本研究在系統硬體製作的規格如下:
個人電腦: 486DX2-66,8MB RAM,Super VGA。 攝影機及EPO影像擷取卡: 影像解析度256×234像素點,256灰階 由NTSC標準影像輸入,每秒可得30張畫面。 工具顯微鏡: 最大倍率180倍。 照明光源: 高照度雙導管聚光燈。 TC-4017平台定位模組: 由步進馬達驅動,滾珠導螺桿(螺距2.5mm);定位精確度0.01mm。 微處理器(6809)控制之驅動器; 微處理器與電腦間以RS-232-C串列傳輸。 |
圖1為整體系統連接圖,圖2則為系統硬體架構的實際圖。 圖1 系統架構連接圖 圖2(a) 自動評估系統檢驗平台 圖2(b) 自動評估系統硬體架構全圖 軟體發展及設計以C語言完成。整體程式設計以發展模組化功能為目 的,使得系統功能拓展方便,總計已完成之影像處理功能及平台 定位控制之程式,大致的功能表如下所示:
Scan |
掃描影像畫面 |
Save |
儲存影像畫面 |
Load |
載入影像畫面 |
Histogram |
顯示影像灰階亮度統計圖 |
Graylevel |
滑鼠自動像素灰階顯示 |
Convolution |
影像空間迴旋積分 |
Low pass |
影像低通處理 |
High pass |
影像高通處理 |
Thresholding |
影像自動二值化處理 |
Inverse |
影像反轉處理 |
Pixelize |
影像格子點化處理 |
Erode |
微粒收縮處理 |
Dilate |
微粒膨脹處理 |
Fill |
微粒填充處理 |
Label |
微粒標記處理 |
Axis |
微粒主軸運算 |
Area |
微粒面積計算 |
Perimeter |
微粒周長計算 |
Shape |
微粒緊湊度計算 |
Eccentric |
微粒偏心度計算 |
Shift |
微粒平移處理 |
Scale |
微粒尺度轉換處理 |
Rotate |
微粒旋轉處理 |
X-Y Table |
位移平台鍵盤控制 |
由人工目視量測微粒大小時,通常是利用顯微鏡上的目 鏡網線刻度直接予以目視測量。而在電腦影像視覺技術上,可採用刻度校準的 方式,算出每一像素點所代表的實際面積及長度。我們利用光柵 圖案當作校準尺,如圖3所示,由於光柵條紋在1mm的寬度中共有10條,所以 每一條紋之間距為0.1mm,刻度校準方法如下: 1.固定放大倍率。 2.取出光柵二值化影像。 3.計算每一個條紋間距所包含的像素點數N。 將0.1mm/N,即為單一像素點所代表的實際長度。 圖3 光柵(10Lines/mm)影像圖 根據計算的結果,放大倍率為180倍時,每個像素點所代表的實際長度為2.5m, 實際面積則為。顯微鏡倍率越大,則度量 範圍可越精細。
以下將設計三個實驗包括微粒計數、微 粒度量與分類、特定微粒辨認等,針對系統功能來做測試。底下 將對每一個實驗設計,敘述其步驟及流程。
由影像擷取系統擷取測試板上的微粒影像諸如LCD片 夾層之空間微粒子,或是晶圓上已切割好之微晶片,針對系統微粒計數功能進行 測試,處理流程如下:開始,由影像擷取系統取進解析度為256×234、灰階 256之數位影像,然後利用3×3之平滑濾波器遮罩進行空間濾波,接著經自動 閥值擷取,得到一張二值化影像,再利用微粒標記演算法,針對影像上的微粒進 行計數,最後並與人工目視法比對,驗證系統計數功能。圖4代表微粒計數實驗 的流程圖。
在測試板上取得三種類型包括皮屑狀、纖維狀、立方 狀之微粒,對這些微粒進行度量及分類實驗。首先量測每個單一微粒的面積、周 長、主軸長、偏心度及緊湊度等,圖5為度量實驗規劃流程圖。最後,以緊湊度 及偏心度兩種度量為特徵參數,採用最小距離分類器,對三種類型之微粒樣本做 形狀上分類分析。 圖4 微粒計數流程圖 圖5 微粒數字度量流程圖
對於特定形狀微粒的辨認,採用識別神 經網路理論,進行實驗。實驗設計可分為訓練過程及識別過程兩階段。在訓練過 程上,以10種樣板微粒為訓練樣本,經過適當之正規化處理後,輸入網路進行 訓練。訓練步驟如下: 步驟1:輸入訓練微粒原始影像。 步驟2:對原始影像進行正規化處理,包括平滑濾波、二值化、平移、放大、邊 緣偵測、旋轉、格子點化及反轉等處理,最後得到一25×25格子點化之二值影 像圖。 步驟3:設定主辨識神經元及25個次級辨識神經元,並在每一個次級神經元下 安置9個移位神經元。 步驟4:對每一個移位神經元pk,輸入對應的樣本分割單元進行訓練, 得到每一個移位神經元的加權值向量及神經元門 閥值。 步驟5:重複步驟1,直到訓練完所有樣本圖。 而在識別過程中,我們引進幾個訓練樣本微粒在不同位置、不同角度、甚至不同 打光強度下所拍攝的圖片為測試樣本,輸入已訓練好之網路進行識別。整個識別 步驟如下: 步驟1:輸入測試微粒原始影像。 步驟2:對原始影像進行正規化處理,包括平滑濾波、二值化、平移、放大、邊 緣偵測、旋轉、格子點化及反轉等處理,最後得到一25×25格子點化之二值影 像圖。 步驟3:對訓練過程中每一個移位神經元pk,輸入對應的測試樣本分割單元進行識 別。即計算與測試樣本分割單元向量 Ak的內積是 否等於神經元門閥值。假如相等,則移位神經元激 發成功。 步驟4:在次級神經元下的9個移位神經元任一個被激發,則次級神經元也激發 成功。 步驟5:計算每一個主神經元下,次級神經元激發成功的個數。 步驟6:選定一個最多次級神經元發火數目的主神經元,測試樣本即判定為此神 經元記憶之微粒種類。 步驟7:重複步驟1,直到識別完所有樣本圖。
[1] 卓聖鵬,"光碟技術入門",全華圖書,1990。
[2] C. H. Wang, C. S. Lin, "An automatic imaging system for evaluating the particles on microstructure surface.", Proceedings of the fifth Conference of the Chinese Metrology Society, May 4, pp.139-147, 1996.
[3] A. J. Muller, "Volatile cleanroom contaminants: Sources and detection", solid State Technology, September, pp.61-72, 1994.
[4] Air & Waste Management association, "Optical Remote Sensing, Applications to Environmental and Industrial Safety Problems", Proceeding of an International Specialty Conference, Houston, Texas, 1992.
[5] Air & Waste Management Association, "Optical Sensing for Environmental Monitoring", Proceeding of an International Specialty Conference, Atlanta, Georgia, 1993.
[6] H. C. Wang, "Counting particles in high-pressure electronic specialty gases", Solid State Technology, June, pp.97-107, 1994.
[7] J. S. Batchelder, "Real-time single particles composition detection in liquids", Solid State Technology, October, 1992.
[8] J. J. Hart, "Particle measurement in specialty gases", Solid State Technology, September, pp.111-116, 1995.
[9] L. Jastrzebski, "Surface photo voltage monitoring of heavy metal contamination in IC manufacturing", Solid State Technology, December, pp.27-35, 1992.
[10] A. Lieberman, "Contamination Control and Cleanrooms", Van Nostrand Reinhold, New York, 1992.
[11] 衛祖賞,"數位影像處理",全華圖書,1988。
[12] R. C. Gonzalez, R. E. Woods, "Digital Image Processing", Addison Wesley, 1992.
[13] Ioannis Pitas, "Digital Image Processing Algorithms", Prentice Hall, 1993.
[14] Anil K. Jain, "Fundamentals of Digital Image Processing", Prentice Hall, 1989.
[15] R. T. Chin, "Automated Visual Inspection: A Survey 1981 to 1987.", Vol. 41, pp.346-381, 1988.
[16] Z. Kulpa, "More about Areas and Perimeters of Quantized Objects", Computer Vision, Graphics, and Image Processing, Vol. 22, pp.268-276, 1983.
[17] M. D. Levine, "Vision in Man and Machine", McGraw-Hill, 1985.
[18] D. K. Sahoo, "A Survey of Thresholding Techniques", Computer Vision, Graphics, and Image Processing, Vol. 41, pp.233-260, 1988.
[19] S.U. Lee, and S.Y. Chung, "A Comparative Performance Study of Several Global Thresholding Technique for Segmentation", Computer Vision, Graphics, and Image Processing, Vol.52, pp.171-190, 1990.
[20] J. Kapur, "A New Method for Gray-Level Picture Thresholding Using the Entropy of the Histogram", Computer Vision, Graphics, and Image Processing, Vol. 29, pp.273-285, 1985.
[21] A.D. Brink, "Gray-Level Thresholding of Image Using A Correlation Criterion", Pattern Recognition Letters, Vol. 9, pp.335-341, 1989.
[22] W.H. Tsai, "Moment-Preserving Thresholding: A New Approach", Computer Vision, Graphics, and Image Processing, Vol. 29, pp.377-393, 1985.
[23] N. Otsu, "A Threshold Selection Method from Gray-Level Histograms", IEEE Transactions on Systems, Man, and Cybernetics, Vol. SMC-9, NO.1, pp.62-66, 1979.
[24] R. M. Haralick, S.R. Shanmugan, and X. Zhuang, "Image Analysis Using Mathematical Morphology.", IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol. 9, No. 4, pp.532-550, 1987.
[25] M. A. Piech, "Decomposing the Laplacian.", IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol. 12, No. 8, pp.830-831, 1990.
[26] M. Petrou, J. Kittler, "Optimal Edge Detector for Ramp Edges", IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol. 13, No. 5, pp.483-491, 1991.
[27] A. K. Jain, R. C. Dubes, "Algorithms for Clustering Data", Prentice Hall, 1988.
[28] Basit Hussain, M. R. Kabuka, "A Novel Feature Recognition Neural Network and its Application to character Recognition", IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol. 16, No. 1, pp.98-106, 1994.
內容撰寫 | 王昭宏&林宸生
版面撰寫 | 林宸生
| |
---|