有機發光二極體有機發光層瑕疵檢測系統之開發

行政院國家科學委員會專題研究計畫 成果報告

有機發光二極體有機發光層瑕疵檢測系統之開發 研究成果報告(精簡版)

計 畫 類 別 ： 個別型

計 畫 編 號 ： NSC 99-2221-E-011-009-

執 行 期 間 ： 99 年 08 月 01 日至 100 年 07 月 31 日 執 行 單 位 ： 國立臺灣科技大學材料科學與工程學系

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：吳聲柏 博士班研究生-兼任助理人員：廖建鈞

處 理 方 式 ： 本計畫涉及專利或其他智慧財產權，1 年後可公開查詢

中 華 民 國 100 年 10 月 29 日

行政院國家科學委員會專題研究計畫成果報告

有機發光二極體有機發光層瑕疵檢測系統之開發

Development of a Defect Inspection System for Organic Emitting Layer of OLED 計 畫 編 號：NSC 99-2221-E-011-009-

執 行 期 限：99 年 08 月 01 日至 100 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 吳聲柏 台灣科技大學材料科學與工程學系 一、中文摘要

有機發光層是有機發光二極體(OLED)的 主要發光層，該層為透明薄膜層，若要利用人 工檢測方式極為困難且容易失誤，故此目前極 需建立一系統，使得專業檢測能更具標準化與 效率，所以本研究針對有機發光層瑕疵外觀，

應用影像處理來開發一套自動檢測系統，而檢 測的有機發光層瑕疵包括刮痕、氣泡、塗佈不 均、雜點四類。因有機發光層為透明層所以需 要利用紫外光線激發瑕疵樣本，瑕疵部分會被 激發顯影，再進而擷取該瑕疵影像。在影像處 理過程中，先利用中央加權中值濾波器減少脈 衝雜訊，由於瑕疵影像灰階差異不大，無法以 一固定門檻值完整分割所有瑕疵類別，故使用 統計式門檻值決定灰階值大小，以選擇一個或 兩個最佳門檻值來分割出瑕疵區域，再配合形 態學中的閉合運算使瑕疵輪廓更平滑完整，並 選擇瑕疵厚度、質心灰階對比和緊緻性做為瑕 疵特徵。在瑕疵樣本方面，搜集 80 筆瑕疵樣 本，利用模糊類神經建立資料庫且分類，並規 劃以不同數量之訓練樣本與固定的測試樣本 進行實驗，結果顯示在訓練樣本為 30 筆以上 時，其辨識率皆可達到 100%，驗證了模糊類 神經網路在訓練樣本足夠的資料庫下，可獲得 相當準確的辨識率，成功被應用於 OLED 有 機發光層瑕疵自動檢測系統。

關鍵字：有機發光層、有機發光二極體、影像 處理、模糊類神經。

Abstract

The organic emitting layer is a transparent film layer. It’s difficult to inspect the emitting layer defects by the human and easily leads to fault inspection. The standardized OLED

(Organic Light Emitting Diode) defect detection system must be built. This study applies image processing and appropriate classifiers to develop an image inspection system for organic emitting layer defects. The organic emitting layer defects can be divided into four groups: scratch, air bubble, dust particle and coating nonuniformity.

Because the organic emitting layer is a transparent film layer, we use ultraviolet light (UV) to excite the defect sample. The defect area will be excited and we capture the digital image. In image processing, the center weighted median filter is used to reduce the impulse noise of images. Since the gray values of all the defects are close to each other, we cannot segment entire defect-areas of four defects by a fixed threshold value. Therefore, the statistical threshold value decision method is used to choose one or two optimal threshold values with the difference of gray values in image segmentation, and then we use the closing operator in morphology to smooth the contour of defects. The compactness, thickness difference and centroid of gray scale contrast are selected as defect features. We divide 80 defect samples into two groups, which are the different amount of training samples and the fixed amount of testing samples for experiment.

Finally, we have a database with the fuzzy neural network (FNN), which is trained by the training samples, and recognize the testing samples with the database. The result shows that the recognition rate is 100% when the amount of training samples is more than or equal to 30.

The FNN can achieve a high recognition rate

with enough training samples in the database,

and it can be successfully applied to the

inspection of the organic emitting layer defects

of OLED.

Keywords: Organic Emitting Layer, Organic Light Emitting Diode (OLED), Image Process, Fuzzy Neural Network.

二、緒論

隨著各類手持式資訊產品興起，顯示器扮 演人機溝通介面角色顯得越來越重要，電子 紙、手機、數位相機、PDA 以及數位電視等 產品不斷推陳出新，未來顯示器將朝多功能且 方便攜帶的輕薄短小方向發展；而有機發光二 極體(Organic Light Emitting Diode，OLED)之 特性正巧是薄型化顯示器未來發展重要組件 之一。OLED 因為所需的資本門檻較小，且本 身具有自發光色性質(不需背光模組、彩色濾 光片以及偏光膜)，可大幅降低成本及減少顯 示器厚度(＜2nm)，還有高亮度、較無視角限 制(＞165°)、高反應速度(10ηs 以下)、低驅動 電壓(5.15V)以及可繞曲與製程簡單等優點，

OLED 在未來極具市場潛力及產品競爭力。

然而目前 OLED 實際量產方面，面臨良率 不佳而無法量產的問題。良率不高起因於「有 機薄膜」製程中，有機薄膜層塗佈不良導致失 敗；為了提高 OLED 的製程良率與顯示品質，

其所對應的檢測技術也相形重要。在這些檢測 技術當中，又以自動光學檢測系統[1]最受矚 目，不但可以降低檢測成本，提高檢測速度及 減少誤判率，達到自動化檢測準確、即時線上 檢測、減少人力與人為誤判等優點。

OLED 的基本結構是由薄而透明且具半導 體特性之銦錫氧化物(Indium Tin Oxide，ITO) 與電力之正極相連，再加上另一個金屬陰極，

包成如三明治的結構。整個結構層中包括了：

電洞傳輸層(Hole Transport Layer，HTL)、有 機發光層(Emitting Material Layer，EL)與電子 傳輸層(Electron Transport Layer，ETL)。當電 力供應至適當電壓時，正極電洞與陰極電荷就 會在發光層中結合並產生光亮，依其配方不同 產生紅、綠和藍(RGB)三原色構成基本色彩。

有機發光層之低分子化合物是利用蒸鍍法聚 合以及塗佈法所形成，而發光層的基本條件是 固態時具有高的量子吸收率、好的成膜性和高 的載體傳輸性，故此良好的有機成膜技術是影 響有機發光二極體品質重要特性之一。

由於有機發光層於生產檢測過程中，前段 製程需仰賴許多儀器設備，而後段製程則需大 量人員以目視方式來做檢測，而利用人工檢測 不僅費時而且容易因疲勞而產生檢測失誤。若

有機發光層需求量越來越大，且成本及價值愈 高時， OLED 製造業者會開始要求逐片做材料 檢驗，如此更增加 OLED 的成本，因此客觀 公正的第三者專業檢測服務將可做為重要依 據，所以本論文針對有機發光二極體中的有機 發光層，應用影像處理技術來開發一套自動瑕 疵檢測系統，期望以快速且準確的檢測結果來 取代因人為因素所造成的錯誤。

自動光學檢測系統[1]，應用在有機發光二 極體瑕疵檢測系統上，會碰到的問題為：有機 發光層與導電層皆為透明薄膜層，且在製程當 中發光層與導電層是互相重疊緊貼；若直接取 像所要克服之主要問題有：光學鏡頭對透明薄 膜層取像不容易、導電層光線繞射容易造成影 像干擾以及影像亮度過低；因此在文獻探討上 以此為開端，針對研究前會碰到的問題，延伸 探討至整個論文，接下來文獻探討依序會介 紹：有機發光層發光層螢光效應、影像品質提 升、影像分割、特徵值擷取以及分類器辨識等 文獻探討。

有機發光層為透明薄膜層，影像擷取不 易，需使用它種光線顯影；楊富名[2]探討紫 外光照射對有機材料的螢光顯影與影響，並且 使用 X 光電子能譜儀探討紫外光線對有機材 料的傷害程度與安全範圍。

影像擷取容易受到環境條件影響，若是多 塵埃、濕氣狀況下，容易造成影像中含有雜訊 干擾，更尤其是有機發光二極體當中的透明導 電層，容易造成光線繞射產生雜訊；而且若用 紫外光取像，影像亮度值過低，需利用影像品 質提升方法去除雜訊以及提昇亮度； C. J.

Huang 等人[3]在晶元瑕疵檢測中使用中值濾 波器有效的將隨機雜訊消除且對原始瑕疵特 徵影響不大；S. J. Ko 和 Y. H. Lee[4]經由加權 的方式改良中值濾波器，除了可抑制雜訊干擾 外，還可保留影像中的紋理特性。M. Unser 等人[5]採用內插方法放大離散訊號，提升影 像品質，而劉鴻明[6]更是匯整提出改良內插 法的最近鄰相內插法使得品質改善效果更佳 且演算速度更快。

成功的影像分割必須先取得良好二值化影

像，因為環境因素的些微變動，門檻值的取得

也必須能夠隨著影像資訊變動而自動化調

整，例如 N. Otsu [7]藉由統計式方法找出影像

前景與背景的灰階分水嶺觀念能有效將影像

二值化。J. N. Kapur 等人[8]提出了一個類似

Otsu 的概念，計算消息理論中的平均消息量，

稱為熵，當作此影像的最佳門檻值。

瑕疵檢測系統最終目的就是要能將瑕疵正 確辨識，而特徵值比對在影像辨識中最常被廣 泛應用，經由特徵擷取後，需將重要的訊息做 分類，從中找尋出重要的意義才能達到正確分 類目標。物體特徵一般有三種：外形特徵、紋 理特徵及結構特徵；T. Markiewicz 等人[9]主 要是依據 Unser 演算與 Markov random field 法來進行細胞辨識；李玫憶[10]使用面積、輪 廓周長、似圓性、物體距離、緊湊度、圖形孔 洞、影像區域數以及長短軸比來探討細胞中複 雜的蛋白質分佈；由文獻探討進一步了解瑕疵 特徵值是影響辨識成功率很重要之關鍵，好的 瑕疵檢測系統，必須選擇適合的特徵值。

瑕疵檢測另一目的在於辨識有無瑕疵並且 進一步分類出瑕疵種類，從人工統計、機率統 計到類神經分類都是辨別瑕疵種類辦法，不過 人工判別容易誤判，而不同瑕疵種類配合不同 的分類器也有不同的效果出現，故此必須探討 文獻，選擇符合該瑕疵檢測特徵值與分類器；

C. T. Su 等人[11]提到利用人工檢測方法的誤 判風險，並提出利用倒傳遞、半徑基底函數網 路及學習向量量化三種類神經網路，來避免傳 統檢測潛在風險及提升成功辨識率。張子仁 [12] 提 出 應 用 在 樣 板 校 準 的 模 糊 類 神 經 網 路，其所推薦的模糊類神經網路校準系統係利 用倒傳遞網路運作，利用模糊推論降低量測所 造成的雜訊干擾，將機器視覺與糢糊類神經網 路運用於樣板校準，有不錯的分類結果。

三、研究理論

目前 OLED 為尚未大量且標準化之生產產 品，故此次 OLED 瑕疵樣本是由中山科學研 究院 OLED 實驗產線所取得，收集足夠瑕疵 樣本之後，經過文獻定義瑕疵種類，再與產線 人員針對 OLED 有機發光層瑕疵探討與研 究，進而訂定出學術與業界一致認可之瑕疵種 類。

在實驗過程中先利用 CCD 拍攝瑕疵影像 並透過影像擷取卡將所擷取到的影像數位 化。依照一般瑕疵檢測系統的流程，先判斷檢 測影像是否為瑕疵影像，如為瑕疵影像則加以 濾波處理去除雜訊干擾，再利用統計式門檻值 分割出影像中的瑕疵區域部分，此目的為突顯 影像中之瑕疵資訊；接著利用形態學上的閉合

運算填補影像破碎部分，使分割出的瑕疵區域 具有完整的瑕疵輪廓。得到完整瑕疵輪廓後即 可利用特徵抽取程式計算選定之特徵值，其中 包含有厚度差、質心灰階對比及緊緻性三種特 徵值，再將其特徵值輸入模糊類神經網路分類 器中，進行刮痕、氣泡、塗佈不均與雜點四種 瑕疵分類。進而探討其分類結果，並分析瑕疵 特徵是否適用於有機發光層瑕疵的辨識上。

3.1 數位影像處理

影像處理是將已經轉換成數位信號之影像 資訊以特定方式處理成需要之型態。而影像技 術應用非常廣泛，最常見為影像辨識與量測 等，有別於人眼觀測，雖然數位化可靠度極高 也容易因環境問題而造成偏差，例如光源與擷 取影像的外在條件等問題，也就因此衍生出許 多影像處理技術，例如影像品質提升、影像分 割與影像辨識等。

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)[13]，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 子影像如圖 1 所示。在中心位置之 灰階值為 220，該像素點與周圍八個像素差異 值極大，故此該像素有可能是雜訊點。在去除 該雜訊點方法利用中央加權中值濾波器對子 影像做運算。假設，令加權值為 W=3，以圖 4 的九個像素值改變為數列 3,3,1,2,220,220,220, 1,1,1,2。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 1,1,1,1,2,2,3,3,220,220,220,則中值為 2。若加權值為 W=1 時，則中央加權中值法等 於中值法，而本研究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。

3 3 1 2 220 1 1 1 2 圖 1 待濾波之 3×3 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[7]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，如圖 3 所示的 C 和

₁

C 。在

₂

C 區內的任一像素其灰

₁

階值 f(x,y)必定滿足 0  f ( x , y )  T

^*

，且 C 區內

₂

的 任 一 像 素 其 灰 階 值

f( yx, )

必 定 滿 足

255 ) , (

*

 1  f x y 

T 。Otsu 提出兩個條件，只

要任何一者成立即可。

圖 3 影像中像素分二區的例子

第一個條件為

T^*

的決定，使得 C

1

和 C

2

之 間的變異數(Between-Variance)為最大；第二 個條件為 C

1

內的變異數加上 C

2

的變異數之和 為最小。關於第一個條件，可想成 C

1

和 C

2

可分得最開；第二個條件，則可想成 C

1

和 C

2

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

_W²

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

_W²

來當作

T^*

，而這個

T^*

就是將原始影像分割為

C 和

1

C 兩區的最佳門檻值。

₂

3.1.2 形態學運算[13]

斷開(Opening)運算是指先對影像作侵蝕 再膨脹的運算，這樣的步驟可用來消除影像中

之雜訊小點、平滑輪廓、打斷窄的細頸及消除 小島狀物體。

閉 合 (Closing) 運 算 是 與 斷 開 相 反 的 動 作，即先對影像作膨脹再侵蝕的運算。在閉合 過程中即可消除影像中之小洞、連結斷線及填 補輪廓上的缺口。

3.2 特徵值擷取[14]

本研究根據有機發光層瑕疵外觀指標來 選取特徵值，經由觀察瑕疵外觀特性，擬選擇 瑕疵緊緻性、厚度差及質心灰階對比三種特徵 值。以下分別介紹三種特徵值的計算方式：

a.緊緻性

緊緻性(Compactness)是屬於形狀上的特徵 值，藉由影像物體的面積與周長的關係，來描 述其物體的圓形曲率與緊密度的外形特徵。

現有一物體的面積為

A

，周長為

P

，則緊 緻性( C )的定義如下：

A C P



2

(1) 實例當中，若影像同時含兩個以上瑕疵區 塊，利用式(1)計算瑕疵緊緻性容易造成結果 不正確，這是因為將兩個以上的面積以及周長 合併計算原故，故此必須將瑕疵區域獨立出 來，藉由權重加總方式使得瑕疵緊緻性更為正 確，而權重後的緊緻性可將式(1)表示成式(2)：

 ^



^L

i

i i i

A a a C P

2

(2) 其中 P 為影像中第

_i i

個瑕疵區塊之周長， a 為

_i

第

i

個瑕疵區塊之面積。而式(2)中可經由消去

a 簡化成式(3)：

i



 ^L

i i

A C P

2

(3) b.厚度差

在影像處理當中，厚度的計算可藉由型態 學之侵蝕運算達成，重複侵蝕瑕疵區塊直到瑕 疵區塊完全消失，即停止運算，而侵蝕的次數 的 2 倍即為瑕疵厚度；然而為了突顯塗佈不均 之長條型特性與氣泡瑕疵長短軸相似之特 性，此時將侵蝕運算子分為二，分別是上下方 向侵蝕運算子與左右方向侵蝕運算子，上下運 算子計算瑕疵上下方向厚度值，左右運算子計 算瑕疵左右寬度厚度值，而厚度差則定義為瑕 疵上下厚度與左右厚度差。

c.質心灰階對比

質心灰階對比定義為質心灰階值比上背景

平均灰階值對比值，而因為質心計算出來為一 個點，為了提高抓取質心灰階值正確率，進而 將質心擴大抓取 5×5 Pixel 矩陣大小灰階平均 值，其定義如式(4)：

avg avg

B

CGC  C (4)

其中 C

avg

為瑕疵質心平均灰階值，而 B

avg

為瑕 疵背景平均灰階值。

3.3模糊類神經基本原理[15-18]

近年來已經有許多將模糊邏輯和類神經網 路結合的研究，陸續不斷的被提出。相對於模 糊邏輯系統或類神經網路而言，模糊類神經網 路(Fuzzy Neural Network，FNN)擁有上述兩者 的優點，即模糊推論機制處理不確定訊息的能 力[19-20]。

模糊類神經網路由於網路本身具有外部遞 迴的連接形式，所以擁有和遞迴式類神經網路 一樣的動態特性和強健控制的性能，而且網路 的函數能夠經由模糊推理機制來分析[21]。

圖4 模糊類神經架構圖

本研究採用一結構較簡單的遞迴式模糊類 神經網路，並利用線上動態倒傳遞演算法則來 訓練此遞迴式模糊類神經網路，其目的將三種 特徵值數據資訊辨識分類成四種瑕疵種類；在 架構上總共有四層，分別為輸入層、模糊層、

隱藏層以及輸出層，輸入層為3個特徵值的輸 入節點；模糊層採用的是三角型函數作為歸屬 函數，將數據語意化為極大、大、中以及小，

因三種特徵值語四種語意變化，故會有 3×4=12總共12個歸屬函數節點；而隱藏層根 據經驗設定成歸屬函數節點與輸出節點和之

一半(12+4)/2=8，故有8個隱藏節點；最後將輸 出層結果綜合輸出即為分類結果，模糊類神經 架構如圖4所示。

a. L

1

第一層輸入層

第一層是輸入層，不負責實際運算，目的 將外界輸入直接倒入下一層。

b. L

2

第二層歸屬函數層

本層的每一個神經元代表一個歸屬函數特 性。而根據實驗特色，本研究使用如圖 5 之三 角型歸屬函數將數據語意化為極大、大、中以 及小，其函數如式(5)：

( 5 )

圖 5 三角形歸屬函數 c. L

3

第三層隱藏層與 L

4

第四層輸出層 1.設定網路的參數：i 為歸屬函數層神經元個

數、 h 為隱藏層神經元個數、j 為輸出層神經 元個數、學習數率 η 習慣性因子 α。

2.以隨機亂數設定網路的

W _xh

、

W _hy

、

h



_

及 

_y

。其中

W _xh

為歸屬函數層與 隱藏層間的加權值，

W _hy

為隱藏層與輸出 層的加權值，θ_h 為隱藏層的偏權值， 

_y

為輸出層的偏權值。

3.輸入訓練向量

X

及目標輸出向量

T

。 4.計算推論輸出向量

Y

。

(a) 計算隱藏層輸出變數向量

H

 

 ^{ }



i

h i ih

h

W xh X

net _  (6)

 _

^



i net

h _h

H 1 exp

1 (7) 其中 net 和

_h

H 為分別為隱藏層第 h 個神

_h

經元的加權乘積和其輸出值。

(b) 計算推論輸出向量

Y

 

 ^{ }



h

j h hj

j

W hy H

net _  (8) ^

^{A( X)}

















 





 

 

x c 0

c z b

b x a

a x 0

c b

x c a b

a

x

netj

Y

j _

 

exp 1

1 (9) 其中

net_j

和

Y_j

分別為輸出層第

j

個神經 元的加權乘積和其推論輸出值。

5.計算輸出層和隱藏層的差距向量  。 (a) 計算輸出層差距量 

_j



j

 

j j



j

j

 Y  1  Y  T  Y

 (10) 其中  是輸出層第

_j j

個神經元的差距 量。

(b) 計算隱藏層差距量 

_h

 ^  ^  ^





j

j hj h

h

h

H H W hy 

 1 _ (11)

其中 

_h

是隱藏層第 h 個神經元的差距 量。

6.計算各層神經元間加權值修正量及偏權值 修正量。

(a) 計算輸出層權值修正量

hj h

j

hj H W hy

hy

W

_       _



  

(12)

j j

j

   

      

 (13) 其中

W _hy_hj

為隱藏層第 h 個神經元與 輸 出 層 第

j

個 神 經 元 間 的 加 權 值 修 正 量，





_j

為輸出層第

j

個神經元的偏權值 修量。

(b) 計算隱藏層權值修正量

ih i

h

ih X W xh

xh

W_      _



   (14)

h h

h

   

      

 (15) 其中  W _ xh

_ih

為輸入層第

i

個神經元與 隱 藏 層 第 h 個神經元間的加權值修正 量，  為隱藏層第 h 個神經元的偏權值 

_h

修正量。

7.更新網路各層間的加權值與偏權值。

(a) 更 新 隱 藏 層 與 輸 出 層 間 的 加 權 值

hyhj

W _

與偏權值 

_j

hj hj

hj

W hy W hy

hy

W _  _   _ (16)

j j

j

 

    (17) (b) 更 新 輸 出 層 與 隱 藏 層 間 的 加 權 值

xh

ih

W _ 與偏權值 

_h

ih ih

ih

W xh W xh

xh

W _  _   _ (18)

h h

h

 

    (19) 8.重複步驟 3～7 直到網路收斂。

定 義 一 誤 差 平 方 和 函 數 (Mean Squared Error，MSE)來測試網路是否達到收歛，其 結果在小於一合理範圍內即可達到收歛。

 

 ^



j

T

j

Y

j

MSE

²

2

1 (20) d. 輸出層將前一層隱藏層演算結果做結合，

最後透過 L

5

辨識出瑕疵種類。

四、實驗規劃與結果討論

由於有機薄膜層為透明薄膜層，所以在光 源上不使用自然光而是使用紫外光，目的在於 激發有機薄膜層，經過紫外光激發有機薄膜層 會造成螢光顯影，有瑕疵區塊灰階亮度會高於 無瑕疵影像灰階亮度，故此會顯影出有瑕疵之 影像。

如上述所提及，顯影的瑕疵影像雖然亮度 過低，但有瑕疵影像部分其灰階度會高於無瑕 疵影像灰階度，故此可利用灰階度來判斷有無 瑕疵，研究中採用機率統計中最常用為統計分 佈程度的標準差(Standard Deviation)來分析影 像中像素分佈的情形，簡單來說標準差就是利 用有瑕疵影像與無瑕疵影像灰階值差異，來描 述瑕疵分佈程度；瑕疵像素可看成影像中的雜 訊干擾，因此可藉由雜訊的分佈程度，來判斷 影像中是否有瑕疵的存在。一張影像標準差定 義如式(21)：

 



 

 



^M

x N y

f y x N f

M

_{1 1}

)

2

, 1 (

 (21) 其中 f(x,y)為待檢測影像的灰階值， f 為無瑕 疵影像的平均灰階值。根據標準差的定義，可 以得知影像中像素灰階差異小有較小的標準 差，表示影像中沒有瑕疵或者有些許的雜訊干 擾；反之灰階差異大則有較大的標準差，即影 像中確定有瑕疵的存在；本實驗測試之無瑕疵 影像的標準差數值分佈在 0~2 之間，故經由試 誤法設定 σ＞3，即判斷檢測影像為瑕疵影像。

判斷為瑕疵影像後，雖然紫外光能讓有瑕 疵的有機發光層顯影，不過因為去除自然光因 素，使得瑕疵影像灰階值差異不明顯，此時就 必需透過影像品質提升來增加灰階值差異幅 度，在提升灰階亮度方面使用最近鄰內插法，

明顯提升瑕疵影像資訊；不過此時影像內含雜 訊量依然過高，必需透過濾波器消除雜訊，其 中又以中央加權中值法濾波器效果最好，能夠 消除雜訊又能保留刮痕瑕疵的特徵值。

此時再透過統計式門檻值將瑕疵像素分割

出來，將瑕疵影像分割成瑕疵主體與背景，通

常分割出的背景型態還是過於破碎，故此要利

用型態學上的閉合運算來填補瑕疵輪廓上的

缺口，使得瑕疵型態更為完整；配合特徵抽取 程式計算出選定的三種特徵值，由特徵值建立 而成的資料庫，再將其數值輸入至模糊類神經 網路，即可獲得推論輸出值來判斷瑕疵種類，

實驗流程如圖 6 所示：

圖 6 實驗流程

(a)氣泡 (b)塗佈不均

(c)雜點 (d)刮痕

圖 7 有機發光層瑕疵 4.1 有機發光層瑕疵樣本

在本研究架構裡，有機發光層瑕疵共擷取 了各 20 筆氣泡、塗佈不均、雜點與刮痕四種 常見瑕疵，合計 80 筆有機發光層瑕疵樣本，

每張瑕疵影像大小為 256 × 256 像素，其中有 機發光層瑕疵的名稱是根據中山科學研究院 有機發光二極體實驗生產線之專業知識判斷

後來命名。以下將每種瑕疵各舉三張影像為 例，不過，由於原始影像灰階差異過低，導致 肉眼不易觀察，圖 7 是經過提升灰階能量處理 的樣本照片。

本研究所檢測之有機發光層瑕疵影像，由 於瑕疵像素與背景像素的灰階差異不是非常 明顯，若以單一門檻值做為分割瑕疵像素的標 準，將無法完整分離所有有機發光層瑕疵的瑕 疵像素，因此研究中採用 Otsu 所提的統計式 門檻值，並根據每張瑕疵影像不同的平均灰階 值，來決定二值化之最佳門檻值。

(a)氣泡 (b)塗佈不均

(c)雜點 (d)刮痕

圖 8 瑕疵影像形態運算

經過 Otsu 門檻值決定二值化圖像，雖然可 以成功區分瑕疵部分，但此時瑕疵區塊仍過於 破碎，需透過型態學運算，做輪廓補強動作，

使用開放運算去除影像當中的雜訊，而閉合運 算則可以填補瑕疵中區塊破碎部分，不過雜點 瑕疵經過閉合運算容易使得區塊合併，而開放 運算則容易因為瑕疵面積過小使得雜點瑕疵 消失，故此針對該狀況，先行設定一判斷值，

當瑕疵面積小於總面積 3%時，不做開放與閉 合型態學運算，這麼一來就能保留雜點瑕疵特 徵，也能夠繼續處理其他瑕疵，進而填補破碎 缺洞與消除雜訊。圖 8 即為經過型態學運算後 之完整瑕疵影像。

4.2 瑕疵特徵擷取

本研究根據有機發光層瑕疵外觀指標來選

取特徵值，經由觀察瑕疵外觀特性，發現瑕疵

緊緻性、厚度差及質心灰階對比三種特徵值可

有效將四種瑕疵分類。我們可推論所選擇之三

種特徵值可將有機發光層瑕疵如以下流程做 分類：首先，透過緊緻性可以清楚區分刮痕瑕 疵，由於刮痕輪廓較長面積較小所以緊致性會 極大；接著利用質心灰階對比可以順利區分雜 點瑕疵，而該特徵值是根據雜點質心灰階值皆 相近於背景特性，故此質心灰階對比可辨別雜 點瑕疵；最後以厚度差判別出塗佈不均與氣泡 瑕疵，其厚度差是突顯塗佈不均狹長型的瑕疵 型態特性，以及氣泡長寬相似之特性。

經由上述介紹特徵值的計算方法，進而將 80 筆瑕疵樣本特徵值計算出來，為了更容易 看出四種瑕疵的區別，我們利用平均值的方式 表示如表 1。而圖 9 與圖 10 為三種特徵值的 相對分佈圖。

表 1 瑕疵特徵平均值

瑕疵種類 緊緻性 厚度差 質心灰階對比

氣泡 7.891 6.1 3.560 塗佈不均 16.153 58.6 3.262 雜點 25.513 2.8 1.101 刮痕 258.859 2.6 1.778

0 10 20 30 40 50 60 70

0 50 100 150 200 250 300 350

緊緻性

厚度差

刮痕 氣泡 塗佈不均 雜點

圖 9 緊緻性與厚度差之分佈圖

0 0.5 1 1.5 2 2.5 3 3.5 4 4.5

0 50 100 150 200 250 300 350

緊緻性

質心灰階對比

刮痕 氣泡 塗佈不均 雜點

圖 10 瑕疵緊緻性與質心灰階對比之分佈圖 由圖 9 緊緻性與厚度差之分佈圖觀察，很 明顯的將四種瑕疵分成三個區塊，若以紅色弧 線來區分，可分為區域內的氣泡與雜點、區域 右側的刮痕以及區域上方的塗佈不均瑕疵，唯 一的缺點是在區域內的氣泡與雜點瑕疵混雜 在一起，故此必需再增加一特徵值，以利於區 分弧線內混雜的兩者。

如圖 10 所示，可觀察出原先混雜在一起的 雜點與氣泡已區分開來，且將瑕疵分為三種區

域，雖然此圖氣泡與塗佈不均仍混雜在一起，

不過由於圖 9 當中可觀察到緊緻性與厚度差 特徵已將兩者分開，故此由兩張特徵分佈圖初 步可判斷選取的三個特徵值可有效辨識待判 別之四種瑕疵，而其分類結果驗證將在下章節 使用模糊類神經驗證。

4.3 模糊類神經瑕疵分類

最後將 80 筆統計數據導入模糊類神經分 類器，其目的將三種特徵值數據資訊辨識分類 成四種瑕疵種類；在架構上總共有四層，分別 為輸入層、模糊層、隱藏層以及輸出層，輸入 層為 3 個特徵值的輸入節點；模糊層採用的是 三角型函數作為歸屬函數，將數據語意化為極 大、大、中以及小，而三種特徵值歸屬函數實 例如圖 11、12、13，因三種特徵值語四種語 意變化，故會有 3×4=12 總共 12 個歸屬函數 節點；而隱藏層根據經驗設定成歸屬函數節點 與輸出節點和之一半(12+4)/2=8，故有 8 個隱 藏節點；最後將輸出層結果綜合輸出即為分類 結果：模糊類神經網路學習速率與慣性因子皆 設定為 0.5，最後經過 20000 訓練次數而達成 模糊類神經之學習。

在實際瑕疵檢測上，通常是利用設計好的 訓練資料庫，進而判斷大量的瑕疵樣本，故此 在實驗設計上，比照實際瑕疵檢測系統，設計 一瑕疵訓練資料庫，用以分析特徵值抓取好 壞，進一步辨識推論資料庫瑕疵樣本。

圖 11 厚度差三角形歸屬函數

圖 12 緊緻性三角形歸屬函數

圖 13 質心灰階對比三角形歸屬函數

本研究瑕疵樣本數總共為 80 筆，為四類各 20 筆瑕疵樣本所構成。利用隨機抽取方式，

將 80 筆瑕疵分為 40 筆訓練資料與 40 筆推論 資料的樣本組合，接下來必須先行將 40 筆訓 練資料模糊化，利用三角形歸屬函數模糊，進 而將數據分類成極大、大、中以及小四類，而 推論資料也將可依此為標準將推論數據先行 模糊化；最後為了測試瑕疵特徵值辨識瑕疵成 功率，進而將訓練資料隨機分成 20 筆訓練樣 本與 40 筆測試樣本、30 筆訓練樣本與 40 筆 測試樣本，以及 40 筆訓練樣本與 40 筆測試樣 本，三組實驗方式；訓練與測試樣本同時透過 模糊資料庫，將 40 筆訓練與 40 筆測試樣本模 糊化，再透過模糊類神經網路推論出辨識結 果，其實驗結果如表 2 與 3。

經由上述所規劃的資料樣本，是想要利用 不同數量之訓練樣本與固定數量之測試樣本 進行分類，進而探討瑕疵樣本數量對分類器辨 識率的影響。

表 2 模糊類神經網路分類結果

分類器 20/40 辨識率(%)

30/40 辨識率(%)

40/40 辨識率(%) 模糊類神經

網路 97.5 100 100

表 3 模糊類神經網路誤判情形

分類器 組合 誤判數 實際類別 輸出類別 模糊類神

經網路 20/40 1 塗佈不均 氣泡

(a)原始圖片 (b)二值化後圖片 圖 14 塗佈不均判斷錯誤圖片

如表 2 三組經實驗設計之取樣方式，只有 訓練樣本數 20 筆時出現誤判情形，其餘的 30 筆與 40 筆判別效果皆達到 100％，其中 20 筆 訓練組合辨識率為 97.5％誤判一筆，該筆誤判 情形如表 3 所示，將塗佈不均辨別為氣泡瑕疵 如圖 14。該誤判是將塗佈不均辨識成氣泡瑕

疵，觀察圖 14 瑕疵圖並非是氣泡瑕疵特性，

氣泡瑕疵是圓形暈開形狀，而圖 14 邊緣則是 呈現不規則狀，再進一步觀察三組實驗，20 筆訓練造成判斷錯誤，而其他 30 與 40 筆訓練 樣本接辨識成功，顯示 20 筆訓練 40 筆推論組 別誤判原因有可能是瑕疵樣本不足，沒涵蓋類 似瑕疵特性，若訓練瑕疵樣本高於 30 筆或者 多一點，即可解決該問題。

五、結論

本研究實驗目的為開發一套有機發光層瑕 疵檢測系統，利用光學檢測來辨識一般肉眼無 法清楚看到之透明薄膜層，且最後結果必須為 客觀的檢測依據，進一步取代傳統人工檢測方 式，同時立即調整製程參數，減少成本損失。

整體來說，實驗結果皆符合先前文獻探討 與影像技術理論，並且在實驗過程裡一一應 證；使用紫外光激發有機發光層雖然造成光源 微弱，不過因為先行去除自然光源，使得光源 更穩定，減少許多實驗變因，反而得到不錯實 驗效果，而在紫外光線設計方面，也符合文獻 推論，最後採用 10W U 型紫外燈管，強度無 傷有機發光材料。而原先預期透明層因為光線 繞射進而產生雜訊的問題，也透過中央加權中 值濾波器與型態學方式去除雜訊，進而取得完 整瑕疵區塊。

在瑕疵分類部分，總共分成四種瑕疵種 類：氣泡、塗佈不均、刮痕與雜點，利用三種 瑕疵特徵值：緊緻性、厚度差與質心灰階對 比，來描述瑕疵特性，實驗過程中，較不容易 分類的是氣泡與塗佈不均，有時會有辨識錯誤 產生，故此設計三組瑕疵測試組別，用以推論 是瑕疵特徵值擷取不適當，還是瑕疵樣本數不 足導致辨識錯誤；將瑕疵資料導入模糊類神經 網路分類，並規劃 20 筆訓練樣本與 40 筆測試 樣本、30 筆訓練樣本與 40 筆測試樣本，以及 40 筆訓練樣本與 40 筆測試樣本，總共三組實 驗設計，結果 20 筆訓練樣本組別裡出現一例 瑕疵誤判，而其它較多筆數訓練樣本則可以辨 識成功，故此可推論誤判可能性為樣本不足所 造成，假若將來提高樣本數收集則誤判問題必 然可解決，因此本論文可驗證實驗所選瑕疵特 徵值與分類器應可成功應用於有機發光層瑕 疵檢測。

在有機發光層瑕疵檢測方面，目前多數產

線，包括樣本取得單位中山科學研究院，仍皆

採用 SEM(Scanning Electron Microscopy)顯微

觀測方式，該方法雖然能人工肉眼檢測，但是 由於 SEM 解析度極高，只能小範圍檢測，若 要應用在將來產線是絕對不可能的，而本研究 貢獻在於提出一套檢測透明有機發光層系 統，並且能進一步利用模糊分類系統辨識出瑕 疵種類，以供將來製程產線工程人員參考。

六、參考文獻

[1] C. Hecht and G. Dishon, “Automatic optical inspection (AOI),” Proceedings of the 1990 40th Electronic Components and Technology Conference, vol. 1, pp. 659-661, 1990.

[2] 楊富名，“紫外光照射處理對有機半導體電 特性影響之研究”，國立彰化師範大學光電 科技研究所， 2007。

[3] C. J. Huang, C. F. Wu and C. C. Wang,

“Image processing techniques for wafer defect cluster identification,” IEEE Design

& Test of Computers, vol. 19, no. 2, pp.

44-48, 2002.

[4] 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.

[5] M. Unser, A. Aldroubi and M. Eden,

“Polynomial spline signal approximations:

filter design and asymptotic equivalence with shannon’s sampling theorem,” IEEE Trans. Information Theory, vol. 38, no. 1, pp.

99-103, January 1992.

[6] 劉鴻明，“應用於影像內插法之研究”，中 原 大 學 資 訊 工 程 學 系 碩 士 學 位 論 文 ， 2005。

[7] N. Otsu, “A threshold selection method form gray level histogram,” IEEE Trans. on System, Man, and Cybernetics, Sem 8, pp.

62-66, 1978.

[8] J. N. Kapur, P. K. Sahoo and A. K. C. Wong,

“A new method for gray-level picture thresholding using the entropy of the histogram,” Computer Vision, Graphics and Image Processing, vol. 29, no. 3, pp.

273-285, 1985.

[9] T. Markiewicz, S. Osowski, B. Marianska and L. Moszczyński, “Automatic recognition of the blood cells of myelogenous leukemia using SVM,” International Joint Conference on Neural Networks, vol. 4, pp. 2496-2501, 2005.

[10] 李玫憶，“細胞次結構影像辨識系統”，私 立中原大學醫學工程系碩士學位論文，

2005。

[11] C. T. Su, T. Yang and C. M. Ke, “A neural-network approach for semiconductor wafer post-sawing inspection,” IEEE Trans.

on Semicond. Manuf., vol. 15, no 2, pp.

260-266, 2002.

[12] 張子仁，“模糊類神經網路影像校準方法 應用在精密樣板比對”，中原大學機械工程 學系碩士學位論文，2003。

[13] 鐘國亮編著，影像處理與電腦視覺第三 版，東華書局，2005。

[14] 陳建堂，“偏光膜外觀瑕疵之影像檢測系 統開發”，國立台灣科技大學高分子工程研 究所碩士學位論文，2008。

[15] F. J. Lin, R. J. Wai and H. P. Chen, “A PM synchronous servo motor drive with an on-line trained fuzzy neural network controller,” IEEE Trans. on Energy Conversion, vol. 13, no. 4, pp. 319-325, 1998.

[16] F. J. Lin, W. J. Hwang and R. J. Wai, “A supervisory fuzzy neural network control system for tracking periodic inputs,” IEEE Trans. on Fuzzy Systems, vol. 7, no.1, pp.

41-52, 1999.

[17] Y. C. Chen and C. C. Teng, “A model reference control structure using a fuzzy neural network,” Fuzzy Sets and Systems, vol. 73, pp. 291-312, 1995.

[18] C. T. Su, T. Yang and C. M. Ke, “A neural-network approach for semiconductor wafer post-sawing inspection,” IEEE Trans.

on Semiconductor Manufacturing, vol. 15, no 2, pp. 260-266, 2002.

[19] L. X. Wang, “A course in fuzzy systems and control,” Prentice-Hall, New Jersey, 1997.

[20] K. S. Narendra and K. Parthasarathy,

“Identification and control of dynamical systems using neural networks,” IEEE Trans.

on Neural Networks, vol. 1, no. 1, pp. 4-27, 1990.

[21] J. Zhang and A. J. Morris, “Recurrent

neural-fuzzy networks for nonlinear process

modeling,” IEEE Trans. on Neural Networks,

vol. 10, no. 2, pp. 313-326, 1999.

國科會補助計畫衍生研發成果推廣資料表

日期:2011/09/22

國科會補助計畫

計畫名稱: 有機發光二極體有機發光層瑕疵檢測系統之開發 計畫主持人: 黃昌群

計畫編號: 99-2221-E-011-009- 學門領域: 高分子加工

無研發成果推廣資料

99 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：99-2221-E-011-009- 計畫名稱：有機發光二極體有機發光層瑕疵檢測系統之開發

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 1 1 100%

研究報告/技術報告 1 1 100%

研討會論文 0 0 100%

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 0 100%

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 ( 無法以量化表達之成 果如辦理學術活動、獲 得獎項、重要國際合 作、研究成果國際影響 力及其他協助產業技 術發展之具體效益事 項等，請以文字敘述填 列。)

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）

有機發光層是有機發光二極體(OLED)的主要發光層，該層為透明薄膜層，若要利用人工檢 測方式極為困難且容易失誤，故目前極需建立一自動化及客觀系統，使得專業檢測能更具 標準化與效率，所以本研究針對有機發光層瑕疵外觀，應用影像處理來開發一套自動檢測 系統，而檢測的有機發光層瑕疵包括刮痕、氣泡、塗佈不均、雜點四類。此系統開發所需 之理論與技術，極具學術價值，因有機發光層為透明層所以需要利用紫外光線激發瑕疵樣 本，瑕疵部分會被激發顯影，再進而擷取該瑕疵影像。在影像處理過程中，先利用中央加 權中值濾波器減少脈衝雜訊，由於瑕疵影像灰階差異不大，無法以一固定門檻值完整分割 所有瑕疵類別，故使用統計式門檻值決定灰階值大小，以選擇一個或兩個最佳門檻值來分 割出瑕疵區域，再配合形態學中的閉合運算使瑕疵輪廓更平滑完整，並選擇瑕疵厚度、質 心灰階對比和緊緻性做為瑕疵特徵。在瑕疵樣本方面，搜集 80 筆瑕疵樣本，利用模糊類 神經建立資料庫且分類，並規劃以不同數量之訓練樣本與固定的測試樣本進行實驗，結果 顯示在訓練樣本為 30 筆以上時，其辨識率皆可達到 100%，驗證了模糊類神經網路在訓練 樣本足夠的資料庫下，可獲得相當準確的辨識率，成功被應用於 OLED 有機發光層瑕疵自 動檢測系統。由於此自動檢測系統之高辨識結果，且開發過程皆考慮未來應用之可能性，

因此本研究應具有實用性價值，可供未來製程人員使用。