應用機器學習方法於

1. 研 究 方 法 研 究 目 的 流 程 圖 應用機器學習方法於 針對CF 之瑕疵檢測進行研究，希望透過提高CF 瑕疵分類效能，降低TFT-LCD生產成本。 以影像處理及機器學習中之分類方法為系統核心，藉以改善因為技術人員不同而造成瑕疵種類判別上的差異，並加快瑕疵檢驗的速度和減少誤判發生的機率，方法有瑕疵定義、影像處理、灰階共生矩陣(GLCM)、特徵選取、以及模糊自適應共振網路(Fuzzy ART)、倒傳遞類神經網路(BP)、支持向量機(SVM)等三種機器學習分類方法。 輸入影像 研 究 動 機 影像處理 GLCM 彩色濾光片廠商面臨整併風潮，隨著彩晶擴產彩色濾光片，國內TFT-LCD產業的彩色濾光片供應幾乎面臨完全自製，利用過往人工逐片目測檢驗的方式，不僅會造成人力的耗損、成本的提高，導致生產效率降低、品質不穩定、也會因為人工檢測誤判造成損失的情形產生。 擷取特徵值 BP 瑕疵辨識 SVM 彩色濾光片瑕疵分類之研究 Fuzzy ART 瑕 疵 種 類 分類結果比較 實驗總結 指導教授：江育民 博士 組員： 黃英琪許家誠 經實驗得知分類效果最佳為在支持向量機下，當45°22種特徵值、前40筆BW特徵值時，有分類正確率最高99.72%。 實 驗 結 果 結論 未 來 研 究 方 向 Fuzzy ART雖可以迅速學習分類，但正確率卻不高，因警戒值與學習速率之不同所造成的影響；BP則不論取何種特徵組合，皆可達97.8%以上之分類正確率。而分類效果最佳為在支持向量機下，當45°22種特徵值、前40筆BW特徵值時，有分類正確率最高99.72%。 本研究利用三種機器學習方法進行CF瑕疵分類測試正確率，經實驗驗證倒傳遞類神經網路方法為最佳。但仍有以下數點值得繼續研究： 一、將Fuzzy ART的參數、程式進行修改，提高正確率。 二、探討SVM在4種角度88種特徵值下，為何正確率較低。