计算机视觉检测技术是高速高精度引线键合机视觉系统的核心技术。在视觉系统的成像设备确定的情况下,检测算法决定着视觉系统检测速度和精度,并影响着微电子产品的成本与可靠性。近些年,随着微电子产品尤其是微系统技术的发展,芯片和微机电产品的特征尺寸不断减小、结构日益复杂,对图像视觉定位算法、缺陷检测算法提出了更高、更苛刻的要求,已经成为实现更高速度、更高精度的柔性自动化引线键合的关键。本文对引线键合视觉检测算法进行了深入研究,研究内容主要包括面向引线键合视觉系统的图像预处理、特征提取、视觉定位及缺陷识别技术。图像去噪算法的性能影响着后续的特征提取、检测定位及缺陷检测的精度,本文首先针对视觉检测系统中常见的脉冲噪声和高斯噪声,分别实现了改进的中值滤波算法和双边滤波算法。对于图像中的混合噪声,根据噪声和信号在频域和空域的不同特性,提出了小波元胞自动机去噪算法。该算法选择像素点的方向信息和边缘有序性设定演化规则,利用元胞自动机演化得到精确的噪声信息从而完成混合噪声的去除。仿真结果表明该算法克服了现有去噪算法引起的边缘模糊,此外峰值信噪比有所提高,在有效滤除混合噪声的同时保持了边缘和细节,有助于后续工作的进行。针对视觉检测中的匹配定位问题,提出了两种特征提取算法,在此基础上实现了两种匹配定位算法。第一种是混合矩特征提取算法。针对单一特征描述能力的局限性,结合能提供图像全局信息的Zernike正交矩和具有局部辨析能力及良好抗噪性的小波矩,提出了图像的混合矩特征提取算法,并通过仿真实验验证了特征的旋转不变性和抗噪性。在此基础上,针对IC芯片图像,提取其混合矩特征,设计粗—精两级搜索策略以提高定位速度,利用归一化相关函数找到最佳匹配点,从而实现了基于混合矩特征的匹配定位。算法全面考虑了图像的全局和局部信息,仿真实验结果表明,本文提出的算法在精度和速度上与基于单一不变矩的方法和归一化灰度相关算法相比具有明显的优势。第二种是针对点特征和细节比较丰富的MEMS图像,提出SIFT-MIC点特征提取方法。该方法通过选择具有MIC角点特性的SIFT点特征,实现了显著特征点的提取,同时有效地降低了定位算法的计算复杂度。仿真实验验证了提出算子的平移、旋转不变性和抗噪性。在此基础上,采用RANSAC算法消除潜在的误匹配对,对保留的稳健的特征匹配点运用奇异值分解法求!出待测图像的旋转和偏移参数,从而实现了基于SIFT-MIC点特征的匹配定位。实验结果表明本文提出定位算法克服了SIFT算子显著性不高等缺点,具有较高的定位精度和检测效率。针对键合产品缺陷检测中缺陷难以提取的问题,利用Curvelet变换的多尺度、时频局部特性和方向特性,分析Curvelet变换后各子带矩不变量,提出了Curvelet矩特征提取方法,在此基础上实现了Curvelet矩特征的缺陷分类算法。为了保证特征提取算法的通用性,采用MPEG-7形状库测试其不变性和分类性能,仿真结果验证了Curvelet矩特征的形状描述有效性。选择参考比较法实现缺陷区域提取和分类,设计缺陷分类预处理方案,并通过预处!理获取缺陷区域,利用Curvelet矩描述缺陷区域形状特征,最后利用适合小样本的支持向量机分类器完成缺陷分类。实验结果表明本文提出的缺陷识别’算法,有效解决了复杂缺陷难以识别的问题,同传统识别算法相比具有较高的识别率,对键合产品缺陷识别具有重要的应用价值。研究构建了引线键合图像采集系统,对其组成硬件进行了分析和选择。根据引线键合视觉系统工作原理,给出了视觉系统示教阶段和键合阶段的工作流程。结合图像处理基本方法和本文提出的视觉定位算法和缺陷识别算法,设计开发了相应的视觉检测软件。综上所述,本论文对引线键合视觉定位、缺陷检测相关技术进行了深入研究,对所提出算法均进行了实验验证。实验结果表明本文提出的算法具有良好的效果、较高的检测精度和识别率。本文研究所取得的成果对于提高计算机视觉检测技术水平,推动计算机视觉在引线键合中的应用具有一定的理论意义和实用价值。