LCD 패널 상의 불량 분류를 위한 Laplacian 그래프를 이용한 특성 추출 방법

학위논문 (석사)-- 서울대학교 대학원 : 컴퓨터공학과, 2012. 8. 유석인.LCD 패널 위에 존재하는 불량은 크게 4가지 종류로 나눌 수 있다. 각 불량은 서로 다른 방식으로 다뤄야 하기 때문에 정확한 분류방법이 필요하다. 정확한 분류를 위해서는 불량은 잘 나타내는 특성들과 좋은 분류기를 사용해야 한다. 이 논문에서는 불량을 표현하기 위해 불량 영역의 밝기, 모양, 통계적인 특성들을 사용하고, 가우시안 혼합 모델을 이용한 베이즈 분류방법을 사용하여 불량을 분류하게 된다. 하지만 불량을 나타내는 특성 중에 노이즈가 존재하거나 분류에 관련이 없는 특성들이 많이 존재하는 경우에는 분류 결과가 안 좋게 나올 수 있다. 따라서 여기서는 특성 추출방법을 사용하게 된다. 특성 추출 방법은 연관성이 적은 특성들이 분류에 미치는 영향을 줄여줄 뿐만 아니라 데이터의 차원을 줄여주어 분석을 용이하게 해주면서 계산 속도를 향상시키는 효과를 낼 수 있다. 주요 성분 분석 방법은 이러한 특성 추출 방법의 중 가장 유명한 방법중의 하나로 좋은 성능을 낸다고 알려져 있다. 하지만 주요 성분 분석 방법 역시 많은 수의 의미 없는 특성들이 존재하는 경우에는 나쁜 성능을 보여준다. 이러한 문제를 해결하기 위해 이 논문에서는 스펙트럴 그래프 이론을 이용한 특성 추출 방법을 제안하였다. 주요 성분 분석 방법이 데이터의 공분산 행렬을 사용하는 것과는 달리, 제안된 방법은 샘플 간의 유사도를 기반으로 한 그래프 라플라시안 매트릭스를 생성하여 그 고유 값과 고유 벡터를 사용하는 방법이다. 실험 결과를 보면 알 수 있듯이 그래프 라플라시안을 이용한 특성 추출 방법은 주요 성분 분석을 사용한 경우보다 더 좋은 분류 성공률을 보여준다. 또한 제안한 방법이 임의로 의미 없는 특성이 추가된 경우의 실험에 대해서도 매우 꾸준한 성능을 보여줌을 알 수 있다.There are four types of defects on LCD panel. For exact classification for the defects, good feature selection and classifier are necessary. In this paper, various features such as brightness, shape and statistical features are stated and Bayes classifier using Gaussian mixture model is used as classifier. But noisy or irrelevant features can harass the classification result. Feature extraction method can reduce the influence of irrelevant features and dimensionality to analyze complicated data well. Principal Component Analysis was one of the most famous feature extraction method had appropriate performance. However PCA would produce poor result if many noisy features exist. To solve that problem of PCA, feature extraction method based on spectral graph theory is proposed. Unlike PCA, proposed method using graph Laplacian matrix based on similarity instead of covariance matrix for analyzing spectral system. Experimental result shows that feature extraction method using graph Laplacian produces better performance than the result using PCA. And also proposed method is very robust to randomly added noisy features.Chapter 1. Introduction 1 Chapter 2. Defects and features 4 2.1. Definition 4 2.2. Brightness features 6 2.3. Shape features 6 2.4. Statistical features 9 Chapter 3. Feature extraction 11 3.1. Principal component analysis 11 3.2. Graph Laplacian 12 Chapter 4. Gaussian mixture models 14 4.1. Training 14 4.2. Classification 17 Chapter 5. Experiment 18 Chapter 6. Conclusion 21 ReferenceMaste