Содержание к диссертации
Введение
ГЛАВА 1. Методы и средства автоматизации контроля ПП 13
1.1. Введение 13
1.2. CALS-технологии 13
1.3. Основные подходы к автоматизации контроля ПП 14
1.3.1. Дефекты ПП 15
1.3.2. Визуальный и электрический методы контроля ПП 19
1.3.3. Алгоритмы визуального контроля ПП 21
1.3.3.1. Полнота эталонной информации 23
1.3.3.2. Совмещение изображений ПП 25
1.3.3.3. Бинаризация изображений ПП 26
1.3.3.4. Сегментация изображений 26
1.3.3.5. Морфологические операции 28
1.3.3.6. Последовательность анализа изображений 28
1.3.3.7. Дополнительные градации яркости 30
1.3.3.8. Перечень обнаруживаемых дефектов 30
1.3.3.9. Комбинации алгоритмов 31
1.3.3.10. Устойчивость к шуму 33
1.4. Обзор систем автоматизации визуального контроля ПП 33
1.5. Выводы 38
ГЛАВА 2. Разработка структуры и функций системы автоматизации контроля ПП 40
2.1. Введение 40
2.2. Функционально-структурные модели технологического процесса .40
2.3. Требования, предъявляемые к системе контроля 44
2.3.1. Аппаратная часть системы контроля 44
2.3.2. Ввод изображений ПП 48
2.3.3. Сравнение с векторным эталоном 50
2.3.4. Спецификация технологических допусков 52
2.3.5. Необходимость совмещения 53
2.4. Функционально-структурные модели системы контроля 53
2.5. Выводы 57
ГЛАВА 3. Математические модели для автоматизации контроля ПП 59
3.1. Введение 59
3.2. Бинаризация изображений ПП 59
3.2.1. Классификация по обучающей выборке 60
3.2.1.1. Метод потенциальных функций 60
3.2.1.2. Метод эталонов 61
3.2.1.3. Радиальная метрика 62
3.2.1.4. Специализированные аналитические модели разделяющих поверхностей 63
3.2.1.5. Фильтрация при бинаризации 67
3.2.1.6. Табличная оптимизация вычислений 68
3.2.2. Кластер-анализ 69
3.2.3. Сравнение моделей бинаризации 71
3.3. Совмещение изображений образца и эталона 73
3.3.1. Непосредственное совмещение 74
3.3.1.1. Критерий качества 74
3.3.1.2. Методы оптимизации 75
3.3.2. Совмещение по фрагментам 81
3.3.3. Совмещение по внешним границам и определение ориентации изображения образца 84
3.3.4. Повышение быстродействия моделей совмещения 85
3.3.4.1. Редукция разрешения 86
3.3.4.2. Сокращение векторного описания эталона 86
3.3.4.3. Хордовое представление бинарных битовых карт 87
3.3.4.4. Фиксированный масштаб 88
3.3.5. Сравнение моделей совмещения 88
3.4. Обнаружение дефектов 89
3.4.1. Анализ разности изображений 90
3.4.2. Контроль топологии 91
3.4.2.1. Одноступенчатый алгоритм 91
3.4.2.2. Многоступенчатый алгоритм 93
3.4.3. Контроль контактных площадок и отверстий 95
3.4.4. Устойчивость алгоритмов к шуму 97
3.5. Выводы 98
ГЛАВА 4. Система автоматизации контроля ПП 100
4.1. Введение 100
4.2. Общее описание системы 100
4.3. Структура системы 102
4.3.1. Модуль контроля Aplite 103
4.3.2. Модуль цветовой настройки Fama 113
4.3.3. Модуль импорта эталонов из формата Gerber 115
4.3.4. Модуль импорта эталонов из системы P-Cad 116
4.4. Объектно-ориентированная организация системы 116
4.5. Технические характеристики системы 122
4.6. Выводы 125
Заключение 126
Библиографический список 129
Приложение 1. Документы о внедрении системы 137
Приложение 2. Исходные тексты программ 138
- Последовательность анализа изображений
- Функционально-структурные модели технологического процесса
- Специализированные аналитические модели разделяющих поверхностей
- Модуль контроля Aplite
Введение к работе
Актуальность проблемы
По мере увеличения степени интеграции и уменьшения габаритов радиоэлектронной аппаратуры резко возрастают требования к контролю всех технологических операций производства ПП. Рост объемов производства электронных устройств и необходимость обеспечения конкурентоспособности выпускаемых изделий ставит проблему организации сплошного пооперационного контроля в ряд наиболее актуальных для производителей ПП.
Неавтоматизированный визуальный контроль, который до сих пор используется на многих предприятиях, обладает рядом недостатков, препятствующих его применению в современных условиях. Основными отрицательными сторонами в этом случае являются субъективность и низкая достоверность, а также малая производительность на сложных изделиях с тонкой топологией. Контроль сложных изделий с применением простейших оптических приспособлений, по словам операторов, очень сильно утомляет зрение, что, несомненно, представляет опасность для их здоровья.
Проблема автоматизации оптического контроля традиционно решается применением сложных программно-аппаратных комплексов, относящихся к классу систем технического зрения, разработка которых ведется в ряде стран мира. На сегодняшний день промышленно выпускаемых отечественных установок контроля нет, а зарубежные, к примеру, продукция фирм Orbotech, Lloyd-Doyle, Вагсо, чрезвычайно дороги: их стоимость составляет порядка сотен тысяч долларов США. Это приводит к тому, что на большинстве российских предприятий неавтоматизированный визуальный контроль является единственным способом отбраковки дефектных ПП. В этом свете создание системы
автоматизации визуального контроля ПП, использующей стандартную вычислительную технику - планшетный сканер для ввода изображений и персональный компьютер для обработки данных - является очень актуальным. Реализация такой системы помимо удешевления контрольной станции на 2 порядка по сравнению с аналогами обеспечивает лучшую интеграцию с технологическим процессом за счет гибкости и универсальности применяемой аппаратной базы.
Цели и задачи исследования
Основной целью работы является комплексное решение проблемы автоматизации пооперационного контроля качества ПП. Практическим результатом диссертации является система, удовлетворяющая нуждам отечественных производителей ПП. Для реализации основной цели в работе ставится и решается ряд задач:
Исследовать алгоритмы визуального контроля качества ПП и построить их классификацию, выявляющую нерешенные проблемы в предыдущих исследованиях.
Для дальнейшей формализации постановки задачи выполнить функционально-структурное моделирование процесса производства и системы контроля ПП.
Разработать математические модели, реализующие функционально-структурные элементы.
Реализовать разработанные математические модели в системе контроля ПП.
Сравнить разработанную систему с существующими аналогами.
Методы исследований
Для формализации исходной постановки задачи используется методология функционально-структурного моделирования IDEF0, а для реализации полученных элементов функционально-структурной модели
- аппарат распознавания образов, методы численной оптимизации, а также ряд эвристических алгоритмических решений. Информационная реализация системы основывается на методологии объектно-ориентированного программирования.
Научная новизна
Новизна полученных результатов заключается в следующем:
Построена классификация алгоритмов автоматизации визуального контроля по комплексному критерию, показывающая, что методы обнаружения дефектов по программе, а также модели совмещения и бинаризации цветных изображений исследованы недостаточно.
Получены функционально-структурные модели типичного технологического процесса производства ПП и системы контроля ПП, позволяющие распределить контрольные операции в технологическом процессе и формализовать структуру и функции системы контроля.
Разработаны математические модели бинаризации цветных изображений на основе метода потенциальных функций, метода эталонов и специализированных разделяющих поверхностей. Предложена радиальная метрика распознавания в цветовом пространстве RGB.
Разработаны три модели совмещения изображений (по внешним границам, по фрагментам и по площади разности).
Создано два оригинальных алгоритма обнаружения дефектов ПП по программе.
Практическая ценность
На основании разработанных моделей и алгоритмов создана система контроля ПП Aplite, использующая в качестве источника изображений стандартный планшетный сканер. Система
зарегистрирована в РОСПАТЕНТ РФ и на сегодняшний день внедрена на 3 предприятиях, что подтверждается соответствующими актами. Ведутся работы по внедрению системы у других производителей ПП уральского региона и за его пределами.
На защиту выносятся:
Комплексная классификация алгоритмов автоматизации визуального контроля ПП.
Функционально-структурные модели технологического процесса производства ПП и системы контроля ПП.
Алгоритмы бинаризации цветных изображений ПП методом потенциальных функций, методом эталонов, а также специализированными разделяющими поверхностями известного аналитического вида.
Радиальная метрика для распознавания в цветовом пространстве.
Три метода совмещения изображений (по внешним границам, по фрагментам и по площади разности) и ряд их модификаций.
Два алгоритма обнаружения дефектов ПП (специализированные модели контроля качества контактных площадок и топологического рисунка).
Система автоматизации визуального контроля ПП, использующая планшетный сканер в качестве источника изображений.
Методика количественного сравнения систем автоматизации контроля ПП.
Апробация работы
Основные результаты работы докладывались и обсуждались на II Всероссийской конференции "Новые информационные технологии в исследовании дискретных структур" (Екатеринбург, 1998), научно-техническом семинаре "Перспективные наукоемкие технологии в
машиностроении" (Екатеринбург, 1999), международной конференции "Проблемы управления и моделирования в сложных системах" (Самара, 1999), III Всероссийской конференции "Новые информационные технологии в исследовании дискретных структур" (Томск, 2000), II международной научно-технической конференции РУО АИН "На передовых рубежах науки и инженерного творчества" (Екатеринбург, 2000), VI Всероссийской с участием стран СНГ конференции «Методы и средства обработки сложной графической информации» (Нижний Новгород, 2001), научной молодежной школе «Интеллектуальные робототехнические системы» (Дивноморское, 2001).
Публикации
Основные положения работы опубликованы в центральном журнале «Гироскопия и навигация» [16], журнале «Искусственный интеллект» НАН Украины [11] и центральном журнале «Chip News. Инженерная микроэлектроника» [17]. Всего по теме диссертации опубликовано 11 научных работ [9-18, 25].
Объем и структура диссертации
Диссертация состоит из введения, четырех глав, заключения, библиографического списка и приложений. Общий объем работы составляет 147 страниц машинописного текста. Диссертация содержит 28 рисунков и 11 таблиц. Библиография включает 81 источник.
Последовательность анализа изображений
В алгоритмах контроля ПП используются различные варианты последовательности анализа изображений ПП, заданных в растровой форме. 1. Построчный обход является самым распространенным. При построчной обработке возможно выполнение таких операций как фильтрация изображений различными способами, построение гистограммы, вычисление площади и т.п. В качестве примера алгоритма контроля, использующего данный способ обхода изображений, можно привести работу [75], которая основывается на идее анализа строчной и столбцовой гистограмм изображения образца. Недостатком построчного обхода является большой объем данных, передаваемых между оперативной памятью и процессором, что затрудняет выполнение некоторых операций в реальном времени. Бинарные изображения ПП могут быть представлены в хордовой форме (RLE - Run Length Encoding), которая заметно сокращает их объем и незначительно сказывается на сложности алгоритмов обработки [51, 50, 21]. 2. Обход секущих заключается в сканировании изображения по ортогональной сетке с некоторым шагом, превышающим шаг дискретизации. Он применяется для ускорения некоторых простых операций, не требующих максимальной точности [66, 67]. 3. Обход границ металлизации ПП позволяет строить полигональную аппроксимацию связных компонент, а также выполнять все процедуры по обработке этой аппроксимации. В [79] предложен подход, который заключается в кодировании изображения образца при помощи кодов Фримена и последующем обнаружении дефектов на основании набора правил, параметризованных численными характеристиками кодов. В [42] обсуждается метод контроля, основанный на обнаружении комбинаций (Pattern detection) на границах топологического рисунка. 4. Обход топологии ПП по осевой линии может быть реализован путем сканирования скелетизированного изображения образца, полученного в результате морфологических операций. Многие алгоритмы контроля топологии ПП используют этот принцип. В каждом из методов, перечисленных выше, возможны разные варианты обхода локальной окрестности, определяемые апертурами различной формы. Это может быть эллипс [41,76,36], прямоугольник [42] или более сложная конфигурация [81]. Количество используемых полутонов или градаций цвета в представлении изображений контролируемого образца и эталона является важной характеристикой алгоритма поиска дефектов. Наиболее естественный и экономичный подход - это использование бинарной формы представления. Его недостатком является низкая достоверность результатов при наличии на изображениях шума. Увеличение количества полутонов повышает устойчивость алгоритмов к шуму, но накладные расходы также увеличиваются. Следует также отметить, что многие важные для рассматриваемого класса изображений операции, такие как утонение, выделение связных компонент, обход контура, фактически подразумевают работу с бинарным изображением. Второе применение дополнительных цветовых градаций на изображениях ПП - это служебные нужды различных алгоритмов поиска дефектов. Например, в [52, 57] рассматривается алгоритм, основанный на морфологических операциях, в ходе которых дополнительная градация присваивается неопределенным (пограничным) пикселям. Специально подобранная последовательность морфологических преобразований позволяет обнаруживать широкий спектр дефектов. Система, предложенная в [71], использует дополнительную градацию для обозначения отверстий ПП. Алгоритмы контроля различаются по количеству и типу обнаруживаемых дефектов. Универсальные алгоритмы обладают восприимчивостью к широкому спектру нарушений, а специализированные нацелены на обнаружение дефектов определенных типов. Достоинством универсальных алгоритмов является то, что одна контрольная процедура покрывает все или большую часть потребностей системы, недостатком - жесткое соотношение чувствительности и достоверности результатов: как правило, чем выше чувствительность алгоритма, тем больше он вызывает ложных тревог. Специализированные модели обладают меньшим спектром обнаруживаемых дефектов, но обеспечивают большую надежность распознавания. Наиболее перспективным подходом можно считать совместное использование универсальных и специализированных алгоритмов [46, 42,51,50].
Возможны два способа совместного использования нескольких алгоритмов контроля. Первый, параллельный (рис. 1.3а), расширяет перечень обнаруживаемых дефектов, а при наличии нескольких процессоров позволяет сократить время отклика системы. Второй способ, последовательный (рис. 1.36), позволяет уменьшить количество ложных тревог системы и также сократить время отклика. Временная экономия в данном случае достигается за счет того, что детальному анализу, требующему больших вычислительных затрат, подвергаются только «подозрительные» фрагменты контролируемого изображения (вторичные изображения).
Функционально-структурные модели технологического процесса
В качестве основного критерия при выборе аппаратных средств системы автоматизации контроля ПП предлагается использовать их стоимость. Такой выбор критерия обусловлен следующими причинами: 1. Большое количество контрольных постов в технологическом процессе. 2. Пространственная распределенность постов, исключающая использование одной и той же системы на нескольких стадиях технологического процесса без ощутимых транспортных расходов. 3. Основной недостаток аналогичных систем, препятствующий их широкому внедрению, даже для контроля одной стадии - это цена применяемой в них аппаратной базы. Наиболее дешевая из универсальных вычислительных систем, позволяющих выполнять ввод и обработку больших изображений - это персональный компьютер и планшетный сканер. Эксперименты показали, что планшетный сканер, выполненный по технологии CCD (ПЗС-линейка), позволяет получать реалистичные изображения ФШ и ПП.
Оптическая разрешающая способность современных сканеров среднего класса изменяется от 600 до 2400 точек на дюйм, что дает размер пикселя от 42 до 10 мкм. Минимальная ширина проводников ПП и расстояний между ними изменяется от 750 до 100 мкм, в зависимости от класса точности. Следовательно, после дискретизации узкие проводники и расстояния будут иметь ширину от 2 до 75 пикселей. При наличии сканера с оптическим разрешением 1200 точек на дюйм минимальная ширина проводников и расстояний между ними будет изменяться в пределах от 4 до 35 пикселей. Данные положения были подтверждены экспериментами.
Размер изображения формата А4 при глубине цвета 24 бита на пиксел и разрешении от 600 до 2400 точек на дюйм изменяется от 100 до 1600 МБ. Размер бинарного изображения аналогичных параметров изменяется от 4 до 67 МБ. Учитывая, что средний объем оперативной памяти, устанавливаемой в современный персональный компьютер, равняется 256 МБ, приведенные цифры свидетельствуют о принципиальной возможности обработки бинарных, полутоновых и цветных изображений ПП за приемлемое время.
Среднее время сканирования изображения ПП размера А4 при глубине цвета 24 бита на пиксел и разрешении от 600 до 1200 точек на дюйм составило от 2 до 4 минут. Среднее время сканирования изображения ФШ размера А4 при глубине цвета 1 бит на пиксел и разрешении от 600 до 1200 точек на дюйм составило от 40 секунд до 2 минут. Приведенные цифры являются сравнимыми со временем ручного контроля сложной ПП аналогичного размера.
Итак, вычислительная система на базе персонального компьютера и планшетного сканера может успешно использоваться для построения системы автоматизации визуального контроля ПП. Перечислим основные достоинства данного подхода: 1. Снижение стоимости аппаратных средств на два порядка по сравнению со специализированными устройствами. 2. Большое разнообразие серийно выпускаемых сканеров и персональных компьютеров, позволяющее подобрать оптимальную конфигурацию для контроля определенной технологической стадии. 3. Гибкость системы при повышении точности и наращивании пропускной способности (см. рис. 2.4). 4. Легкая встраиваемость системы в корпоративную сеть предприятия. 5. Универсальность приобретаемых аппаратных средств, позволяющая использовать их для других нужд в свободное от контроля время. иллюстрирует гибкость системы при увеличении точности и пропускной способности. Одновременное сканирование и контроль (рис. 2.4 б) позволяет повысить производительность за счет распараллеливания процессов сканирования и вычислений. Это оказывается возможным благодаря тому, что в ходе сканирования центральный процессор компьютера не испытывает существенной нагрузки. Рис. 2.4 в) и г) иллюстрируют способы наращивания точности и пропускной способности за счет применения дополнительных единиц оборудования.
Специализированные аналитические модели разделяющих поверхностей
В ходе открытия образца Aplite формирует изображение слоя топологии или изображение слоя отверстий платы или оба эти изображения одновременно, в зависимости от типа контролируемого изделия. Бинаризация осуществляется на основании обучающих выборок, созданных при помощи модуля Fama. В настройках Aplite задается пара обучающих выборок - одна для получения топологического рисунка, вторая - для получения изображения отверстий.
В процессе открытия образца проводится поиск внешних границ. В режиме цветного или черно-белого фотошаблона границы ищутся на черно-белом изображении. В остальных режимах - на цветном (обнаруживается край платы). Результаты поиска отображаются в слое образца четырьмя прямыми.
После того как образец открыт, Aplite выполняет автоматическое первоначальное совмещение, основываясь на результатах поиска внешних границ. Первоначальное совмещение Первоначальное совмещение является самым быстрым и неточным методом. В ходе первоначального совмещения Aplite выполняет следующие процедуры: определение ориентации образца; определение поворота, сдвига и масштаба эталона относительно контролируемого образца. В процессе первоначального совмещения и определения ориентации используются результаты поиска внешних границ (рамки фотошаблона или края платы), проведенного на образце. В случае если границы отсутствуют или некачественно отсканированы, первоначальное совмещение и определение ориентации могут не дать правильного результата. Совмещение по фрагментам Совмещение по фрагментам занимает больше времени, чем первоначальное, но меньше, чем точное, и обеспечивает точность, достаточную для выполнения контрольных процедур в большинстве случаев. Для нормальной работы совмещения по фрагментам требуется, чтобы было выполнено первоначальное совмещение. Фрагментальное совмещение может выполняться несколько раз подряд. С каждым разом изображения совмещаются точнее, а при достижении предела выдается соответствующее сообщение. Aplite позволяет указать, что будет использоваться в качестве фрагментов при совмещении по фрагментам. Это могут быть контактные площадки, отверстия или и то, и другое одновременно. Фрагментальное совмещение по отверстиям - это самый быстрый метод точного совмещения. В большинстве случаев однократного запуска этого метода бывает достаточно для получения достоверных результатов контроля топологии и контактных площадок. Точное совмещение Точное совмещение занимает больше времени, чем первоначальное и фрагментальное, но обеспечивает предельно возможную точность. Для нормальной работы точного совмещения требуется, чтобы было выполнено первоначальное совмещение. Точное совмещение можно выполнять как по изображению топологии, так и по изображению отверстий. При совмещении по топологии имеется возможность ограничить набор графических примитивов, которые будут участвовать в процессе. Благодаря такому ограничению можно существенно сократить время вычислений, но точность совмещения может также уменьшиться. Обычно для совмещения используются линии и контактные площадки. Настройки точного совмещения позволяют выбрать один из двух методов оптимизации. Метод оптимизации с фиксированной областью дает результат сравнительно быстро, но предельная точность достигается за несколько запусков алгоритма. Инкрементальный метод совмещения работает дольше, но его результат окончателен. Ручное совмещение Этот вид совмещения предназначен для исправления погрешностей первоначального совмещения на образцах с некачественной внешней границей или вообще без обрамления. Ручное совмещение является визуальным: в процессе перемещения эталона «мышью» оператору демонстрируется контур эталонного изображения. Совмещение реализуется тремя инструментами: сдвиг, растяжение и поворот. Управление масштабом Aplite поддерживает несколько режимов компенсации линейных искажений сканера. Режим «Компенсация выключена» запрещает дополнительное масштабирование эталона и применяется обычно при открытии эталонных изображений в качестве образца. Режимы «Фиксированная 1 и 2» позволяет задать масштабные коэффициенты по горизонтали и вертикали вручную в числовом виде. Режим «Автоматическая» разрешает Aplite изменять эти коэффициенты динамически в ходе первоначального, точного и ручного совмещения. В соответствии с этим оператор может выбрать один из трех методов работы с линейными искажениями: зафиксировать единичные масштабные коэффициенты; возложить на систему расчет коэффициентов в ходе совмещения; определить коэффициенты однократно и зафиксировать их. Опыт эксплуатации системы на различных моделях сканеров показал, что коррекции, как правило, требует горизонтальный масштабный коэффициент, который отвечает за направление, перпендикулярное перемещению сканирующего узла (параллельное ПЗС - линейке). Причина погрешности в некотором отклонении фактического разрешения сканера от номинального. Это отклонение является постоянной величиной для каждого конкретного сканера, поэтому достаточно определить масштабные коэффициенты при контроле первого изделия и не менять их в дельнейшем. Контроль топологии Этот метод контроля является визуальным аналогом электрических методов. Дефекты обнаруживаются путем «прозванивания» цепей образца и эталона. Для корректной работы контроля топологии необходимо совместить изображения образца и эталона.
Модуль контроля Aplite
В данной главе приведено подробное описание системы автоматизации контроля ПП, разработанной на основании исследований первых трех глав. Система состоит из четырех модулей: 1. Aplite выполняет все основные функции: Подготовка программ контроля. Бинаризация цветных изображений образцов. Совмещение изображений образца и эталона. Автоматическое обнаружение дефектов. Обслуживание запросов пользователя. 2. Fama осуществляет цветовую настройку системы, которая заключается в автоматизированном формировании обучающих выборок для подсистемы бинаризации. 3. Daq реализует импорт чертежей ПП из формата Gerber. 4. Кип реализует импорт чертежей ПП из формата P-Cad PLT. Рассмотрены особенности объектно-ориентированной организации системы. Созданные в ходе разработки объектно-ориентированные модели являются универсальными и могут применяться в других предметных областях для повышения технологичности создания и сопровождения больших программных систем. В конце главы приводятся формализованные технические характеристики, позволяющие оценить степень пригодности системы к реальной эксплуатации и сравнить ее с существующими аналогами. Результаты этого сравнения приведены в главе 1 Основные результаты, полученные в ходе диссертационной работы, приводятся ниже: 1. Показана актуальность проблемы автоматизации визуального контроля в связи с ростом объемов производства электронных устройств, повышения их сложности и миниатюризации электронных компонентов. 2. Показана актуальность проблемы в рамках CALS-подхода и ее тесная взаимосвязь с САПР. 3. Сформулированы преимущества визуального метода обнаружения дефектов по сравнению с электрическим методом. 4. Построена комплексная классификация алгоритмов визуального обнаружения дефектов. 5. Выяснено, что слабо разработаны алгоритмы бинаризации цветных и полутоновых образцов, совмещения изображений образца и эталона, сравнения изображений по программе, а также вопросы повышения качества обнаружения дефектов за счет повышения устойчивости к шуму алгоритмов контроля. 6. Построены функционально-структурные модели типичного технологического процесса и выявлены места, особенности и общие характеристики создаваемых контрольных постов. 7. На основании анализа построенных моделей и обзора методов контроля был сформулирован и обоснован ряд общих требований, предъявляемых к создаваемой системе. 8. Построены функционально-структурные модели системы контроля, отвечающей предъявленным требованиям. 9. Предложен ряд математических моделей для функции бинаризации изображений образцов: Алгоритмы распознавания образов, использующие классификацию по обучающей выборке (метод потенциальных функций и метод эталонов) адаптированы к задаче бинаризации. Предложена специализированная метрика для распознавания на определенном классе изображений. Получена аналитическая форма специализированных разделяющих поверхностей, обеспечивающая более адекватное распознавание на определенном классе изображений. Проведен анализ применимости в рассматриваемой задаче алгоритмов автоматической классификации. 1. Предложен ряд математических моделей для функции совмещения изображений образца и эталона: Модель непосредственного совмещения изображений, включающая критерий качества совмещения и методы оптимизации критерия. Модель совмещения по фрагментам. Модель совмещения по внешним границам. Проведен анализ области применимости полученных моделей совмещения. 2. Предложен ряд математических моделей для функции автоматического обнаружения дефектов: Предложены две разновидности алгоритма контроля топологии ПП, отличающиеся друг от друга вычислительной сложностью и универсальностью. Предложен алгоритм обнаружения дефектов контактных площадок и отверстий ПП, характеризующийся высокой устойчивостью к шуму. Экспериментально показана работоспособность алгоритмов в условиях сильных шумов. 12. Разработанные математические модели реализованы в системе контроля ПП Aplite, которая использует стандартный планшетный сканер в качестве источника изображений. 13. Построен количественный показатель оценки систем автоматизации визуального контроля, учитывающий ряд наиболее важных характеристик. 14. Проведено количественное сравнение современных зарубежных систем контроля и системы, созданной в ходе диссертационной работы. Высокий качественный показатель последней свидетельствует об эффективности предложенных подходов, моделей и алгоритмов и перспективности внедрения системы на отечественных предприятиях. 15. Система Aplite внедрена на 3 предприятиях (см. приложение 1).
