[发明专利]一种基于改进YOLOV5的深度学习晶圆焊点检测方法

说明书

本发明公开了一种基于改进YOLOV5的深度学习晶圆焊点检测方法，所述方法为：1）制作晶圆焊点数据集；2）构造注意力机制模块CCANET；3）构造融入注意力机制的YOLOV5网络；4）引入Ghost模块；5）训练改进YOLOV5网络。本发明在使用更少网络参数量的情况下，提高了晶圆焊点检测的精度，在相同情况下，不仅可以检测到更多的晶圆焊点，还能检测到有遮挡的晶圆焊点。

技术领域

本发明涉及目标检测技术领域，具体是一种基于改进YOLOV5的深度学习晶圆焊点检测方法。

背景技术

随着芯片的复杂度越来越高，芯片内部的模组与功能越来越多，如何有效测试晶圆在整个芯片设计中被考虑的比例越来越多。同时，晶圆测试是芯片良品率最重要的统计方式之一，提高芯片良品率，能够极大的降低工业生产中芯片制作的损耗，提高芯片生产效率。因此，晶圆测试在整个芯片制作中有着非常重要的战略意义。

晶圆测试是对晶片上每个晶粒进行针测，使用检测头上的探针与焊点接触，然后通过电性测试测量晶圆的容量及其它性能，其中探针与焊点的接触大都由人工完成对准，由于焊点面积为40x50微米或更小，人工对准过程中，需要对焊点进行试触，如果探针头接触晶圆焊点表面太轻，会导致测试数据不准；如果接触太重，则会导致损坏晶圆上的微小电路，同时，现有的晶圆测试机稳定性不高，误判率高，这也是一直困扰晶圆生产厂的主要矛盾之一。在实际工业生产中，晶圆测试机的检测率约为40％，人工测试率约为30％，造成晶圆测试机检测效率低下的主要原因之一是探针与晶圆焊点未对齐的问题。传统的人工检测对准情况的方法难以满足工业上高精度，高实时性的要求。随着机器视觉的快速发展，推动了工业检测方式的变更，人们开始使用机器视觉的方法，对晶圆焊点进行识别定位。通过对晶圆焊点的识别，进行对准情况的实时检测，并在出现对准异常的时候进行校准。

深度学习在目标检测中的广泛应用，为晶圆焊点的检测提供了新的技术支持。目前目标检测算法最主流的两个方向为两阶段(Two-stage)检测算法和单阶段(One-stage)检测算法：两阶段检测算法将物体检测按分类问题对待，首先生成包含物体的区域，然后对候选区域进行分类和校准，得到最终的检测结果；单阶段检测算法直接给出最终的检测结果，没有显式的生成候选框步骤。

两阶段的目标检测方法中最经典的是R-CNN系列算法，虽然R-CNN系列算法精度高但由于网络参数量大、检测速度慢，无法达到实时检测的要求。然而单阶段目标检测算法中的YOLO系列是目前为止实现精度，和速度最优的算法，它成功地实现了检测精度和检测速度的良好平衡，其中2020年提出的YOLOV5算法通过使用许多的网络处理技巧在降低了网络参数量的同时，保持了较高的精度。但由于检测目标的特殊性，YOLOV5算法针对晶圆焊点检测任务仍有一定的优化空间。

发明内容

本发明目的是针对现有技术的不足，而提供一种基于改进YOLOV5的深度学习晶圆焊点检测方法。这种方法不仅可以检测到更多的晶圆焊点，还能检测到有遮挡的晶圆焊点，这种方法网络参数量少、精度高，更适合部署到实际应用中。

实现本发明目的的技术方案是：

一种基于改进YOLOV5的深度学习晶圆焊点检测方法，包括如下步骤：

1)制作晶圆焊点数据集：采集晶圆焊点图像，对采集的晶圆焊点图像进行预处理，用以提高数据集的样本数和图片质量，然后对数据集进行标注，对需要对准的焊点和不需要对准的焊点采用矩形标注即将需要对准的焊点命名为Rig孔、不需要对准的焊点命名为Wro孔，最后制作出包含1464张晶圆焊点图像的晶圆焊点数据集，并以9：1的比例将数据集分为训练集和验证集；

2)构造注意力机制模块CCANET：包括：

2.1)首先采用一个由1*1卷积、Bathnorm模块和Sigmoid函数组成的过滤器模块，得到特征图X，通过对数据的降维，在减少计算量的同时实现了信息的跨通道交互，加强了信息的连贯性；