CN116128788A - 引线框架的出货方法 - Google Patents
引线框架的出货方法 Download PDFInfo
- Publication number
- CN116128788A CN116128788A CN202111336928.3A CN202111336928A CN116128788A CN 116128788 A CN116128788 A CN 116128788A CN 202111336928 A CN202111336928 A CN 202111336928A CN 116128788 A CN116128788 A CN 116128788A
- Authority
- CN
- China
- Prior art keywords
- flaw
- lead frame
- image
- deviation
- shipping
- 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
Images
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06T2207/30148—Semiconductor; IC; Wafer
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Quality & Reliability (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
一种引线框架的出货方法,包括:根据第一引线框架,获取第一引线框架的源图像;根据所述第一引线框架的源图像检测第一瑕疵,所述第一瑕疵为第一引线框架的瑕疵;当检测到若干第一瑕疵时,获取对应的若干第一瑕疵图像和若干第一瑕疵特征数据;采用第一深度学习模型对若干第一瑕疵图像进行处理,获取每个第一瑕疵的瑕疵类别;根据若干第一瑕疵特征数据和若干第一瑕疵的瑕疵类别,判断所述第一引线框架的出货等级。通过所述引线框架的出货方法,能够降低管理和人力成本,并且,提高质检效率和稳定性。
Description
技术领域
本发明涉及本发明涉及引线框架检测技术领域,尤其涉及一种引线框架的出货方法。
背景技术
引线框架作为很多集成电路的芯片载体,其质量是否可靠稳定决定了后续最终半导体产品的功能和性能,因此在实际生产过程中需要对引线框架物料进行质量检查。引线框架料片有很多的颗粒组成,尺寸很小,人工检查需要借助显微镜逐个颗粒进行目视判断,因此费时费力且很难保证检查的稳定性。为提高质检效率和稳定性,人们设计并制造了基于视觉的自动引线框架检测设备。
常规的引线框架检测设备对输入的引线框架物料进行自动检查,定位物料上的所有缺陷,并输出各缺陷的尺寸、位置、对比度等相关参数,然后交由人工对引线框架物料的缺陷进行分类和等级判定:危害程度较高的直接报废,危害程度低或不影响功能的判断为良品。
然而,通过人工对引线框架物料的缺陷进行分类和等级判定时,一方面,质检效率仍然较低、并且,会导致管理和人力成本的提升,另一方面,人工质检会导致质检的稳定性仍然较差。
发明内容
本发明解决的技术问题是提供一种引线框架的出货方法,以降低管理和人力成本,并且,提高质检效率和稳定性。
为解决上述技术问题,本发明的技术方案提供一种引线框架的出货方法,包括:根据第一引线框架,获取第一引线框架的源图像;根据所述第一引线框架的源图像检测第一瑕疵,所述第一瑕疵为第一引线框架的瑕疵;当检测到若干第一瑕疵时,获取对应的若干第一瑕疵图像和若干第一瑕疵特征数据;采用第一深度学习模型对若干第一瑕疵图像进行处理,获取每个第一瑕疵的瑕疵类别;根据若干第一瑕疵特征数据和若干第一瑕疵的瑕疵类别,判断所述第一引线框架的出货等级。
可选的,根据所述第一引线框架的源图像检测第一瑕疵的方法包括:提供标准模板图像;提供与所述标准模板图像对应的预设偏差范围;根据所述标准模板图像、所述预设偏差范围和所述第一引线框架的源图像检测第一瑕疵。
可选的,所述标准模板图像包括若干标准区,并且,所述预设偏差范围包括与各标准区对应的子预设偏差范围。
可选的,根据所述标准模板图像、所述预设偏差范围和所述第一引线框架的源图像检测第一瑕疵的方法包括:根据所述第一引线框架的源图像和所述标准模板图像,获取若干偏差图像和对应的若干偏差特征数据,所述偏差特征数据包括偏差位置信息和偏差特征参数,并且,每个偏差位置信息还与若干标准区中的一个对应;当与所述任意偏差图像对应的偏差特征参数,超出与所述任意偏差图像对应的指定子预设偏差范围时,检测到具有与所述任意偏差图像对应的第一瑕疵,所述与任意偏差图像对应的指定子预设偏差范围是与所述任意偏差图像对应的偏差位置信息所对应的标准区的子预设偏差范围;并且,当检测到若干第一瑕疵时,获取对应的若干第一瑕疵图像和若干第一瑕疵特征数据的方法包括:根据与第一瑕疵对应的偏差图像获取第一瑕疵图像;根据与第一瑕疵对应的偏差特征数据获取所述第一瑕疵特征数据。
可选的,若干标准区的类型包括电镀及关键区、半蚀刻区、功能区、非功能区、路轨及定位孔区、以及低阈值区中的至少一种。
可选的,所述第一瑕疵特征数据包括:与第一瑕疵图像对应的瑕疵位置信息和瑕疵特征参数,并且,所述瑕疵特征参数包括与第一瑕疵图像对应的面积参数、对角线长度参数、以及对比度参数中的至少一种。
可选的,形成所述第一深度学习模型的方法包括:收集多个瑕疵样本图像;对多个瑕疵样本图像进行瑕疵类别的标注,形成多个瑕疵处理图像;基于多个瑕疵处理图像对初始的第一深度学习模型进行多次迭代训练。
可选的,所述多次迭代训练中的第n次的方法包括:基于多个瑕疵处理图像中的第n个,对历史上第n-1次迭代训练形成的第一深度学习模型进行第n次迭代训练,n为自然数,并且,当n=1时,所述历史上第n-1次迭代训练形成的第一深度学习模型为所述初始的第一深度学习模型;对第n次迭代训练形成的第一深度学习模型进行评估,获取第n评估结果;当所述第n评估结果满足预设条件时,停止所述迭代训练。
可选的,还包括:评估第一深度学习模型预测的至少1个第一瑕疵的瑕疵类别是否错误;当预测错误时,对第一瑕疵对应的第一瑕疵图像进行瑕疵类别的标注,形成第一瑕疵处理图像;基于若干第一瑕疵处理图像,训练处理若干第一瑕疵图像的第一深度学习模型。
可选的,根据若干第一瑕疵特征数据和若干第一瑕疵的瑕疵类别,判断所述第一引线框架的出货等级的方法包括:提供预设出货规则,所述预设出货规则包括出货等级、瑕疵类别和瑕疵特征数据范围之间的对应关系;根据所述预设出货规则,对若干第一瑕疵、若干第一瑕疵特征数据和若干第一瑕疵的瑕疵类别进行判断,获取所述第一引线框架的出货等级。
可选的,所述出货等级包括好片等级和坏片等级,并且,所述的引线框架的出货方法还包括:当判断所述第一引线框架的出货等级为好片等级时,接收所述第一引线框架;当判断所述第一引线框架的出货等级为坏片等级时,拒绝接收所述第一引线框架。
可选的,所述出货等级还包括返工等级,并且,所述的引线框架的出货方法还包括:当判断所述第一引线框架的出货等级为返工等级时,对所述第一引线框架进行返工。
可选的,还包括:当未检测到第一瑕疵时,判断所述第一引线框架的出货等级为好片等级。
与现有技术相比,本发明实施例的技术方案具有以下有益效果:
本发明的引线框架的出货方法中,包括:当检测到若干第一瑕疵时,获取对应的若干第一瑕疵图像和若干第一瑕疵特征数据;采用第一深度学习模型对若干第一瑕疵图像进行处理,获取每个第一瑕疵的瑕疵类别;根据若干第一瑕疵特征数据和若干第一瑕疵的瑕疵类别,判断所述第一引线框架的出货等级。所述引线框架的出货方法能够高度自动化地判断出第一引线框架的出货等级,从而,有效降低了管理和人力成本,提高了质检效率和稳定性。此外,由于采用第一深度学习模型对若干第一瑕疵图像进行处理,获取每个第一瑕疵的瑕疵类别,即,第一深度学习模型仅用于根据第一瑕疵图像预测第一瑕疵的瑕疵类别,因此,第一深度学习模型的预测方式与人脑思考模式相近,从而,第一深度学习模型的预测准确率高,进而,有效降低了第一引线框架错误出货的风险。
附图说明
图1是本发明一实施例的引线框架的出货方法的流程示意图;
图2是本发明一实施例的第一引线框架的源图像的示意图;
图3和图4是本发明一实施例的检测第一瑕疵的方法的流程示意图;
图5是本发明一实施例的标准模板图像的示意图;
图6是本发明一实施例的获取对应的若干第一瑕疵图像和若干第一瑕疵特征数据的方法的流程示意图;
图7至图8是本发明一实施例的形成第一深度学习模型的方法的流程示意图;
图9是本发明一实施例的判断第一引线框架的出货等级的方法的流程示意图。
具体实施方式
如背景技术所述,通过人工对引线框架物料的缺陷进行分类和等级判定时,一方面,质检效率仍然较低、并且,会导致管理和人力成本的提升,另一方面,人工质检会导致质检的稳定性仍然较差。
为解决上述技术问题,本发明的技术方案提供一种引线框架的出货方法,通过获取对应的若干第一瑕疵图像和若干第一瑕疵特征数据,接着,采用第一深度学习模型对若干第一瑕疵图像进行处理,获取每个第一瑕疵的瑕疵类别,并且,根据若干第一瑕疵特征数据和若干第一瑕疵的瑕疵类别,判断所述第一引线框架的出货等级,能够降低管理和人力成本,并且,提高质检效率和稳定性。
为使本发明的上述目的、特征和有益效果能够更为明显易懂,下面结合附图对本发明的具体实施例做详细的说明。
图1是本发明一实施例的引线框架的出货方法的流程示意图。
请参考图1,所述引线框架的出货方法包括:
步骤S100,根据第一引线框架,获取第一引线框架的源图像;
步骤S200,根据所述第一引线框架的源图像检测第一瑕疵;
当检测到若干第一瑕疵时,执行步骤S300,获取对应的若干第一瑕疵图像和若干第一瑕疵特征数据;
步骤S400,采用第一深度学习模型对若干第一瑕疵图像进行处理,获取每个第一瑕疵的瑕疵类别;
步骤S500,根据若干第一瑕疵特征数据和若干第一瑕疵的瑕疵类别,判断所述第一引线框架的出货等级。
由于当检测到若干第一瑕疵时,获取对应的若干第一瑕疵图像和若干第一瑕疵特征数据,接着,采用第一深度学习模型对若干第一瑕疵图像进行处理,获取每个第一瑕疵的瑕疵类别,并且,根据若干第一瑕疵特征数据和若干第一瑕疵的瑕疵类别,判断所述第一引线框架的出货等级。因此,所述引线框架的出货方法能够高度自动化地判断出第一引线框架的出货等级,从而,有效降低了管理和人力成本,提高了质检效率和稳定性。
此外,由于采用第一深度学习模型对若干第一瑕疵图像进行处理,获取每个第一瑕疵的瑕疵类别,即,第一深度学习模型仅用于根据第一瑕疵图像预测第一瑕疵的瑕疵类别,因此,第一深度学习模型的预测方式与人脑思考模式相近,从而,第一深度学习模型的预测准确率高,进而,有效降低了第一引线框架错误出货的风险。
以下结合附图进行详细说明。
请参考图2,图2是本发明一实施例的第一引线框架的源图像的示意图,根据第一引线框架(未图示),获取第一引线框架的源图像100。
所述第一引线框架是指当前待出货的片状引线框架。
在本实施例中,利用光学平台采集所述第一引线框架的源图像100,所述光学平台包括CCD相机等。
需要理解的是,本领域技术人员能够根据实际情况,采用任何可对第一引线框架的源图像100进行采集的设备,获取第一引线框架的源图像100的设备和方法不应成为限制本发明的保护范围的特征。
请继续参考图1,针对步骤S200,所述第一瑕疵为第一引线框架的瑕疵。
图3和图4是本发明一实施例的检测第一瑕疵的方法的流程示意图,图5是本发明一实施例的标准模板图像的示意图。
请参考图3,针对步骤S200,根据所述第一引线框架的源图像检测第一瑕疵的方法包括:
步骤S210,提供标准模板图像;
步骤S220,提供与所述标准模板图像对应的预设偏差范围;
步骤S230,根据所述标准模板图像、所述预设偏差范围和所述第一引线框架的源图像检测第一瑕疵。
所述标准模板图像基于无瑕疵的片状引线框架获取。
基于标准模板图像能够获取基准数据,所述基准数据包括:与标准模板图像对应的若干面积参数、若干对角线长度参数和若干对比度参数中的至少一种。
所述预设偏差范围是以所述基准数据为基准的偏差范围,所述预设偏差范围可以是比例或数值。
在本实施例中,所述标准模板图像200(如图5所示)包括若干标准区201(如图5所示)。
需要理解的是,各标准区201的图像之间可以相同,也可以不相同。
在本实施例中,若干标准区201的类型包括电镀及关键区(Plating and Key)、半蚀刻区(Half-etched)、功能区(Functional)、非功能区(Non-functional)、路轨及定位孔区(Rail and Pilot Hole)、以及低阈值区(Large Low-value)中的至少一种。
在本实施例中,所述预设偏差范围包括与各标准区201对应的子预设偏差范围。从而,更好地减少了第一瑕疵检测时过杀或漏检的风险。
具体而言,对于不同类型的标准区201而言,以所述基准数据为基准判断是否为第一瑕疵的偏差范围可以是不同的。例如,电镀及关键区对应的片状引线框架部分由于是重要区域,因此,通过使电镀及关键区对应的更小的子预设偏差范围,能够以更为严格的标准进行第一瑕疵的判断。相应的,低阈值区由于是在后续需要被切割的非重要区域,因此,通过使低阈值区对应的更大的子预设偏差范围,能够以更为宽松的标准进行第一瑕疵的判断。从而,通过与各标准区201对应的子预设偏差范围,能够很好地减少第一瑕疵检测时过杀或漏检的风险。
在其他实施例中,针对步骤S220,提供与所述标准模板图像对应的预设偏差范围的方法包括:
步骤S221,预先配置、保存与若干客户一一对应的初始预设偏差范围;
步骤S222,根据与客户对应的客户信息,在若干初始预设偏差范围中获取并提供预设偏差范围。
其中,步骤S222中的预设偏差范围是若干初始预设偏差范围中的一个。
在一些实际应用场景中,不同的客户具有不同的出货标准。通过步骤S221和步骤S222,可以在标准模板图像的基础上基于不同的预设偏差范围,对第一引线框架的源图像进行第一瑕疵的检测。从而,在实际量产过程中,能够方便、快捷地根据不同客户的要求,有针对性地出货,进而,更好地降低了管理和人力成本,并且,提高质检效率。
请参考图4,针对步骤S230,根据所述标准模板图像、所述预设偏差范围和所述第一引线框架的源图像检测第一瑕疵的方法包括:
步骤S231,根据所述第一引线框架的源图像和所述标准模板图像,获取若干偏差图像和对应的若干偏差特征数据;
步骤S232,当与所述任意偏差图像对应的偏差特征参数,超出与所述任意偏差图像对应的指定子预设偏差范围时,检测到具有与所述任意偏差图像对应的第一瑕疵。
具体而言,在步骤S231中,比较第一引线框架的源图像100和标准模板图像200,由此,基于二者之间的不同之处,获取若干偏差图像和对应的若干偏差特征数据。
在本实施例中,所述偏差图像可以是直接在第一引线框架的源图像100中获得的、第一引线框架的源图像100与标准模板图像200不同之处的图像,也可以是基于该图像进行图像处理后得到的图像。
与此同时,基于第一引线框架的源图像100中与标准模板图像200不同之处的图像,获取相应的若干偏差特征数据。
在本实施例中,所述偏差特征数据包括:偏差位置信息和偏差特征参数。
所述偏差位置信息用于定位各所述不同之处的图像的位置,并且,每个偏差位置信息还与若干标准区201中的一个对应。由此,根据偏差位置信息,能够在进行第一瑕疵的判断时,在若干子预设偏差范围中,确定需要用于比较的子预设偏差范围。
所述偏差特征参数包括:基于所述不同之处的图像,获取的对应的面积参数、对角线长度参数和对比度参数中的至少一种。
在步骤S232中,所述与任意偏差图像对应的指定子预设偏差范围是:若干子预设偏差范围中,与所述任意偏差图像对应的偏差位置信息,所对应的标准区的子预设偏差范围。
具体而言,根据偏差位置信息与标准区的对应关系,在若干子预设偏差范围中,确定与任意偏差图像对应的指定子预设偏差范围。
请参考图6,图6是本发明一实施例的获取对应的若干第一瑕疵图像和若干第一瑕疵特征数据的方法的流程示意图,针对步骤S300,当检测到若干第一瑕疵时,获取对应的若干第一瑕疵图像和若干第一瑕疵特征数据的方法还包括:
步骤S310,根据与第一瑕疵对应的偏差图像获取第一瑕疵图像;
步骤S320,根据与第一瑕疵对应的偏差特征数据获取所述第一瑕疵特征数据。
在本实施例中,所述第一瑕疵图像可以直接是与第一瑕疵对应的偏差图像,也可以是对第一瑕疵对应的偏差图像进行图像处理后获取的图像。具体的,所述图像处理例如是,根据偏差图像的轮廓形成的轮廓化的图像,或者是对偏差图像的轮廓进行轮廓简化形成图像等等。
在本实施例中,所述第一瑕疵特征数据包括:与第一瑕疵图像对应的瑕疵位置信息和瑕疵特征参数。
所述与第一瑕疵图像对应的瑕疵位置信息是指:与相应的第一瑕疵对应的偏差位置信息。例如:坐标信息或者对应的标准区的类型等。
所述与第一瑕疵图像对应的瑕疵特征参数是指:与相应的第一瑕疵对应的偏差特征参数。
具体的,所述瑕疵特征参数包括:与第一瑕疵图像对应的面积参数、对角线长度参数和对比度参数中的至少一种。
在其他实施例中,对与第一瑕疵对应的偏差特征数据进行数据处理后,获取第一瑕疵特征数据。
请继续参考图1,所述第一深度学习模型用于根据第一瑕疵图像预测对应的第一瑕疵的瑕疵类别。
优选的,当片状引线框架的类别为刻蚀片时,所述瑕疵类别包括:接桥、漏蚀、半蚀刻位上漏蚀、过蚀、电镀位不良、漏银、散银、表面变色、变形、污渍、污染、外物、刮花、凹痕、公模凹痕、混片、错片、方向调转、产品不符、切口错误、材料片纹、误报警、抖动等。
在一些其他实施例中,将接桥、漏蚀和半蚀刻位上漏蚀作为同一个瑕疵类别,将电镀位不良、漏银和散银作为同一个瑕疵类别,将污渍、污染和外物作为同一个瑕疵类,将刮花、凹痕和公模凹痕作为同一个瑕疵类别,将混片、错片、方向调转、产品不符和切口错误作为同一个瑕疵类别,将材料片纹、误报警和抖动作为同一个瑕疵类别。由此,降低了瑕疵类别预测的复杂度,进一步提高了第一深度学习模型的预测准确度。
优选的,当片状引线框架的类别为冲压片时,所述瑕疵类别包括:起丝、金属碎、金属外物、不完全冲压、轮廓不完整、烂孔、电镀位不良、漏银、散银、表面变色、变形、污渍、污染、非金属外物、刮花、凹痕、公模凹痕、混片、错片、方向调转、产品不符、切口错误、材料片纹、误报警、抖动等。
在一些其他实施例中,将起丝、金属碎和金属外物作为同一个瑕疵类别,将不完全冲压、轮廓不完整和烂孔作为同一个瑕疵类别,将电镀位不良、漏银和散银作为同一个瑕疵类别,将污渍、污染和非金属外物作为同一个瑕疵类,将刮花、凹痕和公模凹痕作为同一个瑕疵类别,将混片、错片、方向调转、产品不符和切口错误作为同一个瑕疵类别,将材料片纹、误报警和抖动作为同一个瑕疵类别。由此,降低了瑕疵类别预测的复杂度,进一步提高了第一深度学习模型的预测准确度。
图7至图8是本发明一实施例的形成第一深度学习模型的方法的流程示意图。
请参考图7,针对步骤S400中的第一深度学习模型,形成所述第一深度学习模型的方法包括:
步骤S410,收集多个瑕疵样本图像;
步骤S420,对多个瑕疵样本图像进行瑕疵类别的标注,形成多个瑕疵处理图像;
步骤S430,基于多个瑕疵处理图像对初始的第一深度学习模型进行多次迭代训练。
在本实施例中,提供多个样本引线框架,并基于所述多个样本引线框架收集多个瑕疵样本图像。
具体的,基于所述多个样本引线框架,收集多个瑕疵样本图像的方法,可参考步骤S100至步骤S300的基于第一引线框架,获取第一瑕疵图像的方法,在此不再赘述。
在一些实际的应用场合中,所述样本引线框架为试产阶段的片状引线框架,并且,第一引线框架为量产阶段的片状引线框架。由此,通过试产阶段的片状引线框架,对初始的第一深度学习模型进行迭代训练,形成在量产阶段中,对当前待出货的片状引线框架进行出货等级判断时,使用的第一深度学习模型,以使量产阶段的片状引线框架实现高度自动化的出货判断。
在本实施例中,针对步骤S420,对多个瑕疵样本图像进行瑕疵类别的标注,形成多个瑕疵处理图像的方法包括:
步骤S421,提供与各瑕疵类别对应的颜色或填充图案;
步骤S422,根据所述对应的颜色或填充图案,标注瑕疵类别。
在本实施例中,步骤S430中的初始的第一深度学习模型包括:CNN神经网络卷积模型。
在其他实施例中,初始的第一深度学习模型还可以是ViT(Vision Transformer)模型。
请参考图8,针对步骤S430,所述多次迭代训练中的第n次的方法包括:
步骤S431,基于多个瑕疵处理图像中的第n个,对历史上第n-1次迭代训练形成的第一深度学习模型进行第n次迭代训练;
步骤S432,对第n次迭代训练形成的第一深度学习模型进行评估,获取第n评估结果;
当所述第n评估结果满足预设条件时,执行步骤S433,停止所述迭代训练;
当所述第n评估结果不满足预设条件时,执行步骤S434,进行多次迭代训练中的第n+1次。
所述n为自然数,并且,当n=1时,所述历史上第n-1次迭代训练形成的第一深度学习模型为所述初始的第一深度学习模型。
具体而言,当次迭代训练时,通过未使用的瑕疵处理图像,对前一次迭代训练形成的第一深度学习模型继续训练,直至对形成的第一深度学习模型进行评估时所获取的评估结果满足预设条件,以获取步骤S400中使用的第一深度学习模型。
需要理解的是,瑕疵处理图像的数量是根据迭代训练的次数变化的。
在本实施例中,所述第n评估结果为:第一深度学习模型的预测准确率;所述预设条件为:第一深度学习模型的预测准确率满足预设的预测准确率。
具体而言,本实施例中,通过测试集和验证机对第一深度学习模型进行评估,并判断第n评估结果是否满足预设条件。
在其他实施例中,所述第n评估结果为:形成第一深度学习模型所进行的迭代训练的次数。并且,所述预设条件是:形成第一深度学习模型所进行的迭代训练的次数到达预设次数。即:当形成第一深度学习模型所进行的迭代训练的次数到达预设次数时,执行步骤S433;否则,执行步骤S434。
在一些实际的应用场合中,在形成第一深度学习模型后,封装所述第一深度学习模型,并且,将封装后的第一深度学习模型上传至服务器。在此基础上,使用的所述引线框架的出货方法的系统自服务器获取所述第一深度学习模型,以执行步骤S400。
请继续参考图1,在本实施例中,所述出货等级包括:好片等级和坏片等级。其中,所述好片等级是指:当前的片状引线框架符合出货标准;所述坏片等级是指:当前的片状引线框架不符合出货标准。
请参考图9,图9是本发明一实施例的判断第一引线框架的出货等级的方法的流程示意图,针对步骤S500,根据若干第一瑕疵特征数据和若干第一瑕疵的瑕疵类别,判断所述第一引线框架的出货等级的方法包括:
步骤S510,提供预设出货规则,所述预设出货规则包括出货等级、瑕疵类别和瑕疵特征数据范围之间的对应关系;
步骤S520,根据所述预设出货规则,对若干第一瑕疵、若干第一瑕疵特征数据和若干第一瑕疵的瑕疵类别进行判断,获取所述第一引线框架的出货等级。
在本实施例中,出货等级、瑕疵类别和瑕疵特征数据范围之间的对应关系包括:出货等级、瑕疵类别、瑕疵特征参数和瑕疵位置信息四者之间的对应关系。
在一些其他实施例中,出货等级、瑕疵类别和瑕疵特征数据范围之间的对应关系包括:出货等级、瑕疵类别、瑕疵特征参数三者之间的对应关系,或者,出货等级、瑕疵类别、瑕疵位置信息三者之间的对应关系等。
在另一些其他实施例中,预设出货规则还可以包括第一瑕疵的数量、出货等级、瑕疵类别和瑕疵特征数据范围之间的对应关系。
需要理解的是,步骤S520是指:将判断出的若干第一瑕疵、以及获取的若干第一瑕疵的严重等级,与预设出货规则中的对应关系进行比较和判断,得到相应的出货等级。
请继续参考图1,在本实施例中,所述的引线框架的出货方法还包括:
当未检测到第一瑕疵时,执行步骤S600,判断所述第一引线框架的出货等级为好片等级;以及,
当判断所述第一引线框架的出货等级为好片等级时,执行步骤S710,接收所述第一引线框架;
当判断所述第一引线框架的出货等级为坏片等级时,执行步骤S720,拒绝接收所述第一引线框架。
在还有一些其他实施例中,所述出货等级包括:好片等级、返工等级和坏片等级。并且,所述好片等级是指:当前的片状引线框架符合出货标准。所述返工等级是指:当前的片状引线框架不符合出货标准,但能够进行返工,以满足出货标准。由此,进一步增加了片状引线框架的出货量,节约了制造成本。相应的,所述坏片等级是指:当前的片状引线框架不符合出货标准,并且,无法进行返工。
与此同时,引线框架的出货方法还包括:当判断所述第一引线框架的出货等级为返工等级时,执行步骤S730,对所述第一引线框架进行返工。
请继续参考图1,在本实施例中,所述引线框架的出货方法还包括:
步骤S800,评估第一深度学习模型预测的至少1个第一瑕疵的瑕疵类别是否错误;
当预测错误时,执行步骤S810,对第一瑕疵对应的第一瑕疵图像进行瑕疵类别的标注,形成第一瑕疵处理图像;
步骤S820,基于若干第一瑕疵处理图像,训练处理若干第一瑕疵图像的第一深度学习模型。
由此,通过收集错误的预测结果对应的第一瑕疵图像,对第一深度学习模型继续进行训练,以进一步完善第一深度学习模型,从而,进一步提高了第一深度学习模型的预测准确率,以在后续对未进行出货等级判断的片状引线框架进行更为准确的出货等级判断,进而,更有效地降低了片状引线框架错误出货的风险。
在本实施例中,步骤S800中,评估第一深度学习模型预测的每个第一瑕疵的瑕疵类别是否错误。
一些其他实施例中,也可以评估第一深度学习模型预测的1个或部分的瑕疵类别是否错误。例如,可以采用抽检的方式进行评估。
在本实施例中,执行步骤S810的方法请参考执行步骤S420(如图7所示)的方法,在此不再赘述。
在本实施例中,执行步骤S820的方法请参考执行步骤S430(如图7所示)的方法,在此不再赘述。
相应的,在一些实际的应用场合中,在执行步骤S820以完善第一深度学习模型后,将完善后的第一深度学习模型封装,并且,将封装后的第一深度学习模型上传至服务器,以对现有的第一深度学习模型进行更新。
虽然本发明披露如上,但本发明并非限定于此。任何本领域技术人员,在不脱离本发明的精神和范围内,均可作各种更动与修改,因此本发明的保护范围应当以权利要求所限定的范围为准。
Claims (13)
1.一种引线框架的出货方法,其特征在于,包括:
根据第一引线框架,获取第一引线框架的源图像;
根据所述第一引线框架的源图像检测第一瑕疵,所述第一瑕疵为第一引线框架的瑕疵;
当检测到若干第一瑕疵时,获取对应的若干第一瑕疵图像和若干第一瑕疵特征数据;
采用第一深度学习模型对若干第一瑕疵图像进行处理,获取每个第一瑕疵的瑕疵类别;
根据若干第一瑕疵特征数据和若干第一瑕疵的瑕疵类别,判断所述第一引线框架的出货等级。
2.如权利要求1所述的引线框架的出货方法,其特征在于,根据所述第一引线框架的源图像检测第一瑕疵的方法包括:
提供标准模板图像;
提供与所述标准模板图像对应的预设偏差范围;
根据所述标准模板图像、所述预设偏差范围和所述第一引线框架的源图像检测第一瑕疵。
3.如权利要求2所述的引线框架的出货方法,其特征在于,所述标准模板图像包括若干标准区,并且,所述预设偏差范围包括与各标准区对应的子预设偏差范围。
4.如权利要求3所述的引线框架的出货方法,其特征在于,根据所述标准模板图像、所述预设偏差范围和所述第一引线框架的源图像检测第一瑕疵的方法包括:
根据所述第一引线框架的源图像和所述标准模板图像,获取若干偏差图像和对应的若干偏差特征数据,所述偏差特征数据包括偏差位置信息和偏差特征参数,并且,每个偏差位置信息还与若干标准区中的一个对应;
当与所述任意偏差图像对应的偏差特征参数,超出与所述任意偏差图像对应的指定子预设偏差范围时,检测到具有与所述任意偏差图像对应的第一瑕疵,所述与任意偏差图像对应的指定子预设偏差范围是与所述任意偏差图像对应的偏差位置信息所对应的标准区的子预设偏差范围;
并且,当检测到若干第一瑕疵时,获取对应的若干第一瑕疵图像和若干第一瑕疵特征数据的方法包括:
根据与第一瑕疵对应的偏差图像获取第一瑕疵图像;
根据与第一瑕疵对应的偏差特征数据获取所述第一瑕疵特征数据。
5.如权利要求3所述的引线框架的出货方法,其特征在于,若干标准区的类型包括电镀及关键区、半蚀刻区、功能区、非功能区、路轨及定位孔区、以及低阈值区中的至少一种。
6.如权利要求1所述的引线框架的出货方法,其特征在于,所述第一瑕疵特征数据包括:与第一瑕疵图像对应的瑕疵位置信息和瑕疵特征参数,并且,所述瑕疵特征参数包括与第一瑕疵图像对应的面积参数、对角线长度参数、以及对比度参数中的至少一种。
7.如权利要求1所述的引线框架的出货方法,其特征在于,形成所述第一深度学习模型的方法包括:
收集多个瑕疵样本图像;
对多个瑕疵样本图像进行瑕疵类别的标注,形成多个瑕疵处理图像;
基于多个瑕疵处理图像对初始的第一深度学习模型进行多次迭代训练。
8.如权利要求7所述的引线框架的出货方法,其特征在于,所述多次迭代训练中的第n次的方法包括:
基于多个瑕疵处理图像中的第n个,对历史上第n-1次迭代训练形成的第一深度学习模型进行第n次迭代训练,n为自然数,并且,当n=1时,所述历史上第n-1次迭代训练形成的第一深度学习模型为所述初始的第一深度学习模型;
对第n次迭代训练形成的第一深度学习模型进行评估,获取第n评估结果;
当所述第n评估结果满足预设条件时,停止所述迭代训练。
9.如权利要求8所述的引线框架的出货方法,其特征在于,还包括:
评估第一深度学习模型预测的至少1个第一瑕疵的瑕疵类别是否错误;
当预测错误时,对第一瑕疵对应的第一瑕疵图像进行瑕疵类别的标注,形成第一瑕疵处理图像;
基于若干第一瑕疵处理图像,训练处理若干第一瑕疵图像的第一深度学习模型。
10.如权利要求1所述的引线框架的出货方法,其特征在于,根据若干第一瑕疵特征数据和若干第一瑕疵的瑕疵类别,判断所述第一引线框架的出货等级的方法包括:
提供预设出货规则,所述预设出货规则包括出货等级、瑕疵类别和瑕疵特征数据范围之间的对应关系;
根据所述预设出货规则,对若干第一瑕疵、若干第一瑕疵特征数据和若干第一瑕疵的瑕疵类别进行判断,获取所述第一引线框架的出货等级。
11.如权利要求1所述的引线框架的出货方法,其特征在于,所述出货等级包括好片等级和坏片等级,并且,所述的引线框架的出货方法还包括:
当判断所述第一引线框架的出货等级为好片等级时,接收所述第一引线框架;
当判断所述第一引线框架的出货等级为坏片等级时,拒绝接收所述第一引线框架。
12.如权利要求11所述的引线框架的出货方法,其特征在于,所述出货等级还包括返工等级,并且,所述的引线框架的出货方法还包括:当判断所述第一引线框架的出货等级为返工等级时,对所述第一引线框架进行返工。
13.如权利要求11所述的引线框架的出货方法,其特征在于,还包括:当未检测到第一瑕疵时,判断所述第一引线框架的出货等级为好片等级。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111336928.3A CN116128788A (zh) | 2021-11-12 | 2021-11-12 | 引线框架的出货方法 |
TW111143269A TWI837941B (zh) | 2021-11-12 | 2022-11-11 | 引線框架的出貨方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111336928.3A CN116128788A (zh) | 2021-11-12 | 2021-11-12 | 引线框架的出货方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116128788A true CN116128788A (zh) | 2023-05-16 |
Family
ID=86295996
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111336928.3A Pending CN116128788A (zh) | 2021-11-12 | 2021-11-12 | 引线框架的出货方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116128788A (zh) |
-
2021
- 2021-11-12 CN CN202111336928.3A patent/CN116128788A/zh active Pending
Also Published As
Publication number | Publication date |
---|---|
TW202319736A (zh) | 2023-05-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US6605478B2 (en) | Kill index analysis for automatic defect classification in semiconductor wafers | |
US6613590B2 (en) | Yield based, in-line defect sampling method | |
US6766208B2 (en) | Automatic production quality control method and system | |
US10636133B2 (en) | Automated optical inspection (AOI) image classification method, system and computer-readable media | |
Mital et al. | A comparison between manual and hybrid methods in parts inspection | |
CN109285791B (zh) | 设计布局为主的快速在线缺陷诊断、分类及取样方法及系统 | |
CN111275700A (zh) | 基于深度学习的端子缺陷检测方法及系统 | |
CN115953373B (zh) | 玻璃缺陷检测方法、装置、电子设备及存储介质 | |
CN115578377B (zh) | 一种面板缺陷的检测方法、训练方法、装置、设备及介质 | |
CN115690670A (zh) | 一种晶圆瑕疵智能识别方法和系统 | |
CN115360116B (zh) | 一种晶圆的缺陷检测方法及系统 | |
CN107689335B (zh) | 一种多种产品晶圆缺陷的分析方法 | |
CN117392042A (zh) | 缺陷检测方法、缺陷检测设备及存储介质 | |
US6539272B1 (en) | Electric device inspection method and electric device inspection system | |
CN112985515A (zh) | 一种产品紧固件装配合格性检测方法、系统及存储介质 | |
CN117589770A (zh) | Pcb贴片板检测方法、装置、设备及介质 | |
CN116128788A (zh) | 引线框架的出货方法 | |
US20040124830A1 (en) | Method for analyzing defect inspection parameters | |
CA2317803A1 (en) | Method for inspecting inferiority in shape | |
CN116128787A (zh) | 引线框架的出货方法 | |
TWI837941B (zh) | 引線框架的出貨方法 | |
CN114911085A (zh) | 分析缺陷的方法 | |
CN111693533B (zh) | 工件表面质量的检测方法及检测装置、外观机 | |
TWM619409U (zh) | 智慧化加工系統 | |
CN105277569A (zh) | 基于三维特征的线路板检测方法 |
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 |