声明
摘要
第一章 绪论
1.1 选题背景及意义
1.2 集成电路芯片缺陷检测研究现状
1.3 机器视觉表面缺陷检测关键技术研究现状
1.3.1 图像分割
1.3.2 特征提取与降维
1.3.3 识别与分类
1.4 本文研究内容及组织结构
1.4.1 研究内容
1.4.2 组织结构
第二章 集成电路芯片表面缺陷图像多阈值分割
2.1 缺陷图像采集
2.2 缺陷图像分割算法分析及选择
2.3 基于萤火虫算法的二维熵多阈值缺陷图像分割
2.3.1 二维熵多阈值分割算法
2.3.2 萤火虫算法
2.3.3 基于萤火虫算法的二维熵多阈值分割法
2.3.4 实验结果与分析
2.4 基于反向萤火虫算法的大津多阈值缺陷图像分割
2.4.1 大津多阈值分割算法
2.4.2 反向萤火虫算法
2.4.3 基于反向萤火虫算法的大津多阈值分割法
2.4.4 实验结果与分析
2.5 基于改进的萤火虫算法的多阈值缺陷图像分割
2.5.1 基于Cauchy变异的多样性增强策略
2.5.2 邻域策略
2.5.3 改进的萤火虫算法
2.5.4 基于改进的萤火虫算法的大津多阈值分割法
2.5.5 实验结果与分析
2.6 本章小结
第三章 集成电路芯片表面缺陷提取
3.1 明场图像缺陷提取
3.1.1 明场图像分割后处理
3.1.2 明场图像数学形态学变换
3.1.3 改进的区域生长法
3.1.4 基于数学形态学变换和改进的区域生长的明场图像缺陷提取法
3.1.5 实验结果及分析
3.2 暗场图像缺陷提取
3.2.1 暗场图像分割后处理
3.2.2 芯片纹理方向检测
3.2.3 缺陷区域选择
3.2.4 基于纹理方向检测和缺陷区域选择的暗场图像缺陷提取法
3.2.5 实验结果与分析
3.3 缺陷种类及分析
3.4 本章小结
第四章 集成电路芯片表面缺陷特征提取与降维
4.1 缺陷特征提取方法选择
4.1.1 图像特征分类
4.1.2 集成电路芯片表面缺陷特征分析与选择
4.2 缺陷特征提取
4.2.1 缺陷几何特征提取
4.2.2 缺陷纹理特征提取
4.2.3 缺陷灰度特征提取
4.3 缺陷特征降维
4.3.1 基于主成分分析的缺陷特征抽取
4.3.2 基于KNN的序列浮动前向缺陷特征选择法
4.4 本章小结
第五章 集成电路芯片表面缺陷的分类识别
5.1 基于BP神经网络的缺陷分类识别
5.1.1 BP神经网络结构
5.1.2 BP神经网络的设计
5.1.3 基于BP神经网络的缺陷分类结果及分析
5.2 基于RBF神经网络的缺陷分类识别
5.2.1 RBF神经网络
5.2.2 基于RBF神经网络的缺陷分类结果及分析
5.3 基于改进的萤火虫算法的支持向量机的缺陷分类识别
5.3.1 支持向量机理论
5.3.2 基于改进的萤火虫算法的支持向量机
5.3.3 缺陷分类结果及分析
5.4 本章小结
第六章 总结与展望
6.1 研究内容总结
6.2 研究工作展望
致谢
参考文献
攻读博士期间取得的科研成果