• 學位論文

改良式相關係數法於瑕疵檢測之應用

現今已有相當多的高科技產業，例如電子、光電產業及半導體業等，將機器視覺的技術應用於生產線上，其主要原因乃是為了降低人工檢測作業存在之漏檢及誤判等問題發生，進而使用機器視覺之自動檢測系統取代人工作業。在機器視覺技術中，圖形比對(Pattern matching)技術在實際工業應用上已經相當廣泛，而相關係數法(Normalized correlation)為目前圖形比對應用最普遍的方法，但由於傳統相關係數法在處理效果上及計算效率上不符合工業自動檢測的需求，因此本研究針對傳統相關係數法在瑕疵檢測應用上提出一個改良處理效果與計算效率的方法。 在瑕疵偵測效果方面，本研究藉由高斯平滑濾波器，對於兩比對圖形進行高斯平滑影像處理來降低變異因素對相關係數所造成的影響。在計算效率方面，透過建立的加總表，使相關係數的計算不受比對視窗尺寸的影響進而達到快速計算的目的。經由實驗結果驗證，本研究所提之改良方案確實能有效改善傳統相關係數法在處理效果與計算效率上的缺失，使得相關係數法在自動瑕疵檢測方面能獲得更廣泛的應用。

• 學位論文

應用案例式推理於顧客關係管理之行銷研究-以化妝品業為例

隨著網際網路與資訊科技的發展，行銷手法因為環境的改變及顧客關係的管理等因素而產生變化。近來資料庫行銷的興起，讓許多企業公司紛紛建構資料庫，資料庫內容包含顧客的基本資料、交易時間以及交易的項目…等，但更重要是後續的資料分析動作以提供決策之參考。適用之行銷輔助模式不僅能提供行銷決策參考、提升行銷效益、降低行銷成本，並且能達到一對一之最高行銷策略使顧客滿意，以獲得更大利潤。本研究以案例式推理方法與自組織映射圖網路兩種方法，藉由比對現有資料庫內顧客的基本資料，找出與新顧客之相似顧客，利用相似顧客之購買模式來推薦新顧客適合的產品。比較兩種方法所找到與新顧客相似之顧客群對於新顧客之消費模式的預測正確率，結果為案例式推理方法之平均預測正確率(約53%)優於自組織映射圖網路方法之平均預測正確率(約33%)，約大於20%。因此，案例式推理方法適合於本化妝品業之研究案例在建構行銷輔助模式之應用。

• 學位論文

整合SPC與EPC之研究─應用類神經網路於製程平均值變化之偵測

統計製程管制 (SPC) 與工程製程管制 (EPC) 為兩種品質改善之策略。SPC主要是在找出影響製程變異之可歸屬原因，並加以去除，來降低製程之變異性。EPC管制法主要在於定期地透過調整製程之可控制變數，來消除影響製程之干擾，以使製程變異減至最少。 傳統SPC管制法的使用是假設取樣的品質數據間彼此獨立。EPC管制法則是應用於製程數據間存在相關性之情況。EPC管制法之應用有賴於建立自我相關性結構。 近年來，整合統計製程管制與工程製程管制的策略深獲產業界之興趣，透過整合SPC與EPC，使得製程管制的效果更臻理想。本研究發展兩個類神經網路來整合SPC與EPC。第一個類神經網路是用來建立具有自我相關性之結構，以去除製程中之干擾。接著以第二個類神經網路來做為監控製程之工具，相當於傳統管制圖法。本研究是以模擬方法，估計平均連串長度 (ARL) 來評估類神經網路之效益。經由深入之分析及比較，研究結果顯示類神經網路優於傳統的方法。 關鍵詞：統計製程管制、工程製程管制、類神經網路、平均連串長度

• 學位論文

泛用機上印刷電路板插件順序問題之研究─以CNC機器為例

由於電腦與電信業近年來快速發展，使得產業界與學術界對於製造印刷電路板(Printed circuit board, PCB)上元件組裝問題產生重視。本論文即以泛用機上印刷電路板元件置放順序為研究之對象，發展二套演算法來求解，冀能縮短元件置放之距離。研究中所使用的機型為電腦數值控制機(Computerized numerical control machine, CNC)。 本研究之問題可涵蓋兩個子問題：(1)置料槽架上各類元件位置指派(Feeder rack assignment)，(2)元件置放的順序(Component placement sequence)。同時將探討兩種元件置放順序問題，分別為問題a和問題b。問題a之解算法為，演算法a.1：Altinkemer 等學者所提出之演算法，及本研究所提出的演算法a.2，問題b之解算法為演算法b。本文執行演算法a.1：子問題(1)是以匈牙利法求解，子問題(2)是以平行節省法採用軟體LINGO以人機互動方式求解；執行演算法a.2：子問題(1)解決方法同演算法a.1，子問題(2)是以禁制搜尋法求解；執行演算法b：子問題(1)以模擬退火法求解，子問題(2)以三種初始解加尋優改善法求解。 本研究自行產生測試題，將演算法a.1和演算法a.2加以分析比較，其結果顯示演算法a.2優於演算法a.1。演算法b在初始解使用最鄰近法其求解效果均優於初始解使用隨機一次及隨機二十次。

• 學位論文

無參考樣板之球格陣列(BGA)基板表面瑕疵檢測

在現階段工業檢測趨勢，已漸漸的由機器視覺於自動化檢測取代傳統人工檢測。在過去，若以人工檢測會因訓練不足、素質不一及疲勞等因素而造成人工檢測的缺失，進而導致無法判斷出瑕疵的問題，甚至還會影響整個生產品質。因此應用機器視覺在工業上不但能提高生產效率、使產品品質達到標準，更能顯現出其價值與重要性。傳統樣板比對方法使用於自動瑕疵檢測時，必須建立參考影像並儲存於資料庫中，再以建立的參考影像與待測影像做比對，以達到瑕疵檢測的目的。因此，傳統樣板比對法的缺點除了耗時之外，且需要較大的儲存空間來存放參考影像。除此之外，使用傳統樣板比對法進行影像比對時，也容易受到環境之影響，如光源、位移及旋轉等，而造成檢測的誤判。 本研究所探討BGA基板之邊緣輪廓的基本組成圖形主要為直線、圓弧與特殊凸形輪廓之規律組合，因此本研究基於去除基本組成圖形即可凸顯異常瑕疵的概念。承述前說明，並基於BGA板上基本組成圖形的設計條件，如直線邊緣之斜率與圓弧邊緣之半徑等為已知的條件下，利用霍氏轉換(Hough transform)及相關度指標來偵測這些基本組成圖形，並配合為去除規律性圖形所設計的一些幾何限制規則(Constraint rules)，來消除待測影像中具「規則性」的基本組成圖形，以凸顯不規律的異常區塊。本研究對於106張BGA基板影像檢測結果顯示，BGA基板影像中共約有317個瑕疵(平均每張約有3個瑕疵)的瑕疵檢測效果約有93.4%的瑕疵檢出率，而漏檢率為6.6%(型II誤差)及平均每張影像的誤檢瑕疵數為0.23個(型I誤差)。

• 學位論文

印刷電路板小元件裝配排程問題之研究─以Fuji CP機器為例

電子業是我國目前最有發展、也是最重要的產業。在電子產品的製程上幾乎離不開印刷電路板（Printed Circuit Board, PCB），為了提高製程生產力，印刷電路板插置順序的決定就顯得格外的重要。本研究將以Fuji CP系列的專用高速機為例，探討在兩台取置機串聯生產的情況下，PCB製程中數百個小元件置放的排程問題，其目標是使PCB插件製程的總完工時間為最短。本研究採取兩種不同的解算方式：(1)先找路徑再分群（R1-C2演算法）─先決定單一取置機元件插置排序，再以加工時間相近為考量，依置放順序將元件切割成兩群組。(2)先分群再找路徑（C1-R2演算法）─先以元件個數相等為考量，依元件種類將所有元件分派成兩群組，再分別找出兩群組的元件置放順序。 至於單一取置機元件裝配排序問題之求解方法：首先依每步驟動作間只處理相同類型元件之規則產生初始解，此解經初步改善後，再依每步驟動作間允許處理兩不相同類型元件之規則繼續改善而成接受解。運用此兩種規則皆需處理雙層旅行推銷員問題（TSP）：內層為同類型元件或兩同類型元件的置放順序問題；外層則為不同類型元件的置料槽架位置的指派問題。本研究所發展解決TSP問題的方法驗證在使用於PCB托盤移動情況之量度空間（Metric Space）下效果甚佳。經相關研究所提供的實際例子對上述演算法進行效果評估，兩台取置機串聯分工問題以R1-C2演算法之表現較佳。此外，本研究所提出之演算法只要做些參數調整，就可適用於所有Fuji CP系列機器，可提供相關業者在實務上重要的參考。

• 學位論文

類神經網路在多重產品需求預測上之應用

在現今產業全球化、產品多樣化的市場經營體系中，企業間的競爭使得訂單需求預測的準確性顯得更不容忽視，預測的準確與否往往會影響生產成本。當不同組件產品具有關連性時，個別的產品需求亦會交互影響到共同零組件的需求，再加上產品短期需求不確定的波動性更會降低需求預測的準確性降低。因此，依據多重產品間彼此的關連性設計一個真正適合此生產線的需求預測模式為一重要的研究課題。 本論文將利用類神經網路在預測上高準確之優點，來學習多重產品之特性進行需求預測模式之建構，以供決策者在進行生產計畫時之依據。論文中，利用AweSim模擬軟體模擬六個月的短期訂單模擬，收集訂單種類、到達時間、數量等資料並以BPN類神經網路進行需求預測模型之建立。模式中利用移動視窗法進行網路學習，設定的輸入及輸出變數主要分為到達之間隔時間、產品數量、訂單種類權重。然後再以平均方根誤差(MSE)作為評估指標。分析結果顯示利用BPN類神經網路所建立之需求預測模式在訂單分配率改變時皆有不錯的預測效果，其測試樣本之平均MSE值皆在0.15以下，本論文針對訂單種類預測所提出之訂單特徵向量也能有效降低預測誤差，可提供在未來進行多重產品需求預測之相關研究另一參考依據。

• 學位論文

通用迴歸神經網路在中長期需求模式上之建構與探討-----以電腦零組件為例

本論文提出以通用迴歸神經網路(General Regression Neural Network)建構一需求模式，並預測電子資訊產品之未來市場需求量。GRNN是從PNN(Probability Neural Network，機率類神經網路)所演變而來，主要應用在預測及控制上，可用來建立連續變數之函數關係，無論迴歸問題為線性或非線性均可用GRNN來解決。單變量時間序列、指數平滑法、迴歸模式是較常被使用在需求預測的方法。本論文則採用GRNN之模式，並與傳統之預測模式及整合模式比較，分別找出各預測模式最佳的參數組合，以探討GRNN是否比其他四種預測方法快且準確性高；本論文針對主機板銷售量進行實證研究，以經濟部統計處出版的工業生產統計初步速報作為研究驗證的研究資料。預測結果顯示，整合預測與GRNN之結果並無顯著差異，但是整合預測在進行學習時，花費較多時間，而GRNN學習及預測速度快，且比其餘的三種模式均來得佳，故GRNN在需求預測上有很好的表現。

• 學位論文

台灣股價指數預測模型之探討

在過去所探討股價趨勢之研究中，主要分為兩大派別：一以技術面的觀點，藉由股價過去的走向以預測未來之波動；二以基本面的角度，分析各種影響股價之總體經濟因素以預測股價。本研究分別以基本面之經濟因素與技術面之各項指標為依據，以台灣股票市場發行量加權股價指數為分析對象，利用逐步迴歸法篩選與股價指數變動有顯著關係之變數，再依此建立多元迴歸分析、倒傳遞類神經網路、以及自我迴歸移動平均整合模式（ARIMA），將三種預測模型所得到之結果作為模式合併之根據，並透過一動態權重值α結合分別以基本指標與技術指標為考量所得到的月股價指數與日股價指數之預測值，以建立混合式預測模型，以期更準確的預測每日股價指數。結果發現混合式模型平均誤差為0.493%，相較於其他三種預測模型中預測能力最佳之多元迴歸分析的平均預測誤差0.703%，其改善效益達29. 875%，因此混合式模型為本研究案例對於預測未來股價波動適用性最佳之預測模型。

• 學位論文

基因演算法解算交期限制零工型排程問題之效果分析

零工型排程問題(Job Shop Scheduling Problem, JSP)一直為學術界及產業界熱門的研究課題。在過去的研究中，一般皆不考慮機器的設置時間，目標是生產時間為最短。當產品有交期限制時，目標則為總延遲時間最短，這些問題之交期時間皆限制在某一時點。本文針對JSP問題作進一步之研究，將機器設置時間納入考量，同時放寬各產品之交期時間限制為一時段。 本研究運用基因演算法(Genetic Algorithms)求解所提出之JSP問題，並建立問題的一般數學模式與整數規劃模式。在演算法的設計上則提出一種編碼方式，配合以前學者所提出的一種編碼方法、四種交配方法與四種突變方法，共產生32種演算方法組合。本研究產生三個例題來測試這些演算組合，並依據題目大小各提出二種最佳之演算方法進行評估實驗。評估的方式將依二方面進行: (一)與套裝軟體(Lingo)比較求解題目大小為4*4之績效，(二)產生測試題庫將改善解與初始解比較其改善率。 上述的第一部份中，本研究產生十題例題以設計之程式與Lingo之結果相比，在10題當中有2題優於Lingo之結果，有6題與Lingo的結果相同，有2題結果劣於Lingo之結果。第二部份的改善績效測試上，本研究設計之程式在搜尋110000個解的情況下，求解30*30的問題時，能有22%的改善率，在求解20*20的題目時，能有22%~26%的改善率，在求解10*10的題目時，能有30%~45%的改善率。在進一步的題組測試中，兩組題目均能有20%~40%的改善率。