臺灣博碩士論文加值系統

車用後視鏡作為汽車的標準配備，隨著台灣汽車銷售趨勢逐漸上升，其需求也隨之增加，廠商對產品品質的把關也越發嚴格。廠內常見的瑕疵類型包括了鏡面刮傷、凸起、凹陷等表面瑕疵，以及缺角、毛邊等輪廓瑕疵。目前業界檢驗方式仍多以人工目視為主，長時間作業下容易因視覺疲勞造成瑕疵分類錯誤率上升。輪廓瑕疵因會造成後視鏡結構的破壞，致使承受應力的能力下降，後視鏡可能會因為嚴重的抖動造成破裂，導致駕駛喪失兩側和後方外部訊息進而引發交通事故。因此，本研究發展一套自動化車用後視鏡輪廓瑕疵檢測系統，以機器視覺取代人員目視檢測。

本研究利用邊點至物件質心的距離對車用後視鏡形狀進行描述，並將此特徵應用於小波轉換搭配低通濾波與指數加權移動平均(EWMA)管制模式檢測瑕疵，該方法透過設定一個合適的EWMA參數，在檢測時不需另外提供一片標準的樣本，從中得到與待測影像比對的資訊，即可運用自身的資訊判斷是否有不規則的輪廓變化，本研究對所提方法分別以車用後視鏡正面與側面影像進行實驗，經由轉換公式計算，能偵測0.2 mm以上瑕疵。實驗結果顯示對於正面影像的正常張數誤判率為7%，瑕疵張數檢出率為86%；側面影像的正常張數誤判率為5%，瑕疵張數檢出率為92%。

In recent years, auto sales gradually increased in Taiwan. Since car mirrors are standard accessories with cars, the demand of car mirrors also increased and manufacturers pay more emphasis on the increase of product quality. Common defects of car mirrors include: scratches, convex, concave causing surface defect type and tailoring, edging negligence of process causing profile defect type. Currently, the inspection tasks are conducted by human inspectors. Since the profile defects will cause structural damages of car mirrors and reduce ability to withstand stress, the degree of harm even more than the surface defects. In additions, the angle diversity of capturing images makes it is not easy to implement automated defect inspection. Therefore, this study develops an automated profile defect detection system of car mirrors to replace visual inspection personnel from car mirror inspection tasks.

Two types of images called front images and side images are captured from two views of real car mirror samples. In this study, the distances of edge points to the object centroid are used to describe the shape of a car mirror. To enhance the profile defects on the mirror surface images, the distances of edge points are applied to 1-D wavelet transform with low-pass filtering. The distance deviations of the edge pints before and after the wavelet filtering process can be distinguished by the model of exponential weighted moving average (EWMA) to identify the defect locations. The proposed approach does not require a standard flawless sample in detection process and derive information to compare with testing images. We only use their own information of testing images to determine whether there are any irregular contour changes. The proposed method were carried out to detect the defect size lager than 0.2 mm. Experimental results show that the proposed system achieves 7% false alarm rate and 86% defect detection rate for front image inspection; 5% false alarm rate and 92% defect detection rate for side image inspection.

目錄
摘要 I
Abstract II
致謝 III
目錄 IV
圖目錄 VII
表目錄 X
第一章 緒論 1
1.1 研究背景 1
1.2 車用後視鏡簡介 1
1.3 車用後視鏡檢測規範與瑕疵類型 2
1.4 車用後視鏡輪廓瑕疵檢測之困難與限制 4
1.5 研究動機與目的 6
1.6 論文架構說明 8
第二章 文獻探討 9
2.1 自動化光學檢測 9
2.2 表面瑕疵檢測 10
2.3 形狀描述與輪廓瑕疵檢測 11
2.4 小波轉換之應用 14
2.5 微量偏移管制法之應用 15
第三章 研究方法之相關學理 18
3.1 影像分割 18
3.1.1 Otsu二值化演算法 18
3.1.2 Sobel邊緣偵測演算法 20
3.2 形狀表示與描述 21
3.2.1 鍊碼 22
3.2.2 基於質心-半徑的形狀描述 23
3.3 傅立葉描述子 27
3.4 小波描述子 28
3.4.1 基底函數 29
3.4.2 Haar小波轉換 30
3.4.3 小波濾波 32
3.5 微量偏移偵測 33
第四章 研究架構與流程 36
4.1 車用後視鏡影像擷取與前處理 39
4.1.1 Otsu 二值化 40
4.1.2 Sobel邊緣偵測與邊點追蹤 44
4.1.3 距離特徵計算 47
4.2 頻率域之距離特徵轉換 53
4.2.1 一維Haar小波轉換 54
4.2.2 小波域低通濾波 56
4.2.3 一維Haar小波反轉換 58
4.3距離差異量之EWMA管制模式 61
4.3.1 距離特徵差異量計算 61
4.3.2 EWMA管制模式 63
第五章 實驗結果與分析 69
5.1 影像擷取統與軟體開發 69
5.1.1影像擷取系統 70
5.1.2 檢測軟體開發 72
5.2 車用後視鏡輪廓瑕疵檢測之效益評估指標 73
5.3 車用後視鏡輪廓瑕疵檢測參數設定 75
5.3.1 小波分解階層之設定 76
5.3.2 EWMA管制模式參數之設定 77
5.3.3 小樣本實驗之較佳參數設定 85
5.4 車用後視鏡大樣本分析實驗 86
5.5 不同檢測方法之效益評估比較 90
5.6 敏感度分析 99
5.6.1 側面影像物件質心平移對檢測效益之影響 99
5.6.2 旋轉正規化造成小波分解起始點不同之影響 101
5.6.3 背面影像對檢測效益之影響 103
5.6.4 平面鏡之檢測結果 104
5.6.5 凹形物件之檢測結果 106
第六章 結論與未來研究方向 108
6.1 結論 108
6.2 未來研究方向 109
參考文獻 110

圖目錄
圖1 鏡面玻璃於生活中之應用 1
圖2 各式之車用後視鏡 2
圖3 車用後視鏡之生產流程 2
圖4 車用後視鏡在製品瑕疵影像 3
圖5 車用後視鏡現行檢測流程 5
圖6 正面與側面影像瑕疵部位對照 6
圖7 本研究檢測樣本 7
圖8 Sobel 遮罩 21
圖9 鍊碼 22
圖10 八方向鍊碼編碼實例 22
圖11 形狀的質心-半徑模型 24
圖12 使用較少的半徑長度相似性檢索方法 25
圖13 複數平面示意圖 27
圖14 V1的尺度基底 30
圖15 W1的Haar小波基底 31
圖16 小波多層解析架構圖 32
圖17 車用後視鏡正面影像之輪廓瑕疵檢測流程圖 37
圖18 車用後視鏡側面影像之輪廓瑕疵檢測流程圖 38
圖19 車用後視鏡正面與側面影像之對應關係示意圖 39
圖20 背光照明之正面影像 40
圖21 局部調整亮度之側面影像 40
圖22 正面影像之Otsu二值化結果 42
圖23 側面影像之Otsu二值化結果 43
圖24 車用後視鏡正面與側面二值化影像之對應關係示意圖 43
圖25 二值化影像經Sobel邊緣偵測結果 45
圖26 邊點座標偵測流程圖 5
圖27 邊點偵測說明圖 46
圖28 車用後視鏡正面與側面邊緣影像之對應關係示意圖 47
圖29 各邊點至物件質心距離圖 49
圖30 尺度正規化之各邊點至物件質心距離圖 50
圖31 旋轉正規化起始點選擇示意圖 51
圖32 尺度、旋轉正規化之各邊點至物件質心距離圖 51
圖33 物件平移對距離量影響 52
圖34 物件尺度改變對距離量影響 52
圖35 物件旋轉角度改變對距離量影響 53
圖36 二階一維小波分解結構 55
圖37 數據有無經低通濾波處理之差異量 58
圖38 二階一維小波反轉換結構 59
圖39 小波域濾波前後各邊點至物件質心距離圖 61
圖40 小波域濾波前後距離差異量 62
圖41 取樣後小波域濾波前後距離差異量 63
圖42 輪廓瑕疵檢測應用於EWMA管制模式 64
圖43 系統檢測與人工檢測之結果影像 65
圖44 程式合成之側面影像檢測結果 66
圖45 車用後視鏡正面影像之輪廓瑕疵檢測的影像程序圖 67
圖46 車用後視鏡側面影像之輪廓瑕疵檢測的影像程序圖 68
圖47 本研究之實驗流程架構 69
圖48 車用後視鏡正面影像擷取系統 70
圖49 車用後視鏡側面影像擷取系統 70
圖50 車用後視鏡側面影像拍攝之插槽角度示意圖 72
圖51 本研究所發展車用後視鏡正面影像之檢測系統使用者介面 73
圖52 本研究所發展車用後視鏡側面影像之檢測系統使用者介面 73
圖53 正面影像小波分解階層對距離差異量之影響 76
圖54 側面影像小波分解階層對距離差異量之影響 77
圖55 正面影像應用EWMA不同參數設定所偵測瑕疵之結果 80
圖56 側面影像應用EWMA不同參數設定所偵測瑕疵之結果 81
圖57 大樣本實驗部分正面影像之輪廓瑕疵檢測結果 88
圖58 大樣本實驗部分側面影像之輪廓瑕疵檢測結果 89
圖59 正面影像之曲率法檢測影像程序圖 91
圖60 側面影像之曲率法檢測影像程序圖 92
圖61 正面影像之傅立葉描述子檢測影像程序圖 93
圖62 側面影像之傅立葉描述子檢測程序圖 93
圖63 部分正面影像使用不同檢測方法之檢測結果 94
圖64 部分側面影像使用不同檢測方法之檢測結果 95
圖65 正面影像不同方法採用整個物件面積與輪廓邊點之瑕疵檢測績效計算方式 97
圖66 側面影像不同方法採用整個物件面積與輪廓邊點之瑕疵檢測績效計算方式 97
圖67 側面影像物件質心不同平移距離之ROC曲線 100
圖68 側面影像物件質心平移對距離特徵差異量之影響 101
圖69 正面影像經旋轉正規化對距離差異量影響 102
圖70 側面影像經旋轉正規化對距離差異量影響 103
圖71 車用後視鏡正面與背面影像對照 104
圖72 平面車用後視鏡檢測結果 105
圖73 4種凹形圖案之檢測結果 106
圖74 電腦記憶卡之檢測結果 107

表目錄
表1 車用後視鏡常見四種表面瑕疵類型之特性說明 4
表2 車用後視鏡瑕疵比較表 7
表3 本研究與相關研究比較表 17
表4 小樣本實驗影像之彙整 75
表5 小波分解階層對瑕疵檢測效益之比較表 77
表6 正面影像之EWMA參數對檢測效益之影響 78
表7 側面影像之EWMA參數對檢測效益之影響 78
表8 正面影像之EWMA管制模式參數微調對檢測效益之影響 79
表9 側面影像之EWMA管制模式參數微調對檢測效益之影響 79
表10 正面影像正常面積誤判率()之ANOVA-1 82
表11 正面影像輪廓瑕疵面積檢出率(1-)之ANOVA-1 82
表12 EWMA參數L = 2.25與2.33之檢定結果 83
表13 正面影像正常面積誤判率()之ANOVA-2 83
表14 正面影像正常面積誤判率(1-)之ANOVA-2 84
表15 側面影像正常面積誤判率()之ANOVA 84
表16 側面影像輪廓瑕疵面積檢出率(1-)之ANOVA 85
表17 本研究較佳之參數設定 86
表18 大樣本實驗影像之彙整 86
表19 大樣本實驗之正面影像檢測效益 87
表20 大樣本實驗之側面影像檢測效益 87
表21 本研究與其他檢測方法之異同 90
表22 本研究與Kong 等人[31]之比較 90
表23 正面影像使用不同檢測方法之效益評估比較表 98
表24 側面影像使用不同檢測方法之效益評估比較表 98
表25 側面影像質心平移之瑕疵檢測結果 99
表26 側面影像物件質心不同平移距離之張數檢測結果 100
表27 待測影像有無做旋轉正規化對檢測效益之比較 103
表28 背面影像之效益評估表 104
表29 平面車用後視鏡正面影像之效益評估表 105
表30 平面車用後視鏡側面影像之效益評估表 106
表31 4種凹形圖案之效益評估表 106
表32 電腦記憶卡之效益評估表 107

[1]Alfred, H., “Zur Theorie der orthogonalen Funktionensysteme,” Mathematische Annalen, Vol. 69, pp.331-371 (1910).
[2]Asemani, D., M. H. Karimi, “Surface defect detection in tiling Industries using digital image processing methods: Analysis and evaluation,” ISA Transactions, Vol. 53, pp.834-844 (2014).
[3]Bu, H. G. J., Wang, X. B. Huang, “Fabric defect detection based on multiple fractal features and support vector data description,” Engineering Applications of Artificial Intelligence, Vol. 22, pp. 224-235 (2009).
[4]Blasco, J., N. Aleixos, E. Molto, “Computer vision detection of peel defects in citrus by mean of a region oriented segmentation algorithm,” Journal of Food Engineering, Vol. 81, No. 2, pp.535-543 (2007).
[5]Crowder, S. V., “A Simple Method for Studying Run-Length Distributions of Exponentially Weighted Moving Average Charts,” Technometrics, Vol. 29, No. 4, pp. 401-407 (1987) .
[6]Chang, G. C. H. and C. C. J. Kuo, “Wavelet descriptor of planer curves: theory and applications,” IEEE Transactions on Image Processing, Vol. 5, No. 1, pp. 56-70 (1996).
[7]Cinque, L., S. Levialdi and A. Malizia, “Shape desciption using cubic polynomial Bezier curves,” Pattern Recognition Letters, Vol. 19, pp. 821-828 (1998).
[8]Direkoglu, C.and M. S. Nixon, “Shape classification via image-based multiscale descriptions,” Pattern Recognition, Vol. 44, pp. 2134-2146 (2011).
[9]Freeman, h., “On the encoding of arbitrary geometric configuration,” IRE Trans. On Electronic Computer,, Vol. 10, No. 2, pp.260-268 (1961).
[10]Fezani, F., A. Rahmain, “Wavelets analysis for defects detection in flat glass”, Multi-conference on Computional Engineering in Systems Applications (CESA), Vol. 2, pp.132–139 (2006).
[11]Garcia, M., D. F. Garcia, J. L. Diaz and F. Suarez, “Flatness defects detection in rolling products with real-time vision system,” Intelligent Systems Engineering, Second International Conference, pp.407-412 (1994).
[12]Hu, M. K., “Visual Pattern Recognition by Moment Invariants,” IRE Trans.Info Thery, Vol. IT-8, pp.179-187 (1962).
[13]Hong, J. J., K. J. Park and K. G. Kim, “Parallel processing machine vision system for bar PCB Inspection,” Industrial Electronics Society, IECON '98. Proceedings of the 24th Annual Conference of the IEEE, Vol. 8, pp.346-1350 (1998).
[14]Huang, X., and S. Zhao, “An adaptive digital image watermarking algorithm based on morphological Haar wavelet transform,” Physics Procedia, Vol. 25, pp.568-575 (2012).
[15]Li, Q., Maohua Wang and Weikang Gu, “Computer vision based system for apple surface defect detection,” Computers and Electronics in Agriculture, Vol.36, pp.215-215 (2002).
[16]Liu, H., Y. Wang, F. Duan, “Glass bottle inspector based on machine vision,” International Journal of Computer Systems Science and Engineering, Vol. 2, pp.652-657 (2008).
[17]Loncaric, S., “A survey of shape analysis techniques,” Pattern Recognition, Vol. 31, No. 8, pp. 983-1001 (1998)
[18]Lucas, J. M. and M. S., Saccucci, “Exponentially moving average control schemes:properties and enhancements,” Technometrics, Vol. 32, No. 1, pp.1-12 (1990).
[19]Lin, H. D. and J. D. Jiang, “Applying discrete cosine transform and grey relational analysis to surface defect detection of LED,” Journal of the Chinese Institute of Industrial Engineers, Vol. 24, No. 6, pp.458-467 (2007).
[20]Lin, H. D. “Automated visual inspection of ripple defects using wavelet characteristic based multivariate statistical approach,” Image and Vision Computing, Vol. 25, No. 11, pp.1785-1801 (2007).
[21]Lin, H. D. and H. H. Tsai, “Automated quality inspection of surface defects on touch panels,” Journal of the Chinese Institute of Industrial Engineers, Vol. 29, No. 5, pp.291-302 (2012).
[22]McNeil, G. and S. Vijayakumar, “2D shape classification and retrieval,” International Joint Conference on Artificial Intelligence, pp.1483-1488 (2005).
[23]McNeil, G. and S. Vijayakumar, “Hierarchical procrustes matching for shape retrieval,” IEEE International Conference on Computer Vision and Pattern Recognition, Vol. 1, pp.885-894 (2006).
[24]Montgomery, D. C. Introduction to Statistical Quality Control (6e), John Wiley & Sons, Inc (2009).
[25]Netzelmann, U. and S. Lugin, “A defect shape reconstruction algorithm for pulsed thermography,” NDT&E International, Vol. 40, pp.220-228 (2007).
[26]Nakashima, K., “Hybrid inspection system for LCD color filter panels,” Tenth International Conference on Instrumentation and Measurement Technology, Vol. 2, pp.689-692 (1994).
[27]Oh, C. H., Joo, and K. H.Yang, and R. A. Pierson, “Texture characterization using robust statistic,” Pattern Recognition, Vol. 27, pp.119-134 (1994).
[28]Olson, C. F., “Maximum-likelihood image matching,” IEEE Trans. On Pattern Analysis and Machine Intelligence, Vol. 24, No. 6, pp.853-857 (2002).
[29]Peng, Y., Yongyu Li, S. Dhakal, “A machine vision system for identification of micro-crack in egg shell,” Journal of Food Engineering, Vol.109, pp.127-134 (2012).
[30]Kunttu, I., L. Lepisto and J. Rauhamaa, A. Visa, “Multiscale Fourier descriptors for defect image retrieval,” Pattern Recognition Letters, Vol. 27, pp.123-132 (2005).
[31]Kong, X., Q. Luo, G. Zeng and M. H. Lee, “A new shape descriptor based on centroid–radii model and wavelet transform,” Optics Communications, Vol. 273, pp.362-366 (2007).
[32]Persoon, E. and K. S. Fu, “Shape discrimination using Fourier descriptors,”IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol. 8, pp.170-179 (1997).
[33]Rosta, G., G. Boschetti, A. Biondi and A. Rossi, “Real-time defect detection on highly reflective curved surfaces,” Optics and Lasers in Engineering, Vol. 47, pp.379-384 (2009).
[34]Roberts, S. W., “Control chart tests based on geometric moving averages,” Technometrics, Vol. 42, No. 1, pp.97-101 (2000).
[35]Sezer, O. G. and A. Ercil, “Using perceptual relation of regularity and anisotropy in the texture with independent component model for defect detection,” Pattern Recognition, Vol. 40, pp. 121-133 (2007).
[36]Tsai, D. M., and M. H. Lin, “Machine-vision-based identification for wafer tracking in solar cell manufacturing,” Robotics and Computer-Integrated Manufacturing, Vol, 29, pp.312-6321 (2013).
[37]Tsai, D. M., and C. Y. Hsieh, “Automated surface inspection for directional textures,” Image and Vision Computing, Vol, 18, pp.49-62 (1999).
[38]Tsai, D. M., B. Hsiao, “Automatic surface inspection using wavelet reconstruction,” Pattern Recognition, Vol.34, No.6, pp.1285-1305 (2001).
[39]Tsai, D. M., Y. J. Su, “Non-referential, self-compared shape defect inspection for bond pads with deformed shapes,” International Journal of Production Research, Vol. 47, pp.1225-1244 (2009).
[40]Tan, K. L., B. C. Ooi, L. F. Thiang, “Indexing shapes in image databases using the centroid-radii model,” Data & Knowledge Engineering, Vol. 32, pp.271-289 (2000).
[41]Verestoy , J. and D. Chetverikov, “Shape defect detection in ferrite cores,” Machine Graphics and Vision, Vol. 6, pp. 225-236 (1997).
[42]Yu, F. J., Y. Y. Yang, M. J. Wang, Z. Wu, “Using EWMA control schemes for monitoring wafer quality in negative binomial process,” Microelectronics Reliability Vol, 51, pp.400-405 (2011).
[43]Wu, Y., M. J. J. Wang and C. M. Liu, “Automated inspection of printed circuit boards through machine vision,” Computers in Industry, Vol. 28, pp.103-111 (1996).
[44]Zhang, D. S. and G. Lu, A, “A comparative study on shape retrieval using Fourier descriptors with different shape signatures,” International Conference on Intelligent Multimedia and Distance Education, pp.1-9 (2001).
[45]Zhang, D. S. and G. Lu, A, “A comparative study of Fourier descriptors for shape representation and retrieval,” Asian Conference on Computer Vision, pp.646-651 (2002).
[46]Zhang, D. and G. Lu, “Review of shape representation and description techniques,” Pattern Recognition, Vol, 37, pp.1-19 (2004).
[47]Zhang, Y., T. Li, and Q. Li, “Defect detection for tire laser shearography image using curvelet transform based edge detector,” Optics & Laser Technology, Vol, 47, pp.64-71 (2013).
[48]李仁淼，｢觸控面板之自動化光學檢測系統的研製｣，碩士論文，朝陽科技大學工業工程與管理研究所，台中(2014)。
[49]沈大誠，「應用一維小波轉換檢測積層陶瓷電容」，碩士論文，國立臺北科技大學生產系統工程與管理研究所，台北(2002)。
[50]何東健、宋懷波、潘景朋，「基於凸殼理論的遮擋蘋果目標識別與定位方法｣，西北農林科技大學機電學院，農業工程學報，第28 卷，第174-180頁(2012)。
[51]汽車後視鏡抖動的試驗和仿真分析，http://3g.autooo.net/utf8-classid78-id79184.html
[52]車壇新聞，2014 年7 月份臺灣汽車市場銷售報告，http://news.u-car.com.tw/23929.html
[53]林義祥，｢機器視覺應用於照相手機鏡片模組邊緣瑕疵檢測｣，碩士論文，國立交通大學工業工程與管理學程研究所，新竹(2012)。
[54]胡充佑，｢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研究所，台中 (2000)。
[55]范正忠，｢利用Haar小波轉換對時間序列作資料查詢-以台灣股市為例｣，碩士論文，國立臺灣大學資訊管理研究所，台北(2001)。
[56]姚文君，「基於Freeman 鏈碼二維圖像輪廓的提取與匹配」，寧波職業技術學院學報，第10 卷，第24-26頁(2006)。
[57]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研究所，台中(2011)。
[58]陳志松，｢應用多變量 統計量於具漸層式紋路瑕疵之自動化檢測探討-以SBL之水文瑕疵為例｣，碩士論文，朝陽科技大學工業工程與管理研究所，台中(2002)。
[59]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與管理研究所，台中(2011)。
[60]陳勁帆，｢EWMA管制圖應用在股票市場成交量的分析─以台灣五十指數之電子股為例｣，碩士論文，國立台灣科技大學工業管理研究所，台北(2004)。
[61]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與管理所，台中(2009)。
[62]黃百祥和李建興，「應用小波轉換特徵於音樂樂器之辨識」，Journal of Information Technology and Applications, Vol, 8, pp.1-9(2014).
[63]游舜豪，「應用高解析度線掃瞄CCD 於ITO 導電玻璃表面瑕疵檢測之研究」，碩士論文，國立台灣科技大學自動化及控制研究所，台北(2005)。
[64]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研究所，台中(2012)。
[65]鄭旭宏，｢車用後視鏡之自動化輪廓瑕疵檢測及尺寸量測｣，碩士論文，朝陽科技大學工業工程與管理研究所，台中(2013)。
[66]劉家村，「生物特徵辨識-手指紋路辨識」，碩士論文，國立中央大學資訊工程研究所，台北(2004)。
[67]翟靖華，「應用於輪緣螺帽分檢及扣件表面缺陷檢測之電腦視覺系統」，碩士論文，國立成功大學資訊工程研究所，台南(2010)。
[68]謝冠申，｢曲型車用後視鏡之自動化成像歪斜瑕疵檢測｣，碩士論文，朝陽科技大學工業工程與管理研究所，台中( 2013 )。
[69]賴意淳，「具自調式能力之網路流量分析系統」，碩士論文，銘傳大學資訊傳播工程研究所，台北(2009)。
[70]繆紹綱，「數位影像處理」，台灣培生教育出版有限公司，台北(2009)。
[71]鏡子-維基百科，https://zh.wikipedia.org
[72]蘇晏徵，「應用傅立葉形狀重建技術於物體輪廓瑕疵檢測」，碩士論文，元智大學工業工程與管理研究所，桃園(2005)。
[73]蘇朝墩，品質管理，前程文化事業有限公司，新北(2010)。