이 논문은 TFT LCD의 결함중 Mura (むら[斑], 얼룩, blemish) 결함의 검출방법에 관한 연구이다. Mura는 경계영역의 대비가 작은 영역결함을 나타내는 말이다. 경계영역의 대비가 작다는 것은 임의의 문턱치 값을 설정하여 결함을 검출하는 방법으로는 검출하기가 어렵다는 것을 의미하고, 영상처리를 통해 결함을 검출하였어도 검출된 결함을 사람이 구분할 수 있는지 결정해야 한다는 것을 의미한다. Mura 결함은 디스플레이가 대형화 될수록 증가하고, 근래에는 대형 TV의 수요증가로 대형 TFT LCD의 생산이 늘어남에 따라 Mura 결함의 발생빈도는 증가하고 있다. Mura 결함의 발생빈도는 커지는 반면, TFT LCD의 대형화로 인해 기존의 검출 방법인 사람 눈에 의한 결함 검출의 한계가 나타나고 있다. 또한, 사람의 눈에 의한 검사는 작업자에 따라서 결함검출정도가 다르고 대형화 될수록 검출정도의 ...
이 논문은 TFT LCD의 결함중 Mura (むら[斑], 얼룩, blemish) 결함의 검출방법에 관한 연구이다. Mura는 경계영역의 대비가 작은 영역결함을 나타내는 말이다. 경계영역의 대비가 작다는 것은 임의의 문턱치 값을 설정하여 결함을 검출하는 방법으로는 검출하기가 어렵다는 것을 의미하고, 영상처리를 통해 결함을 검출하였어도 검출된 결함을 사람이 구분할 수 있는지 결정해야 한다는 것을 의미한다. Mura 결함은 디스플레이가 대형화 될수록 증가하고, 근래에는 대형 TV의 수요증가로 대형 TFT LCD의 생산이 늘어남에 따라 Mura 결함의 발생빈도는 증가하고 있다. Mura 결함의 발생빈도는 커지는 반면, TFT LCD의 대형화로 인해 기존의 검출 방법인 사람 눈에 의한 결함 검출의 한계가 나타나고 있다. 또한, 사람의 눈에 의한 검사는 작업자에 따라서 결함검출정도가 다르고 대형화 될수록 검출정도의 편차는 더 커질 수밖에 없다. 이러한 이유로 머신비젼을 이용한 Mura 검출의 필요성이 증가되고 있다. 일반적인 Mura검출 알고리즘들은 경계영역의 대비를 크게 만드는 방식으로 원본영상을 처리한 후 결함을 검출한다. 이러한 알고리즘의 종류로는 웨이블릿 방식, LoG 여파기방식, 배경(background)을 추정하는 방식 등이 사용되고 있다. 이중 배경영상을 추정하는 방법은 획득한 입력영상을 한 화소씩 제외해 가면서 선형회귀방정식을 구하고, 구해진 방정식들로 특이점(outlier)을 찾아낸다. 찾아낸 특이점들을 입력영상에서 제외한 후 다시 선형회귀방정식을 찾아서 배경영상을 추정한다. 마지막으로 추정된 배경영상과 입력영상과의 오차영상에 문턱치 값을 적용하여 결함을 찾는다. 이 방식은 LoG나 웨이블릿 방식처럼 결함의 유형에 따라 여파기의 통과대역을 설정할 필요는 없지만, 특이점을 찾기 위해서 화소개수만큼 선형회귀방정식을 구해야 해서 처리속도가 느리다는 단점이 있다. 본 논문에서는 기존의 배경영상을 추정하는 방법의 연산속도를 높이기 위해서, 선형회귀방정식을 사용해 특이점을 찾지 않고 Robust Regression 방법 중의 하나인 M 추정을 사용하여 바로 배경영상을 생성한 다음 입력영상과 추정된 배경영상의 오차영상에 문턱치 값을 적용하여 Mura 결함을 찾는 방법을 제안한다. M 추정은 IRLS (Iteratively Re-weighted Least Squares)를 사용하고, IRLS는 재귀적인방법으로 구현할 수 있기 때문에 처리속도가 빠르다는 장점이 있다. 또한 M 추정은 구해진 회귀방정식이 특이점의 영향을 줄이기 위하여 가중치를 변경하여 사용할 수 있다는 장점이 있다. 본 논문의 결과는 기존의 배경영상을 추정하는 방법과 제안한 방법은 유사한 검출정도를 가지는 것을 확인할 수 있었고, 연산속도가 40배 이상 개선된 것을 확인할 수가 있었다. 본 논문의 실험을 통해 속도개선은 이루어 졌지만, 기존 방법보다 떨어지는 검출능력을 가지고 있다. 하지만, M 추정은 Robust Regression의 기본적인 방법으로서 LTS (Least Trimmed sum of Squares) 등 성능이 좋은 방법들이 있기 때문에 앞으로 이러한 방법을 사용하여 검출정도와 속도를 조금 더 개선해야할 필요성이 있다. 또한 Mura 결함의 정량화 방법과 관련하여 SEMU 대신 결함크기, 형태, 배경밝기, 대비정보를 사용하여 JND (Just Noticeable Difference)를 산출하는 방법이 연구 중이고, CSF (Contrast Sensitivity Function)를 사용하여 Mura결함을 검출하는 방법도 연구되고 있다. CSF를 사용 결함을 검출하는 방법은 결함 영역을 검출한 후 정량화 하는 것이 아니라 CSF를 여파기처럼 사용하여 사람이 볼 수 있는 결함만 검출하는 방법이다. 더 나아가, 흑백의 원본영상을 사용하여 결함을 검출하는 것이 아니라 색상(color)정보를 사용하여 결함을 검출해야 할 필요성이 있으며, 색상결함에 관한 정량화 방안도 연구되어야할 필요성이 있다.
이 논문은 TFT LCD의 결함중 Mura (むら[斑], 얼룩, blemish) 결함의 검출방법에 관한 연구이다. Mura는 경계영역의 대비가 작은 영역결함을 나타내는 말이다. 경계영역의 대비가 작다는 것은 임의의 문턱치 값을 설정하여 결함을 검출하는 방법으로는 검출하기가 어렵다는 것을 의미하고, 영상처리를 통해 결함을 검출하였어도 검출된 결함을 사람이 구분할 수 있는지 결정해야 한다는 것을 의미한다. Mura 결함은 디스플레이가 대형화 될수록 증가하고, 근래에는 대형 TV의 수요증가로 대형 TFT LCD의 생산이 늘어남에 따라 Mura 결함의 발생빈도는 증가하고 있다. Mura 결함의 발생빈도는 커지는 반면, TFT LCD의 대형화로 인해 기존의 검출 방법인 사람 눈에 의한 결함 검출의 한계가 나타나고 있다. 또한, 사람의 눈에 의한 검사는 작업자에 따라서 결함검출정도가 다르고 대형화 될수록 검출정도의 편차는 더 커질 수밖에 없다. 이러한 이유로 머신비젼을 이용한 Mura 검출의 필요성이 증가되고 있다. 일반적인 Mura검출 알고리즘들은 경계영역의 대비를 크게 만드는 방식으로 원본영상을 처리한 후 결함을 검출한다. 이러한 알고리즘의 종류로는 웨이블릿 방식, LoG 여파기방식, 배경(background)을 추정하는 방식 등이 사용되고 있다. 이중 배경영상을 추정하는 방법은 획득한 입력영상을 한 화소씩 제외해 가면서 선형회귀방정식을 구하고, 구해진 방정식들로 특이점(outlier)을 찾아낸다. 찾아낸 특이점들을 입력영상에서 제외한 후 다시 선형회귀방정식을 찾아서 배경영상을 추정한다. 마지막으로 추정된 배경영상과 입력영상과의 오차영상에 문턱치 값을 적용하여 결함을 찾는다. 이 방식은 LoG나 웨이블릿 방식처럼 결함의 유형에 따라 여파기의 통과대역을 설정할 필요는 없지만, 특이점을 찾기 위해서 화소개수만큼 선형회귀방정식을 구해야 해서 처리속도가 느리다는 단점이 있다. 본 논문에서는 기존의 배경영상을 추정하는 방법의 연산속도를 높이기 위해서, 선형회귀방정식을 사용해 특이점을 찾지 않고 Robust Regression 방법 중의 하나인 M 추정을 사용하여 바로 배경영상을 생성한 다음 입력영상과 추정된 배경영상의 오차영상에 문턱치 값을 적용하여 Mura 결함을 찾는 방법을 제안한다. M 추정은 IRLS (Iteratively Re-weighted Least Squares)를 사용하고, IRLS는 재귀적인방법으로 구현할 수 있기 때문에 처리속도가 빠르다는 장점이 있다. 또한 M 추정은 구해진 회귀방정식이 특이점의 영향을 줄이기 위하여 가중치를 변경하여 사용할 수 있다는 장점이 있다. 본 논문의 결과는 기존의 배경영상을 추정하는 방법과 제안한 방법은 유사한 검출정도를 가지는 것을 확인할 수 있었고, 연산속도가 40배 이상 개선된 것을 확인할 수가 있었다. 본 논문의 실험을 통해 속도개선은 이루어 졌지만, 기존 방법보다 떨어지는 검출능력을 가지고 있다. 하지만, M 추정은 Robust Regression의 기본적인 방법으로서 LTS (Least Trimmed sum of Squares) 등 성능이 좋은 방법들이 있기 때문에 앞으로 이러한 방법을 사용하여 검출정도와 속도를 조금 더 개선해야할 필요성이 있다. 또한 Mura 결함의 정량화 방법과 관련하여 SEMU 대신 결함크기, 형태, 배경밝기, 대비정보를 사용하여 JND (Just Noticeable Difference)를 산출하는 방법이 연구 중이고, CSF (Contrast Sensitivity Function)를 사용하여 Mura결함을 검출하는 방법도 연구되고 있다. CSF를 사용 결함을 검출하는 방법은 결함 영역을 검출한 후 정량화 하는 것이 아니라 CSF를 여파기처럼 사용하여 사람이 볼 수 있는 결함만 검출하는 방법이다. 더 나아가, 흑백의 원본영상을 사용하여 결함을 검출하는 것이 아니라 색상(color)정보를 사용하여 결함을 검출해야 할 필요성이 있으며, 색상결함에 관한 정량화 방안도 연구되어야할 필요성이 있다.
TFT LCD are becoming widely acceptable and popular as display devices growing rapidly for the TV or monitor applications. However, most of defect detection were depended on human eye, and recently the investigation on the image processing is going on lively. Various techniques are introduced such as...
TFT LCD are becoming widely acceptable and popular as display devices growing rapidly for the TV or monitor applications. However, most of defect detection were depended on human eye, and recently the investigation on the image processing is going on lively. Various techniques are introduced such as back ground subtraction, wavelet transform, singular value decomposition (SVD), independent component analysis (ICA), statistical analysis, etc. The back ground subtraction is useful to find defects of TFT LCD but it takes too long times for calculation. To alleviate this problem, we propose a new technique based on the robust regression. The proposed robust regression method show much better computing efficiency about 1/40 of the conventional method.
TFT LCD are becoming widely acceptable and popular as display devices growing rapidly for the TV or monitor applications. However, most of defect detection were depended on human eye, and recently the investigation on the image processing is going on lively. Various techniques are introduced such as back ground subtraction, wavelet transform, singular value decomposition (SVD), independent component analysis (ICA), statistical analysis, etc. The back ground subtraction is useful to find defects of TFT LCD but it takes too long times for calculation. To alleviate this problem, we propose a new technique based on the robust regression. The proposed robust regression method show much better computing efficiency about 1/40 of the conventional method.
AI-Helper
※ AI-Helper는 부적절한 답변을 할 수 있습니다.