{"id":1373,"date":"2025-10-10T01:22:15","date_gmt":"2025-10-10T01:22:15","guid":{"rendered":"https:\/\/www.wallisemi.com\/?p=1373"},"modified":"2025-10-13T01:23:27","modified_gmt":"2025-10-13T01:23:27","slug":"metodo-mejorado-basado-en-la-mascara-r-cnn-para-la-identificacion-inteligente-de-bolas-de-enlace-y-cables-de-enlace-en-rfchips","status":"publish","type":"post","link":"https:\/\/www.wallisemi.com\/es\/blog\/industry-insights\/improved-mask-r-cnn-based-method-for-intelligent-identification-of-bond-balls-and-bond-wires-in-rfchips\/","title":{"rendered":"M\u00e9todo mejorado basado en R-CNN de m\u00e1scara para la identificaci\u00f3n inteligente de bolas y cables de enlace en chips RF"},"content":{"rendered":"

RFchips<\/strong>, como componentes b\u00e1sicos de los sistemas de comunicaci\u00f3n modernos, desempe\u00f1an 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<\/strong> afecta directamente al rendimiento de todo el sistema. Los m\u00e9todos tradicionales de inspecci\u00f3n \u00f3ptica autom\u00e1tica han mostrado limitaciones en la identificaci\u00f3n de bolas de enlace y alambres de enlace en... RFchips<\/strong>, como una elevada tasa de falsos positivos y la dependencia de la reinspecci\u00f3n manual. Para resolver estos problemas, esta investigaci\u00f3n propone un m\u00e9todo mejorado de segmentaci\u00f3n de instancias basado en Mask R-CNN<\/strong> para RFchips<\/strong> que logra una identificaci\u00f3n precisa y eficaz de las estructuras de enlace.<\/p>\n\n\n\n

Desaf\u00edos en la detecci\u00f3n de RFchip Bonding<\/strong><\/strong><\/h5>\n\n\n\n

Bolas de enlace y alambres de enlace en RFchips<\/strong> suelen ser peque\u00f1os y de formas diversas, lo que dificulta su detecci\u00f3n precisa con los m\u00e9todos tradicionales. Esta caracter\u00edstica requiere un modelo de detecci\u00f3n m\u00e1s sofisticado que pueda manejar tama\u00f1os y formas variados, especialmente en entornos de producci\u00f3n en los que la velocidad y la precisi\u00f3n son fundamentales.<\/p>\n\n\n\n

Mejoras clave en el modelo R-CNN de m\u00e1scara para la detecci\u00f3n de RFchip<\/strong><\/strong><\/h5>\n\n\n\n

En este estudio, el M\u00e1scara Estructura de la red R-CNN<\/strong> se ha mejorado en dos aspectos fundamentales para mejorar su rendimiento en la detecci\u00f3n de bolas de enlace y alambres de enlace en RFchips<\/strong>:<\/p>\n\n\n\n

Optimizaci\u00f3n del mecanismo de generaci\u00f3n de cajas previas:<\/strong>
Las capas originales de la red piramidal de caracter\u00edsticas (FPN) Mask R-CNN P2, P5 y P6<\/strong> ten\u00eda un n\u00famero excesivo de casillas anteriores. Esto se optimiz\u00f3 reduciendo el n\u00famero de casillas anteriores de De 260.000 a 190.000<\/strong>, aumentando significativamente la eficacia de la inferencia del modelo sin sacrificar la precisi\u00f3n.<\/p>\n\n\n\n

Aumento innovador de datos mediante la detecci\u00f3n de colisiones:<\/strong>
Para resolver el problema de la limitaci\u00f3n de los datos de formaci\u00f3n, el estudio introdujo un estrategia de aumento de datos<\/strong> basado en detecci\u00f3n de colisiones<\/strong>. Esta estrategia transforma aleatoriamente las bolas y los alambres de enlace y los coloca en lugares realistas. RFchip<\/strong> fondos. Este m\u00e9todo ampli\u00f3 eficazmente el conjunto de datos de entrenamiento, reduciendo los costes de anotaci\u00f3n y mejorando la solidez del modelo.<\/p>\n\n\n\n

Resultados experimentales y rendimiento<\/strong><\/strong><\/h5>\n\n\n\n

El modelo se entren\u00f3 utilizando RFchip<\/strong> datos de im\u00e1genes recogidos directamente de las l\u00edneas de producci\u00f3n, que inclu\u00edan una variedad de formas de bolas de enlace y alambre de enlace y tipos de fondo. Los resultados mostraron que la M\u00e1scara mejorada R-CNN<\/strong> alcanz\u00f3 un precisi\u00f3n media (mAP) de 85,23%<\/strong> y un intersecci\u00f3n sobre la uni\u00f3n (IoU) media de 71,27%<\/strong> para RFchip<\/strong> tareas de segmentaci\u00f3n de bolas de enlace y alambres de enlace. El tiempo de inferencia por RFchip<\/strong> imagen era s\u00f3lo 1.168 segundos<\/strong>, superando con creces a m\u00e9todos tradicionales como UNet<\/strong> y FCN<\/strong>.<\/p>\n\n\n\n

En particular, el modelo sobresali\u00f3 en la segmentaci\u00f3n de las bolas de enlace del primer y segundo punto de enlace de RFchips<\/strong>, con una precisi\u00f3n media (PA) de m\u00e1s del 87%<\/strong>. Esto demostr\u00f3 la superioridad del modelo a la hora de identificar las intrincadas microestructuras del RFchips<\/strong>.<\/p>\n\n\n\n

Aplicaciones reales y trabajos futuros<\/strong><\/strong><\/h5>\n\n\n\n

Actualmente, este m\u00e9todo de reconocimiento se ha aplicado y probado en l\u00edneas de producci\u00f3n de RFchips<\/strong>. Ha demostrado ser eficaz y pr\u00e1ctico en entornos industriales reales. El m\u00e9todo muestra un gran potencial para abordar los retos del mundo real en RFchip<\/strong> fabricaci\u00f3n, especialmente en el contexto de la inspecci\u00f3n de alta velocidad.<\/p>\n\n\n\n

El trabajo futuro se centrar\u00e1 en optimizar el rendimiento de la segmentaci\u00f3n para alambres de uni\u00f3n m\u00e1s grandes en RFchips<\/strong>, La aplicaci\u00f3n del m\u00e9todo en tareas de detecci\u00f3n complejas dentro de la RFchip<\/strong> proceso de fabricaci\u00f3n.<\/p>","protected":false},"excerpt":{"rendered":"

RFchips, as core components of modern communication systems, play a critical role in determining the reliability and stability of circuit connections. The quality of the bond wire and bond ball in RFchips directly affects the performance of the entire system. Traditional automatic optical inspection methods have shown limitations in the identification of bond balls and bond […]<\/p>\n","protected":false},"author":1,"featured_media":1360,"comment_status":"closed","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_acf_changed":false,"footnotes":""},"categories":[30,31],"tags":[36],"class_list":["post-1373","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-industry-insights","category-blog","tag-yvette-wu"],"acf":[],"_links":{"self":[{"href":"https:\/\/www.wallisemi.com\/es\/wp-json\/wp\/v2\/posts\/1373","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.wallisemi.com\/es\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.wallisemi.com\/es\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.wallisemi.com\/es\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/www.wallisemi.com\/es\/wp-json\/wp\/v2\/comments?post=1373"}],"version-history":[{"count":1,"href":"https:\/\/www.wallisemi.com\/es\/wp-json\/wp\/v2\/posts\/1373\/revisions"}],"predecessor-version":[{"id":1374,"href":"https:\/\/www.wallisemi.com\/es\/wp-json\/wp\/v2\/posts\/1373\/revisions\/1374"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.wallisemi.com\/es\/wp-json\/wp\/v2\/media\/1360"}],"wp:attachment":[{"href":"https:\/\/www.wallisemi.com\/es\/wp-json\/wp\/v2\/media?parent=1373"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.wallisemi.com\/es\/wp-json\/wp\/v2\/categories?post=1373"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.wallisemi.com\/es\/wp-json\/wp\/v2\/tags?post=1373"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}