随着现代电子产业的快速发展和广泛使用,芯片的需求量不断上升。芯片在生产过程中易出现划痕、孔洞等表面缺陷,会直接影响其工作性能。为了严格控制芯片的不良率,缺陷检测技术尤为关键,传统的检测手段不仅检测效率低,而且还会受人为因素的影响,难以满足现代工业的实际生产需求。而机器视觉技术具有识别精度高、效率高、非接触性等优势,将该技术应用于芯片表面缺陷检测可有效解决传统检测方法所存在的问题。因此,本文对基于机器视觉的表贴元件缺陷检测与分类技术展开研究,具有重要的理论意义与应用价值。首先,根据被检芯片的表面缺陷特性对视觉检测系统进行总体设计,分别研究了各个硬件部分的选型依据,分析了软件图像处理算法的工作流程。其次,先对图像进行预处理操作;再对图像进行缺陷分割与提取处理,分别采用迭代法、最大类间方差法、二维最大熵法对图像进行阈值分割,实验结果表明,相对前两种分割方法二维最大熵法能有效分割出目标缺陷区域。但由于该方法存在计算量大,耗时长的问题,本文提出改进遗传算法对其进行快速寻优,实验结果表明,该方法能加快算法的收敛速度,有效缩短计算时间,并获得优于二维最大熵的分割阈值。但分割后的图像还存在一些噪点,利用形态学和连通域面积法对噪声进行去除,提取出缺陷部分;在此基础上,对缺陷样本从几何和纹理特征两方面进行特征提取并采用PCA对原特征进行降维处理,并利用改进遗传算法对支持向量机中的参数进行寻优,然后将降维后的特征向量作为支持向量机分类器的输入对样本进行训练。最后,通过多次缺陷分类测试实验,平均识别准确率可达93.88%。结果表明,本文的检测方法能够有效将芯片表面缺陷进行分类处理,具有一定的应用价值。