基于機(jī)器視覺(jué)的集成電路聲掃圖像缺陷檢測(cè)軟件設(shè)計(jì)*

趙 玥,肖夢(mèng)燕,邱寶軍,羅 軍,王小強(qiáng),羅道軍

(工業(yè)和信息化部電子第五研究所,廣東 廣州 510610)

1 引言

隨著集成電路產(chǎn)品朝著小型化、多功能、高可靠性及低功耗方向發(fā)展,其缺陷檢測(cè)和故障分析變得越來(lái)越困難。因此,需要一個(gè)可靠、有效、便利的診斷系統(tǒng),對(duì)集成電路內(nèi)部缺陷進(jìn)行檢測(cè)與識(shí)別[1]。集成電路缺陷檢測(cè)可分為接觸式檢測(cè)和非接觸式檢測(cè)2種。接觸式檢測(cè)方法包括功能性能測(cè)試、電測(cè)試等,檢測(cè)效率低、測(cè)試成本高且難以形成自動(dòng)化模式。非接觸式檢測(cè)方法則包括光學(xué)視覺(jué)測(cè)試、X射線檢測(cè)以及聲學(xué)掃描顯微鏡SAM(Scanning Acoustic Microscope)技術(shù)[2]。其中,光學(xué)視覺(jué)檢測(cè)系統(tǒng)是通過(guò)將高性能攝像機(jī)、光學(xué)光源以及圖像處理算力設(shè)備相結(jié)合,對(duì)采集到的集成電路樣品圖像進(jìn)行檢測(cè)識(shí)別的系統(tǒng)。這種系統(tǒng)可以有效檢測(cè)樣品的外觀缺陷,但是對(duì)于集成電路的內(nèi)部缺陷是無(wú)效的[3,4]。基于X射線的缺陷檢測(cè)系統(tǒng)則是利用射線照相、分層拍攝和斷層掃描等技術(shù),使用能夠穿透樣品的X射線對(duì)集成電路樣品內(nèi)部結(jié)構(gòu)進(jìn)行掃描,并生成相關(guān)圖像。但是,由于樣品內(nèi)部的小間隙不會(huì)衰減太多X射線能量,因此很難檢測(cè)到內(nèi)部的裂紋等缺陷;且X射線檢測(cè)的數(shù)據(jù)采集和缺陷分析非常耗時(shí),不適合智能化應(yīng)用[5]。SAM 技術(shù)也可用于集成電路封裝的內(nèi)部缺陷檢測(cè)及可靠性分析。它使用大于 20 MHz 的超聲波掃描樣品并收集反射回的超聲波來(lái)顯示集成電路的內(nèi)部構(gòu)造,并通過(guò)不同的掃描方式和成像方法,精準(zhǔn)快速地檢測(cè)樣品內(nèi)部的缺陷、形狀和尺寸[6]。利用 SAM 設(shè)備的 C 掃描方式就可以顯示并收集集成電路內(nèi)部的缺陷圖像,為智能化應(yīng)用提供了數(shù)據(jù)基礎(chǔ)[7,8]。

目前,面向聲掃圖像缺陷的檢測(cè)手段主要以人工目檢為主,存在效率低、自動(dòng)化程度低,及受人為因素影響較大等問(wèn)題。因此,本文以 SAM 設(shè)備采集的聲掃圖像為數(shù)據(jù)基礎(chǔ),設(shè)計(jì)了基于機(jī)器視覺(jué)的集成電路聲掃圖像缺陷檢測(cè)軟件。該軟件包括圖像處理、圖像檢測(cè)、操作管理和用戶管理4個(gè)模塊。圖像處理和圖像檢測(cè)模塊分別完成集成電路的分層、裁剪預(yù)處理和缺陷區(qū)域識(shí)別任務(wù);操作管理模塊實(shí)現(xiàn)圖像數(shù)據(jù)的錄入、查詢和導(dǎo)出并具備一定的分析統(tǒng)計(jì)功能;用戶管理模塊實(shí)現(xiàn)角色信息、權(quán)限的管理。該軟件系統(tǒng)具有操作簡(jiǎn)單、查詢方便、統(tǒng)計(jì)直觀等特點(diǎn),可以協(xié)助測(cè)試人員和科研人員對(duì)集成電路聲掃圖像進(jìn)行建庫(kù)管理,滿足智能化缺陷檢測(cè)需求,大幅提高檢測(cè)效率。

2 軟件總體架構(gòu)設(shè)計(jì)

以基于深度學(xué)習(xí)的目標(biāo)檢測(cè)模型為理論指導(dǎo),本文設(shè)計(jì)了基于機(jī)器視覺(jué)的集成電路聲掃圖像缺陷檢測(cè)軟件。圖1 展示了該軟件的總體架構(gòu),從下往上依次為數(shù)據(jù)層、模型訓(xùn)練處理層和可視化層。每一層的具體作用如下:

Figure 1 Overall architecture of acoustic scanning image defect detection software based on machine vision

(1)數(shù)據(jù)層:為整個(gè)聲掃圖像缺陷檢測(cè)軟件的后端訓(xùn)練和前段檢測(cè)提供數(shù)據(jù)支撐,主要數(shù)據(jù)來(lái)源為 SAM 設(shè)備采集到的圖像。

(2)模型訓(xùn)練處理層:是整個(gè)聲掃圖像缺陷檢測(cè)軟件的核心,主要由圖像處理和圖像檢測(cè)網(wǎng)絡(luò)建模2個(gè)模塊組成。

(3)可視化層:主要對(duì)軟件的聲掃缺陷結(jié)果進(jìn)行可視化展示,主要包括在線聲掃圖像缺陷檢測(cè)可視化展示和離線模型檢測(cè)性能可視化展示。前者主要在 Web 端展示檢測(cè)結(jié)果,后者則是對(duì)測(cè)試數(shù)據(jù)集的模型性能結(jié)果進(jìn)行分析統(tǒng)計(jì)并進(jìn)行可視化展示。

基于模塊化的設(shè)計(jì)思路,基于機(jī)器視覺(jué)的集成電路聲掃圖像缺陷檢測(cè)軟件主要由4個(gè)功能模塊構(gòu)成:圖像處理、圖像檢測(cè)、操作管理和用戶管理,具體如圖2 所示。其中,圖像處理模塊完成對(duì)原始圖像的分層和裁剪;圖像檢測(cè)模塊完成對(duì)集成電路圖像的缺陷檢測(cè)及結(jié)果顯示;操作管理模塊嵌在圖像處理和圖像檢測(cè)模塊中,完成圖像上傳、查詢、刪除、顯示、保存功能;用戶管理模塊對(duì)角色權(quán)限及操作日志進(jìn)行記錄。

Figure 2 Function partition of acoustic scanning image defect detection software based on machine vision

圖像檢測(cè)模塊為整個(gè)聲掃缺陷檢測(cè)軟件的核心,檢測(cè)流程如圖3 所示,各功能單元具體描述如下:

Figure 3 Flow chart of SAM image defect detection module

(1)聲掃圖像缺陷數(shù)據(jù)獲取:主要數(shù)據(jù)來(lái)源為 SAM 設(shè)備。SAM 是利用超聲波對(duì)微觀物體進(jìn)行成像的無(wú)損檢測(cè)設(shè)備,采用脈沖回波技術(shù)工作。在C 掃描(C-scan)模式下,SAM 設(shè)備可以生成聲學(xué)圖像。此時(shí),掃描機(jī)需在樣品上方來(lái)回做掃描運(yùn)動(dòng),樣品每一點(diǎn)反射波的強(qiáng)度及相位信息均被按順序同步記錄,并轉(zhuǎn)換為一定灰度值的像素點(diǎn),顯示在高分辨率顯示屏上。

(2)聲掃圖像預(yù)處理與數(shù)據(jù)庫(kù)構(gòu)建:主要對(duì)上一步獲取的原始圖像進(jìn)行預(yù)處理,包括數(shù)據(jù)篩選、圖像分層和裁剪、數(shù)據(jù)標(biāo)注、數(shù)據(jù)集格式轉(zhuǎn)換、數(shù)據(jù)歸一化和數(shù)據(jù)集劃分等。這部分是整個(gè)檢測(cè)流程的重點(diǎn),經(jīng)過(guò)處理后的數(shù)據(jù)才能夠輸入到目標(biāo)檢測(cè)網(wǎng)絡(luò)模型中進(jìn)行訓(xùn)練與測(cè)試。本文共采集了4類封裝BGA(Ball Grid Array)、QFN(Quad Flat No-leads)、SOIC(Small Outline Integrated Circuit)和 SOP(Small Outline Package),每類封裝模式下 13 款不同的產(chǎn)品,共計(jì) 52 款產(chǎn)品的聲掃圖像。此外,本文還篩選出了這些聲掃圖像中具有缺陷的樣本,具體如表1 所示。本文共采集聲掃圖像4 595幅,并從中挑選出936幅具有缺陷的樣本圖像,同時(shí),本文還將數(shù)據(jù)庫(kù)中的所有缺陷圖像分辨率歸一化為 608×608。

Table 1 Distribution of the scanning acoustic image dataset

(3)缺陷檢測(cè)模型實(shí)現(xiàn)與優(yōu)化:這部分是整個(gè)檢測(cè)流程及網(wǎng)絡(luò)建模的核心。本文采用PyTorch 深度學(xué)習(xí)框架建立了4個(gè)目標(biāo)檢測(cè)網(wǎng)絡(luò)模型,分別為Faster R-CNN(Faster Region-Convolutional Neural Network)[9]、YOLOv4(You Only Live Once-v4)[10]、PP-YOLO[11]及 YOLOx[12],并針對(duì)聲掃圖像缺陷的具體網(wǎng)絡(luò)模型提出了相關(guān)的模型改進(jìn)及優(yōu)化方法:在 YOLOv4網(wǎng)絡(luò)模型分別采用 SE(Squeeze Excitation)[13]、CBAM(Convolutio-nal Block Attention Module)[14]、ECA (Efficient Channel Attention)[15]3種注意力機(jī)制來(lái)改善特征學(xué)習(xí),以增強(qiáng)網(wǎng)絡(luò)提取圖像的能力和特征表達(dá)能力,使得感受野更加關(guān)注缺陷目標(biāo)特征而忽略無(wú)關(guān)特征;在PP-YOLO 中采用K-means算法對(duì)聲掃圖像數(shù)據(jù)集進(jìn)行聚類分析,以確定錨框的值[16];在 Faster R-CNN 和 YOLOx 算法中采用多尺度訓(xùn)練、Batch Normalization 及Dropout 等方法對(duì)模型進(jìn)行優(yōu)化[17,18]。最后,保存訓(xùn)練結(jié)果最優(yōu)的模型。

(4)基于最優(yōu)模型的可視化:在這個(gè)功能單元中,離線檢測(cè)可視化為后端檢測(cè),主要用于評(píng)價(jià)檢測(cè)模型的性能,通過(guò)在劃分的測(cè)試集上運(yùn)行最優(yōu)模型,可視化檢測(cè)效果和指標(biāo)曲線,從而對(duì)4種檢測(cè)網(wǎng)絡(luò)模型進(jìn)行性能評(píng)估;在線檢測(cè)可視化為前段測(cè)試,主要是軟件調(diào)取模型性能測(cè)試結(jié)構(gòu)并在界面中顯示缺陷檢測(cè)結(jié)果。

3 軟件功能實(shí)現(xiàn)

3.1 軟件功能實(shí)現(xiàn)環(huán)境

本文網(wǎng)絡(luò)模型生成實(shí)驗(yàn)采用在服務(wù)器上搭建訓(xùn)練實(shí)驗(yàn)環(huán)境,并將訓(xùn)練好的最優(yōu)模型保存到本地進(jìn)行測(cè)試和部署應(yīng)用,之后軟件調(diào)用模型接口在界面上實(shí)現(xiàn)操作應(yīng)用。因此,本文軟件測(cè)試環(huán)境分為2個(gè)部分:本地服務(wù)器訓(xùn)練測(cè)試環(huán)境和軟件環(huán)境,其配置分別如表2和表3所示。

Table 2 Environment configuration of local server for trainning and testing

Table 3 Configuration of software environment

3.2 檢測(cè)軟件功能實(shí)現(xiàn)

本節(jié)主要介紹聲掃圖像缺陷檢測(cè)軟件的主要功能模塊實(shí)現(xiàn),具體分為以下3個(gè)部分:圖像處理功能模塊、缺陷檢測(cè)功能模塊和可視化界面設(shè)計(jì)功能模塊。

3.2.1 圖像處理功能模塊

(1)數(shù)據(jù)篩選。

圖像篩選主要是對(duì)SAM 設(shè)備獲取到的聲掃缺陷圖像數(shù)據(jù)進(jìn)行重復(fù)圖像篩選、不含缺陷目標(biāo)篩選及錯(cuò)誤圖像篩選。這部分工作可以使圖像數(shù)據(jù)更加貼合目標(biāo)網(wǎng)絡(luò)的訓(xùn)練,使檢測(cè)能達(dá)到預(yù)期目標(biāo)。

(2)圖像分層與裁剪。

圖像分層主要是指對(duì)SAM設(shè)備獲取到的 TIFF 格式圖像文件進(jìn)行分層處理,提取每層 C-掃描的圖像。圖像裁剪則是對(duì)引線架層面的圖像進(jìn)行提取和分割,生成多個(gè)單一樣本圖像。圖4和圖5分別展示了圖像分層提取的原始圖像及圖像分隔后的單樣本圖像簇。

Figure 4 Original images extracted by image layering

Figure 5 Single sample image clusters after image segmentation

(3)數(shù)據(jù)標(biāo)注與格式轉(zhuǎn)換。

圖像缺陷標(biāo)注是依靠專業(yè)數(shù)據(jù)標(biāo)注軟件LabelImg 來(lái)實(shí)現(xiàn)的,標(biāo)注信息主要包括目標(biāo)的缺陷 類別標(biāo)簽和目標(biāo)框的坐標(biāo)信息[12]。圖像轉(zhuǎn)換則是將 JPG 格式的原始圖像數(shù)據(jù)轉(zhuǎn)換為目標(biāo)檢測(cè)網(wǎng)絡(luò)可以識(shí)別的 Pascl-VOC 格式。圖6展示了缺陷圖像數(shù)據(jù)標(biāo)注情況。

Figure 6 Data annotation of defect image

3.2.2 缺陷檢測(cè)功能模塊

聲掃缺陷檢測(cè)軟件是基于 Faster R-CNN、YOLOv4、PP-YOLO 及 YOLOx 4種目標(biāo)檢測(cè)網(wǎng)絡(luò)模型建立的,使用了 PyTorch 深度學(xué)習(xí)框架。模型訓(xùn)練過(guò)程中,根據(jù) Loss 曲線動(dòng)態(tài)調(diào)節(jié)參數(shù),使模型收斂更加穩(wěn)定,與此同時(shí),保存了權(quán)重文件及結(jié)果。圖7 展示了訓(xùn)練過(guò)程中各網(wǎng)絡(luò)的損失函數(shù)。

Figure 7 Comparison of visual training loss function curve of each target detection network

如圖7所示,在整個(gè)訓(xùn)練過(guò)程中,訓(xùn)練誤差Loss 曲線隨著各模型訓(xùn)練次數(shù)的增加快速下降,這說(shuō)明每個(gè)模型在聲掃缺陷圖像數(shù)據(jù)庫(kù)上都有很好的收斂效果,也證明了本文缺陷檢測(cè)軟件在后端模型設(shè)計(jì)上是成功的。

3.2.3 可視化界面設(shè)計(jì)功能模塊

集成電路缺陷檢測(cè)軟件的界面作為用戶與檢測(cè)系統(tǒng)的交互接口,需要提供對(duì)本地系統(tǒng)資源以及相關(guān)參數(shù)進(jìn)行配置管理的界面,并負(fù)責(zé)檢測(cè)結(jié)果的展示,軟件界面結(jié)構(gòu)如圖8 所示。

Figure 8 Software interfaces

Web端的可視化功能主要是實(shí)時(shí)展示聲掃圖像的缺陷檢測(cè)情況。用戶在瀏覽器 Web 端輸入訪問(wèn)的 URL 地址,瀏覽器在線實(shí)時(shí)展示檢測(cè)結(jié)果可視化界面。具體可分為以下界面:

(1)用戶管理界面。圖8 展示了用戶在瀏覽器地址欄中輸入訪問(wèn) URL 地址,瀏覽器返回給用戶的個(gè)人登錄主頁(yè)。有權(quán)限的用戶輸入賬號(hào)和密碼登錄系統(tǒng),隨后頁(yè)面跳轉(zhuǎn)到后臺(tái)首頁(yè)。

(2)圖像管理界面。該界面包含上傳圖像、查詢圖像、保存圖像等控件,使缺陷檢測(cè)軟件具備圖像數(shù)據(jù)輸入、編輯修改、刪除、輸出等功能。

(3)圖像裁剪界面。該界面包括手動(dòng)裁剪和自動(dòng)裁剪功能,并可以通過(guò)原圖像名或裁剪后圖像名進(jìn)行查詢。在界面列表中可顯示文件夾名、圖像名、圖像格式、上傳人及操作時(shí)間。在自動(dòng)裁剪方式下,通過(guò) cmd 調(diào)用 Python+OpenCV 實(shí)現(xiàn) 6 種不同算法的圖像定位裁剪功能,通過(guò)該步驟可將一幅多樣品圖像裁剪為單樣品圖像。確認(rèn)裁剪后可在界面下方預(yù)覽裁剪后的圖像并保存到數(shù)據(jù)庫(kù)中。同時(shí),針對(duì)自動(dòng)裁剪效果不佳的圖像可采用手動(dòng)裁剪。同樣,通過(guò) cmd 調(diào)用Python+OpenCV 對(duì)鼠標(biāo)選中的矩形區(qū)域進(jìn)行裁剪,對(duì)于位置排列不均勻的樣品可適當(dāng)旋轉(zhuǎn),不理想的選框可以復(fù)位或在下方預(yù)覽區(qū)刪除,確認(rèn)的選框可在界面下方預(yù)覽裁剪后的圖像并保存到數(shù)據(jù)庫(kù)中。

(4)圖像缺陷檢測(cè)界面。該界面包含本文軟件的核心功能。通過(guò)調(diào)用 Python 目標(biāo)檢測(cè)網(wǎng)絡(luò)的預(yù)訓(xùn)練模型(.pth文件),設(shè)置相應(yīng)的檢測(cè)閾值進(jìn)行缺陷區(qū)域的識(shí)別和顯示,檢測(cè)結(jié)果可導(dǎo)出。預(yù)訓(xùn)練模型由4種默認(rèn)的典型目標(biāo)檢測(cè)算法(YOLOx、PP-YOLO、Faster R-CNN、YOLOv4)基于典型集成電路圖像的3種缺陷(引出端分層、連筋分層、基板分層)訓(xùn)練而成,用戶還可依據(jù)該缺陷分類方式修改預(yù)留的python接口,以修改或添加預(yù)訓(xùn)練模型。

(5)模型數(shù)據(jù)分析界面。該界面可以直觀地顯示各種目標(biāo)檢測(cè)算法在集成電路圖像驗(yàn)證集上完成各類缺陷識(shí)別任務(wù)的精確率、召回率、平均精確率AP(Average Precision)及平均精確率均值mAP(mean Average Precision)等評(píng)價(jià)指標(biāo)。

3.3 檢測(cè)設(shè)計(jì)實(shí)現(xiàn)

本文檢測(cè)軟件設(shè)計(jì)時(shí)序圖如圖9 所示。首先運(yùn)行啟動(dòng)腳本,腳本通過(guò)瀏覽器訪問(wèn)系統(tǒng)

Figure 9 Sequence diagram of software design

本文采用JavaScript進(jìn)行界面開發(fā),主要負(fù)責(zé)缺陷檢測(cè)系統(tǒng)的數(shù)據(jù)管理和缺陷檢測(cè)任務(wù)的執(zhí)行。圖9還展示了集成電路檢測(cè)軟件瀏覽器端、Java服務(wù)端以及Python服務(wù)端的時(shí)序圖。功能包括傳圖像、手動(dòng)裁剪圖像、自動(dòng)裁剪圖像及預(yù)測(cè)4個(gè)部分。

4 軟件測(cè)試與分析

4.1 測(cè)試內(nèi)容

針對(duì)聲掃圖像缺陷檢測(cè)軟件的總體構(gòu)架,本文對(duì)軟件進(jìn)行了功能和性能測(cè)試,測(cè)試內(nèi)容如表4所示。

Table 4 Software test module and content

4.2 測(cè)試流程

軟件功能測(cè)試是為了驗(yàn)證軟件中各模塊是否滿足檢測(cè)需求,并確保軟件功能實(shí)現(xiàn)的正確性。測(cè)試模塊包括檢測(cè)任務(wù)模塊和本地?cái)?shù)據(jù)管理模塊,按照?qǐng)D8的軟件界面設(shè)計(jì)和表4所示的測(cè)試內(nèi)容,逐項(xiàng)展開測(cè)試。

軟件測(cè)試流程如圖10 所示。測(cè)試功能包括用戶登錄、圖像輸入、圖像裁剪、圖像輸出、圖像檢測(cè)及模型統(tǒng)計(jì)。其中,圖像裁剪包括手動(dòng)裁剪和自動(dòng)裁剪2個(gè)部分,經(jīng)過(guò)裁剪后的圖像一方面可以直接輸出保存,另一方面可以被當(dāng)作檢測(cè)目標(biāo)進(jìn)行缺陷檢測(cè)。在圖像檢測(cè)界面也會(huì)提供圖像文件的導(dǎo)入、檢測(cè)模型的添加以及相關(guān)算法參數(shù)的設(shè)置,通過(guò)對(duì)圖像進(jìn)行檢測(cè)得出預(yù)測(cè)缺陷類型及位置框。模型統(tǒng)計(jì)界面共統(tǒng)計(jì)了4種網(wǎng)絡(luò)模型的AP值和mAP值,并進(jìn)行了可視化處理。

Figure 10 Flow chart of software function test

4.3 性能測(cè)試

缺陷檢測(cè)系統(tǒng)性能測(cè)試包括缺陷標(biāo)框定位準(zhǔn)確性測(cè)試及網(wǎng)絡(luò)模型預(yù)測(cè)準(zhǔn)確性測(cè)試2部分。對(duì)于缺陷標(biāo)框定位準(zhǔn)確性測(cè)試,本文使用了Faster R-CNN、YOLOv4、PP-YOLO和 YOLOx 4類網(wǎng)絡(luò)模型對(duì)聲掃圖像缺陷進(jìn)行檢測(cè)識(shí)別,圖11展示了缺陷目標(biāo)框的檢測(cè)結(jié)果。

Figure 11 Results of defect detection

為測(cè)試缺陷檢測(cè)的準(zhǔn)確性,本文選取了包含4類封裝(BGA、QFN、SOIC、SOP)模式集成電路的 1 063 幅缺陷圖像,分別設(shè)置了基板分層、連襟分層和引線分層作為缺陷類別。通過(guò)上述4個(gè)檢測(cè)模型對(duì)聲掃圖像進(jìn)行缺陷檢測(cè)。為了比較不同模型的檢測(cè)效果,本文將平均精確率AP和平均精確率均值mAP作為缺陷檢測(cè)模型精度的評(píng)估指標(biāo),其計(jì)算公式如式(1)和式(2)所示:

(1)

(2)

其中,N表示所有目標(biāo)類別的數(shù)量;AP表示精確率(Precision)-召回率(Recall)曲線上的精確率對(duì)召回率的積分,用于評(píng)估檢測(cè)模型對(duì)某一個(gè)類別的檢測(cè)效果;mAP是AP值在所有類別下的均值,是針對(duì)整個(gè)數(shù)據(jù)集的評(píng)估,用于評(píng)估檢測(cè)算法對(duì)所有類別的檢測(cè)效果。

由表5中的測(cè)試結(jié)果可知,每個(gè)目標(biāo)檢測(cè)模型都可對(duì)聲掃圖像進(jìn)行較為精確的缺陷檢測(cè),其中,YOLOx 模型在3類缺陷上的檢測(cè)精度最高,mAP值達(dá)到了 95.81%。

Table 5 Defect detection results of each target detection model

5 結(jié)束語(yǔ)

本文基于4種典型的深度目標(biāo)檢測(cè)網(wǎng)絡(luò)設(shè)計(jì)并實(shí)現(xiàn)了基于聲掃圖像的缺陷檢測(cè)軟件,并詳細(xì)介紹了軟件的總體架構(gòu)和主要功能模塊。軟件不僅實(shí)現(xiàn)了本地聲掃樣本圖像數(shù)據(jù)庫(kù)中單幅測(cè)試樣本的讀取、裁剪及保存,還通過(guò)預(yù)存的預(yù)訓(xùn)練模型完成了單幅圖像的缺陷預(yù)測(cè)以及預(yù)測(cè)類別、時(shí)間、置信度的可視化。最后,完成了本地聲掃樣本圖像數(shù)據(jù)庫(kù)中驗(yàn)證集樣本缺陷檢測(cè)評(píng)估指標(biāo)的可視化。總之,本文提出的檢測(cè)軟件能有效地對(duì)聲掃圖像缺陷進(jìn)行實(shí)時(shí)檢測(cè),為后續(xù)工程應(yīng)用提供了軟件基礎(chǔ)。