А. Ю. Вирясова – магистр, Московский государственный технический университет им. Н.Э. Баумана

E-mail: virnastya@yandex.ru

А. И. Власов – к.т.н., доцент, кафедра «Проектирование и технология производства электронной аппаратуры», Московский государственный технический университет им. Н.Э. Баумана

E-mail: vlasovai@bmstu.ru

А. А. Гладких – к.т.н., доцент, кафедра «Проектирование и технология производства электронной аппаратуры», Московский государственный технический университет им. Н.Э. Баумана

E-mail: a.gladkikh@inforion.ru

Постановка проблемы. Проблема анализа дефектов интегральных структур (ИС) очень актуальна в связи с уменьшением проектных норм и формированием пространственных интегральных структур. При внешнем осмотре практически невозможно определить и классифицировать дефект ИС с помощью классических визуальных методов. Поэтому представляет особый интерес исследование проблем автоматизации классификации дефектов топологии интегральных структур, которые представляются по результатам оптического контроля в виде пиксельных изображений. Цель. Исследование методов дефектоскопии интегральных структур и формирование рекомендации по автоматизации процедур неразрушающего контроля их качества средствами визуальной цифровой инспекции.

Результаты. Для решения указанной проблемы рассмотрены три основных алгоритма классификации: 1) K-ближайших соседей; 2) при помощи нейронной сети прямого распространения; 3) с использованием сверточной нейронной сети. Отмечено, что задача классификации дефектов сводится к классификации и поиску особенностей изображений, и для ее решения в данной работе предложено использовать метод машинного обучения. Установлено, что для обеспечения высокого качества классификации дефектов интегральных структур при их входном контроле целесообразно использовать сверточные нейронные сети, так как сверточные нейронные сети обеспечивают частичную устойчивость к изменениям масштаба, смещениям, поворотам, смене ракурса и прочим искажениям. Предложена новая методика классификации изображений дефектов топологии интегральных микросхем на основе сверточных нейронных сетей, что позволяет повысить точность и вероятность правильной классификации дефектов в силу применения в данных нейронных сетях сверточных слоев.

Практическая значимость. Несмотря на значительное внимание к проблематике неразрушающего контроля и дефектоскопии интегральных структур, еще целый ряд проблем остается нерешенным. Тематика дальнейших исследований будет сосредоточена на оценке полноты и глубины формирования баз знаний эталонных топологических образов базовых элементов интегральных структур, которые можно было бы использовать для решения задач классификации (стандартизировать размер изображения дефекта, угол просмотра и фокусировку).

1. Хартов В.В. Космические проблемы электроники: перед употреблением – взболтать // Электроника НТБ. 2007. № 7. С. 22–25.
2. Власов А.И., Гриднев В.Н., Константинов П., Юдин А.В. Нейросетевые методы дефектоскопии печатных плат // Электронные компоненты. 2004. № 8. С. 148–155.
3. Буянов А.И., Власов А.И., Загоскин А.В. Применение нейросетевых методов при дефектоскопии печатных плат // Нейрокомпьютеры: разработка, применение. 2002. № 3. С. 42–70.
4. Власов А.И., Гриднев В.Н., Панфилова С.П., Червинский А.С. Бесконтактный тепловой контроль электронно-вычислительных средств // Технология и конструирование в электронной аппаратуре. 2007. № 6 (72). С. 42–49.
5. Власов А.И., Гриднев В.Н., Панфилова С.П., Червинский А.С. Бесконтактный тепловой контроль изделий электронной техники // Производство электроники. 2007. № 3. С. 25–30.
6. Алексеев М.А., Арабов Д.И. Линейные модели распознавания в системах машинного зрения // Cб. докл. Восьмой Всерос. конф. молодых ученых и специалистов «Будущее машиностроения России». М.: МГТУ им. Н.Э. Баумана. 2015. С. 366–370.
7. Григорьев В.П., Камышная Э.Н., Нестеров Ю.И., Никитин С.А. Применение методов искусственного интеллекта в САПР технологических процессов производства электронной аппаратуры. М.: Изд-во МГТУ им. Н.Э. Баумана. 1998.
8. Григорьев В.П., Нестеров Ю.И., Черепанов Д.В. Информационные технологии в конструировании и технологии микроэлектроники / Раздел «Применение имитационного моделирования для прогнозирования и оценки работоспособности изделия при разработке микроэлектронных интегральных структур». М.: Изд-во МГТУ им. Н.Э. Баумана. 2000.
9. Назаров А.В., Фомин А.В., Дембицкий Н.Л. и др. Автоматизация проектирования матричных КМОП БИС / Под ред. А.В. Фомина. М.: Изд-во МАИ. 1991.
10. Назаров А.В. Многокомпонентное 3D-проектирование наносистем / Под ред. В.А. Шахнова. Сер. Библиотека «Наноинженерия». Кн. 4. М.: Изд-во МГТУ им. Н.Э. Баумана. 2011.
11. Дембицкий Н.Л., Назаров А.В. Применение методов искусственного интеллекта в проектировании и производстве радиотехнических устройств. Сер. Научная библиотека. М.: Изд-во МАИ. 2009.
12. Маркелов В.В., Кабаева А.С. Управление качеством электронных средств. Сер. Библиотека «Конструирование и технология электронных средств». Т. 2. М.: Изд-во МГТУ им. Н.Э. Баумана. 2014.
13. Маркелов В.В., Власов А.И., Камышная Э.Н. Системный анализ процесса управления качеством изделий электронной техники // Надежность и качество сложных систем. 2014. № 1 (5). С. 35–42.
14. Власов А.И., Маркелов В.В., Зотьева Д.Е. Управление и контроль качества изделий электронной техники. Семь основных инструментов системного анализа при управлении качеством изделий электронной техники // Датчики и системы. 2014. № 8 (183). С. 55–66.
15. Rowley H.A., Baluja S., Kanade T. Neural network-based face detection // IEEE Trans. on Pattern Analysis and Machine Intelligence. 1998. V. 20. P. 23–38. DOI: 10.1109/34.655647
16. Juell P., Marsh R. A hierarchical neural network for human face detection // Pattern Recognition. 1996. V. 29. № 5. P. 781–787.
17. Lin S.-H., Kung S.-Y., Lin L.-J. Face recognition/detection by probabilistic decision-based neural network // IEEE Trans. on Neural Networks. 1997. V. 8. P. 114–132.
18. Балухто А.Н., Булаев В.И., Бурый Е.В. и др. Нейрокомпьютеры в системах обработки изображений. Сер. Библиотека журнала «Нейрокомпьютеры: разработка, применение». Т. 7. М.: Радиотехника. 2003.
19. Балухто А.Н., Галушкин А.И., Ковальчук Д.В., Назаров Л.Е., Томашевич Н.С. Нейрокомпьютеры в прикладных задачах обработки изображений. Сер. Библиотека журнала «Нейрокомпьютеры: разработка, применение». Т. 8. М.: Радиотехника. 2003.
20. Шахнов В.А., Власов А.И., Поляков Ю.А., Кузнецов А.С. Нейрокомпьютеры: архитектура и схемотехника / Приложение к журналу «Информационные технологии». № 9. М.: Машиностроение. 2000.
21. Lawrence S., Giles C.L., Tsoi A.C., Back A.D. Face recognition: a convolutional neural network approach // IEEE Trans. on Neural Networks. Special Issue on Neural Networks and Pattern Recognition. P. 1–24.
22. Уоссермен Ф. Нейрокомпьютерная техника: Теория и практика. М.: Мир. 1992.
23. Прохоров В.Г. Использование сверточных сетей для распознавания рукописных символов. Институт программных систем НАН Украины. 2004.
24. CS231n convolutional neural networks for visual recognition: Image classification [Электронный ресурс] / URL: http://cs231n. github.io/classification/
25. Рысьмятова А.А. Использование сверточных нейронных сетей для задачи классификации текстов. М.: Московский государственный университет имени М.В. Ломоносова. 2016.