芯片产业是世界上技术最先进的行业之一。芯片封装是芯片制造过程的关键,通常使用金属焊料将保护壳焊接在基座上以保护内部芯片。由于芯片尺寸小、精度高,焊接时难以保证焊料填满焊接面,导致焊缝气泡的产生,造成保护壳失效。因此开展芯片焊缝气泡缺陷检测的研究意义重大。X-ray成像相较于可见光成像能够迅速获得芯片内部信息,更适用于芯片内部缺陷的检测。但其生成图像是多层芯片结构的叠加图像,具有对比度低、背景干扰大、缺陷特征不明显等特点,基于传统图像处理的缺陷检测方法难以实现对缺陷的精确提取,且泛化性较差。U-Net语义分割网络是近几年较受欢迎的图像语义分割模型,可以学习目标样本的形状、颜色、纹理和位置等信息,然后在待测图像中精确分割出目标区域。本文主要研究了基于U-Net网络的芯片X-ray图像焊缝气泡缺陷检测算法,并针对U-Net语义分割网络特征提取不足、分割边缘不清晰等问题进行了改进。在此基础上搭建了自动化的芯片X-ray图像缺陷检测系统,主要研究工作如下:（1）结合X-ray系统的成像原理,分析了利用X-ray检测获得的芯片图像的特征,根据图像特征具体分析了识别芯片焊缝气泡缺陷的难点。提出了利用直方图均衡化对原始数据进行特征增强,然后对增强后的数据进行人工标注,制作语义分割数据集,通过利用语义分割网络对图像中的气泡缺陷进行检测的方法,形成一套X-ray芯片缺陷检测系统。（2）提出了一种基于改进U-Net语义分割网络的芯片X-ray图像缺陷检测算法。将UNet语义分割网络模型引入芯片焊缝缺陷检测,利用Mobile-Net作为U-Net模型的特征提取网络,提高网络获取缺陷形状和位置信息的能力,减少模型需要训练的参数量,仅需较少的样本就能完成网络全部参数的训练。同时在Mobile-Net的低维特征提取部分引入空间注意力机制,有效提升网络对图像低维特征的提取能力;在Mobile-Net的高维特征提取部分引入空间金字塔池化模块,将网络的全局信息和局部信息融合。最后利用该模型处理芯片X-ray图像数据,取得了较好的效果。（3）为了处理芯片缺陷和背景像素样本不平衡问题以及缺陷边缘困难样本难以识别的问题,本文利用焦点损失对网络的损失函数进行优化,在网络的训练过程中将训练重点聚焦在缺陷样本和边缘困难样本上。针对U-Net模型解码器上采样层导致的特征信息丢失问题,在分类完成后引入密集条件随机场,结合像素点的像素值和所属类别信息对像素的分类结果重新评估,进一步提高了模型的分割精度。（4）为了将算法更好地应用于实际生产线,根据企业具体要求对芯片合格率进行判定,开发了一套集成了批量缺陷识别、焊接面识别、缺陷与焊接面宽度比测量、判断是否合格并生成检测报表功能的软件平台。针对后续可能需要对缺陷数据进行扩充的问题,开发了一套能够标注新增数据,再对网络进行训练从而更新检测模型的软件,从而可以对算法模型进行不断优化。