基于YOLOX的QFN芯片表面缺陷检测技术研究

杨桂华; 吴振生; 杨子康

doi:10.13873/J.1000-9787(2025)03-0046-04

Chinese

您当前的位置：

首页 >

文章列表页 >

基于YOLOX的QFN芯片表面缺陷检测技术研究

研究与探讨 | 更新时间：2025-09-11

- 基于YOLOX的QFN芯片表面缺陷检测技术研究
- 暂无标题
- 传感器与微系统 2025年第3期页码：46-49
- 作者机构：
  
  1. 广西高校先进制造与自动化技术重点实验室(桂林理工大学)
  2. 桂林理工大学机械与控制工程学院
- 作者简介：
- 基金信息：
  
  国家自然科学基金地区基金资助项目(52065016)
- DOI：10.13873/J.1000-9787(2025)03-0046-04
  中图分类号： TN40;TP391.41
- 纸质出版：2025
- 稿件说明：
移动端阅览
杨桂华, 吴振生, 杨子康. 基于YOLOX的QFN芯片表面缺陷检测技术研究[J]. 传感器与微系统, 2025,(3):46-49.
杨桂华, 吴振生, 杨子康. 基于YOLOX的QFN芯片表面缺陷检测技术研究[J]. 传感器与微系统, 2025,(3):46-49. DOI： 10.13873/J.1000-9787(2025)03-0046-04.

DOI：

摘要

为了实现方形扁平无引脚封装(QFN)芯片表面缺陷检测自动化检测，针对现有检测算法耗时长且准确度不高等问题，提出一种基于YOLOX改进算法的QFN芯片表面缺陷检测方法。通过在主干特征提取网络中添加CA注意力模块，并使用VariFocal损失函数代替原模型中的目标分数损失函数，在轻微增加网络参数量的基础上提升了检测精度。通过改进模型YOLOX-PRO、主流算法和添加模块在自制QFN芯片缺陷样本数据集上的训练测试，以及对比分析，实验结果表明：改进后的算法模型能准确地识别划痕、孔洞、引脚缺失三种缺陷，置信度相对较高，并且模型的平均精度均值达到98.61%

单张缺陷图像的检测速度不超过40 ms

优于传统机器学习算法，能够满足工业生产中对QFN芯片缺陷的实时性检测要求。

Abstract

关键词

Keywords

references

薛杨柳.贴片类芯片缺陷检测识别的研究[D].湖北工业大学,2014(09).

SONG Chao-yu,ZHANG Fan,LI Jian-sheng,XIE Jin-yi,YANG Chen,ZHOU Hang,ZHANG Jun-xiong.Detection of maize tassels for UAV remote sensing image with an improved YOLOX Model[J].Journal of Integrative Agriculture,2023(06).

朱智惟,单建华,余贤海,孔德义,王琼,谢晓轩.基于YOLOv5s的番茄采摘机器人目标检测技术[J].传感器与微系统,2023(06).

陈德海,孙仕儒,王昱朝,雷志军.改进SSD算法的小目标检测研究[J].传感器与微系统,2023(03).

杨桂华,唐卫卫,卢澎澎,张为心.基于机器视觉的芯片引脚测量及缺陷检测系统[J].电子测量技术,2021(18).

张若楠,沐超,张固,刘小勤.QFN芯片表面划痕检测定位方法设计[J].大气与环境光学学报,2019(04).

唐芃.基于弱监督学习的物体检测及其在图像分类中的应用[D].华中科技大学,2019(03).

巢渊.基于机器视觉的半导体芯片表面缺陷在线检测关键技术研究[D].东南大学,2017(02).

Zhang Yi,Shen Yongliang,Zhang Jun.An improved tiny-yolov3 pedestrian detection algorithm[J].Optik,2019.

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

基于改进SSD的车内宠物遗落检测方法

基于V5CA与几何特征的运动物体目标检测及位姿估计方法

基于特征增强知识蒸馏的目标检测压缩算法

基于深度学习的电解电容识别与极性检测

基于YOLOv5s的番茄采摘机器人目标检测技术