緣，因而造成 Over Kill 數量過高。

3.2 平均統計檢測步驟設計與性質

此方法主要為了減少如圖 3-5 所示的發生在邊緣的誤判，且針對項次 2 顏色變 異缺陷以及有機會檢測項次 4 中小缺陷所設計，設計想法為，一張顏色均勻的影 像，在各個不同位置的像素值差異理應不大，若有一群像素值較低或較高的，亦 即為異常區域。 因為此論文著重於檢測 PCB 金屬區域，故在此檢測步驟中，只討論像素低於 平均值的部分。但不導電區域在此取像系統中為深色，像素值遠低於金屬區域， 所以首要即為製作不導電區域遮罩，使不導電區域的像素值不列入金屬區域像素 值平均計算和不被誤判為異常區域。而在 PCB 印刷電路板中，因不導電區域的高 度高於金屬區域，造成取像時導電和不導電區域之間會產生灰色陰影，為了使陰 影的部分不列入計算造成誤判，在遮罩的影像頇加入侵蝕運算去遮蓋陰影區域。 3.2.1 平均統計檢測步驟 檢測步驟如圖 3-6 所示，載入標準影像經過灰階化、二值化、侵蝕運算，得到 標準遮罩樣板，計算標準遮罩樣板內金屬區域像素灰階值平均，將平均值減掉門 檻即為檢測灰階門檻。載入標準影像經過灰階化、二值化、侵蝕運算，得到待測 遮罩樣板。計算標待測罩樣板內金屬區域小於檢測灰階門檻的區域，最後將門檻 比對結果經過瑕疵篩選後，大於面積門檻即為異常點區域。

17 圖 3-6 平均統計檢測步驟圖 3.2.2 平均統計檢測範例  前處理：如圖 3-7 所示，載入標準影像為 S、待測影像 P，S 和 P 經由灰 階化運算產生 S’、P’，再經由二值化處理產生 S’’、P’’。這裡所做的二值 化處理目的為區分檢測區域和不檢測區域，S’’和 P’’中的白色區域為要檢 測的金屬區域。  建立檢測灰階門檻：如圖 3-8 所示，利用 S’’經由侵蝕運算後為標準樣板 遮罩，然後使用遮罩樣板遮罩遮住 S’不導電區域，計算金屬區域像素值 平均 A，再將 A 減掉灰階值 G 建立檢測灰階門檻，這裡的侵蝕處理可以 使 S’’中的黑色區域變大，目的是在 S’’變成遮罩時可以遮住導電和非導 電之間的灰色區域，而減掉灰階值 G 的目的為減少取像時的灰階誤差。 灰階化 二值化 灰階化 建立檢測 灰階門檻 二值化 侵蝕運算 標準影像 待測影像 門檻比對 侵蝕運算 瑕疵篩選

18  門檻比對：如圖 3-9 所示，P’’ 經由侵蝕運算後為待測樣板遮罩，使用待 測遮罩樣板遮罩遮住 P’不導電區域，計算金屬區域中像素值小於檢測灰 階門檻，最後經過瑕疵篩選得到檢測結果。在這個檢測方法中，所使用 到的門檻比對方法為小於運算，將小於檢測灰階門檻的灰階值設定為 0， 大於的值則為 255 即可產生出 Result 圖。這個步驟中的侵蝕運算，和建 立檢測灰階門檻中所用的侵蝕處理目的一樣。 圖 3-7 彩色轉二值化處理 圖 3-8 建立檢測灰階門檻 S P S’ P’ RGB轉灰階 RGB轉灰階 S’’ P’’ 二值化 二值化 S’ S’’ 取得統計平均

19 圖 3-9 門檻比對 3.2.3 統計平均檢測步驟遭遇問題 如圖 3-10 所式待測影像 P 經由二值化的遮罩遮住灰階化處理影像 P’後，導致 發生在邊緣的瑕疵無法被檢測出來。 圖 3-10 瑕疵漏測 P’ P’’ Result Result P P’ P’’

20

3.3 閉合平均統計檢測步驟設計與性質

此方法主要在加強平均統計檢測中，如圖 3-10 所示因為遮罩遮住瑕疵，而無 法檢測出的項次 1 大片沾汙、項次 3 邊緣缺陷、項次 4 小缺陷所設計。由於平均 統計檢測步驟中的二值化運算，使得灰階對比高的缺陷會被視為不導電區域，故 在檢測門檻比對時，無法檢測到該缺陷。在此檢測步驟中加入型態學中的閉合運 算，可在製作遮罩時將邊緣毛刺與較小的缺陷點消除，使得邊緣毛刺狀缺陷和小 缺陷可以在灰階門檻比對中被檢測出來。 3.3.1 閉合平均統計檢測步驟 圖 3-11 閉合平均統計步驟圖 灰階化 二值化 灰階化 建立檢測 灰階門檻 二值化 侵蝕運算 閉合運算 標準影像 待測影像 門檻比對 侵蝕運算 瑕疵篩選

21 檢測步驟如圖 3-11 所示，載入標準影像經過灰階化、二值化、侵蝕運算，得 到標準遮罩樣板，計算標準遮罩樣板內金屬區域像素灰階值平均，將平均值減掉 門檻即為檢測門檻比對值。載入標準影像經過灰階化、二值化、閉合運算、侵蝕 運算，得到待測遮罩樣板。計算標待測罩樣板內金屬區域小於檢測灰階門檻的區 域，最後將門檻比對結果經過瑕疵篩選後，大於面積門檻即為異常點區域。 3.3.2 閉合平均統計檢測範例  前處理 : 如圖 3-12 所示，載入標準影像為 S、待測影像 P，S 和 P 經由 灰階化運算產生，再經由二值化處理產生，而與統計平均檢測步驟中不 同的是，在這加入閉合運算，目的為將深色小缺陷和不導電上毛邊藉由 閉合運算消除，使得遮罩樣板不會將這些缺陷遮住，造成檢測上漏掉邊 緣瑕疵和深色小缺陷。  建立檢測灰階門檻：如圖 3-13 所示，利用 S’’經由侵蝕運算後為標準樣板 遮罩，然後使用遮罩樣板遮罩遮住 S’不導電區域，計算金屬區域像素值 平均 A，再將 A 減掉灰階值 G 建立檢測灰階門檻，這裡的侵蝕處理可以 使 S’’中的黑色區域變大，目的是在 S’’變成遮罩時可以遮住導電和非導 電之間的灰色區域，而減掉灰階值 G 的目的為減少取像時的灰階誤差。  門檻比對：如圖 3-14 所示，P’為經由閉合運算後再經由侵蝕運算後的待 測樣板遮罩，使用待測遮罩樣板遮罩遮住 P’不導電區域，計算金屬區域 中像素值小於檢測灰階門檻，最後經過瑕疵篩選得到檢測結果。在這個 檢測方法中，所使用到的門檻比對方法為小於運算，將小於檢測灰階門 檻的灰階值設定為 0，大於的值則為 255 即可產生出 Result 圖。經由閉合 運算後的待策遮罩樣板由於少了毛刺區域，故在門檻比對時可以檢測出 毛刺缺陷。

22 圖 3-12 彩色影像前處理 圖 3-13 建立檢測灰階門檻 二值化 Close P P’ P’’ S S’ 灰階化 S’’ 二值化 S’ S’’

23 圖 3-14 門檻比對 3.3.3 統計平均檢測步驟小結 圖 3-15 大片沾汙無法檢出問題 P’’ P的灰階影像 Result 灰階化 二值化 閉合 侵蝕 Result

24  優點 : 統計平均步驟和閉合統計平均步驟中，因標準影像只是拿來建立檢 測灰階門檻，待測影像不與標準影像做樣板比對，故檢測結果較不受標準 影像的些微灰階變化影響，可以更精確的找到顏色變異缺陷。  缺點；如圖 3-15 所示閉合運算能消除的缺陷大小和毛刺大小有限，故缺陷 項次一的檢測能力明顯不足，因為沾汙缺陷在此步驟中，會被視為不導電 區域一起被遮罩遮住，造成缺陷不列入檢測範圍。

3.4 相減檢測步驟設計與性質

因為閉合平均統計檢測步驟無法檢出所有瑕疵，所以需要其他的檢測步驟來 加強明顯瑕疵的檢測能力，故設計了相減檢測來針對項次一中的明顯瑕疵。此檢 測步驟在經由灰階化、二值化後可得到圖形最明顯的輪廓和區塊，利用這些明顯 的區塊執行樣板比對，比對結果中留下來的部分即是明顯的異常點。為了讓 PCB 印刷電路板中的導電層瑕疵都可以檢測到，故頇加入此檢測步驟輔助統計平均檢 測步驟，進而取代 ImageRange 檢測步驟，可使導電區域缺陷的總體檢測率和檢出 正確率皆可提升。 3.4.1 相減檢測步驟 如圖 3-16 檢測步驟圖所示，載入標準影像，經過灰階化運算、二值化運算、 侵蝕運算後，即可得到檢測樣板。載入待測影像經由灰階化運算、二值化運算後 即可得到待測樣板，將待測樣板和檢測樣板做樣板比對，即可產生比對結果，最 後將比對結果經過瑕疵篩選後，大於面積門檻即為記錄為異常點區域。

25 圖 3-16 相減檢測步驟圖 3.4.2 相減檢測範例 圖 3-17 樣板比對 灰階化 二值化 灰階化 二值化 標準影像 待測影像 樣板比對 侵蝕運算 瑕疵篩選 S’’ P’’ Result

26  樣板比對：如圖 3-17 中經過灰階化、二值化的待測樣板 P’’，可明顯看到 邊緣上有一毛刺狀缺陷，而檢測樣板 S’’一樣也經過灰階化、二值化前處 理，但為了減少製程變異上造成的誤判，頇在加入侵時運算，才能和待 測樣板做樣板比對。在此檢測步驟中一樣使用影像相減做為樣板比對的 方法，S’’減掉 P’’後即可得到 Result。 3.4.3 相減檢測步驟遭遇問題 與 ImageRange 檢測步驟一樣都是樣板比對的相減檢測步驟，遭遇的問題與 ImageRange 檢測步驟一樣如圖 3-5 所示，都是因為產品在製程中會有脹縮，我們 所設定的侵蝕矩陣若太小，則會發生在誤判在邊緣，因而造成 Over Kill 數量過高。

3.5 移動相減檢測步驟設計與性質

在相減檢測步驟中，部分誤判發生在邊緣的原因是因為待測物的對位誤差， 導致邊緣的誤判，故設計此檢測方法來改善此問題，在樣板比對之前，計算標準 樣板各個金屬區域質心，調整待測樣板至與標準樣板相對位置的導電區域質心， 調整至與標準樣板一樣，經由調整過後的待測樣板再與標準樣板做樣板比對。 3.5.1 移動相減檢測步驟 如圖 3-18 中載入標準影像，經過灰階化、二值化、侵蝕運算後，取得圖形質 心，二值化影像則為檢測樣板。載入待測影像經由灰階化後、二值化後將待測樣 板圖形質心調整至標準影像圖形質心位置，調整完後為新待測樣板。新待測樣板 和檢測樣板做樣板比對，即可產生比對結果，最後將比對結果經過瑕疵篩選後， 大於面積門檻即為異常點區域。

27 圖 3-18 移動相減檢測步驟圖 3.5.2 移動相減檢測步驟解決問題範例  樣板比對誤判案例：如圖 3-5 中待測影像 P 和標準影像 S 經過灰階化、 二值化等影像前處理後執行樣板比對，得到 Result。觀察待測影像 P 中的 金屬區域，無任何瑕疵，但此檢測結果會顯示出，右方邊緣處有一異常 區域。  移動待測樣板中心：如圖 3-19 灰階化、二值化後的 S’和 P’利用 S’金屬區 域中心調整 P’中心點，形成新待測樣板 P’’，經過移動後的待測檢測樣板 因與檢測樣板還是有一些製程上的差異，故在檢測樣板的前處理還是需 要加入侵蝕運算以減少製程的誤判，得到最後的檢測樣板為 S’’。拿 P’’ 和 S’’經過樣板比對後得到 Result，樣板比對結果為無異常區域。 灰階化 二值化 灰階化 二值化 標準影像 待測影像 樣板比對 侵蝕運算 取得圖形 質心 調整圖形 質心 瑕疵篩選

28 圖 3-19 移動待測樣板中心 3.5.3 相減檢測步驟小結  優點 : 因為此檢測步驟還是屬於樣板比對的一種，所以不限制影像圖形， 只要有標準影像皆可檢測，但不同於 ImageRange 演算法不會因為一些小陰 影而判斷為異常點，此檢測步驟主要是用來檢測對比高的缺陷。  缺點 : 因為二值化的關係，使的顏色變異的缺陷無法檢出。

3.6 HybridDetect 檢測步驟設計與性質

圖 3-20 為此篇論文提出的檢測系統運作步驟圖，主要是整合閉合平均統計檢 測步驟以及移動相減檢測步驟所得到的檢測步驟圖。首先載入標準影像和待測影 像分別做灰階化和二值化步驟，在二值化後的標準影像計算圖形質心的目的是為 了調整帶測影像的圖形質心，以便樣板比對時不會有取像對位的誤差，最後經由 S S’ P’ P P’’ S’’ Result

29 瑕疵篩選計算有無異常。另外在二質化後的標準影像，經由侵蝕運算減少邊緣的 陰影後再建立檢測灰階門檻，而二值化後的待測影像，經由閉合運算除去毛刺和 小深色黑點後，再經由侵蝕運算減少邊緣的誤判，利用建立好的檢測灰階門檻執 行門檻比對，最後再經由瑕疵篩選計算有無異常。 圖 3-20 HybridDetect 檢測步驟

3.7 AlexNet 卷積神經網路(Convolutional neural networks)

在本篇論文中，以卷積神經網路歷史中，改進幅度最大的 AlexNet 來訓練 PCB 良品影像和劣品影像，使 AlexNet 分類良品及劣品達到產品檢測的效果。而在進入 AlexNet 訓練或分類前，將分為兩種不同的影像前處理，使得訓練時所佔用的記憶 灰階化 二值化 灰階化 建立檢測 灰階門檻 二值化 侵蝕運算 閉合運算 標準影像 待測影像 門檻比對 侵蝕運算 取得圖形 質心 樣板比對 調整圖形 質心 瑕疵篩選

30

體和訓練速度能夠加快。其一為灰階化處理後進入 AlexNet 訓練和分類，其二為灰 階化後二值化，再進入 AlexNet 訓練和分類。以下將介紹 AlexNet 和卷積神經網路 的幾種優於傳統神經網路的特點。

 線性整流層（Rectified linear units layer）：線性整流層為修正函數的一種， 使用在卷積層後，目的為圖片上的所有負數轉為零，可避免卷積神經網 路的計算結果趨近於零或者無限大，這樣做的可使卷積神經網路為非線 性。

 最大池化層（Max pooling layer）：池化(Pooling)運算是卷積神經網路中 的降採樣(Decimation)的概念，目前有幾種不同的非線性池化函數，而最 常用的池化函數即是「最大池化（Max pooling）」。最大池化是將載入 的影像區分為幾個不同的矩形區域，對每個區域輸出區域中的最大值。 而這種方法能夠有效的降採樣原因是，當池化函數找到一個特徵之後， 特徵的精確位置並不重要，因為池化層會不斷地減小數據的長寬大小。  丟棄(Dropout)：AlexNet 在第一和第二全連階層(Fully connected layer)加 入 dropout。在每回合計算時隨機使部分結點不加入計算，可以讓卷積神 經網路不過度依賴特定特徵值，造成訓練的過擬合。

31

第四章

實驗設計與實驗結果

在此篇論文中所提到的各種檢測步驟皆有各自的檢測矩陣或檢測參數，而矩 陣或參數的大小設定會影響到檢測的結果。故在本章節中，會取三組組樣本，第 一組樣本為隨機取得的 1000 張良品與劣品影像；第二組樣本為第一組的 1000 張 影像再加上 9000 張隨機取得的良品影像；第三組樣本為隨機取得的 20000 張良品 與劣品影像。其中第一組和第二組樣本皆是訓練樣本，藉由 1000 張或 10000 張影 像的訓練矩陣大小或參數結果，來測詴在第三組樣本中的 20000 張影像檢出率以 及檢出正確率的實驗結果。

4.1 實驗設計

因為同一張影像中可能會同時出現不同種類的瑕疵，故在瑕疵的篩選與分類 時會有優先權問題。第一優先為邊緣瑕疵，因系統誤判正常影像為異常影像時， 大部分發生在邊緣，所以會利用侵蝕運算來遮蔽邊緣的灰色地帶，進而減少誤判 發生的機率，故當瑕疵發生在邊緣是最難被偵測到的，所以若影像中有二值化後 依然存在的明顯異常區域且為與邊緣相連則分類為邊緣瑕疵，此種瑕疵分類做檢 測步驟調整時的觀察指標之一。其次為大片沾汙，大片沾汙為二值化後依然存在 的明顯大面積瑕疵且不與邊緣相連。第三順位為小缺陷，小缺陷為不與邊緣相連 且存在於金屬表面上的小點，最後是顏色變異，顏色變異為瑕疵發生區域無法被 二值化成黑色且為大面積與金屬表面顏色有差異。 如表 4-1 所示在此實驗中隨機抽樣總數為 1000 張影像，內含正常影像 561 張， 顏色變異影像 105 張，小缺陷影像 115 張，大片瑕疵影像 102 張，邊緣瑕疵影像 117 張，利用此組影像訓練各種檢測步驟中最佳的矩陣大小或參數。

32 表 4-1.實驗樣本數 1000 表 如表 4-2 所示在此實驗中總數為 10000 張影像，內含正常影像 9561 張，顏色 變異影像 105 張，小缺陷影像 115 張，大片瑕疵影像 102 張，邊緣瑕疵影像 117 張，利用此組影像訓練各種檢測步驟中最佳的矩陣大小或參數。此組數據為表 4-1 中的 1000 張影像再隨機抽樣 9000 張無異常影像所組成。目的為比較不同數量的 訓練影像樣本對於訓練結果有何不同。 表 4-2 實驗樣本數 10000 表 如表 4-3 所示在此實驗中隨機抽樣總數為 20000 張影像，內含正常影像 19127 張，顏色變異影像 208 張，小缺陷影像 224 張，大片瑕疵影像 210 張，邊緣瑕疵 影像 231 張，利用此批影像驗證各檢測步驟中的檢測矩陣大小或參數與訓練出來 的結果是否適合產線使用。 表 4-3 實驗樣本數 20000 表

4.2 指標定義

在本論文做的實驗設計中，設計了六種計算指標，而這六種計算指標，可以 讓我們更精確的了解各種檢測步驟的特性，以及可以應用的範圍。六種檢測指標 分別為：  總體檢出率：系統篩選缺點且為真缺點數量/總缺點數量  檢出正確率：系統篩選缺點且為真缺點數量/系統篩選缺點總數量 總數 正常影像 顏色變異 小缺陷 大片沾汙 邊緣瑕疵 數量 1,000 561 105 115 102 117 總數 正常影像 顏色變異 小缺陷 大片沾汙 邊緣瑕疵 數量 10,000 9561 105 115 102 117 總數 正常影像 顏色變異 小缺陷 大片沾汙 邊緣瑕疵 數量 20,000 19127 208 224 210 231

33  小缺陷檢出率：系統篩選缺點且為小缺陷缺點數量/總小缺陷缺點數量  大片沾汙檢出率：系統篩選缺點且為大片沾汙缺點數量/總大片沾汙缺點 數量  邊緣缺陷檢出率：系統篩選缺點且為邊緣缺陷缺點數量/總邊緣缺陷缺點 數量  顏色變異檢出率：系統篩選缺點且為顏色變異缺點數量/總顏色變異缺點 數量 以下將以趨勢圖來呈現各種檢測步驟的實驗結果，橫軸為矩陣大小變化，縱 軸為矩陣大小變化下所呈現出的六種指標數值，六種指標的最大值皆為 1，最小值 皆為 0，此六種指數數值皆越大代表越好。

4.3 ImageRange 檢測實驗

圖 4-1 為 1000 張樣本影像下 ImageRange 檢測步驟所實驗出來的侵蝕矩陣大 小變動趨勢圖，在圖中明顯看出在侵蝕矩陣越大時，檢出正確率上升，但總體檢 出率也隨之下降，考慮到檢出正確率最高且總體檢出率也最高的狀況下，選擇侵 蝕矩陣為 3*3。此外在侵蝕矩陣為 1*1 至 5*5 時，對於大片瑕疵檢出率無任何影響； 在考慮邊緣缺陷檢出率和檢出正確率時，侵蝕矩陣為 4*4 的檢出正確率和檢出率 的曲線接近交叉；對於顏色變異檢出率和檢出正確率則是在侵蝕矩陣為 2*2 時接 近交叉；而小缺陷檢出率和檢出正確率而言，雖然侵蝕矩陣為 3*3 較接近交叉， 但考慮到 ImageRange 檢測步驟特性為所有瑕疵皆有機會檢出，若矩陣為 3*3、4*4 和 5*5 時對邊緣缺陷和顏色變異缺陷的檢出率下降，故在侵蝕矩陣選擇上選擇為 2*2，如圖 4-1 所示除了顏色變異的瑕疵檢出率低於 9 成，其他瑕疵的檢出率皆超 過 9 成而檢出正確率也超過 8 成。

34 圖 4-1 1000 樣本 ImageRange 變動侵蝕矩陣圖 圖 4-2 為 10000 張樣本影像下 ImageRange 檢測步驟所實驗出來的侵蝕矩陣大 小變動趨勢圖，在圖 4-2 中明顯看出在侵蝕矩陣越大時，檢出正確率上升，但總體 檢出率也隨之下降，考慮到檢出正確率最高且總體檢出率也最高的狀況下，選擇 侵蝕矩陣為 4*4。此外在侵蝕矩陣為 1*1 至 5*5 時，對於大片瑕疵檢出率無任何影 響；在考慮邊緣缺陷檢出率和檢出正確率時，侵蝕矩陣為 4*4 的檢出正確率和檢 出率的曲線接近交叉；對於顏色變異檢出率和檢出正確率也是在侵蝕矩陣為 4*4 時接近交叉；而小缺陷檢出率和檢出正確率而言，雖然侵蝕矩陣 5*5 較接近交叉， 但考慮到 ImageRange 檢測步驟特性為所有瑕疵皆可檢出，若矩陣為 5*5 對邊緣缺 陷和顏色變異缺陷的檢出率下降，故在侵蝕矩陣選擇上選擇為 4*4，在大部分瑕疵 的檢出率和檢出正確率為最佳。 圖 4-3 為 20000 張樣本影像下 ImageRange 檢測步驟所實驗出來的侵蝕矩陣大 小變動趨勢圖，使用 1000 以及 10000 樣本訓練侵蝕矩陣大小選擇結果，對應圖 4-3 的比較如表 4-4 所示，若為使用 1000 樣本訓練出來的侵蝕矩陣為 2*2 時，檢出率 高達 96%，但檢出正確率只有約 20%，和 10000 樣本所訓練的侵蝕矩陣 4*4 比較， 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 1 2 3 4 5 小缺陷 大片沾汙 邊緣缺陷 顏色變異 總體檢出率 檢出正確率

35 檢出率雖然只有 83%，但檢出正確率有 77%相比，要將 ImageRange 使用在產線上， 使用侵蝕矩陣為 4*4 的信賴性較高。由此可以實驗可以觀察到 10000 張樣本訓練 的矩陣大小和 1000 張樣本實測的結果比較有所差異，所以可以得知 ImageRange 的訓練會因為訓練樣本的數量而影響實際結果。 圖 4-2 10000 樣本 ImageRange 變動侵蝕矩陣圖 圖 4-3 20000 樣本 ImageRange 變動侵蝕矩陣圖 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 1 2 3 4 5 小缺陷 大片沾汙 邊緣缺陷 顏色變異 總體檢出率 檢出正確率 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 1 2 3 4 5 小缺陷 大片沾汙 邊緣缺陷 顏色變異 總體檢出率 檢出正確率

36 這是因為 ImageRange 檢測中，檢測門檻以及檢測樣板皆是來自於標準影像， 所以在比對的過程中，若標準影像某個區域的灰階值特別高的情況，或是待測影 像某個區域的灰階值低於標準影像相對區域的灰階值，皆會被視為異常區域。這 對整個 PCB 金屬區域瑕疵區域的檢測門檻沒有統一的檢測標準，故本論文設計平 均統計檢測步驟來設定標準門檻。 表 4-4 ImageRange 檢測訓練結果測詴表 侵蝕 矩陣 訓練樣本 數量 系統判別 異常數量 檢出 正確率 總體 檢出率 小缺陷 檢出率 大片沾汙 檢出率 邊緣缺陷 檢出率 顏色變異 檢出率 2*2 1,000 4,266 0.197 0.962 0.991 1.000 0.952 0.904 4*4 10,000 941 0.772 0.832 0.933 1.000 0.723 0.673

4.4 平均統計檢測實驗

圖 4-4 為 1000 張樣本影像下平均統計檢測步驟所實驗出來的變動侵蝕矩陣趨 勢圖，若考慮總體檢出率和檢出正確率，侵蝕矩陣 2*2 為最佳選擇，因為在侵蝕 矩陣 2*2 時可讓總體檢出率和檢出正確率最接近交叉。但在平均統計檢測步驟中， 檢測目的為顏色變異瑕疵、小缺陷，故在考慮顏色變異檢出率、小缺陷檢出率和 檢出正確率的情況下，我們選擇的侵蝕矩陣也為 2*2 如圖 4-4 所示，在侵蝕矩陣為 2*2 時檢出正確率接近 1 而顏色變異檢出率約為 0.95，小缺陷檢出率約為 0.7、大 片沾汙檢出率約為 0.22、邊緣缺陷檢出率約為 0.46、總體檢出率約為 058。 圖 4-5 為 10000 張樣本影像下平均統計檢測步驟所實驗出來的變動侵蝕矩陣 趨勢圖，若考慮總體檢出率和檢出正確率，侵蝕矩陣 2*2 為最佳選擇，因為在矩 陣 2*2 時可讓總體檢出率和檢出正確率最接近交叉。但在平均統計檢測步驟中， 檢測目的為顏色變異瑕疵、小缺陷，故在考慮顏色變異檢出率、小缺陷檢出率和 檢出正確率的情況下我們選擇的侵蝕矩陣為 2*2。

37 圖 4-6 為 20000 張樣本影像下平均統計檢測步驟所實驗出來的變動侵蝕矩陣 趨勢圖，使用 1000 以及 10000 樣本訓練侵蝕矩陣大小選擇結果，對應圖 4-6 的比 較如表 4-5，不管是 1000 樣本還是 10000 樣本的訓練結果侵蝕矩陣都是為 2*2，所 以測詴 20000 樣本結果的整體檢出率和檢出正確率皆相同，整體檢出率為約 59%、 檢出正確率為約 79%。 圖 4-4 1000 樣本平均統計變動侵蝕矩陣圖 圖 4-5 10000 樣本平均統計變動侵蝕矩陣圖 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 1 2 3 4 5 小缺陷 大片沾汙 邊緣缺陷 顏色變異 總體檢出率 檢出正確率 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 1 2 3 4 5 小缺陷 大片沾汙 邊緣缺陷 顏色變異 總體檢出率 檢出正確率

38 圖 4-6 20000 樣本平均統計變動侵蝕矩陣圖 這是因為平均統計檢測步驟是由待測影像自己產生自己的遮罩，並非由標準 影像產生，所以較不會因為製程上或對位上的誤差導致檢出正確率有很大的變 化，在訓練樣本數不同時也不會對測詴結果造成太大的變化。 表 4-5 平均統計檢測訓練結果測詴表 侵蝕 矩陣 訓練樣 本數量 系統判別 異常數量 檢出 正確率 總體 檢出率 小缺陷 檢出率 大片沾汙 檢出率 邊緣缺陷 檢出率 顏色變異 檢出率 2*2 1,000 639 0.788 0.585 0.704 0.216 0.462 0.952 2*2 10,000 639 0.788 0.585 0.704 0.216 0.462 0.952

4.5 閉合平均統計檢測實驗

4.5.1 侵蝕運算矩陣設定 圖 4-7 為 1000 張樣本影像下閉合平均統計檢測步驟所實驗出來的侵蝕矩陣變 動趨勢圖，若考慮總體檢出率和檢出正確率，矩陣 2*2 為最佳選擇，因為在矩陣 2*2 時可讓總體檢出率和檢出正確率最接近交叉。但在閉合平均統計檢測步驟中， 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 1 2 3 4 5 小缺陷 大片沾汙 邊緣缺陷 顏色變異 總體檢出率 檢出正確率

39 檢測目的為邊緣缺陷、小缺陷、顏色變異，在考慮三種瑕疵的檢出率和檢出正確 率的情況下矩陣為 2*2 亦為最佳。 圖 4-8 為 10000 張樣本影像下閉合平均統計檢測步驟所實驗出來的侵蝕矩陣 變動趨勢圖，若考慮總體檢出率和檢出正確率，矩陣 3*3 為最佳選擇，因為在矩 陣 3*3 時可讓總體檢出率和檢出正確率最接近交叉。但在閉合平均統計檢測步驟 中，檢測目的為邊緣缺陷、小缺陷、顏色變異，故在考慮 3 種瑕疵的檢出率和檢 出正確率的情況下我們選擇的矩陣為 2*2。 圖 4-9 為 20000 張樣本影像下閉合平均統計檢測步驟所實驗出來的侵蝕矩陣 變動趨勢圖，考慮總體檢出率和檢出正確率選擇為 3*3，若考慮邊緣缺陷、小缺陷、 顏色變異檢出率和檢出正確率下選擇為 2*2。 圖 4-7 1000 樣本閉合平均統計變動侵蝕矩陣圖 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 1 2 3 4 5 小缺陷 大片沾汙 邊緣缺陷 顏色變異 總體檢出率 檢出正確率

40 圖 4-8 10000 樣本閉合平均統計變動侵蝕矩陣圖 圖 4-9 20000 樣本閉合平均統計變動侵蝕矩陣圖 4.5.2 閉合運算矩陣設定 圖 4-10 為 1000 張樣本影像在閉和平均統計檢測步驟所實驗出來的變動閉合矩 陣趨勢圖，若考慮總體檢出率和檢出正確率，矩陣 3*3 為最佳選擇。在閉合平均 統計檢測步驟中，檢測目的為邊緣缺陷、小缺陷、顏色變異，在考慮 3 種瑕疵的 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 1 2 3 4 5 小缺陷 大片沾汙 邊緣缺陷 顏色變異 總體檢出率 檢出正確率 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 1 2 3 4 5 小缺陷 大片沾汙 邊緣缺陷 顏色變異 總體檢出率 檢出正確率

41 檢出率和檢出正確率的情況下我們選擇的矩陣為 3*3，因為假設選擇 4*4 或 5*5 則 檢出正確率會比 3*3 還要低。 圖 4-11 為 10000 張樣本影像在閉和平均統計檢測步驟所實驗出來的變動閉合 矩陣趨勢圖，若考慮總體檢出率和檢出正確率，矩陣 3*3 為最佳選擇，雖然在矩 陣 1*1 時可讓總體檢出率和檢出正確率最接近交叉，但在矩陣 3*3 時的檢出正確 率和矩陣 1*1 時的檢出正確率差不多，但總體檢出率卻提升了近兩成。在閉合平 均統計檢測步驟中，檢測目的為邊緣缺陷、小缺陷、顏色變異，在考慮 3 種瑕疵 的檢出率和檢出正確率的情況下我們選擇的矩陣為 3*3。 圖 4-12 為 20000 張樣本影像在閉和平均統計檢測步驟所實驗出來的變動閉合 矩陣趨勢圖，使用 1000 以及 10000 樣本訓練侵蝕矩陣大小選擇結果，對應圖 4-12 的比較如表 4-6，不管是 1000 樣本還是 10000 樣本的訓練結果侵蝕矩陣都是為 2*2，所以測詴 20000 樣本結果的整體檢出率和檢出正確率皆相同，整體檢出率為 約 87%、檢出正確率為約 78%。 圖 4-10 1000 樣本閉合平均統計變動閉合矩陣圖 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 1 2 3 4 5 小缺陷 大片沾汙 邊緣缺陷 顏色變異 總體檢出率 檢出正確率

42 圖 4-11 10000 樣本閉合平均統計變動閉合矩陣圖 圖 4-12 20000 樣本閉合平均統計變動閉合矩陣圖 由於閉合平均統計檢測步驟和平均統計檢測步驟一樣都是由待測影像自己產 生自己的遮罩，並非由標準影像產生，所以不會因為製程上或對位上的誤差導致 檢驗檢出正確率有很大的變化，在訓練樣本數不同時也不會對測詴結果造成太大 的變化。 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 1 2 3 4 5 小缺陷 大片沾汙 邊緣缺陷 顏色變異 總體檢出率 檢出正確率 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 1 2 3 4 5 小缺陷 大片沾汙 邊緣缺陷 顏色變異 總體檢出率 檢出正確率

43 表 4-6 閉合平均統計檢測訓練結果測詴表 閉合 矩陣 侵蝕 矩陣 訓練樣 本數量 系統判別 異常數量 檢出 正確率 總體 檢出率 小缺陷 檢出率 大片沾汙 檢出率 邊緣缺陷 檢出率 顏色變異 檢出率 3*3 2*2 1,000 989 0.779 0.872 0.991 0.775 0.744 0.981 3*3 2*2 10,000 989 0.779 0.872 0.991 0.775 0.744 0.981

4.6 相減檢測實驗

圖 4-13 為 1000 張樣本影像下相減檢測步驟所實驗出來的變動侵蝕矩陣趨勢 圖，若考慮總體檢出率和檢出正確率，矩陣 2*2 為最佳選擇，因為在矩陣 2*2 時 可讓總體檢出率和檢出正確率最接近交叉。但在相減檢測步驟中，檢測目的為大 片沾汙，故在考慮大片沾汙檢出率和檢出正確率的情況下我們選擇的矩陣為 4*4。 圖 4-13 1000 樣本相減變動侵蝕矩陣圖 圖 4-14 為 10000 張樣本影像下相減檢測步驟所實驗出來的變動侵蝕矩陣趨勢 圖，若考慮總體檢出率和檢出正確率，矩陣 3*3 為最佳選擇，因為在矩陣 3*3 時 可讓總體檢出率和檢出正確率最接近交叉。但在相減檢測步驟中，檢測目的為大 片沾汙，故在考慮大片沾汙檢出率和檢出正確率的情況下我們選擇的矩陣為 5*5。 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 1 2 3 4 5 小缺陷 大片沾汙 邊緣缺陷 顏色變異 總體檢出率 檢出正確率

44 圖 4-14 10000 樣本相減變動侵蝕矩陣圖 圖 4-15 為 20000 張樣本影像下相減檢測步驟所實驗出來的變動侵蝕矩陣趨勢 圖，使用 1000 以及 10000 樣本訓練侵蝕矩陣大小選擇結果，對應圖 4-15 的比較如 表 4-7 所示，若為使用 1000 樣本訓練出來的侵蝕矩陣為 4*4 時，大片沾汙檢出率 高達 100%，但檢出正確率只有約 77%，和 10000 樣本所訓練的侵蝕矩陣 5*5 比較， 大片沾汙檢出率一樣是 100%，但檢出正確率有約 89%相比，要將相減檢測步驟使 用在產線上，使用侵蝕矩陣為 5*5 的信賴性較高。由此可以實驗可以觀察到 10000 張樣本訓練的矩陣大小和 1000 張樣本實測的結果比較有所差異，所以可以得知相 減檢測的訓練結果會因為訓練樣本的數量而影響實際結果。 在相減檢測中，雖然有經過二值化運算可以減少因為些微色差但在容許範圍 內的誤判，還是避免不了對位以及製程規格內變異造成的誤判，這是樣板比對中 較難避免的問題，故將侵蝕矩陣向上調整可以減少誤判發生的機會，但也相對的 造成總體檢出率下降，因為較靠近邊緣的瑕疵被侵蝕運算所遮蓋了。 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 1 2 3 4 5 小缺陷 大片沾汙 邊緣缺陷 顏色變異 總體檢出率 檢出正確率

45 圖 4-15 20000 樣本相減變動侵蝕矩陣圖 表 4-7 相減檢測訓練結果測詴表 侵蝕 矩陣 訓練樣 本數量 系統判別 異常數量 檢出 正確率 總體 檢出率 小缺陷 檢出率 大片沾汙 檢出率 邊緣缺陷 檢出率 顏色變異 檢出率 4*4 1,000 496 0.768 0.436 0.246 1.000 0.502 0.000 5*5 10,000 406 0.895 0.400 0.214 1.000 0.394 0.000

4.7 移動相減檢測實驗

圖 4-16 為 1000 張樣本影像下移動相減檢測步驟所實驗出來的變動侵蝕矩陣 趨勢圖，若考慮總體檢出率和檢出正確率，矩陣 2*2 為最佳選擇，因為在矩陣 2*2 時可讓總體檢出率和檢出正確率最接近交叉。但在相減移動檢測步驟中，檢測目 的為大片沾汙，故在考慮大片沾汙檢出率和檢出正確率的情況下我們選擇的矩陣 為 3*3。 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 1 2 3 4 5 小缺陷 大片沾汙 邊緣缺陷 顏色變異 總體檢出率 檢出正確率

46 圖 4-16 1000 樣本移動相減變動侵蝕矩陣圖 圖 4-17 為 10000 張樣本影像下移動相減檢測步驟所實驗出來的變動侵蝕矩陣 趨勢圖，若考慮總體檢出率和檢出正確率，矩陣 2*2 為最佳選擇，因為在矩陣 2*2 時可讓總體檢出率和檢出正確率最接近交叉。但在相減移動檢測步驟中，檢測目 的為大片沾汙，故在考慮大片沾汙檢出率和檢出正確率的情況下我們選擇的矩陣 為 4*4。 圖 4-17 10000 樣本移動相減變動侵蝕矩陣圖 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 1 2 3 4 5 小缺陷 大片沾汙 邊緣缺陷 顏色變異 總體檢出率 檢出正確率 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 1 2 3 4 5 小缺陷 大片沾汙 邊緣缺陷 顏色變異 總體檢出率 檢出正確率

47 圖 4-18 為 20000 張樣本影像下移動相減檢測步驟所實驗出來的變動侵蝕矩陣 趨勢圖，使用 1000 以及 10000 樣本訓練侵蝕矩陣大小選擇結果，對應圖 4-18 的比 較如表 4-8 所示，若為使用 1000 樣本訓練出來的侵蝕矩陣為 3*3 時實測 20000 張 樣本結果，大片沾汙檢出率高達 100%，但檢出正確率比 1000 樣本的訓練結果略 低一些，約為 97%；和 10000 樣本所訓練的侵蝕矩陣為 4*4 實測 20000 張樣本結 果比較，大片沾汙檢出率一樣是 100%，檢出正確率和一樣是 100%。由此可以實 驗可以觀察到 10000 張樣本訓練的矩陣大小和 1000 張樣本實測的結果雖然有所差 異，但差異不大，所以雖然訓練樣本數不同會影響測詴結果，但信賴性依舊可以 應用至產線上。 圖 4-18 20000 樣本移動相減變動侵蝕矩陣圖 在移動相減檢測步驟中，同相減檢測步驟經過二值化運算可以減少因為些微 色差但在容許範圍內的誤判，也減少了對位誤差所造成的誤判，但還是避免不了 製程規格內變異造成的誤判，這是因為移動相減檢測步驟也是樣板比對的一種， 故將侵蝕矩陣向上調整可以減少誤判發生的機會，但也相對的造成檢出率下降， 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 1 2 3 4 5 小缺陷 大片沾汙 邊緣缺陷 顏色變異 總體檢出率 檢出正確率

48 因為較靠近邊緣的瑕疵被侵蝕運算所遮蓋了。但只考慮大片沾汙檢出率和檢出正 確率的實驗結果來看，可以使用較少量樣本訓練即可應用至產線上。 表 4-8 移動相減檢測訓練結果測詴表 侵蝕 矩陣 訓練樣 本數量 系統判別 異常數量 檢出 正確率 總體 檢出率 小缺陷 檢出率 大片沾汙 檢出率 邊緣缺陷 檢出率 顏色變異 檢出率 3*3 1,000 406 0.973 0.453 0.246 1.000 0.563 0.000 4*4 10,000 379 1.000 0.434 0.237 1.000 0.502 0.000

4.8 實驗結果比較

4.8.1 相減檢測與移動相減檢測實驗比較 在表 4-9 中，本論文挑選出訓練樣本數為 1000 時，相減檢測步驟實驗數據中， 侵蝕矩陣為 4*4 的檢測結果；移動相減檢測步驟實驗數據中，侵蝕矩陣為 3*3 的 實驗結果。以及樣本數為 10000 時，相減檢測步驟實驗數據中，侵蝕矩陣為 5*5 的檢測結果；移動相減檢測步驟實驗數據中，侵蝕矩陣為 4*4 的實驗結果。以上 共四組數據做比較。 在訓練樣本數為 1000 的實驗結果顯示，邊緣缺陷檢出率、總體檢出率、檢出 正確率三種指標都指出，移動相減檢測步驟優於相減檢測步驟，而大片沾汙檢測 率、顏色變異檢出率和小缺陷檢出率數值都一樣所以無法從這三個指標判斷優 劣，因此考慮六個指標可以判斷出移動相減檢測步驟優於相減檢測步驟。 在樣本數為 10000 的實驗結果顯示，小缺陷檢出率、邊緣缺陷檢出率、總體 檢出率、檢出正確率四種指標都指出，移動相減檢測步驟優於相減檢測步驟，而 大片沾汙檢測率和顏色變異檢出率數值都一樣所以無法從這兩個指標判斷優劣， 因此六個指標可以判斷出移動相減檢測步驟優於相減檢測步驟。這是因為產品在

49 取像定位時，會產生些微的位移誤差，而這些位移誤差導致影像相減時，會發生 誤判，故利用影像中的圖形質心調整對位可以有效的減少誤判發生。在訓練樣本 數為 1000 和 10000 時的實驗結果顯示，不管訓練影像數量為多寡皆不影響移動相 減檢測步驟優於相減檢測步驟。 因為在移動相減檢測步驟以及相減檢測步驟中，皆經過二值化運算可以減少 因為些微色差但在容許範圍內的誤判，但在移動相減檢測步驟中減少了對位誤差 所造成的誤判，不過還是避免不了製程規格內變異造成的誤判，這是因為移動相 減檢測步驟也是樣板比對的一種，故將侵蝕矩陣向上調整在相減檢測步驟和移動 相減檢測步驟皆可以減少誤判發生的機會，但也相對的會造成檢出率下降，因為 較靠近邊緣的瑕疵被侵蝕運算所遮蓋了。 表 4-9 訓練相減檢測與移動相減檢測實驗比較表 檢測 方法 侵蝕 矩陣 訓練樣 本數量 系統判別 異常數量 檢出 正確率 總體 檢出率 小缺陷 檢出率 大片沾汙 檢出率 邊緣缺陷 檢出率 顏色變異 檢出率 相減 4*4 1,000 496 0.768 0.436 0.246 1.000 0.502 0.000 移動 3*3 1,000 406 0.973 0.452 0.246 1.000 0.563 0.000 相減 5*5 10,000 390 0.895 0.400 0.214 1.000 0.394 0.000 移動 4*4 10,000 379 1.000 0.434 0.237 1.000 0.502 0.000 4.8.2 平均統計檢測與閉合平均統計檢測實驗比較 在表 4-10 中，本論文分別挑選出訓練樣本數為 1000 時，平均統計檢測步驟實 驗數據中，侵蝕矩陣為 2*2 的檢測結果和閉合平均統計檢測步驟實驗數據中，侵 蝕矩陣為 2*2、閉合矩陣為 3*3 的實驗結果；訓練樣本數為 10000 時，平均統計檢 測步驟的實驗數據中，侵蝕矩陣為 2*2 的檢測結果，和閉合平均統計檢測步驟的 實驗數據中，侵蝕矩陣為 2*2、閉合矩陣為 3*3 的實驗結果，總共四組數據做比較， 因為此四組數據在各自的實驗設定中為最佳的結果。