[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

说明书

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，本发明的方法能针对BGA焊球在X‑Ray检测中存在复杂背景干扰的情况，对BGA焊球空洞和焊球区域进行快速定位和检测，该方法具备强大的适应性。

技术领域

本发明涉及一种工业机器视觉技术领域，尤其涉及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。

背景技术

随着电子技术的快速发展，封装的微型化和组装的高密度话以及新型的器件不断涌现，对组装的质量要求也越来越高，相比于传统封装形式，BGA封装技术的特点主要在于焊点全部以阵列形式排布在芯片下方减小了器件体积，极大的增加了可放置的引脚数量，因此对于BGA的焊点质量进行检测十分困难，在复杂背景下的焊球分割提取仍然存在精度低、耗时长等问题，当印制电路板上的元件密度不断增加，传统的阈值分割、模板匹配及边缘检测方法，已经无法满足其高质量需求，难以准确提取检测出焊球内部的空洞并进行质量判断，因此，有必要研发一种开发复杂度较低、性能可靠且具有实时性的BGA焊球质量检测算法。

发明内容

为解决上述技术问题，本发明的目的旨在提供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，实现对BGA图像的焊球质量精准检测。

实现本发明目的所采用的的具体技术方案如下。

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。

作为本发明的进一步优选，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。

作为本发明的进一步优选，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。

作为本发明的进一步优选，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。

作为本发明的进一步优选，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。

作为本发明的进一步优选，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。

作为本发明的进一步优选，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。