RFchips, как основные компоненты современных систем связи, играют решающую роль в обеспечении надежности и стабильности соединений в цепях. Качество соединительных проводов и шариковых выводов в RFchips напрямую влияет на производительность всей системы. Традиционные методы автоматического оптического контроля продемонстрировали ограничения в идентификации шариков и проволочных соединений в RFchips, включая высокий уровень ложноположительных результатов и необходимость повторной ручной проверки. Для решения этих проблем в данном исследовании предлагается улучшенный метод сегментации экземпляров на основе Mask R-CNN для RFchips что обеспечивает точную и эффективную идентификацию структур связей.

Проблемы обнаружения соединения радиочастотных чипов

Шарики и провода для соединения в RFchips Часто они имеют небольшие размеры и разнообразную форму, что затрудняет их точное обнаружение традиционными методами. Эта особенность требует более сложной модели обнаружения, способной обрабатывать объекты различных размеров и форм, особенно в производственных условиях, где скорость и точность имеют решающее значение.

Ключевые улучшения в модели Mask R-CNN для обнаружения радиочастотных чипов

В этом исследовании Структура сети Mask R-CNN был усовершенствован в двух ключевых направлениях для улучшения его производительности при обнаружении шариков и проволочных соединений в RFchips:

Оптимизация механизма генерации априорных боксов:
Оригинальная структура Mask R-CNN включает слои пирамидальной сети (FPN) P2, P5 и P6 Было избыточное количество предыдущих блоков. Это было оптимизировано путем уменьшения количества предыдущих блоков. 260 000–190 000, что значительно повышает эффективность вывода модели без ущерба для точности.

Инновационное дополнение данных посредством обнаружения столкновений:
Чтобы решить проблему ограниченности данных для обучения, в исследовании был введен стратегия дополнения данных основанный на обнаружение столкновенийЭта стратегия случайным образом преобразует шарики и проволочные соединения, а затем помещает их в реалистичные RFchip фоны. Этот метод эффективно расширил набор данных для обучения, сократив затраты на аннотирование и повысив надежность модели.

Экспериментальные результаты и производительность

Модель была обучена с использованием RFchip Данные изображений, собранные непосредственно с производственных линий, включали различные формы шариков и проволок, а также типы фона. Результаты показали, что улучшенная маска R-CNN модель достигла средняя точность (mAP) 85,23% и среднее пересечение по объединению (IoU) 71,27% для RFchip Задачи сегментации соединительных шариков и соединительных проводов. Время вывода на RFchip изображение было только 1,168 секунды, значительно превосходя традиционные методы, такие как UNet и ФЦН.

Примечательно, что модель преуспела в сегментации первой и второй точек связи шаров связи RFchips, со средней точностью (AP) более 87%Это продемонстрировало превосходство модели в идентификации сложных микроструктур RFchips.

Реальное применение и будущая работа

В настоящее время этот метод распознавания внедрен и протестирован на производственных линиях для RFchips. Он доказал свою эффективность и практичность в реальных промышленных условиях. Этот метод демонстрирует большой потенциал для решения реальных задач в RFchip производство, особенно в контексте высокоскоростного контроля.

Дальнейшая работа будет сосредоточена на оптимизации производительности сегментации для более крупных соединительных проводов в RFchips, что еще больше расширяет возможности применения метода в сложных задачах обнаружения в RFchip производственный процесс.