人力成本在護目鏡的總成本中佔有較高比例，且競爭激烈的市場中，製造商需要保持較高的產量。表面檢測系統是自動光學檢測中重要的應用領域，其應用於製造過程中的瑕疵分類。在本論文中，針對毛線、水波紋、強光點等瑕疵提出一個分類系統。為了解決光線不均的問題，首先使用高階奇異值分解來對瑕疵進行影像增強，接著對於瑕疵進行樹狀分類的設計。實驗結果顯示，本研究所提出的方法可用於護目鏡檢測系統，優於需花費高人力成本且速度慢的傳統人工視覺檢測。經過實驗後，在76個瑕疵樣本中，分類率達89.6%，以及在120個灰塵樣本中，辨識率達95.83%，綜合以上，所提出的方法其分類率到達93.4%以及每個樣本平均僅需0.5秒的運行時間。

In a price sensitive and competitive market where labor costs are high and account for total cost of goggles, manufacturers must maintain the highest possible yields. Surface inspection systems are an important application domain for automatic optical inspection, as they are used for defect classification in the manufacturing process. In this thesis, we propose a classification system that is specifically designed to handle defects of string, watermark, light spot, and etc. To solve the imbalance lighting problem, we first enhance the defect images based on the proposed high-order singular value decomposition and then introduce a feature-based data augmentation method to classify defect classes in a tree-based structure. Experimental results show that our method is feasible to be used in goggles inspection system and outperform traditional human visual inspection, which is susceptible to unacceptable manufacturing cost and uncertain delivery time. Through experimental tests on 76 defects (classification rate of 89.6%) and 120 dusts (recognition rate of 95.83%), the presented method in accuracy achieved classification rate of 93.4% and running time of 0.5 sec per sample in average.

中文摘要 II
Abstract III
致謝 IV
目錄 V
圖目錄 VII
表目錄 VIII
第1章 緒論 1
1.1 簡介 1
1.2 研究背景與動機 1
1.3 相關文獻回顧 2
1.4 護目鏡瑕疵分類系統之問題描述及系統架構 3
1.5 瑕疵與灰塵特性分析之問題描述 9
1.6 章節概要 9
第2章 高階奇異值分解應用於影像增強 10
2.1 簡介 10
2.2 高階奇異值分解 12
2.3 高階奇異值分解參數分析 15
2.4 影像增強 16
第3章 瑕疵分析與分類 18
3.1 簡介 18
3.2 影像分析 19
3.2.1 灰塵與瑕疵的差異 19
3.2.2 線與點的差異 20
3.2.3 在HOSVD中能量的差別 21
3.2.4 影像類別之間的差異 22
3.3 影像分類 23
3.3.1 灰塵與瑕疵的分類 24
3.3.2 線與點的分類 24
3.3.3 強光點(類型1)、部分灰塵與強光點(其他類型)分類 25
3.3.4 毛線與水波紋的分類 27
3.3.5 強光點(型態2)與強光點(型態3)的分類 28
3.3.6 灰塵與強光點(型態1)的分類 29
第4章 實驗結果與討論 30
4.1 瑕疵分類比較 30
4.2 實驗討論 30
4.3 護目鏡瑕疵分類系統之規格 30
4.4 實驗結果與討論 32
4.4.1 灰塵實驗判斷結果 33
4.4.2 強光點(型態1)實驗判斷結果 37
4.4.3 強光點(型態2)實驗判斷結果 39
4.4.4 強光點(型態3)實驗判斷結果 40
4.4.5 水波紋實驗判斷結果 41
4.4.6 毛線實驗判斷結果 43
第5章 結論與未來工作 44
參考文獻 45

[1]W.-C. Wang, S.-L. Chen, L.-B. Chen, and W.-J. Chang, “A machine vision based automatic optical inspection system for measuring drilling quality of printed circuit boards,” IEEE Access, vol. 5, pp. 10817–10833, 2017.
[2]M. I. Chacin, J. I. Nevarez, and W. J. Perez, “Subjective measurement of cosmetic defects using a computational intelligence approach,” Engineering Applications of Artificial Intelligence, vol. 23. pp. 1380-1387, May 2010.
[3]N. Otsu, “A threshold selection method from gray-level histograms,” IEEE Trans. on Man and Cybernetics, vol. SMC-9, no. 1, pp. 62-66, January 1979.
[4]Y. Xie, Y. Ye, J. Zhang, L. Liu, and L. Liu “A physics-based defects model and inspection algorithm for automatic visual inspection,” Optics and Lasers in Engineering, vol. 52, pp. 218-233, July 2013.
[5]Hong Il Kim, Sang Hwa Lee, and Nam Ik Cho, “Automatic Defect Classification Using Frequency and Spatial Features in a Boosting Scheme,” IEEE SIGNAL PROCESSING LETTERS, VOL. 16, No. 5, May 2009.
[6]Bashar M. Haddad, Sen Yang, Lina J. Karam, Fellow, IEEE, Jieping Ye, Nital S. Patel, and Martin W. Braun, “Multifeature, Sparse-Based Approach for Defects Detection and Classification in Semiconductor Units,” IEEE TRANSACTIONS ON AUTOMATION SCIENCE AND ENGINEERING, VOL. 15, No. 1, January 2018.
[7]吳家華，應用自適應能量分析於自動光學檢測，國立高雄科技大學，光電與通訊工程研究所，碩士論文，2017。
[8]阮輝青，高階奇異值光線補償補償用於人臉識別，國立高雄應用科技大學電子工程系研究所，碩士論文，2017。
[9]陳力維，色彩與形狀特徵應用於眼鏡玻璃及光學膜瑕疵檢測，國立高雄應用 科技大學，光電與通訊工程研究所，碩士論文，2016。
[10]黎玉線，自適應奇異值分解之影像增強應用於人臉識別和指紋分類，國立高雄應用科技大學電子工程系研究所，博士論文，2015。
[11]吳俊賢，車用後視鏡歪斜率量測及彈簧檢測，國立高雄應用科技大學，光電與通訊工程研究所，碩士論文，2015。
[12]郭丞諴，有效方法應用於零件遺漏偵測及玻璃氣泡檢出，國立高雄應用科技大學，光電與通訊工程研究所，碩士論文，2013。