Toepassing van hyperspectrale beeldvormingstechnologie bij de detectie van defecten op het oppervlak van FPCB's

 I. Beperkingen van de traditionele visuele controle

Flexible Printed Circuit Boards (FPCB) worden veel gebruikt op gebieden zoals smartphones, flexibele displays en draagbare apparaten vanwege hun goede buigbaarheid en warmteafvoer.Aangezien de dichtheid van het circuit blijft toenemenIn het kader van het onderzoek van de resultaten van de onderzoeksprocedure is de Commissie van oordeel dat de in de richtlijn bedoelde maatregelen in overeenstemming zijn met het beginsel van gelijke behandeling van mannen en vrouwen.

Bij traditionele detectiemethoden wordt veel gebruik gemaakt van template matching op basis van RGB-afbeeldingen.deze methoden zijn gevoelig voor lichtomstandighedenBij ongelijke lichtverdeling is het gemakkelijk om valse detecties of gemiste detecties te produceren.waardoor het moeilijk is om ze nauwkeurig te onderscheiden door alleen op beelden van zichtbaar licht te vertrouwen.

II. Opbouw van het hyperspectraal beeldsysteem

Om de stabiliteit van de detectie te verbeteren, bouwde dit onderzoek een hyperspectraal microscopisch beeldsysteem.De hyperspectrale camera gebruikt het FS-23-model van CHNSpec., met een spectraal bereik van 400 ‰ 1000 nm en een spectraal resolutie van 2,5 nm.

De camera gebruikt een lijnscanmethode voor het maken van beelden en de ruwe gegevens bevatten 1200 banden.eindelijk een gegevensstructuur van 300 banden verkrijgenDe afmetingen van een enkel hyperspectrumbeeld zijn 1920 × 960 pixels × 300 banden, die de volledige spectraalinformatie van de koperen geleider en het polyimide substraat omvatten.

Het voordeel van hyperspectrale beeldvorming ligt in het vermogen om voor elke pixel een continue spectrale curve te verkrijgen.De studie toonde aan dat er significante verschillen zijn in de spectrumrespons van koper en polyimide in het golflengtebereik van 500~750 nm, die een betrouwbare basis biedt voor latere beeldsegmentatie en materiaalidentificatie.

III. Spectruminformatiedetectiemethode

Het in dit onderzoek voorgestelde detectiekader bestaat uit twee subnetwerken: FPCB-LocNet voor de lokale identificatie van defecten en FPCB-ClaNet voor de classificatie van defecten.

FPCB-LocNet maakt in de lokalisatiestadium gebruik van multi-schaal 3D-convulsiekernen om functies uit zowel ruimtelijke als spectrale dimensies tegelijkertijd te extraheren.In het netwerk worden twee verschillende groottes convolution kernels gebruikt om zich te concentreren op respectievelijk lokale ruimtelijke structuren en spectrale kenmerkenDit ontwerp stelt het netwerk in staat om fijne ruimtelijke texturen en continue spectrumveranderingen tegelijkertijd vast te leggen.het bereiken van segmentatie op pixelniveau van koper en polyimideNadat de segmentatie is voltooid, worden abnormale gebieden gelokaliseerd door middel van template matching.

In de classificatiestadium neemt het netwerk, gezien het beperkte aantal hyperspectrale monsters, een strategie van transfer learning aan.eerste pre-training op de FPCB RGB-afbeeldingsdataset en vervolgens fijnstelling op pseudo-kleurbeelden- gericht op het probleem van onevenwichtige steekproefcijfers voor verschillende categorieën gebreken,in het netwerk worden categorie-gebalanceerde bemonstering en gewichtsverliesstrategieën geïntroduceerd om het model in staat te stellen zich meer te concentreren op defectsoorten met minder monstersTegelijkertijd is het SE-aandachtsmechanisme ingebed om de focus van het netwerk op de belangrijkste kenmerken te vergroten.

IV. Experimentele resultaten en toepassingswaarde

In termen van beeldsegmentatie presteert FPCB-LocNet beter dan traditionele segmentatiemethoden zoals entropie methode, waterverschil algoritme en Otsu bij het verwerken van afbeeldingen met onevenwichtige verlichting,met een segmentatie nauwkeurigheid van 97In de classificatietaak bedraagt de algehele classificatiegewogenheid van FPCB-ClaNet voor zes veel voorkomende soorten gebreken 97,84%.

Ablatie-experimenten hebben de werkelijke bijdrage van elke module geverifieerd: gegevensvergroting verbeterde classificatie nauwkeurigheid,categorie-gebalanceerde bemonstering en gewichtsverlies verbeterde effectief het herkennen van staartcategorieën, en het SE-aandachtsmechanisme bracht een stabiele verbetering van de classificatieprestaties met het toevoegen van een klein aantal parameters.De visualisatieresultaten van de Grad-CAM-warmtekaarten tonen aan dat de aandachtsgebieden van het model sterk overeenstemmen met de werkelijke defectenlocaties.

Deze studie combineert hyperspectrale beeldvorming met deep learning om een complete verwerkingsketen te bouwen van gegevensopname, beeldsegmentatie en defectlocalisatie tot defectclassificatie.Deze methode kan de taak van het identificeren van oppervlaktefouten van FPCB stabiel voltooien zonder afhankelijk te zijn van specifieke lichtomstandigheden., die een haalbaar technisch traject biedt voor het kwaliteitsmanagement van de productie van flexibele schakelplaten met een hoge dichtheid.

Aanbeveling voor het product:FigSpec FS-23 imaging hyperspectral camera

• Beeldresolutie: 1920*1920
• Spectrumbereik: 400-1000 nm
• Spectrumresolutie (FWHM): 2,5 nm
• Aantal spectrale kanalen: 1200