CN113821951B - Igbt功率模块焊料层空洞识别与合并的智能化方法 - Google Patents
Igbt功率模块焊料层空洞识别与合并的智能化方法 Download PDFInfo
- Publication number
- CN113821951B CN113821951B CN202111083107.3A CN202111083107A CN113821951B CN 113821951 B CN113821951 B CN 113821951B CN 202111083107 A CN202111083107 A CN 202111083107A CN 113821951 B CN113821951 B CN 113821951B
- Authority
- CN
- China
- Prior art keywords
- cavity
- holes
- boundary
- image
- points
- 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
- 238000000034 method Methods 0.000 title claims abstract description 64
- 238000003466 welding Methods 0.000 title claims abstract description 26
- 239000000463 material Substances 0.000 title description 5
- 229910000679 solder Inorganic materials 0.000 claims abstract description 56
- 238000001914 filtration Methods 0.000 claims abstract description 11
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 238000012545 processing Methods 0.000 claims description 24
- 230000032683 aging Effects 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000011161 development Methods 0.000 claims description 4
- 230000018109 developmental process Effects 0.000 claims description 4
- 238000004088 simulation Methods 0.000 abstract description 38
- 238000004422 calculation algorithm Methods 0.000 description 14
- 239000011800 void material Substances 0.000 description 10
- 238000009826 distribution Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000003321 amplification Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000005094 computer simulation Methods 0.000 description 2
- 238000003199 nucleic acid amplification method Methods 0.000 description 2
- 238000004806 packaging method and process Methods 0.000 description 2
- 230000002035 prolonged effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000017525 heat dissipation Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000005476 soldering Methods 0.000 description 1
- 230000035882 stress Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- 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
- H01L21/02—Manufacture or treatment of semiconductor devices or of parts thereof
- H01L21/04—Manufacture or treatment of semiconductor devices or of parts thereof the devices having potential barriers, e.g. a PN junction, depletion layer or carrier concentration layer
- H01L21/48—Manufacture or treatment of parts, e.g. containers, prior to assembly of the devices, using processes not provided for in a single one of the subgroups H01L21/06 - H01L21/326
- H01L21/4814—Conductive parts
- H01L21/4885—Wire-like parts or pins
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/06—Power analysis or power optimisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/10—Noise analysis or noise optimisation
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10116—X-ray image
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20036—Morphological image processing
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Quality & Reliability (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- Manufacturing & Machinery (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Power Engineering (AREA)
- Electric Connection Of Electric Components To Printed Circuits (AREA)
Abstract
本发明公开了一种IGBT功率模块焊料层空洞识别与合并的智能化方法,通过X射线检测机对IGBT模组内的芯片下面的焊层进行扫描,得到含有空洞的焊层图片;对含有空洞的焊层图片进行预处理,所述预处理包括依次进行的滤波、增加对比度、二值化及顶帽运算;采用多边形拟合的方式对预处理后图片进行空洞识别;对识别到的空洞进行合并,且保持空洞率保持不变。本发明方法仿真精度高、仿真效率高、适用性广。
Description
技术领域
本发明涉及IGBT功率模块领域,具体涉及一种IGBT功率模块焊料层空洞识别与合并的智能化方法。
背景技术
如今,IGBT被广泛地应用在许多大功率场景下,如风力发电、高铁、电动汽车和舶船等,IGBT模块应用的趋势就是功率密度更大、开关频率更高、体积更小。若没有适当的设计,必然会导致更快的疲劳失效,据统计目前在电力设备的故障中,超过30%的原因都是半导体器件的损坏造成的,因此研究IGBT的可靠性是对于电力设备的稳定是至关重要的。
目前IGBT器件封装的主要方式有两种:焊接式和压接式。其实焊接式的封装形式已经比较成熟且被广泛地运用。作为焊接过程中至关重要的一部分,焊料层的可靠性就显得尤为关键。在模块的生产过程中,焊接会不可避免的出现空洞,对于空洞的产生有很多种原因,可以归分为两类,一类是在IGBT模组制作之初产生的,其中回流焊接过程中的气体泄漏是空洞在制作阶段产生的主要原因;另一类是在老化过程中产生的空洞。通过对IGBT工作过程中的电-热-应力分析可知,空洞的存在必然会改变电流场、温度场和应力场的分布,这就严重地影响了模组在工作时的可靠性。
对于焊料层的空洞对IGBT工作时的影响,无论是从有限元仿真还是做实验,都已经证明了空洞对IGBT的可靠性造成了不可忽略的影响。IGBT模组中焊料层的空洞在使用时会扩大,这是由于各材料的热膨胀系数不匹配而导致的热疲劳使得IGBT不能正常工作;经过研究发现,焊料层的空洞会改变散热途径,影响芯片温度分布,当单个空洞越大时,芯片结温就会越高,在中心和边缘位置结温升高更加显著,对于多个空洞分布越密集的地方,温度升高也越快;同时,空洞的增加会降低器件导热和导电的能力,器件的导通电阻和热阻会随着空洞的增加而线性增加,若要研究具体空洞所带来的影响,则必须或得空洞的位置信息。
现有技术一中,为了研究空洞对于IGBT功率模块的影响,但又不能够提取出IGBT模块焊料层的空洞信息,就设想出空洞的形状与位置进行有限元建模仿真,这是一种不符合实际的设想,只能够定性的研究出空洞对于IGBT模组的影响。
现有技术二中,有通过X射线检测机获得了IGBT功率模块焊料层空洞的图片信息,但是在有限元建模研究的过程中,只能够提取出较大空洞的位置与形状信息,不能够将整个焊料层进行有限元建模,因此得到的结论也只是实际功率模组的部分情况,对于研究整个IGBT功率模组的要求还是不能够满足的。
发明内容
本发明的目的在于提供一种IGBT功率模块焊料层空洞识别与合并的智能化方法,以解决现有技术存在的问题,本发明处理的对象是由X射线检测机扫描IGBT功率模块的焊料层所获得的图片,利用人工智能中图像处理的方式,使用算法来获取空洞的形状与位置信息,并在有限元仿真中证明了本发明方法获得结果的准确性与效率。
为达到上述目的,本发明采用如下技术方案:
IGBT功率模块焊料层空洞识别与合并的智能化方法,包括以下步骤;
步骤一:通过X射线检测机对IGBT模组内的芯片下面的焊层进行扫描,得到含有空洞的焊层图片;
步骤二:对含有空洞的焊层图片进行预处理,所述预处理包括依次进行的滤波、增加对比度、二值化及顶帽运算;
步骤三:采用多边形拟合的方式对预处理后图片进行空洞识别;
步骤四:对步骤三识别到的空洞进行合并,且保持空洞率保持不变。
进一步地,步骤一中含有空洞的焊层的图片表示形式为二维矩阵。
进一步地,步骤二中滤波采用卷积运算,所述卷积运算使用的卷积核为5阶的高斯卷积核。
进一步地,步骤二中增加对比度是图像处理中的点处理,即对图像中的每一个像素点进行运算,所述运算采用次幂运算,数学表达式如下:
t=c×sγ
其中,c和γ表示正常数,s表示滤波后图像的像素值,t表示变换后的像素值。
进一步地,步骤二中二值化处理即阈值处理,其表达式为:
其中dst表示阈值处理后的结果图像,src表示处理前的图像也即次幂运算后的图像结果,x,y分别表示图像中像素点的横纵坐标,thresh为设定的阈值。
进一步地,步骤二中顶帽运算是用二值化之后的图像减去其开运算图像的操作,通过对二值化的图像进行顶帽运算,去除掉存在于空洞周围的细长噪声部分,以确定空洞的准确位置。
进一步地,步骤三中多边形拟合的过程如下:
在二值化处理后图片的基础上,分别识别出每一个空洞,对于其中的任一空洞,确定空洞边界上距离最远的两个点并且连线;其次继续在空洞边界上选一点,该点满足到所连线的距离最大,重新将这三点依次连线,边界也被划分为三个区域;此时每根线段都对应一段空洞边界,三根线段就对应三段边界;然后在每条线段对应的空洞边界上选点,由于边界上的所有点坐标已知,计算所有点到对应线段的距离,选取距离最大的点,连接线段端点与该点,此时这条线段就变成了两条,以此类推,计算所有线段对应的空洞边界上的点到线段的距离,选取距离最大的点,将该点与线段两端点连接;直到边界上所有点到对应线段的距离都小于x,其中x为设定的距离,当x越小时,选取的点就越多,拟合得到的多边形越接近空洞边界;反之,选取的点就越少,拟合得到的多边形与空洞边界的契合度较差。
进一步地,步骤四中对识别到的空洞进行合并具体包括两部分:第一部分:较大空洞周围的小空洞在老化发展的过程与较大空洞合并在一起;第二部分:聚集在一起的较小空洞在老化过程中合并在一起形成较大空洞,其中空洞面积达到焊层的预设百分比则认为是较大空洞,反之认为是较小空洞。
进一步地,较小空洞向较大空洞合并的过程中,采用的方式为较小空洞等面积地向较大空洞移动,以较大空洞的一条边向较小空洞伸出一段的方式实现;
较小空洞合并的过程中,首先采用Meanshift mean聚类,将聚类后的每一类小空洞首先使用凸包的形式确定形状,之后将凸包以聚类中心为中心,以每一类小空洞的面积为比例进行缩放,使得缩放前后空洞的面积不变,形状保持为凸包的形状;
在整个空洞合并的过程中,保持空洞率不变。
进一步地,还包括步骤五:将步骤四得到的焊料层空洞的多边形的顶点坐标提取处理出来在空洞多边形拟合和合并的过程中,由于多边形的坐标顶点都是已知的,之后将顶点坐标带入到有限元仿真软件COMSOL中进行建模。
与现有技术相比,本发明具有以下有益的技术效果:
(1)仿真精度高:本发明将IGBT模组焊料层的所有空洞都考虑到,可以真实的还原出实际的焊层情况,在研究焊料层可靠性的过程中可以更加准确的建立仿真模型,目前在国内几乎没有提取出实际器件空洞坐标进行仿真的实例,更多的是将空洞设定为规则的图像如圆形来进行仿真。
(2)仿真效率高:本发明在考虑到焊料层所有空洞的同时,考虑到当空洞较多时,会给建模仿真带来极大的困难,且在实际过程中会存在一些对焊料层可靠性影响较小的小空洞,因此本发明对焊层的空洞进行了合理的简化,在保证仿真精度的同时,能够很大程度的减少仿真的计算量,能够大幅度地缩短仿真时间,提高仿真效率。
(3)适用性广:本发明中的智能化算法输入条件就是X射线检测机扫描得到的焊层图片,就可以得到焊料层空洞的坐标,对于任意一个模块,只要拍摄出焊层图片,都可以很准确的建立仿真模型,具有很高的适用性,对研究焊料层的可靠性具有深远的意义。
附图说明
图1为本发明的流程示意图;
图2为扫描得到的焊层空洞图像在程序算法处理中以一个数组的形式存在的示意图;
图3为卷积运算示意图,(a)为一个3×3的卷积核作用在一个6×6的图像中,生成了一个4×4的结果;(b)为本发明所使用的5阶高斯滤波卷积核矩阵;
图4为次幂运算的结果示意图,横坐标为输入的灰度值,纵坐标为输出的灰度值,曲线中的标注为幂次数,由图可见,不同的幂次数会对不同数值的像素点产生不同的影响,以此来增加空洞的对比度;
图5为多边形拟合的过程图,以空洞的局部边界进行演示,其中(1)为空洞的一个局部边界,(2)为选取三个点后依次连接的多边形,(3)为选取四个点后依次连接的多边形,(4)为最终得到的多边拟合结果,也即边界上的所有点到拟合后的多边形都足够的近;
图6为较小空洞向较大空洞合并的示意图;
图7为较小空洞使用聚类算法得到后的聚类结果图,(a)未合并的剩余较小空洞,(b)为聚类后的结果,聚类的结果显示中,距离较近的空洞会被归为一类,相同类的空洞会合并在一起;
图8为本发明算法整体流程图,主要分为两个部分,分别为识别和合并。;
图9为本发明仿真软件COMSOL仿真时所建立的IGBT模型;
图10为三组对照仿真条件得到的结果图,图中图例相同。(a)图为焊层无空洞时的仿真结果,(b)图为空洞未处理即未合并后的仿真结果,(c)图为将空洞合并后的仿真结果。
具体实施方式
下面对本发明做进一步详细介绍:
首先是通过X射线检测机获得IGBT功率模块焊料层的照片,X射线检测机能样品内部出现的分层、裂缝或者空洞等缺陷。在得到的图片中,空洞的亮度会明显高于其周围焊料的亮度,通过这一特性可以最终得出空洞的形状与位置。
其次是空洞的识别,在空洞识别的算法中一共分为了滤波、增加对比度、二值化、顶帽运算和多边形拟合五个部分。
滤波的原因在于得到的X射线检测机扫描图片中存在着很多噪点,这些噪点对于后续的图片处理有着很大的阻碍,通过滤波可以有限的减少噪点的干扰,滤波过程中使用到的算法主要是卷积运算,卷积运算的核心在于卷积核的选取,对于不同的卷积核可以实现不同的功能,本发明中使用的卷积核是五阶的高斯平滑滤波器。
增加对比度是图像处理中的点处理,即对图片中的每一个像素点进行运算,通过每个像素点的运算后,可以增强空洞与焊料的颜色对比,从而更加有利于识别出空洞。本发明中增加对比度的方法是幂次运算,由于幂次运算是非线性的,对于不同亮度的像素点的放大比例是不同,由于空洞与焊料的亮度差较大,通过幂次运算后就可以突出空洞。
二值化就是将处理后的灰度图片转变为黑白图片,也就是只有两种像素,0或者1。由于本发明只需要空洞的信息,所以进行两类划分是完全可行的。二值化处理的方式是也是点运算,将像素点亮度高于某个阈值时设置为1,低于某个阈值时设定为0即可实现。
顶帽运算是数字形态学中原始图像减去开运算得到的结果,考虑到开运算可以放大裂纹或者局部低亮度的区域,而焊料层空洞对于焊料来说是比较明亮的,而且在多数的情况下,空洞的边界都是光滑的,所以使用顶帽运算可以有效地去除掉空洞周围前面未处理掉的细长噪点,使得空洞的形状光滑,去除干扰。
多边形拟合的目的是方便于在有限元仿真软件中建立焊料层的模型。有限元仿真软件在建立模型后进行仿真时需要进行网格划分,网格划分的单元是多边形而不是圆弧的形状,所以在识别出空洞的形状之后需要以多边形拟合以方便建模和网格划分。在本发明中使用的多边形拟合方式为Douglas-Peucker算法,该算法是首先从轮廓中找到距离最远的两个点,并将两点相连。之后,选取轮廓上距离该直线最远的点,并用此点与直线形成多边形,以此种方式迭代直到轮廓上所有的点距离多边形的距离都小于一个设定的阈值,主要设定的阈值足够的小就可以无限的逼近空洞的轮廓。
然后是空洞的合并,将识别到的焊料层的所有空洞全部带入到有限元仿真中会遇到仿真时间较长、仿真效率较低的问题,所以本发明将可能发展到一起的空洞进行合并。由于焊料层中的较大空洞对温度分布的影响更大,所以在合并空洞的过程中不希望过多地改变较大空洞的形状与位置,且通过识别空洞的焊料层中可以看出,较大空洞周围的小空洞在老化过程中很大概率的会和较大空洞合并在一起,因此本文提出了一种小空洞向较大空洞合并模型。将较大空洞周围的小空洞合并完成后,仍剩下一些未处理的且面积较小的空洞,需要将这些较小的空洞合并成成较大的空洞以满足仿真建模的要求。
将较小空洞向较大空洞合并的过程中较大空洞与小空洞接近的边会向较小空洞延长一段距离,延长后的空洞总面积保持不变。合并剩余较小空洞时首先使用Meanshift聚类的算法将最大概率发展在一起的较小空洞确认为同一类,同时确认较小空洞的中心,以凸包的形式确定合并后空洞的形状,之后以等面积缩放的方法使得合并后的空洞面积与合并前所有小空洞面积相等。也即在整个空洞合并的过程中,焊料层的空洞率是保持不变的,且较大空洞的形状与位置改变较小,这么做很大程度地保持了焊料层空洞原有的特性。
最后是将得到的焊料层空洞的多边形的顶点坐标提取处理出来,带入到有限元仿真软件中进行建模,本发明中所使用的仿真软件是COMSOL。建立三组仿真进行对比,分别是没有考虑空洞、采用全部的空洞和进行了空洞合并。在三组的热仿真对照中,可以发现空洞的存在极大的影响了焊料层的热分布,同时空洞会影响焊料层中最高温度点的位置,因此不考虑空洞模拟研究模块可靠性的研究是不准确的。因此在研究可靠性是,空洞是必不可少的一部分。以相同的建模方式下,考虑全部的空洞和进行了空洞合并后,它们的热分布非常的接近,最高温度点相同。但空洞数量从73个减少到25个,减少了75.1%。在建立模型的过程中,焊料层的网格点数量从71574减少到32508,减少了54.6%。仿真时间减少了约一半。
下面结合具体实例对本发明做进一步详细说明,所述内容均为对本发明的解释,但这些说明不能被理解为限制了本发明的范围,本发明的保护范围由随附的权利要求书限定,任何在本发明权利要求基础上的改动就是本发明的保护范围。
一种IGBT功率模块焊料层空洞识别与合并的智能化方法,如图1所示,具体步骤为:
步骤一:首先通过X射线检测机对IGBT模组内的芯片下面的焊层进行扫描,得到含有空洞的焊层的图片。
在程序中,图片的表示形式就是一个二维的矩阵,后续对图片的处理就是对二维矩阵的处理,图片的表现形式见图2。
步骤二:对空洞的识别也就是多变形拟合的前处理,滤波、增加对比度、二值化和顶帽运算。
滤波使用的方法是卷积运算,当图片中目标像素点与周边的值很大的差异时,可以通过卷积核对原图矩阵中的这个位置进行卷积运算,得出的值和该像素点原来的值会产生显著的差异。由于本发明在这里使用卷积运算的目的是滤波去除噪点,所以本发明使用到的卷积核为5阶的高斯卷积核。卷积运算与卷积核见图3。
点运算的运算对象是输入图片像素的灰度值,输出图像每一个像素的灰度值仅取决于输入图像的灰度值,可以通过非线性的运算,来实现对比度灰度调整等。本发明使用的运算是幂次运算,又称为伽马比变换,数学表达式如下:
t=c×sγ (1)
其中c和γ表示正常数,s表示源图图像像素值,t表示变换后的像素值,如图4所示,当γ<1时提高灰度级,在正比例函数的上方,能够使得图像的亮度变亮。当γ>1时,在正比例函数的下方,使得图像的亮度变暗。在本发明中使用的幂次为0.7,使用该幂函数处理后,由于焊料的像素点灰度值与空洞的有很大的不同,所以放大的倍数会有差异,能够出现出空洞的位置。
二值化处理即阈值处理,其表达式为:
其中dst表示阈值处理后的结果图像,与处理前图像有着相同的大小与类型,src表示为原图像,本发明中使用的灰度图像255表示为1,thresh为设定的阈值,由于本发明中使用该方法的目的为了区分出焊料与空洞,所以本发明所使用的阈值为空洞和焊料灰度的中间值。
顶帽运算是用原图像减去其开运算图像的操作,顶帽运算可以获取图像的噪声信息。本发明通过对二值化的图像进行顶帽运算,去除掉仍存在于空洞给周围的细长部分。进行此操作的原因在于绝大多数的空洞的边界都是圆形的,所以处理后图像周围的细长不规则的空洞都可以认为是噪音。进行该处理时,本发明所使用的库为OpenCV。具体程序语句如下:
result=cv2.morphologyEx(img,cv2.MORPH_TOPHAT,kernel) (3)
其中result是顶帽运算的后的图片结果,img为原图像即二值化之后的图像。因为开运算带来的结果是放大了裂缝或者局部低亮度的区域,因此,从原图中减去开运算后的图,得到的效果图突出了比原图轮廓周围的区域更明亮的区域,以此来增加空洞的对比度;且这一操作和选择的核的大小相关,程序中的kernel参数即为核。cv2.MORPH_TOPHAT决定该程序的结果为顶帽运算。
步骤三:对空洞的识别,本发明中对空洞的识别是通过多边形拟合的方式,以最相近于空洞边界的多边形来代表空洞的形状。
多边形拟合空洞是为了能在有限元仿真软件中建立出优质、合理的模型,本发明中同样是使用OpenCV库,采用的算法原理为Douglas-Peucker算法,算法处理的过程如图5所示,图中虚线为原图形边界的形状,实线为拟合后边界的形状。具体的语句如下:
approxCurve=CV2.approxPolyDP(curve,epsiloon,closed) (4)
其中approxCurve表示拟合后的多边形结果,curve表示二值化处理后的图形;epsiloon为拟合精度即这里设置的是在拟合过程中决定边界上点到拟合多边形的边的最小距离,当epsiloon越大时,拟合出的多变边界距离空洞边界就越大,相反,epsiloon越小,拟合出的多边形边界距离空洞边界就越小,得到的拟合多边形就更精确;closed决定是拟合得到的多边形的结果是一个封闭的多边形。
步骤四:空洞的合并,本发明中提出了一种空洞发展的模型,分为两种。第一种是较大空洞周围的小空洞在老化发展的过程会与较大空洞合并在一起;第二种是聚集在一起的较小空洞在老化过程中也会合并在一起。
较小空洞向较大空洞合并的过程中,采用的方式为较小空洞等面积地向较大空洞移动,以较大空洞的一条边向较小空洞伸出一段的方式实现,具体的处理见图6。图中S’表示在较大空洞周围的小空洞,S表示合并之后较小空洞的位置,其与较大空洞合并,产生一个新的空洞,在这个合并过程中S’=S,即处理过程中,焊料层的空洞率保持不变。
较小空洞合并的过程中,为了区分出哪些空洞会极大概率的发展在一起,首先采用Meanshift mean聚类,处理前后的图片见图7,处理前为将较大空洞周围的小空洞合并完后剩余的小空洞,聚类后将剩余的小空洞分为了几类,分别以不同的颜色标出,且每一类中会有一个中心点。接下来需要确定的每一类小空洞合并之后的形状,本发明采用的方法是,将聚类后的每一类小空洞首先使用凸包的形式确定形状,之后将凸包以聚类中心为中心,以每一类小空洞的面积为比例进行缩放,使得缩放前后空洞的面积不变,形状保持为凸包的形状。在整个空洞合并的过程中,保持空洞率不变。处理过程的全部过程图见图8。
步骤五:有限元仿真进行验证,将算法得到的空洞坐标带入到有限元仿真软件COMSOL中进行建模,所建模型见图9。通过改变模型中焊料层的几何,进行了三组对比仿真,分别是焊料层没有空洞,焊料层中空洞是未经过合并的和焊料层空洞是经过了合并,得到的仿真结果见图10,对比图(a)和图(b)(c),分别对应模型中考虑空洞存在与不考虑空洞存在的情况,从图中可以看出,温度分布有明显差异,并且在不考虑焊料层的空洞时,仿真结果的最高温度与实际存在空洞时的最高温度相差较大,且最大温度的所处位置明显不同,最大温度的位置代表着焊料层最薄弱的地方,最容易损坏的位置,是研究焊料层可靠性的重要因素,因此不考虑空洞存在的仿真不够准确,在对实际器件进行建模仿真时应考虑空洞存在。对比图(b)和图(c),分别对应于实际空洞合并前和合并后的仿真结果,从图中可以看出,两者的较高温度分布大致相同,且最高温度点所处的位置相同,最高温度相差不大,充分说明了本发明算法合并空洞进行仿真可以不影响对焊料层的可靠性分析,与此同时,还可以减少了仿真建模计算的工作量,在保证精确度的情况下提高了仿真效率。
以上结合具体实例对本发明的具体实施方式对本发明作了进一步详细说明,所述内容均为对本发明的解释但这些说明不能被理解为限制了本发明的范围,本发明的保护范围由随附的权利要求书限定,任何在本发明权利要求基础上的改动就是本发明的保护范围。
Claims (7)
1.IGBT功率模块焊料层空洞识别与合并的智能化方法,其特征在于,包括以下步骤;
步骤一:通过X射线检测机对IGBT模组内的芯片下面的焊层进行扫描,得到含有空洞的焊层图片;
步骤二:对含有空洞的焊层图片进行预处理,所述预处理包括依次进行的滤波、增加对比度、二值化及顶帽运算;
步骤三:采用多边形拟合的方式对预处理后图片进行空洞识别;
其中多边形拟合的过程如下:
在二值化处理后图片的基础上,分别识别出每一个空洞,对于其中的任一空洞,确定空洞边界上距离最远的两个点并且连线;其次继续在空洞边界上选一点,该点满足到所连线的距离最大,重新将这三点依次连线,边界也被划分为三个区域;此时每根线段都对应一段空洞边界,三根线段就对应三段边界;然后在每条线段对应的空洞边界上选点,由于边界上的所有点坐标已知,计算所有点到对应线段的距离,选取距离最大的点,连接线段端点与该点,此时这条线段就变成了两条,以此类推,计算所有线段对应的空洞边界上的点到线段的距离,选取距离最大的点,将该点与线段两端点连接;直到边界上所有点到对应线段的距离都小于x,其中x为设定的距离,当x越小时,选取的点就越多,拟合得到的多边形越接近空洞边界;反之,选取的点就越少,拟合得到的多边形与空洞边界的契合度较差;
步骤四:对步骤三识别到的空洞进行合并,且保持空洞率保持不变;
对识别到的空洞进行合并具体包括两部分:第一部分:较大空洞周围的小空洞在老化发展的过程与较大空洞合并在一起;第二部分:聚集在一起的较小空洞在老化过程中合并在一起形成较大空洞,其中空洞面积达到焊层的预设百分比则认为是较大空洞,反之认为是较小空洞;
较小空洞向较大空洞合并的过程中,采用的方式为较小空洞等面积地向较大空洞移动,以较大空洞的一条边向较小空洞伸出一段的方式实现;
较小空洞合并的过程中,首先采用Meanshift mean聚类,将聚类后的每一类小空洞首先使用凸包的形式确定形状,之后将凸包以聚类中心为中心,以每一类小空洞的面积为比例进行缩放,使得缩放前后空洞的面积不变,形状保持为凸包的形状;
在整个空洞合并的过程中,保持空洞率不变。
2.根据权利要求1所述的IGBT功率模块焊料层空洞识别与合并的智能化方法,其特征在于,步骤一中含有空洞的焊层的图片表示形式为二维矩阵。
3.根据权利要求1所述的IGBT功率模块焊料层空洞识别与合并的智能化方法,其特征在于,步骤二中滤波采用卷积运算,所述卷积运算使用的卷积核为5阶的高斯卷积核。
4.根据权利要求1所述的IGBT功率模块焊料层空洞识别与合并的智能化方法,其特征在于,步骤二中增加对比度是图像处理中的点处理,即对图像中的每一个像素点进行运算,所述运算采用次幂运算,数学表达式如下:
t=c×sγ
其中,c和γ表示正常数,s表示滤波后图像的像素值,t表示变换后的像素值。
5.根据权利要求1所述的IGBT功率模块焊料层空洞识别与合并的智能化方法,其特征在于,步骤二中二值化处理即阈值处理,其表达式为:
其中dst表示阈值处理后的结果图像,src表示处理前的图像也即次幂运算后的图像结果,x,y分别表示图像中像素点的横纵坐标,thresh为设定的阈值。
6.根据权利要求1所述的IGBT功率模块焊料层空洞识别与合并的智能化方法,其特征在于,步骤二中顶帽运算是用二值化之后的图像减去其开运算图像的操作,通过对二值化的图像进行顶帽运算,去除掉存在于空洞周围的细长噪声部分,以确定空洞的准确位置。
7.根据权利要求1所述的IGBT功率模块焊料层空洞识别与合并的智能化方法,其特征在于,还包括步骤五:将步骤四得到的焊料层空洞的多边形的顶点坐标提取处理出来在空洞多边形拟合和合并的过程中,由于多边形的坐标顶点都是已知的,之后将顶点坐标带入到有限元仿真软件COMSOL中进行建模。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111083107.3A CN113821951B (zh) | 2021-09-15 | 2021-09-15 | Igbt功率模块焊料层空洞识别与合并的智能化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111083107.3A CN113821951B (zh) | 2021-09-15 | 2021-09-15 | Igbt功率模块焊料层空洞识别与合并的智能化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113821951A CN113821951A (zh) | 2021-12-21 |
CN113821951B true CN113821951B (zh) | 2024-04-05 |
Family
ID=78914711
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111083107.3A Active CN113821951B (zh) | 2021-09-15 | 2021-09-15 | Igbt功率模块焊料层空洞识别与合并的智能化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113821951B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114862853A (zh) * | 2022-07-07 | 2022-08-05 | 烟台台芯电子科技有限公司 | 一种igbt焊接层空洞检测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5959431A (en) * | 1997-10-03 | 1999-09-28 | Baldor Electric Company | Method and apparatus for instability compensation of V/Hz pulse width modulation inverter-fed induction motor drives |
CN104952813A (zh) * | 2015-07-01 | 2015-09-30 | 西安永电电气有限责任公司 | 一种加热板及igbt模块的焊接方法 |
CN111259583A (zh) * | 2020-01-13 | 2020-06-09 | 重庆大学 | 基于空洞率的igbt模块焊料层疲劳老化失效模拟方法 |
CN113379165A (zh) * | 2021-07-19 | 2021-09-10 | 株洲中车时代电气股份有限公司 | 基于igbt模块焊点退化状态的寿命预测方法及系统 |
-
2021
- 2021-09-15 CN CN202111083107.3A patent/CN113821951B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5959431A (en) * | 1997-10-03 | 1999-09-28 | Baldor Electric Company | Method and apparatus for instability compensation of V/Hz pulse width modulation inverter-fed induction motor drives |
CN104952813A (zh) * | 2015-07-01 | 2015-09-30 | 西安永电电气有限责任公司 | 一种加热板及igbt模块的焊接方法 |
CN111259583A (zh) * | 2020-01-13 | 2020-06-09 | 重庆大学 | 基于空洞率的igbt模块焊料层疲劳老化失效模拟方法 |
CN113379165A (zh) * | 2021-07-19 | 2021-09-10 | 株洲中车时代电气股份有限公司 | 基于igbt模块焊点退化状态的寿命预测方法及系统 |
Non-Patent Citations (2)
Title |
---|
孙海峰 ; 杨舒曼 ; .焊料层空洞对绝缘栅双极型晶体管(IGBT)模块温度分布的影响.科学技术与工程.2018,(32),全文. * |
李寒 ; 曾雄 ; 徐凝华 ; 贺新强 ; 冯会雨 ; 李亮星 ; .超声扫描在IGBT模块质量分析中的应用.大功率变流技术.2016,(02),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN113821951A (zh) | 2021-12-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111402248B (zh) | 一种基于机器视觉的输电线路导线缺陷检测方法 | |
CN115115644B (zh) | 一种基于人工智能的车辆焊接缺陷检测方法 | |
CN108492291B (zh) | 一种基于cnn分割的太阳能光伏硅片瑕疵检测系统及方法 | |
CN110930390B (zh) | 基于半监督深度学习的芯片管脚缺失检测方法 | |
CN109785236B (zh) | 一种基于超像素和卷积神经网络的图像超分辨方法 | |
CN108154502A (zh) | 一种基于卷积神经网络的通孔焊点识别方法 | |
CN103186894B (zh) | 一种自适应分块的多聚焦图像融合方法 | |
CN113821951B (zh) | Igbt功率模块焊料层空洞识别与合并的智能化方法 | |
CN109671058A (zh) | 一种大分辨率图像的缺陷检测方法及系统 | |
CN115797216B (zh) | 一种基于自编码网络的碑文文字修复模型及修复方法 | |
CN112036419B (zh) | 一种基于VGG-Attention模型的SAR图像部件解译方法 | |
CN115331245A (zh) | 一种基于图像实例分割的表格结构识别方法 | |
CN111168136B (zh) | 基于高清晰测量的面铣削表面刀纹分割方法及系统 | |
CN109724988A (zh) | 一种基于多模板匹配的pcb板缺陷定位方法 | |
CN113971669A (zh) | 应用于管道损伤识别的三维检测系统 | |
CN114757903A (zh) | 一种光器件芯片封装金线缺陷检测方法 | |
CN115690012A (zh) | 一种电能表接错线的检测方法 | |
CN113888505B (zh) | 一种基于语义分割的自然场景文本检测方法 | |
CN108734709B (zh) | 一种绝缘子凸缘形状参数识别与破坏检测方法 | |
CN111199255A (zh) | 基于darknet53网络的小目标检测网络模型及检测方法 | |
CN110211200A (zh) | 一种基于神经网络技术的牙弓线生成方法及其系统 | |
CN111815542B (zh) | 一种树木年轮图像髓心定位、年轮测量方法 | |
CN112967296A (zh) | 一种点云动态区域图卷积方法、分类方法及分割方法 | |
CN113570651A (zh) | 基于sem图像的碳酸盐岩储层孔隙半径分布定量方法 | |
CN117078603A (zh) | 基于改进的yolo模型的半导体激光芯片损伤探测方法和系统 |
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 |