微电子产品视觉检测中关键技术研究

论文摘要

微电子产业无疑是信息产业的核心和基础,是推动国民经济信息化的重要保证。随着微电子产品(集成电路芯片、印刷电路板等)向着高密度、细间距和低缺陷方向发展,对其检测技术在精密、高效、通用和智能化等方面提出了更高要求。由此,本文对微电子产品视觉检测中的关键技术进行研究,弥补了传统检测在精确快速定位、图像全景组合和精细缺陷检测等方面的不足,最终完成基于机器视觉的微电子产品外形尺寸和缺陷检测的理论研究和样机研制,并进行了大量实验证明其正确性和可行性,力图为我国自主创新的微电子产品视觉检测技术提供理论和实际借鉴。主要研究工作如下:(1)根据自动视觉检测原理和现代检测要求,设计了适用于微电子产品的新的视觉检测系统(PVMS)。针对微电子产品视觉检测的精密、高效、检测精度和测量范围变换大的特点,设计了伺服驱动、精密光栅采集组成闭环控制系统以保证运动精密、平稳、高效,和大的尺寸测量范围;设计了由CCD摄像机、大范围自动变倍镜头和自适应光源组成的图像采集系统,集不同精度等级的检测于一体;设计了电气控制和软件系统使检测方便快捷。最后研制了集光、机、电等高新技术于一体的样机。(2)针对遗传算法的初始参数对算法结果影响较大和易陷入局部最优的问题,在阐述基本数学理论模式定理的基础上,对自适应遗传算法进行了深入的研究,提出了一种优势遗传的新观点,由此设计了基于优势遗传的自适应遗传算法,通过实验表明,该算法能够达到理想全局最优解,有很强的全局搜索能力,在准确性、稳定性和重复性方面优于当前自适应遗传算法。并把它应用于微电子产品视觉检测的快速匹配定位和配准中,提高了图像匹配的速度和准确度。(3)针对圆形定位标志定位运算复杂、效率低的不足,结合点Hough变换的快速性和亚像素细分的精确性,提出基于点Hough变换的圆亚像素检测算法,有效提高了圆标志定位的准确性、快速性和鲁棒性。(4)针对高放大倍数显微镜头景深小、视场小的缺憾,对图像全景组合技术进行了研究。针对传统的基于软件的图像拼接算法复杂、速度慢的不足,和微电子产品视觉检测中大量序列图像快速精确拼接的要求,充分考虑本文研制设备的精密闭环运动系统,提出基于基准位置的快速精确图像拼接算法,拼接速度大大提高,精度达到亚像素级。

论文目录

• 摘要
• Abstract
• 第1章 绪 论
• 1.1 课题研究的目的和意义
• 1.2 机器视觉技术综述
• 1.3 微电子产品检测技术综述
• 1.3.1 PCB 检测技术综述
• 1.3.2 IC 芯片检测技术概述
• 1.4 微电子产品自动视觉检测技术综述
• 1.4.1 自动视觉检测的基本原理
• 1.4.2 电路板视觉检测常见缺陷及检测算法
• 1.4.3 自动视觉检测技术国内外现状及分析
• 1.5 课题来源及主要研究内容
• 1.5.1 课题来源
• 1.5.2 论文主要研究内容
• 第2章 自动视觉检测系统的总体设计
• 2.1 引言
• 2.2 自动视觉检测系统原理与组成
• 2.2.1 精密机械系统
• 2.2.2 CCD 图像采集系统
• 2.2.3 电气控制系统
• 2.3 自动视觉检测方案
• 2.3.1 自动视觉检测系统的检测流程
• 2.3.2 软件系统
• 2.4 系统样机测试实验
• 2.5 本章小结
• 第3章 基于优势遗传的自适应遗传算法研究
• 3.1 引言
• 3.2 遗传算法基本原理
• 3.3 模式定理
• 3.3.1 模式
• 3.3.2 模式阶和定义距
• 3.3.3 模式定理
• 3.4 优势遗传自适应算法研究与设计
• 3.4.1 自适应遗传算法的研究
• 3.4.2 优势遗传自适应算法
• 3.5 实验结果与分析
• 3.6 本章小结
• 第4章 定位标志精确定位技术研究
• 4.1 引言
• 4.2 基于点Hough 变换的圆亚像素定位算法
• 4.2.1 点Hough 变换的基本原理
• 4.2.2 滤除边缘点中噪声点
• 4.2.3 亚像素细分
• 4.2.4 亚像素边缘点拟合
• 4.2.5 实验结果与分析
• 4.3 基于优势遗传的快速匹配定位算法
• 4.3.1 图像重采样
• 4.3.2 灰度投影法匹配规则
• 4.3.3 优势遗传的快速匹配
• 4.3.4 十字线中心的精确定位
• 4.3.5 实验结果及分析
• 4.4 本章小结
• 第5章 图像拼接技术研究
• 5.1 引言
• 5.2 图像拼接的基本原理和分类
• 5.3 基于基准位置的图像拼接
• 5.4 实验结果与分析
• 5.5 本章小结
• 第6章 缺陷的检出与识别技术研究
• 6.1 引言
• 6.2 缺陷区域的检出
• 6.2.1 图像滤波
• 6.2.2 图像配准
• 6.2.3 图像差分
• 6.2.4 缺陷区域的检出
• 6.3 基于PCA 的缺陷图像特征提取
• 6.3.1 PCA 的基本原理
• 6.3.2 缺陷图像的归一化
• 6.3.3 PCA 缺陷图像特征提取
• 6.4 基于支持向量机的缺陷分类
• 6.4.1 SVM 的基本原理
• 6.4.2 构建SVM 多类分类器
• 6.5 实验与结果分析
• 6.5.1 不同方法实验结果
• 6.5.2 实验结果与分析
• 6.6 本章小结
• 结论
• 参考文献
• 附录
• 攻读博士学位期间发表的学术论文
• 哈尔滨工业大学博士学位论文原创性声明
• 哈尔滨工业大学硕士学位论文使用授权书
• 哈尔滨工业大学硕士学位涉密论文管理
• 致谢
• 个人简历