近年智慧型手機及平板電腦的使用日漸普及，使觸控面板之需求量大增，而常用的電容式觸控面板(Capactive touch panel, CTP)其表面具有規則性線路所形成的結構性紋路，這也增加面板之表面瑕疵檢驗的困難度。觸控面板上的表面瑕疵可分為線型瑕疵及面型瑕疵，其中面型瑕疵包含髒汙、水痕、氣泡等涵蓋範圍較大的瑕疵，此類瑕疵具有低對比、明暗度漸層變化、不規則狀且不具方向性等特性，而線型瑕疵大多為刮傷造成，且具有方向性，在產線中皆有可能產生面型及線型瑕疵，若要同時以同一程序找出兩種不同類型之瑕疵，則有一定的難度。
因此本研究主要針對觸控面板之表面瑕疵提出一自動化瑕疵檢驗方法，利用曲波轉換 (Curvelet Transform, CT)特性搭配多角度濾波方式進行觸控面版之背景紋路的衰減，並將濾波後曲波域影像進行重建至空間域中，以管制界線法進行二值化閥值的決定，並將影像分割為瑕疵及背景。本研究初步針對60(20張線型瑕疵、20張面型瑕疵、20張正常影像)張小樣本影像進行參數訓練，訓練後參數針對大樣本154張影像進行瑕疵檢測，其中線型及面型瑕疵各59張，而正常影像36張，實驗結果顯示可有效判斷瑕疵是否存在與其發生的位置，其瑕疵檢出率(1-β)可達93.33%，瑕疵誤判率(α)為1.26%，正確判斷率(CR)為98.69%。

Capacitive touch panels (CTP) with advantages of water-proof, stain-proof, scratch-proof, fast response, are widely used in various electronic products. The surface of CTPs are multi-layer structured and are classified as structural textures. It is a difficult inspection task when defects embedded in surface of CTPs with structural textures. The surface defects are usually classified into linear and area types of defects. The area type includes dirt, water marks, bubbles and other defects with larger scope. Such defects have low contrast, brightness with gradient changes, irregular and non-directional shapes. The linear type defect is commonly caused by scratch and has directionality. Both of the defect types may appear simultaneously on product surfaces in the CTP production line.
In this study, we propose a novel approach to detect the two types of defects on CTP surfaces. The proposed method applies the Curvelet Transform (CT) with multi-angle filtering to remove the structural textures of background and delete the angle direction of background texture. Then the filtered image is inversely transformed back to spatial domain. In the reconstructed image, the background texture is attenuated and the defects are enhanced. Finally, a thresholding value is determined by statistical control limits and the restored image can be easily segmented to into two categories namely dark defects, and white background. Experimental results show that the proposed method achieves a high 92.26% flaw detection rate (1-β), a low 1.32% false alarm rate(α), a high 98.61% correct classification rate (CR).

目錄
摘要 I
Abstract II
致謝 III
目錄 IV
圖目錄 VII
表目錄 XI
第一章 緒論 1
1.1研究背景 1
1.2 觸控面板簡介 1
1.3表面紋路分析 4
1.4 表面瑕疵檢測 6
1.5研究動機與目的 9
1.6論文架構 11
第二章 文獻探討 12
2.1自動化視覺檢測系統 12
2.2觸控面板表面瑕疵檢測 13
2.3紋路分析 14
2.4影像頻率域應用瑕疵檢測 15
2.5 曲波轉換用於影像處理 16
第三章 研究方法之相關學理 20
3.1 曲波轉換 (Curvelet Transform, CT) 20
3.1.1 第二代曲波轉換 20
3.1.2 Wrapping 曲波轉換 23
3.1.3 小波轉換與曲波轉換之比較 25
3.2 頻率域濾波 27
第四章 研究流程與方法運用 31
4.1 利用Wrapping方法分解經曲波轉換之頻率域影像 32
4.2 曲波轉換之能量頻譜分析 33
4.2.1 曲波細節影像數量與紋路方向 33
4.2.2 曲波細節影像之分解數量與紋路方向 38
4.3選擇曲波重建的頻譜影像 44
4.4重建曲波濾波後之影像 46
4.5 瑕疵與背景分離 47
第五章 實驗與結果分析 49
5.1影像擷取系統與檢測軟體開發 49
5.1.1影像擷取系統 50
5.1.2檢測軟體開發 50
5.2 瑕疵檢測結果績效指標 51
5.3 較佳之參數設定 52
5.3.1 曲波轉換之階數 53
5.3.2 濾波位置設定 55
5.3.3二值化閥值設定 57
5.4 比較不同檢測方法之效益評估指標 61
5.5 敏感度分析 66
5.5.1 改變影像亮度之影響 66
5.5.2 低頻影像乘上不同權重之影響 71
5.5.3 以不同方式刪去曲波域第二圈紋路資訊之影響 75
5.5.4 待測影像同時存在線型瑕疵及面型瑕疵的影響 78
5.5.5 使用不同背景紋路對瑕疵檢出結果的影響 80
第六章 結論與未來研究方向 82
6.1結論 82
6.2未來研究方向 82
參考文獻 84

 
圖目錄
圖1 觸控面板產品應用 1
圖2 光學是觸控面板結構 2
圖3 電阻式觸控面板結構 3
圖4 電容式觸控面板結構 4
圖5 觸控面板及局部拍攝之紋路 6
圖6 電容式觸控面板之基本製造流程[61] 7
圖7 Lena影像經過DFT、小波及曲波轉換後的三種頻率影像 9
圖8 曲波轉換之窗函數區塊圖[5][27] 21
圖9 基於Wrapping方法進行曲波轉換之包覆過程[25] 24
圖10 小波轉換與曲波轉換對於曲線之描述情況[20][42] 26
圖11 四種頻率域濾波器之濾波方式示意圖 27
圖12 小波轉換之頻率分佈[24] 29
圖13 本研究之研究方法流程圖 31
圖14 原始影像與經1、2、3、4階曲波轉換之頻譜影像大小及低頻影像之大小變化 33
圖15 原始影像與其一階曲波轉換之灰階分佈 34
圖16 測試影像及分解後之曲波頻譜影像 35
圖17 32張細節影像之標準差特徵值折線圖 36
圖18 經刪除之曲波域細節影像及其重建影像 36
圖19 曲波域之細節影像編號 37
圖20 曲波域細節影像與空間域影像之角度對應關係 37
圖21 曲波域細節影像分解數量 39
圖22 曲波域最內圈細節影像分解數量示意圖 39
圖23 不同間隔角度之紋路 40
圖24 刪除固定區域之曲波細節影像 40
圖25 待測影像角度及分解20張細節影像之曲波域頻譜 43
圖26 刪除不同區域之細節影像之曲波域頻譜影像 45
圖27 原始影像及不同濾波位置之曲波重建影像 45
圖28 本研究之曲波轉換增強觸控面板表面瑕疵之過程影像 47
圖29 觸控面板使用曲波轉換濾波處理之瑕疵影像檢測流程圖 48
圖30 本研究之實驗架構 49
圖31 本研究拍攝之觸控面板樣本 50
圖32 本研究實驗之硬體設備架設示意圖及待測樣本 50
圖33 本研究所開發軟體之使用者操作介面 51
圖34 不同階數之曲波轉換其部分面型瑕疵檢測結果影像 54
圖35 不同階數之曲波轉換其部分線型瑕疵檢測結果影像 54
圖36 不同曲波轉換階數之績效評估ROC曲線 55
圖37 不同濾波位置之績效評估ROC曲線 56
圖38 使用不同二值化參數k值設定的檢測效益ROC曲線 57
圖39 不同二值化參數k之面型瑕疵檢測結果 59
圖40 不同二值化參數k之線型瑕疵檢測結果 60
圖41 空間域方法之大樣本實驗的部分瑕疵檢測結果影像 63
圖42 頻率域方法之大樣本實驗的部分瑕疵檢測結果影像 64
圖43 不同方法之效益評估ROC曲線 65
圖44 不同亮度影像與其對應之灰階直方圖 67
圖45 改變影像亮度後之檢測效益ROC曲線 68
圖46 改變影像亮度之面型瑕疵檢測結果 69
圖47 改變影像亮度之線型瑕疵檢測結果 70
圖48 曲波域頻率分佈示意圖 71
圖49 增強低頻影像之面型瑕疵檢測結果 73
圖50 增強低頻影像之線型瑕疵檢測結果 74
圖51 曲波域第二圈細節影像示意圖及濾波方式二 76
圖52 不同濾波方式之ROC曲線 77
圖53 不同濾波位置之部分面型瑕疵結果影像 77
圖54 不同濾波位置之部分線型瑕疵結果影像 78
圖55 線型與面型瑕疵同時存在之部分檢測結果影像 79
圖56 不同背景紋路之部分檢測結果影像 81
表目錄
表1 電阻式與電容式觸控面板比較表[61][52][56][62] 4
表2 不同紋路之比較表[48] 5
表3 常見觸控面板之紋路比較表 6
表4 頻率域轉換方法比較表 8
表5 常見電容式觸控面板之瑕疵類型[61] 10
表6 面型瑕疵與線型瑕疵特性比較 11
表7 本研究與相關文獻比較 18
表8 小波轉換與曲波轉換之比較表[21][43] 26
表9 4種濾波器用於DCT及DFT之比較表 28
表10 小波轉換與曲波轉換搭配4種濾波方式之比較表 29
表11 三種不同間隔角度之紋路進行不同數量之細節影像分解及其對應濾波後之反轉結果 41
表12 各角度間隔之紋路於曲波域中較佳之細節影像分解數量 42
表13 4階曲波轉換外圍兩圈(第三、四圈)之前20張細節影像儲存的紋路方向 44
表14 本研究使用之樣本數量 53
表15 不同曲波轉換階數與績效評估結果 55
表16 四種濾波處理方式 56
表17 不同濾波位置之績效評估結果 56
表18 使用不同二值化參數k值設定的檢測效益表 57
表19 較佳參數設定組合用於大樣本實驗之檢測結果 61
表20 不同檢測方法間之特性比較表 62
表21 不同方法之效益評估比較表 65
表22 FT搭配寬帶濾波[61]與本研究對線型瑕疵及面型瑕疵之檢測績效比較表 66
表23 改變影像亮度後之檢測效益表 67
表24 對低頻影像進行不同權重之增強結果 72
表25 不同濾波位置之檢測效益評估表 76
表26 一張影像中同時出現面型瑕疵及線型瑕疵之檢測結果 79
表27 不同背景紋路之樣本及參數設定 80
表28 兩種不同背景紋路樣本搭配本研究方法進行檢測之效益評估表 81

[1]Adamo, F., F. Attivissimo, A. Di Nisio, and M. Savino, “A low-cost inspection system for online defects assessment in satin glass”, Measurement, 42(9), 1304-1311 (2009).
[2]Alzubi, S., N. Islam, and M. Abbod, “Multiresolution analysis using wavelet, ridgelet, and curvelet transforms for medical image segmentation”, International Journal of Biomedical Imaging, 0-18 (2011).
[3]Boubchir, L., J. Fadili, “Multivariate statistical modeling of images with the curvelet transform”, in Proceedings of the 8th International Conference on Signal Processing, Pattern Recognition, and Applications, 747–750 (2005).
[4]Cand, E. “Fast discrete curvelet transforms”, Department of Statistics, Stanford University, Stanford, 1–44 (2006).
[5]Cand, E. J., D. L. Donoho, “New tight frames of curvelets and optimal representations of objects with C2 singularities”, Department of Statistics, Stanford University, Stanford, 1–39 (2002).
[6]Fezani, F., A. Rahmain, “Wavelets analysis for defects detection in flat glass”, Multi-conference on Computional Engineering in Systems Applications (CESA), (2), 132–139 (2006).
[7]Cand, E., L. Demanet, and L. Ying, CurveLab Toolbox, Version 2.0.3, 1–4, (2006).
[8]Chen, Y. C., J. H. Yu, M. C. Xie, and F. J. Shiou, “Automated optical inspection system for analogical resistance type touch panel”, International Journal of the Physical Sciences, 6(22), 5141-5152 (2011).
[9]Do, M., M. Vetterli, “Image denoising using orthonormal finite ridgelet transform”, in Wavelet applications in signal and image processing VIII, 4119, 831–842 (2003).
[10]Demanet, L., L. Ying, “Curvelets and wave atoms for mirror-extended images”, Department of Mathematics, University of Texas at Austin, Austin, 1–15 (2007).
[11]Derganc, J., B. Likar, R. Bernard, D. Tomaevic, and F. Pernus, “Real-time automated visual inspection of color tablets in pharmaceutical blisters”, Real-Time Imaging, 9(2), 113–124 (2003).
[12]Eriksson, Brian. “The very fast curvelet transform”, ECE 734 - VLSI Structures for Digital Signal Processing, Final Project Report (‎2006).
[13]Fadili, M. J., J.L. Starck, and F. Murtagh, “Inpainting and zooming using sparse representations”, The Computer Journal, 52(1), 64–79 (2008).
[14]Gonzalez, R.C., Woods, R.E., Digital image processing, 3rd Ed., Prentice Hall, New Jersey, (2008).
[15]Jain, Ramesh, R. Kasturi, and B. G. Schunck, Machine Vision Internatioal Editons, New York, NY, McGraw Hill, 76-86 (1995).
[16]Kalaivani, M., M. S. Jeyalakshmi, and V. Aparna, “Extraction of retinal blood vessels using curvelet transform and kirsch’s templates”, International Journal of Emerging Technology and Advanced Engineering, 2(11), 2250-2459 (2012).
[17]Khoje, S. A., S. K. Bodhe, and A. Adsul, “Automated skin defect identification system for fruit grading based on discrete curvelet transform”, International Journal of Emerging Technology, 5(4), 3251–3256 (2013).
[18]Kim, S. C., T. J. Kang, “Texture classification and segmentation using wavelet packet frame and gaussian mixture model”, Pattern Recognition, 40(4), 1207–1221 (2007).
[19]Li, W.C., D.M. Tsai, “Wavelet-based defect detection in solar wafer images with inhomogeneous texture”, Pattern Recognition, 45(2), 742–756 (2011).
[20]Lin, H., G. C. Lin, C. Chung, and W. Lin, “Wavelet-based neural network and statistical approaches applied to automated visual inspection of LED chips”, Journal of Scientific & Industrial Research, 67, 412–420 (2008).
[21]Lin, H.D. “Automated visual inspection of ripple defects using wavelet characteristic based multivariate statistical approach”, Image and Vision Computing, 25(11), 1785–1801 (2007).
[22]Liu, H., Y. Wang, and F. Duan, “Glass bottle inspector based on machine vision”, World Academy of Engineering and Technology, 2, 673–678 (2008).
[23]Lu, C.J., D.M. Tsai, “Independent component analysis-based defect detection in patterned liquid crystal display surfaces”, Image and Vision Computing, 26(7), 955–970 (2008).
[24]Lu, Y. M., M. N. Do, “Multidimensional directional filter banks and surfacelets”, IEEE Transactions on Image Processing : A Publication of the IEEE Signal Processing Society, 16(4), 918–31 (2007).
[25]Ma, H., G. Su, J. Wang, and Z. Ni, “A glass bottle deffect detection system without touching”, Proceeding of the first international confererence on machine learning and cybernetics , 628–632 (2002).
[26]Montgomery, D. C., Introduction to Statistical Quality Control (6e), John Wiley & Sons, Inc (2009).
[27]Majumdar, A. “Bangla basic character recognition using digital curvelet transform”, Journal of Pattern Recognition Research, 1, 17–26 (2007).
[28]Mandal, T., Q. M. J. Wu, “Face recognition using curvelet based PCA”, 2008 19th International Conference on Pattern Recognition, 1–4 (2008).
[29]Manikandan, M., A. Saravanan, and K. B. Bagan, “Curvelet transform based embedded lossy image compression”, 2007 International Conference on Signal Processing, Communications and Networking, (1), 274–276 (2007).
[30]Mar, N. S. S., P. K. D. V. Yarlagadda, and C. Fookes, “Design and development of automatic visual inspection system for PCB manufacturing”, Robotics and Computer-Integrated Manufacturing, 27(5), 949–962 (2011).
[31]Münch, B., P. Trtik, F. Marone, and M. Stampanoni, “Stripe and ring artifact removal with combined wavelet-fourier filtering”, Optics Express, 17(10), 8567–91 (2009).
[32]Oh, C.H., H. Joo, and K. H. Rew, “Detecting Low-Contrast defect regions on glasses using highly robust Model-Fitting estimator”, International Conference Control Automation and Systems, 2138–2141 (2007).
[33]Perng, D. B., C. C. Chou, and S. M. Lee, “Design and development of a new machine vision wire bonding inspection system”, International Journal of Advanced Manufacturing Technology, 34, 323-334 (2006).
[34]Quintin, S., Y. Cedex, “Automatic inspection systems for the flat glass industry”, Industry Applications Society Annual Meeting, 2, 1370-1374 (1989).
[35]Rakvongthai, Y., S. Oraintara, “Statistics and dependency analysis of the uniform discrete curvelet coefficients and hidden Markov tree modeling”, 2009 IEEE International Symposium on Circuits and Systems, 525–528 (2009).
[36]Satorres Martínez, S., J. Gómez Ortega, J. Gámez García, and a. Sánchez García, “A sensor planning system for automated headlamp lens inspection”, Expert Systems with Applications, 36(5), 8768–8777 (2009).
[37]Smith, P., D. B. Reid, C. Environment, L. Palo, P. Alto, and P. L. Smith, “A threshold selection method from Gray-Level histograms”, IEEE International Symposium on Circuits and Systems, 62–66 (1979).
[38]Starck, J.L., E. J. Candès, and D. L. Donoho, “The curvelet transform for image denoising”, IEEE Transactions on Image Processing : A Publication of the IEEE Signal Processing Society, 11(6),607-684 (2002).
[39]Thomson, D., G. Hennenfent, H. Modzelewski, and F. J. Herrmann, “A parallel windowed fast discrete curvelet transform applied to seismic processing”, SEG Technical Program Expanded Abstracts 2006, 2767–2771 (2006).
[40]Tsai, D.M., S. M. Chao, “An anisotropic diffusion-based defect detection for sputtered surfaces with inhomogeneous textures”, Image and Vision Computing, 23(3), 325–338 (2005).
[41]Tsai, D. M., B. Hsiao, “ Automatic surface inspection using wavelet reconstruction”, Pattern Recognition, 34(6), 1285–1305 (2001).
[42]Vo, A., S. Oraintara, “A study of relative phase in complex wavelet domain: Property, statistics and applications in texture image retrieval and segmentation”, Signal Processing: Image Communication, 25(1), 28–46 (2010).
[43]Ye, Z., Y. Ye, and H. Mohamadian, “Digital image wavelet compression enhancement via particle swarm optimization”, 2009IEEE Int. Conf. on Control and Automation (Chrisrchurch, NewZeland), 2287–2292 (2009).
[44]Zhang, Y., T. Li, and Q. Li, “Defect detection for tire laser shearography image using curvelet transform based edge detector”, Optics & Laser Technology, 47, 64–71 (2013).
[45]Zhao, W., A. Rosenfeld, “Face Recognition : A Literature Survey”, ACM computing Surveys, 35(4), 399–458 (2003).
[46]Zhao, X., Tao. Jiang, “Researcg and application of image denoising method based on curvelet transform”, The International Archives of the Photogrammetry, 62, 363–368 (1999).
[47]月石健司•黑沢 理共編。陳連春譯，觸控面板技術解說，建興文化事業，台北(2012)。
[48]江軍達，｢應用灰關聯分析於離散餘弦頻譜之自動化表面瑕疵檢測｣，碩士論文，朝陽科技大學工業工程與管理所，台中(2007)。
[49]材料世界網，多點觸控面板開發動向。
http://www.fpdwin.com/download/multitptechfpdwin.pdf.
[50]李英達，｢TFT-LCD 小尺寸面板之玻璃表面瑕疵的自動強化及檢測｣，碩士論文，成功大學資訊工程學系，連震傑教授指導，(2005年)。
[51]李明慶，｢應用小波轉換(Wavelet transform)與曲線波轉換(Curvelet transform)於製程中多晶矽太陽能晶片之分類與識別｣，碩士論文，元智大學工業工程所，桃園(2008)。
[52]李永彬，數位時代的｢新一點靈｣-觸控面版，產經資訊，第43頁(2003)
[53]唐珮玲，｢應用HHT於曲面光學元件之可視瑕疵檢測｣，碩士論文，朝陽科技大學工業工程與管理所，台中(2012)。
[54]陳朝治，｢應用影像處理與類神經網路於ITO導電玻璃之瑕疵分類｣，碩士論文，國立台灣科技大學自動化及控制研究所，台北(2007)。
[55]陳興倫，｢使用小波包分解與部分最小平方法於光學元件之可視瑕疵檢測｣，碩士論文，朝陽科技大學工業工程與管理所，台中(2007)。
[56]陳昶宇，｢使用串聯電阻降低電阻式觸控面板的功率消耗｣，在職專班碩士論文，輔仁大學電子工程學系，台北(2007)。
[57]陳韋吉，｢透明玻璃之自動化可視瑕疵檢測｣，碩士論文，朝陽科技大學工業工程所，台中(2011)。
[58]陳靜宜，｢基於Gabor特徵與支持向量機之車胎紋路辨識｣，碩士論文，大業大學電機工程系，台中(2010)。
[59]黃智政，｢應用區塊離散餘弦轉換搭配灰預測模式檢測車用鏡面玻璃表面瑕疵｣，碩士論文，朝陽科技大學工業工程所，台中(2009)。
[60]楊忠曄，｢利用焦點區域血管形狀及紋路特徵辨識窄頻影像大腸息肉類型｣，碩士論文，輔仁大學資訊工程系，台北(2011)。
[61]蔡環樺，｢觸控面板之自動化表面瑕疵檢測｣，碩士論文，朝陽科技大學工業工程與管理所，台中(2012)。
[62]劉美君，Truly Touched Everywhere-AMOLED面板發展與挑戰，工研院，IEK產業情報網(2011)。