PCB金手指檢測中小樣本條件下瑕疵分類之研究

PCB Golden Finger Defects Classification Research Under Small Sample Size Situation

王裕民(Yu-min Wang)

指導教授 ： 江行全

元智大學/工程學院/工業工程與管理學系/碩士(1998年)

摘要

PCB金手指檢測中小樣本條件下瑕疵分類之研究
學生：王裕民 指導教授：江行全 博士
私立元智大學工業工程研究所
摘要
一般的工件表面瑕疵檢測分類上，較常使用的統計方法分類器包括貝氏分類、線性區別函數分類器、最小距離與最鄰近區域分類器。而非統計的方法則屬類神經網路分類器，最常被使用。以統計方法來說，必須符合一些方法的假設條件；而非統計方法上，類神經網路的訓練又相當耗時。然而在實務上，若所能提供之樣本太少，以上分類方法將難以適用。本次研究針對分類過程中，針對訓練樣本不足的情況下加以分析。而分類對象則選定印刷電路板作為樣本。
本次論文所定義的瑕疵包括刮傷、凸點、粗糙以及沾錫四類。藉由取像過程之後所獲得的灰階值資料，作為分析依據。實驗中有5組刮傷樣本、5組凸點樣本、2組粗糙樣本、2組沾錫樣本。採用Bootstrap重複抽樣技巧，來估計出母體的統計參數。並藉由所描繪的曲線以及資料範圍，給定分類標準。
而分類器採用樹枝狀分類法作為實驗分類器，而樹枝狀分類法是利用樹枝狀展開及界限之給定，完成分類。在研究過程中，發現運用此法分類，利用470組測試樣本測試，整體辨識率達97.87％，所以以此法作為小樣本條件下的分類方法，可擁有相當不錯的分類辨識率。
關鍵字：Bootstrap、機器視覺、金手指、瑕疵檢測、分類

關鍵字

Bootstrap ； 機器視覺 ； 金手指 ； 瑕疵檢測 ； 分類

並列摘要

PCB Golden Finger Defects Classification Research
Under Small-Sample Size Situation
Student:Yu-Min Wang Advisor:Dr.B.C.Jiang
Department of Industrial Engineering
YUAN-ZE University
ABSTRACT
Generally, using machine vision to inspect surface defects of manufacturing parts in industry, the classification of the defects can provide important information on how to improve quality in manufacturing processes. However, current available classification schemes are not able to handle small sample situation which is sometimes occurs in industry.
It is proposed to use bootstrap technique to deal with the small sample classification problem. Then a tree analysis method is used to classify different PCB surface defects. In this research, there are 19 training samples and 25 test samples. Using the real 19 samples generates 2000 "bootstraped" samples and using the 25 test samples segmented into 470 test samples.The results showed that using bootstrap and tree-classifier to solve small sample size classification problem, it can achieve 97.87% accuracy rate.
Keywords: Bootstrap, Machine Vision, Golden Finger, Defect inspect, classifier

並列關鍵字

Bootstrap ； Machine Vision ； Golden Finger ； Defect inspect ； Classifier

參考文獻

[1] A. Rosenfeld and P. De La Torre, Histogram concavity analysis as an

13, 1983, 231-235.

[2] B. Efron, Bootstrap method:another look at the jackknife. Annals of

[3] B. Efron, Better bootstrap confidence intervals. Journal of the

American Statistical Association, 82, 1987, 171-185.