[发明专利]基于半监督深度学习的芯片管脚缺失检测方法

权利要求书

1.一种基于半监督深度学习的芯片管脚缺失检测方法，其特征在于，该方法包括：

步骤一，对相机采集的芯片图像进行预处理，得到增强的芯片灰度图像；

步骤二，对增强的芯片灰度图像进行边缘检测，并对边缘检测结果进行阈值化、形态学滤波处理，得到芯片轮廓图像，同时对增强的芯片灰度图像进行阈值化、形态学滤波处理，得到芯片封装图像；

步骤三，对芯片轮廓图像、芯片封装图像进行连通域检测，得到芯片轮廓连通域与芯片封装连通域；根据芯片轮廓连通域与芯片封装连通域，得到芯片轮廓最小外接矩形、芯片封装最小外接矩形；计算芯片轮廓最小外接矩形、芯片封装最小外接矩形的对应边的间距；设置阈值，如果所得对应边的间距中存在边距大于所述阈值，则这一边距对应的芯片侧面存在芯片管脚，如果所得对应边距中不存在边距大于所述阈值，则芯片的四个侧面均存在管脚；

步骤四，根据芯片轮廓图像、步骤三的判断结果生成封装遮罩图像，将封装遮罩图像与芯片轮廓图像点对点相乘，得到芯片管脚图像；

步骤五，对芯片管脚图像进行连通域检测，根据管脚连通域之间的间距进行管脚缺失判断，并根据判断结果在芯片图像中标示出管脚缺失位置；

步骤六，根据标示的管脚缺失位置，生成管脚缺失位置遮罩，作为样本标注结果，将芯片图像和标注结果作为样本数据集，训练语义分割深度卷积神经网络；

步骤七，将待检测芯片图像输入训练好的语义分割深度卷积神经网络，对语义分割深度卷积神经网络结果进行二值化处理，得到精确的芯片缺失位置。

2.如权利要求1所述的基于半监督深度学习的芯片管脚缺失检测方法，其特征在于，所述步骤一中的预处理包括：对芯片图像进行灰度化处理，对灰度处理结果进行归一化，对归一化结果进行图像增强，得到增强的芯片灰度图像。

3.如权利要求1所述的基于半监督深度学习的芯片管脚缺失检测方法，其特征在于，所述步骤二中的边缘检测具体为：利用Sobel算子对增强的芯片灰度图像进行边缘检测。

4.如权利要求1所述的基于半监督深度学习的芯片管脚缺失检测方法，其特征在于，所述形态学滤波处理具体为闭运算。

5.如权利要求1所述的基于半监督深度学习的芯片管脚缺失检测方法，其特征在于，所述步骤五具体为：对芯片管脚图像进行连通域检测，得到管脚连通域；针对中间管脚缺失，设置最大间距阈值，如果相邻管脚连通域间距大于最大间距阈值，则相应管脚连通域之间缺失至少一个管脚；针对两端管脚缺失，计算边缘管脚连通域与管脚区域包围框较短两边的间距，如果所得间距大于所述相邻管脚连通域间距中的最小值，则边缘管脚到边缘之间缺少至少一个管脚；根据判断结果在芯片图像中标示出管脚缺失位置。

6.如权利要求1所述的基于半监督深度学习的芯片管脚缺失检测方法，其特征在于，所述步骤七包括：

将待检测芯片图像输入训练好的语义分割深度卷积神经网络；

对语义分割深度卷积神经网络结果进行二值化处理；

对二值化处理结果进行闭运算，得到精确的芯片缺失位置。