芯片射频识别标签导电胶点胶视觉检测系统

RFID标签中导电胶的点胶质量直接决定芯片与天线的连接可靠性——胶量过少导致导通不良，过多则引发溢胶短路。康耐德智能视觉检测系统正是解决这一工艺痛点的关键，目前成熟方案主要分为传统机器视觉和AI深度学习两条技术路线。

一、 系统核心组成与光学方案
视觉检测系统通常嵌入在“点胶-贴片-热压”的倒装键合产线中，主要包含以下核心模块：
成像单元：针对导电胶（通常为各向异性导电胶ACP或非导电胶NCP）的特点，采用明暗场结合及偏振成像技术。由于标签基材（PET等）和胶水可能均为透明或反光，单一光源难以成像，高亮同轴光用于检测芯片表面溢胶，环形光用于凸显胶滴边缘，偏振光则用于消除高反光干扰。
运动与控制：在高速生产中（效率可达5000片/小时以上），系统需配合XYZ运动平台或飞拍技术，在芯片贴装前（点胶后）和贴装后（热压前）两个关键节点进行触发拍照。
二、 核心检测算法
目前行业内主要采用两种技术路线，一种是适合定量检测的传统算法，另一种是适合复杂缺陷的AI算法。
方案一：基于Blob分析的定量检测（传统算法）
这是行业内的基础算法，适合检测胶点有无、面积大小和位置偏移。例如华中科技大学团队提出的算法流程如下：
图像预处理：通过差分算法去除背景噪声，利用中值滤波平滑图像。
Blob分析：提取胶滴的连通区域，计算胶滴的面积、周长、圆心度。
质量评价：将获取的胶滴面积与预设的标准阈值（上下限）对比。如果面积过大（溢胶风险）或过小（虚焊风险），则判定为NG（不合格）。
方案二：基于深度学习的缺陷分类（AI算法）
随着标签朝着更小尺寸（如0.3mm×0.3mm芯片）发展，传统的面积检测难以应对复杂的缺陷形态。目前YOLO系列等AI模型已被引入产线：

应用场景：主要针对热压固化后的成品检测。
可识别缺陷：
溢胶：导电胶被挤压上移到芯片表面，可能导致短路。
缺胶/少胶：胶水未完全覆盖芯片凸点，导致开路。
偏位：点胶位置与芯片贴装位置中心偏离过大。
杂物/墨点：胶水中混入异物。

针对RFID导电胶的视觉检测，目前的解决方案是从2D平面尺寸检测向3D形态/胶高检测演进，且AI算法的介入正在逐步替代传统的基于面积的简单判定。若你的项目需要检测纳米级的胶层厚度或透明胶水，还需要引入光谱共焦或3D激光轮廓技术。