基于Depth-YOLO的半导体键合引线缺陷检测算法

摘要

引线键合作为集成电路封装环节的关键步骤，其作用是将不同元器件和芯片相互连接，确保电路的正常工作，其质量检测关乎产品良率.针对现有键合引线缺陷检测方法检测精度和检测效率较低的问题，本文提出一种新的缺陷检测模型：Depth-YOLO.首先，该模型重建了YOLOv8模型的输入端，使模型能够处理输入图像的深度信息.其次，提出一种输入特征增强模块，增强模型对引线深度信息和纹理特征的提取能力.随后，用C2f＿Faster模块替换原YOLOv8主干网络的C2f模块，降低模型参数量，减少计算冗余.接着，提出一种融合注意力机制（MDFA），增强模型对密集复杂不规则缺陷的特征提取能力，提升检测精度.最后，用WIoU代替原YOLOv8的损失函数CIoU，提高模型对目标检测框的判断准确性，加快收敛速度.针对目前相关研究领域没有键合引线公开数据集的问题，自制键合引线深度图像数据集DepthBondingWire.在自制数据集的实验结果表明，Depth-YOLO模型相比于原YOLOv8模型mAP@0.5提升了7.2个百分点，达到了98.6%.与其他主流目标检测模型相比具有较高的检测精度.本文提出的方法可有效实现半导体键合引线高精度自动化检测，并可以辐射到集成电路其他关键工艺的缺陷检测.

关键词

键合引线 / 缺陷检测 / YOLOv8 / 深度图像 / 注意力机制

基金资助

北京市教委资助项目（Z221100000222016）; 北京市自然科学基金资助项目（KZ202010005004）