CNN과 Stacking Ensemble을 활용한 TFT-LCD 패널의 자동 결함 분류 방법
Effective Automatic Defect Classification Process Based on CNN and Stacking Ensemble Model for TFTLCD Panel
- 주제(키워드) Defect Classification , Convolutional Neural Network , Pattern Recognition
- 발행기관 고려대학교 대학원
- 지도교수 이홍철
- 발행년도 2019
- 학위수여년월 2019. 8
- 유형 Text
- 학위구분 석사
- 학과 대학원 산업경영공학과
- 원문페이지 50 p
- 실제URI http://www.dcollection.net/handler/korea/000000084586
- UCI I804:11009-000000084586
- DOI 10.23186/korea.000000084586.11009.0000936
- 본문언어 한국어
- 제출원본 000045999092
초록/요약
LCD 패널 생산 과정에서 결함의 유형을 분류하는 것은 결함의 복원 가능 여부와 직결되기에 이를 정확하게 분류하는 것은 공정의 수율과 생산성에 큰 영향을 미친다. 하지만, panel 이미지 영역에 비해 결함의 영역은 상대적으로 매우 작아 이미지 자체만으로 정확히 결함 class를 구분하는 것은 성능이 좋지 않다. 그렇기에 패턴 제거를 통해 결함 영역만을 추출하는 방법이 필요하지만, panel 이미지는 한 장의 이미지 내에서도 영역별 밝기 차이가 있어 깔끔한 패턴 제거가 쉽지 않았다. 본 연구에서는 반복 패턴 주기가 존재하는 TFT-LCD 패널의 배경과 결함 영역을 구분하면서도, 밝기 차이나 작은 노이즈에 강건한 배경-결함 구분 지표를 제안하였다. 이를 통해, 유용한 결함 관련 feature와 배경 패턴을 제거하면서도, 결함의 다른 정보를 담고 있는 이미지들을 얻을 수 있었고, CNN과 앙상블 기법을 사용해 이들을 결합하여 효과적으로 결함의 종류를 분류하는 방법을 다루었다.
more목차
목 차
국문 요약 i
표 목 차 iv
그 림 목 차 v
제 1 장 : 서론 1
제 2 장 : 선행 연구 4
제 3 장 : Data Description 9
3.1. 이미지로부터 정형 feature 추출 9
3.1.1. 패턴의 주기(pitch) 10
3.1.2 Pitchwise Difference 변환 11
3.1.3 Binary Thresholding 13
3.1.4 Feature 추출 및 Cropping 13
3.2 다른 Thresholding 방법들 14
3.3. Data Augmentation 16
제 4 장 : 연구 방법 17
4.1 단일 모델 (Single Model) 17
4.1.1 Stride Convolution 18
4.1.2 Global Average Pooling 18
4.1.3. Elu Activation 19
4.1.4. 다른 단일 모델 customizing과 그 결과 19
4.1.5. 기타 모델의 설정 20
4.2 결합 모델 (Dual Model) 21
4.3 앙상블 모델 (Ensemble) 24
제 5 장 : 실험 결과 26
5.1 단일 모델 (Single Model) 26
5.2. 결합 모델 (Dual Model) 27
5.3 앙상블 모델 (Ensemble) 29
제 6 장 : 결론 30
참고문헌 32
부록 : 이미지로부터 추출한 features 목록 39
