[发明专利]基于深度学习和自适应阈值分割的焊球缺陷检测方法

权利要求书

1.本发明公开了一种基于深度学习和自适应阈值分割的焊球缺陷检测方法，用于实现对BGA焊球空洞和焊球区域的快速定位与检测，其特征在于，通过深度学习的方法对BGA焊球区域进行精确分割提取，对目标焊球区域制作BGA标签数据集，并进行增强操作增加网络泛化能力，对X-Ray的BGA原图进行平滑处理，与神经网络对BGA焊球区域分割的结果图进行逻辑与运算提取焊球内部的空洞，对噪声干扰区域进行区域填充运算，将填充后的空洞与神经网络得到的焊球区域轮廓进行边缘提取，计算焊球内部空洞与整个焊球面积占比并判断其合格率。

2.根据权利要求1所述的一种基于深度学习和自适应阈值分割的焊球缺陷检测方法，其特征在于，所述对目标焊球区域制作BGA标签数据集，并对BGA图像数据集进行增强操作，通过缩放、旋转、添噪、亮度调整等方式进一步扩充数据，增加网络泛化能力。

3.根据权利要求1所述的一种基于深度学习和自适应阈值分割的焊球缺陷检测方法，其特征在于，所述深度学习方法是利用全卷积网络将卷积网模型中的全连接层替换为全卷积层以进行像素级的稠密估计，利用增大数据尺寸的反卷积层对特征图进行上采样，对每个像素都产生一个预测，并保留原始输入图像中的空间信息，将粗糙的分割结果转换为精细的分割结果，在此基础上，采用结合不同深度层的跳跃结构，融合深层粗糙特征和浅层精细特征，从而将图像分类网络转变为图像分割网络。

4.根据权利要求1所述的一种基于深度学习和自适应阈值分割的焊球缺陷检测方法，其特征在于，所述先提取BGA焊球区域，再提取空洞缺陷区域，最后将二者提取的结果相结合，实现BGA焊球空洞缺陷的准确检测。

5.根据权利要求4所述的一种基于深度学习和自适应阈值分割的焊球缺陷检测方法，其特征在于，所述对X-Ray的BGA原图进行平滑处理，并将得到的结果图与全卷积网络方法对BGA焊球区域分割的结果图进行逻辑与运算完整地提取焊球内部的空洞。

6.根据权利要求4所述的一种基于深度学习和自适应阈值分割的焊球缺陷检测方法，其特征在于，所述对存在大量噪声干扰区域进行区域填充运算，对填充后的空洞轮廓与全卷积网络方法得到的BGA焊球区域轮廓进行边缘提取。

7.根据权利要求4所述的一种基于深度学习和自适应阈值分割的焊球缺陷检测方法，其特征在于，所述计算焊球内部空洞与整个焊球面积占比并判断其合格率，以人工标注的空洞占比作为参考。

8.根据权利要求4所述的一种基于深度学习和自适应阈值分割的焊球缺陷检测方法，其特征在于，所述设置卷积层、池化层、反卷积等尺寸参数，即对训练时相应的损失函数、优化器、迭代次数等相关参数进行设计，并引入Batch normalization层和Shuffle操作来避免过拟合现象和提高网络鲁棒性，分割效果更加精确，网络泛化能力更强。