《中国制造2025》中将集成电路(integrated circuit,IC芯片)列为信息技术产业发展变革的首位。21世纪以来,IC芯片已经在各个行业中广泛应用。集成电路作为信息产业的核心,产业升级优化的关键在于IC芯片的运行效能以及寿命。提高对高端IC芯片的检测质量才能保证芯片的高品质。而在IC芯片的制造封装过程中,由于加工工艺的原因,在IC芯片表面可能会产生各类缺陷。目前,IC芯片加工制造与测试车间中,绝大部分外观检测工序由检测人员依靠高倍显微镜进行目检,存在人工操作容易疲劳,检测精度低,人工会受外界情况影响,效率低等缺点。机器视觉检测技术具有高精度、高稳定性、快速非接触式等优点,已经在众多检测领域中代替了人工检测。在目前市场投放的IC芯片外观缺陷检测设备中,国内自主研发的主要为半自动化检测设备,即通过自动上下料与人工目视完成IC芯片表面缺陷检测。全自动化检测设备需要国外引进,存在价格昂贵、订货周期长、供应商难以及时提供维修服务等问题。在IC芯片外观缺陷检测过程中,缺陷种类多种多样,背景变化会导致缺陷特征和位置产生随机变化,基于一般特征提取的识别方法无法有效识别缺陷。深度学习能够对样本目标的底层特征进行提取组合,多被用在寻找样本隐含特征的场景。因此,本文研究基于深度学习的IC芯片外观缺陷识别算法,主要包括IC芯片图像预处理算法、感兴趣区域(region of interest,以下简称ROI)精确定位算法、芯片缺陷识别算法等关键环节。本课题对于IC芯片缺陷识别技术在工程实际中的研发与应用,具有重要的理论研究与应用价值。本文主要研究内容如下:(1)IC芯片图像预处理方法。针对IC芯片图像中存在较多干扰的问题,仿真对比多种空间域和频率域图像增强算法,提出了适用于IC芯片图像的滤波算法。针对塑封面/引脚面图像中包含多个IC芯片的问题,提出一种鲁棒的切分算法,实现单芯片ROI的提取。针对因机械输送与定位以及料盘制造误差产生的芯片局部旋转的问题,提出一种自动旋转校正与优化的算法,实现芯片ROI的粗定位。针对得到的芯片图像中灰度不均匀问题(由引脚框架、焊线或者缺陷导致),提出了一种基于明暗系数的自适应阈值分割算法,从而实现芯片图像的阈值分割。(2)IC芯片塑封区域精确定位算法。IC芯片外观缺陷均存在于芯片ROI的塑封区域。在塑封区域缺陷提取时,随机变形的引线框架、焊线以及不均匀分布的环氧树脂会产生干扰,为此提出了一种基于投影特征的塑封区域定位算法,为后续的缺陷特征提取提供可靠基础。(3)基于多特征的IC芯片缺陷识别算法。分析实际IC芯片检测技术要求与塑封区域精确定位结果,总结确定不同缺陷的典型特征。对芯片缺陷进行分类与特征分析,提取典型特征与卷积神经网络(Convolutional Neural Networks,以下简称CNN)特征,提出了一种多特征融合的IC芯片缺陷识别算法,从而提高了识别的鲁棒性。试验表明,相对单一特征进行缺陷识别,该方法能够有效提高识别率。(4)基于CNN分类器的IC芯片缺陷识别算法。针对大样本训练网络对于样本集的准确性以及脏样本尽量少的要求,提出基于先验知识的数据样本自动清洗算法,通过MINST手写体数据集验证所提出算法的有效性。针对BP神经网络在实际训练过程中存在局部极小值等缺点,构建经典的卷积神经网络Alexnet模型。对芯片缺陷图像集进行数据清洗,得到良好的缺陷样本集进行训练,完成IC芯片缺陷识别。通过对经典Alexnet进行激活参数与卷积层数调整,试验不同参数对于IC芯片外观缺陷识别的影响。本文针对IC芯片的外观缺陷识别技术要求,研究了IC芯片图像处理与缺陷识别算法,完成了IC芯片外观缺陷识别系统软件,实现了IC芯片外观缺陷的示教与自动检测。试验结果表明:本文研究的基于深度学习的IC芯片外观缺陷识别算法具有良好的稳定性和检测精度,漏检率在0.05%以内,具有较强的理论研究意义和工程实践价值。