[发明专利]一种焊点缺陷鉴别方法

说明书

技术领域

本发明涉及微电子封装与组装技术，特别是焊点缺陷鉴别方法。

背景技术

焊点缺陷鉴别技术，是在不破坏实际焊点形态的前提下，依靠先进的光学或电磁技术，采集得到焊点的图像信息，对采集到的焊点图像信息进行处理，提取影响焊点形态的某些重要特征，并对这些信息进行各种分析、处理、区分和识别，确认其焊点缺陷。目前，对于焊点的缺陷鉴别，主要是通过对采集到的焊点图像信息进行特征提取，然后采用阈值判别、模糊推理及神经网络等方法进行焊点缺陷的鉴别，但是，神经网络存在收敛性慢及容易陷入局部最优解等缺陷。

发明内容

    本发明的目的是提供一种新的焊点缺陷鉴别方法，通过利用改进后的人工神经网络，实现焊点的缺陷鉴别。

本发明提出的焊点缺陷鉴别方法中，包括对采集到的焊点图像信息进行特征提取，然后根据特征进行判别、模糊推理及神经网络等方法进行焊点缺陷的鉴别，其过程包含下述步骤：

1）、基于焊点形态理论，根据正交试验的原理，得到对人工神经网络进行训练用的样本；

2）、用改进神经网络算法对人工神经网络进行训练，得到用于预测焊点各种缺陷可能度的网络； 

3）、对实际焊点进行图像处理后，提取形态质量特征作为训练好的人工神经网络的输入，利用训练好的网络进行前向计算，实现焊点缺陷的鉴别。

在步骤1）中，包含：

(1) 选取焊点的缺陷类别，然后根据各类别缺陷焊点的质量特征与焊点缺陷之间的联系，确定对应的焊点主要形态质量特征；

(2) 以焊点形态质量特征作为输入，焊点缺陷的各种可能度作为输出，建立与之对应的BP神经网络结构；

(3) 根据正交试验的原理，得到对人工神经网络进行训练用的样本，具体为：

（3.1）确定该焊点形态需要鉴别的焊点缺陷                                                ；

（3.2）根据这些焊点缺陷，选取影响焊点缺陷的主要质量特征的设计空间，并结合均匀实验设计表安排设计水平；

（3.3）使用均匀实验安排，根据IPC相关标准及虚拟焊点缺陷形态，得到用于人工神经网进行训练用的样本：

其中：R表示实数，N表示训练样本个数，输入节点为个，输出节点为个，隐节点为个。

这里，选取的焊点的缺陷类别包括：空洞、桥连、无焊球、焊球过大、焊球过小、焊球变形，焊点主要形态质量特征包括：焊球面积、焊球周长和空洞面积，作为输入的焊点形态质量特征分别为焊球面积，焊球周长，空洞面积，作为输出的焊点缺陷的各种可能度为空洞可能度，桥连可能度，无焊球可能度，焊球过大可能度，焊球过小可能度，焊球变形可能度。   

本发明的步骤2）包含：

（2.1）数据处理：

将输入按下式归一化处理：

其中：

和分别为第个输入参数的平均值和标准差，表示第个样本的第个输入参数值，N表示训练样本个数。

显然，标准化后的样本数据集的平均值为零，而且消除了物理的影响。

则得到标准化输入为：

（2.2）BP神经网络结构建立：

（2.2.1）输入层和输出层节点个数的选取：

输入层节点数为焊点形态参数，输出层节点数为焊点缺陷可能度；

（2.2.2）隐含层节点个数的选取：

m为输入层节点数，n为输出层节点数，h 为隐含层节点数，a 为1～10 之间的常数，h先从小的开始取值；

（2.3）改进BP神经网络训练：

（2.3.1）根据相关论文资料和经验，初步设置网络的系统精度1e-2，选取最大迭代次数1000次； 

（2.3.2）遗传算法的利用：利用遗传算法全局性搜索的特点，寻找优化后的较为合适的神经网络初始连接权值和节点阈值。

数学描述如下：

其中：

和分别为神经网络第个样本的期望输出和实际输出；

（维矩阵）为神经网络输入层与中间层的连接权值；

（维矩阵）为神经网络中间层各神经元的连接阈值；

（维矩阵）为神经网络隐含层与输出层的连接权值；

（维矩阵）为神经网络输出层各神经元的连接阈值。

 

（2.3.3）用LM算法对构建的网络进行训练；