以密度為基礎之改良型快速分群演算法及其於 偏光板瑕疵檢測之應用
蔡明忠 吳宗諭 田芬寧
臺灣科技大學自動化及控制研究所
摘 要
本研究目的為開發即時偏光板瑕疵區域檢測系統，使用線性馬達平台移送 偏光板成品，以固定之掃描頻率觸發 8k 線型掃描攝影機擷取影像，並且在擷 取影像的同時，同步處理部分已經擷取到的影像進行瑕疵區域檢測。在瑕疵區 域檢測的流程中，首先使用適應性門檻值進行瑕疵影像分割，再使用本論文所 提出的一種以密度為基礎之改良型快速分群演算法 (RDBSCAN)，經實驗證明 能快速的針對瑕疵影像進行分群處理與位置範圍標記。最後將影像處理與瑕疵 標記程序以多執行緒的方式交由雙核心 CPU 處理，建立即時檢測之功能。經 過實驗結果得知，本研究之雛型系統在檢測平台為 70 mm/s 的移動速度下，單 一 CCD 每秒可連續處理寬約 57 mm 偏光板影像之瑕疵檢測與分群。
關鍵詞：偏光板，線型 CCD，即時瑕疵檢測，以密度為基礎之快速分群演算 法 (RDBSCAN)。
DEVELOPMENT OF AN IMPROVED RAPID DENSITY-BASED CLUSTERING ALGORITHM AND ITS APPLICATION ON POLARIZER
DEFECT INSPECTION
Ming-Jong Tsai Chung-Yu Wu Fen-Ning Tien
Graduate Institute of Automation and Control National Taiwan University of Science and Technology
Taipei, Taiwan 106, R.O.C.
Key Words: polarizer, line CCD, real-time defect detection, rapid density-based clustering applications with noise (RDBSCAN).
ABSTRACT
This study focuses on developing a real-time polarizer defect inspection system. A polarizer is put on the table driven by a linear motor. An 8k line scan camera is used to scan the polarizer images with constant speed. The scanned images are synchronously processed for further defect detection.
During the image processing, an adaptive thresholding method is used to segment the scanned images. Subsequently, this study proposes an improved rapid density-based clustering algorithm (Rapid Density-Based Clustering Applications with Noise: RDBSCAN) to shorten the time used by using Density-Based Clustering Applications with Noise. From the experimental results, it can be seen that the proposed method can rapidly cluster the defective images and correctly mark the defective regions. Finally, the
pc-based system employed multi-threading processing technology for image processing and defect marking with a dual core processor to achieve a real-time inspection. From the experimental results, this prototype system with single line CCD can continuously inspect a 60 mm wide polarizer at a velocity of 70 mm/s and finish the inspection and clustering.
一、前 言
我國面板產業發展至今，製造技術已日漸成熟，在開 發出完整的新製程之前，加大面板尺寸來增加經濟效益的 方式，已漸達到極限。因此面板業者進而轉向積極的垂直 整合各項面板零組件，以降低生產成本，提升競爭力。而 在關鍵材料的偏光板產業中，雖然陸陸續續有部分設備商 開發出 off-line 的瑕疵檢測系統，且大多採取抽樣檢測。但 對於產量大的偏光板業者來講，還是會選擇在後段以人力 的方式來進行檢測。
由後段檢測來看，檢測出有瑕疵的偏光板會被認定為 廢品或是不良品。而這些偏光板中部分瑕疵是在貼附過程 中產生，如氣泡等瑕疵的區域也許只有一小塊範圍，但依 然會經過切割的程序。而且目前傳統的裁切方式是以固定 的刀模沖壓裁切，無法避開瑕疵之區域。如此便造成一張 偏光片成品會因為一小塊瑕疵而使得整張偏光板報廢，無 瑕疵的部份也就因此而浪費。若能在切割之前，預先知道 瑕疵所在位置，就能以最不會浪費的方式將偏光板切割，
也就可以減少因微小瑕疵而使整張偏光板報廢的情況發 生。
一張影像所包含的資訊不只有物件、背景，還有光源 影響、紋理、雜訊等等。因為這些各式各樣的訊息同時存 在，依照研究環境的不同，選用適當的方法來進行影像分 割是非常重要的，一般分為空間領域分割與頻率領域分割 兩種方式。空間領域分割是指將影像以灰階的方式呈現，
利用瑕疵與背景影像灰階之差異，找出其適合的區分方 式，就可以將瑕疵與背景影像分割開來，完成瑕疵檢出的 工作。在文獻[1]中，利用 Otsu 統計法求出瑕疵二值化的 門檻值，搭配區域成長找出瑕疵影像，再以理想解類似度 順序偏好法辨識偏光膜瑕疵種類。另外也有先將瑕疵邊緣 強化後，就可輕易分割瑕疵影像的方法，例如文獻[2]應用 非線性擴散法可同時進行邊緣強化與平滑處理，可以輕易 的檢測出 ITO 玻璃之瑕疵。而在文獻[3]中將瑕疵分成巨觀 瑕疵及微觀瑕疵兩大類，並分別採取不同的方式進行偵 測。巨觀瑕疵是以線掃描攝影機擷取低解析影像；微觀瑕 疵則是使用面掃描攝影機，擷取影像之後利用中值濾波器 去除影像中之雜訊並以灰階標準差進行影像分割，再以型 態學以及計算最小圍繞瑕疵之矩形特徵以進行判別。除此 之外，也有利用影像相減之方法進行影像分割，如文獻[4]
先利用精確的影像定位，將影像背景調整至固定不變，克 服彩色濾光片是具有紋理的複雜背景，就可以簡單的以影 像相減方式找出瑕疵。
頻率領域分割指的是將影像之灰階分布轉換至頻率 領域分析，利用瑕疵與背景影像在頻域之間的差異，以適 合的方式找出頻率不規則變化的位置，就能分割出瑕疵與 背景影像。在文獻[5]中，先採用模擬線型掃描的方式擷取 影 像 ， 再 利 用 一 維 傅 立 葉 轉 換 得 到 完 美 與 有 瑕 疵 的 TFT-LCD 影像頻域圖，兩者相減後就可以分割出瑕疵影 像。文獻[6]針對 TFT 面板的微觀瑕疵檢測方法，利用傅立 葉轉換及反傅立葉轉換方式，濾掉 TFT 面板垂直及水平的 紋路之頻率元素以進行表面瑕疵檢測。文獻[7]是利用找出 瑕疵能量在傅立葉頻譜中貢獻最多的區域並選取一個適當 的半徑，將頻譜中心點與最佳半徑以外所對應的頻率係數 去除，將同質性紋路盡量模糊，接著利用反傅立葉轉換，
將規律性的同質性紋路去除，而只保留瑕疵的部分進行瑕 疵檢測。
本研究之目的為實現一套偏光板自動化光學檢測系 統，可針對偏光板在貼附到裁切製程的過程中，線上即時 檢測偏光板之表面瑕疵，並標定出瑕疵之位置與涵蓋範 圍，以提供相關訊息給後段裁切系統，幫助未來發展偏光 板之動態裁切。
二、研究方法
本研究以高速檢測為主軸，實際架設一自動化光學檢 測系統 (automatic optical inspection)，整合高解析度線性掃 描攝影機與線性光源，並由線性馬達與滑軌組成的移載平 台，持續移送待檢測之偏光板，連續擷取偏光板表面影像。
再經由 PC-BASED 中的高速影像擷取卡儲存連續影像，交 由自行撰寫之檢測程式進行瑕疵與背景分割，再使用本論 文提出之 RDBSCAN (Rapid Density-Based Clustering of Applications with Noise) 分群演算法將連續偏光板影像中 之瑕疵分群定位，同時計算瑕疵之面積範圍，能即時檢測 偏光片在貼附過程後的表面瑕疵狀況，並記錄瑕疵的位置 與涵蓋區域。此研究主要分為三大項：
1. 高解析度取像系統
本研究以 8k (8096 pixels) 高解析度線性掃瞄攝影機 為主要取像元件，CCD 一個像素的實際大小為 7 µm，採 用 1/2 倍率鏡頭，故一個實體像素的實際大小為 14 µm, 並 選用背光式線性照明設備，依照曝光之頻率來控制平台移 動速率，以達到正確比例之偏光板連續影像。系統架構如 圖 1 所示。
視覺取像系統包含了 DALSA 公司出產的 Piranha2
CCD
圖1 偏光板檢測實驗機台實體圖
P2-23-08K40 線性掃瞄數位攝影機、Rodenstock 公司的 APO-RODAGON-N 80 mm 光學鏡頭、DALSA 公司的 X64.CL Express影像擷取卡以及 HAYASHI 的鹵素燈線型 光源，偏光板移載運動平台則是採用 HIWIN 公司的 LMPA 342的線性馬達[14-20]。
2. 影像處理與瑕疵分群
偏光板影像擷取後，進行適應性二值化 (7 × 7 pixels) 將影像分割，再使用本研究所提出之資料分群演算法將瑕 疵分群，且該演算法須具有高度的適應性與快速處理大型 資料庫的能力，以應付多變的情況以及高解析度的瑕疵影 像。
3. 高速檢測流程
為了系統能應用於線上製程，整體檢測流程需簡單有 效 ， 並 且 採 用 多 工 處 理 的 方 式 ， 因 此 使 用 雙 核 心 的 PC-BASED 系統，將檢測流程規劃給兩個執行緒同時執 行，以期在最短的時間內完成檢測。
三、以密度為基礎之快速資料分群演算法
以密度為基礎的分群演算法與人眼在判別是否有群 聚存在的概念相當類似，都是以資料在空間分佈的密集度 大小來決定群聚的形成。因此本研究使用以密度為基礎之 分群演算法來計算出瑕疵群聚數量與位置範圍，並進一步 改善演算法之缺點，也以實驗結果顯示改善前後的差異。
1. DBSCAN分群演算法
DBSCAN (Density-Based Clustering of Applications with Noise) [8]是一種典型以空間資料分布密度為基礎的分群演 算法。DBSCAN 利用資料密度的概念，先取資料庫中任意 一點 p 作為檢視密度區域的中心，再設定檢視區域的半徑 Eps，進行檢視區域查詢 (region query) 。若在檢視區域中 所存在的鄰居點 (neighborhood) 未超過事先定義的密度門 檻值 MinPts，則在檢視區域內的資料點將被定義為 noise，
Border point
Core point Noise
Radius = Eps MinPts = 6
圖2 核心點與邊界點示意圖
Noise
Radius = Eps MinPts = 6 p2
q1
q2 p3
p1
圖3 密度可到達與密度連接示意圖
或是屬於某群聚的邊界，而 p 點則被定義為邊界點 (border point)。反之，資料分布密度高於 MinPts，則代表檢視區域 內的資料點屬於同一群聚之集合，同時也將 p 點定義為核 心點 (core point)，圖 2 為核心點與邊界點示意圖。
演算法程序會從核心點的鄰居向全方向成長，凡是定 義為核心點的資料，都是群聚向外成長的種子點 (seed)，
並集合到種子列表 (seeds list)。且凡是查詢過的種子點都 從列表中刪除，直到列表中所有種子點都執行過檢視區域 查詢，則完成該次群聚的成長。
接著定義在群聚內各資料點之間的關係；以核心點 來看，在檢視區域內的資料點對於核心點是可以直接以 密度到達，而各個核心點之間則是以密度可到達解釋其 關係，剩下邊緣點之間的關係就定義為密度連接。圖 3 中 p1、p2、p3 為核心點，且彼此是密度可到達的關係，
q1、q2 為邊界點，二者為密度連接之關係。依此類推，
其餘的點也都有相對應的關係，了解這些訊息能進一步 幫助分析群聚現象。
雖然 DBSCAN 能有效的分群資料，但在流程中所花 費最多時間的步驟為檢視區域查詢。加上 DBSCAN 會對 資料庫中的每一點進行檢視區域查詢，使得處理時間會隨 著資料量越來越龐大而大幅增加。事實上，在判斷是否能 以密度向外成長時，理想的劃分檢視區域是以不重複劃分 為原則，因此找尋出適當的核心點，就不需要對資料庫每 一點都進行檢視區域查詢。
在文獻[9]的研究中，提出 IDBSCAN 分群演算法，將 檢視區域的圓周分為八等分。而每個區域有一個 MBO (Marked Bounder Object)，共有八點，並選取在檢視區域最 靠近這八個 MBO 來代表該區域向外成長的種子點，以減
q1
q2
q
p p
(a) (b)
圖4 (a) 核心點最遠距離示意圖 (b) 兩群聚合併示意圖
少 DBSCAN 所處理的資料數目。接著文獻[10]提出了以代 表點 (leaders) 的方法取代原有的資料庫，目的在於減少龐 大資料點數為 DBSCAN 所帶來的冗長運算時間。
而文獻[11]的 FDBSCAN 則是以檢視區域外圍尚未標 示之點作為下一個可能的成長種子點，以減少檢視區域的 重複，並利用密度可到達的原則，檢視相鄰兩群聚，是否 可將兩組群聚合併作為成長依據。文獻[12]的研究中，將 原始 DBSCAN 的 Eps 改為橢圓範圍，大小可隨鄰居分布 情形改變，以加強處理多變形狀群聚的能力。此適應性方 法可加強 Clustering 的效果，但其運算時間反而增加。
2. 以密度為基礎的分群演算法之改良
由上節的文獻得知，可以發現 DBSCAN 比起其他分 群演算法，很適合處理資料分布呈多變形狀的狀況。但隨 著資料量的增加，DBSCAN 的處理時間會呈現指數方式大 幅增加。因此若能改善重複劃分檢視區域的現象，便能有 效的節省處理時間。基於在劃分檢視區域時，應以重複區 域越少越好為概念。因此本研究提出一種改良型 DBSCAN 的 快 速 分 群 演 算 法 ： RDBSCAN (Rapid Density-Based Clustering of Applications with Noise) [13]。
在 RDBSCAN 中，只取用該次檢視區域中距離中心點 p最遠的一個核心點 q，作為下一次進行檢視區域查詢的中 心點 (next seed)。由圖 4(a)可以發現，以圖中的 p、q 做為 圓心個別劃分的兩個檢視區域重複的部份最少，且在沒有 新的種子加入時結束該次成長，因此這一階段的程序主要 的功能是快速找尋密度可到達的最長路徑。
相較於 DBSCAN 分群演算法，這一部份是捨棄全方 向成長的分群正確性，改以快速成長的方式來取代，雖 然運算時間大幅改進，但單一方向成長的方式會將一個 群聚分割為數個破碎的小群聚，為了修正這項缺失，本 方法再加入群合併之概念：當有一點 p 可以從一個核心 點 q1 直接以密度到達，且同時也可以從另一個核心點 q2 直接以密度到達，則 q1、q2 屬於同一群聚，如圖 4(b)所示。
由上述論點可以定義出合併的規則：在進行檢視區域查詢 時，若鄰居點中出現相異群聚的資料點，則將二組群聚合 併，如此便能有效的將快速成長所造成的破碎群聚合併成 正確的群聚。
point
point seeds list X1, Y1
X2, Y2
X3, Y3
Xn, Yn
seeds list
point noise
point cluster ID Point core point F
T
point seeds list
seeds list seed Seeds list is empty T
F F Cluster ID + 1
Seed F
T core point
T
seed seeds list
F
T seed
Noise
seed list
cluster ID
圖5 RDBSCAN演算法流程
本演算法改良的重點在於 RDBSCAN 是以 seeds 列表 距離檢視範圍中心最遠的點資料作為成長種子，並且配合 清空 seeds 列表這個動作，代表著不會重覆檢視其他鄰居 點，以達到快速的向外成長，直到清空後也沒有新的種子 加入，即結束該次成長。圖 5 為 RDBSCAN 演算法流程圖。
RDBSCAN在理論上是比 DBSCAN 還要節省分群運 算的時間。為印證其效能，本研究並以實際的六張樣本影 像比較兩者之運算時間。RDBSCAN 與 DBSCAN 測試結果 比較如圖 6 與圖 7 所示，測試結果之數據比較如表一所示。
四、偏光板瑕疵檢測與分群結果
本節針對偏光板規劃一自動化瑕疵檢測流程，首先以 實驗的方式設定分群演算法之參數，再以八張瑕疵影像作 為檢測之樣本，檢驗 RDBSCAN 分群演算法應用在偏光板 瑕疵區域檢測之效果。並實際即時檢測十張連續的偏光板 影像，記錄各時段處理程序之執行時間，以證明本檢測系 統具有即時檢測之能力。
1. 偏光板檢測流程
本檢測系統在檢測偏光板瑕疵之前，一開始需要先設
表一 RDBSCAN與DBSCAN測試結果比較表
圖片名稱 樣本 1 樣本 2 樣本 3 樣本 4 樣本 5 樣本 6 影像大小 240 × 240 240 × 240 240 × 240 536 × 536 390 × 390 1000 × 1000
瑕疵點數 1309 3457 4087 7537 10125 18275
Eps 15 21 11 45 25 45
MinPts 15 20 10 25 25 30
DBSCAN分群結果
瑕疵群數 4 4 4 2 3 50
執行時間 (ms) 16 63 78 297 453 1450 RDBSCAN分群結果
瑕疵群數 4 4 4 2 3 50
執行時間 (ms) 15 15 15 16 16 109
節省時間比例 (%) 6.3 76.2 80.8 94.6 96.5 92.5
(a) 1
(d) 4
(b) 2
(e) 5
(c) 3
(f) 6
圖6 RDBSCAN分群之實驗結果
定線性馬達的各項參數：移動速度、距離、加速度。影像 擷取卡的部份，需要設定取像頻率、曝光時間、暫存器大 小。接著同時啟動線性馬達與線型掃描攝影機，開始進行 擷取影像流程。
在檢測過程中，線型掃描攝影機會持續將資料存入影 像擷取卡之暫存記憶體中，而檢測程式會依照設定的頻率 讀取影像擷取卡之暫存記憶體。取得片段的影像後，利用 適應性門檻值進行影像分割，將偏光板瑕疵與背景分離成 為二值化的圖，再將二值化後的圖以 RDBSCAN 分群演算 法計算出片段影像中存在的瑕疵群數。並自動框選出各瑕 疵群聚的位置與範圍大小，完成一次片段影像處理後，繼 續讀取下一段影像，重複影像處理與瑕疵區域檢測，直到 檢測結束。
2. 偏光板瑕疵檢測與區域標記
經由瑕疵影像分割後，二值化影像顯示出的訊息為瑕 疵位置分佈，但在這些瑕疵點資料中有可能存在著一個以 上的瑕疵群，對於需要辨別瑕疵種類或是進行瑕疵定位等
0 200 400 600 800 1000 1200 1400 1600
1309 3457 4087 7537 10125 18275 Size of datasets
Execution time (ms)
DBSCAN RDBSCAN
圖7 RDBSCAN與DBSCAN演算法之運算時間比較圖
後續動作。這些含有一個或一個以上瑕疵的點資料會造成 辨別錯誤或錯誤定位的情形，因此必須要對這些瑕疵點資 料進行分群的動作，以獲得瑕疵數目與瑕疵分布範圍。
RDBSCAN所使用的參數必須根據偏光板瑕疵的特性 來設定，其中 Eps 與 MinPts 之間的比例就是資料密度。以 資料密度的觀點來看，密度越高也就是以越嚴格的條件來 搜尋群聚。優點是群聚形成都是分界明顯，缺點是對於分 佈鬆散但都屬於同一群聚的資料點而言，就不容易判別為 群聚。而密度越低也就是資料越容易形成群聚，優點是對 於鬆散資料能歸類在同一群，缺點是抑制雜訊的能力下 降。因此參數選用需根據不同的需求做設定。
在偏光板各種瑕疵中，指觸類的油污瑕疵與粉塵瑕疵 都屬於零碎分佈，指觸瑕疵因為手指指紋的間隔距離大多 介於 0.5 mm 至 1 mm。相較於粉塵瑕疵的隨機分佈，以指 紋的固定間距來設定 Eps 較為合適。因此以 0.5 mm 至 1 mm 的範圍除以一個像素的實際大小 (14 µm)，就可以推估 Eps 應設定為 35 到 71 pixels。如圖 8 所示，設定較小的 Eps 會在檢測該區塊時，無法連結到其他區塊，使得該區獨立 成為一個群聚。而設定適當的 Eps 就能有效的持續成長，
使整個指紋區域都歸類為同一群聚。
Less Eps Suitable Eps 圖8 不同Eps的分群比較圖
Image size: 1024 × 500 Eps = 45, MinPts = 25
Original defect image Defect segmentation Binary image
Clustering Cluster of binary image
Marking
Cluster of defect image 圖9 偏光板瑕疵影像處理與分群流程
設定 MinPts 參數的部份則是要取決於欲檢測到瑕疵 的最小尺寸，在此設定能檢測到最小瑕疵的尺寸為 70 µm × 70 µm，換算為像素剛好為 5 × 5 pixels，因此將 MinPts 設 定在 25 左右用以辨識出細微的粉塵或是細小刮痕。
圖 9 是檢測偏光板瑕疵區域的處理流程，首先從影像 擷取卡上的暫存記憶體讀取灰階影像資料，經過瑕疵影像分 割後會得到二值化影像。其中黑點為偏光板瑕疵的分佈狀 態，再利用 RDBSCAN 分群演算法將這些點資料 (set of points) 進行分群，並得到瑕疵群聚的數量與各群瑕疵之涵 蓋範圍，最後就可以在原始影像上將瑕疵框選出來。分群結 果有三個群聚，兩個小的群聚類似粉塵瑕疵，因為其瑕疵點 數有超過 25，故各自成為一個群聚。另一個是斷斷續續的 刮痕瑕疵，雖然瑕疵點的分佈沒有很密集連貫，但因為 Eps 適當的設定，能成功的將該群瑕疵點收集至同一群聚。
接著以五張偏光板典型瑕疵影像作為檢測之樣本，並 依照上述影像處理流程進行瑕疵區域檢測。每張影像的大 小為 1024 × 500 pixels，每個像素實際感測到的大小為 14 µm × 14 µm。圖 10 到圖 14 為每張瑕疵的原始瑕疵影像、
二值化瑕疵影像、二值化分群影像，以及瑕疵分群標示影 像與分群數目。圖 14 之樣本 e 改變Eps為 55，MinPts 為 25，結果會將數個較小瑕疵合併為一個瑕疵，顯見參數設
(a) (b)
(c) (d)
圖10 樣本 a 瑕疵區域檢測 (a) 原始瑕疵影像 (1024 × 500 pixels) (b) 二值化影像 (c) 分群結果 (Eps = 45, MinPts = 25) (d) 瑕疵區域標示影像 (分群數 目＝1)
(a) (b)
(c) (d)
圖11 樣本 b 瑕疵區域檢測 (a) 原始瑕疵影像 (1024 × 500 pixels) (b) 二值化影像 (c) 分群結果 (Eps = 45, MinPts = 20) (d) 瑕疵區域標示影像 (分群數 目＝3)
(a) (b)
(c) (d)
圖12 樣本 c 瑕疵區域檢測 (a) 原始瑕疵影像 (1024 × 500 pixels) (b) 二值化影像 (c) 分群結果 (Eps = 45, MinPts = 25) (d) 瑕疵區域標示影像 (分群數 目＝7)
定之重要性，同時亦可藉由較大之 MinPts 設定濾除雜訊。
3. 偏光板即時檢測與分群之多工處理
為了能有效發揮電腦運算的功能，本研究利用分段處 理的概念，有別於一般檢測系統是擷取完整張影像才進行 後續處理，而是將檢測時間細切成為微秒等級，也就是能
(a) (b)
(c) (d)
圖13 樣本 d 瑕疵區域檢測 (a) 原始瑕疵影像 (1024 × 500 pixels) (b) 二值化影像 (c) 分群結果 (Eps = 45, MinPts = 20) (d) 瑕疵區域標示影像 (分群數 目＝14)
(a) (b)
(c) (d)
圖14 樣本 e 瑕疵區域檢測 (a) 原始瑕疵影像 (1024 × 500 pixels) (b) 二值化影像 (c) 分群結果 (Eps = 55, MinPts = 25) (d) 瑕疵區域標示影像 (分群數 目＝18)
在擷取到偏光板影像後一秒之內判斷出有無瑕疵存在。其 原理是當線型掃描攝影機進行擷取影像時，是將影像資料 儲存在擷取卡內建的緩衝記憶體，而電腦的 CPU 此時是處 在無負載的狀態。因此依照固定的頻率將取到少量定量的 影像資料，交由電腦的 CPU 執行影像檢測處理，並使用多 執行緒的運算配置任務；一方面能在不干擾線型掃描攝影 機連續擷取影像，另一方面也讓電腦 CPU 分批處理小量的 影像資料，因此就能即時檢測出瑕疵的存在位置。其中影 像處理 (image processing) 包含影像縮小和影像分割，瑕 疵標註 (defect marking) 包含瑕疵分群與繪製瑕疵涵蓋範 圍，經過巧妙分配兩個執行緒的程序，即可達到即時檢測 的效果。而本檢測系統之線掃描速率 f 設定為 5 kHz，片 段影像長度 H 設定為 1000 pixels，因此可以計算出片段影 像週期時間 TP 為 200 ms，每次擷取片段影像大小為 4096
× 1000 pixels，且在線性馬達移動速度為 70 mm/s 的條件之 下，實際連續擷取兩秒鐘的偏光板表面影像，也就是總共 有十張瑕疵分群結果影像資料，同一時間也以多執行緒的 方式執行瑕疵檢測與分群運算，並以方框標示出各群瑕疵 的位置與範圍，如圖 15 所示。
最後實際測試本研究所架設的偏光板檢測雛型系
(b) Period 2
(c) Period 3
(d) Period 4
(e) Period 5
(g) Period 7
(a) Period 1 (f) Period 6
(h) Period 8
(i) Period 9
(j) Period 10
圖15 實 際 連 續 檢 測 偏 光 板 之 瑕 疵 分 群 結 果 影 像 (5 frame/s, 4096 × 1000 pixels/frame)
統，在一秒內確實擷取到 4096 × 5000 pixels 之偏光板影像 寬約 57 mm，並即時檢測出瑕疵與標訂出瑕疵範圍。藉由 圖 16 顯示在處理影像分割與瑕疵分群的執行時間上，每一 次週期都能在 200 ms 之內處理完畢，即表示本檢測系統能 達到即時性的偏光板瑕疵區域檢測。
五、結 論
本研究利用線型掃描攝影機連續掃描擷取影像之特 性，架設一自動化檢測機台模擬偏光板製程連續移送之動 作，即時檢測出偏光板表面瑕疵，並框選出瑕疵所涵蓋之 區域範圍，以提供後續發展動態切割系統之需求。以下簡 要說明本研究之成果：
1. 本研究提出一種以密度為基礎之改良型快速分群演算 法 ： RDBSCAN (Rapid Density-Based Clustering of Applications with Noise)，經實驗證明能大幅縮短運算時 間，且資料密度越大，所能節省的時間越多。
2. 整合取像系統、運動平台以及檢測軟體，完成一自動化 偏光板表面瑕疵檢測雛型系統：在硬體方面，以線型掃 描 攝 影 機 搭 配 使 用 高 速 線 性 馬 達 運 動 平 台 ， 並 由
1
172
94
12452 2
156
32
4180 3
156
62
11008 4
156
62
13348 5
193
126
26752 6
188
92
22856 7
187
62
20628 8
172
62
19920 9
156
62
6916 10
156
32
7056
1 2 3 4 5 6 7 8 9 10
0 50 100 150 200
Execution time (ms)
Period
Defect marking Image processing
Execution period (200 ms)
Image processing
(ms) Defect marking
(ms) Number of
defect points
圖16 偏光板檢測程序執行時間圖
PC-BASED整合為自動化取像系統。在軟體方面，使用 適應性門檻值與二值化技術來處理瑕疵影像分割，並以 所提出之快速分群演算法 (RDBSCAN) 成功檢測影像 中瑕疵區域之位置與範圍。
3. 將連續擷取之偏光板影像，以片段影像資料的形式，由 多執行緒的方式分配檢測流程給予雙核心電腦處理，達 成檢測平台移動速度在 70 mm/s 的條件下，單一 CCD 每秒可連續檢測寬約 57 mm 偏光板表面瑕疵區域影像。
誌 謝
感謝教育部技專院校「發展重點學校特色專案」台灣 科大-顯示器科技特色發展計畫之經費補助 (九十四-九 十六年度)，教育部影像顯示科技設備與材料人才培訓中心 (原北東區) 之部份設備補助，以及力特光電股份有限公司 提供測試用樣本與相關協助。
參考文獻
1. 黃良華，「應用理想解類似度順序偏好法於偏光膜之瑕 疵檢測」，碩士論文，臺灣科技大學，台北 (2004)。
2. 趙新民，「應用非線性擴散於非同質性紋路之 ITO 導電 玻璃表面檢測」，碩士論文，元智大學，桃園 (2003)。
3. 陳學宇和蔡孟儒，「應用機器視覺於 LCD 擴散片之檢 測」，第五屆全國 AOI 論壇，新竹，第 396-406 頁 (2005)。
4. 吳木杏，「彩色濾光片表面瑕疵檢測分析」，碩士論文，
臺灣大學，台北 (2000)。
5. 洪崇祐，「應用一維傅立葉分析於 TFT-LCD 液晶顯示 面板之瑕疵檢測」，碩士論文，元智大學，桃園 (2004)。
6. 曾彥馨，「應用機器視覺於 TFT 面板之表面瑕疵檢測與 分類」，碩士論文，元智大學，桃園 (2003)。
7. Tsai, D. M. and Huang, T. Y., “Automated Surface Inspection for Statistical Textures,” Image and Vision Computing, Vol. 21, No. 4, pp. 307-323 (2003).
8. Ester, M., Kriegel, H. P., Sander, J., and Xu, X., “A Density-Based Algorithm for Discovering Clusters in Large Spatial Databases with Noise,” Proceedings, the Second International Conference on Knowledge Dis- covery and Data Mining, pp. 226-231 (1996).
9. Borah, B. and Bhattacharyya, D. K., “An Improved Sampling-Based DBSCAN for Large Spatial Databases,”
Intelligent Sensing and Information Processing, pp. 92-96 (2004).
10. Viswanath, P. and Pinkesh, R., “l-DBSCAN : A Fast Hybrid Density Based Clustering Method,” Pattern Recognition, 2006. ICPR 2006. 18th International Confer- ence, Vol. 1, pp. 912-915 (2006).
11. Liu, B., “A Fast Density-Based Clustering Algorithm for Large Databases, ” Machine Learning and Cybernetics, 2006 International Conference on, pp. 996-1000, August (2006).
12. Ma, D. and Zhang, A., “An Adaptive Density-Based Clustering Algorithm for Spatial Database with Noise,”
Data Mining, ICDM 2004. Proceedings, Fourth IEEE International Conference, pp. 467-470 (2004).
13. 吳宗諭，「一種以密度為基礎之改良型快速分群演算法 及即時偏光板瑕疵區域檢測之應用」，碩士論文，臺灣 科技大學自動化及控制研究所，台北 (2007)。
14. 泰 洛 科 技 股 份 有 限 公 司 http://www.nowa.com.tw/ ， (2008)。
15. 線性掃瞄數位攝影機規格表 http://www.dalsa.com/mv/
products/cameradetail.aspx?partNumber=P2-2x-08K40， (2008)。
16. 影像擷取卡規格表 http://www.dalsa.com/mv/products/
fgvpdetail.aspx?partNumber=OR-X1C0-XPD00，(2008)。
17. 光學鏡頭規格表 http://www.robertwhite.co.uk/product.
asp?P_ID=1869&PT_ID=444，(2008)。
18. 鹵 素 燈 線 型 光 源 規 格 表 http://www.nowa.com.tw/
download/pdf/hayashi/LA-150UX_UE.pdf，(2008)。
19. 線性馬達規格表 http:// www.hiwin.com/，(2008)。
20. 力特光電股份有限公司 http://www.optimax.com.tw/，
(2008)。
2009年 02 月 05 日 收稿 2009年 02 月 13 日 初審 2009年 03 月 18 日 複審 2009年 04 月 03 日 接受
