引线框架的出货方法技术

一种引线框架的出货方法，包括：根据第一引线框架，获取第一引线框架的源图像；根据所述第一引线框架的源图像检测第一瑕疵，所述第一瑕疵为第一引线框架的瑕疵；当检测到若干第一瑕疵时，获取对应的若干第一瑕疵图像和若干第一瑕疵特征数据；采用第一深度学习模型对若干第一瑕疵图像进行处理，获取每个第一瑕疵的瑕疵类别；根据若干第一瑕疵特征数据和若干第一瑕疵的瑕疵类别，判断所述第一引线框架的出货等级。通过所述引线框架的出货方法，能够降低管理和人力成本，并且，提高质检效率和稳定性。性。性。

【技术实现步骤摘要】
引线框架的出货方法


[0001]本专利技术涉及本专利技术涉及引线框架检测
，尤其涉及一种引线框架的出货方法。

技术介绍

[0002]引线框架作为很多集成电路的芯片载体，其质量是否可靠稳定决定了后续最终半导体产品的功能和性能，因此在实际生产过程中需要对引线框架物料进行质量检查。引线框架料片有很多的颗粒组成，尺寸很小，人工检查需要借助显微镜逐个颗粒进行目视判断，因此费时费力且很难保证检查的稳定性。为提高质检效率和稳定性，人们设计并制造了基于视觉的自动引线框架检测设备。
[0003]常规的引线框架检测设备对输入的引线框架物料进行自动检查，定位物料上的所有缺陷，并输出各缺陷的尺寸、位置、对比度等相关参数，然后交由人工对引线框架物料的缺陷进行分类和等级判定：危害程度较高的直接报废，危害程度低或不影响功能的判断为良品。
[0004]然而，通过人工对引线框架物料的缺陷进行分类和等级判定时，一方面，质检效率仍然较低、并且，会导致管理和人力成本的提升，另一方面，人工质检会导致质检的稳定性仍然较差。

技术实现思路

[0005]本专利技术解决的技术问题是提供一种引线框架的出货方法，以降低管理和人力成本，并且，提高质检效率和稳定性。
[0006]为解决上述技术问题，本专利技术的技术方案提供一种引线框架的出货方法，包括：根据第一引线框架，获取第一引线框架的源图像；根据所述第一引线框架的源图像检测第一瑕疵，所述第一瑕疵为第一引线框架的瑕疵；当检测到若干第一瑕疵时，获取对应的若干第一瑕疵图像和若干第一瑕疵特征数据；采用第一深度学习模型对若干第一瑕疵图像进行处理，获取每个第一瑕疵的瑕疵类别；根据若干第一瑕疵特征数据和若干第一瑕疵的瑕疵类别，判断所述第一引线框架的出货等级。
[0007]可选的，根据所述第一引线框架的源图像检测第一瑕疵的方法包括：提供标准模板图像；提供与所述标准模板图像对应的预设偏差范围；根据所述标准模板图像、所述预设偏差范围和所述第一引线框架的源图像检测第一瑕疵。
[0008]可选的，所述标准模板图像包括若干标准区，并且，所述预设偏差范围包括与各标准区对应的子预设偏差范围。
[0009]可选的，根据所述标准模板图像、所述预设偏差范围和所述第一引线框架的源图像检测第一瑕疵的方法包括：根据所述第一引线框架的源图像和所述标准模板图像，获取若干偏差图像和对应的若干偏差特征数据，所述偏差特征数据包括偏差位置信息和偏差特征参数，并且，每个偏差位置信息还与若干标准区中的一个对应；当与所述任意偏差图像对
应的偏差特征参数，超出与所述任意偏差图像对应的指定子预设偏差范围时，检测到具有与所述任意偏差图像对应的第一瑕疵，所述与任意偏差图像对应的指定子预设偏差范围是与所述任意偏差图像对应的偏差位置信息所对应的标准区的子预设偏差范围；并且，当检测到若干第一瑕疵时，获取对应的若干第一瑕疵图像和若干第一瑕疵特征数据的方法包括：根据与第一瑕疵对应的偏差图像获取第一瑕疵图像；根据与第一瑕疵对应的偏差特征数据获取所述第一瑕疵特征数据。
[0010]可选的，若干标准区的类型包括电镀及关键区、半蚀刻区、功能区、非功能区、路轨及定位孔区、以及低阈值区中的至少一种。
[0011]可选的，所述第一瑕疵特征数据包括：与第一瑕疵图像对应的瑕疵位置信息和瑕疵特征参数，并且，所述瑕疵特征参数包括与第一瑕疵图像对应的面积参数、对角线长度参数、以及对比度参数中的至少一种。
[0012]可选的，形成所述第一深度学习模型的方法包括：收集多个瑕疵样本图像；对多个瑕疵样本图像进行瑕疵类别的标注，形成多个瑕疵处理图像；基于多个瑕疵处理图像对初始的第一深度学习模型进行多次迭代训练。
[0013]可选的，所述多次迭代训练中的第n次的方法包括：基于多个瑕疵处理图像中的第n个，对历史上第n
‑
1次迭代训练形成的第一深度学习模型进行第n次迭代训练，n为自然数，并且，当n＝1时，所述历史上第n
‑
1次迭代训练形成的第一深度学习模型为所述初始的第一深度学习模型；对第n次迭代训练形成的第一深度学习模型进行评估，获取第n评估结果；当所述第n评估结果满足预设条件时，停止所述迭代训练。
[0014]可选的，还包括：评估第一深度学习模型预测的至少1个第一瑕疵的瑕疵类别是否错误；当预测错误时，对第一瑕疵对应的第一瑕疵图像进行瑕疵类别的标注，形成第一瑕疵处理图像；基于若干第一瑕疵处理图像，训练处理若干第一瑕疵图像的第一深度学习模型。
[0015]可选的，根据若干第一瑕疵特征数据和若干第一瑕疵的瑕疵类别，判断所述第一引线框架的出货等级的方法包括：提供预设出货规则，所述预设出货规则包括出货等级、瑕疵类别和瑕疵特征数据范围之间的对应关系；根据所述预设出货规则，对若干第一瑕疵、若干第一瑕疵特征数据和若干第一瑕疵的瑕疵类别进行判断，获取所述第一引线框架的出货等级。
[0016]可选的，所述出货等级包括好片等级和坏片等级，并且，所述的引线框架的出货方法还包括：当判断所述第一引线框架的出货等级为好片等级时，接收所述第一引线框架；当判断所述第一引线框架的出货等级为坏片等级时，拒绝接收所述第一引线框架。
[0017]可选的，所述出货等级还包括返工等级，并且，所述的引线框架的出货方法还包括：当判断所述第一引线框架的出货等级为返工等级时，对所述第一引线框架进行返工。
[0018]可选的，还包括：当未检测到第一瑕疵时，判断所述第一引线框架的出货等级为好片等级。
[0019]与现有技术相比，本专利技术实施例的技术方案具有以下有益效果：
[0020]本专利技术的引线框架的出货方法中，包括：当检测到若干第一瑕疵时，获取对应的若干第一瑕疵图像和若干第一瑕疵特征数据；采用第一深度学习模型对若干第一瑕疵图像进行处理，获取每个第一瑕疵的瑕疵类别；根据若干第一瑕疵特征数据和若干第一瑕疵的瑕疵类别，判断所述第一引线框架的出货等级。所述引线框架的出货方法能够高度自动化地
判断出第一引线框架的出货等级，从而，有效降低了管理和人力成本，提高了质检效率和稳定性。此外，由于采用第一深度学习模型对若干第一瑕疵图像进行处理，获取每个第一瑕疵的瑕疵类别，即，第一深度学习模型仅用于根据第一瑕疵图像预测第一瑕疵的瑕疵类别，因此，第一深度学习模型的预测方式与人脑思考模式相近，从而，第一深度学习模型的预测准确率高，进而，有效降低了第一引线框架错误出货的风险。
附图说明
[0021]图1是本专利技术一实施例的引线框架的出货方法的流程示意图；
[0022]图2是本专利技术一实施例的第一引线框架的源图像的示意图；
[0023]图3和图4是本专利技术一实施例的检测第一瑕疵的方法的流程示意图；
[0024]图5是本专利技术一实施例的标准模板图像的示意图；
[0025]图6是本专利技术一实施例的获取对应的若干第一瑕疵图像和若干第一瑕疵特征数据的方法的流程示意图；
[0026]图7至图8是本专利技术一实施例的形成第一深度学本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种引线框架的出货方法，其特征在于，包括：根据第一引线框架，获取第一引线框架的源图像；根据所述第一引线框架的源图像检测第一瑕疵，所述第一瑕疵为第一引线框架的瑕疵；当检测到若干第一瑕疵时，获取对应的若干第一瑕疵图像和若干第一瑕疵特征数据；采用第一深度学习模型对若干第一瑕疵图像进行处理，获取每个第一瑕疵的瑕疵类别；根据若干第一瑕疵特征数据和若干第一瑕疵的瑕疵类别，判断所述第一引线框架的出货等级。2.如权利要求1所述的引线框架的出货方法，其特征在于，根据所述第一引线框架的源图像检测第一瑕疵的方法包括：提供标准模板图像；提供与所述标准模板图像对应的预设偏差范围；根据所述标准模板图像、所述预设偏差范围和所述第一引线框架的源图像检测第一瑕疵。3.如权利要求2所述的引线框架的出货方法，其特征在于，所述标准模板图像包括若干标准区，并且，所述预设偏差范围包括与各标准区对应的子预设偏差范围。4.如权利要求3所述的引线框架的出货方法，其特征在于，根据所述标准模板图像、所述预设偏差范围和所述第一引线框架的源图像检测第一瑕疵的方法包括：根据所述第一引线框架的源图像和所述标准模板图像，获取若干偏差图像和对应的若干偏差特征数据，所述偏差特征数据包括偏差位置信息和偏差特征参数，并且，每个偏差位置信息还与若干标准区中的一个对应；当与所述任意偏差图像对应的偏差特征参数，超出与所述任意偏差图像对应的指定子预设偏差范围时，检测到具有与所述任意偏差图像对应的第一瑕疵，所述与任意偏差图像对应的指定子预设偏差范围是与所述任意偏差图像对应的偏差位置信息所对应的标准区的子预设偏差范围；并且，当检测到若干第一瑕疵时，获取对应的若干第一瑕疵图像和若干第一瑕疵特征数据的方法包括：根据与第一瑕疵对应的偏差图像获取第一瑕疵图像；根据与第一瑕疵对应的偏差特征数据获取所述第一瑕疵特征数据。5.如权利要求3所述的引线框架的出货方法，其特征在于，若干标准区的类型包括电镀及关键区、半蚀刻区、功能区、非功能区、路轨及定位孔区、以及低阈值区中的至少一种。6.如权利要求1所述的引线框架的出货方法，其特征在于，所述第一瑕疵特征数据包括：与第一瑕疵图像对应的瑕疵位置信息和瑕疵特征参数，并且，所述瑕疵特征参数包括与第一瑕疵图像对应的面积参数、对角线长度参数、以及对比度参数中的至少一种。7.如权利要求1...

【专利技术属性】
技术研发人员：韩浩，温明，何志聪，陈达志，
申请(专利权)人：先进半导体材料深圳有限公司，
类型：发明
国别省市：