TW200830132A - Comparison template automatic generation method of an automatized optical inspection system - Google Patents

Description

200830132 九、發明說明： 【發明所屬之技術領域】 本發明係有關-種自動化光學檢測系統之比對樣板自動 產生方法，其兼具利用適應函數減少比對時間、以基因演算法 迅速找出最佳目標樣板，及以序列方式節省記錄目標樣板所需 之記憶體空間等功效。 【先前技術】 齡閱第九圖，此為傳統之「基_算法」基本概念。基 因演算法則其實是由人類觀察自然界所啟發的一種物競天 擇’適者生存，不適者献的—齡法。而這句話正是由達爾 文所提出進化論的-句名言，達成這種演化的主要因素在於基 口的複 ‘（reproduction)、交配（crossover)和突變 (mutation)。基因演算法利用最佳化問題所要找尋的參數解， 把它編碼成字_，根據求解祕縣料適應聽(fitness function) ’再糊複製、交配以及突變的演化過程，經過數 代的篩k產生一組讓適應函數達到最佳化的解。基因演算法 比較沒有數學的根據，所以比較不被人所採納，不過在人工智 慧(AI)方面逛是有一點點的立足之地，也可被用來作為類神經 網路與模糊系統的學習演算法則。 基口’貝异法則··基因演算法是由Holland於1975年所提 出，主要是模仿生物物競天擇的進化法則，像是一個族群之 中，母的要求交配的對象一定是族群中最強壯的，然後公的為 5 200830132 了要得到與母的交配權，一定會互相爭鬥，直到一方勝出，然 後與母的父配進而得到更優秀的下一代，一直不斷的循環，最 後會產生出適應力最強的物種。基因演算法主要運算子有三： 複製、交配、突變。而在基本㈣子之前，設計者必須先決定 適應函數，編碼(coding)、解碼（dec〇ding)，產生原始族群 (initial p0pulation)。但是，到目前為止，並沒有人將上述 之基口 /貝法」之理論應用於現有之影像樣板比對之領域。 傳統樣板比對法’在搜尋制影像是否與目概板影像吻合 時’是採崎點計算比較灰階值差異度的方法；例如-個大小 為200*200像素點(pixels)的目標樣板，在大小為娜麵 Pixels的待娜像上龍始_塊影像，目標樣板每移動 -個單位’程式就必須雜產生出龐大的記㈣如，以計算 200·0*3=12萬個像素之RGB灰階差異值，並予以存放。开 習用系統產生以下缺失·· [1] 比對化間長。傳統樣板比對法必需“逐點，，計算比較 目心樣板與待测影像之全部面積的像素點，才能完成比對，計 算資料龐大，比對時間長。 [2] 無法迅速找出最佳目標樣板。傳統樣板比對法必需將 目標樣板與彳_彡像上全部的像素點全部晴過，才能確定目 ㈣板’、制讀的差異，也就是說，即使目標樣板上具有一 百個像素點，且只有其中十個像素點與待測影像不符，則仍必 200830132 相當耗時’無法迅速 需將-百個像素點全部計算完才能得知， 找出最佳目標樣板。 需之記憶體空間。傳 標樣板上全部的像素點（不 [3]以轉方式浪費記錄目標樣板所 統樣板比對法係以矩陣方式記錄目 管與待測影像綱或不相同），相*…㈣飘个 n，日乂“ 〃 1__設備之記憶體空 '點’造成大 曰 1在比對過程中，又必需重複計算全部的像素 量的記憶體空間浪費在記錄重複資訊 ’' 因此，有必要開發崎技㈣解決上述缺點。 【發明内容】 本發明之主要目的，在於提供—種自動化絲檢測系統之 比對樣板自動產生方法，無用適應函數減少比對時間。 本發明之次要目的’在於提供一種自動化光學檢測系統之 比對樣板自誠生方法，其贿因縣絲賴錄佳目標樣 板0 本發明之又-目的，在於提供—種自齡光學檢測系統之 比對樣板自誠生綠，其以相^節省記錄目標樣板所需 之記憶體空間。 本發明係提供一種自動化光學檢測系統之比對樣板自動 產生方法，係包括下列步驟： 一·擷取步驟； 一·設定步驟； 三·編碼步驟； 200830132 四·計算適應函數步驟； 五·比對步驟； 六·樣板產生步驟；及 七·基因演算步驟。 本發明之上述目的與優點，不難從下述所選用實施例之詳 細說明與附圖中，獲得深入瞭解。 茲以下列實施例並配合圖式詳細說明本發明於後·· 【實施方式】 本發明係為一種自動化光學檢測系統之比對樣板自動產 生方法，如第-、第二、第三及第四圖所示，其包括下列步驟： 一 ·擷取步驟11:由一待測影像2〇上擷取一預定之目標 樣板30 ; 二·設定步驟12 :於該預定之目標樣板30上任意設定複 數個像素點4G，做為初始族群，並以序列的方法紀錄族群各 點之資訊； 二·編碼步驟13 :以二進制編碼法轉換以序列紀錄之族 群資訊； 四·計异適應函數步驟14 :以該目標樣板3〇比對該待測 影像20，只計算該複數個像素.點40與該制影像20之差異 度’目標樣板30其餘未設定像素點4〇 _域皆予以忽略計算； 五·比對步驟15 :經計算複數個像素點4〇之差異度後產 生之適應函數’於該制影像2()上產生就數量(假設為c) 8 200830132 之區塊影像21，以該預定數量之區塊影像21與該目標樣板3〇 進行比對； 六·樣板產生步驟16 ·若該待測影像20上之預定數量的 區塊影像21與目標樣板30相符，代表該處與該目標樣板3〇 之差異度為0 ;則得到一初始新目標樣板30A ;若計算或比對 所得結果未能滿足預定之終止條件（即待測影像2〇上之預定 數量的區塊影像21與目標樣板30不符）；則進行下述步驟： 七·基因演算步驟Π :以基_算_對初始新目標樣 板30A上之個體適應函數值h高的像素點進行複萝（ reproduction)、交配(crossover)及突變（mutati〇n)運算，產 生具有複數新像素點401之最終新目標樣板3〇B，據以和該待 測影像20上之預定數量的區塊影像21進行比對確認，當該區 塊影像21之數量符合-預定值(例如為υ或小於預:闕值 時’運算結束；反之則再重複進行基因演算與比對運算（亦即 重複第四至第七步驟）。 该目標樣板30係從預定之 待測影像20上棘/從斜載人之細㈣9n ^ ⑽夂〇

p3—X P3U3_G Ρ3 Β] (Ρι X，Pi J，Pi R，Pi g，Ρι 實務上，於該擷取步驟11中， 叫 PuP2_xP2』P2—rP2—gP2—b pu)為第i個像素點之x 9 200830132 座標值及R，G，B灰階值，。 於該編碼步驟13中，所謂編碼，意指將問題的解答 轉換成基因演算法所能處理的搜索空間；本發明所採用 方法為二進制編碼，編碼之符號皆為〇或】，亦即個體基因是 〇與1的符號串；經此編碼手續組成之遺傳演算法係為^進= 遺傳演算法（Binary Genetic Alg〇rithms，簡稱為至 於編碼長度與求狀精度_ ;假設轉鄉像2g上掏取之 目標樣板30之長度變化範圍為[a，b]，編碼長度為i，則求解 之精度為g ;例如目標樣板3G之長度變化範圍為 [U024]，在求職度為1(piexl)的條件下，編碼長度為1〇 ; 假設樣板長度或寬度的範圍小於1〇23，在求解精度為 Kpiexl)的條件下，則像素點之xy座標值，其編碼長度為1〇 ; (^>(200，150) ’經二進制編碼後為（ρΐ χΡι』)= (0011001000,0010010110)。 於該計算適應函數步驟14、該比對步驟15至該樣板產生 步驟I6中，係定義該待測影像20為Ii(x，y)，大小為ΜχΝ， ;則（Ii(x，y)，I2(x，y)，“(xj))分別為該待測影像 2〇 之座標點（x，y)的（R，G，B)灰階值； 並定義该目標樣板30為Ti，m，n(p，q)，大小為pxQ， l$i$3，l$p$P，l$q$Q(如第四圖所示）；

Ti，m，n(p，Q)代表该目標樣板30位於該待測影像2〇上， 10 200830132 並以座標On，η)為該目標樣板3〇相對原點之樣板座標系統； a’ m’ n(p，q)’ Τ2’ m’ n(p，q)，T3, m，n(p，分別為該目標樣板 30之座標點的（r，g，B)灰階值； 設㈣制影像2〇之可忽略點素其(R，G，B)灰階值為 (N!，队，仏），可忽略之像素總數量為n ; 设疋该目標樣板30上之像素點數量為e ; 最大循環演化子代數量為G ; ，該目標樣板30與相對應位置之待測影像2〇間，各單點之 對差異度為di，m，n(p，q)，而各單點差異度總和為 Di(m，n); STi(p，q>Ni; 則(1“，办，口):〇; 若 Ti(p，q)#Ni ; 則 di，m，n(p，qH I Ii(m+p，n+q) — Ti(p，q)丨]; 〔 以ώ,η，η(ρ，Q)代表，目標樣板30(Ti(p，q))之像素點與待剩 * 影像20(Ii(m+p，n+q))二點素之間的單點差異度為： DL(m，nMi； Σ I； [Upe)]}; /=1 歹二丨 q=l 以DL(m，η)為代表，在該待測影像2〇上以座標(m，n)為原 點，向X座標方向延伸距離P，向y座標方向延伸距離Q，以 此£塊影像21與大小為PxQ之目標樣板3〇，做各個像素點 RGB灰階值相減，取其絕對值並相加總之值即為DL(m，n) · 11 200830132 即目標樣板30與該區塊影像21之區域(Local)總和差異 度為ΙλΟη,η) ·，則定義平均差異度Davg(m，n>丛^;

PxQ-n 該區塊影像21與目標樣板30之吻合(Match)程度定為： 256 ’ 因Mm，η)將有（(M- P)x(N - Q))個比對差異值，則將其皆 換算成M(m，n)，並設定一吻合度閥值為Vl ; Χι代表於該待測影像20内，該目標樣板3〇與區塊影像21 之區域吻合度M(m，η)大於閥值％之數量： 當- P);m++){當（η:ι;η$(㈣）;n++){若 (M(m,n)>Vi)XiH ； }}; 則定義群體(population)適應函數為：

Fp二 100 - —； (M-P)x(N-Q)

Fp€ [0,100] ’數值越大代表群體適應值越高，該群體越有 可能為最佳解。 當定義個體（individual)適應函數為Fi，並用於基因演算 法複製運异所需之個體適應函數值；假設只考慮目標樣板3〇 上單點有效像素，其座標為IXp!，qi)，則其與相對應座標之區 塊影像21上之單點差異度為di mn(pi，qi);且 di,m,n(pi, Q〇=[ I Ii(m+pi, n+q〇 - Ti(pl5 qi) | j ; 因有效像素為單點，故待測影像2〇與目標樣板3〇的區域 12 200830132 (Local)總和差異度DL(m，n)亦等於di，m，n(pi，Qi)，則吻合度 M(m，nM00-(^^xl00);因 DL(m，n)亦將有（（Μ-Ρ)χ(Ν- 256 Q))個比對差異值，則將其皆換算成M(m，η)，並設定一吻合度 閥值為V2; X2代表待測影像20内之區域吻合度M(m，η)大於閥值V2之 數量，當（x=l;x$(M—Ρ);χ++){當（rr"l;nS(N~Q);n++){若 (M(m, n)>V2)X2++ ; }}; 則定義個體（individual)適應函數為：

Fi 二 100 — —^xl0Q · (M-P)x(N~Q)

Fie[0,100] ’數值越大代表個體適應值越高。 於該基因演算步驟17中，係配合輪盤式選擇法進行複 製；將群體内之個體適應函數值設為Fi;並將群體數量設為e， 定義每個個體適應函數值為Fie，Ce[i，e]，則個體被挑選至交 配池的機率為I ;且以交配率C!選取交配池内的像素點40 ΤΛ 4 c=l 進行字罩交配；再依突變率沁對族群内的染色體進行突變；如 此得到複數個新個體。 接下來’將區域總合差異度DiXm，η)放於整張待测影像2〇 上做統計比較，可定義一全域（Global)總和差異度函數 Dg(iii, n, Dl(iii, η)); 其中Q]; 13 200830132 當計算出最大群體適應函數Fp值時，亦即選出最 進而產生最終新目標樣板3歐如附件—之第A圖所示，复座 落於Dd維座標系統上）；此時令 為系統之全域極小值’則代表該點與测各點，在z轴高度上 的差距皆大於閥值V3(如附件—之第β及第c圖所示）：门又 若（|Dl〇iii+1，πι) — DL(mi，m)|&& ; |Dl(iiii+1, πι - 1) - Dl(iiii, n〇 I&& ; / |DL(mi，m - 1)-DL(mi，m)|M ; |Dl(iiii - l,m - 1) - Dl(iiii, m)|&& ; IDiXmi - 1，m) - D《mi, m) ; |Dl(iiii- l,ni+l)-DL(mi, n〇|&& ; |DL(mi,ni+l)-DL(mi, n〇|&& ; |DL(mi+l，ni.l)-DL(mi，m)|)2V3 ; 則队㈤’^^^乃為系統之全域極小值：亦即代表於 待測影像20上以座標I(nu，m)為原點之區塊影像2i與最終新 目標樣板30B吻合。 另外，因為群體(population)適應函數為 (Μ-Ρ)χ(ΛΓ-ρ)

Fp二1〇〇

X] xlOO

Fpe[〇，l〇〇]; 因此設定吻合度閥值Vi為100，而代表待測影像20内， 目標樣板30與區塊影像21之區域吻合度M(m，η)大於闊值Vi 14 200830132 之數量的L如果為1，亦即Fp=(1〇〇 _ 100 ^ ^ 則代表， -群體所組成之樣板，在_彡像2G上與魏塊影像a為百 分百吻合的數量只有-處，_群體為最佳群體，演算即終 止，:果經過了 G代子代的演算，仍無法找出㈣⑽— 則增加群體數量e，麵演算朗找出符合之

Fp值。 本發明之崎樣板自動敲方法，是细基因演算法則， 以與待測區塊影像之最小差異量的條件，在目標樣板上選取出 預定量之像素點’其餘非選取之像素點的區域轩以忽略運 算’並制序列狀絲鱗所縣料狀:纽，如此可以 節省許多記娜，且目標樣板之鱗 如譲。【―，簡稱_在目標樣板 越小，使用序列值來表示就越有利。 以單色目標樣板為例，其序列可以寫α ， 其中au為目標樣板搜尋區域中第一個像素點的灰階，而二、 如則為目標樣板搜尋區域中的第一個像素點的& y座標值。 又’本發明顧之基_算法之主要特性，b參數集合 之編碼加以演算砂是參數本身，故林空間分析所限制，且 基因演算法在空社為多點鱗而非單賴尋，可以較快之方 式獲得最佳解(global opti_)，也可避免陷人區域最佳值； 其只需要適應函數的資料，不需要其它輔助的資料（例如梯 15 200830132 度），可以節省一些繁雜的計算；最重要的，是基因演算法係 使職機產生财絲鱗最佳解’而魏雜的，可使用在 不同類型的最佳化問題。 牛例而口如第五、第六、第七及第人圖所示，本發明可 以配合-職之光㈣駐，祕該航之目魏板3〇上產 生複數個像_ 40，做為初始族群；並以例如χ座標41、乂 座標42、灰階值⑻43、灰階值⑹44、灰階值⑻45之順序， 序列記錄各像素點之資訊(也可以講是編碼）。 ' 假設以初次設定之像素點40的目標樣板30進行比對，可 能在该待測影像20上比對出三個區塊影像21A(適應函數差異 度為13)、21B(適應函數差異度為35)及21C(適應函數差異度 為11) ’再以其中適應函數差異度最小的區塊影像2ic重新進 行比對，即可得到最佳之初始新目標樣板·。 本發明之優點及功效如下所述·· Μ _適應函數減少比對時間。預先於目標樣板内設定 複數CI像素點’並其適應函數值，當目標樣板在比對制 衫像時’只計魏對其適應函祕(也可以算是該複數個像素 點之差異度）’其餘像素點皆予以忽略計算，可以大幅減少比 對時間。 [2]以基因演算法迅速找出最佳目 標樣板。本發明所使用 之基因演异法是—種無需梯度㈣_⑹資料的最佳化工 16 200830132 具二只要_適應函數經過不斷的疊代，即可_最佳的解， 進-步產生最佳之目標樣板。 [3]以序列方式節省記錄目標樣板所需之記憶體咖門本 發明姻基_算_，喃制眺影紅最小差^的條 件’於目標樣板上選取預定之像素點，其餘非選取之像素點皆 予以忽略，加上細相的方絲記錄所選取像素點之資訊， 故，節省許多記錄目標樣板資訊所需之記憶體空間。 以上僅是藉由較佳實施例詳細說明本發明，對於該實施例 所做的任何簡單修改與變化，皆不脫離本發明之精神與範圍。 由以上詳細說明，可使熟知本項技藝者明瞭本發明的確可 達成前述目的，實已符合翻法之狀，紐出發日轉利之申 請0 【附件一】

第A圖係全域總和差異度函數DG三維座標系統示意圖 第B圖係全域總和差異度函數三維立體圖 第C圖係第B圖之XY平面圖 17 200830132 【圖式簡單說明】 第一圖係本發明之流程示意圖 第二圖係本發明之實際操作過程方塊圖 第三圖係本發明之輯樣板產生過程之示意圖 第四圖係本發明之細影像與目標樣板座標系統示意圖 第五圖係本發明之比對樣板產生過程之實施例示意圖 第/、圖係本發明以序列方式記錄複數個像素點之資訊之示意 圖； 第七圖係本發明之比對結構示意圖 第八圖係本發明之計算適應函數之過程示意圖 第九圖係傳統基因演算法之概念示意圖 【主要元件符號說明】 12設定步驟 14計算適應函數步驟 16樣板產生步驟 20待測影像 11操取步驟 13編碼步驟 15比對步驟 Π基因演算步驟 21、21A、21B、21C區塊影像 30目標樣板 301個體基因組合 30B最終新目標樣板 4〇1新像素點 42 y座標 30A初始新目標樣板 40像素點 41 X座標 43灰階值(R) 44灰階值(G) 45灰階值(B) 90光罩 18

Claims (1)

1. 200830132 十、申請專利範圍： 1·—種自動化光學檢測系統之比對樣板自動產生方法，其包 括下列步驟： —·操取步驟：由—制影像上擷取-就之目標樣板； 一·设定步驟：於該預定之目標樣板上任意設定複數個像 素點，做為初始族群，並以序列的方法紀錄族群各點 之資訊； 一 V、扁碼步驟·以二進制編碼法轉換以序列紀錄之族群資 訊； 四·計算適應函數步驟：以該目標樣板比對該待測影像， 只計算該複數個像素點與該待測影像之差異度，該目 才示樣板其餘未設定像素點之區域皆予忽略計算，計算 出其適應函數； 五·比對步驟：以計算複數個I素點之差異度後產生之適 應函數，於該待測影像上產生預定數量之區塊影像， 以忒預疋數量之區塊影像與該目標樣板進行比對； 六·樣板產生步驟：若待測影像上之預定數量的區塊影像 與目標樣板相符；則產生一初始新目標樣板；若不符； 則進行下述步驟： 七·基因演算步驟：以基因演算法則對初始新目標樣板上 之個體適應函數值高的像素點進行複製、交配及突變 運算，產生具有複數新像素點之最終新目標樣板，據 19 200830132 以和該待測影像上之預定數量的區塊影像進行比對確 認，當該區塊影像之數量符合一預定值或小於預定閥 值4，運异結束，反之則再重複進行第四至第七步驟。 2·如申請專利範圍第㈣所述之自動化光學撿測系統之比對 樣板自動產生方法，其中，於該擷取步驟中，該目標樣板 係從預定之待測影像上擷取/從另外載入之待測影像上擷 取。 3·如申請專利範圍第丄項所述之自動化光學檢測系統之比對 樣板自動產生方法’其中，於該設定步驟中，係將該目標 樣板預先解成個體基因組合，以利設定複數個像素點。 4·如申請專利範圍第η所述之自動化光學檢測系統之比對 樣板自動產生方法，其中，於該編碼步驟中，係序列記錄 每一像素點之X座標、y座標、灰階值(1〇、灰階值(G)、 灰階值(B)之資訊。 5·如申請專利範圍第4項所述之自動化光學檢測系統之比對 樣板自動產生方法，其中，該編碼係採用二進制編碼，編 碼之符號皆為0或1，亦即個體基因係〇與丨之符號串； 經此編碼手續組成二進位遺傳演算法；若待測影像上操取 之目標樣板之長度變化範圍為[a，b]，編碼長度為丨，則求 解之精度為若目標樣板之長度變化範圍為 [1，1024] ’在求解精度為i(piexl)之條件下，編碼長度為 20 200830132 10 ο 6如申請專利範圍第1項所述之自動化光學檢測系統之比對 樣板自動產生方法，其中： 於該計算適應函數步驟、該比對步驟至該樣板產生步驟 中’係定義該待測影像為Ii(X，y)，大小為ΜχΝ，1S匕3 ; 貝1Kh(x，y)，I2(x，y)，I3(x，y))分別為該待測影像之座標點 (X，y)的（R，G，B)灰階值；並定義該目標樣板為 Ti，m，n(p，q) ’ 大小為 pxQ，匕，ι^ρ^ρ，匕; Ti，m，n(p，q)代表該目標樣板位於該待測影像上，並以座 “（m，η)為該目標樣板相對原點之樣板座標系統； (Ti，m，n(p，q)，Τ2, m，n(p，q)，T3, m，n(p，q))分別為該目標樣 板之座標點的（R，G，B)灰階值； 設定該待測影像之可忽略點素其（R，G，B)灰階值為 (阶，N2, NO，可忽略之像素總數量為^ ; 設定該目標樣板上之像素點數量為e ; 最大循環演化子代數量為G ; 該目標樣板與相對應位置之待測影像間，各單點之絕對 差異度為dw/pj)，而各單點差異度總和為Di(m，n); 若 Kp，q)二队； 則 di，m，n(p，q)二〇 ; 若 Ti(p，q)^=Ni ; 21 200830132 則 di，m，n(p，q>[ I Ii(m+p，n+q) — Ti(p，q) I ]; 以心_(04)代表，目標樣板(1^(1)4))之像素點與待測 影像（Km+an+q))二點素之間的單點差異度為： DL(m,nHi ± ± [ώ,.η(ρ,α)]}; /=1 p-\ g-1 以DL(m，n)為代表，在該待測影像上以座標（m，n)為原 點，向X座標方向延伸距離P，向y座標方向延伸距離Q， 以此區塊影像與大小為PxQ之目標樣板，做各個像素點RGB 灰階值相減，取其絕對值並相加總之值即為DL(m，n); 亦即目標樣板與該區塊影像之區域(L〇cai)總和差異度 為DiXm，n);則定義平均差異度Davg(m，n>則)-;該區塊 PxQ-n ° 影像與该目標樣板之吻合(Match)程度定為： 吻合度 M(m，η)二 100 - (g^(m，Axl〇〇 ); 256 因DL(m，n)將有（(M-P)x(N-Q))個比對差異值，則將其 皆換算成M(m，η)，並設定一吻合度閥值為Vi ; Χι代表於該待測影像内，該目標樣板與該區塊影像之區 域吻合度M(m，η)大於閥值V!之數量： 當（《1:1;111^^—?);111++){當（11二1;1^(1^-©;11++){若 (M(m，n)》Vi)Xi++ ;}};則定義群體(population)適應函數 為： Fp-100^ _Xi^i〇〇 (M-P)x(N-Q) 22 200830132 FpdO’ 100]，數值越大代表群體適應值越高，該群體越 有可能為最佳解。 7·如申請專利範圍第1項所述之自動化光學檢測系統之比對 樣板自動產生方法，其中，當定義個體適應函數為Fi，並 用於基因演算法複製運算所需之個體適應函數值；假設只 考慮目標樣板上單點有效像素，其座標為Ti(pi，qi)，則其 與相對應座標之區塊影像上之單點差異度為 A’Upl，ql);且(^(p!，qi)二[| [(_“ η+φ) — Τι(ρι，φ川； 因有效像素為單點，故待測影像與目標樣板的區域總和 差異度DL(m，n)亦等於;則： ((Μ - Ρ)χ(Ν - Q))個比對差異值，則將其皆換算成M(m，η)， 並設定一吻合度閥值為V2 ; X2代表待測影像内之區域吻合度M(m，n)大於閥值y2之數 畺，當（X二 1;χ$(Μ-Ρ);χ++){當（n=i;n$(N-Q); n++){若 (M(m, n)>V2)X2H ； }}； 則定義個體適應函數為： Fi:l〇〇 — 一_^122一_ ； (M-P)x(N-Q) Fie[〇, 1〇〇]，數值越大代表個體適應值越高。 8·如申請專利範圍第1項所述之自動化光學檢測系統之比對 樣板自動產生方法，其中，於該基因演算步驟中，係配合 23 200830132 輪盤式選擇法進行複製；將群體内之個體適應函數值設為 Fl，亚將群體數量設為e ’定義每個個It適應函數值為Fic， Ce[l，e]，則個體被挑選至交配池的機率為^ ;且以交 Σκ c-\ 配率Ci選取交配池内的像素點進行字罩交配；再依突變率 對族群内的染色體進行突變；如此得到複數個新個體， 用以與待測影像作比對。 9·如申請專利範圍第8項所述之自動化光學檢測系統之比對 樣板自動產生法’其巾，將該待測影像與—區域總合差 異度仇(m，n)做統計比較，可定義一全域總和差異度函數 DG(m，n，DL(m，n)); 其中阪[1，M - P]，ne[l，NH ; s e十异出最大群體適應函數Fp值時，亦即選出最佳群體， 進而產生該最終新目標樣板。 10·如申請專利範圍第9項所述之自動化光學檢測系統之比 對樣板自動產生方法，其中，因該群體適應函數為： Fp 二 100- —_^1L00 · (M-P)x(N-Q) Fp^[0,100]; 因此設定吻合度閥值Vl為100 ’而代表待測影像内，目 標樣板與區塊影像之區域吻合度M(m，n)大於閥值Vi之數 量的Χι如果為1，亦即： 24 200830132 Fp:(100- 則演算即終止 100 (M-P)x(N-Q) 合之Fp值。 100 X · (M-P)x(N-Q)J， ，若經G代子代演算，仍無法找出Fp =(100-)，則增加群體數量e，反覆演算直到找出符 25