RFchips, como componentes básicos de los sistemas de comunicación modernos, desempeñan un papel fundamental a la hora de determinar la fiabilidad y estabilidad de las conexiones de los circuitos. La calidad del hilo de enlace y de la bola de enlace en RFchips afecta directamente al rendimiento de todo el sistema. Los métodos tradicionales de inspección óptica automática han mostrado limitaciones en la identificación de bolas de enlace y alambres de enlace en... RFchips, como una elevada tasa de falsos positivos y la dependencia de la reinspección manual. Para resolver estos problemas, esta investigación propone un método mejorado de segmentación de instancias basado en Mask R-CNN para RFchips que logra una identificación precisa y eficaz de las estructuras de enlace.

Desafíos en la detección de RFchip Bonding

Bolas de enlace y alambres de enlace en RFchips suelen ser pequeños y de formas diversas, lo que dificulta su detección precisa con los métodos tradicionales. Esta característica requiere un modelo de detección más sofisticado que pueda manejar tamaños y formas variados, especialmente en entornos de producción en los que la velocidad y la precisión son fundamentales.

Mejoras clave en el modelo R-CNN de máscara para la detección de RFchip

En este estudio, el Máscara Estructura de la red R-CNN se ha mejorado en dos aspectos fundamentales para mejorar su rendimiento en la detección de bolas de enlace y alambres de enlace en RFchips:

Optimización del mecanismo de generación de cajas previas:
Las capas originales de la red piramidal de características (FPN) Mask R-CNN P2, P5 y P6 tenía un número excesivo de casillas anteriores. Esto se optimizó reduciendo el número de casillas anteriores de De 260.000 a 190.000, aumentando significativamente la eficacia de la inferencia del modelo sin sacrificar la precisión.

Aumento innovador de datos mediante la detección de colisiones:
Para resolver el problema de la limitación de los datos de formación, el estudio introdujo un estrategia de aumento de datos basado en detección de colisiones. Esta estrategia transforma aleatoriamente las bolas y los alambres de enlace y los coloca en lugares realistas. RFchip fondos. Este método amplió eficazmente el conjunto de datos de entrenamiento, reduciendo los costes de anotación y mejorando la solidez del modelo.

Resultados experimentales y rendimiento

El modelo se entrenó utilizando RFchip datos de imágenes recogidos directamente de las líneas de producción, que incluían una variedad de formas de bolas de enlace y alambre de enlace y tipos de fondo. Los resultados mostraron que la Máscara mejorada R-CNN alcanzó un precisión media (mAP) de 85,23% y un intersección sobre la unión (IoU) media de 71,27% para RFchip tareas de segmentación de bolas de enlace y alambres de enlace. El tiempo de inferencia por RFchip imagen era sólo 1.168 segundos, superando con creces a métodos tradicionales como UNet y FCN.

En particular, el modelo sobresalió en la segmentación de las bolas de enlace del primer y segundo punto de enlace de RFchips, con una precisión media (PA) de más del 87%. Esto demostró la superioridad del modelo a la hora de identificar las intrincadas microestructuras del RFchips.

Aplicaciones reales y trabajos futuros

Actualmente, este método de reconocimiento se ha aplicado y probado en líneas de producción de RFchips. Ha demostrado ser eficaz y práctico en entornos industriales reales. El método muestra un gran potencial para abordar los retos del mundo real en RFchip fabricación, especialmente en el contexto de la inspección de alta velocidad.

El trabajo futuro se centrará en optimizar el rendimiento de la segmentación para alambres de unión más grandes en RFchips, La aplicación del método en tareas de detección complejas dentro de la RFchip proceso de fabricación.