[发明专利]基于半监督深度学习的芯片管脚缺失检测方法

说明书

本发明公开了一种基于半监督深度学习的芯片管脚缺失检测方法。包括：对芯片图像进行预处理，得到增强的芯片灰度图像；对增强的芯片灰度图像进行边缘检测、阈值化、形态学滤波处理，得到芯片轮廓图像、芯片封装图像；对芯片轮廓图像、芯片封装图像进行连通域检测，判断得出芯片具有管脚的侧面；根据芯片具有管脚的侧面判断结果生成封装遮罩图像，与芯片轮廓图像点对点相乘，得到芯片管脚图像；对芯片管脚图像进行管脚缺失判断并标示；根据标示结果训练语义分割深度卷积神经网络；利用训练好的语义分割深度卷积神经网络对待检测芯片图像进行管脚缺失检测。利用本发明，可以在芯片质量检测场景中，实现芯片管脚缺失检测，提高检测效率、精度。

技术领域

本发明涉及计算机视觉、深度学习技术领域，具体涉及一种基于半监督深度学习的芯片管脚缺失检测方法。

背景技术

现今社会，电路芯片的地位非常重要，应用范围越来越大，使用数量也随之暴增，芯片生产出来后都需要对其进行内核、外设电路及管脚的封装，而芯片生产的数量之多，不免会存在很多残次缺陷，而管脚的漏装会芯片生产造成很大的影响，对产品的质量、厂家的声誉造成很大影响。因为数量巨大，对其做人工检测的成本会非常高，智能化的检测是减少成本的重要途径。

一般情况，同一种功能的芯片会衍生出很多型号。而目前的芯片检测系统都基于专用光源、专用导轨、专用相机组成的专用系统。一般的检测方式为模板匹配，而该方法对阈值化分割的精度要求过高，光源、相机的参数稍有不同就可能导致整个系统的失效。此类系统需要经常人工维护，定期校准、调参。而且模板匹配方法，针对性太强，只能对一种特定的芯片做检测，而且对芯片的种类、型号、摆放角度都有限制。针对其他型号的芯片，检测精度低。芯片具有尺寸小的特点，且生产量大，需检测芯片的数目多，目前的芯片检测技术对芯片进行逐一检测，容易漏检，且检测过程繁琐，检测效率低。

因此，现有芯片管脚缺失检测技术存在专用性过强、维护和使用难度偏大、检测精度低、检测效率低的问题。

发明内容

本发明提供了一种基于半监督深度学习的芯片管脚缺失检测方法，该方法基于机器视觉处理方法进行样本标注，半监督地训练深度卷积神经网络，实现了对芯片缺失的管脚的检测，扩大了应用范围，降低了维护及使用难度，提高了检测精度和检测效率。

一种基于半监督深度学习的芯片管脚缺失检测方法，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，计算芯片轮廓连通域与芯片封装连通域对应边的间距，设置阈值，根据阈值与对应边的间距之间的大小关系，判断得出芯片具有管脚的侧面；

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。

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。