随着半导体技术的快速发展，电子产品的封装集成度越来越高、实现功能越来越多，市场对高质量芯片的需求也水涨船高。芯片缺陷检测，是芯片制造中尤为重要的一环。芯片的漏检、错检，会使相应产品达不到预期效果甚至报废，最终对企业造成不可估量的损失。

用于连接晶片和引脚的金线因其尺度小，精度要求严格，成为了半导体芯片缺陷检测中的一大难点。如何以最小的人力物力成本实现高质量的芯片金线及其引脚所焊锡球的缺陷检测，是我们本次项目中所探讨的主题。

针对“传统相机+传统检测算法”方法在检测芯片缺陷过程中过程复杂、耗时长、准确率低、不能检测芯片三维缺陷等问题，研发能够快速检测芯片所焊锡球和金线缺陷的人工智能算法，以解决当前工业上检测芯片缺陷难的问题。同时，利用公司已有的技术优势（光场相机技术），结合深度学习算法，搭建并训练适用于金线和锡球缺陷检测的神经网络模型，研发自动化检测程序，将缺陷检测流程中人工参与的比重降至最小，同时提高正确率。

（1）研发了芯片锡球的定位算法，能从芯片原图中准确分割锡球。建立了锡球缺陷分类神经网络ResNet，能准确分类锡球的缺陷；

（2）建立了金线分割神经网络U-Net，能准确识别并分割出芯片上所有金线的位置与形状。同时，针对芯片和金线的深度图像，利用OpenGL进行三维点云快速重建，实现可视化；

（3）建立了金线缺陷的分类神经网络ResNet，能够准确分类芯片上不同位置的金线缺陷；

（4）利用PyQt搭建了芯片缺陷检测系统的可视化界面，集成了训练好的神经网络模型，实现了方便的人机交互。