{“状态”：“确定”，“消息类型”：“工作”，“信息版本”：“1.0.0”，“邮件”：{“索引”：{“日期-部件”：[[2024,4,12]，“日期-时间”：“2024-04-12T07:08:46Z”，“时间戳”：1712905726211}，“引用-计数”：48，“发布者”：“MDPI AG”，“问题”：“2”，“许可证”：[{“开始”:{“日期-零件”：[2023,1,31]]，“日期时间”：”2023-01-31 1T00:00:00Z“，”时间戳“：1675123200000}，“content-version”：“vor”，“delay-in-days”：0，“URL”：“https:\/\/creativecommons.org\/licenses\/by\/4.0\/”}]，“资助者”：[{“name”：“国家自然科学基金会”，“奖项”：[“61871126”]}，{“名称”：“中国自然科学基金青年科学基金”，“奖”：[”62001112“]}]，”content-domain“：{“domain”：[]，“交叉标记限制”：false}，“short-container-title”：[“熵”]，“抽象”：“芯片焊点不良会严重影响成品印刷电路板（PCB）的质量。由于焊点缺陷的多样性和异常数据的稀缺性，实时自动准确检测生产过程中的各类焊点缺陷是一项具有挑战性的任务。为了解决这个问题，我们提出了一个基于对比自监督学习（CSSL）的灵活框架。在这个框架中，我们首先设计了几种特殊的数据增强方法，以从正常的焊点数据中生成丰富的合成不良（sNG）数据。然后，我们开发了一个数据过滤网络，从sNG数据中提取最高质量的数据。基于所提出的CSSL框架，即使可用的训练数据非常有限，也可以获得高精度的分类器。烧蚀实验表明，该方法能有效提高分类器学习正常焊点特征的能力。通过对比实验，借助所提出的方法训练的分类器在测试集上的准确率可达99.14%，优于其他竞争方法。此外，它的推理时间小于每个芯片图像6ms，这有利于芯片焊点的实时缺陷检测<\/jats:p>“，”DOI“：”10.3390\/e25020268“，”type“：”期刊文章“，”已创建“：｛”日期部分“：[[2023,2,1]]，”日期时间“：”2023-02-01T07:29:03Z“，”时间戳“：16752365443000｝，”page“：”268“，”source“：”Crossref“，”由count引用“：3，”title“：[”一种解决焊点缺陷检测中数据不平衡的新型对比自监督学习框架“]，”前缀“：”10.3390“，”卷“：”25“，”作者“：[{”ORCID“：”http://\/ORCID.org\/0000-0002-5177-5581“，”authenticated-ORCID“：false，”给定“：”静“，”家庭“：”周“，”sequence“：”first“，”affiliation:[{“name”：“中国南京东南大学生物科学与医学工程学院，210096”}]}，{“给定”：“广”，“家庭”：“李”，“sequence”：“”additional“，”affiliation“：[{“name”：“中国南京210096东南大学生物科学与医学工程学院”}]}，{“given”：“瑞丰”，“family”：“Wang”，“sequence”：“additional”，“affiliation:[{”name“：中国南京21009东南大学生物科技与医学工程院”}]{，{given“：”瑞阳“，”家族”：“陈”，“序列”：“附加”，“隶属关系”：[{“名称”：“东南大学生物科学与医学工程学院，南京210096”}]，{“给定”：“寿华”，“家族”：“罗”，“序列”：“附加”，“隶属关系”：[{“名称”：“东南大学生物科学与医学工程学院，南京210096”}]}]，“member”：“1968”，“published-online”：{“date-parts”：[[2023,1,31]]}，“reference”：[{“key”：“ref_1”，“first page”：”1“，“article-title”：“PCBNet:表面贴装技术缺陷检测的轻量级卷积神经网络”，“volume”：：“71”，“author”：“Wu”，“year”：“2022”，“journal-title“：”IEEE Trans.Instrum.Meas.“}，{”key“ref_2”，“doi-asserted-by”：“crossref”，“unstructured”：“Kuttiyil Thomas，O.T.，and Gopalan，P.P.（2022）.电子产品缺陷与分析，Springer”，“doi”：“10.1007\/978-981-16-9824-8”}，{“key”：“ref_3”，《非结构化》：“Schubeck，J.，Koblah，D.，Botero，U.J.，and Forte，D.（2023年1月22日）PCB缺陷的综合分类。可在线获取：https:\/\/dforte.ece.ufl.edu\/wp-content\/uploads\/sites\/65\/2022\/02\/A_Comprevensive_Taxonomy_of_PCB_Defects.pdf。“}，{”key“：”ref_4“，”doi-asserted-by“：”crossref“，”first page“：“1”，”doi“：”10.1109\/TIM.2022.3154814“，“article-title”：“用于PCB焊接缺陷检测的深层暹罗语义分割网络”，“volume”：“71”，“author”：“Ling”，“year”：“2022”，“journal-title“：”IEEE Trans.Instrum.Meas.“，”非结构化“：”Dorj，E.、Chen，C.和Pecht，M.（2013年1月2日\u20139）。一种基于贝叶斯隐马尔可夫模型的电子系统异常检测方法。2013年IEEE航空航天会议论文集，美国马耳他州大天空”，“DOI”：“10.1109\/AERO.2013.6497204”}，{“key”：“ref_6”，“DOI-asserted-by”：“crossref”，“first-pages”：“100379”，“DI:”10.1016\/j.cosrev.2021.00379“，“article-title”：“深度学习及其应用的调查”，“volume”:“40”，“author”：“Dong”，“year”：“2021”，“journal-title“：”计算。科学。Rev.“}，{”key“：”ref_7“，”doi-asserted-by“：”crossref“，”first page“：“1”，”doi“：”10.1186\/s40537-020-00392-9“，”article-title“：”COVID-19的深度学习应用程序“，”volume“：1“，”doi“：”10.1038\/s41746-020-00376-2“，”article-title“：”支持深度学习的医学计算机视觉“，“volume”：“4”，“author”：“Esteva”，“year”：“2021”，“journal-title”：“NPJ Digit”。医学“}，{”key“：”ref_9“，”doi-asserted-by“：”crossref“，”first page“：“6323”，”doi“：”10.32604\/cmc.2022.021716“，”article-title“：”基于深度学习的智能工业故障诊断模型“，”volume“：“crossref”，“首页”：“744”，“DOI“：”10.1109\/TII.2021.3084139“，”article-title“：”稀疏促进强化学习在储能系统下瞬态控制的结构调度“，”volume“：”18“，”author“：”Sun“，”year“：”2021“，”journal-title”：“IEEE Trans。Ind.通知。“}，{”key“：”ref_11“，”doi-asserted-by“：”crossref“，”first page“：“1”，”doi“：”10.1145\/3439950“，”article-title“：”Deep learning for annormal detection：A review“，“volume”：“54”，“author”：“Pang”，“year”：“2021”，“journal-title”：“ACM Compute.Surv.（CSUR基于深度学习的图像分割：综述卷“：”44“，”作者“：”米奈“，”年份“：”2021“，”期刊标题“：”IEEE Trans。模式分析。机器。智力。“}，{”key“：”ref_13“，”doi-asserted-by“：”crossref“，”unstructured“：”Yang，L.，Ghosh，R.P.，Franklin，J.M.，Chen，S.，You，C.，Narayan，R.R.，Melcher，M.L.，and Liphardt，J.T.（2020）。NuSeT：可靠分离和分析拥挤细胞的深度学习工具。《公共科学图书馆·计算生物学》，16。“，”doi“：”10.1371 \/journal.pcbi.1008193“}”，{“key”：“ref_14”，“doi-asserted-by“：”crossref“，”unstructured“：”You，C.，Zhao，R.，Staib，L.，and Duncan，J.S.（2021）。动量对比体素表示学习用于半监督体积医学图像分割。arXiv公司。“，”DOI“：”10.1007\/978-3-031-16440-8_61“}，{”key“：”ref_15“，”DOI-asserted-by“：”crossref“，”first page“：“102469”，“DOI”：“10.1016\/j.simpat.2021.102469”，“article-title”：“云环境下基于深度剩余网络的行星齿轮箱智能故障诊断方法”，“volume”：“116”，“author”：“Huang”，”year“：”2022“，”journal-title“：”模拟。模型。实际。理论“}，{“key”：“ref_16”，“doi-asserted-by”：“crossref”，“首页”：“8005”，“doi”：“10.1109\/TIE.2019.2942548”，“article-title”：“用于轴承故障诊断和定位的信息融合多任务卷积神经网络”，“volume”：”67“，“author”：“Guo”，“year”：“2019”，“journal-title“：”IEEE Trans.Ind.Electron.“}”，{”key“：”ref_17“，”doi-asserted-by“：”crossref“，”first page“：”670“，”doi“：”10.1109\/TCPMT.2018.2789453“，”article-title“：”通过新型级联卷积神经网络进行SMT焊点检测“，”volume“：“8”，”author“：”Cai“，”year“：”2018“，”journal-title”：“IEEE Trans。康彭。包装。制造技术。“}，{”key“：”ref_18“，”doi-asserted-by“：”crossref“，”first page“：“525”，”doi“：”10.1109\/TCPMT.2019.2952393“，”article-title“：”使用掩码R-CNN方法的焊点识别“，”volume“：10”，“author”：“Wu”，“year”：“2019”，“journal-title”：“IEEE Trans.Compon.Packag.Manuf.Technol.”}，”{“key”：“ref_19”，”“doi-asserted-by”：“”crossref“，”非结构化“：”Fan，F.、Wang，B.、Zhu，G.和Wu，J.（2021201315年1月13日）。高效快速的R-CNN：用于PCB焊点缺陷和元件检测。2021年IEEE第四届计算机与通信工程技术国际会议（CCET）论文集，中国北京。“，”DOI“：”10.1109\/CCET52649.2021.9544356“}，{”key“：”ref_20“，”DOI-asserted-by“：”crossref“，”unstructured“：”Park，S.，and Ko，J.H.（2021201315年1月13日）。使用无监督异常检测对微发光二极管芯片缺陷进行稳健检测。2021年信息和通信技术融合国际会议论文集（ICTC），中国北京。“，”DOI“：”10.1109\/ICTC52510.2021.9620801“}，{”key“：”ref_21“，”首页“：”114“，”article-title“：”基于铝的芯片元件AOl自动再评估方法“，”volume“：“44”，”author“：”Wang“，”year“：”2021“Akcay，S.、Atapour-Abarghouei，A.和Breckon，T.P.（2018年1月2日\u20136）。Ganomaly：通过对抗训练进行半监督异常检测。《亚洲计算机视觉会议论文集》，澳大利亚珀斯。“}，{”key“：”ref_23“，”doi-asserted-by“：”crossref“，”first page“：“2214”，”doi“：”10.1109\/TCPMT.2021.3121265“，”article-title“：”Using \u03b2-VAE焊点异常检测“，”volume“:”11“，”author“：”Ulger“，”year“：”2021“，”journal-title”：“IEEE Trans.Compon.Packag.Manuf.Technol.”}，”{“key”：“ref_24”，”doi asserted-by“：”crossref“，”首页“：”2228“，”DOI”：“10.1109\/TMI.202.23611829”，“文章标题”：“Simcvd：半监督医学图像分割的简单对比体素表示蒸馏”，“卷”：“41”，“作者”：“你”，“年”：“2022”，“期刊标题”：“IEEE Trans。Med.Imaging“}，{“key”：“ref_25”，“doi-asserted-by”：“crossref”，“unstructured”：“Jaiswal，A.，Babu，A.R.，Zadeh，M.Z.，Banerjee，D.，and Makedon，F.（2020）。对比性自主学习调查。Technologies，9.”，“doi”：“10.3390\/technologies9010002”}，“key“：”ref_26“，”doi-assert-by“：”crossref:“，”Liu，X.、Zhang，F.、Hou，Z.、Mian，L.、Wang，Z.、Zhang，J.和Tang，J.（2021）。自我监督学习：生成性学习或对比性学习。IEEE传输。知识。Data Eng.“，“DOI”：“10.1109\/TKDE.2021.3090866”}，{“key”：“ref_27”，“DOI-asserted-by”：“crossref”，“unstructured”：“Wu，Z.，Xiong，Y.，Yu，S.X.，and Lin，D.（2018年1月18日\u201322）.通过非参数实例判别的无监督特征学习。IEEE计算机视觉和模式识别会议论文集，美国犹他州盐湖城10.3390\/e24040551“}，{“key”：“ref_29”，“doi-asserted-by”：“crossref”，“unstructured”：“Noroozi，M.，and Favaro，P.（2016年1月11日\u201314）。通过解拼图难题实现视觉表征的无监督学习。荷兰阿姆斯特丹欧洲计算机视觉会议论文集。”，“doi”：“10.1007\/978-319-46466-4_5”}，}“key:”ref_30“，”doi-asserted-by“：”crossref“，”unstructured“：”Pathak，D.，Krahenbuhl，P.，Donahue，J.，Darrell，T.，and Efros，A.A.（2016年1月27日\u201330）。上下文编码器：通过修复进行特征学习。IEEE计算机视觉和模式识别会议记录，美国内华达州拉斯维加斯”，“DOI”：“10.1109\/CVPR.2016.278”}，{“key”：“ref_31”，“DOI-asserted-by”：“crossref”，“unstructured”：“Larsson，G.，Maire，M.，and Shakhnarovich，G.（2017年1月21日\u201326）着色作为视觉理解的代理任务。IEEE计算机视觉和模式识别会议记录，美国夏威夷州火奴鲁鲁”，“DOI”：“10.1109\/CVPR.2017.96”}，{“key”：“ref_32”，“DOI-asserted-by”：“crossref”，“unstructured”：“Zhang，R.，Isola，P.，and Efros，A.A.（2016年1月11日\u201314）.彩色图像着色。欧洲计算机视觉会议记录，荷兰阿姆斯特丹。“，”DOI“：”10.1007\/978-3-319-46487-9_40“}，{”key“：”ref_33“，”DOI-asserted-by“：”crossref“，”unstructured“：”He，K.，Fan，H.，Wu，Y.，Xie，S.，and Girshick，R.（2020，January 13\u201319）无监督视觉表征学习的动量对比。IEEE计算机视觉和模式识别会议论文集，美国华盛顿州西雅图”，“DOI”：“10.1109”，{“key”：“ref_34”，“unstructured”：“Chen，T.，Kornblith，S.，Norouzi，M.，and Hinton，G.（2020年1月13日，201318）视觉表征对比学习的简单框架。机器学习国际会议论文集，PMLR，虚拟。“}，{”key“：”ref_35“，”doi-asserted-by“：”crossref“，”unstructured“：”Wang，X.，and Qi，G.J.（2021）。增强更强的对比学习。arXiv.“，”doi“：”10.1109\/TPAMI.2022.3203630“}“，{“key”：“ref_36”，“首页”：“22243”，“文章标题”：“大型自我监督模型是强半监督学习者”，“数量”：“33”，“作者”：“陈”，“年份”：“2020年”，“新闻标题”：“高级神经信息处理。系统。“}，{”key“：”ref_37“，”doi-asserted-by“：”crossref“，”unstructured“：”Liu，W.，Angelov，D.，Erhan，D.，Szegedy，C.，Reed，S.，Fu，C.Y.，and Berg，A.C.（2016年1月11日\u201314）。Ssd：单次多盒探测器。《欧洲计算机视觉会议论文集》，荷兰阿姆斯特丹。“，doi”：“10.1007\/978-319-46448-0_2”}，”{“key”：“”ref_38“，”doi-asserted-by“：”crossref“，”unstructured“：”Sandler，M.、Howard，A.、Zhu，M.，Zhmoginov，A.和Chen，L.C.（2018年1月18日\u201322）。Mobilenetv2：反转残差和线性瓶颈。IEEE计算机视觉和模式识别会议记录，美国犹他州盐湖城应用力学与材料“}，{“键”：“ref_40”，“首页”：“300”，“文章标题”：“通过稳健主成分分析进行IC焊点检测”，“卷”：“7”，“作者”：“蔡”，“年份”：“2017”，“期刊标题”：《IEEE Trans.Compon.Packag.Manuf.Technol.》}Baek，Y.、Lee，B.、Han，D.、Yun，S.和Lee，H.（2019年1月15日\u201320）。用于文本检测的字符区域识别。IEEE计算机视觉与模式识别会议论文集，美国加利福尼亚州长滩Telea》，“年份”：“2004年”，“新闻标题”：“J.Graph。Tools“}，{”key“：”ref_43“，”unstructured“：”Simonyan，K.，and Zisserman，A.（2014）。用于大规模图像识别的深度卷积网络。arXiv.“}Hjelm，R.D.、Fedorov，A.、Lavoie-Marchildon，S.、Grewal，K.、Bachman，P.、Trischler，A.和Bengio，Y.（2018年）。通过相互信息估计和最大化学习深度表示。arXiv公司。“}，{”key“：”ref_46“，”first-page“：”15535“，”article-title“：”通过最大化视图之间的相互信息来学习表征“，”volume“：“32”，”author“：”Bachman“，”year“：”2019“，”journal-title”：“Adv.Neural Inf.Process.Syst.”}，”{“key”：“ref_47”，”unstructured“：”Henaff，O.（2020年1月13日\u201318）.具有对比预测编码的数据高效图像识别。机器学习国际会议论文集，PMLR，虚拟。“}，{”key“：”ref_48“，”doi-asserted-by“：”crossref“，”unstructured“：”Ye，S.Q.，Xue，C.S.，Jian，C.Y.，Chen，Y.Z.，Gung，J.J.，and Lin，C.Y..（202220138年1月6日）。基于深度学习的通用焊料缺陷检测系统。2022年IEEE消费电子国际会议论文集，台湾台北。“doi”：“10.1109\/ICCE-Taiwan55306.2022.9869217“｝]，“容器标题”：[“熵”]，“原始标题”：[]，“语言”：“en”，“链接”：[｛“URL”：“https://www.mdpi.com/1099-4300\/25\/2\/268\/pdf”，“内容类型”：“未指定”，“内容版本”：“vor”，“预期应用程序”：“相似性检查”｝]，“存放”：｛“日期部分”：[[2023,2,1]，“日期时间”：“2023-02-01T08:09:03Z“，”timestamp“：1675238943000}，”score“：1，”resource“：{”primary”：{“URL”：“https:\/\/www.mdpi.com\/1099-4300\/25\/268”}}，“subtitle”：[]，“shorttitle”：[]，“issued”:{“date-parts”：[2023,1,31]]}，《references-count》：48，“journal-sissue”：“{”issue“：”2“，”published-on-line“：{”日期部分“：[[2023,2]}}，”alternative-id“：[”e25020268“]，”URL“：”http:\/\/dx.doi.org/10.3390\/e25020268“，”relationship“：｛｝，”ISSN“：[”1099-4300“]，”ISSN type“：[｛”value“：”1099-4300“，”type“：”electronic“｝]，”subject“：[]，”published“：｛”date parts“：[[2023,1,31]]｝｝｝