CN114207623A - 对制造组件的子组件进行快速检测的方法及设备 - Google Patents

对制造组件的子组件进行快速检测的方法及设备 Download PDF

Info

Publication number
CN114207623A
CN114207623A CN202080052396.8A CN202080052396A CN114207623A CN 114207623 A CN114207623 A CN 114207623A CN 202080052396 A CN202080052396 A CN 202080052396A CN 114207623 A CN114207623 A CN 114207623A
Authority
CN
China
Prior art keywords
feature vector
sub
proximity
transformed feature
pair
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.)
Pending
Application number
CN202080052396.8A
Other languages
English (en)
Inventor
爱德华·R.·拉特纳
胡仁杰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Bruker Nano Inc
Original Assignee
Bruker Nano Inc
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Bruker Nano Inc filed Critical Bruker Nano Inc
Publication of CN114207623A publication Critical patent/CN114207623A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • G01N21/9501—Semiconductor wafers
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • G01N21/956—Inspecting patterns on the surface of objects
    • G01N21/95607—Inspecting patterns on the surface of objects using a comparative method
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G05B19/41875—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by quality surveillance of production
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
    • H01L22/10—Measuring as part of the manufacturing process
    • H01L22/12—Measuring as part of the manufacturing process for structural parameters, e.g. thickness, line width, refractive index, temperature, warp, bond strength, defects, optical inspection, electrical measurement of structural dimensions, metallurgic measurement of diffusions
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
    • H01L22/20—Sequence of activities consisting of a plurality of measurements, corrections, marking or sorting steps
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8883—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges involving the calculation of gauges, generating models
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • G01N21/956—Inspecting patterns on the surface of objects
    • G01N21/95684—Patterns showing highly reflecting parts, e.g. metallic elements
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/37—Measurements
    • G05B2219/37224—Inspect wafer
    • 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
    • G06T2207/20021—Dividing image into blocks, subimages or windows
    • 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
    • G06T2207/20081—Training; Learning
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biochemistry (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Chemical & Material Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Manufacturing & Machinery (AREA)
  • Computer Hardware Design (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Power Engineering (AREA)
  • Automation & Control Theory (AREA)
  • General Engineering & Computer Science (AREA)
  • Analysing Materials By The Use Of Radiation (AREA)

Abstract

本公开能够并行地实时检测组件的多个子组件。例如，组件可以是半导体封装，并且子组件可以包括硅通孔。一实施例涉及一种用于检测组件的多个子组件是否存在缺陷的方法(1100)，对于进行缺陷检测的每个子组件，所述方法包括以下步骤：从所述组件的图像数据中提取子组件图像(1104)；从所述子组件图像计算变换后的特征向量(1106、1108)；计算从所述变换后的特征向量到训练集中每个变换后的特征向量的成对距离(1110)；使用所述成对距离来确定邻近度度量(1112)；以及将所述邻近度度量与邻近度阈值进行比较，以检测所述子组件中的缺陷(1114)。另一实施例涉及使用所公开的检测组件的多个子组件是否存在缺陷的方法来制造的产品。还公开了其他实施例和特征。

Description

对制造组件的子组件进行快速检测的方法及设备
相关申请的交叉引用
本申请主张2019年5月30日提交的美国临时申请第62/854,769号的权益。通过引用将上述申请的全部内容并入本文。
技术领域
本公开涉及使用自动化设备和方法进行缺陷检测的方法和设备。
背景技术
随着时间的推移，集成电路封装技术已经发展并变得更加复杂。二维集成电路封装已发展为适应日益密集的连接，现在包括，例如，双列直插式封装、四平面封装、针栅阵列及球栅阵列。
此外，集成电路的高级封装越来越多地采用三维(3D)集成。这种3D封装技术的一示例通过中阶层(interposer)在两个或多个半导体器件、半导体器件和印刷电路板、或半导体器件和一些其他封装组件之间提供互连。中阶层可以是硅晶片，其中已经制造有穿过硅片并填充有导电材料(例如，铜或钨)的通孔。有源硅器件也可以用作中阶层。
当集成电路(“IC”或“芯片”)接合到内插器的两侧时，硅通孔(TSV)允许来自一个IC的信号垂直传播到另一个IC相对较短的距离。当集成电路使用内插器接合到PCB时，TSV允许来自内插器一侧的IC的信号连接PCB。此类TSV可以具有10:1或更大的纵横比。
在某些高级封装解决方案中，单个内插器可以用作包含数十亿个存储单元的存储IC与微处理器的逻辑IC之间的互连。这样的内插器可能需要数千个TSV。这些TSV在逻辑和内存之间形成重要的通信链接，它们的正常运行至关重要。
发明内容
本公开提供一种用于检测制造的组件以使用邻近度度量来检测缺陷的方法和设备。在示例性实施方案中，本公开的技术能够使用X射线成像设备实时检测组件的子组件中的缺陷。例如，该组件可以是具有硅内插器和硅通孔的多芯片封装。可以检测其他组件，并且可以在替代实现中使用其他成像设备。
一实施例涉及一种用于检测组件的多个子组件是否存在缺陷的方法，对于进行缺陷检测的每个子组件，所述方法包括以下步骤：从组件的图像数据中提取子组件图像；从所述子组件图像计算变换后的特征向量；计算从所述变换后的特征向量到训练集中每个变换后的特征向量的成对距离；使用所述成对距离来确定邻近度度量；以及将所述邻近度度量与邻近度阈值进行比较，以检测所述子组件中的缺陷。
另一实施例涉及使用所公开的检测组件的多个子组件是否存在缺陷的方法来制造的产品。还公开了其他实施例、方面和特征。
附图说明
图1是根据本发明一实施例的使用名义上良好组件的训练图像集来准备快速检测组件的子组件的的方法的流程图。
图2A示出集成电路封装组件的一部分的示例性高分辨率x射线梯度图像数据，该部分示出可根据本发明一实施例检测的多个子组件。
图2B示出来自硅上的金中的亚微米特征的测试模式的示例性高分辨率X射线图像数据，以便于说明。
图2C示出测试模式中圆形特征的特写视图。
图3A描绘示出根据本发明一实施例的用于假设训练集的多维特征空间的两个特征维度的所提取的特异性特征向量。
图3B描绘根据本发明一实施例的在变换到近似不相关、正交多维特征空间之后的假设训练集的变换特征向量的两个特征维度。
图3C描绘根据本发明一实施例的从一个变换特征向量(P)到假设训练集的附近其他变换特征向量的示例性成对距离(在两个描绘的特征维度中)。
图3D描绘根据本发明一实施例的假设训练集中的几个变换特征向量的邻近度度量(在两个描绘的特征维度中)。
图3E描绘根据本发明一实施例的与假设训练集的变换特征向量相关的缺陷检测下的子组件图像的示例性变换特征向量的邻近度度量(在两个描绘的特征维度中)。
图4描绘根据本发明一实施例的训练集的邻近度度量的假设分布。
图5是根据本发明实施例的快速检测组件的子组件的方法的流程图。
图6图示出根据本发明一实施例的高速X射线成像系统的横截面概图。
图7A、7B、7C、7D、7E、7F、7G、7H及7I使用根据本发明一实施例的示例性示例示出图1的流程图中的各个步骤。
图8示出根据本发明一实施例的从图2A的高分辨率X射线图像中提取的35个子组件图像计算出的特异性特征。
具体实施方式
检测集成电路封装内的连接和其他子组件是否存在制造缺陷越来越成问题，也越来越具有挑战性。这些问题和挑战至少部分是由于先进封装技术的高密度和三维特性。
本公开提供了一种用于检测物体(例如，用于封装集成电路的制造组件)缺陷的有利技术。所公开的技术包括用于对制造的组件进行实时检测以检测与组件的大量子组件有关的缺陷的方法和装置。在该技术的示例性使用中，具有数千个TSV的内插器的全部或大部分TSV可以被实时并行检测以检测缺陷。这种实时检测可以有利地用于生产线中的统计过程控制。
图1是根据本发明一实施例的准备快速检测组件的子组件的的方法1000的流程图。在示例性应用中，待检测的组件例如可以是在最终接合到集成电路芯片之前具有数千个TSV的内插器。内插器的子组件可以包括电连接，例如TSV或内插器的其他连接或设计特征。在另一应用中，待检测的组件可以是包括芯片堆叠的集成电路封装。芯片堆叠可能有许多不同的连接，包括TSV、焊针等，以及待检测的其他子组件。在其他应用中，也可以检测具有其他类型子组件的其他类型物体。
根据步骤1002，可以获得待检测组件的名义良好示例的图像，每个组件具有所述多个子组件。例如，如果待检测的组件是具有数千个TSV的特定内插器，则可以对一组这样的内插器进行成像，其中该组中的内插器可能已知具有无缺陷或大部分无缺陷的子组件(例如，通过测试它们)。换言之，该组中的每个名义上良好的内插器都可能具有全部或大部分都可操作(即适当导电)的TSV，尽管TSV在实际结构中会有所不同并且可能不会完美制造。
为了说明的目的，考虑图2A，其示出来自集成电路封装组件的一部分的示例性高分辨率X射线梯度图像数据。焊点阵列(用于引脚或其他导电连接器)显示在图2A的X射线梯度图像中。应注意，可以使用X射线卷积图像数据(即应用卷积算子之后的图像数据)来代替或补充X射线梯度图像数据。按照上述步骤1002，可以获得这样的X射线图像数据。
应注意，图2A的高分辨率X射线梯度图像数据是使用X射线检测显微镜获得的。Adler等人的美国专利第9,129,715号中公开了一种X射线检测显微镜的示例。图2B中的x射线图像显示了这种x射线检查显微镜的高分辨率能力，该图像是从硅上金的亚微米特征的测试模式中获得的。图2C显示了测试模式中圆形特征的特写视图。
根据方框1003，对于每个子组件，可以执行步骤1004到1014中所示的步骤。这些步骤可以针对多个子组件并行执行。在一实施方式中，内插器可以在指定位置处具有数千个TSV，并且这些TSV位置中的每一个都可以被认为单独的子组件。在另一实施方式中，在一组位置处的TSV可以被视为等效，使得这些等效位置处的每个TSV可以被视为单个子组件的实例。在一示例中，等效位置可以包括在TSV阵列中位于相似拐角位置或相似直列位置的那些TSV。在另一示例中，等效位置可以包括内插器的所有TSV。
根据步骤1004，对于被成像的所有名义上良好的示例组件，提取子组件图像(或子组件图像)。此步骤为每个子组件提供来自名义上良好示例组件的子组件图像的训练集。应注意，每个非等效子组件将有一个单独的子组件图像训练集。进一步注意，该步骤并不要求训练集中成像的所有子组件都是无缺陷的；训练集中的一小部分子组件实际上可能有缺陷，并且方法1000通常应该仍然有效。
例如，考虑组件的子组件可以是来自图2A的高分辨率图像数据的单个物理特征或细节(例如到引脚或球连接的特定焊点)。在该示例中，可以提取包含特定物理特征或细节的高分辨率子组件图像(即，子图像)(根据步骤1004)。如上所述，除了集成电路封装组件的焊点之外，实际使用的另一示例是检测内插器的TSV，例如，其中子组件图像可以是单个TSV的图像。
例如，图2A所示组件的特定焊点(指定为Pin0)可以是正在检测的物理特征或子组件。可以对一组名义上良好的组件进行X射线成像，并且可以提取Pin0的子组件图像以获得每个步骤1004的子组件图像的训练集。
根据步骤1006，从子组件图像的训练集中检测并记录特异性特征。特征检测获得一组可用于表征子组件图像的特征。通过消除非实质性特异性特征，可以将集合中的特异性特征的数量减少或限制为较少数量的实质性特异性特征。然后可以通过其特征向量来描述每个子组件图像。
在示例性实现中，可以使用SURF特征检测来执行特异性特征的检测，其中所述SURF特征检测可参考Herbert Bay等人在ECCV 2006,Part I,LNCS 3951,pp.404–417,Springer-Verlag Berlin Heidelberg 2006“加速鲁棒特征(Speeded-Up RobustFeatures)：SURF”中所述。有利地，SURF特征检测是旋转不变的。在另一实施方式中，可以使用Haar滤波器来执行特异性特征的检测以获得Haar特征。在另一实施方式中，可以通过提取Hu矩来执行特异性特征的检测。在另一实施方式中，可以通过使用定向梯度直方图(HoG)来执行特异性特征的检测。
根据步骤1008，可以将变换应用于特征向量(按照步骤1006获得)以产生变换后的特征向量。变换特征向量中的每个变换特征可以是对应特征向量中的特征的线性组合，并且变换特征集可以形成跨越特征空间的基础。根据本发明的一实施例，该变换可以包括对特征向量进行标准化，然后进行主组件分析(PCA)变换，以获得变换后的特征向量。
在示例性实现中，PCA变换可以涉及将特征集减少到仅前N个组件，其中N是变换后的特征空间的减少的特征维度。减少的特征维度有利于减少所需的处理量，从而加快缺陷分类。PCA变换还可以涉及到N维特征空间到N维特征空间的线性变换。为了对特征空间执行这种线性变换，确定并利用N个特征值和N个特征向量(它们是变换后的特征向量)。为了理解特征向量的上述PCA变换的优点，考虑图3A和3B。图3A示出了用于假设训练集的检测到的特征向量(通过步骤1006获得)，其中为了便于说明，简化了多维特征空间的描述以显示具有特征A和B的二维。图3A中的每个点表示来自子组件图像训练集的子组件图像的特征向量。在图3B中描绘了在变换后(根据步骤1008变换)的假设训练集的特征向量的二维，其中特征A'和B'是变换后的特征空间的二维。如下文进一步讨论，特征空间的变换有利地提高所产生的缺陷检测系统的能力和准确性。
根据步骤1010，计算从每个子组件图像的变换特征向量到训练集中所有其他等效子组件图像的变换特征向量的成对距离。在示例性实施方式中，由于变换后的特征向量已被变换以便根据变换后的特征来描述(每个步骤1008)，因此两个变换后的特征向量之间的成对距离可以被计算为向量对的点积。
图3C描绘了假设训练集中从一个特征向量(P)到附近其他特征向量的示例成对距离。应注意，将计算从训练集中的每个特征向量(代表一个子组件图像)到所有其他特征向量(代表所有其他子组件图像)的成对距离。虽然为了便于说明在图3C中仅描绘了两个特征维度，但成对距离是通过涉及已变换特征空间的所有维度的点积来计算的。
根据步骤1012，使用从其特征向量到训练集中所有其他等效子组件图像的特征向量的成对距离分布来确定每个子组件图像的邻近度度量。在示例性实施方式中，子组件的邻近度度量被确定为在其成对距离分布中处于设定百分位水平的成对距离。换言之，邻近度度量可以是分布中X％级别的成对距离，其中X％级别意味着该子组件的X％成对距离比邻近度度量短。在一示例中，X％＝1％，因此该子组件的1％的成对距离短于邻近度度量。在其他示例中：X％＝2％；X％＝0.5％；X＝0.1％。通常，X％将设置为较低的百分位，但用于X％的特定百分位可能因实施情况而异。
作为一个简单的例子，考虑图3B中的变换后的特征向量，X％水平和变换后的特征向量的数量使得邻近距离是与第二近邻的成对距离。例如，如果训练集中有200个变换后的特征向量，并且X％＝1％，则可能会出现这种情况。考虑图3D中标记为P、Q及R的变换特征向量。对于这些示例变换后的特征向量，P和R的邻近度度量将是相对较小的点积距离(如分别源自P和R的虚线所示)，因为它们各自具有相对接近的第二近邻。然而，Q的邻近度度量将是相对较大的点积距离(如源自Q的虚线所示)，因为其第二近邻相对较远。根据步骤1014，使用邻近度度量的分布为每个子组件图像确定邻近度阈值。在示例性实现中，邻近度阈值可以是分布中Y％级别的邻近度度量。在一示例中，Y％＝99％，使得该子组件的99％的成对距离短于邻近度度量。在另一示例中，邻近度度量可以设置为分布中的最大成对距离(可以认为是Y％＝100％的水平)。邻近度度量的此类示例级别在图4的邻近度度量的假设分布中描述。
如图4所示，邻近度度量有一个最大值(100％水平)。例如，在上面讨论的示例中，邻近度度量对应于到第二近邻的成对距离，邻近度度量的最大值(100％水平)将是任何变换后的特征向量与其第二近邻之间的最长成对距离。
如图4中进一步所示，可以确定分布中99％水平的邻近度度量并将其用作邻近度阈值。例如，在上面讨论的示例中，当邻近度度量对应于到第二近邻的成对距离时，邻近度度量的99％水平将是任何变换后的特征向量与其第二近邻之间的第99个百分位最长成对距离。
现在结合图7A至图7I描述示出以上关于图1的方法1000的各个步骤的说明性示例。在该说明性示例中，对于与图2A的图像中所示相同类型的23个名义上良好的集成电路封装组件，按照步骤1002获得X射线图像。
根据步骤1004，从每个名义上良好组件的X射线图像中提取Pin0的子组件图像。这些子组件图像一起形成了一个由23个子组件图像组成的训练集。
根据步骤1006，对于训练集中的每个子组件图像，检测并记录特异性特征。图7A示出在该示例中检测到的特异性特征。具体地，图7A示出23个特征向量(FV1、FV2、…、以及FV23)的21个特异性特征中的8个(Fa、Fb、Fc、Fd、Fe、Ff、Fg及Fh)，每个特征向量对应于训练集中的子组件图像之一(即，用于名义上良好的组件之一的Pin0子图像)。应注意，虽然每个特征向量的特异性特征的实际数量是21，但为了简洁起见，在图7A中示出特征向量的8个特征。
在这种情况下，用于检测特异性特征的特定技术涉及生成两组特征：来自梯度子组件图像的第一组特征；以及来自卷积子组件图像的第二组特征。这些特征包括积分直径处的微分积分测量和检测点周围的统计值(即焊点或其他物理特征)。然而，应注意，可以使用许多其他技术来代替检测特异性特征，例如，SURF特征检测、Haar特征检测、通过提取Hu矩进行检测、HoG特征检测等。
如上所述，步骤1008的变换可以包括标准化，然后是PCA变换。如本示例所示，对特征向量进行标准化可能涉及为特征生成均值和标准偏差统计。
为了说明，图7B示出对于21个特征中的前8个特征的平均均值(第一行)和标准偏差(第二行)。图7B的平均值和标准偏差值用于对特征向量进行归一化，以获得图7C所示的标准化特征向量。在示例性实施方式中，特征的标准化涉及在训练样本的逐列基础上减去平均值并除以方差的过程。应用的标准化技术可能取决于特定应用。
如上文关于步骤1008所述，在特征向量的标准化之后，可以应用PCA变换，其可以涉及N维特征空间到N维特征空间的线性变换。为了对特征空间执行这种线性变换，确定并利用N个特征值和N个特征向量(它们是变换的特征向量)。为了说明，图7D和7E分别提供标准化特征向量的这种线性变换的特征值和前几个特征向量。在本例中，特征值为21个，每个特征向量有21个特征维度。所有21个特征值如图7D所示，21个特征向量中的4个如图7E所示。特征向量是变换后的特征空间(特征空间)的基向量，与特征向量对应的特征值是特征向量被缩放的因子。
步骤1008的结果包括变换后的特征向量(post-transformation featurevectors)。图7F中的23行中的每一行显示了训练集的23个变换特征向量(TFV1、TFV2、…、TFV23)的21个变换特征的前8个(Fa’、Fb’、Fc’、Fd’、Fe’、Ff’、Fg’及Fh’)。应注意，虽然每个变换特征向量的变换特征的实际数量为21，但为了简洁起见，图7F中示出了变换特征向量的前8个变换特征。
根据步骤1010，可以计算每个变换后的特征向量与其他23个变换后的特征向量中的每一个之间的成对距离。可以使用点积运算生成变换后的特征向量(TFV1、TFV2、…、TFV23)之间的成对距离。为了说明的目的，图7G示出了23个变换后的特征向量的前8个(TFV1、TFV2、…及TFV8)中的每一个之间的成对距离矩阵。
根据步骤1012，可以使用成对距离为23个变换后的特征向量中的每一个来确定邻近度度量。在该示例中，邻近度度量可以是成对距离分布中5％水平的成对距离，其中5％水平意味着该子组件(即，对于该变换后的特征向量)的5％的成对距离短于邻近度度量。由于有23–1＝22个邻居，因此我们将5％乘以22得到1.1，四舍五入为1。这意味着第一个最远邻居的距离是每个子组件(即每个变化后的特征向量)的邻近度度量。23个变换后的特征向量的结果邻近度度量如图7H所示。图7I中示出了显示邻近度度量分布的直方图。
根据步骤1014，可以从邻近度度量分布确定邻近度阈值。例如，邻近度阈值可以在邻近度度量分布中处于99％的水平。在这种情况下，由于有23个邻近度度量，我们将99％乘以23得到22.77，四舍五入为23。这意味着邻近度阈值设置为第23个(即最高)邻近度度量，如图7I所示。
图5是根据本发明一实施例的快速检测组件的子组件的方法1100的流程图。该检测方法1100可以在邻近度度量确定方法1000之后执行。
根据步骤1102，获得待检测组件的高分辨率图像。可以以与在图1的步骤1002中获得的高分辨率图像相同或类似的方式获得高分辨率图像，例如通过使用X射线检测显微镜，如下文关于图6所述。
根据步骤1103，对于每个子组件，可以执行步骤1104到1120中所示的步骤。这些步骤可以针对多个子组件中的每一个并行执行。在一实施方式中，内插器可以在指定位置处具有数千个TSV，并且这些TSV位置中的每一个可以被视为要使用步骤1104-1120检测的单独子组件。
根据步骤1104，从组件图像中提取缺陷检测下的子组件图像。子组件图像对应于使用图1的方框1003中的步骤(1004-1014)预处理的组件的子组件。
根据步骤1106，为子组件图像计算检测到的特异性特征的值。换言之，计算在图1的步骤1006中从训练集检测到的特异性特征集的值，以生成该子组件图像的特征向量。
继续上面关于图7A-7I讨论的说明性示例，图8示出35个这样的计算的特征向量，每个特征向量对应于组件的X射线图像内的不同子组件图像。第一列(索引)提供与图2A的高分辨率X射线图像数据内的特定物理特征(在这种情况下，Pin0的焊点)相对应的提取的子组件图像(通过步骤1104提取)的索引号。第二(X)列及第三(Y)列提供X坐标及Y坐标，指示该子组件图像在X射线图像数据中的位置。第四列至第十一列(Fa、Fb、Fc、Fd、Fe、Ff、Fg及Fh)提供该子组件图像的8个计算的特异性特征值(根据步骤1106计算)。应注意，虽然出于简洁的目的在图8中显示了八个特征，但为特定引脚(Pin0)的每个子组件图像计算的实际特征数量为21。根据步骤1108，可以将特征向量变换为变换后的特征向量。所执行的变换与在图1的步骤1008中应用于训练集的特征向量的变换相同，并且可能涉及对特征向量进行标准化，然后进行PCA变换，以获得变换后的特征向量。
根据步骤1110，计算从缺陷检测下的子组件图像的变换特征向量到该子组件图像的训练集的变换特征向量的成对距离。训练集的变换特征向量是从图1的步骤1008得到的变换特征向量。在示例性实现中，两个变换后的特征向量之间的成对距离可以计算为向量对的点积。有利地，变换后的特征向量之间的这些点积成对距离已由申请人确定用于缺陷检测。相比之下，如果在检测到的特征向量上使用这种点积计算(即在变换之前)，则成对距离对于缺陷检测将不太有用。
根据步骤1112，使用从子组件图像的特征向量到子组件图像训练集中的特征向量的成对距离分布来确定缺陷检测下的子组件图像的邻近度度量。例如，考虑图3E中描绘的变换后的特征向量，其中点表示训练集的变换后的特征向量(与图3B相同)，并且加(+)符号表示子组件图像的变换后的特征向量正在检测中。再者，考虑X％水平和变换后的特征向量的数量，使得邻近距离是与第二近邻的成对距离。在此示例中，正在检测的子组件图像的邻近度度量具有中等长度(如虚线所示)。这是因为，虽然被检测的变换特征向量(+)位于变换后的特征向量的最大簇之外，但其第二近邻仍然相对较近。
根据步骤1114，将缺陷检测下的子组件图像的邻近度度量与在图1的步骤1014中确定的邻近度阈值进行比较。如果邻近度度量低于邻近度阈值，则根据步骤1118可以确定：基于子组件图像未检测到缺陷。
另一方面，如果邻近度度量高于邻近度阈值，则根据步骤1120，基于子组件的图像确定已在子组件中检测到缺陷。此时，检测到的缺陷未分类，因为未对缺陷的类型进行分类。例如，缺陷是否可能是空洞、短路或其他类型尚不确定。
根据步骤1122，方法1100可以执行进一步的过程以对检测到的缺陷进行分类。可以使用各种缺陷分类技术。
高速X射线成像系统中的示例性实现
本公开的技术能够对组件内的多个子组件进行实时未分类缺陷检测。在一种实施方式中，本公开的技术可以结合高速X射线成像仪(美国专利号9,129,715中Adler等人所公开的)或具有传统X射线显微镜几何结构的仪器来实施。
在2015年9月8日发布的美国专利第9,129,715号中，Adler等人公开了一种具有高通量X射线源的创新型X射线显微镜，该X射线显微镜允许对集成电路(IC)、印刷电路板(PCB)和其他IC封装技术等物体进行高速计量或检测。待研究物体由来自具有指定X射线光谱的扩展源的准直高通量X射线照射。该系统还包括用于控制物体的位置和方向的平台；可吸收X射线并发射可见光子的闪烁体，其位置非常接近(或接触)物体；光学成像系统，其可形成由闪烁体发射的光子的高度放大、高分辨率图像；以及CCD阵列等探测器，其用于将图像转换为电子信号。
图6图示出根据本发明优选实施例的高速X射线成像系统的实施例的横截面概图。X射线发射器101发射X射线111。然后，在一些实施例中，利用与发射器101的距离及具有孔径142的板140，将这些X射线成形为准直X射线束211。然后，该准直的X射线束照射待检测的物体200。通过物体200透射的X射线照亮闪烁体组件300，该组件包括闪烁体310，并且在一些实施例中，还包括用于闪烁体的支撑件350。闪烁体310吸收一部分X射线，并释放通过发射可见光子411来吸收的部分能量。
使用光学系统400，由闪烁体发射的可见光子411的放大图像511形成在图像检测器500上。图像检测器500将放大图像511的强度转换为电子信号。图像检测器500可以包括电子传感器，例如电荷耦合器件(CCD)，或本领域技术人员已知的另一图像传感器。电子信号通过连接器558传输到电子和处理系统600，在一些实施例中，电子和处理系统600可以显示图像结果，并且在一些实施例中，可以存储图像结果和/或结合一个或多个计算机系统700对图像结果执行图像处理算法。
对于发射诸如X射线的电离辐射的任何源，通常明智的做法是在X射线源100周围提供屏蔽998，并且在某些情况下合法地要求操作。此类屏蔽998可以是铅金属成型片的简单外壳，或者是由本领域技术人员将已知的多种X射线吸收材料(例如掺铅玻璃或塑料)中的任何一种制成的更复杂的设计。屏蔽是为了防止直接来自发射器101或从一些其他表面反射的随机X射线造成不必要的影响，尤其用于控制系统的各种电子元件中的杂散信号。
类似地，对于一些实施例，还可能需要围绕光束路径的附加屏蔽999，并且在某些情况下合法地要求操作。此类附加屏蔽999可以是铅金属成形片的简单外壳，或者是由本领域技术人员将已知的多种X射线吸收材料(例如掺铅玻璃或塑料)中的任何一种制成的更复杂的设计。需要附加屏蔽999以防止直接来自发射器101或从一些其他表面反射的随机X射线造成不必要的影响，尤其用于控制系统的各种电子元件中的杂散信号。
由于某些图像检测器500(例如，包括CCD传感器的图像检测器500)可能对X射线曝光特别敏感，因此在一些实施例中，闪烁体组件300的一部分也可以全部或部分地使用如掺铅玻璃等材料进行制造，其中上述材料吸收X射线同时透射由闪烁体发射的可见光子411。
用于X射线源的设备可以包括安装件106，其可以移动X射线源100相对于物体200的位置，从而改变X射线束在物体上的入射角。安装件106可以设计为允许X射线源100在x-z平面、y-z平面或任何其他轴组合中摆动。还可以沿z轴移动源，以使X射线源100更靠近物体200。这可能会使光束更亮、增加信号强度，但以具有X射线射束为代价准直度较低，从而降低了分辨率。可以通过减小X射线源的光斑尺寸来减少或消除这种影响。
使用安装件106的X射线源100的运动可以由计算机系统700以多种方式控制。在一些实施例中，源安装件106可以将X射线源100移动到固定位置以允许捕获图像。在一些实施例中，安装件106可以在收集图像时连续移动X射线源100，从而允许将透射通过物体200的X射线强度的动态变化记录为照明角度的函数。在一些实施例中，可以将X射线发射器101移动到偏离垂直入射角至少10度的位置。
在一些实施例中，可以通过协调使用源安装件106的X射线源100的运动和使用物体安装件250的物体200的运动来实现对物体200上的X射线束211的入射角的进一步调整。在一些实施例中，安装件250的运动由控制器259通过连接器258控制。控制器259又由操作员的直接输入或由计算机系统700提供的电子指令指示。
在一些实施例中，屏蔽998将被设计成封闭X射线源100和源安装件106。在其他实施例中，屏蔽998可以被设计成仅封闭X射线源，而安装件106被设计成在屏蔽998移动X射线源100时移动屏蔽998。
在本发明的一些实施例中，可以使用多个X射线源来产生具有不同入射角的图像。X射线源可以在空间中固定或可移动，并且可以顺序或同时操作。X射线源可以手动操作或由一个或多个计算机系统700控制。
根据本发明的一实施例，计算机系统700包括一个或多个处理器、数据存储器和数据存储器等其他组件。计算机系统700可以在数据存储和/或数据存储器中包括具有用于根据本文公开的方法检测子组件中的缺陷的可执行指令的软件模块。
结论
在本公开中，提供了许多具体细节，例如系统、组件和方法的示例，以提供对本发明实施例的透彻理解。然而，本领域的普通技术人员将认识到，可以在没有一个或多个具体细节的情况下实施本发明。在其他情况下，未示出或描述公知细节以避免模糊本发明的方面。
尽管已经提供了本发明的特定实施例，但应当理解，这些实施例用于说明目的而不是限制。许多附加实施例对于阅读本公开的本领域普通技术人员将是显而易见的。

Claims (21)

1.一种用于检测组件的多个子组件是否存在缺陷的方法，其特征在于，
对于进行缺陷检测的每个子组件，所述方法包括以下步骤：
从组件的图像数据中提取子组件图像；
从所述子组件图像计算变换后的特征向量；
计算从所述变换后的特征向量到训练集中每个变换后的特征向量的成对距离；
使用所述成对距离来确定邻近度度量；以及
将所述邻近度度量与邻近度阈值进行比较，以检测所述子组件中的缺陷。
2.根据权利要求1所述的方法，其特征在于，
所述组件包括半导体封装。
3.根据权利要求2所述的方法，其特征在于，
所述子组件包括硅通孔。
4.根据权利要求1所述的方法，其特征在于，
计算所述变换后的特征向量的步骤，包括以下步骤：
计算特征向量；以及
应用线性变换，将所述特征向量变换为变换后的特征向量。
5.根据权利要求1所述的方法，其特征在于，
计算所述成对距离的步骤包括计算成对所述变换后的特征向量之间的点积的步骤。
6.根据权利要求1所述的方法，其特征在于，
确定所述邻近度度量的步骤包括在成对距离分布的百分位水平上确定成对距离的步骤。
7.根据权利要求1所述的方法，其特征在于，
根据邻近度度量的分布确定所述邻近度阈值，并且其中所述分布中的每个邻近度度量对应于所述训练集中的变换后的特征向量。
8.根据权利要求1所述的方法，其特征在于，
所述缺陷在检测时未分类。
9.根据权利要求1所述的方法，其特征在于，
并行地检测所述多个子组件的缺陷。
10.根据权利要求9所述的方法，其特征在于，
作为制造过程的一部分，实时检测所述多个子组件。
11.一种使用涉及检测组件的多个子组件是否存在缺陷的方法的过程来制造的产品，其特征在于，
对于进行缺陷检测的每个子组件，所述方法包括以下步骤：
从组件的图像数据中提取子组件图像；
从所述子组件图像计算变换后的特征向量；
计算从所述变换后的特征向量到训练集中每个变换后的特征向量的成对距离；
使用所述成对距离来确定邻近度度量；以及
将所述邻近度度量与邻近度阈值进行比较，以检测所述子组件中的缺陷。
12.根据权利要求11所述的产品，其特征在于，
所述组件包括半导体封装。
13.根据权利要求12所述的产品，其特征在于，
所述子组件包括硅通孔。
14.根据权利要求11所述的产品，其特征在于，
计算所述变换后的特征向量的步骤，包括以下步骤：
计算特征向量；以及
应用线性变换，将所述特征向量变换为变换后的特征向量。
15.根据权利要求11所述的产品，其特征在于，
计算所述成对距离的步骤包括计算成对所述变换后的特征向量之间的点积的步骤。
16.根据权利要求11所述的产品，其特征在于，
确定所述邻近度度量的步骤包括在成对距离分布的百分位水平上确定成对距离的步骤。
17.根据权利要求11所述的产品，其特征在于，
根据邻近度度量的分布确定所述邻近度阈值，并且其中所述分布中的每个邻近度度量对应于所述训练集中的变换后的特征向量。
18.根据权利要求11所述的产品，其特征在于，
所述缺陷在检测时未分类。
19.根据权利要求11所述的产品，其特征在于，
并行地检测所述多个子组件的缺陷。
20.根据权利要求19所述的产品，其特征在于，
作为制造过程的一部分，实时检测所述多个子组件。
21.一种用于检测组件的子组件是否存在缺陷的系统，其特征在于，
所述系统，包括：
x射线成像设备，其用于获取子组件的图像数据；
至少一个处理器，其用于执行计算机可读代码；以及
存储器，其用于存储和访问计算机可读代码及数据；
计算机可读代码，其用于从所述组件的图像数据中提取子组件图像；
计算机可读代码，其用于从所述子组件图像计算变换后的特征向量；
计算机可读代码，其用于计算从所述变换后的特征向量到训练集中每个变换后的特征向量的成对距离；
计算机可读代码，其用于使用所述成对距离来确定邻近度度量；以及
计算机可读代码，其用于将所述邻近度度量与邻近度阈值进行比较，以检测所述子组件中的缺陷。
CN202080052396.8A 2019-05-30 2020-05-19 对制造组件的子组件进行快速检测的方法及设备 Pending CN114207623A (zh)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
US201962854769P 2019-05-30 2019-05-30
US62/854,769 2019-05-30
US16/874,248 2020-05-14
US16/874,248 US11521309B2 (en) 2019-05-30 2020-05-14 Method and apparatus for rapid inspection of subcomponents of manufactured component
PCT/US2020/033586 WO2020242824A1 (en) 2019-05-30 2020-05-19 Method and apparatus for rapid inspection of subcomponents of manufactured component

Publications (1)

Publication Number Publication Date
CN114207623A true CN114207623A (zh) 2022-03-18

Family

ID=73550780

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202080052396.8A Pending CN114207623A (zh) 2019-05-30 2020-05-19 对制造组件的子组件进行快速检测的方法及设备

Country Status (5)

Country Link
US (1) US11521309B2 (zh)
KR (1) KR20220015414A (zh)
CN (1) CN114207623A (zh)
TW (1) TW202102842A (zh)
WO (1) WO2020242824A1 (zh)

Family Cites Families (25)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5896294A (en) 1997-03-11 1999-04-20 Advanced Micro Devices, Inc. Method and apparatus for inspecting manufactured products for defects in response to in-situ monitoring
TW393681B (en) 1998-06-11 2000-06-11 United Microelectronics Corp Method for checking a correction pattern
US6466314B1 (en) 1998-09-17 2002-10-15 Applied Materials, Inc. Reticle design inspection system
US6703623B1 (en) 2000-09-27 2004-03-09 Leepl Corporation Electron beam proximity exposure apparatus
US7743660B2 (en) 2007-06-15 2010-06-29 The Boeing Company System and method for automated inspection of large-scale part
US8183535B2 (en) 2009-02-11 2012-05-22 Mats Danielsson Silicon detector assembly for X-ray imaging
KR101868819B1 (ko) 2010-06-11 2018-06-19 스카이후크 와이어리스, 인크. 무선 액세스 포인트의 비콘 안정도를 측정하기 위한 방법 및 시스템
US10346962B2 (en) 2012-02-10 2019-07-09 Corning Incorporated Nondestructive method to predict isostatic strength in ceramic substrates
US9129715B2 (en) * 2012-09-05 2015-09-08 SVXR, Inc. High speed x-ray inspection microscope
CN105849643B (zh) 2013-12-17 2019-07-19 Asml荷兰有限公司 良品率估计和控制
US10650508B2 (en) 2014-12-03 2020-05-12 Kla-Tencor Corporation Automatic defect classification without sampling and feature selection
US20180209924A1 (en) * 2015-07-27 2018-07-26 Hitachi High-Technologies Corporation Defect Determining Method and X-Ray Inspection Device
US9972611B2 (en) 2016-09-30 2018-05-15 Intel Corporation Stacked semiconductor package having fault detection and a method for identifying a fault in a stacked package
US9966318B1 (en) 2017-01-31 2018-05-08 Stmicroelectronics S.R.L. System for electrical testing of through silicon vias (TSVs)
US10657635B2 (en) 2017-03-16 2020-05-19 Ricoh Company, Ltd. Inspection apparatus, inspection method and storage medium
US10632023B2 (en) 2017-06-13 2020-04-28 The Procter & Gamble Company Systems and methods for inspecting absorbent articles on a converting line
WO2019067641A1 (en) 2017-09-26 2019-04-04 Aquifi, Inc. SYSTEMS AND METHODS FOR VISUAL INSPECTION BASED ON INCREASED REALITY
TWI653605B (zh) 2017-12-25 2019-03-11 由田新技股份有限公司 利用深度學習的自動光學檢測方法、設備、電腦程式、電腦可讀取之記錄媒體及其深度學習系統
US10346969B1 (en) 2018-01-02 2019-07-09 Amazon Technologies, Inc. Detecting surface flaws using computer vision
US10599951B2 (en) 2018-03-28 2020-03-24 Kla-Tencor Corp. Training a neural network for defect detection in low resolution images
EP3594666A1 (en) 2018-07-12 2020-01-15 Aibi Dynamics Co., Ltd. Artificial intelligence-based leather inspection method and leather product production method
US11726184B2 (en) * 2019-03-08 2023-08-15 Leddartech Inc. Component for a LIDAR sensor system, LIDAR sensor system, LIDAR sensor device, method for a LIDAR sensor system and method for a LIDAR sensor device
US11475556B2 (en) * 2019-05-30 2022-10-18 Bruker Nano, Inc. Method and apparatus for rapidly classifying defects in subcomponents of manufactured component
US11688067B2 (en) * 2019-07-12 2023-06-27 Bruker Nano, Inc. Methods and systems for detecting defects in devices using X-rays
US11615533B2 (en) * 2019-07-12 2023-03-28 Bruker Nano, Inc. Methods and systems for product failure prediction based on X-ray image re-examination

Also Published As

Publication number Publication date
US11521309B2 (en) 2022-12-06
WO2020242824A1 (en) 2020-12-03
TW202102842A (zh) 2021-01-16
US20200380664A1 (en) 2020-12-03
KR20220015414A (ko) 2022-02-08

Similar Documents

Publication Publication Date Title
US11475556B2 (en) Method and apparatus for rapidly classifying defects in subcomponents of manufactured component
US20210010953A1 (en) Methods and Systems for Defects Detection and Classification Using X-rays
US11688067B2 (en) Methods and systems for detecting defects in devices using X-rays
KR101293532B1 (ko) 반도체칩의 ｃｔ 검사방법
EP1236017B1 (en) X-ray tomography bga ( ball grid array ) inspections
KR101890281B1 (ko) 볼 그리드 어레이형 반도체 칩 패키지의 검사 방법
US11521309B2 (en) Method and apparatus for rapid inspection of subcomponents of manufactured component
JP6643271B2 (ja) Ｘ線検査装置
US11815349B2 (en) Methods and systems for inspecting integrated circuits based on X-rays
KR20010108632A (ko) 반도체소자의 솔더 볼 검사 장치 및 방법
TWI840585B (zh) 自動化高速x射線檢驗方法、電腦可讀取非暫態儲存媒體及電子系統
JP2006177760A (ja) Ｘ線検査装置、ｘ線検査方法およびｘ線検査プログラム
WO2023021290A1 (en) An electronic component authentication system
WO2013038406A1 (en) A method and a system for recognizing voids in a bump
KR101437125B1 (ko) X선을 이용한 회로소자 검사 시스템 및 방법
US20080298537A1 (en) Planar x-ray tomosynthesis device
KR20140131151A (ko) X선을 이용한 검사 시스템 및 방법
JPH063136A (ja) バンプ形状検査装置
WO2017191634A1 (en) A method and system for determining voids in a bump or similar object
JPH04315006A (ja) フリップチップのボンディング検査方法
KR19990078765A (ko) 볼그리드어래이검사 장치 및 검사방법

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