[发明专利]高速焊线机焊点快速识别与定位方法

说明书

本发明公开了高速焊线机焊点快速识别与定位方法，首先通过高速焊线机由光学镜头、CCD相机以及光源（同轴光以及环形光照明）组成的机器视觉系统获取工作台上LED支架上的微芯片图像，并通过USB连接工业PC进行简单的图像预处理。然后将图像送入提前训练好的基于CNN的HD‑FSD模型中提取焊点特征，并进行焊点识别与定位，得到各个焊点的中心坐标。最后配合机器运动控制系统完成焊线工作。与传统图像处理方法相比，该方法是有效的，可以识别不同支架、不同场景、不同曝光程度以及不同清晰度等情况下的微芯片图像焊点，识别速度达到了每张约0.005s,平均精确度达到了99.67%，解决传统方法识别微芯片焊点识别精度不高以及识别速度不快的问题，且该方法对灯光模式、质量以及支架芯片形状无一致性要求。

技术领域

本发明涉及半导体封装设备、深度学习及图像处理领域，具体是一种高速焊线机焊点快速识别与定位方法。

背景技术

近年来，随着半导体产业的不断壮大，其封装设备的需求量也在不断增加，高速焊线机作为半导体封装核心设备之一，主要由机械模块、电路模块、运动控制模块及图像处理模块组成，其中，微芯片的识别和定位是图像处理模块的核心，同时也是整个高速焊线线焊线工艺中极为重要的一环，微芯片焊点的快速识别和精确定位是高速焊线机生产效率和焊线质量的重要保障。但由于微芯片图像对比度较低，焊点体积小，且受到生产环境的干扰，势必会加大微芯片焊点的识别难度，影响机器生产效率。

目前高速焊线机主要采用传统图像处理方法来识别和定位微芯片焊点，如：对预处理的微芯片图像使用自适应阈值算法将其二值化后，利用邻域检测对图像进行加权，最后通过质心定位焊点；或采用模板匹配，即每个芯片图像设定n+1个模板来进行处理，n为焊点数量；或采用图案匹配，即获取物体图像的边界特征点，拟合出一条不依赖像素灰度的边界形状几何曲线；文献“丁婷婷.基于机器视觉的IC芯片焊点定位检测与误差分析[D].西安工业大学，2015”、“施辉，陈先桥，杨英.改进YOLO v3的安全帽佩戴检测方法[J/OL].计算机工程与应用：1-9[2019-05-16]”及其“尧三品.图像识别技术研究及在LED焊线机上的应用[D].广东工业大学，2011.”基于机器视觉上对几种传统模板匹配进行深入研究，发现其中存在两个问题：一是识别速度慢；二是无法适应多样性环境(芯片形状、灯光模式和芯片图像质量)生产。随着科学技术的快速发展，CPU计算性能不断提高，将深度卷积神经网络实时应用在工业上成为可能，深度卷积神经网络可自动对需要识别的目标图片进行学习，完成其特征提取，整个过程无需人工干预。

目前主要应用于目标对象识别与检测的深度学习卷积神经网络算法主要分为两大类：一类是基于候选框的目标检测算法，如R-CNN系列，该算法在预测阶段首先选出包含目标概率较大的区域，之后对所选区域进行预测，这类算法检测精度高，但识别速度慢；而另一类是基于回归的目标检测算法，如YOLO系列，该算法将检测问题看成回归问题，避免上千个候选框的复杂计算量，一步完成预测，这类目标检测算法速度比较快，可满足实时性要求。

发明内容

针对上述现有技术的分析，本发明的目的是提供一种高速机焊点快速识别与定位方法，该方法不仅能提高焊点的定位精度及识别速度，还对微芯片的形状、相机的灯光方式及生产环境无一致性要求。

实现本发明目的的技术方案是：基于回归的目标检测算法(YOLO系列)，构建高速焊线机LED微芯片图像焊点识别和定位模型，使用高速焊线机正常工作下捕捉的图片，对其做相应的处理，制作微芯片图像数据集，同时在训练阶段，通过模拟高速焊线机图像处理实验台拍摄不同分辨率的图片加入训练，提高模型的适应性。

本发明高速焊线机焊点快速识别与定位方法，包括如下步骤：

(1)获取各类焊点图像数据：通过高速焊线机捕捉保存及使用模拟实验台拍摄获取焊点图像数据；

(2)焊点图像数据预处理：将由高速焊线机上采集的图片统一转化成同一图片格式，并对其进行筛选、编号；