數位影像處理 PDF的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列股價、配息、目標價等股票新聞資訊

影像擴增手法對半導體封裝超音波斷層成像檢驗績效之評估

為了解決數位影像處理 PDF的問題，作者古峻嘉 這樣論述：

台灣半導體封裝產業的各項品質檢測皆朝自動化發展，人工智慧技術近年來快速發展並應用於各領域中，將人工智慧技術用於分辨產品好壞，改善目前使用人工目視檢查耗時且標準不一的困難，以提升工作效率。卷積神經網路預測模型需要相當大量且品質好的圖形以建立訓練集，但現今高良率的製程反而造成不良品的資料過於稀少。本研究開發程式針對不良品影像進行擴增，產生大量且貼近實際缺陷樣貌的不良品資料，再以卷積神經網路進行模型訓練。本研究提出自行開發的擴增方法，再以不同的擴增倍率與縮小比例，建立個別的訓練資料與預測模型，進而找出影響績效的因子，以提高模型的預測績效。本研究建立模型可大致上分為四個步驟，第一步是將原始影像切割成

單顆晶片影像，並對單顆晶片標示好壞作為訓練模型的資料，第二步是將切割後的不良品影像以不同的方法進行擴增處理，第三步將擴增後的影像以不同的擴增參數建立個別的訓練資料，再以卷積神經網路進行預測模型的訓練，第四部分將完成訓練的預測模型進行盲測，並將計算出模型的績效指標，對不同模型之績效指標進行變異數分析。研究結果發現本研究提出之原缺陷輪廓與數值擴增手法對於預測模型的效果優於之前採用的矩形輪廓相差擴增法，主因是原缺陷輪廓擴增能更準確的保有實際缺陷影像。越高倍率的擴增對於預測模型的績效表現越好，但隨著擴增倍率的調高改善的效果越來越趨緩。本研究認為考慮良品影像不足時，為使良品與不良品影像仍能夠保持等比例，

以30倍率的擴增可以有效的幫助模型正確學習不良品影像。進行缺陷比例調整的預測模型績效比未進行缺陷比例調整的高，原因是進行缺陷比例調整後的擴增影像更貼近於真實不良品影像，能夠讓模型在缺陷的認定上效率更好。