ชิป RF, ในฐานะองค์ประกอบหลักของระบบสื่อสารสมัยใหม่ มีบทบาทสำคัญในการกำหนดความน่าเชื่อถือและความเสถียรของการเชื่อมต่อวงจร. คุณภาพของสายบอนด์และบอลบอนด์ใน ชิป RF ส่งผลโดยตรงต่อประสิทธิภาพของระบบทั้งหมด วิธีการตรวจสอบด้วยแสงอัตโนมัติแบบดั้งเดิมได้แสดงให้เห็นถึงข้อจำกัดในการระบุลูกบอลเชื่อมและสายเชื่อมใน ชิป RF, รวมถึงอัตราการตรวจพบผิดพลาดสูงและการพึ่งพาการตรวจสอบซ้ำด้วยมือ เพื่อแก้ไขปัญหาเหล่านี้ งานวิจัยนี้เสนอ วิธีการแบ่งส่วนอินสแตนซ์ที่ปรับปรุงแล้วโดยใช้ Mask R-CNN สำหรับ ชิป RF ที่สามารถระบุโครงสร้างการยึดติดได้อย่างถูกต้องและมีประสิทธิภาพ.

ความท้าทายในการตรวจจับการเชื่อมต่อ RFchip

ลูกบอลพันธะและสายพันธะใน ชิป RF มักมีขนาดเล็กและหลากหลายรูปทรง ทำให้ยากต่อการตรวจจับอย่างแม่นยำด้วยวิธีการแบบดั้งเดิม ลักษณะนี้จึงต้องการแบบจำลองการตรวจจับที่มีความซับซ้อนมากขึ้น ซึ่งสามารถจัดการกับขนาดและรูปทรงที่หลากหลายได้ โดยเฉพาะในสภาพแวดล้อมการผลิตที่ต้องการทั้งความเร็วและความแม่นยำสูง.

การปรับปรุงที่สำคัญในแบบจำลอง Mask R-CNN สำหรับการตรวจจับ RFchip

ในการศึกษานี้, โครงสร้างเครือข่าย Mask R-CNN ได้รับการปรับปรุงในสองวิธีหลักเพื่อเพิ่มประสิทธิภาพในการตรวจจับลูกบอลบอนด์และสายบอนด์ใน ชิป RF:

การเพิ่มประสิทธิภาพกลไกการสร้างกล่องก่อนหน้า
ชั้นของเครือข่ายพีระมิดคุณลักษณะดั้งเดิม Mask R-CNN (FPN) P2, P5 และ P6 มีจำนวนกล่องก่อนหน้าเกินความจำเป็น ซึ่งได้รับการปรับปรุงโดยการลดจำนวนกล่องก่อนหน้าจาก 260,000 ถึง 190,000, เพิ่มประสิทธิภาพการอนุมานของโมเดลอย่างมีนัยสำคัญโดยไม่ลดทอนความแม่นยำ.

การเพิ่มข้อมูลเชิงนวัตกรรมผ่านการตรวจจับการชน
เพื่อแก้ไขปัญหาข้อมูลการฝึกอบรมที่จำกัด การศึกษานี้ได้แนะนำ กลยุทธ์การเพิ่มปริมาณข้อมูล บนพื้นฐานของ การตรวจจับการชน. กลยุทธ์นี้จะทำการเปลี่ยนแปลงลูกบอลพันธะและสายพันธะแบบสุ่ม จากนั้นจึงวางพวกมันลงในตำแหน่งที่สมจริง อาร์เอฟชิป พื้นหลัง. วิธีนี้ช่วยขยายชุดข้อมูลการฝึกอบรมได้อย่างมีประสิทธิภาพ ลดค่าใช้จ่ายในการทำเครื่องหมาย และเพิ่มความแข็งแกร่งของแบบจำลอง.

ผลการทดลองและประสิทธิภาพ

แบบจำลองได้รับการฝึกฝนโดยใช้ อาร์เอฟชิป ข้อมูลภาพที่รวบรวมโดยตรงจากสายการผลิต ซึ่งรวมถึงรูปร่างของบอลบอนด์และสายบอนด์หลากหลายรูปแบบ รวมถึงประเภทของพื้นหลัง ผลลัพธ์แสดงให้เห็นว่า ปรับปรุง Mask R-CNN แบบจำลองบรรลุ ค่าเฉลี่ยความแม่นยำโดยเฉลี่ย (mAP) เท่ากับ 85.23% และ ค่าเฉลี่ยของค่าเฉลี่ยการตัดกันบนการรวมกัน (IoU) เท่ากับ 71.27% สำหรับ อาร์เอฟชิป การแบ่งส่วนลูกบอลบอนด์และสายบอนด์ เวลาในการอนุมานต่อ อาร์เอฟชิป ภาพมีเพียง 1.168 วินาที, มีประสิทธิภาพเหนือกว่าวิธีการแบบดั้งเดิมอย่างมาก เช่น ยูเน็ต และ เอฟซีเอ็น.

ที่น่าสังเกตคือ โมเดลนี้มีความโดดเด่นในการแบ่งส่วนลูกบอลจุดเชื่อมที่หนึ่งและสองของ ชิป RF, โดยมีค่าความแม่นยำเฉลี่ย (AP) มากกว่า 87%. สิ่งนี้แสดงให้เห็นถึงความเหนือกว่าของโมเดลในการระบุโครงสร้างจุลภาคที่ซับซ้อนของ ชิป RF.

การประยุกต์ใช้ในโลกจริงและการทำงานในอนาคต

ปัจจุบัน วิธีการรับรู้ดังกล่าวได้ถูกนำไปใช้และทดสอบในสายการผลิตสำหรับ ชิป RF. ได้พิสูจน์แล้วว่ามีประสิทธิภาพและใช้งานได้จริงในสภาพแวดล้อมอุตสาหกรรมจริง วิธีการนี้แสดงให้เห็นถึงศักยภาพที่แข็งแกร่งในการแก้ไขปัญหาในโลกแห่งความเป็นจริงใน อาร์เอฟชิป การผลิต โดยเฉพาะในบริบทของการตรวจสอบความเร็วสูง.

งานในอนาคตจะมุ่งเน้นไปที่การเพิ่มประสิทธิภาพการแบ่งส่วนสำหรับสายบอนด์ขนาดใหญ่ขึ้นใน ชิป RF, ซึ่งช่วยเพิ่มความสามารถในการประยุกต์ใช้วิธีนี้ในงานตรวจจับที่ซับซ้อนภายใน อาร์เอฟชิป กระบวนการผลิต.