基于贝叶斯网络的芯片质量视觉检测

作者:丁明 刊名:现代制造工程 上传者:杨之瑜

【摘要】提出一种零件视觉检测方法,提取图像的暗点数、边缘点数和面积等图像特征,使用Netica软件构建具有10个属性节点和9个类节点的贝叶斯网络分类器,对各种缺陷和损坏零件进行识别,试验表明该方法具有较高的精度和效率。

全文阅读

试验研究 现代制造工程 五 “ 年第 期 基于贝叶斯网络的芯片质量视觉检测 ’ 丁明 徐州工程学院 ,徐州 摘要 提出一种零件视觉检测方法 ,提取图像的暗点数 、边缘点数和面积等图像特征 ,使用 软件构建具有 个属性节点和 个类节点的贝叶斯网络分类器 ,对各种缺陷和损坏零件进行识别 ,试验表明该方法具有较高的精度和效率 。 关键词 损坏 缺陷 模式识别 贝叶斯网络 中图分类号 刃 文献标志码 文章编号 一戒 刊 舒 , , , 罗 , , , 即叮 访 却 , 引言 微小零件的质量检测是生产和装配中的难点 ,图像视觉检测具有高精度 、非接触且不干扰被测对象等优点 ,特别适合对微小器件的检测川 。图像视觉检测 是使用图像处理软件 ,对零件的图像进行分析 ,确定零件是否存在缺陷和损坏的一种方法【’一 , 。本文提出 一种基于贝叶斯网络的零件视觉检测方法 ,以一种半导体芯片为例 ,说明其工作过程并进行试验和分析 。 损坏和缺陷芯片的分类 视觉检测属于模式识别的范畴 ,因此首先要确定缺陷和损坏类型 ,即建立模式识别中的模式空间仁’。芯片损坏产生的原因有很多 ,损坏类型也有很多不同的情况 。根据生产实践和对损坏芯片的分析 ,将损坏芯片分为污损 、烧蚀 、电极缺失 、划痕 、碎裂和缺损等六种 ,其中缺损又可以细分为缺角 、崩边和残缺 ,图所示为几种损坏芯片的类型 。 口 二污损芯片 碎裂芯片 缺角芯片 图 损坏芯片的类型 崩边芯片 残缺芯片 目前很多视觉识别算法基于传统贝叶斯理论 ,为了简化模型 ,提出两个假设 各种特征之间相互独立 各种缺陷和损坏类型之间相互独立 。 基于这两个假设 ,使用特征点 、灰度分布以及矩 等图像特征进行视觉识别 ,可以避免构建多维 的模型 ,降低建模难度和识别算法的复杂度 。但实际上 , 以上两个假设通常是不成立的 ,图像中的各种特征相互关联 ,因此这些算法存在误识别率较高等问题 。 国家 自然科学基金资助项 目 年第 期 现代制造工程 针对此类问题 ,目前有神经网络模式识别〔 、模糊模式识别和支持向量机 ’等解决方法 。神经网络模式识别基于人工智能理论 ,能够 自动提取样本特征 模糊模式识别更合乎逻辑 ,便于准确建模 支持向量机能够充分利用计算机的运算能力 ,实现高效精确识别 。这几种方法都适合于模式识别问题 ,但同时也存在规则不确定 、使用复杂等问题 。 贝叶斯网络是继模糊逻辑 、可信度方法和神经网络等方法之后的另一种不确定事件的表示模型 ,不仅建立在概率论坚实的理论基础上 ,同时又能够很好地同领域专家的知识相结合 ,在数据挖掘 、专家系统等领域得到广泛的应用〔‘’“。特征选取与网络节点 一个贝叶斯网络包括节点和连接节点的边两大部分 ,节点又分为属性节点和类节点两种 。节点代表问题领域的随机变量 ,每个节点对应一个变量 ,条件独立于给定节点集外任意节点 ,这种条件独立性假设简化了贝叶斯网络中的计算和推理问题的复杂度 。在芯片缺陷和损坏识别问题中 ,将污损 、烧蚀及划痕 等缺陷和损坏作为独立的类节点 。 在贝叶斯网络中 ,使用以下几种图像特征 。 灰度分布。图像经过滤波和灰度均衡等预处 理后 ,像素的灰度值在整个灰度空间上的分布应当是比较均匀的。电极的反射率最高 ,所以在图像中电极部分灰度值最大 。由于图像背景接近纯黑 ,所以灰尘和油污反射率很低 ,灰度值与图像背景接近 。 对于同一种芯片 ,其轮廓和电极的形状尺寸都是固定的 ,图像中灰度处于某个范围的像素点的数量基本相同。如果某一个芯片图像 中亮点或者暗点数量与正常芯片图像有明

参考文献

引证文献

问答

我要提问