影像前處理於導光板瑕疵檢測之影響

以作者查詢圖書館館藏

、以作者查詢臺灣博碩士

、以作者查詢全國書目

、勘誤回報

、線上人數：63

、訪客IP：18.223.239.250

姓名

陳威儒(Wei-Ru Chen) 查詢紙本館藏

畢業系所

資訊管理學系在職專班

論文名稱

影像前處理於導光板瑕疵檢測之影響
(The Impact of Image Pre-processing on Defect Detection in Light Guide Plates)

相關論文

★ 利用資料探勘技術建立商用複合機銷售預測模型	★ 應用資料探勘技術於資源配置預測之研究-以某電腦代工支援單位為例
★ 資料探勘技術應用於航空業航班延誤分析-以C公司為例	★ 全球供應鏈下新產品的安全控管-以C公司為例
★ 資料探勘應用於半導體雷射產業-以A公司為例	★ 應用資料探勘技術於空運出口貨物存倉時間預測-以A公司為例
★ 使用資料探勘分類技術優化YouBike運補作業	★ 特徵屬性篩選對於不同資料類型之影響
★ 資料探勘應用於B2B網路型態之企業官網研究-以T公司為例	★ 衍生性金融商品之客戶投資分析與建議-整合分群與關聯法則技術
★ 應用卷積式神經網路建立肝臟超音波影像輔助判別模型	★ 基於卷積神經網路之身分識別系統
★ 能源管理系統電能補值方法誤差率比較分析	★ 企業員工情感分析與管理系統之研發
★ 資料淨化於類別不平衡問題: 機器學習觀點	★ 資料探勘技術應用於旅客自助報到之分析—以C航空公司為例

檔案

[Endnote RIS 格式]

[Bibtex 格式]

[相關文章]

[文章引用]

[完整記錄]

[館藏目錄]

至系統瀏覽論文 (2028-7-1以後開放)

摘要(中)

本研究旨在詳細研究影像前處理如何影響導光板瑕疵檢測，並探討各種深度學習模型在不同的影像處理策略下的表現。導光板瑕疵檢測在確保產品品質上具有關鍵性的角色，然而，傳統的檢測演算法因為受到產品設計結構和製造過程變化的影響，無法有效地檢測出所有的瑕疵。為了解決這一問題，我們應用了最近在影像辨識領域取得突破的人工智慧技術。
　　我們分析了不同導光板結構的影像，並在三種不同的影像前處理策略下，評估了多種深度學習模型的預測效能。實驗結果顯示，隨著影像尺寸的增加，大部分的模型性能都有所提升。具體來說，Inception V3和EfficientNetB0在所有實驗中表現最為優秀，同時，使用Crop + Padding (Black) 或 Crop + Padding (Gray)的前處理策略也可以獲得較好的效能評估結果。
　　在機器學習模型方面，邏輯斯回歸（LR）顯示出短的訓練和測試時間以及良好的效能評估結果。此外，我們也發現不同的前處理策略會導致不同的訓練和測試時間，例如，在SqueezeNet和InceptionV3模型中，使用Crop + Padding策略可以縮短訓練和測試時間。
　　透過本研究，我們更深入地理解了影像前處理如何影響導光板瑕疵檢測，並評估了不同深度學習模型在不同影像處理策略下的效能。這些結果不僅有助於提升導光板瑕疵檢測的準確性和效率，也為未來相關領域的研究提供了重要的參考。

摘要(英)

This study aims to thoroughly examine how image pre-processing impacts the detection of defects in light guide plates and investigate the performance of various deep learning models under different image processing strategies. The detection of defects in light guide plates plays a critical role in ensuring product quality. However, traditional detection algorithms are incapable of effectively detecting all defects due to variations in product design structures and manufacturing processes. To address this issue, we have applied recent breakthroughs in image recognition from the field of artificial intelligence.
　　We analyzed images of different light guide plate structures and evaluated the predictive performance of multiple deep learning models under three different image pre-processing strategies. Experimental results indicate that as image size increases, the performance of most models improves. Specifically, Inception V3 and EfficientNetB0 demonstrate outstanding performance across all experiments. Additionally, the pre-processing strategies of Crop + Padding (Black) or Crop + Padding (Gray) also yield better performance evaluation results.
　　In terms of machine learning models, logistic regression (LR) shows shorter training and testing times and exhibits good performance evaluation results. Furthermore, we found that different pre-processing strategies lead to varying training and testing times. For instance, the use of Crop + Padding strategy can shorten training and testing times in SqueezeNet and InceptionV3 models.
　　Through this study, we gain a deeper understanding of how image pre-processing influences the detection of defects in light guide plates and evaluate the performance of various deep learning models under different image processing strategies. These results not only contribute to improving the accuracy and efficiency of defect detection in light guide plates, but also provide important references for future research in related fields.

關鍵字(中)

★ 導光板
★ 自動光學檢測
★ 影像前處理
★ 瑕疵檢測

關鍵字(英)

★ Light guide plate
★ Automated Optical Inspection
★ Image preprocessing
★ Defect detection

論文目次

誌謝 i
摘要 ii
Abstract iii
目錄 iv
圖目錄 vi
表目錄 vii
第 1 章緒論 1
1.1 研究背景 1
1.2 研究動機 4
1.3 研究目的 5
1.4 研究架構 7
第 2 章文獻探討 8
2.1 機器視覺及影像前處理 8
2.1.1 剪裁 (Crop) 8
2.1.2 填充 (Padding ) 9
2.1.3 縮放 (Resize) 9
2.2 機器學習 (Machine Learning) 10
2.2.1神經網路(Neural Network, NN) 10
2.2.2 邏輯斯回歸 (Logistic Regression, LR) 10
2.3 深度學習 (Deep Learning) 11
2.3.1 緊縮網絡 (SqueezeNet) 11
2.3.2 多分支卷積網絡(InceptionV3) 11
2.3.3 殘差網路 (Residual Network, ResNet) 12
2.3.4 高效網路 (EfficientNet) 12
2.4 人工智慧在影像辨識的應用相關文獻比較 13
第 3 章研究方法 15
3.1 研究設計及架構 15
3.2 資料來源及影像前處理 17
3.3 前測實驗說明 19
3.4 實驗一 20
3.5 實驗二 20
3.6 實驗三 20
3.7 評估指標 21
第 4 章研究結果 22
4.1 前測實驗結果 22
4.2 實驗一結果 26
4.3 實驗二結果 28
4.4 實驗三結果 30
第 5 章結論 31
5.1 研究結論與貢獻 31
5.2 研究限制 34
5.3 未來研究建議 34
參考文獻 35

參考文獻

【中文文獻】
1. 陳麒安, 作者. 2021. 「集成深度學習的自動光學檢測研究」. 碩士論文, 亞洲大學資訊工程學系, 亞洲大學.
2. 陳勇嘉, 作者. 2006. 「滾壓式製程於中尺寸導光板之模擬與製程研究」. 碩士論文, 國立中興大學精密工程學系所, 國立中興大學.
3. 李越, 作者. 2021. 「手機導光板缺陷線上智慧視覺檢測系統研究 - 化工專業知識服務系統」. 手機導光板缺陷線上智慧視覺檢測系統研究. 讀取於 2023年3月4日 (https://chem.ckcest.cn/Degree/Details?id=431120).
4. 林冠宏, 及Kung-Hung Lin, 作者. 2021. 「使用少量標記資料以半監督式學習建立砂輪表面異常檢測模型」. thesis.
5. 羅梃方, 作者. 2010. 「薄型化導光板設計之研究楔型導光板斜面之發光效率__臺灣博碩士論文知識加值系統」. 讀取於 2023年3月1日 (https://ndltd.ncl.edu.tw/cgi-bin/gs32/gsweb.cgi/login?o=dnclcdr&s=id=%22098NCTU5146023%22.&searchmode=basic).
6. 孫承德, 作者. 2022. 「結合多重解析度、可變形卷積、與自我注意力的瑕疵辨識系統」. 碩士論文, 國立中央大學資訊工程學系在職專班, 國立中央大學.
7. 王泓翔, 作者. 2019. 「應用機器視覺與深度學習於皮革表面瑕疵檢測」. 讀取於 2023年3月5日 (https://ndltd.ncl.edu.tw/cgi-bin/gs32/gsweb.cgi/ccd=YTB3vv/search?s=id=%22107TIT00031018%22.&searchmode=basic).
8. 許正昇, Hsu Cheng-Sheng, 周長彬及Chou Chang-Ping, 作者. 2008. 「滾壓成形超薄導光板設計與製作之研究」. Thesis.
9. 游承諺, 作者. 2021. 「結合深度學習演算法在輪圈瑕疵檢測研究」. 碩士論文, 國立雲林科技大學電機工程系, 國立雲林科技大學.
【英文文獻】
10. Ahn, Suho, Minseok Choi, Hyungdae Bae, Jiseok Lim, Ho Myung, Hongmin Kim及Shinill Kang, 作者. 2007. 「Design and fabrication of micro optical film by ultraviolet roll imprinting」. Japanese Journal of Applied Physics 46(8 B):5478–84. doi: 10.1143/JJAP.46.5478.
11. Breiman, Leo, 作者. 2001. 「Random Forests」. Machine Learning 45(1):5–32. doi: 10.1023/A:1010933404324.
12. Chien-Hung Lu, 作者. 2006. 「The hot embossing molding design and analysis in light guide plate of three-dimensional microstructure」. 碩士論文, 大葉大學機械工程研究所碩士班, 大葉大學.
13. Cortes, Corinna, 及Vladimir Vapnik, 作者. 1995. 「Support-Vector Networks」. Machine Learning 20(3):273–97. doi: 10.1023/A:1022627411411.
14. Demsar J, Curk T, Erjavec A, Gorup C, Hocevar T, Milutinovic M, Mozina M, Polajnar M, Toplak M, Staric A, Stajdohar M, Umek L, Zagar L, Zbontar J, Zitnik M及Zupan B, 作者. 2013. 「Orange: Data Mining Toolbox in Python, Journal of Machine Learning Research 14(Aug): 2349−2353.」讀取於 2023年3月7日 (https://orangedatamining.com/citation/).
15. He, Kaiming, Xiangyu Zhang, Shaoqing Ren及Jian Sun, 作者. 2015. 「Deep Residual Learning for Image Recognition」.
16. He, Yansen, 作者. 2021. 「基於機器學習的車載導航導光板品質視覺檢測系統研究」. 碩士論文, 浙江理工大學機械與自動控制學院, 浙江理工大學.
17. Iandola, Forrest N., Song Han, Matthew W. Moskewicz, Khalid Ashraf, William J. Dally及Kurt Keutzer, 作者. 2016. 「SqueezeNet: AlexNet-level accuracy with 50x fewer parameters and <0.5MB model size」.
18. Kirasich, Kaitlin, Trace Smith及Bivin Sadler, 作者. 2018. 「Random Forest vs Logistic Regression: Binary Classification for Heterogeneous Datasets」. SMU Data Science Review 1(3).
19. Ming, Wuyi, Fan Shen, Hongmei Zhang, Xiaoke Li, Jun Ma, Jinguang Du及Ya Lu, 作者. 2019. 「Defect Detection of LGP Based on Combined Classifier with Dynamic Weights」. Measurement 143:211–25. doi: 10.1016/j.measurement.2019.04.087.
20. Szegedy, Christian, Vincent Vanhoucke, Sergey Ioffe, Jonathon Shlens及Zbigniew Wojna, 作者. 2015. 「Rethinking the Inception Architecture for Computer Vision」.
21. Tan, Mingxing, 及Quoc V. Le, 作者. 2020. 「EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks」.
22. Xu, Carol, Mahmoud Famouri, Gautam Bathla, Mohammad Javad Shafiee及Alexander Wong, 作者. 2022. 「LightDefectNet: A Highly Compact Deep Anti-Aliased Attention Condenser Neural Network Architecture for Light Guide Plate Surface Defect Detection」.

指導教授

蔡志豐(Chih-Fong Tsai)

審核日期

2023-6-21

推文