System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及图像处理,具体涉及一种基于高速图像处理的芯片贴片质量检测方法及系统。
技术介绍
1、在当今半导体制造行业,芯片贴片质量的精准检测对于确保产品可靠性和性能至关重要,然而,当前的贴片质量检测方法面临着一个日益突显的挑战:传统技术难以在高速生产环境中实现所需的高速图像处理。
2、现有的贴片质量检测方法往往受制于图像处理速度的瓶颈,静态方法在处理动态形状和姿态变化时显得捉襟见肘,无法实时适应高速生产线上的芯片变化,光照条件的不稳定性更加凸显了当前技术的局限性,因为传统方法无法在实时性要求较高的情况下应对光照变化,尤其在高速生产线的背景下,传统图像处理技术无法满足对即时性和灵活性的需求,这导致了生产线上的贴片质量检测速度远远落后于实际生产速度,可能导致缺陷或问题未能及时发现。
3、公开于该
技术介绍
部分的信息仅仅旨在加深对本公开总体
技术介绍
的理解,而不应当被视为承认或以任何形式暗示该信息构成本领域技术人员所公知的现有技术。
技术实现思路
1、本专利技术中提供了一种基于高速图像处理的芯片贴片质量检测方法及系统,从而有效解决
技术介绍
中所指出的问题。
2、为了达到上述目的,本专利技术所采用的技术方案是:
3、一种基于高速图像处理的芯片贴片质量检测方法,所述方法包括:
4、预定义所述芯片贴片的动态几何基准;
5、设计实时响应的智能光照调整算法,并获取光照调整下的芯片贴片图像;
6、建立基于并行处理技术的深
7、根据所述问题特征信息,结合增量学习算法,对所述深度学习模型进行优化增强;
8、设置定制教学场景,对特定贴合方式进行模型特定任务教学,并将所述定制教学场景作为所述深度学习模型的一个通道;
9、借助流式图像处理架构,并基于所述深度学习模型对芯片贴片质量进行检测,获得质量检测结果。
10、进一步地,预定义所述芯片贴片的动态几何基准,包括:
11、获取预期的所述芯片贴片的形状和尺寸信息;
12、对贴片过程的芯片进行姿态分析,获得所述芯片在三维空间中的方向变化信息;
13、根据所述形状和尺寸信息、方向变化信息,构建所述芯片贴片的几何基准自适应算法;
14、基于所述几何基准自适应算法,对所述芯片贴片实时调整动态几何基准。
15、进一步地,设计实时响应的智能光照调整算法,并获取光照调整下的芯片贴片图像,包括:
16、获取当前环境下的光照信息,并基于所述光照信息,构建智能光照分析算法;
17、获取所述芯片贴片的原始图像,并进行预处理,得到所述芯片贴片的标准图像;
18、使用光照分析算法对所述标准图像进行实时调整,得到所述光照调整下的所述芯片贴片图像。
19、进一步地,所述实时响应的智能光照算法是包含gamma校正、retinex算法、动态范围压缩并拥有深度学习能力的算法框架。
20、进一步地,建立基于并行处理技术的深度学习模型,同时对多个所述芯片贴片图像进行贴片表面特征检测,并获得问题特征信息,包括:
21、利用并行处理技术设计基于卷积神经网络的所述深度学习模型,所述深度学习模型以多个所述芯片贴片图像作为模型的输入,并行处理多个图像,对每个图像进行所述贴片表面特征检测;
22、从每个图像的检测结果中提取所述问题特征信息,并形成综合问题特征信息。
23、进一步地,根据所述问题特征信息,结合增量学习算法,对所述深度学习模型进行优化增强,包括:
24、对问题特征信息进行分析,确定需要优化的深度学习模型信息;
25、准备增量学习数据集,所述学习数据集包括新的所述问题特征信息以及对应的所述芯片贴片图像;
26、利用增量学习算法,将新的所述问题特征信息和对应的所述芯片贴片图像加入到已有模型中进行训练;
27、将增量学习后的所述深度学习模型与原模型的性能进行比较,得到性能比较结果。
28、进一步地,设置定制教学场景,对特定贴合方式进行模型特定任务教学,并将所述定制教学场景作为所述深度学习模型的一个通道,包括:
29、确定需要定制教学的特定贴合方式,并准备包含所述特定贴合方式的教学数据集;
30、设计所述定制教学场景,模拟实际生产环境中的所述特定贴合方式;
31、使用准备好的所述教学数据集,在所述定制教学场景下对深度学习模型进行特定任务教学;
32、将经过所述特定任务教学的模型与原有的所述深度学习模型进行通道集成。
33、进一步地,借助流式图像处理架构,并基于所述深度学习模型对芯片贴片质量进行检测,获得质量检测结果,包括:
34、将经过增量学习和定制教学的所述深度学习模型嵌入流式处理中;
35、使用所述深度学习模型处理实时图像流,进行芯片贴片质量检测,并获得所述质量检测结果。
36、一种基于高速图像处理的芯片贴片质量检测系统,所述系统包括:
37、动态基准定义模块,预定义所述芯片贴片的动态几何基准;
38、光照算法设计模块,设计实时响应的智能光照调整算法,并获取光照调整下的芯片贴片图像;
39、深度模型构建模块,建立基于并行处理技术的深度学习模型,同时对多个所述芯片贴片图像进行贴片表面特征检测,并获得问题特征信息;
40、增量学习优化模块,根据所述问题特征信息,结合增量学习算法,对所述深度学习模型进行优化增强;
41、教学场景定制模块,设置定制教学场景,对特定贴合方式进行模型特定任务教学,并将所述定制教学场景作为所述深度学习模型的一个通道;
42、流式架构检测模块,借助流式图像处理架构,并基于所述深度学习模型对芯片贴片质量进行检测,获得质量检测结果。
43、进一步地,所述增量学习优化模块,包括:
44、信息分析单元,对问题特征信息进行分析,确定需要优化的深度学习模型信息;
45、数据集准备单元,准备增量学习数据集,所述学习数据集包括新的所述问题特征信息以及对应的所述芯片贴片图像;
46、模型训练单元,利用增量学习算法,将新的所述问题特征信息和对应的所述芯片贴片图像加入到已有模型中进行训练;
47、性能比较单元,将增量学习后的所述深度学习模型与原模型的性能进行比较,得到性能比较结果。
48、通过本专利技术的技术方案,可实现以下技术效果:
49、有效解决了现有技术图像处理速度慢、难以应对动态变化,导致在高速生产中检测速度滞后的问题,通过引入高速图像处理,提升了贴片检测的速度、准确性和实时性。
50、上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书本文档来自技高网...
【技术保护点】
1.一种基于高速图像处理的芯片贴片质量检测方法,其特征在于,所述方法包括:
2.根据权利要求1所述的基于高速图像处理的芯片贴片质量检测方法,其特征在于,预定义所述芯片贴片的动态几何基准,包括:
3.根据权利要求1所述的基于高速图像处理的芯片贴片质量检测方法,其特征在于,设计实时响应的智能光照调整算法,并获取光照调整下的芯片贴片图像,包括:
4.根据权利要求3所述的基于高速图像处理的芯片贴片质量检测方法,其特征在于,所述实时响应的智能光照算法是包含Gamma校正、Retinex算法、动态范围压缩并拥有深度学习能力的算法框架。
5.根据权利要求1所述的基于高速图像处理的芯片贴片质量检测方法,其特征在于,建立基于并行处理技术的深度学习模型,同时对多个所述芯片贴片图像进行贴片表面特征检测,并获得问题特征信息,包括:
6.根据权利要求1所述的基于高速图像处理的芯片贴片质量检测方法,其特征在于,根据所述问题特征信息,结合增量学习算法,对所述深度学习模型进行优化增强,包括:
7.根据权利要求1所述的基于高速图像处理的芯片贴
8.根据权利要求1所述的基于高速图像处理的芯片贴片质量检测方法,其特征在于,借助流式图像处理架构,并基于所述深度学习模型对芯片贴片质量进行检测,获得质量检测结果,包括:
9.一种基于高速图像处理的芯片贴片质量检测系统,其特征在于,所述系统包括:
10.根据权利要求9所述的基于高速图像处理的芯片贴片质量检测系统,其特征在于,所述增量学习优化模块,包括:
...【技术特征摘要】
1.一种基于高速图像处理的芯片贴片质量检测方法,其特征在于,所述方法包括:
2.根据权利要求1所述的基于高速图像处理的芯片贴片质量检测方法,其特征在于,预定义所述芯片贴片的动态几何基准,包括:
3.根据权利要求1所述的基于高速图像处理的芯片贴片质量检测方法,其特征在于,设计实时响应的智能光照调整算法,并获取光照调整下的芯片贴片图像,包括:
4.根据权利要求3所述的基于高速图像处理的芯片贴片质量检测方法,其特征在于,所述实时响应的智能光照算法是包含gamma校正、retinex算法、动态范围压缩并拥有深度学习能力的算法框架。
5.根据权利要求1所述的基于高速图像处理的芯片贴片质量检测方法,其特征在于,建立基于并行处理技术的深度学习模型,同时对多个所述芯片贴片图像进行贴片表面特征检测,并获得问题特征信息,包括...
【专利技术属性】
技术研发人员:顾斌杰,顾创垄,
申请(专利权)人:江苏圣创半导体科技有限公司,
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。