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。
內容撰寫 王昭宏&林宸生 版面撰寫 林宸生