一种基于神经网络的键合焊点缺陷智能识别方法技术

本发明专利技术涉及焊点检测技术领域，尤其涉及一种基于神经网络的键合焊点缺陷智能识别方法，包括如下步骤：S1、通过激光轮廓仪采集大量已键合的焊点轮廓截面图，对不合格的焊点进行标注，获得图像数据集一；S2、利用图像数据一训练缺陷识别模型，缺陷识别模型包括数据输入层、卷积层、ReLU激活层、池化层和全连接层；S3、在键合焊点检测过程中，基于缺陷识别模型，识别已键合的焊点轮廓是否符合合格标准。本发明专利技术相比现有的工业相机采集的焊点外观图更直观，且相比图像经过灰度处理及边缘检测算法等提取出来的焊点轮廓更准确，相比现有的神经网络计算方式，计算量更小，且准确度更高，计算成本低，效率大大提高。效率大大提高。效率大大提高。

【技术实现步骤摘要】
一种基于神经网络的键合焊点缺陷智能识别方法


[0001]本专利技术涉及焊点检测
，尤其涉及一种基于神经网络的键合焊点缺陷智能识别方法。

技术介绍

[0002]在科学研究和工程应用领域，超声键合一直占有很重要的意义。超声键合是带有超声能量的焊接工具头以一定的压力按压在待键合金属线表面，通过超声能量带来的振动使相互接触的金属彼此摩擦并最终紧密结合在一起。焊点的好坏直接决定了芯片制造的质量与可靠性。对于焊点的检测，目前国内外广泛使用的方法是通过工业相机成像获得焊点形貌，但采集到的原始焊点图像分辨率较大，包含大量的背景区域，因此需要提取焊点所在区域，一般的办法有光流法、特征描述的方法和灰度一致性匹配(NCC)算法，但上述方法只是对于具有规则几何形状的焊点图像效果较好，并且对类似的机器视觉问题一般需要根据实际场景设计专门的算法。而对于引线键合或倒装键合的不规则焊点，需要采用基于形状轮廓的方法，并结合形态学的算法完成完整的焊点定位功能。因此，利用图像处理和机器学习技术进行引线键合焊点缺陷定位与分类，与其他焊点检测技术相比具有精度高、速度快、智能化水平本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于神经网络的键合焊点缺陷智能识别方法，其特征在于：包括如下步骤：S1、通过激光轮廓仪采集大量已键合的焊点轮廓截面图，对不合格的焊点进行标注，获得图像数据集一；S2、利用图像数据一训练缺陷识别模型，缺陷识别模型包括数据输入层、卷积层、ReLU激活层、池化层和全连接层；数据输入层用于对焊点轮廓截面图进行归一化处理，卷积层的卷积神经网络中每层卷积层由若干卷积单元组成，每个卷积单元的参数都是通过反向传播算法优化得到；ReLU激活层用于把卷积层的输出结果做非线性映射；所述池化层用于将特征切成几个区域，取区域最大值，得到新的、维度较小的特征；所述全连接层用于结合图像中的特征，把局部特征变为全局特征，计算待测图像与标准合格图像的相似系数；S3、基于缺陷识别模型，识别已键合的焊点轮廓是否符合合格标准。2.根据权利要求1所述的一种基于神经网络的键合焊点缺陷智能识别方法，其特征在于：还可对焊点高度进行识别，具体步骤如下：通过激光轮廓仪采集大量已键合的焊点轮廓截面图，对焊点轮廓的峰值点进行标注，获得图像数据集二，并利用图像数据集二训练焊点高低识别模型，并在训练焊点高低识别模型的训练中设置最高阈值和最低阈值，在键合焊点检测过程中，基于焊点高低识别模型识别出焊点高于最高阈值或低于最低阈值。3.根据权利要求1所述的一种基于神经网络的键合焊点缺陷智能识别方法，其特征在于：还可对焊点最大阈值面积和最小面积阈值进行识别，具体步骤如下：通过激光轮廓仪采集大量已键合的焊点轮廓截面图，在最高点和水平面中间任意标注一条水平线，标注为焊点宽度，以及无焊点图像，获得图像数据集三，并利用图像数据集三训练焊点宽度识别模型，在训练焊点宽度识别模型的训练中设置最宽阈值和最窄阈值，在键合焊点检测过程中，基于焊点宽度识别模型识别出焊点过宽或过窄，以及宽度为0时为无焊点。4.根据权利要求1或3所述的一种基于神经网络的键合焊点缺陷智能识别方法，其特征在于：还可检测出焊点阈值形变过大，具体步骤如下：通过激光轮廓仪采集大量已键合的焊点轮廓截面图，在最高点和水平面中间任意标注一条水平线，对水平线与焊点轮廓...

【专利技术属性】
技术研发人员：王小平，曹万，杨军，洪鹏，梁世豪，
申请(专利权)人：武汉飞恩微电子有限公司，
类型：发明
国别省市：