高光譜成像技術在FPCB表面缺陷檢測的應用

2026,03,28

一、傳統目視檢查的局限性

柔性印刷電路板（FPCB）因其良好的彎曲性和散熱能力而廣泛應用於智慧型手機、柔性顯示器、穿戴式裝置等領域。隨著電路密度不斷增加，表面缺陷的類型也越來越複雜，常見的缺陷包括短路、斷路、突起、白點、黑點、破孔等。

在傳統的檢測方法中，廣泛使用基於RGB影像的模板匹配。此方法透過將標準影像與待測影像進行比較來定位異常區域。然而，這些方法對光照條件很敏感；當光線分佈不均勻時，很容易產生誤檢測或漏檢測。此外，一些缺陷在形態上與正常電路結構相似，僅依靠可見光影像很難準確區分它們。

二.高光譜成像系統的構建

為了提高檢測的穩定性，本研究建構了高光譜顯微成像系統。該系統由高光譜相機、顯微鏡和採集軟體組成。其中，高光譜相機採用CHNSpec的FS-23型號，其光譜範圍為400-1000nm，光譜解析度為2.5nm。

相機採用線掃描方式成像，原始資料包含1200個波段。為了方便處理，研究中將每四個相鄰波段合併為一個，最終得到300個波段的資料結構。單張高光譜影像尺寸為1920×960像素×300波段，覆蓋了銅導體和聚醯亞胺基板的完整光譜資訊。

高光譜成像的優點在於能夠獲得每個像素的連續光譜曲線。研究發現銅和聚醯亞胺在500-750nm波長範圍內的光譜響應有顯著差異，這為後續的影像分割和材料辨識提供了可靠的基礎。

三．光譜資訊驅動的檢測方法

本研究提出的偵測框架由兩個子網路組成：用於缺陷定位的 FPCB-LocNet 和用於缺陷分類的 FPCB-ClaNet。

在定位階段，FPCB-LocNet利用多尺度3D卷積核同時從空間和光譜維度擷取特徵。網路中使用兩種不同尺寸的捲積核分別關注局部空間結構和光譜特徵，並透過殘差結構融合不同尺度的特徵。這種設計允許網路同時捕捉精細的空間紋理和連續的光譜變化，實現銅和聚醯亞胺的像素級分割。分割完成後，透過模板匹配定位異常區域。

在分類階段，考慮到高光譜樣本數量有限，網路採用遷移學習策略，首先在FPCB RGB影像資料集上進行預訓練，然後在偽彩色影像上進行微調。針對不同缺陷類別樣本數量不平衡的問題，網路中引入類別平衡採樣和權重衰減策略，使模型能夠以更少的樣本更專注於缺陷類型。同時嵌入SE注意力機制，增強網路對關鍵特徵的關注。