Aplicación de la tecnología de imagen hiperespectral en la detección de defectos superficiales de FPCB

 I. Limitaciones de la inspección visual tradicional

Las placas de circuito impreso flexibles (FPCB) se utilizan ampliamente en campos como teléfonos inteligentes, pantallas flexibles y dispositivos portátiles debido a su buena flexibilidad y capacidades de disipación de calor.A medida que la densidad del circuito continúa aumentando, los tipos de defectos superficiales son cada vez más complejos, con defectos comunes que incluyen cortocircuitos, circuitos abiertos, protuberancias, manchas blancas, manchas negras y agujeros rotos.

En los métodos de detección tradicionales, la coincidencia de plantillas basada en imágenes RGB se utiliza ampliamente.estos métodos son sensibles a las condiciones de iluminaciónEn el caso de la distribución desigual de la luz, es fácil producir falsas detecciones o fallar en las detecciones.que dificulta la distinción exacta basándose únicamente en imágenes de luz visible.

II. Construcción del sistema de imagen hiperespectral

Para mejorar la estabilidad de la detección, este estudio construyó un sistema de imagen microscópica hiperespectral. El sistema consta de una cámara hiperespectral, un microscopio y un software de adquisición.la cámara hiperespectral adopta el modelo FS-23 de CHNSpec, que cuenta con un rango espectral de 400 ‰ 1000 nm y una resolución espectral de 2,5 nm.

La cámara utiliza un método de escaneo de línea para la obtención de imágenes, y los datos en bruto contienen 1200 bandas.obtención final de una estructura de datos de 300 bandasEl tamaño de una sola imagen hiperespectral es de 1920 × 960 píxeles × 300 bandas, cubriendo la información espectral completa del conductor de cobre y el sustrato de poliimida.

La ventaja de la imagen hiperespectral radica en su capacidad para obtener una curva espectral continua para cada píxel.El estudio encontró que hay diferencias significativas en la respuesta espectral del cobre y la poliimida en el rango de longitudes de onda 500~750 nm, que proporciona una base fiable para la segmentación de imágenes y la identificación del material.

III. Método de detección basado en la información espectral

El marco de detección propuesto en este estudio consta de dos subredes: FPCB-LocNet para la localización de defectos y FPCB-ClaNet para la clasificación de defectos.

En la etapa de localización, FPCB-LocNet utiliza núcleos de convolución 3D de múltiples escalas para extraer características de ambas dimensiones espaciales y espectrales simultáneamente.Dos tamaños diferentes de núcleos de convolución se utilizan en la red para centrarse en estructuras espaciales locales y características espectrales respectivamente, y las características de diferentes escalas se fusionan a través de una estructura residual.logrando la segmentación a nivel de píxeles del cobre y la poliimidaDespués de que se complete la segmentación, las áreas anormales se localizan a través del emparejamiento de plantillas.

En la fase de clasificación, teniendo en cuenta el número limitado de muestras hiperespectrales, la red adopta una estrategia de transferencia de aprendizaje,primer entrenamiento previo en el conjunto de datos de imágenes FPCB RGB y luego ajuste fino en imágenes pseudo-color- centrándose en el problema de los números de muestras desequilibrados para las diferentes categorías de defectos,se introducen estrategias de muestreo y de descomposición de peso en la red para permitir que el modelo se centre más en los tipos de defectos con menos muestrasAl mismo tiempo, el mecanismo de atención de la SE está integrado para mejorar el enfoque de la red en las características clave.

IV. Resultados experimentales y valor de aplicación

En términos de segmentación de imágenes, FPCB-LocNet tiene un mejor rendimiento que los métodos tradicionales de segmentación, como el método de entropía, el algoritmo de división de aguas y Otsu, cuando se procesan imágenes con iluminación desigual,con una precisión de segmentación de hasta 97En la tarea de clasificación, la precisión de clasificación global de FPCB-ClaNet para seis tipos comunes de defectos es del 97,84%.

Los experimentos de ablación verificaron la contribución real de cada módulo: el aumento de datos mejoró la precisión de la clasificación,el muestreo equilibrado por categorías y la descomposición del peso mejoraron efectivamente el efecto de reconocimiento de las categorías de cola, y el mecanismo de atención de la SE permitió una mejora estable del rendimiento de la clasificación, añadiendo un pequeño número de parámetros.Los resultados de visualización de los mapas de calor Grad-CAM muestran que las áreas de preocupación del modelo son muy consistentes con las ubicaciones reales de defectos.

Este estudio combina la imagen hiperespectral con el aprendizaje profundo para construir una cadena de procesamiento completa desde la adquisición de datos, la segmentación de imágenes y la localización de defectos hasta la clasificación de defectos.Este método puede completar de forma estable la tarea de identificación de defectos de superficie de FPCB sin depender de condiciones de iluminación específicas, proporcionando una vía técnica factible para la gestión de la calidad de fabricación de placas de circuitos flexibles de alta densidad.

Recomendación del producto:FigSpec FS-23 Imagen de la cámara hiperespectral

• Resolución de la imagen: 1920*1920
• Rango espectral: 400-1000 nm
• Resolución espectral (FWHM): 2,5 nm
• Número de canales espectrales: 1200