面向高密度柔性IC封装基板的显微成像检测算法及关键技术研究

来源 :华南理工大学 | 被引量 : 0次 | 上传用户:gaolch011
下载到本地 , 更方便阅读
声明 : 本文档内容版权归属内容提供方 , 如果您对本文有版权争议 , 可与客服联系进行内容授权或下架
论文部分内容阅读
高密度柔性集成电路封装基板(FICS)广泛应用于具有小型化、轻量化、可移动等特性的电子产品中。由于FICS的制作过程十分复杂,所以其任何一道工艺出现不良产品都会对后续生产造成极大的损失。这种高密度柔性IC封装基板的线宽/线距细至10um以下制程,所以必须借助显微镜才能完成采集,此时相比于不需借助显微镜的传统缺陷检测方法其检测难度更大。随着芯片制造工艺的发展,其线宽/线距将进一步降低,进一步增加了基板检测的难度。当使用显微成像采集FICS图像时,基板的纹理结构和缺陷同时被放大,此时的纹理结构与某些缺陷比较类似,例如氧化缺陷等。由于现有方法很容易把基板的纹理结构误判为缺陷,所以迫切需要开发新的缺陷检测方法以满足自动化工业生产。基于上述需求,针对显微成像FICS缺陷图像自动检测的关键技术难题展开了科学研究。本研究的主要研究内容和创新点包括以下四个方面:(1)针对显微成像基板图存在多种未知工业噪声的问题,提出了基于拓扑映射的加权邻域闭合曲线均值模板。实验结果表明,该模板不仅优于现有滤波器,而且有效去除了显微成像基板图像的噪声。(2)针对低倍显微成像氧化缺陷基板图像检测中传统视觉检测方法极易把黑色背景误判为缺陷且严重依赖标准模板的不足,提出了基于拓扑映射的氧化缺陷检测算法。将该方法应用于噪声图像、增强图像和缺陷图像的检测实验,证实其对FICS的背景纹理和光照不敏感,抗干扰能力强,并且鲁棒性好。(3)针对高倍显微成像的氧化缺陷基板图像中传统视觉检测方法极易把黑色背景和基板纹理结构误判为缺陷并且严重依赖标准模板的不足,提出了基于微分几何工具的氧化缺陷检测算法。该方法通过建立样本拟合模型和缺陷检测模型,实现了氧化缺陷的检测,具有快速、实时的特点。相同环境下,只需对拟合样本进行单次建模,即可实现基板缺陷的快速检测,既减少了检测时间,又能更好地满足工业检测的实时性要求。(4)针对显微成像油墨异物基板图像中,图像对比度低并且传统的视觉检测方法极易把黑色背景和贴膜背景误判为缺陷的不足,提出了一种基于微分几何工具的缺陷检测算法。该算法先建立基于曲率的样本拟合模型,再提出基于图像灰度值分析的分段线性函数以提高图像的对比度,最后建立基于概率的缺陷检测模型。相同环境下,可以将样本拟合模型和分段线性函数的相关参数直接应用于后续的待测图像中,提高了缺陷检测的整体效率。实际应用表明,该算法不仅精度高,而且满足柔性基板快速生产的工业实时性要求。本研究获得的成果,不仅实现了上述四种算法的工程应用设计而且验证了其效果。大量实验数据表明,论文所提出的高速、高精度的缺陷检测方法,很好地满足了柔性IC基板快速生产的工业实时性要求。
其他文献
蒸汽发生器是压水堆核电站一回路压力系统中最重要的设备,其中的传热管需要在核电站一回路燃料高温释氢环境中长期服役,高温高压氢会导致传热管塑性大幅降低,甚至引起氢致断
本文以集成管理理论方法为理论框架,对产业园区公共服务平台构建的相关要素进行分析,提出了平台服务方向、平台架构设计和发展建议,以期对产业园区公共服务平台建设和运营提
目的探讨各级医院蛛网膜下腔出血(subaraehnoid hemorrhage,SAH)的CT漏诊情况及可能原因。方法回顾性分析近10年国内文献发表的各医院CT检查漏诊的143例SAH的临床资料。结果
本文简述了微生态制剂的分类、益生菌防治幽门螺杆菌(Hp)的临床效果和可能机制,益生菌联合三联疗法可能是提高Hp根除率的一种新方法,值得进一步探讨。
目的探讨脾动脉瘤的诊断和手术治疗方法。方法回顾性分析7例脾动脉瘤患者的临床资料。结果6例经彩色多普勒超声(B超)初步诊断;4例经CT动脉造影(CTA),2例经数字减影血管造影术
澳大利亚作家戴维·马洛夫的小说《忆起了巴比伦》自出版以来,在广受赞誉的同时也受到了部分质疑和批评。有评论家认为这部小说在土著问题上忽略了他们遭受的压迫,"将政治一
本文结合典型实例从理论和实践的角度论述英汉长句的主要译法:1.顺序法;2.逆序法;3.调整顺序法;4.分译法;5.综合法。这些译法建立在英汉两种语言的共性、特性及其习惯表达法
在语文课堂教学中,课本剧正契合了新课程的理念——“把课堂还给学生”“让课堂焕发出生命活力”,师生的生命活力在课堂教学中得到充分发挥,有助于推动学生综合素质的培养和
本文立足于19世纪初俄罗斯文学背景,探讨了俄罗斯长篇小说文体最初的演变和发展的历程,分析了普希金、莱蒙托夫和果戈理的长篇小说在文体上的形态和特性,论述了他们的代表作
传统的机器学习算法大多采用批量学习模型,需要预先收集大量训练数据。但在数据量、数据维度快速增长的今天,接收到新数据到之后,批量学习模式需要重新对样本进行训练,会消耗