基于无监督学习的芯片X射线图像缺陷检测方法技术

本发明专利技术公开了一种基于无监督学习的芯片X射线图像缺陷检测方法，包括：对芯片X光图像进行预处理；将预处理后的芯片X光图像输入具有记忆空间的量子化自编码器，得到重构无缺陷图像；计算重构无缺陷图像与芯片X光图像的差异图像，并对差异图像进行阈值处理，得到二值化图像；在二值化图像中查找轮廓，并将找到的轮廓绘制在芯片X光图像上，完成缺陷检测。本发明专利技术应用于宇航用元器件检测领域，可解决芯片缺陷样本少，标注代价昂贵的问题，并且在量子化自编码器中使用最近邻搜索，加入记忆空间提取数据中最重要的特征，使得量子化自编码器可以更好地理解数据的结构和特征，提高对新数据的泛化能力，有效地提高量子化自编码器的重构精度。

【技术实现步骤摘要】

本专利技术涉及宇航用元器件检测，具体是一种基于无监督学习的芯片x射线图像缺陷检测方法。

技术介绍

1、x射线照相试验是宇航用元器件筛选试验和可靠性试验必不可少的重要试验内容，可以非破坏性的检测封装内的缺陷，特别是密封工艺引起的缺陷、多余物、错误的内引线连接和芯片粘接不良等内部缺陷。元器件内部存在的缺陷可能导致其内部电路的电气特性发生变化，从而影响元器件的可靠性和寿命，因此需要对元器件内部的缺陷进行检测。

2、随着计算机视觉和人工智能技术的发展，基于深度学习的计算机视觉检测技术因其模拟人脑视觉的处理机制，具有自动学习样本特征的特点，在目标检测识别领域比其他传统方法有更大的性能优势，已经广泛应用于医学、工业制造等各种领域。但使用深度学习作为元器件缺陷检测的方法会面临训练所需数据集较少的问题，制作数据集又会消耗大量人力物力等资源。

技术实现思路

1、针对电子元器件x射线气泡缺陷检测需求，深入研究以深度学习视觉检测技术为代表的计算机视觉技术，本专利技术供一种基于无监督学习的芯片x射线图像缺陷检测方法，通过本文档来自技高网...

【技术保护点】

1.一种基于无监督学习的芯片X射线图像缺陷检测方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的基于无监督学习的芯片X射线图像缺陷检测方法，其特征在于，步骤1中，所述直方图均衡化的过程为：

3.根据权利要求1所述的基于无监督学习的芯片X射线图像缺陷检测方法，其特征在于，步骤1中，所述自适应亮度校正的过程为：

4.根据权利要求1或2或3所述的基于无监督学习的芯片X射线图像缺陷检测方法，其特征在于，步骤2中，所述量子化自编码器包括：

5.根据权利要求4所述的基于无监督学习的芯片X射线图像缺陷检测方法，其特征在于，所述将编码器模块输出的高...

【技术特征摘要】

1.一种基于无监督学习的芯片x射线图像缺陷检测方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的基于无监督学习的芯片x射线图像缺陷检测方法，其特征在于，步骤1中，所述直方图均衡化的过程为：

3.根据权利要求1所述的基于无监督学习的芯片x射线图像缺陷检测方法，其特征在于，步骤1中，所述自适应亮度校正的过程为：

4.根据权利要求1或2或3所述的基...

【专利技术属性】
技术研发人员：杨夏，柏昊宇，王杰，李高敏，袁桂鑫，张小虎，
申请(专利权)人：中山大学，
类型：发明
国别省市：