[发明专利]一种引线框架表面缺陷检测方法、系统、存储介质及终端

说明书

本发明公开了一种引线框架表面缺陷检测方法、系统、存储介质及终端，属于引线框架检测技术领域，通过提取阵列单元图像及其像素值的缺陷判断方式，抗拒图像倾斜能力较强，从而提高了缺陷检测的准确性；通过采用了基于改进Unet的神经网络实现了缺陷的分割，对于肉眼难以辨识，弱小的目标具有很高的检出率，对缺陷进行准确定位；最后通过深度学习的方法对缺陷进行等级判定，从而去除检测后需要的人工复判的工作，提高复判效率。

技术领域

本发明涉及引线框架检测技术领域，尤其涉及一种引线框架表面缺陷检测方法、系统、存储介质及终端。

背景技术

引线框架作为集成电路的芯片载体，是一种借助于键合材料(金丝、铝丝、铜丝)实现芯片内部电路引出端与外引线的电气连接，形成电气回路的关键结构件，它起到了和外部导线连接的桥梁作用，绝大部分的半导体集成块中都需要使用引线框架，是电子信息产业中重要的基础材料。

引线框架作为很多集成电路的芯片载体，其质量是否可靠稳定决定了后续最终半导体产品的功能和性能，因此在实际生产过程中需要对引线框架物料进行质量检查。引线框架料片有很多的颗粒组成，尺寸很小，人工检查需要借助显微镜逐个颗粒进行目视判断，因此费时费力且很难保证检查的稳定性，同时人工检查的效率较低。

发明内容

本发明的目的在于克服现有技术中人工检测引线框架缺陷存在的问题，提供了一种引线框架表面缺陷检测方法、系统、存储介质及终端。

本发明的目的是通过以下技术方案来实现的：

在第一方案中，提供一种引线框架表面缺陷检测方法，包括以下步骤：

S1、获取待测引线框架的原始图像；

S2、将每一张所述原始图像进行分割成多个阵列单元图像，并提取阵列单元图像及其像素值；

S3、预设像素阈值，当阵列单元图像的像素值大于所述像素阈值时，则对应的原始图像存在缺陷；

S4、提取所有存在缺陷的引线框架的原始图像，并将原始图像切片构建原始图像数据集X＝{x1，x2，…，xi，…，xn}，xi是第i张图像，n是原始图像数据集的图像总数；

S5、构建标签图像数据集S＝{s1，s2，…，si，…，sn}，si表示第i张图像对应的标签图像，n是标签图像数据集的图像总数；同时构建缺陷检测模型，并使用缺陷检测模型对缺陷进行定位；

S6、对定位后的缺陷图像基于标注图像进行深度学习量化模型的训练；

S7、利用深度学习量化模型对缺陷图像进行推断，判断图像类别及量化面积并进行缺陷等级判定。

在一个示例中，一种引线框架表面缺陷检测方法，所述步骤S4包括：

将源图像的长宽像素通过扩边的方式扩大为512的整数倍，再将扩边后的图像按512*512像素大小进行切片，组成原始图像数据集X。

在一个示例中，一种引线框架表面缺陷检测方法，述步骤S5包括：

原始图像数据集的标签用像素值为0或1的二值图来表示，像素值为1的像素点代表缺陷，像素值为0的像素点代表背景。

在一个示例中，一种引线框架表面缺陷检测方法，所述构建缺陷检测模型包括：

采用Unet编解码器框架，添加基于空洞卷积的特征提取层和深度监督网络；

所述缺陷检测模型模型满足对应关系：输入数据集X＝{x1，x2，…，xi，…，xn}，得到对应的预测数据集Y＝{y1，y2，…，yi，…，yn}，其中，yi表示原始图像数据集中第i张图像的检测结果，yi是像素值为0或1的二值图，像素值为1的像素点代表缺陷，像素值为0的像素点代表背景。