TWI837941B - 引線框架的出貨方法 - Google Patents

Abstract

一種引線框架的出貨方法，包括：根據第一引線框架，獲取第一引線框架的源圖像；根據所述第一引線框架的源圖像檢測第一瑕疵，所述第一瑕疵為第一引線框架的瑕疵；當檢測到若干第一瑕疵時，獲取對應的若干第一瑕疵圖像和若干第一瑕疵特徵資料；採用第一深度學習模型對若干第一瑕疵圖像進行處理，獲取每個第一瑕疵的瑕疵類別；根據若干第一瑕疵特徵資料和若干第一瑕疵的瑕疵類別，判斷所述第一引線框架的出貨等級。通過所述引線框架的出貨方法，能夠降低管理和人力成本，並且，提高質檢效率和穩定性。

Description

引線框架的出貨方法

本發明涉及本發明涉及引線框架檢測技術領域，尤其涉及一種引線框架的出貨方法。

本發明要求於2021年11月12日提交中國專利局、申請號為202111336928.3、發明名稱為“引線框架的出貨方法”的中國專利申請的優先權，其全部內容通過引用結合在本發明中。

引線框架作為很多積體電路的晶片載體，其品質是否可靠穩定決定了後續最終半導體產品的功能和性能，因此在實際生產過程中需要對引線框架物料進行品質檢查。引線框架料片有很多的顆粒組成，尺寸很小，人工檢查需要借助顯微鏡逐個顆粒進行目視判斷，因此費時費力且很難保證檢查的穩定性。為提高質檢效率和穩定性，人們設計並製造了基於視覺的自動引線框架檢測設備。

常規的引線框架檢測設備對輸入的引線框架物料進行自動檢查，定位物料上的所有缺陷，並輸出各缺陷的尺寸、位置、對比度等相關參數，然後交由人工對引線框架物料的缺陷進行分類和等級判定：危害程度較高的直接報廢，危害程度低或不影響功能的判斷為良品。

然而，通過人工對引線框架物料的缺陷進行分類和等級判定時，一方面，質檢效率仍然較低、並且，會導致管理和人力成本的提升，另一方面，人工質檢會導致質檢的穩定性仍然較差。

本發明解決的技術問題是提供一種引線框架的出貨方法，以降低管理和人力成本，並且，提高質檢效率和穩定性。

為解決上述技術問題，本發明的技術方案提供一種引線框架的出貨方法，包括：根據第一引線框架，獲取第一引線框架的源圖像；根據所述第一引線框架的源圖像檢測第一瑕疵，所述第一瑕疵為第一引線框架的瑕疵；當檢測到若干第一瑕疵時，獲取對應的若干第一瑕疵圖像和若干第一瑕疵特徵資料；採用第一深度學習模型對若干第一瑕疵圖像進行處理，獲取每個第一瑕疵的瑕疵類別；根據若干第一瑕疵特徵資料和若干第一瑕疵的瑕疵類別，判斷所述第一引線框架的出貨等級。

可選的，根據所述第一引線框架的源圖像檢測第一瑕疵的方法包括：提供標準範本圖像；提供與所述標準範本圖像對應的預設偏差範圍；根據所述標準範本圖像、所述預設偏差範圍和所述第一引線框架的源圖像檢測第一瑕疵。

可選的，所述標準範本圖像包括若干標準區，並且，所述預設偏差範圍包括與各標準區對應的子預設偏差範圍。

可選的，根據所述標準範本圖像、所述預設偏差範圍和所述第一引線框架的源圖像檢測第一瑕疵的方法包括：根據所述第一引線框架的源圖像和所述標準範本圖像，獲取若干偏差圖像和對應的若干偏差特徵資料，所述偏差特徵資料包括偏差位置資訊和偏差特徵參數，並且，每個偏差位置資訊還與若干標準區中的一個對應；當與所述任意偏差圖像對應的偏差特徵參數，超出與所述任意偏差圖像對應的指定子預設偏差範圍時，檢測到具有與所述任意偏差圖像對應的第一瑕疵，所述與任意偏差圖像對應的指定子預設偏差範圍是與所述任意偏差圖像對應的偏差位置資訊所對應的標準區的子預設偏差範圍；並且，當檢測到若干第一瑕疵時，獲取對應的若干第一瑕疵圖像和若干第一瑕疵特徵資料的方法包括：根據與第一瑕疵對應的偏差圖像獲取第一瑕疵圖像；根據與第一瑕疵對應的偏差特徵資料獲取所述第一瑕疵特徵資料。

可選的，若干標準區的類型包括電鍍及關鍵區、半蝕刻區、功能區、非功能區、路軌及定位孔區、以及低閾值區中的至少一種。

可選的，所述第一瑕疵特徵資料包括：與第一瑕疵圖像對應的瑕疵位置資訊和瑕疵特徵參數，並且，所述瑕疵特徵參數包括與第一瑕疵圖像對應的面積參數、對角線長度參數、以及對比度參數中的至少一種。

可選的，形成所述第一深度學習模型的方法包括：收集多個瑕疵樣本圖像；對多個瑕疵樣本圖像進行瑕疵類別的標注，形成多個瑕疵處理圖像；基於多個瑕疵處理圖像對初始的第一深度學習模型進行多次反覆運算訓練。

可選的，所述多次反覆運算訓練中的第n次的方法包括：基於多個瑕疵處理圖像中的第n個，對歷史上第n-1次反覆運算訓練形成的第一深度學習模型進行第n次反覆運算訓練，n為自然數，並且，當n=1時，所述歷史上第n-1次反覆運算訓練形成的第一深度學習模型為所述初始的第一深度學習模型；對第n次反覆運算訓練形成的第一深度學習模型進行評估，獲取第n評估結果；當所述第n評估結果滿足預設條件時，停止所述反覆運算訓練。

可選的，還包括：評估第一深度學習模型預測的至少1個第一瑕疵的瑕疵類別是否錯誤；當預測錯誤時，對第一瑕疵對應的第一瑕疵圖像進行瑕疵類別的標注，形成第一瑕疵處理圖像；基於若干第一瑕疵處理圖像，訓練處理若干第一瑕疵圖像的第一深度學習模型。

可選的，根據若干第一瑕疵特徵資料和若干第一瑕疵的瑕疵類別，判斷所述第一引線框架的出貨等級的方法包括：提供預設出貨規則，所述預設出貨規則包括出貨等級、瑕疵類別和瑕疵特徵資料範圍之間的對應關係；根據所述預設出貨規則，對若干第一瑕疵、若干第一瑕疵特徵資料和若干第一瑕疵的瑕疵類別進行判斷，獲取所述第一引線框架的出貨等級。

可選的，所述出貨等級包括好片等級和壞片等級，並且，所述的引線框架的出貨方法還包括：當判斷所述第一引線框架的出貨等級為好片等級時，接收所述第一引線框架；當判斷所述第一引線框架的出貨等級為壞片 等級時，拒絕接收所述第一引線框架。

可選的，所述出貨等級還包括返工等級，並且，所述的引線框架的出貨方法還包括：當判斷所述第一引線框架的出貨等級為返工等級時，對所述第一引線框架進行返工。

可選的，還包括：當未檢測到第一瑕疵時，判斷所述第一引線框架的出貨等級為好片等級。

與現有技術相比，本發明實施例的技術方案具有以下有益效果：

本發明的引線框架的出貨方法中，包括：當檢測到若干第一瑕疵時，獲取對應的若干第一瑕疵圖像和若干第一瑕疵特徵資料；採用第一深度學習模型對若干第一瑕疵圖像進行處理，獲取每個第一瑕疵的瑕疵類別；根據若干第一瑕疵特徵資料和若干第一瑕疵的瑕疵類別，判斷所述第一引線框架的出貨等級。所述引線框架的出貨方法能夠高度自動化地判斷出第一引線框架的出貨等級，從而，有效降低了管理和人力成本，提高了質檢效率和穩定性。此外，由於採用第一深度學習模型對若干第一瑕疵圖像進行處理，獲取每個第一瑕疵的瑕疵類別，即，第一深度學習模型僅用於根據第一瑕疵圖像預測第一瑕疵的瑕疵類別，因此，第一深度學習模型的預測方式與人腦思考模式相近，從而，第一深度學習模型的預測準確率高，進而，有效降低了第一引線框架錯誤出貨的風險。

100:第一引線框架的源圖像

200:標準範本圖像

201:標準區

S100,S200,S210,S220,S221,S222,S230,S231,S232,S300,S310,S320,S400,S410,S420,S421,S422,S430,S431,S432,S433,S434,S500,S510,S520,S600,S710,S720,S730,S800,S810,S820:步驟

圖1是本發明一實施例的引線框架的出貨方法的流程示意圖；

圖2是本發明一實施例的第一引線框架的源圖像的示意圖；

圖3和圖4是本發明一實施例的檢測第一瑕疵的方法的流程示意圖；

圖5是本發明一實施例的標準範本圖像的示意圖；

圖6是本發明一實施例的獲取對應的若干第一瑕疵圖像和若干第一瑕疵 特徵資料的方法的流程示意圖；

圖7至圖8是本發明一實施例的形成第一深度學習模型的方法的流程示意圖；

圖9是本發明一實施例的判斷第一引線框架的出貨等級的方法的流程示意圖。

如背景技術所述，通過人工對引線框架物料的缺陷進行分類和等級判定時，一方面，質檢效率仍然較低、並且，會導致管理和人力成本的提升，另一方面，人工質檢會導致質檢的穩定性仍然較差。

為解決上述技術問題，本發明的技術方案提供一種引線框架的出貨方法，通過獲取對應的若干第一瑕疵圖像和若干第一瑕疵特徵資料，接著，採用第一深度學習模型對若干第一瑕疵圖像進行處理，獲取每個第一瑕疵的瑕疵類別，並且，根據若干第一瑕疵特徵資料和若干第一瑕疵的瑕疵類別，判斷所述第一引線框架的出貨等級，能夠降低管理和人力成本，並且，提高質檢效率和穩定性。

為使本發明的上述目的、特徵和有益效果能夠更為明顯易懂，下面結合圖式對本發明的具體實施例做詳細的說明。

圖1是本發明一實施例的引線框架的出貨方法的流程示意圖。

請參考圖1，所述引線框架的出貨方法包括：

步驟S100，根據第一引線框架，獲取第一引線框架的源圖像；

步驟S200，根據所述第一引線框架的源圖像檢測第一瑕疵；

當檢測到若干第一瑕疵時，執行步驟S300，獲取對應的若干第一瑕疵圖像和若干第一瑕疵特徵資料；

步驟S400，採用第一深度學習模型對若干第一瑕疵圖像進行處理，獲取每個第一瑕疵的瑕疵類別；

步驟S500，根據若干第一瑕疵特徵資料和若干第一瑕疵的瑕疵類別，判斷所述第一引線框架的出貨等級。

由於當檢測到若干第一瑕疵時，獲取對應的若干第一瑕疵圖像和若干第一瑕疵特徵資料，接著，採用第一深度學習模型對若干第一瑕疵圖像進行處理，獲取每個第一瑕疵的瑕疵類別，並且，根據若干第一瑕疵特徵資料和若干第一瑕疵的瑕疵類別，判斷所述第一引線框架的出貨等級。因此，所述引線框架的出貨方法能夠高度自動化地判斷出第一引線框架的出貨等級，從而，有效降低了管理和人力成本，提高了質檢效率和穩定性。

此外，由於採用第一深度學習模型對若干第一瑕疵圖像進行處理，獲取每個第一瑕疵的瑕疵類別，即，第一深度學習模型僅用於根據第一瑕疵圖像預測第一瑕疵的瑕疵類別，因此，第一深度學習模型的預測方式與人腦思考模式相近，從而，第一深度學習模型的預測準確率高，進而，有效降低了第一引線框架錯誤出貨的風險。

以下結合圖式進行詳細說明。

請參考圖2，圖2是本發明一實施例的第一引線框架的源圖像的示意圖，根據第一引線框架(未圖示)，獲取第一引線框架的源圖像100。

所述第一引線框架是指當前待出貨的片狀引線框架。

在本實施例中，利用光學平臺採集所述第一引線框架的源圖像100，所述光學平臺包括CCD相機等。

需要理解的是，本領域技術人員能夠根據實際情況，採用任何可對第一引線框架的源圖像100進行採集的設備，獲取第一引線框架的源圖像100的設備和方法不應成為限制本發明的保護範圍的特徵。

請繼續參考圖1，針對步驟S200，所述第一瑕疵為第一引線框架的瑕疵。

圖3和圖4是本發明一實施例的檢測第一瑕疵的方法的流程示 意圖，圖5是本發明一實施例的標準範本圖像的示意圖。

請參考圖3，針對步驟S200，根據所述第一引線框架的源圖像檢測第一瑕疵的方法包括：

步驟S210，提供標準範本圖像；

步驟S220，提供與所述標準範本圖像對應的預設偏差範圍；

步驟S230，根據所述標準範本圖像、所述預設偏差範圍和所述第一引線框架的源圖像檢測第一瑕疵。

所述標準範本圖像基於無瑕疵的片狀引線框架獲取。

基於標準範本圖像能夠獲取基準資料，所述基準資料包括：與標準範本圖像對應的若干面積參數、若干對角線長度參數和若干對比度參數中的至少一種。

所述預設偏差範圍是以所述基準資料為基準的偏差範圍，所述預設偏差範圍可以是比例或數值。

在本實施例中，所述標準範本圖像200(如圖5所示)包括若干標準區201(如圖5所示)。

需要理解的是，各標準區201的圖像之間可以相同，也可以不相同。

在本實施例中，若干標準區201的類型包括電鍍及關鍵區(Plating and Key)、半蝕刻區(Half-etched)、功能區(Functional)、非功能區(Non-functional)、路軌及定位孔區(Rail and Pilot Hole)、以及低閾值區(Large Low-value)中的至少一種。

在本實施例中，所述預設偏差範圍包括與各標準區201對應的子預設偏差範圍。從而，更好地減少了第一瑕疵檢測時過殺或漏檢的風險。

具體而言，對於不同類型的標準區201而言，以所述基準資料 為基準判斷是否為第一瑕疵的偏差範圍可以是不同的。例如，電鍍及關鍵區對應的片狀引線框架部分由於是重要區域，因此，通過使電鍍及關鍵區對應的更小的子預設偏差範圍，能夠以更為嚴格的標準進行第一瑕疵的判斷。相應的，低閾值區由於是在後續需要被切割的非重要區域，因此，通過使低閾值區對應的更大的子預設偏差範圍，能夠以更為寬鬆的標準進行第一瑕疵的判斷。從而，通過與各標準區201對應的子預設偏差範圍，能夠很好地減少第一瑕疵檢測時過殺或漏檢的風險。

在其他實施例中，針對步驟S220，提供與所述標準範本圖像對應的預設偏差範圍的方法包括：

步驟S221，預先配置、保存與若干客戶一一對應的初始預設偏差範圍；

步驟S222，根據與客戶對應的客戶資訊，在若干初始預設偏差範圍中獲取並提供預設偏差範圍。

其中，步驟S222中的預設偏差範圍是若干初始預設偏差範圍中的一個。

在一些實際應用場景中，不同的客戶具有不同的出貨標準。通過步驟S221和步驟S222，可以在標準範本圖像的基礎上基於不同的預設偏差範圍，對第一引線框架的源圖像進行第一瑕疵的檢測。從而，在實際量產過程中，能夠方便、快捷地根據不同客戶的要求，有針對性地出貨，進而，更好地降低了管理和人力成本，並且，提高質檢效率。

請參考圖4，針對步驟S230，根據所述標準範本圖像、所述預設偏差範圍和所述第一引線框架的源圖像檢測第一瑕疵的方法包括：

步驟S231，根據所述第一引線框架的源圖像和所述標準範本圖像，獲取若干偏差圖像和對應的若干偏差特徵資料；

步驟S232，當與所述任意偏差圖像對應的偏差特徵參數，超出 與所述任意偏差圖像對應的指定子預設偏差範圍時，檢測到具有與所述任意偏差圖像對應的第一瑕疵。

具體而言，在步驟S231中，比較第一引線框架的源圖像100和標準範本圖像200，由此，基於二者之間的不同之處，獲取若干偏差圖像和對應的若干偏差特徵資料。

在本實施例中，所述偏差圖像可以是直接在第一引線框架的源圖像100中獲得的、第一引線框架的源圖像100與標準範本圖像200不同之處的圖像，也可以是基於該圖像進行影像處理後得到的圖像。

與此同時，基於第一引線框架的源圖像100中與標準範本圖像200不同之處的圖像，獲取相應的若干偏差特徵資料。

在本實施例中，所述偏差特徵資料包括：偏差位置資訊和偏差特徵參數。

所述偏差位置資訊用於定位各所述不同之處的圖像的位置，並且，每個偏差位置資訊還與若干標準區201中的一個對應。由此，根據偏差位置資訊，能夠在進行第一瑕疵的判斷時，在若干子預設偏差範圍中，確定需要用於比較的子預設偏差範圍。

所述偏差特徵參數包括：基於所述不同之處的圖像，獲取的對應的面積參數、對角線長度參數和對比度參數中的至少一種。

在步驟S232中，所述與任意偏差圖像對應的指定子預設偏差範圍是：若干子預設偏差範圍中，與所述任意偏差圖像對應的偏差位置資訊，所對應的標準區的子預設偏差範圍。

具體而言，根據偏差位置資訊與標準區的對應關係，在若干子預設偏差範圍中，確定與任意偏差圖像對應的指定子預設偏差範圍。

請參考圖6，圖6是本發明一實施例的獲取對應的若干第一瑕疵圖像和若干第一瑕疵特徵資料的方法的流程示意圖，針對步驟S300，當檢 測到若干第一瑕疵時，獲取對應的若干第一瑕疵圖像和若干第一瑕疵特徵資料的方法還包括：

步驟S310，根據與第一瑕疵對應的偏差圖像獲取第一瑕疵圖像；

步驟S320，根據與第一瑕疵對應的偏差特徵資料獲取所述第一瑕疵特徵資料。

在本實施例中，所述第一瑕疵圖像可以直接是與第一瑕疵對應的偏差圖像，也可以是對第一瑕疵對應的偏差圖像進行影像處理後獲取的圖像。具體的，所述影像處理例如是，根據偏差圖像的輪廓形成的輪廓化的圖像，或者是對偏差圖像的輪廓進行輪廓簡化形成圖像等等。

在本實施例中，所述第一瑕疵特徵資料包括：與第一瑕疵圖像對應的瑕疵位置資訊和瑕疵特徵參數。

所述與第一瑕疵圖像對應的瑕疵位置資訊是指：與相應的第一瑕疵對應的偏差位置資訊。例如：座標資訊或者對應的標準區的類型等。

所述與第一瑕疵圖像對應的瑕疵特徵參數是指：與相應的第一瑕疵對應的偏差特徵參數。

具體的，所述瑕疵特徵參數包括：與第一瑕疵圖像對應的面積參數、對角線長度參數和對比度參數中的至少一種。

在其他實施例中，對與第一瑕疵對應的偏差特徵資料進行資料處理後，獲取第一瑕疵特徵資料。

請繼續參考圖1，所述第一深度學習模型用於根據第一瑕疵圖像預測對應的第一瑕疵的瑕疵類別。

優選的，當片狀引線框架的類別為刻蝕片時，所述瑕疵類別包括：接橋、漏蝕、半蝕刻位上漏蝕、過蝕、電鍍位不良、漏銀、散銀、表面變色、變形、污漬、污染、外物、刮花、凹痕、公模凹痕、混片、錯片、方向調轉、產品不符、切口錯誤、材料片紋、誤報警、抖動等。

在一些其他實施例中，將接橋、漏蝕和半蝕刻位上漏蝕作為同一個瑕疵類別，將電鍍位不良、漏銀和散銀作為同一個瑕疵類別，將污漬、污染和外物作為同一個瑕疵類，將刮花、凹痕和公模凹痕作為同一個瑕疵類別，將混片、錯片、方向調轉、產品不符和切口錯誤作為同一個瑕疵類別，將材料片紋、誤報警和抖動作為同一個瑕疵類別。由此，降低了瑕疵類別預測的複雜度，進一步提高了第一深度學習模型的預測準確度。

優選的，當片狀引線框架的類別為衝壓片時，所述瑕疵類別包括：起絲、金屬碎、金屬外物、不完全衝壓、輪廓不完整、爛孔、電鍍位不良、漏銀、散銀、表面變色、變形、污漬、污染、非金屬外物、刮花、凹痕、公模凹痕、混片、錯片、方向調轉、產品不符、切口錯誤、材料片紋、誤報警、抖動等。

在一些其他實施例中，將起絲、金屬碎和金屬外物作為同一個瑕疵類別，將不完全衝壓、輪廓不完整和爛孔作為同一個瑕疵類別，將電鍍位不良、漏銀和散銀作為同一個瑕疵類別，將污漬、污染和非金屬外物作為同一個瑕疵類，將刮花、凹痕和公模凹痕作為同一個瑕疵類別，將混片、錯片、方向調轉、產品不符和切口錯誤作為同一個瑕疵類別，將材料片紋、誤報警和抖動作為同一個瑕疵類別。由此，降低了瑕疵類別預測的複雜度，進一步提高了第一深度學習模型的預測準確度。

圖7至圖8是本發明一實施例的形成第一深度學習模型的方法的流程示意圖。

請參考圖7，針對步驟S400中的第一深度學習模型，形成所述第一深度學習模型的方法包括：

步驟S410，收集多個瑕疵樣本圖像；

步驟S420，對多個瑕疵樣本圖像進行瑕疵類別的標注，形成多個瑕疵處理圖像；

步驟S430，基於多個瑕疵處理圖像對初始的第一深度學習模型 進行多次反覆運算訓練。

在本實施例中，提供多個樣本引線框架，並基於所述多個樣本引線框架收集多個瑕疵樣本圖像。

具體的，基於所述多個樣本引線框架，收集多個瑕疵樣本圖像的方法，可參考步驟S100至步驟S300的基於第一引線框架，獲取第一瑕疵圖像的方法，在此不再贅述。

在一些實際的應用場合中，所述樣本引線框架為試產階段的片狀引線框架，並且，第一引線框架為量產階段的片狀引線框架。由此，通過試產階段的片狀引線框架，對初始的第一深度學習模型進行反覆運算訓練，形成在量產階段中，對當前待出貨的片狀引線框架進行出貨等級判斷時，使用的第一深度學習模型，以使量產階段的片狀引線框架實現高度自動化的出貨判斷。

在本實施例中，針對步驟S420，對多個瑕疵樣本圖像進行瑕疵類別的標注，形成多個瑕疵處理圖像的方法包括：

步驟S421，提供與各瑕疵類別對應的顏色或填充圖案；

步驟S422，根據所述對應的顏色或填充圖案，標注瑕疵類別。

在本實施例中，步驟S430中的初始的第一深度學習模型包括：CNN神經網路卷積模型。

在其他實施例中，初始的第一深度學習模型還可以是ViT(Vision Transformer)模型。

請參考圖8，針對步驟S430，所述多次反覆運算訓練中的第n次的方法包括：

步驟S431，基於多個瑕疵處理圖像中的第n個，對歷史上第n-1次反覆運算訓練形成的第一深度學習模型進行第n次反覆運算訓練；

步驟S432，對第n次反覆運算訓練形成的第一深度學習模型進行評估，獲取第n評估結果；

當所述第n評估結果滿足預設條件時，執行步驟S433，停止所述反覆運算訓練；

當所述第n評估結果不滿足預設條件時，執行步驟S434，進行多次反覆運算訓練中的第n+1次。

所述n為自然數，並且，當n=1時，所述歷史上第n-1次反覆運算訓練形成的第一深度學習模型為所述初始的第一深度學習模型。

具體而言，當次反覆運算訓練時，通過未使用的瑕疵處理圖像，對前一次反覆運算訓練形成的第一深度學習模型繼續訓練，直至對形成的第一深度學習模型進行評估時所獲取的評估結果滿足預設條件，以獲取步驟S400中使用的第一深度學習模型。

需要理解的是，瑕疵處理圖像的數量是根據反覆運算訓練的次數變化的。

在本實施例中，所述第n評估結果為：第一深度學習模型的預測準確率；所述預設條件為：第一深度學習模型的預測準確率滿足預設的預測準確率。

具體而言，本實施例中，通過測試集和驗證集對第一深度學習模型進行評估，並判斷第n評估結果是否滿足預設條件。

在其他實施例中，所述第n評估結果為：形成第一深度學習模型所進行的反覆運算訓練的次數。並且，所述預設條件是：形成第一深度學習模型所進行的反覆運算訓練的次數到達預設次數。即：當形成第一深度學習模型所進行的反覆運算訓練的次數到達預設次數時，執行步驟S433；否則，執行步驟S434。

在一些實際的應用場合中，在形成第一深度學習模型後，封裝所述第一深度學習模型，並且，將封裝後的第一深度學習模型上傳至伺服器。在此基礎上，使用的所述引線框架的出貨方法的系統自伺服器獲取所述第一 深度學習模型，以執行步驟S400。

請繼續參考圖1，在本實施例中，所述出貨等級包括：好片等級和壞片等級。其中，所述好片等級是指：當前的片狀引線框架符合出貨標準；所述壞片等級是指：當前的片狀引線框架不符合出貨標準。

請參考圖9，圖9是本發明一實施例的判斷第一引線框架的出貨等級的方法的流程示意圖，針對步驟S500，根據若干第一瑕疵特徵資料和若干第一瑕疵的瑕疵類別，判斷所述第一引線框架的出貨等級的方法包括：

步驟S510，提供預設出貨規則，所述預設出貨規則包括出貨等級、瑕疵類別和瑕疵特徵資料範圍之間的對應關係；

步驟S520，根據所述預設出貨規則，對若干第一瑕疵、若干第一瑕疵特徵資料和若干第一瑕疵的瑕疵類別進行判斷，獲取所述第一引線框架的出貨等級。

在本實施例中，出貨等級、瑕疵類別和瑕疵特徵資料範圍之間的對應關係包括：出貨等級、瑕疵類別、瑕疵特徵參數和瑕疵位置資訊四者之間的對應關係。

在一些其他實施例中，出貨等級、瑕疵類別和瑕疵特徵資料範圍之間的對應關係包括：出貨等級、瑕疵類別、瑕疵特徵參數三者之間的對應關係，或者，出貨等級、瑕疵類別、瑕疵位置資訊三者之間的對應關係等。

在另一些其他實施例中，預設出貨規則還可以包括第一瑕疵的數量、出貨等級、瑕疵類別和瑕疵特徵資料範圍之間的對應關係。

需要理解的是，步驟S520是指：將判斷出的若干第一瑕疵、以及獲取的若干第一瑕疵的嚴重等級，與預設出貨規則中的對應關係進行比較和判斷，得到相應的出貨等級。

請繼續參考圖1，在本實施例中，所述的引線框架的出貨方法還包括：

當未檢測到第一瑕疵時，執行步驟S600，判斷所述第一引線框架的出貨等級為好片等級；以及，

當判斷所述第一引線框架的出貨等級為好片等級時，執行步驟S710，接收所述第一引線框架；

當判斷所述第一引線框架的出貨等級為壞片等級時，執行步驟S720，拒絕接收所述第一引線框架。

在還有一些其他實施例中，所述出貨等級包括：好片等級、返工等級和壞片等級。並且，所述好片等級是指：當前的片狀引線框架符合出貨標準。所述返工等級是指：當前的片狀引線框架不符合出貨標準，但能夠進行返工，以滿足出貨標準。由此，進一步增加了片狀引線框架的出貨量，節約了製造成本。相應的，所述壞片等級是指：當前的片狀引線框架不符合出貨標準，並且，無法進行返工。

與此同時，引線框架的出貨方法還包括：當判斷所述第一引線框架的出貨等級為返工等級時，執行步驟S730，對所述第一引線框架進行返工。

請繼續參考圖1，在本實施例中，所述引線框架的出貨方法還包括：

步驟S800，評估第一深度學習模型預測的至少1個第一瑕疵的瑕疵類別是否錯誤；

當預測錯誤時，執行步驟S810，對第一瑕疵對應的第一瑕疵圖像進行瑕疵類別的標注，形成第一瑕疵處理圖像；

步驟S820，基於若干第一瑕疵處理圖像，訓練處理若干第一瑕疵圖像的第一深度學習模型。

由此，通過收集錯誤的預測結果對應的第一瑕疵圖像，對第一深度學習模型繼續進行訓練，以進一步完善第一深度學習模型，從而，進一步 提高了第一深度學習模型的預測準確率，以在後續對未進行出貨等級判斷的片狀引線框架進行更為準確的出貨等級判斷，進而，更有效地降低了片狀引線框架錯誤出貨的風險。

在本實施例中，步驟S800中，評估第一深度學習模型預測的每個第一瑕疵的瑕疵類別是否錯誤。

一些其他實施例中，也可以評估第一深度學習模型預測的1個或部分的瑕疵類別是否錯誤。例如，可以採用抽檢的方式進行評估。

在本實施例中，執行步驟S810的方法請參考執行步驟S420(如圖7所示)的方法，在此不再贅述。

在本實施例中，執行步驟S820的方法請參考執行步驟S430(如圖7所示)的方法，在此不再贅述。

相應的，在一些實際的應用場合中，在執行步驟S820以完善第一深度學習模型後，將完善後的第一深度學習模型封裝，並且，將封裝後的第一深度學習模型上傳至伺服器，以對現有的第一深度學習模型進行更新。

雖然本發明披露如上，但本發明並非限定於此。任何本領域技術人員，在不脫離本發明的精神和範圍內，均可作各種更動與修改，因此本發明的保護範圍應當以請求項所限定的範圍為准。

S100,S200,S300,S400,S500,S600,S710,S720,S800,S810,S820:步驟

Claims (10)

1. 一種引線框架的出貨方法，其特徵在於，包括：根據第一引線框架，獲取第一引線框架的源圖像；根據所述第一引線框架的源圖像檢測第一瑕疵，包括：提供標準範本圖像，所述標準範本圖像包括若干標準區，所述若干標準區的類型包括電鍍及關鍵區、半蝕刻區、功能區、非功能區、路軌及定位孔區、以及低閾值區中的至少一種；提供與所述標準範本圖像對應的預設偏差範圍，所述預設偏差範圍包括與各標準區對應的子預設偏差範圍，所述電鍍及關鍵區、半蝕刻區、功能區、非功能區、路軌及定位孔區、以及低閾值區分別對應的所述子預設偏差範圍不同；根據所述標準範本圖像、所述預設偏差範圍和所述第一引線框架的源圖像檢測第一瑕疵，所述第一瑕疵為第一引線框架的瑕疵；當檢測到若干第一瑕疵時，獲取對應的若干第一瑕疵圖像和若干第一瑕疵特徵資料；採用第一深度學習模型對若干第一瑕疵圖像進行處理，獲取每個第一瑕疵的瑕疵類別；根據若干第一瑕疵特徵資料和若干第一瑕疵的瑕疵類別，判斷所述第一引線框架的出貨等級。
2. 如請求項1所述的引線框架的出貨方法，其中，根據所述標準範本圖像、所述預設偏差範圍和所述第一引線框架的源圖像檢測第一瑕疵的方法包括：根據所述第一引線框架的源圖像和所述標準範本圖像，獲取若干偏差圖像和對應的若干偏差特徵資料，所述偏差特徵資料包括偏差位置資訊和偏差特徵參數，並且，每個偏差位置資訊還與若干標準區中的一個對應；當與所述任意偏差圖像對應的偏差特徵參數，超出與所述任意偏差圖像對應 的指定子預設偏差範圍時，檢測到具有與所述任意偏差圖像對應的第一瑕疵，所述與任意偏差圖像對應的指定子預設偏差範圍是與所述任意偏差圖像對應的偏差位置資訊所對應的標準區的子預設偏差範圍；並且，當檢測到若干第一瑕疵時，獲取對應的若干第一瑕疵圖像和若干第一瑕疵特徵資料的方法包括：根據與第一瑕疵對應的偏差圖像獲取第一瑕疵圖像；根據與第一瑕疵對應的偏差特徵資料獲取所述第一瑕疵特徵資料。
3. 如請求項1所述的引線框架的出貨方法，其中，所述第一瑕疵特徵資料包括：與第一瑕疵圖像對應的瑕疵位置資訊和瑕疵特徵參數，並且，所述瑕疵特徵參數包括與第一瑕疵圖像對應的面積參數、對角線長度參數、以及對比度參數中的至少一種。
4. 如請求項1所述的引線框架的出貨方法，其中，形成所述第一深度學習模型的方法包括：收集多個瑕疵樣本圖像；對多個瑕疵樣本圖像進行瑕疵類別的標注，形成多個瑕疵處理圖像；基於多個瑕疵處理圖像對初始的第一深度學習模型進行多次反覆運算訓練。
5. 如請求項4所述的引線框架的出貨方法，其中，所述多次反覆運算訓練中的第n次的方法包括：基於多個瑕疵處理圖像中的第n個，對歷史上第n-1次反覆運算訓練形成的第一深度學習模型進行第n次反覆運算訓練，n為自然數，並且，當n=1時，所述歷史上第n-1次反覆運算訓練形成的第一深度學習模型為所述初始的第一深度學習模型；對第n次反覆運算訓練形成的第一深度學習模型進行評估，獲取第n評估結果； 當所述第n評估結果滿足預設條件時，停止所述反覆運算訓練。
6. 如請求項5所述的引線框架的出貨方法，其中，還包括：評估第一深度學習模型預測的至少1個第一瑕疵的瑕疵類別是否錯誤；當預測錯誤時，對第一瑕疵對應的第一瑕疵圖像進行瑕疵類別的標注，形成第一瑕疵處理圖像；基於若干第一瑕疵處理圖像，訓練處理若干第一瑕疵圖像的第一深度學習模型。
7. 如請求項1所述的引線框架的出貨方法，其中，根據若干第一瑕疵特徵資料和若干第一瑕疵的瑕疵類別，判斷所述第一引線框架的出貨等級的方法包括：提供預設出貨規則，所述預設出貨規則包括出貨等級、瑕疵類別和瑕疵特徵資料範圍之間的對應關係；根據所述預設出貨規則，對若干第一瑕疵、若干第一瑕疵特徵資料和若干第一瑕疵的瑕疵類別進行判斷，獲取所述第一引線框架的出貨等級。
8. 如請求項1所述的引線框架的出貨方法，其中，所述出貨等級包括好片等級和壞片等級，並且，所述的引線框架的出貨方法還包括：當判斷所述第一引線框架的出貨等級為好片等級時，接收所述第一引線框架；當判斷所述第一引線框架的出貨等級為壞片等級時，拒絕接收所述第一引線框架。
9. 如請求項8所述的引線框架的出貨方法，其中，所述出貨等級還包括返工等級，並且，所述的引線框架的出貨方法還包括：當判斷所述第一引線框架的出貨等級為返工等級時，對所述第一引線框架進行返工。
10. 如請求項8所述的引線框架的出貨方法，其中，還包括：當未檢測到第一瑕疵時，判斷所述第一引線框架的出貨等級為好片等級。

Images