1.一种基于高频超声的倒装焊焊点缺失缺陷智能检测方法，其特征在于，所述方法包括：获取样本芯片，所述样本芯片存在倒装焊焊点缺失缺陷；

利用超声扫描显微镜获取所述样本芯片的C扫描图像；

对所述样本芯片的C扫描图像进行自适应中值滤波和同态滤波得到处理后芯片图像，并将所述处理后芯片图像转化为二值芯片图像；

基于相关系数法原理对所述二值芯片图像进行图像分割得到各个二值焊点图像，并对每个所述二值焊点图像进行特征提取获取特征向量，对每个所述二值焊点图像进行特征提取获取到的特征向量中的特征值由白色像素点个数、黑色像素点个数、白黑像素点个数比、非焊点区域灰度值之和、原始焊点子图像灰度值之和、灰度值之比、灰度值标准差、灰度值极差、竖直方向对称度、水平方向对称度以及黑色像素点关于图像中心的分散程度组成；其中灰度值之比表示所述非焊点区域灰度值之和与所述焊点子图像灰度值之和之间的比值；

将提取出的各个所述二值焊点图像的特征向量输入极限学习机神经网络进行学习和预测得到焊点检测模型；

利用所述焊点检测模型检测待测芯片中的倒装焊焊点缺失缺陷；

其中，所述白色像素点个数为

所述黑色像素点个数为

所述白黑像素点个数比为

所述非焊点区域灰度值之和为

所述原始焊点子图像灰度值之和为

所述灰度值之比为

所述灰度值标准差为

所述灰度值极差为F8＝max(ri,j)-min(ri,j)；

所述竖直方向对称度为

所述水平方向对称度为

所述黑色像素点关于图像中心的分散程度为

其中，矩阵S表示所述二值焊点图像的m×n的图像灰度矩阵，si,j为矩阵S中第ij个灰度值，矩阵R为所述二值焊点图像在进行二值化处理前对应的焊点图像的m×n的图像灰度矩阵，ri,j为矩阵R中第ij个灰度值。

2.根据权利要求1所述的方法，其特征在于，所述基于相关系数法原理对所述二值芯片图像进行图像分割得到各个二值焊点图像，包括：确定p×q的二值芯片图像的图像灰度矩阵，以及m×n的参考焊点图像的图像灰度矩阵，所述参考焊点图像包含完整的焊点信息；

基于相关系数法原理得到a行b列的相关系数矩阵为：其中，a＝p-m+1，b＝q-n+1，Oi,j表示待提取的所述二值焊点图像相对应的m×n的图像灰度矩阵，M表示所述参考焊点图像相对应的m×n的图像灰度矩阵；

通过获取所述相关系数矩阵的局部最大值分割得到各个所述二值焊点图像。

3.根据权利要求1或2所述的方法，其特征在于，所述将提取出的各个所述二值焊点图像的特征向量输入极限学习机神经网络进行学习和预测得到焊点检测模型，包括：从提取出的所有特征向量中随机抽取出训练数据并将其余作为测试数据，将所述训练数据输入所述极限学习机神经网络进行学习和预测得到焊点检测模型，并利用粒子群算法确定使所述焊点检测模型的检测准确率最高的隐藏层神经元个数，将所述隐藏层神经元个数应用于所述极限学习机神经网络对所述极限学习机神经网络进行优化，并利用所述测试数据对优化后的所述极限学习机神经网络进行测试检验模型检测准确率；

4.根据权利要求3所述的方法，其特征在于，所述利用粒子群算法确定使所述焊点检测模型的检测准确率最高的隐藏层神经元个数，包括：确定利用误差函数作为所述粒子群算法中的适应性函数，所述误差函数表示为：其中，tj是训练数据中的实际输出，oj是优化后的所述焊点检测模型的输出，N是训练数据的个数；

通过最小化所述误差函数确定所述隐藏层神经元个数。