TFT-LCD 자동 검사 시스템에서 결함 검출을 위한 영상은 라인 스캔 카메라(line scan camera)나 에어리어 스캔 카메라 (area scan camera)에 의해서 획득하게 된다. 그러나 임펄스 잡음과 가우시안 잡음, CCD 혹은 CMOS 센서의 한계, 조명등의 영향으로 열화된 영상이 획득되며, 한도성 결함 영역을 인간의 육안으로 구분하기 어렵게 된다. 본 논문에서는 효율적인 결함 검출을 위해 특징 추출 방법과 결함 검출 방법을 제안한다. 특징 벡터로 웨버의 법칙을 이용한 결함 영역과 주변 배경 영역의 평균 밝기 차와 주변 배경 영역의 밝기 변화를 이용한 표준편차를 이용하며, 결함 영역 검출를 위해 추출된 특징 벡터를 이용하여 비선형 SVM을 적용한다. 실험 결과는 제안한 방법이 다른 방법들 보다 성능이 우수함을 보여준다.
TFT-LCD 자동 검사 시스템에서 결함 검출을 위한 영상은 라인 스캔 카메라(line scan camera)나 에어리어 스캔 카메라 (area scan camera)에 의해서 획득하게 된다. 그러나 임펄스 잡음과 가우시안 잡음, CCD 혹은 CMOS 센서의 한계, 조명등의 영향으로 열화된 영상이 획득되며, 한도성 결함 영역을 인간의 육안으로 구분하기 어렵게 된다. 본 논문에서는 효율적인 결함 검출을 위해 특징 추출 방법과 결함 검출 방법을 제안한다. 특징 벡터로 웨버의 법칙을 이용한 결함 영역과 주변 배경 영역의 평균 밝기 차와 주변 배경 영역의 밝기 변화를 이용한 표준편차를 이용하며, 결함 영역 검출를 위해 추출된 특징 벡터를 이용하여 비선형 SVM을 적용한다. 실험 결과는 제안한 방법이 다른 방법들 보다 성능이 우수함을 보여준다.
Normally, to extract the defect in TFT-LCD inspection system, the image is obtained by using line scan camera or area scan camera which is achieved by CCD or CMOS sensor. Because of the limited dynamic range of CCD or CMOS sensor as well as the effect of the illumination, these images are frequently...
Normally, to extract the defect in TFT-LCD inspection system, the image is obtained by using line scan camera or area scan camera which is achieved by CCD or CMOS sensor. Because of the limited dynamic range of CCD or CMOS sensor as well as the effect of the illumination, these images are frequently degraded and the important features are hard to decern by a human viewer. In order to overcome this problem, the feature vectors in the image are obtained by using the average intensity difference between defect and background based on the weber's law and the standard deviation of the background region. The defect detection method uses non-linear SVM (Supports Vector Machine) method using the extracted feature vectors. The experiment results show that the proposed method yields better performance of defect classification methods over conveniently method.
Normally, to extract the defect in TFT-LCD inspection system, the image is obtained by using line scan camera or area scan camera which is achieved by CCD or CMOS sensor. Because of the limited dynamic range of CCD or CMOS sensor as well as the effect of the illumination, these images are frequently degraded and the important features are hard to decern by a human viewer. In order to overcome this problem, the feature vectors in the image are obtained by using the average intensity difference between defect and background based on the weber's law and the standard deviation of the background region. The defect detection method uses non-linear SVM (Supports Vector Machine) method using the extracted feature vectors. The experiment results show that the proposed method yields better performance of defect classification methods over conveniently method.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
본 논문에서는 열화된 영상이나 혹은 영상 정보를 잃어 버리는 경우 형태, 크기, 장축과 단축의 길이의 비율 등을 포함한 영상 특징 벡터를 추출하기 어려운 한도영상에 대해 자동 결함 검출 방법을 제안하였다. 제안한 방법에서 영상의 특징 벡터를 추출하기 위해 웨버의 법칙에 기인한 방법 으로 결함 영역에 대한 특징 벡터를 추출하고 그리고 표준 편차를 이용하였다.
본 논문에서는 이러한 문제를 해결하기 위해 LS-SVM을 이용한 자동 결함 검출 방법을 제안한다. 제안하는 알고리듬은 영상 처리 알고리듬을 이용하여 추출한 결함 후보 영역들의 특징 벡터를 추출하며, 추출된 특징 벡터를 기반으로 머신 러닝(machine learning)을 근간으로 하는 LS-SVM (Least Squares Supports Vector Machine)을 적용하여 결함 영역의 특징 벡터 패턴 데이터를 이용하여 학습함으로써 보다 효과적으로 결함영역과 배경 영역을 분류하고 결함 영역을 검출한다.
이를 위해 추출한 벡터 패턴을 이용하여 학습하는 동안 결정함수의 파라미터를 찾는 것이다. 일반적인 검출 방법에서 있어서 과잉 적합의 위험성을 적게 하고 오류 없는 의사 결정 경계를 생성하는 것을 목적으로 한다. 이를 위해서 기존의 선형 SVM과 달리 소프트 마진(soft margin) 기법을 도입한다.
제안 방법
따라서 제안한 방법은 위에서 언급한 것과 같은 특징을 이용하여 특징 벡터를 추출한다. 결함 영역을 이론에 근거한 일관적인 검출을 목적으로 특징 벡터 패턴을 이용한 자동 검출함으로써 이전의 방법의 문제점들을 해결한다.
반면, 대조군으로써 결함이 아닌 배경 영역들은 주변 영역과 비교했을 때 평균 밝기 변화는 거의 일어나지 않는다. 따라서 제안한 방법은 위에서 언급한 것과 같은 특징을 이용하여 특징 벡터를 추출한다. 결함 영역을 이론에 근거한 일관적인 검출을 목적으로 특징 벡터 패턴을 이용한 자동 검출함으로써 이전의 방법의 문제점들을 해결한다.
제안한 SVM방법을 이용한 검출방법은 추출한 영상의 특징 벡터를 이용하여 결함 영역 검출하는 방법이다. 이를 위해 추출한 벡터 패턴을 이용하여 학습하는 동안 결정함수의 파라미터를 찾는 것이다. 일반적인 검출 방법에서 있어서 과잉 적합의 위험성을 적게 하고 오류 없는 의사 결정 경계를 생성하는 것을 목적으로 한다.
본 논문에서는 이러한 문제를 해결하기 위해 LS-SVM을 이용한 자동 결함 검출 방법을 제안한다. 제안하는 알고리듬은 영상 처리 알고리듬을 이용하여 추출한 결함 후보 영역들의 특징 벡터를 추출하며, 추출된 특징 벡터를 기반으로 머신 러닝(machine learning)을 근간으로 하는 LS-SVM (Least Squares Supports Vector Machine)을 적용하여 결함 영역의 특징 벡터 패턴 데이터를 이용하여 학습함으로써 보다 효과적으로 결함영역과 배경 영역을 분류하고 결함 영역을 검출한다. 제안한 방법에서 결함 후보 영역들의 특징 벡터를 추출하기 위해 웨버의 법칙(weber's law)[3]을 이용한 결함 영역과 주변영역의 평균 밝기 차(average intensity difference)와 주변 영역의 밝기 변화를 이용한 표준 편차를 이용한다.
기존의 검출 방법에서는 결함 영역의 평균 밝기 값과 주변의 평균 밝기 값의 차에 대한 문턱치를 설정하고 설정된 문턱치를 통해서 결함 영역인지 아닌지를 판단하였으며, 이론에 근거한 결정 방법이 아닌 조작원의 경험에 의해 결정 되는 경우가 많고, 일관적이지 못하다. 제안한 방법에서는 경험적 데이터 패턴을 기반으로 학습하여 결함영역을 자동 검출함으로써 문턱치 결정의 어려움들을 피할 수 있다. 표 1은 그림 3에서 설명한 방법을 기반으로 하여 제안한 방법 에서 사용될 특징벡터들의 값을 추출한 결과 값을 보여준 다.
제안한 방법으로 추출한 영상의 특징 벡터를 이용하여 결함 영역을 검출한다. 이를 위해 추출한 벡터 패턴을 이용하여 학습하는 동안 D(x) 결정함수의 파라미터를 찾는 것이며, 결함 영역을 검출하기 위해서 결함 영역의 벡터 패턴을 이용한 트레이닝 후 알려지지 않는 파라미터는 다음의 규칙에 따라 예측된다.
제안한 방법의 실험을 위해서 BLU (Back Light Unit) 상에 임의의 결함들을 발생시켰으며, 이러한 결함들을 검출 하는 실험을 하였다. 실험에 사용하기 위한 임의로 발생시킨 결함은 그림 3과 같이 다양한 크기와 다양한 밝기 값을 갖는다.
대상 데이터
표 2는 추출된 특징 벡터를 기반으로 선형적 SVM (Linear SVM)을 이용하였을 경우와 LS-SVM을 이용하였을 경우를 비교한 결과이며, 25개의 결함 영역 영상과 23개의 배경영역 영상을 적용하였다. 그 결과 표 2에서 보는 것과 같이 선형적인 SVM을 이용하였을 경우 결함 영역에 대해서 84%의 검출 정확도를 보였으며, 배경영역에 대해서 100%의 검출 정확도를 보였다.
이론/모형
선형으로 분리 되지 않는 상황을 해결하기 위해서 제한 조건에 양의 값을 가진 슬렉 변수(slack variable)를 추가하여 해결할 수 있다. 또한 제안한 방법에서 라그랑지안 승수를 구하기 위해 이중 문제는 제곱 프로그래밍(quadratic programming)을 사용한다. 결과적으로 제안한 LS-SVM을 사용함으로써 잡음을 줄일 수 있으며, 선형으로 분리 되지 않는 상황에서도 효과적으로 분류 할 수 있다.
위에서 언급한 방법으로 추출한 특징 벡터를 기반으로 경험적 데이터를 이용한 학습 방법인 LS-SVM방법을 적용 하였다. 실험 결과 이전의 방법인 선형적인 SVM을 적용하 였을 경우 결함 영역의 영상에 대해 84%의 검출 정확도를 보인 반면, 제안한 방법에서 100%의 검출 정확도를 보여주었다.
이러한 이유로, 위에서 언급한 것과 같은 물체의 특징 벡터를 이용하기 힘든 경우가 발생한다. 이러한 문제들을 해결하기 위해 인간 시각 시스템에 기인한 웨버 법칙을 이용하여 결함 영역과 배경영역의 최소의 밝기 변화 혹은 결함영역의 평균 밝기와 배경영역의 평균 밝기의 차와 결함 영역 내의 표준 편차를 이용하여 영상의 특징 벡터를 추출한다.
일반적인 검출 방법에서 있어서 과잉 적합의 위험성을 적게 하고 오류 없는 의사 결정 경계를 생성하는 것을 목적으로 한다. 이를 위해서 기존의 선형 SVM과 달리 소프트 마진(soft margin) 기법을 도입한다. 이와 같은 방법은 클래스가 선형으로 분리되지 않는 상황에도 유연하게 선형의 경계를 생성하도록 해준다.
제안한 방법에서 결함 후보 영역들의 특징 벡터를 추출하기 위해 웨버의 법칙(weber's law)[3]을 이용한 결함 영역과 주변영역의 평균 밝기 차(average intensity difference)와 주변 영역의 밝기 변화를 이용한 표준 편차를 이용한다.
본 논문에서는 열화된 영상이나 혹은 영상 정보를 잃어 버리는 경우 형태, 크기, 장축과 단축의 길이의 비율 등을 포함한 영상 특징 벡터를 추출하기 어려운 한도영상에 대해 자동 결함 검출 방법을 제안하였다. 제안한 방법에서 영상의 특징 벡터를 추출하기 위해 웨버의 법칙에 기인한 방법 으로 결함 영역에 대한 특징 벡터를 추출하고 그리고 표준 편차를 이용하였다. 적용결과 인간의 시각적으로 구분하기 어려운 영상내의 결함 영역과 배경영역에 대한 특징 벡터를 보다 효과적으로 추출 할 수 있었다.
성능/효과
또한 제안한 방법에서 라그랑지안 승수를 구하기 위해 이중 문제는 제곱 프로그래밍(quadratic programming)을 사용한다. 결과적으로 제안한 LS-SVM을 사용함으로써 잡음을 줄일 수 있으며, 선형으로 분리 되지 않는 상황에서도 효과적으로 분류 할 수 있다.
표 2는 추출된 특징 벡터를 기반으로 선형적 SVM (Linear SVM)을 이용하였을 경우와 LS-SVM을 이용하였을 경우를 비교한 결과이며, 25개의 결함 영역 영상과 23개의 배경영역 영상을 적용하였다. 그 결과 표 2에서 보는 것과 같이 선형적인 SVM을 이용하였을 경우 결함 영역에 대해서 84%의 검출 정확도를 보였으며, 배경영역에 대해서 100%의 검출 정확도를 보였다. 반면, LS-SVM을 이용하였을 경우 결함 영역에 대해서 100%의 검출 정확도를 보였으 며, 또한 배경 영역에 대해서도 100%의 검출 정확도를 보였다.
그 결과 표 2에서 보는 것과 같이 선형적인 SVM을 이용하였을 경우 결함 영역에 대해서 84%의 검출 정확도를 보였으며, 배경영역에 대해서 100%의 검출 정확도를 보였다. 반면, LS-SVM을 이용하였을 경우 결함 영역에 대해서 100%의 검출 정확도를 보였으 며, 또한 배경 영역에 대해서도 100%의 검출 정확도를 보였다.
위에서 언급한 방법으로 추출한 특징 벡터를 기반으로 경험적 데이터를 이용한 학습 방법인 LS-SVM방법을 적용 하였다. 실험 결과 이전의 방법인 선형적인 SVM을 적용하 였을 경우 결함 영역의 영상에 대해 84%의 검출 정확도를 보인 반면, 제안한 방법에서 100%의 검출 정확도를 보여주었다. 실험 결과는 제안한 방법이 이전의 방법보다 우수한 성능을 보임을 입증하였다.
실험 결과 이전의 방법인 선형적인 SVM을 적용하 였을 경우 결함 영역의 영상에 대해 84%의 검출 정확도를 보인 반면, 제안한 방법에서 100%의 검출 정확도를 보여주었다. 실험 결과는 제안한 방법이 이전의 방법보다 우수한 성능을 보임을 입증하였다.
제안한 방법에서 영상의 특징 벡터를 추출하기 위해 웨버의 법칙에 기인한 방법 으로 결함 영역에 대한 특징 벡터를 추출하고 그리고 표준 편차를 이용하였다. 적용결과 인간의 시각적으로 구분하기 어려운 영상내의 결함 영역과 배경영역에 대한 특징 벡터를 보다 효과적으로 추출 할 수 있었다.
제안한 방법에서 결함 후보 영역들의 특징 벡터를 추출하기 위해 웨버의 법칙(weber's law)[3]을 이용한 결함 영역과 주변영역의 평균 밝기 차(average intensity difference)와 주변 영역의 밝기 변화를 이용한 표준 편차를 이용한다. 제안한 방법으로 추출한 특징 벡터는 결함 후보 영역들을 기반으로 수행하며, 결함 후보 영역과 주변 영역을 비교했을 때 평균 밝기 변화가 존재한다. 반면, 대조군으로써 결함이 아닌 배경 영역들은 주변 영역과 비교했을 때 평균 밝기 변화는 거의 일어나지 않는다.
질의응답
핵심어
질문
논문에서 추출한 답변
TFT-LCD 패널에는 대표적으로 어떤 결함들이 발생하는가?
TFT-LCD 패널 상에서는 대표적으로 특정한 영역에 강하게 나타나며 먼지 등으로 인해 발생하는 점 이물, 넓은 영역에서 발생하는 얼룩(Stain or MURA), 외부의 자극에 의해 발생하는 스크래치성 결함 등을 포함한 결함들이 발생 하게 된다. 이러한 결함들을 검사하기 위해 일반적으로 TFT-LCD 패널의 영상 촬영은 그림 1에서 보는 것과 같이 구성된다.
TFT-LCD 자동 검사 시스템에서 결함 검출을 위한 영상은 무엇을 사용하여 얻는가?
TFT-LCD 자동 검사 시스템에서 결함 검출을 위한 영상은 라인 스캔 카메라(line scan camera)나 에어리어 스캔 카메라 (area scan camera)에 의해서 획득하게 된다. 그러나 임펄스 잡음과 가우시안 잡음, CCD 혹은 CMOS 센서의 한계, 조명등의 영향으로 열화된 영상이 획득되며, 한도성 결함 영역을 인간의 육안으로 구분하기 어렵게 된다.
자동 검사 시스템이 제조 분야에서 중요한 분야로 대두되고 있는 이유는 무엇인가?
최근 몇 년 동안 TFT-LCD (Thin Film Transistor Liquid Crystal Display) 산업은 빠르게 성장해 왔으며, FPD(Flat Panel Display) 시장은 점점 더 경쟁화 되고 관련 산업에서 디스플레이의 품질은 점점 더 문제시 되고 있다. 이러한 이유로 자동 검사 시스템은 제조 분야에서 중요한 분야로 대두 되고 있다.
참고문헌 (7)
Woo-Seob Kim, Jong-Hwan Oh, Chan-Ho Han, and Kil-Houm Park, 'Image Enhancement for Automated TFT-LCD Inspection System Using Estimation of Intensity Flow,' IEICE Trans. Electron., vol. E90-C, no. 11, November 2007
Liang-Chia, Chen, and Chia-Cheng kuo, 'Automatic TFT-LCD mura defect inspection using discrete cosine transform-based background filtering and 'just noticeable difference' quantification strategies,' Meas. Sci. Technol., vol 19, pp. 1-10, March 2008
Rafael C. Gonzalez and Richard E. Wood, Digital Image Processing, second edition Addison Wesley, 2002
Vladimir N. Vapnik, Statistical learning theory, John Wiley & Sons, 1998
Bernhard E. Boser, Isabelle M. Guyon, and Vladimir N. Vapnik, 'A Training Algorithm for Optimal Margin Classifiers,' In COLT pp.144-152, 1992
Johan A.K.Suykens, Tony Van Gestel, Jos De Brabanter, Bart De Moor, and Joos Vandewalle, Least Squares Support Vector Machines, World Scientific, 2002
Jozsef Valyon, and Gabor Horvath, 'A Robust LS-SVM Regression,' PWASET vol. 7, ISSN 1307 - 6884, August 2005
※ AI-Helper는 부적절한 답변을 할 수 있습니다.