義守大學工業工程與管理學系

碩士論文

應用灰階共生矩陣於

彩色濾光片瑕疵檢測之研究 A Study on Defect Inspection of Color Filter Using

Gray-Level Co-Occurrence Matrix

研 究 生：林 冠 良 撰

指導教授：江 育 民 博士

中 華 民 國 九 十 八 年 八 月

謝 誌

當了十八年的學生，轉瞬間已穿著碩士袍坐在畢業典禮的會場之中，在這停留了六

年面對一切一切都再熟悉不過的校園我即將完成碩士學位並正式邁向人生另一個旅

程，研究所兩年的時光猛然驚覺就這麼飛逝而過，雖然短暫卻也是最充實快速學習吸收

新知的菁華時光，因為義守清幽的學習環境、麻雀雖小五臟俱全的研究室、優秀的師長

傳授知識，還有許多相互勉勵的學習夥伴們。隨著這篇論文即將付梓之際，內心對這一

路走來鼓勵和鞭策我的師友們，致上最大的謝意。

首先要深深感謝的是恩師江育民教授的指導和協助，在這孤獨的求學之路上不斷給

予準確的教導及嚴格的砥礪也會帶來即時的問候關心…點點滴滴都感激在心。論文能完

整的呈現也承蒙劉淑範老師能在百忙之中，給予論文寫作的方向和提供寶貴的建議；本

系巫沛倉老師在類神經網路專業領域，提出很好的建議與不同的思考邏輯方向並改善論

文的缺失；孫志彬老師在程式編寫的不吝指導；李炎星經理願意耐心給我機會及寶貴的

職場經驗…等。有了老師們的專業協助，論文才能夠趨於完善，由衷感謝。

與江老師的結緣從我踏入大學校園第一堂課就開始了，一路經過大學專題再到研究

所論文的過程之中，雖然有參加不完的研討會、整理不完的學長姐資料、準備不完的

Meeting 資料、處理不完的研究室事務、維護不完的機台設備……等。每天研究室開門跟關門的都是我一人，眼看我都要成為五樓工管系的警衛了，每當這個時候說沒有一絲

心酸真的也太矯情，放棄的念頭越來越濃、方向越來越迷惘、心情越來越惶恐、腳步越

來越慌張，好幾次都認為自己念不下去。報告被教授退回來的時候，想到又要重寫的心

情簡直比失戀還痛苦。許多個為了尋找自己論文靈感方向而失眠的夜晚，無數個為了完

成一篇報告而拒絕吃到飽的聚餐約會都令我感到沮喪。漸漸面對的只有電腦螢幕；腰酸

背痛的老人病越來越嚴重；長期在書桌前坐著缺乏運動的後果是，下圍和體重隨著論文

的字數增加而增加…其實老師這一切的辛苦與用心帶給我的知識、能力與成就感漸漸了

然於心，然而研究之路也是有甘甜的部份，跟老師一起去爬山去宜蘭到處遊玩也會成為

我難忘的回憶。

當然不能遺漏我的一堆同甘共苦的夥伴：博班愛品酒的寶哥及小湯、宏昇學長；帶

我進入機器視覺領域的小許、口試前還不忘關心我的書華、激發我許多靈感的建彰、我

的道路導航大頭；無緣的同門岳燐、吃到飽成員馬華、柚子、翔澤、老杯杯…等及學弟

小明、益賢、冠樟、政皓。重點感謝就是雅琪姐、寶姐、綿綿姐及大學幫一路的熱情相

挺。大學時代死黨球球、黑熊、小猪、阿修，我很珍惜你們，感謝之情溢於言表。

最後，很感謝辛苦栽培我的爸媽和姐姐的默默支持，讓我可以無後顧之憂也沒有經

濟壓力下完成學業，雖然說嘴巴上不說…但你知道我是愛你們的。在最後的篇幅，未提

及的我把妳放在心底，需要感謝的人真的太多！我完成了碩士學位，很辛苦也很驕傲！

林冠良 謹誌於

義守大學工管所 智慧型製造系統研究室

中華民國九十八年八月二十日

摘要

彩色濾光片（Color Filter）為現今液晶面板中之關鍵零組件，為佔整體成本比重最高之元件。然而目前其瑕疵檢測仍舊大量仰賴人工於最後成品階段全檢，而使用人工除

檢測效率較差外，其主觀判斷方式亦容易產生誤判。本研究藉由統計觀點之灰階共生矩

陣（Gray-Level Co-Occurrence Matrix, GLCM）擷取彩色濾光片表面瑕疵特徵，來解決樣本影像本身之旋轉、位移、放大倍率…等尺度不一之問題；並透過倒傳遞類神經網路

進行瑕疵分類，以避免因人工檢測誤判造成之損失。本研究針對彩色濾光片中人眼不易

觀察之瑕疵包括：白缺、黑缺、突起、ITO 缺陷、膜面傷、金屬殘留、PS 光阻殘留、Cr 蝕刻不良、玻璃氣泡、光阻擴散等與良品共十一類，各 30 筆樣本，於灰階共生矩陣四種不同角度下（0 度、45 度、90 度、135 度）搭配同像素距離（10 像素）共擷取 22項特徵，探討不同特徵擷取方式與與瑕疵分類正確率之關係。經實驗得知對於單一角度

特徵，以 135 度擷取特徵其辨識正確率最佳，其測試樣本正確率可達 94.55%；將四種角度擷取之特徵視為不同樣本，其測試辨識正確率達 90%；若將四種角度擷取之特徵視為同一樣本之特徵，可得共 88 項特徵值，則測試樣本正確率達 90.91%；透過 BW 比率刪減維度，發現保留前 40 大特徵值可達良好分類效果，其測試樣本辨識率高達 96.36%。故本研究透過統計觀點之灰階共生矩陣法擷取出瑕疵特徵，可順利克服彩色濾光片瑕疵

樣本尺度不一問題並有效正確辨識瑕疵類型。

關鍵詞：彩色濾光片、瑕疵分類、灰階共生矩陣、倒傳遞類神經網路

Abstract

Color filter （CF） is the critical component to realize colorization and is the most expensive component in LCD production. Most of the CF manufactures recognize the surface defects of the finished goods by human inspectors. Such inspection is inefficient. Besides, the inspectors may be mistaken about the CF defect type. To improve the inspection efficiency, the research develops an automatic defect classification system for CF. Since the images provided by the CF manufacture are captured under different setting, some properties of the image such as size, orientation, and brightness are inconsistent. To overcome the problems of shift variant, scale variant, and light variant, the study utilizes the gray-level co-occurrence matrix （GLCM） to extract the texture features of a CF image. The co-occurrence matrix is formed using a set of offsets sweeping through 180 degrees （i.e. 0, 45, 90, and 135 degrees） at the same distance （10 pixels）. For one degree, 22 features are extracted. There are total 88 features for a CF image. The extracted features are imported into the back-propagation neural network （BPN）. After learning and training the neural network the system can recognizes ten kinds of CF defects. The recognition accuracy is 90.91% for the test samples. Compared the features extracted from different degrees, the recognition accuracy is highest under 135 degrees （94.55%）. If the input dimension for BPN classification is reduced by BW ratio, it will influence the classification accuracy. Experiment results indicate keeping the features with the top 40 BW ratio has the best recognition rate, 96.36%. Overall speaking, the proposed method can achieve good performance for CF defect classification.

Keywords: Color Filter, Defects Classification, Gray-Level Co-Occurrence Matrix （GLCM）, Back-Propagation Neural Network.

I

目 錄

第一章 緒論 ........................................................................................ 1 第一節 研究背景與動機................................................................................ 1

第二節 研究範圍與目的................................................................................ 7

第三節 研究限制.......................................................................................... 10

第四節 研究流程與論文結構...................................................................... 11

第二章 文獻探討 .............................................................................. 14 第一節 TFT-LCD 與彩色濾光片 ................................................................ 14

第二節 機器視覺於彩色濾光片相關瑕疵檢測 ......................................... 19

第三節 瑕疵紋路分析.................................................................................. 24

第四節 分類方法.......................................................................................... 26

第五節 資料探勘.......................................................................................... 31

第六節 本章小結.......................................................................................... 32

第三章 研究方法 .............................................................................. 33 第一節 樣本尺度不變定義.......................................................................... 34

第二節 瑕疵定義.......................................................................................... 35

第三節 灰階共生矩陣.................................................................................. 39

第四節 特徵值擷取...................................................................................... 44

第五節 特徵資料維度刪減.......................................................................... 49

第六節 分類判斷.......................................................................................... 51

第四章 實證分析與結果 .................................................................. 55 第一節 相同影像於不同輸入角度之實證分析 ......................................... 56

第二節 擷取特徵值與角度關係實證分析 ................................................. 74

第三節 最具代表性之特徵值實證分析 ..................................................... 79

第四節 實證分析討論.................................................................................. 87

第五章 結論與未來研究 .................................................................. 92 第一節 研究結論.......................................................................................... 92

II

第二節 未來研究方向.................................................................................. 94

參考文獻 ............................................................................................ 95

附錄一：MatLab 計算影像灰階共生矩陣程式碼（.m） ........... 100

附錄二：MatLab 擷取紋路特徵值程式碼（.m） ....................... 103

III

表 目 錄

表1.1 彩色濾光片於面板材料成本比重結構…………………………………4 表1.2 彩色濾光片之瑕疵類型…………………………………………………8 表1.3 論文流程與架構 ………………………………………………………13 表2.1 製程瑕疵分類表 ………………………………………………………16 表2.2 微觀瑕疵黑缺白缺分類 ………………………………………………17 表2.3 彩色濾光片微觀瑕疵分類 ……………………………………………18 表2.4 產品潛在特性 …………………………………………………………20 表2.5 分類方法優缺點表 ……………………………………………………30 表3.1 瑕疵影像特性表 ………………………………………………………36 表 3.2 本研究所擷取之全部 22 項特徵值……………………………………48 表 3.3 BW 比率示意表 ………………………………………………………50 表4.1 倒傳遞類神經網路模式參數設定 ……………………………………56 表 4.2 220 筆訓練範例角度為 0 度之混淆矩陣表……………………………58 表 4.3 110 筆測試範例角度為 0 度之混淆矩陣表……………………………58 表 4.4 220 筆訓練範例角度為 0 度並縮減維度之混淆矩陣表………………60 表 4.5 110 筆測試範例角度為 0 度並縮減維度之混淆矩陣表………………60 表 4.6 220 筆訓練範例角度為 45 度之混淆矩陣表 …………………………62 表 4.7 110 筆測試範例角度為 45 度之混淆矩陣表 …………………………62 表 4.8 220 筆訓練範例角度為 45 度並縮減維度之混淆矩陣表 ……………64 表 4.9 110 筆測試範例角度為 45 度並縮減維度之混淆矩陣表 ……………64 表 4.10 220 筆訓練範例角度為 90 度之混淆矩陣表…………………………66 表 4.11 110 筆測試範例角度為 90 度之混淆矩陣表…………………………66 表 4.12 220 筆訓練範例角度為 90 度並縮減維度之混淆矩陣表……………68 表 4.13 110 筆測試範例角度為 90 度並縮減維度之混淆矩陣表……………68 表 4.14 220 筆訓練範例角度為 135 度之混淆矩陣表 ………………………70 表 4.15 110 筆測試範例角度為 135 度之混淆矩陣表 ………………………70 表 4.16 220 筆訓練範例角度為 135 度並縮減維度之混淆矩陣表 …………72 表 4.17 110 筆測試範例角度為 135 度並縮減維度之混淆矩陣表 …………72 表4.18 倒傳遞類神經網路與角度關係實證分析之模式參數設定…………74 表 4.19 880 筆訓練範例混合角度特徵之混淆矩陣表 ………………………75 表 4.20 440 筆測試範例混合角度特徵之混淆矩陣表 ………………………75 表 4.21 880 筆訓練範例與角度關係刪減特徵維度之混淆矩陣表 …………77 表 4.22 440 筆測試範例與角度關係刪減特徵維度之混淆矩陣表 …………77 表 4.23 220 筆訓練範例最具代表性之特徵值之混淆矩陣表 ………………80 表 4.24 110 筆測試範例最具代表性之特徵值之混淆矩陣表 ………………80

IV

表 4.25 220 筆訓練範例最具代表特徵保留前 20 大特徵值之混淆矩陣表…82 表 4.26 110 筆測試範例最具代表特徵保留前 20 大特徵值之混淆矩陣表…82 表 4.27 220 筆訓練範例最具代表特徵保留前 40 大特徵值之混淆矩陣表…84 表 4.28 110 筆測試範例最具代表特徵保留前 40 大特徵值之混淆矩陣表…84 表 4.29 220 筆訓練範例最具代表特徵保留前 60 大特徵值之混淆矩陣表…86 表 4.30 110 筆測試範例最具代表特徵保留前 60 大特徵值之混淆矩陣表…86 表4.31 各試驗瑕疵正確辨識率比較表………………………………………87 表 4.32 保留前 40 大 BW 值下各角度最具代表性之瑕疵特徵值 …………91

V

圖 目 錄

圖 1.1 TFT-LCD 製程流程圖……………………………………………………3 圖 1.2 AOI 技術研發內涵………………………………………………………5 圖 1.3 AOI 技術發展策略及方向………………………………………………5 圖 1.4 CF 瑕疵檢測之 AOI 機台顯示介面 ……………………………………6 圖 1.5 CF 十類瑕疵之樣本舉例 ………………………………………………7 圖 1.6 研究流程圖 ……………………………………………………………11 圖 2.1 TFT-LCD 面板結構 ……………………………………………………15 圖2.2 液晶透光原理 …………………………………………………………15 圖 2.3 TFT-LCD 單色信號圖…………………………………………………15 圖3.1 研究方法流程圖 ………………………………………………………33 圖3.2 樣本尺度不變實驗圖 …………………………………………………34 圖 3.3 一 （4×4）的紋路矩陣 ………………………………………………40 圖 3.4 所有在 d = 1，θ=0° 下所要掃描之點…………………………………40 圖3.5 灰階共生矩陣 …………………………………………………………41 圖3.6 灰階明亮度相互關係矩陣例子 ………………………………………42 圖3.7 相互關係矩陣 …………………………………………………………42 圖3.8 正規化後關係矩陣的元素值 …………………………………………42 圖3.9 倒傳遞類神經網路架構圖 ……………………………………………51 圖3.10 倒傳遞類神經網路訓練流程…………………………………………54 圖 4.1 角度為 0 度實證分析之誤差收斂圖 …………………………………57 圖4.2 未刪維度時角度與準確率比較圖 ……………………………………88 圖4.3 不同角度下準確率與特徵值關係比較圖 ……………………………88 圖4.4 合併四種不同角度下辨識率比較圖 …………………………………89 圖4.5 最具代表性特徵值之辨識率比較圖 …………………………………90

1

第一章 緒論

本章首先就研究對象液晶平面顯示器材料結構中的元件彩色濾光片（Color Filter,

CF）說明其研究背景及動機，並簡要介紹顯示器消費市場目前需求走向及該產業於瑕疵

部分辨識（Recognition）能力的現況與問題，再將研究範圍及研究目的予以確立且指出

此研究之限制所在。最後闡明研究之流程與本論文章節架構。

第一節 研究背景與動機

顯示器（Display）是資訊時代人們訊息傳遞與溝通之重要介面，平面顯示器

（Flat-Panel Displays）具有輕薄、省電、零輻射、省空間與可攜性…等優點。更加帶給

人們許多生活上之便利，並逐漸取代傳統陰極射線管型（CRT，Cathode Ray Tub）之顯

示器，形成繼矽品積體電路後，突飛猛進的新科技領域及廣受應用與矚目的主流光電產

品之一。液晶顯示器（LCD）裝置的主流產品為薄膜電晶體液晶顯示器（TFT-LCD），

在已開發國家中已超過傳統映射管顯示器（CRT）的使用；而在開發中國家，TFT-LCD

亦隨國民所得日漸增加及各製造廠商削價競爭下，逐漸成為市場新寵兒。由此可見 LCD

是具潛力及被看好的平面顯示器，未來勢必取代映射管顯示器而成為明日顯示器主流。

平面顯示器至今仍為我國積極發展「兩兆雙星」中的重點產業之一，據工研院調查：

2001 年產值已超過日本成為世界第二，2007 年產值達新台幣 1 兆 2,849 億元，相較於

2006 年，產值成長 41.0%，大尺寸面板產值並一舉超越韓國成為全球第一（莊凱評，

2008）。在設備投資方面據工研院金屬中心資料顯示：2007 年我國 TFT-LCD 設備市場

規模為新台幣 934 億元，產值達 384.6 億元，整體自給率達 41.2%。隨 2007 第四季起，

國內包括友達與奇美…等大廠，陸續投入次世代廠興建與擴充既有產線，其所釋出相關

設備之訂單帶動加上國內部分 TFT-LCD 設備自製能力提升，及國內面板廠採用本土設

備意願提高，持平預估 2008 年台灣 TFT-LCD 製程設備的市場規模約 1,262 億元，產值

635 億元，自給率 50.3%，成為全球投資最密集地區（工研院金屬中心，2008）。台灣

2

已成為全球平面顯示器生產重鎮，關鍵零組件國際大廠皆來台投資，在數個科學園區和

工業區形成關連性產業聚落，上下游供應體系逐漸整合降低生產成本，但仍有大量發展

空間。

TFT-LCD 產業具資本密集、技術密集、產品生命週期短及生產線技術更換快速等

特性，且隨次世代面板持續開發生產設備不斷加碼。在今日國內廠商紛紛投入更高世代

TFT-LCD 技術生產之際，預期未來面板有供過於求的現象下，獲利空間愈來愈小。然

而，消費者對 TFT-LCD 的功能要求愈來愈多，譬如希望有更高的解析度、更快的反應

速度和更低的消耗功率…等，這些功能的加入需要更進階的製程和更多的設計改善才能

做到，也就是要繼續投入更多的資本，然而產品的價格變化並不大。此外，產品的生命

週期變短，因此需要加速新產品的推出時程，希望能搶先競爭對手，可以及時上市新產

品以獲得較高的利潤。

TFT-LCD 面板的製造主要分為三段製程，分別是陣列製程（Array）、組立製程

（Cell）、以及模組製程（Module）（圖 1.1）。而 TFT-LCD 面板之所以能呈現彩色的

影像，主要就是靠彩色濾光片。背光源透過液晶及驅動 IC 的控制形成灰階光源，而彩

色濾光片上塗佈著紅、綠、藍三色顏料光阻，光源再通過彩色濾光片即形成紅、綠、藍

色光，最後在人眼中混合形成彩色影像。彩色濾光片為 TFT-LCD 面板中最主要之零組

件，以 15 吋 TFT 面板材料成本結構來看，彩色濾光片佔 24%，為佔面板成本比重最大

的零組件，高於背光模組的 17%、及驅動 IC 的 17%；以筆記型電腦 14.1 吋面板為例，

彩色濾光片約佔所有材料成本的 28％左右，高於背光模組 18％與驅動 IC17％的採購成

本；至於大尺吋（五代廠以上）TFT-LCD 材料成本依序為彩色濾光片 26%、背光模組

18%、驅動 IC 模組 16%、偏光板 11%，此四項零組件合計佔材料成本比重高達七成（拓

墣產業研究所，2009）。表 1.1 列出了不同形式的 TFT-LCD 面板材料成本結構。

3

圖 1.1 TFT-LCD 製程流程圖

資料來源：本研究整理

薄膜沉積現象

於玻璃基板產生薄膜

光阻塗佈

均勻塗於基板表面

曝光，紫外線

通過刻有圖案之光罩

將曝光於後之光阻 溶解後由離子水沖洗

蝕刻，進行未受光阻 保護之薄膜層蝕刻

剝膜，滴入有機溶劑

和光阻產生化學反應

反應後之光阻將由

有機溶劑沖離基版

一般完整薄膜電晶體

需重覆五道製程

ARRAY 製程結束進行檢測

將 TFT 基版 與彩色濾光片貼合

配向膜

印刷

配向膜

配向

膠框塗佈 供 TFT 與 CF 黏固

進入彩色濾光片 CELL 製程

配向膜

印刷

配向膜

配向

噴灑間隔物

控制液晶層厚度

注入

液晶

結合裝置 將兩基版貼合

切割

切製最終尺寸

偏光片

貼附

CELL 製程完成進行檢測

驅動 IC 壓合

背光源

組裝

TFT-LCD 組裝完成

老化測試

於高溫下測試可靠度

MODULE 製程結束進行檢測

完成測試後

進入包裝

4

表 1.1 彩色濾光片於面板材料成本比重結構

TFT-LCD 4 代廠 5 代廠以上 筆記型電腦 切割尺寸 中型尺寸 大型尺寸 14.1 吋 彩色濾光片 24% 26% 28% 背光模組 17% 18% 18% 驅動 IC 17% 16% 17% 偏光膜 16% 15% 13% 玻璃基板 13% 13% 12%

液晶 13% 12% 12% 材料成本總計 100% 100% 100%

資料來源：拓墣產業研究所，2009

基於現今液晶顯示器面板產業的快速發展，其各生產線上之品質檢驗也相形重要。

諸如面板製程中 Array 段的 ITO 導電玻璃表面瑕疵檢測、MOS 電極的電性檢測、Cell

段製程中的彩色濾光片、偏光板等瑕疵的檢測及 Module 段製程中的驅動 IC 檢測…等，

都有進行檢測的必要性與重要性。倘若在這 LCD 面板大量生產製造過程中，仍利用過

往人工逐片目視檢驗的方式，勢必造成人力的損耗、成本提高，導致生產效率降低、品

質不穩定、或因人工檢測誤判造成損失的情形產生。因此目前 LCD 面板廠之生產線檢

測方式，已逐漸採用自動化光學檢測（Automatic Optical Inspection, AOI）的方式替換人

工全檢。利用機器視覺（Machine Vision）的檢測技術結合光學與影像處理的應用，可

對不同待測物體進行瑕疵檢測及辨識判別。但由於國內投入自動化光學檢測設備的生產

與研發還是有限，僅限於少數面板廠商有投入相關設備研發，其餘大都仰賴國外進口。

直至 2004 年，臺灣開始有自動化光學檢測設備聯盟（Automatic Optical Inspection

Equipment Association, AOIEA）的成立，整合產官學研等能力（圖 1.2），才開展一些

相關廠商、學術單位的陸續投入於自動化光學檢測設備研究領域。圖 1.3 顯示了 AOI 技

術發展策略及方向，所發展的技術可推廣應用於 IC 及一般電子業、機械工具/自動化機

械、電機工業、金屬鋼鐵業、橡膠/塑膠製品、食品加工/包裝業、紡織皮革工業、汽車

工業、家電/辦公、保全/監視系統…等。

5

圖 1.2 AOI 技術研發內涵

資料來源：莊凱評，2008

圖 1.3 AOI 技術發展策略及方向

資料來源：莊凱評，2008

6

彩色濾光片為使 TFT-LCD 面板形成彩色的最主要零組件，由表 1.1 可知其為面板

成本比重最高的零組件，故本研究擬針對彩色濾光之瑕疵檢測進行研究。期能透過提高

CF 瑕疵檢測效能，以降低 TFT-LCD 生產成本。目前針對 CF 的瑕疵檢測雖有自動化機

台進行瑕疵框選擷取及判定（圖 1.4），就實務經驗機台能檢出但不保證判定正確。故

最終判定仍於成品階段進行人工全面檢測，除曠日費時外亦容易造成漏檢或誤判情況發

生。當大量生產模式下產品流動快速，若製程中發生變異未及時發現與去除直至 LCD

成品完成時才檢測出瑕疵導致報廢而無法重工，不但損失產品、浪費大量材料成本與製

造成本更會影響交期損失商譽。因此，若能在製造過程中藉由導入機器視覺的自動瑕疵

檢測技術來取代人工檢測，及時發現缺陷產生並立即矯正，則產品之良率相對獲得提昇。

（a） （b）

（c）

圖 1.4 CF 瑕疵檢測之 AOI 機台（a）顯示介面（b）取像之 CCD（c）顯示畫面

資料來源：個案公司提供

7

第二節 研究範圍與目的

彩色濾光片瑕疵類別包含可由人眼觀察之巨觀瑕疵（Macro-Defect）與不易由人眼

觀察之微觀瑕疵（Micro-Defect），其中微觀瑕疵之人工檢測必須借助放大解晰機台進

行檢驗，不但費時且易漏檢。故本研究主要是針對 CF 瑕疵提供一自動辨識之方法，辨

識瑕疵項目包含：白缺陷（White Defect）、黒缺陷（Black Defect）、突起缺陷（Tokki

Defect）、ITO 缺陷、膜面傷（Surface Scratch）、金屬殘留、PS 柱缺陷、Cr 蝕刻不良、

玻璃基板氣泡、光阻擴散…等十種瑕疵類型（圖 1.5）。

白缺陷 黑缺陷 突起缺陷 PS 缺陷 ITO 缺陷

膜面傷 金屬殘留 Cr 蝕刻不良 玻璃基板氣泡 光阻擴散

圖 1.5 CF 十類瑕疵之樣本舉例

資料來源：個案公司提供

以上瑕疵的發生將使成品面板報廢，若透過機器視覺及早於製程中發現瑕疵，得以

透過雷射研磨重工或報廢半成品，避免後製程之材料浪費，尤其以避免液晶與偏光板等

關鍵材料之浪費最為可觀。但 TFT-LCD 製程通常是整廠技術引入其中包含生產所需材

料及設備且各設備之參數和產品良率息息相關，然而礙於設備成本問題，製程瑕疵檢測

設備雖為控管產品品質不可或缺之系統，但通常仰賴較舊型低階之設備，於更新設備需

要之投資需求相對較低。而彩色濾光片在面板生產製程中常見的瑕疵有白缺、黑缺、突

起、蝕刻不良及膜面污染…等表面瑕疵如表 1.2。其瑕疵產生原因常來自於玻璃基板切

割後的碎屑氣泡髒汙、光阻殘留、空氣中粉塵、異物及人為污染與搬運過程中損害…等。

8

其中任何一項瑕疵都可能影響 LCD 面板的成像品質，故在 LCD 面板製程中彩色濾光片

瑕疵檢測是極為重要且需求殷切的檢測程式，相對隨玻璃基板面積尺寸的加大，其自動

化搬運、檢測設備的發展在 LCD 面板六代、七代、八代的開發製程中更是不容忽視。

表 1.2 彩色濾光片之瑕疵類型

類別 造成 CF 最終檢查項目 瑕疵類型 可能發生之工作站

白缺陷 缺光阻造成漏光 配向塗佈

黑缺陷 光阻殘留透射光阻顏色 配向塗佈

突起缺陷 非光阻材質之異物殘留 配向塗佈

膜面傷 刮痕、玻璃基板破裂 原料玻璃基板切割

微觀

修正缺陷 雷射、研磨失敗 修正處理

Mura 水漬、機械手臂…造成 配向處理

PS 柱缺陷 PS 柱缺陷或折損 配向塗佈 巨觀

ITO 缺陷 ITO 放電異常造成鋸齒 配向塗佈

資料來源：本研究整理

本研究中將利用個案公司所使用的彩色濾光片 AOI 機台所取得之瑕疵影像，導入影

像處理於 CF 面板之表面瑕疵檢測，針對人眼不易觀察之 CF 瑕疵，進一步將此瑕疵加

以分類（Classification），回饋生產線及時且快速之製程變異資訊，並據以作修補矯正、

重工或停機等決策，將傷害及損失降到最低，使產品良率相對獲得提昇。

CF 面板表面是由垂直與水準之規律紋路（Texture）所構成，常見的濾除頻譜中垂

直水準紋路之頻率元素之方法，為傅立葉影像轉換（Fourier Transform）與反傅立葉影

像還原技術，但此種以頻率域（Frequency Domain）處理之方式，由於計算較為複雜，

影像處理時間往往過長，不適用於工業檢驗。另一方面，由於個案公司所提供之瑕疵影

像樣本之取像環境、光源、放大倍率、角度、原影像大小…等並未經詳細記錄，往往為

未知情況。本研究針對 CF 瑕疵分類問題中樣本大小不一及取像條件不一致之限制，擬

9

由 CF 面板其規律紋路與瑕疵紋路於統計觀點的差異性，利用灰階共生矩陣（Gray-Level

Co-Occurrence Matrix, GLCM）方式擷取出瑕疵特徵，以克服樣本尺度不一問題；進而

將瑕疵特徵代入常見的分類器以有效且正確的辨識出瑕疵種類，以回饋生產線並及時修

正製程。

綜上所述，本研究希望達成目的為：

一、透過統計觀點之灰階共生矩陣法擷取出瑕疵特徵，克服樣本尺度不一問題。

二、探討瑕疵特徵及其樣本角度彼此間影響之關係。

三、探勘瑕疵特徵對分類正確性的影響。

四、提高彩色濾光片瑕疵分類的正確率。

10

第三節 研究限制

本研究主要針對 TFT-LCD 面板之彩色濾光片（CF）進行微觀、巨觀瑕疵種類之離

線（Off-Line）辨識。本研究輸入之影像樣本為個案公司所提供之影像，其中取像的程

式分成兩步驟，首先個案公司內部之自動光學檢測系統會先對其無瑕疵之彩色濾光片進

行線性取像，並同步比對偵測瑕疵所在位置並記錄；接著辨識系統取像機台再對 AOI

系統標示之瑕疵進行取像及人員辨識的作業。取得之影像為擷取自彩色濾光片之反射影

像，屬 RGB 彩色影像格式，故樣本取樣之環境、燈光、放大倍率皆由提供樣本之公司

檢驗人員決定，本研究無法得知取像時之確切放大倍率、取像角度與光源設定等資訊。

由於 CF 面板其灰階訊號呈現具週期性變動之特性，針對此週期特性本研究排除普

遍應用之傅立葉轉換將影像由空間域（Spatial Domain）轉換至頻率域分析方式，而是將

TFT-LCD 面板其規律紋路與瑕疵紋路透過統計觀點保留瑕疵特徵並直接經灰階共生矩

陣方式擷取出瑕疵特徵，故將影像中週期性紋路部份（即具有規律間距的信號線）及瑕

疵部分完整地保留。但若影像經處理後不涉及表面紋路之瑕疵類型（如：雷射補錯色）

則不予納入辨識類型。本研究僅針對個案公司提供之瑕疵樣本進行辨識，瑕疵樣本數缺

乏或過少之瑕疵種類如 Mura、背面污染（Back-Side Dirt）等亦無法列入辨識瑕疵種類。

綜上所述，本研究限制為：

一、樣本圖像中，若當該瑕疵類型不牽涉到紋路破損，而是色彩方面之瑕疵類型，如：

雷射補錯色…等，因當影像轉為灰階時期資訊量銳減，將不適用。

二、巨觀瑕疵且具光線折射條件影響因素，如：Mura 瑕疵，當影像轉為灰階時其資訊

量將銳減，故亦不適用於本研究所提之瑕疵辨識方法。

三、瑕疵僅微量出現在邊緣，如：放電異常等。也不列入檢測。

11

第四節 研究流程與論文結構

本研究流程圖如圖 1.6 所示，首先確定研究方向及研究範圍後擬定研究主題及瑕疵

對象，再針對相關研究蒐集並分析國內外相關文獻，了解已發表之方法後進而建立研究

架構。由於本研究因已獲廠商提供之彩色濾光片瑕疵彩色樣本，遂於擷取影像樣本之方

法不加以探討之，僅對取得之影像資料進行後續處理分析，配合文獻決定影像處理方法

與流程並將資料儲存與分析。之後針對影像資料進行分類處理並測試結果，再由得到之

結果提出結論與建議。

圖 1.6 研究流程圖

資料來源：本研究整理

確立研究主題

定義研究問題及範圍

探討國內外文獻

影像資料取得及分析

訂定影像處理方法與流程

影像資料處理分析與討論

結論與分析

12

本研究論文架構共分為五章，第一章針對本研究所探討之問題及範疇定義；第二

章，闡述說明過去學者先進曾提出的 CF 以及 TFT-LCD 相關瑕疵檢測方式，並討論不

同文獻所使用瑕疵檢測之方式；第三章則針對本研究之方法進行說明，首先本研究就樣

本尺度不變予以定義，另將彩色濾光片之檢測項目彙整瑕疵類型，進而選定本研究所探

討之良品以及白缺、黑缺…等十種瑕疵類型，並說明樣本影像處理過程且透過灰階共生

矩陣應用於彩色濾光片瑕疵特徵值擷取與檢測，再將龐大瑕疵特徵資訊予以刪減維度，

最後投入倒傳遞類神經網路來對瑕疵特徵值進行分類判斷。第四章針對本研究所提方法

進行試驗與結果分析。第五章為研究結論與未來研究方向。論文架構如表 1.3。

13

表 1.3 論文流程與架構

大 綱 內 容

研究背景與動機 研究範圍與目的 研究限制與流程

TFT-LCD 與彩色濾光片 機器視覺於彩色濾光片相關瑕疵檢驗 瑕疵紋路分析 分類方法 資料探勘

樣本尺度不變定義 瑕疵定義 灰階共生矩陣 特徵值擷取 特徵資料維度刪減 分類判斷

相同影像於不同輸入角度之實證分析 擷取特徵值與角度關係實證分析 最具代表性之特徵值實證分析 實證分析討論

研究結論 未來研究方向

資料來源：本研究整理

緒論

文獻探討

研究方法

結論與展望

實證分析

14

第二章 文獻探討

於本章針對本研究所參考之各類文獻進行統整概述，首先為 TFT-LCD 與彩色濾光

片結構介紹，及彩色濾光片瑕疵之探討；第二節為機器視覺於彩色濾光片相關瑕疵檢測

系統，近年來機器視覺在各項領域中皆扮演著舉足輕重地位，依不同應用目標所需，處

理步驟及流程亦有所不同，故介紹其應用及運作；並對 TFT-LCD 與 CF 相關瑕疵檢測

相關研究進行蒐集，於本研究有相當程度的啟發；第三節介紹紋路分析之技術；第四節

討論機器學習理論中分類領域的相關研究；第五節針對縮減分類特徵量所需使用之資料

探勘（Data Mining）技術進行回顧；最後總結文獻探討內容與後續研究方法的關連性。

第一節 TFT-LCD 與彩色濾光片

TFT-LCD 之結構如圖 2.1 所示。其成像原理猶如立體電影院觀賞之眼鏡，將其從中

剪斷重疊並旋轉後，會發現其透光度隨兩鏡片角度不同而變化，即為偏光原理。LCD 每

一元素角色即如同兩鏡片般，旋轉液晶角度讓通過液晶之光線成一定角度偏極化，再透

過另一固定角度的偏光板（Polarizer）便可控制該元素亮度，此為灰階控制。而這灰階

需光源才具有意義，該光源即所謂背光（Backlight）。因其不需針對不同元素有所區分，

故僅需一片均勻白光即可。濾光片（Color Filter）則是賦予該元素所應有的顏色。液晶

特性為在液晶兩端施加一電壓時，液晶之旋轉角度隨電壓增加而加大。其電壓和液晶旋

轉角度之特性使 TFT-LCD 功能類似一個快速光開關，液晶未施加電壓時，光源由下方

進入時通過極性為垂直的偏光板，接著被液晶旋轉 90 度由上方極性水準的偏光板射

出，如圖 2.2。當液晶施加電壓時會將液晶扭轉，造成通過液晶之光源極性和上方偏光

板極性產生相位差，通過之光源強度因此降低。

TFT-LCD 內部每個畫素都有一 TFT。TFT 閘極連結到水準方向之掃描線，源極連

結至垂直方向之資料線。顯示時會依序啟動每一條掃描線（S1~SN）使閘極打開，資料

線（D1~DN）則依顯示之光強度而輸入不同電壓，如圖 2.3 所示。當閘極關閉後到下次

15

信號再寫入前則由內部之電容保持電壓，也因此在電容電壓未被消耗前 LCD 能維持固

定旋轉角度直到下次信號重新寫入為止。也因能控制通過每個畫素的光源強度，可產生

明暗度不同顯示效果。透過控制 RGB 三原色不同比例組合出各種色彩。故將 D1 及其倍

數覆蓋上紅色濾光片；D2 及其倍數覆上綠色濾光片；D3 及其倍數覆上藍色濾光片，則

可將單色變成彩色顯示（陳振銘，2004）。

圖 2.1 TFT-LCD 面板結構

資料來源：陳振銘（2004）

圖 2.2 液晶透光原理

資料來源：陳振銘（2004）

圖 2.3 TFT-LCD 單色信號圖

資料來源：陳振銘（2004）

16

彩色濾光片為液晶平面顯示器給予色彩功能的組件，影響著液晶平面顯示器面板顏

色特性，同時亦大幅左右面板的對比值（Contrast）、亮度（Luminance, Light Output）

和表面反射…等表示性能。在彩色濾光片之製程中，首先投入一玻璃基板，其後一連串

製程都將在玻璃基板上作業。投入基板後須再將基板進行清洗、烘乾的作業，再接著為

遮光層（Black Matrix, BM）製程作業，當中包括光微影、顯影、蝕刻及烘烤…等作業。

再 RGB 三色顏料或染料上色製程，在此也需經過三道與前面 BM 製程相似之作業，但

使用之製程依其感材顏料、染料不同而有所差異。於上色完成之基板進行研磨作業，使

其色層高度平坦並去除突起缺陷，再進入氧化銦錫透明導電薄膜（Indium Tin Oxide

Conductive Thin Film, ITO）之鍍膜製程。完成鍍膜之基板再經一鍍膜檢驗站後便可進行

裂片，而後通過最終全檢和驗收抽檢後即可出貨。於彩色濾光片之製程中因個別製程的

疏失或各製程相互影響下常會產生許多型態的瑕疵。Nakashima（1994）指出彩色濾光

片製程產生的瑕疵可粗略分成兩大類，各是 Macro-Defects 和 Micro-Defects。此兩類瑕

疵當中又可將其細分為以下樣式，其對製程瑕疵之分類如下表 2.1 所示：

表 2.1 製程瑕疵分類表

IRO-MURA SIMI Macro-Defects IRO-ZURE Black Matrix Hole Black Matrix Pattern Defect SIRO-NUKE（color area shortage in filter cell） Particle Grain

Defects

Micro-Defects

Hole in ITO film

資料來源：Nakashima（1994）

Macro-defects 相對 Micro-Defects 於尺寸上來說是較大且可由人眼辨識。

Macro-Defects 中包括 IRO-MURA、SIMI 和 IRO-ZURE 三種，IRO-MURA 發生為顏色

陣列之顏色發生不均勻的情形；SIMI 的情況是在彩色濾光片上產生污染；而 IRO-ZURE

17

是指顏色陣列排列有失校問題產生。而在 Micro-Defects 中發生於顏色陣列和 BM 者依

其顯示在影像中之亮度主要分兩類即黑缺陷及白缺陷。黑缺陷中包括 Particle 和 Black

Matrix Pattern Defect。Particle 是指在影像中存在細微粉塵，其呈現的顏色為暗色故被歸

類於黑缺陷中；Black Matrix Pattern Defect 是指 BM 本身的圖樣發生尺寸不符的情形，

因在影像呈現為黑色所以也被歸為黑缺陷。白缺陷則包含 SIRO-NUKE 及 Black Matrix

Hole 兩種。SIRO-NUKE 意指在顏色陣列上有掉色問題產生，在影像中屬亮區瑕疵；Black

Matrix Hole 為 BM 圖樣有破洞產生，此問題將有光漏損情況發生，因此在影像中也屬亮

點瑕疵。微觀瑕疵黑白缺分類情形如下表 2.2 所示。最後是 Grain 及 Hole in ITO film 此

兩種瑕疵特性，Grain 指有 Particle 落於彩色濾光片和 ITO 薄膜電極間，若 Particle 過大

會使電位感應短路。Hole in ITO film 則為在 ITO 薄膜上有破洞產生，這些破洞會引發諸

如短路、電位失控等情形。

表 2.2 微觀瑕疵黑缺白缺分類

Particle Black Defect

Black Matrix Pattern Defect

SIRO-NUKE White Defect

Black Matrix Hole

資料來源：Nakashima（1994）

彩色濾光片之瑕疵於業界常被分為如表 2.3 所示之瑕疵種類，其中包括項目相當繁

雜。Black Matrix（metal or resin）defects 就包含前述 BM 的黑白缺陷；R，RG，RGB Photo

Spacer Patterns 為檢測顏色陣列圖樣是否符合所規範的方位和尺寸；Dust Particles、

Scratches 和 Pinholes 屬於微觀瑕疵中較具代表性的幾種，Dust Particles 為面板遭受微

塵汙染的情形、Scratches 是指面板中有刮痕存在、Pinholes 為製程中產生的孔洞瑕疵；

Missing Edge and Shape、Muras、Stains 和 Color Misalignment 幾種就屬較為嚴重且範圍

較大的瑕疵，Missing Edge and Shape 為顏色陣列圖樣的邊緣和輪廓不完整、Muras 為面

板中發生類似水波紋的染汙、Stains 為大範圍外物汙染的問題、Color Misalignment 顏色

18

陣列定位錯誤。

表 2.3 彩色濾光片微觀瑕疵分類

Black Matrix （metal or resin） defects

R, RG, RGB Photo Spacer Patterns Dust Particles Scratches Pinholes Missing Edge and Shape Muras Stains

Defects of Color Filter

Color Misalignment

資料來源：本研究整理

19

第二節 機器視覺於彩色濾光片相關瑕疵檢測

近年來機器視覺在各項領域中皆扮演著舉足輕重的地位，大量運用於醫學、農業、

圖形文字辨識…等，依不同應用目標所需，影像處理的步驟以及流程亦有所不同，然而

這些實際應用技術皆快速成長中，且配合電子軟硬體設備及微處理機技術的大幅進步，

應用機器視覺於工業檢測系統亦隨之快速演進。機器視覺檢測技術結合影像光學量測、

影像處理、目標辨識、缺陷判斷、自動化等技術，其技術基礎涵蓋機械、電子、光學、

資訊、材料等領域。透過這些技術，期望以電腦視覺後續之處理與分析取代人眼判斷，

並決定該檢驗對象是否合乎規格需求。再者機器視覺檢測技術已廣泛應用於工業及日常

生活之中，如：電子、半導體、平面顯示器、鍵盤、交通違規、紡織品、印刷品、臨床

醫學、三次元量測…等檢測，其中最受矚目者應屬電子、半導體和平面顯示器周邊領域。

台灣機器視覺檢測技術應用以製造業為主，而台灣屬高科技製造業密集中心，對於機器

視覺檢測技術之應用需求相當殷切，過去國內機器視覺檢測技術發展停留在部分零組件

裝配和軟體撰寫，僅少數研究機構及企業體投入整體檢測設備研發。近年現代科技進步

躍進相對於產品要求也日益遽增，為符合機器視覺檢測技術的快速需求，國內外業界已

不斷研發出機器視覺檢測設備且能因應不同產業不同環境提供即時服務，遂吸引更多科

技人力資源投入機器視覺檢測技術的研發領域。

傳統上視覺檢測和品質管制作業多藉由專業人員專職執行，雖在許多作業執行中，

人員操作績效比機器高，但人員處理速度相較之下較慢，且有工作疲勞工作衛生安全等

問題存在，專門人員的訓練亦需耗費時間成本進行教育訓練，況且在某些製程環境下，

員工作業環境往往處於困難、危險，甚至有害健康，於是電腦視覺檢測系統在許多生產

環境及條件下逐漸取代人員檢測。然而縱使是經過專業訓練的人員在長時間工作或是環

境惡劣的狀態下，不同檢驗人員其判定標準亦會有所不同，在種種因素驅動下機器視覺

檢測日漸普及，其優點如下：

1. 利用電腦統計分析可提供測試紀錄，可作為校正的依據。

20

2. 機器視覺可於高危險、噪音之環境下作業，增加工廠整體安全。

3. 節省人工成本，並減少專業人員訓練技術的時間。

4. 免除人工從事枯燥反覆的檢驗工作，降低檢驗人員因疲勞產生之錯誤。

5. 可配合自動化機械高速生產作業，降低生產成本。

機器視覺檢測是利用影像來做流程分析及分類，通常藉由不同角度之固定攝影機配

合適當光源照明及角度安排進行影像擷取，典型工業檢測系統對原始影像處理依循

Malamas et al.（2003）所提，其步驟如下：

1. 影像擷取：透過 CCD 數位攝影機，將取得之影像數位元化作為後續處理演算用。

2. 影像處理：一求降低處理速度，二為濾除影像之背景以利後續定位與辨識。

3. 特徵擷取：經演算一系列特徵將其應用領域問題進行特性描述。

4. 確定決策：最後決策作業，結合閾值及統計方法來執行。

Malamas et al.（2003）將機器視覺於製造上的應用，歸納以下三點：

1. 控制製造程式：視覺系統可輔助自動化製造控制，經由精確目標定位。

2. 結合外部裝置：在製程運作中進行生產動線的即時監控並自動調整。

3. 瑕疵排除：判斷資訊以確保製程品質及降低不良成本的發生。

故機器視覺系統建構上須依產品製程型態不同及品質特性不同而有所變化調整。

Malamas et al.（2003）等學者研究中針對工業視覺應用依產品特性分類表 2.4：

表 2.4 產品潛在特性

尺寸（Dimensional） 面積、形狀、位置、定位、校準、 真圓度及稜角。

結構（Structural） 裝配（孔洞、間隙、鉚接、螺栓及鉗夾）。 外來異物（灰塵…等）。

表面（Surface） 凹痕、刮痕、斷裂、磨損、拋光、粗度、紋理及連續。操作（Operational） 與標準規格不符。

資料來源：Malamas et al.（2003），本研究整理

21

平面顯示器成品及相關零組件所使用之檢測方式可分兩類，一為自動光學檢測，另

為電信測試（Electrical Testing）。在自動光學檢測中又分為光學基礎處理方法（Optical

Based Processing Method）與數位元影像基礎處理方法（Digital Image Based Processing

Method）（Hawthorne， 2000）。在光學基礎處理方法中，大多利用光學傅立葉濾波器

來分離瑕疵及重複組成之背景紋路，此法擁有較高檢測效率相對亦有其缺陷，因其邊緣

部份由於週期無法重現，故對此部份無法進行檢測；也會經理想低通濾波（Ideal Lowpass

Filter）反轉後，其瑕疵外形易受水波紋影響（Ringing Effect）導致判斷失誤。而數位元

影像基礎處理方法則利用機器視覺系統採用樣本比對（Pattern-Matching）之方式偵測瑕

疵，樣本比對方法需考慮定位與參考樣本選取問題，運算程式費時且繁瑣。而電信測試

則針對薄膜電晶體進行功能測試判定產品瑕疵，主要檢測項目為線路斷路或電壓不穩之

現象，電信測試僅能判定電路功能是否正常，故無法判定於玻璃基板表面造成面板顯示

異常之瑕疵，如黑白點瑕疵（Point Defect）。

Nakashima（1994）針對彩色濾光片之巨觀瑕疵與微觀瑕疵進行明確定義並檢測之，

其使用影像相減與光學傅立葉濾波器二種方法來偵測瑕疵，針對微觀瑕疵中五類瑕疵，

包含 SIRO-NUKE、Black Matrix Hole、Particle、Black Matrix Pattern Defect、Color Filter

Defect 進行影像相減之檢測方法；而另三類瑕疵（粉塵、導電玻璃上之孔洞、微粒）則

採 He-Ne 雷射配合傅立葉濾波器產生高度變化以過濾出瑕疵。吳木杏（2000）亦於彩色

濾光片表面瑕疵檢測分析中採用上述概念，以影像相減法尋找表面瑕疵，其包含參考影

像（Golden Image）之產生、方位補償、影像定位分割、瑕疵分析及雜訊去除…等相關

研究探討。但上述二方法皆有其限制，影像相減技術需考量參考影像之決定與影像定位

（Registration）校準等問題，當參考樣本因選擇不佳或定位不準確時，瑕疵偵測誤判機

率將大幅提高；使用 He-Ne 雷射也需嚴格環境控管下才得以濾除雜訊。

一般而言，CF 之瑕疵種類與 TFT-LCD 類似。由於 CF 瑕疵檢測的文獻較為缺乏，

本研究因之探討具類似瑕疵之 TFT-LCD 之檢測方法。TFT-LCD 之巨觀瑕疵，如：

MURA、SIMI…等定義與 CF 相同。陳志忠（2001）將 TFT-LCD 模組面板劃分為數個

22

區塊並計算各區塊平均亮度，再經由各區塊平均亮度中，比較出最高及最低亮度值，透

過該比例，進而判斷此模組是否具有亮度不均勻之瑕疵。在 TFT-LCD 之色彩偏差瑕疵

方面，錢志豪（2002）透過設計一自動檢測方法，將 TFT-LCD 影像之色彩模式指標視

為多變量品質特徵，經多變量管制資訊融合後，建立一具色彩偏差描述 T2 能量影像，

以此視為瑕疵檢測與管制基準。另一方面 關於 TFT-LCD 之微觀瑕疵，如：微小之粉

塵（Particle）、孔洞（Pinhole）、刮痕（Scratch）及指觸（Fingerprint）…等，曾彥馨

（2003）對上述四類瑕疵利用二維傅立葉轉換分析，將傅立葉頻譜中規律性紋路之響應

予以去除，並以反傅立葉轉換還原影像，最終使用統計管制界限判定瑕疵所在，並以二

值化方式突顯之。以上雖能有效檢測出瑕疵所在，但取像方式為利用二維陣列式 CCD

進行，在現今 TFT-LCD 之解晰度愈高、尺寸愈大趨勢下，此取像方式將迫使檢測效率

降低。故 Kim et al.（2001）、洪崇祐（2004）曾針對 TFT-LCD 之取像模式進行設計

研究，在 LCD 解晰度愈高、尺寸愈大條件下，為求取像快速利用結構式線性掃描（Line

Scan）攝影機進行擷取，因線性掃描具打光均勻、解晰度高、取像穩定…等特性，故可

獲得較高且精確之影像。陳一斌（2001）提出 TFT 彩色濾光片瑕疵檢測系統的研製，

針對 TFT 產業所研發的大面積瑕疵檢測系統介紹其瑕疵檢測系統的功能與相關技術，

其中包含了整體 TFT 彩色濾光片視覺瑕疵檢測系統的組成架構、光源設計、視覺影像

及瑕疵檢測等相關技術的探討。Lee et al.（2004）等人提出以 Saliency Map 為基礎之瑕

疵檢測演算法於灰階影像中，利用 Saliency Map 三項特徵：顏色、方向、密度等，找出

TFT LCD 面板中亮點、顆粒及線缺陷等瑕疵，更可應用於模糊不清不易分辨的影像資訊

中找出缺陷。

LCD 其他相關元件檢測方面，Kido（1992）利用氟化釔鋰（YLF）雷射光束探測

TFT 介面電路或電容以測量其反射比，反射比可用以評估電荷密度及像素電壓的改變，

以此偵測 TFT-LCD 之刮痕瑕疵；其後 Kido 等人（1993）又導入正規化之噪度影像幫助

瑕疵之偵測；Kido（1995）再利用噪度與電壓比更有效地突顯瑕疵影像與其位置。然而

以上學者所發展之研究皆建構於雷射光學方法上，屬光學基礎處理。但因雷射對於環境

23

控管之嚴苛要求成為其主要缺點，如：生產線震動…等因素易使雷射產生繞射現象，進

而於瑕疵檢測時出現誤判與產生雜訊之影響。在 LCD 中背光模組檢測方面，Lin 等人

（2001）利用彩色 CCD 擷取出所量測發光元件之光場影像圖，並針對背光模組光場進

行特性量測，如：三原色（RGB）光源密度分析，主要目的於判斷背光板是否具有均勻

的光源密度，進而從量測數據中判斷元件在製造過程中是否具有瑕疵，找出背光板不均

勻位置。至於 ITO 導電玻璃表面檢測，趙新民（2003）提出以非線性擴散方法對 ITO

導電玻璃表面進行瑕疵檢測，此法利用灰階梯度資訊對影像中不同梯度部份進行不同程

度之擴散處理。所謂擴散處理是對影像中梯度較低之背景紋路進行平滑，而對梯度較高

之瑕疵邊緣抑制平滑，故可有效將背景紋路濾除並同時保留瑕疵原有之輪廓。陳學宇、

蔡孟儒（2005）針對 LCD 擴散片上瑕疵種類不同特性提出以光澤面、非光澤面及不同

光源強度三種不同取像方式進行取像，並將檢測方式分成巨觀瑕疵（塗佈不均、拉線）

及微觀瑕疵（異物、白點、缺角、尺寸不良、漆不均、針孔），搭配歐蘇二值化影像分

割法、形態處理來進行瑕疵檢測。

24

第三節 瑕疵紋路分析

紋路分析（Texture Analysis）為機器視覺技術之重要課題，有關紋路分析的研究大

致可分為空間域方法及頻率域方法。空間域方法主要是直接利用感測影像之灰階訊號進

行紋路分析；而頻率域的方式則是將影像的灰階訊號作一轉換，並於頻譜中進行紋路分

析。因此，本節將以空間域及頻率域之瑕疵檢測方式進行相關文獻之探討。

壹、空間域紋路分析

在空間域中進行紋路分析最具代表性技術為相關矩陣法（Co-Occurrence Matrix）

（Haralick, et al., 1973）以原始影像中像素點（Pixels）在特定鄰近位置之灰階變化之機

率密度函數來建立空間灰階相關矩陣，藉由此相關矩陣建立統計指標以評估紋路特徵，

其中二階灰階統計量（Second-Order Gray Level Statistics）為建立相關矩陣為常用方法。

而二階灰階統計量方法則是藉由估計二階的灰階連接條件之機率密度函數，建立空間灰

階相關矩陣（Spatial Gray Level Dependence Matrix），即統計二維影像中特定的兩個灰

階值在特定方向和特定距離下發生的機率，並依此機率來建立空間灰階相關矩陣。相關

矩陣法已廣泛應用紋路分析，如：木材表面紋路辨識（Conners, et al., 1983）、加工工件

表面粗糙度量測（Ramana and Ramamoorthy, 1996）及表面瑕疵檢測（Iivarinen, 2000）

等。亦有結合紋路分析與影像分割來做方向性瑕疵檢測（Chetverikov, 1987），先利用

共變異矩陣配合移動視窗（Moving Window）找出紋路變異性，再比較相鄰區域變異性。

因傳統二值化法無法將一些細微瑕疵有效地與背景分離，Bakhadyrov 等人（1998）提

出邊緣偵測（Edge Detection）及標籤化法（Labeling）來檢測鑄件表面間隙（Voids）。

Li and Liao（1996）則利用曲線估計法（Curve Fitting）來估計瑕疵影像，由曲線中變異

找出焊接點瑕疵：突起（Peaks）、溝槽（Troughs）、凹陷（Slant-concave）等。

貳、頻率域紋路分析

由於上述空間域方式僅使用影像中像素點之灰階資訊，易受雜訊影響。而頻率域方

25

法則將空間域影像轉換為頻率域之頻譜，經由功率頻譜擷取具代表紋路之特徵，故於頻

率域中進行處理將可大幅降低因灰階影像受雜訊干擾影響敏感性，且其最大優點較為不

受位移之影響。頻率域中常應用於紋路特徵擷取之方法主要有：小波轉換（Wavelet

Transform）、傅立葉轉換、賈柏轉換（Gabor Transform）…等。小波轉換具局部性處理

能力，對於小區域瑕疵能有效突顯且其運算處理速度較快，近來廣為應用於實務上。Kim

et al.（1999）透過小波轉換擷取瑕疵特徵值並配合雜訊比進行線上視覺檢測紡織品瑕疵；

Amet et al.（1998）利用小波濾波器及小波轉換之子影像中擷取共變異矩陣作為特徵值

來決定紡織品的瑕疵位置及分布面積。Lambert and Bock（1997）透過小波轉換來擷取

紋路的特徵與分類，進行方向性與統計性紋路的表面瑕疵檢測。Chan and Pang（2000）

以小波轉換來檢測多層陶瓷電容的表面裂痕（Crack）。

此外，傅立葉轉換是將空間域二值灰階影像轉換為頻率域之傅立葉頻譜，藉由分析

傅立葉頻譜上的影像特徵資訊，以降低空間域中其灰階分佈易受雜訊干擾的現象。Liu

and Jernigan（1990）提出以二維傅立葉頻譜之功率譜（Power Spectrum）和相位角（Phase

Angle）為基礎，並透過統計方法及傅立葉頻譜中某些特定頻率要素之值，來產生一組

可描述影像特徵或區分影像差異的 28 種特徵指標。藉由傅立葉轉換技術於突顯紋路之

週期性特徵也有所助益，Tsai and Hsieh（1999）、Chan et al.（2000）對方向性紋路之

表面瑕疵檢測運用傅立葉轉換，輔以霍氏轉換技巧將影像紋理於頻譜中之響應去除，其

後再透過反傅立葉轉換將圖形還原，最後利用統計管制界限的方法將影像中瑕疵部分突

顯出來。Erturk and Dennis（2000）以傅立葉轉換當作濾波器，減少因連續取像時位移

所造成的雜訊干擾，藉此達到穩定的取像品質，透過賈柏轉換和傅立葉轉換，藉由二維

影像計算將特定頻率之紋路強化或排除。

26

第四節 分類方法

瑕疵分類最主要動機，為找出引起瑕疵的製程階段及來源，藉以修正製程的問題，

提高產能及品質。而自動瑕疵分類（Automatic Defect Classification，ADC）的目的就是

要改善分類的穩定度及速度。CF 在製造過程中，每經過一道加工程式後，必須以自動

光學檢測設備檢測瑕疵，以確保品質和減少廢片的產生，在製程中或成品完成時，根據

自動光學檢測設備所檢查出的瑕疵資訊，會使用 Review、量測、修復等相關設備，對

基板上的瑕疵作觀察或修復，修復過程將依瑕疵的種類分別做面板重工（Rework）。然

而前述的瑕疵 Review 若透過人工分類，將佔用很多人力及昂貴的機台資源，因此自動

瑕疵分類的功能一直是被要求須具備的功能，但由於分類的效果不佳及類別不足，主要

設備廠商對自動分類的功能仍在持續的加強當中，持續的往能夠有更多的瑕疵類別及須

有學習能力的分類方式的方向發展，以期能在生產過程當中快速反應出製程上的問題。

自動瑕疵分類常見之方法，就學習過程是否需監督而分監督式學習及非監督式學習

兩類，就實用層面而言仍以監督式學習較普遍且實用，即學習過程中之每筆樣本皆須告

知其正確類別；若事先不知其類別，則屬分群（Clustering）問題。常見的自動瑕疵分類

方法主要有法則式推理（Rule-Based Resoning）、模糊推論系統（Fuzzy Inference

System）、類神經網路（Artificial Neural Network, ANN）、K 鄰近（K-Nearest Neighbor,

KNN）、貝式（Bayesian）、支持向量機（Support Vector Machine, SVM）等。單就類

神經網路討論就有非常多之變形模式，此外以前述方法為基礎所發展出的混合分類器更

加繁複，故僅簡要探討其中一些具代表性方法。

壹、法則式推理

IBM ADC（Chou, et al., 1997）系統被使用在 DRAM 的生產線上，具有約 80%分類

正確率，其為一 Rule-Based 之混合系統，包含模糊推論引擎（評估已存在的規則）及

離線（Off-Line）監督式學習子系統（從瑕疵樣本中推導出規則），使用者可以增加、

刪除及修改規則。它將特徵域（Feature Domains）中的一些或全部劃分成許多模糊集合

27

（Fuzzy Sets）。若超過一個類別可用來表示同一資料，矛盾狀況便產生了，此時它就

被看待成一個子問題，為解決矛盾可能會建立一些原先沒有的模糊集合。每個 Rule 是

巢狀的，且每一個 Rule 都有自己的成員函式定義，所以這些模糊集合的規則都是”局部

性”（Local）的。兩條矛盾的規則有可能同時被觸發，它們之間唯一的不同是，更低階

的 Rule 使用自己的特殊成員函式，這樣的結構允許某些特徵可在兩重疊類別間有奇特

使用方式，但又不會使得較高階的規則太特異。其標示影像之主要把像素改用符號來表

示其為產品哪一部分，如此能使特徵擷取階段工作較易進行。在對輸入影像進行符號化

前，系統會對其瑕疵附近非瑕疵進行適應性影像量測分佈（Adaptive Image Measurement

Distributions）計算，此能建立每個符號的色彩分佈。將輸入影像標示為符號影像後，首

先將相連瑕疵像素群組成一個個的區域（Regions），並以區域內部或邊的像素座標，及

基本的面積、周長與重心等來描述。然後再把區域合成一個個分群（Cluster）亦即較有

意義的「瑕疵」。對於每個瑕疵除使用大小、形狀、顏色、對比作為分類器必要特徵之

外，此系統使用了特殊方法來描述位置。最後，將這些特徵資料輸入到前面所介紹的 IBM

ADC 系統中，即能進行自動分類。雖然此方法正確率無其他方法好，但優點為可適應

小量樣本資料，且其形成之規則也較能解釋其意義。

貳、類神經網路

類神經網路（Artificial Neural Network）或譯為人工神經網路，最早在 1890 年提出，

於 1943 年由 McCulloch 和 Pitts 提出運算元數學模型，1957 年由 Rosenblatt 提出感知機

（Perceptron），使用反覆的權重調整進行學習，建模能力良好。第一次類神經網路被

使用的黃金時期是在 1957 年至 1969 年，後因其學習能力受限，類神經網路沉寂一段時

間，直到 1985 年類神經網路有新運算方法的突破，自此進入第二次類神經網路被廣泛

範應用的黃金時期。簡單說，類神經網路是一模仿生物神經網路資訊處理系統。其為一

計算系統包括軟體與硬體，它使用大量簡單的相連人工神經元來模仿生物神經網路的能

力。人工神經元是生物神經元的簡單模擬，它從外界環境或者其他人工神經元取得資

訊，並加以非常簡單的運算，輸出其結果到外界環境或者其他人工神經元。從數學模型

28

的角度來看，類神經網路是由許多人工神經細胞（Artificial Neuron），亦即運算單元

（Processing Element）所組成。每一個運算單元的輸出以扇狀送出，成為其他許多運算

單元的輸入。由最近幾十年來類神經網路的廣泛運用，可明顯的看出其實用性及接受

度，而其不必有分佈及統計的假設前提，也是優於傳統統計之處。透過學習而得到的輸

入與輸出之間的應對關係更具有一般性，在實際運用上的效果，十分的顯著。

類神經網路大致分為四類：監督式學習（Supervised Learning）、非監督式學習

（Unsupervised Learning）、聯想式學習（Associative Learning）與最適化應用網路

（Optimization Application Network）（葉怡成，2004）。在諸多類神經網路模式中，倒

傳遞類神經網路（BPN）是目前類神經網路學習模式中發展最完善且最具代表性，而且

也很多實務界運用此項網路解決其所遭遇問題。倒傳遞類神經網路是屬於監督式學習網

路，所以相當適合應用於診斷（Diagnosis）、預測（Prediction）等領域；其網路架構是

由許多單層網絡所連結組織而成，每一層網絡是由數個神經元（或稱節點）所組成，網

路中神經元的運作是由上一層所有神經元輸出乘上各輸出神經元和該神經元連結的加

權權重值，然後加總成為該神經元之輸入，再由該神經元的激發函數轉換而產生該神經

元的輸出訊號，再傳遞至下一層神經元。透過倒傳遞類神經網路，把輸入與輸出間的映

射問題變成一個非線性最佳化的問題，利用最陡坡降法（The Gradient Steepest Decent

Method）調整參數，再經由網路運算逐步修正參數，經迭代運算後的到更精確的解。倒

傳遞類神經網路學習精度高、回想速度快、輸出值可為連續值，能處理複雜的樣本識別

與高度非線性的函數合成問題，其適用範圍泛如：樣本辨識、分類問題、函數模擬、預

測、系統控制、雜訊過濾、資料壓縮等，可說是為一種應用非常普及的類神經網路，許

多應用軟體如 MATLAB 等，都具備使用簡易的介面，讓使用者可快速地學會利用倒傳

遞類神經網路來解決上述的各項問題。（孔祥竹，2007）

Hyperellipsoid Clustering Network（HCN）是一隱藏層為 Radial Base Function （RBF）

的三層式類神經網路，它被實驗於晶圓的瑕疵分類上（Kymeyama, 1999）。HCN 最後

發展出化簡模型（Reduced Model），它嘗試減少隱藏層單元數量，在剛開始時隱藏層

29

單元數量與訓練資料個數一樣，其後在每一回合評估是否可用單一單元來取代其中兩個

單元。HCN 為類神經網路變體，他試著讓每個類別的範圍縮小，並延伸出了化簡隱藏

層的想法，雖然結果必須在正確率與化簡效果間有所取捨，但展示了減少隱藏層單元數

的方法來加速訓練及測試的執行時間的概念。

機率式類神經網路（Specht, 1990）是一基於貝式機率理論之類神經網路，它具有

Input 層、Pattern 層、Summation 層與 Output 層等四層。由於實際機率不容易得知，因

此大多採用下列 Parzen＇s 機率密度分佈。機率式類神經網路主要的優點為訓練速度

快、具有平行處理的先天特質（因此加入或移除單一訓練樣本並不需要重新訓練其他樣

本）、保證收斂於最佳點，但缺點為記憶體需求大、網路執行速度慢。

參、支持向量機

其他新興之方法如支持向量機以統計學習理論（Statistical Learning）和結構風險最

小化（Structural Risk Minimize, SRM）為基礎所發而來的一種機器學習（Machine

Learning）方法（Cortes and Vapnik., 1995）。近年來應用於文件分類、圖像辨識、人臉

偵測、語音辨識、手寫數字辨識及生物資訊等方面且有良好的表現。SVM 最主要的目

的是找出一個超平面（Hyperplane）將資料區分成兩類，但能將資料區分成兩類的超平

面不只一條，它可以有許多選擇，所以需找出一個最佳化的超平面（Optimal

Hyperplane），來進行區分兩類別的資料（Kumer, 2004）。將最佳超平面解譯為求出最

大邊際（Margin），即資料點的垂直距離，離超平面的最小距離，此時超平面為最佳化，

同時也能讓誤差達到最小；而落於邊際上的資料點稱之支持向量（Support Vector）。具

有類神經網路的概念，但將中間隱藏層簡化成核心函數（Kernel Function），使用線性

模型及 Kernel Function 來解決，Kernel Function 負責非線性與線性向量空間之間映射關

係。SVM 能在樣本數量多的情形下，找出對於分類正確性有實質影響力的樣本（亦即

Support Vectors），求取線性最佳解，學習速度較類神經網路來得快，若 Kernel Function

建立得宜，SVM 常有很好的分類效果，但其傳統支援向量機方法大多基於二元分類所

設計：正常（正類別）與瑕疵（負類別）分類。藉由二元分類器，例如支持向量機，二

30

元分類的問題即可以被解決。然而瑕疵辨識問題通常不只兩類的瑕疵，故這樣之處理方

式可能導致高的僞正（瑕疵被分類為正常）錯誤率，使被設計的瑕疵偵測器顯得不可靠。

林佑駿（2007）提出基於遞增式學習之支持向量機，應用於陣列工程中、閘電極光

罩中光微影製程瑕疵影像進行辨識，如刮傷、閘電極-儲存電容短路、塗佈異常、異物

等。其可以利用既有的支援向量與分類錯誤的新進資料作結合產生新的訓練資料，再應

用該資料去重新訓練一個最佳分離超平面。該方法不但可以減少訓練資料量，也可以減

少重新訓練所花費的時間。能保留原有資料的資訊，且能適應於新進的資料，使分類器

具有學習的能力，進而改善分類率。鄧凱元（2006）針對檢查機台於陣列電路工程中、

第五道光罩（畫素電極光罩）微影製程後所拍攝到的瑕疵影像進行分析與辨識，提出利

用畫素電極光罩中微影製程瑕疵影像辨識系統。對六種常見的瑕疵影像（GE 殘、SE 殘、

SD 殘、源電極斷路、異物和 PE2 連）藉由融合各種數位元影像處理、統計紋理特徵抽

取以及類神經網路辨識和支持向量機器等方法進行分類，讓瑕疵分類達到自動化、即時

化。茲將常用之分類方法之優缺點比較於表 2.5。

表 2.5 分類方法優缺點表

分類方法 優點 缺點

法則式推理

1. 易於解釋與檢討 2. 藉由專家提供規則，即使樣本數少，仍能使用 3. 執行速度快

1. 分類正確率提升不易 2. 建置時間較長

倒傳遞類神經網路 1. 建置容易 2. 正確率高 3. 回想速度快

1. 不容易解釋分類過程

機率式類神經網路 1. 建置容易 2. 正確率高 3. 學習速度快

1. 不容易解釋分類過程 2. 耗費大量記憶體 3. 回想速度慢

支持向量機 1. 學習快速 2. 正確率高 3. 回想速度快

1.最佳 Kernel Function 建立不易2. 不容易解釋分類過程 3. 二元分類

資料來源：本研究整理

31

第五節 資料探勘

資料探勘 （Data mining）為 1997 年後逐漸被廣泛討論的一種新技術，直至近幾年，

國際學術界才相繼成立有關資料探勘的學術期刊。基本上，資料探勘主要貢獻之一即將

資料中有意義或隱藏的資訊給挖掘出來（Fayyad et al.,1996）。資料探勘使用了許多統

計分析手法，可在資料中尋找有用的資訊或是找出資料之間的關連性。以應用層面而言

資料探勘區分下列五個主要功能：分類（Classification）、推估（Estimation）、預測

（Prediction）、關聯分組（Affinity Grouping）、同質分組（Clustering）。各類細節簡

單描述如下：

壹、分類：

依照分析資料的屬性來分門別類並加以定義，最後產生其類別。例如：將疾病患者

的癌症罹患屬性，區分為高危險群病患，中危險群病患及低危險群病患，當有新病患且

取得病患的疾病屬性後就可判別分至其中一類。演算的方法有決策樹、記憶基礎推理、

ID3、C4.5、倒傳遞類神經網路等。

貳、推估：

根據既有連續性數值之相關屬性資料，來推估獲得某一屬性未知之值。例如：按照

信用申請者之收入程度、年紀來推估其信用卡消費量。演算的方法包括統計之相關分

析、迴歸分析及類神經網路方法。

參、預測：

根據資料屬性之過去觀察值來推估該屬性未來之值。例如：飯店業由顧客過去幾年

的住宿消費紀錄，來預測其未來一年再度住宿的消費量。演算的方法有迴歸分析、時間

數列分析及類神經網路方法。

32

肆、關聯分組：

從多種物件中決定那些相關物件應該放在一起。例如：超市中某些相關之用品（香

菸、尿布、牛奶），放在同一貨架上有助其銷售量。

伍、同質分組：

將異質母體中區隔為較具同質性之群組。同質分組類似於行銷中的區隔化，但假定

事先未對於區隔加以定義，而資料自然產生區隔。方法有 K-means 及 Agglomeration。

第六節 本章小結

根據本研究之相關技術的應用、以面板檢測為主的機器視覺檢測技術與表面瑕疵檢

測技術文獻的探討，可以得知目前利用機器視覺於表面瑕疵之檢測系統在產業的應用上

已愈來愈多，包含在紡織廠、玻璃製造廠、PCB 板製造廠及 TFT-LCD 面板製造廠等領

域。然而針對具紋路特徵之影像，使用灰階共生矩陣能有效率的運算其樣本瑕疵灰階像

素之資訊量，並配合擷取出瑕疵特徵成為本研究實証方法之出發點，遂本研究針對

TFT-LCD 面板之彩色濾光片（CF）良品、黑缺陷、白缺陷、突起、ITO 缺陷、膜面傷、

金屬殘留、PS 光阻殘留、Cr 蝕刻不良、玻璃基版氣泡、光阻擴散…等共十一類，以灰

階共生矩陣運算其瑕疵像素累計統計關係，再利用灰階共生矩陣擷取出瑕疵特徵值，最

後透過倒傳遞類神經網路進行分類判斷，並於第三章詳細說明本研究方法。

33

第三章 研究方法

本章將說明就彩色濾光片之瑕疵檢測方面樣本不一及尺度不同之議題，並定義本研

究針對彩色濾光片瑕疵項目，透過灰階共生矩陣運算其樣本像素之共同出現次數，進而

擷取其二十二項瑕疵特徵，最後投入倒傳遞類神經網路予以分類辨識。故說明本研究進

行之流程，確立研究各步驟處理方向。針對研究方法討論影像處理細節、瑕疵特徵擷取、

篩選判定與三大部分實證分析之各步驟如圖 3.1。

圖 3.1 研究方法流程圖

資料來源：本研究整理

開 始

計算關係矩陣

輸入影像

選擇特徵值

瑕疵辨識

影像處理

擷取特徵值

輸入 11 類樣本影像

灰階影像並裁剪瑕疵範

圍為 150*150 像素大小

灰階共生矩陣 GLCM （Gray-Level Co-Occurrence Matrix）

灰階共生矩陣紋路特徵

刪減特徵值

依不同角度及樣本組合實證分析 實驗一：單一個別相同角度 實驗二：四種角度特徵合併辨識 實驗三：將四種角度特徵值皆視為個

別獨立特徵，挑選最具代表性之特徵

BW 比率 （Ratio of Genes Between-Categories to

Within-Category Sums of Squares, BW） 倒傳遞類神經網路

34

第一節 樣本尺度不變定義

在以特徵（Feature）為基礎之影像比對辨識方法中，最大挑戰就是如何在不同影像

樣本中找出其影像間匹配準確度高之特徵值，且不受破壞干擾的特徵點（Feature Point）

與其特徵點描述（Feature Descriptor）。所謂的干擾與破壞，包含了旋轉、位移、縮放、

雜訊及亮度…等差異。然而於現實工業瑕疵辨識狀況中，其樣本擷取之條件往往並非一

致且固定，所以若兩張影像間相對應之特徵點配對可快速且正確找出，即可將相同類別

之影像予以辨識。本研究所獲得個案公司之瑕疵樣本其擷取條件並非固定之下，我們將

各類樣本透過平移 （各取 2/3 的左右範圍）、旋轉 （微觀 45°內每增 5°驗證）、放大

（1/2, 1, 2 倍）等方式為實驗樣本（圖 3.2），直接計算包含瑕疵紋路之影像區域內灰階

像素之相關係數其包含瑕疵紋路，亦即直接以區域範圍內直接以像素的強度關係進而運

算後續之特徵值估算其不同影像間相關性，最後才投入倒傳遞類神經網路分類辨識。

平移 （各取 2/3 的左右範

圍）

旋轉 （微觀 45°內每增 5°驗

證）

放大 （1/2, 1, 2 倍）

圖 3.2 樣本尺度不變實驗圖

資料來源：本研究整理

本研究所採用之灰階共生矩陣，即將影像間灰階像素統計進行瑕疵特徵擷取，來進

行研究試驗，並與傳統之基於圖像完整特徵之目標識別方法，如：影像相減、傅立葉轉

換…等進行研究比對其運算時間、效率與正確性。

35

第二節 瑕疵定義

本研究根據個案公司所提供之彩色濾光片瑕疵樣本，於本研究中檢測類別分成十一

大類，分別是良品、白缺陷、黑缺陷、突起、ITO 缺陷、膜面傷、金屬殘留、Cr 蝕刻不

良、玻璃基板氣泡與光阻擴散。茲將各瑕疵定義及發生原因說明於下。

白缺陷瑕疵屬製造中顏料剝落問題，在面板發生顏料剝落的這些區域有兩個區塊特

徵，一是灰色區塊、一是高亮度區塊，前者是外露之基板呈現的顏色，後者是由於所用

的遮光層材料為鉻金屬，在光源打光下因鉻金屬反射而造成高亮度特徵的瑕疵影像，此

種瑕疵發生原因相當多，大致上是由光罩圖樣缺陷或是顏料塗佈不均所致。黑缺陷瑕疵

問題為，濾光片面板呈現區塊如水漬停留的情形，產生黑缺陷處水漬狀現像是由於顏料

暈染造成，該部位在邊緣處會有顏色較深的表現，而由邊緣向中心推進者則是逐漸變淡

的情形。突起瑕疵顯示一種深黑色的影像問題，在濾光片影像上產生黑色扭曲的結果，

發生此種影像的原因是因為突起本身在塗佈顏料過程前就有異物落在面板之上，導致塗

料覆蓋在異物之上且因物體具有高度所致，讓影像發生黑色扭曲。此種黑色扭曲的中心

部位由於物體高度影響，具有較低的灰度值，灰度向兩邊逐漸升高。ITO 缺陷為當 ITO

膜面發生破洞，反射可見破洞處有淺金黃色暈，透射破洞痕跡不可見。膜面傷為於反射

檢查膜面上有長條型或是碎片型刮痕，透射檢查可能造成各 Layer 層漏光；玻璃基板背

面髒汙，擦拭無法去除或是玻璃基板背面刮傷。金屬殘留為金屬異物沾附，通常只造成

單色色層變形，透射檢查不透光。Cr 蝕刻不良為 Cr Sputter 與 Etching Process 產生之缺

陷。而玻璃基板之缺陷有碎片、氣泡等。光阻殘留指的是 PS 光阻殘留，透射檢查呈透

明或半透明且反射檢查為液體狀態或 FI 站針對玻璃基版四周及 Cr 額緣邊框 PS 光阻殘

留。上述瑕疵之影像特性如表 3.1 瑕疵影像特性表所示：

36

表 3.1 瑕疵影像特性表

大分類 CODE 圖例 檢驗規格

WHB

僅 B-Layer 露光 B>27um,判定 NG 白缺陷

（White Defect） 開透射光

為露光者稱之 WHG

僅 G-Layer 露光 G>45um,判定 NG

BLM

反射為明亮影像 透光呈不透光黑影

BM 白>27,判定 NG

黒缺陷 （Black Defect） 開透射光

為不透光且為

各 Layer 顏色 BLB

透射燈下為半透明

狀之淡黑影，且有

B-Layer 顏色 B>27um,判定 NG

TKM

Particle 周圍有 明顯之 BM 殘留 突起缺陷

（Tokki defect） （Particle defect）

透射為不透光 且為黑色 TKF

無造成 Pixel 變形 之 particle： 由 particle 佔

何 layer 面積最大 判為該 layer 之 particle

37

ITP

ITO 膜面發生折痕，形成金黃色暈

ITO 缺陷

ITW

ITO 膜面破洞。 反射可見

破洞處淺黃色暈。

透射破洞 痕跡不可見。

SUS

反射檢查膜面上有

長條型刮痕。 透射檢查漏光。 由 FI 判定結果。 膜面傷

（Surface Scratch）

SMS

反射 BM Layer 上有長條型刮痕。

透射檢查可能造成

BM Layer 漏光。

KMB

金屬殘留

KBG

金屬異物沾附 造成色層變形。

反射檢查 會折射回白光。 透射檢查不透光。

Cr 蝕刻不良 CRE

Cr 蝕刻液顯影不良，所造成 CrBM 開口，反射可見 Cr 開口蝕刻未完成。

38

CRP

玻璃基板氣泡 GBU

玻璃原材表面或內

部橢圓形氣泡

光阻擴散 CDI

Ink 時機台造成光阻滴落擴散

資料來源：本研究整理

39

第三節 灰階共生矩陣

影像經灰階處理後即進行特徵擷取，擷取出影像的特徵指標。常用特徵萃取方式可

分為擷取空間域特徵與擷取頻率域特徵，以下說明空間域特徵之共生矩陣特徵萃取方

法。一般而言，直方圖（Histogram）所提供的是個別灰階值出現次數之分佈關係，視為

一種一維資訊，而紋理特徵則考量上述概念加上影像灰階值在空間上的分佈關係，提供

一個代表該影像灰階之組成特性。在空間域特徵萃取方面，最具代表性的做法是依據二

維影像中，每個像素點之灰階值與其鄰近區域之灰階值的分佈關係，以計算共同發生矩

陣來代表，使用此方法求得之二階直方圖（Second Order Histogram）來萃取相關特徵，

作為檢測流程中第二階段分類的依據。

相互關係矩陣或共生矩陣通常指的就是灰階共生矩陣。此為基於觀察紋路影像中所

有成對的像素點，其明亮度值（Gray-Level）共同發生的次數。在這個計算過程中還須

考慮到兩個重要條件：一為兩個像素點間距離 d，另一則為兩像素點間角度θ。更精確

地來說，假設有一紋路影像 I，其大小為 N×N，影像中明亮度值的級數為 Ng（Ng = （最

大明亮度值-最小明亮度值） +1）。影像中有兩個像素點其座標值為 I （k, l ） 和 I （m,

n），它們的明亮度值分別為 i 及 j，兩個像素點間距離為 d，而這兩個像素點的角度我

們考慮了四種情況：角度θ= 0°、45°、90°與 135°。所以未正規化前之灰階共生矩陣定

義如下：

( ) ( ) ( ){ }jnmIilkIdnlmkdjiP ===−=−=° ,,,,||,0#0,|, （3.1）

( ) ( ) ( ) ( ) ( ){ }jnmIilkIdnldmkordnldmkdjiP ===−−=−−=−=−=° ,,,,,,#45,|, （3.2）

( ) ( ) ( ){ }jnmIilkInldmkdjiP ===−=−=° ,,,,0,||#90,|, （3.3）

( ) ( ) ( ) ( ) ( ){ }jnmIilkIdnldmkordnldmkdjiP ==−=−−=−=−=−=° ,,,,,,#135,|, （3.4）

40

由上得知 P （i, j | d,θ） 代表影像中之一對像素點 I （k, l ） 和 I （m, n）在距

離值為 d=1、角度為θ，發生各別明亮度值為 i 與 j 的次數。而 P （i, j | d,θ） 的計算

方式。假設有一大小為 4×4 的紋路影像 I，如下圖 3.3。在這矩陣中 x 及 y 代表像素點座

標位置，而 I （x, y）則代表像素點在座標位置為（x, y）的明亮度值。若想於此紋路影

像所有像素點中，找出滿足距離 d=1，角度θ=0°，發生兩像素點的明亮度值分別為 i

和 j 的所有次數，就應該根據這些條件去掃描紋路影像中所有的像素點。如圖 3.4 列出

所有應被掃描的像素點座標值。舉例來說，圖 3.3 所列的一對像素點 （（1,1）,（1,2））

表示了若我們在掃描像素點時發現 I （1,1） = i，且 I （1,2） = j�