基于深度学习的电子元器件表面缺陷检测技术分析

摘要：

电子元器件是现代工业生产及科技发展中的关键组成部分，被广泛应用于各个领域。电子元器件在使用过程中，制造工艺、环境变化等多种因素均会对其外观质量产生影响，虽然电子元器件外观缺陷通常比较微小，但是却有可能直接影响到产品整体的性能、安全性、可靠性，因此对电子元器件表面缺陷问题进行检测具有重要意义。利用深度学习模型可以实现电子元器件表面缺陷的自动识别与分类，因此探讨基于深度学习的电子元器件表面缺陷检测技术具有重要的现实意义。

关键词：深度学习；电子元器件；表面缺陷检测

一、电子元器件表面缺陷的影响

虽然电子元器件外观表面的缺陷通常比较微小，但是裂纹、腐蚀、短路等缺陷可能会降低元器件本身的可靠性，甚至影响其性能，从而影响到产品的整体质量。电子元器件表面缺陷的影响主要包括以下几个方面：首先，影响到产品的电气性能，比如电子元器件引脚间存在金属毛刺，或未清理干净的锡渣，轻则会造成信号干扰，引起传感器误触发等设备误动作，重则可能会出现高压击空，烧毁电路板；焊盘氧化、引脚变形导致的虚焊，可能会导致通信模块失效而造成信号传输中断。其次，影响到产品的机械性能，比如陶瓷电容本体如果存在裂纹，一旦处于振动的工作状态，极易发生断裂，导致产品整体结构强度不足；或者IC引脚弯曲导致无法插入PCB插槽，则会直接影响产品生产效率。最后，长期的可靠性风险。电子元器件表面缺陷会降低产品的环境耐受性，比如芯片封装密封不良，在潮湿环境中可能会出现金属层被腐蚀的问题，缩短产品使用寿命；或者功率器件表面存在微小划痕，会影响其散热性能，极有可能引起产品温度升高而出现热失控。从某种程度上讲，电子元器件的表面缺陷极有可能引发一系列链式反应，因此加强对电子元器件表面缺陷的检测至关重要[1]。

二、深度学习在电子元器件表面缺隐检测中的分类

电子元器件表面缺隐检测是深度学习应用的重要组成部分，深度学习检测精准度，检测效率高，因此基于深度学习的缺陷检测被广泛应用于各个领域，包括布匹、陶瓷、磁环、钢轨等。在电子元器件表面缺陷检测过程中，根据检测思路不同，基于深度学习的目标检测网络框架主要分为以下两大类：

一类是两阶段目标检测，该方法主要是将检测过程分为生成候选区域、分类与回归两个阶段，前者通过算法或神经网络生成可能包含目标的候选区域，后者再对每个候选区域进行精细化的目标分类与边界框回归，该检测网络框架可获得较高的检测精度，因此适用于对精度要求更加严格的场景，且其由于需要分步处理，所以检测速度较慢。常用的典型模型包括R-CNN、Fast R-CNN、Faster R-CNN、Mask R-CNN等，上述模型的共同特征均为先找到图片中物体的边界框，再用分类器确定框内的物体类别，再回归精修边界框的位置。

一类是单阶段目标检测，即将目标检测视为端到端的回归问题，略过候选区域生成步骤，直接在特征图上预测目标的类别及边界框，该方法的检测精度略低于上述两阶段目标检测，但检测效率高，适合视频监控、自动驾驶等需要实时检测的应用场景。单阶段目标检测典型模型包括YOLO系列、SSD、RetinaNet等。其中YOLO系列算法能够在保证检测精度的同时，兼顾检测速度，其主要特点是将样本图像整体输入模型中，在输出层对边框的位置进行回归，并判断框内物体的种类，以减少模型训练时间与检测所需时间[2]。

三、基于深度学习的电子元器件表面缺陷检测技术

电子元器件表面缺陷检测具有目标小、精度要求高、缺陷多样性的特点，而YOLO（You Only Look Once）模型作为单阶段目标检测的典型代表，在小目标检测中能够通过完改进特征金字塔结构增加更高分辨率的特征图，引入注意力机制或者改进损失函数，能够提升检测精度；采用数据增强或采用迁移学习，能够针对电子元器件表面缺隐多样性的特点进行检测。

（一）YOLO模型的关键技术

如前所述，YOLO模型通过端到端的回归思想，将输入图像划分为网格，每个网格预测多个边界框及其对应的类别概率。YOLO的基本架构包括主干网络，主要负责提取多尺度特征；特征融合层，主要用于融合浅层细节与深层语义特征；检测头，用于输出目标的类别、置信度及边界框坐标。YOLO采用Anchor Box机制，预设不同长宽比的锚框，提升对诸如焊点、裂纹等小目标的定位能力；通过不同层级的特征图检测不同尺寸的缺陷，实现多尺度预测；损失函数包括分类损失、定位损失、置信度损失等，其中分类损失用于区分缺陷类别，比如划痕、氧化、裂纹等；定位损失主要优化边界框与真实缺陷区域的 匹配度；置信度损失主要用于区分正样本与负样本。YOLO模型在浅层特征图增加检测头，能够捕捉到微小缺陷；嵌入注意力机制强化缺陷区域权重；根据数据集统计自动优化锚框参数，以适应不同形状的缺陷；通过多任务学习完成缺陷类型与严重程度的联合预测。

（二）YOLO模型在电子元器件表面缺陷检测中的应用实例

为更好分析基于深度学习的电子元器件表面缺陷检测技术，本研究采用YOLO模型检测芯片焊盘表面缺陷，主要缺陷包括虚焊、锡珠、桥接、氧化、裂纹、污染等，缺陷尺寸小，检测过程中可能存在高反光金属表面干扰，且要求进行实时性检测。

CSPDarknet依赖深度卷积的局部特征提取，但焊盘缺陷的细微纹理需要全局上下文感知，因此本案例中用ConvNeXt替代，后者可通过分层Transformer结构增强长距离依赖建模能力，ConvNeXt的大核深度卷积捕获跨像素关联，GELU激活增强非线性，以弥补传统CNN对全局缺陷模式的建模不足。在虚焊检测中，浅层特征更关注局部焊点纹理，深层特征可能丢失细节，通过自适应空间特征融合（ASFF）权重自动增强浅层贡献提升微小缺陷的召回率。由于本案例检测过程中可能存在高反光金属表面干扰，因此采用基于光线追迹算法模拟不同入射角度的金属反光，生成缺陷区域的镜面高光噪声，以提升模型的抗干扰能力；应用有限元方法模拟PCB板热膨胀造成的焊盘形变，以增强缺陷几何多样性。

对模型进行优化改进后，由本案例的实验结果可知，对虚焊缺陷，梯度类激活图中高亮区域集中在焊点与PCB基板的接触边缘，符合电气接触不良的物理机理；其余缺陷模型检测结果与人工质检一致，由此可见，模型决策机制与缺陷物理特性高度吻合[3]。

四、结语

总之，基于深度学习的电子元器件表面缺陷检测，能够在短时间内完成任务的设定与部署，极大的减少了资源投入，降低检测成本，并且使用深度学习代替人工检测，能够最大程度上减少人为因素导致的错误检测，提高检测效率。此外，深度学习的应用还进一步提高了PCB板缺陷检测的效果，从这个意义上讲，深度学习也有助于推动电子信息产业的发展。

参考文献：

[1]周扬眉，罗开礼，孙怀义，等.基于图像处理技术的芯片表面缺陷检测系统的设计与实现[J].自动化与仪器仪表，2021，255（01）：182-184.

[2]王茜茜，蒋鹏辉.基于图像处理与深度学习的太阳能电池片缺陷检测[J].上海电机学院学报，2022，25（05）：287-291.

[3]杜社会，肖启国，罗昌友，等.基于图像处理的 PCB 裸板缺陷检测仿真研究[J].信息技术与信息化，2020，247（10）：47-49.