RFチップ, 現代の通信システムの中核部品として、回路接続の信頼性と安定性を決定する重要な役割を担っています。のボンドワイヤーとボンドボールの品質が、回路接続の信頼性と安定性を決定します。 RFチップ は、システム全体の性能に直接影響します。従来の自動光学検査法では、ボンドボールとボンドワイヤの識別に限界がありました。 RFチップ, 高い誤検出率や手作業による再検査への依存などである。これらの問題に対処するために、本研究では 改良されたマスクR-CNNベースのインスタンス分割法 にとって RFチップ 結合構造の正確で効率的な同定を実現する。.

RFチップのボンディング検出における課題

のボンドボールとボンドワイヤー RFチップ は小型で多様な形状を持つことが多く、従来の方法では正確な検出が困難でした。この特性により、特にスピードと精度が重要な生産環境では、多様なサイズと形状に対応できる、より洗練された検出モデルが必要となる。.

RFチップ検出用マスクR-CNNモデルの主な改良点

この研究では マスクR-CNNネットワーク構造 のボンドボールとボンドワイヤーを検出する性能を向上させるために、2つの重要な点を強化した。 RFチップ:

先行ボックス生成メカニズムの最適化：
オリジナルのマスクR-CNN特徴ピラミッドネットワーク（FPN）層 P2、P5、P6 は先行ボックスの数が多すぎた。これを最適化するために、先行ボックスの数を 260,000ドル→190,000ドル, 精度を犠牲にすることなく、モデルの推論効率を大幅に向上させる。.

衝突検出による革新的なデータ補強：
限られたトレーニングデータという問題に対処するため、本研究では、以下の方法を導入した。 データ増強戦略 に基づいている。 衝突検出. .この戦略では、ボンドボールとボンドワイヤーをランダムに変形させ、それらを現実的な場所に配置します。 RFチップ 背景この方法は、トレーニングデータセットを効果的に拡大し、アノテーションコストを削減し、モデルの頑健性を向上させた。.

実験結果とパフォーマンス

モデルのトレーニングには RFチップ 生産ラインから直接収集した画像データには、さまざまなボンドボールやボンドワイヤーの形状、背景の種類が含まれていた。その結果 改良型マスクR-CNN モデルが達成した。 平均平均精度（mAP）85.23% そして 平均IoU71.27% にとって RFチップ ボンドボールとボンドワイヤーのセグメンテーションタスク。推論時間 RFチップ イメージは 1.168秒, などの伝統的な方法を大幅に上回る。 ユネット そして エフシーエヌ.

特筆すべきは、このモデルは第1および第2結合点のボンドボールのセグメンテーションに優れていたことである。 RFチップ, を超える平均精度（AP）を持つ。 87%. .の複雑な微細構造を特定する上で、このモデルが優れていることが実証された。 RFチップ.

実世界での応用と今後の課題

現在、この認識方法は、次のような生産ラインで実装され、テストされている。 RFチップ. .この方法は、実際の産業環境において効果的かつ実用的であることが証明されている。この方法は、以下のような現実世界の課題に取り組む上で、強い可能性を示している。 RFチップ 製造業、特に高速検査において。.

将来的には、より太いボンドワイヤーでのセグメンテーション性能の最適化に重点を置く。 RFチップ, の複雑な検出タスクへの適用性をさらに高めている。 RFチップ 製造工程。.