[发明专利]用于半导体脱焊智能检测的神经网络训练方法

说明书

本申请涉及半导体领域中的智能脱焊检测，其具体地公开了一种用于半导体脱焊智能检测的神经网络训练方法，其基于深度学习的计算机视觉的方法对所获得的半导体焊接后的图像进行识别，并基于识别出的高维图像特征进行分类的方式，来获得半导体脱焊检测是否合格的检测结果。具体地，通过将半导体焊接后的训练图像在高维空间进行分类，以获得分类损失函数值，然后将脱焊检测合格的图像作为参考图像，并获取参考图像和训练图像的感兴趣区域在高维空间中的特征差异，以获得距离损失函数值，然后基于距离损失函数值和分类损失函数值的加权和对神经网络进行训练，以增强训练速度和精度。

技术领域

本发明涉及半导体领域中的智能脱焊检测，且更为具体地，涉及一种用于半导体脱焊智能检测的神经网络训练方法、基于深度神经网络的半导体脱焊智能检测方法、用于半导体脱焊智能检测的神经网络训练系统、基于深度神经网络的半导体脱焊智能检测系统和电子设备。

背景技术

铜引线焊接技术是目前半导体制造工艺上应用时间相对较短、技术还不太成熟但市场占有率越来越高的芯片封装技术。随着引线焊接各项技术指标的不断提高，传统的金线、铝线已逐步趋于其指标极限。而铜线在芯片引线焊接具有良好的机械、电、热性能，它替代金线和铝线可缩小焊接间距，提高芯片频率和可靠性，但是铜由于表面易氧化使其可焊性变差，随着引线焊接速度不断提高，一个大问题就不断暴露出来，它就是焊接熔球与焊盘共晶失效(脱焊缺陷)的问题，当共晶面处于失效临界时，器件可以通过瞬间测试，但器件的可靠性很差。如果器件的可靠性差，将会发生客户在使用过程中出现间隙性失效或在较高温度疲劳失效的现象。

目前，对于半导体脱焊的检测方法有直观检测法和电流检测法等，然而直观检测法需要有经验的工人在高倍放大镜的帮助下进行检测，增加了人力成本的同时，容易出现误判的情况，电流检测法操作麻烦，耗费时间与人力。

因此，期待一种能够对半导体脱焊问题进行智能检测的技术方案。

目前，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。此外，深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域，也展现出了接近甚至超越人类的水平。

深度学习以及神经网络的发展为半导体脱焊问题的智能检测提供了新的解决思路和方案。

发明内容

为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种用于半导体脱焊智能检测的神经网络训练方法、基于深度神经网络的半导体脱焊智能检测方法、用于半导体脱焊智能检测的神经网络训练系统、基于深度神经网络的半导体脱焊智能检测系统和电子设备，其基于深度学习的计算机视觉的方法对所获得的半导体焊接后的图像进行识别，并基于识别出的高维图像特征进行分类的方式，来获得半导体脱焊检测是否合格的检测结果。具体地，通过将半导体焊接后的训练图像在高维空间进行分类，以获得分类损失函数值，然后将脱焊检测合格的图像作为参考图像，并获取参考图像和训练图像的感兴趣区域在高维空间中的特征差异，以获得距离损失函数值，然后基于距离损失函数值和分类损失函数值的加权和对神经网络进行训练，以增强训练速度和精度。

根据本申请的一个方面，提供了一种用于半导体脱焊智能检测的神经网络训练方法，其包括：

获取焊接完成的半导体的高精度训练图像；

将所述训练图像通过第一卷积神经网络，以提取出对应于所述训练图像的训练特征图；

将参考图像通过第二卷积神经网络，以提取出对应于所述参考图像的参考特征图，其中，所述参考图像为半导体焊接合格的图像；

将所述训练特征图和参考特征图放大n倍，以获得对应于训练特征图的第一放大特征图和对应于参考特征图的第二放大特征图；

获取第一放大特征图中的多个第一感兴趣区域和第二放大特征图中的多个第二感兴趣区域；

计算相对应的感兴趣区域之间的距离损失函数，以获得多个距离损失函数值；