基于 YOLO11 的半导体芯片表面缺陷视觉质检系统

关键词：YOLO11 · 工业视觉 · 半导体封测 · AOI 复检 · Streamlit
模型最佳 mAP@0.5 = 96.4%，单图推理 < 50 ms，覆盖 4 类典型芯片外观缺陷。

---

一、背景

1.1 行业痛点

半导体封测线的出厂质检长期是良率提升的瓶颈环节。在 IC 封测、AOI 复检、来料抽检三个高频质检工位上，字符污痕、表面划损、基材破损、引脚损坏 是占比最高的几类外观不良。传统流程依赖人工目检 + AOI 一次过检 + 人工复检，存在三个明显问题：

1. 人眼疲劳导致漏检——单工位一天看几千颗芯片，引脚断裂这种小目标极易遗漏；
2. AOI 规则刚性强——传统基于模板匹配/灰度阈值的 AOI 对光照、贴片位置高度敏感，误报率往往压不下来，最终又得人工复核；
3. 缺陷类型多但样本不均衡——ZF 系列工艺特有划痕、引脚断裂等小类样本稀疏，传统算法学不动。
   
   本项目以 Ultralytics YOLO11n 为检测骨干，结合 Streamlit 搭建一套轻量化的可视化质检 Demo，目标是在 AOI 复检台与离线复盘工作站上替代人工二次目检，把 AOI 的"假警报"过滤掉，把"漏检"再捞回来。

视频演示与源码下载

https://www.bilibili.com/video/BV1nD7R6BEZz/

包含：
📦完整项目源码
📦预训练模型权重
🗂️数据集

1.2 项目运行效果

Web 界面总览：

单图缺陷检测效果（基材破损 broken）：

批量缺陷统计与图表分析：

1.3 项目介绍

项目定位：面向半导体封测与 IC 出厂检验环节的高精度视觉质检方案。

核心功能：

模块	说明
单图检测	上传一张芯片图，输出标注框、置信度、类别明细
批量图片	多张/ZIP 一次上传，自动汇总每类目标数量并出图表
视频流检测	逐帧推理 + 时间维度趋势分析（适合在线复检视频回放）
摄像头实时	直接调用工位摄像头采集，做现场比对

支持识别类别（共 4 类）：

类别 ID	英文名	缺陷含义（半导体场景）
0	ZF-scratch	ZF 系列芯片制程工艺相关划痕
1	scratch	通用型表面划痕（切割/封装环节产生）
2	broken	边缘/表面破损（封装或运输物理损伤）
3	pinbreak	引脚断裂或变形（焊接/插拔导致）

技术栈：

层	选型
检测模型	Ultralytics YOLO11n（轻量化版）
推理引擎	PyTorch + Ultralytics
前端/交互	Streamlit（响应式 UI + 主题化定制）
视频处理	OpenCV + ImageIO-FFmpeg
图表分析	Streamlit 原生 bar_chart + pandas 聚合
视觉增强	Plotly（可选）+ CSS 自定义主题

项目创新点：

1. 行业话术与 UI 全配置化——configs/project.yaml 一套 schema 统一管理 hero 文案、侧栏 KV、类别 chips 和指标卡片，换行业只改配置不改代码；
2. 小目标缺陷适配——基于 YOLO11n 的 C2f + SPPF backbone 对引脚断裂这种小目标比 v8n 召回更高（实测 R 提升 ~3%）；
3. 批量分析联动——一次批量上传自动产出"每图目标数 + 类别分布"双图，方便质量工程师快速圈出异常批次。

---

二、设计框架

2.1 系统总体架构

┌──────────────────────────────────────────────────────────────┐
│                       浏览器（Streamlit 前端）                  │
│   ┌─────────────┐  ┌─────────────┐  ┌─────────────────────┐ │
│   │ 单图上传     │  │ 批量上传     │  │ 视频/摄像头         │ │
│   └──────┬──────┘  └──────┬──────┘  └──────────┬──────────┘ │
└──────────┼─────────────────┼─────────────────────┼────────────┘
           │ HTTP/WS         │                     │
┌──────────▼─────────────────▼─────────────────────▼────────────┐
│                  Streamlit 服务端（app/streamlit_app.py）       │
│  ┌─────────────────┐  ┌──────────────────┐  ┌───────────────┐ │
│  │ load_yaml/主题  │  │ render_xxx UI    │  │ detections 聚合 │ │
│  └─────────────────┘  └──────────────────┘  └───────┬───────┘ │
└──────────────────────────────────────────────────────┼─────────┘
                                                       │
┌──────────────────────────────────────────────────────▼─────────┐
│              YOLO11 推理引擎（ultralytics + PyTorch）           │
│  YOLO("model/best.pt").predict(image, conf=0.25, verbose=False)│
│  → result.boxes (cls / conf / xyxy) + result.plot() 标注图     │
└────────────────────────────────────────────────────────────────┘

2.2 YOLO11 网络结构

Input (640×640×3)
        │
        ▼
┌──────────────┐   ┌──────────────┐   ┌──────────────┐
│  Backbone    │ → │     Neck     │ → │     Head     │
│ C2f + SPPF   │   │  FPN + PAN   │   │ Decoupled +  │
│ (多尺度特征)  │   │ (多尺度融合)  │   │     DFL      │
└──────────────┘   └──────────────┘   └──────┬───────┘
                                              │
                                              ▼
                              [类别概率 + 边框坐标 + 置信度]

YOLO11n 相比 v8n 的关键变化：

• C3k2 模块 替换 C2f，参数更少、感受野更灵活；
• C2PSA 注意力 加在 backbone 末端，提升小目标（如引脚断裂）特征显著性；
• Head 仍为解耦头 + DFL，分类/回归两路独立，回归分布化预测，对划痕这类边界模糊的目标更稳。

2.3 检测流程

原始芯片图
  ↓ Letterbox 缩放至 640×640，保持长宽比
  ↓ Backbone 抽取 P3/P4/P5 三层特征
  ↓ Neck（FPN 自顶向下 + PAN 自底向上）做特征融合
  ↓ Head 输出三个尺度的 [bbox + cls_prob]
  ↓ conf ≥ 0.25 过滤 + NMS（IoU=0.7）
  ↓ result.plot() 渲染中文类别名标注
  ↓ Streamlit 双列展示原图/标注图 + 表格 + 图表

---

三、代码结构（核心 50 行 + 解析）

项目目录约定：

半导体芯片缺陷质检/
├── app/streamlit_app.py            # Web 入口（UI + 推理调度）
├── configs/project.yaml            # 行业话术 + UI + 推理参数
├── model/best.pt                   # 训练好的 YOLO11n 权重
├── scripts/                        # 训练/评测/导出脚本
├── 半导体芯片表面缺陷检测train_CH_yolo11n/  # 训练产物
└── 半导体芯片表面缺陷检测/             # 数据集（YOLO 格式 train/val/test）

核心 50 行：模型加载 + 单图推理 + Streamlit 单图分支

from pathlib import Path
import streamlit as st, pandas as pd, yaml
from ultralytics import YOLO

PROJECT_ROOT = Path(__file__).resolve().parent.parent
CONFIG = yaml.safe_load((PROJECT_ROOT / "configs/project.yaml").open(encoding="utf-8"))
MODEL_PATH = PROJECT_ROOT / "model" / "best.pt"
DEFAULT_CONF = float(CONFIG.get("inference", {}).get("conf", 0.25))

@st.cache_resource(show_spinner=False)
def load_model(model_path: str) -> YOLO:
    return YOLO(model_path)            # 仅首次加载，后续命中缓存

def infer_image_path(model: YOLO, image_path: Path, conf: float):
    """单图推理：返回 (RGB 标注图, 检测明细 DataFrame)"""
    result = model.predict(str(image_path), conf=conf, verbose=False)[0]
    annotated = result.plot()           # BGR ndarray，含标注框 + 类别 + 置信度
    rows = []
    if result.boxes is not None:
        for box in result.boxes:
            cls_id = int(box.cls.item())
            x1, y1, x2, y2 = [float(v) for v in box.xyxy[0].tolist()]
            rows.append({
                "class_id":   cls_id,
                "class_name": result.names[cls_id],   # ZF-scratch / scratch / broken / pinbreak
                "confidence": round(float(box.conf.item()), 4),
                "x1": round(x1, 1), "y1": round(y1, 1),
                "x2": round(x2, 1), "y2": round(y2, 1),
            })
    return annotated[:, :, ::-1], pd.DataFrame(rows)   # BGR→RGB

# ───────── Streamlit 单图分支 ─────────
conf = st.slider("置信度阈值", 0.01, 0.99, DEFAULT_CONF, 0.01)
model = load_model(str(MODEL_PATH))
uploaded = st.file_uploader("上传待检测芯片图", type=["jpg", "png", "bmp", "webp"])
if uploaded is not None:
    import tempfile
    with tempfile.NamedTemporaryFile(delete=False, suffix=".jpg") as f:
        f.write(uploaded.getvalue()); tmp = Path(f.name)
    annotated_img, df = infer_image_path(model, tmp, conf)
    col1, col2 = st.columns(2)
    col1.image(uploaded.getvalue(), caption="原图", width="stretch")
    col2.image(annotated_img,       caption="检测结果", width="stretch")
    st.dataframe(df, width="stretch")

逐段解析：

1. 配置驱动——project.yaml 决定标题、行业文案、置信度默认值，换行业只改 YAML 不动代码，这是模板化的关键。
2. 模型缓存——@st.cache_resource 保证整个 Streamlit session 只加载一次 best.pt（~6 MB），后续刷新页面零延迟。
3. 推理调用——Ultralytics 的 predict() 接受文件路径/ndarray/PIL Image 三种入参；conf=0.25 过滤低置信噪声，剩下的交给 NMS。
4. 结果结构化——把 result.boxes 拆成 pandas DataFrame，下游图表/CSV 导出/批量聚合都用同一份 schema。
5. 可视化双列——左原图右标注图，对人工复核最直观；result.plot() 已经画好标注框，无须再用 cv2 二次绘制。

---

四、训练效果

4.1 训练总览

数据集：2500 张产线真实芯片图，按 train/val/test 划分，标注 4 类核心缺陷。训练命令固定为 yolo11n.pt，200 epoch，imgsz=640，batch=16。

训练过程中 loss/精度/召回曲线：

最终指标（取 results.csv 最后一行）：

指标	数值	含义
Precision §	0.954	检出框 95.4% 是真缺陷
Recall ®	0.913	真实缺陷 91.3% 被找回
mAP@0.5	0.964	综合精度指标，工业可用
mAP@0.5:0.95	0.761	严格 IoU 下仍稳健

4.2 PR 曲线

四类缺陷的 PR 曲线整体压在右上角，broken 和 scratch 接近 0.99，仅 ZF-scratch（小样本工艺特征）略低，符合数据分布预期。

4.3 归一化混淆矩阵

对角线全部高亮（>0.9），主要混淆集中在 ZF-scratch ↔ scratch 之间——这两类视觉特征本身就高度相似（都是划痕），对实际质检影响很小（同属"划伤"大类）。

4.4 数据集分布与验证集预测

数据集类别 / 框尺寸 / 中心点分布：

---

五、项目总结

做对了什么：

1. 配置驱动 + 模板化——project.yaml 把行业话术、UI 主题、推理参数全部抽离，新增半导体之外的行业只换数据集和文案即可复用。
2. YOLO11n 选型踏实——单图 < 50 ms、模型 6 MB 量级，AOI 复检工位的 CPU 也能跑，部署门槛低。
3. 数据真实 + 标注扎实——2500 张产线真实采集 + 工程师人工标注，最终 mAP@0.5 96.4% 不是堆 trick 堆出来的。

还能怎么做：

1. 小样本 ZF-scratch 增强——对 ZF 系列划痕做离线数据增强（光照扰动、亮度抖动），把这一类的召回再提 2~3 个百分点；
2. 接入产线 PLC 信号——批量分析页输出的"异常批次"直接联动产线节拍，触发停机/复检；
3. 导出 ONNX/TensorRT——AOI 边缘盒一般用 Jetson 或工控机，导出 INT8 引擎可以把推理压到 10 ms 以内；
4. 多视角融合——同一颗芯片同时拍正面 + 侧面 + 底面，三路一起喂模型，引脚断裂这种侧面才看得清的缺陷召回还能再提。

一句话总结：用 200 行 Streamlit + 一个 6 MB 的 YOLO11n 权重，把半导体封测线的人工复检变成"上传即看图"的工程化 Demo，mAP@0.5 = 96.4% 已经具备替代二次人工目检的实战价值。