Application de la technologie d'imagerie hyperspectrale dans la détection de défauts de surface des FPCB

 I. Limites de l'inspection visuelle traditionnelle

Les circuits imprimés flexibles (FPCB) sont largement utilisés dans des domaines tels que les smartphones, les écrans flexibles et les appareils portables en raison de leur bonne flexibilité et de leurs capacités de dissipation thermique. À mesure que la densité des circuits continue d'augmenter, les types de défauts de surface deviennent de plus en plus complexes, les défauts courants incluant les courts-circuits, les circuits ouverts, les protubérances, les taches blanches, les taches noires et les trous cassés.

Dans les méthodes de détection traditionnelles, la correspondance de modèles basée sur des images RVB est largement utilisée. Cette méthode localise les zones anormales en comparant une image standard avec l'image testée. Cependant, ces méthodes sont sensibles aux conditions d'éclairage ; lorsque la distribution de la lumière est inégale, il est facile de produire de fausses détections ou des détections manquées. De plus, certains défauts sont morphologiquement similaires aux structures de circuits normales, ce qui rend difficile leur distinction précise en se basant uniquement sur des images en lumière visible.

II. Construction du système d'imagerie hyperspectrale

Pour améliorer la stabilité de la détection, cette étude a construit un système d'imagerie microscopique hyperspectral. Le système se compose d'une caméra hyperspectrale, d'un microscope et d'un logiciel d'acquisition. Parmi eux, la caméra hyperspectrale adopte le modèle FS-23 de CHNSpec, qui présente une plage spectrale de 400 à 1000 nm et une résolution spectrale de 2,5 nm.

La caméra utilise une méthode de balayage linéaire pour l'imagerie, et les données brutes contiennent 1200 bandes. Pour faciliter le traitement, quatre bandes adjacentes ont été fusionnées en une seule dans l'étude, obtenant finalement une structure de données de 300 bandes. La taille d'une seule image hyperspectrale est de 1920 × 960 pixels × 300 bandes, couvrant les informations spectrales complètes du conducteur en cuivre et du substrat en polyimide.

L'avantage de l'imagerie hyperspectrale réside dans sa capacité à obtenir une courbe spectrale continue pour chaque pixel. L'étude a révélé qu'il existe des différences significatives dans la réponse spectrale du cuivre et du polyimide dans la plage de longueurs d'onde de 500 à 750 nm, ce qui fournit une base fiable pour la segmentation d'images et l'identification des matériaux ultérieures.

III. Méthode de détection pilotée par l'information spectrale

Le cadre de détection proposé dans cette étude se compose de deux sous-réseaux : FPCB-LocNet pour la localisation des défauts et FPCB-ClaNet pour la classification des défauts.

Au stade de la localisation, FPCB-LocNet utilise des noyaux de convolution 3D multi-échelles pour extraire simultanément des caractéristiques des dimensions spatiales et spectrales. Deux tailles différentes de noyaux de convolution sont utilisées dans le réseau pour se concentrer respectivement sur les structures spatiales locales et les caractéristiques spectrales, et les caractéristiques de différentes échelles sont fusionnées via une structure résiduelle. Cette conception permet au réseau de capturer simultanément des textures spatiales fines et des changements spectraux continus, réalisant une segmentation au niveau du pixel du cuivre et du polyimide. Une fois la segmentation terminée, les zones anormales sont localisées par correspondance de modèles.

Au stade de la classification, compte tenu du nombre limité d'échantillons hyperspectraux, le réseau adopte une stratégie d'apprentissage par transfert, d'abord pré-entraîné sur le jeu de données d'images RVB FPCB, puis affiné sur des images en pseudo-couleur. Visant le problème du nombre déséquilibré d'échantillons pour différentes catégories de défauts, des stratégies d'échantillonnage équilibré par catégorie et de décroissance du poids sont introduites dans le réseau pour permettre au modèle de se concentrer davantage sur les types de défauts avec moins d'échantillons. Dans le même temps, le mécanisme d'attention SE est intégré pour améliorer la focalisation du réseau sur les caractéristiques clés.

IV. Résultats expérimentaux et valeur d'application

En termes de segmentation d'images, FPCB-LocNet obtient de meilleurs résultats que les méthodes de segmentation traditionnelles telles que la méthode d'entropie, l'algorithme watershed et Otsu lors du traitement d'images avec un éclairage inégal, avec une précision de segmentation atteignant 97,86 %. Dans la tâche de classification, la précision de classification complète de FPCB-ClaNet pour six types de défauts courants est de 97,84 %.

Des expériences d'ablation ont vérifié la contribution réelle de chaque module : l'augmentation des données a amélioré la précision de classification, l'échantillonnage équilibré par catégorie et la décroissance du poids ont efficacement amélioré l'effet de reconnaissance des catégories de queue, et le mécanisme d'attention SE a apporté une amélioration stable des performances de classification tout en ajoutant un petit nombre de paramètres. Les résultats de visualisation des cartes thermiques Grad-CAM montrent que les zones d'intérêt du modèle sont hautement cohérentes avec les emplacements réels des défauts.

Cette étude combine l'imagerie hyperspectrale avec l'apprentissage profond pour construire une chaîne de traitement complète, de l'acquisition de données, à la segmentation d'images, en passant par la localisation des défauts et la classification des défauts. Cette méthode peut accomplir de manière stable la tâche d'identification des défauts de surface des FPCB sans dépendre de conditions d'éclairage spécifiques, fournissant une voie technique réalisable pour la gestion de la qualité de fabrication des circuits imprimés flexibles à haute densité.

Recommandation de produit : Caméra hyperspectrale d'imagerie FigSpec FS-23

• Résolution d'image : 1920*1920
• Plage spectrale : 400-1000 nm
• Résolution spectrale (FWHM) : 2,5 nm
• Nombre de canaux spectraux : 1200