集成电路芯片已广泛应用于多个领域,但是制造过程中产生的缺陷会直接影响集成电路芯片的寿命和可靠性。传统的人工检测方法,存在耗时长,劳动强度大,误检率高等缺点,已无法适应生产的需求。机器视觉检测技术通过机器视觉的方法对产品进行分析处理,检验产品是否符合质量要求,对保障产品质量,提高产品合格率起到了关键作用。本文结合国家自然科学基金资助项目(50805023)和江苏省科技成果转化专项(BA2010093),以集成电路芯片表面缺陷为研究对象,展开视觉检测关键技术研究,所从事的主要研究工作如下:(1)集成电路芯片表面缺陷图像多阈值分割针对集成电路芯片表面缺陷图像的特点,提出基于萤火虫算法的二维熵多阈值缺陷图像分割法。首先,将二维熵阈值分割扩展为二维熵多阈值分割。其次,分析萤火虫算法仿生原理和寻优过程。最后,将二维熵作为萤火虫算法的目标函数,对多阈值寻优。实验结果表明,基于萤火虫算法的二维熵多阈值缺陷图像分割法能有效分割集成电路芯片表面缺陷;运行速度较穷举法有很大的提高;在阈值选取的准确性、计算时间和峰值信噪比方面均优于基于粒子群算法的二维熵多阈值分割法;但是仍然存在实时性不足的问题。针对集成电路芯片表面缺陷图像多阈值分割计算量大、计算时间长的问题,提出基于反向萤火虫算法的大津多阈值缺陷图像分割法。首先,将大津阈值分割扩展为大津多阈值分割。其次,提出一种反向萤火虫算法。该算法将反向学习算法中反向解可能比当前解距离目标函数更近的思想引入萤火虫算法,增加萤火虫的多样性和全局搜索能力。最后,将最大类间方差作为反向萤火虫算法的目标函数,对多阈值寻优。实验结果表明,基于反向萤火虫算法的大津多阈值缺陷图像分割法的性能优于穷举法、基于粒子群算法、萤火虫算法的大津多阈值分割法:但是该分割法在四阈值分割时出现了一些寻优结果不准确的现象。为了分割集成电路芯片表面缺陷图像,提出基于改进的萤火虫算法的大津多阈值缺陷图像分割法。针对萤火虫算法全局搜索和局部搜索不平衡的现象,提出改进的萤火虫算法。在该算法中,提出基于Cauchy变异的多样性增强策略和邻域策略,并根据不同的停滞状态,选择不同的策略以增强全局搜索能力并提高收敛性能。将改进的萤火虫算法应用于大津多阈值分割中,对阈值寻优。实验结果表明,基于改进的萤火虫算法的大津多阈值缺陷图像分割法不仅能有效分割缺陷图像,并在准确性、计算时间、收敛性和稳定性方面整体优于基于达尔文粒子群算法、混合的差分进化算法、萤火虫算法、反向萤火虫算法的大津多阈值分割法。(2)集成电路芯片表面缺陷提取集成电路芯片表面缺陷明场图像中存在噪声干扰缺陷的提取。为了提取明场图像中的缺陷,提出基于数学形态学变换和改进的区域生长的缺陷提取法。首先,根据图像灰度级,获得明场图像四阈值分割后的浅层缺陷图像和深层缺陷图像。其次,针对浅层缺陷图像和深层缺陷图像的不同特点,将不同的数学形态学操作应用于两种图像以去除噪声点,定位缺陷所在的区域。最后,提出改进的区域生长法来提取明场图像中的缺陷。实验结果表明,该方法能有效提取明场图像中的缺陷。集成电路芯片表面缺陷暗场图像中存在芯片表面纹理干扰缺陷的提取。为了提取暗场图像中的缺陷,提出基于纹理方向检测和缺陷区域选择的缺陷提取法。首先,针对暗场图像的特点,提出芯片表面纹理方向检测算法。其次,根据图像灰度级,获得暗场图像四阈值分割后的暗缺陷图像和明缺陷图像。最后,针对暗缺陷图像和明缺陷图像的不同特点,以缺陷纹理方向与芯片表面纹理方向不一致为原则,提出两种不同的缺陷区域选择的方法以提取暗场缺陷。实验结果表明,该方法能有效提取暗场图像中的缺陷。(3)集成电路芯片表面缺陷特征提取与降维为了提取集成电路芯片表面缺陷特征,分别从几何特征、纹理特征和灰度特征三个方面提取32个特征。提取的几何特征包括面积、周长、紧凑性、重心坐标、矩形度、占空比、偏心率和Hu不变矩。提取的纹理特征为14个灰度共生矩阵特征。提取的灰度特征包括灰度均值、灰度方差和灰度熵。由于特征维数较多,采用主成分分析特征抽取法和基于KNN的序列浮动前向特征选择法分别进行特征降维。主成分分析法根据特征值累积贡献率的取值大于90%的原则,将32维特征降至6维。基于KNN的序列浮动前向特征选择法将每个特征的KNN分类性能作为序列浮动前向选择的评价函.数以实现特征选择,将32维特征降至10维。(4)集成电路芯片表面缺陷分类识别为了识别并分类集成电路芯片表面缺陷,分析讨论了 BP神经网络和RBF神经网络。为了提高支持向量机的分类识别率,提出基于改进的萤火虫算法的支持向量机,其基本思想是将分类识别率作为目标函数,通过改进的萤火虫算法对支持向量机中的惩罚参数和核函数参数进行寻优。将8种芯片缺陷对应的主成分分析法抽取的6维特征和基于KNN的序列浮动前向特征选择法选择的10维特征分别输入三个分类器,形成六组分类器。实验结果表明,特征选择法选择的特征作为基于改进的萤火虫算法的支持向量机的输入时,分类性能高于其他五组分类器,识别率为91.367%。本文对缺陷多阈值分割、缺陷提取、缺陷特征提取与降维、缺陷分类识别等视觉检测关键技术进行研究,在理论研究和技术研发等方面取得了一定的成果,为集成电路芯片表面缺陷视觉检测提供了理论指导和技术支撑。