膜的檢查方法
【專利摘要】本發(fā)明提供膜的檢查方法。本發(fā)明涉及膜的檢查方法，其通過包括將來自被分類的多個缺陷組的各單一缺陷圖像信息變換為多維向量的階段、將所述向量映射于多維坐標系、確定利用缺陷組區(qū)分所述向量的最佳超平面的階段、和將由用判定對象的膜所檢測的缺陷得到的缺陷圖像信息變換為多維向量之后，將所變換的多維向量映射于確定了所述最佳超平面的多維坐標系而得到相當?shù)娜毕萁M的階段，可以以高的準確度將未知的缺陷分類到每個缺陷組，對每個缺陷組以合格品判定基準不同的方式進行設(shè)定而判定膜，由此可以減少不合格品被判定為合格品、或者雖然為合格品但過檢為不合格品。
【專利說明】
膜的檢查方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明涉及膜的檢查方法。
【背景技術(shù)】
[0002] 在液晶顯示面板等中所使用的偏振膜的制造工序中，一般而言，在以一定的寬度 長大的帶狀的狀態(tài)下自動地實施各種處理，最終按照制品規(guī)格以成為規(guī)定的形狀的方式進 行切割。
[0003] -直以來，已知有對帶狀的狀態(tài)的偏振膜利用缺陷檢查裝置（自動檢查機）自動地 檢測缺陷，在后工序中以缺陷的識別變得容易的方式在缺陷的附近位置形成標記的偏振膜 的檢查方法。
[0004] -般而言，用缺陷檢查裝置檢測有缺陷的偏振膜并非100%不能使用。用缺陷檢查 裝置檢測缺陷的缺陷因其種類而給光學功能性帶來的影響不同，既存在即使檢測出少量也 不能使用的缺陷，也存在即使檢測出一部分也在使用中沒有問題的缺陷。但是，缺陷檢查裝 置通常不能將缺陷分類為其不同種類，不管缺陷的種類如何，檢測全部的缺陷。
[0005] 因此，一般而言，最終人們通過目視檢查判斷是否允許用缺陷檢查裝置檢測的缺 陷。但是，有時檢查精度及生產(chǎn)率根據(jù)操作者的熟練度而降低，因此不能準確且迅速地檢查 大量的制品。
[0006] 在韓國特開第2010-32682號中公開有偏振片的不均的自動檢查系統(tǒng)及使用其的 偏振片的不均檢查方法。
[0007] 現(xiàn)有技術(shù)文獻
[0008] 專利文獻
[0009] 專利文獻1:韓國特開2010-32682號公報

【發(fā)明內(nèi)容】

[0010]發(fā)明所要解決的課題
[0011] 本發(fā)明的目的在于提供可以以高的準確度將未知的缺陷分類到每個缺陷組的膜 的檢查方法。
[0012] 用于解決課題的手段
[0013] 1.膜的檢查方法，其包括：
[0014] 將來自被分類的多個缺陷組的各單一缺陷圖像信息變換為多維向量的階段；
[0015] 將所述向量映射于多維坐標系，確定利用缺陷組區(qū)分所述向量的最佳超平面的階 段;和
[0016] 將由用判定對象的膜所檢測的缺陷得到的缺陷圖像信息變換為多維向量之后，將 所變換的多維向量映射于確定有所述最佳超平面的多維坐標系而得到相當?shù)娜毕萁M的階 段。
[0017] 2.所述項目1的膜的檢查方法，其中，確定所述最佳超平面的階段在由相互不同的 種類的缺陷組得到的向量的邊界形成超平面，將所述超平面中來自由相互不同的缺陷組得 到的最接近的2個向量的距離的和成為最大的超平面確定為最佳超平面。
[0018] 3.所述項目1的膜的檢查方法，其中，所述缺陷圖像信息為選自由峰(peak)、面積 (area)、Δ X(dx)、Δ Y(dy)、密度(density)、厚度(thickness)及陰影(shading)構(gòu)成的參數(shù) 中的2種以上，所述缺陷圖像信息作為多維向量的成分含有。
[0019] 4.所述項目1的膜的檢查方法，其中，所述缺陷圖像信息為峰(peak)、面積(area)、 Δ X(dx)、Δ Y(dy)、密度(density)、厚度(thickness)及陰影(shading)，所述缺陷圖像信息 作為多維向量的成分含有。
[0020] 5.所述項目1的膜的檢查方法，其中，所述缺陷圖像信息為在中央含有作為缺陷被 辨識的部分的長方形的像素組中的各像素的亮度值，所述缺陷圖像信息作為多維向量的成 分含有。
[0021] 6.所述項目5的膜的檢查方法，其中，所述各像素的位置信息被變換為多維向量的 各軸，各像素的亮度值被變換為所述向量的各成分。
[0022] 7.所述項目5的膜的檢查方法，其中，還包括:在所述長方形的像素組中將作為缺 陷被辨識的部分和相當于背景的部分進行分離，將僅含有相當于背景的部分的像素的亮度 值設(shè)定為〇的階段。
[0023] 8.所述項目5的膜的檢查方法，其中，還包括:將含有2像素以下的尺寸的噪聲的像 素的亮度值設(shè)定為〇的階段。
[0024] 9.所述項目1的膜的檢查方法，其中，在中央含有作為缺陷被辨識的部分的長方形 的像素組中，對各個像素利用由下述的數(shù)學式1或數(shù)學式2表示的值確定所述向量中的軸， 利用與dx及dy成比例的規(guī)定值確定該軸的成分。
[0025] Arctan( | dx | / | dy | ) · · · <數(shù)學式 1 >
[0026] Arctan( | dy | / | dx | ) · · · <數(shù)學式2>
[0027] (式中，dx為X軸的亮度的變化量，y為y軸的亮度的變化量。）
[0028] 10.所述項目1的膜的檢查方法，其中，將所述缺陷圖像信息進行規(guī)格化而變換為 多維向量。
[0029] 11.所述項目1的膜的檢查方法，其中，對用所述判定對象的膜所檢測的缺陷的每 個缺陷組以合格品判定基準不同的方式進行設(shè)定而判定膜的合格與否。
[0030] 發(fā)明的效果
[0031] 根據(jù)本發(fā)明，可以以高的準確度將未知的缺陷分類到每個缺陷組。由此，通過對每 個缺陷組以合格品判定基準不同的方式進行設(shè)定而判定膜，由此可以減少不合格品被判定 為合格品、或者雖然為合格品但過檢為不合格品。
【附圖說明】
[0032]圖1是將以非透過模式(正交尼科耳)所檢測的缺陷分類的照片。
[0033] 圖2是將以透過模式所檢測的缺陷分類的照片。
【具體實施方式】
[0034] 本發(fā)明涉及膜的檢查方法，通過包括將來自被分類的多個缺陷組的各單一缺陷圖 像信息變換為多維向量的階段、將所述向量映射于多維坐標系、確定利用缺陷組區(qū)分所述 向量的最佳超平面的階段、和將由用判定對象的膜所檢測的缺陷得到的缺陷圖像信息變換 為多維向量之后、將所變換的多維向量映射于確定了所述最佳超平面的多維坐標系而得到 相當?shù)娜毕萁M的階段，可以以高的準確度將未知的缺陷分類到每個缺陷組，通過對每個缺 陷組以合格品判定基準不同的方式進行設(shè)定而判定膜，由此可以減少不合格品被判定為合 格品、或者雖然為合格品但過檢為不合格品。
[0035] 以下，對本發(fā)明的一具體例涉及的膜的檢查方法詳細地進行說明。
[0036] 首先，將來自被分類的多個缺陷組的各單一缺陷圖像信息變換為多維向量。
[0037] 作為缺陷組，可列舉例如:群聚性輝點缺陷、一條線缺陷、輝點缺陷、星形缺陷、刮 傷缺陷、黑條紋缺陷、糊針孔缺陷、氣泡性缺陷、異物氣泡缺陷、白點異物缺陷、異物缺陷等。 [0038]這些缺陷可以為用非透過模式(正交尼科耳狀態(tài))或透過模式所檢測的缺陷。
[0039] 具體而言，群聚性輝點缺陷、一條線缺陷、輝點缺陷、星形缺陷及刮傷缺陷為可以 用非透過模式檢測的缺陷，圖1是用非透過模式所觀察的這些缺陷的照片。圖1(a)是群聚性 輝點缺陷，圖1(b)是一條線缺陷，圖1(c)是輝點缺陷，圖1(d)是星形缺陷，圖1(e)是刮傷缺 陷。
[0040] 具體而言，黑條紋缺陷、一條線缺陷、糊針孔缺陷、氣泡性缺陷、異物氣泡缺陷、白 點異物缺陷及異物缺陷為可以用透過模式檢測的缺陷，圖2是用透過模式所觀察的這些缺 陷的照片。圖2(a)是黑條紋缺陷，圖2(b)是一條線缺陷，圖2(c)是糊針孔缺陷，圖2(d)是氣 泡性缺陷，圖2(e)是異物氣泡缺陷，圖2(f)是白點異物缺陷，圖2(g)是異物缺陷。
[0041] 由被分類的多個缺陷組獲得各單一缺陷圖像信息，將獲得的信息變換為多維的向 量。
[0042] 可以從每個缺陷組的多個缺陷得到該缺陷組的圖像信息。
[0043] 缺陷圖像信息例如可以為選自由峰(peak)、面積(area)、Δ x(dx)、Δ Y(dy)、密度 (density)、厚度(thickness)及陰影(shading)構(gòu)成的組中的2種以上。
[0044] 在本說明書中，峰為作為缺陷被辨識的部分的亮度（灰色度（gray scale)、0~ 255)的最高值或最低值和周邊的平均亮度之差。
[0045] 面積是指包含作為缺陷被辨識的部分的長方形的面積，列舉具體的實例時，可以 將含有作為缺陷被辨識的部分的像素的個數(shù)設(shè)為面積。含有作為缺陷被辨識的部分的情況 的像素以缺陷位于像素的中央的方式含有，可以將含有缺陷的最小的長方形的重心或含有 作為缺陷被辨識的部分的像素的平均坐標設(shè)定為中央。
[0046] ΔΧ是指作為缺陷被辨識的部分的X軸的最長長度，ΔΥ是指缺陷所占的區(qū)域的Y軸 的最長長度。列舉具體的實例時，A X可以為含有作為缺陷被辨識的部分的像素的X軸的最 長長度，△ Y可以為含有作為缺陷被辨識的部分的像素的y軸的最長長度。
[0047] 密度為用作為缺陷被辨識的部分所占的實際面積除以含有作為缺陷被辨識的部 分的長方形或圓所得的值，具體而言，可以為用作為缺陷被辨識的部分所占的實際面積除 以將缺陷的長軸設(shè)為直徑的圓的面積所得的值。
[0048] 厚度可以為引連結(jié)作為缺陷被辨識的部分的2個以上的外點的線，從缺陷的各點 至中心線的距離的平均。所述線可以為缺陷的長軸，但并不限于此。
[0049]陰影表示黑、白、黑白這3個值，黑是指作為缺陷被辨識的部分的全部比周邊的正 常區(qū)域暗，白是指作為缺陷被辨識的部分的全部比周邊的正常區(qū)域明亮，白黑是指作為缺 陷被辨識的部分的一部分比周邊的正常區(qū)域明亮，一部分暗。
[0050] 所述黑、白、黑白的3個值可以與規(guī)定的數(shù)字相對應而作為向量的成分含有。例如， 黑、白、黑白分別與〇、1、2相對應，或可以以與1、2、3相對應的方式變換為向量的成分，只要 可以用這些各自不同的數(shù)字區(qū)分，則所述規(guī)定的數(shù)字值沒有限制。
[0051] 在本說明書中，多維的向量為行向量或列向量，各成分(element)是指2個以上的 向量。
[0052] 缺陷圖像信息為選自由峰（peak)、面積（area)、AX(dx)、AY(dy)、密度 (density)、厚度(thickness)及陰影(shading)構(gòu)成的組中的2種以上時，所述多維的向量 可以為將它們作為成分含有的2維以上的向量。
[0053] 在多維向量將缺陷圖像信息以外的信息作為成分含有時，該信息可以為得到該缺 陷的膜的組成、色度、厚度、表面粗糙度、收縮力、拉伸強度等物性等?？梢詫⑦@些信息與規(guī) 定的數(shù)字相對應而作為成分含有，但并不限制于此。
[0054]缺陷圖像信息為峰(peak)、面積(area)、Δ X(dx)、Δ Y(dy)、密度(density)、厚度 (thickness)及陰影(shading)時，所述多維的向量可以為將它們作為各成分含有的7維以 上的向量。
[0055]在提高每個缺陷組的分類準確度的觀點方面，優(yōu)選所述缺陷圖像信息可以被規(guī)格 化而作為向量的成分含有。
[0056]在所述缺陷圖像信息中，由于峰為亮度值，所以具有0~255的值，由于面積、ΔΧ、 Λ Y等具有像素的個數(shù)值，因此每個缺陷圖像信息的值的偏差大。該情況下，將作為向量的 成分所含的峰、面積、ΑΧ、ΔΥ、密度、厚度、陰影等值進行規(guī)格化時，可以減少數(shù)據(jù)的處理 量，改善分類準確度。
[0057] 規(guī)格化的方法沒有特別限定，可以利用本領(lǐng)域中的公知的方法進行規(guī)格化。例如， 可以通過用各缺陷圖像信息的全部的值除以各缺陷圖像信息的最大值的方法來進行。更具 體而言，列舉峰的情況時，可以通過用全部的峰值除以作為峰中的最大值的255的方法來進 行，面積等情況也同樣地，可以通過用全部的面積值除以最大面積值的方法來進行。
[0058] 根據(jù)本發(fā)明的另一具體例，所述缺陷圖像信息可以為在中央含有作為缺陷被辨識 的部分的長方形的像素組中的各像素的亮度值。該情況下，可以將各亮度值作為多維向量 的成分含有。
[0059]此時，各像素的位置信息被變換為多維向量的各軸，各像素的亮度值可以變換為 所述向量的各成分。例如，在長方形的像素組中將左最上段的像素設(shè)為（1，1)坐標時，可以 以將（1，1)像素的亮度值設(shè)為向量中的第1軸的成分、將（1，2)像素的亮度值設(shè)為向量中的 第2軸的成分等方式進行變換，但并不限制于此。
[0060]所述長方形的像素組可以為100X100的像素組，多維向量可以為將10,000個的像 素的各亮度值作為成分含有的10，〇〇〇維以上的向量。
[0061 ]缺陷圖像信息為峰(peak)、面積(area)、Δ x(dx)、Δ Y(dy)、密度(density)、厚度 (thickness)、陰影(shading)等的情況下，從含有作為缺陷被辨識的部分的100 X 100像素 中僅收集7個信息，但缺陷圖像信息為各像素的亮度值的情況下，會收集10,000個信息，因 此通過使用更多的信息將缺陷進行分類，可以進一步提高準確度。
[0062] 但是，由于存在應該處理的數(shù)據(jù)的量變得龐大的問題，所以優(yōu)選將多維向量的各 成分中規(guī)定的成分變換為〇,減少數(shù)據(jù)處理量。
[0063] 例如，可以包括在長方形的像素組中將作為缺陷被辨識的部分和相當于背景的部 分進行分離，將僅含有相當于背景的部分的像素的亮度值設(shè)定為〇的階段。由于作為缺陷被 辨識的部分比并非那樣的部分明亮或暗，所以通過使用亮度之差，可以將作為缺陷被辨識 的部分和相當于背景的部分分離。
[0064] 另外，可以還包括將含有2像素以下的尺寸的噪聲的像素的亮度值設(shè)定為0的階 段。
[0065] 所述噪聲與缺陷同樣地，是指與并非那樣的部分相比更明亮或暗的部分、或者與 缺陷分離、且具有2像素以下的尺寸的小的部位，通過將僅含有噪聲的像素的亮度值設(shè)定為 〇,可以減少數(shù)據(jù)量。
[0066] 將上述的缺陷圖像信息進行規(guī)格化的方法對10,000維以上的向量也可以同樣地 適用。
[0067] 根據(jù)本發(fā)明的進一步其它具體例，作為所述缺陷圖像信息，有效利用在中央含有 作為缺陷被辨識的部分的長方形的像素組中的各像素的亮度值，可以根據(jù)由下述的數(shù)學式 1或數(shù)學式2表示的值確定所述向量的軸，根據(jù)與dx及dy成比例的規(guī)定值確定該軸的成分。
[0068] Arctan( | dx | / | dy | ) · · · <數(shù)學式 1 >
[0069] Arctan( | dy | / | dx | ) · · · <數(shù)學式2>
[0070] (式中，dx為X軸的亮度的變化量，y為y軸的亮度的變化量。）
[0071]在像素組內(nèi)對于各個像素可以得到dx和dy，將其代入于上述數(shù)學式1時，對于各個 像素，dx和dy所成的斜率作為角度值獲得。
[0072]將dx和dy所成的斜率設(shè)想為從最小0°至最大180°，將其每20°分割，被分為9個區(qū) 間?？梢詫⑺?個區(qū)間設(shè)定為向量的各軸，對于各個像素根據(jù)上述數(shù)學式1及2的斜率作為 對應的角度確定軸。
[0073]而且，可以根據(jù)與dx及dy成比例的規(guī)定值確定該軸的成分。所述規(guī)定值例如可以 為dx和dy之和、dx和dy之積、dx和dy之和的平方根、dx2和dy2之和的平方根等，但并不限制于 這些。
[0074]根據(jù)dx和dy所成的斜率的值，確定該像素中的信息變換為哪個軸，但相互不同的 像素的角度值屬于相同的角度區(qū)間內(nèi)的情況下，將與相當于相同的角度區(qū)間的像素中的dx 及dy成比例的規(guī)定值的值全部相加成為該軸中的成分。
[0075] 經(jīng)過這樣的過程時，可以在中央含有作為缺陷被辨識的部分的長方形的像素組中 得到9維的向量。
[0076] 在有效利用更多的數(shù)據(jù)而提高后述的分類準確度方面，優(yōu)選將在中央含有作為缺 陷被辨識的部分的長方形的像素組等分為規(guī)定的尺寸，對于等分的每個像素組得到所述9 維的向量，基于等分的像素組的位置信息將各向量的成分排列，可以得到一個向量。
[0077] 列舉具體的實例時，在中央含有作為缺陷被辨識的部分的長方形的像素組為100 X 100的像素組時，可以將其等分為10 X 10的像素組100個。其后，對于10 X 10的每個像素組 得到所述9維的向量，基于等分的像素組的位置信息將各向量的成分排列，可以得到900維 的向量。
[0078] 所述9維的向量也可以通過進一步將缺陷圖像信息以外的信息作為成分含有而成 為9維以上，由此可以得到900維以上的向量。
[0079] 所述位置信息可以將最上段的像素組從左至右設(shè)為1~10號，將其下一行的像素 組從左至右設(shè)為11~20號，以這種方式將最下段的像素組從左至右設(shè)為91~100號，可以按 這些序號順序排列各向量的成分，但并不限制于此。
[0080] 將減少上述的數(shù)據(jù)處理量的方法及缺陷圖像信息進行規(guī)格化的方法對900維以上 的向量也可以同樣地適用。
[0081] 其后，將所述向量映射于多維坐標系。
[0082] 對于每個各自的缺陷存在一些差異，但可得到具有類似于缺陷組別的值的成分的 向量，所以將由各缺陷組得到的向量映射于多維坐標系時，可以形成缺陷組別的向量組。
[0083] 而且，確定利用缺陷組區(qū)分所述向量的最佳超平面。
[0084]在本說明書中，超平面(hyperplane)是指在多維坐標系中區(qū)分相互不同的多維的 向量的多維的平面。在由相互不同的缺陷組得到的向量的邊界形成超平面，可以形成能夠 利用缺陷組區(qū)分這些向量的超平面。最佳超平面是指在超平面中將誤差抑制在最小限、同 時可以利用缺陷組區(qū)分由相互不同的缺陷組得到的向量的超平面。
[0085]就得到最佳超平面的方法而言，例如，可以在由相互不同的種類的缺陷組得到的 向量的邊界形成超平面，將所述超平面中來自由相互不同的缺陷組得到的最接近的2個向 量的距離的和成為最大的超平面作為最佳超平面確定。
[0086] 所述最佳超平面可以使用支持向量機（SVM、Support Vector Machine)的并列處 理而確定。SVM為從構(gòu)造的風險最小化（Structural Risk Minimization;SRM)理論發(fā)展的 二值模式分類器，為通過找出基于構(gòu)造的風險最小化的概念的最佳的線形確定平面而用于 分類2個等級的演算法。提供用于解決分類的問題的最佳的分離邊界面(hyperplane)。這樣 的支持向量機的構(gòu)造及原理在同業(yè)界中被廣泛公知，因此，在本說明書中，省略其詳細的說 明。
[0087]其后，將由判定對象的膜得到的缺陷圖像信息變換為多維向量之后，將所變換的 多維向量映射于確定有所述最佳超平面的多維坐標系，得到相當?shù)娜毕萁M。
[0088] 判定對象的膜可以為通過與檢測到上述的缺陷組的膜同樣的組成及方法制造的 膜。
[0089] 將不清楚相當于哪個缺陷組的判定對象膜的未知的缺陷的缺陷圖像信息變換為 多維向量，映射于確定了所述最佳的超平面的多維坐標系時，得知該向量為相當于哪個缺 陷組的向量。由此，得知該缺陷相當于哪個缺陷組。
[0090] 即，可以以高的準確度分類未知的缺陷相當于哪個缺陷組，其可以優(yōu)選適用于對 所檢測的每個缺陷組以合格品判定基準不同的方式進行設(shè)定而判定膜的合格與否的檢查 方法。
[0091] 具體而言，對于上述的群聚性輝點缺陷、一條線缺陷、輝點缺陷、星形缺陷、刮傷缺 陷、黑條紋缺陷、糊針孔缺陷、氣泡性缺陷、異物氣泡缺陷、白點異物缺陷、異物缺陷等各個 缺陷組，給光學功能性帶來的影響不同。因此，相當于影響性大的缺陷組的缺陷即使檢測少 的數(shù)，也應該將該膜判定為不良，但相當于影響性小的缺陷組的缺陷即使檢測稍多的數(shù)，也 可以判定為合格品。
[0092] 以往，不能準確地將用自動光學檢查機檢測的缺陷分類到每個缺陷組，必須對全 部的缺陷組適用相同的基準進行檢查。因此，將不良的膜判定為合格品、或?qū)⒑细衿放卸?不良的情況多。
[0093] 與此相對，本發(fā)明可以以高的準確度分類未知的缺陷為相當于哪個缺陷組的缺 陷。因此，可以對每個缺陷組以合格品判定基準不同的方式進行設(shè)定，以高的準確度判定膜 的合格與否。
[0094] 以下，為了幫助理解本發(fā)明而示出優(yōu)選的實施例，但這些實施例作為實例示出，并 不打算限定專利權(quán)利要求。這些實施例可以在不脫離發(fā)明的主旨的范圍內(nèi)進行各種變更及 修正。這些實施例、其變形包含在發(fā)明的范圍、主旨中，同時包含在專利權(quán)利要求中所記載 的發(fā)明和其均等的范圍中。
[0095]實施例1.膜的檢查方法
[0096]對偏振膜進行自動光學檢查，檢測群聚性輝點缺陷、一條線缺陷、輝點缺陷、星形 缺陷、刮傷缺陷、黑條紋缺陷、糊針孔缺陷、氣泡性缺陷、異物氣泡缺陷、白點異物缺陷及異 物缺陷。
[0097]這些缺陷組的各缺陷的圖像以100 X 100像素的尺寸，以含有缺陷的最小的長方形 的像素的重心位于圖像的中央的方式收集。由各缺陷圖像得到峰(peak)、面積(area )、Δ X (dx)、Δ Y(dy)、密度(density)、厚度(thickness)、陰影(shading)的值并進行規(guī)格化，得到 依次包含它們作為成分的7維向量。
[0098] 使用SVM library將所述7維向量映射于7維坐標系，確定最佳超平面。
[0099] 其后，將以與所述偏振膜相同的工序線生產(chǎn)的偏振膜設(shè)為判定對象的膜，通過進 行自動光學檢查而檢測缺陷，基于公知的基準將缺陷按組別進行分類。
[0100] 用非透過模式進行檢查，挑選群聚性輝點缺陷500個、一條線缺陷500個、輝點缺陷 500個、星形缺陷500個、刮傷缺陷500個，用透過模式挑選黑條紋缺陷11個、一條線缺陷17 個、糊針孔缺陷59個、氣泡性缺陷690個、異物氣泡缺陷143個、白點異物缺陷84個、異物缺陷 1125 個。
[0?0? ]由所述合計4629個缺陷的圖像得到峰值(peak)、面積(area)、Δ X(dx)、Δ Y(dy)、 密度(density)、厚度(thickness)及陰影(shading)的值，得到將它們依次作為成分含有的 7維向量。其后，將它們映射于確定了所述最佳超平面的7維坐標系。基于所述最佳超平面將 向量按缺陷組別進行分類，將缺陷按缺陷組別進行分類。分類結(jié)果如下述表1及2所示。 [0102]【表1】
[0104]上述表1將以非透過模式所檢測的缺陷利用本發(fā)明的方法進行了分類，可以確認 以合計83.9%的高的準確度將缺陷進行了分類。
[0105]【表2】
[0107] 上述表2將以透過模式所檢測的缺陷利用本發(fā)明的方法進行了分類，可以確認以 合計87.1 %的高的準確度將缺陷進行了分類。
[0108] 實施例2.膜的檢查方法
[0109] 對偏振膜進行自動光學檢查，檢測群聚性輝點缺陷、一條線缺陷、輝點缺陷、星形 缺陷、刮傷缺陷、黑條紋缺陷、糊針孔缺陷、氣泡性缺陷、異物氣泡缺陷、白點異物缺陷及異 物缺陷。
[0110] 這些缺陷組的各缺陷的圖像以100 X 100像素的尺寸、以含有缺陷的最小的長方形 的像素的重心位于圖像的中央的方式收集。由各缺陷的圖像得到各像素的亮度值，將左最 上段設(shè)為（1，1)坐標時，以（1，1)像素的亮度值成為向量中的第1軸的成分、（1，2)像素的亮 度值成為向量中的第2軸的成分的方式從左向右、然后從上向下，將各像素的亮度值設(shè)為向 量的成分。最終得到將（1 〇〇，1 〇〇)像素的亮度值設(shè)為向量中的第1 〇，〇〇〇軸的成分的1 〇，〇〇〇 維向量。
[0111] 使用SVM library將所述10,000維向量映射于10,000維坐標系，確定最佳超平面。
[0112] 其后，將以與所述偏振膜相同的工序線生產(chǎn)的偏振膜設(shè)為判定對象膜，通過進行 自動光學檢查而檢測缺陷，基于公知的基準將缺陷按組別進行分類。
[0113] 用非透過模式進行檢查，挑選群聚性輝點缺陷500個、一條線缺陷500個、輝點缺陷 500個、星形缺陷500個、刮傷缺陷500個，用透過模式挑選黑條紋缺陷11個、一條線缺陷17 個、糊針孔缺陷59個、氣泡性缺陷690個、異物氣泡缺陷143個、白點異物缺陷84個、異物缺陷 1125 個。
[0114] 由所述合計4629個缺陷的圖像，通過與上述同樣的方法得到10,000維向量，將它 們映射于確定了所述最佳超平面的1〇,〇〇〇維坐標系?；谒鲎罴殉矫?，將向量按缺陷 組別進行分類，將缺陷按缺陷組別進行分類。分類結(jié)果如下述表3及4中所示。
[0115] 【表3】

[0117] 上述表3將以非透過模式所檢測的缺陷利用本發(fā)明的方法進行了分類，可以確認 以合計96.2%的高的準確度將缺陷進行了分類。
[0118] 【表4】
[0120] 上述表4將以透過模式所檢測的缺陷利用本發(fā)明的方法進行了分類，可以確認以 合計98.7 %的高的準確度將缺陷進行了分類。
[0121] 實施例3.膜的檢查方法
[0122] 對偏振膜進行自動光學檢查，檢測群聚性輝點缺陷、一條線缺陷、輝點缺陷、星形 缺陷、刮傷缺陷、黑條紋缺陷、糊針孔缺陷、氣泡性缺陷、異物氣泡缺陷、白點異物缺陷及異 物缺陷。
[0123] 將這些缺陷組的各缺陷的圖像以100 X 100像素的尺寸、以含有缺陷的最小的長方 形的像素的重心位于圖像的中央的方式收集。由各缺陷的圖像得到各像素的亮度值，將其 等分為10X10的像素組100個。
[0124] 由各像素組，對于每個像素獲得X軸的亮度的變化量（dX)、y軸的亮度的變化量 (dy)。將其代入下述數(shù)學式1中，對于每個像素，將dx和dy所成的斜率作為角度值得到。
[0125] Arctan( | dx | / | dy | ) · · · <數(shù)學式 1 >
[0126] 將從0°至180°的角度平均20°分割為9個區(qū)間，將9個區(qū)間設(shè)定為向量的各軸，將各 像素中的dx2和dy 2之和的平方根值設(shè)定為各軸的成分。存在相當于相同的角度區(qū)間的相互 不同的像素的情況下，將這些像素的dx2和dy 2之和的平方根值全部相加，將其設(shè)定為各軸的 成分。
[0127] 由此，得到100個9維向量。
[0128] 將最上段的像素組從左至右設(shè)為1~10號，將其下一行的像素組從左至右設(shè)為11 ~20號，利用這種方式將最下段的像素組從左至右設(shè)為91~100號而設(shè)想位置信息，按所述 的序號順序?qū)?維向量100個的成分照原樣排列，得到1個900維向量。
[0129] 使用SVM library將所述900維的向量映射于900維坐標系，確定最佳超平面。
[0130] 其后，將以與所述偏振膜相同的工序線生產(chǎn)的偏振膜設(shè)為判定對象膜，通過進行 自動光學檢查而檢測缺陷，基于公知的基準將缺陷按組別進行分類。
[0131] 以非透過模式進行檢查，挑選群聚性輝點缺陷500個、一條線缺陷500個、輝點缺陷 500個、星形缺陷500個、刮傷缺陷500個，用透過模式挑選黑條紋缺陷11個、一條線缺陷17 個、糊針孔缺陷59個、氣泡性缺陷690個、異物氣泡缺陷143個、白點異物缺陷84個、異物缺陷 1125 個。
[0132] 由所述合計4629個缺陷的圖像，通過與上述同樣的方法得到900維向量之后，將它 們映射于確定了所述最佳超平面的900維坐標系?；谒鲎罴殉矫鎸⑾蛄堪慈毕萁M別 進行分類，將缺陷按缺陷組別進行分類。分類結(jié)果如下述表5及6中所示。
[0133] 【表5】
[0135] 上述表5將以非透過模式所檢測的缺陷利用本發(fā)明的方法進行了分類，可以確認 以合計95.6%的高的準確度將缺陷進行了分類。
[0136] 【表6】
[0138]上述表6將以透過模式所檢測的缺陷利用本發(fā)明的方法進行了分類，可以確認以 合計97.6 %的高的準確度將缺陷進行了分類。
【主權(quán)項】
1. 膜的檢查方法，其包括： 將來自被分類的多個缺陷組的各單一缺陷圖像信息變換為多維向量的階段， 將所述向量映射于多維坐標系，確定利用缺陷組區(qū)分所述向量的最佳超平面的階段， 和 將由用判定對象的膜所檢測的缺陷得到的缺陷圖像信息變換為多維向量之后，將所變 換的多維向量映射于確定了所述最佳超平面的多維坐標系而得到相當?shù)娜毕萁M的階段。2. 根據(jù)權(quán)利要求1所述的膜的檢查方法，其中，確定所述最佳超平面的階段在由相互不 同的種類的缺陷組得到的向量的邊界形成超平面，將所述超平面中來自由相互不同的缺陷 組得到的最接近的2個向量的距離的和成為最大的超平面確定為最佳超平面。3. 根據(jù)權(quán)利要求1所述的膜的檢查方法，其中，所述缺陷圖像信息為選自由峰(peak)、 面積(area)、Δ X(dx)、Δ Y(dy)、密度(density)、厚度(thickness)及陰影(shading)構(gòu)成的 參數(shù)中的2種以上，所述缺陷圖像信息作為多維向量的成分含有。4. 根據(jù)權(quán)利要求1所述的膜的檢查方法，其中，所述缺陷圖像信息為在中央含有作為缺 陷被辨識的部分的長方形的像素組中的各像素的亮度值，所述缺陷圖像信息作為多維向量 的成分含有。5. 根據(jù)權(quán)利要求4所述的膜的檢查方法，其中，所述各像素的位置信息被變換為多維向 量的各軸，各像素的亮度值被變換為所述向量的各成分。6. 根據(jù)權(quán)利要求4所述的膜的檢查方法，其中，還包括:在所述長方形的像素組中將作 為缺陷被辨識的部分和相當于背景的部分進行分離，將僅含有相當于背景的部分的像素的 亮度值設(shè)定為〇的階段。7. 根據(jù)權(quán)利要求4所述的膜的檢查方法，其中，還包括:將含有2像素以下的尺寸的噪聲 的像素的亮度值設(shè)定為〇的階段。8. 根據(jù)權(quán)利要求1所述的膜的檢查方法，其中，在中央含有作為缺陷被辨識的部分的長 方形的像素組中，對各個像素利用由下述的數(shù)學式1或數(shù)學式2表示的值確定所述向量中的 軸，利用與dx及dy成比例的規(guī)定值確定該軸的成分， 【數(shù)學式1】 Arctan(|dx|/|dy|) 【數(shù)學式2】 Arctan(|dy|/|dx|) 式中，dx為X軸的亮度的變化量，y為y軸的亮度的變化量。9. 根據(jù)權(quán)利要求1所述的膜的檢查方法，其中，將所述缺陷圖像信息進行規(guī)格化而變換 為多維向量。10. 根據(jù)權(quán)利要求1所述的膜的檢查方法，其中，對用所述判定對象的膜所檢測的缺陷 的每個缺陷組以合格品判定基準不同的方式進行設(shè)定而判定膜的合格與否。
【文檔編號】G01N21/88GK105869143SQ201610077455
【公開日】2016年8月17日
【申請日】2016年2月3日
【發(fā)明人】李銀珪, 樸真用
【申請人】東友精細化工有限公司