The invention discloses a defect detection method for high-density flexible substrates, which includes collecting FICS images with appearance defects, unifying image preprocessing into standard size, marking defect positions and types in each image as training samples of fast R CNN convolution neural network model, and transferring training samples of label numbers as fast R CNN convolution neural network model. Input and output the position and type information of FICS defect, and get the trained fast R_CNN convolution neural network model; then input the trained FICS image into the trained fast R_CNN convolution neural network model, output whether there are defects or not, and output the location and type of defects if there are defects. The invention realizes fast positioning and type judgment of appearance defects of high density flexible substrate, and solves the problems of slow speed and low accuracy of traditional defect detection methods.
【技术实现步骤摘要】
一种高密度柔性基板的缺陷检测方法
本专利技术涉及机器视觉表面缺陷检测
,具体涉及一种高密度柔性基板的缺陷检测方法。
技术介绍
高密度柔性基板(FlexibleIntegratedCircuitSubstrate,简称FICS),是一种可作为IC封装基板的高密度挠性印刷电路板。在高密度FICS的生产过程中,由于工艺过程控制的精度问题,难免产生外观上的缺陷。通过高精度的视觉检测,对FICS的多种外观缺陷进行快速定位与类型识别,是实现高密度FICS制造过程中质量控制的关键。柔性基板制造商主要采用人工目检的方法,来对高密度FICS进行外观缺陷的检测。人工目检的检测效率比较低,造成劳动力资源的极大浪费,而且该方法误检率较高,难以保证检测的质量。一些学者提出了基于图像特征的外观缺陷检测方法,但这些方法检测速度较慢,难以满足FICS检测的实际应用需求;同时,这些方法只能针对某种特殊缺陷进行检测,无法对FICS上的多种类型的外观缺陷同时进行识别。
技术实现思路
为了克服现有技术存在的缺点与不足,本专利技术提供一种高密度柔性基板的缺陷检测方法。本专利技术采用如下技术方案:一种高密度柔性基板的缺陷检测方法,包括:深度神经网络模型训练步骤,具体为:采集带有外观缺陷的FICS图像,将图像预处理后统一为标准尺寸,标记每张图像中的缺陷位置和类别,作为fasterR-CNN卷积神经网络模型的训练样本;将标记号的训练样本作为fasterR-CNN卷积神经网络模型的输入,并输出FICS缺陷的位置与类型信息,得到训练好的基于fasterR-CNN卷积神经网络模型;缺陷检测步骤,具体为:将待 ...
【技术保护点】
1.一种高密度柔性基板的缺陷检测方法,其特征在于,包括:深度神经网络模型训练步骤,具体为:采集带有外观缺陷的FICS图像,将图像预处理后统一为标准尺寸,标记每张图像中的缺陷位置和类别,作为faster R‑CNN卷积神经网络模型的训练样本;将标记号的训练样本作为faster R‑CNN卷积神经网络模型的输入,并输出FICS缺陷的位置与类型信息,得到训练好的基于faster R‑CNN卷积神经网络模型;缺陷检测步骤,具体为:将待检测的FICS图像输入训练好的基于faster R‑CNN卷积神经网络模型,输出是否有缺陷,如果有缺陷,则输出缺陷位置及类型。
【技术特征摘要】
1.一种高密度柔性基板的缺陷检测方法,其特征在于,包括:深度神经网络模型训练步骤,具体为:采集带有外观缺陷的FICS图像,将图像预处理后统一为标准尺寸,标记每张图像中的缺陷位置和类别,作为fasterR-CNN卷积神经网络模型的训练样本;将标记号的训练样本作为fasterR-CNN卷积神经网络模型的输入,并输出FICS缺陷的位置与类型信息,得到训练好的基于fasterR-CNN卷积神经网络模型;缺陷检测步骤,具体为:将待检测的FICS图像输入训练好的基于fasterR-CNN卷积神经网络模型,输出是否有缺陷,如果有缺陷,则输出缺陷位置及类型。2.根据权利要求1所述的缺陷检测方法,其特征在于,所述fasterR-CNN卷积神经网络模型包括将预处理后的待检测FICS图像作为输入,输出特征图的共享卷积神经网络对输出特征图进行采样点坐标后,通过双线性插值,对采样点坐标的值进行计算,并输出特征图对应目标点值的平行空间变换网络;输入特征图对应目标点值得到候选框的候选框生成网络;输入候选框,输出为缺陷的位置信息及类别的感兴趣区域池化分类网络。3.根据权利要求2所述的缺陷检测方法,其特征在于,所述共享卷积神经网络由5个卷积层和2个池化层构成。4.根据权利要求2所述的缺陷检测方法,其特征在于,所述平行空间变换网络包括由三个全连接层构成的定位网络,用于通过特征图得到转换矩阵θ;通过转换矩阵θ,获取输...
【专利技术属性】
技术研发人员:罗家祥,吴冬冬,林宗沛,胡跃明,
申请(专利权)人:华南理工大学,
类型:发明
国别省市:广东,44
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。