CN106960423A - 一种面向芯片封装的溢料检测方法 - Google Patents

Abstract

本发明公开了一种面向芯片封装的溢料检测方法。本发明旨在测量QFN塑料封装过程中封装后的原片的溢料程度，首先在芯片塑料封装生产线上通过工业相机采集到封装好的原片的灰度图像并对灰度图像进行增强及二值化处理，然后对处理后的图像进行边缘检测，筛选这些检测到的边缘去掉周长较小的边缘，再对筛选处理后的图像采用环形滑动窗口检测芯片集中区域，最后通过这些检测到的芯片矩阵寻找溢料区域并计算溢料指标。经过实际现场测试，该方法能可靠的检测出每片芯片的溢料程度，大大的优化了芯片封装过程中的溢料的检测手段。

Description

一种面向芯片封装的溢料检测方法

技术领域

本发明属于芯片封装工艺检测领域，特别是涉及测试工程中的芯片溢料检测方法及溢料程度指标。

背景技术

封装是集成电路塑料封装中主要且必不可缺的工序之一。它的作用是把经上芯、压焊后的单个电路包封住形成一个整体并对芯片、焊线起到保护作用，避免人为或环境因素的损伤。溢料是集成电路塑封过程中流到引脚和外露载体上的多余物。溢料通常也叫飞边，它本身对塑封产品的性能没有影响，但是由于溢出的塑封料覆盖在引线脚上，若经去飞边工艺后仍有残留，就会形成镀层缺陷而影响产品的可靠性，造成产品断路、虚焊等问题。因此，若在组装线上最后成品有飞边残留，则会按不良品处理，必然影响到封装良率。溢料通常大多发生在模具分合位置，如模具的分型面、镶件的缝隙、顶孔的孔隙等处。溢料不及时解决将会进一步扩大化，从而致使压印模具形成局部的塌陷，造成永久性的损害。

目前对于溢料的检测手段非常有限，溢料的可靠检测可以大大改善对封装过程的产品质量的控制手段，从而有条件实现对于芯片封装的质量的闭环的控制。近年来计算机的性能得到了长足的发展，图像处理技术越来越成熟，可以引入图像处理的方法手段来对芯片封装产品的溢料的检测。图像检测的方法具有检测精度高、使用灵活、信息量大等特点，所以非常适合于芯片封装生产过程的溢料的检测。目前还未见将图像处理的手段应用到溢料检测的问题上来，本发明首次将图像检测的手段用来识别溢料。

发明内容

本发明的目的是为了填补芯片封装领域没有检测芯片封装溢料的简单可靠方法，而提出了一种面向芯片封装的溢料检测方法。

本发明的目的是通过以下技术方案来实现的：一种面向芯片封装的溢料检测方法，该方法包括以下步骤：

一种面向芯片封装的溢料检测方法，其特征在于，该方法包括以下步骤：

步骤1：封装图像获取与预处理

根据芯片架规格获得封装原片中芯片矩阵的外周长，同时测得芯片矩阵的边长a₁,a₂；用工业相机获取封装原片的灰度图像P，对图像进行高斯滤波消除噪声，然后采用自适应阈值对滤波后的图像进行二值化处理，得到处理后的图像P₁。

步骤2：边缘提取与筛选：

针对步骤1处理后获得的图像P₁进行先膨胀后腐蚀处理，其中腐蚀的窗口大于膨胀的窗口，这样处理能将小的孔洞填上。将处理后的图形进行Laplacian算子处理提取边缘集合。在边缘集中包括了图像中的所有物体的边缘信息，边缘集中同时也包含了许多不关注的物体的边缘信息，所以要去掉不关注物体的边缘信息。将所得到的边缘集合中周长小于l的边缘去掉，l取值视芯片架型号而定，l取值为芯片矩阵的外周长的70％。处理后得到由所有周长大于l的边缘构成的图像P₂。

步骤3：芯片矩阵区域识别：

(3.1)设置环形窗口，所述环形窗口的内环和外环均为正方形，且所述内正方形的中心与外正方形的中心重合；内正方形边长D_min，外正方形边长D_max，它们大小的设置主要是参考芯片集中区域的实际大小，它们分别取值为下式所示：

其中，floor表示上取整函数，ceil表示下取整函数，d＝max(a₁,a₂)。

(3.2)将(3.1)步骤中的环形窗口开始在步骤2最终得到的图像P₂中从左上角开始滑动，滑动步长为一个像素，每次滑动在环形窗口内得到当前计算区域Z_i(i＝1,2...n)，并记录当前计算区域中心位于图像P₂中的坐标记为(x_i,y_i)。

对当前计算区域Z_i进行以下子步骤操作：

(3.2.1)在步骤(3.2)中得到的当前计算区域Z_i中建立以Z_i区域中心为原点、垂直向下为X轴正方向、水平向右为Y轴正方向的直角坐标系。

(3.2.2)在当前计算区域Z_i选择出两两关于原点对称的直线，具体如下：

根据Hough变换可知，当前计算区域Z_i中的一条直线可以表示为(ρ,θ)，ρ为原点到该直线的距离，θ为原点到直线的垂线与X轴正方向的逆时针夹角，在该直线上的点(x,y)满足式(6)：

ρ＝xcosθ+ysinθ (6)

所有直线组成集合L，L＝{L₁＝(ρ₁,θ₁),L₂＝(ρ₂,θ₂),...,L_n(ρ_n,θ_n)}，在这些直线中选择出两两关于原点对称的直线L_i,L_j，直线L_i,L_j满足式(7)，计算后得到由对称直线组成的直线对的集合M。

(3.2.3)将步骤(3.3.2)获得的直线对集合M中的直线对表示为D_k＝(α_k,δ_k)的形式，得到D_k的集合D，其中α_k与δ_k分别由式(8)得出：

在所得到的集合D中选出两两垂直的D_k与D_l，即满足式(9):

此时D_k与D_l构成一个矩形。这个矩形可表示为式(10)的形式以方便计算机存储:

所有在当前计算区域Z_i中检测到的矩形构成矩形集合R_i，并记录下R_i，返回步骤(3.2)，继续滑动直到图像P₂所有区域都被环形窗口遍历，遍历完后得到最终所有检测到的矩形构成的集合R。

步骤4：矩形去重：

针对骤3中得到的矩形集合R进行矩形去重操作

(4.1)寻找R中所有中心点重合的矩形，并记录重合的中心点坐标以及对应的重合矩形个数记为重合数C，没有重合的矩形记其重合数C为1。

(4.2)将R中所有中心点间距离小于0.2×D_min的矩形分别归类到对应的一个矩形集合t_i，最终得到所有归类好的集合T＝{t₁,t₂,...,t_n}，其中n为芯片架中的芯片矩阵个数。

(4.3)将集合T中的矩形集合t_i,(i＝1,2,...n)中C最大的中心对应的矩形留下，集合中其余的矩形去掉组成新的集合t_i',(i＝1,2,...n)，再对t_i',(i＝1,2,...n)中的矩形(由步骤(3.2.3)可知集合中的矩形都被表示为式(5)的形式)进行平均化处理，也即对这些矩形的α_k,δ_l,δ_k分别求平均值，再由这些平均值组成的新矩形或去重完成后只剩下n个矩形，它们对应的就是图像中芯片矩阵所在的区域，利用这些矩形的形状位置信息将P₁中对应区域B_i,(i＝1,2,...,n)截取下来，得到区域集合Q＝{B₁,B₂,...B_n}。

步骤5：溢料率计算：

(5.1)计算集合Q中所有区域的溢料率，内的黑色像素点个数N_f，获得溢料率：

R_f＝N_f/N_t×100％ (11)

其中，N_f表示B_i,(i＝1,2,...,n)区域内的黑色像素点个数，N_t表示图像P₁整张图片的像素个数。

与现有技术相比，本发明的有益效果是：首次引入图像处理的技术实现了对芯片溢料的自动检测，该方法能在光照不太均匀的工业环境中稳定可靠的检测出QFN封装芯片溢料的程度。所提出的方法在芯片封装过程中做了详细的实验研究，获得了成功应用，该方法实现了对QFN芯片封装溢料程度的自动检测，最终可应用于实际工业生产现场，为芯片塑料领域封装提供了一种芯片封装过程中对封装产品的高质量追求所需的质量检测的方法。

附图说明

图1为本发明所述芯片封装过程中的溢料检测方法的流程图；

图2为本发明所述芯片封装过程中的溢料检测方法步骤中所述的坐标系中直线表示法；

图3为本发明所述芯片封装过程中的溢料检测方法步骤中所述的环型滑动窗口及坐标系；

图4为本发明所述芯片封装过程中的溢料检测方法步骤中所述的芯片封装原片图片；

图5为本发明所述实验中获得的封装原片芯片原图片；

图6为本发明所述实验中检测到的芯片集中区域之一(左上第一块：上1)；

图7为本发明所述实验中检测到的芯片集中区域之一(左上第二块：上2)；

图8为本发明所述实验中检测到的芯片集中区域之一(左上第三块：上3)；

图9为本发明所述实验中检测到的芯片集中区域之一(左上第四块：上4)。

具体实施方式

下面结合附图及具体实例，对本发明作进一步详细说明。

本专利采用具体的实验测试来具体的实施本专利所提出的指标及测量这种指标的方法。

在表1所述实验环境下进行

表1

在上述实验条件下，首先通过半导体封装压机(FSAM120-1US)生产出封装原片，出模后迅速通过工业相机获取的灰度图像如附图5所示。所获得图像进行如下步骤的处理：

本发明一种面向芯片封装的溢料检测方法，包括以下步骤：

步骤1：封装图像获取与预处理

根据芯片架规格获得封装原片中芯片矩阵的外周长为4400像素点，同时测得芯片矩阵的边长a₁＝1100,a₂＝1100，原片中芯片矩阵个数为8；用工业相机获取封装原片的灰度图像P如附图5所示，对图像进行高斯滤波消除噪声，然后采用自适应阈值对滤波后的图像进行二值化处理，得到处理后的图像P₁。

步骤2：边缘提取与筛选：

针对步骤1处理后获得的图像P₁进行先膨胀后腐蚀处理，其中腐蚀的窗口大于膨胀的窗口，这样处理能将小的孔洞填上。将处理后的图形进行Laplacian算子处理提取边缘集合。在边缘集中包括了图像中的所有物体的边缘信息，边缘集中同时也包含了许多不关注的物体的边缘信息，所以要去掉不关注物体的边缘信息。将所得到的边缘集合中周长小于l的边缘去掉，l取值视芯片架型号而定，l取值为芯片矩阵的外周长的70％。处理后得到由所有周长大于l的边缘构成的图像P₂。

步骤3：芯片矩阵区域识别：

(3.1)设置环形窗口，所述环形窗口的内环和外环均为正方形，且所述内正方形的中心与外正方形的中心重合；内正方形边长D_min，外正方形边长D_max，它们大小的设置主要是参考芯片集中区域的实际大小，它们分别取值为下式所示：

其中，floor表示上取整函数，ceil表示下取整函数，d＝max(a₁,a₂)。

(3.2)将(3.1)步骤中的环形窗口开始在步骤2最终得到的图像P₂中从左上角开始滑动，滑动步长为一个像素，每次滑动在环形窗口内得到当前计算区域Z_i(i＝1,2...n)，并记录当前计算区域中心位于图像P₂中的坐标记为(x_i,y_i)。

对当前计算区域Z_i进行以下子步骤操作：

(3.2.1)在步骤(3.2)中得到的当前计算区域Z_i中建立以Z_i区域中心为原点、垂直向下为X轴正方向、水平向右为Y轴正方向的直角坐标系。

(3.2.2)在当前计算区域Z_i选择出两两关于原点对称的直线，具体如下：

根据Hough变换可知，当前计算区域Z_i中的一条直线可以表示为(ρ,θ)，ρ为原点到该直线的距离，θ为原点到直线的垂线与X轴正方向的逆时针夹角，在该直线上的点(x,y)满足式(12)：

ρ＝xcosθ+ysinθ (12)

所有直线组成集合L，L＝{L₁＝(ρ₁,θ₁),L₂＝(ρ₂,θ₂),...,L_n(ρ_n,θ_n)}，在这些直线中选择出两两关于原点对称的直线L_i,L_j，直线L_i,L_j满足式(13)，计算后得到由对称直线组成的直线对的集合M。

(3.2.3)将步骤(3.3.2)获得的直线对集合M中的直线对表示为D_k＝(α_k,δ_k)的形式，得到D_k的集合D，其中α_k与δ_k分别由式(14)得出：

在所得到的集合D中选出两两垂直的D_k与D_l，即满足式(15):

此时D_k与D_l构成一个矩形。这个矩形可表示为式(16)的形式以方便计算机存储:

所有在当前计算区域Z_i中检测到的矩形构成矩形集合R_i，并记录下R_i，返回步骤(3.2)，继续滑动直到图像P₂所有区域都被环形窗口遍历，遍历完后得到最终所有检测到的矩形构成的集合R。

步骤4：矩形去重：

针对骤3中得到的矩形集合R进行矩形去重操作

(4.1)寻找R中所有中心点重合的矩形，并记录重合的中心点坐标以及对应的重合矩形个数记为重合数C，没有重合的矩形记其重合数C为1。

(4.2)将R中所有中心点间距离小于0.2×D_min的矩形分别归类到对应的一个矩形集合t_i，最终得到所有归类好的集合T＝{t₁,t₂,...,t₈}，其中8为芯片架中的芯片矩阵个数。

(4.3)将集合T中的矩形集合t_i,(i＝1,2,...8)中C最大的中心对应的矩形留下，集合中其余的矩形去掉组成新的集合t_i',(i＝1,2,...8)，再对t_i',(i＝1,2,...8)中的矩形(由步骤(3.2.3)可知集合中的矩形都被表示为式(5)的形式)进行平均化处理，也即对这些矩形的α_k,δ_l,δ_k分别求平均值，再由这些平均值组成的新矩形或去重完成后只剩下8个矩形，它们对应的就是图像中芯片矩阵所在的区域，利用这些矩形的形状位置信息将P₁中对应区域B_i,(i＝1,2,...,8)截取下来，得到区域集合Q＝{B₁,B₂,...B₈}。

步骤5：溢料率计算：

(5.1)计算集合Q中所有区域的溢料率，内的黑色像素点个数N_f，获得溢料率：

R_f＝N_f/N_t×100％ (17)

其中，N_f表示B_i,(i＝1,2,...,8)区域内的黑色像素点个数，N_t表示图像P₁整张图片的像素个数。

最终方法得到的芯片集中区域如附图5-9所示，图中展示的是上一排芯片溢料区。对应每一个区域的溢料率分别为表2所示

表2

区域位置	溢料率(％)
		上1	3.47
上2	3.86
		上3	3.34
上4	2.41
		下1	3.29
下2	3.65
		下3	3.26
下4	2.81

由表2所得结果与原图附图5所示可以直观的看出计算结果能较为准确的衡量出每块区域的溢料程度。

本发明的芯片封装过程中的溢料检测方法，是通过图像处理的方法自动寻找出原片中每一块芯片集中区域，对每一片芯片集中区域计算其溢料指标，最终可以衡量出整片原片的溢料状况，同时也能分析出溢料严重的位置，这些信息可以方便封装过程的质量控制的相应调整，大大优化了芯片溢料的测量手段，使得芯片封装过程的质量控制成为可能。

应该理解，本发明并不局限于上述具体实施例具体实验设施与实验条件，凡是熟悉本领域的技术人员在不违背本发明精神的前提下还可做出等同变形或替换，这些等同的变型或替换均包含在本申请权利要求所限定的范围内。

Claims (1)

1.一种面向芯片封装的溢料检测方法，其特征在于，该方法包括以下步骤：

步骤1：封装图像获取与预处理

根据芯片架规格获得封装原片中芯片矩阵的外周长，同时测得芯片矩阵的边长a₁,a₂；用工业相机获取封装原片的灰度图像P，对图像进行高斯滤波消除噪声，然后采用自适应阈值对滤波后的图像进行二值化处理，得到处理后的图像P₁。

步骤2：边缘提取与筛选：

针对步骤1处理后获得的图像P₁进行先膨胀后腐蚀处理，其中腐蚀的窗口大于膨胀的窗口，这样处理能将小的孔洞填上。将处理后的图形进行Laplacian算子处理提取边缘集合。在边缘集中包括了图像中的所有物体的边缘信息，边缘集中同时也包含了许多不关注的物体的边缘信息，所以要去掉不关注物体的边缘信息。将所得到的边缘集合中周长小于l的边缘去掉，l取值视芯片架型号而定，l取值为芯片矩阵的外周长的70％。处理后得到由所有周长大于l的边缘构成的图像P₂。

步骤3：芯片矩阵区域识别：

(3.1)设置环形窗口，所述环形窗口的内环和外环均为正方形，且所述内正方形的中心与外正方形的中心重合；内正方形边长D_min，外正方形边长D_max，它们分别取值为下式所示：

其中，floor表示上取整函数，ceil表示下取整函数，d＝max(a₁,a₂)。

(3.2)将(3.1)步骤中的环形窗口开始在步骤2最终得到的图像P₂中从左上角开始滑动，滑动步长为一个像素，每次滑动在环形窗口内得到当前计算区域Z_i(i＝1,2...m)，并记录当前计算区域中心位于图像P₂中的坐标记为(x_i,y_j)。

对当前计算区域Z_i进行以下子步骤操作：

(3.2.1)在步骤(3.2)中得到的当前计算区域Z_i中建立以Z_i区域中心为原点、垂直向下为X轴正方向、水平向右为Y轴正方向的直角坐标系。

(3.2.2)在当前计算区域Z_i选择出两两关于原点对称的直线，具体如下：

根据Hough变换可知，当前计算区域Z_i中的一条直线可以表示为(ρ,θ)，ρ为原点到该直线的距离，θ为原点到直线的垂线与X轴正方向的逆时针夹角，在该直线上的点(x,y)满足式(1)：

ρ＝x cosθ+y sinθ (1)

所有直线组成集合L，L＝{L₁＝(ρ₁,θ₁),L₂＝(ρ₂,θ₂),...,L_n(ρ_n,θ_n)}，在这些直线中选择出两两关于原点对称的直线L_i,L_j，直线L_i,L_j满足式(2)，计算后得到由对称直线组成的直线对的集合M。

$\begin{array}{c}\mathrm{\&Delta;}\mathrm{\&theta;}=\left|\right|{\mathrm{\&theta;}}_i-{\mathrm{\&theta;}}_j|-\mathrm{\&pi;}|<0.01\\ \mathrm{\&Delta;}\mathrm{\&rho;}=|{\mathrm{\&rho;}}_i-{\mathrm{\&rho;}}_j|<2\end{array}---\left(2\right)$

(3.2.3)将步骤(3.3.2)获得的直线对集合M中的直线对表示为D_k＝(α_k,δ_k)的形式，得到D_k的集合D，其中α_k与δ_k分别由式(3)得出：

$\begin{array}{c}{\mathrm{\&alpha;}}_k=\frac{1}{2}\left(\right|{\mathrm{\&theta;}}_i+{\mathrm{\&theta;}}_j|-\mathrm{\&pi;})\\ {\mathrm{\&delta;}}_k={\mathrm{\&rho;}}_i+{\mathrm{\&rho;}}_j\end{array}---\left(3\right)$

在所得到的集合D中选出两两垂直的D_k与D_l，即满足式(4):

$\mathrm{\&Delta;}\mathrm{\&alpha;}=\left|\right|{\mathrm{\&alpha;}}_k-{\mathrm{\&alpha;}}_l|-\frac{\mathrm{\&pi;}}{2}|<0.01---\left(4\right)$

此时D_k与D_l构成一个矩形。

所有在当前计算区域Z_i中检测到的矩形构成矩形集合R_i，并记录下R_i，返回步骤(3.2)，继续滑动直到图像P₂所有区域都被环形窗口遍历，遍历完后得到最终所有检测到的矩形构成的集合R。

步骤4：矩形去重：

针对骤3中得到的矩形集合R进行矩形去重操作。去重完成后只剩下n(n为芯片架中芯片矩阵的个数)个矩形，它们对应的就是图像中芯片矩阵所在的区域，利用这些矩形的形状位置信息将P₁中对应区域B_i,(i＝1,2,...,n)截取下来，得到区域集合Q＝{B₁,B₂,...B_n}。

步骤5：溢料率计算：

(5.1)计算集合Q中所有区域的溢料率，内的黑色像素点个数N_f，获得溢料率：

R_f＝N_f/N_t×100％ (5)

其中，N_f表示B_i,(i＝1,2,...,n)区域内的黑色像素点个数，N_t表示图像P₁整张图片的像素个数。