CN113256598A - 一种用于芯片生产的视觉检测*** - Google Patents
一种用于芯片生产的视觉检测*** Download PDFInfo
- Publication number
- CN113256598A CN113256598A CN202110642625.8A CN202110642625A CN113256598A CN 113256598 A CN113256598 A CN 113256598A CN 202110642625 A CN202110642625 A CN 202110642625A CN 113256598 A CN113256598 A CN 113256598A
- Authority
- CN
- China
- Prior art keywords
- chip
- image
- solder ball
- model
- module
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 113
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 20
- 230000000007 visual effect Effects 0.000 title abstract description 7
- 229910000679 solder Inorganic materials 0.000 claims abstract description 102
- 238000000605 extraction Methods 0.000 claims abstract description 35
- 238000003708 edge detection Methods 0.000 claims description 18
- 238000011179 visual inspection Methods 0.000 claims description 14
- 239000013598 vector Substances 0.000 claims description 13
- 230000009467 reduction Effects 0.000 claims description 9
- 238000002372 labelling Methods 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000000034 method Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 230000000306 recurrent effect Effects 0.000 claims description 5
- 238000005520 cutting process Methods 0.000 claims description 4
- 238000013145 classification model Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 238000005286 illumination Methods 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims description 3
- 230000007547 defect Effects 0.000 abstract description 7
- 230000000694 effects Effects 0.000 description 2
- 238000004806 packaging method and process Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
- G06T2207/10012—Stereo images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30148—Semiconductor; IC; Wafer
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及视觉检测***,具体涉及一种用于芯片生产的视觉检测***,通过芯片外观检测模型能够对处理后的芯片图像进行外观检测,通过焊球轮廓图像提取单元提取焊球轮廓图像,3D图像扫描模块获取焊球三维模型,借助芯片焊球检测模块结合焊球轮廓图像、焊球三维模型对焊球进行分析检测,能够有效保证对于BGA芯片及焊球的缺陷检测精度;通过待识别区域提取模型能够在芯片背面字符图像中准确标注待识别区域,字符识别模块对待识别区域提取模型标注的待识别区域进行字符识别,从而能够对芯片背面的字符进行有效文字识别;本发明提供的技术方案能够有效克服现有技术所存在的检测精度较差、无法对芯片背面的字符进行文字识别的缺陷。
Description
技术领域
本发明涉及视觉检测***,具体涉及一种用于芯片生产的视觉检测***。
背景技术
球形引脚阵列封装(BGA)形式的芯片具有可靠性好、封装面积小和电器性能优良等特点,因而得到广泛应用。大规模BGA芯片贴装生产过程主要由贴片机完成,高精度的贴片机通过吸取、移位、识别、检测、定位、贴装等步骤将芯片快速贴装到印刷电路板上。
贴片机对芯片的识别、检测与定位主要是采用计算机视觉检测技术来完成。就BGA芯片而言,芯片的标准数据包括焊球分布形式,焊球直径,焊球的行间距及列间距,后续的缺陷检测主要针对焊球缺失、焊球直径和饱满度是否合格,以及焊球是否桥接这几个方面。BGA芯片由于焊球引脚多、间距小、封装形式多样,因此对视觉检测的可靠性和精确度提出了更高的要求。
然而,现有针对BGA芯片的视觉检测***,其检测精度较差,检测效果不佳,无法有效判断BGA芯片及焊球在生产过程中所存在的缺陷,并且无法对芯片背面的字符进行文字识别,生产检测起来较为不便。
发明内容
(一)解决的技术问题
针对现有技术所存在的上述缺点,本发明提供了一种用于芯片生产的视觉检测***,能够有效克服现有技术所存在的检测精度较差、无法对芯片背面的字符进行文字识别的缺陷。
(二)技术方案
为实现以上目的,本发明通过以下技术方案予以实现:
一种用于芯片生产的视觉检测***,包括控制器,以及
标准信息输入模块,用于输入标准化芯片图像、待识别字符;
图像处理模块,用于对第一检测图像采集模块采集的芯片图像进行图像处理;
芯片外观检测模型,对处理后的芯片图像进行外观检测;
焊球轮廓图像提取单元,从处理后的芯片图像中提取焊球轮廓图像;
3D图像扫描模块,用于获取焊球三维模型;
芯片焊球检测模块,结合焊球轮廓图像、焊球三维模型对焊球进行分析检测;
人工标注模块,对训练图像采集模块采集的标准化芯片背面字符图像中的待识别区域进行人工标注;
待识别区域提取模型,通过人工标注待识别区域的标准化芯片背面字符图像进行模型训练,并在第二检测图像采集模块采集的芯片背面字符图像中标注待识别区域;
字符识别模块,用于对待识别区域提取模型标注的待识别区域进行字符识别;
数据对比模块,将字符识别模块得到的字符识别结果与待识别字符进行对比。
优选地,所述芯片外观检测模型通过模型训练对处理后的芯片图像进行外观检测,包括:
采集多张包括合格芯片、不合格芯片在内的标准化芯片图像,分类建立合格训练数据集、不合格训练数据集;
将合格训练数据集、不合格训练数据集输入芯片外观检测模型进行模型训练,得到训练后的芯片外观检测模型;
将目标图像输入芯片外观检测模型中,芯片外观检测模型对目标图像进行外观检测。
优选地,所述将合格训练数据集、不合格训练数据集输入芯片外观检测模型进行模型训练,得到训练后的芯片外观检测模型,包括:
在芯片外观检测模型中构建分类模型,并对标准化芯片图像进行分类训练,通过对比分类结果与该标准化芯片图像对应的类型标签,选取不同的核函数进行优化调整;
将合格训练数据集、不合格训练数据集输入优化调整后的芯片外观检测模型进行模型训练,当训练结果收敛时,得到最优芯片外观检测模型。
优选地,所述焊球轮廓图像提取单元包括用于从目标图像中检测出焊球区域的焊球区域检测模块,用于对焊球区域图像进行边缘检测的边缘检测模块,以及用于根据边缘检测结果提取焊球轮廓图像的焊球图像提取模块。
优选地,所述焊球区域检测模块获取目标图像,并对目标图像进行圆检测,初步识别焊球位置;所述边缘检测模块对目标图像进行变换,并对变换图像进行边缘检测;所述焊球图像提取模块将边缘检测结果映射至原始坐标系得到掩膜图像,并对掩膜图像进行边缘提取,得到焊球轮廓图像。
优选地,所述图像处理模块通过高斯滤波对芯片图像进行图像降噪,并对降噪后的芯片图像进行灰度化处理,选取合适阈值进行图像二值化,对二值化图像进行开运算处理,通过阈值分割及边界分割分割从芯片图像中分割出目标图像。
优选地,所述芯片焊球检测模块结合焊球轮廓图像、焊球三维模型对焊球饱满度、焊球桥接、焊球缺失、焊球高度进行分析检测。
优选地,所述字符识别模块对待识别区域提取模型标注的待识别区域进行字符识别,包括:
获取标注待识别区域的芯片背面字符图像并进行OCR识别,将OCR识别结果逐一输入语言模型中得到OCR输出序列集合;
将OCR输出序列集合中的输出序列逐一转换为数字向量,并进行降维处理,将降维后的数字向量逐一输入循环神经网络得到文本序列。
优选地,所述待识别区域提取模型通过人工标注待识别区域的标准化芯片背面字符图像进行模型训练,包括:
对处于不同角度、不同光照条件下的标准化芯片背面字符图像中的待识别区域进行人工标注,建立训练数据集;
将训练数据集输入待识别区域提取模型进行模型训练,得到训练后的待识别区域提取模型。
优选地,还包括机械臂控制模块,用于根据芯片外观检测模型的外观检测结果、芯片焊球检测模块的分析检测结果、数据对比模块的对比结果控制机械臂;
当芯片外观检测模型的外观检测结果低于良品对应检测结果,或芯片焊球检测模块的分析检测结果低于良品对应检测结果,或数据对比模块对比判断字符识别模块的字符识别结果与待识别字符不一致时,控制器通过机械臂控制模块控制机械臂夹取对应待检芯片至不合格品处。
(三)有益效果
与现有技术相比,本发明所提供的一种用于芯片生产的视觉检测***,具有以下优点:
1)通过芯片外观检测模型能够对处理后的芯片图像进行外观检测,通过焊球轮廓图像提取单元提取焊球轮廓图像,3D图像扫描模块获取焊球三维模型,借助芯片焊球检测模块结合焊球轮廓图像、焊球三维模型对焊球进行分析检测,能够有效保证对于BGA芯片及焊球的缺陷检测精度;
2)通过待识别区域提取模型能够在芯片背面字符图像中准确标注待识别区域,字符识别模块对待识别区域提取模型标注的待识别区域进行字符识别,从而能够对芯片背面的字符进行有效文字识别。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明的***示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述。显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
一种用于芯片生产的视觉检测***,如图1所示,包括控制器,以及
标准信息输入模块,用于输入标准化芯片图像、待识别字符;
图像处理模块,用于对第一检测图像采集模块采集的芯片图像进行图像处理;
芯片外观检测模型,对处理后的芯片图像进行外观检测;
焊球轮廓图像提取单元,从处理后的芯片图像中提取焊球轮廓图像;
3D图像扫描模块,用于获取焊球三维模型;
芯片焊球检测模块,结合焊球轮廓图像、焊球三维模型对焊球进行分析检测;
人工标注模块,对训练图像采集模块采集的标准化芯片背面字符图像中的待识别区域进行人工标注;
待识别区域提取模型,通过人工标注待识别区域的标准化芯片背面字符图像进行模型训练,并在第二检测图像采集模块采集的芯片背面字符图像中标注待识别区域;
字符识别模块,用于对待识别区域提取模型标注的待识别区域进行字符识别;
数据对比模块,将字符识别模块得到的字符识别结果与待识别字符进行对比。
图像处理模块通过高斯滤波对芯片图像进行图像降噪,并对降噪后的芯片图像进行灰度化处理,选取合适阈值进行图像二值化,对二值化图像进行开运算处理,通过阈值分割及边界分割分割从芯片图像中分割出目标图像。
芯片外观检测模型通过模型训练对处理后的芯片图像进行外观检测,包括:
采集多张包括合格芯片、不合格芯片在内的标准化芯片图像,分类建立合格训练数据集、不合格训练数据集;
将合格训练数据集、不合格训练数据集输入芯片外观检测模型进行模型训练,得到训练后的芯片外观检测模型;
将目标图像输入芯片外观检测模型中,芯片外观检测模型对目标图像进行外观检测。
其中,将合格训练数据集、不合格训练数据集输入芯片外观检测模型进行模型训练,得到训练后的芯片外观检测模型,包括:
在芯片外观检测模型中构建分类模型,并对标准化芯片图像进行分类训练,通过对比分类结果与该标准化芯片图像对应的类型标签,选取不同的核函数进行优化调整;
将合格训练数据集、不合格训练数据集输入优化调整后的芯片外观检测模型进行模型训练,当训练结果收敛时,得到最优芯片外观检测模型。
焊球轮廓图像提取单元包括用于从目标图像中检测出焊球区域的焊球区域检测模块,用于对焊球区域图像进行边缘检测的边缘检测模块,以及用于根据边缘检测结果提取焊球轮廓图像的焊球图像提取模块。
焊球区域检测模块获取目标图像,并对目标图像进行圆检测,初步识别焊球位置;边缘检测模块对目标图像进行变换,并对变换图像进行边缘检测;焊球图像提取模块将边缘检测结果映射至原始坐标系得到掩膜图像,并对掩膜图像进行边缘提取,得到焊球轮廓图像。
本申请技术方案中,芯片焊球检测模块结合焊球轮廓图像、焊球三维模型对焊球饱满度、焊球桥接、焊球缺失、焊球高度进行分析检测。
待识别区域提取模型通过人工标注待识别区域的标准化芯片背面字符图像进行模型训练,包括:
对处于不同角度、不同光照条件下的标准化芯片背面字符图像中的待识别区域进行人工标注,建立训练数据集;
将训练数据集输入待识别区域提取模型进行模型训练,得到训练后的待识别区域提取模型。
字符识别模块对待识别区域提取模型标注的待识别区域进行字符识别,包括:
获取标注待识别区域的芯片背面字符图像并进行OCR识别,将OCR识别结果逐一输入语言模型中得到OCR输出序列集合;
将OCR输出序列集合中的输出序列逐一转换为数字向量,并进行降维处理,将降维后的数字向量逐一输入循环神经网络得到文本序列。
其中,将降维后的数字向量逐一输入循环神经网络得到文本序列,包括:
将降维后的数字向量输入Bi-LSTM编码器,生成特征向量,并将特征向量输入Bi-LSTM解码器,得到输出向量;
将输出向量输入Softmax算法模块,得到字ID,根据字典的对应关系,将字ID转换为文本序列。
本申请技术方案中,还包括机械臂控制模块,用于根据芯片外观检测模型的外观检测结果、芯片焊球检测模块的分析检测结果、数据对比模块的对比结果控制机械臂。
当芯片外观检测模型的外观检测结果低于良品对应检测结果,或芯片焊球检测模块的分析检测结果低于良品对应检测结果,或数据对比模块对比判断字符识别模块的字符识别结果与待识别字符不一致时,控制器通过机械臂控制模块控制机械臂夹取对应待检芯片至不合格品处。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不会使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种用于芯片生产的视觉检测***,其特征在于:包括控制器,以及
标准信息输入模块,用于输入标准化芯片图像、待识别字符;
图像处理模块,用于对第一检测图像采集模块采集的芯片图像进行图像处理;
芯片外观检测模型,对处理后的芯片图像进行外观检测;
焊球轮廓图像提取单元,从处理后的芯片图像中提取焊球轮廓图像;
3D图像扫描模块,用于获取焊球三维模型;
芯片焊球检测模块,结合焊球轮廓图像、焊球三维模型对焊球进行分析检测;
人工标注模块,对训练图像采集模块采集的标准化芯片背面字符图像中的待识别区域进行人工标注;
待识别区域提取模型,通过人工标注待识别区域的标准化芯片背面字符图像进行模型训练,并在第二检测图像采集模块采集的芯片背面字符图像中标注待识别区域;
字符识别模块,用于对待识别区域提取模型标注的待识别区域进行字符识别;
数据对比模块,将字符识别模块得到的字符识别结果与待识别字符进行对比。
2.根据权利要求1所述的用于芯片生产的视觉检测***,其特征在于:所述芯片外观检测模型通过模型训练对处理后的芯片图像进行外观检测,包括:
采集多张包括合格芯片、不合格芯片在内的标准化芯片图像,分类建立合格训练数据集、不合格训练数据集;
将合格训练数据集、不合格训练数据集输入芯片外观检测模型进行模型训练,得到训练后的芯片外观检测模型;
将目标图像输入芯片外观检测模型中,芯片外观检测模型对目标图像进行外观检测。
3.根据权利要求2所述的用于芯片生产的视觉检测***,其特征在于:所述将合格训练数据集、不合格训练数据集输入芯片外观检测模型进行模型训练,得到训练后的芯片外观检测模型,包括:
在芯片外观检测模型中构建分类模型,并对标准化芯片图像进行分类训练,通过对比分类结果与该标准化芯片图像对应的类型标签,选取不同的核函数进行优化调整;
将合格训练数据集、不合格训练数据集输入优化调整后的芯片外观检测模型进行模型训练,当训练结果收敛时,得到最优芯片外观检测模型。
4.根据权利要求3所述的用于芯片生产的视觉检测***,其特征在于:所述焊球轮廓图像提取单元包括用于从目标图像中检测出焊球区域的焊球区域检测模块,用于对焊球区域图像进行边缘检测的边缘检测模块,以及用于根据边缘检测结果提取焊球轮廓图像的焊球图像提取模块。
5.根据权利要求4所述的用于芯片生产的视觉检测***,其特征在于:所述焊球区域检测模块获取目标图像,并对目标图像进行圆检测,初步识别焊球位置;所述边缘检测模块对目标图像进行变换,并对变换图像进行边缘检测;所述焊球图像提取模块将边缘检测结果映射至原始坐标系得到掩膜图像,并对掩膜图像进行边缘提取,得到焊球轮廓图像。
6.根据权利要求2或4所述的用于芯片生产的视觉检测***,其特征在于:所述图像处理模块通过高斯滤波对芯片图像进行图像降噪,并对降噪后的芯片图像进行灰度化处理,选取合适阈值进行图像二值化,对二值化图像进行开运算处理,通过阈值分割及边界分割分割从芯片图像中分割出目标图像。
7.根据权利要求5所述的用于芯片生产的视觉检测***,其特征在于:所述芯片焊球检测模块结合焊球轮廓图像、焊球三维模型对焊球饱满度、焊球桥接、焊球缺失、焊球高度进行分析检测。
8.根据权利要求7所述的用于芯片生产的视觉检测***,其特征在于:所述字符识别模块对待识别区域提取模型标注的待识别区域进行字符识别,包括:
获取标注待识别区域的芯片背面字符图像并进行OCR识别,将OCR识别结果逐一输入语言模型中得到OCR输出序列集合;
将OCR输出序列集合中的输出序列逐一转换为数字向量,并进行降维处理,将降维后的数字向量逐一输入循环神经网络得到文本序列。
9.根据权利要求8所述的用于芯片生产的视觉检测***,其特征在于:所述待识别区域提取模型通过人工标注待识别区域的标准化芯片背面字符图像进行模型训练,包括:
对处于不同角度、不同光照条件下的标准化芯片背面字符图像中的待识别区域进行人工标注,建立训练数据集;
将训练数据集输入待识别区域提取模型进行模型训练,得到训练后的待识别区域提取模型。
10.根据权利要求9所述的用于芯片生产的视觉检测***,其特征在于:还包括机械臂控制模块,用于根据芯片外观检测模型的外观检测结果、芯片焊球检测模块的分析检测结果、数据对比模块的对比结果控制机械臂;
当芯片外观检测模型的外观检测结果低于良品对应检测结果,或芯片焊球检测模块的分析检测结果低于良品对应检测结果,或数据对比模块对比判断字符识别模块的字符识别结果与待识别字符不一致时,控制器通过机械臂控制模块控制机械臂夹取对应待检芯片至不合格品处。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110642625.8A CN113256598B (zh) | 2021-06-09 | 2021-06-09 | 一种用于芯片生产的视觉检测*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110642625.8A CN113256598B (zh) | 2021-06-09 | 2021-06-09 | 一种用于芯片生产的视觉检测*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113256598A true CN113256598A (zh) | 2021-08-13 |
CN113256598B CN113256598B (zh) | 2024-06-28 |
Family
ID=77187340
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110642625.8A Active CN113256598B (zh) | 2021-06-09 | 2021-06-09 | 一种用于芯片生产的视觉检测*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113256598B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114405849A (zh) * | 2022-01-24 | 2022-04-29 | 深圳市卓瑞芯电子有限公司 | 一种用于芯片智能制造的集成电路装置 |
CN114841981A (zh) * | 2022-05-20 | 2022-08-02 | 烟台中科网络技术研究所 | 基于分割网络的零件缺陷检测与字符识别方法及装置 |
CN116343213A (zh) * | 2023-05-31 | 2023-06-27 | 成都数之联科技股份有限公司 | 模型训练及芯片的字符识别方法、装置、设备和介质 |
CN117612176A (zh) * | 2023-10-26 | 2024-02-27 | 粤港澳大湾区(广东)国创中心 | 两边引脚图识别抽取方法、装置、存储介质以及设备 |
CN117890380A (zh) * | 2024-03-14 | 2024-04-16 | 蓝芯存储技术(赣州)有限公司 | 一种芯片外观缺陷检测方法及检测装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105184793A (zh) * | 2015-09-02 | 2015-12-23 | 广东电网有限责任公司汕尾供电局 | 一种电能表样品外观及pcb板元件检测方法 |
US20180268257A1 (en) * | 2017-03-20 | 2018-09-20 | Rolls-Royce Plc | Surface defect detection |
CN108982508A (zh) * | 2018-05-23 | 2018-12-11 | 江苏农林职业技术学院 | 一种基于特征模板匹配和深度学习的塑封体ic芯片缺陷检测方法 |
CN109615609A (zh) * | 2018-11-15 | 2019-04-12 | 北京航天自动控制研究所 | 一种基于深度学习的焊点瑕疵检测方法 |
CN110930347A (zh) * | 2018-09-04 | 2020-03-27 | 京东方科技集团股份有限公司 | 卷积神经网络的训练方法、焊点缺陷的检测方法及装置 |
CN110927184A (zh) * | 2019-11-15 | 2020-03-27 | 扬州迪飞特测控设备有限公司 | 芯片封装缺陷的视觉检测方法 |
-
2021
- 2021-06-09 CN CN202110642625.8A patent/CN113256598B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105184793A (zh) * | 2015-09-02 | 2015-12-23 | 广东电网有限责任公司汕尾供电局 | 一种电能表样品外观及pcb板元件检测方法 |
US20180268257A1 (en) * | 2017-03-20 | 2018-09-20 | Rolls-Royce Plc | Surface defect detection |
CN108982508A (zh) * | 2018-05-23 | 2018-12-11 | 江苏农林职业技术学院 | 一种基于特征模板匹配和深度学习的塑封体ic芯片缺陷检测方法 |
CN110930347A (zh) * | 2018-09-04 | 2020-03-27 | 京东方科技集团股份有限公司 | 卷积神经网络的训练方法、焊点缺陷的检测方法及装置 |
CN109615609A (zh) * | 2018-11-15 | 2019-04-12 | 北京航天自动控制研究所 | 一种基于深度学习的焊点瑕疵检测方法 |
CN110927184A (zh) * | 2019-11-15 | 2020-03-27 | 扬州迪飞特测控设备有限公司 | 芯片封装缺陷的视觉检测方法 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114405849A (zh) * | 2022-01-24 | 2022-04-29 | 深圳市卓瑞芯电子有限公司 | 一种用于芯片智能制造的集成电路装置 |
CN114841981A (zh) * | 2022-05-20 | 2022-08-02 | 烟台中科网络技术研究所 | 基于分割网络的零件缺陷检测与字符识别方法及装置 |
CN116343213A (zh) * | 2023-05-31 | 2023-06-27 | 成都数之联科技股份有限公司 | 模型训练及芯片的字符识别方法、装置、设备和介质 |
CN116343213B (zh) * | 2023-05-31 | 2023-08-25 | 成都数之联科技股份有限公司 | 模型训练及芯片的字符识别方法、装置、设备和介质 |
CN117612176A (zh) * | 2023-10-26 | 2024-02-27 | 粤港澳大湾区(广东)国创中心 | 两边引脚图识别抽取方法、装置、存储介质以及设备 |
CN117890380A (zh) * | 2024-03-14 | 2024-04-16 | 蓝芯存储技术(赣州)有限公司 | 一种芯片外观缺陷检测方法及检测装置 |
CN117890380B (zh) * | 2024-03-14 | 2024-05-14 | 蓝芯存储技术(赣州)有限公司 | 一种芯片外观缺陷检测方法及检测装置 |
Also Published As
Publication number | Publication date |
---|---|
CN113256598B (zh) | 2024-06-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113256598B (zh) | 一种用于芯片生产的视觉检测*** | |
CN107389701A (zh) | 一种基于图像的pcb表观缺陷自动检测***及方法 | |
CN106501272B (zh) | 机器视觉焊锡定位检测*** | |
CN111539330B (zh) | 一种基于双svm多分类器的变电站数显仪表识别方法 | |
CN113221889A (zh) | 一种芯片字符抗干扰识别方法及装置 | |
CN115775246A (zh) | 一种pcb元器件缺陷检测的方法 | |
CN112304957A (zh) | 一种基于机器视觉的外观缺陷智能检测方法及*** | |
CN113222938A (zh) | 芯片缺陷检测方法及***与计算机可读存储介质 | |
CN111965197A (zh) | 一种基于多特征融合的缺陷分类方法 | |
CN110175614A (zh) | 一种印刷电路板过孔内壁质量的检测方法 | |
CN115866502A (zh) | 一种麦克风零件表面缺陷在线检测流程 | |
Caliskan et al. | Design and realization of an automatic optical inspection system for PCB solder joints | |
US6382510B1 (en) | Automatic inspection system using barcode localization and method thereof | |
CN110909735A (zh) | 基于卷积神经网络的智能电能表芯片视觉识别比对***及方法 | |
CN112419225B (zh) | 一种基于引脚分割的sop型芯片检测方法及*** | |
Zhang et al. | An automatic defect detection method for TO56 semiconductor laser using deep convolutional neural network | |
CN111738264A (zh) | 一种机房设备显示面板数据的智能采集方法 | |
CN116664540A (zh) | 基于高斯线检测的橡胶密封圈表面缺陷检测方法 | |
CN111307817A (zh) | 一种智能产线pcb生产过程的在线检测方法及*** | |
Gao et al. | Solder joint defect detection based on image segmentation and deep learning | |
CN115471684A (zh) | 注塑工件模板匹配方法、电子设备及存储介质 | |
CN114742823A (zh) | 一种物体表面划痕智能检测方法 | |
Li et al. | PCB defect recognition and elimination based on secondary error and statistical histogram | |
CN115100393A (zh) | 一种基于深度学习的pcb焊接缺陷检测方法 | |
CN113327237A (zh) | 一种适用于电源电路板的视觉检测*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant |