来源：期刊VIP网 时间：
作者：胡彬;朱文彬;王鸣昕;朱晓春;
单位：南京工程学院自动化学院;南京理工大学微电子学院;中电鹏程智能装备有限公司;
摘要：球栅阵列(BGA)锡球缺陷的高效检测是保障芯片质量的核心环节，而缺陷样本的稀缺性为基于深度学习方法的有效训练带来了挑战。设计了一种基于前景-背景加权融合的数据增强方法，有效缓解了训练样本的不足，并提出了一种基于YOLOv10n的BGA锡球缺陷检测算法EMP-YOLOv10n。首先，构建跨尺度高效特征融合网络(EffiFuseNet),在减少参数量(Params)的同时，增强对缺陷细节的捕捉能力；其次，引入一种新型C2f＿MLCA模块，以提高对小目标缺陷的检测精度；最后，提出一种轻量化检测头(P-Detect)模块，在保留有效信息的同时显著减小了计算量。实验结果显示，与基准模型YOLOv10n相比，EMP-YOLOv10n的平均精度均值(mAP)提高了3.4%,召回率(R)提高了6%,Params减少了42.3%,计算复杂度降低了34.1%,这表明该模型有效提高了基于深度学习的BGA锡球缺陷检测的准确性和实时性。
关键词：球栅阵列(BGA);;锡球;;缺陷检测;;数据增强;;跨尺度高效特征融合网络(EffiFuseNet);;C2f＿MLCA模块;;小目标检测
基金资助：国家自然科学基金(62401263);; 江苏省高校自然科学基金重大项目(23KJA510003)
