本文提出的850nm紅外光輔助圖像識別方案非常適用於生產線的自動光學檢測(AOI)，提高透光瓶的識別率。所提出的系統使用 850nm紅外光照射透光瓶，並讓其透射的紅外光產生相機可以捕獲的不可見圖樣。該系統可以從不可見圖樣類別中識別透光瓶的有/無液體、無瓶和無光源的狀態。
我們在實驗中討論了基恩斯製造和我們所提出的系統，以識別上述三到四種狀態。第一個系統架構使用 850nm紅外光手電筒照亮透光瓶，並將其透射的紅外光投射到黑屏上。相機捕捉到了不可見光的圖樣。第二種系統架構使用相同的手電筒照射透光瓶，相機直接捕捉其透射的紅外光。同時，通過調整D1和D2之間的距離，系統可以獲得最佳檢測狀態，減少識別錯誤，識別率達到100%。
此外，在輔助紅外光下的兩個系統都不會受到瓶子表面水滴和霧的干擾。訓練所需的數據集可以顯著減少。

This thesis proposes the image recognition scheme assisted with an 850-nm infrared light to be very suitable for the automated optical inspection (AOI) of the production line and improve the recognition rate of light-permeable bottles. The proposed system uses 850-nm infrared light to illuminate a light-permeable bottle and let its transmitted infrared light produce the invisible image pattern that a camera can capture. The system can identify the states of the light-permeable bottle with/without liquid, no bottle, and no light source from the invisible image pattern classes.
We discussed the Keynes-made and our proposed systems in the experiments to recognize three to four states mentioned above. The first system architecture used an 850-nm infrared light torch to illuminate a light-permeable bottle and its transmitted infrared light projected on the black screen. A camera captured the invisible image patterns. The second system architecture used the same torch to illuminate a light-permeable bottle, and a camera directly captured its transmitted infrared light. Simultaneously, by adjusting the distance between D1 and D2, the systems can obtain the best detection state to reduce identification errors, leading to a recognition rate of 100%.
Additionally, both systems under assistive IR light do not suffer from interference with water droplets and fog on the bottle's surface. The required data sets to train can significantly decrease.

誌謝	I
中文摘要	II
英文摘要	III
目錄	IV
圖目錄	VII
表目錄	IX
第一章 緒論	1
1.1 前言	1
1.2 研究目的	2
第二章 商用產品探討	3
2.1 機器視覺檢測技術簡介	3
2.2 基恩斯公司IV2系列產品	3
2.3 台達集團DMV系列	4
第三章 軟體與硬體介紹	5
3.1 硬體介紹	5
3.1.1 樹莓派4 B型開發板	5
3.1.2 攝影機模組	6
3.1.3 紅外光光源	7
3.1.4 可透光瓶子	8
3.2 軟體介紹	9
3.2.1 Anaconda	9
3.2.2 OpenCV	10
3.2.3 Keras	10
3.2.4 卷積神經網路	11
第四章 系統架構設計與結果	12
4.1 系統架構簡介	12
4.2 實驗一	12
4.2.1 基恩斯基本設定	14
4.2.2 發現錯誤並除錯	16
4.2.3 測試結果	17
4.3 實驗二	18
4.3.1 訓練圖片	22
4.3.2 原圖與二值化測試結果	24
4.3.3 距離容忍度	26
4.3.4 外部光源之影響	28
4.4 實驗三	30
4.4.1 基恩斯基本設定	31
4.4.2 測試結果	33
4.4.3 距離容忍度	34
4.5 實驗四	35
4.5.1 訓練圖片	39
4.5.2 測試結果	40
4.5.3 距離容忍度	41
4.5.4 外部光源之影響	43
4.6 實驗五	44
4.6.1 基恩斯基本設定	45
4.6.2 測試結果	46
4.6.3 距離容忍度	47
第五章 結論與未來展望	49
5.1 結論	49
5.2 未來展望	51
參考文獻	52
 
圖目錄
圖 2.1機器視覺程序示意圖	3
圖 2.2影像識別齒輪	4
圖 2.3 DMV檢測系統	4
圖 3.1第四代樹莓派開發板	5
圖 3.2 E-books W10 Webcam	6
圖 3.3 UniqueFire T20 IR 850nm	7
圖 3.4可透光瓶子	8
圖 3.5 Anaconda頁面	9
圖 3.6卷積神經網路架構圖	11
圖 4.1實驗一架構	13
圖 4.2登錄基準照片	14
圖 4.3登錄OK/NG照片	15
圖 4.4玻璃瓶結果圖	15
圖 4.5塑膠瓶結果圖	15
圖 4.6塑膠瓶出現水珠	16
圖 4.7塑膠瓶出現異物	17
圖 4.8 調整後塑膠瓶辨識	17
圖 4.9實驗二架構	19
圖 4.10圖像訓練流程圖	20
圖 4.11系統操作流程圖	21
圖 4.12光源圖樣差異比較圖	22
圖 4.13圖片訓練損失/正確率曲線圖	23
圖 4.14原況圖片辨識	24
圖 4.15二值化圖片辨識	25
圖 4.16距離為35cm分析圖	26
圖 4.17總距離為40cm、D1的距離為3cm結果圖	27
圖 4.18總距離為40cm、D1的距離為20cm結果圖	27
圖 4.19光照度實驗圖	28
圖 4.20空瓶沒有水狀態對比圖	28
圖 4.21有水狀態對比圖	29
圖 4.22實驗三架構	30
圖 4.23登錄基準照片	32
圖 4.24檢測視窗設定	32
圖 4.25登錄OK/NG照片	32
圖 4.26追加學習	32
圖 4.27實驗三測試結果	33
圖 4.28 調整總長度後辨識結果圖	34
圖 4.29實驗四架構	36
圖 4.30光源直接照射鏡頭的圖樣	37
圖 4.31瓶子遠離鏡頭圖樣	38
圖 4.32瓶子位於中間圖樣	38
圖 4.33瓶子靠近鏡頭圖樣	38
圖 4.34圖片訓練損失/正確率曲線圖	39
圖 4.35辨識結果	40
圖 4.36距離為30cm分析圖	41
圖 4.37距離為35cm分析圖	42
圖 4.38距離為40cm分析圖	42
圖 4.39距離為25cm分析圖	42
圖 4.40空瓶沒有水狀態對比圖	43
圖 4.41有水狀態對比圖	43
圖 4.42實驗五架構	44
圖 4.43登錄基準照片	46
圖 4.44檢測視窗設定	46
圖 4.45登錄OK/NG照片	46
圖 4.46實驗五測試結果	47
圖 4.47距離為35cm分析圖	48
圖 4.48距離為40cm分析圖	48
表目錄
表 5.1 實驗設置比較	50
表 5.2 系統比較	50
表 5.3 系統架構比較	50

參考文獻
[1] S.-Y. Chou and A. Dewabharata (2016)。智慧工廠。科儀新知，208期。
[2] 力丞儀器科技有限公司，機器視覺/AOI介紹。Retrieved from http://
apisc.com/aoi-introduction.htm
[3] 台灣基恩斯股份有限公司，影像辨別感測器。Retrieved from https://
www.keyence.com.tw/products/vision/vision-sensor/iv/
[4] 台達電子工業股份有限公司，機器視覺系統。Retrieved from https://
www.deltaww.com/zh-TW/products/Machine-Vision-Systems/ALL/
[5] 中景科技股份有限公司，W10。Retrieved from http://www.ebooks-
cct.com.tw/product_show.php?id=72
[6] A. Kadiyala and A. Kumar. (2017). Applications of Python to Evaluate Environmental Data Science Problems. Environmental Progress & Sustainable Energy, 36(6), 1580-1586.
[7] Y. LeCun, et al. Gradient-based Learning Applied to Document Recognition. Proceedings of the IEEE 86.11 (1998): 2278-2324.
[8] H. Qin, R. Gong, X. Liu, X. Bai, J. Song, and N. Sebe. (2020) Binary Neural Networks: A Survey. Beihang University, Beijing.
[9] D. C. Khrisne and I. M. Suyadnya. (2018, October). Indonesian Herbs and Spices Recognition Using Smaller VGGNet-like Network. In 2018 International Conference on Smart Green Technology in Electrical and Information Systems (ICSGTEIS) (pp. 221-224).
[10] F. Chollet. (2016). Building Powerful Image Classification Models Using Very Little Data. Keras Blog.
[11] A. Rosebrock. (2018). Keras and Convolutional Neural Networks (CNNs).
[12] D. Van De Ville, M. Nachtegael, D. Van der Weken, E. E. Kerre, W. Philips, and I. Lemahieu. (2003). Noise Reduction by Fuzzy Image Filtering. IEEE Transactions on Fuzzy Systems, 11(4), 429-436. 
[13] TMC, 各種場所照度標準(包含CNS國家標準) Retrieved from http://www.tmc.com/ninshow.asp?RecordNo=37.
[14] NIKON, 什麼是“鏡頭光暈”以及如何避免它? Retrieved from https://www.nikonimgsupport.com/na/NSG_article?articleNo=000027566&lang=zh_TW