基于百度飛槳EasyDL平臺的芯片質檢系統設計與開發

中圖分類號：TP311 文獻標識碼：A 文章編號：2096-4706（2025）12-0184-10

Design and Development of Chip Quality Inspection System Based on PaddlePaddle EasyDLPlatform

SUN Cuigai， SHENG Xuefeng，YU Dawei （Suzhou CollegeofInformationTechnology，Suzhou 21520o，China）

Abstract：Aimingat the problems oflowchip inspection eficiency，high labor cost，and poor product consistency in current industrialproduction，this paper designsand develops anautomatedchipquality inspection system basedonartifcial intellgencetechnology.ThesystemtakesthePaddePaddleEasyDLplatformas thecore，colectschipimages throughindustrial cameras，anduses the Deep Learning algorithmtorealize the inteligentrecognition of defectssuchaschippinmising and surfacecratches.Theexperimentalresultsshowthatthesystemcanefectivelyreplace thetraditionalmanual inspectionmethod， significantlyimprovetheispectionaccracyandeiencyedueproductionosts，andprovidestrongsupportforancing thecorecompetitivenssof theindustryandpromotingkeytechnologicalinnovations.Thesuccessfulapplicationofthissystem notonlypromotes theimprovementofindustrial independentinnovationabilityutalsoprovidesanetechnicalpathforthe realization of high-quality development of manufacturing industry.

Keywords： PaddlePaddle; EasyDL; chip inspection; quality inspection; Deep Learning; intellgent manufacturing

0 引言

在現代電子產業中，芯片作為核心組件，其質量直接關系到電子產品的性能、穩定性和可靠性。隨著芯片制造工藝向高精度、小型化方向的不斷演進[1]，對芯片質量檢測的準確性、高效性、智能化程度等提出了嚴苛的要求。人工檢測和傳統的圖像處理算法檢測，對于微小尺寸缺陷、不規則形狀缺陷等，檢測精度和泛化能力嚴重受限。在此背景下，深度學習技術憑借其強大的特征自動學習能力，在圖像識別領域取得了突破性的進展。通過對海量芯片圖像數據的學習，深度學習模型能夠自動挖掘出復雜的缺陷特征模式，從而實現高性能、高精度的缺陷檢測[2]。百度飛槳EasyDL平臺作為一款面向廣大開發者的一站式AI開發平臺，利用EasyDL平臺豐富的預訓練模型、便捷的標注工具以及高效的模型訓練與部署功能，能夠顯著縮短芯片質檢系統的開發周期，降低開發成本，提高開發效率[3]。

1關鍵技術研究

1.1 百度智能云EasyDLAI開發平臺

EasyDL是百度大腦推出的定制化AI訓練及服務平臺，支持面向各行各業有定制AI需求的企業用戶和開發者。自2017年11月中旬起，它在國內率先推出針對AI零算法基礎或者追求高效率開發的企業用戶的零門檻AI開發平臺，提供從數據采集、標注、清洗到模型訓練、部署的一站式AI開發能力。本系統利用百度智能云EasyDLAI開發平臺，完成了從數據采集到模型校驗的完整流程，如表1所示。

表1芯片質檢系統在EasyDL平臺所做工作一覽表

1.2芯片質檢模型訓練算法YOL0v3

EasyDL零門檻AI開發平臺，為AI開發基礎薄弱的開發者提供預置模型調參建模方式，現已涵蓋ResNet50_vd、YOLOv3_MobileNetV1、SSD_MobileNetV1、Mask_RCNN_R50_vd_FPN等圖像分類、物體檢測、實例分割3類場景下14種網絡，適配大部分場景，開發者只需選擇合適的預訓練模型以及網絡，根據自身經驗進行調整，以獲得更適合特定場景的模型，其中物體檢測預置算法及網絡選擇，如表2所示。

表2物體檢測預置算法及網絡選擇

在對芯片進行質量檢測過程中，選用優勢明顯的YOLOv3算法，在保持高準確率的同時，具有較快的檢測速度，能夠滿足實時檢測的需求。YOLOv3是一種先進的單階段目標檢測算法，它摒棄了傳統目標檢測方法中的區域提議步驟，通過單次網絡前向傳播即可直接完成目標的分類和定位[4]。其理論基礎主要源于深度學習中的卷積神經網絡（CNN），通過構建復雜的網絡結構來自動學習圖像中的特征表示[5]。YOLOv3算法采用Darknet-53作為網絡結構，包含53個卷積層的深度神經網絡，通過殘差模塊來解決深度神經網絡中的梯度消失問題，在芯片質檢系統中，由于芯片較小，裁剪前和裁剪后差異性較大，YOLOv3算法能夠在不同尺度的特征圖上進行目標檢測，提高了對小目標的檢測能力[。同時，YOLOv3采用CNN對目標進行端到端的檢測，無須額外的后處理步驟，簡化了檢測流程。

YOLOv3對每個檢測單元預測多個邊界框，每個邊界框有5個參數 （t_x，t_y，t_w，t_h，t_o） ，預測邊界框中心坐標 （t_x，t_y） 通過以下計算式式計算：

其中， σ 為Sigmoid函數，其計算式為σ_x=1/（1+e^-x） ，作用是將輸出值壓縮到（0，1）區間，（c_x，c_y） 為當前網格單元左上角相對于圖像左上角的偏移量， （t_x，t_y） 為網絡預測的邊界框中心相對于網格單元左上角的偏移量。預測的邊界框的寬 b_w 和高 b_h 計算式如下：

其中， （p_w，p_h） 為預設的錨框的寬和高， （t_w，t_h） 為網絡預測的邊界框寬和高的縮放因子。目標置信度C為邊界框中包含目標的概率，通過Sigmoid函數計算：?=σ（t₀） ，其中 t₀ 為網絡預測的目標置信度偏移量。

利用混淆矩陣形成更多的指標去評價模型。在芯片質檢系統中，對數據集進行多次標注，并使用YOLOv3算法對模型進行訓練，所得訓練模型的mAP、精確率、召回率等指標整體評估效果如圖1所示。

圖1模型訓練整體評估

隨著標注熟練度增加，訓練模型的精確率和召回率也在逐步提升，由最初的 40% 左右提升到 95% 左右。在模型校驗的過程中，選擇測試集中的幾張圖片上傳，便可查看模型校驗的識別結果，F1-score是精確率和召回率的調和平均數，其數值范圍從0到1，1代表模型的性能最佳。通過查看模型的表現，不同閾值下F1-score表現不同，建議閾值設為0.6，這樣模型校驗識別率最佳。模型發布后可以通過請求參數中的threshold調節閾值。不同閾值下F1-score表現如圖2所示。

圖2不同閾值下F1-score表現

1.3接口測試工具Postman

在EasyDL平臺上，經過了一系列步驟，獲取了模型訓練后的API接口，同時也擁有了模型應用的ID號、APIKey和SecretKey，那么開發者便可以通過這些參數調用該模型，完成芯片質檢系統的相關功能，用戶可以通過這三個參數使用該應用。為了驗證參數的有效性，采用接口測試工具Postman，首先，向API服務地址使用POST發送請求，必須在URL中帶上參數access_token，那么如何利用現有的參數獲取令牌環access_token，則需要向授權服務器地址發送請求：https：//aip.baidubce.com/oauth/2.0/token？grant_type O= client_credentialsamp;client_id=ETFGGN7xONmn8jwSR0ZQTlabamp;client_secret=IVlqjmm4UntAjp5nOO3fs7FG2FZAZBsT，其中grant_type為必選參數，其值為client_credentials，client_id也為必須參數，其值為應用的APIKey，client_secret也是必須參數，其值為應用的SecretKey，借助Postman接口工具，發起post請求，便可獲取令牌環access_token，接下來在Postman接口測試工具中，測試芯片質檢API接口是否能夠正常返回芯片質檢結果，此時需要拼接請求地址：https：//aip.baidubce.com/rest/2.0/image-classify/v2/dish？access_token=24.789dfde75640c6cae12b8bde39e9026d.2592000.1684227332.282335-32441774， 該接口地址中，access_token為必須參數，該參數值源自上一步獲得令牌環的值，同時設置Header請求頭參數Content-Type，其值為application/x-www-form-urlencoded，在請求體 Body中輸入請求參數image，字符串類型，值為圖片的Base64編碼格式，準備好請求地址、請求頭和請求體之后，選擇發送post請求，在請求成功的情況下，Postman接口測試工具中便可以查看到芯片質檢的結果數據，同時，該接口可以通過Android Studio軟件調用，通過移動端實現對芯片的實時檢測。Postman接口測試工具測試內容一覽表如表3所示。

表3Postman接口測試工具測試內容一覽表

1.4 圖像的Base64編碼

Base64編碼是一種將二進制數據轉換為僅由ASCII字符組成的文本格式的方法，這種格式在互聯網上傳輸時非常方便，因為它可以直接嵌入到URL或HTML代碼中，無須擔心二進制數據可能引起的格式問題。因此，在完成芯片質檢系統的過程中，通過調用芯片質檢的URL地址進行芯片圖片識別時，需要將圖像數據作為請求的一部分發送到服務器。如果直接發送原始的二進制圖像數據（例如JPEG、PNG格式），可能會因為數據大小、編碼格式不兼容等問題導致請求失敗或處理復雜化。而將圖像轉換為Base64編碼后，可以直接將編碼后的字符串作為請求的一部分發送，使得API調用更加簡單和直接。此外，在使用Postman接口測試工具發送HTTP請求時，在請求體Body中輸入請求參數image的值也為芯片圖片的Base64編碼，以此來確保圖像數據不會因為編碼問題而丟失或損壞。Bitmap圖片轉Base64編碼代碼如下：

1.5 圖片裁剪工具uCrop

在芯片質檢系統中，由于芯片較小，通過智能手機攝像頭拍攝后，呈現的芯片圖像非常小，給芯片質檢造成了一定的困難。因此，在工程中，引入com.github.yalantis：ucrop：2.2.6開源庫依賴，開發者可以根據需求對拍攝后的圖片進行適當裁剪。首先，實例化uCrop類，獲得該類的一個實例對象，然后設置自定義裁剪的各類屬性，同時設置裁剪操作的源圖片的Uri和裁剪后圖片保存的目標Uri。源Uri是傳入方法的參數，目標Uri是在應用的文件目錄下創建一個新的文件，文件名為當前系統時間戳加上.jpg后綴。之后啟動uCrop活動進行圖片裁剪。圖片裁剪工具調用的方法如表4所示。

表4圖片裁剪工具調用的方法

1.6 系統開發工具

利用AndroidStudio軟件開發移動端APP，并用夜神模擬器或者華為手機進行測試。該應用通過調用相機加載圖片或者實時拍攝圖片，從而完成移動端芯片的識別，實現“無劃痕芯片”和“有劃痕芯片”的智能化檢測，同時完成“單引腳斷，兩腳間斷，兩腳連斷，三腳間斷，三腳連斷，無引腳斷”的精準化識別。

2 軟件設計

2. 1 系統開發流程

在芯片質檢系統的開發過程中，我們利用百度智能云EasyDLAI開發平臺，完成了數據采集、數據標注、模型訓練、模型發布、模型校驗和模型應用等步驟。接著，通過Postman接口測試工具，對模型訓練生成的API接口以及模型應用創建時生成的ID號、APIKey和SecretKey等進行了測試，以此驗證芯片質檢URL地址的有效性。之后，便可在AndroidStudio中編寫代碼，調用芯片質檢URL地址，完成芯片質檢系統的開發。最后，進行軟件測試和模型調優，將開發好的芯片質檢系統部署到終端設備上。系統開發流程如圖3所示。

2.2系統技術架構設計

整個系統分為數據與算法設計層、開發工具層、技術渲染層和終端展示層。其中算法設計層為底層核心，用來完成機器學習和深度學習相關任務。開發工具層包含了完成數據和模型階段工作的百度EasyDL平臺，也包括了測試階段的Postman接口測試工具。該層對返回的數據利用JSON在線解析工具進行解析和識別，利用Base64在線測試工具完成bitmap位圖到Base64編碼格式的轉換，利用AndroidStudio開發軟件進行程序的編程和實現，利用NOX夜神模擬器進行程序的安裝和部署。總而言之，各層協同工作，順利實現芯片質檢系統開發任務，其系統技術架構如圖4所示。

2.3系統功能模塊設計

整個系統包含歡迎登錄模塊和系統主界面兩個部分，其中歡迎登錄模塊包含了歡迎界面、注冊界面、登錄界面三個頁面，系統主界面中則包含了芯片質檢系統中非常重要的幾個功能，分別是：引腳檢測、劃痕檢測、引腳檢測列表、劃痕檢測列表、可視化圖表、清空列表等功能，其系統總體功能模塊設計如圖5所示。

2.4 數據庫設計

在開發芯片質檢系統的過程中，為了能夠有效地將引腳缺失和劃痕缺陷的檢測結果保存起來，系統采用了Android自帶的SQLite輕量級數據庫存儲技術。SQLite提供了一個自包含、無服務器的、零配置的SQL數據庫引擎，具有簡單性、可靠性強等特點，同時具備跨平臺特性以及無須配置的優勢，成為許多應用程序的首選數據庫解決方案。它不需要服務器來運行，也不需要配置，使用標準的SQL語言進行數據操作，這使得從其他數據庫遷移到SQLite變得相對容易。芯片質檢系統根據功能需要，創建了引腳信息表和劃痕信息表，具體詳情如表5和表6所示。

表5引腳信息表yinjiao_info

（續表）

表6劃痕信息表huahen_info

3 系統功能實現

3.1系統開發所需硬件設備

表7展示了基于百度飛槳EasyDL平臺的芯片質檢系統硬件清單，涵蓋了從數據采集到模型部署的全流程設備支持。

表7基于百度飛槳EasyDL平臺的芯片質檢系統硬件清單

3.2 功能模塊

3.2.1 引腳檢測模塊

通過相機拍照或者從相冊加載一張引腳圖片，通過識別按鈕識別芯片的引腳是否存在缺陷并顯示引腳檢測的識別結果。若存在缺陷，則在引腳圖片上框選缺陷的位置，并在下方顯示引腳缺陷的具體坐標。通過單擊提交按鈕，將檢測結果提交至引腳檢測列表頁面。在加載圖片的過程中，采用圖片裁剪技術，將圖片周圍的空白部分剪切掉，從而得到一張清晰度高的芯片圖片。通過相機完成圖片的拍攝與裁剪后，在引腳頁面的上方顯示一張芯片圖片。單擊頁面中間右側的“識別上圖”按鈕，圖片下方的“待檢測”文字便可自動更換為“識別中”。約5秒后，會顯示檢測后的結果，比如：“損壞引腳數量為：2”，同時在識別結果處顯示識別結果。為了能夠清楚顯示引腳檢測的結果，采用代碼畫框的方式框選出圖片中存在缺陷的“引腳”。在識別結果處，出現提示文字：芯片存在2處引腳斷裂，無法使用！同時顯示芯片斷腳信息，以及每一個缺陷引腳的高度、寬度、左側坐標位置、頂部坐標位置等信息詳情。單擊右下角的提交按鈕，將損壞引腳識別結果的信息保存到數據庫中，以備其他頁面調用。用戶在完成提交后，頁面顯示“添加成功”提示，同時刷新本頁面。

3.2.2 劃痕檢測模塊

通過相機拍照或者從相冊加載一張帶有劃痕的圖片，點擊“識別上圖”按鈕來識別芯片上是否存在劃痕，并顯示劃痕檢測的識別結果。若存在劃痕，下方會顯示具體提示文字，并將檢測結果提交至劃痕檢測列表頁面。為了提高模型訓練的準確度，采用圖片裁剪技術，將圖片周圍的空白部分剪切掉，從而得到一張清晰度更高的芯片圖片。單擊頁面中間右側的“識別上圖”按鈕，圖片下方的“待檢測”文字便會自動更換為“識別中”，約5秒后，會顯示檢測后的結果。為了能夠清楚顯示劃痕檢測的結果，在頁面下方的識別結果處，會出現提示文字：模型檢測到芯片上有劃痕！并附有識別置信度等詳細信息。單擊右下角的提交按鈕，將芯片上有劃痕的識別結果信息保存到數據庫中，以供其他頁面調用。用戶在完成提交后，頁面會顯示“添加成功”提示，并刷新本頁面。通過相機拍攝第二張圖片進行劃痕檢測，若顯示“芯片上有劃痕”，則同時將其添加到數據庫中。數據庫中存儲了所有與斷腳產品相關的物品信息。該列表支持上下滾動，以便查看保存到數據庫中的所有與斷腳產品相關的物品信息。每個物品的信息包括：圖片、商品類型、斷腳數量、斷腳信息等。

3.2.3 引腳檢測列表模塊

該界面顯示所有保存到數據庫中的有斷腳芯片的物品信息。由于芯片斷腳情況的物品較多，該列表支持上下滾動，查看保存。

3.2.4數據詳情頁面

單擊斷腳信息列表中的某一個芯片，便可打開數據詳情界面，界面上方顯示芯片的圖片，中間顯示芯片類型和斷腳數量，下方顯示檢測數據信息。

3.2.5 劃痕檢測列表模塊

該界面顯示所有保存到數據庫中的芯片上是否有劃痕的信息列表。該列表支持上下滾動，查看保存到數據庫中的所芯片上是否有劃痕。每個物品的信息包括：圖片、芯片類型、劃痕信息等。

3.2.6數據詳情頁面

單擊劃痕信息列表中的某一個芯片，便可打開數據詳情界面，界面上方顯示芯片的圖片，中間顯示芯片類型，下方顯示芯片檢測結果的數據信息。

3. 2.7 可視化圖表模塊

單擊主界面中的“可視化圖表”圖標，便可打開可視化圖表界面。該界面以非常直觀的方式展示了斷腳和劃痕的占比，使用青色和灰色兩種顏色進行展示。上圖顯示的是芯片中引腳有缺陷和引腳無缺陷的占比，下圖展示的是芯片有劃痕和芯片無劃痕的占比。

3.2.8 清空列表模塊

單擊首頁的“清空列表”圖標，便可進入清空列表頁面，單擊頁面上的“清空列表”按鈕，便可彈出“是否清除所有數據”對話框。單擊“取消”按鈕，便可返回主頁面。單擊“確定”按鈕，便可清空斷腳列表和劃痕列表信息，同時清空數據庫中的斷腳信息表和劃痕信息表。當再次打開“引腳數據列表”和“劃痕數據列表”時，頁面均為空白。此時再次查看可視化圖表，圖表回歸到初始化狀態。顯示引腳有缺陷與引腳無缺陷的占比各占 50% ，芯片有劃痕和芯片無劃痕各占 50% 。

4系統測試

4. 1 系統運行測試

本系統通過主頁面如圖6所示，集成引腳檢測與劃痕分析兩大核心功能，提供高效、精準的缺陷檢測方案。在引腳檢測模塊如圖7和圖8所示，系統可自動識別并標記異常引腳，輸出精確的尺寸和位置數據；劃痕檢測模塊如圖9、圖10和圖11所示則通過智能算法定位表面缺陷，并生成詳細的量化分析報告。此外，系統支持數據深度管理如圖12和圖13所示，包括歷史記錄查詢與單引腳詳情分析，同時結合可視化圖表如圖14所示，實現多維度數據對比，為質量管控提供直觀依據。整體設計兼顧操作便捷性與分析全面性，適用于工業質檢場景中的高精度需求。

4.2 測試結果分析

選取不同類型、不同批次的芯片共300個，涵蓋常見的芯片缺陷類型：無劃痕、有劃痕、單引腳斷、兩腳間斷、兩腳連斷、三腳間斷、三腳連斷、無引腳斷等，將芯片樣本隨機分為三組，每組100個芯片，采用芯片質檢系統、人工檢測、基于傳統圖像處理算法檢測三種不同的質檢方式，重復5次，取平均值，記錄不同檢測方法對每組芯片檢測的平均時間和每種檢測方法的TP、FP、TN、FN數量以及計算得到的準確率、召回率和F1值，整理結果如表8所示。

圖7 引腳檢測頁面

圖10劃痕檢測效果

圖9劃痕檢測頁面

圖8 引腳檢測效果

圖11劃痕數據列表

圖12引腳數據列表

圖13引腳詳情頁面

圖14可視化圖表

表8不同檢測方法對比

從實驗數據可以看出，芯片質檢系統的平均檢測時間僅為 30s ，明顯低于人工檢測的 180s 和基于傳統圖像處理算法檢測的 60s 。這表明芯片質檢系統借助先進的算法和高效的硬件設備，能夠快速處理大量圖像數據，實現自動化檢測，極大地提高了檢測效率。人工檢測由于人的視覺疲勞和處理速度限制，檢測時間較長；傳統圖像處理算法在面對復雜芯片缺陷檢測場景時，需進行多步驟的圖像處理和分析，導致檢測時間相對較長[7]。

芯片質檢系統在準確率、召回率和F1值等指標上均表現出色。其準確率達到 96.67% ，召回率為100% ，F1值為 98.29% ，優于人工檢測和基于傳統圖像處理算法的檢測。芯片質檢系統利用深度學習技術，能夠學習到豐富的芯片缺陷特征，對各種復雜缺陷具有較高的識別能力。人工檢測雖然有一定經驗優勢，但面對大量復雜芯片樣本時，容易出現漏檢或誤檢情況，導致準確率和召回率不如芯片質檢系統。傳統圖像處理算法基于手工特征提取，對于細微或不規則的缺陷識別能力有限，使得檢測精度受限[]。

綜合來看，考慮到大規模檢測場景下對效率和精度的要求，芯片質檢系統在長期和大規模應用中更具成本效益優勢。

5系統開發過程中遇到的問題及解決辦法

5.1數據采集時遇到的問題

在準備數據集過程中，遇到了因圖片角度不同、明暗度不同，導致識別精度不高的難題，因此購置了補光燈，在燈光柔且受光均勻的情況下，重新采集了400多張芯片圖片作為數據集。

5.2數據標注時遇到的問題

在數據標注過程中，采用在線標注，添加了8個標簽，對不同類型缺陷的圖片進行標注。用戶對“標注框的大小、位置和規范”等問題存在疑惑，通過組內討論，明確了標注框的大小標準，規定標注框應略大于目標物體，但不要過多包含背景；對標注框的位置，需緊密圍繞缺陷邊緣。同時，強化了標注規則管理，制定了詳細的標注指南，包括每種缺陷的標注規則和示例。除此之外，用戶發現傾斜的圖片在標注時框選難度較大。基于該問題，在標注前，使用圖像處理技術對圖片進行預處理，如自動旋轉校正，以減少傾斜帶來的影響。

5.3 模型訓練時遇到的問題

在模型訓練的過程中，首次訓練后的模型平均精度均值（meanAverage Precision）為 85.23% 、精確率（Precision）為 81.36% 、召回率（Recall）為79.91% 。由于這三個指標百分比較低，導致識別時準確率很低，有些芯片無法準確識別。優化的解決方案是增加數據集的數量，提高數據標注的準確度。

6 特色與創新

6.1 技術創新

該技術基于百度飛槳平臺，采用了先進的深度學習模型，成功實現了高精度的芯片質檢，能夠在短時間內完成芯片的質量檢測，使得該系統具有實時性與自動化特點[。通過數據模型的持續優化，不僅大幅度地提高了檢測精度，還減少了不必要的人工成本支出，提高了生產效率。此外，該系統榮獲4項軟件著作權、2項實用新型專利，為芯片質檢系統的推廣應用提供了堅實的技術保障。同時，基于百度飛槳EasyDL平臺的芯片質檢系統榮獲2024年“領航杯”江蘇省大學生數字素養與技能大賽高職組特等獎、獲2024年第十屆全國應用型人才綜合技能大賽二等獎、獲2024年第九屆全國計算機類課程實驗教學案例評選二等獎、獲2022年“中國軟件杯”大學生軟件設計大賽三等獎、獲2023年蘇州市人工智能科學技術獎-科技進步二等獎。該系統的設計與研發為未來的多領域化應用奠定了良好基礎。

6.2 設備創新

在試用過程中，拓展使用機械臂獲取需要識別的工件樣品。在設定程序執行流程和對應參數后，不需要人工過多干預，機械臂的觸頭可以根據具體的工件樣品以及實際需求進行產品獲取和檢驗識別，實現了產品自動化。

6.3 軟件創新

本產品采用百度智能云EasyDL平臺，通過人工智能算法進行識別，實現了芯片引腳和劃痕的精準化檢測。與人工質檢相比，它不會出現因人員不同而導致質檢標準不同的情況。在使用模型的過程中，會將產生的數據上傳至服務器，形成一批新的數據集，自動完成模型訓練數據集的動態化擴充[10]，讓模型再使用這些新的數據集進行自主訓練，以提高模型識別精度。

7結論

基于百度飛槳EasyDL平臺的芯片質檢系統，借助EasyDL平臺實現一站式智能標注，采用人工智能算法完成模型訓練，利用網絡訪問框架調用API接口部署在移動設備或桌面設備上。該系統通過工業相機實時拍攝芯片圖片，實現“無劃痕芯片”和“有劃痕芯片”的精準化識別，以及“單引腳斷，兩腳間斷，兩腳連斷，三腳間斷，三腳連斷，無引腳斷”的智能化檢測。試運行結果表明，識別精準度達到 99.5% 以上，獲得了試用企業的一致好評。

參考文獻：

[1]陳偉迅.基于YOLOv3的芯片軟硬件質檢裝置設計[J].交通科技與管理，2023，4（18）：4-6.

[2]吳凱.基于深度學習的柔性智能外觀質檢算法平臺[J].通訊世界，2024，31（12）：163-165.

[3]郭早強，林樹瑩，張震雨，等.AI智能質檢系統在汽車自動化涂膠品質監控中的研究及應用實踐[J].時代汽車，2024（21）：121-123.

[4]梁芷，毋濤，薛巖松.基于改進YOLOv3的人體目標檢測算法研究[J].計算機與數字工程，2024，52（12）：3503-3508+3554.

[5]程貞漬，程一帆，繆百靈，等.基于YOLOv3的不同場景下蘋果目標檢測方法[J].北方園藝，2024（22）：137-146.

[6]田智慧，楊奇文，魏海濤.基于改進的YOLOv3多目標小尺度車輛檢測算法研究[J].計算機應用與軟件，2023，40（12）：169-175.

[7]李振杰，臧春華，蘇寶玉，等.基于OpenCV圖像處理軟件的設計[J].物聯網技術，2024，14（6）：47-49.

[8]夏青，王桂霞.基于數字圖像處理技術的激光光斑位置檢測研究[J].激光雜志，2024，45（9）：208-212

[9]周曉天，孫上，張海霞，等.多接入邊緣計算賦能的AI質檢系統任務實時調度策略[J].電子與信息學報，2024，46（2）：662-670.

[10]沈兆宇，林忠晨，薛朝陽，等.基于EasyDL的芯片表面缺陷檢測方法研究[J].科技視界，2023（6）：115-118.

作者簡介：孫翠改（1982.02—），女，漢族，江蘇蘇州人，副教授，博士，研究方向：移動開發、人工智能。