智慧型高亮度發光二極體瑕疵檢測及快速定位系統之開發與研製

行政院國家科學委員會專題研究計畫 成果報告

智慧型高亮度發光二極體瑕疵檢測及快速定位系統之開發 與研製

研究成果報告(精簡版)

計 畫 類 別 ： 個別型

計 畫 編 號 ： NSC 98-2622-E-011-004-CC3

執 行 期 間 ： 98 年 07 月 01 日至 99 年 06 月 30 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 ： 郭中豐

計畫參與人員： 碩士班研究生-兼任助理人員：彭楷慶 博士班研究生-兼任助理人員：邱錦勳

處 理 方 式 ： 本計畫可公開查詢

中 華 民 國 99 年 09 月 30 日

行政院國家科學委員會補助專題研究計畫 ■ 成 果 報 告

□期中進度報告 智慧型高亮度發光二極體瑕疵檢測及快速定位系統之開發與研製

計畫類別：■個別型計畫 □整合型計畫 計畫編號：NSC 98－2622－E－011－004－CC3 執行期間：98 年 07 月 01 日至 99 年 06 月 30 日 執行機構及系所：國立台灣科技大學 高分子工程系

計畫主持人：郭中豐教授 共同主持人：

計畫參與人員：邱錦勳 彭楷慶

成果報告類型(依經費核定清單規定繳交)：■精簡報告 □完整報告

本計畫除繳交成果報告外，另須繳交以下出國心得報告：

□赴國外出差或研習心得報告

□赴大陸地區出差或研習心得報告

□出席國際學術會議心得報告

□國際合作研究計畫國外研究報告

處理方式：除列管計畫及下列情形者外，得立即公開查詢

□涉及專利或其他智慧財產權，□一年□二年後可公開查詢

中 華 民 國 9 9 年 9 月 2 4 日

中文摘要

本計畫整合數位影像處理技術與智慧型控制理論於高亮度發光二極體瑕疵檢測及快速定位系統之 開發與研製。本計畫在學理上首先提出以灰色預測理論、遺傳基因演算法結合模糊控制器來做為快速 定位系統之控制器，用以控制移動配送盤之馬達旋轉角度，期能達成快速定位之目的。其旨在應用灰 色預測模型來尋找系統行為發展的變化規律，依據所掌握的規律進行預測，再將預測結果與系統的設 定目標進行比較，這就是所謂的事前控制，這種方式能針對受控系統所造成的誤差提前制訂因應的控 制量進行控制，以增進控制的效果，並再以模糊推論的方式，來改進灰色預測控制器的控制效能，再 藉由遺傳基因演算法來調整模糊推論中之預測步距的歸屬函數，以自我調整的策略，視其動態響應，

制訂出適當的預測步距，達成理想的控制目標，以增進快速定位的穩定性。

在瑕疵檢測模組部分，檢測項目包含破晶、多胞胎、電極區刮傷瑕疵、電極區殘金瑕疵及發光區 瑕疵。在晶粒外觀瑕疵檢測上，將運用在空間域中影像的增強、影像分割與形態學影像處理，最後予 以標籤化處理，獲得各部份的特徵值，分析LED 晶粒瑕疵。在晶粒內部結構分析上，先對電極區分析，

利用拉普拉斯轉換銳化原始影像，再用統計式門檻值取得電極區的特徵值以判斷內部結構瑕疵。最後 對發光區做分析，原始影像以直方圖等化配合乘冪律轉換擴展其灰階分佈，再利用統計式門檻值取得 發光區特徵值，作為瑕疵的檢測。最後，結合電腦人機控制介面、影像擷取設備、光源設備及電控系 統，以達到高亮度發光二極體瑕疵檢測及快速定位系統軟硬體整合之自動化檢測目的。

關鍵詞：發光二極體、瑕疵檢測、定位系統、灰色預測理論、遺傳基因演算法、模糊控制器。

Abstract

This project aims to integrate the digital image processing technology and intelligent control theory on the development and fabrication of defect detection and quick positioning system for high brightness light emitting diode (LED). This study first proposes using gray prediction theory, genetic algorithm, and fuzzy controller to develop the quick positioning system controller in order to control the motor rotation angle of movable feeder and achieve the purpose of quick positioning. It aims to apply a gray prediction model to identify the variation laws of system behavior development, make the prediction based on the laws, and compare the prediction results and system setting purposes, which is known as the pre-control. This method can control the pre-established control amount in response to the errors caused by the controlled system in order to enhance the control efficiency, use fuzzy inference to improve the control efficiency of gray prediction controller, and use genetic algorithm to adjust the membership function of predicted step in the fuzzy inference. The self-adjustment strategy is used to establish proper predicted step based on the dynamic responses in order to achieve the idea control target and enhance the stability of the quick positioning.

The inspection items include damaged crystalline grain, multi-afterbirth, scratch mark defect of pad area, remained gold defect of pad area and luminescent area defect. For external structure analysis, we will obtain defect detection via creating image enhancement with spatial domain, image segmentation, and image morphology processing; and lastly with labeling management, by achieving comprehensive characteristics analysis on the crystalline grain. For the internal structure analysis, the pad area and luminescent area will be analyzed. For the pad area analysis, the Laplace transform will be used to sharpen the original image, so the statistic threshold method will obtain the characteristics of the pad area. For the luminescent area analysis, the histogram equalization and power-law transform is used to stretch the gray distribution, and is processed with the statistic threshold method which will obtain the characteristics value of luminescent area.Lastly, it combines man-machine interface, image capture equipment, light source equipment and electric control system to achieve the purpose of automated detection by integrating the defect detection and quick positioning system for high brightness light-emitting diode.

Keywords：Light Emitting Diode (LED), Defect Detection, Positioning System, Gray Prediction Theory, Genetic Algorithm, Fuzzy Controller.

一、前言

隨著發光二極體(Light Emitting Diode，LED)之光電產業不斷成長及應用需求，配合產業製程的提 升與新產品的不斷的推陳出新，精密而且快速的產品品質檢測是必然的趨勢。LED 進入照明市場，其 體積小、亮度高、壽命長等優勢，在市場成為主要趨勢。其廣泛運用在汽車車燈、交通號誌、照明設 備及彩色看板等方面，需求量大增，成為替代傳統照明器具的一大潛力產品。高階 LED 產品陸續問世，

LED 晶粒品質要求越來越高，使 LED 晶粒的辨識與偵測，成為目前重要的研究方向。

工業自動化中，傳統上品質管制的作業多為人工來進行，人工處理速度相較於電腦執行速度，不 僅較慢且有工作疲勞的問題存在，另一方面人員的訓練也需耗費相當的成本與時間來進行，不僅耗時 沒效率且不符合經濟成本，機器視覺的應用提供了快速的解決方法，於是電腦視覺檢測系統逐漸取代 人工檢測。

在自動化領域中，定位技術是製造產品、量測物體之尺寸及運轉各種機器的必要技術。在瑕疵檢 測系統中，待檢測物經由配送盤運送至檢測平台，配送盤需擁有精確的定位使影像截取裝置能開始進 行取像。隨著待測物體形狀尺度由機械元件變化至細小的電路佈局，待測物的定位就需更精確與快速。

傳統的自動定位控制因為控制法則的複雜化或者系統信號傳輸所造成時間延遲(Time Delay)的問題，導 致控制法則所計算出來的控制量不能因應控制系統現行狀態的需求，無法達成良好的定位控制目的，

由於事後控制無法防患於未然及強健性較弱等缺點。

LED 晶粒瑕疵種類可分為外觀瑕疵及內部結構瑕疵，外觀瑕疵包含多胞胎、破晶等瑕疵，內部結 構瑕疵，包含電極區刮痕瑕疵、電極區殘金瑕疵等與發光區瑕疵，上述晶粒瑕疵必須在生產過程中辨 識出來，予以剔除。因為有瑕疵的晶粒，對生產的 LED 產品，將產生壽命縮短或故障等嚴重問題。LED 在辨識瑕疵時，首先注重的是外觀形狀的完整性，在晶圓上的 LED 晶粒經雷射切割後，每個晶粒以陣 列形式排列，其標準的晶粒影像應在每個晶粒上具有固定的間隔距離，對於晶粒太過於靠近或是接連 在一起稱為多胞胎，此類瑕疵必須要能先行判斷出來。接下來，個別 LED 晶粒形狀應為矩形，若外觀 不是矩形即判斷為破晶瑕疵。一般來說，實務上破晶瑕疵的晶粒，可能是在崩裂或切割過程中，由機 械運作錯誤所造成的，而缺角可能會破壞發光區，而使得發光亮度不足或造成 LED 故障，所以在檢測 過程中，這一類的瑕疵應直接剔除。

在晶粒內部主要辨識的是電極區與發光區是否符合標準，再進一步檢測電極區與發光區上的污損 百分比，要求在 LED 規範的範圍內才能視為正常晶粒。而污損一般是在製程中晶粒面清洗不完全所導 致，殘留在發光區上的污損會讓發光度減弱，使 LED 工作效率降低。每個晶粒會有兩個電極，而電極 經過植墊(Pad Attachment)在晶粒上時，因製程上的錯誤會產生晶粒缺少電極、植墊錯誤、電極碎裂或 是電極位置偏移，這些都是不允許的。在電極區殘金會使 LED 晶粒在安裝金屬接腳後接觸不良，使得 LED 無法驅動發亮。針對電極區和發光區上的污損，本計畫將由其區塊分析後的到的特徵值加以分析 與判斷。

二、研究目的

目前產業上的LED晶粒瑕疵檢測的程序，非完全自動化。LED晶粒切割後，須以現場作業員以手 動的方式放入檢測平台，接下來檢測平台開始進行定位、調整水平的工作，待配送盤與檢測平台校準 完畢後，影像截取裝置才開始尋找設定的標記，進行瑕疵的辨識，完成LED晶粒瑕疵辨識的程序需要 花費10－20分種的時間。因此本計畫提出的自動化瑕疵辨識與快速定位(Automatic Positioning)系統，主 要用來改善實務上LED晶粒瑕疵檢測所面臨的問題。

本計畫預計開發包含瑕疵辨識核心模組與快速定位模組的LED自動化檢測平台。定位模組針對 LED晶粒配送盤的快速定位控制，以灰色預測控制、模糊－遺傳基因演算法為控制器，進行LED晶粒 配送盤快速定位的驗證及分析；瑕疵檢測分析與研究主要針對LED晶粒的外觀、內部結構與發光區進 行瑕疵檢測，最後將此兩模組與人機界面整合，完成LED晶粒快速瑕疵檢測整合系統開發與研製。

三、文獻探討

本計畫控制理論採用灰色理論主要的目的，是希望能充分運用灰色系統中的已知信息，透過系統 分析、灰色建模、灰色預測、灰色決策與灰色控制等方法，尋求控制發展規律，達到解決配送盤系統 快速定位的目標。灰色系統理論在近年來成功的應用在農業系統、氣象預測及災變預測等方面[1]。在 控制領域，灰色理論逐漸受到重視，特別使以灰色預測器作為事前控制，這方面的研究不斷持續進行。

在灰色預測控制器上，考慮使用一個固定的預測步距於控制系統中，若使用大的預測步距會造成 系統響應的上升時間(Rise Time)增長，並可能造成穩態誤差(Steady State Error)，但可預防大的超越量 (Overshoot)；而小的預測步距會有較快的響應，但可能會造成大的超越量及振盪，因此選用適當的預 測步距對於得到好的響應是非常重要的指標[2]，但傳統以固定步距的灰色預測控制器，不僅要以嘗試 錯誤法(Trial and Error Method)來尋求適當步距，而且控制器無法配合系統環境的變動，因此 Yi [3]等人 提出切換步距的方式來改善灰色預測控制器對於系統環境變動的適應能力，但此種方式仍脫離不了因 嘗試錯誤法所耗費大量時間； Hong [4]等人提出模糊推論方式，來改進灰色預測控制器控制效能，然 而對於不同系統，所制訂預測步距歸屬函數仍是需要由經驗法則來調整。

進行影像檢測前，在取得影像訊號時，週遭環境會對檢測物的取得造成干擾，因此檢測前需有影 像品質改善的動作， Kundu 和 Zhou [5]提出中值濾波器，用來消除雜訊，而且可保留原始影像邊緣，

達到更好的雜訊抑制效果。Windyga [6]提出較迅速的方法去除脈衝雜訊，而且在峰對峰訊號雜訊比 (Peak Signal to Noise Ratio, PSNR)的品質上可以很接近中值濾波器的效果。

應用影像分析技術，在各種領域運用非常廣泛，在複雜紋理的檢測上，Dimitry [7]依紋理的瑕疵情 形作分類及應用的問題，係利用空間上的灰階共生矩陣(Subband Domain Co-occurrence Matrix)及依賴鄰 近灰階(Neighboring Gray Level Dependent Matrix)來分割。Amet 和 Ercil [8]提出先利用小波轉換後再由 共生矩陣取得特徵值，後經分離演算法分離瑕疵及非瑕疵的影像。Sari-Sarrafet 和 James [9]提出於紡織 織物瑕疵線上檢測的方法，並利用小波轉換算其各細部影像的能量值，來判斷是否有瑕疵存在。

在機器視覺應用與研究上，典型檢測系統對於原始影像演算處理可分為影像擷取、影像處理、特 徵提取與決策執行，Malamasa [10]提出在製造控制程序、結合外部裝置及瑕疵排除，提升了工業自動 化製造程序的效益。Demir [11]致力於發展 PCB 板與表面黏著型(Surface-mount Device, SMD)元件的自 動化電腦視覺檢測技術，其檢測管制的重點在於元件的扭曲變形與接腳缺陷上，研究中比較二值化與 扭曲角度的估計演算的優劣，並在接腳缺陷檢測使用的各種型態學影像處理技術。Khwang [12]將區塊 中每個像素灰階值的總和與樣本比較，不同的是 Khwang 使用多台電腦集成平行運算，增加檢測速度。

Stanke 等人[13]設計以鏡面映射接腳的夾具，使得四面都有接腳的積體電路，僅使用一台攝影機便能完 成檢驗，其檢驗共面性的演算法是利用積分公式計算亮點間隔區域面積與標準值，比對判斷此顆積體 電路屬於良品與否。Shapiro[14]的研究按形狀規格與否施予不同的影像處理方法，由於晶圓尺寸愈來 愈大，晶粒尺寸愈來愈小，區域分割的技巧愈來愈困難，高精度與高速度仍是未來要發展的研究方向。

四、研究方法

本計畫中快速定位系統的控制對象為LED晶粒配送盤系統，控制目標為LED晶粒配送盤系統到達 影像擷取器擷取影像的位置，控制輸入為致動器的輸入訊號，再由感測器偵測配送盤動作位置以控制 補償差異，形成一閉迴路的控制系統。其中控制器擬以傳統灰色預測器為基礎改良，而模糊推論機構 所推論的預測步距的歸屬函數是經由遺傳演算法評價機構針對不同的LED晶粒配送盤系統而做調整，

使模糊推論機構能夠對於預測步距做最佳的動態調整，藉以提高LED晶粒配送盤系統的定位控制效果。

本計畫之設計概念如下：當LED晶粒配送盤系統的位置訊號經感測器取樣後，將取樣所得的資料 分別傳送至遺傳評價機構、模糊推論機構及灰色預測器。配送盤的位置訊號傳送給遺傳評價機構，可 作為模糊控制機構之步距歸屬函數調整，以制定灰色預測器之預測步距達到系統響應之最佳化。而遺 傳評價機構之適應函數是以系統的累積誤差、最大超越量、上升時間為搜尋指標，來制定後部件之預 測步距之歸數函數，然後存放於知識庫中。而模糊推論機構的輸入變數是由LED晶粒配送盤系統輸出

端之信號與配送盤的目標位置做比較後，所獲得之誤差量及誤差變化量，而這兩個變量經過模糊化後，

將被轉換為相對應之模糊變數，這些誤差和誤差變化量之模糊變數便進入模糊推論機構，而模糊推論 機構是依據輸入的模糊變數及規則庫中的推論原則，依據不同之系統響應情形推論出由遺傳評價機構 得出預測步距之歸屬函數的模糊值，然後將其將推論所得結果之模糊值進行解模糊化，經過解模糊化 過程後可得一個明確預測步距，並將此預測步距送至灰色預測器，作為預測LED晶粒配送盤系統運動 軌跡之依據。灰色預測器所得結果傳送至控制決策機構。而控制決策機構對受控對象所制定之控制量 是依據灰色預測器預測所得結果和事先給定之參考輸入值進行比較後，依據事先設計之控制策略而制 定的。因此，本計畫所設計的控制器對於LED晶粒配送盤系統及未來運行可能出現的軌跡誤差提前進 行控制，具有防範於未然的效果。

(二)瑕疵檢測

本計畫以影像增強來強化待檢測影像，對增強過後影像進行影像分割以取得分析區域，並以型態 學影像處理演算，最後求得影像特徵值以進行瑕疵分析。影像增強(Image Enhancement)主要目的是藉 由影像處理演算法，調整影像的品質，使其影像資訊更適合進行視覺觀察與影像處理。空間域(Spatial Domain)是指組成一幅影像的像素集合，本計畫以空間域方法直接在像素上進行影像運算。自動分割是 影像處理中最困難的工作之一，分割就是將影像細分成主要組成部分或目的物，細分的程度取決於辨 識區塊的問題，而當需要的目標物被分離出來，分割就應停止。分割的精準度也決定了電腦分析程序 的成功與否，精良的分割對後續的瑕疵辨識更加有利。本計畫應用影像臨界值法於瑕疵檢測中設定最 佳的臨界值，可初步將原始影像分割出背景影像與前景影像。一般影像的灰階分佈柱狀圖沒有明顯的 波谷與波峰，不適合視覺選取法，本計畫以統計式(Statistical)門檻值方法是根據Otsu [15、16]的結果，

此方法可自動的產生門檻值來達到二值化需求。形態學(Morphology)是對影像形狀結構進行分析和描 述，可以對影像的像素做數學的運算，經過前級和後級處理之後，加強影像中結構的特性。形態學的 重點是研究物體的形狀或結構，本計畫以型態學為背景，應用抽取影像成份的工具，來探討LED各結 構之間的相互關係。影像標籤化(Labeling)[17]，是指對影像中互相連通的所有像素給予同樣的標籤，

將連結在一起的像素視為一個區塊，並依據此原理將影像區分成數個區塊，利用標上記號來進行後續 的分類動作。影像的特徵值用來辨識影像形狀特徵，在瑕疵檢測可用於判定影像優劣，本計畫在檢測 時，首先重視外觀是否完整，如被檢測物長寬是否符合標準，面積是否符合規格。對二值化後的影像 進行標籤化，可將影像分成前景與背景，針對每個標籤化後的影像區塊，各別進行影像特徵值的擷取，

此方法可減少運算時間，也可以區別出各標籤區塊的特徵值，以利於本計畫對LED瑕疵上的判別。

五、結果與討論

當受控對象的輸出端經感測器取樣後，將取樣所得的資料分別傳送至遺傳評價機構、模糊推論機 構及灰色預測器，如圖 1 所示。將輸出端取樣所得之資料傳送給遺傳評價機構，可作為模糊控制機構 之步距歸屬函數調整之最佳化，藉以制定灰色預測器之預測步距達到系統響應之最佳化。而遺傳評價 機構之適應函數是以系統的累積誤差、最大超越量、上升時間為搜尋指標，來制定後部件之預測步距 之歸數函數，然後存放於知識庫中。而模糊推論機構的輸入變數是由受控對象輸出端之信號與參考輸 入值 R 做比較後，所獲得之誤差量 e 及誤差變化 ce 兩個變量，而這兩個變量經過模糊化後，將被轉換 為相對應之補償電壓值，如圖 2 所示。而這些誤差和誤差變化量之補償電壓值便進入模糊推論機構，

而模糊推論機構是依據輸入的模糊變數及規則庫中的推論規則，如表 1 所示，依據不同之系統響應情 形推論出由遺傳評價機構得出預測步距之歸屬函數的模糊值，然後將其將推論所得結果之模糊值進行 解模糊化，經過解模糊化過程後可得一個明確預測步距 p，並將此預測步距送至灰色預測器，作為預 測系統未來行為發展趨勢之依據。灰色預測器所得結果傳送至控制決策機構。而控制決策機構對受控 對象所制定之控制量 u 是依據灰色預測器預測所得結果和事先給定之參考輸入值 R 進行比較後，依據 事先設計之控制策略而制定的。

e ce GE

GC 參考輸入 R

GP

系統行為預測值^∧y 預測步距 p

控制量 u 輸出 y

知識庫

控制決策機構 受控對象

解模糊化 推論機構 模糊化

規則庫 資料庫

灰色預測器

遺傳評價機構 適應函數：

累積誤差 上升時間 最大超越量

+ -

圖 1 基於遺傳演算法之模糊灰色預測控制器

1

0

LN SN ZE SP LP

-13 13 -4 0 4 誤 差 量

1

0

LN SN ZE SP LP

-13 13 -4 0 4 誤 差 變 化 量

1

0

LN SN ZE SP LP

-0.6 0.6 -0.4 0.40 補 償 電 壓 值

圖 2 模糊推論使用之歸屬函數 表 1 FUZZY 推論規則

ce

e

LN SN ZE SP LP

LN LP LP LP LP LP

SN LP SP SP ZE ZE

ZE SP SP ZE SN LN

SP ZE ZE SN SN LN

LP LN LN LN LN LN

(二)瑕疵檢測

本計畫應用影像處理技術於 LED 瑕疵辨識，LED 影像由多種結構組成，包含背景、晶粒、發光區 及電極區等四個部份，由於各結構間灰階度差異不大，在影像分割上有其難度，研究上影像著重於各 結構的影像增強，以利後續影像分割。 在晶粒外型結構影像中，影像可分為背景、完整晶粒及不完整 晶粒，對完整的外型區塊執行標籤化處理，將影像中互相連通的所有像素給予同樣的標籤，把各個連 接成份進行分離，對連接成份進行後續的分析及運算，可得到各連接區塊的影像特徵值，如表 2 所示。

每一標籤化區塊，可以求得面積、邊長、質心、邊點，飽和度及面積比等參數，藉由此參數做晶粒形 狀判斷與區別，而標籤化後的連接成份分離性質，可分隔出各個晶粒，分別判斷晶粒的優劣與特徵。

表 2 影像特徵值 標

籤 面積 (Pixel)

邊長 (Pixel)

質心 (Pixel)

左上邊 點(Pixel)

右下邊

點(Pixel) 飽和度 面積比 (%) 1 4488 194 (24,96) (0,51) (50,141) 1.498509 96.7033 2 8862 380 (315,96) (267,51) (366,142) 0.771213 96.3261 3 8879 382 (472,95) (423,51) (523,141) 0.764623 96.6054 4 8894 386 (158,97) (109,52) (209,142) 0.750123 96.7686 5 5233 297 (609,95) (579,52) (639,141) 0.745500 95.3188 6 4809 197 (25,238) (0,194) (53,284) 1.557156 97.8632 7 8874 380 (162,239) (113,194) (212,285) 0.772257 96.4565 8 8819 378 (318,239) (269,195) (368,285) 0.775614 96.9121 9 8895 382 (475,240) (427,195) (526,286) 0.766001 96.6848 10 5017 302 (610,241) (583,196) (638,286) 0.691258 98.4498 11 5220 205 (28,383) (0,338) (57,428) 1.560891 98.9011 12 8861 384 (322,383) (274,338) (371,429) 0.755145 98.2808 13 8902 376 (166,384) (118,339) (215,429) 0.791265 99.8206 14 8828 388 (478,384) (430,340) (528,430) 0.736900 97.9909 15 4815 284 (612,385) (586,340) (639,430) 0.750187 97.9853

運用影像外型特徵值，經過初步分類，可分辨出完整晶粒及不完整晶粒。由於影像在擷取時會切 割到晶粒，使影像邊緣晶粒是不完整的，而不完整的晶粒面積在 8000 像素以下，且其左邊及右邊點會 在影像邊線上，運用此條件判斷，可對影像中的晶粒做初步的歸類，把不完整晶粒的晶粒忽略，如圖 3 所示，每張晶粒影像去除不完整的晶粒，留下九個完整晶粒可進一步做分析與詳細判別。

圖 3 晶粒外形完整性判別

運用在多胞胎瑕疵分析上，以形狀特徵值的質心，計算出晶粒間的距離，當晶粒間距離小於 50 像 素(Pixel)本計畫視為多胞胎瑕疵的一種。當晶粒沒有切割完全而接連在一起，以面積大於 12000 像素及 邊長大於 510 像素的特性，將多胞胎瑕疵找出，可將瑕疵找出，如圖 4 所示。

圖 4 晶粒多胞胎瑕疵

在晶粒影像中，去除邊界不完整晶粒，還有九顆待辨識晶粒，以外型特徵值對晶粒外觀分析，在 標準的晶粒，面積比特徵值越在 93%以上，而有缺角的晶粒，其面積比會較標準值低， 可以此條件判 斷出具有破晶的瑕疵晶粒，如圖 5 所示。

圖 5 晶粒破晶瑕疵

對於電極區在某些測試或製程過程中會產生過於嚴重的刮傷，在製程上不良產生殘金瑕疵，以及 在發光區因晶粒面清洗不完全而產生污損，在實務驗證上，對於求取到的電極區及發光區特徵值，如 表 3 所示，可辨識出電極區刮傷瑕疵、殘金瑕疵及發光區瑕疵，如圖 6 至圖 8 所示，其中在圖 8 可知，

當過多殘金覆蓋在發光區上，也會被視為發光區瑕疵，而在晶粒影像上，具有多種不同瑕疵的晶粒或 是在單一晶粒上具有不同種的瑕疵，本計畫可判斷各種不同的瑕疵。在晶粒上分析，也不侷限於單一 種瑕疵，而在發光區瑕疵與殘金瑕疵判別上，由各種特徵值的分析，除了可找出具有瑕疵的晶粒，也 可分析出瑕疵種類。綜合所有特徵值以分析 LED 各部位，在晶粒影像上分析到多種的瑕疵，經過自行 研究的檢測系統驗證 454 顆晶粒影像，總辨識率高達 98.24%，如表 4 及表 5 所示，說明本計畫發展出 一套適合於 LED 瑕疵的檢測系統。

表 3 電極區及發光區特徵值參數

電極區 發光區

瑕疵種類

特徵值 殘金瑕疵 刮痕瑕疵 發光區瑕疵

左上 0.0123 - - 0.7626

正上 0.02828 - - 0.88

右上 0.02 - - 0.54

左邊 - 0.3482 0.5 0.111

正中 0.2 0.03 - 0.58

右邊 - 0.524 0.6819 0.0152

左下 0.03 - - 0.71

正下 0.018 - - 0.879

右下 0.033 - - 0.53

圖 6 電極區刮痕辨識結果

圖 7 發光區瑕疵辨識結果

圖 8 多種瑕疵辨識結果 表 4 瑕疵辨識結果(一)

樣本總數 辨識總數 辨識率

多胞胎瑕疵 9 9 100.00%

破晶瑕疵 11 11 100.00%

電極區刮傷瑕疵 94 91 96.81%

電極區殘金瑕疵 27 26 96.30%

發光區瑕疵 64 62 96.88%

瑕疵總數 205 199 97.07%

表 5 瑕疵辨識結果(二)

樣本總數 誤判總數 辨識率

瑕疵晶粒 147 5 96.60%

完整晶粒 307 3 99.02%

晶粒總數 454 8 98.24%

(三)結論與建議

本論文主要開發一套應用影像處理技術來判斷 LED 晶粒外觀瑕疵，由影像擷取系統擷取影像後，

在前處理的影像加強，對於影像分割格外重要，有了精良的分割，對之後的瑕疵辨識會更加有利。在 辨識系統中，運用了乘冪律轉換、統計式門檻值、斷開、標籤化、索貝爾、哈克轉換、拉普拉斯及直 方圖等化等影像處理，萃取出外型特徵值、電極區的特徵值及發光區的特徵值，可運用特徵值判斷晶 粒外觀的優劣。在做 LED 外型分析上，應用外型特徵值，可判別晶粒完整性及晶粒傾斜角度，並可對 具有傾斜角度晶粒做角度補償。在外觀瑕疵上，判斷破晶是運用外型特徵值中的晶粒比值及邊長來做 判斷，可以準確分析出是否具有破晶瑕疵。在判斷多胞胎瑕疵上，是運用外型特徵值中的面積及質心 來做判斷，可辨別出晶粒是否有多胞胎瑕疵。在對晶粒內部結構分析上，運用分割得到的電極區並分 析其電極區特徵值，可判斷出電極區瑕疵及殘金瑕疵，運用求得的發光區瑕疵，也可以有效的辨識出，

發光區是否不足及發光區是否有汙染。

本計畫可判斷各種不同的瑕疵，而在晶粒上分析，也不侷限於單一種瑕疵，由各種特徵值的分析，

除了可找出具有瑕疵的晶粒，也可分析出多種瑕疵，提高瑕疵的辨識率。

本計畫未來發展可朝以下幾個方向發展：

1. 針對不同 LED 樣本做視覺系統辨識建立。

2. 晶粒瑕疵檢測特徵值資料庫建立，以提高強健性。

參考文獻

2. Jiang L., Haishun, Shijie S., Youbing C. Z. and W. Xin, “Grey Prediction Control of the Active Power Filter,” The Journal of Grey System, Vol. 3, pp. 229-236, 2001.

3. Yi D., Yang, R., “Grey Predictor Controller for DC Speed-control System,” The Journal of Grey System, Vol. 2, pp. 189-215, 1990.

4. Hong C.M., Lin S.C., and Chiang C.T., “Control of Dynamic Systems by Fuzzy-based Grey Prediction Control,”The Journal of Grey System, Vol. 1, pp. 23-44, 1995.

5. Kundu A. and Zhou J., “Combination Median Filter,”IEEE Trans. on Image Processing, Vol. 1, No. 3, pp.

422-429, 1992.

6. Windyga P. S., “Fast Impulsive Noise Removal,” IEEE Trans. on Image Processing, Vol. 10, No. 1, pp.

173-179, 2001.

7. Dimitry C., “Texture Imperfection, Pattern Recognition Letters,” Vol. 6, pp. 45-50, 1987.

8. Amet A. L. and Ercil A., “Texture Defect Detection Using Domain Co-occurrence Matrices,” Image Analysis and Interpretation, 1998 IEEE Southwest Symposium, pp. 205-210, 1998.

9. Sari-Sarraf H. and James S. J., “Robust Defect Segmentation in Woven Fabrics,” Proceedings of the 1998 IEEE Computer Society Conference on Computer Vision and Pattern Recognition, pp. 938-944.

10. Malamasa E. N., Petrakisa E. G. M., Zervakisa M., Petitb L., and Legat J. D., “A Survey on Industrial Vision Systems, Applications and Tools,” Image and Vision Computing, Vol.21, pp. 171-188, 2003.

11. Demir D., Birecik S., Kurugollu F., Sezgin M., Bucak I. O., Sankur B. and Anarim E., “Quality Inspection in PCBs and SMDs Using Computer Vision Techniques,”Industrial Electronics, Control and Instrumentation, 1994. IECON '94., 20th International Conference on Vol. 2, pp. 857-861, 1994.

12. Khwang E. K. and Mital D. P., “A Transputer-based Automated Visual Inspection System for Electronic Devices and PCBs,”Optics and Lasers in Engineering, Vol. 22, pp. 161-180, 1995.

13. Stanke G., Wohrle T. and Schilling, “High-Precision and Versatile Optical Measurement of Different Sides of IC’s in the Confection Process using only one Viewpoint,” F. Industrial Electronics Society, 1998.

IECON '98. Proceedings of the 24th Annual Conference of the IEEE Volume: 4, pp. 2425 -2427, 1998.

14. Shapiro A., “Automatic Classification of Wafer Defects ： Status and Industry Needs,” IEEE Transactions on omponents, Packaging, and Manufacturing Technology, Vol. 20, No. 2, 1997.

15. Otsu N., “A Threshold Selection Method from Gray-Level Histogram,＂IEEE Trans. Syst., Man, Cybern., Vol. SMC-8, pp. 62-66, 1978.

16. Du Y., Chang C. I. and Thouin P. D., “Unsupervised Approach to Color Video Thresholding,＂Optical Engineering, Vol. 43, No. 2, pp. 282-289, 2004.

17. Chang F. and Chen C. J., “A Component-Labeling Algorithm Using Contour Tracing Technique,＂Proc.

of Seventh International Conference, Document Analysis and Recognition, pp. 741-745, 2003.

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）

本計畫所提出之智慧型高亮度發光二極體瑕疵檢測及快速定位系統之開發與研製，整合 智慧型控制理論與影像處理技術之專業領域，達到高亮度發光二極體快速定位與瑕疵自動化 檢測系統，其計畫完成項目及具體成果分述如下：

1.應用灰色預測控制、遺傳基因演算法及模糊控制理論設計控制器，達到適時調整控制參 數提升LED晶粒配送盤定位速度及精度。

2.利用Sobel測邊及哈克轉換判斷LED晶粒之角度，並對晶粒進行傾斜角度之補償。

3.運用影像強化、分割及特徵值之擷取，得到LED瑕疵評級之客觀性，整體瑕疵辨識率達 98.24%。

4.應用自動化光學檢測於高亮度發光二極體瑕疵檢測系統可節省檢測的時間，並減少製程 上人為疏失之風險。

無研發成果推廣資料

98 年度專題研究計畫研究成果彙整表

計畫主持人：郭中豐 計畫編號：98-2622-E-011-004-CC3 計畫名稱：智慧型高亮度發光二極體瑕疵檢測及快速定位系統之開發與研製

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 2 2 100%

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 2 2 100% 件

技術移轉

權利金 80 80 100% 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。

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

本產學合作計畫研發成 果 及 績 效 達 成 情 形 自 評 表

成果項目

（作為本計畫後續管考之參據） 計畫達成情形

技術移轉 預計技轉授權 2 項 完成技轉授權 2 項

國內 預估 2 件 提出申請 0 件，獲得 0 件

專利

國外 預估 2 件 提出申請 0 件，獲得 0 件

博士 2人，畢業任職於業界2人 博士 1人，畢業任職於業界0人

碩士 2人，畢業任職於業界2人 碩士 1人，畢業任職於業界0人 人才培育

其他 2人，畢業任職於業界2人 其他 2人，畢業任職於業界2人

期刊論文 2 件 發表期刊論文 0 件

研討會論文 2 件 發表研討會論文 0 件

SCI論文 2 件 發表SCI論文 0 件

專書 2 件 完成專書 0 件

國內

技術報告 2 件 完成技術報告 1 件

期刊論文 2 件 發表期刊論文 0 件

學術論文 2 件 發表學術論文 0 件

研討會論文 2 件 發表研討會論文 0 件

SCI/SSCI論文 2 件 發表SCI/SSCI論文 2 件

專書 2 件 完成專書 0 件

論文著作

國外

技術報告 2 件 完成技術報告 0 件

其他協助產業發展

之具體績效 新公司或衍生公司 2 家 設立新公司或衍生公司(名稱)：

計畫產出成果簡 述：請以文字敘述 計畫非量化產出之 技術應用具體效 益。（限 600 字以

內）

本計畫所提出之智慧型高亮度發光二極體瑕疵檢測及快速定位系統之開發與研製，整 合智慧型控制理論與影像處理技術之專業領域，達到高亮度發光二極體快速定位與瑕 疵自動化檢測系統，其計畫完成項目及具體成果分述如下：

1.應用灰色預測控制、遺傳基因演算法及模糊控制理論設計控制器，達到適時調整控 制參數提升 LED 晶粒配送盤定位速度及精度。

2.利用 Sobel 測邊及哈克轉換判斷 LED 晶粒之角度，並對晶粒進行傾斜角度之補償。

3.運用影像強化、分割及特徵值之擷取，得到 LED 瑕疵評級之客觀性，整體瑕疵辨 識率達 98.24%。

4.應用自動化光學檢測於高亮度發光二極體瑕疵檢測系統可節省檢測的時間，並減少 製程上人為疏失之風險。