【技术实现步骤摘要】
一种芯片外观缺陷自动检测方法、电子设备及存储介质
[0001]本专利技术属于模式识别
,具体涉及一种芯片外观缺陷自动检测方法、电子设备及存储介质。
技术介绍
[0002]集成电路(IC)芯片是信息产业的核心器件,其意义非凡。然而,由于IC芯片制造工序与工艺精密且复杂,不可避免会产生各种缺陷,这些缺陷直接影响芯片的正常使用。为提高芯片的可靠性,需要在质量管控环节对芯片进行缺陷检测。芯片缺陷检测包括内部缺陷检测与外观缺陷检测,前者可通过X光进行检测,后者往往通过光学照相机予以实现。
[0003]传统芯片外观缺陷检测主要由人工方式实现,该方式需要高成本对检测师进行培训,且实际操作时严重依赖检测师的经验,无法客观地做出一致稳定判断。此外,由于长时间在强灯光下工作容易造成疲劳甚至严重的眼睛损伤。因此,人工外观缺陷检测方式既无法保证检测准确度,同时效率较为低下。随着IC芯片设计和封装技术的革新,IC芯片更趋向于体积小、质量轻,同时引脚数更多,引脚间距更小。该趋势导致芯片外观缺陷检测的难度不断增加。因此,传统人工检测方式更加难以满足实际需求。因此基于计算机视觉的自动化芯片外观缺陷检测技术已经开始逐渐取代人工外观缺陷检测方式。
[0004]目前基于计算机视觉的自动化的芯片外观缺陷检测技术常常使用经典的图像预处理和模式识别方法,例如通过人工选取和设计特征和算子来实现。而经典的预处理方法有着很大的局限性,通常对于图像的质量要求较高,无法处理较大的外界干扰因素,如光照强弱、拍摄角度等,导致实际环境中检测性能下降严重。 ...
【技术保护点】
【技术特征摘要】 【专利技术属性】
1.一种芯片外观缺陷自动检测方法,其特征在于,包括:构建图像采集与预处理模块,利用光学相机采集含有芯片的图像,并对芯片图像进行对比度增强和降噪预处理;构建基于单阶段、免锚框深度神经网络结构的芯片检测模块(YOLO
‑
Chip),并相应构建IoU感知分类损失函数,使用该芯片检测模块对预处理后图像中的芯片区域进行定位和提取;构建基于多尺度、单阶段深度神经网络结构的引脚检测模块(SSD
‑
Pin),并相应构建边界框回归损失函数(SIoU),使用该引脚检测模块检测和提取芯片区域中的各个引脚;构建基于深度神经网络结构的引脚异常分类模块(CNN
‑
Pin),使用该引脚异常分类模块对各引脚进行异常情形的分类;构建基于多尺度、单阶段深度神经网络结构的封装表面异常检测模块(SSD
‑
Surface),使用该封装表面异常模块对芯片表面异常部位进行定位与分类;构建数据集制作和模型训练模块,基于预处理后的图像构建数据集,对芯片检测模块进行微调训练;基于提取到的芯片图像构建数据集,对引脚检测模块进行微调训练;基于引脚图像构建数据集,对引脚异常分类模块进行微调训练;基于提取到的芯片图像构建数据集,对封装表面异常检测模块进行微调训练;以训练后的芯片检测模型、引脚检测模型、引脚异常分类模型和封装表面异常检测模型组成完整的芯片外观缺陷检测系统,利用该芯片外观缺陷检测系统对输入的新芯片图像进行测试,以实现芯片外观缺陷检测功能。2.根据权利要求1所述的芯片外观缺陷自动检测方法,其特征在于,利用光学相机采集含有芯片的图像,并使用Retinex光照均衡和中值滤波对图像进行预处理的步骤,包括:通过光学相机采集含有芯片的RGB颜色空间图像,使用单尺度Retinex算法估计图像的反射分量,进行光照均衡化操作,得到对比度增强的芯片图像;在对比度增强芯片图像基础上,再通过中值滤波算法,完成图像的细节保护和去噪,得到预处理后的对比度更好且噪声更低的高质量芯片图像。3.根据权利要求1所述的芯片外观缺陷自动检测方法,其特征在于,所述芯片检测模块对应的神经网络模型包括:特征提取主干层、多尺度特征融合层、IoU感知检测头和后处理模块;所述特征提取主干层,基于CSPDarkNet,用于对输入图像进行初步特征提取,并生成待融合的三级多尺度特征图;所述多尺度特征融合层,基于PAFPN,以三级多尺度特征图作为输入进行路径聚合的特征融合,得到具有对尺度鲁棒的特征图;所述IoU感知检测头,以三级特征融合结果为输入,解耦前背景分类和边界框回归任务,利用IoU感知分类损失函数完成任务对齐的分类与回归分支的学习,测试时基于锚点进行分类与回归预测;所述后处理模块,用以解码无锚框的预测结果,进行非极大值抑制,丢弃低质量预测值,生成最终的芯片区域检测结果。4.根据权利要求3所述的芯片外观缺陷自动检测方法,其特征在于,所述IoU感知分类损失函数的每个样本采用VariFocalLoss(VFL),其公式为:
其中p是分类分支具有IoU感知能力的分类分数(IoU
‑
Aware Classification Score,IACS),q是IACS的真实值;对于前景目标锚点,q被设置为回归分支该锚点的预测框与其真实框之间的IoU,未分配到前景目标的锚点其q为0,p
γ
为VFL的缩放因子,最终所有样本的分类损失L
cls
技术研发人员:曹志诚,庞辽军,李文龙,赵恒,
申请(专利权)人:西安电子科技大学重庆集成电路创新研究院,
类型:发明
国别省市:
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。