| 摘要 | 第5-7页 |
| ABSTRACT | 第7-9页 |
| 第一章 绪论 | 第13-22页 |
| 1.1 选题背景及意义 | 第13页 |
| 1.2 集成电路芯片缺陷检测研究现状 | 第13-15页 |
| 1.3 机器视觉表面缺陷检测关键技术研究现状 | 第15-19页 |
| 1.3.1 图像分割 | 第15-16页 |
| 1.3.2 特征提取与降维 | 第16-18页 |
| 1.3.3 识别与分类 | 第18-19页 |
| 1.4 本文研究内容及组织结构 | 第19-22页 |
| 1.4.1 研究内容 | 第19-21页 |
| 1.4.2 组织结构 | 第21-22页 |
| 第二章 集成电路芯片表面缺陷图像多阈值分割 | 第22-53页 |
| 2.1 缺陷图像采集 | 第22-23页 |
| 2.2 缺陷图像分割算法分析及选择 | 第23-24页 |
| 2.3 基于萤火虫算法的二维熵多阈值缺陷图像分割 | 第24-32页 |
| 2.3.1 二维熵多阈值分割算法 | 第25-26页 |
| 2.3.2 萤火虫算法 | 第26-27页 |
| 2.3.3 基于萤火虫算法的二维熵多阈值分割法 | 第27页 |
| 2.3.4 实验结果与分析 | 第27-32页 |
| 2.4 基于反向萤火虫算法的大津多阈值缺陷图像分割 | 第32-40页 |
| 2.4.1 大津多阈值分割算法 | 第33-34页 |
| 2.4.2 反向萤火虫算法 | 第34-35页 |
| 2.4.3 基于反向萤火虫算法的大津多阈值分割法 | 第35-36页 |
| 2.4.4 实验结果与分析 | 第36-40页 |
| 2.5 基于改进的萤火虫算法的多阈值缺陷图像分割 | 第40-52页 |
| 2.5.1 基于Cauchy变异的多样性增强策略 | 第40-41页 |
| 2.5.2 邻域策略 | 第41-42页 |
| 2.5.3 改进的萤火虫算法 | 第42-44页 |
| 2.5.4 基于改进的萤火虫算法的大津多阈值分割法 | 第44页 |
| 2.5.5 实验结果与分析 | 第44-52页 |
| 2.6 本章小结 | 第52-53页 |
| 第三章 集成电路芯片表面缺陷提取 | 第53-70页 |
| 3.1 明场图像缺陷提取 | 第53-58页 |
| 3.1.1 明场图像分割后处理 | 第53-54页 |
| 3.1.2 明场图像数学形态学变换 | 第54-56页 |
| 3.1.3 改进的区域生长法 | 第56-57页 |
| 3.1.4 基于数学形态学变换和改进的区域生长的明场图像缺陷提取法 | 第57页 |
| 3.1.5 实验结果及分析 | 第57-58页 |
| 3.2 暗场图像缺陷提取 | 第58-65页 |
| 3.2.1 暗场图像分割后处理 | 第59-60页 |
| 3.2.2 芯片纹理方向检测 | 第60-62页 |
| 3.2.3 缺陷区域选择 | 第62-63页 |
| 3.2.4 基于纹理方向检测和缺陷区域选择的暗场图像缺陷提取法 | 第63页 |
| 3.2.5 实验结果与分析 | 第63-65页 |
| 3.3 缺陷种类及分析 | 第65-69页 |
| 3.4 本章小结 | 第69-70页 |
| 第四章 集成电路芯片表面缺陷特征提取与降维 | 第70-89页 |
| 4.1 缺陷特征提取方法选择 | 第70页 |
| 4.1.1 图像特征分类 | 第70页 |
| 4.1.2 集成电路芯片表面缺陷特征分析与选择 | 第70页 |
| 4.2 缺陷特征提取 | 第70-82页 |
| 4.2.1 缺陷几何特征提取 | 第71-76页 |
| 4.2.2 缺陷纹理特征提取 | 第76-81页 |
| 4.2.3 缺陷灰度特征提取 | 第81-82页 |
| 4.3 缺陷特征降维 | 第82-88页 |
| 4.3.1 基于主成分分析的缺陷特征抽取 | 第83-85页 |
| 4.3.2 基于KNN的序列浮动前向缺陷特征选择法 | 第85-88页 |
| 4.4 本章小结 | 第88-89页 |
| 第五章 集成电路芯片表面缺陷的分类识别 | 第89-103页 |
| 5.1 基于BP神经网络的缺陷分类识别 | 第89-93页 |
| 5.1.1 BP神经网络结构 | 第89-91页 |
| 5.1.2 BP神经网络的设计 | 第91-92页 |
| 5.1.3 基于BP神经网络的缺陷分类结果及分析 | 第92-93页 |
| 5.2 基于RBF神经网络的缺陷分类识别 | 第93-97页 |
| 5.2.1 RBF神经网络 | 第94-95页 |
| 5.2.2 基于RBF神经网络的缺陷分类结果及分析 | 第95-97页 |
| 5.3 基于改进的萤火虫算法的支持向量机的缺陷分类识别 | 第97-102页 |
| 5.3.1 支持向量机理论 | 第97-100页 |
| 5.3.2 基于改进的萤火虫算法的支持向量机 | 第100-101页 |
| 5.3.3 缺陷分类结果及分析 | 第101-102页 |
| 5.4 本章小结 | 第102-103页 |
| 第六章 总结与展望 | 第103-105页 |
| 6.1 研究内容总结 | 第103-104页 |
| 6.2 研究工作展望 | 第104-105页 |
| 致谢 | 第105-106页 |
| 参考文献 | 第106-116页 |
| 攻读博士期间取得的科研成果 | 第116页 |
