机器视觉IC引线外观检测和电容器分类应用

在整个半导体制造过程中，制造商通常会使用机器视觉来严格监控质量和识别缺陷。制造商必须警惕出现有刮痕、扭曲、弯曲或缺失的引脚。芯片对误差的容忍度非常低，即使是最微小的瑕疵，也可能成为客户拒收产品的理由。

由于潜在缺陷的类型非常多，通过使用基于规则的算法进行编程来执行检测的方法效率非常低下。基于深度学习的图像分析软件可以帮助制造商缩小半导体缺陷范围，并提高成品率，且无需使用广泛的缺陷库。

解决方案

明确地识别所有缺陷过于复杂和耗时。VisionPro ViDi软件可提供一种简单的解决方案来识别所有异常特征，且无需基于“不合格”元件图像进行训练。相反，工程师可以使用红色-检查工具，在非监督模式下基于“合格”元件样本图像集对软件进行训练。VisionPro ViDi软件能够学习芯片引线和引脚的正常外观和位置，并将存在偏差的所有特征表征为缺陷。

电容器分类应用

当元件具有多种类别，并且每种类别均存在一些外观变化时，对电子元器件进行分类可能会变得非常具有挑战性。电容器因类型（陶瓷和电动）、尺寸和颜色而异，具体取决于制造商和电容器规格。即使是相同的类型，电容器图案也可能会存在易混淆的变化。此外，电容器的圆柱形状和光源还可能会带来更多的复杂性。VisionPro ViDi提供基于深度学习的替代解决方案，能够通过单一的图像自动进行多种分类。

解决方案

通过在监督模式下使用红色-检查工具，工程师能够基于一组带注释的图像对软件进行训练，将金色和电子电容器分类为“合格”元件。在运行过程中，该训练模型可提取所有的电子和金色电容器图像并将它们分类为一种类型。

在检测的第二阶段，ViDi绿色-分类工具可以学习每个电容器的属性，并且容忍同一类型电容器的外观变化。通过这种方式，即使电容器在外观上看上去相似，该工具也能够通过颜色和标识区分不同的电容器。基于训练期间创建的模型，VisionPro ViDi软件能够在检测过程中通过单一的图像对电容器进行准确的分类。

注意：来自网络整理