论文部分内容阅读
陶瓷扁平封装芯片(CQFP)批量生产过程中,在封装表面会产生划伤、引线污染、引线弯曲、虚焊和金属缺失等各种不同类型的缺陷。通过机器视觉与智能分类算法代替人工目视进行缺陷检测,可提高检测效率。为解决陶瓷扁平封装芯片表面细微缺陷的图像提取问题,同时实现对表面缺陷的准确识别与分类,研究一种表面缺陷智能检测方法。主要内容如下:(1)阐明对于陶瓷扁平封装芯片表面缺陷检测的研究背景及意义,综述国内外机器视觉发展和表面缺陷检测的研究现状,对陶瓷扁平封装芯片表面缺陷特点与视觉检测难点作出分析,将芯片表面缺陷的检测过程进行模块化分类并说明各个模块的功能与目的。(2)检测方案设计与图像预处理。分析陶瓷扁平封装芯片表面缺陷特点,建立完整的芯片表面缺陷检测流程。通过分块采集芯片图像的方法来解决图像检测分辨率要求与相机视野大小之间的矛盾关系。将待检图像的处理过程分为疑似缺陷提取模块与缺陷分类模块。设计制作芯片全幅面标准模板与待检芯片比对的方法分离出疑似缺陷并将较为容易判别的缺陷作为一级缺陷提取出来,剩下的疑似缺陷进行二级缺陷的识别与分类。(3)疑似缺陷提取。首先设计以拼接的方式来制作陶瓷扁平封装芯片全幅面标准模板,图像拼接算法包括角点提取、图像配准与融合。然后进行疑似缺陷提取过程,从待检芯片图中提取感兴趣区域(ROI)作为匹配模板,在全幅面标准模板中搜索出对应的子模板,通过图像变换模型将匹配模板图像与子模板图像之间的像素坐标进行配准,经过差分提取待检芯片中疑似缺陷区域。(4)疑似缺陷多级分类。通过支持向量机(SVM)进行疑似缺陷多级分类。设计一级缺陷分类器,确定特征参数与核函数,采用粒子群优化算法(PSO)实现分类器参数优化。设计决策树多分类法来创建二级缺陷分类器,采用灰狼优化算法(GWO)实现分类器参数优化。(5)进行实验验证并分析检测结果。搭建实验平台进行缺陷分类实验步骤,实验结果显示在以高斯核函数制作SVM分类器时分类效果最优,分类器检测准确率表明了陶瓷扁平封装芯片表面缺陷智能检测方法的可行性与有效性,具有实用价值与推广意义。