本論文主旨在應用影像處理技術與類神經網路準確辨識出ITO導電玻璃的瑕疵種類以及分析四個特徵輸入值對於此類神經網路的準確性作探討。ITO導電玻璃常見瑕疵現象有裂痕、刮痕、粉塵、其他異物等。本論文針對上述瑕疵影像所擬定的四個輸入特徵值乃以形態外觀與比例關係為依據，此四個輸入特徵值分別為瑕疵周長與影像周長比、長短軸比、瑕疵密度比、瑕疵周長與瑕疵面積比。決定重要的輸入特徵後，則必須藉由影像處理的方式將此影像資訊量化，文中所使用到的影像處理包含影像濾波、影像二值化、影像測邊等。經量化的輸入特徵值樣本分為訓練用與測試用。其中40筆輸入特徵值為訓練用，20筆輸入特徵值為測試用。將訓練用輸入特徵值輸入倒傳遞類神經網路中，網路經過訓練後再將測試用輸入特徵值輸入至已訓練好的網路中，測試其辨識瑕疵種類的準確率。本論文的辨識結果準確率可達95％，證明輸入特徵值使用形態外觀與比例關係是可行的。經由實驗結果，本方法可應用於ITO導電玻璃瑕疵檢測線上之分類，以降低人事成本、減少檢測時間與人為疏失進而達到檢測自動化。

In this study, the defects of Indium Tin-Oxide glass ( ITO Glass ) are classified by using image processing and neural networks, The common defects of an ITO Glass include crack, scratch , dust and other blemishes. From the scanned images of defected ITO glasses, we calculated four defect features based on the texture and proportion of geometry characteristics of the defected area. Four defect features include the ratio of defected circumference to aspect circumference, aspect ratio, the density of the defected area and the ratio of defected circumference to defected area. The used image processing technologies include median filter, binary image and edge detection. A three-layer neural network, which is trained by the back-propagation algorithm, is used as a classifier with these four input features. The neural network is trained by forty training samples. The classification accuracy for four defect types by using another twenty testing samples is about 95%. The average error of four classification outputs is 1.82%. The experimental results show that the proposed approach could be effectively applied to inspect ITO glass defects to reduce manual classification errors.

[1] 金屬工業研究發展中心http://www.mirdc.org.tw/chinese/index.htm，(2006)。
[2] 黃良華，「應用理想解類似度順序偏好法於偏光膜之瑕疵檢測」，碩士論文，國立台灣科技大學，民國九十三年。
[3] 林志豪，「織品自動化檢測」，碩士論文，私立義守大學，民國九十五年。
[4] 蔡英男，「應用影像處理與類神經網路於偏光膜瑕疵辨識」，碩士論文，國立台灣科技大學，民國九十二年。
[5] Abouelela et al.〝Automated vision system for localizing structural defects in textile fabrics〞，Pattern Recognition Letters pp.1435-1443,(2005).
[6] Chih-Ho Chen, Yung Ting, Hui-Yi. Feng, and Shin-Liang Chen,〝Glue Dispenser Route Inspection Using Computer Vision and Neural Network〞,IEEE Int. Conf. on Neural Networks,(2006).
[7] 趙新民，「應用非線性擴散於非同質性紋路之ITO導電玻璃表面檢測」，碩士論文，私立元智大學，民國九十二年。
[8] 練建良，「滑鼠觸控板光學瑕疵檢測系統之開發」，碩士論文，國立台北科技大學，民國九十五年。
[9] 繆紹綱， 數位影像處理—運用Matlab ，台北，東華書局出版，民國九十三年。
[10] 鐘國亮， 影像處理與電腦視覺 ，台北，東華書局出版，民國九十四年。
[11] N. Otsu, 〝A threshold selection method from gray level histogram〞, IEEE Trans. on Systems, Man, and Cybernetics, SMC-8, pp.62-66, (1978).
[12] 羅華強， 類神經網路—Matlab的應用 ，台北，高立圖書有限公司出版，民國九十三年。
[13] 張智星， Matlab程式設計 ，台北，清蔚科技鈦思科技共同出版，民國九十四年。
[14] 機器視覺與光電-逢甲大學林宸生的教學與研究http://cslin.auto.fcu.edu.tw/，(2006)。
[15] 私立元智大學工管所機器視覺實驗室，http://machinevision.iem.yzu.edu.tw/vision/，(2006)。
[16] 莊鎮嘉、鄭錦聰， MATLAB程式設計進階篇 ，台北，全華科技圖書出版，民國九十三年。
[17] 謝振榆、傅毓芬， 影像處理 ，台北，全威圖書有限公司，民國九十一年。
[18] 國立台北科技大學自動化科技研究所自動化光學檢測實驗室，http://www.cc.ntut.edu.tw/~wwwatc/aoi/，(2006)。
[19] 蘇方旋、蔡瑞鴻、陳瑞彬，「自動光學檢測技術於液晶顯示器產業之應用背光模組線上全檢儀之研究與開發」，顯示器工廠自動化電自月刊，民國95年。
[20] M. Egmont-Petersen, D.de Ridder, H. Handels, 〝image processing with neural networks—a review〞, Pattern Recognition 35 (2002) pp.2279–2301, (2002).
[21] 黃信榮，「線上自動化胚布瑕疵檢測系統之研製」，碩士論文，國立台灣科技大學，民國九十一年。
[22] Men-Gxin Li, Chen-Gdong Wu, Yong Yue,〝Automatic Visual Inspection and Classification Based on Rough sets and Neural Network〞, Proceedings of the Sccond.Internationa1 Conference on Machine Laming and Cybernetics, Wan, 2-5 November, (2003).
[23] 林耀明，「SMT AOI檢測設備之發展現況與趨勢」，機械月刊三十一卷第五期，民國九十四年。
[24] 自動光學檢測設備聯盟技術論壇，http://aoiea.itri.org.tw/default.aspx，(2006)。
[25] 陳加發，「以類神經網路作產品表面瑕疵分類之先導性研究」，碩士論文，私立中原大學，民國八十三年。
[26] 潘旭純，「應用機器視覺於TAB表面線路瑕疵之研究」，碩士論文，私立元智大學，民國九十四年。
[27] 洪偉翔，「雷射二極體物鏡表面瑕疵之光學自動檢測系統研究」，碩士論文，私立大葉大學，民國九十五年。
[28] Ming-Jong Tsai, Chen-Hao Li and Cheng-Che Chen,〝Predicting Model of Laser Cutting Qualities for QFN by Utilizing Artificial Neural Networks〞, The Ninth International Conference on Automation Technology,June 13-15,(2007).