引線鍵合視覺(jué)檢測(cè)關(guān)鍵技術(shù)研究.pdf

1、計(jì)算機(jī)視覺(jué)檢測(cè)技術(shù)是高速高精度引線鍵合機(jī)視覺(jué)系統(tǒng)的核心技術(shù)。在視覺(jué)系統(tǒng)的成像設(shè)備確定的情況下,檢測(cè)算法決定著視覺(jué)系統(tǒng)檢測(cè)速度和精度,并影響著微電子產(chǎn)品的成本與可靠性。近些年,隨著微電子產(chǎn)品尤其是微系統(tǒng)技術(shù)的發(fā)展,芯片和微機(jī)電產(chǎn)品的特征尺寸不斷減小、結(jié)構(gòu)日益復(fù)雜,對(duì)圖像視覺(jué)定位算法、缺陷檢測(cè)算法提出了更高、更苛刻的要求,已經(jīng)成為實(shí)現(xiàn)更高速度、更高精度的柔性自動(dòng)化引線鍵合的關(guān)鍵。本文對(duì)引線鍵合視覺(jué)檢測(cè)算法進(jìn)行了深入研究,研究?jī)?nèi)容主要包括面向

2、引線鍵合視覺(jué)系統(tǒng)的圖像預(yù)處理、特征提取、視覺(jué)定位及缺陷識(shí)別技術(shù)。
　　 圖像去噪算法的性能影響著后續(xù)的特征提取、檢測(cè)定位及缺陷檢測(cè)的精度,本文首先針對(duì)視覺(jué)檢測(cè)系統(tǒng)中常見(jiàn)的脈沖噪聲和高斯噪聲,分別實(shí)現(xiàn)了改進(jìn)的中值濾波算法和雙邊濾波算法。對(duì)于圖像中的混合噪聲,根據(jù)噪聲和信號(hào)在頻域和空域的不同特性,提出了小波元胞自動(dòng)機(jī)去噪算法。該算法選擇像素點(diǎn)的方向信息和邊緣有序性設(shè)定演化規(guī)則,利用元胞自動(dòng)機(jī)演化得到精確的噪聲信息從而完成混合噪聲的去

3、除。仿真結(jié)果表明該算法克服了現(xiàn)有去噪算法引起的邊緣模糊,此外峰值信噪比有所提高,在有效濾除混合噪聲的同時(shí)保持了邊緣和細(xì)節(jié),有助于后續(xù)工作的進(jìn)行。
　　 針對(duì)視覺(jué)檢測(cè)中的匹配定位問(wèn)題,提出了兩種特征提取算法,在此基礎(chǔ)上實(shí)現(xiàn)了兩種匹配定位算法。
　　 第一種是混合矩特征提取算法。針對(duì)單一特征描述能力的局限性,結(jié)合能提供圖像全局信息的Zernike正交矩和具有局部辨析能力及良好抗噪性的小波矩,提出了圖像的混合矩特征提取算法,并

4、通過(guò)仿真實(shí)驗(yàn)驗(yàn)證了特征的旋轉(zhuǎn)不變性和抗噪性。在此基礎(chǔ)上,針對(duì)IC芯片圖像,提取其混合矩特征,設(shè)計(jì)粗一精兩級(jí)搜索策略以提高定位速度,利用歸一化相關(guān)函數(shù)找到最佳匹配點(diǎn),從而實(shí)現(xiàn)了基于混合矩特征的匹配定位。算法全面考慮了圖像的全局和局部信息,仿真實(shí)驗(yàn)結(jié)果表明,本文提出的算法在精度和速度上與基于單一不變矩的方法和歸一化灰度相關(guān)算法相比具有明顯的優(yōu)勢(shì)。
　　 第二種是針對(duì)點(diǎn)特征和細(xì)節(jié)比較豐富的MEMS圖像,提出SIFT-MIC點(diǎn)特征提取方

5、法。該方法通過(guò)選擇具有MIC角點(diǎn)特性的SIFT點(diǎn)特征,實(shí)現(xiàn)了顯著特征點(diǎn)的提取,同時(shí)有效地降低了定位算法的計(jì)算復(fù)雜度。仿真實(shí)驗(yàn)驗(yàn)證了提出算子的平移、旋轉(zhuǎn)不變性和抗噪性。在此基礎(chǔ)上,采用RANSAC算法消除潛在的誤匹配對(duì),對(duì)保留的穩(wěn)健的特征匹配點(diǎn)運(yùn)用奇異值分解法求出待測(cè)圖像的旋轉(zhuǎn)和偏移參數(shù),從而實(shí)現(xiàn)了基于SIFT-MIC點(diǎn)特征的匹配定位。實(shí)驗(yàn)結(jié)果表明本文提出定位算法克服了SIFT算子顯著性不高等缺點(diǎn),具有較高的定位精度和檢測(cè)效率。
　

6、　 針對(duì)鍵合產(chǎn)品缺陷檢測(cè)中缺陷難以提取的問(wèn)題,利用Curvelet變換的多尺度、時(shí)頻局部特性和方向特性,分析Curvelet變換后各子帶矩不變量,提出了Curvelet矩特征提取方法,在此基礎(chǔ)上實(shí)現(xiàn)了Curvelet矩特征的缺陷分類算法。為了保證特征提取算法的通用性,采用MPEG-7形狀庫(kù)測(cè)試其不變性和分類性能,仿真結(jié)果驗(yàn)證了Curvelet矩特征的形狀描述有效性。選擇參考比較法實(shí)現(xiàn)缺陷區(qū)域提取和分類,設(shè)計(jì)缺陷分類預(yù)處理方案,并通過(guò)預(yù)

7、處理獲取缺陷區(qū)域,利用Curvelet矩描述缺陷區(qū)域形狀特征,最后利用適合小樣本的支持向量機(jī)分類器完成缺陷分類。實(shí)驗(yàn)結(jié)果表明本文提出的缺陷識(shí)別算法,有效解決了復(fù)雜缺陷難以識(shí)別的問(wèn)題,同傳統(tǒng)識(shí)別算法相比具有較高的識(shí)別率,對(duì)鍵合產(chǎn)品缺陷識(shí)別具有重要的應(yīng)用價(jià)值。
　　 研究構(gòu)建了引線鍵合圖像采集系統(tǒng),對(duì)其組成硬件進(jìn)行了分析和選擇。根據(jù)引線鍵合視覺(jué)系統(tǒng)工作原理,給出了視覺(jué)系統(tǒng)示教階段和鍵合階段的工作流程。結(jié)合圖像處理基本方法和本文提出的