行政院國家科學委員會專題研究計畫 成果報告

乾膜光阻製程中微米膜厚量測與塗佈作業之製程管制探討

計畫類別： 個別型計畫
計畫編號： NSC93-2212-E-324-001-
執行期間： 93 年 08 月 01 日至 94 年 07 月 31 日
執行單位： 朝陽科技大學工業工程與管理系(所)

計畫主持人： 林宏達

計畫參與人員： 周奕圻

報告類型： 精簡報告
報告附件： 出席國際會議研究心得報告及發表論文
處理方式： 本計畫可公開查詢

中 華 民 國 94 年 8 月 15 日
 □ 成 果 報 告
行政院國家科學委員會補助專題研究計畫
□期中進度報告

乾膜光阻製程中微米膜厚量測與
塗佈作業之製程管制探討
Studies of thickness measurement of micro film and process control
of coating operation in dry film photoresist process

計畫類別：□ 個別型計畫 □ 整合型計畫

計畫編號：NSC93-2212-E-324-001
執行期間：93 年 08 月 01 日 至 94 年 07 月 31 日

計畫主持人：林宏達 朝陽科技大學 工業工程與管理系 副教授

共同主持人：
計畫參與人員：周奕圻 朝陽科技大學 工業工程與管理系 碩士班

成果報告類型(依經費核定清單規定繳交)：□精簡報告 □完整報告

本成果報告包括以下應繳交之附件：
□赴國外出差或研習心得報告一份
□赴大陸地區出差或研習心得報告一份
□出席國際學術會議心得報告及發表之論文各一份
□國際合作研究計畫國外研究報告書一份

處理方式：除產學合作研究計畫、提升產業技術及人才培育研究計畫
列管計畫及下列情形者外，得立即公開查詢
□涉及專利或其他智慧財產權，□一年□二年後可公開查詢

執行單位：朝陽科技大學 工業工程與管理系

中 華 民 國 九十四 年 七 月 十 日
 乾膜光阻製程中微米膜厚量測與
塗佈作業之製程管制探討
Studies of thickness measurement of micro film and process control
of coating operation in dry film photoresist process

計畫編號：NSC93-2212-E-324-001
執行期限：93 年 8 月 1 日 至 94 年 7 月 31 日
主持人：林宏達 朝陽科技大學 工業工程與管理系 副教授
計畫參與人員：周奕圻 朝陽科技大學 工業工程與管理系 碩士班

中文摘要 ANN-SPC-EPC 具預測功能之監控與回饋

乾膜光阻為應用於印刷電路板製程中 管制模式。
線路影像之轉移作業的重要感光原料，能 實驗結果顯示，本研究所提
將設計的精密線路清楚地反應在電路板 CG-MCEWMA-EPC 管制模式，即利用 CG
上，而乾膜光阻生產製程中，塗佈之光阻 BP 模 式 預 測 製 程 並 進 行 後 續
膠液量是否均勻為影響該產品品質之重要 MCEWMA-EPC 調 整 ， 能 夠 比 利 用
因素。此塗佈作業採連續且大量方式生 EWMA-EPC 模式減少約 50%的調整次
產，經常因環境與人為因素使得膠液量塗 數；並精準地預測製程趨勢，使製程總變
佈不均勻，因此目前檢驗方式須事先試 異可大幅降低約 20%，將製程輸出值更趨
作，之後人員利用接觸式之膜厚測量儀量 近於目標值，達到即時監控與穏定製程的
測薄膜的厚度，若試作樣品符合規格才開 效 果 ， 比 傳 統 EWMA-EPC 與
始大量生產。由於乾膜光阻為軟性材質， MCEWMA-EPC 個別管制模式要好，顯著
量測時會因表面接觸而產生凹陷造成量測 地改善 SPC-EPC 管制模式預測未來單一
誤差，因此如何在塗佈作業中能即時且非 製程時間點之缺點，有助於提早了解製程
接觸地量測光阻膠液量是相當重要的管制 狀況並及時提出改善措施。
工作。
關鍵詞：乾膜光阻、塗佈作業、電腦視覺
根據上述問題，本研究於實驗室環境
系 統 、 薄 膜 量 測 、 整 合
中模擬塗佈作業之量測與製程管制作業，
CG-MCEWMA-EPC 具預測之監
提出利用電腦視覺系統擷取乾膜光阻之側
控與回饋管制模式。
邊影像，並進行影像處理與厚度量測。之
後將量測數據，先利用 MO-VL BP 與 CG Abstract
BP 之變形倒傳遞網路模式預測製程之趨
Dry film photoresist is an important
勢，選擇具較高學習與快速收斂能力之網
raw material for transforming precise circuit
路，與後續之製程管制模式結合。接著利
layout design into producing a high quality
用 SPC-EPC 管制技術監控製程之干擾因
printed circuit board. The coating operation
子，根據製程受干擾的程度，透過 EPC 之
of the dry film process plays a key role in
積分控制能即時修正製程。最後使用敏感
producing high quality products. Due to soft
度分析與實驗計劃法，找出模式最佳化之
property of the dry film photoresist, it is
參數，建立適合本研究塗佈作業之
concave by using contact instrumentation

1
and may result in measurement errors. 一、前言
Thus, how to control the thickness of 近年電子產品之元件朝向輕薄短小的
photoresist in the coating operation is very 趨勢，要發揮電子產品的功能仰賴於精密
important. 之印刷電路板（Printed Circuit Board；PCB
To solve the process control problem of 或 Printed Wiring Board；PWB），主要功
the coating operation in the dry film process, 能是利用板上的細微線路來連接各種電子
first, the thickness image of the dry film is 零組件，使能夠逹到訊號傳輸的目的。為
captured by a high resolution CCD, and 了因應電子元件輕薄短小，使得具有細
computer vision techniques are applied to 線、小孔的高密度之基板便應運而生。其
thickness measurement of the films. 中印刷電路板製程中影像轉移作業方面，
Second, these thickness data are analyzed by 利用具高解析與高附著能力特性的「乾膜
MO-VL BP and CG BP models to predict 光阻」（Dry film photoresist）做為基板精
process trends. Third, the proposed model 密線路顯影及轉移的重要感光原料，提升
combines SPC-EPC techniques and finite 基板線路檢驗的精確性，
feedback control model. According to SPC 目前乾膜光阻生產製程中，其中塗佈
monitoring and construction of the 之光阻膠液量是否均勻為影響該產品品質
disturbance model, then applied EPC 之重要因素，圖 1 為成品之構造圖[14]。
feedback adjustment for coating operation. 在開始塗佈作業前，須進行試作階段，並
Finally, sensitivity analysis and DOE are 利用接觸式之膜厚儀量測塗佈厚度，若合
conducted to find the best parameter settings 格才開始正式大量塗佈生產，圖 2 為生產
of the optimal ANN-SPC-EPC model that 正視圖。在生產過程經常因環境與人為因
can provide predictable, monitoring and 素使得膠液量塗佈不均勻，且並無任何的
feedback control for coating operation. 檢驗工作；同時乾膜光阻為軟性材質，量
This research implements the proposed 測時會因表面接觸而產生凹陷造成量測誤
model of combining CG BP and 差。
MCEWMA-EPC techniques. Experimental
二、研究目的
results show that the adjustment times of the
proposed model can reduce over 50%, 本研究將提出一種兩階段式解決方
accurately forecast the process trends, and 案。首先透過電腦視覺系統之高解析度相
have less almost 20% of the process 機擷取乾膜光阻之薄膜影像，並應用電腦
variance when comparing with the 視覺技術之處理與量測薄膜邊緣，以快速
traditional EWMA-EPC method. Obviously, 計算上、下邊界之厚度界線，使判斷塗佈
the CG-MCEWMA-EPC model provides 厚度時的誤差達到最小。接著將量測所得
forecasting process trend function and 之數據，應用類神經網路（Artificial Neural
process improvement scheme. Network；ANN）之變形倒傳遞網路，建
構具高學習力與快速收斂之預測模式，能
Keywords: Dry film photoresist, Coating 夠及早了解「製程趨勢」，之後再運用統
operation, Computer vision
計 製 程 管 制 技 術 （ Statistical Process
system, Film measurement,
Integrated CG-MCEWMA-EPC Control；SPC）監控製程干擾，適時搭配
process control system 工程製程管制技術（Engineering Process
Control；EPC），對於受到一定程度干擾

2
與影響之製程進行「有限度回饋」調整， Montgomery 等人認為 SPC 和 EPC 都有降
即時補償塗佈時之偏差，能夠將塗佈偏差 低製程變異的效果。
做適度的調整。最後透過敏感度分析與實 3. 應用類神經網路於製程管制
驗設計（Design of Experiments；DOE）， Werbos [11]首先提出多層之倒傳遞
找出最佳化模式參數，建立適合本研究塗 網路（Back Propagation Network；BPN）
佈作業之 ANN-SPC-EPC 管制模式。 應用最廣，並應用於經濟預測方面，之後
Rumblhart [8]等人將 BPN 模式架構發展更
三、文獻探討
加完整。然而傳統倒傳遞（Steepest Descent
1. 電腦視覺輔助檢測系統 Back Propagation；SD BP）應用於實際問
李 俊 輝 [12] 提 出 利 用 利 用 線 掃 描 式 題中，在網路訓練上需要較長的訓練時
CCD 攝影組搭配影像擷取卡擷取影像資 間，首先 Vogl [10]等人以啟發式技術利用
料，並透過電腦視覺技術偵測胚布瑕疵， 批次處理、動量與可變式學習率等方式，
並結合胚布張力控制模組控制張力以便擷 在網路訓練時加速 BPN 之收斂速度。
取影像，之後再使用自行開發之瑕疵檢測 Shanno [9]提出共軛梯演算法與擬牛頓最
軟體進行胚布瑕疵之動態檢測，建立智慧 佳化演算法，應用於 BP 網路訓練中，同
型線上動態胚布瑕疵檢測系統。徐偉晉[15] 樣 地 收 斂 速 度 也 遠 比 SD BP 更 快 。
提出應用電腦輔助技術反映電容片印刷狀 Charalambous [1]也驗證共軛梯演算法運
況的切割方式，後續使用適當的回饋管制 用於多層 BPN 網路為最快速的方法，但須
模式監控切割情況，改善切割誤差的問題。 要較多的網路記憶空間。Hagan [3]則提出
2. 整合 SPC-EPC 之相關性製程管制技術 利用具數值最佳化技術的 BPN，比啟發式
Montgomery [5]等人指出假使資料間 技術的 BPN 收斂速度更快。
具有相關性，如果仍利用統計性質的管制
圖監控製程，容易產生錯誤的訊息，因此 四、研究方法
必須根據資料趨勢建構出合適的時間模 本研究之量測與製程管制模式建立之
式，由於模式擬合過程繁雜不易，則改利 流程如圖 3 所示。首先運用電腦視覺系統
用 EWMA 或 CUSUM 管制圖技術進行預 擷取乾膜光阻之膜厚影像，並進行邊緣影
測模式之建構，同時可簡化預測模式建構 像處理與量測，將量測完成之數據，建構
的複雜度。之後[4]則提出以 EWMA 為基 塗佈作業之 ANN-SPC-EPC 管制模式。最
礎延伸出 MCEWMA 管制圖，以動態的方 後透過敏感度分析與實驗設計，建立合適
式監控製程，有效將製程狀態呈現於管制 本研究之管制模式，各階段程序如下述：
圖上，並能夠更快速偵測出異常。 (1). 應用電腦視覺技術
Macgregor [2]指出具有高度相關性之 首先了解乾膜光阻之佈塗生產過程，
製程，首先去除資料的相關性，接著將 EPC 利用電腦視覺系統與影像處理技術模擬佈
結合 SPC 監控製程，達到相互輔助的監控 塗生產，從中擷取薄膜邊緣影像並進行影
效果。Montgomery [6]等人根據 Macgregor 像處理，處理技術包含：去除雜訊、切割
[2]回饋的控制觀念，利用數據模擬探討不 邊緣、搜尋邊緣與增強邊緣，接著量測薄
同 SPC 結合 EPC 管制模式，以偵測製程 膜影像，另外使用精密量測儀器輔助驗證
中線性與階梯式干擾的效果，透過實驗設 電腦視覺量測之數據。
計法並以 MSE 與 ARL 為績效指標，結果 (2). 應用管制技術與理論分析
顯示整合 SPC-EPC 管制模式比 EPC 管制 探討具連續性製程之塗佈作業的相關
模式更能夠提升製程管制的能力，因此

3
管制技術，應用以 SD BP 為基礎發展變形
倒傳遞之預測網路，預先了解乾膜光阻之
塗佈作業趨勢，之後利用 SPC 建構干擾之
預測與監控模式，並結合 EPC 之積分回饋
控制法，有效整合 SPC-EPC 之有限度回饋
管制模式，將建構 ANN-SPC-EPC 具預
測、監控與回饋之電腦輔助製程管制系統。
(3). 實例驗證與效益評估
本研究在第三階段中，將電腦視覺所
得之量測數據，模擬塗佈作業製程值，建
構 ANN-SPC-EPC 模式，並與實際製程利
用 SPC-EPC 管制模式比較，以調整期數之
統計型Ⅰ與型Ⅱ誤差為重要指標，探討結
合 ANN 預測模式之效益，最後透過敏感
度分析與實驗設計法，建立合適本研究之
塗佈作業管制模式。
本研究針對乾膜光阻之管制模式研究
流程，其詳細過程說明如下：
1. 硬體架構與擷取乾膜光阻之影像
在實驗方式方面，乾膜光阻本身屬於
軟性且透明之膠膜材質，且成品是以一捆
為單位（長：2400 m，寬：0.94 m）面積
相當的大，由於目前生產變異性大，因此
從同一期間擷取 10 個樣本進行拍攝（長：
7 cm，寬：1 cm），使實驗樣本之間具有
相關性。之後將樣本利用夾、治器具固定
於 XYZ 電控平台，同時將白色 LED 背光
板放置薄膜下面，呈現清晰之薄膜側邊輪
廓影像。而每個樣本在平台上，每移動約
0.3 mm 利用 CCD 相機組拍攝一張乾膜光
阻之側邊影像，每個樣本拍攝 19 次總共拍
攝 190 次。最後經影像擷取卡將訊號轉換
置電腦中，以利後續薄膜影像處理與量測
及管制模式的發展。圖 4 為拍攝乾膜光阻
之實驗環境，圖 5 為拍攝乾膜光阻之示意
圖，圖 6 為乾膜光阻之實驗設備關係圖。
2. 乾膜光阻之影像處理與薄膜量測
(1). 乾膜光阻之影像處理
首先將原始影像轉換為灰階影像，接
著利用中位數過濾器去除影像中的雜訊，
4
使影像較為平滑產生連續之邊緣。接著利
用疊代式門檻值搜尋薄膜邊緣位置並進行
切割，再透過 Robert 運算元偵測薄膜邊
緣，最後運用平準化將已偵測到邊緣進行
增強，突顯邊緣影像，以利於後續順利量
測出薄膜之厚度。圖 7 為薄膜影像處理之
結果。圖 8 為本研究利用 BCB 程式語言撰
寫實作薄膜影像處理之使用介面。
(2). 乾膜光阻之薄膜量測
本研究擷取 10 個乾膜光阻之實驗樣
本，總共拍攝 190 張薄膜側邊影像，將處
理完成之薄膜影像，量測薄膜側邊影像之
厚度，因此在每張影像量測 30 次取平均，
模擬時間 t 塗佈作業之厚度，做為後續預
測模式與管制模式之用，如圖 9 所示。由
於電腦視電量測是像素（Pixels）厚度，因
此利用高精密度刻度之玻璃光學尺進行與
實際厚度換算。
本研究為了驗證本研究利用電腦視覺
系統量測實驗樣本具有量測之可靠性，因
此將 10 個乾膜光阻之實驗樣本，再透過高
精密之「測長儀（Litematic）」（量測精
度：0.5 µm；量測解析度：0.01 µm）均勻
量測薄膜之「表面」，後續並與利用電腦
視覺量測之薄膜「側邊」厚度進行一致性
之統計檢定，目的在於驗證使用電腦視覺
量測之薄膜側邊厚度，能夠反應實驗樣本
的實際厚度。
3. 應用神經網路建立製程之預測模式
本研究利用 MATLAB 設計出兩層之
D-S-1 的網路型態，其中隠藏層轉換函數
為非線性對數 S 形函數 Log-sigmoid，輸出
層則為線性函數 Pure-linear。本網路設計
可 以 針 對 不 同 的 延 遲 期 數 （ Xt 、 Xt-1 、
Xt-2、…、Xt-D）進行 X̂ t 單一時間點的預測，
且隠藏層中神經元（Neural）數依需求自
行調整。在本究中僅有 190 筆資料，對於
延遲 D 期進行預測效果不佳，因此將利用
1-3-1 的 BP 網路型態建構非線性之製程預
測網路，訓練資料為 166 筆，剩下 24 筆做
為網路訓練完成之測試資料約佔總資料 常使用，可透過即時的分析了解製程現
13%，為了要評估兩個網路之效益，設定 況，但往往僅能以前幾期製程預測未來單
相同初始學習率（Alpha）及各神經元間之 一時間之製程，對於了解未來製程趨勢有
權重（Weight）與偏離值（Bias）等，同 限。因此本研究將運用高學習力 CG BP 預
時進行 MO-VL BP 與 CG BP 網路的訓 測模式，更早預先了解整個製程的情況，
練，網路架構如圖 10。 之後結合 MCEWMA-EPC 管制模式，期望
在相同參數條件下，MO-VL BP 預測 改善預測單一時間製程的缺點。圖 11 為運
模式需花更多的時間進行訓練，同時網路 用 ANN-SPC-EPC 之程序圖。
並未收斂完成，不論網路訓練或模擬所得 分析結果顯示，CG-MCEWMA-EPC
之 MSE 都比 CG BP 要大。因此本研究將 具有精準預測與調整製程的能力，可根據
選擇 CG BP 模式對於製程進行預測，將預 已知的原始製程進行模擬與調整，進而預
測結果結合後續管制模式。 測未來製程的情況，具有了解「製程趨勢」
4. 建立有限度回饋製程管制模式 的優點，比 MCEWMA-EPC 利用前幾期製
本研究將電腦視覺所量測之薄膜厚 程預測未來單一時間點之製程，更能夠了
度，模擬時間 t 佈塗製程後薄膜厚度之檢 解製程現況。最後，利用實驗設計探討參
驗，利用 SPC 建構製程干擾預測模式與干 數改變對於管制模式的影響，找出最佳化
擾量之監控，當干擾量超出管制界線，才 之塗佈作業管制模式。
利用 EPC 管制技術進行調整，使在時間
五、結果與討論
t+1 時 製 程 輸 出 值 接 近 於 目 標 值 。
本計畫針對乾膜光阻之塗佈時的光阻
Montgomery [7]建議 λ 在 0.05 ≤ λ ≤ 0.25 與 L
膠液量進行監控，透過電腦視覺系統模擬
在 2.6 ≤ L ≤ 2.8 的範圍可得到最佳 ARL；鄭
佈塗製程，擷取與處理薄膜影像進而量
春生[16]則表示 λ ≤ 0.1 與 L=0.75 有效監控
測 ， 之 後 利 用 本 研 究 提 出 的
微量偏移之製程；而 g 則是每調整一單位
CG-MCEWMA-EPC 具預測之監控與回饋
的操控變數對於製程輸出的影響。因此本
管制模式，對於製程偏移在 1σ~1.5σ 的塗
研究將設 λ=0.15、L=1 與 g=1.25 建構
佈作業，進行精準預測與監控，並利用單
EWMA-EPC 與 MCEWMA-EPC 管制模式
一操控變數適時修正受干擾之製程，由圖
及模式評估。
12 可明顯看出調整後之製程（□）比未調
本研究應用 EWMA 與 MCEWMA 建
整（△）更接近於製程中心（製程目標值） ，
立干擾預測模式，簡化利用傳統時間序列
使製程輸出值接近於製程目標值，更能達
模式建構的複雜度，之後搭配 EPC 之積分
到 降 低 製 程 變 異 的 目 的 ， 並 將
控制，建構 SPC-EPC 有限度回饋調整機
CG-MCEWMA-EPC 各指標彚整於表 1。
制。其中 MCEWMA-EPC 回饋模式可利用
同時此管制模式具有觀察「製程趨勢」的
較少的調整次數，減少更多的變異，使調
優點，能即早提出製程改善策略。
整後的製程符合製程目標，後續將利用
MCEWMA-EPC 與 CG BP 結合，建構 六、計畫成果自評
ANN-SPC-EPC 具預測之監控與回饋管制 本計晝之成果自評依所發展系統可分
模式。 成下列幾點說明：
5. 建構具預測之監控與回饋管制模式 1. 檢驗乾膜光阻之均勻度
目前在連續之相關性製程中，使用整 本研究利用電腦視覺系統與電腦視覺
合 SPC-EPC 模式有限度回饋於製程是最 技術模擬佈塗製程檢驗薄膜厚度的方式，

5
並且改進利用膜厚儀接觸式的量測檢驗方
式，能夠降低量測時因接觸所產生的變異。
2. 建構具預測之監控與回饋管制模式
本研究運用高學習力之 CG BP 預測
模式，將現有歷史製程資料，經由網路不
斷地訓練可預測出製程趨勢，預先了解整
個 製 程 的 情 況 ， 並 適 時 搭 配
MCEWMA-EPC 製程回饋機制，將可更早
提出改善策略，使製程不因干擾因子影響
導致異常，改善僅能利用前幾期製程，預
測未來單一時間點之製程的缺點，期望對
於要求快速生產與高報廢成本之具連續且
相關性製程有所幫助。
3. 建構預測製程趨勢模式
本研究以倒傳遞為基礎，提出啟發式
之具動量與變動學習率網路（MO-VL BP）
與數值最佳化之共軛梯度法網路（CG BP）
兩種網路。根據網路收斂速度與學習力，
本研究選擇 CG BP 對於製程進行預測與
模擬，能夠更快速找到最適合的權重與偏
差值，大幅減少訓練時間，建構具高學習
力與快速收斂之預測網路。
4. 建構製程干擾模式與製程調整
本研究利用 MCEWMA-EPC 回饋管
制模式能夠以較少的調整次數降低更多製
程變異，比利用一般 EWMA-EPC 要好，
且更能提早預測受異常干擾影響之製程，
達到有限度回饋的目的。除此之外，簡化
傳統時間序列建構干擾模式的複雜度。
本計畫之成果不但具有學術研究價值
且亦具有實際應用於工業產品檢測之潛
力，而所發展出的乾膜光阻之塗佈作業管
制模式，並已匯集部分內容與初步成果發
表於：中國工業工程學會九十三年度年會
暨學術研討會[13]。
目前幾乎所有的高科技產品上都有不
同密度的印刷電路板，因為印刷電路板線
路的不良，可能導致產品之功能無法發
揮，對於高科技產業有深遠的影響。因此
本研究之成果，盼能進一步解決具類似精
6
密塗佈製程要求之產業，亦能提供現場操
作人員與品質管制人員對於作業改善和建
構品質管制系統的指引與參考。
參考文獻
[1] Alwan, L. C. and H. V. Roberts,
“Time Series Modeling for Statistical
Process Control,” Journal of
Business and Economic Statistics,
Vol. 6, pp. 87-95, (1988).
[2] Charalambous, C., “Conjugate
Gradient Algorithm for Efficient
Training of Artificial Neural
Networks,” IEE Proceedings, Vol.
139, No. 3, pp. 301-310, (1991).
[3] Macgregor, J. F., “A Different View
of the Funnel Experiment,” Journal
of Quality Technology, Vol. 22, No. 4,
pp. 255-259, (1990).
[4] Martin T. Hagan, Howard B. Demuth,
Mark H. Beale., Neural Network
Designing, Boston, (1996).
[5] Mastrangelo, C. M. and Montgomery,
D. C, “SPC with Correlated
Observations for the Chemical and
Process Industries,” Quality and
Reliability Engineering International,
Vol. 11, pp. 79-89, (1995).
[6] Montgomery, D. C., and C. M.
Mastrangelo, “Some Statistical
Process Control Methods for
Autocorrelated Data,” Journal of
Quality Technology, Vol. 23, pp.
179-193, (1991).
[7] Montgomery, D. C., J. B. Keats, G. C.
Runger and W. S. Messina,
“Integrating Statistical Process
Control and Engineering Process
Control”, Journal of Quality
Technology, Vol. 26, pp. 79-87,
(1994).
[8] Montgomery, D. C., Introduction to
Statistical Quality Control, 5th ed.,
 John Wiley & Sons, New York Ph. D. Thesis, Harvard University,
(2005). Cambridge MA., (1974).
[9] Rumelhart, D. E., Hinton, G. E., and [ 13 ] 李俊輝，
『智慧型線上動態胚布瑕疵
Williams, R. J., “Learning Internal 檢測系統之研製』
，台灣科技大學纖
Representation by Error 維及高分子工程研究所碩士論文，
Propagation,” Parallel Distributed 郭中豐教授指導，(2001)。
Processing, Cambridge MA., Vol.1,
[ 14 ] 林宏達、周奕圻和林育蔚，“建立
pp. 318-362, (1986).
乾膜光阻製程中微米膜厚量測與塗
[ 10 ] Shanno, D. F., “Recent Advances in 佈作業之製程管制模式”，中國工
Numerical Techniques for 業工程學會九十三年度年會暨學術
Larges-Cale Optimization,” Neural 研討會論文集，台南，成功大學，
Networks for Control, Cambridge (2004)。
MA, (1990).
[ 15 ] 長興化學工業股份有限公司，
[ 11 ] Vogl, T. P., Mangis, J. K., Zigler, A. http://www.eternal.com.tw。
K., Zink , W. T. and Alkon, D. L.,
“Acceleration the Convergence of [ 16 ] 徐 偉 晉 ，『 利 用 RBF 網 路 與
the Back-propagation Method,” SPC-EPC 系統建構相關性製程回
Biological Cybernetics, Vol. 59, pp. 饋與管制模式－以積層陶瓷電容晶
256-264, (1988). 片切割作業為例』 ，朝陽科技大學工
業工程研究所碩士論文，林宏逹教
[ 12 ] Werbos, P. J., “Beyond Regression:
New Tools for Prediction and 授指導，(2001)。
Analysis in the Behavioral Science,” [ 17 ] 鄭春生，品質管理，三民書局，台
北，(1995)。

Cover layer (PE film)

Phototresist layer (光阻層)

Support layer (PET film)

圖1 乾膜光阻之構造圖

光阻膠液

PET

Roller

圖2 生產過程中基底塗上光阻膠液後之正視圖

7
 擷取薄膜 利用MO-VL BP與 運用EPC之積分控制作
厚度影像 CG BP模擬塗佈製程 為調整製程之回饋機制

增強薄膜厚度影像 以EWMA與MCEWMA
調整時間點t異常
管制技術建立製程之
干擾量之製程值
干擾量預測模式
切割薄膜厚度影像
評估模式
監控製程受干擾的程度
之效益
量測薄膜厚度

應用電腦視覺技術 建 構 A N N- S P C - E P C 具 預 測
進行薄膜量測 功能之監控與回饋管制模式

圖3 本研究之量測與製程管制模式建立之流程圖

圖4 本研究之拍攝乾膜光阻實驗環境

第1張 第2張 第3張 …………第19張

0.3 mm 0.3 mm …………

移動距離 移動距離 薄膜厚度

1 cm
7 cm
圖5 本研究之拍攝乾膜光阻之示意圖

8
XYZ平台控制器 影像擷取卡
個人電腦

待測物
(乾膜光阻)

CCD與鏡頭
XYZ電控平台
夾、治具
圖6 本研究之乾膜光阻系統硬體架構關聯圖

(a) Original image (b) Segmented image

(c) Detected image (d) Equalized image

圖7 本研究之亁膜光阻前、中、後之處理影像

圖8 本研究實作薄膜影像處理之使用介面

9
 圖9 本研究量測薄膜之影像

Input Layer Hidden Layer Output Layer

w1(1,1) n11 a11

∑
w 2 (1,1)
1
b 1

w1 ( 2 ,1) n1 2 a12 w 2 ( 2 ,1) n2 a2

Xt ∑ ∑ X̂ t

b1 2 b2
2
n13 a 13 w ( 3 ,1)

w 1
( 3,1) ∑
b1 3

Xt a1=logsig(w1p+b1) a2=purelin(w2 a1+b2) X̂ t

圖 10 本研究變形 BP 預測網路之設計示意圖

應用ANN網路 應用SPC管制模式 應用EPC回饋模式

預測整體製程趨勢 監控製程干擾因子 調整製程

CG BP MCEWMA Integral control

圖 11 本研究建構 ANN-SPC-EPC 模式之程序圖

10
 Data Adjusted Target

69.5
68.5
67.5
Process

66.5
65.5
64.5
63.5
62.5
1 21 41 61 81 101 121 141 161 181
Time

圖 12 CG-MCEWMA-EPC 之有限度調整的製程輸出值

表1 CG-MCEWMA-EPC 模式之各指標比較彚整表

MCEWMA-EPC CG-MCEWMA-EPC (Predict process adjusted)

Model
(Original process
Item
adjusted) 1-3-1 1-5-1 1-7-1 1-9-1
Process 65.662 65.587 65.580 65.569 65.626
mean (0.015 %) (-0.099%) (-0.110%) (-0.126%) (-0.039%)
Process std. 0.813 0.837 0.893 0.819 0.836
dev. (-13.889 %) (-13.409%) (-10.338%) (-17.745%) (-14.970%)
0.706 0.714 0.772 0.682 0.708
MSESPC-EPC
(-17.096 %) (-16.456%) (-12.629%) (-22.608%) (-18.340%)
Times of
7 8 9 7 8
adjustments
Training α － 0 1 (0.6 %) 1 (0.6 %) 0
Training β － 0 0 2 (1.20 %) 0
Predicted α － 1 (4 %) 1 (4 %) 1 (4 %) 1 (4 %)
Predicted β － 0 0 0 0
Tot. Error － 1 (0.53 %) 2 (1.05 %) 4 (2.11 %) 1 (0.53 %)
◎附註
1. Training α 與 Predicted α 為原始前 166 期與預測後 24 期製程在 MCEWMA-EPC
未調整，而在 CG-MCEWMA-EPC 調整之誤判，即發生型Ⅰ誤差的機率。
2. Training β 與 Predicted β 為原始前 166 期與預測後 24 期製程在 MCEWMA-EPC
應調整，但在 CG-MCEWMA-EPC 未調整之誤判，即發生型Ⅱ誤差的機率。
3. 2~4 列括弧內的百分比代表原始製程經各模式調整後之效益。
4. 6~10 列括弧內的百分比為誤判率。

11