半导体分立器件晶圆片在生产环节易出现各种缺陷,如脏污、划痕等。为了不影响生产效率,有必要对晶圆片表面展开缺陷检测。人力无法长时间对晶圆片进行检测,且检测结果具有主观性。本课题基于机器视觉的方法设计了一套针对分立器件晶圆片的在线缺陷检测系统,对晶圆片表面的每个晶粒进行自动缺陷检测。本文在现有的分立器件晶圆片缺陷检测系统的硬件平台的基础上,根据检测任务设计了系统的工艺方案,介绍了系统的运动控制方法。根据实际检测的样品制定了系统的打光方案,并设计相应的晶粒定位算法和晶粒缺陷检测算法。利用目标检测模型YOLO v4网络来预测晶粒的位置,通过设定预测框面积的阈值来排除不完整的晶粒。对于完整的晶粒图片,提取边界轮廓、并使用凸包平滑这些轮廓,将晶粒的金属层、氧化层、玻璃层等区域划分出来。针对脏污和氧化层残留缺陷,利用开运算去除小区域,分别提取出潜在缺陷区域和氧化层区域的颜色并用CIELAB颜色通道下的分量表示,利用CMC（l:c）色差公式区别这两种缺陷。针对划痕缺陷,利用形态学膨胀解决阈值化后区域不贯通问题,结合包含各区域的最小外接矩形的长边长度和面积等因素判断是否含有缺陷。针对氧化层偏移缺陷,用膨胀后的氧化层内轮廓区域减去外轮廓区域,利用减运算后区域最小外接矩形长边的长度判断是否有该缺陷。针对氧化层不规则缺陷,根据凸缺陷的最远点到凸包轮廓的距离判断是否有该缺陷。针对晶粒图像的噪声点,利用滚动导向滤波算法在边缘保持的同时实现图像去噪。结合各缺陷的重要程度和耗时制定了检测的流程。图像处理算法需要定义缺陷的特征、通用性不强,也难以提取复杂的缺陷。为了实现端到端检测,本文在几个语义分割模型中选择了分割效果最好的DeepLabV3+模型来对背景较复杂的划痕、脏污缺陷进行检测。提出了三种改进方式,利用数据增强解决晶粒样本较少的问题,利用迁移学习使得模型的训练过程更快更稳定,将原模型的主干特征提取网络由Xception改为MobileNetV2,实现模型的轻量化。经过实际样本的实验证明了上述基于YOLO v4定位算法和晶粒脏污、划痕、氧化层残留、氧化层偏移和氧化层不规则缺陷图像处理算法的可行性。证明了改进的DeepLabV3+模型可以用来检测晶粒上背景复杂、参数难以统一设置的脏污和划痕缺陷。