有機發光二極體發光區瑕疵自動檢測系統之開發

行政院國家科學委員會專題研究計畫 成果報告

有機發光二極體發光區瑕疵自動檢測系統之開發 研究成果報告(精簡版)

計 畫 類 別 ： 個別型

計 畫 編 號 ： NSC 100-2221-E-011-025-

執 行 期 間 ： 100 年 08 月 01 日至 101 年 07 月 31 日 執 行 單 位 ： 國立臺灣科技大學材料科學與工程系

計 畫 主 持 人 ： 黃昌群

計畫參與人員： 碩士班研究生-兼任助理人員：張素蓉 碩士班研究生-兼任助理人員：林信安 博士班研究生-兼任助理人員：廖建鈞

公 開 資 訊 ： 本計畫可公開查詢

中 華 民 國 101 年 10 月 29 日

中 文 摘 要 ： 有機發光二極體(OLED)為現階段具有自發光性質等多項優點 之最新平面顯示元件(Planar Display)，各大廠針對各自不 同的製造過程所製作出的 OLED 作檢測，大多以人工目視的方 式檢測，但因瑕疵尺寸太小及不明顯，人工檢測易視覺疲勞 而造成誤判，準確性大大降低。本計劃所採用之 OLED，其在 發光(Light On)階段，發光區呈現網格線狀，針對發光區單 一及多種瑕疵發生的狀況，開發一套自動瑕疵檢測分類系 統，計劃中的瑕疵種類包含暗點、斷線及亮度不均，同時也 考量了多種瑕疵發生的情形，故瑕疵種類多規劃了暗點與斷 線、亮度不均與暗點、亮度不均與斷線，以及亮度不均、暗 點與斷線。影像處理過程中，將影像經過色彩重建，利用九 宮格式比較平均亮度值來判定亮度量測；接著針對目標影像 輪廓特性，利用幾何學上的尤拉數連通物與洞判斷，標計出 大洞數目與小洞數目來判別暗點發生性及線段完整性。瑕疵 樣本方面，搜集 210 筆瑕疵樣本，由實驗得知，前兩層經由 規則式的分類，辨識率達 100%，在暗點發生狀況中利用模糊 決策樹，能更準確且合乎人性判斷的分類，辨識率也達 100%，驗證了瑕疵特徵選取的適用性及分類器合乎人性化的 準確性，也顯示此檢測系統成功的被應用於 OLED 有機發光層 的檢測工作上。

中文關鍵詞： 有機發光二極體、影像處理、尤拉數、模糊決策樹。

英 文 摘 要 ： Nowadays, organic light emitting diode (OLED) is the latest flat panel component with auto-luminance and a number of advantages. The manufacturers focus on inspecting the OLED even though they have different manufacturing processes. The defect is a tiny size or unapparent, easily making wrong judgment due to

worker＇s visual fatigue. This proposal plans to adopt the OLED whose emitting areas exhibit grid lines in light-on phase. We will develop an automatic inspection system for occurrence of a single defect or multiple defects of the OLED. The defects to be investigated include dark spot, broken line and uneven brightness. The situation that multiple defects exists at the same time will be considered, thus providing another four kinds of defects, which are dark spot and broken line, uneven brightness and dark spot, uneven brightness and broken line, as well as dark spot, broken line and uneven brightness. In mage processing, after the reconstruction of colors

of images, we compare the different average values of brightness to decide uneven brightness through nine places of dose algorithm. For the features of

contours of target images, by means of the Euler number of connected objects in geometry and

determination of holes, we label the number of large and small holes, respectively, to judge the

possibility of dark spots as well as lines. We gathered 210 defect samples for experiment. The experimental results show that the recognition rates are 100% in three stages of classification by fuzzy decision tree (FDT). They verifies applicability of the defect features and accuracy of the classifier, and also demonstrates that the inspection system can work well to inspect and classify the grid-line emitting area defects of OLED.

英文關鍵詞： Organic Light Emitting Diode (OLED), Image Process, Euler Number, Fuzzy Decision Tree.

行政院國家科學委員會專題研究計畫成果報告

有機發光二極體發光區瑕疵自動檢測系統之開發

Development of an Automatic Inspecting System for Emitting Area Defects of OLED

執 行 期 限：100 年 08 月 01 日至 101 年 07 月 31 日 主 持 人：黃昌群 台灣科技大學材料科學與工程學系 計畫參與人員：廖建鈞 台灣科技大學自動化及控制研究所 張素蓉 台灣科技大學材料科學與工程學系 林信安 台灣科技大學材料科學與工程學系

一、中文摘要

有機發光二極體(OLED)為現階段具有自 發光性質等多項優點之最新平面顯示元件 (Planar Display)，各大廠針對各自不同的製造 過程所製作出的 OLED 作檢測，大多以人工 目視的方式檢測，但因瑕疵尺寸太小及不明 顯，人工檢測易視覺疲勞而造成誤判，準確性 大大降低。本計劃所採用之OLED，其在發光 (Light On)階段，發光區呈現網格線狀，針對 發光區單一及多種瑕疵發生的狀況，開發一套 自動瑕疵檢測分類系統，計劃中的瑕疵種類包 含暗點、斷線及亮度不均，同時也考量了多種 瑕疵發生的情形，故瑕疵種類多規劃了暗點與 斷線、亮度不均與暗點、亮度不均與斷線，以 及亮度不均、暗點與斷線。影像處理過程中，

將影像經過色彩重建，利用九宮格式比較平均 亮度值來判定亮度量測；接著針對目標影像輪 廓特性，利用幾何學上的尤拉數連通物與洞判 斷，標計出大洞數目與小洞數目來判別暗點發 生性及線段完整性。瑕疵樣本方面，搜集210 筆瑕疵樣本，由實驗得知，前兩層經由規則式 的分類，辨識率達100%，在暗點發生狀況中 利用模糊決策樹，能更準確且合乎人性判斷的 分類，辨識率也達100%，驗證了瑕疵特徵選 取的適用性及分類器合乎人性化的準確性，也 顯示此檢測系統成功的被應用於 OLED 有機 發光層的檢測工作上。

關鍵字：有機發光二極體、影像處理、尤拉數、

模糊決策樹。

Abstract

Nowadays, organic light emitting diode (OLED) is the latest flat panel component with auto-luminance and a number of advantages.

The manufacturers focus on inspecting the OLED even though they have different manufacturing processes. The defect is a tiny size or unapparent, easily making wrong judgment due to worker’s visual fatigue. This proposal plans to adopt the OLED whose emitting areas exhibit grid lines in light-on phase. We will develop an automatic inspection system for occurrence of a single defect or multiple defects of the OLED. The defects to be investigated include dark spot, broken line and uneven brightness. The situation that multiple defects exists at the same time will be considered, thus providing another four kinds of defects, which are dark spot and broken line, uneven brightness and dark spot, uneven brightness and broken line, as well as dark spot, broken line and uneven brightness. In mage processing, after the reconstruction of colors of images, we compare the different average values of brightness to decide uneven brightness through nine places of dose algorithm. For the features of contours of target images, by means of the Euler number of connected objects in geometry and determination of holes, we label the number of large and small holes, respectively, to judge the possibility of dark spots as well as lines. We gathered 210 defect samples for experiment. The experimental results show that the recognition rates are 100% in three stages of classification by fuzzy decision tree (FDT).

They verifies applicability of the defect features and accuracy of the classifier, and also demonstrates that the inspection system can work well to inspect and classify the grid-line emitting area defects of OLED.

Keywords: Organic Light Emitting Diode

二、緒論

第一代的有機發光二極體(Organic Light Emitting Diode，OLED)技術，早在 80 年代科 學家便已開發出，直到90 年代才有實際的有 機發光二極體商品問世。相對於傳統陰極射線 映像管笨重、耗電、液晶面板窄視角與反應速 度過慢等缺點，而有機發光二極體顯示器具有 自發光、廣視角(達 175°以上)、反應時間快 (~1μs)、高亮度(100-14000 cd/m2)、高流明效 率(16-38 lm/W)、低操作電壓(3-10V DC)、面 板厚度薄(可小於 1 mm)、可製作大尺寸與可 撓曲性面板等特性。

由於有機發光二極體元件發光層厚度極 薄，會因為製程中的因素導致瑕疵而降低畫面 的品質。OLED 的製程也隨著種類而有所不 同，故在針對不同種類的 OLED 樣本都有各 自的檢驗方式，而線上的瑕疵檢測多以人工檢 測為主，不但降低檢驗的效率，且 OLED 的 尺寸都相當的小以及上千個發光點，對檢測人 員會造成長時間的視覺疲勞，且每個人的檢驗 標準皆不一致，容易造成瑕疵的誤判。

隨著影像的技術進步，線上的CCD 檢測漸 漸取代以往的人工檢驗，因此針對小尺寸的瑕 疵，可利用電腦視覺中的自動光學檢測系統搭 配軟體的撰寫，針對瑕疵種類的特性偵測及辨 識，達到瑕疵分辨的高準確率以及提升整個檢 驗的效率，以利於業界的檢驗成本。

本計劃開發有機發光二極體網格線狀發光 區之瑕疵自動辨識與分類系統，其發光區為網 格線狀，優點有節省材料及壽命提高，但所產 生出來的瑕疵也與以往不同，共計預期檢測暗 點、斷線及亮度不均三種瑕疵，同時也將考量 同時發生多種瑕疵狀況：暗點與斷線、亮度不 均與暗點、亮度不均與斷線，以及亮度不均、

暗點與斷線。

平面顯示器的瑕疵檢測中，姚文珍[1]針對 TFT-LCD 在外觀上的缺陷如汙斑、刮傷、白 化和熔塌等瑕疵，運用演算法中可調參數針對 尺寸大小與容忍偏差做微調，可適用不同大小 的塑膠隔板。利用對均勻度的平均值將刮傷瑕 疵與其他瑕疵種類分開。另外，陳志忠[2]以 十字演算法定位記錄點的位置，且與人工目視 法互相比對，驗證量測的準確性；亮度均一性 的檢測則以25 區塊的平均亮度定義所求的亮 度均一性。而李孟坤[3]在針對瑕疵種類分為 暗點、蓋板刮傷、亮度不均匀、色純度不一致

和膠寬過窄等。亮度不均勻採用分割區域檢 測，求取各區灰階直方圖，最後用區塊灰階度 比較，以四鄰近方式灰階值差異在 10 個灰階 值以上，認定區域為亮度不均勻的情形。暗點 的檢測方式則使用影像的負片轉換後，使用影 像相減的方式把暗點抽取出來。其上兩位在對 亮度均勻性的步驟相似；陳志強[4]將 PF 溶液 塗佈在基板上時，出現液滴濺出、塗佈不滿、

漏噴及溢出等瑕疵狀況進行檢測，使用影像二 值化、顆粒濾波、影像增強、型態學運算等技 術作為檢測的過程。

影像處理方面，為了使目標物與背景能夠 凸顯，R. Kimmel[5]利用一種簡化的彩色影像 模型來建構一個影像重建的演算法，使用兩項 連續的步驟進行最佳化的重建，得到更好的結 果影像。另外，做影像前景與背景的分割，

N. Otsu[6]所使用統計的方式找出門檻且能因 應環境的不同與光源的變化，自動決定適當門 檻做影像的分割。S. J. Ko 等[7]經由加權的方 式改良中值濾波器，除了抑制雜訊干擾之外，

也可保留影像中重要的紋理資訊。然而幾何拓 樸學，是利用影像中的幾何特徵得到有利的資 訊，J. Yang[8]談論到拓樸數據中重要的數據 描述，拓樸的圖形可被視為骨架數據的分佈，

故開發一套結合學習與群集生長演算法建構 數據的分佈。B. C. Jiang 等[9]根據形態學和細 線化凸顯IC 印字特徵，故擷取了面積、周長、

延伸長度比、直徑、緊緻性和動量總共七種特 徵值，另配合關聯度分析作為 IC 印字檢測系 統。

在分類器方面，G. Fang 等[10]在大型手語 詞彙辨別中，根據不同手勢給予相對應的手語 屬性及分類決策，故套用了模糊決策樹以提高 辨識率及降低辨識時間。X. Wang[11]認為決 策樹歸納法是一種相當有用學習與模糊代表 的方式，有兩方面的比較，其一為比較分析基 礎擴展屬性和推理機制，二為實驗比較基礎上 產生的樹木和學習的準確性。D. S. Yeung[12]

提出一個基於模糊與古典硬式決策的模糊決 策樹。在實際的應用中，概括能力是決定決策 樹演算法的精確性，然而，迄今為止沒有一套 標準且具有能力概括的模糊決策樹，所以試圖 結合三大方面：概括、模糊及古典決策樹，以 推演出一套歸納法。C. Z. Janikow[13]經過多 次的修改去解決語言與測量的不確定性，提出 一個結合決策樹與模糊推理的修改，其目的是

利用兩者之間的優勢互補。

上述文獻中，綜觀以上對平面顯示器所使 用的理論與方法，在選取特徵值之前，對瑕疵 種類的影像做了幾何及形態上的分析；本計劃 針對較以往的圖形更加複雜的 OLED 製程方 式做一套檢測系統，其發光區為網格線狀，除 了有上述的節省材料及壽命提高優點外，所產 生出來的瑕疵也與以往不同，並著重於針對亮 度量測進行區塊式分割及判別，以及影像圖形 的特色選取適當特徵值進行同時發生多種瑕 疵種類辨識，搭配分類器提高辨識的強健性。

三、研究理論

由於OLED 發光區的體積過小，因此本計 劃利用CCD 攝影機搭配放大倍率鏡頭收集樣 本影像；接下來取像過程中將拍攝到的影像執 行色彩重建，將非發光區部分及發光區部分做 門檻值分割，接著進行濾波消除雜訊，再利用 區塊平均亮度進行亮度不均的判斷，這步驟將 八種情況做二分法，分為亮度不均、暗點與亮 度不均、斷線與亮度不均、暗點與斷線與亮度 不均所搭配的四種情況以及正常、暗點、斷 線、暗點與斷線的四種情況。經由幾何特徵尤 拉數(Euler Number)搭配標記化，即可擷取出 所需特徵值，如：孔洞面積、孔洞數量、連通 物件數以及非發光區的面積比重等，再將所取 得的特徵值判斷正常、暗點、斷線、暗點與斷 線，同理搭配亮度不均的另外三種狀況也是由 此方式判斷。最後將所得到的數值輸入分類 器，探討分類的結果是否適用於分析發光二極 體的瑕疵檢測上。

3.1 數位影像處理

其類比影像經由數位化轉為數位影像，一 張數位影像可被定義是一個二維的亮度函數 f(x,y)，其中 x 和 y 是影像空間上的座標，在任 意一點座標(x,y)上，f 值代表這幅影像的強度 或視明度。當 x、y 與 f 的大小值都是有限的 離散量時，我們稱這幅影像為數位影像。數位 影像處理就是使用電腦或數位硬體，對數位信 號資訊進行分析與運算。

3.1.1 中央加權中值濾波器

改 良 式 的 中 值 法 稱 為 中 央 加 權 中 值 法 (Center Weighted Median)[14]，除了可進一步 去除雜訊外，還可以保留較好的紋理特性。假 設一個 3×3 視窗框住該直線某一段落的情

形，如圖1 所示，右斜 45 度的三個 100 的灰 階值即為該線段所在。假如利用中值法，以圖 1 的九個像素值改變為數列 1,2,2,2,3,3,100,100, 100，則中值為 3，利用 3 來取代 100 則該右 斜45 度的線段的中點像素就改為 3 了，也造 成該線段的中斷。反觀中央加權中值法，令加 權值為 W=5。加權值在這裡的作用是將視窗 內位於中間的像素值複製 W 次，將這數列由 小排到大，可得 1,2,2,2,3,3,100,100,100,100, 100,100,100，則中值為 100。若加權值為 W=1 時，則中央加權中值法等於中值法，而本計劃 使用的即是能去除雜訊又能保留紋理特徵的 中央加權中值濾波器。

2 3 100 1 100 2 100 3 2 圖1 含有重要紋理的子影像

3.1.2 統計式門檻值決定法分割影像

門檻值法是利用影像中要擷取的物體與其 背景有灰階特性上的差異。如圖2 所示的灰階 直方圖對應到由在陰暗背景上的明亮物體所 組成的一幅影像f(x,y)上，使得物體和背景的 像素被分組為兩個主要模式的灰階，設置一個 門檻值，凡是f(x,y)>T^*的任一點(x,y)可稱為前 景點，反之則稱為背景點。

圖2 單一門檻值

統計式門檻值決定方法是根據Otsu[6]的結 果，其為一種能因應環境的不同而自動決定一 適合門檻值來分割影像的方法。若T^*為最佳門 檻值，且把影像中的像素分成兩區。在C1區 內 的 任 一 像 素 其 灰 階 值 f(x,y) 必 定 滿 足

*，且C

) , (

0 f x y T 2區內的任一像素其灰階 值f(x,y)必定滿足T Otsu提 出兩個條件，只要任何一者成立即可。

255 ) , (

*1 f x y  。

第一個條件為T^*的決定，使得C1和C2之間 的變異數(Between-Variance)為最大；第二個

條件為C1內的變異數加上C2的變異數之和為 最小。關於第一個條件，可想成C₁和C₂可分 得最開；第二個條件，則可想成C1和C2內的 灰階值最近似。

以上理論實現的方法是在灰階 0 至 255 間，逐一將灰階值代入計算變異數和 式子 內，等全部 256 個灰階值皆已代入計算完畢 後，再從最小的 中得到其相對應的灰階值 來當作T

2

W 2

W

*，而這個T^*就是將原始影像分割為C1

和C₂兩區的最佳門檻值。

3.2 特徵值擷取

本計劃根據影像特徵的選取上，將依照人 眼辨識有機發光二極體瑕疵種類的方式，並依 據瑕疵之外形和紋理作為主要特徵，共擷取四 種特徵值，分別是區域平均亮度差、洞正常面 積數、洞瑕疵面積數和連通物數，其中區域平 均亮度差將用來檢測發光二極體是否有亮度 不均的瑕疵；洞正常面積數指的是網格發光區 中的格子數，其每格的面積有一定的範圍；洞 瑕疵面積數是除了上述的正常面積的格子 外，其他面積不在正常範圍的區塊數；連通物 數則是用來判別發光區是否有完整連接，如果 連通物數為 2 個以上，則代表發光區有一大 段的斷線。

a.區域平均亮度差

要檢測有機發光二極體的亮度是否均勻，

參考目前各大廠牌公司檢測平面顯示器的亮 度均一性方法[2]，並沒有統一的標準，其大 方向是將待檢測影像分作不同區塊做亮度的 比對，舉例來說Sharp 公司是以 5 個位置點作 液晶面板亮度均一性的檢測，日立顯示公司、

飛利浦與瀚宇彩晶是以 9 個位置點作液晶面 板亮度均一性的檢測，然而韓國品牌(LG)公司 則是以13 個位置點作液晶面板亮度均一性的 檢測；然而在本計劃中，亮度量測步驟如下：

將一張維度為512×512 大小的 OLED 影像 分割為9 塊，每一小區塊各為 170×170，計算 每一塊的平均亮度，而每一塊平均值算式如 下：

 

Area y x f

F ^{x y}

block avg





170 0

170 0

,

(1) F_avg 所 代 表 的 是 每 一 塊 的 平 均 亮 度 ，

所代表的是每一像素的灰階

值累加，Area所代表的是目標影像的面積累 加。將此9 塊區分命名為F

 

 

170 0

170 0

,

x y

block x y

f



avg, i，而i={1, 2, …, 9}，比較方式如下，且亮度值差 20 以上，定 義為亮度不均。

9

9



 ^avg

F

AvgValue (2) 而其中每一區塊的亮度值依序與整張影像 的平均值做計算的方法，如圖3 所示。由於國 際上沒有統一標準，而經由測試因人眼對 20 個灰階度以下的差異變化較不容易察覺，所以 將其檢驗標準（即差異）值的設定訂為 20；

亦即判斷亮度差值為 20 以上且區塊數大於 1 區，即為亮度不均的現象。

x y

圖3 區塊亮度值比較方式

(a) (b) 圖4 幾何測試圖

(a) (b) 圖5 經由尤拉數(黑背景)計算

b.洞正常面積數和連通物數

拓樸學[15]是一種幾何數學上運用的方 法，對於二維平面影像上的區域描述極有幫助 的概念，我們利用連通物與洞之特性來分析本 計劃影像中的瑕疵種類，舉二例說明，如圖 4(a)，為一張二值影像，以黑色為背景，白色 為目標物，利用尤拉數的連通物數量的計算與

洞的填滿且計算之屬性判斷，可以從圖 5(a) 中得到計算結果，連通物的數量經計算後得知 為一個，而洞填滿後(以灰色為填充色)的數量 經計算後得知為四個；接著從圖4(b)的二值影 像來看，明顯的看出目標物有斷裂，經由尤拉 數的連通物數量及洞的填滿計算下，可從圖 5(b)中得到計算結果，連通物的數量計算後得 知為兩個，而洞填滿後的數量計算後得知為兩 個；由以上二例得知本計劃的瑕疵種類正常、

斷線、亮度不均及亮度不均與斷線配合此演算 法，能夠相當清楚的分隔。

c.洞瑕疵面積數

此外，舉另一個例子說明，如圖6(a)所示，

一張二值影像中，目標物中含有黑色的小點，

經由尤拉數的演算法可得知連通物的數量為 一個，而連通物內洞的數量為九個，其中包含 了完整的四個長方形的洞，其代表的是這個目 標物並沒有斷裂，另外五個似圓的洞，面積較 小，其代表的則是目標物上的小暗點，如圖 6(b)所示。由此例也可得知本計劃中暗點情 況，也藉此演算法完整的分隔出來。

(a) (b) 圖6 有小洞數的例子圖

經由上述拓樸學演算法，可看出其三項優 點：

1. 可經由完整的矩形洞數，判斷目標物是否 斷裂。

2. 藉著洞面積的比較，可得知矩形洞以外的 洞即為暗點瑕疵。

3. 整張影像不會因為放大、縮小、旋轉及平 移而改變其特徵值。

套用到本計劃中，從有機發光二極體中擷取到 的影像，執行雜訊消除濾波、亮度量測及目標 影像與背景分割，最後針對其瑕疵幾何特性，

使用拓樸演算法取出特徵值，可將瑕疵影像完 美的分割描述。

3.3模糊決策樹基本原理[16-23]

模式識別的領域中，分類器是一門重要的 課程。其廣泛地應用於影像處理、醫療決策、

筆跡辨識、語音辨識及資料類型分類等，而分

類的定義，為將需要被分析的資料，根據非分 類的規則將其歸屬於其類別組上。而分類器的 設計，當一組含有多種類別的資料，依照其中 一定的規則設計抽取的特徵將其資料中的類 別有效的分隔開來，所以分類器設計的目的就 是要在資料庫中，尋找能夠正確分類的一定規 則。

而分類器種類很多種，如決策樹、類神經 網路和貝式分類等；而本計劃採用的是近年來 逐漸被探討的模糊決策樹[13][16]，利用模糊 分群的方式達到資料分類，根據監督式學習從 資料庫中進行訓練而確定各種類別在其特徵 空間中的位置，結合了模糊理論與決策樹特性 而成的一種新型態的演算法。

a.決策樹理論

資料結構的領域中，一種廣泛被使用來分 類和預測的工具就是決策樹。決策樹吸引人之 處在於具有規則，與類神經網路不同。規則是 可以用文字表達出來的，容易使人們了解，依 據規則或方法對資料庫進行分類，主要是以樹 狀圖為基礎的方法，藉由決策樹的分析規則進 行層級架構的分類。當一筆資料進入決策樹 時，每一決策點都有其規則及判斷，不同的判 斷產生不同的決策分支，經由一連串的決策判 斷直到最末端的葉部節點，決策樹架構如圖7 所示，分做四項來解釋：

(1) 根 節 點 (Root Node) ： 為 訓 練 資 料 集 (Training Dataset)輸入的節點，也是為大方 向判斷的第一步。

(2) 非葉節點(Non-Leaf Node)：乃是整個決策 樹內部的節點，將每一層的資訊儲存並且 將該資料判斷分配到以下的群組。

(3) 分支線(Branch Line)：將非葉節點判斷後 的結果資訊分往所屬的群組而連接的線。

(4) 葉節點(Leaf Node)：為整個決策樹所代表 的輸出資訊，也是整個分類的結果群組。

圖7 決策樹架構圖

b.模糊決策樹理論

模糊決策樹與決策樹的差別在於歸屬函數 範圍的不同，前者採用的是0至1的程度值彈性

分類，而後者所使用的特徵函數不是0就是1 的二分邏輯判斷分類；同時具有模糊系統彈性 且合乎人類思考模式特性與決策樹的易理解 特性，更加符合人類的思維模式。舉一例 [23]：給一物件A(x1=79, x2=25)，在傳統的決 策樹中，判斷分群於C2區域內，此特徵函數 就是屬於與不屬於，如圖8所示。然而在模糊 決策樹中，則採用匹配比例式的標示，物件A 在C1的匹配比例為0、在C2的匹配比例為0.52 和在C3的匹配比例為0.48，建立一套具有彈性 判斷的子空間邊界，這類的軟性離散決策樹，

匹配性是從根到葉去運算的，如圖9所示。

(a)正常 (b)暗點 (c)斷線

(d)亮度不均 (e)暗點與斷線 (f)暗點與亮度不 均

(g)斷線與亮度不均 (h)暗點、斷線與亮度不均

圖10 瑕庛種類影像樣本 圖8 傳統硬式分類決策樹

圖9 軟式離散分類決策樹

本計劃所檢測的有機發光二極體中，在暗 點的判斷準則裡有公認的容忍值範圍，故模擬 人類思考模式，調整模糊歸屬函數的外型修正 邊界位置與形狀，以提高此計劃的檢測準確 率。

四、實驗規劃與結果討論

有機發光二極體的規格為40mm × 40mm × 1.8mm，呈現網格狀的亮光區，由於檢測的過 程是在發光(Light on)階段，故製作硬體裝置 使之發光，且瑕疵的面積極小，所以在 CCD 上加裝彩色 CCD 影像感測器專用放大鏡頭 後，才能順利取樣。

文獻搜尋

理論研讀 硬體架設 學習樣本 測試樣本

軟硬體工作 收集OLED樣本

影像處理技術

影像特徵擷取

計算特徵值

第一層決策樹 亮度量測

【正常】

【暗點】

【斷線】

【暗點與斷線】

【亮度不均】

【暗點與亮度不均】

【斷線與亮度不均】

【暗點與斷線與亮度不均】

第二層決策樹 斷線判斷

亮度均勻 亮度不均勻

分類結果 第三層模糊決策樹

暗點判斷

第三層模糊決策樹 暗點判斷 使用大洞數分類

使用小洞數分類 使用小洞數分類

圖11 實驗流程 本實驗中，將影像樣本分為八類，除了正

常共20 筆、暗點共 20 筆、斷線共 30 筆、亮 度不均共20 筆外，同時也考量了多種瑕疵發 生的情形：暗點與斷線共40 筆、暗點與亮度 不均共20 筆、斷線與亮度不均共 20 筆、以及 暗點、斷線與亮度不均共40 筆，共擷取了 210 筆OLED 樣本影像，如圖 10 所示，每張影像 維度為512×512。

本實驗首先架設 CCD 攝影機搭配彩色 CCD 感測器放大鏡頭，以固定光源有機發光 二極體影像的拍攝，再使用點亮裝置使之發 光，所取影像維度為512×512，配合影像擷取 卡將影像數位化後，進行後續階層式分類系統 判別的影像處理步驟，如圖 11，首先利用亮 度區分亮度均勻區及亮度不均區，第一層，將 其數據以決策樹特徵函數規則訂為 0(亮度均

勻區)與 1(亮度不均區)。第二層決策樹分類器 的訓練中，以亮度均勻區舉例，利用大洞數與 連通物的判斷將其樣本分為正常、暗點、斷 線、暗點與斷線，分別判斷等於25 格時為 0，

小於 25 格時為 1，繼續丟入決策樹分類器判 斷；最後，第三層使用模糊決策樹的訓練，將 小洞數判斷分為正常、暗點、斷線、暗點與斷 線，再根據ISO-13406-2 顯示器製造參考所設 定的容忍值做模糊決策的建議之一，將含有暗 點的特徵值做彈性的分類，即可提高辨識瑕疵 類別的準確率。

4.1 影像色彩重建

在收集樣品影像後，首先使用濾波消除影 像的雜訊，由於瑕疵種類中斷線的定義為發光 區的不連接以及暗點的定義為發光區的黑 點，所以為了保留重要的線段且消除雜訊的要 求下，故選擇了執行一次的中央加權中值法，

也不影響樣本的重要瑕疵。

本計劃所檢測之有機發光二極體影像，由 於亮度的檢測需要，故將目標像素(發光部分) 與背景像素(非發光部分)重建，因此首先給一 影像的灰階值分佈的柱狀圖(Histogram)，統計 此影像的灰階值次數，本計劃採用 Otsu 統計 式門檻值決定兩個門檻值[6] [14]，其演算式 如下：

   

     

     





















2 2 1

1

T , , ,

T , T , ,

T , 0 ,

y x f y x f y x f

y x f y

x f y x f

y x f y

x f

，

，

， ( 3 )

定義若灰階值小於門檻值，則灰階值將設定為 0(黑色)，反之，則維持原灰階值，此步驟是 因為發光區的光會散射到背景區域，為了計算 目標物的平均亮度，故以此步驟做演算，如圖 12 所示。

圖12 灰階像素分割示意圖

4.2 瑕疵特徵擷取

本計劃將根據有機發光二極體瑕疵外觀來

選取特徵值，經由觀察瑕疵外觀的特性，以區 域平均亮度量測、尤拉數判斷面積得知大洞數 及小洞數，大洞數所代表的是線段的完整特 性，而小洞數則是代表暗點發生的情況，以這 三種特徵值可有效地將八種影像樣本分類。在 本實驗中，共210 筆影像的特徵值，利用此分 類流程即可將八種影像樣本完全的區分出 來，如圖13 所示，其分類流程如下：

1. 首先，將檢測影像利用區域平均亮度量測 分為亮度均勻區(A 正常、B 暗點、C 斷線、

D 暗點與斷線)及亮度不均區(E 亮度不 均、F 亮度不均與暗點、G 亮度不均與斷 線、H 亮度不均、暗點與斷線)。

2. 接著利用大洞數判斷線段的完整性，等於 檢測大洞格數為完整的線段(A 正常、B 暗 點、E 亮度不均、F 亮度不均與暗點)；反 之，小於檢測大洞格數的則被定義為斷線 的狀況發生(C 斷線、D 斷線與暗點、G 亮 度不均與斷線、H 亮度不均、暗點與斷線)。

3. 最 後 ， 利 用 小 洞 數 的 發 生 狀 況 配 合 其 OLED 的暗點容忍值判斷暗點，其等於 0 且小於容忍值數量的被區分為無暗點發生 狀況，反之，大於 0 且超過容忍值數量則 被區分為暗點發生狀況。

亮度是否均勻

大洞數是否等

於25 大洞數是否等

於25

小洞數是否等 於0

小洞數是否等 於0

小洞數是否等

於0 小洞數是否等

於0

A；【正常】

B：【暗點】

C：【斷線】

D：【斷線與暗點】

E：【亮度不均】

F：【亮度不均與暗點】

G：【亮度不均與斷線】

H：【亮度不均與斷線與暗點】

A C E G

A B C D E F G H

小洞數是否合 乎容忍值

圖13 建構決策樹與模糊決策樹

x y

230 229 230 233 232 229 230 228 227 512

512 0

AvgValue=230

圖14 正常的亮度區塊分佈圖

4.2.3 瑕疵特徵值數據

x y

圖15 亮度不均的亮度區塊分佈圖

經過影像處理後，所介紹的特徵值計算方 法，將其套用至特徵抽取程式計算結果，而計 算的210 筆瑕疵特徵值，為了更容易看出瑕疵 的區分，這裡利用平均值的方式表現如表1。

4.3 決策樹與模糊決策樹分類器瑕疵分類

4.2.1 亮度量測

經由上一節的像素分割後，接著將利用 3.2a 節的區域平均亮度差，量測有機發光二極 體的亮度是否均勻，舉二例說明(正常與亮度 不均)，如圖 14、圖 15 所示。

4.2.2 瑕疵影像的拓樸運算

從有機發光二極體中擷取到的影像，執行 雜訊消除濾波、亮度量測及目標影像與背景分 割，最後針對其瑕疵幾何特性，使用拓樸演算 法取出特徵值，而實驗結果證實上述處理後，

特徵值可將瑕疵影像完美的分割描述，圖 16 為經尤拉數處理的瑕疵圖形；圖 16(a)與(d)的 灰色大洞數皆為25 格，以此代表線段完整；

圖16(b)與(f)的灰色大洞數為 25 格以外，另外 含有灰色小洞數，故代表發生暗點狀況；圖 16(c)與(g)的灰色大洞數小於 25 格，代表線段 不完整；圖 16(e)與(h)的灰色大洞數小於 25 格且灰色小洞數大於1 格，此種狀況被認定為 線段不完整且發生暗點狀況。

承上介紹的特徵值分佈後，由於決策樹分 類的前兩層使用的是硬式決策樹，故首先第一 層檢測時，將不均勻區塊數及大洞數的數值轉 換成0 與 1 的特徵函數；在不均勻區塊數的特 徵函數定義為若不均勻區塊數為0 時，則特徵 函數為0，反之，不均勻區塊數大於 0 時定義 為1；接著，第二層的檢測，將大洞數的特徵 函數定義為若大洞數為檢測滿格數 25 格時，

特徵函數定義為0；反之，小於檢測滿格數 25 格時，特徵函數為1；而其特徵值轉換成特徵 函數，如表2。

表1 瑕疵特徵平均值

(a)正常 (b)暗點 (c)斷線

(d)亮度不均 (e)暗點與斷線 (f)暗點與亮度不 均

(g)斷線與亮度不均 (h)暗點、斷線與亮度不均

圖16 經尤拉數處理的瑕疵圖形

瑕疵種類 不均勻區塊數

(Block)

大洞數 (H)

小洞數 (h)

正常 0 25 0

暗點 0 25 17.45

斷線 0 6 0

暗點與斷線 0 3.225 7.9

亮度不均 2.95 25 0

亮度不均與暗點 2.75 25 39.3

亮度不均與斷線 2.4 4.2 0

亮度不均、暗點與

斷線 2.525 3.7 6.65

表2 將特徵值轉換成特徵函數

瑕疵種類 不均勻區塊數

(Block)

大洞數 (H)

正常 0 0

暗點 0 0

斷線 0 1

暗點與斷線 0 1

亮度不均 1 0

亮度不均與暗點 1 0

亮度不均與斷線 1 1

亮度不均、暗點與斷線 1 1

本計劃第三層所使用的模糊決策樹採用的

是修正 ID3 決策樹中資訊含量的計算方式 [21][22]，採用推論式工作，就是根據歸納出 的分類規則進行測試物件或新物件的分類。接 著 定 義 模 糊 決 策 樹 的 符 號 定 義 及 演 算 法 [10]，其規則如圖 17 所示：

1.

 

 

n j j j

j g g g C

g

E  ~ |~  ¹,..., , 為資料集。其中

i

gj代表第i筆資料之第j個屬性值，C_j代表 該筆資料的明確類別。

2. 令 a an





A ₁,...,





D ₁,..., 代表定義於該屬性a 值域上的所有模糊集_i 合。每個模糊集合a_ip D_i

i  所對應的歸屬 函數為

 

ipi



ai

 

a g

ipi



本實驗舉例：兩個特徵值代表兩個屬性，

其表示方式如下：

A={a1,a2}={正常完整性(小洞數)，暗點發 生性(小洞數)}。

D₁={a11,a12}={正常完整性低，正常完整性 高}。

D₂={a21,a22}={暗點發生性(小洞數)低，暗 點發生性(小洞數)高}。

3. 對決策樹的任一節點N而言，F^N代表由樹 根往下節點的路徑。N |a_ip代表節點N以屬 性a 測試後，經由節點N所延伸的子節_i 點。X^N_j 代表第j筆資料歸屬於節點N的歸 屬度。

圖17 模糊系統分類

經由決策樹與模糊決策樹樣式設計與分類測 試結果，在第一層根節點的實驗過程中，將 210 筆八種瑕疵樣本進行亮度量測的辨識，其 辨識率皆為 100%，如下表 3；而第二層共有 兩組資料集，分別對亮度均勻區與亮度不均區 資料集各以110 筆及 100 筆進行線段完整性的 辨識，其辨識率為 100%，如下表 4；最後在 第三層共有4 組資料集，而這層利用模糊決策 樹各自分類，各以 40 筆、60 筆、40 筆及 70

筆 進 行 暗 點 發 生 性 的 辨 識 ， 辨 識 率 皆 達 100%，如下表 5。

表3 決策樹分類器設計亮度量測結果

決策樹分類 第一層

分析類別 亮度量測

抽取樣本數 210

辨識率 100%

表4 決策樹分類器設計斷線辨識結果

決策樹分類 第二層

分析類別 斷線 (亮度均勻區)

斷線 (亮度不均區)

抽取樣本數 110 100

辨識率 100% 100%

表5 模糊決策樹分類器設計暗點辨識結果 模糊決策樹

分類 第三層

分析類別 暗點 (A B)

暗點 (C D)

暗點 (E F)

暗點 (G H) 抽取樣本數 40 70 40 60

辨識率 100% 100% 100% 100%

經影像處理技術、擷取的特徵及所提出的 模糊決策樹分類系統和最後的實驗結果可探 討分析此計劃的目標物有機發光二極體的檢 測系統是否合適且恰當，以下分幾點敘述並討 論：

1. 在選擇特徵值的階段，根據瑕疵影像的特 性及瑕疵名稱的對應，分別在亮度量測、

線段完整性及暗點發生狀況，以上三點作 特徵的抽取，此外，本計劃不但在瑕疵種 類單獨發生狀況外，也探討了重複發生的 狀況，以提供在製程上可改善的提醒。

2. 亮度量測的部分，利用色彩重建及九宮格 區塊的檢驗步驟，每一區塊的比對較以往 四鄰近比對，更加提高了檢測準確性。

3. 在線段完整性檢測及暗點發生率檢測方 面，採用針對瑕疵樣本影像的幾何特性，

使用尤拉數判斷，在時間上只需花費平均 0.2 秒，提高了系統的效能。

4. 為了合乎成本問題，考量了 ISO13406-2(國 際標準化組織)，這個標準是所有顯示器製 造商參考的規範，而使用模糊決策樹分類 器，在暗點發生的合理範圍之內多加辨 識；另外，可降低因外在條件而影響拍攝 品質所導致的影像處理失誤。

五、結論

本次計劃主要是針對較新的製造過程所製 作出的有機發光二極體開發一套網格線狀發 光區自動檢測系統，提出一個有效結合影像處 理技術與模糊決策樹分類器的檢測架構，將具 有代表性的特徵集搭配電腦的處理，能夠迅 速、準確的判斷瑕疵類型，以提供製程方面進 行改善，減少人力成本，增加檢測效率。

在樣本方面，廠商提供了同製程下規格不 同的有機發光二極體，故必須針對其所有的特 性做分析，以廠商定義的樣本名稱：正常、亮 度不均、斷線及暗點四種。在本計劃中，我們 也將正常狀況及重複瑕疵共八種類別 210 筆 影像加入辨識系統中以符合線上檢測的需 求。影像檢測過程中，採取了兩段式的 Otsu 計算，第一段目的是為了計算整張影像的平均 亮度，第二段則是為了接下來拓樸學的運算；

第一階段的亮度量測採用九宮格式的比較，判 斷檢測影像中是否亮度不均；接著第二階段採 用拓樸學中尤拉數計算洞數，此步驟是為了檢 測線段完整性與暗點發生性。分類過程中，與 業界檢測方式不同，非二值邏輯判斷正常與瑕 疵，而是更進一步的套用了模糊決策樹系統分 類器分析特徵值分類。第一層亮度量測部分 210 筆進行測試、第二層分別各以 110 筆與 100 筆測試樣本和第三層分別各以40 筆、70 筆、

40 筆和 60 筆進行測試，辨識率皆達 100%。

本計劃貢獻在於提出一套檢測網格狀有機 發光二極體新的方法，利用有效的影像處理技 術搭配模糊決策樹分類器，辨識單一及重複發 生瑕疵種類，以提供製程產線工作人員做參數 的調整。

六、參考文獻

[1] 姚文珍，應用於 TFT-LCD 隔板之低複雜度缺陷檢 測架構，大同大學通訊工程研究所論文，2007。

[2] 陳志忠，液晶顯示器的像素缺陷與相對亮度均一性 之自動化檢測，中原大學機械工程研究所論文，

2001。

[3] 李孟坤，高分子有機發光二極體瑕疵自動光學檢測 系統，國立交通大學工業工程與管理學研究所論 文，2005。

[4] 陳志強，影像處理技術應用於 PLED 噴墨基板瑕疵 檢測，國立中央大學資訊工程研究所論文，2003。

[5] R. Kimmel, “Demosaicing: Image Reconstruction from Color CCD Samples,” IEEE Trans. on Image Processing, Vol. 8, pp. 1221-1228, 2002.

[6] N. Otsu, “A Threshold Selection Method from Gray Level Histogram,” IEEE Trans. on Systems, Man, and Cybernetics, Vol. SMC-8, pp. 62-66, 1978.

[7] S. J. Ko and Y. H. Lee, “Center Weighted Median Filters and Their Applications to Image Enhancement,” IEEE Trans. on Circuits and Systems, Vol. 38, no. 9, pp. 984-993, 1991.

[8] J. Yang, “Topology Description for Data Distributions Using a Topology Graph with Divide-and-Combine Learning Strategy,” IEEE Trans. on Systems, Man, and Cybernetics, Part B: Cybernetics, Vol. 36, pp.

984-993, 1991.

[9] B. C. Jiang, S. L. Tasi and C. C. Wang, “Machine Vision-Based Gray Relational Theory Applied to IC Marking Inspection,” IEEE Trans. on Semiconductor Manufacturing, Vol. 15, pp. 531-539, 2002.

[10] G. Fang and W. Gao, “Large Vocabulary Sign Language Recognition Based on Fuzzy Decision Trees,” IEEE Trans. on System, Man, and Cybernetics, Part A: System and Humans, Vol. 34, pp.

305-314, 2004.

[11] X. Wang, “A Comparative Study on Heuristic Algorithms for Generating Fuzzy Decision Trees,”

IEEE Trans. on System, Man, and Cybernetics, Part B:

Cybernetics, Vol. 31, pp. 215-226, 2002.

[12] D. S. Yeung, “An Initial Comparison of Generalization-Capability between Crisp and Fuzzy Decision Trees,” Machine Learning and Cybernetics, Vol. 4, pp. 1846-1851, 2002.

[13] C. Z. Janikow, “Fuzzy Decision Trees: Issues and Methods,” IEEE Transaction on Systems, Man, and Cybernetics, Part B: Cybernetics, Vol. 28, pp.1-14, 1998.

[14] 鐘國亮編著，影像處理與電腦視覺第三版，東華書 局，2005。

[15] R. C. Gonzale and R.E. Woods, “Digital Image Processing 2nd ed,” Prientic-Hall, pp. 1174-1175, 2002.

[16] J. Zeidler and M. Schlosser, “Continous-Valued Attributes in Fuzzy Decision Trees,” Proceedings of Information Processing and Management of Uncertainty in Knowledge-Based Systems, pp.

395-140, 1996.

[17] L. A. Zadeh, “Fuzzy sets,” Information and Control, pp. 338-353, 1965.

[18] 王文俊，認識 Fuzzy，第二版，全華科技，2001。

[19] 蕭芳智，應用階層式粒子群方法於模糊決策樹之研 究，元智大學工業工程與管理研究所，2005。

[20] J. Buckley, “Fuzzy Complex Analysis II: Integration,”

Fuzzy Sets Systems., Vol. 49, pp. 171-179, 1992.

[21] 段麗莉，以多目標基因演算法設計高效能模糊分類 器，逢甲大學資訊工學系研究所論文，2003。

[22] 陳麗君，應用資料探勘技術於信用卡黃金級客戶之 顧客關係管理，元智大學工業工程與管理研究所碩 士論文，2003。

[23] Y. Peng, P. Flach, “Soft Discretization to Enhance the Continuous Decision Tree Induction,” Integrating Aspects of Data Mining, Decision Support and Meta-Learning . Christophe Giraud-Carrier , Nada Lavrac , Steve Moyle, (eds.), pp. 109–118, 2001.

[24] J. R. Quinaln, “Induction of Decision Trees,”

Machine Learning, Vol. 1, pp. 81-106, 1986.

[25] Y. Yuan, M. J. Shaw, “Induction of Fuzzy Decision Trees,” Fuzzy Sets and System, Vol. 69, pp. 125-139, 1995.

國科會補助計畫衍生研發成果推廣資料表

日期:2012/10/20

國科會補助計畫

計畫名稱: 有機發光二極體發光區瑕疵自動檢測系統之開發 計畫主持人: 黃昌群

計畫編號: 100-2221-E-011-025- 學門領域: 自動化檢測技術

無研發成果推廣資料

100 年度專題研究計畫研究成果彙整表

計畫主持人：黃昌群 計畫編號：100-2221-E-011-025- 計畫名稱：有機發光二極體發光區瑕疵自動檢測系統之開發

量化

成果項目 ^{實際已達成}

數（被接受 或已發表）

預期總達成 數(含實際已

達成數)

本計畫實 際貢獻百

分比

單位

備 註 （ 質 化 說 明：如 數 個 計 畫 共 同 成 果、成 果 列 為 該 期 刊 之 封 面 故 事 ...

等） 期刊論文 0 0 100%

研究報告/技術報告 1 1 100%

研討會論文 1 1 100%

論文著作 篇

專書 0 0 100%

申請中件數 0 0 100%

專利 已獲得件數 0 0 100% 件

件數 0 0 100% 件

技術移轉

權利金 0 0 100% 千元

碩士生 1 1 100%

博士生 1 1 100%

博士後研究員 0 0 100%

國內

參與計畫人力

（本國籍）

專任助理 0 0 100%

人次

期刊論文 0 1 100%

研究報告/技術報告 0 0 100%

研討會論文 0 0 100%

論文著作 篇

專書 0 0 100% 章/本 申請中件數 0 0 100%

專利 已獲得件數 0 0 100% 件

件數 0 0 100% 件

技術移轉

權利金 0 0 100% 千元

碩士生 0 0 100%

博士生 0 0 100%

博士後研究員 0 0 100%

國外

參與計畫人力

（外國籍）

專任助理 0 0 100%

人次

其他成果

(

無

成果項目 量化 名稱或內容性質簡述

測驗工具(含質性與量性) 0

課程/模組 0

電腦及網路系統或工具 0

教材 0

舉辦之活動/競賽 0

研討會/工作坊 0

電子報、網站 0

科 教 處 計 畫 加 填 項

目 計畫成果推廣之參與（閱聽）人數 0

國科會補助專題研究計畫成果報告自評表

請就研究內容與原計畫相符程度、達成預期目標情況、研究成果之學術或應用價 值（簡要敘述成果所代表之意義、價值、影響或進一步發展之可能性） 、是否適 合在學術期刊發表或申請專利、主要發現或其他有關價值等，作一綜合評估。

1. 請就研究內容與原計畫相符程度、達成預期目標情況作一綜合評估

■達成目標

□未達成目標（請說明，以 100 字為限）

□實驗失敗

□因故實驗中斷

□其他原因 說明：

2. 研究成果在學術期刊發表或申請專利等情形：

論文：□已發表 □未發表之文稿 ■撰寫中 □無 專利：□已獲得 □申請中 ■無

技轉：□已技轉 □洽談中 ■無 其他：（以 100 字為限）

3. 請依學術成就、技術創新、社會影響等方面，評估研究成果之學術或應用價 值（簡要敘述成果所代表之意義、價值、影響或進一步發展之可能性）（以 500 字為限）

有機發光二極體(OLED)為現階段具有自發光性質等多項優點之最新平面顯示元件(Planar Display)，各大廠針對各自不同的製造過程所製作出的 OLED 作檢測，大多以人工目視的 方式檢測，但因瑕疵尺寸太小及不明顯，人工檢測易視覺疲勞而造成誤判，準確性大大降 低。本計劃所採用之 OLED，其在發光(Light On)階段，發光區呈現網格線狀，針對發光區 單一及多種瑕疵發生的狀況，開發一套自動瑕疵檢測分類系統，計劃中的瑕疵種類包含暗 點、斷線及亮度不均，同時也考量了多種瑕疵發生的情形，故瑕疵種類多規劃了暗點與斷 線、亮度不均與暗點、亮度不均與斷線，以及亮度不均、暗點與斷線。影像處理過程中，

將影像經過色彩重建，利用九宮格式比較平均亮度值來判定亮度量測；接著針對目標影像 輪廓特性，利用幾何學上的尤拉數連通物與洞判斷，標計出大洞數目與小洞數目來判別暗 點發生性及線段完整性。瑕疵樣本方面，搜集 210 筆瑕疵樣本，由實驗得知，前兩層經由 規則式的分類，辨識率達 100%，在暗點發生狀況中利用模糊決策樹，能更準確且合乎人性 判斷的分類，辨識率也達 100%，驗證了瑕疵特徵選取的適用性及分類器合乎人性化的準確 性，也顯示此檢測系統成功的被應用於 OLED 有機發光層的檢測工作上。