[发明专利]一种基于深度学习的封装芯片缺陷检测方法

说明书

本发明公开了一种基于深度学习的封装芯片缺陷检测方法，包括：对封装芯片的X射线图像进行降噪处理；对X射线图像进行图像分割，提取具有封装芯片的测试图像；基于模板匹配得到测试图像中芯片的密封圈内外边缘；建立训练数据集与目标检测模型，对目标检测网络进行训练；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；基于区域生长对检测框进行精定位修正；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。深入研究了以深度学习视觉检测技术为代表的计算机视觉技术，研制出电子元器件X射线检查气泡缺陷自动识别方法，解决了军工电子元器件质量检测的迫切需求。

技术领域

本发明涉及封装芯片缺陷检测领域/图像处理技术领域，具体是一种基于深度学习的封装芯片缺陷检测方法。

背景技术

传统的人工视觉检测、自动光学检测等检测技术对元器件内部的质量检测几乎无能为力，X射线检测方式以透射原理对电子元器件进行X射线成像，其图像能反映电子元器件的内部缺陷，再由检测人员浏览X射线图像，根据检测标准进行人工判读、分析。这种人工判读分析方式受工人经验和身体状况等主观因素的影响，检测效率和可靠性低，元器件检测质量难以有效保证，给元器件的使用带来风险与隐患，已无法满足军用电子系统日益增加的需求。

发明内容

针对上述现有技术中的不足，本发明提供一种基于深度学习的封装芯片缺陷检测方法，以深度学习视觉检测技术研制电子元器件X射线检查气泡缺陷自动识别方法，解决了军工电子元器件质量检测的迫切需求。

为实现上述目的，本发明提供一种基于深度学习的封装芯片缺陷检测方法，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。

在其中一个实施例中，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。

在其中一个实施例中，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；