集成電路芯片表面缺陷視覺(jué)檢測(cè)關(guān)鍵技術(shù)研究.pdf

1、集成電路芯片已廣泛應(yīng)用于多個(gè)領(lǐng)域，但是制造過(guò)程中產(chǎn)生的缺陷會(huì)直接影響集成電路芯片的壽命和可靠性。傳統(tǒng)的人工檢測(cè)方法，存在耗時(shí)長(zhǎng)，勞動(dòng)強(qiáng)度大，誤檢率高等缺點(diǎn)，已無(wú)法適應(yīng)生產(chǎn)的需求。機(jī)器視覺(jué)檢測(cè)技術(shù)通過(guò)機(jī)器視覺(jué)的方法對(duì)產(chǎn)品進(jìn)行分析處理，檢驗(yàn)產(chǎn)品是否符合質(zhì)量要求，對(duì)保障產(chǎn)品質(zhì)量，提高產(chǎn)品合格率起到了關(guān)鍵作用。本文結(jié)合國(guó)家自然科學(xué)基金資助項(xiàng)目(50805023)和江蘇省科技成果轉(zhuǎn)化專(zhuān)項(xiàng)(BA2010093)，以集成電路芯片表面缺陷為研究對(duì)象，展

2、開(kāi)視覺(jué)檢測(cè)關(guān)鍵技術(shù)研究，所從事的主要研究工作如下:
　　(1)集成電路芯片表面缺陷圖像多閾值分割
　　針對(duì)集成電路芯片表面缺陷圖像的特點(diǎn)，提出基于螢火蟲(chóng)算法的二維熵多閾值缺陷圖像分割法。首先，將二維熵閾值分割擴(kuò)展為二維熵多閾值分割。其次，分析螢火蟲(chóng)算法仿生原理和尋優(yōu)過(guò)程。最后，將二維熵作為螢火蟲(chóng)算法的目標(biāo)函數(shù)，對(duì)多閾值尋優(yōu)。實(shí)驗(yàn)結(jié)果表明，基于螢火蟲(chóng)算法的二維熵多閾值缺陷圖像分割法能有效分割集成電路芯片表面缺陷;運(yùn)行速度較窮舉

3、法有很大的提高;在閾值選取的準(zhǔn)確性、計(jì)算時(shí)間和峰值信噪比方面均優(yōu)于基于粒子群算法的二維熵多閾值分割法;但是仍然存在實(shí)時(shí)性不足的問(wèn)題。
　　針對(duì)集成電路芯片表面缺陷圖像多閾值分割計(jì)算量大、計(jì)算時(shí)間長(zhǎng)的問(wèn)題，提出基于反向螢火蟲(chóng)算法的大津多閾值缺陷圖像分割法。首先，將大津閾值分割擴(kuò)展為大津多閾值分割。其次，提出一種反向螢火蟲(chóng)算法。該算法將反向?qū)W習(xí)算法中反向解可能比當(dāng)前解距離目標(biāo)函數(shù)更近的思想引入螢火蟲(chóng)算法，增加螢火蟲(chóng)的多樣性和全局搜索能

4、力。最后，將最大類(lèi)間方差作為反向螢火蟲(chóng)算法的目標(biāo)函數(shù)，對(duì)多閾值尋優(yōu)。實(shí)驗(yàn)結(jié)果表明，基于反向螢火蟲(chóng)算法的大津多閾值缺陷圖像分割法的性能優(yōu)于窮舉法、基于粒子群算法、螢火蟲(chóng)算法的大津多閾值分割法;但是該分割法在四閾值分割時(shí)出現(xiàn)了一些尋優(yōu)結(jié)果不準(zhǔn)確的現(xiàn)象。
　　為了分割集成電路芯片表面缺陷圖像，提出基于改進(jìn)的螢火蟲(chóng)算法的大津多閾值缺陷圖像分割法。針對(duì)螢火蟲(chóng)算法全局搜索和局部搜索不平衡的現(xiàn)象，提出改進(jìn)的螢火蟲(chóng)算法。在該算法中，提出基于Cau

5、chy變異的多樣性增強(qiáng)策略和鄰域策略，并根據(jù)不同的停滯狀態(tài)，選擇不同的策略以增強(qiáng)全局搜索能力并提高收斂性能。將改進(jìn)的螢火蟲(chóng)算法應(yīng)用于大津多閾值分割中，對(duì)閾值尋優(yōu)。實(shí)驗(yàn)結(jié)果表明，基于改進(jìn)的螢火蟲(chóng)算法的大津多閾值缺陷圖像分割法不僅能有效分割缺陷圖像，并在準(zhǔn)確性、計(jì)算時(shí)間、收斂性和穩(wěn)定性方面整體優(yōu)于基于達(dá)爾文粒子群算法、混合的差分進(jìn)化算法、螢火蟲(chóng)算法、反向螢火蟲(chóng)算法的大津多閾值分割法。
　　(2)集成電路芯片表面缺陷提取
　　集成

6、電路芯片表面缺陷明場(chǎng)圖像中存在噪聲干擾缺陷的提取。為了提取明場(chǎng)圖像中的缺陷，提出基于數(shù)學(xué)形態(tài)學(xué)變換和改進(jìn)的區(qū)域生長(zhǎng)的缺陷提取法。首先，根據(jù)圖像灰度級(jí)，獲得明場(chǎng)圖像四閾值分割后的淺層缺陷圖像和深層缺陷圖像。其次，針對(duì)淺層缺陷圖像和深層缺陷圖像的不同特點(diǎn)，將不同的數(shù)學(xué)形態(tài)學(xué)操作應(yīng)用于兩種圖像以去除噪聲點(diǎn)，定位缺陷所在的區(qū)域。最后，提出改進(jìn)的區(qū)域生長(zhǎng)法來(lái)提取明場(chǎng)圖像中的缺陷。實(shí)驗(yàn)結(jié)果表明，該方法能有效提取明場(chǎng)圖像中的缺陷。
　　集成電路

7、芯片表面缺陷暗場(chǎng)圖像中存在芯片表面紋理干擾缺陷的提取。為了提取暗場(chǎng)圖像中的缺陷，提出基于紋理方向檢測(cè)和缺陷區(qū)域選擇的缺陷提取法。首先，針對(duì)暗場(chǎng)圖像的特點(diǎn)，提出芯片表面紋理方向檢測(cè)算法。其次，根據(jù)圖像灰度級(jí)，獲得暗場(chǎng)圖像四閾值分割后的暗缺陷圖像和明缺陷圖像。最后，針對(duì)暗缺陷圖像和明缺陷圖像的不同特點(diǎn)，以缺陷紋理方向與芯片表面紋理方向不一致為原則，提出兩種不同的缺陷區(qū)域選擇的方法以提取暗場(chǎng)缺陷。實(shí)驗(yàn)結(jié)果表明，該方法能有效提取暗場(chǎng)圖像中的缺陷

8、。
　　(3)集成電路芯片表面缺陷特征提取與降維
　　為了提取集成電路芯片表面缺陷特征，分別從幾何特征、紋理特征和灰度特征三個(gè)方面提取32個(gè)特征。提取的幾何特征包括面積、周長(zhǎng)、緊湊性、重心坐標(biāo)、矩形度、占空比、偏心率和Hu不變矩。提取的紋理特征為14個(gè)灰度共生矩陣特征。提取的灰度特征包括灰度均值、灰度方差和灰度熵。
　　由于特征維數(shù)較多，采用主成分分析特征抽取法和基于KNN的序列浮動(dòng)前向特征選擇法分別進(jìn)行特征降維。主成

9、分分析法根據(jù)特征值累積貢獻(xiàn)率的取值大于90％的原則，將32維特征降至6維。基于KNN的序列浮動(dòng)前向特征選擇法將每個(gè)特征的KNN分類(lèi)性能作為序列浮動(dòng)前向選擇的評(píng)價(jià)函數(shù)以實(shí)現(xiàn)特征選擇，將32維特征降至10維。
　　(4)集成電路芯片表面缺陷分類(lèi)識(shí)別
　　為了識(shí)別并分類(lèi)集成電路芯片表面缺陷，分析討論了BP神經(jīng)網(wǎng)絡(luò)和RBF神經(jīng)網(wǎng)絡(luò)。為了提高支持向量機(jī)的分類(lèi)識(shí)別率，提出基于改進(jìn)的螢火蟲(chóng)算法的支持向量機(jī)，其基本思想是將分類(lèi)識(shí)別率作為目標(biāo)

10、函數(shù)，通過(guò)改進(jìn)的螢火蟲(chóng)算法對(duì)支持向量機(jī)中的懲罰參數(shù)和核函數(shù)參數(shù)進(jìn)行尋優(yōu)。將8種芯片缺陷對(duì)應(yīng)的主成分分析法抽取的6維特征和基于KNN的序列浮動(dòng)前向特征選擇法選擇的10維特征分別輸入三個(gè)分類(lèi)器，形成六組分類(lèi)器。實(shí)驗(yàn)結(jié)果表明，特征選擇法選擇的特征作為基于改進(jìn)的螢火蟲(chóng)算法的支持向量機(jī)的輸入時(shí)，分類(lèi)性能高于其他五組分類(lèi)器，識(shí)別率為91.367％。
　　本文對(duì)缺陷多閾值分割、缺陷提取、缺陷特征提取與降維、缺陷分類(lèi)識(shí)別等視覺(jué)檢測(cè)關(guān)鍵技術(shù)進(jìn)行研究