·150· 智能系统学报 第15卷 上。这是由于本章使用的是基于像素的差分识别 industry[J].China economist,2006(6):36-37 方法，最大程度的利用了字符内的每一个像素信 [2]GUAN T,KUANG Y C,OOI M PL,et al.Data-driven 息，因此方法对于缺陷的字符识别具有一定鲁 condition-based maintenance of test handlers in semicon- 棒性。 ductor manufacturing[C]//Proceedings of 2011 6th IEEE International Symposium on Electronic Design,Test and 100 Application.Queenstown,New Zealand.2011:189-194 90 [3]LI Qingyong,REN Shengwei.A real-time visual inspec 80 95% tion system for discrete surface defects of rail heads[J]. IEEE transactions on instrumentation and measurement, 60 2012,61(8):2189-2199. 50 [4]JIA Hongbin,MURPHEY Y L.SHI J,et al.An intelligent % 18% 300 real-time vision system for surface defect detection[C]// 51015202530354045 缺陷程度D/% Proceedings of the 17th International Conference on Pat- tern Recognition.Cambridge,UK,2004. 图12缺陷字符识别率 [5]LANDSTROM A,THURLEY M J.Morphology-based Fig.12 Defect character recognition rate crack detection for steel slabs[J].IEEE Journal of selected 3.3实验效果对比 topics in signal processing,2012,6(7):866-875 本文基于像素差分的模板匹配方法与文献[10] [6]MACLEAN J,TSOTSOS J.Fast pattern recognition using 使用的BP神经网络相比结果如表5所示。本文 gradient-descent search in an image pyramid[C]//Proceed- 识别率为99.4%高于文献[10]的98.5%，识别时 ings of the 15th International Conference on Pattern Re- 间为4.6ms低于文献[10]的7.5ms。文献使用3 cognition.Barcelona,Spain,2000:2873. 100个训练样本进行长时间的网络训练，而这些 [7]JIANG B C,TASISL,WANG C C.Machine vision-based 都是本文方法不需要的，本文的方法以更加简 gray relational theory applied to IC marking inspection[J] 单、快速的方法高准确地识别芯片字符。 IEEE transactions on semiconductor manufacturing,2002, 15(4):531-539. 表5对比测试结果 Table 5 Comparison of test result [8]CHEN S H,LIAO Tetan.An automated IC chip marking inspection system for surface mounted devices on taping 指标 文献[10] 本文 machines[J].Journal of scientific industrial research, 识别率% 98.5 99.4 2009,68(5):361-366. 运行时间/ms 7.5 4.6 [9]张静平.基于机器视觉的QFN芯片表面检测系统设 计[D].南京：东南大学，2017 4结束语 ZHANG Jingping.Design of QFN chips surface detection system based on machine vision[D].Nanjing:Southeast 本文针对芯片字符分割和识别问题，提出了 university,2017. 一种基于字符几何特征的分割方法和基于像素差 [10]胡洋.IC芯片印刷字符识别算法研究与应用D1.武汉 分的模板匹配识别。实验结果表明，该方法能够 华中科技大学，2015 实现芯片字符的准确分割，对正常字符分割准确 HU Yang.Research and application of printed character 率达100%，缺陷字符达90%；能够快速精准地识 recognition algorithm for IC chips[D].Wuhan:Huazhong 别芯片字符，单字符平均识别时间为4.6ms,识别 university of science and technology,2015. [11]WANG C,JIANG B C,LIN Jingyou,et al.Machine vis- 准确率达到99.4%，且该方法具有一定鲁棒性。 ion-based defect detection in IC images using the partial 目前该算法在其他多样化缺陷字符分割和相 information correlation coefficient[J].IEEE transactions 似字符识别准确度等方面存在进一步优化空间， on semiconductor manufacturing,2013,26(3):378-384. 这将是下一步研究的重点。 [12]李杜.字符识别技术研究及其在机器视觉测控中的应 参考文献： 用D].无锡：江南大学，2011 LI Du.Character recognition technology and its applica- [1]吴文昌.中国1C产业分析综述刀.经济师，2006(6)： tion in machine vision measurement and controlling[D]. 36-37. Wu'xi:Jiangnan university,2011. WU Wenchang.A comprehensive analysis on China's IC [13]吴成茂.直方图均衡化的数学模型研究).电子学报，上。这是由于本章使用的是基于像素的差分识别 方法，最大程度的利用了字符内的每一个像素信 息，因此方法对于缺陷的字符识别具有一定鲁 棒性。 100 90 80 70 60 50 40 30 95% 18% 缺陷程度D/% 识别准确率/% 0 5 10 15 20 25 30 35 40 45 图 12 缺陷字符识别率 Fig. 12 Defect character recognition rate 3.3 实验效果对比 本文基于像素差分的模板匹配方法与文献 [10] 使用的 BP 神经网络相比结果如表 5 所示。本文 识别率为 99.4% 高于文献 [10] 的 98.5%，识别时 间为 4.6 ms 低于文献 [10] 的 7.5 ms。文献使用 3 100 个训练样本进行长时间的网络训练，而这些 都是本文方法不需要的，本文的方法以更加简 单、快速的方法高准确地识别芯片字符。 表 5 对比测试结果 Table 5 Comparison of test result 指标 文献[10] 本文 识别率/% 98.5 99.4 运行时间/ms 7.5 4.6 4 结束语 本文针对芯片字符分割和识别问题，提出了 一种基于字符几何特征的分割方法和基于像素差 分的模板匹配识别。实验结果表明，该方法能够 实现芯片字符的准确分割，对正常字符分割准确 率达 100%，缺陷字符达 90%；能够快速精准地识 别芯片字符，单字符平均识别时间为 4.6 ms，识别 准确率达到 99.4%，且该方法具有一定鲁棒性。 目前该算法在其他多样化缺陷字符分割和相 似字符识别准确度等方面存在进一步优化空间， 这将是下一步研究的重点。 参考文献： 吴文昌. 中国 IC 产业分析综述 [J]. 经济师, 2006(6): 36–37. WU Wenchang. A comprehensive analysis on China's IC [1] industry[J]. China economist, 2006(6): 36–37. GUAN T, KUANG Y C, OOI M P L, et al. Data-driven condition-based maintenance of test handlers in semicon￾ductor manufacturing[C]//Proceedings of 2011 6th IEEE International Symposium on Electronic Design, Test and Application. Queenstown, New Zealand, 2011: 189−194 . [2] LI Qingyong, REN Shengwei. A real-time visual inspec￾tion system for discrete surface defects of rail heads[J]. IEEE transactions on instrumentation and measurement, 2012, 61(8): 2189–2199. [3] JIA Hongbin, MURPHEY Y L, SHI J, et al. An intelligent real-time vision system for surface defect detection[C]// Proceedings of the 17th International Conference on Pat￾tern Recognition. Cambridge, UK, 2004. [4] LANDSTROM A, THURLEY M J. Morphology-based crack detection for steel slabs[J]. IEEE Journal of selected topics in signal processing, 2012, 6(7): 866–875. [5] MACLEAN J, TSOTSOS J. Fast pattern recognition using gradient-descent search in an image pyramid[C]//Proceed￾ings of the 15th International Conference on Pattern Re￾cognition. Barcelona, Spain, 2000: 2873. [6] JIANG B C, TASI S L, WANG C C. Machine vision-based gray relational theory applied to IC marking inspection[J]. IEEE transactions on semiconductor manufacturing, 2002, 15(4): 531–539. [7] CHEN S H, LIAO Tetan. An automated IC chip marking inspection system for surface mounted devices on taping machines[J]. Journal of scientific & industrial research, 2009, 68(5): 361–366. [8] 张静平. 基于机器视觉的 QFN 芯片表面检测系统设 计 [D]. 南京: 东南大学, 2017. ZHANG Jingping. Design of QFN chips surface detection system based on machine vision[D]. Nanjing: Southeast university, 2017. [9] 胡洋. IC 芯片印刷字符识别算法研究与应用 [D]. 武汉: 华中科技大学, 2015. HU Yang. Research and application of printed character recognition algorithm for IC chips[D]. Wuhan: Huazhong university of science and technology, 2015. [10] WANG C, JIANG B C, LIN Jingyou, et al. Machine vis￾ion-based defect detection in IC images using the partial information correlation coefficient[J]. IEEE transactions on semiconductor manufacturing, 2013, 26(3): 378–384. [11] 李杜. 字符识别技术研究及其在机器视觉测控中的应 用 [D]. 无锡: 江南大学, 2011. LI Du. Character recognition technology and its applica￾tion in machine vision measurement and controlling[D]. Wu’xi: Jiangnan university, 2011. [12] [13] 吴成茂. 直方图均衡化的数学模型研究 [J]. 电子学报, ·150· 智 能 系 统 学 报 第 15 卷