[发明专利]一种基于深度学习的封装芯片缺陷检测方法

权利要求书

1.一种基于深度学习的封装芯片缺陷检测方法，其特征在于，包括如下步骤：

步骤1，获取封装芯片的X射线图像，并对其进行降噪处理；

步骤2，对降噪处理后的X射线图像进行图像分割，提取具有封装芯片的测试图像；

步骤3，基于模板匹配得到测试图像中芯片的密封圈内外边缘；

步骤4，建立训练数据集与目标检测模型，并基于训练数据集对目标检测网络进行训练；

步骤5，基于训练后的目标检测模型对测试图像进行检测，得到测试图像中缺陷区域对应的检测框；

步骤6，基于区域生长对检测框进行精定位修正；

步骤7，基于密封圈内外边缘与检测框的最短路径对芯片进行合格性判定，所述合格性判定具体为：

以外封闭圈为起点、内封闭圈为终点，以各检测框自身为根节点，得到各检测框的最短路径，其中，检测框内部的距离默认为0；

若所有检测框的最短路径中的最小值小于外封闭圈与内封闭圈之间距离的15％，则判定为不合格，反之则认定为合格。

2.根据权利要求1所述基于深度学习的封装芯片缺陷检测方法，其特征在于，步骤1中，所述降噪处理为双边滤波处理，具体为：

式中，f(x，y)为封装芯片的X射线图像，为双边滤波处理后封装芯片的X射线图像，w(i，j)为权值，S(x，y)为以(x，y)为中心的(2N+1)×(2N+1)的大小范围；

其中，所述权值具体为：

w(i，j)＝w_r(i，j)·w_s(i，j)

式中，w_s(i，j)为空间邻近度权值，w_r(i，j)空间相似度权值，δ_s、δ_r为程序输入值。

3.根据权利要求1所述基于深度学习的封装芯片缺陷检测方法，其特征在于，步骤2中，所述对降噪处理后的X射线图像进行图像分割，具体为：基于寻找目标最小外接矩形对降噪处理后的X射线图像进行图像分割，具体包括如下步骤：

步骤2.1，对降噪处理后的X射线图像进行二值化处理，得到二值化图像；

步骤2.2，对二值化图像进行开运算操作，以滤除二值化图像上的小字符；

步骤2.3，基于OpenCV库中轮廓检测算法，对二值图像进行查找并绘制轮廓，再对绘制出的目标轮廓进行拟合，找出轮廓的最小外接矩形；

步骤2.4，基于最小外接矩形的中心点在X射线图像1/3～2/3处，搜寻中心处的芯片，并截取具有中心芯片的分割图像；

步骤2.5，对分割图像进行校正，得到测试图像。

4.根据权利要求3所述基于深度学习的封装芯片缺陷检测方法，其特征在于，步骤2.5中，所述对分割图像进行校正，得到测试图像，具体为：

步骤2.5.1，取最小外接矩形的四个角点和尺寸为800×600的图像四角做对应，然后根据这四对对应的角点，基于Opencv中的findHomography函数获取透视变换矩阵；

步骤2.5.2，基于透视变换矩阵，调用Opencv中的函数warpPerspective将分割图像变换到尺寸800×600校正后的视图中，得到测试图像；

步骤2.5.3，输出800×600的测试图像。

5.根据权利要求1所述基于深度学习的封装芯片缺陷检测方法，其特征在于，所述步骤3具体包括如下步骤：

步骤3.1，构建第一模板图像与第二模板图像，其中，第一模板图像为芯片的标准图像，第二模板图像为芯片的标准内框图像；

步骤3.2，分别将第一模板图像与第二模板图像在测试图像上滑动，寻找最佳匹配值最大的位置，即得到测试图像中芯片的密封圈的内外边缘。