在現今的研究報告中，關於BGA(Ball Grid Array)表面瑕疵的偵測，業者方面仍希望能更提高速度或正確性。而在傳統上，BGA檢測大都使用灰階影像來進行。但由於焊墊、導線及基板在影像中所呈現的灰階值會差異不大，所以當臨界值設定不良或對比度相差過小時，即會產生無法分割出目標物的情形。
本研究主要目的有三。第一、本研究希望針對BGA之表面均勻度以及外型特徵，建立分類模式與進行瑕疵辨識，不進行樣本比對。第二、應用彩色機器視覺的系統來進行分割檢測。第三、改善整個系統檢測的速度與效能。
傳統的影像強化流程是先選擇適合的色彩模型，選定之後以此模型進行強化，如直方均衡強化法；本研究提出使用Gamma修正法來取代傳統的影像強化流程，以期能有更好的影像強化效果。當使用Gamma修正法處理之後，發現因為Gamma修正法針對三色頻全面修正，所以由Gamma修正法所進行的強化可以明顯地分開高低對比之間的影像；而於分割時使用Gamma修正法配合R色頻進行分割可得到將背景與前景分開的分割結果，平均改善對比值達52.09%。最後本研究以外型和不均勻瑕疵指標互相配合，對BGA之錫球與線路進行檢測，發現可將96.43%的瑕疵分判出來；而在速度的改善方面，使用傳統的強化方法對一640*480像素大小的圖片進行完整的瑕疵偵測需1秒，而使用Gamma修正法來強化的結果是在0.3秒左右可以完成，針對業界需要大量檢測時，可以節省相當多的時間。
本論文經由最後實驗結果可得到由Gamma修正法所進行的強化可以使用彩色機器視覺分開高低對比之間的影像，而速度亦能滿足要求；以外型和不均勻瑕疵指標互相配合，可將瑕疵分判出來而不使用樣板比對。因此可以提供給業界一快速的檢測方法並克服傳統強化分割上的問題。

In the current manufacturing environment, a company still needs to have a faster and a more accurate ways to inspect a Ball Grid Array (BGA) surface defects. Traditionally, the BGA inspection was using gray-level images. However, the background, conduct paths and pads have very similar gray-levels that cannot easy be distinguished.
The objectives of the research are: (1) Use some shape and uniformity features without making pattern matching for detecting BGA surface defects. (2) Use color image information instead of gray scales for the inspection. (3) Improve the speed and effectiveness of the inspection system.
The traditional process of the image enhancement is to select a suitable color mode and then to proceed on the enhancement. The research proposed a method that to use the gamma correction method to replace the tradition process for image enhancement with the expectations of having better results and faster speeds. Because gamma correction corrects the three color bands (i.e., RGB), it could better separate the image between the high and low contrasts. And it could get the better results in dividing the image into background and foreground by using the Gamma correction and the R color band. As a result, the proposed method can improve the contrast value about 52.09%. Finally, the research uses the eigenvalues of the shape and uniformity to detect the defects. It could find almost all the defects. In using the traditionally enhancement method with a 640* 480 pixels image to do a completely defects detecting needs 1 sec. However, to use the proposed gamma correction method to do the same, needs only 0.3 sec.
This research demonstrates the effectiveness of using gamma correction method for separating an image background from its foreground. And the developed method could detect the BGA surface defects without using pattern matching technique that required extensive alignment in both hardware and software.

目 錄
摘 要 II
ABSTRACT III
誌 謝 IV
目 錄 V
圖 目 錄 VII
表 目 錄 IX
第 一 章 緒 論 1
1.1 研究動機 1
1.2 研究背景與目的 2
1.3 BGA樣本瑕疵 3
1.4 研究範疇及限制 8
1.5 研究方法與架構 9
第 二 章 文 獻 探 討 10
2.1 BGA檢測 10
2.2 影像增強 12
2.2.1 色彩模型 12
2.2.2 影像強化 16
2.3 影像分割 19
2.4 瑕疵偵測 20
2.5 小結 21
第 三 章 研 究 方 法 與 流 程 22
3.1 傳統影像強化方法 23
3.1.1 色彩模型的選擇 25
3.1.2 影像強化與修正 27
3.2 使用GAMMA修正法進行影像強化 30
3.3 影像分割 40
3.3.1 Otsu演算法分割 41
3.3.2 熵演算法分割 45
3.4 瑕疵偵測 47
3.4.1 雜訊處理 48
3.4.1.1 型態學 48
3.4.1.2 濾波 49
3.4.2 錫球瑕疵指標 50
3.4.2.1 錫球外型瑕疵指標 50
3.4.2.2 錫球不均勻瑕疵指標 52
3.4.3 線路瑕疵指標 53
3.4.4 瑕疵偵測分類 58
第 四 章 實 驗 結 果 59
4.1 架構與實驗環境 59
4.2 影像強化實驗結果 60
4.3 影像分割實驗結果 62
4.4 瑕疵偵測實驗結果 68
4.4.1 錫球偵測結果 70
4.4.2 線路偵測結果 75
第 五 章 結 論 與 未 來 方 向 78
5.1 討論 78
5.2 結論 79
5.3 未來研究方向 80
參 考 文 獻 82
附 錄 一 影 像 強 化 實 驗 結 果 85
附 錄 二 影 像 分 割 實 驗 結 果 97
圖 目 錄
圖1-1 BGA晶片示意圖(http://www.cs.mu.oz.au/tsa/projs/ppc/images/bga.jpg, http://www.mrsscrap.com/images/bga.jpg) 1
圖1-2 常見之BGA(焊球)表面瑕疵 5
圖1-3 常見之BGA(線路)表面瑕疵 6
圖1-4 研究粗略流程圖 9
圖2-1 RGB色彩模型示意圖(Digital Image Processing, p290) 13
圖2-2 HIS色彩模型示意圖(Digital Image Processing, p298) 14
圖2-3 Gamma修正示意圖(Digital Image Processing, p82.) 17
圖2-4 Gamma修正法示意圖(Digital Image Processing, p81.) 18
圖3-1 流程圖 22
圖3-2 原始樣本 23
圖3-3 分割期望結果比較3D能量圖 25
圖3-4 色彩模型轉換結果比較3D能量圖 26
圖3-5 直方均衡強化搭配色彩模型轉換結果比較3D能量圖 28
圖3-6 Exponential及Rayleigh分配與不同 值搭配結果圖 29
圖3-7 以PhotoImpact 5 ®執行Gamma修正法 30
圖3-8 Gamma修正法改善效果示意圖 31
圖3-9 Gamma修正結果示意圖 32
圖3-10 Gamma修正前後3D能量圖比較 34
圖3-11 Gamma修正前後直方圖比較(0,最淡;255,最濃) 35
圖3-12 R色頻直方圖局部放大特寫 36
圖3-13 正規化流程圖 39
圖3-14 值運算結果示意圖 40
圖3-15 BGA分割圖 40
圖3-16 分割結果與瑕疵標定圖 48
圖3-17 物體周長與突出周長關係示意圖 52
圖3-18 特徵值與幾何形狀關係圖 53
圖3-19 值變化示意圖 55
圖3-20 瑕疵分類流程圖 56
圖3-21 基本線路完整檢測階段之作業流程圖 57
圖4-1 實驗架構示意圖 59
圖4-2 錫球樣本1在各強化方法下之強化結果 61
圖4-3 線路樣本在各強化方法下之強化結果 62
圖4-4 錫球樣本使用自動Gamma修正並於Otsu法下以R Band分割結果 64
圖4-5 錫球樣本使用自動Gamma修正並於Entropy法下以R Band分割結果 65
圖4-6 線路樣本使用自動Gamma修正並於Otsu法下以R Band分割結果 66
圖4-7 線路樣本使用自動Gamma修正並於Entropy法下以R Band分割結果 67
圖4-8 錫球瑕疵偵測示意圖 69
圖4-9 線路瑕疵偵測示意圖 69
圖4-10 錫球瑕疵偵測樣本圖 72
圖4-11 線路瑕疵偵測樣本圖 76
圖4-12 線路瑕疵偵測樣本一結果 76
圖4-13 線路瑕疵偵測樣本二結果 76
圖4-14 線路瑕疵偵測樣本三結果 77
圖5-1 建議檢測流程圖 80
圖5-2 瑕疵模擬示意圖 81
表 目 錄
表1-1 瑕疵成因對照表 7
表3-1 機率分配函數 27
表3-2 Gamma修正前後對比值 36
表3-3 Gamma修正前後對比值比較 37
表3-4 Otsu演算法 44
表3-5 Entropy演算法 46
表3-5 Entropy演算法(續) 47
表3-6 Labeling演算法 50
表3-7 瑕疵分類規則表 56
表4-1 使用Gamma修正法配合各種分割所需處理時間對照表(Sec) 68
表4-2(A) 錫球外型瑕疵偵測指標與結果對照表一 70
表4-2(B) 錫球不均勻瑕疵偵測指標與結果對照表一 70
表4-3(A) 錫球外型瑕疵偵測指標與結果對照表二 70
表4-3(B) 錫球不均勻瑕疵偵測指標與結果對照表二 71
表4-4(A) 錫球外型瑕疵偵測指標與結果對照表三 71
表4-4(B) 錫球不均勻瑕疵偵測指標與結果對照表三 71
表4-5 錫球瑕疵偵測指標與結果對照表一 73
表4-6 錫球瑕疵偵測指標與結果對照表二 73
表4-7 錫球瑕疵偵測指標與結果對照表三 73
表4-8 錫球瑕疵偵測結果 74
表4-9 以傳統方法偵測錫球瑕疵偵測指標與結果對照表一 74
表4-10 以傳統方法偵測錫球瑕疵偵測指標與結果對照表二 75
表4-11 以傳統方法偵測錫球瑕疵偵測指標與結果對照表三 75

K. D. Cho, and H. S. Tae, “Improvement of Low Gray Scale Linearity using Multi-Luminance-Level Subfield Method in Plasma Display Panel”, IEEE Transactions on Consumer Electronics, Vol. 48, No. 3, pp. 377-381, 2002.
H. Farid, “Blind Inverse Gamma Correction”, IEEE Transactions on Image Processing, Vol. 10, No. 10, pp. 1428-1433, 2001.
R. C. Gonzalez, and R. E. Woods, Digital Image Processing, 2nd ed., Prentice Hall, Upper Saddle River, New Jersey, 2002.
S. H. Hamed, and R. Safabakhsh, “Automatic Multilevel Thresholding for Image Segmentation by the Growing Time Adaptive Self-Organizing Map”, IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol. 24, No. 10, pp.1388-1393, 2002.
J. J. Hong, H. J. Park, and K. G. Kim, “Parallel Processing Machine Vision System for Bare PCB Inspection”, Proceedings of IECON, Vol. 3, pp. 1346-1350, Aachen, Germany, 1998.
T. Jiang, and F. Yang, “An Evolutionary Tabu Search for Cell Image Segmentation”, IEEE Transactions on Systems, Man, and Cybernetics－Part B:Cybernetics, Vol. 32, No. 5, pp. 675-678, 2002.
R. P. Kleihorst, R. L. Lagendijk, and J. Biemond, “An Adaptive Order-Statistic Noise Filter for Gamma-Corrected Image Sequences”, IEEE Transactions on Image Processing, Vol. 6, No. 10, pp. 1442-1446, 1997.
Matrox Imaging, Matrox Image Library User Guide, 6th ed., Matrox Imaging, Dorval, Canada, 2000.
M. Moganti, and F. Ercal, “Automatic PCB Inspection Algorithms: a Survey,” Computer Vision and Image Understanding, Vol. 63, No. 2, pp. 287-313, 1996.
W. M. Morrow, R. B. Paranjape, R. M. Rangayyan, and J. E. L. Desautels, “Region-based Contrast Enhancement of Mammograms,” IEEE Transactions on Medical Imaging, Vol. 11, No. 3, pp. 392-406, 1992.
R. Rovatti, E. Franchi, N. Manaresi, A. Bellini, and M. Tartagni, “Analog Implementation of Gamma-correction for CMOS Cameras”, 1998 IEEE International Conference on, pp. 419-422, Lisboa, Portugal, 1998.
M. Zhang, and L. O. Hall, “A Generic Knowledge-Guided Image Segmentation and Labeling System Using Fuzzy Clustering Algorithms”, IEEE Transactions on Systems, Man, and Cybernetics－Part B:Cybernetics, Vol. 32, No. 5, pp. 571-582, 2002.
古欽榮，「發展一套辨識IC封裝基版表面缺陷的方法」，華梵大學機電工程研究所，碩士論文，民國九十年。
邱奕契、邱柏誠、黃俊榮，「彩色機器視覺在BGA鍍金區瑕疵偵測與分類上的應用」，2002PCB製造與管理技術研討會。
林錫寬、張上淵，「應用電腦視覺與類神經網路於BGA缺陷檢測系統」，2002PCB製造與管理技術研討會。
許文豪，「圖形辨識概述與實作」，清華大學資訊工程研究所，碩士論文，民國八十九年。
梁有燈，「機器視覺在BGA焊球尺寸量測上之應用」，中華大學機械與航太工程研究所，碩士論文，民國八十八年。
葉繼豪，「應用共變異數矩陣與小波轉換於BGA基板線路瑕疵檢測」，元智大學工業工程與管理研究所，博士論文，民國九十年。
雷章寶，產業調查與技術，126期，民國八十七年，頁29-41。
謝文逸，「電子構裝共熔合金銲錫之疲勞測試方法與分析」，中正大學機械研究所，碩士論文，民國九十一年。
鍾國亮，影像處理與機器視覺，東華書局，一版，台北，民國九十一年。
http://140.134.32.136/WWW/mea/10-2.htm.
http://cslin.auto.fcu.edu.tw/nowsci/img/dspapp-0/dspapp-5.htm
http://www.cs.mu.oz.au/tsa/projs/ppc/images/bga.jpg
http://www.maxtek.com/technologies.html
http://www.mrsscrap.com/images/bga.jpg