[发明专利]一种电子元器件X射线检查缺陷自动识别方法

说明书

本发明公开了一种电子元器件X射线检查缺陷自动识别方法，该方法对X射线图像进行预处理；人工半自动或自动对样本进行标注，根据电子元器件的封装和缺陷形式，将待检测的电子元器件的缺陷类型分为空洞类缺陷、一致性缺陷和角度缺陷三大类。利用基于卷积神经网络的语义分割方法实现对四类空洞缺陷的检测。通过大量的样本对卷积神经网络进行训练，实现对各类空洞缺陷的精确分割，极大提高了缺陷自动识别效率。同时，通过灰度投影法对芯片焊接区及密封区等进行检测，根据相应的判别准则对其合格性进行判别。解决了以往无法进行自动计算和单纯靠人工进行判别的问题，以及混合集成电路中的基板与管壳焊接界面空洞的干扰问题。

技术领域

本发明涉及电子元器件X射线检测缺陷自动识别技术领域，尤其涉及一种电子元器件X射线检查缺陷自动识别方法。

背景技术

军用电子元器件是国防军工电子系统的基础元件，主要包括半导体分立器件和集成电路等微电子器件以及继电器、传感器等特种器件。军用电子元器件是核、航空、航天、船舶、兵器、电子等信息系统的物质保证，其稳定性和可靠性直接影响信息系统的功能和性能指标。

军用电子元器件的封装缺陷是影响其质量的主要因素之一。X射线检查是一种无损检测元器件内部缺陷的手段，可以快速检查出键合、焊接、密封等封装过程中出现的缺陷，在元器件筛选、鉴定检验、DPA、失效分析中均要求进行X射线检查。X射线检测对电子元器件进行X射线成像，其图像能反映电子元器件的内部缺陷，目前的X射线检查主要依靠人工识别，由检测人员浏览X射线图像，根据检测标准进行人工判读、分析。然而，随着电子元器件加工制造水平的不断发展，电子元器件封装形式越来越多、封装密度也越来越高，电子元器件的检测数量和任务也日益增多，人工识别的速度和准确度已无法满足，这种人工判读分析方式受试验人员经验和身体状况等主观因素的影响，检测效率和可靠性低，元器件检测质量难以有效保证，给元器件的使用带来风险与隐患，已无法满足军用电子系统日益增加的需求。因此，需要借助计算机视觉检测技术，形成电子元器件X射线检查缺陷自动识别方法。

随着计算机视觉和人工智能技术的发展，基于深度学习的计算机视觉检测技术因其模拟人脑视觉的处理机制，具有自动学习样本特征的特点，在目标检测识别领域比其他传统方法有更大的性能优势，已经广泛应用于航空、航天、电子、医学、工业制造等各种领域。

针对电子元器件X射线检查缺陷自动识别需求，深入研究基于深度学习视觉检测技术的电子元器件X射线检查缺陷自动识别方法，是军工电子元器件质量检测的迫切需求。

目前，国内对于电子元器件进行的缺陷检测，主要集中在印制电路板(PCB板)焊点缺陷检测、贴装元器件检测以及SMT表面封装等进行的相关研究，关于元器件芯片图像的检测方法很少。

发明内容

鉴于上述问题，针对现有电子元器件缺陷检测技术所存在的局限性，提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的电子元器件X射线检查缺陷自动识别方法，主要利用深度学习视觉检测技术，获得不同缺陷形式的电子元器件X射线缺陷自动检测方法，实现对于电子元器件不同缺陷形式的自动检测功能。

本发明提供一种电子元器件X射线检查缺陷自动识别方法，

该方法包括如下步骤，步骤一：对X射线图像进行去噪、增强预处理；

对采集的电子元器件X射线图像通过直方图均衡和灰度变换的方法进行对比度增强。

步骤二：人工半自动或自动对样本进行标注，包括元器件类型、缺陷类型和缺陷位置；

步骤三：根据电子元器件的封装和缺陷形式，对待检测的电子元器件存在的缺陷类型进行分类。待检测的电子元器件的缺陷类型分为空洞类缺陷、一致性缺陷和角度缺陷三大类。

步骤四：利用基于卷积神经网络的语义分割方法实现对步骤三中四类空洞缺陷的检测。