RFchips, với tư cách là các thành phần cốt lõi của các hệ thống truyền thông hiện đại, đóng vai trò quan trọng trong việc quyết định độ tin cậy và tính ổn định của các kết nối mạch. Chất lượng của dây hàn và quả cầu hàn trong RFchips ảnh hưởng trực tiếp đến hiệu suất của toàn bộ hệ thống. Các phương pháp kiểm tra quang học tự động truyền thống đã bộc lộ những hạn chế trong việc nhận diện các điểm hàn và dây hàn trong RFchips, bao gồm tỷ lệ dương tính giả cao và việc phải dựa vào việc kiểm tra lại thủ công. Để giải quyết những vấn đề này, nghiên cứu này đề xuất một phương pháp phân đoạn đối tượng cải tiến dựa trên Mask R-CNN cho RFchips giúp xác định chính xác và hiệu quả các cấu trúc liên kết.

Những thách thức trong việc phát hiện lỗi hàn chip RF

Các quả cầu hàn và dây hàn trong RFchips thường có kích thước nhỏ và hình dạng đa dạng, khiến việc phát hiện chúng một cách chính xác bằng các phương pháp truyền thống trở nên khó khăn. Đặc điểm này đòi hỏi một mô hình phát hiện tinh vi hơn, có khả năng xử lý các kích thước và hình dạng khác nhau, đặc biệt là trong môi trường sản xuất, nơi tốc độ và độ chính xác là yếu tố then chốt.

Những cải tiến chính trong mô hình Mask R-CNN để phát hiện RFchip

Trong nghiên cứu này, Cấu trúc mạng Mask R-CNN đã được cải tiến theo hai hướng chính nhằm nâng cao hiệu suất trong việc phát hiện các quả cầu hàn và dây hàn trong RFchips:

Tối ưu hóa cơ chế tạo hộp tiên nghiệm:
Các lớp mạng tháp đặc trưng (FPN) ban đầu của Mask R-CNN P2, P5 và P6 đã có quá nhiều ô tiền đề. Vấn đề này đã được tối ưu hóa bằng cách giảm số lượng ô tiền đề từ 260.000 đến 190.000, giúp tăng đáng kể hiệu quả suy luận của mô hình mà không làm giảm độ chính xác.

Phương pháp mở rộng dữ liệu sáng tạo thông qua phát hiện va chạm:
Để giải quyết vấn đề dữ liệu huấn luyện hạn chế, nghiên cứu đã đưa ra một chiến lược mở rộng dữ liệu dựa trên phát hiện va chạm. Chiến lược này biến đổi ngẫu nhiên các quả cầu liên kết và dây liên kết, sau đó sắp xếp chúng thành các cấu trúc trông như thật RFchip phông nền. Phương pháp này đã mở rộng hiệu quả tập dữ liệu huấn luyện, giúp giảm chi phí chú thích và nâng cao độ ổn định của mô hình.

Kết quả thí nghiệm và hiệu suất

Mô hình đã được huấn luyện bằng cách sử dụng RFchip dữ liệu hình ảnh được thu thập trực tiếp từ các dây chuyền sản xuất, bao gồm nhiều loại hình dạng khác nhau của các quả cầu hàn và dây hàn, cũng như các loại nền khác nhau. Kết quả cho thấy rằng Mask R-CNN cải tiến mô hình đã đạt được độ chính xác trung bình (mAP) là 85,23% và một Giá trị trung bình của chỉ số IoU (Intersection-over-Union) là 71,271 TP3T cho RFchip các tác vụ phân đoạn quả cầu và dây liên kết. Thời gian suy luận cho mỗi RFchip hình ảnh chỉ là 1,168 giây, vượt trội hơn hẳn so với các phương pháp truyền thống như UNet và FCN.

Đáng chú ý, mô hình này đã thể hiện hiệu quả vượt trội trong việc phân đoạn các quả cầu liên kết tại điểm liên kết thứ nhất và thứ hai của RFchips, với độ chính xác trung bình (AP) trên 87%. Điều này đã chứng minh sự vượt trội của mô hình trong việc xác định các cấu trúc vi mô phức tạp của RFchips.

Ứng dụng trong thực tế và định hướng nghiên cứu trong tương lai

Hiện tại, phương pháp nhận dạng này đã được triển khai và thử nghiệm trên các dây chuyền sản xuất cho RFchips. Phương pháp này đã chứng tỏ tính hiệu quả và tính thực tiễn trong các môi trường công nghiệp thực tế. Phương pháp này cho thấy tiềm năng lớn trong việc giải quyết các thách thức thực tế trong RFchip sản xuất, đặc biệt là trong bối cảnh kiểm tra tốc độ cao.

Các nghiên cứu tiếp theo sẽ tập trung vào việc tối ưu hóa hiệu suất phân đoạn đối với các dây nối lớn hơn trong RFchips, từ đó nâng cao hơn nữa khả năng ứng dụng của phương pháp này trong các tác vụ phát hiện phức tạp trong RFchip quy trình sản xuất.