CN117611952B - 一种led封装结构的制备方法 - Google Patents
一种led封装结构的制备方法 Download PDFInfo
- Publication number
- CN117611952B CN117611952B CN202410069186.XA CN202410069186A CN117611952B CN 117611952 B CN117611952 B CN 117611952B CN 202410069186 A CN202410069186 A CN 202410069186A CN 117611952 B CN117611952 B CN 117611952B
- Authority
- CN
- China
- Prior art keywords
- led
- feature vector
- cutting
- training
- sample
- 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.)
- Active
Links
- 238000004806 packaging method and process Methods 0.000 title claims abstract description 21
- 238000002360 preparation method Methods 0.000 title abstract description 7
- 239000013598 vector Substances 0.000 claims abstract description 134
- 238000012545 processing Methods 0.000 claims abstract description 109
- 238000005520 cutting process Methods 0.000 claims abstract description 82
- 238000009826 distribution Methods 0.000 claims abstract description 81
- 238000012549 training Methods 0.000 claims abstract description 80
- 238000000034 method Methods 0.000 claims abstract description 55
- 238000012858 packaging process Methods 0.000 claims abstract description 25
- 238000003698 laser cutting Methods 0.000 claims abstract description 17
- 238000012216 screening Methods 0.000 claims abstract description 16
- 239000000758 substrate Substances 0.000 claims description 25
- 239000000084 colloidal system Substances 0.000 claims description 20
- 238000004519 manufacturing process Methods 0.000 claims description 16
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 239000004065 semiconductor Substances 0.000 abstract description 2
- 210000002569 neuron Anatomy 0.000 description 10
- 230000000694 effects Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000005538 encapsulation Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N Silicium dioxide Chemical compound O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 description 1
- 229910000831 Steel Inorganic materials 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000000919 ceramic Substances 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000011248 coating agent Substances 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 239000011889 copper foil Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000003292 glue Substances 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 238000005088 metallography Methods 0.000 description 1
- 238000005498 polishing Methods 0.000 description 1
- 230000036544 posture Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000011347 resin Substances 0.000 description 1
- 229920005989 resin Polymers 0.000 description 1
- 238000007650 screen-printing Methods 0.000 description 1
- 239000000741 silica gel Substances 0.000 description 1
- 229910002027 silica gel Inorganic materials 0.000 description 1
- 229910000679 solder Inorganic materials 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 238000007740 vapor deposition Methods 0.000 description 1
- 238000003466 welding Methods 0.000 description 1
- 238000004383 yellowing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
- G06N3/061—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using biological neurons, e.g. biological neurons connected to an integrated circuit
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
- H01L33/00—Semiconductor devices with at least one potential-jump barrier or surface barrier specially adapted for light emission; Processes or apparatus specially adapted for the manufacture or treatment thereof or of parts thereof; Details thereof
- H01L33/48—Semiconductor devices with at least one potential-jump barrier or surface barrier specially adapted for light emission; Processes or apparatus specially adapted for the manufacture or treatment thereof or of parts thereof; Details thereof characterised by the semiconductor body packages
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
- H01L2933/00—Details relating to devices covered by the group H01L33/00 but not provided for in its subgroups
- H01L2933/0008—Processes
- H01L2933/0033—Processes relating to semiconductor body packages
-
- 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
Abstract
本发明涉及LED半导体封装切割技术领域,具体涉及一种LED封装结构的制备方法。该方法根据历史封装过程中的激光切割数控代码及其加工时间获得加工代价值。根据加工代价值筛选出两类第一训练样本并参与孪生网络的训练,利用孪生网络提取LED分布图像的第一特征向量的第二特征向量。利用第二特征向量进行训练,获得预测专家模型和样本分类器。利用样本分类器筛选出复杂样本并利用振动托盘将其改变为非复杂样本,非复杂样本参与预测专家模型的预测,根据一个预测加工时长进行封装切割。本发明通过两种模型的协同工作,实现对批量LED封装切割的有效预测与控制。
Description
技术领域
本发明涉及LED半导体封装切割技术领域,具体涉及一种LED封装结构的制备方法。
背景技术
LED封装过程为制备LED结构的重要流程,通过对结构的切割将LED结构修正为预设的结构,进而产生一定的物料效果。在现有的LED封装过程中可通过自动化的激光切割过程完成大批量的LED切割。但是在实际进行的批量切割过程中,因为托盘上LED的姿态不同,在切割过程中会频繁改变切割路径,因此每个封装过程中的加工时间是不定的,如果无法设置准确的加工时间就会导致切割不完全或者过切割,影响最终成品。现有技术中可通过托盘上LED的图像信息作为特征信息,训练预测模型进而识别加工时间,但是一个批量切割过程中的待封装切割LED结构较多,直接利用图像特征作为预测模型的训练数据会因为图像特征信息量较大且特征不清晰导致预测模型的准确度受到影响,并且现有技术中未考虑到预测模型的泛化能力,对于无法预测加工时长的封装过程仍使用模型输出的预测加工时长进行切割会进一步影响成品质量。
发明内容
为了解决现有技术中加工时长预测模型的不准确导致影响LED封装成品质量技术问题,本发明的目的在于提供一种LED封装结构的制备方法,所采用的技术方案具体如下:
本发明提出了一种LED封装结构的制备方法,所述方法包括:
获取历史封装过程中承载有多个待封装切割LED的振动托盘上的LED分布图像;
获得所述LED分布图像中的第一特征向量,所述第一特征向量包括纹理特征向量和LED姿态特征向量;
对所述LED分布图像对应的激光切割数控代码的加工时间进行均分,获得每个均分时间段内对应的切割坐标;根据每个所述均分时间段内所述切割坐标的分布特征,以及所述加工时间,获得加工代价值;
根据所述加工代价值在多个LED分布图像中筛选出两类第一训练样本,将两类第一训练样本的所述第一特征向量作为孪生网络的训练数据,根据孪生网络获得每个第一特征向量的第二特征向量;基于所述孪生网络中的隐含层,将所述第二特征向量及其对应的加工时长作为训练数据,获得预测专家模型;根据预测专家模型输出的加工时长筛选出复杂样本,根据所述复杂样本训练样本分类器;
将实时LED分布图像的实时第二特征向量输入所述样本分类器中,若判定为复杂样本,则启动振动托盘进行振动,重新获取所述实时第二特征向量;若判定为非复杂样本,则将所述实时第二特征向量输入所述预测专家模型中,根据所述预测专家模型输出预测加工时长,根据所预测加工时长对振动托盘上的所有待封装切割LED进行封装切割。
进一步地,所述纹理特征向量的获取方法包括:
获得所述LED分布图像不同预设方向下的梯度图像,获取每个梯度图像的梯度直方图,根据所述梯度直方图中的统计信息构建直方图向量,将所有方向下的所述直方图向量相连,获得所述纹理特征向量。
进一步地,所述LED姿态特征向量的获取方法包括:
将所述LED分布图像中每个待封装切割LED的与模板LED进行匹配,获得每个待封装切割LED的相对偏移角度;构建所述相对偏移角度的偏移角度直方图并获得偏移角度直方图向量,将偏移角度直方图向量作为所述LED姿态特征向量。
进一步地,所述获得每个均分时间段内对应的切割坐标包括:
统计每个均分时间段内激光切割数控代码中激光器开启状态下的坐标;统计连续激光器开启状态下的坐标的起点坐标和终止坐标,作为所述切割坐标。
进一步地,所述加工代价值的获取方法包括:
将所述LED分布图像均匀划分为多个子区域;
在一个均分时间段内,统计每个子区域内的切割坐标数量,将所有子区域内的切割坐标数量平均值与切割坐标数量最大值的比值作为初始切割坐标值分布特征值;
将所有均分时间段的所述初始切割坐标值分布特征值累加,获得整体切割坐标值分布特征值;将激光切割数控代码的加工时间与所述整体切割坐标值分布特征值的比值作为所述加工代价值。
进一步地,所述第一训练样本的获取方法包括:
根据所述加工代价值由小到大地将所述LED分布图像进行排序,获得样本集合;选择样本集合中的前预设比例个样本作为第一类第一训练样本,选择样本集合中后预设比例个样本作为第二类第一训练样本。
进一步地,筛选出两类第一训练样本之后还包括训练集扩充操作,将扩充后的第一训练样本作为孪生网络的训练数据。
进一步地,所述根据预测专家模型输出的加工时长筛选出复杂样本,包括:
在训练过程中,将历史封装过程的真实加工时长乘以预设容忍比例,获得对比时长,若所述预测专家模型输出的加工时长小于对应的对比时长,则将对应的所述第一训练样本作为复杂样本。
进一步地,所述方法还包括模型更新过程,所述模型更新过程包括:
将筛选出的所有所述复杂样本存放至复杂样本集合,所述复杂样本集合中的最大元素数量为预设固定数量,若所述复杂样本集合中的元素数量达到了最大元素数量,则后续每次存放一个复杂样本,将时序上最早的封装过程对应的复杂样本剔除;
利用所述复杂样本集合重新训练所述样本分类器。
进一步地,LED的封装结构为:
所述封装结构为一个六面体;安装有LED芯片的基板为梯形基板,所述梯形基板正上方包含与梯形基板平行且大小相等的正面胶体结构,根据所述梯形基板和所述正面胶体结构获得其他侧面胶体结构。
本发明具有如下有益效果:
本发明实施例首先提取LED分布图像的第一特征向量,因为第一特征向量为维度较高信息量较为复杂的初始特征,不能直接参与模型训练中,因此利用加工代价值筛选出两类第一训练样本并进行孪生网络的训练,利用孪生网络对第一特征向量进行进一步的特征提取与训练,获得准确度较高参考性较强的预测专家模型。考虑到预测专家模型的预测能力具有一定的上限,因此进一步通过样本筛选与训练获得样本分类器,在后续实时进行批量封装过程中,首先根据样本分类器判断是否为预测专家模型无法预测的复杂样本,进而利用托盘的振动改变LED的分布,使得预测专家模型的预测结果总能具有较强的参考性,进而根据预测出的加工时间进行LED封装切割即可获得品质优秀的产品。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它附图。
图1为本发明一个实施例所提供的一种LED封装结构的制备方法流程图;
图2为本发明一个实施例所提供的一种LED封装结构示意图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种LED封装结构的制备方法,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种LED封装结构的制备方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种LED封装结构的制备方法流程图,该方法包括:
步骤S1:获取历史封装过程中承载有多个待封装切割LED的振动托盘上的LED分布图像。
在本发明实施例中,为了保证后续预测专家模型的训练数据量,选择至少100轮封装过程作为历史封装过程。
优选地,在本发明实施例中LED封装结构为一个六面体;安装有LED芯片的基板为梯形基板,梯形基板正上方包含与梯形基板平行且大小相等的正面胶体结构,根据梯形基板和正面胶体结构获得其他侧面胶体结构。请参阅图2,其示出了本发明一个实施例所提供的一种LED封装结构示意图,图2中LED芯片A安装在第一焊线B和第二焊线C上,第一焊线B和第二焊线C固定在梯形基板b上,梯形基板b正上方为平行且大小相等正面胶体结构a,根据梯形基板b和正面胶体a即可获得第一侧面胶体结构c、第二侧面胶体结构d、第三侧面胶体结构e和第四侧面胶体结构f,其中第一侧面胶体结构c和第二侧面胶体结构d平行但尺寸不等,第三侧面胶体结构e和第四侧面胶体结构f既不平行尺寸也不相同。即封装结构为可视为一种长方体的截角长方体。本发明实施例中的封装结构不具有完全的镜面对称性,其为一种异型封装结构。在封装流程中可根据各面的特殊形状直接辨别LED的出光面,还可以根据出光面各边长大小判断LED的正负极,不需要对LED封装体进行编带,能够减少产品制造的流程和成本。
需要说明的是,具体LED封装过程为本领域技术人员熟知的技术手段,在本发明一个实施例中,仅对封装过程的具体步骤进行简述,其涉及到的例如模板匹配等具体算法或者步骤均为本领域技术人员熟知,不再赘述。封装过程的具体步骤包括:
(1)制备LED封装的矩形基板,矩形基板带有铜箔层,基板分为绝缘区域和焊线区域,材质可为陶瓷、FR4等,尺寸可设置为3mm×5mm至10mm×15mm不等,具体尺寸可根据封装要求设置。
(2)在基板上对焊线区域布线并预留焊盘,通过丝网印刷或者蒸镀制作电极图案,保证电流流通。焊线宽度可设置在100mm到300mm之间,具体可根据封装要求进行设置。
(3)将LED芯片通过电导性胶或者焊料焊接到基板焊线区域的焊盘上。需要说明的是,本领域现有技术一般使用金线键合机将LED芯片的正负极焊接到基板焊盘上并进行电连接。
(4)在基板上LED芯片周围注入树脂或者硅胶等荧光胶体,形成光转换层,固定和保护LED芯片,获得待封装切割LED。
(5)将待封装切割LED放置在切割平台中,识别待切割LED的位置,通过模板匹配确定切割路径。需要说明的是,切割路径具体可根据匹配结果以及封装结构图中异型侧面的边来决定。激光切割束可根据切割路径切割出封装结构的侧面,切割深度可达基板内部,在切割过程中需要校准激光功率,激光功率一般在5W到20W之间,功率过大会烧毁LED芯片,功率过小会导致切割不够充分。
(6)对切割后的LED金相抛光、镀膜等后处理,使得切口平整、厚度均匀、增强导热性。
在本发明一个实施例中,振动托盘为钢制的平面托盘,在托盘上方连接有制动器,通过制动器将待封装切割LED送入托盘中。并且托盘还包括均匀且密集的小孔,通过小孔可在切割过程进行快速散热,并防止气化物质粘连在LED表面,避免LED出现高温发黄现象。托盘上还装有振动装置,在后续过程中可通过振动装置控制托盘振动,进而改变待封装切割LED的姿态分布。
在本发明一个实施例中,利用线扫描相机得到高分辨率的LED分布图像,即线扫描相机部署在振动托盘正上方,通过步进电机驱动线扫描相机的移动,通过扫描方式获取托盘上所有待封装切割LED的分布信息。在本发明实施例中,LED分布图像是通过扫描得到的,即其为一张拼接而成的全景图,分辨率为12800×12040,并且为一张灰度图。需要说明的是,具体LED分布图像的分辨率取决于托盘的尺寸以及相机的分辨率,在此不做限定。
步骤S2:获得LED分布图像中的第一特征向量,第一特征向量包括纹理特征向量和LED姿态特征向量。
为了后续的预测专家模型的训练,需要提取LED分布图像中的第一特征向量,第一特征向量表示从图像中提取出的原始特征向量,具有维度高、信息较复杂的数据特征,其中第一特征向量包括纹理特征向量和LED姿态特征向量,纹理特征向量用于表征LED分布图像中的纹理特征,通过纹理特征表现出托盘内待封装切割LED的分布情况;LED姿态特征向量通过振动托盘上每个待封装切割LED的姿态表征当前的LED分布情况。
在本发明一个实施例中,为了更精细化分析LED分布图像,将LED分布图像均匀划分为九个子区域,在提取第一特征向量时,提取每个子区域内的第一特征向量,将所有子区域内的第一特征向量进行拼接组合获得LED分布图像的第一特征向量。需要说明的是,在进行拼接时应当遵循纹理特征向量与纹理特征向量拼接,LED姿态特征向量与LED姿态特征向量拼接,并且两类特征向量的拼接顺序是相同的。
优选地,在本发明一个实施例中纹理特征向量的获取方法包括:
获得LED分布图像不同预设方向下的梯度图像,获取每个梯度图像的梯度直方图,根据梯度直方图中的统计信息构建直方图向量,将所有方向下的直方图向量相连,获得纹理特征向量。
在本发明实施例中,预设方向设置为6个方向,即一个水平方向一个垂直方向和四个对角方向,利用六个方向的卷积核分别处理LED分布图像即可获得不同方向下的梯度图像,六个卷积核分别为:、/>、/>、、/>、/>。
需要说明的是,在本发明一个实施例中,获得梯度图像之后还需要对梯度图像进行数值修剪处理,忽略掉图像中的负值,将所有负值都置为0,避免负值对后续分析的影响。
在本发明一个实施例中,梯度直方图中的梯度等级划分为16个区间,每个区间对应一个频次,将频次归一化后构成直方图向量,即直方图向量为一个长度为16的向量,一共有六个梯度直方图,即所有方向下的直方图向量相连后可得到长度为96的纹理特征向量。
需要说明的是,在本发明一个实施例中,由于划分了九个子区域,则按照子区域顺序将长度为96的纹理特征向量相连后可获得长度为864的LED分布图像的纹理特征向量。通过连接向量可以避免丢失整个图像在空间的潜在信息,能够保证特征的完整有效。
优选地,在本发明一个实施例中LED姿态特征向量的获取方法包括:
将LED分布图像中每个待封装切割LED的与模板LED进行匹配,获得每个待封装切割LED的相对偏移角度;构建相对偏移角度的偏移角度直方图并获得偏移角度直方图向量,将偏移角度直方图向量作为LED姿态特征向量。在本发明实施例中采用PatMax模板匹配算法进行模板匹配,PatMax模板匹配是一种基于特征点的模板匹配算法,能够在图像中寻找与模板最接近的位置并计算出姿态信息,该算法具有较高的鲁棒性和准确性,可适用于反光、变形、旋转等多个场景下的目标匹配。需要说明的是,模板LED为相机在基准角度下拍摄得到的一颗正射高质量的图像模板,并且模板LED大小与LED分布图像中各颗待封装切割LED的大小相同。
需要说明的是,在本发明一个实施例中,LED姿态特征向量中的各个元素经过去量纲处理,并且相对偏移角度为0到180之间的角度,在构建偏移角度直方图过程中以每5度作为一个区间进行划分,获得36维的LED姿态特征向量。
在本发明一个实施例中,由于划分了九个子区域,则与纹理特征向量相似地,将九个子区域的LED姿态特征向量进行拼接,获得324维的LED姿态特征向量。
需要说明的是,第一特征向量表征的是当前振动托盘上待封装切割LED的分布特征,因此托盘上的待封装切割LED每改变一次分布,均可获得对应的第一特征向量。
步骤S3:对LED分布图像对应的激光切割数控代码的加工时间进行均分,获得每个均分时间段内对应的切割坐标;根据每个均分时间段内切割坐标的分布特征,以及加工时间,获得加工代价值。
在封装切割流程中,不同LED分布的加工路径不同,不同的加工路径需要自适应调整加工时长,进而确保加工质量,避免因为局部加工时间过程导致LED出现过热,或者LED被气流带动发生偏移影响切割的问题。因此对于封装切割过程中加工时间为一个重要的指标。因为历史封装过程中已经完成了封装切割,具有完整的激光切割数控代码,可通过切割数控代码以及对应的加工时长确定当前LED分布图像的对应的封装切割过程的加工代价值,加工代价值能够表征对应封装切割过程的复杂程度,通过加工代价值能够对封装切割过程进行简易区分,方便后续孪生网络的构建。由于切割过程中进给量和空驶的速度是固定的,因此对LED分布图像对应的激光切割数控代码的加工时间进行均分,获得每个均分时间段内对应的切割坐标,在一个均分时间段内,切割坐标分布越不均匀说明当前时间段内的切割过程越复杂,加工代价越大;进一步考虑到整体的加工时间,加工时间越长说明对应封装切割过程越复杂,因此可根据每个均分时间段内所述切割坐标的分布特征,以及所述加工时间,获得加工代价值。
在本发明一个实施例中,按照12秒为时间长度对整个加工时间进行均匀划分。需要说明的是,激光切割数控代码的时间估算与切分每个机床都有各自的功能实现,该部分内容为本领域技术人员熟知的技术手段,在此不做赘述。
优选地,在本发明一个实施例中,获得每个均分时间段内对应的切割坐标包括:
在整个激光切割数控代码中,考虑到激光束关闭时对应的坐标是无参考意义的,激光切割数控代码存在控制激光束开启与关闭状态的代码,因此统计每个均分时间段内激光切割数控代码中激光器开启状态下的坐标。为了进一步提取有效信息,统计连续激光器开启状态下的坐标的起点坐标和终止坐标,作为切割坐标。
优选地,在本发明一个实施例中加工代价值的获取方法包括:
将LED分布图像均匀划分为多个子区域。在本发明一个实施例中,子区域的数量为9个。
在一个均分时间段内,统计每个子区域内的切割坐标数量,将所有子区域内的切割坐标数量平均值与切割坐标数量最大值的比值作为初始切割坐标值分布特征值。即初始切割坐标值分布特征值越大,说明平均值与最大值之间的差距越小,当前切割坐标分布越均匀,则对应的加工代价值应越小。
将所有均分时间段的初始切割坐标值分布特征值累加,获得整体切割坐标值分布特征值;将激光切割数控代码的加工时间与整体切割坐标值分布特征值的比值作为加工代价值。即整体切割坐标值分布特征值越大,说明整个加工时间内切割坐标分布均较为均匀,说明对应封装切割过程越不复杂,则对应的加工代价值越小;加工时间越短说明应封装切割过程越不复杂,则对应的加工代价值越小。
步骤S4:根据加工代价值在多个LED分布图像中筛选出两类第一训练样本,将两类第一训练样本的第一特征向量作为孪生网络的训练数据,根据孪生网络获得每个第一特征向量的第二特征向量;基于孪生网络中的隐含层,将第二特征向量及其对应的加工时长作为训练数据,获得预测专家模型;根据预测专家模型输出的加工时长筛选出复杂样本,根据复杂样本训练样本分类器。
根据加工代价值可筛选出两类样本,即加工代价值小的样本和加工代价值大的样本。孪生网络是具有两种相同结构分枝的神经网络,将两类第一训练样本分别送入对应的分枝中进行训练能够使得孪生网络学习到加工代价值不同的样本之间较强的非线性关系,进而通过网络学习过程对每个第一特征向量进行进一步的特征提取,获得第二特征向量,第二特征向量的维度远小于第一特征向量,并且能够更精准的表征数据特征,将第二特征向量以及对应的加工时长作为训练数据能够提高后续预测专家模型的准确性。
需要说明的是,孪生网络的结构以及具体训练方法为本领域技术人员熟知的技术手段,在此不做具体赘述,仅简述本发明一个实施例中的孪生网络的简要结构以及训练方法:
(1)孪生网络包括输入层输出层和隐含层。
(2)输入层的神经元数量与输入的第一特征向量的维度相等,输出层的神经元数量与输出的第二特征向量的维度相等。在本发明一个实施例中,第一特征向量包括864维的纹理特征向量和324维的LED姿态特征向量,将纹理特征向量和LED姿态特征向量合并连接后构成1188维的孪生网络输入向量,即输入层的神经元数量为1188;输出层定义为神经元数量为384个的全连接层,即输出层输出的第二特征向量的维度为384。隐含层的层数设置为8,每层神经元数量为800。
(3)将两类第一训练样本之间第一特征向量的余弦相似度作为对比损伤函数进行训练。
优选地,在本发明一个实施例中第一训练样本的获取方法包括:
根据加工代价值由小到大地将LED分布图像进行排序,获得样本集合;选择样本集合中的前预设比例个样本作为第一类第一训练样本,选择样本集合中后预设比例个样本作为第二类第一训练样本。在本发明实施例中,预设比例设置为百分之30。
优选地,在本发明一个实施例中,筛选出两类第一训练样本之后还包括训练集扩充操作,将扩充后的第一训练样本作为孪生网络的训练数据。需要说明的是,训练集扩充为本领域技术人员熟知的技术手段,不做赘述。在本发明一个实施例中,考虑到存在9个子区域,每个子区域均存在对应的纹理特征向量和LED姿态特征向量,因此对于第一类第一训练样本而言,其加工代价值较低,LED分布较为均匀,可认为每个子区域的LED分布特征相仿,因此对于第一类第一训练样本,通过改变子区域之间的纹理特征向量连接顺序实现训练集扩充;对于第二类第一训练样本而言,该类样本为加工代价值较高的样本,存在特殊的LED分布,为了避免扩充训练集导致的空间表征信息发生改变,保持中心子区域的位置不变,改变非中心子区域之间的纹理特征向量连接顺序,实现训练集的扩充。
第二特征向量为能够有效表征LED分布图像中的LED分布信息并且信息量较小,参考性较大的向量。孪生网络的隐含层已经经过了第一训练样本的训练,即隐含层中各个神经元的权重等参数已经训练完成,因此直接利用隐含层作为预测专家模型的结构进行迁移学习,能够更好捕获第二特征向量的特征,避免出现过拟合的现象。即预测专家模型的输入为第二特征向量,输出为加工时长,将第二特征向量及其对应的加工时长作为训练数据进行训练,获得预测专家模型。
在本发明一个实施例中,预测专家模型的简要训练方法包括:
(1)孪生网络中的八个隐含层保留中间六个隐含层,将输入层设定为384个神经元,与六个隐含层的第一层全连接。对于输出层仅有一个神经元,将最后一个隐含层的所有神经元连接到输出层的这一个神经元。
(2)对六个隐含层的权重固定,仅调整输入层和输出层的边权值,使用均方差损伤函数进行训练。
通过训练好的预测专家模型可输出预测的加工时长,但是对于预测专家模型而言并非所有样本都能够很好的进行预测,一些复杂的样本经过预测后得出的加工时长与实际加工时长具有较大的差别,即这些复杂样本不适用于预测专家模型,因此在训练过程中可根据预测专家模型输出的加工时长筛选出复杂样本,对于复杂样本而言可进行进一步训练得到样本分类器。通过样本分类器能够在实际使用过程中首先筛选出样本是否为预测专家模型能够很好预测的样本,进而进行准确的预测。即通过样本分类器和预测专家模型两种模型的配合能够起到准确有效的加工时长预测结果。
优选地,在本发明一个实施例中,根据预测专家模型输出的加工时长筛选出复杂样本,包括:
在训练过程中,将历史封装过程的真实加工时长乘以预设容忍比例,获得对比时长,若预测专家模型输出的加工时长小于对应的对比时长,则认为预测专家模型无法识别LED排布导致的激光加工刀路时间过长的问题,若仍使用输出的加工时长进行加工则会产生品质隐患,因此将对应的第一训练样本作为复杂样本。在本发明一个实施例中,容忍比例设置为0.8。
在本发明一个实施例中,样本分类器为Adaboost分类器,通过Adaboost分类器实现二分类,需要说明的是,在复杂样本筛选完成后,其余样本为非复杂样本,通过两类样本的第二特征向量可直接进行样本分类器的训练,即输入为第二特征向量,输出为复杂标签或者非复杂标签。Adaboost分类器的训练过程为本领域技术人员熟知的技术手段,在此不做赘述。
步骤S5:将实时LED分布图像的实时第二特征向量输入样本分类器中,若判定为复杂样本,则启动振动托盘进行振动,重新获取实时第二特征向量;若判定为非复杂样本,则将实时第二特征向量输入预测专家模型中,根据预测专家模型输出预测加工时长,根据所预测加工时长对振动托盘上的所有待封装切割LED进行封装切割。
因为第二特征向量的优秀特征表现,预测专家模型具有较强的泛化性,能够在少量的前期试产环节训练得到高质量的预测模型,而样本分类器进一步加强了预测专家模型的适用性,并且样本分类器的训练较为简单,通过样本分类器和预测专家模型协同工作能够实现对批量LED封装切割过程的加工时间的准确预测。
在实际使用过程中,将实时LED分布图像的实时第二特征向量输入样本分类器中,进行复杂样本的判定。需要说明的是,实时第二特征向量的获取方法与步骤S2到步骤S4中记载的相同,通过对实时LED分布图像的特征向量提取并输入至孪生网络中即可获得对应的实时第二特征向量。若判定实时LED分布图像为复杂样本,则说明不适用于再进行预测专家模型的处理,此时可启动振动托盘进行振动,进而改变LED的分布,重新获取实时第二特征向量并进行判断,直至判定为非复杂样本;若判定为非复杂样本,则说明可以进行预测专家模型的处理,将实时第二特征向量输入预测专家模型中,输出预测加工时长,根据预测加工时长对振动托盘上的待封装切割LED进行封装切割即可。
在本发明一个实施例中,为了进一步避免加工过程中的隐患,若预测加工时长大于90s,则触发托盘的振动,改变LED分布。
优选地,在本发明一个实施例中,考虑到预测专家模型是预测输出为一个动态过程,每次输出结果均可以再次判断是否为复杂样本,并且样本分类器也在实时获取新的复杂样本,因此可将筛选出的所有复杂样本存放至复杂样本集合,复杂样本集合中的最大元素数量为预设固定数量,若复杂样本集合中的元素数量达到了最大元素数量,则后续每次存放一个复杂样本,将时序上最早的封装过程对应的复杂样本剔除。即在复杂样本集合中,始终保持复杂样本为最新样本,进而利用复杂样本集合可对样本分类器进行训练更新,利用所述复杂样本集合重新训练所述样本分类器。在本发明一个实施例中,最大元素数量设置为1000,更新间隔设置为30次封装切割,即每执行完30次封装切割,则根据此时的复杂样本分类器重新训练样本分类器。
综上所述,本发明实施例根据历史封装过程中的激光切割数控代码及其加工时间获得加工代价值。根据加工代价值筛选出两类第一训练样本并参与孪生网络的训练,利用孪生网络提取LED分布图像的第一特征向量的第二特征向量。利用第二特征向量进行训练,获得预测专家模型和样本分类器。利用样本分类器筛选出复杂样本并利用振动托盘将其改变为非复杂样本,非复杂样本参与预测专家模型的预测,根据一个预测加工时长进行封装切割。本发明通过两种模型的协同工作,实现对批量LED封装切割的有效预测与控制。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
Claims (10)
1.一种LED封装结构的制备方法,其特征在于,所述方法包括:
获取历史封装过程中承载有多个待封装切割LED的振动托盘上的LED分布图像;
获得所述LED分布图像中的第一特征向量,所述第一特征向量包括纹理特征向量和LED姿态特征向量;
对所述LED分布图像对应的激光切割数控代码的加工时间进行均分,获得每个均分时间段内对应的切割坐标;根据每个所述均分时间段内所述切割坐标的分布特征,以及所述加工时间,获得加工代价值;
根据所述加工代价值在多个LED分布图像中筛选出两类第一训练样本,将两类第一训练样本的所述第一特征向量作为孪生网络的训练数据,根据孪生网络获得每个第一特征向量的第二特征向量;基于所述孪生网络中的隐含层,将所述第二特征向量及其对应的加工时长作为训练数据,获得预测专家模型;根据预测专家模型输出的加工时长筛选出复杂样本,根据所述复杂样本训练样本分类器;
将实时LED分布图像的实时第二特征向量输入所述样本分类器中,若判定为复杂样本,则启动振动托盘进行振动,重新获取所述实时第二特征向量;若判定为非复杂样本,则将所述实时第二特征向量输入所述预测专家模型中,根据所述预测专家模型输出预测加工时长,根据所预测加工时长对振动托盘上的所有待封装切割LED进行封装切割。
2.根据权利要求1所述的一种LED封装结构的制备方法,其特征在于,所述纹理特征向量的获取方法包括:
获得所述LED分布图像不同预设方向下的梯度图像,获取每个梯度图像的梯度直方图,根据所述梯度直方图中的统计信息构建直方图向量,将所有方向下的所述直方图向量相连,获得所述纹理特征向量。
3.根据权利要求1所述的一种LED封装结构的制备方法,其特征在于,所述LED姿态特征向量的获取方法包括:
将所述LED分布图像中每个待封装切割LED的与模板LED进行匹配,获得每个待封装切割LED的相对偏移角度;构建所述相对偏移角度的偏移角度直方图并获得偏移角度直方图向量,将偏移角度直方图向量作为所述LED姿态特征向量。
4.根据权利要求1所述的一种LED封装结构的制备方法,其特征在于,所述获得每个均分时间段内对应的切割坐标包括:
统计每个均分时间段内激光切割数控代码中激光器开启状态下的坐标;统计连续激光器开启状态下的坐标的起点坐标和终止坐标,作为所述切割坐标。
5.根据权利要求1所述的一种LED封装结构的制备方法,其特征在于,所述加工代价值的获取方法包括:
将所述LED分布图像均匀划分为多个子区域;
在一个均分时间段内,统计每个子区域内的切割坐标数量,将所有子区域内的切割坐标数量平均值与切割坐标数量最大值的比值作为初始切割坐标值分布特征值;
将所有均分时间段的所述初始切割坐标值分布特征值累加,获得整体切割坐标值分布特征值;将激光切割数控代码的加工时间与所述整体切割坐标值分布特征值的比值作为所述加工代价值。
6.根据权利要求1所述的一种LED封装结构的制备方法,其特征在于,所述第一训练样本的获取方法包括:
根据所述加工代价值由小到大地将所述LED分布图像进行排序,获得样本集合;选择样本集合中的前预设比例个样本作为第一类第一训练样本,选择样本集合中后预设比例个样本作为第二类第一训练样本。
7.根据权利要求1所述的一种LED封装结构的制备方法,其特征在于,筛选出两类第一训练样本之后还包括训练集扩充操作,将扩充后的第一训练样本作为孪生网络的训练数据。
8.根据权利要求1所述的一种LED封装结构的制备方法,其特征在于,所述根据预测专家模型输出的加工时长筛选出复杂样本,包括:
在训练过程中,将历史封装过程的真实加工时长乘以预设容忍比例,获得对比时长,若所述预测专家模型输出的加工时长小于对应的对比时长,则将对应的所述第一训练样本作为复杂样本。
9.根据权利要求1所述的一种LED封装结构的制备方法,其特征在于,所述方法还包括模型更新过程,所述模型更新过程包括:
将筛选出的所有所述复杂样本存放至复杂样本集合,所述复杂样本集合中的最大元素数量为预设固定数量,若所述复杂样本集合中的元素数量达到了最大元素数量,则后续每次存放一个复杂样本,将时序上最早的封装过程对应的复杂样本剔除;
利用所述复杂样本集合重新训练所述样本分类器。
10.根据权利要求1所述的一种LED封装结构的制备方法,其特征在于,LED的封装结构为:
所述封装结构为一个六面体;安装有LED芯片的基板为梯形基板,所述梯形基板正上方包含与梯形基板平行且大小相等的正面胶体结构,根据所述梯形基板和所述正面胶体结构获得其他侧面胶体结构。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410069186.XA CN117611952B (zh) | 2024-01-17 | 2024-01-17 | 一种led封装结构的制备方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410069186.XA CN117611952B (zh) | 2024-01-17 | 2024-01-17 | 一种led封装结构的制备方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117611952A CN117611952A (zh) | 2024-02-27 |
CN117611952B true CN117611952B (zh) | 2024-04-12 |
Family
ID=89954787
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410069186.XA Active CN117611952B (zh) | 2024-01-17 | 2024-01-17 | 一种led封装结构的制备方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117611952B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100767681B1 (ko) * | 2006-12-04 | 2007-10-17 | 엘지전자 주식회사 | 발광 소자 패키지 및 그 제조방법 |
CN108735668A (zh) * | 2017-04-21 | 2018-11-02 | 株式会社迪思科 | 半导体封装的制造方法 |
CN113344886A (zh) * | 2021-06-11 | 2021-09-03 | 长江存储科技有限责任公司 | 晶圆表面缺陷检测方法和设备 |
KR20230120471A (ko) * | 2022-02-09 | 2023-08-17 | 세메스 주식회사 | 마크 분할을 위한 인공 신경망 기반 영상 전처리 방법 및 시스템 |
CN116630728A (zh) * | 2023-05-19 | 2023-08-22 | 重庆大学 | 基于注意力残差孪生网络的加工精度预测方法 |
CN117340450A (zh) * | 2023-12-06 | 2024-01-05 | 国科大杭州高等研究院 | 晶圆切割系统和方法 |
-
2024
- 2024-01-17 CN CN202410069186.XA patent/CN117611952B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100767681B1 (ko) * | 2006-12-04 | 2007-10-17 | 엘지전자 주식회사 | 발광 소자 패키지 및 그 제조방법 |
CN108735668A (zh) * | 2017-04-21 | 2018-11-02 | 株式会社迪思科 | 半导体封装的制造方法 |
CN113344886A (zh) * | 2021-06-11 | 2021-09-03 | 长江存储科技有限责任公司 | 晶圆表面缺陷检测方法和设备 |
KR20230120471A (ko) * | 2022-02-09 | 2023-08-17 | 세메스 주식회사 | 마크 분할을 위한 인공 신경망 기반 영상 전처리 방법 및 시스템 |
CN116630728A (zh) * | 2023-05-19 | 2023-08-22 | 重庆大学 | 基于注意力残差孪生网络的加工精度预测方法 |
CN117340450A (zh) * | 2023-12-06 | 2024-01-05 | 国科大杭州高等研究院 | 晶圆切割系统和方法 |
Non-Patent Citations (2)
Title |
---|
前混合磨料射流切割钛合金质量优化研究;林捷;《中国优秀硕士学位论文全文数据库 工程科技I辑》;20210315(第3期);B022-87 * |
大功率白光LED模组智能微涂覆装备研制;夏子轩;《中国优秀硕士学位论文全文数据库 工程科技II辑》;20200215(第2期);C042-1676 * |
Also Published As
Publication number | Publication date |
---|---|
CN117611952A (zh) | 2024-02-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112118949B (zh) | 增材制造中用于人工智能反馈控制的系统、方法和介质 | |
Cai et al. | SMT solder joint inspection via a novel cascaded convolutional neural network | |
CN111007073A (zh) | 一种増材制造过程中零件缺陷在线检测的方法及检测系统 | |
JP2014511530A (ja) | ウェブベース材料内の不均一性の検出システム | |
JP2011054192A (ja) | 画像分割システム及び方法 | |
JP6149710B2 (ja) | 画像処理装置及びプログラム | |
KR0176661B1 (ko) | 납땜부 검사방법 및 검사장치 | |
CN109648857A (zh) | 3d打印参数值的确定方法及装置 | |
CN113728285A (zh) | 用于增材制造中人工智能过程控制的系统、方法以及介质 | |
CN110807362A (zh) | 一种图像检测方法、装置和计算机可读存储介质 | |
US20190011902A1 (en) | Three-dimensional printing apparatus and three-dimensional printing method | |
CN117611952B (zh) | 一种led封装结构的制备方法 | |
US20080160648A1 (en) | Establishing Correspondence and Traceability Between Wafers and Solar Cells | |
WO2015012896A1 (en) | Gesture recognition method and apparatus based on analysis of multiple candidate boundaries | |
CN116862913B (zh) | 基于机器视觉的复合镍铜散热底板缺陷检测方法及系统 | |
JP6318218B2 (ja) | 電子製品分類システム及び分類方法 | |
Basamakis et al. | Deep object detection framework for automated quality inspection in assembly operations | |
CN116653457B (zh) | 一种数字化皮纹喷墨设备的生产控制方法及系统 | |
JP2021166284A5 (zh) | ||
CN114798479A (zh) | 一种裸片的筛选方法、装置、设备及存储介质 | |
CN114282413A (zh) | 一种印制电路板压合成型过程的仿真方法及系统 | |
CN114926488A (zh) | 基于广义Hough模型和改进金字塔搜索加速的工件定位方法 | |
TWI772909B (zh) | 標註方法、應用其之裝置、系統、方法及電腦程式產品 | |
CN114049444B (zh) | 一种3d场景生成方法及装置 | |
KR102556642B1 (ko) | 기계 학습 훈련을 위한 데이터 생성방법 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |