微电子产品视觉检测中关键技术研究
|
摘要
微电子产业无疑是信息产业的核心和基础,是推动国民经济信息化的重要保证。随着微电子产品(集成电路芯片、印刷电路板等)向着高密度、细间距和低缺陷方向发展,对其检测技术在精密、高效、通用和智能化等方面提出了更高要求。由此,本文对微电子产品视觉检测中的关键技术进行研究,弥补了传统检测在精确快速定位、图像全景组合和精细缺陷检测等方面的不足,最终完成基于机器视觉的微电子产品外形尺寸和缺陷检测的理论研究和样机研制,并进行了大量实验证明其正确性和可行性,力图为我国自主创新的微电子产品视觉检测技术提供理论和实际借鉴。主要研究工作如下:
(1)根据自动视觉检测原理和现代检测要求,设计了适用于微电子产品的新的视觉检测系统(PVMS)。针对微电子产品视觉检测的精密、高效、检测精度和测量范围变换大的特点,设计了伺服驱动、精密光栅采集组成闭环控制系统以保证运动精密、平稳、高效,和大的尺寸测量范围;设计了由CCD摄像机、大范围自动变倍镜头和自适应光源组成的图像采集系统,集不同精度等级的检测于一体;设计了电气控制和软件系统使检测方便快捷。最后研制了集光、机、电等高新技术于一体的样机。
(2)针对遗传算法的初始参数对算法结果影响较大和易陷入局部最优的问题,在阐述基本数学理论模式定理的基础上,对自适应遗传算法进行了深入的研究,提出了一种优势遗传的新观点,由此设计了基于优势遗传的自适应遗传算法,通过实验表明,该算法能够达到理想全局最优解,有很强的全局搜索能力,在准确性、稳定性和重复性方面优于当前自适应遗传算法。并把它应用于微电子产品视觉检测的快速匹配定位和配准中,提高了图像匹配的速度和准确度。
(3)针对圆形定位标志定位运算复杂、效率低的不足,结合点Hough变换的快速性和亚像素细分的精确性,提出基于点Hough变换的圆亚像素检测算法,有效提高了圆标志定位的准确性、快速性和鲁棒性。
(4)针对高放大倍数显微镜头景深小、视场小的缺憾,对图像全景组合技术进行了研究。针对传统的基于软件的图像拼接算法复杂、速度慢的不足,和微电子产品视觉检测中大量序列图像快速精确拼接的要求,充分考虑本文研制设备的精密闭环运动系统,提出基于基准位置的快速精确图像拼接算法,拼接速度大大提高,精度达到亚像素级。
Microelectronic industry is the kernel and foundation of the information industry, it is the important assurance to improve national economy. With the development of microelectronic products(integrated circuit, printed circuit board, etc) directing to high density, thin separation and low defect ratio, its inspection requirement is higher on aspects of precision, efficiency, universal, and intelligence etc. Therefore, this paper researched on the general key techniques in the field of microelectronic products vision inspection, covered the shortage of traditional inspection on aspects of fast and precision locating, image mosaic, and fine defect test, completed theory study on physical dimension and defect inspection of microelectronic products based on machine vision, developed the prototype and used lots of experiments to prove its correctness and feasibility. The main research works in this dissertation are as follows:
(1) Based on the automatic vision inspection principle and modern inspection requirement, designed a new vision inspection system for microelectronic products (PVMS). According to the features of precision, efficiency, inspection dimension and accuracy varying great range, designed closed-loop control system composition of servomechanism and grating to assure system’s precision, smooth, efficiency, and to realize the great dimension range measurement; designed image capture system composition of CCD, automatic variable power lens and self-adaptive lighting, to realize integration of large inspection precision range; designed electric control and software system to make the inspection convenience and fast. Finally, developed the prototype instrument.
(2) Considering the problem that genetic algorithm running result is affected greatly by the initial parameter and it’s easy to trap in local optimum, based on its mathematic theory, studied deeply on self-adaptive genetic algorithm, presented a new viewpoint -- superiority inheritance, furthermore, designed adaptive genetic algorithm based on superiority inheritance. The experiment showed that this algorithm could find the global best solution, and had strongly global hunting capability. It is prior to traditional adaptive genetic algorithms on aspects of accuracy, stability, and repeatability etc. It was applied in fast image
(1)根据自动视觉检测原理和现代检测要求,设计了适用于微电子产品的新的视觉检测系统(PVMS)。针对微电子产品视觉检测的精密、高效、检测精度和测量范围变换大的特点,设计了伺服驱动、精密光栅采集组成闭环控制系统以保证运动精密、平稳、高效,和大的尺寸测量范围;设计了由CCD摄像机、大范围自动变倍镜头和自适应光源组成的图像采集系统,集不同精度等级的检测于一体;设计了电气控制和软件系统使检测方便快捷。最后研制了集光、机、电等高新技术于一体的样机。
(2)针对遗传算法的初始参数对算法结果影响较大和易陷入局部最优的问题,在阐述基本数学理论模式定理的基础上,对自适应遗传算法进行了深入的研究,提出了一种优势遗传的新观点,由此设计了基于优势遗传的自适应遗传算法,通过实验表明,该算法能够达到理想全局最优解,有很强的全局搜索能力,在准确性、稳定性和重复性方面优于当前自适应遗传算法。并把它应用于微电子产品视觉检测的快速匹配定位和配准中,提高了图像匹配的速度和准确度。
(3)针对圆形定位标志定位运算复杂、效率低的不足,结合点Hough变换的快速性和亚像素细分的精确性,提出基于点Hough变换的圆亚像素检测算法,有效提高了圆标志定位的准确性、快速性和鲁棒性。
(4)针对高放大倍数显微镜头景深小、视场小的缺憾,对图像全景组合技术进行了研究。针对传统的基于软件的图像拼接算法复杂、速度慢的不足,和微电子产品视觉检测中大量序列图像快速精确拼接的要求,充分考虑本文研制设备的精密闭环运动系统,提出基于基准位置的快速精确图像拼接算法,拼接速度大大提高,精度达到亚像素级。
Microelectronic industry is the kernel and foundation of the information industry, it is the important assurance to improve national economy. With the development of microelectronic products(integrated circuit, printed circuit board, etc) directing to high density, thin separation and low defect ratio, its inspection requirement is higher on aspects of precision, efficiency, universal, and intelligence etc. Therefore, this paper researched on the general key techniques in the field of microelectronic products vision inspection, covered the shortage of traditional inspection on aspects of fast and precision locating, image mosaic, and fine defect test, completed theory study on physical dimension and defect inspection of microelectronic products based on machine vision, developed the prototype and used lots of experiments to prove its correctness and feasibility. The main research works in this dissertation are as follows:
(1) Based on the automatic vision inspection principle and modern inspection requirement, designed a new vision inspection system for microelectronic products (PVMS). According to the features of precision, efficiency, inspection dimension and accuracy varying great range, designed closed-loop control system composition of servomechanism and grating to assure system’s precision, smooth, efficiency, and to realize the great dimension range measurement; designed image capture system composition of CCD, automatic variable power lens and self-adaptive lighting, to realize integration of large inspection precision range; designed electric control and software system to make the inspection convenience and fast. Finally, developed the prototype instrument.
(2) Considering the problem that genetic algorithm running result is affected greatly by the initial parameter and it’s easy to trap in local optimum, based on its mathematic theory, studied deeply on self-adaptive genetic algorithm, presented a new viewpoint -- superiority inheritance, furthermore, designed adaptive genetic algorithm based on superiority inheritance. The experiment showed that this algorithm could find the global best solution, and had strongly global hunting capability. It is prior to traditional adaptive genetic algorithms on aspects of accuracy, stability, and repeatability etc. It was applied in fast image
引文
1. 冯晓国，张景和，张承嘉，何惠阳. IC 封装设备划片机的研制. 仪器仪表学报.2003，24（4）增刊：50~52
2. 浅 谈 中 国 机 器 视 觉 未 来 发 展 趋 势 . http://www.gongkong.com/news/detail_1.asp?id=4561. 2004
3. 于凌宇，冯玉萍. IC测试新技术新标准发展动向. http://www.epc.com.cn/2001 /0109/3-01.htm
4. 衣晓飞. 集成电路芯片图象处理技术的研究. 国防科学技术大学博士学位论文. 2001.
5. 于向东，胡道媛，邓君龙，谈敏. ULSI 掩模缺陷检查技术研究.微电子技术.1994，22（1）：26~35
6. 贾云得. 机器视觉. 北京：科学出版社. 2000,:1~6
7.宣国荣. 机器视觉领域有益的争论. 模式识别与人工智能. 1992, 5(4):276 ~ 278
8. 杨照华. 精细农业中基于机器视觉的杂草识别技术研究. 哈尔滨工业大学博士学位论文.2003
9. Wang Keqi. A Machine Vision System for Inspecting Wood Surface Defectsby Using Neural Network. Journal of Northeast Forestry University. 1996,7(2) :63~65
10. 浅谈中国机器视觉未来发展趋势. http://www.gongkong.com/news/
11. 吴泽晖, 汪柄权. 基于数学形态学的肝脏 B 超图像的纹理识别. 中国图像图形学报. 1999,4(9):730~733
12. 张勇, 柏子游, 张强, 虞烈. 白细胞显微图像的区域分形特征分析. 西安交通大学学报. 1998,32(8):52~56
13. Sammouda, M. Niki, N. Niki, T. Yamaguchi, N. Analysis of color images oftissues derived from patients with adenocarcinoma of the lung. Proceedingsof ICIP. 2000,1:192~195
14. 冯斌, 汪懋华. 基于颜色分形的水果机器视觉分级技术. 农业工程学报,2002, 18 (2):141~144
15. 童雀菊, 华毓坤, 黄元生. 用图像处理方法采集原木形状参数研究. 林业科学. 1998, 34(3):87~96
16. Wang Keqi. Feature Extraction of Defects on Wood Surface. Journal ofForestry Research. 1998,9(1):54~56
17. 郑伟. 图像法检测印刷电路板缺陷. 西安理工大学硕士论文. 2002：2~6
18. 肖展业,杨素行,彭毅. 测试仪综述. 电子工艺技术. 2000,21(5):188~190
19. Howard W, Markstein. Electrical test: assuring manufacturing success[J].Electronic Packaging & Production, 1999,39(3):67-73
20. Howard W Markstein. AOI and X-ray find a niche in assembled PCBInspection [J]. Electronic Packaging & Production, 1998,38(15): 31-35.
21. Young J R, Won S P, Hyungsuch C. Correcting image distortion in the X-raydigital tomosynthesis system for PCB solder joint inspection[J]. Image andVision Computing, 2003,21:1063-1075
22. John W. Ledden. 现代PCB测试的策略. http://www.smthome.net/article/106.html. 2003-12-21
23. Anderson G. Confocal laser microscopes see a wider field of application.Laser Focus World,1994,30(2):83
24. 宋登元. 共焦激光扫描显微镜及其应用. 激光与红外. 1998，28(1)：19 ~
2225. 宋登元，王秀山. 超大规模机场电路芯片的激光缺陷检测技术. 激光杂志. 1998，19（6）：11~13
26. 高国龙.美国开发出用于探测集成电路缺陷的新技术.红外.2002，7：7
27. http://www.camtek.com
28. http:// www.corning.com
29. 干 辉 . 自 动 机 器 视 觉 检 测 在 电 子 制 造 领 域 大 显 身 手 . 2004-12-06.http://www.tmworld.com.cn/Cstmf/BCsy/SrchRlt.L.D.asp
30. 张文景，张文渊. 计算机视觉检测技术及其在机械零件检测中的应用.上海交通大学学报. 1999,33(5):635~638
31. Madhav Moganti, Fikret Ereal. Automatic PCB inspection systems. IEEEPotentials, 1995,14(3):6~10
32. Madhav Moganti, Fikert Ercal etal. Automatic PCB Inspection Algorithms: ASurvey[J].Computer Vision and Image Understanding. 1996, 63(2):287~313
33. Wen-Yen Wu，Mao-Jiun J Wang et al. Automated Inspection of PrintedCircuit Boards through Machine Vision[J].Computer in Industry. 1996, 28:103 ~111
34. G A W West. A System for the Automatic Visual Inspection of Bared PrintedCircuit Boards[J]. IEEE Transactions on Systems, Man and Cybernetics.1984, 14 (5):767~773
35. A M Darwish, A K Jain. A rule based approach for visual pattern inspection[J]. IEEE Transactions of Pattern Analysis and Machine Intelligence, 1988,10(f):56~68
36. Eduardo Baym-Corruchano. Review of Automated Visual Inspection 1983 to1993-Part I: Conventional Approches. SPIE-Intell[J].Robots Comput VisionXII, 1993, 2055:128~158
37. Yasuhiko Hara etc, A System for PCB Automated Inspection UsingFluorescent Light[J]，IEEE TRANSACTION ANALYSIS AND MACHINEINTELLIGENCE. 1988,10(1): 69~77
38. Madhav Moganti etc，Segmentation of Printed Circuit Board Images intoBasic Patterns[J], COMPUTER VISION AND IMAGE UNDERSTANDING,1988, 70(1):74~86
39. YUNG-NIEN SUN etc，A New Model-based Approach for Industrial VisualInspection[J]，Pattern Recognition, 1992,25(11):1327~1336
40. 刘尚军,程宪平. PCB 瑕疵图象实时视觉检测方法的研究. 计算机工程与应用. 2002,16:71-74
41. 李金喜.印刷电路图像法检测技术研究. 西安理工大学硕士论文. 2001
42. 郑伟. 图像法检测印刷电路板缺陷. 西安理工大学硕士论文. 2002.
43. 谢佳豪. 基于计算机视觉的印刷电路板自动检测系统的研究. 西安理工大学硕士论文. 2004
44. 刘尚军. 印刷电路板瑕疵自动光学检测系统的研究. 华中科技大学硕士学位论文. 2002.
45. 徐胜海. 印刷电路板在线自动视觉检测系统的分析研究. 合肥工业大学硕士学位论文.2001
46. 王格芳，陈国顺，孟亚峰，李合平. 基于红外热成像的集成电路检测与诊断.激光与红外. 1999，29（5）：315-317
47. 侯成刚，赵明涛，屈梁生. 红外热成象技术对印刷路板故障的诊断能力.红外技术. 1996，18（6）：37-41
48. 高湘玲. PCB 数字图像检测与识别研究. 西南交通大学硕士论文.2002.12
49. 姚立新，张武学，连军莉. AOI 系统在 pcb 中的应用. 电子工业专用设备.2004,5:25-28
50. 屈玉福. 视觉坐标测量机三维动态测量技术的研究. 哈尔滨工业大学博士学位论文.2003
51. 朱红，赵亦工.基于遗传算法的快速图像相关匹配[J].红外与毫米波学报.1999,18(2):145~150
52. Arabas J, Michalewicz Z, Mulawka J. GAVaPS-A genetic algorithm withvarying population size [A]. IEEE World Congress on ComputationalIntelligence [C]. Orlando, IEEE, 1994:73~78
53. SRINIVAS M, PATNAIK L M. Adaptive probabilities of crossover andmutation in genetic algorithm [J]. IEEE Transaction on Systems, Man, andCybernetic. 1994, 24(4): 656~667
54. 王小平，曹立明.遗传算法理论、应用与软件实现[M]. 西安交通大学出版社. 2002：73~74
55. 郑军,诸静. 基于自适应遗传算法的图像匹配[J].浙江大学学报(工学版).2003,37(6): 689~692
56. Holland H. Adaptation in nature and artifical systems. MIT Press,1992.
57. Goldberg D E. Genetic algorithms in search, optimization and machinelearning. Addison-wesley, 1989
58. 周明，孙树栋. 遗传算法原理及应用. 北京：国防工业出版社，1999.
6:1~32
59. 李敏强. 遗传算法的基本理论与应用. 北京：科学出版社，2002.3:4~75
60. 彭新竹. 遗传算法的改进策略及其应用[J].华东船舶工业学院学报(自然科学版) 2002，16（3）：53~58
61. Daugman J G. High Confidence Visual Recognition of Persons by a Test ofStatistical Independence. IEEE Tran. Pattern Machine Intell[J], 1993, 15(11) :1148~1161
62. Davies E R. A Modified Hough Scheme for General Circle Location, PatternRecognition Letters[J], 1987,7:37~43
63. 汪大崴. 数字图像处理技术在 IC 和 PCB 外观检查中的应用. 武汉大学硕士论文. 2002
64. 林金龙，石青云. 用点 Hough 变换实现圆检测的方法. 计算机工程[J].2003,29(11):17~19
65. 张 利 高永英 汪 浩 吴国威. PCB 板检测中的定位研究.中国图象图形学报,1999，4(A)，8：659~662
66. Lyvers Edward P，Mitchell Owen Robert. Subpixel Measurements Using aMoment-Based Edge Operator. IEEE Transactions on Pattern Analysis andMachine Intelligence[J], 1989, 11 (12): 1293～1307
67. 1 L.Moura. A Direct Method for Least-Squares Circle Fitting. ComputerPhysics Communications. 1991, 64: 57-63.
68. Qinfeng Zheng and Rama Chellappa. A Computational Vision Approach toImage Registration. IEEE Trans. on Image Processing. 1993.2(3):311~325
69. C. F. Lin and C. L. Lee. An Accurate Method for Image Registration. PatternRecognition and Image Analysis. 2000, 10(3):343~358
70. 吴福，于满川. 旋转图像序列的整合[J]. 模式识别与人工智能. 1999，3（12）：249-254
71. Raymond J. Althof, Marco G. J. Wind, James T. Dobbins. A Rapid andAutomatic Image Registration Algorithm with Subpixel Accuracy[J]. IEEETRANSACTIONS ON MEDICAL IMAGING. 1997,16(3): 308~316
72. 樊庆文,王小龙,侯 力,黄成祥. 基于等距序列图像的快速拼接技术. 四川大学学报(工程科学版). 2005，37（1）：139-142
73. 谢佳豪. 基于计算机视觉的印刷电路板自动检测系统的研究. 西安理工大学硕士论文. 2004.
74. Lisa, G B. A Survey of Image Registration Techniques. ACM ComputingSurveys. 1992, 24(4):325~376
75. 付厚超，陈宗海. 基于垂直边缘处理的全景图像的拼接. 计算机工程.2004，30（4）：132~134
76. 解凯，郭恒业，张田文. 图像 Mosaics 技术综述[J]. 电子学报. 2004，32（4）：630-634.
77. Irani M. Mosaics based representation of video sequences and theirapplications [A]. Proc of Computer Vision[C]. Canbridge Massachusettes,1995. 605~611.
78. Szeliski R. Video Mosaics fox Virtual Environment [J] .IEEE ComputerGraphics & Application 1996,16(3):22~30.
79. Bert P. J Multiresolution Spine With Application to Image Mosaics [J]. ACMTransaction On Graphics .1983,2(4):245~256.
80. Qinfeng Zheng and Rama Chellappa. A Computational Vision Approach toImage Registration. IEEE Trans. on Image Processing. 1993.2(3):311~325
81. C. F. Lin and C. L. Lee. An Accurate Method for Image Registration. PatternRecognition and Image Analysis. 2000, 10(3):343~358
82. Szeliski R. Image Mosaicing for Tele-reality Applications. IEEE ComputerGraphics and Applications. 1994,6:44~53
83. Peleg S, Herman J. Panoramic Mozaic by Manifold Projection. IEEEProceeding of the IEEE Computer Society Conference on CVPR.LosAlarnitos: IEEE. 1997. 338~343
84. Kyung H J, Soon K J. Constructing cylindrical panoramic image usingequidistant matching. Electronics Letters. 1999, 35 (20):1715~1716
85. 李志刚，纪玉波，薛全. 边界重叠图像的一种快速拼接算法. 计算机工程. 2000，26(5):37~38
86. 邵亚非，张利，苏光大，吴国威. 一种薄膜电路故障的自动检测系统.电子技术应用. 2000，4:28~30
87. Wen-Yen Wu, Mao-Jiun J. Wang, Chih-Ming Liu. Automated Inspection ofPrinted Circuit Boards through Machine Vision. Computers in Industry. 1996,
28:103~111
88. Xiaoyin Xu; Miller, E.L.; Adaptive two-pass median filter to removeimpulsive noise Image Processing. Proceedings of The First InternationalConference on Machine Learning and Cybernetics, Beijing, 2002:808 ~811
89. Enrique A. Barria and Jogikal M．Jagadeesh．Wavelet Function to EstimateVelocity in Spation-temporal Signals．IEEE Transaction Signal Processing.1998, 46(4):1105~1118
90. 章毓晋. 图像处理与机器视觉. 北京:清华大学出版社, 2000:246~249
91. Serra. J. Morphological filtering: An over view. Signal Processing, 1994,38(1): 3~11
92. Maragos P, Schafer R W．Morphological Filters-Part I and Part II．IEEETrans．On ASSP. 1987：1153~1184
93. 于秀林，任雪松. 多元统计分析. 北京:中国统计出版社, 1999:154~166
94. （美）冈萨雷斯等著；阮秋琦等译. 数字图像处理（第二版）. 北京：电子工业出版社，2003，3
95. 边肇棋、张学工等，模式识别(第二版)，北京:清华大学出版社，2002.3
96. K. R. Castleman 著；朱志刚等译. 数字图像处理. 北京：电子工业出版社，2001，5
97. 杨波, 徐光佑. 纹理相似性度量研究及基于纹理特征的图象检索. 自动化学报. 2004, 30(6)：991~998
98. Kirby M, Sirovich L. Application of the KL procedure for thecharacterization of human faces. IEEE Trans. Pattern Anal. Machine Intell.1990,12(1):103-108.
99. Turk M, Pentland A. Eigenfaces for recognition.J. Cognitive Neuroscience,1991,3(1):71-86.
100. Turk M , Pentland A, Face Recognition using eigenfaces, In Proceeding ofthe IEEE ComputerSocietyConferenceon ComputerVisionandPatternRecognition,1994,pp:586-591.
101. Pentland A et al. View-based modular eigenspaces for face recognition.Proc. IEEE Conf. on CVPR, 1994, 84-91.
102. 王守觉，曲延锋，李卫军，覃鸿. 基于仿生模式识别与传统模式识别的人脸识别效果比较研究. 电子学报. 2004，32（7）：1057~1061
103. 芮挺，沈春林，丁健等. 基于主分量分析的手写数字字符识别. 小型微型计算机系统. 2005，26（2）：289~292
104. 王成儒，李段. 利用小波零树结构和 PCA 构造图像零水印. 光电工程.2005，32（4）：75~77
105. 王虹，时文. 基于神经网络的主分量分析及其在图像压缩中的应用研究. 武汉理工大学学报. 2005，29（3）：425~427
106. Yambor W., Draper B., and Beveridge J.R., Analysis of PCA-based FaceRecognition Algorithms: Eigenvector Selection and Distance Measures.Second Workshop on Empirical Evaluation Methods in Computer Vision,2000
107. 陈爱斌. 基于支持向量机的车型识别. 中南大学硕士学位论文. 2004
108. C Cortes, V Vapnik. Support vector networks[J]. Machine Learning, 1995,20:273-295.
109. Guoqin Cui, Wen Gao. SVMs for few examples-based face recognition.IEEE ICASSP 2003,2：381~384
110. 马勇，丁晓青. 基于层次型支持向量机的人脸检测. 清华大学学报（自然科学版）. 2003,43（1）：67~70
111. 忻栋，杨莹春，吴朝晖. 基于 SVM-HMM 混合模型的说话人确认. 计算机辅助设计与图形学学报. 2003，15（4）：416~420
112. 高学，金连文，尹俊勋等. 一种基于支持向量机的手写汉字识别方法.电子学报. 2002，30（5）：651~654
113. Kimura Y, Wakahara T. Toward robust handwritten Kanji characterrecognition [J]. Pattern Recognition Letters, 1999, 20: 979~990.
114. 潘晨，闫相国，郑崇勋，梁成文. 利用单类支持向量机分割血细胞图像.西安交通大学学报. 2005，39（2）：150~153
115. 陈光英，张千里，李星. 特征选择和 SVM 训练模型的联合优化. 清华大学学报(自然科学版). 2004, 44(1)：9~12.
116. 祁亨年. 支持向量机及其应用研究综述.计算机工程.2004，30(10)：6~9
117. 张学工. 关于统计学习理论与支持向量机. 自动化学报. 2000,26 (1): 32-42118. Vapnic. 统计学习理论的本质[M].张学工,译.北京:清华大学出版社,2000.
119. 马笑潇，黄席樾，柴毅. 基于 SVM 的二叉树多类分类算法及其在故障诊断中的应用. 控制与决策. 2003，18（3）：272~276
120. Boser B, Guyon I, Vapnik V. A training algorithm for optimal marginclassifiers, Fifth Annual Workshop on Computational Learning Theory.Pittsburgh: ACM Press, 1992
121. Scholkopf B, Burges C, Vapnik V. Extracting support data for a given task.In: Fayyad U M, Uthurusamy R(eds.). Proc. of First Intl. Conf. onKnowledge Discovery & Data Mining, AAAI Press, 1995, 262~267
122. CHIH-WEIHSU, CHIH-JENLIN. A comparison of methods for multi-classification support vector machines [EB/OL]. http://www.csie.ntu.edu.tw/~cjlin/libsvm.
123. 黄 勇,郑春颖,宋忠虎. 多类支持向量机算法综述. 计算技术与自动化.2005，24（4）：61-63.
124. 祁亨年.支持向量机及其应用研究综述.计算机工程.2004，30(10)：6~9
125. J. Weston, C. Watkins. Multi-class support vector machines[R]. TechnicalReport. CSD-TR-98-04. Department of Computer Science, Royal Holloway,university of London, 1998. Http://citeseer.nj.nec.com/8884.html.
126. K. Crammer, Y. Singer. Ultraconservative Online Algorithms for MulticlassProblems[C]. In: Proc of the 14th Annual Conf on Computational LearningTheory, 2001.
127. Hsu C, Lin C. A Comparison of Methods for Multiclass Support VectorMachines[J]. IEEE Trans on Neural Networks, 2002,13(2): 415-425.
128. L. Bottou, C. Cortes, J.Denker, et al. Comparison of classifier methods: acase study in handwriting digit recognition[J]. In International Conference onPattern Recognition, IEEE Computer Society Press, 1994: 77-87.
129. J. Friedman. Another approach to polychotomous classification. Technicalreport, Department of Statistics, Stanford University, 1996. http://www-stat.stanford.edu/reports/friedman/poly.ps.z.
130. S. Knerr, L. Personnaz, G.. Dreyfus. Single-layer learning revisited: astepwise procedure for building and training a neural network. In J.Fogelman,editor,Neurocomputing:Algorithms,ArchitecturesandApplications. Springer-Verlag, 1990.
131. U. Krebel. Pariwise classification and support vector machines. In B.Scholkoph,C.J.C.Burges, and A.J.Smola,editors, Advances in KernelMethods—Support Vecotr Learning, Cambridge, MA, MIT Press, 1999:255~268
132. Platt J C, Cristianini N, Shawe-Taylor J. Large Margin DAGs forMulticlass Classification. In Advances in Neural Information ProcessingSystems,MIT Press, 2000,12: 547~553
133. Azimi-Sadjadi M. R., Zekavat S A. Cloud Classification Using SupportVector Machines.[C]. In: Proc of the 2000 IEEE Geoscience and RemoteSensing Symposium (IGRASS 2000), Honolulu, Hawaii, 2000,07(2):669~671
134. Fumitake Takahashi, Shigeo Abe. Decision-Tree-Based Multiclass SupportVectorMachines.From:http://frenchblue.scitec.kobe-u.ac.jp/~abe/pdf/iconip02 - takahashi.pdf, 2002
135. 刘志刚，李德仁，秦前清，史中文. 支持向量机在多类分类问题中的推广. 计算机工程与应用. 2004，7：10~13
136. 唐发明，王仲东，陈绵云. 支持向量机多类分类算法研究. 控制与决策.2005，20（7）：746~749.
2. 浅 谈 中 国 机 器 视 觉 未 来 发 展 趋 势 . http://www.gongkong.com/news/detail_1.asp?id=4561. 2004
3. 于凌宇，冯玉萍. IC测试新技术新标准发展动向. http://www.epc.com.cn/2001 /0109/3-01.htm
4. 衣晓飞. 集成电路芯片图象处理技术的研究. 国防科学技术大学博士学位论文. 2001.
5. 于向东，胡道媛，邓君龙，谈敏. ULSI 掩模缺陷检查技术研究.微电子技术.1994，22（1）：26~35
6. 贾云得. 机器视觉. 北京：科学出版社. 2000,:1~6
7.宣国荣. 机器视觉领域有益的争论. 模式识别与人工智能. 1992, 5(4):276 ~ 278
8. 杨照华. 精细农业中基于机器视觉的杂草识别技术研究. 哈尔滨工业大学博士学位论文.2003
9. Wang Keqi. A Machine Vision System for Inspecting Wood Surface Defectsby Using Neural Network. Journal of Northeast Forestry University. 1996,7(2) :63~65
10. 浅谈中国机器视觉未来发展趋势. http://www.gongkong.com/news/
11. 吴泽晖, 汪柄权. 基于数学形态学的肝脏 B 超图像的纹理识别. 中国图像图形学报. 1999,4(9):730~733
12. 张勇, 柏子游, 张强, 虞烈. 白细胞显微图像的区域分形特征分析. 西安交通大学学报. 1998,32(8):52~56
13. Sammouda, M. Niki, N. Niki, T. Yamaguchi, N. Analysis of color images oftissues derived from patients with adenocarcinoma of the lung. Proceedingsof ICIP. 2000,1:192~195
14. 冯斌, 汪懋华. 基于颜色分形的水果机器视觉分级技术. 农业工程学报,2002, 18 (2):141~144
15. 童雀菊, 华毓坤, 黄元生. 用图像处理方法采集原木形状参数研究. 林业科学. 1998, 34(3):87~96
16. Wang Keqi. Feature Extraction of Defects on Wood Surface. Journal ofForestry Research. 1998,9(1):54~56
17. 郑伟. 图像法检测印刷电路板缺陷. 西安理工大学硕士论文. 2002：2~6
18. 肖展业,杨素行,彭毅. 测试仪综述. 电子工艺技术. 2000,21(5):188~190
19. Howard W, Markstein. Electrical test: assuring manufacturing success[J].Electronic Packaging & Production, 1999,39(3):67-73
20. Howard W Markstein. AOI and X-ray find a niche in assembled PCBInspection [J]. Electronic Packaging & Production, 1998,38(15): 31-35.
21. Young J R, Won S P, Hyungsuch C. Correcting image distortion in the X-raydigital tomosynthesis system for PCB solder joint inspection[J]. Image andVision Computing, 2003,21:1063-1075
22. John W. Ledden. 现代PCB测试的策略. http://www.smthome.net/article/106.html. 2003-12-21
23. Anderson G. Confocal laser microscopes see a wider field of application.Laser Focus World,1994,30(2):83
24. 宋登元. 共焦激光扫描显微镜及其应用. 激光与红外. 1998，28(1)：19 ~
2225. 宋登元，王秀山. 超大规模机场电路芯片的激光缺陷检测技术. 激光杂志. 1998，19（6）：11~13
26. 高国龙.美国开发出用于探测集成电路缺陷的新技术.红外.2002，7：7
27. http://www.camtek.com
28. http:// www.corning.com
29. 干 辉 . 自 动 机 器 视 觉 检 测 在 电 子 制 造 领 域 大 显 身 手 . 2004-12-06.http://www.tmworld.com.cn/Cstmf/BCsy/SrchRlt.L.D.asp
30. 张文景，张文渊. 计算机视觉检测技术及其在机械零件检测中的应用.上海交通大学学报. 1999,33(5):635~638
31. Madhav Moganti, Fikret Ereal. Automatic PCB inspection systems. IEEEPotentials, 1995,14(3):6~10
32. Madhav Moganti, Fikert Ercal etal. Automatic PCB Inspection Algorithms: ASurvey[J].Computer Vision and Image Understanding. 1996, 63(2):287~313
33. Wen-Yen Wu，Mao-Jiun J Wang et al. Automated Inspection of PrintedCircuit Boards through Machine Vision[J].Computer in Industry. 1996, 28:103 ~111
34. G A W West. A System for the Automatic Visual Inspection of Bared PrintedCircuit Boards[J]. IEEE Transactions on Systems, Man and Cybernetics.1984, 14 (5):767~773
35. A M Darwish, A K Jain. A rule based approach for visual pattern inspection[J]. IEEE Transactions of Pattern Analysis and Machine Intelligence, 1988,10(f):56~68
36. Eduardo Baym-Corruchano. Review of Automated Visual Inspection 1983 to1993-Part I: Conventional Approches. SPIE-Intell[J].Robots Comput VisionXII, 1993, 2055:128~158
37. Yasuhiko Hara etc, A System for PCB Automated Inspection UsingFluorescent Light[J]，IEEE TRANSACTION ANALYSIS AND MACHINEINTELLIGENCE. 1988,10(1): 69~77
38. Madhav Moganti etc，Segmentation of Printed Circuit Board Images intoBasic Patterns[J], COMPUTER VISION AND IMAGE UNDERSTANDING,1988, 70(1):74~86
39. YUNG-NIEN SUN etc，A New Model-based Approach for Industrial VisualInspection[J]，Pattern Recognition, 1992,25(11):1327~1336
40. 刘尚军,程宪平. PCB 瑕疵图象实时视觉检测方法的研究. 计算机工程与应用. 2002,16:71-74
41. 李金喜.印刷电路图像法检测技术研究. 西安理工大学硕士论文. 2001
42. 郑伟. 图像法检测印刷电路板缺陷. 西安理工大学硕士论文. 2002.
43. 谢佳豪. 基于计算机视觉的印刷电路板自动检测系统的研究. 西安理工大学硕士论文. 2004
44. 刘尚军. 印刷电路板瑕疵自动光学检测系统的研究. 华中科技大学硕士学位论文. 2002.
45. 徐胜海. 印刷电路板在线自动视觉检测系统的分析研究. 合肥工业大学硕士学位论文.2001
46. 王格芳，陈国顺，孟亚峰，李合平. 基于红外热成像的集成电路检测与诊断.激光与红外. 1999，29（5）：315-317
47. 侯成刚，赵明涛，屈梁生. 红外热成象技术对印刷路板故障的诊断能力.红外技术. 1996，18（6）：37-41
48. 高湘玲. PCB 数字图像检测与识别研究. 西南交通大学硕士论文.2002.12
49. 姚立新，张武学，连军莉. AOI 系统在 pcb 中的应用. 电子工业专用设备.2004,5:25-28
50. 屈玉福. 视觉坐标测量机三维动态测量技术的研究. 哈尔滨工业大学博士学位论文.2003
51. 朱红，赵亦工.基于遗传算法的快速图像相关匹配[J].红外与毫米波学报.1999,18(2):145~150
52. Arabas J, Michalewicz Z, Mulawka J. GAVaPS-A genetic algorithm withvarying population size [A]. IEEE World Congress on ComputationalIntelligence [C]. Orlando, IEEE, 1994:73~78
53. SRINIVAS M, PATNAIK L M. Adaptive probabilities of crossover andmutation in genetic algorithm [J]. IEEE Transaction on Systems, Man, andCybernetic. 1994, 24(4): 656~667
54. 王小平，曹立明.遗传算法理论、应用与软件实现[M]. 西安交通大学出版社. 2002：73~74
55. 郑军,诸静. 基于自适应遗传算法的图像匹配[J].浙江大学学报(工学版).2003,37(6): 689~692
56. Holland H. Adaptation in nature and artifical systems. MIT Press,1992.
57. Goldberg D E. Genetic algorithms in search, optimization and machinelearning. Addison-wesley, 1989
58. 周明，孙树栋. 遗传算法原理及应用. 北京：国防工业出版社，1999.
6:1~32
59. 李敏强. 遗传算法的基本理论与应用. 北京：科学出版社，2002.3:4~75
60. 彭新竹. 遗传算法的改进策略及其应用[J].华东船舶工业学院学报(自然科学版) 2002，16（3）：53~58
61. Daugman J G. High Confidence Visual Recognition of Persons by a Test ofStatistical Independence. IEEE Tran. Pattern Machine Intell[J], 1993, 15(11) :1148~1161
62. Davies E R. A Modified Hough Scheme for General Circle Location, PatternRecognition Letters[J], 1987,7:37~43
63. 汪大崴. 数字图像处理技术在 IC 和 PCB 外观检查中的应用. 武汉大学硕士论文. 2002
64. 林金龙，石青云. 用点 Hough 变换实现圆检测的方法. 计算机工程[J].2003,29(11):17~19
65. 张 利 高永英 汪 浩 吴国威. PCB 板检测中的定位研究.中国图象图形学报,1999，4(A)，8：659~662
66. Lyvers Edward P，Mitchell Owen Robert. Subpixel Measurements Using aMoment-Based Edge Operator. IEEE Transactions on Pattern Analysis andMachine Intelligence[J], 1989, 11 (12): 1293～1307
67. 1 L.Moura. A Direct Method for Least-Squares Circle Fitting. ComputerPhysics Communications. 1991, 64: 57-63.
68. Qinfeng Zheng and Rama Chellappa. A Computational Vision Approach toImage Registration. IEEE Trans. on Image Processing. 1993.2(3):311~325
69. C. F. Lin and C. L. Lee. An Accurate Method for Image Registration. PatternRecognition and Image Analysis. 2000, 10(3):343~358
70. 吴福，于满川. 旋转图像序列的整合[J]. 模式识别与人工智能. 1999，3（12）：249-254
71. Raymond J. Althof, Marco G. J. Wind, James T. Dobbins. A Rapid andAutomatic Image Registration Algorithm with Subpixel Accuracy[J]. IEEETRANSACTIONS ON MEDICAL IMAGING. 1997,16(3): 308~316
72. 樊庆文,王小龙,侯 力,黄成祥. 基于等距序列图像的快速拼接技术. 四川大学学报(工程科学版). 2005，37（1）：139-142
73. 谢佳豪. 基于计算机视觉的印刷电路板自动检测系统的研究. 西安理工大学硕士论文. 2004.
74. Lisa, G B. A Survey of Image Registration Techniques. ACM ComputingSurveys. 1992, 24(4):325~376
75. 付厚超，陈宗海. 基于垂直边缘处理的全景图像的拼接. 计算机工程.2004，30（4）：132~134
76. 解凯，郭恒业，张田文. 图像 Mosaics 技术综述[J]. 电子学报. 2004，32（4）：630-634.
77. Irani M. Mosaics based representation of video sequences and theirapplications [A]. Proc of Computer Vision[C]. Canbridge Massachusettes,1995. 605~611.
78. Szeliski R. Video Mosaics fox Virtual Environment [J] .IEEE ComputerGraphics & Application 1996,16(3):22~30.
79. Bert P. J Multiresolution Spine With Application to Image Mosaics [J]. ACMTransaction On Graphics .1983,2(4):245~256.
80. Qinfeng Zheng and Rama Chellappa. A Computational Vision Approach toImage Registration. IEEE Trans. on Image Processing. 1993.2(3):311~325
81. C. F. Lin and C. L. Lee. An Accurate Method for Image Registration. PatternRecognition and Image Analysis. 2000, 10(3):343~358
82. Szeliski R. Image Mosaicing for Tele-reality Applications. IEEE ComputerGraphics and Applications. 1994,6:44~53
83. Peleg S, Herman J. Panoramic Mozaic by Manifold Projection. IEEEProceeding of the IEEE Computer Society Conference on CVPR.LosAlarnitos: IEEE. 1997. 338~343
84. Kyung H J, Soon K J. Constructing cylindrical panoramic image usingequidistant matching. Electronics Letters. 1999, 35 (20):1715~1716
85. 李志刚，纪玉波，薛全. 边界重叠图像的一种快速拼接算法. 计算机工程. 2000，26(5):37~38
86. 邵亚非，张利，苏光大，吴国威. 一种薄膜电路故障的自动检测系统.电子技术应用. 2000，4:28~30
87. Wen-Yen Wu, Mao-Jiun J. Wang, Chih-Ming Liu. Automated Inspection ofPrinted Circuit Boards through Machine Vision. Computers in Industry. 1996,
28:103~111
88. Xiaoyin Xu; Miller, E.L.; Adaptive two-pass median filter to removeimpulsive noise Image Processing. Proceedings of The First InternationalConference on Machine Learning and Cybernetics, Beijing, 2002:808 ~811
89. Enrique A. Barria and Jogikal M．Jagadeesh．Wavelet Function to EstimateVelocity in Spation-temporal Signals．IEEE Transaction Signal Processing.1998, 46(4):1105~1118
90. 章毓晋. 图像处理与机器视觉. 北京:清华大学出版社, 2000:246~249
91. Serra. J. Morphological filtering: An over view. Signal Processing, 1994,38(1): 3~11
92. Maragos P, Schafer R W．Morphological Filters-Part I and Part II．IEEETrans．On ASSP. 1987：1153~1184
93. 于秀林，任雪松. 多元统计分析. 北京:中国统计出版社, 1999:154~166
94. （美）冈萨雷斯等著；阮秋琦等译. 数字图像处理（第二版）. 北京：电子工业出版社，2003，3
95. 边肇棋、张学工等，模式识别(第二版)，北京:清华大学出版社，2002.3
96. K. R. Castleman 著；朱志刚等译. 数字图像处理. 北京：电子工业出版社，2001，5
97. 杨波, 徐光佑. 纹理相似性度量研究及基于纹理特征的图象检索. 自动化学报. 2004, 30(6)：991~998
98. Kirby M, Sirovich L. Application of the KL procedure for thecharacterization of human faces. IEEE Trans. Pattern Anal. Machine Intell.1990,12(1):103-108.
99. Turk M, Pentland A. Eigenfaces for recognition.J. Cognitive Neuroscience,1991,3(1):71-86.
100. Turk M , Pentland A, Face Recognition using eigenfaces, In Proceeding ofthe IEEE ComputerSocietyConferenceon ComputerVisionandPatternRecognition,1994,pp:586-591.
101. Pentland A et al. View-based modular eigenspaces for face recognition.Proc. IEEE Conf. on CVPR, 1994, 84-91.
102. 王守觉，曲延锋，李卫军，覃鸿. 基于仿生模式识别与传统模式识别的人脸识别效果比较研究. 电子学报. 2004，32（7）：1057~1061
103. 芮挺，沈春林，丁健等. 基于主分量分析的手写数字字符识别. 小型微型计算机系统. 2005，26（2）：289~292
104. 王成儒，李段. 利用小波零树结构和 PCA 构造图像零水印. 光电工程.2005，32（4）：75~77
105. 王虹，时文. 基于神经网络的主分量分析及其在图像压缩中的应用研究. 武汉理工大学学报. 2005，29（3）：425~427
106. Yambor W., Draper B., and Beveridge J.R., Analysis of PCA-based FaceRecognition Algorithms: Eigenvector Selection and Distance Measures.Second Workshop on Empirical Evaluation Methods in Computer Vision,2000
107. 陈爱斌. 基于支持向量机的车型识别. 中南大学硕士学位论文. 2004
108. C Cortes, V Vapnik. Support vector networks[J]. Machine Learning, 1995,20:273-295.
109. Guoqin Cui, Wen Gao. SVMs for few examples-based face recognition.IEEE ICASSP 2003,2：381~384
110. 马勇，丁晓青. 基于层次型支持向量机的人脸检测. 清华大学学报（自然科学版）. 2003,43（1）：67~70
111. 忻栋，杨莹春，吴朝晖. 基于 SVM-HMM 混合模型的说话人确认. 计算机辅助设计与图形学学报. 2003，15（4）：416~420
112. 高学，金连文，尹俊勋等. 一种基于支持向量机的手写汉字识别方法.电子学报. 2002，30（5）：651~654
113. Kimura Y, Wakahara T. Toward robust handwritten Kanji characterrecognition [J]. Pattern Recognition Letters, 1999, 20: 979~990.
114. 潘晨，闫相国，郑崇勋，梁成文. 利用单类支持向量机分割血细胞图像.西安交通大学学报. 2005，39（2）：150~153
115. 陈光英，张千里，李星. 特征选择和 SVM 训练模型的联合优化. 清华大学学报(自然科学版). 2004, 44(1)：9~12.
116. 祁亨年. 支持向量机及其应用研究综述.计算机工程.2004，30(10)：6~9
117. 张学工. 关于统计学习理论与支持向量机. 自动化学报. 2000,26 (1): 32-42118. Vapnic. 统计学习理论的本质[M].张学工,译.北京:清华大学出版社,2000.
119. 马笑潇，黄席樾，柴毅. 基于 SVM 的二叉树多类分类算法及其在故障诊断中的应用. 控制与决策. 2003，18（3）：272~276
120. Boser B, Guyon I, Vapnik V. A training algorithm for optimal marginclassifiers, Fifth Annual Workshop on Computational Learning Theory.Pittsburgh: ACM Press, 1992
121. Scholkopf B, Burges C, Vapnik V. Extracting support data for a given task.In: Fayyad U M, Uthurusamy R(eds.). Proc. of First Intl. Conf. onKnowledge Discovery & Data Mining, AAAI Press, 1995, 262~267
122. CHIH-WEIHSU, CHIH-JENLIN. A comparison of methods for multi-classification support vector machines [EB/OL]. http://www.csie.ntu.edu.tw/~cjlin/libsvm.
123. 黄 勇,郑春颖,宋忠虎. 多类支持向量机算法综述. 计算技术与自动化.2005，24（4）：61-63.
124. 祁亨年.支持向量机及其应用研究综述.计算机工程.2004，30(10)：6~9
125. J. Weston, C. Watkins. Multi-class support vector machines[R]. TechnicalReport. CSD-TR-98-04. Department of Computer Science, Royal Holloway,university of London, 1998. Http://citeseer.nj.nec.com/8884.html.
126. K. Crammer, Y. Singer. Ultraconservative Online Algorithms for MulticlassProblems[C]. In: Proc of the 14th Annual Conf on Computational LearningTheory, 2001.
127. Hsu C, Lin C. A Comparison of Methods for Multiclass Support VectorMachines[J]. IEEE Trans on Neural Networks, 2002,13(2): 415-425.
128. L. Bottou, C. Cortes, J.Denker, et al. Comparison of classifier methods: acase study in handwriting digit recognition[J]. In International Conference onPattern Recognition, IEEE Computer Society Press, 1994: 77-87.
129. J. Friedman. Another approach to polychotomous classification. Technicalreport, Department of Statistics, Stanford University, 1996. http://www-stat.stanford.edu/reports/friedman/poly.ps.z.
130. S. Knerr, L. Personnaz, G.. Dreyfus. Single-layer learning revisited: astepwise procedure for building and training a neural network. In J.Fogelman,editor,Neurocomputing:Algorithms,ArchitecturesandApplications. Springer-Verlag, 1990.
131. U. Krebel. Pariwise classification and support vector machines. In B.Scholkoph,C.J.C.Burges, and A.J.Smola,editors, Advances in KernelMethods—Support Vecotr Learning, Cambridge, MA, MIT Press, 1999:255~268
132. Platt J C, Cristianini N, Shawe-Taylor J. Large Margin DAGs forMulticlass Classification. In Advances in Neural Information ProcessingSystems,MIT Press, 2000,12: 547~553
133. Azimi-Sadjadi M. R., Zekavat S A. Cloud Classification Using SupportVector Machines.[C]. In: Proc of the 2000 IEEE Geoscience and RemoteSensing Symposium (IGRASS 2000), Honolulu, Hawaii, 2000,07(2):669~671
134. Fumitake Takahashi, Shigeo Abe. Decision-Tree-Based Multiclass SupportVectorMachines.From:http://frenchblue.scitec.kobe-u.ac.jp/~abe/pdf/iconip02 - takahashi.pdf, 2002
135. 刘志刚，李德仁，秦前清，史中文. 支持向量机在多类分类问题中的推广. 计算机工程与应用. 2004，7：10~13
136. 唐发明，王仲东，陈绵云. 支持向量机多类分类算法研究. 控制与决策.2005，20（7）：746~749.