科研之友
微信
新浪微博
Facebook
分享链接
摘要
内焊球空洞是BGA封装芯片的主要缺陷，可能会导致电气故障。目前，常用的检测方法是人工对照芯片X光影像检查，此类方法检测准确率低且时间、人力资源消耗大。因此，基于深度学习的自动化芯片缺陷检测方法越来越受到关注。芯片空洞检测与语义分割任务对应，但受限于数据缺乏高质量标注，模型准确率通常偏低，主动学习框架是潜在的解决方案。文中基于主动学习和U-Net++构建了芯片空洞率检测模型，通过等距划分将数据集分为多个子集，每个子集采用训练-预测-标注-扩展的框架循环优化U-Net++模型。在BGA封装芯片数据集上进行实验，模型分割平均Dice系数达到了80.99%,总体准确率达到了94.89%,达到了预定目标。首次将主动学习引入芯片检测领域，经实验验证可以有效提升芯片数据的标注水平，使得模型的分割准确率有所提高。
- 单位
