[发明专利]一种高密度柔性基板的缺陷检测方法

说明书

本发明公开了一种高密度柔性基板的缺陷检测方法，包括采集带有外观缺陷的FICS图像，将图像预处理后统一为标准尺寸，标记每张图像中的缺陷位置和类别，作为faster R‑CNN卷积神经网络模型的训练样本；将标记号的训练样本作为faster R‑CNN卷积神经网络模型的输入，并输出FICS缺陷的位置与类型信息，得到训练好的基于faster R‑CNN卷积神经网络模型；然后将待检测的FICS图像输入训练好的基于faster R‑CNN卷积神经网络模型，输出是否有缺陷，如果有缺陷，则输出缺陷位置及类型。本发明实现高密度柔性基板外观缺陷的快速定位与类型判断，解决了传统缺陷检测方法速度慢，正确率低的问题。

技术领域

本发明涉及机器视觉表面缺陷检测技术领域，具体涉及一种高密度柔性基板的缺陷检测方法。

背景技术

高密度柔性基板(Flexible Integrated Circuit Substrate,简称FICS)，是一种可作为IC封装基板的高密度挠性印刷电路板。在高密度FICS的生产过程中，由于工艺过程控制的精度问题，难免产生外观上的缺陷。通过高精度的视觉检测，对FICS的多种外观缺陷进行快速定位与类型识别，是实现高密度FICS制造过程中质量控制的关键。

柔性基板制造商主要采用人工目检的方法，来对高密度FICS进行外观缺陷的检测。人工目检的检测效率比较低，造成劳动力资源的极大浪费，而且该方法误检率较高，难以保证检测的质量。一些学者提出了基于图像特征的外观缺陷检测方法，但这些方法检测速度较慢，难以满足FICS检测的实际应用需求；同时，这些方法只能针对某种特殊缺陷进行检测，无法对FICS上的多种类型的外观缺陷同时进行识别。

发明内容

为了克服现有技术存在的缺点与不足，本发明提供一种高密度柔性基板的缺陷检测方法。

本发明采用如下技术方案：

一种高密度柔性基板的缺陷检测方法，包括：

深度神经网络模型训练步骤，具体为：

采集带有外观缺陷的FICS图像，将图像预处理后统一为标准尺寸，标记每张图像中的缺陷位置和类别，作为faster R-CNN卷积神经网络模型的训练样本；

将标记号的训练样本作为faster R-CNN卷积神经网络模型的输入，并输出FICS缺陷的位置与类型信息，得到训练好的基于faster R-CNN卷积神经网络模型；

缺陷检测步骤，具体为：

将待检测的FICS图像输入训练好的基于faster R-CNN卷积神经网络模型，输出是否有缺陷，如果有缺陷，则输出缺陷位置及类型。

所述faster R-CNN卷积神经网络模型包括

将预处理后的待检测FICS图像作为输入，输出特征图的共享卷积神经网络

对输出特征图进行采样点坐标后，通过双线性插值，对采样点坐标的值进行计算，并输出特征图对应目标点值的平行空间变换网络；

输入特征图对应目标点值得到候选框的候选框生成网络；

输入候选框，输出为缺陷的位置信息及类别的感兴趣区域池化分类网络。

所述共享卷积神经网络由5个卷积层和2个池化层构成。

所述平行空间变换网络包括

由三个全连接层构成的定位网络，用于通过特征图得到转换矩阵θ；

通过转换矩阵θ，获取输出特征图上每一个采样点在输入特征图上的位置，然后对特征图进行变换的像素定位器；

通过双线性插值，对采样点坐标得到值进行计算，输出特征图上目标点值的采样器。