CN114494211A - 一种基于红外热学分析的晶圆级气体传感器芯片检测方法 - Google Patents
一种基于红外热学分析的晶圆级气体传感器芯片检测方法 Download PDFInfo
- Publication number
- CN114494211A CN114494211A CN202210107520.7A CN202210107520A CN114494211A CN 114494211 A CN114494211 A CN 114494211A CN 202210107520 A CN202210107520 A CN 202210107520A CN 114494211 A CN114494211 A CN 114494211A
- Authority
- CN
- China
- Prior art keywords
- sensor
- sensor chip
- wafer
- chip
- temperature
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 33
- 238000002076 thermal analysis method Methods 0.000 title claims abstract description 18
- 238000009826 distribution Methods 0.000 claims abstract description 32
- 238000000034 method Methods 0.000 claims abstract description 13
- 238000005516 engineering process Methods 0.000 claims abstract description 11
- 238000012545 processing Methods 0.000 claims abstract description 8
- 230000008569 process Effects 0.000 claims abstract description 7
- 238000013527 convolutional neural network Methods 0.000 claims description 27
- 238000012360 testing method Methods 0.000 claims description 16
- 230000002159 abnormal effect Effects 0.000 claims description 12
- 238000011176 pooling Methods 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 3
- 238000004806 packaging method and process Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 2
- 238000007689 inspection Methods 0.000 claims 1
- 238000000926 separation method Methods 0.000 claims 1
- 239000004065 semiconductor Substances 0.000 abstract description 4
- 239000000463 material Substances 0.000 abstract description 3
- 238000010438 heat treatment Methods 0.000 abstract description 2
- 229910044991 metal oxide Inorganic materials 0.000 abstract description 2
- 150000004706 metal oxides Chemical class 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000012824 chemical production Methods 0.000 description 1
- 238000004587 chromatography analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000004611 spectroscopical analysis Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000004781 supercooling Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
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
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
- G01J5/0003—Radiation pyrometry, e.g. infrared or optical thermometry for sensing the radiant heat transfer of samples, e.g. emittance meter
- G01J5/0007—Radiation pyrometry, e.g. infrared or optical thermometry for sensing the radiant heat transfer of samples, e.g. emittance meter of wafers or semiconductor substrates, e.g. using Rapid Thermal Processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
- G01J2005/0077—Imaging
-
- 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
- G06T2207/10048—Infrared 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
- G06T2207/20081—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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Quality & Reliability (AREA)
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
Abstract
一种基于红外热学分析的晶圆级气体传感器芯片检测方法，涉及传感器芯片检测领域；利用被检测气体氧化或还原金属氧化物半导体表面，导致传感器电阻值发生变化，输出电路将传感器电阻转换为电压输出，实现气体浓度检测和类型识别；被检测气体与气敏材料的反应通常需要在200‑400℃下进行，半导体式气体传感器需要加热电极为传感器提供热量，微热板式气体传感器基于MEMS工艺，通常基于晶圆级芯片制造。每个晶圆表面具有上万个微热板芯片，微热板芯片具有加热电极，通过对微热板芯片通电，可以获得微热板表面的温度分布，存在故障的芯片表面会出现过冷，过热点；结合图像采集，识别，处理技术，确定故障芯片，进而实现对晶圆级传感器芯片的检测。
Description
技术领域
本发明涉及传感器芯片检测领域，尤其涉及一种基于红外热学分析的晶圆级气体传感器芯片检测方法。
背景技术
气体传感器在现代生活中发挥着至关重要的作用，对气体传感器的需求与日俱增；传统的气体检测依赖于色谱、光谱；这些方法中使用的仪器体积大、价格高、操作复杂，限制了现场检测的应用；微纳气体传感器具有灵敏度高、成本低、便携性好的优点；微纳气体传感器广泛应用于危险化学品检测、空气质量监测、人体健康监测、化工生产过程和农业智能系统等领域；在微纳气体传感器中，基于MEMS工艺的气体传感器芯片因其体积小，功耗低，被广泛应用于气体检测领域；对于气体传感器检测芯片，现有方法采用引线键合测试，显微镜观察进行芯片质量的筛查，剔除不合格芯片；现有方法效率低，工艺繁琐，并且在转移到显微镜下观察时，容易造成芯片污染；
微热板式气体传感器表面涂敷有敏感材料，利用被检测气体氧化或还原金属氧化物半导体表面，导致传感器电阻值发生变化，输出电路将传感器电阻转换为电压输出，实现气体浓度检测和类型识别；被检测气体与气敏材料的反应通常需要在200-400℃下进行；因此，半导体式气体传感器需要加热电极为传感器提供热量；微热板式气体传感器基于MEMS工艺，通常基于晶圆级芯片制造；每个晶圆表面具有上万个微热板芯片，微热板芯片具有加热电极，通过对微热板芯片通电，可以获得微热板表面的温度分布，存在故障的芯片表面会出现过冷，过热点；结合图像采集，识别，处理技术，确定故障芯片，进而实现对晶圆级传感器芯片的检测。
发明内容
针对现有技术的不足，本发明提供一种基于红外热学分析的晶圆级气体传感器芯片检测方法；
本发明所采取的技术方案是：
一种基于红外热学分析的晶圆级气体传感器芯片检测方法，包括以下步骤：
S1：将被检测的传感器芯片晶圆固定在卡盘上，卡盘下方连接电机，可以控制卡盘旋转；随机选取K个传感器芯片通过顶针技术进行供电；
S2：使用红外相机对K个传感器芯片进行拍摄，通过USB传输到上位机中，获取K张清晰的传感器芯片表面温度分布图像，设定温度过高值Dhigh℃及温度过低值Dlow℃，在传感器芯片表面温度分布图像中，选取温度在Dhigh℃到Dlow℃区间内的的传感器芯片表面温度分布图像取温度平均值D℃；
S3：根据S2得到的传感器表面的温度平均值，设置温度浮动范围Dchange℃，传感器正常工作的温度区间为(D－Dchange℃，D+Dchange℃)，对S2得到的传感器芯片表面温度分布图像进行标签处理，分为正常传感器芯片及异常传感器芯片，并构建传感器芯片热学图像数据集；
S4：建立传感器图像识别卷积神经网络，传感器图像识别卷积神经网络包括输入层、卷积层、池化层、全连接层和输出层，将S3构建的传感器芯片热学图像数据集分为训练数据集和测试数据集；
S5：设定准确率阈值为M，利用测试数据集传感器图像识别卷积神经网络准确率进行测试，当测试精度大于等于准确率阈值时，对传感器图像识别卷积神经网络进行封装用于后续调用；当测试精度低于准确率阈值时，通过降低传感器图像识别卷积神经网络的学习率，在全连接层之前添加Dropout层，在卷积层之后添加Bath Normalization层的方法，提高传感器图像识别卷积神经网络准确率，直至满足准确率阈值；
S6：对晶圆表面进行等分分割，并通过顶针技术对传感器芯片进行供电；
将晶圆表面等分分割为n个区域，n≥2，n为正整数，每个区域圆心角为360°/n，任取一条分割线作为晶圆旋转的起始基准线；对起始分割线上的传感器芯片通过顶针技术进行供电；
S7：利用红外相机获取传感器芯片表面温度分布图像，调用封装的传感器图像识别卷积神经网络进行识别，确定是否存在故障芯片；
使用红外相机对分割后的相邻区域间拍摄n次，通过USB传输到上位机中，得到分割线上清晰的传感器芯片表面温度分布图像；调用S5中封装的传传感器图像识别卷积神经网络，输入获取的传感器芯片表面温度分布图像，识别是否存在故障芯片；
S8：电机驱动卡盘按同一方向旋转360°/n，重复S6-S8，旋转n次后完成对晶圆传感器芯片的故障检测。
有益技术效果
1.本发明提出的基于红外热学分析的晶圆级气体传感器芯片检测方法，利用红外相机获取晶圆表面温度分布，存在故障的芯片表面会出现过冷，过热点，结合图像采集，识别，处理技术，在气体传感器封装之前，可以直接在晶圆级表面，筛选可用气体传感器芯片，剔除异常气体传感器芯片；
2.本发明提出的基于红外热学分析的晶圆级气体传感器芯片检测方法，通过等分晶圆，电机驱动晶圆旋转的方法，实现晶圆级传感器芯片热学图像的快速采集。
附图说明
图1为本发明实施例提供的晶圆级传感器芯片红外热学图像采集设备图；
图2为本发明实施例提供的一种基于红外热学分析的晶圆级气体传感器芯片检测方法流程图；
图3为本发明实施例提供的传感器芯片晶圆俯视图；
图4为本发明实施例提供的传感器芯片晶圆旋转识别流程图。
具体实施方式
下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述；
本实施例采用一种基于红外热学分析的晶圆级气体传感器芯片检测系统，如图1所示，包括上位机，红外相机，卡盘，电机，电源模块。
所述红外相机用于拍摄传感器芯片获取表面温度分布图像。
所述上位机用于对红外相机拍摄的传感器芯片表面温度分布图像进行显示处理。
所述卡盘用于固定待测的传感器芯片晶圆。
所述电机用于驱动卡盘旋转。
所述电源模块用于红外相机，待测的传感器芯片晶圆，电机的供电。
一种基于红外热学分析的晶圆级气体传感器芯片检测方法，采用所述基于红外热学分析的晶圆级气体传感器芯片检测系统，如图2所示，包括以下步骤：
S1：进行晶圆的固定，旋转与传感器芯片的随机供电；将被检测的传感器芯片晶圆固定在卡盘上，卡盘下方连接电机，可以控制卡盘顺时针，或者逆时针旋转；随机选取K个传感器芯片通过顶针技术进行供电；
S2：拍摄传感器芯片表面温度分布图像，并计算传感器芯片表面温度分布图像的温度平均值；如表示所示，对传感器芯片表面温度分布的使用红外相机对20个传感器芯片进行拍摄，通过USB传输到计算机中，获取K张清晰的传感器芯片表面温度分布图像，设定温度过高值340℃及温度过低值290℃，在传感器芯片表面温度分布图像中，选取温度在340℃到290℃区间内的的传感器芯片表面温度分布图像取温度平均值320℃；
表1传感器芯片表面温度
| 传感器芯片编号 | 1 | 2 | 3 | 4 | 5 |
| 温度值 | 286 | 296 | 302 | 301 | 316 |
| 传感器芯片编号 | 6 | 7 | 8 | 9 | 10 |
| 温度值 | 304 | 312 | 300 | 302 | 301 |
| 传感器芯片编号 | 11 | 12 | 13 | 14 | 15 |
| 温度值 | 280 | 275 | 291 | 297 | 299 |
| 传感器芯片编号 | 16 | 17 | 18 | 19 | 20 |
| 温度值 | 301 | 307 | 299 | 311 | 313 |
S3：对传感器芯片热学图像数据集进行构建，根据S2得到的传感器表面的温度平均值，设置温度浮动范围20℃，传感器正常工作的温度区间为(300℃，340℃)，对S2得到的传感器芯片表面温度分布图像进行标签处理，如表2所示，分为正常传感器芯片及异常传感器芯片，并构建传感器芯片热学图像数据集；
表2传感器芯片温度标签处理
| 传感器芯片温度 | 286 | 296 | 302 | 301 | 316 |
| 标签 | 异常芯片 | 正常芯片 | 正常芯片 | 正常芯片 | 异常芯片 |
| 传感器芯片温度 | 304 | 312 | 300 | 302 | 301 |
| 标签 | 正常芯片 | 异常芯片 | 正常芯片 | 正常芯片 | 正常芯片 |
| 传感器芯片温度 | 280 | 275 | 291 | 297 | 299 |
| 标签 | 异常芯片 | 异常芯片 | 正常芯片 | 正常芯片 | 正常芯片 |
| 传感器芯片温度 | 301 | 307 | 299 | 311 | 313 |
| 标签 | 正常芯片 | 正常芯片 | 正常芯片 | 异常芯片 | 异常芯片 |
S4：建立传感器图像识别卷积神经网络，本实施例中，采用VGGNet16卷积神经网络；传感器图像识别卷积神经网络包括输入层、卷积层、池化层、全连接层和输出层；本实施例中，VGGNet16卷积神经网络包括5个卷积层和3个全连接层；输入层负责载入图像，图像来自于S3中建立的传感器芯片热学图像数据集,产生的输出向量作为卷积层的输入；卷积层通过卷积核对传感器芯片热学图像进行特征提取，卷积核大小为3×3，步长为1；VGGNet16卷积神经网络包括的5个卷积层中都使用Relu函数作为激活函数；在5个连续卷积层的中间，设置有池化层，对传感器芯片热学图像的进行降维处理；在5个卷积层之后，设置有3个全连接层，全连接层负责将卷积层提取的传感器芯片热学图像的局部特征通过权值矩阵组装成完整的图；在全连接层之后，设置有输出层，利用Softmax对传感器芯片热学图像进行分类，判断传感器芯片是否为异常传感器芯片；将S3构建的传感器芯片热学图像数据集分为训练数据集和测试数据集；
S5：设定传感器图像识别卷积神经网络准确率阈值为95％，利用测试数据集对VGGNet16卷积神经网络准确率进行测试，当测试准确率大于等于95％时，对传感器图像识别网络进行封装用于后续调用；当测试精度低于准确率阈值时，通过降低VGGNet16卷积神经网络的学习率，在全连接层之前添加Dropout层，在卷积之后添加BathNormalization层的方法，提高传感器图像识别卷积神经网络准确率，直至满足准确率阈值；
S6：对晶圆表面进行等分分割，并通过顶针技术对传感器芯片进行供电；
将晶圆表面等分分割为8个区域，如图3所示，每个区域圆心角为45°；如图4所示，任取一条分割线作为晶圆旋转的起始基准线；对起始分割线上的传感器芯片选取20个芯片通过顶针技术进行供电；
S7：利用红外相机获取传感器芯片表面温度分布图像，调用封装的传感器图像识别卷积神经网络进行识别，确定是否存在故障芯片；
使用红外相机对分割后的相邻区域间的传感器芯片进行拍摄，通过USB传输到计算机中，获取相邻区域上的20个传感器芯片表面温度分布图像；调用S5中封装的传感器图像识别卷积神经网络，输入获取的传感器芯片表面温度分布图像，识别是否存在故障芯片；
S8：电机驱动卡盘按同一方向旋转45°，重复S6-S8，旋转8次后完成对晶圆传感器芯片的故障检测。
Claims (7)
1.一种基于红外热学分析的晶圆级气体传感器芯片检测方法，其特征在于，包括以下步骤：
S1：将被检测的传感器芯片晶圆固定在卡盘上，卡盘下方连接电机，控制卡盘旋转；随机选取K个传感器芯片进行供电；
S2：使用红外相机对K个传感器芯片进行拍摄，传输到上位机中，获取K张清晰的传感器芯片表面温度分布图像，设定温度过高值Dhigh℃及温度过低值Dlow℃，在传感器芯片表面温度分布图像中，选取温度在Dhigh℃到Dlow℃区间内的的传感器芯片表面温度分布图像取温度平均值D℃；
S3：根据S2得到的传感器表面的温度平均值，设置温度浮动范围Dchange℃，传感器正常工作的温度区间为(D－Dchange℃，D+Dchange℃)，对S2得到的传感器芯片表面温度分布图像进行标签处理，分为正常传感器芯片及异常传感器芯片，并构建传感器芯片热学图像数据集；
S4：建立传感器图像识别卷积神经网络，将S3构建的传感器芯片热学图像数据集分为训练数据集和测试数据集；
S5：利用测试数据集传感器图像识别卷积神经网络准确率进行测试；
S6：对晶圆表面进行等分分割，对传感器芯片进行供电；
S7：利用红外相机获取传感器芯片表面温度分布图像，调用封装的传感器图像识别卷积神经网络进行识别，确定是否存在故障芯片；
S8：电机驱动卡盘按同一方向旋转360°/n，重复S6-S8，旋转n次后完成对晶圆传感器芯片的故障检测。
2.如权利要求1所述的基于红外热学分析的晶圆级气体传感器芯片检测方法，其特征在于，所述传感器芯片是通过顶针技术供电。
3.如权利要求1所述的基于红外热学分析的晶圆级气体传感器芯片检测方法，其特征在于，所述红外相机对K个传感器芯片进行拍摄后，通过USB传输到上位机。
4.如权利要求1所述的基于红外热学分析的晶圆级气体传感器芯片检测方法，其特征在于，传感器图像识别卷积神经网络包括输入层、卷积层、池化层、全连接层和输出层。
5.如权利要求1所述的基于红外热学分析的晶圆级气体传感器芯片检测方法，其特征在于，所述S5的具体过程为：当测试精度大于等于准确率阈值时，对传感器图像识别卷积神经网络进行封装用于后续调用；设定准确率阈值为M，当测试精度低于准确率阈值时，通过降低传感器图像识别卷积神经网络的学习率，在全连接层之前添加Dropout层，在卷积层之后添加Bath Normalization层的方法，提高传感器图像识别卷积神经网络准确率，直至满足准确率阈值。
6.如权利要求1所述的基于红外热学分析的晶圆级气体传感器芯片检测方法，其特征在于，所述S6的具体过程为：将晶圆表面等分分割为n个区域，n≥2，n为正整数，每个区域圆心角为360°/n，任取一条分割线作为晶圆旋转的起始基准线；对起始分割线上的传感器芯片供电。
7.如权利要求1所述的基于红外热学分析的晶圆级气体传感器芯片检测方法，其特征在于，所述S7的具体过程为：使用红外相机对分割后的相邻区域间拍摄n次，通过USB传输到计算机中，得到分割线上清晰的传感器芯片表面温度分布图像；调用S5中封装的传传感器图像识别卷积神经网络，输入获取的传感器芯片表面温度分布图像，识别是否存在故障芯片。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210107520.7A CN114494211A (zh) | 2022-01-28 | 2022-01-28 | 一种基于红外热学分析的晶圆级气体传感器芯片检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210107520.7A CN114494211A (zh) | 2022-01-28 | 2022-01-28 | 一种基于红外热学分析的晶圆级气体传感器芯片检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114494211A true CN114494211A (zh) | 2022-05-13 |
Family
ID=81476817
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210107520.7A Pending CN114494211A (zh) | 2022-01-28 | 2022-01-28 | 一种基于红外热学分析的晶圆级气体传感器芯片检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114494211A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116051555A (zh) * | 2023-03-31 | 2023-05-02 | 深圳市冠禹半导体有限公司 | 一种晶圆温度分布的检测系统及方法 |
-
2022
- 2022-01-28 CN CN202210107520.7A patent/CN114494211A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116051555A (zh) * | 2023-03-31 | 2023-05-02 | 深圳市冠禹半导体有限公司 | 一种晶圆温度分布的检测系统及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Akram et al. | Automatic detection of photovoltaic module defects in infrared images with isolated and develop-model transfer deep learning | |
| Sun et al. | Automated thermal fuse inspection using machine vision and artificial neural networks | |
| CN100499057C (zh) | 晶片检测方法 | |
| TW201915727A (zh) | 多元感測器之錯誤偵測與分類方法 | |
| CN113592828B (zh) | 基于工业内窥镜的无损检测方法及系统 | |
| CN110414366B (zh) | 一种基于动态信号的压阻阵列及压力分布匹配方法 | |
| CN114494211A (zh) | 一种基于红外热学分析的晶圆级气体传感器芯片检测方法 | |
| Degadwala et al. | DeepTread: Exploring Transfer Learning in Tyre Quality Classification | |
| JP3370379B2 (ja) | 半導体装置の製造方法 | |
| WO2010110365A1 (ja) | 要因分析装置および要因分析方法 | |
| CN113009823A (zh) | 用于控制机器的方法和设备 | |
| CN114494185A (zh) | 一种基于rgb-t多尺度特征融合的电气设备故障检测方法 | |
| CN110186962B (zh) | 一种用于电容层析成像的不完整测量数据成像方法 | |
| KR102051974B1 (ko) | 금속 탱크 제조 공정의 제어 방법 및 장치 | |
| Gong et al. | Photovoltaic arrays fault diagnosis based on an improved dilated convolutional neural network with feature-enhancement | |
| CN116739996A (zh) | 基于深度学习的输电线路绝缘子故障诊断方法 | |
| US12062166B2 (en) | Method and system for diagnosing a semiconductor wafer | |
| Chauhan et al. | Semiconductor wafer defect classification using convolution neural network: a binary case | |
| CN109308395B (zh) | 基于lof-knn算法的晶圆级空间测量参数异常识别方法 | |
| CN106874836A (zh) | 一种基于红外热像图的电缆接头运行状态识别方法 | |
| Wang et al. | Thin-film nitrate sensor performance prediction based on preprocessed sensor images | |
| Bu et al. | CNN-based defect detection and classification of PV cells by infrared thermography method | |
| Gaita et al. | A machine learning based wafer test ranking for root cause analysis | |
| CN112752977B (zh) | 解析装置、解析方法及解析程序 | |
| CN110632418A (zh) | 一种基于cnn和rnn的机器状态获取方法、系统及电子设备 |
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 |