Fiducial Markers Recognition on Basis of Neural Network Training Method in Wavelet Transformation Space

摘要

Application of existing hardware-software complexes for controlling of patterns' quality in the conditions of small and average production lots of microelectronics leads to unjustified quality cost increase. In case of lowering of requirements to the software of such complexes, noise on the pattern images inevitably occur, which leads to the decrease of authenticity of discernment of fiducial marks, which are located on the pattern images, and to the decrease of authenticity of control results. Therefore, with the purpose of increase of authenticity of discernment it is proposed to realize discernment of fiducial marks on the bases of nose-eliminating of neural network training in the space of hyperbolic wavelet transformation. Decrease of requirements of technical parameters of equipment used in hardware-software complexes, leads to appearance multiplicative and additive noises on images of templates and cause decreasing reliability of recognition results of fiducial markers. Therefore for increase of credibility of fiducial markers recognition to realize this procedure on a base of noise-immunity neural network training method is offered. The multilayer perceptron was selected as model.%Wykorzystanie istniejących rozwiązań sprzętowo-programowych do kontroli jakości wzorców w przypadkach małych i średnich linii produkcyjnych układów mikroelektronicznych prowadzi do nieuzasadnionych wzrostów kosztów produkcji. W przypadku obniżenia wymagań jakości oprogramowania, szum zawarty w obrazach wzorcowych nieuchronne prowadzi do słabszego wyróżniania zawartych w nich znaczników, co sprzyja pogorszeniu kontroli produkcji. W celu poprawienia pewności rozróżniania znaczników, zaproponowana została metoda eliminacji szumu wykorzystująca sieci neuronowe w przestrzeni hiperbolicznej transformaty falkowej. Obniżenie wymagań parametrów technicznych rozwiązań sprzętowo-programowych prowadzi do pojawiania się szumu multiplikatywnego i addy-tywnego w obrazach wzorcowych i przyczynia się do obniżenia pewności poprawnego rozpoznania markerów obrazowych. W celu poprawy wiarygodności ich wykrycia zaproponowano procedurę bazującą na uczeniu sieci neuronowej. W omawianym rozwiązaniu zastosowany został perceptron wielowarstwowy.