基于改进YOLOv5的轻量级芯片封装缺陷检测方法

目的 针对芯片封装缺陷检测过程中检测精度低与模型难部署的问题,提出YOLOv5-SPM检测网络,旨在提高检测精度并实现模型轻量化。方法 首先,通过在特征提取模块后增加通道注意力机制,提高缺陷通道的关注度,减少冗余特征的干扰,进而提升目标的检测精度。其次,在主干网络与颈部网络连接处使用快速特征金字塔结构,更好地融合了自建芯片数据集的多尺度特征信息。最后,将主干网络的特征提取模块更换为MobileNetV3,将常规卷积更换为深度卷积和点卷积,有效降低了模型尺寸和计算量。结果 经过改进后的新网络YOLOv5s-SPM在模型参数下降29.5%的情况下,平均精度较原网络提高了0.6%,准确率提高了3.2%。结论 新网络相较于传统网络在芯片缺陷检测任务中实现了模型精度与速度的统一提高,同时由于模型参数减小了29.5%,更适合部署在资源有限的工业嵌入式设备上。

LED芯片封装缺陷检测方法研究

引脚式LED芯片封装工艺中封装缺陷不可避免。基于p-n结的光生伏特效应和电子隧穿效应,分析了一种封装缺陷对LED支架回路光电流的影响。利用电磁感应定律对LED支架回路光电流进行非接触检测,得到LED芯片功能状态及芯片电极与引线支架间的电气连接情况,并对检测精度的影响因素进行分析。实验表明,该方法具有高检测信噪比,能够实现对封装过程LED芯片功能状态及封装缺陷的检测。计算结果与实验结果较好吻合。

LED芯片封装缺陷检测方法研究

引脚式LED芯片封装工艺中封装缺陷不可避免，基于p-n结的光生伏特效应和电子隧穿效应，分析了一种封装缺陷对LED支架回路光电流的影响。利用电磁感受定律对LED支架回路光电流进行非接触检测，得到LED芯片功能状态及芯片电极与引线支架间的电气连接情况，并对检测精度的影响因素进行分析。实验表明，该方法具有高检测信噪比，能够实现对封装过程LED芯片功能状态及封装缺陷的检测。计算结果与实验结果较好吻合。

基于移动GPU的芯片封装缺陷检测技术

为确保芯片料带生产品质符合要求,生产厂商需要进行芯片封装缺陷检测。随着生产效率的不断提升,生产场景中亟需一种对原有生产线改造成本低且高效的多路生产线检测方法。因此对基于移动GPU平台的缺陷检测技术进行研究,利用GPU中大量并行线程,以图像粒度的并行方式执行检测计算以提高多路生产线检测效率。每个线程利用图像处理方法进行特征分析,对图像中不同区域进行相应的缺陷检测。实验结果表明,在50条生产线,每张采集图像包含10个待测区域的检测场景下,相比CPU检测方法获得15.02倍的加速比。