TW201629906A - 薄膜檢查方法 - Google Patents

薄膜檢查方法 Download PDF

Info

Publication number
TW201629906A
TW201629906A TW105102853A TW105102853A TW201629906A TW 201629906 A TW201629906 A TW 201629906A TW 105102853 A TW105102853 A TW 105102853A TW 105102853 A TW105102853 A TW 105102853A TW 201629906 A TW201629906 A TW 201629906A
Authority
TW
Taiwan
Prior art keywords
defect
vector
pixel
film
image information
Prior art date
Application number
TW105102853A
Other languages
English (en)
Other versions
TWI679611B (zh
Inventor
李銀珪
朴真用
Original Assignee
東友精細化工有限公司
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 東友精細化工有限公司 filed Critical 東友精細化工有限公司
Publication of TW201629906A publication Critical patent/TW201629906A/zh
Application granted granted Critical
Publication of TWI679611B publication Critical patent/TWI679611B/zh

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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • Theoretical Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

本發明提供一種薄膜檢查方法。本發明包含如下階段：將來自經分類之複數個缺陷群之各單一缺陷圖像資訊，轉換為多維向量的階段；將前述向量映射到多維座標系統，決定將前述向量藉由缺陷群來區分之最佳超平面的階段；及將得自在判斷對象之薄膜檢出之缺陷之缺陷圖像資訊，轉換為多維向量後，將已轉換之多維向量，映射到前述最佳超平面已決定之多維座標系統，得到該當之缺陷群的階段；藉此可將未知的缺陷，以高正確度分類到各個缺陷群，藉由依各個缺陷群，設定不同良品判斷基準而判斷薄膜，可減低不良品被判斷為良品，亦或雖為良品，但被過度檢測為不良品。

Description

薄膜檢查方法
本發明是關於一種薄膜檢查方法。
使用於液晶顯示面板等之偏光薄膜的製造步驟中，一般是在呈一定寬度且又長又大的帶狀狀態下，自動施以各種處理，最後按照製品規格切割為預定形狀。
自以往，已知的偏光薄膜檢查方法是對於帶狀狀態之偏光薄膜，藉由缺陷檢查裝置(自動檢查裝置)，自動檢出缺陷，並為了於後續步驟容易鑑別缺陷，於缺陷附近位置形成標記。
一般而言，於缺陷檢查裝置檢出缺陷之偏光薄膜，並非百分之百無法使用。於缺陷檢查裝置被檢出缺陷之缺陷，依其種類而對光學功能所造成的影響會有差異，即使被檢出少量，仍可能是造成無法使用的缺陷，即使被檢出一部分，仍可能是使用上不構成問題的缺陷。然而，缺陷檢查裝置一般無法將缺陷依其種類別來分類，不管缺陷種類為何而檢出全部的缺陷。
因此，一般而言，是否容許缺陷檢查裝置檢出的缺陷，最後須由人員以目視檢查來判斷。然而，由於對應於作業員的熟練度，檢查精度及生產性有時會降低，因此無法正確且迅速檢查大量的製品。
於韓國特開第2010-32682號，揭示一種偏光板不均自動檢查系統，及採用該系統之偏光板不均檢查方法。 先行技術文獻 專利文獻
[專利文獻1] 韓國特開第2010-32682號
發明所欲解決之問題
本發明之目的在於提供一種薄膜檢查方法，可將未知的缺陷，以高正確度分類到各個缺陷群。 解決問題之技術手段
1.一種薄膜檢查方法，包含如下階段： 將來自經分類之複數個缺陷群之各單一缺陷圖像資訊，轉換為多維向量的階段； 將前述向量映射到多維座標系統，決定將前述向量藉由缺陷群來區分之最佳超平面的階段；及 將得自在判斷對象之薄膜檢出之缺陷之缺陷圖像資訊，轉換為多維向量後，將已轉換之多維向量，映射到前述最佳超平面已決定之多維座標系統，得到該當之缺陷群的階段。
2.如前述項目1之薄膜檢查方法，其中決定前述最佳超平面的階段， 係於得自種類互異之缺陷群之向量的邊界，形成超平面，將前述超平面中，與得自互異之缺陷群之最靠近的2個向量之距離和最大的超平面，決定為最佳超平面。
3.如前述項目1之薄膜檢查方法，其中前述缺陷圖像資訊係從峰值(peak)、面積(area)、DX(dx)、DY(dy)、密度(density)、厚度(thickness)及陰影(shading)所組成的參數中選擇之2種以上；前述缺陷圖像資訊係作為多維向量的成分而包含。
4.如前述項目1之薄膜檢查方法，其中前述缺陷圖像資訊為峰值(peak)、面積(area)、DX(dx)、DY(dy)、密度(density)、厚度(thickness)及陰影(shading)；前述缺陷圖像資訊係作為多維向量的成分而包含。
5.如前述項目1之薄膜檢查方法，其中前述缺陷圖像資訊係於中央包含辨識為缺陷部分之長方形的像素群中之各像素的亮度值；前述缺陷圖像資訊係作為多維向量的成分而包含。
6.如前述項目5之薄膜檢查方法，其中前述各像素之位置資訊轉換為多維向量之各軸，各像素之亮度值轉換為前述向量之各成分。
7.如前述項目5之薄膜檢查方法，其中進一步包含分離前述長方形之像素群中，辨識為缺陷的部分與相當於背景的部分，將只包含相當於背景部分之像素的亮度值設定為0的階段。
8.如前述項目5之薄膜檢查方法，其中進一步包含將尺寸在2像素以下、含雜訊之像素的亮度值設定為0的階段。
9.如前述項目1之薄膜檢查方法，其中於中央包含辨識為缺陷部分之長方形的像素群中，就各像素，藉由下述數式1或數式2所示之值，決定前述像素的軸，藉由與dx及dy成比例之預定值，決定該軸的成分； [數式1] Arctan(|dx|/|dy|) [數式2] Arctan(|dy|/|dx|) (式中，dx為x軸之亮度變化量，dy為y軸之亮度變化量。)
10.如前述項目1之薄膜檢查方法，其將前述缺陷圖像資訊正規化，轉換為多維向量。
11.如前述項目1之薄膜檢查方法，其依在前述判斷對象之薄膜檢出之缺陷之各個缺陷群，設定不同良品判斷基準，判斷薄膜之良莠。 發明之效果
依據本發明，藉此可將未知的缺陷，以高正確度分類到各個缺陷群，藉由依各個缺陷群，設定不同良品判斷基準而判斷薄膜，可減低不良品被判斷為良品，亦或雖為良品，但被過度檢測為不良品。
用以實施發明之形態
本發明是關於一種薄膜檢查方法，其包含如下階段：將來自經分類之複數個缺陷群之各單一缺陷圖像資訊，轉換為多維向量的階段；將前述向量映射到多維座標系統，決定將前述向量藉由缺陷群來區分之最佳超平面的階段；及將得自在判斷對象之薄膜檢出之缺陷之缺陷圖像資訊，轉換為多維向量後，將已轉換之多維向量，映射到前述最佳超平面已決定之多維座標系統，得到該當之缺陷群的階段；藉此可將未知的缺陷，以高正確度分類到各個缺陷群，藉由依各個缺陷群，設定不同良品判斷基準而判斷薄膜，可減低不良品被判斷為良品，亦或雖為良品，但被過度檢測為不良品。
以下詳細說明本發明一具體例之薄膜檢查方法。
首先，將來自經分類之複數個缺陷群之各單一缺陷圖像資訊，轉換為多維向量。
缺陷群組可舉出例如群集性亮點缺陷、一條線缺陷、亮點缺陷、星狀缺陷、刮痕缺陷、黑紋缺陷、糊孔洞缺陷、氣泡性缺陷、異物氣泡缺陷、白點異物缺陷、異物缺陷等。
該等缺陷是以非穿透模式(正交偏光)或穿透模式檢出的缺陷均可。
具體而言，群集性亮點缺陷、一條線缺陷、亮點缺陷、星狀缺陷及刮痕缺陷是能以非穿透模式檢出的缺陷，第1圖係以非穿透模式觀察之該等缺陷的照片。第1圖(a)為群集性亮點缺陷，第1圖(b)為一條線缺陷，第1圖(c)為亮點缺陷，第1圖(d)為星狀缺陷，第1圖(e)為刮痕缺陷。
具體而言，黑紋缺陷、一條線缺陷、糊孔洞缺陷、氣泡性缺陷、異物氣泡缺陷、白點異物缺陷及異物缺陷是能以穿透模式檢出的缺陷，第2圖係以穿透模式檢出之缺陷經分類的照片。第2圖(a)為黑紋缺陷，第2圖(b)為一條線缺陷，第2圖(c)為糊孔洞缺陷，第2圖(d)為氣泡性缺陷，第2圖(e)為異物氣泡缺陷，第2圖(f)為白點異物缺陷，第2圖(g)為異物缺陷。
從經分類之複數個缺陷群得到各單一缺陷圖像資訊，將所得之資訊轉換為多維向量。
可從各個缺陷群之許多缺陷，得到該當缺陷群之圖像資訊。
缺陷圖像資訊係從例如峰值(peak)、面積(area)、DX(dx)、DY(dy)、密度(density)、厚度(thickness)及陰影(shading)所組成的參數中選擇之2種以上亦可。
本說明書中，峰值是辨識為缺陷部分之亮度(灰度(gray scale)，0～255)的最高值或最低值、與周邊平均亮度的差。
面積係意味包含辨識為缺陷部分之長方形的面積，舉出具體例而言，可將包含辨識為缺陷部分之像素的個數視為面積。包含辨識為缺陷部分時之像素，係使缺陷位於像素中央而包含，可將包含缺陷之最小長方形的重心或包含辨識為缺陷部分之像素的平均座標，設定為中央。
DX係意味辨識為缺陷部分之x軸的最長長度，DY係意味缺陷所佔區域之y軸的最長長度。舉出具體例而言，DX亦可為包含辨識為缺陷部分之像素之x軸的最長長度，DY亦可為包含辨識為缺陷部分之像素之y軸的最長長度。
密度係辨識為缺陷部分所佔的實際面積，除以包含辨識為缺陷部分之長方形或圓，具體而言，亦可為辨識為缺陷部分所佔的實際面積，除以將缺陷的長軸作為直徑之圓的面積。
厚度亦可為拉出將辨識為缺陷部分之2以上的外點連結的線，從缺陷之各點到中心點之距離的平均。前述線為缺陷的長軸亦可，但不受限於此。
陰影表示黑、白、黑白三值；黑係意味辨識為缺陷部分的全部，比周邊的正常區域暗，白係意味辨識為缺陷部分的全部，比周邊的正常區域亮，白黑係意味辨識為缺陷部分的一部分，比周邊的正常區域亮，一部分比周邊的正常區域暗。
前述黑、白、黑白三值可與預定數字相對應，作為向量的成分而包含。例如黑、白、黑白能以分別對應於0、1、2，或1、2、3的方式，轉換為向量的成分，若該等可分別以不同數字來區分即可，前述預定之數字值不受限。
於本說明書，多維向量係意味列向量或行向量，各成分(element)為2個以上之向量。
缺陷圖像資訊是從峰值(peak)、面積(area)、DX(dx)、DY(dy)、密度(density)、厚度(thickness)及陰影(shading)所組成的群組中選擇之2種以上時，前述多維向量亦可為包含該等作為成分之2維以上的向量。
多維向量包含缺陷圖像資訊以外之資訊作為成分時，該資訊為得到該缺陷之薄膜的組成、色度、厚度、表面粗度、收縮力、拉伸強度等物性等。可使該等資訊與預定數字相對應，作為成分而包含，但不受限於此。
缺陷圖像資訊為峰值(peak)、面積(area)、DX(dx)、DY(dy)、密度(density)、厚度(thickness)及陰影(shading)時，前述多維向量亦可為包含該等作為成分之7維以上的向量。
就提升各個缺陷群之分類正確度的觀點來看，前述缺陷圖像資訊較宜被正規化，作為向量的成分而包含。
於前述缺陷圖像資訊中，峰值為亮度值，因此具有值0～255，面積、DX、DY等，具有像素之個數值，因此依各個缺陷圖像資訊，值的變動大。該情況下，若將作為向量的成分所含之峰值、面積、DX、DY、密度、厚度、陰影等值予以正規化，資料的處理量減少，可改善分類正確度。
正規化的方法並未特別限定，可藉由該領域習知的方法來正規化。例如可藉由將各缺陷圖像資訊之全部值，除以各缺陷圖像資訊之最大值的方法來進行。更具體而言，舉出峰值的情況來說，可藉由將全部的峰值，除以峰值中之最大值255的方法來進行，面積等情況下亦同樣可藉由將全部的面積值，除以最大面積值的方法來進行。
依據本發明其他一具體例，前述缺陷圖像資訊亦可為於中央包含辨識為缺陷部分之長方形的像素群中之各像素的亮度值。該情況下，各亮度值可作為多維向量的成分而包含。
此時，各像素之位置資訊轉換為多維向量之各軸，各像素之亮度值可轉換為前述向量之各成分。例如長方形之像素群中，左側最上層之像素設為座標(1,1)時，能以將像素(1,1)之亮度值作為向量之第1軸的成分，將像素(1,2)之亮度值作為向量之第2軸的成分等方式來轉換，但不限制於此。
前述長方形之像素群亦可為100´100之像素群，多維向量亦可為包含10,000個像素之各亮度值作為成分之10,000維以上的向量。
缺陷圖像資訊為峰值(peak)、面積(area)、DX(dx)、DY(dy)、密度(density)、厚度(thickness)及陰影(shading)等時，從包含辨識為缺陷部分之100´100像素，僅收集7個資訊，而當缺陷圖像資訊為各像素之亮度值時，則收集10,000個資訊，因此藉由利用更多資訊來分類缺陷，可進一步提高正確度。
然而，由於會發生應處理的資料量龐大的問題，因此宜將多維向量之各成分中之預定成分，轉換為0，減低資料處理量。
例如可包含分離長方形之像素群中，辨識為缺陷的部分與相當於背景的部分，將只包含相當於背景部分之像素的亮度值設定為0的階段。辨識為缺陷的部分比非缺陷的部分亮或暗，因此藉由利用亮度差，可分離辨識為缺陷的部分與相當於背景的部分。
又，可進一步包含將尺寸在2像素以下、含雜訊之像素的亮度值設定為0。
前述雜訊與缺陷同樣，其意味比起非雜訊部分更亮或更暗的部分，或與缺陷分離且具有尺寸在2像素以下之部位，藉由將僅包含雜訊之像素的亮度值設定為0，可減低資料量。
前述將缺陷圖像資訊正規化的方法，對於10,000維以上之向量亦可同樣適用。
依據本發明進一步其他具體例，作為前述缺陷圖像資訊，活用於中央包含辨識為缺陷部分之長方形的像素群中之各像素的亮度值，可藉由下述數式1或數式2所示之值，決定前述像素的軸，藉由與dx及dy成比例之預定值，決定該軸的成分。
[數式1] Arctan(|dx|/|dy|) [數式2] Arctan(|dy|/|dx|) (式中，dx為x軸之亮度變化量，dy為y軸之亮度變化量。)
於像素群內，就各像素得到dx及dy，將其代入前述數式1，可就各像素，得到作為角度值之由dx及dy所構成的斜率。
由dx及dy所構成的斜率設想為最小0°至最大180°，每隔20°將其分割，分為9個區間。將前述9個區間設定於向量的各軸，可就各像素，藉由前述數式1及2之斜率，作為相對應的角度而決定軸。
然後，可藉由與dx及dy成比例之預定值，決定該軸的成分。前述預定值亦可為例如dx與dy之和、dx與dy之積、dx與dy之和的平方根、dx2 與dy2 之和的平方根等，但不限制於該等。
藉由dx與dy所構成的斜率之值，決定該像素之資訊轉換為何軸，互異像素之角度值屬於相同角度區間內時，與該當於相同角度區間之像素之dx及dy成比例之全部預定值加總的值，是於該當軸的成分。
經由該類過程，可於中央包含辨識為缺陷部分之長方形的像素群，得到9維向量。
就活用更多資料，提高後述之分類正確度的觀點而言，較宜將中央包含辨識為缺陷部分之長方形的像素群，等分為預定尺寸，就各個等分之像素群，得到前述9維向量，根據等分之像素群的位置資訊，排列各向量的成分，可得到1個向量。
舉出具體例而言，於中央包含辨識為缺陷部分之長方形的像素群為100´100之像素群時，可將其等分為10´10之像素群100個。其後，就各個10´10之像素群，得到前述9維向量，根據等分之像素群的位置資訊，排列各向量的成分，可得到900維向量。
前述9維向量亦藉由進一步包含缺陷圖像資訊以外的資訊作為成分，可成為9維以上，藉此可得到900維以上的向量。
前述位置資訊係將最上層之像素群，從左到右設為1～10號，將下一列之像素群，從左到右設為11～20號，以該方式，將最下層之像素群，從左到右設為91～100號，可依該等號碼順序，排列各向量的成分，但不限制於此。
前述減低資料處理量的方法及將缺陷圖像資訊正規化的方法，對於900維以上之向量，亦可同樣適用。
其後，將前述向量映射到多維座標系統。
依各個缺陷多少會有差異，但由於可得到具有依缺陷群別呈類似值的成分的向量，因此若將得自各缺陷群之向量，映射到多維座標系統，可形成缺陷群別之向量群。
然後，決定將前述向量藉由缺陷群區分之最佳超平面。
本說明書中，超平面(hyperplane)係意味於多維座標系統中，區分互異之多維向量之多維平面。於得自互異之缺陷群之向量的邊界，形成超平面，形成可將該等向量藉由缺陷群區分之超平面。最佳超平面係意味超平面中，可將誤差抑制在最小限度，同時可將得自互異之缺陷群之向量，藉由缺陷群區分之超平面。
得到最佳超平面的方法，例如於得自互異之缺陷群之向量的邊界，形成超平面，將前述超平面中，與得自互異之缺陷群之最靠近的2個向量之距離和最大的超平面，決定為最佳超平面。
前述最佳超平面可利用支持向量機(SVM，Support Vector Machine)之平行處理來決定。SVM是從構造性風險最小化(Structural Risk Minimization；SRM)理論發展的二元模式分類器，藉由找出根據構造性風險最小化概念之最佳的線性決定平面，以分類2個類別(class)之運算法。提供用以解決分類問題之最佳的分離邊界面(hyperplane)。該類支持向量機之構造及原理已廣為業界所習知，因此本說明書中省略其詳細說明。
其後，將得自判斷對象之薄膜之缺陷圖像資訊，轉換為多維向量後，將已轉換之多維向量，映射到前述最佳超平面已決定之多維座標系統，得到該當之缺陷群。
判斷對象之薄膜是與檢出前述缺陷群之薄膜，以同樣組成及方法製造的薄膜亦可。
若將尚未得知該當於何個缺陷群之判斷對象薄膜的未知之缺陷之缺陷圖像資訊，轉換為多維向量，映射到前述最佳超平面已決定之多維座標系統，則得知該向量是該當於何個缺陷群之向量。藉此，得知該缺陷該當於何個缺陷群。
總言之，能以高正確度，分類未知之缺陷該當於何個缺陷群，此可適合適用於依檢出之各個缺陷群，設定不同良品判斷基準而判斷薄膜良莠的檢查方法。
具體而言，前述群集性亮點缺陷、一條線缺陷、亮點缺陷、星狀缺陷、刮痕缺陷、黑紋缺陷、糊孔洞缺陷、氣泡性缺陷、異物氣泡缺陷、白點異物缺陷、異物缺陷等各缺陷群，對光學功能性造成的影響各自不同。因此，該當於影響性大的缺陷群之缺陷，即是檢出少數，仍應判斷該薄膜為不良，而該當於影響性少的缺陷群之缺陷，即使檢出稍微多數，仍可判斷為良品。
以往，無法將自動光學檢查機檢出之缺陷，正確分類到缺陷群，須對於全部缺陷群，適用相同基準而進行檢查。因此，將不良薄膜判斷為良品，亦或將良品判斷為不良的情況甚多。
相對於此，本發明能以高正確度，分類未知之缺陷該當於何個缺陷群。因此，可依缺陷群，設定不同良品判斷基準，能以高正確度判斷薄膜之良莠。
以下為了有助於理解本發明，提示較佳實施例，該等實施例是作為範例而提示，不意圖限定申請專利範圍。該等實施例可於不脫離發明要旨的範圍內，進行各種變更及修正。該等實施例及其變形包含於發明的範圍及要旨內，並且包含於申請專利範圍所記載的發明、及與其均等的範圍內。
實施例 1. 薄膜檢查方法 對於偏光薄膜進行自動光學檢查，檢出群集性亮點缺陷、一條線缺陷、亮點缺陷、星狀缺陷、刮痕缺陷、黑紋缺陷、糊孔洞缺陷、氣泡性缺陷、異物氣泡缺陷、白點異物缺陷及異物缺陷。
該等缺陷群之各缺陷的圖像，是以100´100像素的尺寸，使包含缺陷之最小長方形的像素之重心，位於圖像中央而收集。從各缺陷圖像，得到峰值(peak)、面積(area)、DX(dx)、DY(dy)、密度(density)、厚度(thickness)及陰影(shading)之值，進行正規化，得到依序包含該等作為成分之7維向量。
利用SVM library(SVM程式庫)，將前述7維向量映射到7維座標系統，決定最佳超平面。
其後，將與前述偏光薄膜在相同製程線生產之偏光薄膜，作為判斷對象之薄膜，進行自動光學檢查，藉以檢測缺陷，根據習知的基準，將缺陷依群別分類。
以非穿透模式進行檢查，篩選群集性亮點缺陷500個，一條線缺陷500個，亮點缺陷500個，星狀缺陷500個，刮痕缺陷500個，以穿透模式篩選黑紋缺陷11個、一條線缺陷17個、糊孔洞缺陷59個、氣泡性缺陷690個、異物氣泡缺陷143個、白點異物缺陷84個及異物缺陷1125個。
從前述合計4629個缺陷之圖像，得到峰值(peak)、面積(area)、DX(dx)、DY(dy)、密度(density)、厚度(thickness)及陰影(shading)之值，得到依序包含該等作為成分之7維向量。其後，將該等映射到前述最佳超平面已決定之7維座標系統。根據前述最佳超平面，將向量依缺陷群別分類，將缺陷依缺陷群別分類。分類結果如下述表1及2所示。
[表1]
上述表1是藉由本發明的方法，分類以非穿透模式檢出之缺陷，可確認以合計83.9%之高正確度分類缺陷。
[表2]
上述表2是藉由本發明的方法，分類以穿透模式檢出之缺陷，可確認以合計87.1%之高正確度分類缺陷。
實施例 2. 薄膜檢查方法 對於偏光薄膜進行自動光學檢查，檢出群集性亮點缺陷、一條線缺陷、亮點缺陷、星狀缺陷、刮痕缺陷、黑紋缺陷、糊孔洞缺陷、氣泡性缺陷、異物氣泡缺陷、白點異物缺陷及異物缺陷。
該等缺陷群之各缺陷的圖像，是以100´100像素的尺寸，使包含缺陷之最小長方形的像素之重心，位於圖像中央而收集。從各缺陷圖像，得到各像素之亮度值，左側最上層設為座標(1,1)時，以將像素(1,1)之亮度值作為向量之第1軸的成分，將像素(1,2)之亮度值作為向量之第2軸的成分的方式，從左到右，從然後從上到下，將各像素之亮度值作為向量的成分。最後得到將像素(100,100)之亮度值，做維向量之第10,000軸的成分的10,000維向量。
利用SVM library(SVM程式庫)，將前述10,000維向量映射到10,000維座標系統，決定最佳超平面。
其後，將與前述偏光薄膜在相同製程線生產之偏光薄膜，作為判斷對象之薄膜，進行自動光學檢查，藉以檢測缺陷，根據習知的基準，將缺陷依群別分類。
以非穿透模式進行檢查，篩選群集性亮點缺陷500個，一條線缺陷500個，亮點缺陷500個，星狀缺陷500個，刮痕缺陷500個，以穿透模式篩選黑紋缺陷11個、一條線缺陷17個、糊孔洞缺陷59個、氣泡性缺陷690個、異物氣泡缺陷143個、白點異物缺陷84個及異物缺陷1125個。
從前述合計4629個缺陷之圖像，與前述採同樣方法，得到10,000維向量，將該等映射到前述最佳超平面已決定之10,000維座標系統。根據前述最佳超平面，將向量依缺陷群別分類，將缺陷依缺陷群別分類。分類結果如下述表3及4所示。
[表3]
上述表3是藉由本發明的方法，分類以非穿透模式檢出之缺陷，可確認以合計96.2%之高正確度分類缺陷。
[表4]
上述表4是藉由本發明的方法，分類以穿透模式檢出之缺陷，可確認以合計98.7%之高正確度分類缺陷。
實施例 3. 薄膜檢查方法 對於偏光薄膜進行自動光學檢查，檢出群集性亮點缺陷、一條線缺陷、亮點缺陷、星狀缺陷、刮痕缺陷、黑紋缺陷、糊孔洞缺陷、氣泡性缺陷、異物氣泡缺陷、白點異物缺陷及異物缺陷。
該等缺陷群之各缺陷的圖像，是以100´100像素的尺寸，使包含缺陷之最小長方形的像素之重心，位於圖像中央而收集。從各缺陷圖像，得到各像素之亮度值，將其等分為10´10之像素群100個。
從各像素群，就各像素，各自得到x軸之亮度變化量(dx)，y軸之亮度變化量(dy)。將其代入下述數式1，就各像素得到作為角度值之由dx與dy所構成的斜率。
[數式1] Arctan(|dx|/|dy|)
將0°至180°的角度，每隔20°分割為9個區間，將9個區間設定於向量的各軸，將各像素之dx2 與dy2 之和的平方根設定為各軸的成分。有該當於相同角度區間之互異像素時，將其等像素之dx2 與dy2 之和的平方根全部加總，將其設定為各軸的成分。
藉此，得到9維向量100個。
將最上層之像素群，從左到右設為1～10號，將下一列之像素群，從左到右設為11～20號，藉由該方式，將最下層之像素群，從左到右設為91～100號，設想位置資訊，依前述號碼順序，原樣排列9維向量100個的成分，得到900維向量1個。
利用SVM library(SVM程式庫)，將前述900維向量映射到900維座標系統，決定最佳超平面。
其後，將與前述偏光薄膜在相同製程線生產之偏光薄膜，作為判斷對象之薄膜，進行自動光學檢查，藉以檢測缺陷，根據習知的基準，將缺陷依群別分類。
以非穿透模式進行檢查，篩選群集性亮點缺陷500個，一條線缺陷500個，亮點缺陷500個，星狀缺陷500個，刮痕缺陷500個，以穿透模式篩選黑紋缺陷11個、一條線缺陷17個、糊孔洞缺陷59個、氣泡性缺陷690個、異物氣泡缺陷143個、白點異物缺陷84個及異物缺陷1125個。
從前述合計4629個缺陷之圖像，與前述採同樣方法，得到900維向量後，將該等映射到前述最佳超平面已決定之900維座標系統。根據前述最佳超平面，將向量依缺陷群別分類，將缺陷依缺陷群別分類。分類結果如下述表5及6所示。
[表5]
上述表5是藉由本發明的方法，分類以非穿透模式檢出之缺陷，可確認以合計95.6%之高正確度分類缺陷。
[表6]
上述表6是藉由本發明的方法，分類以穿透模式檢出之缺陷，可確認以合計97.6%之高正確度分類缺陷。
無
第1圖係以非穿透模式(正交偏光)檢出之缺陷經分類的照片。 第2圖係以穿透模式檢出之缺陷經分類的照片。

Claims (11)

  1. 一種薄膜檢查方法，包含如下階段： 將來自經分類之複數個缺陷群之各單一缺陷圖像資訊，轉換為多維向量的階段； 將前述向量映射到多維座標系統，決定將前述向量藉由缺陷群來區分之最佳超平面的階段；及 將得自在判斷對象之薄膜檢出之缺陷之缺陷圖像資訊，轉換為多維向量後，將已轉換之多維向量，映射到前述最佳超平面已決定之多維座標系統，得到該當之缺陷群的階段。
  2. 如申請專利範圍第1項之薄膜檢查方法，其中決定前述最佳超平面的階段， 係於得自種類互異之缺陷群之向量的邊界，形成超平面，將前述超平面中，與得自互異之缺陷群之最靠近的2個向量之距離和最大的超平面，決定為最佳超平面。
  3. 如申請專利範圍第1項之薄膜檢查方法，其中前述缺陷圖像資訊係從峰值(peak)、面積(area)、 X(dx)、 Y(dy)、密度(density)、厚度(thickness)及陰影(shading)所組成的參數中選擇之2種以上；前述缺陷圖像資訊係作為多維向量的成分而包含。
  4. 如申請專利範圍第1項之薄膜檢查方法，其中前述缺陷圖像資訊為峰值(peak)、面積(area)、 X(dx)、 Y(dy)、密度(density)、厚度(thickness)及陰影(shading)；前述缺陷圖像資訊係作為多維向量的成分而包含。
  5. 如申請專利範圍第1項之薄膜檢查方法，其中前述缺陷圖像資訊係於中央包含辨識為缺陷部分之長方形的像素群中之各像素的亮度值；前述缺陷圖像資訊係作為多維向量的成分而包含。
  6. 如申請專利範圍第5項之薄膜檢查方法，其中前述各像素之位置資訊轉換為多維向量之各軸，各像素之亮度值轉換為前述向量之各成分。
  7. 如申請專利範圍第5項之薄膜檢查方法，其中進一步包含分離前述長方形之像素群中，辨識為缺陷的部分與相當於背景的部分，將只包含相當於背景部分之像素的亮度值設定為0的階段。
  8. 如申請專利範圍第5項之薄膜檢查方法，其中進一步包含將尺寸在2像素以下、含雜訊之像素的亮度值設定為0的階段。
  9. 如申請專利範圍第1項之薄膜檢查方法，其中於中央包含辨識為缺陷部分之長方形的像素群中，就各像素，藉由下述數式1或數式2所示之值，決定前述像素的軸，藉由與dx及dy成比例之預定值，決定該軸的成分； [數式1] Arctan(|dx|/|dy|) [數式2] Arctan(|dy|/|dx|) (式中，dx為x軸之亮度變化量，dy為y軸之亮度變化量。)
  10. 如申請專利範圍第1項之薄膜檢查方法，其將前述缺陷圖像資訊正規化，轉換為多維向量。
  11. 如申請專利範圍第1項之薄膜檢查方法，其依在前述判斷對象之薄膜檢出之缺陷之各個缺陷群，設定不同良品判斷基準，判斷薄膜之良莠。
TW105102853A 2015-02-05 2016-01-29 薄膜檢查方法 TWI679611B (zh)

Applications Claiming Priority (2)

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

Publications (2)

Publication Number Publication Date
TW201629906A true TW201629906A (zh) 2016-08-16
TWI679611B TWI679611B (zh) 2019-12-11

Family

ID=56570302

Family Applications (1)

Application Number Title Priority Date Filing Date
TW105102853A TWI679611B (zh) 2015-02-05 2016-01-29 薄膜檢查方法

Country Status (4)

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

Family Cites Families (11)

* 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
JP4992081B2 (ja) * 2006-09-20 2012-08-08 国立大学法人山口大学 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
JP5084911B2 (ja) * 2008-09-09 2012-11-28 株式会社メガトレード 外観検査装置
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
CN102136061B (zh) * 2011-03-09 2013-05-08 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
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
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
KR101328204B1 (ko) * 2012-03-27 2013-11-14 주식회사 포스코 열간 슬라브의 스크래치 검출 장치 및 방법

Also Published As

Publication number Publication date
CN105869143B (zh) 2020-06-05
KR101694337B1 (ko) 2017-01-09
KR20160096461A (ko) 2016-08-16
JP2016142739A (ja) 2016-08-08
JP6718245B2 (ja) 2020-07-08
CN105869143A (zh) 2016-08-17
TWI679611B (zh) 2019-12-11

Similar Documents

Publication Publication Date Title
US7706599B2 (en) Edge normal process
JP5255953B2 (ja) 欠陥検査方法及び装置
CN110610496B (zh) 一种对光照变化鲁棒的荧光胶缺陷分割方法
JP2024054126A (ja) 製造時のフラットパネルディスプレイのマスタパネルにおけるムラ不良の検出
TWI618925B (zh) Defect inspection method and defect inspection system
CN109946303A (zh) 检查装置和方法
JP2004077164A (ja) 欠陥検査方法
US8090192B2 (en) Pattern misalignment measurement method, program, and semiconductor device manufacturing method
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
CN109886960A (zh) 基于机器视觉的玻璃边缘缺陷检测的方法
CN115360116B (zh) 一种晶圆的缺陷检测方法及系统
TW201512649A (zh) 偵測晶片影像瑕疵方法及其系統與電腦程式產品
CN108022219B (zh) 一种二维图像灰度修正方法
JP7383722B2 (ja) ターゲットコーティングの画像データにおける欠陥検出の方法とシステム
KR101828536B1 (ko) 패널 검사 방법 및 장치
KR102107362B1 (ko) 기판의 결함 검사 방법
CN113192061A (zh) Led封装外观检测图像的提取方法、装置、电子设备和存储介质
CN117237747A (zh) 基于人工智能的五金件缺陷分类识别方法
JP2012237585A (ja) 欠陥検査方法
JP5155938B2 (ja) パターン輪郭検出方法
JP6168834B2 (ja) 光学フィルムの欠陥判別方法
TW201629906A (zh) 薄膜檢查方法
CN116364569A (zh) 利用计算高效分割方法的缺陷检测
KR101297209B1 (ko) 반도체용 웨이퍼 결함 검사방법
TWI447382B (zh) Wood inspection methods and apparatus and program