[发明专利]一种三阶段金丝键合缺陷检测方法

说明书

一种三阶段金丝键合缺陷检测方法，其特征是，包括三个阶段，如下：(1)芯片及关键连接区域分割：使用DeepLabV3+模型完成芯片及关键连接区域的语义分割；(2)感兴趣区域提取：根据键合线连接对象不同和背景复杂程度，将金丝键合图片分为4类，基于阶段1提取的位置信息，进一步设计相应的图像处理算法完成感兴趣区域提取；(3)缺陷判别：基于所提取的感兴趣区域，使用图像处理算法和所提出了一个全新的基于孪生网络架构的分类网络完成缺陷判别。因此，本发明是将深度学习方法与传统数字图像处理方法相融合的三阶段缺陷检测方法，完成微波组件金丝键合工艺中的缺丝和翘丝缺陷检测。

技术领域

本发明涉及微波组件微组装过程中金丝键合工艺的缺陷检测，是针对复杂实际工程任务的一种基于深度学习与传统图像处理相融合的三阶段金丝键合缺陷检测方法。

背景技术

微波组件作为通信和雷达设备的核心部件，直接影响到整个设备的性能指标、工作效率和制造成本。参照图1、图2，金丝键合是一种使用金丝线，利用热、压力、超声波能量使金属引线与两端组件紧密焊合，实现组件之间的电气互连。金丝键合图片组成部分参照图1。金丝键合工艺广泛应用于微波组件的制造中。芯片与芯片、芯片与微带线、微带线与微带线、接插件与微带线之间经常采用键合金丝的方式进行电气连接。金丝键合的质量直接决定微波多芯片组件的可靠性、稳定性及电性能。

微波组件的微组装过程具有精密、微小、装配复杂等特点。在实际工业生产过程中，1)微波组件种类繁多，背景复杂，键合区域形态各异，图片中的感兴趣区域和特征提取困难。2)图像采集设备的景深有限，导致部分物体模糊，同时，在实际的金丝键合过程中，允许金丝存在一定形变，这导致图片中的金丝线存在变形和不连续，进一步增加了检测的难度。3)难以收集高质量的缺陷图像数据集，在实际检测中，图像数据量巨大，需要大量的人力来筛选标注的照片，而且由于缺陷位置不确定，很难对缺陷进行分组。目前工业生产中依靠AOI进行检测，但误检率很高，需要人工复检，费时费力。设计高效可行的机器视觉方法对焊线缺陷进行自动诊断有重要意义。

机器视觉检测系统通过适当的光源和图像传感器获取产品的表面图像，利用相应的图像处理算法提取图像的特征信息。然后，根据特征信息进行缺陷的定位、识别等。近年来，机器视觉技术越来越多的应用到工业产品的缺陷检测中，如布匹瑕疵检测、PCB缺陷检测、钢材表面缺陷检测等。传统基于机器视觉的表面缺陷检测方法,往往采用常规图像处理算法或人工设计特征加分类器方式，其通过分析纹理特性、几何特性、颜色特性等，提取图像特征，识别缺陷，从而区分缺陷产品图像和正常产品图像。近年来，随着深度学习技术的发展，其开始越来越多的应用到工业缺陷检测中。深度学习方法可以从图像中提取出丰富的高层语义特征，用于缺陷的判别。其中应用最广泛的方法包括利用先进的分类网络，如VGG，ResNet，DenseNet，MobileNet等，进行缺陷分类或特征提取；利用单阶段或两阶段检测网络，如SSD,YOLO，Faster R_CNN等，进行缺陷分类及定位；利用语义分割网络，如FCN，U-Net等，进行缺陷位置的像素级分割；其他还包括度量学习、半监督和无监督方法等。

然而，基于传统数字图像处理方法，需要一定的专家知识，且设计的方案缺乏通用性，无法适应真实应用中存在的大量型号的组件。基于深度学习的方法，对于图片数据集样本数量的大小、图片的质量、检测的难易程度，均有一定的要求，无法端到端地应用到高度复杂的工业场景中。

发明内容

针对金丝键合工艺中出现频率较高的缺丝和翘丝缺陷，本发明融合深度学习方法和传统数字图像处理方法，提出了一种三阶段的金丝键合缺陷检测方法。

技术方案

一种三阶段金丝键合缺陷检测方法，其特征是，包括三个阶段，如下：

(1)芯片及关键连接区域分割：使用DeepLabV3+模型完成芯片及关键连接区域的语义分割。