| 现场环境 |
在半导体集成电路封装车间内，键合引线在生产过程中容易受到设备状态波动、工艺不稳定等因素的影响，出现各种缺陷。检测环境需要能够适应工业生产中的复杂条件，如不同的光照强度、噪声干扰 |
| 使用对象 |
半导体键合引线，包括引线的连接点、引线的形状和结构 |
| 使用目的 |
准确检测键合引线的缺陷，如双线干涉、引线桥接、中间断线、单端断线、弧度异常、线弯曲、尾丝过长等，提高产品质量和生产效率，降低生产成本。 |
| 硬件配置 |
CPU：Intel (R) Core (TM) i7-12700k
GPU：NVIDIA RTX 3090，显存24GB
内存：64GB
硬盘：未明确提及，但应具备足够的存储空间
网卡：未明确提及，但需满足数据传输需求
摄像头：海康威视线结构光相机（MV-DP2307-01H），用于采集深度图像
运动滑轨平台：有效行程10-1400mm，丝杆精度0.03mm，垂直载重15kg
运动控制器：DM542步进电机驱动器 |
| 硬件兼容 |
无
|
| 软件配置 |
操作系统：Ubuntu 20.04
编程语言：Python 3.8
深度学习框架：PyTorch 2.10
图形加速：CUDA 12.1 |
| 软件兼容 |
无
|
| 输入数据 |
键合引线的深度图像，图像分辨率为640×640像素，以TIFF格式存储。通过将单通道深度图像与三通道法线图像堆叠，生成四通道的伪RGB-D图像作为模型输入。 |
| 输出数据 |
：缺陷类型（双线干涉、引线桥接、中间断线等）、缺陷位置坐标（以图像像素坐标表示）、置信度。 |
| 样本获取 |
通过搭建的键合引线缺陷数据采集物理平台，采集了键合引线的深度图像。共采集到2000张原始深度图像，经过预处理和数据增强后，生成了包含10000张图像的数据集DepthBondingWire。其中6000张用于训练集，4000张用于测试集。 |
| 测试结果 |
在自建数据集DepthBondingWire上，Depth-YOLO模型的mAP@0.5达到了98.6%，相比于原始YOLOv8模型提升了7.2%。与其他主流目标检测模型相比，Depth-YOLO在检测精度上具有明显优势。 |
| 执行速度 |
检测速度约50ms/次 |
| 资源消耗 |
CPU：在多核CPU上，计算占比分别平均约50%、60%、70%、40% GPU：显存占用约6GB，显卡计算占比约80% 内存：使用占比约60% |
| 源码类型 |
本算法有Python版本源码，可提供授权使用。 |
| 文件大小 |
算法程序文件约16K，权重文件约34M。 |
| 相关备注 |
无 |
