CN105869143A - 膜的检查方法 - Google Patents

膜的检查方法 Download PDF

Info

Publication number
CN105869143A
CN105869143A CN201610077455.2A CN201610077455A CN105869143A CN 105869143 A CN105869143 A CN 105869143A CN 201610077455 A CN201610077455 A CN 201610077455A CN 105869143 A CN105869143 A CN 105869143A
Authority
CN
China
Prior art keywords
defect
vector
film
pixel
inspection method
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201610077455.2A
Other languages
English (en)
Other versions
CN105869143B (zh
Inventor
李银珪
朴真用
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Dongwoo Fine Chem Co Ltd
Original Assignee
Dongwoo Fine Chem Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Dongwoo Fine Chem Co Ltd filed Critical Dongwoo Fine Chem Co Ltd
Publication of CN105869143A publication Critical patent/CN105869143A/zh
Application granted granted Critical
Publication of CN105869143B publication Critical patent/CN105869143B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • G01N21/958—Inspecting transparent materials or objects, e.g. windscreens
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G06T7/0008—Industrial image inspection checking presence/absence
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8854—Grading and classifying of flaws
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8854—Grading and classifying of flaws
    • G01N2021/888—Marking defects
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
    • G01N2021/889—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques providing a bare video image, i.e. without visual measurement aids
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection

Abstract

本发明提供膜的检查方法。本发明涉及膜的检查方法，其通过包括将来自被分类的多个缺陷组的各单一缺陷图像信息变换为多维向量的阶段、将所述向量映射于多维坐标系、确定利用缺陷组区分所述向量的最佳超平面的阶段、和将由用判定对象的膜所检测的缺陷得到的缺陷图像信息变换为多维向量之后，将所变换的多维向量映射于确定了所述最佳超平面的多维坐标系而得到相当的缺陷组的阶段，可以以高的准确度将未知的缺陷分类到每个缺陷组，对每个缺陷组以合格品判定基准不同的方式进行设定而判定膜，由此可以减少不合格品被判定为合格品、或者虽然为合格品但过检为不合格品。

Description

膜的检查方法
技术领域
本发明涉及膜的检查方法。
背景技术
在液晶显示面板等中所使用的偏振膜的制造工序中，一般而言，在以一定的宽度长大的带状的状态下自动地实施各种处理，最终按照制品规格以成为规定的形状的方式进行切割。
一直以来，已知有对带状的状态的偏振膜利用缺陷检查装置(自动检查机)自动地检测缺陷，在后工序中以缺陷的识别变得容易的方式在缺陷的附近位置形成标记的偏振膜的检查方法。
一般而言，用缺陷检查装置检测有缺陷的偏振膜并非100％不能使用。用缺陷检查装置检测缺陷的缺陷因其种类而给光学功能性带来的影响不同，既存在即使检测出少量也不能使用的缺陷，也存在即使检测出一部分也在使用中没有问题的缺陷。但是，缺陷检查装置通常不能将缺陷分类为其不同种类，不管缺陷的种类如何，检测全部的缺陷。
因此，一般而言，最终人们通过目视检查判断是否允许用缺陷检查装置检测的缺陷。但是，有时检查精度及生产率根据操作者的熟练度而降低，因此不能准确且迅速地检查大量的制品。
在韩国特开第2010-32682号中公开有偏振片的不均的自动检查系统及使用其的偏振片的不均检查方法。
现有技术文献
专利文献
专利文献1：韩国特开2010-32682号公报
发明内容
发明所要解决的课题
本发明的目的在于提供可以以高的准确度将未知的缺陷分类到每个缺陷组的膜的检查方法。
用于解决课题的手段
1.膜的检查方法，其包括：
将来自被分类的多个缺陷组的各单一缺陷图像信息变换为多维向量的阶段；
将所述向量映射于多维坐标系，确定利用缺陷组区分所述向量的最佳超平面的阶段；和
将由用判定对象的膜所检测的缺陷得到的缺陷图像信息变换为多维向量之后，将所变换的多维向量映射于确定有所述最佳超平面的多维坐标系而得到相当的缺陷组的阶段。
2.所述项目1的膜的检查方法，其中，确定所述最佳超平面的阶段在由相互不同的种类的缺陷组得到的向量的边界形成超平面，将所述超平面中来自由相互不同的缺陷组得到的最接近的2个向量的距离的和成为最大的超平面确定为最佳超平面。
3.所述项目1的膜的检查方法，其中，所述缺陷图像信息为选自由峰(peak)、面积(area)、ΔX(dx)、ΔY(dy)、密度(density)、厚度(thickness)及阴影(shading)构成的参数中的2种以上，所述缺陷图像信息作为多维向量的成分含有。
4.所述项目1的膜的检查方法，其中，所述缺陷图像信息为峰(peak)、面积(area)、ΔX(dx)、ΔY(dy)、密度(density)、厚度(thickness)及阴影(shading)，所述缺陷图像信息作为多维向量的成分含有。
5.所述项目1的膜的检查方法，其中，所述缺陷图像信息为在中央含有作为缺陷被辨识的部分的长方形的像素组中的各像素的亮度值，所述缺陷图像信息作为多维向量的成分含有。
6.所述项目5的膜的检查方法，其中，所述各像素的位置信息被变换为多维向量的各轴，各像素的亮度值被变换为所述向量的各成分。
7.所述项目5的膜的检查方法，其中，还包括：在所述长方形的像素组中将作为缺陷被辨识的部分和相当于背景的部分进行分离，将仅含有相当于背景的部分的像素的亮度值设定为0的阶段。
8.所述项目5的膜的检查方法，其中，还包括：将含有2像素以下的尺寸的噪声的像素的亮度值设定为0的阶段。
9.所述项目1的膜的检查方法，其中，在中央含有作为缺陷被辨识的部分的长方形的像素组中，对各个像素利用由下述的数学式1或数学式2表示的值确定所述向量中的轴，利用与dx及dy成比例的规定值确定该轴的成分。
Arctan(|dx|/|dy|)···＜数学式1＞
Arctan(|dy|/|dx|)···＜数学式2＞
(式中，dx为x轴的亮度的变化量，y为y轴的亮度的变化量。)
10.所述项目1的膜的检查方法，其中，将所述缺陷图像信息进行规格化而变换为多维向量。
11.所述项目1的膜的检查方法，其中，对用所述判定对象的膜所检测的缺陷的每个缺陷组以合格品判定基准不同的方式进行设定而判定膜的合格与否。
发明的效果
根据本发明，可以以高的准确度将未知的缺陷分类到每个缺陷组。由此，通过对每个缺陷组以合格品判定基准不同的方式进行设定而判定膜，由此可以减少不合格品被判定为合格品、或者虽然为合格品但过检为不合格品。
附图说明
图1是将以非透过模式(正交尼科耳)所检测的缺陷分类的照片。
图2是将以透过模式所检测的缺陷分类的照片。
具体实施方式
本发明涉及膜的检查方法，通过包括将来自被分类的多个缺陷组的各单一缺陷图像信息变换为多维向量的阶段、将所述向量映射于多维坐标系、确定利用缺陷组区分所述向量的最佳超平面的阶段、和将由用判定对象的膜所检测的缺陷得到的缺陷图像信息变换为多维向量之后、将所变换的多维向量映射于确定了所述最佳超平面的多维坐标系而得到相当的缺陷组的阶段，可以以高的准确度将未知的缺陷分类到每个缺陷组，通过对每个缺陷组以合格品判定基准不同的方式进行设定而判定膜，由此可以减少不合格品被判定为合格品、或者虽然为合格品但过检为不合格品。
以下，对本发明的一具体例涉及的膜的检查方法详细地进行说明。
首先，将来自被分类的多个缺陷组的各单一缺陷图像信息变换为多维向量。
作为缺陷组，可列举例如：群聚性辉点缺陷、一条线缺陷、辉点缺陷、星形缺陷、刮伤缺陷、黑条纹缺陷、糊针孔缺陷、气泡性缺陷、异物气泡缺陷、白点异物缺陷、异物缺陷等。
这些缺陷可以为用非透过模式(正交尼科耳状态)或透过模式所检测的缺陷。
具体而言，群聚性辉点缺陷、一条线缺陷、辉点缺陷、星形缺陷及刮伤缺陷为可以用非透过模式检测的缺陷，图1是用非透过模式所观察的这些缺陷的照片。图1(a)是群聚性辉点缺陷，图1(b)是一条线缺陷，图1(c)是辉点缺陷，图1(d)是星形缺陷，图1(e)是刮伤缺陷。
具体而言，黑条纹缺陷、一条线缺陷、糊针孔缺陷、气泡性缺陷、异物气泡缺陷、白点异物缺陷及异物缺陷为可以用透过模式检测的缺陷，图2是用透过模式所观察的这些缺陷的照片。图2(a)是黑条纹缺陷，图2(b)是一条线缺陷，图2(c)是糊针孔缺陷，图2(d)是气泡性缺陷，图2(e)是异物气泡缺陷，图2(f)是白点异物缺陷，图2(g)是异物缺陷。
由被分类的多个缺陷组获得各单一缺陷图像信息，将获得的信息变换为多维的向量。
可以从每个缺陷组的多个缺陷得到该缺陷组的图像信息。
缺陷图像信息例如可以为选自由峰(peak)、面积(area)、ΔX(dx)、ΔY(dy)、密度(density)、厚度(thickness)及阴影(shading)构成的组中的2种以上。
在本说明书中，峰为作为缺陷被辨识的部分的亮度(灰色度(grayscale)、0～255)的最高值或最低值和周边的平均亮度之差。
面积是指包含作为缺陷被辨识的部分的长方形的面积，列举具体的实例时，可以将含有作为缺陷被辨识的部分的像素的个数设为面积。含有作为缺陷被辨识的部分的情况的像素以缺陷位于像素的中央的方式含有，可以将含有缺陷的最小的长方形的重心或含有作为缺陷被辨识的部分的像素的平均坐标设定为中央。
ΔX是指作为缺陷被辨识的部分的x轴的最长长度，ΔY是指缺陷所占的区域的Y轴的最长长度。列举具体的实例时，ΔX可以为含有作为缺陷被辨识的部分的像素的x轴的最长长度，ΔY可以为含有作为缺陷被辨识的部分的像素的y轴的最长长度。
密度为用作为缺陷被辨识的部分所占的实际面积除以含有作为缺陷被辨识的部分的长方形或圆所得的值，具体而言，可以为用作为缺陷被辨识的部分所占的实际面积除以将缺陷的长轴设为直径的圆的面积所得的值。
厚度可以为引连结作为缺陷被辨识的部分的2个以上的外点的线，从缺陷的各点至中心线的距离的平均。所述线可以为缺陷的长轴，但并不限于此。
阴影表示黑、白、黑白这3个值，黑是指作为缺陷被辨识的部分的全部比周边的正常区域暗，白是指作为缺陷被辨识的部分的全部比周边的正常区域明亮，白黑是指作为缺陷被辨识的部分的一部分比周边的正常区域明亮，一部分暗。
所述黑、白、黑白的3个值可以与规定的数字相对应而作为向量的成分含有。例如，黑、白、黑白分别与0、1、2相对应，或可以以与1、2、3相对应的方式变换为向量的成分，只要可以用这些各自不同的数字区分，则所述规定的数字值没有限制。
在本说明书中，多维的向量为行向量或列向量，各成分(element)是指2个以上的向量。
缺陷图像信息为选自由峰(peak)、面积(area)、ΔX(dx)、ΔY(dy)、密度(density)、厚度(thickness)及阴影(shading)构成的组中的2种以上时，所述多维的向量可以为将它们作为成分含有的2维以上的向量。
在多维向量将缺陷图像信息以外的信息作为成分含有时，该信息可以为得到该缺陷的膜的组成、色度、厚度、表面粗糙度、收缩力、拉伸强度等物性等。可以将这些信息与规定的数字相对应而作为成分含有，但并不限制于此。
缺陷图像信息为峰(peak)、面积(area)、ΔX(dx)、ΔY(dy)、密度(density)、厚度(thickness)及阴影(shading)时，所述多维的向量可以为将它们作为各成分含有的7维以上的向量。
在提高每个缺陷组的分类准确度的观点方面，优选所述缺陷图像信息可以被规格化而作为向量的成分含有。
在所述缺陷图像信息中，由于峰为亮度值，所以具有0～255的值，由于面积、ΔX、ΔY等具有像素的个数值，因此每个缺陷图像信息的值的偏差大。该情况下，将作为向量的成分所含的峰、面积、ΔX、ΔY、密度、厚度、阴影等值进行规格化时，可以减少数据的处理量，改善分类准确度。
规格化的方法没有特别限定，可以利用本领域中的公知的方法进行规格化。例如，可以通过用各缺陷图像信息的全部的值除以各缺陷图像信息的最大值的方法来进行。更具体而言，列举峰的情况时，可以通过用全部的峰值除以作为峰中的最大值的255的方法来进行，面积等情况也同样地，可以通过用全部的面积值除以最大面积值的方法来进行。
根据本发明的另一具体例，所述缺陷图像信息可以为在中央含有作为缺陷被辨识的部分的长方形的像素组中的各像素的亮度值。该情况下，可以将各亮度值作为多维向量的成分含有。
此时，各像素的位置信息被变换为多维向量的各轴，各像素的亮度值可以变换为所述向量的各成分。例如，在长方形的像素组中将左最上段的像素设为(1,1)坐标时，可以以将(1,1)像素的亮度值设为向量中的第1轴的成分、将(1,2)像素的亮度值设为向量中的第2轴的成分等方式进行变换，但并不限制于此。
所述长方形的像素组可以为100×100的像素组，多维向量可以为将10,000个的像素的各亮度值作为成分含有的10,000维以上的向量。
缺陷图像信息为峰(peak)、面积(area)、ΔX(dx)、ΔY(dy)、密度(density)、厚度(thickness)、阴影(shading)等的情况下，从含有作为缺陷被辨识的部分的100×100像素中仅收集7个信息，但缺陷图像信息为各像素的亮度值的情况下，会收集10,000个信息，因此通过使用更多的信息将缺陷进行分类，可以进一步提高准确度。
但是，由于存在应该处理的数据的量变得庞大的问题，所以优选将多维向量的各成分中规定的成分变换为0，减少数据处理量。
例如，可以包括在长方形的像素组中将作为缺陷被辨识的部分和相当于背景的部分进行分离，将仅含有相当于背景的部分的像素的亮度值设定为0的阶段。由于作为缺陷被辨识的部分比并非那样的部分明亮或暗，所以通过使用亮度之差，可以将作为缺陷被辨识的部分和相当于背景的部分分离。
另外，可以还包括将含有2像素以下的尺寸的噪声的像素的亮度值设定为0的阶段。
所述噪声与缺陷同样地，是指与并非那样的部分相比更明亮或暗的部分、或者与缺陷分离、且具有2像素以下的尺寸的小的部位，通过将仅含有噪声的像素的亮度值设定为0，可以减少数据量。
将上述的缺陷图像信息进行规格化的方法对10,000维以上的向量也可以同样地适用。
根据本发明的进一步其它具体例，作为所述缺陷图像信息，有效利用在中央含有作为缺陷被辨识的部分的长方形的像素组中的各像素的亮度值，可以根据由下述的数学式1或数学式2表示的值确定所述向量的轴，根据与dx及dy成比例的规定值确定该轴的成分。
Arctan(|dx|/|dy|)···＜数学式1＞
Arctan(|dy|/|dx|)···＜数学式2＞
(式中，dx为x轴的亮度的变化量，y为y轴的亮度的变化量。)
在像素组内对于各个像素可以得到dx和dy，将其代入于上述数学式1时，对于各个像素，dx和dy所成的斜率作为角度值获得。
将dx和dy所成的斜率设想为从最小0°至最大180°，将其每20°分割，被分为9个区间。可以将所述9个区间设定为向量的各轴，对于各个像素根据上述数学式1及2的斜率作为对应的角度确定轴。
而且，可以根据与dx及dy成比例的规定值确定该轴的成分。所述规定值例如可以为dx和dy之和、dx和dy之积、dx和dy之和的平方根、dx2和dy2之和的平方根等，但并不限制于这些。
根据dx和dy所成的斜率的值，确定该像素中的信息变换为哪个轴，但相互不同的像素的角度值属于相同的角度区间内的情况下，将与相当于相同的角度区间的像素中的dx及dy成比例的规定值的值全部相加成为该轴中的成分。
经过这样的过程时，可以在中央含有作为缺陷被辨识的部分的长方形的像素组中得到9维的向量。
在有效利用更多的数据而提高后述的分类准确度方面，优选将在中央含有作为缺陷被辨识的部分的长方形的像素组等分为规定的尺寸，对于等分的每个像素组得到所述9维的向量，基于等分的像素组的位置信息将各向量的成分排列，可以得到一个向量。
列举具体的实例时，在中央含有作为缺陷被辨识的部分的长方形的像素组为100×100的像素组时，可以将其等分为10×10的像素组100个。其后，对于10×10的每个像素组得到所述9维的向量，基于等分的像素组的位置信息将各向量的成分排列，可以得到900维的向量。
所述9维的向量也可以通过进一步将缺陷图像信息以外的信息作为成分含有而成为9维以上，由此可以得到900维以上的向量。
所述位置信息可以将最上段的像素组从左至右设为1～10号，将其下一行的像素组从左至右设为11～20号，以这种方式将最下段的像素组从左至右设为91～100号，可以按这些序号顺序排列各向量的成分，但并不限制于此。
将减少上述的数据处理量的方法及缺陷图像信息进行规格化的方法对900维以上的向量也可以同样地适用。
其后，将所述向量映射于多维坐标系。
对于每个各自的缺陷存在一些差异，但可得到具有类似于缺陷组别的值的成分的向量，所以将由各缺陷组得到的向量映射于多维坐标系时，可以形成缺陷组别的向量组。
而且，确定利用缺陷组区分所述向量的最佳超平面。
在本说明书中，超平面(hyperplane)是指在多维坐标系中区分相互不同的多维的向量的多维的平面。在由相互不同的缺陷组得到的向量的边界形成超平面，可以形成能够利用缺陷组区分这些向量的超平面。最佳超平面是指在超平面中将误差抑制在最小限、同时可以利用缺陷组区分由相互不同的缺陷组得到的向量的超平面。
就得到最佳超平面的方法而言，例如，可以在由相互不同的种类的缺陷组得到的向量的边界形成超平面，将所述超平面中来自由相互不同的缺陷组得到的最接近的2个向量的距离的和成为最大的超平面作为最佳超平面确定。
所述最佳超平面可以使用支持向量机(SVM、Support VectorMachine)的并列处理而确定。SVM为从构造的风险最小化(StructuralRisk Minimization；SRM)理论发展的二值模式分类器，为通过找出基于构造的风险最小化的概念的最佳的线形确定平面而用于分类2个等级的演算法。提供用于解决分类的问题的最佳的分离边界面(hyperplane)。这样的支持向量机的构造及原理在同业界中被广泛公知，因此，在本说明书中，省略其详细的说明。
其后，将由判定对象的膜得到的缺陷图像信息变换为多维向量之后，将所变换的多维向量映射于确定有所述最佳超平面的多维坐标系，得到相当的缺陷组。
判定对象的膜可以为通过与检测到上述的缺陷组的膜同样的组成及方法制造的膜。
将不清楚相当于哪个缺陷组的判定对象膜的未知的缺陷的缺陷图像信息变换为多维向量，映射于确定了所述最佳的超平面的多维坐标系时，得知该向量为相当于哪个缺陷组的向量。由此，得知该缺陷相当于哪个缺陷组。
即，可以以高的准确度分类未知的缺陷相当于哪个缺陷组，其可以优选适用于对所检测的每个缺陷组以合格品判定基准不同的方式进行设定而判定膜的合格与否的检查方法。
具体而言，对于上述的群聚性辉点缺陷、一条线缺陷、辉点缺陷、星形缺陷、刮伤缺陷、黑条纹缺陷、糊针孔缺陷、气泡性缺陷、异物气泡缺陷、白点异物缺陷、异物缺陷等各个缺陷组，给光学功能性带来的影响不同。因此，相当于影响性大的缺陷组的缺陷即使检测少的数，也应该将该膜判定为不良，但相当于影响性小的缺陷组的缺陷即使检测稍多的数，也可以判定为合格品。
以往，不能准确地将用自动光学检查机检测的缺陷分类到每个缺陷组，必须对全部的缺陷组适用相同的基准进行检查。因此，将不良的膜判定为合格品、或将合格品判定为不良的情况多。
与此相对，本发明可以以高的准确度分类未知的缺陷为相当于哪个缺陷组的缺陷。因此，可以对每个缺陷组以合格品判定基准不同的方式进行设定，以高的准确度判定膜的合格与否。
以下，为了帮助理解本发明而示出优选的实施例，但这些实施例作为实例示出，并不打算限定专利权利要求。这些实施例可以在不脱离发明的主旨的范围内进行各种变更及修正。这些实施例、其变形包含在发明的范围、主旨中，同时包含在专利权利要求中所记载的发明和其均等的范围中。
实施例1.膜的检查方法
对偏振膜进行自动光学检查，检测群聚性辉点缺陷、一条线缺陷、辉点缺陷、星形缺陷、刮伤缺陷、黑条纹缺陷、糊针孔缺陷、气泡性缺陷、异物气泡缺陷、白点异物缺陷及异物缺陷。
这些缺陷组的各缺陷的图像以100×100像素的尺寸，以含有缺陷的最小的长方形的像素的重心位于图像的中央的方式收集。由各缺陷图像得到峰(peak)、面积(area)、ΔX(dx)、ΔY(dy)、密度(density)、厚度(thickness)、阴影(shading)的值并进行规格化，得到依次包含它们作为成分的7维向量。
使用SVM library将所述7维向量映射于7维坐标系，确定最佳超平面。
其后，将以与所述偏振膜相同的工序线生产的偏振膜设为判定对象的膜，通过进行自动光学检查而检测缺陷，基于公知的基准将缺陷按组别进行分类。
用非透过模式进行检查，挑选群聚性辉点缺陷500个、一条线缺陷500个、辉点缺陷500个、星形缺陷500个、刮伤缺陷500个，用透过模式挑选黑条纹缺陷11个、一条线缺陷17个、糊针孔缺陷59个、气泡性缺陷690个、异物气泡缺陷143个、白点异物缺陷84个、异物缺陷1125个。
由所述合计4629个缺陷的图像得到峰值(peak)、面积(area)、ΔX(dx)、ΔY(dy)、密度(density)、厚度(thickness)及阴影(shading)的值，得到将它们依次作为成分含有的7维向量。其后，将它们映射于确定了所述最佳超平面的7维坐标系。基于所述最佳超平面将向量按缺陷组别进行分类，将缺陷按缺陷组别进行分类。分类结果如下述表1及2所示。
【表1】
区分 个数 分类结果 准确度
群聚性辉点缺陷 500 398 79.6％
一条线缺陷 500 412 82.4％
辉点缺陷 500 432 86.4％
星形缺陷 500 409 81.8％
刮伤缺陷 500 447 89.4％
合计 2500 2098 83.9％
上述表1将以非透过模式所检测的缺陷利用本发明的方法进行了分类，可以确认以合计83.9％的高的准确度将缺陷进行了分类。
【表2】
区分 个数 分类结果 准确度
黑条纹 11 9 81.8％
一条线 17 14 82.4％
糊针孔 59 48 81.4％
气泡性缺陷 690 601 87.1％
异物气泡 143 113 79.0％
白点异物 84 68 81.0％
异物 1125 1002 89.1％
合计 2129 1855 87.1％
上述表2将以透过模式所检测的缺陷利用本发明的方法进行了分类，可以确认以合计87.1％的高的准确度将缺陷进行了分类。
实施例2.膜的检查方法
对偏振膜进行自动光学检查，检测群聚性辉点缺陷、一条线缺陷、辉点缺陷、星形缺陷、刮伤缺陷、黑条纹缺陷、糊针孔缺陷、气泡性缺陷、异物气泡缺陷、白点异物缺陷及异物缺陷。
这些缺陷组的各缺陷的图像以100×100像素的尺寸、以含有缺陷的最小的长方形的像素的重心位于图像的中央的方式收集。由各缺陷的图像得到各像素的亮度值，将左最上段设为(1，1)坐标时，以(1，1)像素的亮度值成为向量中的第1轴的成分、(1，2)像素的亮度值成为向量中的第2轴的成分的方式从左向右、然后从上向下，将各像素的亮度值设为向量的成分。最终得到将(100，100)像素的亮度值设为向量中的第10,000轴的成分的10,000维向量。
使用SVM library将所述10,000维向量映射于10,000维坐标系，确定最佳超平面。
其后，将以与所述偏振膜相同的工序线生产的偏振膜设为判定对象膜，通过进行自动光学检查而检测缺陷，基于公知的基准将缺陷按组别进行分类。
用非透过模式进行检查，挑选群聚性辉点缺陷500个、一条线缺陷500个、辉点缺陷500个、星形缺陷500个、刮伤缺陷500个，用透过模式挑选黑条纹缺陷11个、一条线缺陷17个、糊针孔缺陷59个、气泡性缺陷690个、异物气泡缺陷143个、白点异物缺陷84个、异物缺陷1125个。
由所述合计4629个缺陷的图像，通过与上述同样的方法得到10,000维向量，将它们映射于确定了所述最佳超平面的10,000维坐标系。基于所述最佳超平面，将向量按缺陷组别进行分类，将缺陷按缺陷组别进行分类。分类结果如下述表3及4中所示。
【表3】
区分 个数 分类结果 准确度
群聚性辉点缺陷 500 462 92.4％
一条线缺陷 500 455 91.0％
辉点缺陷 500 497 99.4％
星形缺陷 500 491 98.2％
刮伤缺陷 500 499 99.8％
合计 2500 2404 96.2％
上述表3将以非透过模式所检测的缺陷利用本发明的方法进行了分类，可以确认以合计96.2％的高的准确度将缺陷进行了分类。
【表4】
区分 个数 分类结果 准确度
黑条纹 11 11 100.0％
一条线 17 16 94.1％
糊针孔 59 57 96.6％
气泡性缺陷 690 688 99.7％
异物气泡 143 135 94.4％
白点异物 84 83 98.8％
异物 1125 1112 99.6％
合计 2129 2102 98.7％
上述表4将以透过模式所检测的缺陷利用本发明的方法进行了分类，可以确认以合计98.7％的高的准确度将缺陷进行了分类。
实施例3.膜的检查方法
对偏振膜进行自动光学检查，检测群聚性辉点缺陷、一条线缺陷、辉点缺陷、星形缺陷、刮伤缺陷、黑条纹缺陷、糊针孔缺陷、气泡性缺陷、异物气泡缺陷、白点异物缺陷及异物缺陷。
将这些缺陷组的各缺陷的图像以100×100像素的尺寸、以含有缺陷的最小的长方形的像素的重心位于图像的中央的方式收集。由各缺陷的图像得到各像素的亮度值，将其等分为10×10的像素组100个。
由各像素组，对于每个像素获得x轴的亮度的变化量(dx)、y轴的亮度的变化量(dy)。将其代入下述数学式1中，对于每个像素，将dx和dy所成的斜率作为角度值得到。
Arctan(|dx|/|dy|)···＜数学式1＞
将从0°至180°的角度平均20°分割为9个区间，将9个区间设定为向量的各轴，将各像素中的dx2和dy2之和的平方根值设定为各轴的成分。存在相当于相同的角度区间的相互不同的像素的情况下，将这些像素的dx2和dy2之和的平方根值全部相加，将其设定为各轴的成分。
由此，得到100个9维向量。
将最上段的像素组从左至右设为1～10号，将其下一行的像素组从左至右设为11～20号，利用这种方式将最下段的像素组从左至右设为91～100号而设想位置信息，按所述的序号顺序将9维向量100个的成分照原样排列，得到1个900维向量。
使用SVM library将所述900维的向量映射于900维坐标系，确定最佳超平面。
其后，将以与所述偏振膜相同的工序线生产的偏振膜设为判定对象膜，通过进行自动光学检查而检测缺陷，基于公知的基准将缺陷按组别进行分类。
以非透过模式进行检查，挑选群聚性辉点缺陷500个、一条线缺陷500个、辉点缺陷500个、星形缺陷500个、刮伤缺陷500个，用透过模式挑选黑条纹缺陷11个、一条线缺陷17个、糊针孔缺陷59个、气泡性缺陷690个、异物气泡缺陷143个、白点异物缺陷84个、异物缺陷1125个。
由所述合计4629个缺陷的图像，通过与上述同样的方法得到900维向量之后，将它们映射于确定了所述最佳超平面的900维坐标系。基于所述最佳超平面将向量按缺陷组别进行分类，将缺陷按缺陷组别进行分类。分类结果如下述表5及6中所示。
【表5】
区分 个数 分类结果 准确度
群聚性辉点缺陷 500 458 91.6％
一条线缺陷 500 450 90.0％
辉点缺陷 500 495 99.0％
星形缺陷 500 489 97.8％
刮伤缺陷 500 498 99.6％
合计 2500 2390 95.6％
上述表5将以非透过模式所检测的缺陷利用本发明的方法进行了分类，可以确认以合计95.6％的高的准确度将缺陷进行了分类。
【表6】
区分 个数 分类结果 准确度
黑条纹 11 11 100.0％
一条线 17 16 94.1％
糊针孔 59 55 93.2％
气泡性缺陷 690 685 99.3％
异物气泡 143 128 89.5％
白点异物 84 83 98.8％
异物 1125 1100 97.8％
合计 2129 2078 97.6％
上述表6将以透过模式所检测的缺陷利用本发明的方法进行了分类，可以确认以合计97.6％的高的准确度将缺陷进行了分类。

Claims (10)

1.膜的检查方法，其包括：
将来自被分类的多个缺陷组的各单一缺陷图像信息变换为多维向量的阶段，
将所述向量映射于多维坐标系，确定利用缺陷组区分所述向量的最佳超平面的阶段，和
将由用判定对象的膜所检测的缺陷得到的缺陷图像信息变换为多维向量之后，将所变换的多维向量映射于确定了所述最佳超平面的多维坐标系而得到相当的缺陷组的阶段。
2.根据权利要求1所述的膜的检查方法，其中，确定所述最佳超平面的阶段在由相互不同的种类的缺陷组得到的向量的边界形成超平面，将所述超平面中来自由相互不同的缺陷组得到的最接近的2个向量的距离的和成为最大的超平面确定为最佳超平面。
3.根据权利要求1所述的膜的检查方法，其中，所述缺陷图像信息为选自由峰(peak)、面积(area)、ΔX(dx)、ΔY(dy)、密度(density)、厚度(thickness)及阴影(shading)构成的参数中的2种以上，所述缺陷图像信息作为多维向量的成分含有。
4.根据权利要求1所述的膜的检查方法，其中，所述缺陷图像信息为在中央含有作为缺陷被辨识的部分的长方形的像素组中的各像素的亮度值，所述缺陷图像信息作为多维向量的成分含有。
5.根据权利要求4所述的膜的检查方法，其中，所述各像素的位置信息被变换为多维向量的各轴，各像素的亮度值被变换为所述向量的各成分。
6.根据权利要求4所述的膜的检查方法，其中，还包括：在所述长方形的像素组中将作为缺陷被辨识的部分和相当于背景的部分进行分离，将仅含有相当于背景的部分的像素的亮度值设定为0的阶段。
7.根据权利要求4所述的膜的检查方法，其中，还包括：将含有2像素以下的尺寸的噪声的像素的亮度值设定为0的阶段。
8.根据权利要求1所述的膜的检查方法，其中，在中央含有作为缺陷被辨识的部分的长方形的像素组中，对各个像素利用由下述的数学式1或数学式2表示的值确定所述向量中的轴，利用与dx及dy成比例的规定值确定该轴的成分，
【数学式1】
Arctan(|dx|/|dy|)
【数学式2】
Arctan(|dy|/|dx|)
式中，dx为x轴的亮度的变化量，y为y轴的亮度的变化量。
9.根据权利要求1所述的膜的检查方法，其中，将所述缺陷图像信息进行规格化而变换为多维向量。
10.根据权利要求1所述的膜的检查方法，其中，对用所述判定对象的膜所检测的缺陷的每个缺陷组以合格品判定基准不同的方式进行设定而判定膜的合格与否。
CN201610077455.2A 2015-02-05 2016-02-03 膜的检查方法 Active CN105869143B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR10-2015-0018146 2015-02-05
KR1020150018146A KR101694337B1 (ko) 2015-02-05 2015-02-05 필름의 검사 방법

Publications (2)

Publication Number Publication Date
CN105869143A true CN105869143A (zh) 2016-08-17
CN105869143B CN105869143B (zh) 2020-06-05

Family

ID=56570302

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610077455.2A Active CN105869143B (zh) 2015-02-05 2016-02-03 膜的检查方法

Country Status (4)

Country Link
JP (1) JP6718245B2 (zh)
KR (1) KR101694337B1 (zh)
CN (1) CN105869143B (zh)
TW (1) TWI679611B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008076167A (ja) * 2006-09-20 2008-04-03 Yamaguchi Univ 画像処理により対象物の表面状態を検査する方法及びそのための画像処理プログラム
CN102136061A (zh) * 2011-03-09 2011-07-27 中国人民解放军海军航空工程学院 一种矩形石英晶片缺陷自动检测分类识别方法
CN102138068A (zh) * 2008-09-09 2011-07-27 玛机统丽公司 外观检查装置
JP2013167596A (ja) * 2012-02-17 2013-08-29 Honda Motor Co Ltd 欠陥検査装置、欠陥検査方法及びプログラム

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4267103B2 (ja) 1998-09-18 2009-05-27 株式会社日立製作所 外観画像分類装置およびその方法
KR101188756B1 (ko) 2008-09-18 2012-10-10 주식회사 엘지화학 편광판 얼룩 자동 검사 시스템 및 이를 이용한 편광판 얼룩검사 방법
JP2010159979A (ja) * 2009-01-06 2010-07-22 Hitachi Ltd 外観検査方法及び外観検査システム
JP5498189B2 (ja) * 2010-02-08 2014-05-21 株式会社日立ハイテクノロジーズ 欠陥検査方法及びその装置
JP2013098267A (ja) * 2011-10-31 2013-05-20 Hitachi High-Technologies Corp 半導体パターン検査装置
US20130173179A1 (en) * 2011-12-30 2013-07-04 Weyerhaeuser Nr Company Method for predicting whether a wood product originated from a butt log
KR101328204B1 (ko) * 2012-03-27 2013-11-14 주식회사 포스코 열간 슬라브의 스크래치 검출 장치 및 방법

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008076167A (ja) * 2006-09-20 2008-04-03 Yamaguchi Univ 画像処理により対象物の表面状態を検査する方法及びそのための画像処理プログラム
CN102138068A (zh) * 2008-09-09 2011-07-27 玛机统丽公司 外观检查装置
CN102136061A (zh) * 2011-03-09 2011-07-27 中国人民解放军海军航空工程学院 一种矩形石英晶片缺陷自动检测分类识别方法
JP2013167596A (ja) * 2012-02-17 2013-08-29 Honda Motor Co Ltd 欠陥検査装置、欠陥検査方法及びプログラム

Also Published As

Publication number Publication date
CN105869143B (zh) 2020-06-05
KR101694337B1 (ko) 2017-01-09
JP6718245B2 (ja) 2020-07-08
TW201629906A (zh) 2016-08-16
KR20160096461A (ko) 2016-08-16
TWI679611B (zh) 2019-12-11
JP2016142739A (ja) 2016-08-08

Similar Documents

Publication Publication Date Title
CN101915769B (zh) 一种印刷电路板中带电阻元件的自动光学检测方法
US8660340B2 (en) Defect classification method and apparatus, and defect inspection apparatus
CN104990926B (zh) 一种基于视觉的tr元件定位和缺陷检测方法
CN109856156A (zh) 一种基于aoi的显示面板微小缺陷判定方法与装置
JP5718781B2 (ja) 画像分類装置および画像分類方法
CN108355987A (zh) 一种基于分块模板匹配的电池丝印质量检测方法
WO2019117068A1 (ja) データ生成装置、データ生成方法及びデータ生成プログラム
CN111724335A (zh) 检测方法及检测系统
CN111652883B (zh) 基于深度学习的玻璃表面缺陷检测方法
CN109462999B (zh) 通过数据平衡基于学习的视觉检查方法以及利用其的视觉检查装置
CN1323369C (zh) 图像识别装置和方法以及图像识别装置的示教装置和方法
CN106651857A (zh) 一种印刷电路板贴片缺陷检测方法
CN113222913B (zh) 一种电路板缺陷检测定位方法、装置和存储介质
CN102439605A (zh) 确定艺术品作者的方法和装置
CN103020609A (zh) 复杂纤维图像的识别方法
CN105478364B (zh) 一种不良品检测分类方法及系统
US20110264404A1 (en) Identification method of data point distribution area on coordinate plane and recording medium
CN113109240A (zh) 一种计算机实施的粮食不完善粒测定方法和系统
CN115457541A (zh) 一种基于图像识别的珠宝质量鉴定方法和装置
CN1979137A (zh) 基板检查装置及其检查逻辑设定方法和检查逻辑设定装置
CN106886989A (zh) 键盘按键的自动光学检测方法
CN114881814A (zh) 一种自然资源综合调查技术方法
CN113866182A (zh) 一种用于检测显示模组缺陷的检测方法及系统
JP2019194549A (ja) タイヤ金型サイドプレートの検査方法
CN110322395B (zh) 基于图像处理与仿射变换的零件轮廓形状检测方法及装置

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant