专业视觉方案及设备制造商

以视觉检测为导向
提升产品市场竞争力

手机:13825262003

电话:0755-23594656

视觉检测设备搜索:

联系我们

未耒智能(深圳)有限公司

曾先生13825262003

公司电话0755-23594656

地址深圳市龙华新区观湖街道大和工业区28号深澜产业园6号院

企业资讯 网站首页 >> 企业资讯 >> 芯片视觉检测的定位算法及实现

芯片视觉检测的定位算法及实现
发表时间:2018-12-19

随着现代半导体器件向微型化、集成化和高可靠性方向发展以及日益激烈的市场竞争, 半导体产品生产与制造设备正朝着高速度、高精度、智能化、柔性制造系统(FMS)、多功能等自动化方向发展。

半导体生产通常分为前后两道工序, 前道工序指芯片扩散、快速热处理、硅片处理等过程,后道工序主要包括切片、粘片、封装测试、包装等过程。成型分离是半导体封装中保证产品质量的最后一道关键工序,该制程需要对芯片及其引脚缺陷等进行检测。机器视觉检测技术作为一种非接触测量技术,具有非接触性、实时性、灵活性和高可靠性等优点,在微电子制造中得到了广泛应用。但是,针对IC 后道封装工序生产过程的实时高速高精度高可靠性的质量检测和定位问题,国内相关工作还非常少。未耒智能重点分析了利用梯形分层搜索的序贯相关判决算法的匹配策略, 并给出了相应的测试结果。

timg


1、芯片的识别与定位

在半导体器件外观视觉检测中, 首先要根据检测项目搜索到相应区域,该区域包含待检的对象,如:引脚、定位孔、塑封体等,在图像处理上通常把这些区域称为ROI(Region Of Interest)区域,因此,能准确快速地搜索到相应的ROI 区域是有效检测的前提和保证。

1972 年,Bamea 和Silverman 提出了一种效率很高的序贯相似性检测算法(Sequential Similarity DetectionAlgorithm,SSDA), 该算法从以下两个方面对计算效率进行了改进。

首先,算法使用的相似性度量方法计算更为简单:

image.

式(2-2)中,S,T 分别是子图和模板中像素灰度级的平均值。

SSDA 实质上是把向量空间中两点间的距离作为两个向量相似程度的度量, 与归一化灰度级相关算法相比,此算法没有乘法运算,减少了计算量。

SSDA 算法通常有三种: 固定门限的SSDA 算法、单调递增门限序列的SSDA 算法及自适应门限序列的SSDA 算法。对于固定门限法和单调递增门限序列法来说,门限的选取十分困难。门限选择得好,处理速度就快,且匹配准确;门限选取过大,处理速度提高慢;选取过小,匹配又不准确。因此,在实际应用中,大多采用自适应门限序列的SSDA 算法。

因此,未耒智能采用了梯形分层搜索的序贯相关判决算法的匹配策略, 采用梯形分层搜索缩短了匹配点的搜索事件,而序贯相关判决法保证了搜索的精度。该算法的基本步骤如下:

Step1: 将采集到的待识别图像和模板图像每n×n个像素的像素值加权平均为一个像素构成第二级图像,同理在第二级图像的基础上构成第三级图像,如此迭代下去可构成一系列的图像序列, 得到一系列由小到大的图像梯形结构,如图一所示;

image.


Step2: 由上到下逐个计算每一级图像和对应模板的相似度;

Step3: 在每一级的相关性计算的过程中,可采取序贯相关性算法, 即把模板和要识别的图像部分分成若干小块,先计算某一块或几块的相关性Rq,如果小于设定的阈值θ,则可认为S(i,j)不是要关心的目标区域,从而进行下一个目标图像的匹配。如果Rq>θ,再拿整个S(i,j)和整个模板进行相关性计算,进一步确定对S(i,j)的取舍。通过图像搜索后,分别得到导线架中芯片的当前位置。


2、实验结果

根据以上分析, 本文应用该算法对导线架中的芯片进行匹配检验。如图二是一个待匹配的目标图,图三是模板图。

image.

测试采用未耒智能的工业控制计算机,CORE E2220 双核处理器,2G DDR800 内存,利用C++ Builder 实现上述算法。通过对目标图的匹配,结果如图四所示,用时78ms,图中左上角数字为按匹配得分排序的序号。从表一中的数据可以看出,在目标图中很好地匹配到了所设定的模板, 从而为这部分引脚的检测提供了可靠、准确的ROI 区域。

image.

3、结论

未耒智能针对IC 后道封装工序生产的高速、高精度的特点, 采用梯形分层搜索的序贯相关判决算法的匹配策略进行芯片的识别与定位。通过实例表明,该算法很好地实现了目标图像的识别与定位, 保证了后续的各项外观检测的实时性、准确性与可靠性。