RFchips, 는 최신 통신 시스템의 핵심 구성 요소로서 회로 연결의 신뢰성과 안정성을 결정하는 데 중요한 역할을 합니다. 본드 와이어 및 본드 볼의 품질은 RFchips 전체 시스템의 성능에 직접적인 영향을 미칩니다. 기존의 자동 광학 검사 방법은 다음과 같은 경우 본드 볼과 본드 와이어를 식별하는 데 한계가 있었습니다. RFchips, 높은 오탐률과 수동 재검사에 대한 의존도 등 여러 가지 문제가 있습니다. 이러한 문제를 해결하기 위해 이 연구에서는 다음과 같이 제안합니다. 마스크 R-CNN 기반 인스턴스 세분화 방법 개선 에 대한 RFchips 결합 구조를 정확하고 효율적으로 식별할 수 있습니다.

RFchip 본딩 감지의 과제

본드 볼 및 본드 와이어 RFchips 는 크기가 작고 형태가 다양한 경우가 많기 때문에 기존 방법으로는 정확하게 탐지하기가 어렵습니다. 이러한 특성 때문에 특히 속도와 정확성이 중요한 프로덕션 환경에서는 다양한 크기와 형태를 처리할 수 있는 보다 정교한 탐지 모델이 필요합니다.

RF칩 감지를 위한 마스크 R-CNN 모델의 주요 개선 사항

이 연구에서는 마스크 R-CNN 네트워크 구조 에서 본드 볼과 본드 와이어를 감지하는 성능을 향상시키기 위해 두 가지 주요 방식으로 개선되었습니다. RFchips:

이전 박스 생성 메커니즘 최적화:
오리지널 마스크 R-CNN은 피라미드 네트워크(FPN) 레이어가 특징입니다. P2, P5, P6 의 이전 상자 수가 과도하게 많았습니다. 이전 상자 수를 다음과 같이 줄임으로써 최적화되었습니다. 260,000에서 190,000, 를 사용하여 정확도 저하 없이 모델의 추론 효율을 크게 높였습니다.

충돌 감지를 통한 혁신적인 데이터 증강:
제한된 훈련 데이터 문제를 해결하기 위해 이 연구에서는 데이터 증강 전략 기준 충돌 감지. 이 전략은 본드 볼과 본드 와이어를 무작위로 변환한 다음 실제와 같은 본드 볼과 본드 와이어에 배치합니다. RFchip 배경을 사용했습니다. 이 방법은 학습 데이터 세트를 효과적으로 확장하여 주석 비용을 절감하고 모델의 견고성을 향상시켰습니다.

실험 결과 및 성능

이 모델은 다음을 사용하여 학습되었습니다. RFchip 생산 라인에서 직접 수집한 이미지 데이터에는 다양한 본드 볼 및 본드 와이어 모양과 배경 유형이 포함되어 있습니다. 그 결과 개선된 마스크 R-CNN 모델은 평균 평균 정밀도(mAP) 85.23% 및 71.27%의 평균 IoU(교차점 간 결합) 에 대한 RFchip 본드 볼 및 본드 와이어 세분화 작업. 작업당 추론 시간 RFchip 이미지만 1.168초, 와 같은 기존 방법보다 훨씬 뛰어난 성능을 발휘합니다. UNet 그리고 FCN.

특히, 이 모델은 다음과 같은 첫 번째 및 두 번째 본드 포인트 본드 볼을 세분화하는 데 탁월했습니다. RFchips, 평균 정밀도(AP) 이상의 87%. 이는 다음과 같은 복잡한 미세 구조를 식별하는 데 있어 이 모델의 우수성을 입증했습니다. RFchips.

실제 적용 및 향후 작업

현재 이 인식 방법은 다음과 같은 생산 라인에서 구현 및 테스트되었습니다. RFchips. 이 방법은 실제 산업 환경에서 효과적이고 실용적인 것으로 입증되었습니다. 이 방법은 다음과 같은 실제 문제를 해결하는 데 강력한 잠재력을 보여줍니다. RFchip 제조, 특히 고속 검사의 맥락에서 말이죠.

향후 작업은 다음과 같은 대형 본드 와이어의 세분화 성능을 최적화하는 데 중점을 둘 예정입니다. RFchips, 의 복잡한 탐지 작업에서 이 방법의 적용 가능성을 더욱 향상시켰습니다. RFchip 제조 공정.