邏輯迴歸樹應用於印刷電路板之瑕疵分類

Logistic Regression Trees Application for PCB Defects Classification

陳佩鈴(Pei-Ling Chen)

指導教授 ： 江行全 博士

元智大學/工程學院/工業工程與管理學系/碩士(1998年)

摘要

在一般工件表面瑕疵分類上，較常使用的分類器有貝氏分類器、線性區別函數分類器、最小距離分類器和最鄰近區域分類器，但是這些分類器在使用上有一些的限制，致使分類效果具有明顯的差別。針對這些不一致性的差別本研究提出了邏輯迴歸分類樹的分類法，本研究並進而與傳統分類器作一探討。分類對象則為近年來因電腦普及化而需求大增的印刷電路板。
本研究所定義瑕疵類別有刮傷、沾錫、露鎳、未鍍金四類，由於不同的瑕疵會有不同顏色變化，所以以取出瑕疵影像的RGB值作為分類資料之特徵值。本研究中各分類器分析結果發現就平均而言，所有分類器對每類瑕疵的正確率大概都有80％左右，但是貝氏分類器對沾錫瑕疵的辨認只有56.33％，線性區別函數分類器對露鎳瑕疵的辨認只有77.33％左右，最小距離分類器對沾錫瑕疵的辨認只有69％左右，最鄰近區域分類器對資料點包含於其他類別當中的未鍍金瑕疵根本就無法辨認。研究並發現沾錫、露鎳和未鍍金的瑕疵資料有覆蓋的情形，因此在分類上造成些許困難。
本研究中發現，邏輯迴歸分類樹的分類決策線相當彈性，且相對於其它分類器的平均分類效果為佳，達到89.83％。對瑕疵類別的分類正確率也具有相當的穩定性，所以運用在分類上應可以改善傳統分類器的一些缺點，而達到較佳的分類效果。

關鍵字

機器視覺 ； 金手指 ； 瑕疵檢測 ； 分類

並列摘要

Gneraly, therer are several statistical methods used to classify surface defects of a manufactured part:the Bayesian classifier, the linear discriminant function classifier, the minimum distance classifier, and the nearest neighborhood classifier. Each classifier has its characteristics and restrictions, thus makes the classification results unreliable.
This research starts from getting the color image of the golden fingers of a PCB, and use the raw RGB values for defects classification.The Logistic Regression Tree Classifier was applied to classify four defects of golden fingers: scuffing, blotted tin,exposed nickel, and unplating. The results showed that the proposed classification method obtained 89.33% accuracy rate, as opposed to other classifiers of about 56 to 80%. The advantages and limitations of the proposed method were also discussed.

並列關鍵字

Machine Vision ； Golden Finger ； Surface Defects ； Classifier

參考文獻

【29】黃正霖、李芳繁、林慶福，"應用彩色機器視覺技術選別蔬菜

【31】楊清富、李芳繁，"應用機器視覺進行番茄顏色分級之研究"，

【1】Anthony J. Hayter , Probability and Statistics for Engineers and

【2】Bradley P. Carlin and Thomas A. Louis , Bayes and Empirical

【3】Collica R.S.,"A Logistic Regression Yield Model for SRAM Bit