-
0 引言
-
发射/接收（T/R）组件是相控阵雷达的关键组成部分，其性能直接影响相控阵雷达的整体性能。采用先进的多芯片模块（multi-chip module，MCM）技术，可将T/R组件中的多个功能芯片和控制芯片高密度整合到一个模块中，用于完成复杂的信号处理功能[1]。
-
金丝键合是T/R组件中多芯片互联的关键工艺。在键合过程中，受到各种随机因素的影响，焊点可能出现虚焊、开裂等质量缺陷[2]。尽管传统尺度点焊焊点的缺陷检测技术已经相对成熟[3]，但在微米尺度焊点的金丝键合中，由于缺陷尺寸微小难以辨别，其焊点的质量检测仍极具挑战性[4]。现针对金丝键合焊点的外观质量检测主要依赖于人工目检，人工目检存在工作量大、判别标准模糊、不可追溯等问题。
-
目前，针对微小结构目标外观质量判断的研究，主要是侧重于印制电路板（PCB）焊点。XIA等[5]利用结构相似性指数（structural similarity index，SSIM index）取代传统形态算子搜寻可疑区域，提出了一种新型PCB缺陷检测器SSIM-NET。颛孙壮志[6]运用加速稳健特征（speeded up robust features，SURF）算法的尺度不变性实施图像拼接，先通过获得的匹配对实现定位模板与样本图像的精准匹配，再基于图形学实现PCB焊点质量的分类。张鲲等[7]融合传统图像处理与深度学习方法，完成了图像配准并提取缺陷信息，实现了对柔性印制电路板（FPCB）缺陷的初步检测与定位。伴随深度学习技术持续演进，基于深度学习的缺陷检测算法逐渐成为主流研究方向。DING等[8]基于Faster R-CNN（faster region-based convolutional neural network）构建微小缺陷检测网络，大幅提升了PCB缺陷检测效能。朱红艳等[9] 在优化Faster R-CNN的基础上，提出了基于多尺度特征融合与可变形卷积的DCR-FRNet（deformable convolutional-faster region-based convolutional neural network）算法，更好适配了同一缺陷不同尺度下的目标检测需求。
-
综上所述，微小目标检测领域已具有一定的研究积累，但在键合焊点检测方面的应用研究仍存在明显不足，缺少高效、高准确度的键合焊点检测方法。由于深度学习模型的可解释性不强，现有方法在键合焊点检测领域的迁移效果尚需验证。此外，现有方法主要基于有监督模型，即需要大量负样本进行模型训练才能取得良好效果。然而，在实际生产过程中，由于次品率控制严格且缺陷可修复，导致缺陷样本数据较少。因此，焊点缺陷数据存在明显的正负样本不平衡问题。
-
为解决上述问题，本文提出一种结合外观特征和高维特征的无监督键合焊点质量检测方法。首先，利用基于YOLOv8的目标检测模型来确定键合焊点的位置，并构建键合焊点数据集；然后，分别利用霍夫圆变换（Hough circle transform，HCT）检测算法和视觉几何组（visual geometry group，VGG）卷积神经网络（CNN）来提取键合焊点的外观特征和高维特征；最后，基于提取到的特征，采用K-means聚类算法来建立无监督的键合焊点质量检测模型，并进行效果验证。
-
1 键合焊点特征分析与数据集构建
-
1.1 键合焊点特征
-
球焊是金丝键合的一种重要工艺手段，其工艺流程[10]为一个包含烧球、压焊、拉弧、截尾等环节的闭环焊接过程，如图1所示。在烧球环节，通过电子火焰熄灭（electronic flame off，EFO）工艺将金丝末端烧结成球状。在压焊环节，焊头先迅速降至搜索高度，再匀速下行，使金球与第一焊点接触、挤压，并经加热与超声振动完成键合，最后根据两焊点相对距离移至对应金丝长度处。在拉弧环节，通过移动焊头或工作台，使焊头接触第二焊点，将金丝末端压成楔形。截尾环节类同压焊，在第二焊点处输入能量并压断金丝，使其牢固附着在基材上，进而完成整个键合流程。
-
图1 键合工艺流程
-
球焊焊点的外观形状主要取决于键合工艺流程中的烧球与压焊环节。在生产现场采集到的合格球焊焊点图像如图2所示。可以看出：合格球焊焊点形状规整，呈圆形或椭圆形；其焊接表面光滑、无气泡，无裂纹或凹凸不平的现象，且焊点与焊接基材之间无明显分离或间隙。
-
图2 合格球焊焊点图像
-
金丝键合出现较多的球焊焊点缺陷包括键合位置偏移、金丝断裂、焊点形貌异常等，如图3所示。相比于合格焊点，缺陷焊点外形通常呈现出不规则凹凸或形状不完整的特征，且焊接表面粗糙，常常带有气泡、裂纹等。此外，由焊点与基材之间的分离或间隙导致的缺陷，也往往会在外观上有一定的体现。
-
图3 缺陷球焊焊点图像
-
1.2 焊点图像数据集构建
-
考虑到人工采集数据存在耗时长、效率低且易受主观因素影响等问题，因此使用自动焊点图像数据采集装置获取焊点图像。该图像采集装置通过四轴机器人调整位置，由机器人末端的显微相机进行拍摄。在生产现场所采集的键合焊点样品图像如图4所示。
-
图4 键合焊点样品图像
-
由图4可知，键合焊点具有尺寸微小、分布密集的特点，因此在一张样品图像中通常包含大量键合焊点。键合焊点的像素数量占整张图像像素的比例十分微小，且光照分布不均、焦点位置差异等因素导致焊点在清晰度和颜色等方面存在显著差异，这给键合焊点的提取带来了难度。
-
YOLOv8采用了特征金字塔网络（feature pyramid networks，FPN）结构，在多尺度尤其是小目标检测方面具有良好的效果。FPN专注于解决多尺度目标检测和识别中的瓶颈问题[11]，通过对不同特征映射层级的操作，能够捕捉不同尺度目标的各种特征，显著提升模型对不同尺度目标检测的准确性。
-
焊点数据集的构建分为YOLOv8模型训练与键合焊点提取两部分，其流程图如图5所示。
-
图5 焊点数据集的构建流程图
-
在模型训练环节，首先对样品图像上的键合焊点进行标注。统计结果显示，在22张样品图像中共标注了540个焊点，即平均每张图像上约包含24.5个焊点。由标注焊点分布的热点图可见，焊点分布密集且无明显规律。然后，对训练图像进行旋转、曝光指数变换、模糊处理等数据增强预处理，提高模型的泛用性。最后，完成训练并得到键合焊点提取的最终模型。在键合焊点提取环节，将收集到的所有样品图像输入该模型中，输出键合焊点数据集，供后续无监督键合焊点质量检测模型训练。
-
2 基于形状与高维信息的无监督质量检测模型构建
-
2.1 焊点形状特征提取
-
合格的键合焊点外观表现为规则的圆形，而缺陷焊点往往呈现不规则形状。因此，通过提取焊点的形状特征可以为焊点的质量评估提供数据基础。在焊点形状特征提取过程中，边缘检测技术有助于识别和描述图像中检测对象的轮廓，进而提取其形状特征。
-
采用Canny边缘检测对焊点进行形状特征提取的基本步骤如下。
-
首先，为了避免噪声对后续边缘检测造成干扰，需对图像进行去噪平滑处理。高斯滤波器通过对邻域内的像素进行加权求和来实现图像去噪平滑。高斯滤波函数的数学表达式为
-
式中：x，y为卷积核中相对于中心点的坐标；σ为标准差。σ用于控制权重分布的扩散程度，σ越大模糊效果越明显。
-
然后，利用Sobel算子计算图像中每个像素的梯度幅度与方向。梯度幅度反映了像素灰度变化的剧烈程度，而梯度方向则指示了灰度变化最快的方向。
-
接着，采用了非极大值抑制技术来保留梯度方向的局部最大值，以防止相邻像素间产生冗余的边缘响应。其基本方法是：将当前像素的梯度幅度与其正负梯度方向上相邻像素的梯度幅度进行比较，如果当前像素的梯度幅度是最大值，则将其保留为边缘点；否则，该像素被抑制，不被视为边缘点。
-
最后，通过设定高低阈值进行双阈值检测。对于梯度幅度大于高阈值的像素，直接判定为边缘点；对于梯度幅度小于低阈值的像素，直接排除；而对于梯度幅度介于两者之间的像素，若其与已确定的边缘点相邻，则将其同样判定为边缘点，最终得到完整精确的边缘图像。Canny边缘检测结果如图6所示，图中可以清晰地看到不同大小的圆形轮廓。然而，由于图像清晰度低和不同区域亮度变化等原因，边缘检测结果没有显示出规则的圆形，并包含大量噪声，需要进一步处理。
-
图6 Canny边缘检测结果
-
本文利用霍夫圆变换对Canny边缘检测图像进行焊点形状特征提取。霍夫圆变换是一种用于在图像空间中检测圆形目标的算法。其基本原理是：将图像空间中的圆通过参数方程映射到三维参数空间中，通过在参数空间中寻找局部最大值来确定圆的几何参数。其参数方程可表示为
-
式中：（xo，yo）为圆上任意一点的坐标；（a，b）为圆心坐标；r为圆的半径。
-
对于圆上任意一点，所有可能的圆心（a，b）和半径r构成一个三维参数空间，即霍夫累积空间。如果已知圆上任意3个不共线的点，其在参数空间中对应的参数曲线将会相交于一点，该点就是圆的几何参数表示。
-
因此，基于Canny边缘检测结果，利用焊点边缘图像中每个像素的梯度方向和梯度幅度构建霍夫累积空间，确定该像素对应的潜在圆心位置。对于每个圆心位置和半径的组合，在霍夫累积空间中进行累加操作，记录所有可能通过该圆心位置和半径的圆。在霍夫累积空间中累加值的峰值代表最可能的圆心和半径组合。这些信息有助于确定图像中潜在圆的位置和大小。最后，通过统计圆周上的像素数量等信息来验证检测到的圆的有效性。
-
使用霍夫圆变换检测算法对图6（a）所示焊点图像进行检测，检测结果如图7所示，其中蓝色圆即为检测到的焊点圆形形状。
-
图7 霍夫圆变换检测算法的检测结果
-
通过Canny边缘检测与霍夫圆变换，可以从键合焊点图像中提取焊点圆心位置、半径等几何参数，且归一化霍夫累积空间中的累积值可量化焊点圆形形状的置信度，用以评估焊点的圆形程度。
-
2.2 焊点高维特征提取
-
除形状特征外，许多人工无法识别的高维图像特征往往也能反映焊点质量。得益于人工智能技术的快速发展，神经网络（特别是卷积神经网络）在提取复杂且高维图像特征方面表现出色。VGG网络[12]已被证明能够有效提取图像特征，对图像关键信息具有良好的特征表征能力。
-
本文采用VGG-16网络进行特征提取。VGG-16网络结构由卷积层、池化层和全连接层交织组成。每个卷积层后面通常是批量归一化层和ReLU（rectified linear unit）激活函数，以增强网络稳定性和非线性处理能力。此外，VGG-16网络使用3×3的小卷积核，这不仅减少了模型的总参数量，还有助于提高模型的泛化能力。VGG-16网络的这种设计使其在图像识别任务，尤其是在需要进行深度特征提取的场景中表现出色。通过这些设计，VGG-16网络能够在保持计算效率的同时，提取出丰富的特征，从而在多个基准测试中取得了优异成绩。通过VGG-16网络进行键合焊点特征提取，可以得到含有1 000个高维特征参数的特征向量，为进一步的键合焊点质量检测提供条件。
-
2.3 无监督质量检查模型
-
由前述研究可知，键合焊点数据中存在严重的类别不均衡问题，即正样本（合格焊点）数量远大于负样本（缺陷焊点）数量。而无监督模型不依赖数据标签，可以避免对少数类的偏见，同时更易根据合格焊点与缺陷焊点在特征空间中的分布差异完成分类和识别。因此，本文基于获取的键合焊点外观特征与高维特征，设计无监督模型进行焊点质量检测。
-
首先对外观特征与高维特征进行融合。在无监督训练迭代过程中，由于外观特征只有圆心位置、半径、圆形置信度共3个特征参数，而高维特征有1 000个特征参数，可解释性较强的外观特征极易淹没在大量的高维特征中，导致模型学习性能下降。因此，本文根据特征的重要程度，为外观特征分配合适的权重，即将外观特征与一个合适的权重相乘后再与高维特征拼接，进而得到焊点质量全局特征表达。本文设圆心位置、半径、圆形置信度等3个特征参数的阈值分别为1，2，10。
-
融合焊点质量全局特征后，使用K-means聚类方法[13]进行无监督训练。K-means是一种典型的聚类算法，用于将数据点划分到K个聚类中，形成K个数据簇。该算法通过迭代更新数据簇的聚类中心（质心）位置，使得簇内的数据点相似度最大化，簇间差异最大化，直到满足预设的停止条件。K-means算法的实现步骤是：
-
a） 初始化质心，从数据集中随机选择K个数据点作为初始的质心；
-
b） 分配样本，对于数据集中的每个数据点，计算其与每个质心的欧氏距离，再将数据点分配到距离最近的质心所对应的聚类中；
-
c） 更新质心，计算每个聚类中所有数据点的均值，并将这个均值作为新的质心；
-
d） 迭代优化，重复步骤b）~c），持续进行数据点的样本分配以及质心更新，直到满足某个停止条件，停止条件可以是达到阈值，当质心的变化小于某个阈值时，说明质心已经稳定，也可以是达到预设的最大迭代次数。
-
由于正样本占数据集的绝大多数，因此可以将整个数据集中的所有数据点划分到同一聚类中。在这种情况下，若样本与质心的距离偏大，表明其与绝大多数训练样本在形状特征与高维特征中存在明显差异，该样本有极大概率为负样本。
-
基于此，构建了键合焊点的无监督质量检测模型。输入模型的样本特征空间由经霍夫圆变换检测算法提取的形状特征与经VGG-16网络提取的高维特征融合构成，该模型以K-means聚类算法为核心算法，通过样本到质心的距离度量实现焊点质量判定。
-
3 算法验证
-
将收集到的所有键合焊点数据分为相互独立的三部分：第一部分为训练集，其样本全部为正样本，用于模型学习正样本的共同特征，并确定聚类中心；第二部分为初验数据集，由正负样本均衡组成，用于确定无监督模型的检测阈值；第三部分为测试集，用于测试模型检测效果。键合焊点样本数据分布如表1所示。
-
在训练集上训练得到无监督模型后，基于分位数方法在初验数据集上计算样本距离并设定检测阈值。为平衡误报率和漏报率，该阈值可根据聚类结果和业务需求进行灵活调整。初验数据集的试验目的在于确定最优阈值，以实现正负样本的正确分离。初验数据集样本如图8所示，其中img0~img4为正样本，img5~img9为负样本。
-
图8 初验数据集样本
-
初验数据集中的样本到聚类中心的欧氏距离分别为40.1，25.4，29.4，28.1，38.1，55.2，57.4，46.6，62.3，59.4。分析可知，正样本的最大距离为40.1，负样本的最小距离为46.6。若要正确分类测试样本，则检测阈值设定的区间为（40.1，46.6）。因此，本实验设定的检测阈值为45.3。
-
进一步在测试集上验证所提出的无监督模型的检测效果。测试集样本如图9所示，其中T_img0~T_img5为正样本，T_img6为负样本。
-
图9 测试集样本
-
将测试集及部分训练集的焊点特征数据输入基于K-means的焊点质量检测模型，计算样本与聚类中心的欧氏距离。基于K-means的焊点分类可视化结果如图10所示。在阈值圆内的点判为合格键合焊点，反之则为缺陷键合焊点。
-
图10 基于K-means的焊点分类可视化结果
-
在测试集中，样本T_img0~T_img6与聚类中心的欧氏距离分别为38.4，38.1，35.9，37.4，42.0，40.3，46.9。分析可知，测试集中所有正样本的距离均小于检测阈值，而负样本的距离大于检测阈值。可见，该模型有效检测出了测试集中的缺陷焊点样本。
-
综上所述，该无监督质量检测模型在测试集上成功识别出了缺陷键合焊点，且未将合格键合焊点误识别为缺陷键合焊点，具有良好的键合焊点质量检测性能。
-
4 结论
-
为解决T/R组件金丝键合焊点尺寸微小、排布密集、负样本收集困难、正负样本不均衡，导致难以进行自动化检测的问题，本文提出了一种基于外观特征与高维特征融合的无监督金丝键合焊点质量检测方法。使用基于FPN结构的YOLOv8进行键合焊点提取，将基于霍夫圆变换检测算法提取的焊点形状特征与基于VGG-16网络提取的焊点高维特征进行融合，并建立了基于K-means聚类算法的无监督键合焊点质量检测模型。测试结果表明，本文提出的检测方法取得了良好效果，有效解决了样本中严重的类别不平衡问题，为金丝键合焊点的质量检测提供了有效手段。
-
参考文献
-
[1] WANG C，XIE L，CHEN C，et al.Study of large area substrate assembly process for T/R module[C]//2022 International Conference on Microwave and Millimeter Wave Technology(ICMMT)，Harbin，China.Piscataway，NJ：IEEE Press，2022：1-3.
-
[2] ZHOU H L，ZHANG Y C，CAO J，et al.Research progress on bonding wire for microelectronic packaging[J].Micromachines(Basel)，2023，14(2)：432.
-
[3] DAI W，LI D Y，TANG D，et al.Deep learning approach for defective spot welds classification using small and class-imbalanced datasets[J].Neurocomputing，2022，477：46-60.
-
[4] ALAM L，KEHTARNAVAZ N.A survey of detection methods for die attachment and wire bonding defects in integrated circuit manufacturing[J].IEEE Access，2022，10：83826-83840.
-
[5] XIA B X，CAO J B，WANG C.SSIM-NET：real-time PCB defect detection based on SSIM and MobileNet-V3[C]//2019 2nd World Conference on Mechanical Engineering and Intelligent Manufacturing(WCMEIM)，Shanghai，China.Piscataway，NJ：IEEE Press，2019：756-759.
-
[6] 颛孙壮志.基于图像处理的PCB裸板表面缺陷检测系统[D].成都：电子科技大学，2022.
-
[7] 张鲲，邓明星.基于传统图像处理联合深度学习的FPCB自动缺陷检测算法[J].智能计算机与应用，2023，13(7)：53-57，63.
-
[8] DING R W，DAI L H，LI G P，et al.TDD-net：a tiny defect detection network for printed circuit boards[J].CAAI Transactions on Intelligence Technology，2019，4(2)：110-116.
-
[9] 朱红艳，李泽平，赵勇，等.基于多尺度融合和可变形卷积PCB缺陷检测算法[J].计算机工程与设计，2022，43(8)：2188-2196.
-
[10] CHARLES H K.Advanced wire bonding technology：materials，methods，and testing[M].Materials for Advanced Packaging.Cham：Springer International Publishing，2016.
-
[11] LIN T-Y，DOLLAR P，GIRSHICK R，et al.Feature pyramid networks for object detection[C]//2017 IEEE Conference on Computer Vision and Pattern Recognition(CVPR)，Honolulu，HI，USA.Piscataway，NJ：IEEE Press，2017：936-944.
-
[12] KAREN S，ANDREW Z.Very deep convolutional networks for large-scale image recognition[EB/OL].arXiv preprint：1409.1556(2014-09-04)[2025-06-10].https://arxiv.org/abs/1409.1556.
-
[13] IKOTUN A M，EZUGWU A E，ABUALIGAH L，et al.K-means clustering algorithms：a comprehensive review，variants analysis，and advances in the era of big data[J].Information Sciences，2023，622：178-210.
-
摘要
针对发射/接收（T/R）组件中键合焊点的高效率准确检测需求，提出了一种结合外观特征和高维特征的无监督键合焊点质量检测方法。利用基于YOLOv8的键合焊点检测模型构建数据集，并采用霍夫圆变换（Hough circle transform，HCT）检测算法和视觉几何组（visual geometry group，VGG）卷积神经网络从焊点图像中提取了外观特征和高维特征。通过实验并结合实际情况设定了合理的阈值，构建了基于K-means算法的无监督键合焊点质量检测模型。测试结果表明，提出的检测方法取得了良好效果，有效解决了样本中严重的类别不平衡问题，为金丝键合焊点的质量控制提供了有效手段。
Abstract
To meet the requirements of efficient and accurate detection for bonding solder joints in transmit/receive (T/R) components, an unsupervised bonding solder joints quality inspection method combining both appearance features and high-dimensional features was proposed. A dataset was constructed by a bonding solder joint inspection model based on YOLOv8. These appearance features and high-dimensional features were extracted from solder joint images using the Hough circle transform (HCT) algorithm and the visual geometry group (VGG) convolutional neural network (CNN). By setting reasonable thresholds based on experiments and practical considerations, an unsupervised bonding solder joints quality inspection model was established based on the K-means algorithm. The test results demonstrate that the proposed detection method achieves promising performance，effectively addressing the severe class imbalance issue in the dataset and providing an effective solution for quality control of gold wire bonding solder joints.
