基於機器視覺與次像素邊緣偵測於LED探針之自動化檢測系統
75
0
0
全文
(2) 基於機器視覺與次像素邊緣偵測於 LED 探針之自動化檢 測系統 學生：余立安. 指導教授：蘇崇彥. 國立臺灣師範大學電機工程學系碩士班. 摘. 要. LED (light-emitting diode,發光二極體)從原先做為電子裝置的指示燈使用，如 今已被廣泛的應用在工作或一般用途的照明上；而 LED 需要由 LED 探針做燈泡 特性的量測，以篩選出 LED 的好壞，因此越來越多 LED 探針被大量地生產。本 論文的研究目的就是提出一套自動的光學檢測系統，以提升 LED 探針的品質，提 高生產效率，降低不良品的產出，並能夠即時回饋產品的資訊，而檢測的流程則 使用許多機器視覺與影像處理的技術，包含運用 Otsu 門檻值搭配 Canny 的邊緣 檢測得到初步的邊緣位置、次像素邊緣檢測取得更精確的邊緣位置、以及物件分 群等方法，以提升量測的準確度，最後可以控制探針角度誤差在 1%而半徑誤差 在 2%左右，並且提出一套能夠精準的區分出有瑕疵探針的方法，實驗證明本論 文所提出的方法能夠快速且精準的分析 LED 探針的尺寸以及好壞。. 關鍵字 : 機器視覺、次像素邊緣偵測、自動化檢測、影像處理. i.
(3) Auto-inspected System for LED Probes Based on Machine Vision and Sub-pixel Edge Detection. Student：Yu, Li-An. Advisor：Dr. Su, Chung-Yen Institute of Electrical Engineering. National Taiwan Normal University Abstract. In the beginning, LEDs (light-emitting diode) were used as indicator lamps for electronic devices, and nowadays LEDs have been widely utilized in general lighting devices[1]. To test the quality of LEDs, more and more LED probes are required. In this paper, the efficiency of autonatic optical inspection system has been proposed. The proposed process is able to ensure high-quality of LED probes, improve the efficiency of production, reduce the output of defective products and feedback information of products in time. The detection framework use wide image processing, consists of Otsu threshold and Canny edge detection to get coarse edge, sub-pixel edge detection, object extraction, i.e. The proposed method can quickly and accurately analyze the size of LED probes whose angle error about 1% and radius error about 2%. The experimental results verify the effectiveness of our methods.. Keywords: Machine vision, sub-pixel edge detection, autonatic inspection, image processing. ii.
(4) 誌 謝 在碩班的這兩年生活中，我非常感謝我的指導教授蘇崇彥 博士，感謝老師給 我許多專業知識以及解決問題的正確態度和方式，在老師的幫助下，研究的過程 中所遇到的困難才能順利的解決，這些寶貴的經驗給了我人生很大的幫助。同時 也很感謝瞿忠正 博士與林政宏 博士擔任口試委員，給了我很多研究上的建議， 以及提供可以再做改進的地方，讓我的論文能夠更完整。 在這兩年裡，我也很感謝學長給我的幫助，學長提供的方向和建議往往都是 非常正確且受用的，畢業後也常常會回來關心我們，真的非常感謝。也感謝同學 在我研究遇到瓶頸時，能夠給我各種方法幫助我解決各種問題，以及在學習的過 程中能夠一起討論一起研究，也很謝謝實驗室的學弟，和我一起討論研究和課業 方面的事，我們互相激勵互相幫助，才能讓我們在學習過程中能夠快速的進步。 最後，我非常感謝我的家人，不斷地給我鼓勵，帶給我繼續前進的能量。謝 謝所有幫助過我的人，在未來我會秉持努力不懈的精神，不斷地向前邁進。. iii.
(5) 目 錄. 要 ................................................................................................................... I. 摘. ABSTRACT ................................................................................................................... II 目 錄 ............................................................................................................................ IV 圖 目 錄 ...................................................................................................................... VI 表 目 錄 ...................................................................................................................... IX 第一章 緒論 ............................................................................................................ - 1 1.1. 研究背景 ..................................................................................................... - 1 -. 1.2. 研究動機 ..................................................................................................... - 1 -. 1.3. 研究目的 ..................................................................................................... - 3 -. 1.4. 論文架構 ..................................................................................................... - 3 -. 第二章 文獻探討 .................................................................................................... - 4 2.1. 自動化檢測相關文獻 ................................................................................. - 4 -. 2.2. 次像素邊緣偵測 ......................................................................................... - 6 -. 2.2.1 曲線配適 (Curve-fitting) ........................................................................ - 7 2.2.2 局部區域效應法 (Partial area effect) ..................................................... - 9 2.2.3 重建法 (Reconstruction) ....................................................................... - 12 2.3. OTSU 演算法介紹...................................................................................... - 15 -. 第三章 檢測系統架構 .......................................................................................... - 17 3.1. 硬體設備 ................................................................................................... - 17 -. 3.2. 開發環境 ................................................................................................... - 20 iv.
(6) 3.3. 影像處理流程 ........................................................................................... - 20 -. 3.3.1 影像前處理 ............................................................................................ - 21 3.3.2 初步邊緣偵測 ........................................................................................ - 22 3.3.3 物件分群 ................................................................................................ - 28 3.3.4 第一階段瑕疵檢測 ................................................................................ - 29 3.3.5 次像素邊緣偵測 .................................................................................... - 31 3.3.6 計算角度與半徑 .................................................................................... - 32 3.3.7 第二階段瑕疵檢測 ................................................................................ - 34 3.4. 自動化檢測系統與流程 ........................................................................... - 35 -. 3.4.1 自動化流程架構圖 ................................................................................ - 35 3.4.2 使用者介面設計 .................................................................................... - 38 第四章 實驗結果與分析 ...................................................................................... - 43 4.1. LED 探針瑕疵分析................................................................................... - 43 -. 4.2. 執行時間 ................................................................................................... - 45 -. 4.3. 靜態量測分析 ........................................................................................... - 49 -. 4.4. 自動化量測分析 ....................................................................................... - 50 -. 第五章 結論與未來展望 ...................................................................................... - 53 參考文獻 .................................................................................................................. - 54 附. 錄 .................................................................................................................. - 58 -. 自. 傳 .................................................................................................................. - 63 -. 學 術. 成. 就 ...................................................................................................... - 64 -. v.
(7) 圖 目 錄 圖 1-1 從傳統自動化轉變為智慧自動化之概念圖[3] .......................................... - 2 圖 1-2 製造業自動化發展歷程[4] ........................................................................... - 2 圖 1-3 探針角度與半徑 ........................................................................................... - 3 圖 2-1 常用的光源照射位置 ................................................................................... - 5 圖 2-2 (a) 原始影像 (b) 經過影像擷取裝置取得之影像 (c) 1) (b)影像在原始的 解析度上的像素亮度值 2) 對該坐標提高 5 倍的解析度後的像素亮度值[16] .. - 7 圖 2-3 曲線配適示意圖(a) 橘色點為邊緣點(b) 藍色線為邊緣點經曲線配適後得 到的結果 .................................................................................................................... - 8 圖 2-4 (a) 原始影像. (b) 為(a)圖經過邊緣檢測後產生無誤差之邊緣點 .......... - 9 -. 圖 2-5 感光元件取樣前 ............................................................................................ - 9 圖 2-6 感光元件取樣後 ............................................................................................ - 9 圖 2-7 遮罩式意圖，圖(a)為直向遮罩圖(b)為橫向遮罩..................................... - 12 圖 2-8 經局部區域效應法求得次像素位置 .......................................................... - 12 圖 2-9 重建法示意圖 .............................................................................................. - 13 圖 2-10 Otsu 門檻值示意圖 ................................................................................... - 15 圖 3-1 高速彩色相機[24] ....................................................................................... - 17 圖 3-2 相機鏡頭[25] ............................................................................................... - 18 圖 3-3 LED 光源調光器 ......................................................................................... - 19 圖 3-4 單軸步進馬達移動平台[26] ...................................................................... - 19 圖 3-5 GSC-01 控制器[27] ..................................................................................... - 20 圖 3-6 影像處理流程圖 ......................................................................................... - 21 圖 3-7 彩色轉灰階 ................................................................................................. - 22 圖 3-8 探針與影像灰階直方圖 ............................................................................. - 24 圖 3-9 有用 OTSU 和沒有使用 OTSU 門檻值比較圖 ........................................ - 25 vi.
(8) 圖 3-10 刪除反光點的流程圖 ............................................................................... - 26 圖 3-11 (a) 探針邊緣點與反光點 (b) 刪除反光點示意圖 ................................. - 27 圖 3-12 (a) 刪除反光點後 (b) 完整邊緣影像 ..................................................... - 27 圖 3-13 分群後結果 ............................................................................................... - 28 圖 3-14 (a) 刪除灰塵前 (b) 刪除灰塵後 ............................................................. - 29 圖 3-15 圓弧 DtB 特徵 .......................................................................................... - 30 圖 3-16 明顯有瑕疵的探針前端 ........................................................................... - 30 圖 3-17 重建法式意圖 ........................................................................................... - 31 圖 3-18 (a)探針斜邊局部放大圖 (b)探針圓弧區域局部放大圖......................... - 32 圖 3-19 直線疊代示意圖 ....................................................................................... - 33 圖 3-20 圓弧疊代示意圖 ....................................................................................... - 34 圖 3-21 自動化檢測流程 ....................................................................................... - 36 圖 3-22 判斷探針是否進入畫面的流程圖 ........................................................... - 37 圖 3-23 背景的灰階值方圖 ................................................................................... - 38 圖 3-24 探針進入畫面時的灰階值方圖 ............................................................... - 38 圖 3-25 使用者操作介面 ....................................................................................... - 39 圖 3-26 攝影機影像顯示 ....................................................................................... - 39 圖 3-27 裝置設定 ................................................................................................... - 40 圖 3-28 屬性設定 ................................................................................................... - 41 圖 3-29 訊息視窗 ................................................................................................... - 42 圖 4-1 IC Measure 介面 .......................................................................................... - 43 圖 4-2 探針瑕疵的種類 ......................................................................................... - 44 圖 4-3 影像處理執行時間 ..................................................................................... - 46 圖 4-4 Scharr 運算子 .............................................................................................. - 47 圖 4-5 [20]流程圖 ................................................................................................... - 47 圖 4-6 [21]流程圖 ................................................................................................... - 47 vii.
(9) 圖 4-7 [17]、[22]流程圖......................................................................................... - 47 圖 4-8 [20]的執行時間 ........................................................................................... - 48 圖 4-9 [21]的執行時間 ........................................................................................... - 48 圖 4-10 [17]的執行時間 ......................................................................................... - 48 圖 4-11 [22]的執行時間 ......................................................................................... - 49 圖 4-12 自動化流程比較 ....................................................................................... - 51 -. viii.
(10) 表 目 錄 表 2-1 文獻優缺點比較 ......................................................................................... - 14 表 3-1 相機規格 ..................................................................................................... - 17 表 3-2 鏡頭規格 ..................................................................................................... - 18 表 3-3 移動平台規格表 ......................................................................................... - 19 表 4-1 探針樣本數 ................................................................................................. - 45 表 4-2 檢測結果 ..................................................................................................... - 45 表 4-3 一般模式下的檢測結果 ............................................................................. - 45 表 4-4 平均執行時間比較 ..................................................................................... - 49 表 4-5 靜態量測的平均誤差比較 ......................................................................... - 50 表 4-6 量測之效率比較 ......................................................................................... - 50 表 4-7 自動化量測的平均誤差比較 ..................................................................... - 52 -. ix.
(11) 第一章 緒論. 1.1 研究背景 LED (Light-emitting diode，發光二極體)[1]是一種能發光的半導體電子元件， 1968 年第一個商品化的 LED 問世，但當時只能發出低光度的紅光做指示燈使用， 之後 LED 發展歷史近幾十年，直到 1993 年商品化白光 LED 發展被開發出來後 [2]，亮度和品質都有所提升，此種電子元件才逐漸普及至一般照明使用，現今 LED 所發出來的已遍及可見光及紅外線，又因 LED 效率高、壽命長、體積小、不易破 損等優點，逐漸取代傳統照明設備，相信在之後節能與環保的新世代中，LED 會 因省電且高效能在照明用途上占更重要的一席之地。 而為了量測 LED 的電壓或電流特性，需要由碳化鎢金屬所製成的 LED 探針 做量測，且為了避免探針刺破晶粒，緩衝接觸時造成的破壞，探針針尖會製成圓 弧狀，以防止刺破 LED 的晶粒，傳統 LED 探針是由人工方式研磨，所以精密度 和品質難齊，且人為方式生產效率不佳，無法快速的大量生產，因此需要在檢測 和製造 LED 探針上做出改變。. 1.2 研究動機 近年來，消費者對產品品質的要求越來越大，為了減少人力成本以及提高產 品的質量，自動化生產與精密製造產業已逐漸成為未來的發展趨勢(圖 1-1)。有鑑 於此，行政院科技顧問組舉辦「智慧自動化產業發展策略規劃會議」(SRB)，希望 政府部門能夠協助各式產業開發智慧自動化關鍵技術使產業能因應與日俱增的 產品品質與需求量，創造新的價值。科技部也在此前提下擬定智慧自動化所需之 前瞻技術項目並釋出相關計畫，希望能透過學術界的力量協助產業跨越科技進步 之門檻，創造新的產業價值。近期行政院也以「智慧型自動化產業發展方案」為. -1-.
(12) 基礎，提出「生產力 4.0」希望能結合並開發智慧機械、物聯網、巨量資料、雲端 運算等技術來跟上全球智慧製造科技發展如圖 1-2 所示。. 第一次自動化 (傳統自動化). 第二次自動化. 智慧自動化 要素. (智慧自動化). (強調生產面). . 低成本 大量生產 一貫化 單能工. (生產面升級). . 1. 訊號感測(Sensing) 2. 資料處理(Processing) 3. 智慧決策(Reasoning) 4. 作動控制(Reacting). 提升附加價值 少量多樣 彈性、複合化 多能工. (使用面應用). 家庭生活自動化 提升醫療、觀光 等之產業效能 安全、舒適、節 能減碳等. 圖 1-1 從傳統自動化轉變為智慧自動化之概念圖[3]. 圖 1-2 製造業自動化發展歷程[4]. 智慧自動化的相關技術也越來越重要，智慧自動化之要素包含訊號感測、資 料處理、智慧決策及動作控制，影響之產業包括健康照護、智慧生活、太陽光電 與產業機械等等。其主要貢獻在於製程之改善、產品品質之提升與生產效能之提 高等等。故本論文對 LED 探針檢測提出一套智慧自動化的檢測系統，使的探針能 夠有效率的生產並同時維持探針的高品質，取代傳統以人工目視的方式檢測探針 是否符合規格或是有瑕疵產生，如此一來提升生產的效率和品質。. -2-.
(13) 1.3 研究目的 本研究利用高速攝影機擷取欲偵測探針之影像，再將影像做即時的處理，並 透過次像素邊緣偵測演算法得到精確的邊緣位置，由於此演算法的計算過程龐大， 在執行此演算法前做初步的邊緣檢測，初步的邊緣檢測為像素層級，在影像擷取 裝置之解析度較低的情況下取得的影像本身並無法得到實際的邊緣，因此取得 LED 探針的初步外型與位置資訊後，再利用次像素的計算使得檢測出來的邊緣與 實際邊緣更為貼近，得到較細緻的邊緣，並由此邊緣點計算出探針的角度以及半 徑，角度是探針兩邊所夾的夾角如圖 1-3 的θ，半徑如圖 1-3 的 R；又探針本身非 常細小尖端圓弧半徑約為 15-30 微米，所以在研磨的過程中尖端也容易出現瑕疵， 故能在量測的過程中檢測出有瑕疵的探針也為本研究重要的目的之一。. 圖 1-3 探針角度與半徑. 1.4 論文架構 本論文主要分成五個章節。於第一章緒論中介紹研究背景、動機和目的；第 二章文獻探討介紹相關的自動化檢測技術，以及次像素邊緣偵測和 OTSU 演算法； 在第三章檢測系統架構中詳細的介紹本論文的影像處理流程和自動化檢測流程， 還有開發環境以及硬體設備；第四章為檢測結果與分析與相關文獻的實驗結果比 較；最後第五章為本論文的結論與未來展望。. -3-.
(14) 第二章 文獻探討 本章節主要探討自動化檢測的相關文章，以及次像素邊緣偵測和 OTSU 演算 法的介紹。. 2.1 自動化檢測相關文獻 隨著科技產業日新月異，為了大幅提升生產效率、節省人力成本和進行精密 的操作與製造，自動化的相關技術越來越重要也越來越多樣。在[5]論文中提出了 一套自動化光學檢測系統，運用 CCD 攝影機、三軸定位系統、照明裝置、圖像分 割、圖像配準等技術和設備，檢測電路板上的開孔位置是否正確有無缺孔或者是 開孔過大的情形；論文[6]中針對小型汽車零件做選取以及檢測的工作，首先運用 多鏡頭方式以機器手臂夾取星形墊圈，再對於此零件運用機器學習、圓形圖像分 析、分割出墊圈鋸齒部份等方式對零件進行自動化分類；論文[7]以霍夫(Hough)圖 像註冊的方式，挑選並標籤出有缺陷的鍵盤，不但速度快計算過程簡單，並能夠 有 90%的準確性；近年來自動化檢測系統也應用各個領域上面，其中檢測物包含 高爾夫球桿[8]、輪胎的形狀[9]、硬碟磁極尖端的腐蝕情形[10]、汽車前照鏡[11] 等，以下介紹幾篇自動化檢測相關論文。 (1) 晶粒圖文瑕疵之自動檢測 在論文[12]中介紹機器視覺的基本架構，而視覺的檢測系統優點在於與生產 線結合，能夠即時的自動化檢測並回饋產品的資訊，主要可分為六大單元[13]， 包含：待測工件、光源、影像裝置、影像擷取介面卡、影像處理器、周邊及輸出 裝置。光源設計是影像取樣好壞的重要關鍵之一，良好的光源可以清楚的呈現物 體的特徵紋理，光源又可分為以下幾種方式[14]： 1.. 前照式 (Front lighting)：光源與攝影機鏡頭架設在同一側，利用光反射強弱的. -4-.
(15) 差異，做為檢測物體表面特徵時之常用照明。 2.. 背照式 (Back lighting)：光源與鏡頭架設在不同側，利用被照式光源強化物體 的輪廓，常用於量測物體的尺寸與邊緣特徵。. 3.. 側照式 (Side lighting)：光源置於物體側邊，光源照射方向與待測物平行，常 用於檢測物體之缺陷使用。 而本實驗中使用前照式照明，光源與攝影機同側。. 攝影機. 攝影機. 攝影機. 光源. 待測物. 待測物. 光源. 光源. 背光源. 待測物. 側照式. 前照式. 背照式. 圖 2-1 常用的光源照射位置 此論文作者主要是針對半導體製程中常出現的瑕疵，利用機器視覺的方式自 動化檢測晶粒表面的缺陷，在晶粒封裝前以機台自動取像，再對該影像做判斷； 其檢測演算法架構主要分為訓練樣本 (Training)、區域分割 (Segmentation)和瑕疵 檢測與品質分類 (Inspection and Classification)三個階段，在第一個階段建立標準 的晶粒圖紋樣式樣本，第二個階段利用圖紋間彼此的灰階變化，將每個區域分開 檢測，最後依照經歷的品質分為三類： 1.. 優良品：晶粒無任何缺陷，可正常出貨。. 2.. 規格良品：晶粒雖有缺陷，但其缺陷在規格範圍內，需以人工方式二次 檢查。. 3.. 不良品：晶粒有明顯缺陷，不可出貨。. 此篇開發的演算法能夠精準的檢測出晶粒的瑕疵，改善傳統以人工檢測的方. -5-.
(16) 式，大幅縮短檢測的時間。 (2) 動態取向下之特徵辨識於自動檢測系統之研究 論文[15]中作者敘述運用自動光學檢測系統，可避免人力檢測時的主觀性、速 度慢、成本高等問題，傳統的檢測系統中，待測物經由輸送帶進入檢測區域時停 止移動，接著由相機拍攝所需的影像進行檢測，整個檢測過程中為靜止狀態；若 能在輸送帶運送待測物的過程中，使相機於運動狀態下去追蹤待測物並進行擷取 影像的動作，檢測過程中不會有停頓的情形，可同時避免停頓造成機台壽命縮短， 還可以加快檢測速度，此方法的缺點就是會使得相機與待測物間存在相對速度， 拍攝出來的影像模糊，所以只要能夠適當消除影像殘影的部分，就能提高檢測效 果。 其論文以字元辨識為例，以外型和紋路當作特徵資訊，與事先建立好的樣本 特徵進行比對，並將影像處理分成四個步驟：影像前處理、字元分割、特徵擷取、 字元辨識，首先影像前處理包含直方圖等校、中值濾波和 Otsu 二值化，以直方圖 等校提升影像對比度，解決因為在高速快門下影像較暗亮度不足的因素，中值濾 波目的則是去除影像中雜訊，Otsu 二值化是選定一個最佳門檻區分影像的字元與 背景。利用前處理取得適合後續處理的影像，再進行字元分割，將影像中每個字 元分開辨識，之後擷取每個字元的特徵資訊，最後將特徵資訊與樣本資訊比對， 選定與樣本特徵最相似的為結果。. 2.2 次像素邊緣偵測 由於一般影像擷取裝置的解析度會因為 CCD 攝影機與光學鏡頭限制而無法 提供更精確的資訊，最小基本單位為像素 (Pixel)層級的；因此，經過像素層級的 邊緣檢測法取得粗略的邊緣資訊後，後續利用次像素 (Sub-pixel)的邊緣檢測法即 可使精確度大幅提升，此技術廣泛的使用在微物影像的處理中。圖 2-2 (a)影像為 原始的影像，但是當經過影像擷取裝置取得之影像因解析度不夠高而會使細微的 -6-.
(17) 資訊變模糊，如圖 2-2 (b)所示。因此，次像素邊緣檢測法的概念在於對其每個像 素再處理以取得更多的原始影像資訊，如圖 2-2 (c)所示，如此一來就能得到更貼 近真實邊緣位置資訊。. (a) (b) (c) 圖 2-2 (a) 原始影像 (b) 經過影像擷取裝置取得之影像 (c) 1) (b)影像在原始的 解析度上的像素亮度值 2) 對該坐標提高 5 倍的解析度後的像素亮度值[16]. 本章節將介紹三種常見的次像素演算法，分別為曲線配適 (Curve-fitting)、局 部區域效應法 (Partial area effect)以及重建法 (Reconstruction)。. 2.2.1 曲線配適 (Curve-fitting) 曲線配適的方法主要是利用初步邊緣偵測得出的邊緣點資訊進行運算處理。 以 LED 探針為例，利用曲線配適來對其邊緣資訊做運算得出直線或者是圓方程 式。之後把所有邊緣點帶入運算過後的模型並算出誤差平方和，最後再次修改模 型使其成為這些邊緣點最適合的模型如圖 2-3，圖 2-3 (a)為初步的邊緣點位置， 圖 2-3 (b)的藍色線為邊緣點經曲線配適後得到的曲線方程式。. -7-.
(18) 8 7 6 5 4 3 2 1 0 0. 0.5. 1. 1.5. 2. 2.5. 3. 3.5. 2. 2.5. 3. 3.5. (a) 8 7 6 5 4 3 2 1 0 0. 0.5. 1. 1.5. (b) 圖 2-3 曲線配適示意圖(a) 橘色點為邊緣點(b) 藍色線為邊緣點經曲線配適後得 到的結果. 然而，曲線配適的模型建立是利用已取得之邊緣點來做計算得出，如果使用 誤差較大的邊緣點計算模型時會嚴重影響到其模型的正確性，如圖 2-4 所示，圖 2-4 (a)為原始影像，圖 2-4 (b)為適合曲線配適演算法的邊緣點結構，可以看出此 圖有較完美的邊緣點，可經由曲線配適計算出誤差較低的模型。但遇到如圖 2-4 (c)的情況下，曲線配適計算出的模型會因為有誤差較大的邊緣點而影響到其精確 度。因此，如使用曲線配適的次像素邊緣檢測法，需使誤差相對較大之邊緣點做 排除的動作以避免影響模型的精確度。. -8-.
(19) (a). (b). (c). 圖 2-4 (a) 原始影像 (b) 為(a)圖經過邊緣檢測後產生無誤差之邊緣點 (c) 為(a)影像經過邊緣檢測後產生誤差較大之邊緣點[16]. 2.2.2 局部區域效應法 (Partial area effect) Partial area effect[17]是藉由實際場景投影到感光元件上時各個像素所接受到 的能量強度，從取樣前的亮度積分方程式與取樣後的累加亮度方程式，找出其中 對應關係。. 圖 2-5 感光元件取樣前. 圖 2-6 感光元件取樣後. 圖 2-5 為感光元件取樣前真實物體的邊緣位置，圖 2-6 為取樣後的邊緣，可 以看出實際邊緣位置與取樣後的邊緣有一段落差；然而，感光元件在運作時，本 身會受到隨機熱雜訊的影像，所以為了降低雜訊的影響，會先對圖片進行一次高 斯濾波處理。 而為了求得次像素邊緣位置，單一像素的資料量無法讓我們正確地計算出次 像素的位置，還需要透過邊緣點周圍的資訊，來取得正確次像素邊緣點。首先利 -9-.
(20) 用 Sobel 運算子來計算出 x 方向與 y 方向變化量，分別如式(2-1)、式(2-2)所示，i 和 j 為影像座標，𝐹𝑖,𝑗 為 i、j 座標的亮度值，𝐹𝑖,𝑗 與 Sobel 運算子做摺積分後得到亮 度變化量 dxi, j、dyi, j，並針對 x 方向及 y 方向變化量來決定邊緣斜率的範圍，假設 不同的數學式。若|𝑑𝑦𝑖,𝑗 | > |𝑑𝑥𝑖,𝑗 |，表示邊緣變化方向是垂直的，則假設該邊緣為 𝑦 = 𝑎 + 𝑏𝑥 + 𝑐𝑥 2 ，若|𝑑𝑦𝑖,𝑗 | < |𝑑𝑥𝑖,𝑗 |，表示邊緣變化方向是水平的，令該邊緣為 𝑥 = 𝑎 + 𝑏𝑦 + 𝑐𝑦 2，並在邊緣點周圍分別建立直向或者是橫向的遮罩如圖 2-7(a)和 (b)。. 𝑑𝑥𝑖,𝑗 = 𝐹𝑖,𝑗 ∗. 𝑑𝑦𝑖,𝑗 = 𝐹𝑖,𝑗 ∗. -1. 0. 1. -2. 0. 2. -1. 0. 1. -1. -2. -1. 0. 0. 0. 1. 2. 1. (2-1). (2-2). 以圖 2-7 的(a)直像遮罩為例，中間紅色方框為初步邊緣位置，利用式(2-3)、 (2-4)、(2-5)、(2-6)、(2-7)，以計算個別區域亮度，SL、SM、SR 分別為左邊、中間、 右邊直向的 9 個像素值相加的總和，A 為右下角藍色區塊 3 個像素值相加的平均， B 為左上角綠色區塊 3 個像素值相加的平均，在計算出 SL、SM、SR、A、B 後，可 以用式(2-8)、(2-9)、(2-10)求出二次方程式𝑦 = 𝑎 + 𝑏𝑥 + 𝑐𝑥 2 的 a、b、c 係數值， 最後原始邊緣點座標 P(x,y)的 y 座標減去係數值 a 後，就可以求出新的次像素位 置 Psub(x, y-a)，如圖 2-8 的(a)；如果為橫向遮罩如圖 2-7 的(b)，求出新的次像素 位置就會是原座標的 x 座標加上係數值 a，也就是 Psub(x+a, y)，如圖 2-8 的(b)。. - 10 -.
(21) 3+𝑚. 𝑆𝐿 =. ∑. 𝐹𝑖−1,𝑗+𝑛. (2-3). 𝑛=−3+𝑚 3. 𝑆𝑀 = ∑ 𝐹𝑖,𝑗+𝑛. (2-4). 𝑛=−3 3−𝑚. 𝑆𝑅 =. ∑. 𝐹𝑖+1,𝑗+𝑛. (2-5). 𝑛=−2−𝑚. 𝐴=. 𝐹𝑖,𝑗+4 + 𝐹𝑖+𝑚,𝑗+4 + 𝐹𝑖+𝑚,𝑗+3 3. (2-6). 𝐵=. 𝐹𝑖,𝑗−4 + 𝐹𝑖−𝑚,𝑗−4 + 𝐹𝑖−𝑚,𝑗−3 3. (2-7). 𝑆𝑅 + 𝑆𝐿 + 2𝑆𝑀 2(𝐴 − 𝐵). (2-8). 2𝑆𝑀 − 7(𝐴 + 𝐵) 7 − ×𝑐 2(𝐴 − 𝐵) 12. (2-9). 𝑐=. 𝑎=. 𝑏=𝑚+. 𝑆𝑅 − 𝑆𝐿 2(𝐴 − 𝐵). - 11 -. (2-10).
(22) (a). (b). 圖 2-7 遮罩式意圖，圖(a)為直向遮罩圖(b)為橫向遮罩. (a). (b). 圖 2-8 經局部區域效應法求得次像素位置. 2.2.3 重建法 (Reconstruction) 重建法(Reconstruction)[16]方法主要是將邊緣點附近的影像灰階值做一階導 數(First derivative)或二階導數(Second derivative)，再計算出最貼近每個點的連續 曲線方程式，運用求得的曲線方程式找出精確的邊緣點位置。實際物體的邊緣位 置如圖 2-9 的(a)，但經過實際物體投影至感光元件得到的各個像素(pixel)的能量. - 12 -.
(23) 強度會如圖 2-9 的(b)，邊緣點附近的灰階值會呈現步階或是漸進的型態，與實際 的邊緣位置會有一段落差；而以一階導數為例，這個灰階值經過一階微分後求得 各個像素點的亮度變化量，之後利用曲線配適(Curve-fitting)在一個範圍內的每個 梯度值中找出最貼近各點的連續方程式，此方程式的最高點即為次像素位置如圖 2-9 的(c)；而二階微分得到曲線方程式會是個 2 次曲線，次像素位置就會位於越 零點 (zero crossing)的位置如圖 2-9 的(d)。但是二階導數容易受到周圍雜訊的影 響，比較適合在較複雜的影像，邊緣變化劇烈且範圍在 3~5 個像素之間的鄰近邊 緣；而一階導數適合在邊緣範圍較大，漸層明顯的邊緣。根據不同的情況會選擇 使用一階導數還是二階導數來求得次像素位置。. (a). (b). (c). (c) 圖 2-9 重建法示意圖. - 13 -.
(24) 在量測探針上，我們也曾提出幾個方法，在[18]的方法中，首先利用 Scharr 運 算元計算出邊緣點，再利用侵蝕(erode)去除邊緣點附近的雜訊，最後使用適應性 的重建法得到次像素邊緣點計算出斜邊的角度，但因為邊緣點不連續且會有毛邊， 所以誤差稍大；而在另一篇[19]採用混合式的方式，一樣使用 Scharr 運算元計算 初步邊緣點，之後在斜邊方面，利用局部區域效應法計算的角度，另一方面圓弧 的部分，使用重建法得到次像素邊緣點，再計算探針圓弧的半徑。我們還曾提出 其他方法，將過去發表過的所有做法進行整理如下表。. 表 2-1 文獻優缺點比較 使用方法 [18]. 缺點. Scharr 運算子計算出邊緣點後，用侵蝕去除邊 邊緣點不連續且會有 緣點附近的雜訊，並使用重建法得到次像素邊 毛邊。 緣點，計算出斜邊的角度。. [19]. 在計算次像素邊緣的地方採混和式的方式，斜 半徑誤差方面還是略 邊方面，利用局部區域效應法計算的角度，另 大。 一方面，在圓弧部分，使用重建法得到次像素 邊緣點。. [20]. 角度方面加入多區段平均次像素法，以每幾個 執行時間較久並在半 像素點為一個區段，剔除雜訊或偏移過大的 徑誤差上沒太大改進。 點，將剩下的邊緣點做加總後平均得到新的邊 緣座標，以此來降低環境因素的干擾。. [21]. 單純使用 Canny 邊緣偵測配合疊代的曲線配 方法簡單但誤差大。 適，計算量少。. [22]. Canny 邊緣偵測加上適應性門檻值，並在次像 局部區域效應的次像 素方面使用局部區域效應法。. - 14 -. 素做法計算量較大。.
(25) 2.3 Otsu 演算法介紹 Otsu 演算法[23]是由 Nobuyuki Otsu 於 1979 年提出的一套計算最佳門檻值的 方法，此方法主要目的是將前景和背景兩個部分給分開，如果前景和背景類別間 的差異越大，就越容易分開；如果前景和背景間差異越小，在歸類圖片中的像素. 像素點個數. 點時就越容易錯誤，而 Otsu 演算法能透過計算得到分割類別間的最佳門檻值。. Threshold ( K ). σ1. σ0. C1. C0. 灰階值. 圖 2-10 Otsu 門檻值示意圖 假設一張大小為 M×N 的灰階影像，有 0~255 個不同的灰階值，首先假設選 取一個門檻值 k，𝐶0 表示影像灰階值方圖在範圍[0，k]內的所有像素集合，𝐶1 則表 示在影像灰階值方圖在範圍[k+1，255]內的所有像素集合，如圖 2-10。. 𝑃0 =. 𝑁0 𝑀∙𝑁. (2-11). 式(2-11)的𝑁0 代表在𝐶0 類別裡的所有像素的個數，𝑃0 則代表𝐶0 類別裡的像素點 佔整張圖的像素點的多少。. - 15 -.
(26) 𝑃1 =. 𝑁1 𝑀∙𝑁. (2-12). 式(2-12)的𝑁1 代表在𝐶1 類別裡的所有像素個數，𝑃1 代表𝐶1 類別像素點在整張圖 裡佔的像素點比例。. 𝑚 = 𝑃0 × 𝑚0 + 𝑃1 × 𝑚1. (2-13). 式(2-13)的𝑚0 、𝑚1 分別代表𝐶0 、𝐶1 區間裡所有像素點的平均灰階值，而整張 圖平均灰階值表示為𝑚。. 𝜎 = 𝑃0 (𝑚0 − 𝑚)2 + 𝑃1 (𝑚1 − 𝑚)2. (2-14). 式(2-14)的𝜎為類別間的變異數(Between-class Variance)，觀察𝜎可以知道如果 𝑚0 和𝑚1 相差越大代表𝐶0、𝐶1 區隔越開，𝜎就會越大，代表類別間變異數是兩個類 別裡分離程度的一個重要指標。. 𝑘 ′ = max 𝜎(𝐾) ; 0 ≤ 𝐾 ≤ 255. (2-15). 只要使的類別間變異數𝜎最大化時，此時的𝑘 ′ 就是區分前景背景的最佳門檻值， 如式(2-15)所式。. - 16 -.
(27) 第三章 檢測系統架構. 3.1 硬體設備 本章節介紹六個主要的硬體設備包括高速彩色相機、相機鏡頭、單軸步進馬 達移動平台、驅動器、光源。 高速彩色相機 實驗中使用兆美新(The imaging source)公司所製造的 DFK 72AUC02 USB 2.0 彩色工業相機(如圖 3-1)優點是解析度高，相機規格如下表。. 圖 3-1 高速彩色相機[24] 表 3-1 相機規格 廠牌. 兆美新(The imaging source). 型號. DFK 72AUC02 USB 2.0. 解析度(最高). 水平：2592px，垂直：1944px. 幀速率(最高). 6fps. 畫素. 水平：2.2um，垂直：2.2um. 尺寸. 高度：36mm，寬度：36mm，長度：25mm. 重量. 70g. 快門. 1/10000s 至 30s - 17 -.
(28) 相機鏡頭 實驗中使用 Moritex 公司所生產的鏡頭(如圖 3-2)優點為高工作距離，可以避 免與待測物過度貼近，造成碰撞的可能，其規格如表 3-2。. 圖 3-2 相機鏡頭[25]. 廠牌. 表 3-2 鏡頭規格 Moritex. 型號. ml-z07545. 工作距離. 70.9mm. 景深. 1.2mm~0.07mm. 放大倍率. 0.75~4.5. 光源 光源設備使用的是力訓(Vision Root)科技有限公司所生產的同軸 LED 光源， 並用藍色單色光，量度控制在最亮，圖 3-3 為同家公司所生產的調光器控制亮度。. - 18 -.
(29) 圖 3-3 LED 光源調光器 單軸步進馬達移動平台 為了模擬工廠輸送帶的環境，實驗中使用泰華(SIGMAKOKI)公司所製造的單 軸步進馬達移動平台作為輸送探針的滑軌，高精密度且位置的精確度可以達到微 米等級，如圖 3-4，其規格如表 3-3。. 圖 3-4 單軸步進馬達移動平台[26] 表 3-3 移動平台規格表 廠牌. SIGMAKOKI. 型號. SGSP20-35(X). 平台大小. 長：60 mm, 寬：60 mm. 解析度. 1μm/pulse. 最高速度. 25 mm/sec. 移動總長度. 35mm - 19 -.
(30) 移動平台控制器 同樣使用泰華(SIGMAKOKI)公司所生產的 GSC-01 控制器來驅動步進馬達移 動平台(如圖 3-5)，工作電壓為直流 24 伏特，電流 2 安培，工作環境在 5 度到 40 度，解析度為 8 位元，以 RS-232 傳輸線進行指令傳送與狀態回覆。. 圖 3-5 GSC-01 控制器[27]. 3.2 開發環境 本實驗使用華碩套裝電腦，型號 MD560，配備 Intel Core(3.1GHz) i5-3450 處 理器、4096MB 的記憶體，Windows7 的 32 位元作業系統，系統介面使用 Visual Studio Express 2013 的 C#應用程式作為軟體開發工具，並使用 EmguCV 資料庫， EmguCV 為 OpenCV 在 C#上的版本，在語法的操作以及使用上幾乎和 OpenCV 相同，用來進行影像擷取與影像處理等功能。. 3.3 影像處理流程 本章節介紹本論文的影像處理流程，如圖 3-6。首先對原始影像做前處理，使 的在之後的量測上能夠更精確，接著做初步的邊緣偵測以及將得到的邊緣點作分 群，並利用感興趣區域(Region of Interest；ROI)選出圓弧部分區域，且檢測此圓 - 20 -.
(31) 弧部分是否有無瑕疵，而後對每一邊緣點作次像素邊緣偵測，以提高準確性更接 近實際邊緣位置，接著做第二次瑕疵檢測，可以依照使用者的接受度調整探針的 嚴格程度，將有些微瑕疵的探針挑出，最後計算出探針的角度與半徑。. 開始. 影像前處理. 次像邊緣偵測. 初步邊緣偵測. 計算角度與半徑. 物件分群. 第二階段檢測. 第一階段檢測. 結束. 圖 3-6 影像處理流程圖. 3.3.1 影像前處理 首先在影像前處理部分包含 3 個步驟：彩色轉灰階、下降取樣和高斯濾波。 依據式(3-1)將原始的彩色影像轉成灰階，如圖 3-7；彩色影像有三個通道紅、綠、 藍，分別乘以下列式(3-1)的係數後得到新的灰階值𝐺𝑖,𝑗 ，i 和 j 代表像素的位置， 又人眼對綠色最為敏感，所以綠色的係數會大於其他顏色。. 𝐺𝑖,𝑗 = 0.299 × 𝑅𝑒𝑑 + 0.587 × 𝐺𝑟𝑒𝑒𝑛 + 0.114 × 𝐵𝑙𝑢𝑒. - 21 -. (3-1).
(32) 圖 3-7 彩色轉灰階. 接著做下降取樣以及高斯濾波，下降取樣是將原本 1920×1080 的圖片大小縮 小成四分之一 960×540 的圖，目的是要減少計算量和執行時間，在實驗中我們發 現做一次的下降取樣並不會影響角度太多，因為原本探針斜邊的邊緣點個數是夠 多的，當有雜訊出現時也不會影響結果太多，但是在圓弧部分下降取樣後，邊緣 點個數會過少，無法取得完整的邊緣資訊，一點雜訊就會大幅影響半徑的結果， 所以圓弧部分區域會回到原尺寸做運算。之後做 5×5 的高斯濾波(如式 3-2)，𝐺𝑠 𝑖,𝑗 為灰階圖縮小後的灰階值，𝐹𝑖,𝑗 為經過高斯濾波的灰階值，i 和 j 分別代表像素的 x、y 座標，高斯濾波的目的是降低雜訊對量測結果的影響，以得到一張較平滑的 影像。. 𝐹𝑖,𝑗. 1 1 4 = 𝐺𝑠 𝑖,𝑗 ∗ 7 273 4 [1. 4 16 26 16 4. 7 26 41 26 7. 4 16 26 16 4. 1 4 7 4 1]. (3-2). 3.3.2 初步邊緣偵測 在實驗中使用 Canny 邊緣偵測[28]得到初步的邊緣點，Canny 邊緣偵測是 J. F. Canny 於 1986 年所發表的一個多及邊緣偵測演算法，並基於以下三個目標計算. - 22 -.
(33) 最佳的邊緣點位置： 1.. 低錯誤率：所有邊緣點都應該被找到，並盡可能貼近實際邊緣。. 2.. 邊緣點應有好的局部性：邊緣點和真實邊緣中心距離應該最小。. 3.. 單一邊緣響應：對每一個邊緣點應該只檢測出一個點，在單一邊緣點存 在時不應出現多重的邊緣。. 依照上述幾點作者試著推導出一個最佳的邊緣檢測模型，也就是 Canny 邊緣 檢測，主要步驟包含以下幾點：計算影像梯度大小和角度、運用非最大值抑制到 梯度大小的影像上、用雙門檻和連通性分析邊緣並連結邊緣。 首先用式(3-3)和式(3-4)計算算梯度大小和角度，x、y 代表影像座標，𝑔𝑥 和𝑔𝑦 分別代表垂直和水平的梯度變化量。. 𝑀(𝑥, 𝑦) = √𝑔𝑥2 + 𝑔𝑦2. (3-3). 𝑔𝑦 ) 𝑔𝑥. (3-4). 𝛼(𝑥, 𝑦) = tan−1 (. 再來運用非最大值抑制(Non-maximal Suppression)來降低𝑀(𝑥, 𝑦)在局部最大 值周圍的稜紋的影響，利用水平、垂直、+45°、 − 45°四個方向的濾波器來比較 原始梯度值，使稜紋變細。 最後使用遲滯門檻值(Hysteresis Threshold)的方法，設定高門檻𝑇ℎ 和低門檻𝑇𝑙， 如果有像素點高於高門檻𝑇ℎ ，則立刻標示為邊緣點，且與邊緣點相鄰的點有介於 𝑇ℎ 和𝑇𝑙 之間的像素點的話，也視為邊緣點。 而門檻值的設置由上一章節所介紹的 OTSU 演算法取得最佳門檻，因為實驗 用的影像物件與背景分明(如圖 3-8)，圖 3-8 的(a)為原圖，圖 3-8 的(b)為圖(a)的影 像灰階直方圖，橫軸是像素值，縱軸為累加的個數，所以可以看出探針部分大多. - 23 -.
(34) 分布在 50 到 100 像素區間，而背景的灰階值大多在 100 到 150 像素之間，類別 與類別間分明，所以非常適合以 OTSU 的方法來計算門檻 k，而將經由 OTSU 得 到的門檻值 k 設定為 Canny 邊緣偵測的高門檻𝑇ℎ，而低門檻𝑇𝑙 為𝑇ℎ 的二分之一(如 式 3-5)。. 𝑇𝑙 = 0.5 × 𝑇ℎ. (3-5). OTSU 門檻值 k. (a). (b) 圖 3-8 探針與影像灰階直方圖. 圖 3-9 (a)是沒使用 OTSU 門檻值的結果，綠色方塊為斜邊的局部放大圖，紅 色方塊為圓弧的局部放大圖，由此可見邊緣會出現毛邊，和不連續的情形，圖 39 (b)是 Canny 配合使用 OTSU 門檻值的結果，可以看到邊緣更完整，更貼近真實 邊緣，所以我們使用 Canny 以及 OTSU 門檻值來計算探針的初步邊緣。. - 24 -.
(35) (a). (b) 圖 3-9 有用 OTSU 和沒有使用 OTSU 門檻值比較圖. 因為實驗中使用前照式照明，光源與攝影機鏡頭在同一側，所以圓弧的探針 表面會出現反光點，反光點的特徵與邊緣相似，往往會在邊緣檢測時連同邊緣點 一起被偵測出來，干擾到要量測的主要目標，影響後續的計算，為了解決此問題， 提出了一套刪除反光點的流程如圖 3-10。. - 25 -.
(36) 邊緣偵測後的影像. 計算中心線avgx. 設定反光點 區域範圍 讀取下一邊緣點. 刪除此反光點. Lleft < Xn < Lright?. 是. 儲存此點為邊緣點. 否 計算底部點P(x,y). 還原在P(x,y)以下 的邊緣點. 結束. 圖 3-10 刪除反光點的流程圖 首先以式(3-6)算出邊緣點的中線位置 avgx(如圖 3-11(b))，C 代表邊緣點總個 數，𝑥𝑖 表示每一個邊緣點的 x 座標，將所有𝑥𝑖 座標相加後取平均得到 avgx；並設 定反光點區域為中線位置的左右各 15 個像素點的範圍(如圖 3-11(b)的 Lleft 和 Lright 之間)，之後將位於反光點區域內的邊緣點給刪除，結果如圖 3-12(a)；明顯發現探 針圓弧部分邊緣也同時被刪除，還需將影像重建，重建方式是計算出 3-12(a)的底 部邊緣的 y 座標往上數 10 個像素點，與 avgx 結合的點 P(x,y)，將此點以下的邊 緣點給重建回來得到完整的邊緣圖如圖 3-12(b)。. 𝑎𝑣𝑔𝑥 =. ∑𝑁−1 𝑖=0 𝑥𝑖. - 26 -. 𝑁. (3-6).
(37) 𝑎𝑣𝑔𝑥 𝐿𝑙𝑒𝑓𝑡. 𝐿𝑟𝑖𝑔ℎ𝑡. P(x, y). (a). (b). 圖 3-11 (a) 探針邊緣點與反光點 (b) 刪除反光點示意圖. (a). (b). 圖 3-12 (a) 刪除反光點後 (b) 完整邊緣影像 - 27 -.
(38) 3.3.3 物件分群 此步驟將初步邊緣檢測出來的結果進行分群，方便後續計算角度與半徑。首 先利用式(3-7)計算每一個邊緣點的方向；如果|𝜃|小於7°，則屬於直線部分，且利 用探針的中線將位於中線左邊的點分成左直線，中線右邊的點分為右直線；如果 |𝜃|大於30°且位於 ROI 區域內則分類到圓弧部分，ROI 大小為 100×30 個像素區 域，並且剔除不屬於此兩個部分的邊緣點，分群後的結果如圖 3-13 (為了讓圖片 呈現更清楚，圖 3-13 已經過處理)，左邊黃色點為左直線，右邊綠色點為右直線， 下方紅色點為圓弧點。之後圓弧 100×30 的 ROI 區域位置會回到原尺寸的區域位 置做計算，以減少因下降取樣造成的半徑誤差；也就是找出在 1920×1080 下相對 應的 200×60 的區域範圍作為之後圓弧部分的計算。. 𝜃 =. tan−1 (. 𝑔𝑦 ) 𝑔𝑥. 圖 3-13 分群後結果. - 28 -. (3-7).
(39) 在探針研磨過程中，往往探針邊緣會沾上不必要的灰塵，這些灰塵會影響最 後角度和半徑的輸出結果，所以我們在做完分完群後，當左邊黃色斜線部分的邊 緣點出現不規則，邊緣點不是沿著斜線方向遞減時，就將該點視為雜訊點給予刪 除，右邊綠色斜線部分也使用相同方法，剔除凸起的邊緣點，如圖 3-14；圖 3-14 (a)為刪除灰塵前，圖 3-14 (b)為刪除灰塵後的結果，可以看出大部分灰塵都已經 被剔除 (圖 3-14 經過處理使得邊緣點在呈現上更為清楚)。. (a). (b). 圖 3-14 (a) 刪除灰塵前 (b) 刪除灰塵後. 3.3.4 第一階段瑕疵檢測 在第一階段的瑕疵檢測上，本實驗採用 Distance to Border (DtB)[29]的方法來 當作圓弧部分的形狀特徵，運用此特徵做初步的判斷。DtB 形狀特徵是計算邊界 到物件第一個點的相對距離，常用來藉由四個方向(上、下、左、右)的向量特徵來 辨識圖形；在此是計算由下邊界往上算到第一個點的距離，每隔 10 個像素點取 樣一次，共 20 組的距離數值組成圓弧特徵並正規化後使之介於(0，1)之間，結果 如圖 3-15。 - 29 -.
(40) 1.2 1 0.8 0.6 0.4 0.2 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20. 圖 3-15 圓弧 DtB 特徵. 我們訓練 40 隻良好探針的圓弧特徵值當作參考，與此訓練好的 DtB 特徵向 量相差較遠、誤差大的探針就表示探針前端在研磨過程中產生形變，如圖 3-16， 圖 3-16(a)圓弧部分磨得過尖，圖 3-16(b)尖端則是出現斷裂的情況，這類的具有明 顯瑕疵不符合規格的探針在此階段都會被標示出來。. 1.2 1 0.8 0.6 0.4 0.2 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20. (a) 1.2 1 0.8 0.6 0.4 0.2 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20. (b) 圖 3-16 明顯有瑕疵的探針前端. - 30 -.
(41) 3.3.5 次像素邊緣偵測 在次像素部分使用重建法(Reconstruction)[16]的方法，首先使以邊緣檢測後得 到的初步邊緣點為中心，對附近的點計算梯度的變化量，並利用曲線配適算出最 貼近每個點的連續曲線方程式，次像素的邊緣點就會出現在重建後曲線方程式裡 的最高點所對應到的 x 座標位置，如圖 3-17。 而斜邊亮度的變化方向與在圓弧處的亮度變化方向不同。因此，為了提高準 確度，需要在做重建的同時，依據每個邊緣點的梯度(𝜃)，來分成 4 種不同的方向 進行重建，分別為 0°、45°、90°、135°，而不同的方向進行重建範圍的寬度 N 值 也會有所不同，在水平方向重建範圍為 13 個像素，其他方向為 17 個像素點，條 件如表 3-1。. 𝐺𝑥,y. 初步邊緣點位置. x 次像素邊緣點 N 個像素範圍. 圖 3-17 重建法式意圖. - 31 -.
(42) 表 3-1 重建條件 重建方向. 重建方向的條件. N值. 0°. 屬於斜邊的邊緣點. 13. 屬於圓弧的邊緣點. 45°. 17. −45° ≤ 𝜃 ≤ −30° 屬於圓弧的邊緣點. 90°. 17. 45° ≤ |𝜃| 屬於圓弧的邊緣點. 135°. 17. 30° ≤ 𝜃 ≤ 45°. 在重建範圍的設定上，因本實驗所用的探針影像解析度高，探針邊緣漸層寬 廣，如圖 3-18，所以在設定範圍上，需要較大的重建範圍將所有的邊緣點都包含 進去，經過多次的測試後才使用上表的範圍值 N。. (a). (b). 圖 3-18 (a)探針斜邊局部放大圖 (b)探針圓弧區域局部放大圖. 3.3.6 計算角度與半徑 最後將所得到的次像素邊緣點，以疊代(Iterative)的曲線配適(Curve-fitting)方 式計算出直線方程式以及圓方程式。在計算左右兩側的斜直線方面，先利用曲線 配適計算出兩個直線方程式，如(3-8)式和(3-9)式，得到兩側直線的斜率𝒎𝟏 、𝒎𝟐 後，再利用餘弦定理(3-10)式算出探針角度𝜃。為了得到更佳的直線方程式，第一 次用曲線配適得到直線方程式後，會依序檢查每一個邊緣點，是否有邊緣點到直 - 32 -.
(43) 線的距離超過兩倍標準差 d，剔除大於兩倍標準差 d 的點(如圖 3-19 的紅色點)， 之後利用剩餘的點再做一次曲線配適，直到斜率的變化量小於 0.05 或是計算到第 五次時就停止疊代，最後取得的直線方程式就是最貼近邊緣點的斜線。. 𝑦1 = 𝒎𝟏 𝑥1 + 𝑎. (3-8). 𝑦2 = 𝒎𝟐 𝑥2 + 𝑏. (3-9). 𝜃 = 𝑐𝑜𝑠 −1 (|. 𝑚1 × 𝑚2 + 1 √𝑚1 2 + 1 × √𝑚2 2 + 1. |). (3-10). 2.5 2 1.5 1. > 2𝑑. 0.5 0 0. 0.5. 1. 1.5. 2. 2.5. 圖 3-19 直線疊代示意圖. 而在圓弧方面，首先利用圓弧的曲線配適計算出第一次的圓方程式(3-11)式， 之後剔除不屬於圓弧邊緣點的點(如圖 3-20)，再做第二次的曲線配適直到沒有點 需要被刪除或者最多疊代到第五次為止，最後計算出的圓方程式系數再帶入(3-12) 式，即可求得探針的半徑 R。. - 33 -.
(44) 𝑥 2 + 𝑦 2 + 𝑑𝑥 + 𝑒𝑦 + 𝑓 = 0. 𝑅=. (3-11). 1 √𝑑 2 + 𝑒 2 − 4𝑓 2. (3-12). 邊緣點不 可能出現 的位置. 邊緣點不. 邊緣點不. 可能出現. 可能出現. 的位置. 圖 3-20 圓弧疊代示意圖. 3.3.7 第二階段瑕疵檢測 最後第二階段的瑕疵檢測將更細部的偵測出非圓形的圓弧。在得到上述所說 圓方程式的半徑𝑅以及圓的圓心座標(𝑥𝑐，𝑦𝑐 )後，計算每一個次像素邊緣點到圓心 距離的變異數如(3-13)式，(𝑥𝑖 ，𝑦𝑖 )為每一邊緣點的座標，N 為邊緣點總個數，變 異數 var 越大代表圓弧越不接近圓形，反之變異數 var 越小代表邊緣點越貼近圓， 所以可以經由使用者設定適當的變異數門檻值，只要大於此門檻值這支探針就視 為不合格，而本實驗有分為嚴格和一般兩種模式，以此來維持探針的品質。. 𝑣𝑎𝑟(𝑥) =. ∑𝑛𝑖=1 ((√(𝑥𝑖 − 𝑥𝑐 )2 + (𝑦𝑖 − 𝑦𝑐 )2 ) − 𝑅) 𝑁. - 34 -. 2. (3-13).
(45) 3.4 自動化檢測系統與流程 本章節介紹自動化檢測系統的架構，首先得將探針擺放置平台上，設定好欲 檢測的探針個數，將探針影像調整至清晰，再進行自動化檢測流程；並在 3.3.2 節 介紹使用者介面的設計以及操作方式。 3.4.1. 自動化流程架構圖. 自動化檢測的流程圖如 3-21；首先將探針擺上在平台上，開啟攝影機畫面以 及做初始化的動作，設定好想要檢測的探針個數，調整攝影機焦距使得影像畫面 清晰，按下開始鍵進行自動化檢測；並自動判斷探針是否已進入畫面，當探針進 入畫面時平台停止移動，對進入畫面的探針進行偵測，偵測完後輸出結果以及擷 取探針影像至使用者介面上，然後平台繼續移動當下一隻探針又進入畫面時停止， 持續這個動作直到每一隻探針都檢測完畢。. - 35 -.
(46) 擺放探針於平台上. 開啟攝影機及初始化. 調整適當焦距至影像清晰. 設定預檢測的探針數目N， 開始進行自動化檢測. 平台移動 否. 判斷探針是否進入畫 面? 是. 平台停止移動，擷取影像畫 面並顯示在視窗上 否. 進行影像處理流程. 將結果輸出至使用者介面上. 是否檢測完所有探針? 是. 完成探針檢測程序. 圖 3-21 自動化檢測流程. - 36 -.
(47) 而判斷探針是否進入畫面的流程如圖 3-22，在平台移動的過程中，擷取攝影 機畫面，之後對 1920×1080 的影像做下降取樣成 480× 270的圖片大小，將載入 的影像轉成灰階後，再針對每一個 0~255 的灰階像素值計算此出現的頻率，從而 得到畫面的影像灰階直方圖；在探針還沒進入到畫面時的影像為圖 3-23 的(a)，而 圖 3-23 的(b)為圖(a)的影像灰階直方圖(橫軸是像素值、縱軸為累加個數)，幾乎所 有的像素值都介於 100~150 之間；而當探針進入畫面時，影像灰階直方圖就會如 圖 3-24 的(b)所示，因為探針的像素值相較於背景顏色偏暗，所以 50~100 區間的 像素點會變多；故只要在這個區間範圍內設定適當的門檻值 TH (本實驗門檻值設 定為 5000)，就可判斷探針是否進入畫面。當 50~100 區間中有超過 5000 個點， 就視為探針已進入畫面，平台就會停止移動，進行之後的影像處理部分。. 開始. 平台移動. 對影像做下降取 樣 否. 計算影像的灰階 值方圖. 灰階值的個數 是否大於設定 的門檻值? 是. 平台停止移動. 圖 3-22 判斷探針是否進入畫面的流程圖 - 37 -.
(48) (b). (a) 圖 3-23 背景的灰階直方圖. TH > 5000 (a). (b) 圖 3-24 探針進入畫面時的灰階直方圖. 3.4.2. 使用者介面設計. 使用者操作介面的規劃如圖 3-25 所示，主要功能為即時檢測探針的情形，並 將物品的資訊回饋再檢測系統上；程式介面主要分為 8 個區域：顯示畫面視窗、 靜態量測區域、攝影機設定、演算法選擇的區域、移動平台控制、自動化檢測控 制、顯示目前探針的狀況以及訊息視窗，底下將詳細介紹。. - 38 -.
(49) 圖 3-25 使用者操作介面. 圖 3-25 中 1 區所示的功能為顯示攝影機的畫面如圖 3-26 的上方，當探針進 入畫面，需要進行影像處理時，就會將影像擷取下來並將圖片顯示在下方。. 圖 3-26 攝影機影像顯示. - 39 -.
(50) 圖 3-25 中 2 區(Static process)為處理影像的區域，包含儲存影像(Save photo)、 讀取影像(Read photos)的功能鍵，可以將你想要的影像作存取或讀入的動作，並 離開(Exit)的按鍵；圖 3-25 中 3 區為攝影機設定(Camera functions)，包含開始攝 影(Start live)、裝置設定(Device settings)、與屬性(Properties)三個功能，在裝置設 定(Device settings)選定好設備，本論文是 DFK 72AUC02 型號的攝影機，並設定 影像解析度以及幀速率(FPS)(如圖 3-27)，並在屬性欄選擇曝光、增益、對比度、 飽和度等設定(如圖 3-28)；在圖 3-25 中 4 區為選擇影像偵測演算法(Method selection)，M1 論文[20]在邊緣偵測部分使用 Scharr 運算元，而次像素邊緣偵測採 用重建法並結合多區段平均法(VASA)。M2 為[21]作者所提出的方法，利用 Canny 做初步邊緣偵測以及疊代的曲線配適進行次像素計算。M3 與 M4 都使用 Canny 邊緣偵測搭配部分區域效應法(Partial area effect)，差別在於 M3 方法適用於銳利 邊緣的影像中，而探針邊緣灰階漸層較廣，所以 M4 方法省略邊緣點之梯度值要 為鄰近一個像素的最大值的判斷條件。M5 則為本論文所採用的方法。. 圖 3-27 裝置設定. - 40 -.
(51) 圖 3-28 屬性設定. 圖 3-25 中 5 區為平台控制介面(One-axis stage controller)，包含平台向左移動 (Left)、向右移動(Right)、(Go)到指定的探針位置以及手動量測(Manual detection)， 可以讓使用者針對有問題的探針再重新做量測。圖 3-25 中 6 區為自動量測(Auto detection)的區域，可以輸入探針個數(Sample)、做初始化(Initialize)動作以及選擇 檢測探針的嚴格程度有一般(Ganerally)、嚴格(Strictly)兩種模式，也包括開始(Start) 自動檢測和暫停(Stop)兩個按鍵。圖 3-25 中 7 區是用來顯示探針目前狀態(Current status)的視窗，包含顯示目前為第幾支探針(Current sample)，目前總共有幾隻探針 是合格的(Good sample)，目前有幾支探針是有瑕疵的(Bad sample)，總共的執行時 間(Total time)與為當次探針的影像處理時間(Execution time)。圖 3-25 中 8 區會及 時顯示每隻探針的資訊(Message)，例如:探針角度與半徑的尺寸或者有沒有出現 缺陷，如圖 3-29 所示。. - 41 -.
(52) 圖 3-29 訊息視窗. - 42 -.
(53) 第四章 實驗結果與分析 本章節將分析實驗結果，包括產品的瑕疵檢測以及探針的規格量測，探針的 規格是由掃描式電子顯微鏡（Scanning electron microscope，SEM）對探針進行拍 攝後的影像，再透過 IC Measure 的電腦量測軟體，測量每一隻探針的標準規格， 如圖 4-1 所示，畫面中央的圖片為 SEM 的探針圖，圖示 4-1 上方為量測介面，可 以量測出角度以及圓弧半徑。. 圖 4-1 IC Measure 介面. 4.1 LED 探針瑕疵分析 探針的製造過程是由鑽石砂輪去研磨材質為碳化鎢的針，使的針尖有一個角 度並在最前端磨成圓弧的形狀，圓弧的探針針尖能夠減少破壞 LED 晶片的可能； 在探針的製造過程中，探針的前端圓弧部分容易會出現磨損或變形，如圖 4-2 所 示，圖(a)的探針前端在研磨過程中斷裂，圖(b) 探針針尖部分已被整個磨平，圖. - 43 -.
(54) (c)探針前端過尖；為了能夠偵測出以上幾種有瑕疵的探針，本研究提出上一章節 所說的第一以及第二的瑕疵檢測方式，第一次檢測採用 DtB 的向量特徵，將大部 分尖端已形變的探針挑出，如圖 4-2 的(a)和(b)，並在第二次檢測中，可以針對圖 4-2(c)的此類做檢測，將更細部的檢測出探針前端的變化，並可以依照廠商的接受 程度調整對探針瑕疵的嚴格程度。. (a). (b). (c) 圖 4-2 探針瑕疵的種類. 表 4-1 為本實驗所用的樣本，使用一、二次檢測並在嚴格模式下能夠 100%的 區分出優良品以及瑕疵品，但如果少了第二階段的檢測，檢測結果就會如表 4-2， 有瑕疵的探針中只剩 40%的辨識率，而在一般模式下，檢測結果就會如表 4-3， 部分介於合格與不合格之間的探針(例如附錄二的樣本 43)就無法辨識出來；所以 嚴格模式裡，能夠準確的區分出任何探針前端非圓弧的邊緣，本研究也可以依據 不同使用者的需求在第二次檢測中放寬門檻，提高對探針圓弧部分的接受程度， 以增加良品的數量。 - 44 -.
(55) 表 4-1 探針樣本數 樣本總數. 良品. 瑕疵品. 60. 40. 20. 表 4-2 檢測結果 良品. 瑕疵品. 樣本數. 40. 20. 正確檢測. 40. 8. 偵測率. 100%. 40%. 表 4-3 一般模式下的檢測結果 良品. 瑕疵品. 樣本數. 40. 20. 正確檢測. 40. 17. 偵測率. 100%. 85%. 4.2 執行時間 圖 4-3 是以圖 3-6 的影像處理流程為基礎，測試 40 支無缺陷的探針影像的平 均執行時間，可見初步的邊緣檢測和影像前處理花費了大部分的執行時間約 56.94 毫秒，原因是因為像素級的邊緣檢測及前處理是對整張影像做計算，而之後的演 算法是針對邊緣點做運算，所以此部分佔了所有執行時間的 94.04%，而物件分群 和第一次檢測佔 0.08%，次像素邊緣偵測佔了 5.51%，而最後計算角度和半徑跟 第二次檢測佔了 0.38%，總共平均一張圖花了 60.55 毫秒。. - 45 -.
(56) 0.05 , 0.08% 56.94 , 94.04% 3.33 , 5.51% 0.23 , 0.38% 影像前處理/初步邊緣偵測 次像素邊緣偵測. 物件分群/第一次檢測 計算角度與半徑/第二次檢測. 圖 4-3 影像處理執行時間 比較其他篇的執行時間。圖 4-5 為[20]篇方法的流程圖，而此篇的執行時間如 圖 4-8(已將前處理的時間加進初步邊緣檢測做計算)，與本論文相比少了一二次檢 測，並在次像素後做多區段平均次像素法(Various Segmentation and the Averaging of Sub-pixels，VSAS)，主要作法是先利用 Scharr 運算子(如圖 4-4，(a)為水平方 向、(b)為垂直方向變化量)計算初步的邊緣點位置，再使用重建次像素方法，計算 角度方面加入多區段平均次像素法，以每 30 個像素點為一個區段，替除雜訊或 偏移過大的點，將剩下的邊緣點做加總後平均得到新的次像素座標，運用此方法 降低環境的干擾，總共的執行時間約 100 毫秒；而圖 4-6 為[21]的方法的流程圖， 缺少了瑕疵檢測的功能以及次像素部分，只單純使用 Canny 邊緣偵測配合疊代的 曲線配適並未使用次像素偵測，花費的執行時間(如圖 4-9)又更少，約 79 毫秒； 而圖 4-7 為使用局部區域效應法的[17]、[22]兩篇論文的流程圖，差別在於[22]篇 論文的次像素條件比[17]的還要少，運算時間也稍微短一些，而總執行時間分別 為圖 4-10 和圖 4-11，可以看到在次像素方面因為使用部區域效應法的關係花了 相當長的時間，大約佔了全部的 70%左右。. - 46 -.
(57) 𝐺𝑥𝑖,𝑗 = 𝐹𝑖,𝑗 ∗. -3. 0. 3. -10. 0. 10. -3. 0. 3. 𝐺𝑦𝑖,𝑗 = 𝐹𝑖,𝑗 ∗. (a). -3. -10. -3. 0. 0. 0. 3. 10. 3. (b) 圖 4-4 Scharr 運算子. 程式開始 程式開始 影像前處理. 程式開始 影像前處理. 像素等級邊緣偵測. 影像前處理 像素等級邊緣偵測. 物件分群. 像素等級邊緣偵測 物件分群. 次像素等級邊緣偵測. 物件分群 次像素等級邊緣偵測. 多區段平均次像素法. 角度與半徑計算 角度與半徑計算. 角度與半徑計算. 輸出角度與半徑 輸出角度與半徑. 輸出角度與半徑. 程式結束 程式結束. 程式結束 圖 4-5 [20]流程圖. 圖 4-6 [21]流程圖. - 47 -. 圖 4-7 [17]、[22]流程圖.
(58) 0.96, 0.96% 97.04, 96.89% 2.09, 2.09%. 0.05, 0.05%. 1.00% 0.06, 0.06% 初步邊緣偵測. 物件分群. 次像素邊緣偵測. VSAS演算法. 計算角度. 圖 4-8 [20]的執行時間. 1.32, 1.67% 0, 0.00%. 77.68, 97.99%. 0.27, 0.34%. 初步邊緣偵測 次像素邊緣偵測. 物件分群 計算角度與半徑. 圖 4-9 [21]的執行時間. 1.318, 0.47% 198.79, 70.90%. 80.2, 28.61%. 0.06, 0.02% 初步邊緣偵測. 物件分群. 次像素邊緣偵測. 圖 4-10 [17]的執行時間. - 48 -. 計算角度與半徑.
(59) 1.31, 0.44%. 82.66, 28.06%. 210.51, 71.47%. 0.06, 0.02% 初步邊緣偵測. 物件分群. 次像素邊緣偵測. 計算角度與半徑. 圖 4-11 [22]的執行時間 表 4-4 為各篇執行時間的比較表，本論文因為在影像前處理有做下降取樣的 關係，計算探針的速度是這幾篇方法之中最快的，平均一張 1920×1080 影像的影 像處理時間為 60.55 毫秒，而[22]以及[17]這兩篇因為使用局部區域效應次像素法 所以花最長的時間在影像處理上。 表 4-4 平均執行時間比較 方法. [20]. [21]. [22]. [17]. 本論文. 執行時間(ms). 100.15. 79.27. 280.37. 294.54. 60.55. 4.3 靜態量測分析 表 4-5 為輸入 40 張良好的探針影像並計算其半徑和角度平均誤差比較，在角 度方面，雖然[20]篇的方法誤差是最小的為 0.347%，但本研究的角度誤差僅與此 差了 0.056%相當接近，主要的差別在於[20]使用多區段平均次像素法，而本論文 有做一次的下降取樣，因此角度誤差會稍大於[20]篇的方法；在半徑方面本論文 則是誤差最小的，因利用 Canny 配合 OTSU 門檻值的方法，加上半徑 ROI 區域 會回到尺寸做次像素邊緣偵測，所以半徑誤差只有 1.843%；而當未使用 OTSU 門 檻值時，角度誤差為 0.41%、半徑誤差為 3.657%，兩項數據誤差皆會大於在邊緣 - 49 -.
(60) 偵測有加入 OTSU 門檻值時。. 表 4-5 靜態量測的平均誤差比較 方法. [20]. [21]. [22]. [17]. 本論文. 角度(%). 0.347. 0.545. 0.4. 0.403. 0.403. 半徑(%). 1.958. 3.501. 3.007. 3.523. 1.843. 4.4 自動化量測分析 上述是輸入已拍好的 40 支探針影像做量測結果的比較，表 4-6 是在量測平台 上動態的量測 5 支探針所花費的時間比較表，在手動量測的情況下平均每一支探 針要花 12 秒，因為許多步驟要經過使用者在介面中自行操作，所以會花費較長 的時間；[20]篇使用的方法每支探針平均花費 6.16 秒的時間，而本論文平均量測 一支探針只需 3.36 秒，所需花費的時間比論文[20]減少了 45.5%，主要差別在於 本實驗不需要將探針對準中線位置後再做量測，因此少了需要校準並等待探針穩 定的時間，並且影像處理的執行時間又比[20]篇還要來的少，所以大幅提升檢測 探針的效率，圖 4-12 的(a)為[20]論文所使用的自動化流程，圖 4-12 的(b)為本論 文的流程，可見少了等待 2 秒探針對準中線的時間，以及影像處理又比[20]篇論 文快了一秒的時間。. 表 4-6 量測之效率比較 手動量測. [20]. 本論文. 量測樣本數(支). 5. 5. 5. 總共花費時間(秒). 60.12. 30.81. 16.79. 平均每支量測時間(秒/支). 12.02. 6.16. 3.36. - 50 -.
(61) 開始. 開始. i=1 選擇量測方法 設定量測數量N. i=1 選擇量測方法 設定量測數量N 否. 否. iN. iN. 是. 是. 將探針對準中線位置 探針影像量測. 等待2秒鐘 等待1秒鐘. 探針影像量測 移動至下一支探針位置. 等待2秒鐘 等待探針進入畫面 約3秒鐘. 移動至下一支探針位置. 等待3秒鐘. (a). (b) 圖 4-12 自動化流程比較. 表 4-7 是在自動化檢測中所量測的 40 支優良探針的實驗結果，可見誤差會比 之前靜態量測還要大一些，因為在動態的過程中，影像容易會受到雜訊、晃動、 灰塵等環境因素的干擾，使得誤差會略大於靜態量測，而角度和半徑的誤差結果 也和靜態量測下的實驗情形相似；在角度方面，本論文與最好的[20]篇的誤差只 差了 0.14%，以探針角度約 10 度來說，相當於與[20]篇的角度比較只差 0.014 度； - 51 -.
(62) 在半徑方面，本篇論文的結果則是這些方法當中最好的，誤差為 2.101%，以探針 半徑為 25 微米來算，誤差大約在 0.5 微米左右。. 表 4-7 自動化量測的平均誤差比較 方法. [20]. [21]. [22]. [17]. 本論文. 角度(%). 0.865. 1.023. 0.881. 0.893. 1.002. 半徑(%). 2.468. 4.163. 4.047. 3.929. 2.101. - 52 -.
(63) 第五章 結論與未來展望 本論文建立一套自動化光學檢測 LED 探針系統，能夠偵測圓弧直徑約為 1530 微米的 LED 探針，改善傳統以人工目測的方式，利用機器輔助視覺達到精準 量測探針角度與半徑的功能，並能夠精密的檢測出探針瑕疵，大幅提升了檢測的 效率。 在影像處理方面，先對輸入的影像做一次的下降取樣，以提高檢測速度，並 使用 Canny 配合 OTSU 門檻值，得到初步的邊緣位置，再利用次像素的邊緣檢測 提升精密度，得到探針精確的角度以及半徑尺寸；在動態量測的情況下，角度的 精準度可以在 1%左右，而半徑誤差為 2.101%；並且在影像處理的過程中，有兩 階段的瑕疵檢測，可以檢測出前端已變形的探針，最後將角度、半徑以及有無瑕 疵等資訊即時回饋在使用者介面上。 在自動化的流程中也大幅縮短了檢測的時間，在論文[20]的方法中，當要移動 到下一支探針做偵測時，是等待固定的秒數，如圖 4-12 的(a)，而本論文是運用探 針進入畫面的前後，影像灰階值方圖會出現明顯的變化，利用此變化來判斷探針 是否進入畫面，探針一進入畫面即停止平台移動對探針做檢測，以避免其他不必 要的動作，在本實驗的機構上，平均每支探針花費 3.36 秒，比之前方法縮短 45.5% 的執行時間。 本研究相較於傳統人工檢測的方式已提升不少效率，但平均每支探針 3.36 秒 的偵測時間上還有很大幅進步的空間，或許未來能夠改善機構架構縮小探針與探 針的間距，如此一來就可以縮短探針的間隔時間，或是在動態取像下做檢測，也 就是不使探針停止在移動過程中偵測探針，這些方法都能夠有效縮短檢測時間加 快檢測速度，未來也希望能夠改善使用者介面介面，使介面更人性化，並在設定 量測有無缺陷的探針時，能夠更符合各個生產線的需求，控制探針所需的品質和 產量，以提升整體的效能。. - 53 -.
(64) 參考文獻 [1] LED 燈泡參閱自維基百科全書 https://en.wikipedia.org/wiki/Light-emitting_diode [2] 2016 年全球 LED 市場發展趨勢與挑戰 https://www.materialsnet.com.tw/DocPrint.aspx?id=24198 [3] 智慧型自動化產業發展推動計畫。經濟部工業局 https://webapp.yuntech.edu.tw/YunTechSSO/IdssBulletin/Attachment?attachId=0 000000000131290 [4] 行政院生產力 4.0 發展方案。行政院 http://www.bost.ey.gov.tw/Upload/UserFiles/%E8%A1%8C%E6%94%BF%E9% 99%A2%E7%94%9F%E7%94%A2%E5%8A%9B4_0%E7%99%BC%E5%B1% 95%E6%96%B9%E6%A1%88.pdf [5] W. C. Wang, L. B. Chen, W. J. Chang, S. L. Chen, S. M. Katherine, “A Machine Vision Based Automatic Optical Inspection System for Measuring Drilling Quality of Printed Circuit Boards,” in IEEE Access, Nov. 2016. [6] O. Semeniuta, S. Dransfeld, P. Falkman, “Vision-based robotic system for picking and inspection of small automotive components,” in IEEE International Conference On Automation Science and Engineering, Aug. 2016. [7] A. V. Pise, Y. H. Dandawate, “Automated keypad inspection by image registration using hough transform based perimeter extraction and multilevel pyramids,” Conference On Advances in Sigmal Processing, Jun. 2016. [8] H. H. Wu, H. Y. Guo, “Automatic Optical Inspection for steel golf club,” in IEEE International Conference On Fuzzy Systems and Knowledge Discovery, vol. 12, Aug. 2015. [9] J. Li, Y. Huang, “Automatic inspection of tire geometry with machine vision,” in - 54 -.
相關文件
• It is a plus if you have background knowledge on computer vision, image processing and computer graphics.. • It is a plus if you have access to digital cameras
The min-max and the max-min k-split problem are defined similarly except that the objectives are to minimize the maximum subgraph, and to maximize the minimum subgraph respectively..
• Chris Harris, Mike Stephens, A Combined Corner and Edge Detector, 4th Alvey Vision Conference, 1988, pp147-151. • Yan Ke, Rahul Sukthankar, PCA-SIFT: A More Distinctive
• By Lemma 2, for any vertex v, the longest path start on one side of the midpoint edge and go to the opposite end of the diameter... Group the Swap
Proceedings of IEEE Conference on Computer Vision and Pattern Recognition, pp... Annealed
• It is a plus if you have background knowledge on computer vision, image processing and computer graphics.. • It is a plus if you have access to digital cameras
• It is a plus if you have background knowledge on computer vision, image processing and computer graphics.. • It is a plus if you have access to digital cameras
Pantic, “Facial action unit detection using probabilistic actively learned support vector machines on tracked facial point data,” IEEE Conference on Computer
