胡躍明,李 璐+,羅家祥

(1.華南理工大學(xué) 自動化科學(xué)與工程學(xué)院，廣東 廣州 510640；2.精密電子制造裝備教育部工程研究中心/廣東省高端芯片智能封測裝備工程實(shí)驗(yàn)室，廣東 廣州 510640)

0 引言

柔性集成電路基板(Flexible Integrated Circuit Substrate, FICS)是一種在聚酰亞胺介質(zhì)材料表面使用銅箔腐蝕形成線路的印刷線路基板，其制造涉及IC制程、封裝和組裝3大電子信息制造領(lǐng)域。FICS具有重量輕、體積小、高密度和可彎曲等特點(diǎn)，廣泛應(yīng)用于軍工、航空航天、醫(yī)療和汽車等高端電子產(chǎn)品領(lǐng)域[1-2]。覆銅技術(shù)作為FICS生產(chǎn)的關(guān)鍵工藝，其品質(zhì)控制與FICS成品的性能休戚相關(guān)[3]。尤其是未覆保護(hù)膜的銅箔線路在潮濕空氣中極易發(fā)生氧化變色，直接影響著FICS的外觀與電性能，因而銅箔表面氧化缺陷檢測對FICS制造過程品質(zhì)可靠性具有極為重要的保障作用。

正常FICS銅箔表面為黃銅色，而氧化缺陷則呈現(xiàn)出部分氧化的黃褐色或全氧化的黑褐色等特征。顏色特征非常穩(wěn)定，對于圖像的平移、尺度、旋轉(zhuǎn)等變化不敏感，具有很強(qiáng)的魯棒性且計(jì)算簡單[4]?；陬伾卣鞯哪繕?biāo)分割與檢測技術(shù)已廣泛應(yīng)用于金屬成分檢測[5]、醫(yī)療診斷[6-7]、農(nóng)作物檢測[8]等多個(gè)領(lǐng)域。張宏偉等[9]運(yùn)用顏色矢量角等對銅成分進(jìn)行了檢測。程翠蘭[10]在HSV空間利用主元分析提取圖像顏色特征對礦物浮選精選泡沫進(jìn)行分類。陳竟博[11]運(yùn)用跨越8種顏色空間的25維特征對舌診進(jìn)行分類。趙貝貝[12]運(yùn)用顏色直方圖統(tǒng)計(jì)特征、顏色熵值、主顏色等特征對木材進(jìn)行分類。趙海[13]運(yùn)用L×a×b×顏色分量均值特征對皮革進(jìn)行分類。氧化缺陷最顯著的特征體現(xiàn)在其顏色的變化，因此采用顏色特征來表征氧化缺陷是可行的。

普通的印刷電路板(Printed Circuit Board，PCB)和柔性電路板(Flexible Printed Circuit， FPC)出現(xiàn)時(shí)間更長，其缺陷檢測的研究成果相對成熟[14-15]。華中科技大學(xué)模具技術(shù)國家重點(diǎn)實(shí)驗(yàn)室[16]早期將模板匹配技術(shù)應(yīng)用于FPC檢測;中南大學(xué)CAD/CAM 研究所[17]則針對手機(jī)軟板進(jìn)行了缺陷檢測;華南理工大學(xué)李迪教授團(tuán)隊(duì)[18-19]針對FPC 金面與焊盤表面缺陷進(jìn)行了研究;湖北工業(yè)大學(xué)孫國棟等[20]致力于FPC補(bǔ)強(qiáng)片缺陷研究。由于FICS缺陷種類復(fù)雜多樣，氧化缺陷多數(shù)情況下被作為異物或變色缺陷處理，針對印刷線路板氧化缺陷的研究仍處于相對初級階段。

目前，F(xiàn)ICS線路尺寸已達(dá)到微米級別，并隨著IC制程的技術(shù)進(jìn)步向納米級方向發(fā)展。相比PCB與FPC毫米級別線路尺寸，F(xiàn)ICS檢測在精度上的要求更高，特征更復(fù)雜。PCB與FPC的檢測算法已無法滿足FICS檢測需求。在實(shí)際生產(chǎn)中，流水線上的檢測工序仍采用自動光學(xué)檢測設(shè)備(Automatic Optical Inspection, AOI)初檢，人工運(yùn)用顯微鏡細(xì)檢確認(rèn)的方式，效率不高。因此，迫切需要提供更精密的儀器與實(shí)時(shí)算法實(shí)現(xiàn)氧化等缺陷的精密檢測。本文通過顏色特征建立高斯模型，實(shí)現(xiàn)氧化缺陷及氧化程度的檢測，及時(shí)反饋給覆銅工藝，解決了FICS覆銅表面氧化缺陷檢測難點(diǎn)問題。

1 硬件系統(tǒng)設(shè)計(jì)

鑒于傳統(tǒng)的人工目檢方式和普通的工業(yè)相機(jī)已經(jīng)無法滿足高密度超薄FICS制造過程的精密檢測需求[21]，本文首先搭建基于超精密顯微成像的硬件系統(tǒng)對FICS銅線表面氧化缺陷進(jìn)行檢測。系統(tǒng)硬件結(jié)構(gòu)示意圖與實(shí)物圖分別如圖1和圖2所示。

系統(tǒng)硬件主要包括顯微成像平臺與精密載物臺，其中顯微成像平臺由金相顯微鏡、工業(yè)相機(jī)和光源組成。金相顯微鏡放大倍率達(dá)到5～50倍，滿足微米級精密檢測需求。光源采用鹵素?zé)敉S光，加藍(lán)色濾光片，使金屬面反光呈白色，氧化面漫反射呈黃褐色。本系統(tǒng)采用參數(shù)如表1所示的精密型電動載物臺，兩軸使用高品質(zhì)精磨絲杠驅(qū)動，很好地保證了運(yùn)動和重復(fù)運(yùn)動精度。同時(shí)，該載物臺兩端裝有零位和限位開關(guān)，可實(shí)現(xiàn)待檢物體的準(zhǔn)確定位。在載物臺上增加真空吸盤裝置，能解決因工件不平整導(dǎo)致光源不均，獲取的圖像模糊等問題。

表1 精密載物臺參數(shù)

2 算法設(shè)計(jì)

針對氧化缺陷檢測難點(diǎn)問題，本文首先給出一種基于局部直方圖自適應(yīng)閾值的銅箔表面快速分割方法。然后，提出一種基于單高斯模型(Single Gauss Model，SGM)二維顏色分割的氧化缺陷檢測算法，能快速檢測出氧化缺陷，精準(zhǔn)反饋氧化缺陷位置和面積。最后，設(shè)計(jì)了一種基于8維顏色特征的氧化程度檢測算法，能快速計(jì)算出氧化等級。算法分為離線建模與在線監(jiān)測，具體流程圖如圖3所示。

本文算法的難點(diǎn)是氧化像素呈離散分布，且形態(tài)多樣化，噪聲多。其創(chuàng)新點(diǎn)是運(yùn)用氧化塊區(qū)域作為訓(xùn)練樣本，而非單個(gè)氧化像素，同時(shí)在訓(xùn)練樣本塊中引入非氧化像素，這樣既有利于訓(xùn)練樣本的收集，也符合在線氧化區(qū)域檢測特點(diǎn)。

2.1 銅箔表面快速分割方法

系統(tǒng)采集圖像如圖4所示，高亮部分為銅箔，銅箔上的黃褐色區(qū)域?yàn)樾枰獧z測的氧化缺陷，如圖4左上角方框所示，黑暗部分為與檢測無關(guān)的背景。由于光線與基板材質(zhì)的問題，背景上，特別是銅箔邊緣四周會產(chǎn)生紅褐色的區(qū)域，對需要檢測的氧化缺陷區(qū)域產(chǎn)生干擾，如圖4右下角方框部分。

針對基板背景噪聲較多，而圖像中銅箔與背景灰度相差明顯的特點(diǎn)，本文首先對銅箔表面進(jìn)行分割，去除背景和邊緣毛刺的噪聲對氧化像素檢測的干擾。為避免光源衰減與外界光線的干擾，增強(qiáng)算法光源適應(yīng)性，本文設(shè)計(jì)了一種基于局部直方圖的自適應(yīng)閾值分割法，算法流程如圖5所示。首先對系統(tǒng)采集圖像的前景與背景像素灰度進(jìn)行統(tǒng)計(jì)分析，得到局部約束區(qū)間[g1,g2]，然后計(jì)算直方圖局部約束區(qū)間的最小極值作為分割閾值，最后采用計(jì)算得到的自適應(yīng)閾值進(jìn)行銅箔分割。通過局部約束，使得到的分割閾值更為準(zhǔn)確，同時(shí)具有一定的自適應(yīng)性。

2.2 氧化缺陷檢測算法

銅線氧化缺陷檢測可以將圖像像素分為氧化像素和非氧化像素，轉(zhuǎn)換為一個(gè)二分類過程，其檢測過程存在一些難點(diǎn)：①由于氧化程度不同，氧化像素呈現(xiàn)不同的顏色，呈現(xiàn)出多樣性；②光照與攝像機(jī)參數(shù)會對系統(tǒng)采集的氧化像素的顏色與亮度產(chǎn)生一定的影響；③氧化像素呈離散型分布，對檢測精度等要求更高，極大地增加了檢測難度。

面對上述難點(diǎn)，本文提出了一系列應(yīng)對措施：

(1)首先進(jìn)行銅箔表面分割，可以去除背景像素噪聲的干擾；根據(jù)顏色特征可將氧化缺陷分為不同的氧化等級。

(2)系統(tǒng)采用穩(wěn)定光源與固定攝像機(jī)，能較好地減輕光照與攝像機(jī)參數(shù)的干擾，降低檢測難度。

(3)采用高斯模糊、形態(tài)學(xué)濾波等圖像后處理將離散氧化像素連通成塊區(qū)域。通過硬件和軟件的優(yōu)化，可以提高氧化檢測的有效性。

在光照一定的條件下，不同程度的氧化像素在顏色空間的一定區(qū)間內(nèi)聚集。在RGB空間中，色調(diào)、飽和度沒有被分離出來，氧化像素會受亮度的影響，偏離主要聚集區(qū)域；在HSV空間中，由于HSV空間將色調(diào)、飽和度及亮度很好地分離，但氧化像素在色度分量上分布在兩端，產(chǎn)生斷層，不能很好地聚集在一起；在YCbCr空間中，氧化像素非常好地團(tuán)聚在一個(gè)類錐形區(qū)域，在Cb、Cr分量上的分布比較集中。如圖6所示。

本文設(shè)計(jì)了一種基于SGM模型的二維顏色分割氧化像素檢測算法。使用YCbCr顏色空間中Cb、Cr通道進(jìn)行高斯建模，將顏色分量落在高斯模型范圍的像素定義為氧化像素。

高斯分布的聯(lián)合概率密度函數(shù)表達(dá)式如下

(1)

式中：x是像素顏色向量；均值向量μ和協(xié)方差矩陣Σ是高斯分布參數(shù)，

x=(Cb,Cr)T，

(2)

μ=E(x)，

(3)

Σ=E((x-μ)(x-μ)T)。

(4)

P(x/oxide) 是像素x屬于氧化像素的概率，也可以通過高斯分布參數(shù)計(jì)算輸入像素顏色x與均值μ的馬氏距離：

d=(x-μ)TΣ-1(x-μ)。

(5)

式中d表示該像素與氧化模型的接近程度。

構(gòu)建高斯模型過程主要分為3步：

(1)收集大量氧化像素圖片樣本，收集的樣本應(yīng)多樣化，包含不同氧化程度區(qū)域。

(2)將色彩空間轉(zhuǎn)換到Y(jié)CbCr色彩空間，統(tǒng)計(jì)所有像素的Cb、Cr的數(shù)量。

(3)計(jì)算出均值μ，以及協(xié)方差Σ。

檢測過程也分為3個(gè)步驟：

(1)對于待檢測彩色圖像，將其從RGB色彩空間變換到Y(jié)CbCr空間。

(2)計(jì)算每一個(gè)像素點(diǎn)屬于氧化像素的概率，根據(jù)該點(diǎn)離高斯分布中心的遠(yuǎn)近得到和氧化像素的相似度d，將彩色圖像轉(zhuǎn)化成灰度圖，其中每個(gè)像素的灰度值對應(yīng)該點(diǎn)與氧化像素的相似度。

(3)設(shè)置相似度閾值，將相似度高的像素點(diǎn)分割出來。

由于氧化像素呈離散狀分布，導(dǎo)致分割出來的氧化像素存在許多孔洞與雜散點(diǎn)噪聲。后期需要通過一系列的濾波、形態(tài)學(xué)和孔洞填補(bǔ)等處理得到氧化塊狀區(qū)域。統(tǒng)計(jì)氧化區(qū)域像素面積，記錄氧化區(qū)域最小內(nèi)接矩形的中心為缺陷位置，最終標(biāo)記氧化缺陷檢測結(jié)果。算法流程如圖7所示，后處理雖然忽略了少量離群氧化像素點(diǎn)，并引進(jìn)了非氧化像素噪聲，但是使氧化像素連接在一起，更便于標(biāo)記與統(tǒng)計(jì)。

2.3 顏色特征提取

常用的顏色特征有顏色矩、顏色熵等。本文基于RGB、HSV與分塊策略，提取顏色矩、顏色占比等特征，構(gòu)建8維的顏色特征向量。首先，運(yùn)用基于RGB、HSV顏色空間的顏色矩表示顏色特征，具體步驟為：計(jì)算獲得氧化區(qū)域的顏色通道直方圖，并根據(jù)顏色直方圖計(jì)算出銅線表面氧化缺陷區(qū)域在顏色空間的顏色距。顏色矩的計(jì)算公式如下：

(6)

式中：i表示顏色通道的3個(gè)分量，i{1,2,3}；μi為顏色通道i的一階矩，表示均值；P(i,j)表示彩色圖像顏色通道i分量中第j個(gè)像素的值；N表示圖像中的像素個(gè)數(shù)。通過代入計(jì)算，得到RGB、HSV顏色矩特征[μR，μG，μB，μH，μS，μV]。

針對氧化區(qū)域形狀多樣化和氧化像素分布不規(guī)則的特點(diǎn)，本文采用分塊策略提取氧化代表色C，并計(jì)算代表色分布概率P，將其作為顏色特征。獲取氧化代表色的具體方法如下：將FPC銅線氧化區(qū)域以九宮格的形式平均分為9塊，計(jì)算每一個(gè)方塊的RGB均值(μRk，μGk，μBk)，得到方塊的氧化代表色。實(shí)驗(yàn)分析得到，顏色最深的區(qū)域最能代表該氧化區(qū)域的氧化等級，故先分別取9個(gè)方塊中RGB均值加權(quán)和，定義其最小值為該氧化區(qū)域的氧化代表色，用公式表示為：

(7)

式中：i{R,G,B}；k{1, 2, 3,…,9}；ωi為RGB分量的加權(quán)值，這里取ω1=0.3，ω2=0.59，ω3=0.11；μik為第k個(gè)方塊第i個(gè)通道的均值。

計(jì)算得到氧化加權(quán)和最小的方塊為氧化代表方塊，氧化代表色分布概率P的計(jì)算方法如下：

(1)計(jì)算氧化代表方塊RGB三個(gè)分量的方差σi，并計(jì)算其均值σ。

(2)建立氧化代表色區(qū)間[C-σ，C+σ]。

(3)運(yùn)用循環(huán)計(jì)算氧化區(qū)域中任一像素的顏色范圍，統(tǒng)計(jì)落在氧化代表色區(qū)間內(nèi)的像素的個(gè)數(shù)。

(4)計(jì)算氧化代表色在氧化區(qū)域的占比P，作為顏色特征參數(shù)?；诜謮K代表色的顏色特征，構(gòu)建顏色特征分量[C，P]。

最終顏色特征表示為F=[μR，μG，μB，μH，μS，μV，C，P]。

2.4 氧化程度檢測算法

不同的氧化程度對FICS的產(chǎn)品質(zhì)量影響不同，因此氧化程度檢測也是一項(xiàng)重要的檢測指標(biāo)。本文設(shè)計(jì)了一種基于顏色特征的氧化程度檢測方法，提取氧化缺陷的8維顏色特征，輸入離線訓(xùn)練好的有向無環(huán)圖支持向量機(jī)(Directed Acyclic Graph Support Vector Machines, DAG-SVMS)分類器對氧化缺陷進(jìn)行分級。

2.4.1 訓(xùn)練樣本集

建立分類模型，首先需要獲取一定數(shù)量的訓(xùn)練樣本集。運(yùn)用搭建系統(tǒng)采集一定數(shù)目的FICS氧化缺陷圖像，人工分割出FICS圖像的氧化缺陷中心區(qū)域。目檢人員根據(jù)經(jīng)驗(yàn)將氧化程度劃分為K個(gè)等級，每個(gè)等級選取N個(gè)具有代表性的氧化區(qū)域?yàn)橛?xùn)練樣本集，同時(shí)人為地標(biāo)記上述提取的銅線表面氧化缺陷區(qū)域所屬氧化程度等級。SVM分類效果與樣本數(shù)量無關(guān)，只需比特征維數(shù)大即可，關(guān)鍵在于特征的好壞[22]。本文根據(jù)實(shí)際檢測需求，將氧化程度劃分為3個(gè)等級，每個(gè)等級選取32個(gè)具有代表性的氧化區(qū)域做訓(xùn)練樣本，共96個(gè)訓(xùn)練樣本，組成一個(gè)訓(xùn)練樣本集。部分樣本如圖8所示。

2.4.2 建立DAG-SVMS分類器

SVM為經(jīng)典的二類分類器，在解決小樣本、非線性及高維的分類問題中具有良好的優(yōu)勢及效果[22]，其原理如圖9所示。

圖中：w為最優(yōu)超平面法向量，γ為兩類樣本間的距離。在分類正確的情況下，最大化分類間隔，得到最優(yōu)化問題：

s.t.

yi(wTxi+b)≥1,i=1,2,…,n。

(8)

其中：yi、xi分別表示第i個(gè)樣本的標(biāo)簽與特征向量；n為樣本數(shù)量。為求解最優(yōu)w*與b*，通過拉格朗日對偶性，引入拉格朗日乘子αi≥0，構(gòu)造拉格朗日函數(shù)并求極值。

(9)

分別對w與b微分，得：

(10)

(11)

將式(10)和式(11)代入式(9)，得

(12)

通過SMO(sequential minimal otimization)算法，固定αi和αj以外的參數(shù)，求解式(12)得到更新后的αi和αj，不斷更新迭代直至收斂，得到最優(yōu)的αi*。由KKT條件：

(13)

利用更新的αi對b進(jìn)行更新，得到最優(yōu)的b*，從而得到最優(yōu)超平面法向量：

(14)

對于多分類問題，SVM方法不能一次性地計(jì)算得到多個(gè)分類面，需要將多分類問題分解為二分類問題。采用DAG構(gòu)造SVM模型， 建立DAG-SVMS分類器，如圖10所示。K類樣本之間兩兩生成K(K-1)/2個(gè)分類器，并以決策樹形式調(diào)用，使SVM可以解決多分類的問題。

實(shí)驗(yàn)發(fā)現(xiàn)，DAG方法存在累計(jì)誤差，如在第一層中，若3被誤分成了1，則在第二層中分類的結(jié)果只有1,2，再也不會出現(xiàn)3。這種誤差會被一層一層累加，因此越往高層的節(jié)點(diǎn)分類器犯的錯(cuò)誤應(yīng)該越小，即越往高層分類的兩個(gè)類別應(yīng)該差別越大，錯(cuò)分的概率越小[23]。因此，本文將氧化程度1級與3級的分類器放在第一層，能減少累計(jì)誤差，提高分類的正確率。

3 實(shí)驗(yàn)結(jié)果

為驗(yàn)證本文算法的有效性，進(jìn)行了兩大類實(shí)驗(yàn)：①分析本文算法對氧化缺陷的檢測分割效果；②分析算法的檢測精度與時(shí)間效率。本文實(shí)驗(yàn)在配置為Intel? CoreTMi3-3220 CPU @ 3.30 GHz，內(nèi)存大小為4 G的PC機(jī)上進(jìn)行，實(shí)驗(yàn)平臺為MATLAB 2015a與VS2013。

3.1 氧化缺陷檢測效果

對于大小為2 454×2 056的系統(tǒng)采集圖片，在分割的銅箔表面運(yùn)用基于SGM的二維顏色的分割方法，其中μ=[124.212 5，132.944 9]，Σ=[75.388 1，40.258 7；40.258 7，250.294 2]，分割得到氧化像素，通過后處理得到氧化區(qū)域，并將氧化區(qū)域最小包圍矩形分割出來，效果如圖11所示。其中第一行結(jié)果為圖4圖像氧化缺陷檢測結(jié)果。圖11b所示為運(yùn)用基于三維顏色分割方法得到的氧化像素，呈離散狀分布。通過后處理，氧化像素呈塊狀分布，如圖11c所示。輪廓檢測并標(biāo)記結(jié)果如圖11d所示。

為了驗(yàn)證所提氧化分割方法的有效性，本文對比現(xiàn)有5種不同方法[24-28]。文獻(xiàn)[24]給出了最優(yōu)的全局閾值分割方法Otsu。文獻(xiàn)[25]提出了一種簡單有效的k-means聚類算法，稱為Lk-means聚類算法。文獻(xiàn)[26]引入了一種新的高斯混合熵模型，稱為GMEM。文獻(xiàn)[27]基于簡化脈沖耦合神經(jīng)網(wǎng)絡(luò)(Pulse Coupled Neural Network, PCNN)模型的一種新的圖像自動分割方法，稱為SPCNN。文獻(xiàn)[28]提出了一種新的基于樣本劃分的認(rèn)知轉(zhuǎn)換算法，稱為MBGCT。本文采用圖8a中a3(大小為186×297缺陷圖像)進(jìn)行實(shí)驗(yàn)。比較了圖像分割的準(zhǔn)確度Ac、靈敏度Se、特異度Sp、互信息MI、正則互信息NMI、像素誤差Pe和運(yùn)行時(shí)間t(單位：s)的性能評價(jià)指標(biāo)[29-30]，實(shí)驗(yàn)結(jié)果如表2所示，檢測效果如圖12所示。實(shí)驗(yàn)表明，本文方法具有較高的準(zhǔn)確度、靈敏度和特異度，像素誤差較小，運(yùn)行時(shí)間較短，具有一定的有效性。

表2 不同方法之間的性能指標(biāo)比較

3.2 檢測效率與精度

3.2.1 氧化程度檢測實(shí)驗(yàn)

對于系統(tǒng)檢測到的氧化區(qū)域，如圖11所示，截取氧化矩形區(qū)域75%的中心區(qū)域，計(jì)算第2.3節(jié)中基于RGB、HSV與分塊策略的8維顏色特征向量，并輸入第2.4.2節(jié)建立的DAG-SVMS分類器，可分類得到1、2、3的氧化等級，如圖13所示。

本文在原先建立好的訓(xùn)練樣本集上，隨機(jī)選取每個(gè)等級中的24個(gè)為訓(xùn)練樣本，8個(gè)為測試樣本，采用不同圖像特征與不同分類器進(jìn)行測試。本文進(jìn)行了兩組實(shí)驗(yàn)，每次實(shí)驗(yàn)均進(jìn)行10次，取其平均正確率作為實(shí)驗(yàn)結(jié)果。第一組實(shí)驗(yàn)是測試圖像特征對分類正確率的影響，實(shí)驗(yàn)結(jié)果如表3所示;第二組實(shí)驗(yàn)是在相同的特征下，測試不同分類器的分類效果，分別運(yùn)用最近鄰分類器、樸素貝葉斯分類器與本文訓(xùn)練的DAG-SVMS分類器的分類效果進(jìn)行比較，結(jié)果如表4所示。

表3 不同圖像特征對分類正確率的影響

表4 不同分類器對分類正確率的影響

實(shí)驗(yàn)數(shù)據(jù)表明，本文設(shè)計(jì)的基于RGB、HSV與分塊策略的8維顏色特征與DAG-SVMS分類器在氧化程度檢測上平均正確率最高，達(dá)到97.5%，效果最好。

3.2.2 算法效率與精度實(shí)驗(yàn)

本文算法可識別的最小尺寸氧化缺陷區(qū)域像素面積為200，實(shí)際檢測尺寸隨著顯微鏡的放大倍率不同而變化。針對不同尺寸級別的FICS線路，系統(tǒng)采用不同的放大倍率，其檢測精度如表5所示。

表5 不同放大倍率下的檢測精度

對照表5，對于毫米級別的FICS線路，采用5倍的放大倍率已遠(yuǎn)遠(yuǎn)達(dá)到檢測要求，50倍率可滿足10 μm線路的檢測需求，最小檢測誤差可達(dá)±0.075 μm，滿足高精度檢測需求。

時(shí)間上，對于Wori×Hori=2 454×2 056的系統(tǒng)采集圖像，檢測算法各個(gè)部分運(yùn)行的平均時(shí)間如表6所示。

表6 檢測算法平均運(yùn)行時(shí)間

多次實(shí)驗(yàn)結(jié)果表明，檢測算法整個(gè)過程平均耗時(shí)不足1 s，且氧化程度檢測可以作為離線抽檢過程，因此氧化缺陷檢測算法滿足在線檢測實(shí)時(shí)性的需求。

4 結(jié)束語

本文針對高密度超薄FICS精密檢測需求，搭建了基于超精密顯微成像的FICS銅箔表面缺陷檢測系統(tǒng)，設(shè)計(jì)了一種基于局部直方圖最小值自適應(yīng)閾值的銅箔表面快速分割方法和一種基于三維顏色特征的氧化缺陷檢測算法，同時(shí)提取氧化缺陷的8維顏色特征向量，輸入DAG-SVMS分類器對氧化程度進(jìn)行分級。最終，檢測系統(tǒng)將整張F(tuán)ICS圖像的氧化缺陷的個(gè)數(shù)、位置、面積及氧化程度等信息反饋到生產(chǎn)線，進(jìn)而提高FICS的生產(chǎn)質(zhì)量和成品率。本文所提算法能實(shí)現(xiàn)微米級線路表面氧化缺陷檢測與氧化程度分級，從而為高密度超薄柔性集成電路基板制造過程提供了精密的銅箔表面缺陷檢測手段，解決了銅箔表面氧化缺陷的自動檢測難題，具有一定的理論意義和工程實(shí)用價(jià)值。目前，該系統(tǒng)正在大生產(chǎn)線上進(jìn)行應(yīng)用驗(yàn)證工作，隨著實(shí)際應(yīng)用數(shù)據(jù)的積累，將應(yīng)用深度學(xué)習(xí)等智能算法[31-32]進(jìn)一步提高檢測速度和精度。