基于UNet深度可分離殘差網(wǎng)絡(luò)的BGA焊點(diǎn)分割方法

摘? 要：BGA封裝焊點(diǎn)的分割和提取是焊點(diǎn)缺陷精確診斷的重要前提。傳統(tǒng)圖像處理方法針對(duì)復(fù)雜背景焊點(diǎn)的分割常需結(jié)合多種方法，致使算法速度較慢、魯棒性很差。為此提出一種改進(jìn)的UNet網(wǎng)絡(luò)BGA焊點(diǎn)提取方法，采用深度可分離卷積代替原始網(wǎng)絡(luò)中的標(biāo)準(zhǔn)卷積，以降低網(wǎng)絡(luò)參數(shù)量，提高檢測(cè)速度；通過增加卷積層數(shù)提高特征提取能力，加入批標(biāo)準(zhǔn)化層改善數(shù)據(jù)分布情況，加速網(wǎng)絡(luò)收斂；在主干特征提取網(wǎng)絡(luò)引入殘差結(jié)構(gòu)并融合不同分辨率特征。實(shí)驗(yàn)結(jié)果表明，改進(jìn)后的算法參數(shù)量僅為原始模型的12.17%，交并比、準(zhǔn)確率和F1分?jǐn)?shù)分別達(dá)92.4%、98.31%和96.05%，較原始網(wǎng)絡(luò)分別提升了2.17%、0.52%和1.18%，F(xiàn)PS達(dá)114.8幀/秒，在提升BGA焊點(diǎn)分割速度的同時(shí)擁有較高的準(zhǔn)確率。

關(guān)鍵詞：球柵陣列；圖像分割；UNet；深度可分離卷積；殘差模塊

中圖分類號(hào)：TP391.4；TP183? 文獻(xiàn)標(biāo)識(shí)碼：A? 文章編號(hào)：2096-4706（2023）19-0069-06

BGA Solder Joint Segmentation Method Based on UNet Deep Separable Residual Network

YAO Yuan1，2

（1.College of Electrical and Electronic Engineering， Wenzhou University， Wenzhou? 325035， China;

2.Intelligent Lock Research Institute， Wenzhou University， Wenzhou? 325035， China）

Abstract： The segmentation and extraction of BGA package solder joints is an important prerequisite for accurate diagnosis of solder joint defects. Traditional image processing methods often need to combine multiple methods for the segmentation of complex background solder joints， resulting in slow algorithm speed and poor robustness. To this end， an improved UNet network BGA solder joint extraction method is proposed， using deep separable convolution instead of the standard convolution in the original network to reduce the amount of network parameters and improve detection speed; improve feature extraction capabilities by increasing the number of convolution layers， add batch normalization layer to improve data distribution and accelerate network convergence; introduce residual structure in backbone feature extraction network and integrate features of different resolutions. The experimental results show that the parameter amount of the improved algorithm are only 12.17% of the original model， and the intersection ratio， accuracy rate and F1 score are 92.4%， 98.31% and 96.05% respectively， which are respectively 2.17%， 0.52% and 1.18% higher than the original network. FPS is up to 114.8 frames per second， which has a higher accuracy rate while improving the speed of BGA solder joint segmentation.

Keywords： ball grid array; image segmentation; UNet; deep separable convolution; residual module

0? 引? 言

現(xiàn)今，電子信息行業(yè)迅猛發(fā)展，高密度集成化成為電子設(shè)備的主要發(fā)展趨勢(shì)[1-3]，其中球柵陣列（Ball Grid Array， BGA）作為主流封裝技術(shù)已被廣泛應(yīng)用于集成電路板中[4]，其主要特點(diǎn)是在芯片底部使用焊球代替引腳，使封裝芯片的體積更小、引腳數(shù)更多、電性能更優(yōu)[5，6]。由于BGA封裝焊點(diǎn)位于芯片底部，對(duì)焊接質(zhì)量的檢測(cè)一般采用X射線成像系統(tǒng)。常見的BGA焊接缺陷有短路、空洞、虛焊、焊點(diǎn)過大或過小等[7]，能否對(duì)焊點(diǎn)進(jìn)行準(zhǔn)確分割將影響對(duì)焊點(diǎn)缺陷的診斷，故對(duì)焊點(diǎn)分割方法的研究至關(guān)重要。

目前較廣泛使用的是傳統(tǒng)圖像處理方法，李偉等[8]考慮焊點(diǎn)邊緣模糊情況，對(duì)OSTU分割算法進(jìn)行改進(jìn)，二次選取閾值并再度分割，較完整地保留了焊點(diǎn)區(qū)域。張俊生等[9]提出一種自適應(yīng)閾值分割方法，通過對(duì)原始圖像與平滑圖像差值設(shè)定閾值，實(shí)現(xiàn)了對(duì)存在氣泡缺陷焊點(diǎn)的準(zhǔn)確提取。針對(duì)復(fù)雜背景下BGA焊點(diǎn)分割，李樂等[10]采用閾值分割、焊點(diǎn)的圓度及面積等標(biāo)準(zhǔn)提取未被遮擋的焊點(diǎn)，并提出交互式射線輪廓法提取被遮擋輪廓的焊點(diǎn)。Wang等[11]提出了一種基于獨(dú)立連通區(qū)域面積均值作為閾值與數(shù)學(xué)形態(tài)學(xué)相結(jié)合的圖像分割方法，對(duì)于線橋和無效焊點(diǎn)有較好的過濾效果。Li等[12]根據(jù)焊點(diǎn)的幾何特征，提出一種基于邊緣檢測(cè)和坐標(biāo)系變換的分割算法，針對(duì)背景存在干擾和焊點(diǎn)內(nèi)部灰度不均勻的情況，有較好的分割效果。傳統(tǒng)的BGA焊點(diǎn)分割方法都是基于邊緣、閾值、形態(tài)學(xué)及幾何特征，對(duì)于輪廓清晰、背景簡單焊點(diǎn)的分割有著較好效果，但是針對(duì)復(fù)雜背景，往往需要結(jié)合多種方法，分割速度慢且魯棒性較差。

近年來隨著人工智能技術(shù)的發(fā)展，深度學(xué)習(xí)因其具有優(yōu)秀的特征選擇和提取能力被廣泛應(yīng)用，相關(guān)學(xué)者將其應(yīng)用于BGA焊點(diǎn)分割領(lǐng)域。趙瑞祥等[13]采用全卷積神經(jīng)網(wǎng)絡(luò)（Full Connected Network， FCN）提取焊點(diǎn)區(qū)域，利用深層和淺層信息，通過跳躍結(jié)構(gòu)融合多尺度特征，但分割精度較低。為此，陳雅瓊[14]通過粒子群算法優(yōu)化反卷積層的融合比例，采取不同比例多尺度融合方式提高卷積網(wǎng)絡(luò)的性能，保證圖像特征的完整性，取得較好的精度，但是分割速度較慢。

本文提出一種基于UNet語義分割網(wǎng)絡(luò)的改進(jìn)算法，通過增加卷積層數(shù)增強(qiáng)網(wǎng)絡(luò)特征提取能力，融入殘差結(jié)構(gòu)解決梯度消失等網(wǎng)絡(luò)退化問題，同時(shí)使用深度可分離卷積減輕模型計(jì)算量，提高運(yùn)算速度，實(shí)現(xiàn)針對(duì)BGA焊點(diǎn)快速分割的同時(shí)擁有較高的精度。

1? UNet算法

UNet[15]是一種端到端的U形語義分割網(wǎng)絡(luò)，最初因其具有能較好地解決生物醫(yī)學(xué)圖像分割問題而被重視。UNet是一個(gè)編碼器（Encoder）-解碼器（Decoder）對(duì)稱結(jié)構(gòu)，如圖1所示，左側(cè)部分為編碼器，主要用于特征提取，一共分為五層，每一層由兩個(gè)3×3的卷積層和激活函數(shù)及一1個(gè)2×2的池化層組成，輸入通過卷積層提取特征信息，然后經(jīng)池化層進(jìn)行二倍下采樣，每通過一層，分辨率減半的同時(shí)通道數(shù)加倍。淺層網(wǎng)絡(luò)提取輪廓、邊緣等淺層次信息，深層網(wǎng)絡(luò)提取高層次的語義信息。右側(cè)部分為解碼器，通過上采樣和特征拼接將低級(jí)特征和高級(jí)的語義特征融合，最后通過1×1的卷積層分類，實(shí)現(xiàn)像素級(jí)分割。

考慮到BGA焊點(diǎn)圖像結(jié)構(gòu)相對(duì)固定、語義信息較簡單、邊界較為模糊，與醫(yī)學(xué)圖像特點(diǎn)具有很大相似性，因此在UNet網(wǎng)絡(luò)的基礎(chǔ)上提出本文算法。

2? 提出的算法

2.1? 深度可分離卷積

UNet網(wǎng)絡(luò)在編碼端和解碼端運(yùn)都用了大量的3×3的卷積操作，為了提升網(wǎng)絡(luò)的運(yùn)算速度，減少網(wǎng)絡(luò)參數(shù)和復(fù)雜度，實(shí)現(xiàn)對(duì)BGA焊點(diǎn)的快速分割，采用深度可分離卷積（Depthwise Separable Convolution， DSC）[16]代替原網(wǎng)絡(luò)中所有的標(biāo)準(zhǔn)卷積。

深度可分離卷積將卷積核拆分成兩個(gè)小卷積核，分別進(jìn)行深度卷積和1×1的逐點(diǎn)卷積運(yùn)算，代替標(biāo)準(zhǔn)卷積提取語義特征，此方法僅犧牲較小的精度，卻極大減少了網(wǎng)絡(luò)的計(jì)算量（GFLOPs）和參數(shù)量（Parameters），標(biāo)準(zhǔn)卷積和深度可分離卷積的結(jié)構(gòu)分別如圖2和圖3所示。

假設(shè)輸入的特征維度為Kin×Kin×Cin，標(biāo)準(zhǔn)卷積核參數(shù)為Ka×Ka×Cin×Cout，輸出特征圖維度Kout×

Kout×Cout。同維度特征圖輸出情下，深度可分離卷積將卷積核拆分成Ka×Ka×1×Cin和1×1×Cin×Cout兩個(gè)卷積核。第一個(gè)卷積核與輸入有相同的通道數(shù)，首先進(jìn)行逐通道卷積，輸出的特征圖通道數(shù)不變，然后經(jīng)過Cout個(gè)1×1的卷積核進(jìn)行維度擴(kuò)充，將上一層的特征圖在通道上進(jìn)行加權(quán)組合，生成新的特征圖。

2.1.1? 計(jì)算量對(duì)比

標(biāo)準(zhǔn)卷積的計(jì)算量如式（1）所示：

深度可分離卷積的計(jì)算量如式（2）所示：

2.1.2? 參數(shù)量對(duì)比

標(biāo)準(zhǔn)卷積和深度可分離卷積的參數(shù)量分別如式（3）和式（4）所示：

深度可分離卷積的參數(shù)量與標(biāo)準(zhǔn)卷積的計(jì)算量比對(duì)如式（5）所示：

標(biāo)準(zhǔn)卷積相比，輸出特征圖通道數(shù)越多，卷積核越大，深度可分離卷積在計(jì)算量和參數(shù)量上優(yōu)勢(shì)越明顯。在相同參數(shù)量條件下、采用深度可分離卷積可以使網(wǎng)絡(luò)層數(shù)更深。

2.2? 殘差模塊

深度神經(jīng)網(wǎng)絡(luò)能夠?qū)W習(xí)豐富的圖像表征，然而隨著網(wǎng)絡(luò)層數(shù)加深，會(huì)帶來網(wǎng)絡(luò)退化、梯度彌散甚至爆炸問題。針對(duì)該問題，He等[17]提出殘差網(wǎng)絡(luò)結(jié)構(gòu)，通過shortcut操作將輸入恒等映射到輸出，保證信息傳遞的完整性，使深層網(wǎng)絡(luò)更易訓(xùn)練。殘差模塊為殘差網(wǎng)絡(luò)的核心，其結(jié)構(gòu)如圖4所示。

weight layer中通過卷積層進(jìn)行殘差學(xué)習(xí)，殘差模塊可以表示為：

其中，ReLU為非線性激活函數(shù)，x為殘差塊的輸入，w為權(quán)重參數(shù)，F(xiàn)（x，w）是經(jīng)第一層線性變化并激活后的輸出，H（x）為殘差塊的輸出。

當(dāng)輸入x和F（x，w）維度不匹配時(shí)，無法進(jìn)行恒等映射，此時(shí)，需將輸入x乘以Z矩陣投影映射到新的空間，此時(shí)輸入和輸出的關(guān)系可表示為：

2.3? 改進(jìn)的UNet網(wǎng)絡(luò)結(jié)構(gòu)

原始UNet網(wǎng)絡(luò)雖擁有較高的分割精度，但是參數(shù)量較多，計(jì)算量較大。針對(duì)BGA焊點(diǎn)這種結(jié)構(gòu)相對(duì)固定、特征清晰的目標(biāo)，過多的參數(shù)會(huì)提取大量的冗余信息，減緩模型的運(yùn)算速度，本文提出改進(jìn)的UNet網(wǎng)絡(luò)結(jié)構(gòu)如圖5所示。首先，為降低模型復(fù)雜度，提高運(yùn)算效率，采用深度可分離卷積代替編碼器和解碼器中的標(biāo)準(zhǔn)卷積。其次，在所有卷積層后面加入批歸一化層（Batch Normalization， BN），改善數(shù)據(jù)分布情況，加快網(wǎng)絡(luò)收斂速度[18]。再者，原始網(wǎng)絡(luò)編碼器端每層采用的都是兩個(gè)卷積層進(jìn)行特征提取，本方法將第三、第四和第五層改為三個(gè)卷積層，增強(qiáng)特征學(xué)習(xí)能力，使模型學(xué)習(xí)深層網(wǎng)絡(luò)中更多的語義信息，并且將殘差網(wǎng)絡(luò)引入編碼器的每層特征提取中，在shortcut支路引入1×1的卷積層和BN層，一方面解決輸入和輸出維度不匹配的問題，另一方面通過卷積層可以學(xué)習(xí)到更多的信息，將不同分辨率的特征融合。殘差模塊的加入有助于解決網(wǎng)絡(luò)反向傳播中的梯度消失和梯度爆炸問題，有助于解決網(wǎng)絡(luò)退化問題。圖5中DR_2Conv表示此層使用深度可分離卷積和殘差結(jié)構(gòu)，2表示其中使用兩個(gè)卷積層，相應(yīng)的DR_3Conv表示該模塊中使用三個(gè)卷積層。Up_Cat模塊為特征拼接結(jié)構(gòu)，主要是將深層特征上采樣與編碼器學(xué)習(xí)到的特征在通道維度拼接，通過解碼器還原到與輸入尺寸相同大小，最后經(jīng)通道數(shù)為2的卷積層，將焊點(diǎn)部分與背景部分分為兩類，完成分割。

3? 實(shí)驗(yàn)及結(jié)果分析

3.1? 實(shí)驗(yàn)數(shù)據(jù)

本實(shí)驗(yàn)采用實(shí)驗(yàn)室自制數(shù)據(jù)集，通過微焦點(diǎn)X-Ray設(shè)備對(duì)PCB板上BGA焊點(diǎn)部分進(jìn)行采集，此外從搜索引擎下載部分圖片，共采集原始圖像80張，包含焊點(diǎn)4 800個(gè)。使用labelme軟件對(duì)焊點(diǎn)圖像標(biāo)注，背景部分值為0，焊點(diǎn)區(qū)域值為1，并通過Augmentor數(shù)據(jù)增強(qiáng)庫對(duì)原始數(shù)據(jù)進(jìn)行隨機(jī)旋轉(zhuǎn)、翻轉(zhuǎn)、縮放等操作擴(kuò)充數(shù)據(jù)，經(jīng)篩選得到400張圖片作為原始數(shù)據(jù)集，按照8：2比例隨機(jī)劃分為訓(xùn)練集和驗(yàn)證集。

3.2? 實(shí)驗(yàn)環(huán)境與參數(shù)配置

本實(shí)驗(yàn)環(huán)境配置如表1所示，本文算法及其對(duì)比算法均在同樣實(shí)驗(yàn)環(huán)境下運(yùn)行。

本模型訓(xùn)練采用交叉熵作為損失函數(shù)，使用Adam優(yōu)化器，初始學(xué)習(xí)率設(shè)置為0.000 1，訓(xùn)練迭代次數(shù)200次，根據(jù)迭代次數(shù)以指數(shù)衰減方式動(dòng)態(tài)調(diào)整學(xué)習(xí)率，最小學(xué)習(xí)率為0.000 001。

3.3? 評(píng)估指標(biāo)

BGA焊點(diǎn)分割為像素級(jí)別的語義分割，判斷每個(gè)像素點(diǎn)屬于焊點(diǎn)或背景，屬于二分類問題，采用混淆矩陣統(tǒng)計(jì)分類結(jié)果，分類結(jié)果混淆矩陣如表格2所示。TP（True Positive）表示圖像中屬于焊點(diǎn)的像素被正確歸類；FP（False Positive）表示圖像中非焊點(diǎn)區(qū)域（即背景）被誤歸類為焊點(diǎn)；FN（False Negative）表示將圖像中焊點(diǎn)區(qū)域誤歸類為背景；TN（True Negative）表示圖像中非焊點(diǎn)區(qū)域被正確歸類。

基于混淆矩陣本實(shí)驗(yàn)采用交并比（IoU）、精確率（Accuracy，Acc）、F1分?jǐn)?shù)（F1_Score）三個(gè)指標(biāo)評(píng)價(jià)網(wǎng)絡(luò)性能，分?jǐn)?shù)越高說明網(wǎng)絡(luò)分割效果越好，模型更優(yōu)秀，同時(shí)輔以參數(shù)量（parameters），計(jì)算量（GFLOPs）和FPS三個(gè)指標(biāo)對(duì)網(wǎng)絡(luò)進(jìn)行綜合評(píng)價(jià)。

其中，precision表示精確率，是正確預(yù)測(cè)為焊點(diǎn)占全部預(yù)測(cè)為焊點(diǎn)的比值；recall表示召回率，是正確預(yù)測(cè)為焊點(diǎn)占實(shí)際總焊點(diǎn)的比值，F(xiàn)1分?jǐn)?shù)作為精確率和召回率的調(diào)和平均，它們的計(jì)算公式為：

3.4? 消融實(shí)驗(yàn)

為了驗(yàn)證加入不同模塊對(duì)UNet網(wǎng)絡(luò)性能的影響，在相同訓(xùn)練集和測(cè)試集、同樣訓(xùn)練參數(shù)下做了大量的消融實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果如表3所示。實(shí)驗(yàn)1為基礎(chǔ)UNet網(wǎng)絡(luò)模型，實(shí)驗(yàn)2與實(shí)驗(yàn)1相比增加了編碼器后三層的卷積層數(shù)量，并且添加了BN層，實(shí)驗(yàn)3在實(shí)驗(yàn)2的基礎(chǔ)上將標(biāo)準(zhǔn)卷積替換成深度可分離卷積，實(shí)驗(yàn)4在實(shí)驗(yàn)3的基礎(chǔ)上，在編碼器端加入了殘差結(jié)構(gòu)。各實(shí)驗(yàn)的參數(shù)量、計(jì)算量和FPS如圖6所示。

對(duì)比實(shí)驗(yàn)1和實(shí)驗(yàn)2數(shù)據(jù)，實(shí)驗(yàn)2的交并比、精確率和F1分?jǐn)?shù)分別提升了1.93%、0.62%和1.05%，說明與原始網(wǎng)絡(luò)相比，在編碼器端增加一定數(shù)量的卷積層可以增強(qiáng)網(wǎng)絡(luò)的特征提取能力。對(duì)比實(shí)驗(yàn)2和實(shí)驗(yàn)3數(shù)據(jù)可以發(fā)現(xiàn)，加入深度可分離卷積后模型的交并比、精確率和F1分?jǐn)?shù)僅降低了0.87%、0.22%和0.48%，但參數(shù)量和計(jì)算量降低了89%和87%，F(xiàn)PS提高了78.9幀/秒，證明了對(duì)于BGA焊點(diǎn)這種結(jié)構(gòu)固定、特征簡單的目標(biāo)來說，標(biāo)準(zhǔn)卷積層中大量的參數(shù)提取了過多冗余的信息，深度可分離卷積雖然參數(shù)較少，但學(xué)習(xí)到了BGA焊點(diǎn)大多數(shù)重要的特征。對(duì)比第3組和第4組數(shù)據(jù)，殘差網(wǎng)絡(luò)的加入彌補(bǔ)了深度可分離卷積帶來的性能損失，由于旁路增加了1×1的卷積改變維度，計(jì)算量和參數(shù)量有些許增加，F(xiàn)PS降低了11.9幀/秒。

模型訓(xùn)練的Loss值隨迭代次數(shù)的變化趨勢(shì)如圖7所示，可以看出BN的加入加快了模型的收斂，本文采用的輕量型深度可分離殘差網(wǎng)絡(luò)模型收斂速度最快且損失值最小。

3.5? 對(duì)比試驗(yàn)

選取主流的語義分割算法UNet、DeepLabV3+[19]、PSPNet[20]作為本方法的對(duì)比算法，圖8為采用不同算法網(wǎng)絡(luò)分割效果的對(duì)比圖。其中圖8（a）為原始圖像，其中包括簡單背景、有過孔和阻容干擾的復(fù)雜背景、焊點(diǎn)被遮擋以及焊點(diǎn)內(nèi)部有較大氣泡幾種典型情況。圖8（b）為原始圖像對(duì)應(yīng)的標(biāo)簽圖，圖8（c～f）分別為采用的主流分割算法PSPNet、DeepLabV3+、UNet和本文方法得到的分割結(jié)果，其中紅色的部分表示焊點(diǎn)區(qū)域，黑色部分表示背景。圖8（g）為使用本文方法將分割后的結(jié)果映射到原圖，提取BGA焊點(diǎn)分割后的圖片。從圖8（c）和圖8（d）可以看出，雖然PSPNet和DeepLabV3+都能提取BGA焊點(diǎn)的大概輪廓，但是邊緣信息比較粗糙，從圖8（e）可觀察到，原始的UNet網(wǎng)絡(luò)雖然能夠很好地提取焊點(diǎn)的邊緣信息，但是存在誤檢情況（第一幅圖），對(duì)于焊點(diǎn)被遮擋的情況無法提取較完整的輪廓（第二幅圖），而且當(dāng)焊點(diǎn)內(nèi)部存在氣泡時(shí)，會(huì)將氣泡區(qū)域歸為背景，無法完整的提取整個(gè)焊點(diǎn)。本文提出方法雖然在邊緣細(xì)節(jié)上處理得沒有UNet那么平滑，但能夠較好地提取各種情況下的BGA焊點(diǎn)。表4對(duì)比了不同網(wǎng)絡(luò)模型的在自制數(shù)據(jù)集上的分割評(píng)價(jià)指標(biāo)，本文方法擁有較少的參數(shù)量和計(jì)算量，較其他算法在交并比，準(zhǔn)確率和F1分?jǐn)?shù)都有較大的提升，且FPS達(dá)到了114.8幀/秒，保證了在快速提取焊點(diǎn)的同時(shí)保持較高的精度，對(duì)工業(yè)BGA焊點(diǎn)缺陷檢測(cè)有積極的參考意義。

4? 結(jié)? 論

本文根據(jù)BGA焊點(diǎn)圖像的特點(diǎn)，通過對(duì)UNet分割算法進(jìn)行改進(jìn)，提出了一種基于深度可分離殘差網(wǎng)絡(luò)的輕量級(jí)UNet語義分割模型，實(shí)現(xiàn)了BGA焊點(diǎn)像素級(jí)的快速分割。使用深度可分離卷積僅犧牲較少的精度卻極大地減少了網(wǎng)絡(luò)的參數(shù)量和計(jì)算量，加快了網(wǎng)絡(luò)運(yùn)算速度。通過對(duì)編碼器端卷積層數(shù)量的調(diào)整以及殘差模塊的加入，進(jìn)一步增加特征提取能力，彌補(bǔ)了深度可分離卷積帶來的精度損失，避免梯度消失、梯度爆炸以及網(wǎng)絡(luò)退化問題。通過一系列的消融實(shí)驗(yàn)，顯示本改進(jìn)算法的各模塊引入對(duì)于網(wǎng)絡(luò)性能的提升。通過與UNet、PSPNet、DeepLabV3+主流語義分割算法的對(duì)比，本算法在IoU、Accuracy、F1分?jǐn)?shù)最優(yōu)，分別達(dá)到了92.4%、98.31%、96.05%。在分割效果上，本方法對(duì)于較為復(fù)雜背景的圖像表現(xiàn)出很好的分割效果，優(yōu)于其他算法，沒有出現(xiàn)漏檢、誤檢等情況，雖然邊緣分割沒有UNet算法平滑，但本方法的參數(shù)量僅為UNet算法的12.17%，F(xiàn)PS達(dá)到114.8幀/秒，滿足BGA焊點(diǎn)分割的精度要求，實(shí)現(xiàn)了BGA焊點(diǎn)的準(zhǔn)確快速分割。

參考文獻(xiàn)：

[1] CHUNG S，KWAK J B. Comparative Study on Reliability and Advanced Numerical Analysis of BGA Subjected to Product-Level Drop Impact Test for Portable Electronics [J/OL].Electronics，2020，9（9）：[2023-03-05].https：//www.mdpi.com/2079-9292/9/9/1515.

[2] REN J，HUANG M L. Board-level drop reliability and fracture behavior of low-temperature soldering Sn–Ag–Cu/Sn–Bi–X hybrid BGA solder joints for consumer electronics [J].Journal of Materials Science：Materials in Electronics，2021，32（11）：15453-15465.

[3] YE H，XUE S B，ZHANG L，et al. Reliability evaluation of CSP soldered joints based on FEM and Taguchi method [J].Computational Materials Science，2010，48（3）：509-512.

[4] HUANG J Q，ZHOU M B，ZHANG X P. The Melting Characteristics and Interfacial Reactions of Sn-ball/Sn-3.0Ag-0.5Cu-paste/Cu Joints During Reflow Soldering [J].Journal of Electronic Materials，2017，46（3）：1504-1515.

[5] 汪威，呂斌，楊軼睿，等.基于點(diǎn)云與圖像融合的BGA錫球檢測(cè)方法研究 [J].電子測(cè)量技術(shù)，2022，45（9）：140-146.

[6] 趙勝軍，黃春躍，梁穎，等.BGA無鉛焊點(diǎn)再流焊焊后殘余應(yīng)力分析與優(yōu)化 [J].機(jī)械工程學(xué)報(bào)，2020，56（10）：86-94.

[7] DEPIVER J A，MALLIK S，AMALU E H. Thermal fatigue life of ball grid array（BGA） solder joints made from different alloy compositions [J/OL].Engineering Failure Analysis， 2021，125[2023-03-05].https：//doi.org/10.1016/ j.engfailanal.2021.105447.

[8] 李偉，張碩.一種改進(jìn)的球柵陣列封裝焊點(diǎn)射線圖像閾值分割算法 [J].光子學(xué)報(bào)，2011，40（7）：1046-1050.

[9] 張俊生，王明泉，郭晉秦，等.BGA焊點(diǎn)氣泡缺陷X射線圖像的動(dòng)態(tài)閾值分割方法 [J].火力與指揮控制，2018，43（10）：113-116.

[10] 李樂，陳忠，張憲民.復(fù)雜背景下X射線BGA焊點(diǎn)氣泡檢測(cè) [J].焊接學(xué)報(bào)，2015，36（3）：80-84+5.

[11] WANG H，Liu D. A new threshold segmentation algorithm for segmenting micro-focus X-ray BGA solder joint image [C]//Proceedings of the 4th International Conference on Information Technology and Management Innovation.[S.I.]：Atlantis Press，2015：1174-1177.

[12] LI J Y，F(xiàn)ANG L Y，HU D C，et al. A new method to extract BGA solder balls in complex background X-ray image based on coordinate transformation [C]//2019 IEEE 3rd Information Technology，Networking，Electronic and Automation Control Conference （ITNEC）. Chengdu：IEEE，2019：257-261.

[13] 趙瑞祥，侯宏花，張鵬程，等.結(jié)合全卷積網(wǎng)絡(luò)和K均值聚類的球柵陣列焊球邊緣氣泡分割 [J].計(jì)算機(jī)應(yīng)用，2019，39（9）：2580-2585.

[14] 陳雅瓊.基于深度學(xué)習(xí)的BGA焊球空洞缺陷檢測(cè)研究 [D].桂林：桂林電子科技大學(xué)，2021.

[15] JIAO L B，HUO L Z，HU C M，et al. Refined UNet： UNet-Based Refinement Network for Cloud and Shadow Precise Segmentation [J/OL].Remote Sensing，2020，12（12）：[2023-03-06].2001.https：//doi.org/10.3390/rs12122001.

[16] CHOLLET F. Xception： Deep Learning with Depthwise Separable Convolutions [J/OL].arXiv：1610.02357 [cs.CV].[2023-03-06].https：//arxiv.org/abs/1610.02357.

[17] HE K M，ZHANG X Y，REN S Q，et al. Deep Residual Learning for Image Recognition [J/OL].arXiv：1512.03385 [cs.CV].[2023-03-10].https：//arxiv.org/abs/1512.03385.

[18] WU S，LI G Q，DENG L，et al. L1 -Norm Batch Normalization for Efficient Training of Deep Neural Networks [J].IEEE Transactions on Neural Networks and Learning Systems，2019，30（7）：2043-2051.

[19] DU S J，DU S H，LIU B，et al. Incorporating DeepLabv3+ and object-based image analysis for semantic segmentation of very high resolution remote sensing images [J].International Journal of Digital Earth，2021，14（3）：357-378.

[20] ZHAO H S，SHI J P，Qi X J，et al. Pyramid Scene Parsing Network [C]//2017 IEEE Conference on Computer Vision and Pattern Recognition（CVPR）.Honolulu：IEEE.2017：6230-6239.

作者簡介：姚遠(yuǎn)（1995—），男，漢族，江蘇宿遷人，碩士研究生在讀，主要研究方向：深度學(xué)習(xí)、圖像處理、機(jī)器視覺等。

收稿日期：2023-04-03