FPCB yüzey kusur tespitinde hiperspektral görüntüleme teknolojisinin uygulanması

 I. Geleneksel Görsel İncelemenin Sınırlılıkları

Esnek Baskılı Devre Kartları (FPCB), iyi bükülebilirlik ve ısı dağılımı yetenekleri nedeniyle akıllı telefonlar, esnek ekranlar ve giyilebilir cihazlar gibi alanlarda yaygın olarak kullanılmaktadır. Devre yoğunluğu artmaya devam ettikçe, yüzey kusurlarının türleri giderek daha karmaşık hale gelmekte, yaygın kusurlar arasında kısa devreler, açık devreler, çıkıntılar, beyaz lekeler, siyah lekeler ve kırık delikler bulunmaktadır.

Geleneksel tespit yöntemlerinde, RGB görüntülere dayalı şablon eşleştirme yaygın olarak kullanılmaktadır. Bu yöntem, standart bir görüntüyü test altındaki görüntüyle karşılaştırarak anormal alanları belirler. Ancak, bu yöntemler aydınlatma koşullarına duyarlıdır; ışık dağılımı düzensiz olduğunda, yanlış tespitler veya gözden kaçan tespitler üretmek kolaydır. Ek olarak, bazı kusurlar morfolojik olarak normal devre yapılarına benzer, bu da yalnızca görünür ışık görüntülerine dayanarak bunları doğru bir şekilde ayırt etmeyi zorlaştırmaktadır.

II. Hiper Spektral Görüntüleme Sisteminin Kurulumu

Tespitin kararlılığını artırmak için bu çalışma bir hiper spektral mikroskobik görüntüleme sistemi kurmuştur. Sistem, bir hiper spektral kamera, bir mikroskop ve edinme yazılımından oluşmaktadır. Bunlar arasında, hiper spektral kamera CHNSpec'ten FS-23 modelini kullanmaktadır, bu model 400-1000nm spektral aralığa ve 2.5nm spektral çözünürlüğe sahiptir.

Kamera görüntüleme için satır tarama yöntemini kullanır ve ham veri 1200 bant içerir. İşlemeyi kolaylaştırmak için, çalışmada her dört bitişik bant birleştirilerek nihayetinde 300 bantlık bir veri yapısı elde edilmiştir. Tek bir hiper spektral görüntünün boyutu 1920 x 960 piksel x 300 banttır ve bakır iletkenin ve poliimid alt tabakanın tam spektral bilgisini kapsamaktadır.

Hiper spektral görüntülemenin avantajı, her piksel için sürekli bir spektral eğri elde etme yeteneğinde yatmaktadır. Çalışma, 500-750nm dalga boyu aralığında bakır ve poliimidin spektral tepkisinde önemli farklılıklar olduğunu bulmuştur, bu da sonraki görüntü segmentasyonu ve malzeme tanımlaması için güvenilir bir temel sağlamaktadır.

III. Spektral Bilgi Odaklı Tespit Yöntemi

Bu çalışmada önerilen tespit çerçevesi iki alt ağdan oluşmaktadır: kusur lokalizasyonu için FPCB-LocNet ve kusur sınıflandırması için FPCB-ClaNet.

Lokalizasyon aşamasında, FPCB-LocNet hem uzamsal hem de spektral boyutlardan eşzamanlı olarak özellikler çıkarmak için çok ölçekli 3D evrişim çekirdeklerini kullanır. Ağda, iki farklı boyutta evrişim çekirdeği kullanılır; biri yerel uzamsal yapılara, diğeri ise spektral özelliklere odaklanır ve farklı ölçeklerdeki özellikler bir artık yapı aracılığıyla birleştirilir. Bu tasarım, ağın aynı anda ince uzamsal dokuları ve sürekli spektral değişiklikleri yakalamasına olanak tanıyarak bakır ve poliimidin piksel düzeyinde segmentasyonunu sağlar. Segmentasyon tamamlandıktan sonra, şablon eşleştirme yoluyla anormal alanlar belirlenir.

Sınıflandırma aşamasında, sınırlı sayıda hiper spektral numune göz önüne alındığında, ağ bir transfer öğrenme stratejisi benimser, önce FPCB RGB görüntü veri kümesi üzerinde önceden eğitilir ve ardından sözde renkli görüntüler üzerinde ince ayar yapılır. Farklı kusur kategorileri için dengesiz numune sayıları sorununa yönelik olarak, ağa kategori dengeli örnekleme ve ağırlık bozunumu stratejileri eklenerek modelin daha az numuneye sahip kusur türlerine daha fazla odaklanması sağlanır. Aynı zamanda, anahtar özelliklere odaklanmayı artırmak için SE dikkat mekanizması yerleştirilmiştir.

IV. Deneysel Sonuçlar ve Uygulama Değeri

Görüntü segmentasyonu açısından, FPCB-LocNet, düzensiz aydınlatmalı görüntüleri işlerken entropi yöntemi, watershed algoritması ve Otsu gibi geleneksel segmentasyon yöntemlerinden daha iyi performans gösterir ve segmentasyon doğruluğu %97.86'ya ulaşır. Sınıflandırma görevinde, FPCB-ClaNet'in altı yaygın kusur türü için kapsamlı sınıflandırma doğruluğu %97.84'tür.

Ablasyon deneyleri, her modülün gerçek katkısını doğrulamıştır: veri artırma sınıflandırma doğruluğunu iyileştirmiştir, kategori dengeli örnekleme ve ağırlık bozunumu kuyruk kategorilerinin tanıma etkisini etkili bir şekilde iyileştirmiştir ve SE dikkat mekanizması, az sayıda parametre eklerken sınıflandırma performansında istikrarlı bir iyileşme sağlamıştır. Grad-CAM ısı haritalarının görselleştirme sonuçları, modelin ilgi alanlarının gerçek kusur konumlarıyla yüksek düzeyde tutarlı olduğunu göstermektedir.

Bu çalışma, veri toplama, görüntü segmentasyonu ve kusur lokalizasyonundan kusur sınıflandırmasına kadar eksiksiz bir işleme zinciri oluşturmak için hiper spektral görüntülemeyi derin öğrenme ile birleştirmektedir. Bu yöntem, belirli aydınlatma koşullarına bağlı kalmadan FPCB yüzey kusurlarının tanımlama görevini istikrarlı bir şekilde tamamlayabilir ve yüksek yoğunluklu esnek devre kartlarının üretim kalite yönetimi için uygulanabilir bir teknik yol sunmaktadır.

Ürün Önerisi: FigSpec FS-23 Görüntüleme Hiper Spektral Kamera

• Görüntü Çözünürlüğü: 1920*1920
• Spektral Aralık: 400-1000nm
• Spektral Çözünürlük (FWHM): 2.5nm
• Spektral Kanal Sayısı: 1200