RFchip, sebagai komponen inti dari sistem komunikasi modern, memainkan peran penting dalam menentukan keandalan dan stabilitas koneksi sirkuit. Kualitas kawat ikatan dan bola ikatan dalam RFchip secara langsung memengaruhi kinerja seluruh sistem. Metode pemeriksaan optik otomatis tradisional telah menunjukkan keterbatasan dalam identifikasi bola ikatan dan kabel ikatan di RFchip, termasuk tingkat positif palsu yang tinggi dan ketergantungan pada pemeriksaan ulang secara manual. Untuk mengatasi masalah ini, penelitian ini mengusulkan sebuah metode segmentasi contoh berbasis Mask R-CNN yang ditingkatkan untuk RFchip yang mencapai identifikasi struktur ikatan yang akurat dan efisien.

Tantangan dalam Deteksi Ikatan RFchip

Bola pengikat dan kabel pengikat masuk RFchip sering kali berukuran kecil dan bentuknya beragam, sehingga sulit untuk mendeteksinya secara akurat dengan menggunakan metode tradisional. Karakteristik ini membutuhkan model deteksi yang lebih canggih yang dapat menangani berbagai ukuran dan bentuk, terutama di lingkungan produksi di mana kecepatan dan akurasi sangat penting.

Peningkatan Utama dalam Model Mask R-CNN untuk Deteksi RFchip

Dalam penelitian ini, metode Struktur jaringan Topeng R-CNN ditingkatkan dalam dua cara utama untuk meningkatkan kinerjanya dalam mendeteksi bola ikatan dan kabel ikatan di RFchip:

Optimalisasi Mekanisme Pembangkitan Kotak Sebelumnya:
Lapisan jaringan piramida (FPN) fitur Mask R-CNN yang asli P2, P5, dan P6 memiliki jumlah kotak sebelumnya yang berlebihan. Hal ini dioptimalkan dengan mengurangi jumlah kotak sebelumnya dari 260.000 hingga 190.000, secara signifikan meningkatkan efisiensi inferensi model tanpa mengorbankan akurasi.

Augmentasi Data Inovatif melalui Deteksi Tabrakan:
Untuk mengatasi masalah keterbatasan data pelatihan, penelitian ini memperkenalkan strategi penambahan data berdasarkan deteksi tabrakan. Strategi ini secara acak mengubah bola ikatan dan kabel ikatan dan kemudian menempatkannya menjadi realistis RFchip latar belakang. Metode ini secara efektif memperluas dataset pelatihan, mengurangi biaya anotasi dan meningkatkan ketangguhan model.

Hasil Eksperimental dan Kinerja

Model tersebut dilatih menggunakan RFchip data gambar yang dikumpulkan langsung dari lini produksi, yang mencakup berbagai bentuk bola ikatan dan kawat ikatan serta jenis latar belakang. Hasil penelitian menunjukkan bahwa Masker R-CNN yang ditingkatkan model mencapai presisi rata-rata rata-rata (mAP) sebesar 85,23% dan rata-rata persimpangan-atas-persimpangan (IoU) sebesar 71,27% untuk RFchip tugas segmentasi bola ikatan dan kawat ikatan. Waktu inferensi per RFchip gambar itu hanya 1,168 detik, secara signifikan mengungguli metode tradisional seperti UNet dan FCN.

Khususnya, model ini unggul dalam mensegmentasi bola ikatan titik ikatan pertama dan kedua dari RFchip, dengan presisi rata-rata (AP) lebih dari 87%. Hal ini menunjukkan keunggulan model dalam mengidentifikasi struktur mikro yang rumit dari RFchip.

Aplikasi Dunia Nyata dan Pekerjaan di Masa Depan

Saat ini, metode pengenalan ini telah diimplementasikan dan diuji pada lini produksi untuk RFchip. Metode ini telah terbukti efektif dan praktis di lingkungan industri yang sesungguhnya. Metode ini menunjukkan potensi yang kuat dalam mengatasi tantangan dunia nyata dalam RFchip manufaktur, terutama dalam konteks pemeriksaan kecepatan tinggi.

Pekerjaan di masa depan akan fokus pada optimalisasi kinerja segmentasi untuk kabel ikatan yang lebih besar di RFchip, lebih lanjut meningkatkan penerapan metode ini dalam tugas-tugas deteksi yang kompleks dalam RFchip proses manufaktur.