CN113240693B - 芯片切割控制方法、系统、设备及计算机可读存储介质 - Google Patents
芯片切割控制方法、系统、设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN113240693B CN113240693B CN202110458089.6A CN202110458089A CN113240693B CN 113240693 B CN113240693 B CN 113240693B CN 202110458089 A CN202110458089 A CN 202110458089A CN 113240693 B CN113240693 B CN 113240693B
- Authority
- CN
- China
- Prior art keywords
- image
- chip
- target
- cutting
- edge line
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000005520 cutting process Methods 0.000 title claims abstract description 237
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000003860 storage Methods 0.000 title claims abstract description 8
- 238000001514 detection method Methods 0.000 claims abstract description 60
- 238000012545 processing Methods 0.000 claims abstract description 27
- 238000004458 analytical method Methods 0.000 claims abstract description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 47
- 238000012549 training Methods 0.000 claims description 45
- 238000003709 image segmentation Methods 0.000 claims description 25
- 238000004364 calculation method Methods 0.000 claims description 16
- 230000009466 transformation Effects 0.000 claims description 12
- 230000003044 adaptive effect Effects 0.000 claims description 8
- 230000011218 segmentation Effects 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000003707 image sharpening Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 238000012937 correction Methods 0.000 abstract description 6
- 238000004519 manufacturing process Methods 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 239000004065 semiconductor Substances 0.000 description 3
- 238000002790 cross-validation Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000004806 packaging method and process Methods 0.000 description 2
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000012858 packaging process Methods 0.000 description 1
- 238000011165 process development Methods 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- G06T5/70—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/168—Segmentation; Edge detection involving transform domain methods
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
- H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
- H01L21/67—Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere
- H01L21/67005—Apparatus not specifically provided for elsewhere
- H01L21/67011—Apparatus for manufacture or treatment
- H01L21/67092—Apparatus for mechanical treatment
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30148—Semiconductor; IC; Wafer
Abstract
本发明公开了一种芯片切割控制方法、系统及设备及计算机可读存储介质，所述方法包括以下步骤：获取待切割晶圆上至少一芯片切割道的初始图像；通过目标检测模型对所述芯片切割道的初始图像进行处理，得到芯片切割道的第一目标图像，所述第一目标图像具有芯片切割道的第一边缘线；对所述第一目标图像进行边缘线定位分析，得到芯片切割道的第二目标图像，所述第二目标图像具有芯片切割道的第二边缘线；根据所述第二目标图像的第二边缘线计算得到目标切割位置；根据所述目标切割位置控制切割装置对芯片进行切割。本发明不仅提高了芯片生产效率，而且提高了切割刀校正对准的精度，减少了产品的报废率，降低了生产成本，实现了芯片切割过程全自动化。
Description
技术领域
本发明涉及半导体制造技术领域，具体涉及一种芯片切割控制方法、系统及设备及计算机可读存储介质。
背景技术
近些年来，电子消费类产品逐渐普及人们生活的方方面面，半导体材料作为这些产品的基础，促使半导体这一行业成为世界各国重点聚焦产业。集成电路产品芯片的尺寸、衬底材料、封装类型由于先进的工艺发展而不断改变。为了满足对这些不断变化工件的加工需求，有必要将晶片切割成离散尺寸的芯片。切割机也叫划片机，是分离切割芯片的设备，划片机作为集成电路后封装工艺中重要的一环，它的加工质量和加工能力直接影响到整个生产。
芯片切割机经过几代的发展，在精度和效率方面都取得了较为长足的进步，芯片切割机在自动化的程度也在逐步的提高，但由于芯片切割机的切割刀按照控制软件在芯片上预设位置进行切割操作，但由于机械设备操作精度的影响，切割刀在切割过程中容易产生偏离预设位置的误差，从而影响到芯片加工的质量。因此，需要对芯片切割机的切割刀位置进行校正调整。
目前，现有方法都是通过人工对芯片切割机的切割刀位置进行校正调整，该方法存在的问题：1、需要人工来对齐切割线耗时，效率太低同时需要耗费人力成本；2、人在对刀的过程容易受到人为主观因素以及因长时间工作而导致疲劳等因素的影响，导致对刀的精度收到影响，使得切割过程出现偏差，出现报废的情况；3、无法实真正的全自动化生成。
发明内容
本发明的目的是提出一种芯片切割控制方法、系统及设备及计算机可读存储介质，其能实现节省校正切割机台对刀的时间，提高芯片生产效率，减少产品的报废率，降低生产成本。
为达到上述目的，本发明提出了一种芯片切割控制方法，所述方法包括以下步骤：
获取待切割晶圆上至少一芯片切割道的初始图像，所述芯片切割道为沿预定方向排布相邻芯片之间的间隙；
通过目标检测模型对所述芯片切割道的初始图像进行处理，得到芯片切割道的第一目标图像，所述第一目标图像具有芯片切割道的第一边缘线；
对所述第一目标图像进行边缘线定位分析，得到芯片切割道的第二目标图像，所述第二目标图像具有芯片切割道的第二边缘线，所述第二边缘线与切割道实际边缘线的误差小于所述第一边缘线与切割道实际边缘线的误差；
根据所述第二目标图像的第二边缘线计算得到目标切割位置；以及
根据所述目标切割位置控制切割装置对芯片进行切割。
进一步，在上述芯片切割控制方法中，所述通过目标检测模型对所述芯片切割道的初始图像进行处理的步骤之前还包括：
根据芯片切割道图像对目标检测模型进行训练，使得所述目标检测模型的loss值达到预设范围。
进一步，在上述芯片切割控制方法中，所述根据所述芯片切割道图像对目标检测模型进行训练，使得所述目标检测模型的loss值达到预设范围的步骤具体包括：
获取多张芯片切割道训练图像；
通过对所述切割道训练图像进行标示切割道先验框及图像名称，并将切割道训练图像输入到目标检测模型进行训练；
判断所述目标检测模型的loss值是否预设范围，若是，则认为所述目标检测模型完成训练；若否，则重新获取切割道训练图像对所述目标检测模型进行训练。
进一步，在上述芯片切割控制方法中，所述对所述第一目标图像进行边缘线定位分析，得到芯片切割道的第二目标图像的步骤具体包括：
通过自适应图像分割算法对所述第一目标图像进行分析处理，得到芯片切割道的分割图像，所述分割图像具有芯片切割道边缘条；
在通过霍夫变换算法计算判断所述芯片切割道边缘条内存在直线的情况下，计算所述直线与第一边缘线之间中心线的距离，并以距离值最小的直线作为第二边缘线进行标示得到芯片切割道的第二目标图像，所述第二边缘线与切割道实际边缘线的误差小于所述第一边缘线与切割道实际边缘线的误差。
进一步，在上述芯片切割控制方法中，所述通过自适应图像分割算法对所述第一目标图像进行分析处理，得到芯片切割道的分割图像，所述分割图像具有芯片切割道边缘条的步骤具体包括：
将所述第一目标图像进行预处理，得到所述第一目标图像的灰度图像：
通过自适应图像分割算法对所述灰度图像中第一边缘线的区域内进行局部阈值计算，得到芯片切割道的分割图像，所述分割图像具有芯片切割道边缘条。
进一步，在上述芯片切割控制方法中，所述将所述第一目标图像进行预处理的步骤包括：
通过滤波器对所述第一目标图像进行降噪处理；
将所述第一目标图像转换为灰度图像；
通过图像锐化算法增强所述灰度图像的对比度。
进一步，在上述芯片切割控制方法中，所述在通过霍夫变换算法计算判断所述芯片切割道边缘条内存在直线的情况下，计算所述直线与第一边缘线之间中心线的距离，并以距离值最小的直线作为第二边缘线进行标示得到芯片切割道的第二目标图像的步骤还包括：
在通过霍夫变换算法计算判断所述芯片切割道边缘条内不存在直线的情况下，通过网格搜索调整参数调整自适应图像分割算法中的参数，重新通过自适应图像分割算法及霍夫变换算法对所述第一目标图像进行分析处理，直至判断出所述芯片切割道边缘条内存在直线。
另，本发明还提供一种芯片切割控制系统，所述系统包括：
图像获取单元，用于获取待切割晶圆上至少一芯片切割道的初始图像，所述芯片切割道为沿预定方向排布相邻芯片之间的间隙；
第一计算单元，用于通过目标检测模型对所述芯片切割道的初始图像进行处理，得到芯片切割道的第一目标图像，所述第一目标图像具有芯片切割道的第一边缘线；
第二计算单元，用于对所述第一目标图像进行边缘线定位分析，得到芯片切割道的第二目标图像，所述第二目标图像具有芯片切割道的第二边缘线，所述第二边缘线与切割道实际边缘线的误差小于所述第一边缘线与切割道实际边缘线的误差；
第三计算单元，根据所述第二目标图像的第二边缘线计算得到目标切割位置；
切割控制单元，用于根据所述目标切割位置控制切割装置对芯片进行切割。
进一步，在上述芯片切割控制系统中，所述第二计算单元进一步包括：
图像分割计算子单元，用于通过自适应图像分割算法对所述第一目标图像进行分析处理，得到芯片切割道的分割图像，所述分割图像具有芯片切割道边缘条；
直线计算子单元，用于在通过霍夫变换算法计算判断所述芯片切割道边缘条内存在直线的情况下，计算所述直线与第一边缘线之间中心线的距离，并以距离值最小的直线作为第二边缘线进行标示得到芯片切割道的第二目标图像，所述第二边缘线与切割道实际边缘线的误差小于所述第一边缘线与切割道实际边缘线的误差。
另，本发明还提供一种芯片切割设备，所述设备包括切割装置及上述的芯片切割控制系统，所述芯片切割控制系统通过控制切割装置对芯片进行切割。
另，本发明还提供一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行实现上述的芯片切割控制方法。
本发明通过使用人工智能中深度学习算法检测切断道的边缘线，提升了芯片切割刀校正的效率及芯片切割精度，并通过数字图像处理算法，计算所述切割机台上的放置的晶圆的芯片图像的切割道区域及边缘，并最终确定切割道实际切割的目标切割位置，实现切割机台的智能位置校准，实现芯片从晶圆上高精度且高效地切割，以便于后续封装，相比于人工校正对刀，本发明节省了校正切割机台对刀的时间，不仅提高了芯片生产效率，而且提高了切割刀校正对准的精度，减少了产品的报废率，降低了生产成本，实现了芯片切割过程全自动化。本发明的方法简单，易于实现，成本低廉，便于推广。
附图说明
图1是本发明实施例的芯片切割控制方法的应用场景示意图；
图2是本发明实施例的芯片切割控制方法的流程图；
图3是图2中芯片切割道的第一目标图像及第二目标图像的示意图；
图4是图2中目标模型训练的流程图；
图5是本发明实施例的芯片切割控制系统的结构示意图；
图6是图5中第二计算单元的结构示意图。
具体实施方式
本实施例以基于人工智能的芯片切割对刀校正方法及设备为例，以下将结合具体实施例和附图对本发明进行详细说明。
本发明实施例提供的一种芯片切割控制方法，包括如下步骤：获取待切割晶圆上至少一芯片切割道的初始图像；所述芯片切割道为沿预定方向排布相邻芯片之间的间隙；通过目标检测模型对所述芯片切割道的初始图像进行处理，得到芯片切割道的第一目标图像，所述第一目标图像具有芯片切割道的第一边缘线；对所述第一目标图像进行边缘线定位分析，得到芯片切割道的第二目标图像，所述第二目标图像具有芯片切割道的第二边缘线，所述第二边缘线与芯片实际边缘线的误差小于所述第一边缘线与芯片实际边缘线的误差；根据所述第二目标图像的第二边缘线计算得到目标切割位置；以及根据所述目标切割位置控制切割装置对芯片进行切割。
请参阅图1至图3，本发明实施例提供的一种芯片切割控制方法，用于控制切割装置（例如切割刀）沿待切割晶圆上的芯片切割道上预定位置进行切割，所述方法具体包括以下步骤：
步骤S11：获取待切割晶圆上至少一芯片切割道的初始图像；
在具体实现时，芯片切割机包括切割装置1及控制主机2，所述切割装置1上放置有待切割的晶圆（图未标），所述晶圆通过蚀刻形成多个沿预定方向排布的芯片101，本实施例中，所述预定方向为沿水平方向及竖直方向，即所述芯片切割道102沿水平方向及竖直方向排布，所述控制主机2通过控制切割台上的切割装置1，沿芯片切割道102中目标切割位置进行切割，即可得到批量的芯片产品。
本实施例中，所述切割台上设有图像采集装置（图未示），所述图像采集装置用于拍摄待切割的芯片切割道图像，并传送给控制主机2进行分析处理。本实施例中，所述图像采集装置为CCD图像传感器，可以理解，所述图像采集装置也可为高清相机等其他成像设备。
即所述步骤S11具体包括：
通过切割机台的CCD图像传感器采集待切割晶圆上至少一芯片切割道的初始图像。
步骤S12：通过目标检测模型对所述芯片切割道的初始图像进行处理，得到芯片切割道的第一目标图像，所述第一目标图像具有芯片切割道的第一边缘线；
在具体实现时，应用上述目标检测模型之前，还需要对目标检测模型进行学习训练，以获得较准确的识别效果。本实施例的目标检测模型包括Faster R-CNN、Yolo（YouOnly Look Once）、SSD（Single Shot MultiBox Defender）等，其原理大致为：获取大量具有目标物体的训练图像，在所述训练图像的目标物体附近预设先验框（不同大小，不同长宽比的框），再将所述训练图像输入到目标检测模型，通过目标检测模型提取目标物体的图像特征，并对目标物体及其图像特征进行分类；最后对目标检测模型学习训练效果进行评估，这里选择目标检测模型的loss值进行判断，不同的目标检测模型对与loss值有不同，一般在0.4以下，loss 值越小，目标物体定位的精度越高。
以Faster R-CNN目标检测模型为例，该模型利用候选区域网络实现实时目标检测，其可以对候选区域任务进行微调，并对目标检测进行微调，Faster R-CNN目标检测模型由两个模块组成：提取候选区域的深度卷积网络，以及使用这些区域FastR-CNN检测器，Region Proposal Network将图像作为输入并生成矩形候选区域的输出，每个矩形都具有检测得分。
即所述步骤S12之前还包括：
根据芯片切割道图像对目标检测模型进行训练，使得所述目标检测模型的loss值达到预设范围。
请参阅图4，所述根据所述芯片切割道图像对目标检测模型进行训练，使得所述目标检测模型的loss值达到预设范围的步骤具体包括：
步骤S121：获取多张芯片切割道训练图像；
为了达到较佳的学习训练效果，这里需要提供大量（几百或上千张）的芯片切割道训练图像，可以是相同类型的芯片，或者不同类型的芯片，从而使得目标检测模型可以适应不同类型的芯片检测。
步骤S122：通过对所述切割道训练图像进行标示切割道先验框及图像名称，并将切割道训练图像输入到目标检测模型进行训练；
即在对目标检测模型进行训练之前，需要提前在切割道训练图像上预设好的不同大小，不同长宽比的框作为切割道先验框及对应的图像名称，通过设置不同尺度的先验框，就有更高的概率出现对于目标物体有良好匹配度，再将标示好的切割道训练图像输入到目标检测模型进行训练。
步骤S123：判断所述目标检测模型的loss值是否预设范围，若是，则认为所述目标检测模型完成训练；若否，则返回步骤S121，重新获取切割道训练图像对所述目标检测模型进行训练。
在完成目标检测模型的训练之后，即可通过所述目标检测模型对获得的芯片切割道的初始图像切割道边缘的位置进行识别定位，本实施例的目标检测模型通过对芯片切割道的初始图像进行处理，分析识别芯片切割道边缘特征，并标示出芯片切割道边缘线I的位置，从而输出得到具有芯片切割道的第一边缘线I的第一目标图像。本实施例中，所述第一边缘线I包括沿水平方向排布且相对的两条边缘线，即上边缘线及下边缘线，同时，所述第一目标图像还标示了沿竖直方向排布的两辅助线，即所述第一边缘线I的上边缘线及下边缘线与两辅助线构成了一矩形框，这样就大致确定了切割道实际边缘线的位置。
需要说明的是，这里是对芯片切割道边缘线位置的粗定位，粗定位精度一般，即所述第一边缘线距离切割道实际边缘线的误差较大，需要进一步对芯片切割道边缘线定位识别。
步骤S13：通过自适应图像分割算法对所述第一目标图像进行分析处理，得到芯片切割道的分割图像，所述分割图像具有芯片切割道边缘条；
在具体实现时，在应用自适应图像分割算法进行图像处理之前，首先将所述第一目标图像进行预处理，包括将所述第一目标图像转换为灰度图像并进行锐化边缘增强；所述第一目标图像转换成灰度图像后，由于所述芯片切割道较暗，而芯片切割道边缘线较亮，这样就可以通过自适应图像分割算法对第一边缘线的区域内进行局部阈值计算，从而识别出芯片切割道边缘条，所述芯片切割道边缘条是的芯片切割道边缘线附近位置形成条状区域，还需要进一步识别其中的边界线，即所述芯片切割道边缘线。
所述步骤S13具体包括：
将所述第一目标图像进行预处理，得到所述第一目标图像的灰度图像：
通过自适应图像分割算法对所述灰度图像中第一边缘线的区域内进行局部阈值计算，得到芯片切割道的分割图像，所述分割图像具有芯片切割道边缘条。
具体地，所述将所述第一目标图像进行预处理的步骤包括：
通过滤波器对所述第一目标图像进行降噪处理；
将所述第一目标图像转换为灰度图像；
通过图像锐化算法增强所述灰度图像的对比度。
其中，图像锐化的目的是提高图像的对比度，从而使图像更清晰，通过提高邻域内像素的灰度差来提高图像的对比度。边缘和轮廓通常位于图像中灰度突出的地方，因而可以直观的想到用灰度的差分对边缘和轮廓进行提取，通常可以通过梯度算子进行提取。
自适应图像分割算法是一种局部阈值化的方法，该方法根据像素的邻域块来确定分割的阈值，其阈值由周围的像素的分布来决定，这样无论是对较亮的区域还是较暗的区域都能够自动调整阈值，保留图像的局部区域的特征，本发明中，所述局部阈值计算方法为局部邻域块的阈值均值计算法或局部邻域块的高斯加权计算法：
1）局部邻域块的均值：
其中，i，j：表示图像坐标的位置，n：表示邻域大小；
I(i，j)：表示在i，j坐标下的像素灰度值，g(i，j)：表示计算的均值大小，Neighbor：表示以(i，j)为中心周围点的坐标值。
2）局部邻域块的高斯加权和，高斯公式如下：
其中，i，j：表示当前图像坐标位置，k：表示邻域的大小k*k，σ2：表示标准差。
本实施例中，所述自适应图像分割算法中的参数包括自适应图像分割算法中的关于计算阈值的像素邻域和加权均值提取常数；
其中，像素邻域的取值范围为35~48；加权均值提取常数的取值范围为1~11。
步骤S14：通过霍夫变换算法计算判断所述芯片切割道边缘条内是否存在直线，若是，则进行步骤S16；若否，则进行步骤S15；
在具体实现时，在得到芯片切割道边缘条之后，通过霍夫变换算法可计算判断芯片切割道边缘条是否存在直线，这样就可以找到更接近芯片切割道实际边缘线的边缘线。
其中，霍夫变换算法过程如下：
每个像素坐标点经过变换都变成都直线特质有贡献的统一度量，一条直线在图像中是一系列离散点的集合，通过一个直线的离散极坐标公式，可以表达出直线的离散点几何等式如下：
其中，x，y：表示直线图像像素点的位置，θ：表示极坐标的r与x轴之间的夹角，r：表示到直线的几何垂直距离。
图像的像素坐标P(x, y)是已知的，而r, θ则是我们要寻找的变量。如果我们能绘制每个(r, theta)值根据像素点坐标P(x, y)值的话，那么就从图像笛卡尔坐标系统转换到极坐标霍夫空间系统，这种从点到曲线的变换称为直线的霍夫变换。变换通过量化霍夫参数空间为有限个值间隔等分或者累加格子。累加到对应的格子数据点，当一个波峰出现时候，则可判断有直线存在。
步骤S15：通过网格搜索调整参数调整自适应图像分割算法中的参数，返回步骤S13；
在具体实现时，在网格搜索中，尝试各种可能的参数值，然后进行交叉验证，找出使交叉验证精确度最高的参数值。网格搜索算法可以同时对多个参数进行搜索，使用得到的最佳参数对模型进行重新训练，在训练时，就可以将所有的数据都作为训练数据全部投入到模型中去，不会造成数据浪费。
步骤S16：计算所述直线与第一边缘线之间中心线的距离，并以距离值最小的直线作为第二边缘线进行标示得到芯片切割道的第二目标图像，所述第二边缘线与切割道实际边缘线的误差小于所述第一边缘线与切割道实际边缘线的误差；
在具体实现时，通常，所述步骤S14中通过霍夫变换算法计算判断所述芯片切割道边缘条内的直线有多条，即直线簇，此时，需要对该直线簇内的直线进一步筛选，得到最接近切割道实际边缘线。
本实施例中，以第一边缘线I之间中心线（即上边缘线与下边缘线的中心线）作为判断标准，分别计算该直线簇内所有直线与所述中心线的垂直距离，以距离值最小的直线作为第二边缘线II，从而得到标示有第二边缘线II的芯片切割道第二目标图像，由于第二边缘线II是在第一边缘线I基础上，通过自适应图像分割算法及霍夫变换算法进行了二次定位，因此，所述第二边缘线II的精度更高，更接近切割道实际边缘线，即所述第二边缘线与切割道实际边缘线的误差小于所述第一边缘线与切割道实际边缘线的误差。
步骤S17：根据所述第二目标图像的第二边缘线计算得到目标切割位置；
在具体实现时，在确定了第二目标图像的第二边缘线II之后，即可通过第二边缘线计算得到目标切割位置，本实施例中，所述目标切割位置为所述第二边缘线II之间的中心线III，当然，也可以根据需要选择其他目标切割位置。
步骤S18：根据所述目标切割位置控制切割装置对芯片进行切割。
在具体实现时，将所述目标切割位置转换为第二目标图像上的具体相位点，并根据所述具体相位点控制调整切割装置例如切割刀的位置，从而控制切割装置完成对芯片的切割，得到批量的芯片产品。
另，请参阅图5，本发明还提供一种实现上述芯片切割控制方法的芯片切割控制系统，所述系统包括：
图像获取单元10，用于获取待切割晶圆上至少一芯片切割道的初始图像，所述芯片切割道为沿预定方向排布相邻芯片之间的间隙；
第一计算单元20，用于通过目标检测模型对所述芯片切割道的初始图像进行处理，得到芯片切割道的第一目标图像，所述第一目标图像具有芯片切割道的第一边缘线；
第二计算单元30，用于对所述第一目标图像进行边缘线定位分析，得到芯片切割道的第二目标图像，所述第二目标图像具有芯片切割道的第二边缘线，所述第二边缘线与芯片实际边缘线的误差小于所述第一边缘线与芯片实际边缘线的误差；
第三计算单元40，根据所述第二目标图像的第二边缘线计算得到目标切割位置；
切割控制单元50，用于根据所述目标切割位置控制切割装置对芯片进行切割。
其中，请参阅图6，所述第二计算单元30进一步包括：
图像分割计算子单元301，用于通过自适应图像分割算法对所述第一目标图像进行分析处理，得到芯片切割道的分割图像，所述分割图像具有芯片切割道边缘条；
直线计算子单元302，用于在通过霍夫变换算法计算判断所述芯片切割道边缘条内存在直线的情况下，计算所述直线与第一边缘线之间中心线的距离，并以距离值最小的直线作为第二边缘线进行标示得到芯片切割道的第二目标图像，所述第二边缘线与切割道实际边缘线的误差小于所述第一边缘线与切割道实际边缘线的误差。
另，本发明还提供一种芯片切割设备，所述设备包括切割装置及上述芯片切割控制系统，所述芯片切割控制系统通过控制切割装置对芯片进行切割。
另，本发明还提供一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行实现上述芯片切割控制方法。
相比于现有技术，本发明通过使用人工智能中深度学习算法检测切断道的边缘线，提升了芯片切割刀校正的效率及芯片切割精度，并通过数字图像处理算法，计算所述切割机台上的放置的晶圆的芯片图像的切割道区域及边缘，并最终确定切割道实际切割的目标切割位置，实现切割机台的智能位置校准，实现芯片从晶圆上高精度且高效地切割，以便于后续封装，相比于人工校正对刀，本发明节省了校正切割机台对刀的时间，不仅提高了芯片生产效率，而且提高了切割刀校正对准的精度，减少了产品的报废率，降低了生产成本，实现了芯片切割过程全自动化。本发明的方法简单，易于实现，成本低廉，便于推广。
这里本发明的描述和应用是说明性的，并非想将本发明的范围限制在上述实施例中。这里所披露的实施例的变形和改变是可能的，对于那些本领域的普通技术人员来说实施例的替换和等效的各种部件是公知的。本领域技术人员应该清楚的是，在不脱离本发明的精神或本质特征的情况下，本发明可以以其它形式、结构、布置、比例，以及用其它组件、材料和部件来实现。在不脱离本发明范围和精神的情况下，可以对这里所披露的实施例进行其它变形和改变。
Claims (6)
1.一种芯片切割控制方法，其特征在于，所述方法包括以下步骤：
获取待切割晶圆上至少一芯片切割道的初始图像，所述芯片切割道为沿预定方向排布相邻芯片之间的间隙；
通过目标检测模型对所述芯片切割道的初始图像进行处理，得到芯片切割道的第一目标图像，所述第一目标图像具有芯片切割道的第一边缘线；
对所述第一目标图像进行边缘线定位分析，得到芯片切割道的第二目标图像，所述第二目标图像具有芯片切割道的第二边缘线，所述第二边缘线与切割道实际边缘线的误差小于所述第一边缘线与切割道实际边缘线的误差；
根据所述第二目标图像的第二边缘线计算得到目标切割位置；以及
根据所述目标切割位置控制切割装置对芯片进行切割；
其中，所述通过目标检测模型对所述芯片切割道的初始图像进行处理的步骤之前还包括：
根据芯片切割道图像对目标检测模型进行训练，使得所述目标检测模型的loss值达到预设范围；
其中，所述根据所述芯片切割道图像对目标检测模型进行训练，使得所述目标检测模型的loss值达到预设范围的步骤具体包括：
获取多张芯片切割道训练图像；
通过对所述切割道训练图像进行标示切割道先验框及图像名称，并将切割道训练图像输入到目标检测模型进行训练；
判断所述目标检测模型的loss值是否达到预设范围，若是，则认为所述目标检测模型完成训练；若否，则重新获取切割道训练图像对所述目标检测模型进行训练；
其中，所述对所述第一目标图像进行边缘线定位分析，得到芯片切割道的第二目标图像的步骤具体包括：
通过自适应图像分割算法对所述第一目标图像进行分析处理，得到芯片切割道的分割图像，所述分割图像具有芯片切割道边缘条；
在通过霍夫变换算法计算判断所述芯片切割道边缘条内存在直线的情况下，计算所述直线与第一边缘线之间中心线的距离，并以距离值最小的直线作为第二边缘线进行标示得到芯片切割道的第二目标图像，所述第二边缘线与切割道实际边缘线的误差小于所述第一边缘线与切割道实际边缘线的误差；
其中，所述在通过霍夫变换算法计算判断所述芯片切割道边缘条内存在直线的情况下，计算所述直线与第一边缘线之间中心线的距离，并以距离值最小的直线作为第二边缘线进行标示得到芯片切割道的第二目标图像的步骤还包括：
在通过霍夫变换算法计算判断所述芯片切割道边缘条内不存在直线的情况下，通过网格搜索调整参数进而调整自适应图像分割算法中的参数，重新通过自适应图像分割算法及霍夫变换算法对所述第一目标图像进行分析处理，直至判断出所述芯片切割道边缘条内存在直线。
2.如权利要求1所述的芯片切割控制方法，其特征在于，所述通过自适应图像分割算法对所述第一目标图像进行分析处理，得到芯片切割道的分割图像，所述分割图像具有芯片切割道边缘条的步骤具体包括：
将所述第一目标图像进行预处理，得到所述第一目标图像的灰度图像：
通过自适应图像分割算法对所述灰度图像中第一边缘线的区域内进行局部阈值计算，得到芯片切割道的分割图像，所述分割图像具有芯片切割道边缘条。
3.如权利要求2所述的芯片切割控制方法，其特征在于，所述将所述第一目标图像进行预处理的步骤包括：
通过滤波器对所述第一目标图像进行降噪处理；
将所述第一目标图像转换为灰度图像；
通过图像锐化算法增强所述灰度图像的对比度。
4.一种芯片切割控制系统，其特征在于，所述系统包括：
图像获取单元，用于获取待切割晶圆上至少一芯片切割道的初始图像，所述芯片切割道为沿预定方向排布相邻芯片之间的间隙；
第一计算单元，用于通过目标检测模型对所述芯片切割道的初始图像进行处理，得到芯片切割道的第一目标图像，所述第一目标图像具有芯片切割道的第一边缘线；
第二计算单元，用于对所述第一目标图像进行边缘线定位分析，得到芯片切割道的第二目标图像，所述第二目标图像具有芯片切割道的第二边缘线，所述第二边缘线与切割道实际边缘线的误差小于所述第一边缘线与切割道实际边缘线的误差；
第三计算单元，根据所述第二目标图像的第二边缘线计算得到目标切割位置；
切割控制单元，用于根据所述目标切割位置控制切割装置对芯片进行切割；
其中，所述第二计算单元进一步包括：
图像分割计算子单元，用于通过自适应图像分割算法对所述第一目标图像进行分析处理，得到芯片切割道的分割图像，所述分割图像具有芯片切割道边缘条；
直线计算子单元，用于在通过霍夫变换算法计算判断所述芯片切割道边缘条内存在直线的情况下，计算所述直线与第一边缘线之间中心线的距离，并以距离值最小的直线作为第二边缘线进行标示得到芯片切割道的第二目标图像，所述第二边缘线与切割道实际边缘线的误差小于所述第一边缘线与切割道实际边缘线的误差；
其中，第一计算单元还用于根据芯片切割道图像对目标检测模型进行训练，使得所述目标检测模型的loss值达到预设范围，进一步地包括，获取多张芯片切割道训练图像；通过对所述切割道训练图像进行标示切割道先验框及图像名称，并将切割道训练图像输入到目标检测模型进行训练；判断所述目标检测模型的loss值是否达到预设范围，若是，则认为所述目标检测模型完成训练；若否，则重新获取切割道训练图像对所述目标检测模型进行训练；
其中，所述直线计算子单元还用于在通过霍夫变换算法计算判断所述芯片切割道边缘条内不存在直线的情况下，通过网格搜索调整参数进而调整自适应图像分割算法中的参数，重新通过自适应图像分割算法及霍夫变换算法对所述第一目标图像进行分析处理，直至判断出所述芯片切割道边缘条内存在直线。
5.一种芯片切割设备，其特征在于，所述设备包括切割装置及如权利要求4所述的芯片切割控制系统，所述芯片切割控制系统通过控制切割装置对芯片进行切割。
6.一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行实现如权利要求1-3任一项所述的芯片切割控制方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110458089.6A CN113240693B (zh) | 2021-04-27 | 2021-04-27 | 芯片切割控制方法、系统、设备及计算机可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110458089.6A CN113240693B (zh) | 2021-04-27 | 2021-04-27 | 芯片切割控制方法、系统、设备及计算机可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113240693A CN113240693A (zh) | 2021-08-10 |
| CN113240693B true CN113240693B (zh) | 2023-10-20 |
Family
ID=77129383
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110458089.6A Active CN113240693B (zh) | 2021-04-27 | 2021-04-27 | 芯片切割控制方法、系统、设备及计算机可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113240693B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114627141B (zh) * | 2022-05-16 | 2022-07-22 | 沈阳和研科技有限公司 | 一种切割道中心检测方法与系统 |
| CN115082507B (zh) * | 2022-07-22 | 2022-11-18 | 聊城扬帆田一机械有限公司 | 一种路面切割机智能调控系统 |
| CN117066977B (zh) * | 2023-09-28 | 2024-02-23 | 浙江睿兆芯半导体科技有限公司 | 一种芯片超薄研磨切割方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2010010445A (ja) * | 2008-06-27 | 2010-01-14 | Disco Abrasive Syst Ltd | エッジ検出装置、切削装置およびエッジ検出プログラム |
| CN103077916A (zh) * | 2013-02-04 | 2013-05-01 | 福建省威诺数控有限公司 | 一种图像检测自动定位晶圆位置的方法 |
| CN103107121A (zh) * | 2013-01-30 | 2013-05-15 | 福建省威诺数控有限公司 | 一种基于视觉的晶圆角度偏差自动校正方法 |
| CN104966089A (zh) * | 2015-06-24 | 2015-10-07 | 福建联迪商用设备有限公司 | 一种二维码图像边缘检测的方法及装置 |
| CN106097345A (zh) * | 2016-06-14 | 2016-11-09 | 三亚深海科学与工程研究所 | 一种线状目标分割方法及分割系统 |
| CN110689548A (zh) * | 2019-09-29 | 2020-01-14 | 浪潮电子信息产业股份有限公司 | 一种医学图像分割方法、装置、设备及可读存储介质 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109785347A (zh) * | 2018-04-27 | 2019-05-21 | 京东方科技集团股份有限公司 | 图像处理方法、图像处理系统及存储介质 |
-
2021
- 2021-04-27 CN CN202110458089.6A patent/CN113240693B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2010010445A (ja) * | 2008-06-27 | 2010-01-14 | Disco Abrasive Syst Ltd | エッジ検出装置、切削装置およびエッジ検出プログラム |
| CN103107121A (zh) * | 2013-01-30 | 2013-05-15 | 福建省威诺数控有限公司 | 一种基于视觉的晶圆角度偏差自动校正方法 |
| CN103077916A (zh) * | 2013-02-04 | 2013-05-01 | 福建省威诺数控有限公司 | 一种图像检测自动定位晶圆位置的方法 |
| CN104966089A (zh) * | 2015-06-24 | 2015-10-07 | 福建联迪商用设备有限公司 | 一种二维码图像边缘检测的方法及装置 |
| CN106097345A (zh) * | 2016-06-14 | 2016-11-09 | 三亚深海科学与工程研究所 | 一种线状目标分割方法及分割系统 |
| CN110689548A (zh) * | 2019-09-29 | 2020-01-14 | 浪潮电子信息产业股份有限公司 | 一种医学图像分割方法、装置、设备及可读存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113240693A (zh) | 2021-08-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113240693B (zh) | 芯片切割控制方法、系统、设备及计算机可读存储介质 | |
| CN109724990B (zh) | 一种包装盒标签中喷码区域的快速定位与检测方法 | |
| CN110175982B (zh) | 一种基于目标检测的缺陷检测方法 | |
| CN108918526B (zh) | 一种柔性ic封装基板线路的缺口缺陷检测方法 | |
| CN110807355A (zh) | 一种基于移动机器人的指针仪表检测与读数识别方法 | |
| CN106935683A (zh) | 一种太阳能电池片高速视觉定位及矫正系统及其方法 | |
| CN110852315A (zh) | 环形文字快速识别方法及装置 | |
| CN114022440B (zh) | 一种避免晶圆重复切割的检测方法、检测装置及划片机 | |
| CN113222938A (zh) | 芯片缺陷检测方法及系统与计算机可读存储介质 | |
| CN111681222A (zh) | 一种刀痕崩边自动检测判断方法及其应用的划片机 | |
| CN117250208B (zh) | 基于机器视觉的纳米压印晶圆缺陷精准检测系统及方法 | |
| CN107316287A (zh) | 一种矩形铁氧体磁片表面的缺陷识别方法 | |
| CN111401449A (zh) | 一种基于机器视觉的图像匹配方法 | |
| CN117115196B (zh) | 一种切割机刀具磨损视觉检测方法及系统 | |
| CN114155226A (zh) | 一种微小缺陷边缘计算方法 | |
| CN108346592B (zh) | 一种模拟晶圆背面缺陷的方法及装置 | |
| CA3135111A1 (en) | Character positioning method and system for certificate document | |
| CN110414535B (zh) | 一种基于背景区分的手工初始框修正方法及系统 | |
| CN112634241A (zh) | 基于人工智能的光伏电池功率衰减分析方法及系统 | |
| CN113219903A (zh) | 一种基于深度视觉的钢坯最优剪切控制方法及装置 | |
| CN115830302B (zh) | 一种多尺度特征提取融合配电网设备定位识别方法 | |
| CN111476792A (zh) | 一种板带钢图像轮廓的提取方法 | |
| CN116433978A (zh) | 一种高质量瑕疵图像自动生成与自动标注方法及装置 | |
| KR102498322B1 (ko) | 딥러닝 기반의 반도체 디바이스 상태 분류를 위한 장치 및 방법 | |
| CN113762276A (zh) | 一种电力作业梯子角度检测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20231222 Address after: 401,121 Building 4, No. 101, Zizhu Road, Liangjiang New District, Yubei District, Chongqing Patentee after: Ax Industries Ltd. Address before: 519000 room 110-358, building 18, creative Valley, No. 1889, Huandao East Road, Hengqin new area, Zhuhai, Guangdong (centralized office area) Patentee before: Zhuhai EXX Intelligent Technology Co.,Ltd. |