基于中智集合的CSP LED图像缺陷检测方法研究及其在自动化产线质量管控中的应用

这篇研究论文提出了一种创新的中智集合(NS)缺陷检测方法(ND)，针对芯片级封装(CSP)发光二极管(LED)图像中的缺陷检测难题。该方法通过将图像转换为中智域(T,I,F)，结合相似性运算消除噪声，再通过增强运算提升对比度，最终实现了在多种曝光时间下对缺陷珠的精准检测。实验表明，相比传统五种检测方法，ND方法能提供更可靠的通过率评估，为LED自动化产线质量管控提供了新思路。

　　

芯片级封装(CSP)发光二极管(LED)作为微型化光源，在自动化产线中面临高密度排列导致的缺陷检测难题。传统基于图像处理的方法易受噪声干扰，而深度学习又难以满足实时检测需求。这项研究创新性地将中智集合理论引入缺陷检测领域，建立了完整的NS缺陷检测方法体系。

中智图像转换技术

研究首先将CSP LED图像转换为包含真值(T)、不确定值(I)和假值(F)的中智图像。通过计算区域均值G(i,j)和绝对差值D(i,j)，构建了T(i,j)=[G(i,j)-g_min]/[g_max-g_min]、I(i,j)=[D(i,j)-D_min]/[D_max-D_min]和F(i,j)=1-T(i,j)的转换模型，有效表征了图像中的不确定信息。

α-相似性运算创新

针对图像噪声问题，研究提出了创新的α-相似性运算。通过设置阈值α=0.85，当I(i,j)≥α时启动加权处理：w(i,j,m,n)=exp[-2I(i,j)∥g(i,j)-g(m,n)∥²/h²]，显著降低了噪声像素对检测结果的影响。实验数据显示，该运算使图像信噪比提升了约30%。

增强运算优化

为提高检测精度，研究设计了分段式增强运算：当Iba(i,j)<0.5时采用2Iba²(i,j)，否则使用1-2[1-Iba²(i,j)]。这种非线性增强策略使图像对比度提升了25%，同时保持了边缘细节。

多维度实验验证

研究团队使用工业相机(型号：Hikvision MV-CA060-11GM)采集了20-80μs不同曝光时间的CSP LED图像进行验证。与直接检测(D2)、低通滤波(LD)、高斯滤波(GD)、均值滤波(MD)和模糊C均值(FD)五种方法相比，ND方法在固定检测阈值下的故障检测率(r_f)最低，仅为0.8%，显著优于其他方法(1.2%-3.5%)。

特别值得注意的是，在分析481个LED珠的样本时，ND方法检测出的缺陷数量(n_d=9.6)最接近真实值(n_r=10)，验证了其可靠性。研究还发现，ND方法的检测阈值(g_d)在30-35灰度值区间表现最优，这为工业应用提供了重要参数参考。

这项研究通过理论创新和方法优化，解决了CSP LED缺陷检测中的关键技术难题。未来研究可进一步探索自适应检测阈值算法，以应对更复杂的工业检测环境。