Applicazione della tecnologia di imaging iperspettrale nel rilevamento dei difetti superficiali dei FPCB

 I. Limitazioni dell'ispezione visiva tradizionale

I circuiti stampati flessibili (FPCB) sono ampiamente utilizzati in settori quali smartphone, display flessibili e dispositivi indossabili grazie alla loro buona piegabilità e capacità di dissipazione del calore. Con l'aumento continuo della densità dei circuiti, i tipi di difetti superficiali diventano sempre più complessi, con difetti comuni che includono cortocircuiti, circuiti aperti, sporgenze, macchie bianche, macchie nere e fori rotti.

Nei metodi di rilevamento tradizionali, il template matching basato su immagini RGB è ampiamente utilizzato. Questo metodo individua le aree anomale confrontando un'immagine standard con l'immagine in prova. Tuttavia, questi metodi sono sensibili alle condizioni di illuminazione; quando la distribuzione della luce è disomogenea, è facile produrre falsi positivi o falsi negativi. Inoltre, alcuni difetti sono morfologicamente simili a strutture di circuito normali, rendendo difficile distinguerli accuratamente basandosi solo su immagini a luce visibile.

II. Costruzione del sistema di imaging iperspettrale

Per migliorare la stabilità del rilevamento, questo studio ha costruito un sistema di imaging microscopico iperspettrale. Il sistema è composto da una telecamera iperspettrale, un microscopio e un software di acquisizione. Tra questi, la telecamera iperspettrale adotta il modello FS-23 di CHNSpec, che presenta un intervallo spettrale di 400-1000 nm e una risoluzione spettrale di 2,5 nm.

La telecamera utilizza un metodo di scansione lineare per l'imaging e i dati grezzi contengono 1200 bande. Per facilitare l'elaborazione, nello studio sono state fuse quattro bande adiacenti in una sola, ottenendo infine una struttura dati di 300 bande. La dimensione di una singola immagine iperspettrale è 1920 x 960 pixel x 300 bande, coprendo le informazioni spettrali complete del conduttore in rame e del substrato in poliimmide.

Il vantaggio dell'imaging iperspettrale risiede nella sua capacità di ottenere una curva spettrale continua per ogni pixel. Lo studio ha rilevato che ci sono differenze significative nella risposta spettrale del rame e del poliimmide nell'intervallo di lunghezze d'onda 500-750 nm, il che fornisce una base affidabile per la successiva segmentazione dell'immagine e l'identificazione dei materiali.

III. Metodo di rilevamento guidato dalle informazioni spettrali

Il framework di rilevamento proposto in questo studio è composto da due sottoreti: FPCB-LocNet per la localizzazione dei difetti e FPCB-ClaNet per la classificazione dei difetti.

Nella fase di localizzazione, FPCB-LocNet utilizza kernel di convoluzione 3D multi-scala per estrarre caratteristiche sia dalle dimensioni spaziali che spettrali contemporaneamente. Vengono utilizzati kernel di convoluzione di due diverse dimensioni nella rete per concentrarsi rispettivamente sulle strutture spaziali locali e sulle caratteristiche spettrali, e le caratteristiche di diverse scale vengono fuse attraverso una struttura residua. Questo design consente alla rete di catturare contemporaneamente texture spaziali fini e cambiamenti spettrali continui, ottenendo una segmentazione a livello di pixel di rame e poliimmide. Una volta completata la segmentazione, le aree anomale vengono individuate tramite template matching.

Nella fase di classificazione, considerando il numero limitato di campioni iperspettrali, la rete adotta una strategia di transfer learning, pre-addestrandosi prima sul dataset di immagini RGB FPCB e poi affinando su immagini pseudo-colorate. Mirando al problema del numero sbilanciato di campioni per diverse categorie di difetti, vengono introdotte nella rete strategie di campionamento bilanciato per categoria e di decadimento del peso per consentire al modello di concentrarsi maggiormente sui tipi di difetti con meno campioni. Allo stesso tempo, il meccanismo di attenzione SE è incorporato per migliorare la focalizzazione della rete sulle caratteristiche chiave.

IV. Risultati sperimentali e valore applicativo

In termini di segmentazione delle immagini, FPCB-LocNet offre prestazioni migliori rispetto ai metodi di segmentazione tradizionali come il metodo dell'entropia, l'algoritmo watershed e Otsu durante l'elaborazione di immagini con illuminazione disomogenea, con un'accuratezza di segmentazione che raggiunge il 97,86%. Nel compito di classificazione, l'accuratezza di classificazione completa di FPCB-ClaNet per sei tipi comuni di difetti è del 97,84%.

Esperimenti di ablazione hanno verificato il contributo effettivo di ciascun modulo: l'aumento dei dati ha migliorato l'accuratezza della classificazione, il campionamento bilanciato per categoria e il decadimento del peso hanno migliorato efficacemente l'effetto di riconoscimento delle categorie di coda, e il meccanismo di attenzione SE ha portato un miglioramento stabile nelle prestazioni di classificazione aggiungendo un piccolo numero di parametri. I risultati di visualizzazione delle heatmap Grad-CAM mostrano che le aree di interesse del modello sono altamente coerenti con le posizioni effettive dei difetti.

Questo studio combina l'imaging iperspettrale con il deep learning per costruire una catena di elaborazione completa dall'acquisizione dei dati, alla segmentazione delle immagini, alla localizzazione dei difetti fino alla classificazione dei difetti. Questo metodo può completare stabilmente il compito di identificazione dei difetti superficiali FPCB senza fare affidamento su specifiche condizioni di illuminazione, fornendo un percorso tecnico fattibile per la gestione della qualità di produzione di circuiti stampati flessibili ad alta densità.

Raccomandazione Prodotto: Telecamera Iperspettrale per Imaging FigSpec FS-23

• Risoluzione Immagine: 1920*1920
• Intervallo Spettrale: 400-1000nm
• Risoluzione Spettrale (FWHM): 2.5nm
• Numero di Canali Spettrali: 1200