[發明專利]一種基于深度學習的引線框架缺陷定位及等級判定方法

在審

• 申請號: 202110552002.1
• 申請日: 2021-05-20
• 公開（公告）號: CN113177934A
• 公開（公告）日: 2021-07-27
• 發明（設計）人: 張記霞;鄭軍
• 申請（專利權）人: 聚時科技（上海）有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/70;G06T7/62;G06N3/08
• 代理公司: 湖北天領艾匹律師事務所 42252
• 代理人: 王能德

本發明涉及引線框架檢測技術領域，尤其涉及一種基于深度學習的引線框架缺陷定位及等級判定方法，包括如下步驟：收集缺陷圖像并進行缺陷位置、類別及面積掩膜的標注；基于標注圖像進行深度學習量化模型的訓練；利用深度學習量化模型對測試圖像進行推斷，判斷圖像是否有缺陷及缺陷的位置、類別及量化面積；基于等級判定規則和缺陷的位置、類別及量化面積對測試圖像進行等級判定。本發明通過缺陷的位置、類別及量化信息進行缺陷的等級判定，從而去除檢測后需要的人工復判的工作，提高復判效率；還可實現缺陷的類別判定，進而可以追溯缺陷來源工藝流程步驟，進行質量反饋。

技術領域

本發明涉及引線框架檢測技術領域，尤其涉及一種基于深度學習的引線框架缺陷定位及等級判定方法。

背景技術

引線框架作為很多集成電路的芯片載體，其質量是否可靠穩定決定了后續最終半導體產品的功能和性能，因此在實際生產過程中需要對引線框架物料進行質量檢查。引線框架料片有很多的顆粒組成，尺寸很小，人工檢查需要借助顯微鏡逐個顆粒進行目視判斷，因此費時費力且很難保證檢查的穩定性。為提高質檢效率和穩定性，人們設計并制造了基于視覺的自動引線框架檢測設備。

常規的引線框架檢測設備對輸入的引線框架物料進行自動檢查，定位物料上的所有缺陷，然后交由人工判斷缺陷是否影響功能及是否可以進行物理清理。通過對缺陷進行分類和等級判定，危害程度較高的直接報廢，危害程度低或不影響功能的自動判為良品可以減少人工判斷的工作量。引線框架的生產需要經過不同的工藝流程，如蝕刻、電鍍。這些工藝流程的質量管控影響了生產的引線框架的質量，通過分析生產出的引線框架缺陷類型可以追溯是哪些流程出現了質量問題，因此實際缺陷的類別判定對反饋制程過程進行質量改進有重要的意義。此外，對生產出來的引線框架進行質量檢查進而出貨到下游客戶，出貨量影響生產工廠的效益。

現有設備主要基于傳統的圖像比對方法來定位引線框架料片中的缺陷輔助人工判斷，該方法有以下幾個不足：

1、只基于圖像比對的方法對圖像要求高，因為物料的變化會導致圖像的變化從而難保證低漏檢過殺的效果；

2、只能定位到缺陷位置無法進行類別判定進而進行產生原因的溯源；

3、無法基于缺陷程度和危害程度進行不同的處理，減少人工工作量。

為此，我們提出一種基于深度學習的引線框架缺陷定位及等級判定方法。

發明內容

基于背景技術存在的技術問題，本發明提出了一種基于深度學習的引線框架缺陷定位及等級判定方法，具有通過缺陷的位置、類別及量化信息進行缺陷的等級判定，提高復判效率，追溯缺陷來源工藝流程步驟，進行質量反饋的特點，解決了現有技術無法進行引線框架缺陷類別判定以及缺陷產生原因的溯源，影響產品質量和出貨量的問題。

本發明提供如下技術方案：一種基于深度學習的引線框架缺陷定位及等級判定方法，包括如下步驟：

S1、收集缺陷圖像并進行缺陷位置、類別及面積掩膜的標注；

S2、基于標注圖像進行深度學習量化模型的訓練；

S3、利用深度學習量化模型對測試圖像進行推斷，判斷圖像是否有缺陷及缺陷的位置、類別及量化面積；

S4、基于等級判定規則和缺陷的位置、類別及量化面積對測試圖像進行等級判定。

優選的，所述步驟S2中訓練前首先指定訓練目標和停止準則，訓練目標指量化模型的損失函數；停止準則指目標函數的可接受閾值或迭代次數；然后，進入訓練迭代過程，每次迭代讀取部分訓練圖像，前向傳播計算這些圖像上的目標函數數值，然后將損失函數的梯度反向傳播更新網絡的參數；最后達到停止準則后保存對應模型。

優選的，所述步驟S2中的深度學習量化模型包括缺陷位置回歸模型、缺陷分類模型和缺陷面積估計模型。