CN108596871A - 一种基于深度学习的bga气泡缺陷图像检测方法 - Google Patents
一种基于深度学习的bga气泡缺陷图像检测方法 Download PDFInfo
- Publication number
- CN108596871A CN108596871A CN201810189754.4A CN201810189754A CN108596871A CN 108596871 A CN108596871 A CN 108596871A CN 201810189754 A CN201810189754 A CN 201810189754A CN 108596871 A CN108596871 A CN 108596871A
- Authority
- CN
- China
- Prior art keywords
- bga
- characteristic
- deep learning
- air blister
- detection methods
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30141—Printed circuit board [PCB]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种基于深度学习的BGA气泡缺陷图像检测方法,包括如下步骤:步骤1:筛选出有气泡缺陷的BGA图像,并对图像进行标定,获得标签图像集;步骤2:建立全卷积网络,利用步骤1获得的标签图像集训练全卷积网络,训练获得全卷积网络模型;步骤3:将待检测的BGA图像输入至步骤2获得的全卷积网络模型进行检测,输出图像分类结果。
Description
技术领域
本发明涉及一种基于深度学习的BGA气泡缺陷图像检测方法。
背景技术
由于对高密度表面组装器件需求的不断增加,球栅阵列封装(Ball Grid Array,BGA)技术已经广泛应用于印刷电路板(Printed Circuit Board , PCB)的生产当中。在BGA封装过程中,不可避免地出现各种各样的缺陷,气泡缺陷便是其中一种。由于BGA焊点隐藏在芯片的底部,所以无法通过直接观察的方式来检测焊点。即使在生产的最后阶段顺利通过功能测试,也不意味着没有缺陷,很多缺陷无法从功能的角度去发现。因此,工业生产中,通常利用焊点钎料与PCB基板材料对X射线吸收作用显著差异的特性,应用X射线成像技术对这类封装器件的焊点缺陷进行检测。
现有技术中,检测X射线BGA图像的气泡缺陷包含诸多步骤,如对采集来的BGA图像进行增强、降噪、分割、特征提取与识别等,这些步骤顺序执行,每一步均开销大量的计算资源,且现有检测方法均缺乏对图像先验知识(正确的检测结果)的利用,因此检测结果很难达到期望,检测效率低。
发明内容
本发明目的在于提供一种基于深度学习的BGA气泡缺陷图像检测方法,能够有效提高检测效率。
实现本发明目的的技术方案:
一种基于深度学习的BGA气泡缺陷图像检测方法,其特征在于,包括如下步骤:
步骤1:筛选出有气泡缺陷的BGA图像,并对图像进行标定,获得标签图像集;
步骤2:建立全卷积网络,利用步骤1获得的标签图像集训练全卷积网络,训练获得全卷积网络模型;
步骤3:将待检测的BGA图像输入至步骤2获得的全卷积网络模型进行检测,输出图像分类结果。
步骤1中,对图像的背景区域、焊球区域与气泡区域进行标定,得到标签图像。
步骤2中,全卷积网络由卷积层、池化层、激活层、反卷积层和损失层构成,通过全卷积网络最终将BGA图像中的像素分成三类,即背景区域、焊球区域与气泡区域。
步骤2中,设定卷积层的卷积核尺寸、卷积核遍历步长、边界扩展宽度,并对卷积核权值进行随机初始化;训练全卷积网络包括如下步骤:
步骤2.1:图像与第j个卷积层卷积后,获得第j特征响应图, j=1,2……jm, jm为卷积层的总个数;
步骤2.2:第j特征响应图进入第j激活层,对特征响应图进行非线性化处理,获得第j激活后特征响应图;
步骤2.3:重复步骤2.1至步骤2.2,经过jm个卷积层后,获得第i高级特征响应图,i=1,2……im,im为根据图像尺寸和期望提取特征对应的感受野尺寸来设定的总次数;
步骤2.4: 第i高级特征响应图进入池化层进行池化,获得第i池化后特征响应图;
步骤2.5:重复步骤2.1—2.4,经过im次后,获得第im池化后特征响应图即分类特征图;
步骤2.6:步骤2.5获得的分类特征图进入反卷积层,输出端的分类特征图达到原始BGA图像尺寸;
步骤2.7:步骤2.6获得的原始尺寸分类特征图进入损失层,计算其与标签图像的损失;
步骤2.8:根据损失计算结果,重复步骤2.1至步骤2.7,以反向传播来实现对网络的训练,直至网络收敛,获得全卷积网络模型的网络权值矩阵。
步骤2.4中,池化层采用最大池化法。
步骤2.5中,分类特征图具有3个特征图,3个特征图对应三类,即背景区域、焊球区域与气泡区域。
步骤2中,第1个卷积层的设定参数为,卷积核尺寸=3、卷积核遍历步长=1、边界扩展宽度=32,设有64个卷积核。
步骤2.6中,反卷积采用单次反卷积或逐次反卷积。
步骤3中,将检测后分类图中像素值代表的类别进行映射,在映射后的检测图中,各类别对应颜色为人眼所区分。
本发明具有的有益效果:
本发明首先筛选出有气泡缺陷的BGA图像,并对图像进行标定,获得标签图像集,利用标签图像训练全卷积网络,由于这些先验知识(标签图像)来自人的认知系统,因此利用先验知识作为监督信息来训练深度神经网络,实则是让机器模拟人的认知系统来对BGA气泡缺陷图像进行检测,从而很好地克服传统BGA气泡缺陷检测方法难以准确评判位于焊球边界气泡的困难,而且检测阶段对模型的应用仅仅是对权值的提取与应用,大大降低了算法复杂度,节约了计算资源,有效提高了检测效率。
本发明对图像的背景区域、焊球区域与气泡区域进行标定,得到标签图像;相应最终分类特征图具有3个特征图,3个特征图对应三类,即背景区域、焊球区域与气泡区域,更加方便图像检测。本发明全卷积网络由卷积层、池化层、激活层、反卷积层和损失层构成,其中,池化层采用最大池化法,第1个卷积层的设定参数为,卷积核尺寸=3、卷积核遍历步长=1、边界扩展宽度=32,设有64个卷积核,进一步保证全卷积网络的运行效果,提高检测效率。本发明将检测后分类图中像素值代表的类别进行映射,在映射后的检测图中,各类别对应颜色为人眼所区分,检测结果显示更加方便使用。
附图说明
图1是本发明基于深度学习的BGA气泡缺陷图像检测流程图;
图2是本发明学习模块的流程图。
具体实施方式
如图1所示,
步骤S101为数据输入模块,通过X射线探测器获取原始BGA图像。
步骤S102为预处理模块,对原始BGA图像进行增强和降噪等操作,并将BGA图像分为两部分,一部分用于S103和S104,获取神经网络模型,其余图像可利用得到的神经网络模型来进行检测,即步骤S105。
步骤S103为数据集制作模块。将气泡缺陷的图像筛选出来,对其背景区域、焊球区域与气泡区域进行标定,得到等尺寸的标签图像,再根据需求制作相应的数据集。
步骤S104为学习模块。建立全卷积网络,利用标签图像集训练全卷积网络,训练获得全卷积网络模型;如图2所示,全卷积网络由卷积层、池化层、激活层、反卷积层和损失层构成,通过全卷积网络最终将BGA图像中的像素分成三类,即背景区域、焊球区域与气泡区域。
如图2所示,Data为BGA原始图像,Label为原始图像对应标签图像。Data首先进入第一个卷积层,其中kernelsize为卷积核尺寸,stride为卷积核遍历步长,pad为边界扩展宽度,第一个卷积层“Conv1_1”设定参数为:kernelsize=3,stride=1,pad=32,此外,第一个卷积层设定64个卷积核,卷积核均与图像中局部区域相连,且通过设定的层参数遍历整幅图像进行卷积,将卷积核中权值进行随机初始化,在图像的不同区域进行卷积时,共享卷积核中的权值。随机初始化使得64个卷积核均匀分布在整个特征空间,在训练时,卷积核优先收敛于其附近对图像有效的特征,即该卷积层与Data的卷积得到64个特征响应图,分别响应64个卷积核,因为该层卷积核尺寸为3,对应感受野为3,所以获取的特征也为对应感受野中的特征,当卷积核个数足够多时(不局限于64),将提取出所有感受野为3时对应的图像低级有效特征。
训练全卷积网络包括如下步骤:
步骤2.1:图像与第j个卷积层卷积后,获得第j特征响应图, j=1,2……jm, jm为卷积层的总个数;
步骤2.2:第j特征响应图进入第j激活层ReLU_j,对特征响应图进行非线性化处理,获得第j激活后特征响应图;
步骤2.3:重复步骤2.1至步骤2.2,经过jm个卷积层后,获得第i高级特征响应图,i=1,2……im,im为根据图像尺寸和期望提取特征对应的感受野尺寸来设定的总次数;
步骤2.4: 第i高级特征响应图进入池化层进行池化,获得第i池化后特征响应图;
步骤2.5:重复步骤2.1—2.4,经过im次后,获得第im池化后特征响应图即分类特征图;
步骤2.6:步骤2.5获得的分类特征图进入反卷积层,输出端的分类特征图达到原始BGA图像尺寸;
步骤2.7:步骤2.6获得的原始尺寸分类特征图进入损失层,计算其与标签图像的损失;
步骤2.8:根据损失计算结果,重复步骤2.1至步骤2.7,以反向传播来实现对网络的训练,直至网络收敛,获得全卷积网络模型的网络权值矩阵。
步骤2.4中,池化层采用最大池化法。
步骤2.5中,分类特征图具有3个特征图,3个特征图对应三类,即背景区域、焊球区域与气泡区域。
步骤2.6中,反卷积采用单次反卷积或逐次反卷积。
步骤S105为检测模块。
在具体的实施例中,将来自S102的需要检测的图像通过S104训练得到的全卷积网络模型来实现对BGA气泡缺陷的检测。输出BGA原始图像中每个像素的分类信息,即0、1和2类。
步骤S106为输出模块。
在具体实施例中,由于检测模块的分类信息为0、1和2类,直接输出为图像不便判断,因此将分类信息通过映射转化为彩色图,此时各类别对应彩色图中颜色为人眼所区分,该彩色图即为最终的BGA气泡缺陷检测图,将其存储并显示。
Claims (9)
1.一种基于深度学习的BGA气泡缺陷图像检测方法,其特征在于,包括如下步骤:
步骤1:筛选出有气泡缺陷的BGA图像,并对图像进行标定,获得标签图像集;
步骤2:建立全卷积网络,利用步骤1获得的标签图像集训练全卷积网络,训练获得全卷积网络模型;
步骤3:将待检测的BGA图像输入至步骤2获得的全卷积网络模型进行检测,输出图像分类结果。
2.根据权利要求1所述的基于深度学习的BGA气泡缺陷图像检测方法,其特征在于:步骤1中,对图像的背景区域、焊球区域与气泡区域进行标定,得到标签图像。
3.根据权利要求2所述的基于深度学习的BGA气泡缺陷图像检测方法,其特征在于:步骤2中,全卷积网络由卷积层、池化层、激活层、反卷积层和损失层构成,通过全卷积网络最终将BGA图像中的像素分成三类,即背景区域、焊球区域与气泡区域。
4.根据权利要求3所述的基于深度学习的BGA气泡缺陷图像检测方法,其特征在于,步骤2中,设定卷积层的卷积核尺寸、卷积核遍历步长、边界扩展宽度,并对卷积核权值进行随机初始化;训练全卷积网络包括如下步骤:
步骤2.1:图像与第j个卷积层卷积后,获得第j特征响应图, j=1,2……jm, jm为卷积层的总个数;
步骤2.2:第j特征响应图进入第j激活层,对特征响应图进行非线性化处理,获得第j激活后特征响应图;
步骤2.3:重复步骤2.1至步骤2.2,经过jm个卷积层后,获得第i高级特征响应图,i=1,2……im,im为根据图像尺寸和期望提取特征对应的感受野尺寸来设定的总次数;
步骤2.4: 第i高级特征响应图进入池化层进行池化,获得第i池化后特征响应图;
步骤2.5:重复步骤2.1—2.4,经过im次后,获得第im池化后特征响应图即分类特征图;
步骤2.6:步骤2.5获得的分类特征图进入反卷积层,输出端的分类特征图达到原始BGA图像尺寸;
步骤2.7:步骤2.6获得的原始尺寸分类特征图进入损失层,计算其与标签图像的损失;
步骤2.8:根据损失计算结果,重复步骤2.1至步骤2.7,以反向传播来实现对网络的训练,直至网络收敛,获得全卷积网络模型的网络权值矩阵。
5.根据权利要求4所述的基于深度学习的BGA气泡缺陷图像检测方法,其特征在于:步骤2.4中,池化层采用最大池化法。
6.根据权利要求5所述的基于深度学习的BGA气泡缺陷图像检测方法,其特征在于:步骤2.5中,分类特征图具有3个特征图,3个特征图对应三类,即背景区域、焊球区域与气泡区域。
7.根据权利要求6所述的基于深度学习的BGA气泡缺陷图像检测方法,其特征在于:步骤2中,第1个卷积层的设定参数为,卷积核尺寸=3、卷积核遍历步长=1、边界扩展宽度=32,设有64个卷积核。
8.根据权利要求7所述的基于深度学习的BGA气泡缺陷图像检测方法,其特征在于:步骤2.6中,反卷积采用单次反卷积或逐次反卷积。
9.根据权利要求8所述的基于深度学习的BGA气泡缺陷图像检测方法,其特征在于:步骤3中,将检测后分类图中像素值代表的类别进行映射,在映射后的检测图中,各类别对应颜色为人眼所区分。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810189754.4A CN108596871A (zh) | 2018-03-08 | 2018-03-08 | 一种基于深度学习的bga气泡缺陷图像检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810189754.4A CN108596871A (zh) | 2018-03-08 | 2018-03-08 | 一种基于深度学习的bga气泡缺陷图像检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108596871A true CN108596871A (zh) | 2018-09-28 |
Family
ID=63625775
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810189754.4A Pending CN108596871A (zh) | 2018-03-08 | 2018-03-08 | 一种基于深度学习的bga气泡缺陷图像检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108596871A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109903287A (zh) * | 2019-03-29 | 2019-06-18 | 北京百度网讯科技有限公司 | 质量检测方法及装置 |
CN110060238A (zh) * | 2019-04-01 | 2019-07-26 | 桂林电子科技大学 | 基于深度学习的pcb板标注印刷质量检测方法 |
CN111028193A (zh) * | 2019-03-26 | 2020-04-17 | 桑尼环保(江苏)有限公司 | 实时水面数据监控系统 |
CN111091534A (zh) * | 2019-11-19 | 2020-05-01 | 佛山市南海区广工大数控装备协同创新研究院 | 一种基于目标检测的pcb板缺陷检测与定位方法 |
TWI732296B (zh) * | 2019-09-19 | 2021-07-01 | 英業達股份有限公司 | 依據標準值建立檢測模型以確認焊接狀態之系統及方法 |
US11423577B2 (en) | 2020-07-08 | 2022-08-23 | International Business Machines Corporation | Printed circuit board assembly defect detection |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6747268B1 (en) * | 1999-04-02 | 2004-06-08 | Georgia Tech Research Corporation | Object inspection method and system |
CN102509108A (zh) * | 2011-10-14 | 2012-06-20 | 桂林电子科技大学 | 一种焊点缺陷鉴别方法 |
CN105891215A (zh) * | 2016-03-31 | 2016-08-24 | 浙江工业大学 | 基于卷积神经网络的焊接视觉检测方法及装置 |
US20170345140A1 (en) * | 2016-05-25 | 2017-11-30 | Kla-Tencor Corporation | Generating simulated images from input images for semiconductor applications |
CN107561738A (zh) * | 2017-08-30 | 2018-01-09 | 湖南理工学院 | 基于fcn的tft‑lcd表面缺陷快速检测方法 |
CN107607554A (zh) * | 2017-09-26 | 2018-01-19 | 天津工业大学 | 一种基于全卷积神经网络的镀锌冲压件的瑕疵检测与分类方法 |
-
2018
- 2018-03-08 CN CN201810189754.4A patent/CN108596871A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6747268B1 (en) * | 1999-04-02 | 2004-06-08 | Georgia Tech Research Corporation | Object inspection method and system |
CN102509108A (zh) * | 2011-10-14 | 2012-06-20 | 桂林电子科技大学 | 一种焊点缺陷鉴别方法 |
CN105891215A (zh) * | 2016-03-31 | 2016-08-24 | 浙江工业大学 | 基于卷积神经网络的焊接视觉检测方法及装置 |
US20170345140A1 (en) * | 2016-05-25 | 2017-11-30 | Kla-Tencor Corporation | Generating simulated images from input images for semiconductor applications |
CN107561738A (zh) * | 2017-08-30 | 2018-01-09 | 湖南理工学院 | 基于fcn的tft‑lcd表面缺陷快速检测方法 |
CN107607554A (zh) * | 2017-09-26 | 2018-01-19 | 天津工业大学 | 一种基于全卷积神经网络的镀锌冲压件的瑕疵检测与分类方法 |
Non-Patent Citations (1)
Title |
---|
袁肇飞 等: "BGA焊点气孔缺陷的特殊结构光质量检测", 《微型电脑应用》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111028193A (zh) * | 2019-03-26 | 2020-04-17 | 桑尼环保(江苏)有限公司 | 实时水面数据监控系统 |
CN109903287A (zh) * | 2019-03-29 | 2019-06-18 | 北京百度网讯科技有限公司 | 质量检测方法及装置 |
CN110060238A (zh) * | 2019-04-01 | 2019-07-26 | 桂林电子科技大学 | 基于深度学习的pcb板标注印刷质量检测方法 |
CN110060238B (zh) * | 2019-04-01 | 2022-04-19 | 桂林电子科技大学 | 基于深度学习的pcb板标注印刷质量检测方法 |
TWI732296B (zh) * | 2019-09-19 | 2021-07-01 | 英業達股份有限公司 | 依據標準值建立檢測模型以確認焊接狀態之系統及方法 |
CN111091534A (zh) * | 2019-11-19 | 2020-05-01 | 佛山市南海区广工大数控装备协同创新研究院 | 一种基于目标检测的pcb板缺陷检测与定位方法 |
US11423577B2 (en) | 2020-07-08 | 2022-08-23 | International Business Machines Corporation | Printed circuit board assembly defect detection |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108596871A (zh) | 一种基于深度学习的bga气泡缺陷图像检测方法 | |
CN109636772A (zh) | 基于深度学习的不规则形状金属加工表面的缺陷检测方法 | |
CN107610123A (zh) | 一种基于深度卷积神经网络的图像美学质量评价方法 | |
CN107123111B (zh) | 一种用于手机屏幕缺陷检测的深度残差网络构造方法 | |
CN109239102A (zh) | 一种基于cnn的柔性电路板外观缺陷检测方法 | |
CN110473173A (zh) | 一种基于深度学习语义分割的缺陷检测方法 | |
CN108229523A (zh) | 图像检测、神经网络训练方法、装置和电子设备 | |
CN107944442A (zh) | 基于改进卷积神经网络的对象检测装置及方法 | |
CN107330453A (zh) | 基于分步识别和融合关键部位检测的色情图像识别方法 | |
CN106875381A (zh) | 一种基于深度学习的手机外壳缺陷检测方法 | |
CN107341506A (zh) | 一种基于多方面深度学习表达的图像情感分类方法 | |
CN110276386A (zh) | 一种基于机器视觉的苹果分级方法及系统 | |
CN106875373A (zh) | 基于卷积神经网络剪枝算法的手机屏幕mura缺陷检测方法 | |
CN108305243A (zh) | 一种基于深度学习的磁瓦表面缺陷检测方法 | |
CN107229930A (zh) | 一种指针式仪表数值智能识别方法及装置 | |
CN108416327A (zh) | 一种目标检测方法、装置、计算机设备及可读存储介质 | |
CN107085696A (zh) | 一种基于卡口图像的车辆定位及型号识别方法 | |
CN104103033B (zh) | 图像实时处理方法 | |
CN109683360A (zh) | 液晶面板缺陷检测方法及装置 | |
CN107067043A (zh) | 一种农作物病虫害检测方法 | |
CN105260734A (zh) | 一种具有自建模功能的商品油表面激光标码识别方法 | |
CN104299006A (zh) | 一种基于深度神经网络的车牌识别方法 | |
CN109508741A (zh) | 基于深度学习筛选训练集的方法 | |
CN107886131A (zh) | 一种基于卷积神经网络检测电路板元器件极性方法和装置 | |
CN106874913A (zh) | 一种菜品检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180928 |