一种基于深度学习的BGA气泡缺陷图像检测方法技术

本发明专利技术涉及一种基于深度学习的BGA气泡缺陷图像检测方法，包括如下步骤：步骤1：筛选出有气泡缺陷的BGA图像，并对图像进行标定，获得标签图像集；步骤2：建立全卷积网络，利用步骤1获得的标签图像集训练全卷积网络，训练获得全卷积网络模型；步骤3：将待检测的BGA图像输入至步骤2获得的全卷积网络模型进行检测，输出图像分类结果。

【技术实现步骤摘要】
一种基于深度学习的BGA气泡缺陷图像检测方法
本专利技术涉及一种基于深度学习的BGA气泡缺陷图像检测方法。
技术介绍
由于对高密度表面组装器件需求的不断增加，球栅阵列封装（BallGridArray,BGA）技术已经广泛应用于印刷电路板（PrintedCircuitBoard,PCB）的生产当中。在BGA封装过程中，不可避免地出现各种各样的缺陷，气泡缺陷便是其中一种。由于BGA焊点隐藏在芯片的底部，所以无法通过直接观察的方式来检测焊点。即使在生产的最后阶段顺利通过功能测试，也不意味着没有缺陷，很多缺陷无法从功能的角度去发现。因此，工业生产中，通常利用焊点钎料与PCB基板材料对X射线吸收作用显著差异的特性，应用X射线成像技术对这类封装器件的焊点缺陷进行检测。现有技术中，检测X射线BGA图像的气泡缺陷包含诸多步骤，如对采集来的BGA图像进行增强、降噪、分割、特征提取与识别等，这些步骤顺序执行，每一步均开销大量的计算资源，且现有检测方法均缺乏对图像先验知识(正确的检测结果)的利用，因此检测结果很难达到期望，检测效率低。
技术实现思路
本专利技术目的在于提供一种基于深度学习的BGA气泡缺陷图像检本文档来自技高网...

【技术保护点】
1.一种基于深度学习的BGA气泡缺陷图像检测方法，其特征在于，包括如下步骤：步骤1：筛选出有气泡缺陷的BGA图像，并对图像进行标定，获得标签图像集；步骤2：建立全卷积网络，利用步骤1获得的标签图像集训练全卷积网络，训练获得全卷积网络模型；步骤3：将待检测的BGA图像输入至步骤2获得的全卷积网络模型进行检测，输出图像分类结果。

【技术特征摘要】
1.一种基于深度学习的BGA气泡缺陷图像检测方法，其特征在于，包括如下步骤：步骤1：筛选出有气泡缺陷的BGA图像，并对图像进行标定，获得标签图像集；步骤2：建立全卷积网络，利用步骤1获得的标签图像集训练全卷积网络，训练获得全卷积网络模型；步骤3：将待检测的BGA图像输入至步骤2获得的全卷积网络模型进行检测，输出图像分类结果。2.根据权利要求1所述的基于深度学习的BGA气泡缺陷图像检测方法，其特征在于：步骤1中，对图像的背景区域、焊球区域与气泡区域进行标定，得到标签图像。3.根据权利要求2所述的基于深度学习的BGA气泡缺陷图像检测方法，其特征在于：步骤2中，全卷积网络由卷积层、池化层、激活层、反卷积层和损失层构成，通过全卷积网络最终将BGA图像中的像素分成三类，即背景区域、焊球区域与气泡区域。4.根据权利要求3所述的基于深度学习的BGA气泡缺陷图像检测方法，其特征在于，步骤2中，设定卷积层的卷积核尺寸、卷积核遍历步长、边界扩展宽度，并对卷积核权值进行随机初始化；训练全卷积网络包括如下步骤：步骤2.1：图像与第j个卷积层卷积后，获得第j特征响应图,j=1,2……jm,jm为卷积层的总个数；步骤2.2：第j特征响应图进入第j激活层，对特征响应图进行非线性化处理，获得第j激活后特征响应图；步骤2.3：重复步骤2.1至步骤2.2，经过jm个卷积层后，获得第i高级特征响应图，i=1,2……im，im为根据图像尺寸和期望提取特征对应的感受野尺寸来设定的总...

【专利技术属性】
技术研发人员：桂志国，张鹏程，刘一鸣，张权，杨民，陈阳，
申请(专利权)人：中北大学，
类型：发明
国别省市：山西,14