论文部分内容阅读
近年来,随着IC产业的不断发展,对其封装设备的需求也不断增加,引线键合机作为IC封装的核心设备之一,主要由机械模块、电路模块以及图像处理模块等组成。其中,微芯片焊点的快速识别和精确定位是图像处理模块的核心,是整个引线键合机焊线工艺中极为重要的一环,也是其生产效率和焊线质量的重要保障。目前引线键合机主要基于传统的图像处理算法（模板匹配）来识别和定位微芯片焊点,该方法存在识别速度慢且无法适应多样性环境（芯片形状、光照模式和芯片图像质量）生产问题,另外该方法由人工设计特征大多受人为主观性制约。深度学习具有自动提取特征的先天优势,为人工智能在工业上的发展提供了极大的便利。本文在基于改进的深度学习目标检测算法上做引线键合机微芯片图像焊点的识别与定位,主要研究内容如下:（1）构建基于改进Faster RCNN的焊点目标识别与定位模型。由于引线键合机微芯片焊点目标面积小,而市面上很多框架无法进行检测,本文通过改进Faster RCNN:使用残差网络Res Net101替换原有基础特征提取网络Vgg16,以提高目标模型整体检测能力;并利用FPN结构实现多尺度特征图融合,以训练出适合焊点目标检测的模型。（2）构建基于改进YOLO v3的焊点目标识别与定位模型。由于Faster RCNN检测速度慢,且不能实时检测,无法满足引线键合机微芯片焊点识别与定位系统的要求。本文在YOLO v3基础框架上针对微芯片图像焊点目标面积小且集中的特点进行改进:使用k-means算法对自制的微芯片图像数据集进行聚类分析,计算出适合焊点目标的anchors框尺寸替换原有的尺寸,以训练出适合焊点目标检测的模型。（3）构建轻量型引线键合机微芯片焊点识别与定位系统。由于YOLO v3相对实际引线键合机工作需求还是焊点检测速度慢,且YOLO v3模型占用内存大。本文深入轻量型模型研究,在YOLO v3的简化版YOLO v3 tiny基础上,结合k-means算法设计出轻量型引线键合机微芯片焊点识别与定位系统。实验结果表明:本文设计的轻量型引线键合机微芯片焊点识别与定位模型实际占用内存仅为40.55MB,可以识别不同支架、不同场景、不同曝光程度以及不同清晰度等情况下的微芯片图像,且焊点识别速度为5ms/每张图片,定位精度达到99.88%。该系统实时,符合引线键合机高速高精度的工作特点。