Автоматизированная система контроля паяных соединений на основе модели нейронной сети адаптивно-резонансной теории тема диссертации и автореферата по ВАК РФ 05.13.12, кандидат технических наук Ерёмин, Олег Юрьевич

• Ерёмин, Олег Юрьевич
• кандидат технических наук
• 2012

Оглавление диссертации кандидат технических наук Ерёмин, Олег Юрьевич

Содержание

Введение

Глава 1. Анализ состояния проблемы контроля качества микроэлектронных

изделий в процессе производства

1.1. Этапы жизненного цикла изделий микроэлектронной аппаратуры

1.2. Проектирование и контроль качества изделий микроэлектронной аппаратуры

1.3. Системы автоматизированного рентгеновского контроля

1.4. Проблемы распознавания дефектов при автоматизированном рентгеновском

контроле

1.5. Методы распознавания образов

1.6. Нейросетевые методы распознавания образов

1.7. Выводы

Глава 2. Разработка модели системы распознавания на основе нейронной сети адаптивно-резонансной теории

2.1. Формальная постановка задачи распознавания образов

2.2. Представление образов для кластеризации

2.3. Общая структура нейронной сети ART1

2.4. Модель первого и второго слоев нейронной сети

2.5. Модель подсистемы ориентирования

2.6. Анализ устойчивого состояния

2.7. Законы обучения

2.8. Выводы

Глава 3. Метод автоматизированного контроля паяных соединений печатных плат при рентгеновском контроле

3.1. Этапы распознавания образов

3.2. Предварительная обработка и извлечение признаков

3.3. Алгоритм распознавания образов на основе нейронной сети адаптивно-

резонансной теории

3.4. Особенности работы ART 1

3.5. Выводы

Глава 4. Результаты исследования и экспериментальная оценка эффективности метода контроля паяных соединений на основе модели адаптивно-резонансной теории

4.1. Разработка программного обеспечения контроля качества на основе модели

адаптивно-резонансной теории

4.2. Разработка методики и программы экспериментальных исследований

4.3. Работа нейронной сети при различных значениях параметра бдительности

4.4. Результаты эксперимента и анализ экспериментальных данных

4.5. Рекомендации по применению системы контроля качества паяных соединений

4.6. Выводы

Выводы по диссертации

Литература

Приложение 1. Программа для ЭВМ

Приложение 2. Акты внедрения

Введение диссертации (часть автореферата) на тему «Автоматизированная система контроля паяных соединений на основе модели нейронной сети адаптивно-резонансной теории»

Введение

Актуальность работы.

Современный подход при подготовке и реализации технологических процессов во всех областях производственной деятельности требует интеграции систем автоматизации проектирования (САПР, АСТПП, АСУТП) на основе организации информационной поддержки, как отдельных этапов, так и всего жизненного цикла изделий. В качестве базы такой интеграции могут рассматриваться подходы на основе САЬ8-технологий. Особенно это актуально в таких наукоемких областях, как микроэлектроника.

Производство микроэлектронных изделий требует высокого уровня автоматизации основных и вспомогательных этапов, а также контроля каждого из них. Необходимость в этом объясняется высокими темпами развития элементной базы, требованием к повышению скорости проектирования и разработки изделий, увеличением объемов и сложности проектных работ. Поэтому основная сложность контроля и принятие на его основе соответствующих проектных или производственных решений связана с многокритериальностью оценки качества реализации каждого этапа или отдельных операций.

Повышение качества микроэлектронной аппаратуры (МЭА) требует анализа соответствия выполнения технологических операций, прежде всего качества паяных соединений печатных плат.

Анализ дефектов паяных соединений позволяет определить причины, которые привели к их возникновению (нарушение условий проведения технологического процесса; нарушение принципов проектирования микроэлектронной аппаратуры), и при необходимости внести изменения в проектную или технологическую документацию для устранения повторного возникновения дефектов.

Существующие сегодня системы автоматизированного оптического контроля (АОК) позволяют выявлять большое количество дефектов на печатных платах: неправильная установка компонентов, отсутствие припоя или, наоборот, его излишнее количество, и т.д. Миниатюризация и, следовательно, повышение плотности монтажа требует применения более качественных методов с точки зрения пространственного разрешения при контроле, а также новых технологических решений на основе модернизированных конструктивных элементов. Использование компонентов с

выводами на нижней части корпуса микросхемы привело к созданию и использованию средств, позволяющих осуществлять контроль оптически невидимых дефектов. Расширение функциональных возможностей оптического контроля было возможно за счет использования дополнительных камер и математических подходов обработки дополнительной информации. Однако такие решения не являются экономически эффективными.

Еще одним подходом повышения качества является использование систем автоматизированного рентгеновского контроля (АРК), либо комбинированных систем АОК и АРК. Поскольку рентгеновские системы существенно отличаются от оптических по типу используемого излучения и виду получаемых изображений, то развитые методы обработки результатов оптического контроля и анализа изображений оказываются неприменимыми. Существующие методы автоматизации процесса обнаружения дефектов при АРК требуют внесения конструктивных изменений в рисунок печатной платы, что приводит к снижению плотности монтажа и требует внесения изменений в технологический процесс изготовления печатной платы, что часто неприемлемо. Поэтому для оценки качества исследуемого объекта при использовании АРК используются эвристический подход, основанный на опыте оператора. Изображения представляются в виде градаций серого цвета, поэтому многие неоднородные области могут быть незамечены человеком (немаловажную роль также играет фактор усталости). Для этого необходимо повысить информационный уровень изображения. Эта задача решается на основе контекстно-зависимого подхода обработки информации, который основан на выделении областей (кластеров), имеющих сходные характеристики.

Существующие методы кластеризации (статистические алгоритмы, персептроны и т.д.) обладают рядом недостатков, такими как требование начального задания количества кластеров, необходимость участия человека при обучении, не позволяют модифицировать данные в кластерах в процессе своей работы, требуют большого количества параметров для настройки.

Поэтому является актуальной задача создание метода АСТПП, позволяющего повысить качество обнаружения дефектов паяных соединений печатных плат и сократить время на анализ оператором изделия. В качестве основы для

автоматизированного метода распознавания дефектов паяных соединений выбрана модель нейронной сети адаптивно-резонансной теории, которая лишена недостатков, присущих другим методам кластеризации.

Цель исследования. Цель настоящей работы заключается в повышении качества МЭА за счет улучшения контроля паяных соединений для обнаружения дефектов при проведении АРК печатных плат с использованием метода распознавания образов на основе модели нейронной сети адаптивно-резонансной теории.

Задачи исследования. Основными задачами исследования являются:

• анализ состояния проблемы качества микроэлектронных изделий в процессе производства;

• анализ методов распознавания образов;

• разработка автоматизированного метода контроля качества паяных соединений АСТПП для обнаружения дефектов при проведении рентгеновского контроля на основе модели нейронной сети адаптивно-резонансной теории;

• разработка алгоритма и программного обеспечения автоматизированного контроля паяных соединений для повышения качества обнаружения дефектов печатных плат;

• внедрение разработанного автоматизированного метода распознавания дефектов паяных соединений в процесс проектирования и производства печатных плат, а также в учебный процесс вуза.

Объект исследования. Объектом исследования данной работы являются вопросы повышения качества микроэлектронных изделий в процессе проектирования, технологической подготовки и производства.

Предмет исследования. Предметом исследования является АСТПП, предназначенная для обнаружения дефектов паяных соединений печатных плат при автоматизированном рентгеновском контроле.

Методы исследования. Для достижения поставленной в работе цели использовались следующие методы исследования: теория принятия решений; системный анализ; анализ процесса проектирования, производства и контроля качества печатных плат; анализ элементов системы распознавания образов, предназначенных для

контроля качества паяных соединений печатных плат; моделирование нейросетевой структуры адаптивно-резонансной теории применительно к решаемой задаче; экспериментальный анализ результатов работы нейросетевой модели.

Персоналии. Существенный вклад в развитие адаптивных нейронных сетей внес создатель адаптивно-резонансной теории (ART - adaptive resonance theory) Стефан Гроссберг (Stephen Grossberg), являющийся директором Центра адаптивных систем (Center for Adaptive Systems) в Бостонском университете, США (Boston University, USA). В настоящее время большая часть работ по адаптивно-резонансной теории создана самим С.Гроссбергом, его женой Гейл Карпентер (Gail Carpenter) и другими соавторами. В связи с истечением срока действия патентов начинаются активные разработки с использованием ART в других научно-исследовательских центрах мира.

В области нейронных сетей свой существенный вклад внесли следующие исследователи: B.C. МакКаллок (W.S. McCullich) и В. Питц (W.Pitts); Д. Хебб (D.O.Hebb); Ф.Розенблатт (F.Rosenblatt); М. Мински (M.L. Minsky) и С. Паперт (S.A. Papert); Д. Румельхарт (D.E.Rumelhart); Дж. Хопфилд (J.J.Hopfield); М. Коэн (М.А. Cohen); Т.Кохонен (T.K.Kohonen); В.Н.Вапник (V.N.Vapnik) и А.Я. Червоненкис (A. Ya. Chervonenkis); А.И. Галушкин; С.И. Барцев и В.А. Охонин; и другие.

В области систем автоматизированного проектирования: И.П. Норенков; JI.H. Кечиев; И.В.Солодовников; С.Р.Тумковский ; Н.И. Борисов; и другие.

Научная новизна. Научная новизна полученных в диссертации результатов теоретических и экспериментальных исследований заключается в следующем:

• разработана модель автоматизированного контроля паяных соединений на основе нейронной сети адаптивно-резонансной теории, которая, в отличие от уже существующих, позволяет обрабатывать изображения паяных соединений, получаемые в результате проведения автоматизированного рентгеновского контроля печатных плат;

разработан новый метод контроля паяных соединений, предназначенный для повышения качества обнаружения дефектов при автоматизированном рентгеновском контроле на основе модели нейронной сети адаптивно-резонансной теории, позволяющий, в отличие от известных, адаптивно формировать кластеры при работе с изображениями, характеристики которых изменяются в широких пределах;

разработаны алгоритм и программное обеспечение АСТПП для автоматизированного контроля качества паяных соединений, позволяющие проводить анализ печатных плат и обнаруживать дефекты;

• разработка научно-обоснованных рекомендаций по применению системы контроля паяных соединений при проведении автоматизированного рентгеновского контроля печатных плат, позволяющего повысить качество МЭА за счет применения модели нейронной сети адаптивно-резонансной теории.

Практическая значимость исследования. На основе методов, предложенных в диссертационной работе, создана автоматизированная система распознавания, предназначенная для обнаружения дефектов печатных плат при рентгеновском контроле. Эта система позволяет повысить эффективность всех этапов жизненного цикла изделий микроэлектронной аппаратуры.

Анализ нейронной сети на основе адаптивно-резонансной теории позволил получить алгоритм, который впервые был применен для кластеризации элементов изображений паяных соединений при рентгеновском контроле. В результате изображения в градациях серого были разделены на области, которые позволяют оператору намного быстрее выявлять дефекты и неоднородности в паяных соединениях, при этом, изменяя параметры алгоритма, можно изменять чувствительность системы к неоднородностям. Адаптивность алгоритма позволила уменьшить влияние качества съемки на процесс распознавания образов и, следовательно, на обнаружение дефектов.

Реализация результатов работы. Полученные в диссертационной работе результаты внедрены в процесс проектирования и тестирования печатных плат в ООО «ОСАТЕК».

Для использования в учебном процессе кафедры «Информационные технологии и автоматизированные системы» (ИТАС) МИЭМ разработано приложение, позволяющее проводить кластеризацию входных бинарных образов и демонстрировать все этапы работы нейронной сети адаптивно-резонансной теории АКТ I. Результаты работы использованы при изучении дисциплин «Методы принятия решений» и «Интеллектуальные подсистемы САПР».

Апробация работы. Результаты работы докладывались на Научно-технической конференции студентов, аспирантов и молодых специалистов МИЭМ (Москва) в 2007, 2008, 2009, 2010 гг.; на III Всероссийской научно-технической конференции

«Аэрокосмические технологии» (Реутов) в 2007 г.; на Межвузовской научно-технической конференции аспирантов, студентов и молодых ученых «Современные информационные системы и технологии» МГТУ им. Н.Э.Баумана (Москва) в 2007 г.

Публикации. По теме диссертации подготовлено 8 публикаций, в том числе 2 в журналах, включенных в Перечень ведущих рецензируемых научных журналов и изданий, в которых должны быть опубликованы основные научные результаты диссертации на соискание ученой степени доктора и кандидата наук, а также получено свидетельство о государственной регистрации программы для ЭВМ.

Структура диссертационной работы.

В первой главе проводится анализ состояния проблемы контроля качества микроэлектронных изделий в процессе производства. Рассмотрены этапы жизненного цикла изделий, вопросы проектирования и контроля качества, описаны структура и принцип работы систем автоматического рентгеновского контроля, а также проанализированы проблемы распознавания образов при рентгеновском контроле и подходы к их решению с использованием нейросетевых технологий.

Во второй главе ставится формальная задача распознавания образов, рассматриваются способы представления входных образов для кластеризации, структура нейронной сети адаптивно-резонансной теории, законы обучения, а также приводится анализ устойчивого состояния нейронной сети, на основе которого становится возможна разработка алгоритма, реализующего функциональные возможности нейронной сети ART1.

В третьей главе предложен метод автоматизированного контроля паяных соединений печатных плат при рентгеновском контроле. Рассмотрены этапы распознавания, вопросы предварительной обработки и выделения признаков, разрабатывается алгоритм, реализующий ART1, для работы на персональных компьютерах.

В четвертой главе приводятся результаты исследования и проводится экспериментальная оценка эффективности метода контроля паяных соединений на основе модели ART1, рассматриваются различные варианты работы ART1 при различных значениях параметров и входных образах, даются рекомендации по применению системы распознавания образов на основе адаптивно-резонансной теории.

В библиографии приведены литературные источники (монографии, статьи, интернет-ресурсы и др.), на которые есть ссылки в тексте работы.

Приложение 1 содержит копию свидетельства о государственной регистрации программы для ЭВМ, а также в нем приведен исходный текст программного продукта, реализующего предложенный в данной работе метод автоматизированного контроля паяных соединений на основе модели нейронной сети АИЛ.

В приложении 2 приведены копии актов внедрения предложенного в диссертационной работе метода автоматизированного контроля паяных соединений.

Заключение диссертации по теме «Системы автоматизации проектирования (по отраслям)», Ерёмин, Олег Юрьевич

Выводы по диссертации

К основным результатом работы можно отнести следующее:

1) На основе анализа состояния проблемы контроля качества МЭА в процессе производства и рассмотрения этапов жизненного цикла изделий сделан вывод о необходимости контроля качества на каждом этапе жизненного цикла. Особое внимание следует проявить к обнаружению дефектов после производства, так как это может выявить возможные ошибки, которые допустил разработчик аппаратуры при проектировании, либо наличие нарушения в технологическом процессе производства. Эффективным средством обнаружения дефектов можно считать системы автоматизированного оптического и рентгеновского контроля (вторые предпочтительнее, так как позволяют обнаруживать дефекты, невидимые при оптическом контроле). Учитывая специфику изображений, полученных в результате рентгеновской съемки, было предложено использовать методы распознавания на основе нейронных сетей, а именно на модели нейронной сети адаптивно-резонансной теории ART1.

2) Формальная постановка задачи распознавания позволяет подойти к рассмотрению структуры модели нейронной сети адаптивно-резонансной теории ART 1, в результате чего проводится анализ устойчивых состояний нейронной сети и разработка модели распознавания изображений паяных соединений, получаемых в результате проведения автоматизированного рентгеновского контроля печатных плат.

3) На основе модели нейронной сети адаптивно-резонансной теории создан метод автоматизированного контроля паяных соединений печатных плат при рентгеновском контроле. Для этого были рассмотрены все этапы обработки изображений, способы возможных вариантов извлечения признаков из изображения и построения на их основе векторов входных данных для нейронной сети.

4) На основе анализа устойчивых состояний модели нейронной сети ART1 становится возможным построение алгоритма (поскольку реализация нейронной сети на персональном компьютере является неэффективной), который функционально подобен нейронной сети и может быть положен в основу автоматизированной системы контроля качества паяных соединений.

5) Разработано программное обеспечение АСТПП, реализующее метод автоматизированного контроля паяных соединений при автоматизированном рентгеновском контроле на основе модели нейронной сети адаптивно-резонансной теории и позволяющее проводить анализ изображений печатных плат с целью обнаружения дефектов.

6) Для определения эффективности предложенного метода распознавания были проведены исследования поведения модели ART 1 при различных вариациях параметров работы сети, а затем продемонстрирована возможность решения задачи автоматизированного контроля паяных соединений на основе реальных данных, полученных в результате рентгеновской съемки. Анализируя полученные экспериментальные данные, были предложены практические рекомендации по использованию системы распознавания на основе модели нейронной сети ART1 для операторов систем автоматизированного рентгеновского контроля и проектировщиков аппаратуры.

Список литературы диссертационного исследования кандидат технических наук Ерёмин, Олег Юрьевич, 2012 год

Литература

1. Аветисян Д.А. Автоматизация проектирования электротехнических систем и устройств. - М.: Высш. шк., 2005.

2. Агафонов С.А. Дифференциальные уравнения: Учеб. для вузов / С.А.Агафонов, А.Д.Герман, Т.В.Муратова; Под ред. B.C. Зарубина,

A.П. Крищенко. - 4-е изд., исправл. - М.: Изд-во МГТУ им. Н.Э.Баумана, 2006.

3. Аксенов C.B. Организация и использование нейронных сетей (методы и технологии) / C.B. Аксенов, В.Б. Новосельцев; Под общ. ред.

B.Б. Новосельцева. - Томск: Изд-во HTJI, 2006.

4. Алексенко А.Г. Основы микросхемотехники. - 3-е изд., перераб. и доп. - М.: ЮНИМЕДИАСТАЙЛ, 2002.

5. Анисимов Б.В. Распознавание и цифровая обработка изображений / Б.В. Анисимов, В.Д. Курганов, В.К. Злобин. - М.: Высш. шк., 1983.

6. Архангельский А.Я. Программирование в С++ Builder 6 и 2006 / А.Я. Архангельский, М.А. Тагин - М.: ООО «Бином-Пресс», 2007.

7. Архангельский А.Я. Справочное пособие по С++ Builder 6 и 2006. Язык С+ +, библиотеки, классы. - М.: ЗАО «Издательство БИНОМ», 2006.

8. Архангельский А.Я. Справочное пособие по С++ Builder 6 и 2006. Компоненты. - М.: ЗАО «Издательство БИНОМ», 2006.

9. Архангельский А.Я. Приемы программирования в С++ Builder 6 и 2006. Механизмы Windows, сети / А.Я. Архангельский, М.А. Тагин. - М.: ЗАО «Издательство БИНОМ», 2006.

10. Архангельский А.Я. Приемы программирования в С++ Builder 6 и 2006: вычислительные задачи, работа с документами / А.Я. Архангельский, М.А. Тагин. - М.: ЗАО «Издательство БИНОМ», 2007.

11. Биркгофф Г. Математика и психология: Пер. с англ. - М.: Сов. радио, 1977.

12. Быков P.E. Цифровое преобразование изображений / Р.Е.Быков, Р.Фрайер, К.В.Иванов, А.А.Манцветов; Под ред. профессора Р.Е.Быкова. - М.: Горячая линия — Телеком, 2003.

13. Буч Г., Якобсон А., Рамбо Дзк. UML. Классика CS. 2-е изд. / Пер. С англ.; Под общ. Редакцией проф. С.Орлова — Спб.: Питер, 2006.

14. Вагин В.Н. Достоверный и правдоподобный вывод в интеллектуальных системах / В.Н. Вагин, Е.Ю. Головина, A.A. Загорянская, М.В. Фомина; Под ред. В.Н. Вагина, Д.А. Поспелова. - М.: ФИЗМАТЛИТ, 2004.

15. Васильев В.Н. Оптические технологии искусственного интеллекта / В.Н.Васильев, А.В.Павлов. - СПб.: СПбГУ ИТМО, 2005.

16. Ватолин Д. Методы сжатия данных. Устройство архиваторов, сжатие изображений и видео / Д.Ватолин, А.Ратушняк, М.Смирнов, В.Юкин. - М.: ДИАЛОГ-МИФИ, 2003.

17. Галушкин А.И. Теория нейронных сетей. Кн. 1 / Общ. ред. А.И.Галушкина. - М.: ИПРЖР, 2000.

18. Гафт С. Рентгеновский контроль — мощное средство для диагностики и локализации дефектов современных печатных узлов // Технологии в электронной промышленности, №6, 2004. С. 182-184.

19. Гафт С. Рентгеновский контроль — мощное средство для диагностики и локализации дефектов современных печатных узлов (продолжение) // Технологии в электронной промышленности, №7, 2004. С. 28-29.

20. Гафт С. Рентгеновский контроль — мощное средство для диагностики и локализации дефектов современных печатных узлов (продолжение) // Технологии в электронной промышленности, №8, 2004. С. 44-46.

21. Гонсалес Р. Цифровая обработка изображений / Р.Гонсалес, Р.Вудс. - М.: Техносфера, 2006.

22. Гонсалес Р. Цифровая обработка изображений в среде MATLAB. / Р.Гонсалес, Р.Вуцс, С.Эддинс. - М.: Техносфера, 2006.

23. Гренандер У Лекции по теории образов: Синтез образов. Книга 1. Пер. с англ. - М.: Мир, 1979.

24. Гренандер У. Лекции по теории образов: Анализ образов. Книга 2. Пер. с англ. - М.: Мир, 1981.

25. Гренандер У. Лекции по теории образов: Регулярные структуры. Книга 3. Пер. с англ. - М.: Мир, 1983.

26. Гроссберг С. Внимательный мозг [Электронный ресурс] // Открытые системы, №4, 1997. - URL: http://www.osp.ru/os/1997/04/179198/ (дата обращения: 06.04.2011).

27. Джейн A.K. Введение в искусственные нейронные сети / А.К. Джейн, Д.Мао, К.М.Моиуддин // Открытые системы №4, 1997. - URL: http://www.osp.ru/os/1997/04/179189/ (дата обращения: 06.04.2011).

28. Джонс М.Т. Программирование искусственного интеллекта в приложениях / М. Тим Джонс. - М.: ДМК Пресс, 2006.

29. Дуда Р. Распознавание образов и анализ сцен. / Р.Дуда, П.Харт- М.: Издательство «Мир», 1976.

30. Дюран Б. Кластерный анализ / Б. Дюран, П. Оделл; Пер. с англ. Е.З. Демиденко; Под ред. А.Я. Боярского; Предисловие А .Я. Боярского. -М.: «Статистика», 1977.

31. Ерёмин О.Ю. Распознавание изображений, полученных в результате аэрофотосъемки // Научно-техническая конференция студентов, аспирантов и молодых специалистов МИЭМ. Тезисы докладов. - М.~: МИЭМ, 2007.

32. Ерёмин О.Ю. Нормализация изображений // Аэрокосмические технологии, 2004-2007: Труды Всероссийских и Международной научно-технических конференций (Реутов - Москва, 2004 - 2007) / Под ред. Симоньянца Р.П. -М.: НПО машиностроения, Изд-во МГТУ им. Н.Э. Баумана, 2008.

33. Ерёмин О.Ю., Поп Р.Н. Система обнаружения сетевых вторжений на основе ART. // Межвузовская НТК аспирантов и студентов «Современные информационные технологии». - М.: Изд-во МГТУ им. Н.Э.Баумана, 2008.

34. Ерёмин О.Ю. Сегментация изображений аэрофотосъемки // Научно-техническая конференция студентов, аспирантов и молодых специалистов МИЭМ. Тезисы докладов. - М.~: МИЭМ, 2008.

35. Ерёмин О.Ю. Кластеризация элементов изображений аэрофотосъемки // Научно-техническая конференция студентов, аспирантов и молодых специалистов МИЭМ. Тезисы докладов. - М.~: МИЭМ, 2009.

36. Ерёмин О.Ю. Обнаружение дефектов печатных плат с помощью нейросетевых технологий // Научно-техническая конференция студентов, аспирантов и молодых специалистов МИЭМ. Тезисы докладов. - М.~: МИЭМ, 2010.

37. Ерёмин О.Ю., Тумковский С.Р. Использование адаптивно-резонансной теории для обнаружения дефектов паяных соединений и повышения качества печатных плат // Качество. Инновации. Образование. - 2010 - № 4 (59). - С.37-42.

38. Ерёмин О.Ю. Модифицированный алгоритм АРТ-1 для повышения качества распознавания дефектов паяных соединений печатных плат // Качество. Инновации. Образование. - 2010 - № 5 (60). - С.56-59.

39. Зотов В.Ю. Проектирование цифровых устройств на основе ПЛИС фирмы XILINX в САПР WebPACK ISE. - М.: Горячая линия — Телеком, 2003.

40. Каллан Р. Основные концепции нейронных сетей. : Пер. с англ. - М.: Издательский дом «Вильяме», 2003.

41. Кватрани Т. Rational Rose 2000 и UML. Визуальное моделирование: Пер. с англ. - М.: ДМК Пресс, 2001.

42. Кечиев Л.Н. Проектирование печатных плат для цифровой быстродействующей аппаратуры. - М.: ООО «Группа ИДТ», 2007.

43. Ким Дж.-О. Факторный, дискриминантный и кластерный анализ: пер. с англ. / Дж.-О. Ким, Ч.У. Мьюллер, У.Р. Клекка, М.С. Олдендерфер, Р.К. Блэшфилд; Под ред. И.С. Енюкова. - М.: Финансы и статистика, 1989.

44. Колосов А.И. Отчет по научно-исследовательской работе «Создание аналитического обзора информационных источников по применению нейронных сетей для задач газовой технологии» / А.И. Колосов, И.Б. Щербаков, Н.А.Кисленко, О.П. Кисленко, Ю.В. Варивода и др. - ВНИИГАЗ, 1995.

45. Комарцова Л.Г. Нейрокомпьютеры: Учеб. пособие для вузов. / Л.Г.Комарцова, A.B. Максимов. - 2-е изд., перераб. и доп. - М.: изд-во МГТУ им. Н.Э.Баумана, 2004.

46. Круг П.Г. Нейронные сети и нейрокомпьютеры. - М.: Издательство МЭИ, 2002.

47. Левданский А. Оптический и рентгеновский контроль печатных плат при помощи одной системы // Технологии в электронной промышленности, №6, 2005. С. 52-54.

48. Ли К. Основы САПР (CAD/CAM/CAE). - СПб.: Питер, 2004.

49. Лорьер Ж.-Л. Системы искусственного интеллекта: Пер. с франц. - М.: Мир, 1991.

50. Люгер Дж. Искусственный интеллект: стратегии и методы решения сложных проблем, 4-е издание. - М.: Издательский дом «Вильяме», 2005.

51. Мандель И.Д. Кластерный анализ. - М.: Финансы и статистика, 1988.

52. Марр Д. Зрение. Информационный подход к изучению представления и обработки зрительных образов: Пер. с англ. - М.: Радио и связь, 1987.

53. Медведев B.C. Нейронные сети: MATLAB 6 / B.C. Медведев, В.Г. Потемкин; Под общ. ред. к.т.н. В.Г.Потемкина. - М.: ДИАЛОГ-МИФИ, 2002.

54. Насонов А. Что и как можно и нужно проверять после сборки печатной платы // Технологии в электронной промышленности, №5, 2006. С. 38-40.

55. Норенков И. П. Информационная поддержка наукоемких изделий. CALS-технологии / И.П.Норенков, П.К. Кузьмик. - М.: Изд-во МГТУ им. Н.Э.Баумана, 2002.

56. Оппенгейм А. Цифровая обработка сигналов. / А.Оппенгейм, Р.Шафер. - 2-е изд., исправл. - М.: Техносфера, 2007.

57. Осовский С. Нейронные сети для обработки информации / Пер. с польского И.Д. Рудинского. - М.: Финансы и статистика, 2002.

58. Павлидис Т. Алгоритмы машинной графики и обработки изображений. - М.: Радио и связь, 1986.

59. Патрик Э. Основы теории распознавания образов: Пер. с англ. / Под ред. Б.Р.Левина. - М.: Сов. радио, 1980.

60. Подбельский В.В. Язык Си++: Учебное пособие. - 5-е изд. - М.: Финансы и статистика, 2000.

61. Прэтт У. Цифровая обработка изображений: Книга 1 / Пер. с англ. - М.: Мир, 1982.

62. Прэтт У. Цифровая обработка изображений: Книга 2 / Пер. с англ. - М.: Мир, 1982.

63. Рабинер Л. Теория и применения цифровой обработки сигналов / Л. Рабинер, Б. Гоулд - М.: Мир, 1978.

64. Рассел С. Искусственный интеллект: современный подход, 2-е изд.: Пер. с англ. / С.Рассел, П.Норвиг. - М.: Издательский дом «Вильяме», 2006.

65. Саймон Г. Науки об искусственном: Пер с англ. - Изд. 2-е. - М.: Едиториал УРСС, 2004.

66. Сергиенко A.M. VHDL для проектирования вычислительных устройств. -Киев: ЧП "Корнейчук", ООО "ТИД "ДС", 2003.

67. Степаненко И.П. Основы микроэлектроники: Учеб. пособие для вузов. - 2-е изд., перераб. и доп. - М.: Лаборатория Базовых Знаний, 2001.

68. ТарковМ.С. Нейрокомпьютерные системы. - М.: Интернет-университет информационных технологий - ИНТУИТ.ру, БИНОМ. Лаборатория знаний, 2006.

69. Толкачев С.Ф. Нейронное программирование диалоговых систем. - М.: Корона-Век, 2010.

70. Ту Дж. Принципы распознавания образов. / Дж.Ту, Р.Гонсалес. - М.: Издательство «Мир», 1978.

71. Уоссерман Ф. Нейрокомпьютерная техника: Теория и практика. - М., 1992.

72. Угрюмов Е.П. Цифровая схемотехника. - СПб.: БХВ-Петербург, 2001.

73. Франк У. Современная технология рентгеновского контроля / У.Франк, Р.Денеке // Технологии в электронной промышленности, №1, 2006. С. 60-62.

74. Хайкин С. Нейронные сети: полный курс, 2-е изд., испр. - М.: ООО «И.Д. Вильяме», 2006.

75. Хант Э. Искусственный интеллект: Пер. с англ. - М.: Издательство «Мир», 1978.

76. Хуанг Т.С. Быстрые алгоритмы в цифровой обработке изображений. - М.: Радио и связь, 1984.

77. Черноруцкий И.Г. Методы принятия решений. - СПб.: БХВ-Петербург, 2005.

78. Шмаков М. Выбор системы рентгеновского контроля. Взгляд технолога // Технологии в электронной промышленности, №4, 2006. С. 60-68.

79. Шмаков М. Выбор системы рентгеновского контроля. Взгляд технолога (продолжение) // Технологии в электронной промышленности, №5, 2006. С. 33-40.

80. Яне Б. Цифровая обработка изображений. - М.: Техносфера, 2007.

81. Яншин В.В. Обработка изображений на языке Си для IBM PC: Алгоритмы и программы / В.В.Яншин, Г.А.Калинин. - М.: Мир, 1994.

82. Яхъяева Г. Э. Нечеткие множества и нейронные сети. — М.: Интернет-университет информационных технологий - ИНТУИТ.ру, БИНОМ. Лаборатория знаний, 2008.

83. Нейронные сети. STATISTICA Neural Networks: Методология и технология современного анализа данных / Под ред. В.П. Боровикова. - 2-е изд., перераб. и доп. - М.: Горячая линия — Телеком, 2008.

84. От моделей поведения к искусственному интеллекту / Под ред. В.Г. Редько. - М.: КомКнига, 2006.

85. Распознавание образов. Исследование живых и автоматических распознающих систем / Пер. с англ. Л.И.Титомира. - М.: Издательство «Мир», 1970.

86. Энциклопедия поверхностного монтажа: Часть VIII. Дефекты пайки оплавлением - дефекты компонентов в корпусах BGA // Бюллетень «Поверхностный монтаж», № 6-7 (43), 2005. С. 24-25.

87. Энциклопедия поверхностного монтажа: Часть IX. Дефекты пайки оплавлением - дефекты компонентов в корпусах BGA // Бюллетень «Поверхностный монтаж», № 8 (44), 2005. С.26-27.

88. Anderson J.A. General introduction / Neurocomputing: Foundations of Research (J.A.Anderson, E.Rosenfeld, eds.) - Cambridge, MA: MIT Press, 1988, p. xiii-xxi.

89. Barbara M. ART and Pattern Clustering. - Proceedings of the 1988 Connectionist Model Summer. - Published by M.Kaufmann, San Mateo, CA, pp. 174-185.

90. Bishop C.M. Neural Networks for Pattern Recognition, Oxford University Press,

2005.

91. Bishop C.M. Pattern Recognition and Machine Learning. - Springer Science,

2006.

92. Canny J.F. Finding Edges and Lines in Images - Technical Report 720. -Massachusetts Institute of Technology, June, 1983.

93. Carpenter G.A. A Massively Parallel Architecture for a Self-Organizing Neural Pattern Recognition Machine / G. Carpenter, S. Grossberg // Computer Vision, Graphics, and Image Processing, 37. pp. 54-115, 1987.

94. Carpenter G.A. ART2: self-organization of stable category recognition codes for analog input patterns / G.A. Carpenter, S. Grossberg // Applied Optics, vol. 27, No. 23, December, 1987.

95. Carpenter G. A. The ART of Adaptive Pattern Recognition by a Self-Organizing Neural Network / G. Carpenter, S. Grossberg // Computer, 1988, 21, pp. 77-88.

96. Carpenter G.A. ART2-A: An Adaptive Resonance Algorithm for Rapid Category Learning and Recognition / G.A. Carpenter, S. Grossberg, D.B. Rosen // Neural Networks, vol. 4, pp. 493-504, 1991.

97. Cristianini N. An Introduction to Support Vector Machines and Other Kernelbased Learning Methods / N. Cristianini, J. Shawe-Taylor. - Cambridge University Press, 2000.

98. Devaux S. Classification hybride ART-CS: Apprentissage par renforcement, vision et rorotique. Rapport de projet de fin d'études [Электронный ресурс] / Tours, [1996]. - URL: http://sde.eduvax.net/artcs/ (дата обращения: 06.04.2011).

99. Duda R.O. Pattern classification and scene analysis / R.O. Duda, P.E. Hart. -Artificial Intelligence Group, Stanford Research Institute, 1970.

100. Duda R.O. Pattern classification and scene analysis / R.O. Duda, P.E.Hart -New York: Wiley, 1973.

101. Duda R.O. Pattern classification, 2nd edition / R.O.Duda, P.E.Hart, D.G.Stork. -Wiley, 2001.

102. Fairchild K. Evaluation ROI of AXI vs. AOI // Circuit Assembly, october, 2006.

103. Fausett L.V. Fundamentals of neural networks: architectures, algorithms, and applications. - Pearson Education, 2006.

104. Friedland G. Image Segmentation by Uniform Color Clustering - Approach and Benchmark Results [Электронный ресурс] :Freie Universität Berlin, Technocal Report B-05-07 / G.Friedland, K.Jantz, L.Knipping, R.Rojas - Berlin, 2005. - URL: http://www.inf.fu-berlin.de/inst/ag-ki/ger/segmentation2.pdf (дата обращения: 06.04.2011).

105. Friedland G. Siox: Simple interactive object extraction in still images / G.Friedland, K.Jantz, R.Rojas // Proceedings of the IEEE Symposium on Multimedia (ISM 2005), Irvine, California, 2005.

106. Friedland G. Extending the SOIX Algorithm: Alternative Clustering Methods, Sub-pixel Accurate Object Extraction from Still Images, and Generic Video Segmentation [Электронный ресурс]: Free University of Berlin, Department of Computer Science, Technical Report B-06-06 / G.Friedland, K.Jantz, T.Lenz, R.Rojas. - Berlin, 2006. - URL: http://www.inf.fu-berlin.de/inst/ag-ki/ger/B-06-06.pdf (дата обращения: 06.04.2011).

107. Gallant S. Neural Network Learning and Expert Systems. - Cambridge, MA The MIT Press, 1993.

108. Gallant S. Neural network learning. - Cambridge, MA: MIT Press, 1994.

109. Grossberg S. Neural expectation: Cerebellar and retinal analogs of cells fired by learnable or unlearned pattern classes // Kybernetik, 10, 1972.

1 lO.Grossberg S. Adaptive Pattern Classification and Universal Recording: I. Parallel Development and Coding of Neural Feature Detectors // Biological Cybernetics, 23, 1976.

111. Grossberg S. Adaptive Pattern Classification and Universal Recording: II. Feedback, Expectation, Olfaction, Illusions // Biological Cybernetics, No. 23, 1976.

112.Grossberg S. A Neural Network Architecture for Figure-Ground Separation of Connected Scenic Figures / S.Grossberg, L. Wyse // Neural Networks, vol.4, pp. 723-742, 1991.

113.Grossberg S. A self-Organizing Neural System For Learning to Recognize Textured Scenes / S.Grossberg, J.R.Williamson // Vision Research, 39, pp. 13851406, 1999.

114.Hagan M.T. Neural Network Design / M.T. Hagan, H.B. Demuth, M.H. Beale. -Boston, MA: PWS Publishing, 1996.

115.Jain A. K. Artificial Neural Networks / Anil K. Jain, Jianchang Mao, K.M. Mohiuddin //ATutorial Computer, vol. 29, №3, March/1996, pp. 31-44.

116.Kohonen T. The self-organizing map. - Proceedings of the IEEE, 78 (9), pp. 1464-1480, 1990.

117.Leuba A. Eliminating Order Dependency of Classification in Artificial Resonance Theory (ART1) Networks / A. Leuba, B.V.Koen // Proceedings from Applications & Science of Artificial Neural Networks, SPIE Proceedings, Vol. 2492, April 20, 1995.

118.Lindblad T. Image Processing Using Pulse-Coupled Neural Networks: 2nd edition / T.Lindblad, J.M.Kinser. - Springer-Verlag, 2005.

119.MacQueen J. Some methods for classification and analysis of multivariate observations. // Proc. Fifth Berkeley Sympos. Math. Statist, and Probability (Berkeley, Calif., 1965/66) Vol. I: Statistics, pp. 281-297 Univ. California Press, Berkeley, Calif, 1967.

120. Rangarajan S.K. Web User Clustering and Its Application to Prefetching Using ART Neural Networks / Santosh K. Rangarajan, Vir V. Phoha, Kiran Balagani, S.S. Iyengar, Rastko Selmic // Computer - IEEE Computer Society, vol. 37, No. 4, April, 2004.

121. Roth H. Automated offline inspection of solder joints / Holger Roth // Printed Circuit Europe, 4th quarter, 2001.

122. Sadgal M. Une architecture pour la reconnaissance d'objets en imagerie aerienne / Mohammen Sadgal, Aziz El Fazziki, Abdellah Ait Ouahman // Revue d'Information Scientifique et Technique (RIST), vol. 4, No. 2, 2004.

123. Sadgal M. Aerial image processing and object recognition / Mohammen Sadgal, Aziz El Fazziki, Abdellah Ait Ouahman // The Visual Computer, vol. 21, No. 1-2, February, 2008.

124. Scholkopf B. Learning with Kernels: Support Vector Mashines, Regularization, Optimization, and Beyond / B.Scholkopf, A.J. Smola. - The MIT Press, 2002.

125. Verma A. Optimising test where ICT access is limited / Amit Verma // Printed Circuit Europe, 4th quarter, 2002

126. Webb A.R. Statistical Pattern Recognition: Second Edition - John Wiley & Sons LTD, 2002.

127. Woods W.A. Important issues in knowledge representation / Proceedings of the Institute of Electrical and Electronics Engineers, vol.74, pp.1322-1334, 1986.

128. Основные проблемы чистого олова [Электронный ресурс] / Портал по электронике ЭЛИНФОРМ [12.10.2007]- URL: http://elinform.ru/articles_35.htm (дата обращения: 06.04.2011).

129. Automated X-Ray Inspection AXI for PCB and BGA [Электронный ресурс] / Radio-Electronics.com - Resources and analysis for electronics engineers — URL: http://www.radio-electronics.com/info/t_and_m/ate/automated-x-ray-inspection-pcb-bga.php (дата обращения: 06.04.2011).

130. Automatic optical inspection, AOI systems [Электронный ресурс] / Radio-El ectronics.com - Resources and analysis for electronics engineers — URL: http://www.radio-electronics.com/info/t_and_m/ate/aoi-automatic-automated-optical-inspection.php (дата обращения: 06.04.2011).

131. Arduino [Электронный ресурс] / URL: http://arduino.cc/ (дата обращения: 06.04.2011).

132. IPC - Association Connecting Electronics Industries [Электронный ресурс]/ URL: http://www.ipc.org/ (дата обращения: 06.04.2011).

133. Products | An ERSA soldering machine, soldering station or BGA rework system - best solutions for PCB manufacturing industries [Электронный ресурс] / URL: http://www.ersa.com/ (дата обращения: 06.04.2011).

134. SNNS. Stuttgart Neural Network Simulator. User Manual, version 4.2. [Электронный ресурс].- Stuttgart, [199-] - URL: http://www.ra.cs.uni-tuebingen.de/downloads/SNNS/SNNSv4.2.Manual.pdf (дата обращения: 06.04.2011).

135. YXLON International History [Электронный ресурс] / YXLON - industrial X-ray inspection systems and CT systems [2007] - URL: http://yxlon.com/yxlon/ yxlon_cms.nsf/pages/000_010_030 (дата обращения: 06.04.2011).