Fichas RF, Os fios de ligação, como componentes centrais dos sistemas de comunicação modernos, desempenham um papel crítico na determinação da fiabilidade e estabilidade das ligações dos circuitos. A qualidade do fio de ligação e da esfera de ligação em Fichas RF afecta diretamente o desempenho de todo o sistema. Os métodos tradicionais de inspeção ótica automática têm mostrado limitações na identificação de esferas e fios de ligação em Fichas RF, incluindo uma elevada taxa de falsos positivos e a dependência da reinspecção manual. Para resolver estes problemas, esta investigação propõe uma método melhorado de segmentação de instâncias baseado na máscara R-CNN para Fichas RF que permite a identificação exacta e eficiente de estruturas de ligação.

Desafios na deteção de ligação de chips de RF

Esferas de ligação e fios de ligação em Fichas RF são frequentemente pequenos e têm formas diferentes, o que dificulta a sua deteção exacta através dos métodos tradicionais. Esta caraterística requer um modelo de deteção mais sofisticado que possa lidar com tamanhos e formas variadas, especialmente em ambientes de produção onde a velocidade e a precisão são críticas.

Principais melhorias no modelo R-CNN da máscara para deteção de chips de RF

No presente estudo, o Estrutura da rede R-CNN de máscara foi melhorado de duas formas principais para melhorar o seu desempenho na deteção de esferas de ligação e fios de ligação em Fichas RF:

Otimização do mecanismo de geração da caixa prévia:
As camadas da rede piramidal de caraterísticas (FPN) da máscara R-CNN original P2, P5 e P6 tinha um número excessivo de caixas anteriores. Isto foi optimizado reduzindo o número de caixas anteriores de 260.000 a 190.000, aumentando significativamente a eficiência de inferência do modelo sem sacrificar a exatidão.

Aumento inovador de dados através da deteção de colisões:
Para resolver a questão dos dados de formação limitados, o estudo introduziu um estratégia de aumento de dados com base em deteção de colisões. Esta estratégia transforma aleatoriamente as esferas de ligação e os fios de ligação e coloca-os em RFchip antecedentes. Este método expandiu efetivamente o conjunto de dados de treino, reduzindo os custos de anotação e melhorando a robustez do modelo.

Resultados experimentais e desempenho

O modelo foi treinado com RFchip dados de imagem recolhidos diretamente das linhas de produção, que incluíam uma variedade de formas de esferas e fios de ligação e tipos de fundo. Os resultados mostraram que a máscara melhorada R-CNN modelo alcançou um precisão média média (mAP) de 85,23% e um intersecção média sobre a união (IoU) de 71,27% para RFchip tarefas de segmentação da esfera de ligação e do fio de ligação. O tempo de inferência por RFchip imagem era apenas 1.168 segundos, superando significativamente os métodos tradicionais, tais como UNet e FCN.

Nomeadamente, o modelo foi excelente na segmentação das esferas de ligação do primeiro e segundo pontos de ligação de Fichas RF, com uma precisão média (AP) de mais de 87%. Este facto demonstrou a superioridade do modelo na identificação das intrincadas microestruturas de Fichas RF.

Aplicação no mundo real e trabalho futuro

Atualmente, este método de reconhecimento foi implementado e testado em linhas de produção para Fichas RF. Este método provou ser eficaz e prático em ambientes industriais reais. O método mostra um forte potencial para enfrentar os desafios do mundo real em RFchip fabrico, especialmente no contexto da inspeção a alta velocidade.

O trabalho futuro centrar-se-á na otimização do desempenho da segmentação para fios de ligação maiores em Fichas RF, reforçando ainda mais a aplicabilidade do método em tarefas de deteção complexas no âmbito da RFchip processo de fabrico.