臺灣博碩士論文加值系統

本論文的目的在於發展一系統來檢測手機LCD Module 的顯示異常。
隨著科技的進步，手機功能越來越多，在其上的應用也趨向多元，特別是在多媒體的應用上。在手機上LCD Module 可說是一個非常重要的界面，然而目前手機組裝廠用來檢測的方式是利用人的眼睛配合手機畫面的變化來辨別組裝後的LCD Module 是否為正常，不過利用人工來檢查畫面是否正常並不是一種科學的方法，這樣的方法會因為人員的疲勞或是經驗不足而使得檢出率變差更有可能將不良品看成良品；良品看成不良品。所以在手機組裝廠往往必須花費大量的人力來檢查手機。鑑於上述的狀況，本論文透過電腦視覺的各種演算法及技術如紋理分析來發展出一自動偵測手機LCD Module的系統，以簡化手機LCD Module畫面檢測的流程，進而節省人力；而且機器並不會疲勞或是須要有訓練等等狀況出現，所以也不會有檢出力變差或是檢出品質不一的風險。
本論文主要是應用小波封包能量分明的特性來分解紋理影像並找出其能量分佈差異。在本論文中主要是要討論結構性紋理[10]，即透過Wavelet 的分析及配合K-Means 的分群，找出實際上的不良區域。從論文的實驗結果，演算法的平均的Hit Rate 可以達到95.94%，False Alarm Rate 也可以達到0.86%。

The purpose of this thesis paper is to develop a system to inspect the exceptional display of LCD Module of a mobile phone.

With advancement of technology, mobile phones have more and more functions and their application is becoming more diverse, particularly in multimedia. LCD Module of mobile is very important component. Currently, inspection of LCD Module is by human eyes and changes of mobile phone pictures. Human inspection on pictures is not a scientific way. Personnel fatigue due to long hours of working or insufficient experiences lead to poor inspection rate or mistake defected products as good products. Therefore, mobile phone assemblers have to use a great amount of manpower to inspect mobile phones. Because of this, based on various algorithms and technologies of computer vision such as texture, this paper develops an automatic mobile phone LCD Module inspection system to simplify the procedures of LCM (LCD Module) pictures and save manpower. Machines do not get fatigued or have insufficient experiences, preventing the risks of poor inspection rate or inconsistent quality.

This paper proposes a method to precisely locate defects with mainly wavelet packet energy to decompose grain images and find out the energy distribution differences. The surface texture is divided into two types [10]—statistics texture and structural texture. This paper aims at structural texture to locate the actual defection area through wavelet analysis and K-Means sub-grouping. The average hit rate of algorithm of experiments reaches 95.94% and False Alarm Rate is as high as 0.86%.

摘要 iii
ABSTRACT iv
誌謝 v
目錄 vi
圖目錄 viii
表格目錄 ix
第一章 緒論 1
第一節 動機 1
第二節 問題描述及文獻討論 3
第三節 論文目標 6
第二章 手機LCD Module 不良點檢測探討 7
第一節 紋理分析的方法 7
第二節 紋理的分類 8
第三節 K-Means分群 10
第三章 小波分析 12
第一節 小波轉換簡述 12
第二節 小波轉換 12
第三節 旋積分式小波轉換 14
第四節 二維小波轉換 15
第五節 多解析度二維小波轉換 17
第六節 小波封包介紹 19
第四章 手機LCD Module 不良品分析的系統 22
第一節 手機LCD Module 畫面不良分析流程圖 22
第二節 紋理分析 22
第三節 小波封包轉換後之能量分析 24
第四節 Wavelet Packet Data Center 26
第五節 K-Means 分群及閥值演算 29
第六節 區隔不良區域 30
第五章 不良畫面分析實驗結果 32
第一節 實驗環境及要求 32
第二節 實驗步驟 32
第三節 實驗結果 34
第六章 資料分析 37
第一節 分析方法 37
第二節 資料分析 38
第七章 結論 40
參考文件: 42

[1]王英裕，「2007年全球手機市場回顧與展望」 工業技術研究院，產業經濟與趨勢研究中心，2007年。
[2]Daubechies, I., “Orthonormal bases of compactly supported wavelet,” Communication Pure Appliance Mathematics, Vol. 41, pp. 909-996, 1988.
[3]Mallat, S. G.., “A theory for multi-resolution signal decomposition: the wavelet representation”, IEEE Transactions on Pattern Analysis and Machine Intelligence,Vol. 11, pp. 674-693. 1989.
[4]Bovik, A. C., M. Clark, and W.S. Geisler, “Multi-channel texture analysis usinglocalized spatial filter,” IEEE Transactions on PAMI, Vol. 12, pp 55-73,1990.
[5]Chang T., C. C. Jay and Kuo, “Texture analysis and classification with tree-structured wavelet transform” IEEE Transactions on IP, Vol. 2, pp. 429-441,1993.
[6]胡俊光，「快速小波轉換之研究」，國立台灣大學，碩士論文，民國90年。
[7]郭正德，「應用小波轉換作紋理影像之瑕疵檢測及合成」，中央大學，碩士論文，民國92年。
[8]陳錦宗，「小波分析LCD面板瑕疵之研究」，元智大學，碩士論文，民國95年。
[9]蔣政輝，「小波轉換於自動表面瑕疵檢測與圖形比對的應用」，元智大學，碩士論文，民國88年。
[10]簡慧文，「應用小波轉換於紋理瑕疵檢測方法之研究」，元智大學，碩士論文，民國93年。
[11]陳志忠，「液晶顯示器的像素點缺陷與亮度均一性之自動化檢測」，中原大學，碩士論文，民國90年。
[12]錢志豪，「建構液晶顯示器(LCD)色彩偏差瑕疵之自動化視覺檢測系統之探討」，朝陽科技大學，碩士論文，民國91年。
[13]曾彥馨，「應用機器視覺於TFT面板之表面瑕疵檢測與分類」，元智大學，碩士論文，民國92年。
[14]陳璋琪，「應用小波理論於印刷電路板缺點之檢測」，成功大學，碩士論文，民國92年。
[15]洪崇祐，「應用一維傅立葉分析於TFT-LCD液晶顯示面板之瑕疵檢測」，元智大學，碩士論文，民國93年。
[16]Mac Queen, “Some method for classification and analysis of multivariant observations”, Process of the Fifth Berkeley Symposium on Mathematical Statistical and Probability. University of California Press, 1967
[17]Laine, A. and J. Fan, “Texture classification by wavelet packet signatures,” IEEE Transactions on PAMI, Vol. 15, pp. 1186-1191, 1993.
[18]The Open Computer Vision Library is a collection of algorithms and sample code for various computer vision problems. The library is compatible with IPL and utilizes Intel Integrated Performance Primitives for better performance. http://sourceforge.net/projects/opencvlibrary.
[19]Jesse Davis & Mark Goadrich 2006 “The Relationship Between Precision-Recall and ROC Curves” University of Wisconsin-Madison, Madison, WI .
[20]C. Christopoulos, A. Skodras, and T. Ebrahimi. “The JPEG2000 Still Image Coding: An Overview,” IEEE Transactions on Consumer Electronics, Vol. 46, No. 4, pp. 1103-1127, November 2000
[21]繆紹綱編譯，「數位影像處理」普林斯頓國際有限公司，2003.
[22]Milan Sonka, Roger Boyle, and Vaclav Hlavac, Image Processing, Analysis and Machine Vision, 2nd Edition, Pws Pub Co, September 1998.
[23]戴顯權，陳政一，JPEG2000，初版，紳藍出版社，高雄，民國九十一年。
[24]繆紹綱譯，「數位影像處理—運用MATLAB」東華書局，民國九十四年。