CN115018837A - 一种半导体芯片锡球检测方法 - Google Patents
一种半导体芯片锡球检测方法 Download PDFInfo
- Publication number
- CN115018837A CN115018837A CN202210941418.7A CN202210941418A CN115018837A CN 115018837 A CN115018837 A CN 115018837A CN 202210941418 A CN202210941418 A CN 202210941418A CN 115018837 A CN115018837 A CN 115018837A
- Authority
- CN
- China
- Prior art keywords
- chip
- solder ball
- image
- ball
- angle
- 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.)
- Granted
Links
- 229910000679 solder Inorganic materials 0.000 title claims abstract description 105
- 238000000034 method Methods 0.000 title claims abstract description 29
- 239000004065 semiconductor Substances 0.000 title claims abstract description 12
- 238000001514 detection method Methods 0.000 claims abstract description 61
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims abstract description 14
- 230000006378 damage Effects 0.000 claims abstract description 13
- 230000009466 transformation Effects 0.000 claims abstract description 12
- 238000012545 processing Methods 0.000 claims abstract description 5
- 230000007547 defect Effects 0.000 claims description 37
- ATJFFYVFTNAWJD-UHFFFAOYSA-N Tin Chemical compound [Sn] ATJFFYVFTNAWJD-UHFFFAOYSA-N 0.000 claims description 21
- 238000012549 training Methods 0.000 claims description 10
- 238000013135 deep learning Methods 0.000 claims description 7
- 238000003708 edge detection Methods 0.000 claims description 5
- 230000001678 irradiating effect Effects 0.000 claims description 3
- 238000007500 overflow downdraw method Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 7
- 208000027418 Wounds and injury Diseases 0.000 abstract description 4
- 208000014674 injury Diseases 0.000 abstract description 4
- 238000004519 manufacturing process Methods 0.000 abstract description 3
- 230000000007 visual effect Effects 0.000 abstract description 3
- 238000006748 scratching Methods 0.000 abstract 2
- 230000002393 scratching effect Effects 0.000 abstract 2
- 230000008901 benefit Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000007812 deficiency Effects 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 230000009897 systematic effect Effects 0.000 description 2
- 238000011179 visual inspection Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 230000000873 masking effect Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012858 packaging process Methods 0.000 description 1
- 238000006467 substitution reaction Methods 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
- 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
-
- 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
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/02—Affine transformations
-
- 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
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- G06T2207/20—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
- G06T2207/20—Special algorithmic details
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
-
- 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 Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Geometry (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开一种半导体芯片锡球检测方法,包括以下步骤:S1、在高角度下采集共N张芯片图像;S2、将N张芯片图像进行对齐融合,得到芯片模板图像,将所述离线锡球掩膜区域作为锡球模板;S3、采集待测芯片的高角度图像和低角度图像,将待测芯片与所述芯片模板图像进行匹配,对所述锡球模板进行仿射变换,获得待测产品的锡球ROI;S4、通过对锡球ROI进行分析和处理,自动对锡球的压伤、缺失、刮伤、划伤以及大小球进行检测;本发明利用视觉检测技术可以在芯片的生产过程中自动对锡球的压伤、缺失、刮伤、划伤以及大小球进行检测,解决了现有技术中人工和非接触式检测的成本高、效率低以及检测结果不准确的问题。
Description
技术领域
本发明涉及到芯片检测技术领域,具体涉及到一种半导体芯片锡球检测方法。
背景技术
半导体芯片属于高精密产品,体积小,工艺复杂度高,在封装过程中不可避免的会产生各类缺陷,其中锡球缺陷就是最典型的一类。锡球作为线路的I/O端,一旦有问题会导致产品失效,严重时导致重大事故,所以,在芯片封装完成后对其进行严格检测,保证半导体芯片的出货良率显得尤为重要。
目前,锡球的质量检测主要以人工显微镜目检和非接触式检测为主。传统的人工目检方法工作量大,效率低,受人为主观影响因素大,检测的准确率不高。非接触式检测主要有基于X射线的锡球检测、基于3D量测的锡球检测和基于模板匹配的表面锡球检测。基于X射线的检测技术,检测效率不高且价格昂贵、成本高;3D量测的锡球检测方法建模复杂,对硬件设施的要求极高;基于模板匹配的表面锡球检测,当产品存在公差时会导致小缺陷的漏检率较高。
发明内容
本发明的目的是针对现有技术存在的问题,提供一种半导体芯片锡球检测方法,利用视觉检测技术可以在芯片的生产过程中自动对锡球的压伤、缺失、刮伤、划伤以及大小球进行检测,解决了现有技术中人工和非接触式检测的成本高、效率低以及检测结果不准确的问题。
为实现上述目的,本发明采用的技术方案是:
一种半导体芯片锡球检测方法,包括以下步骤:
S1、采用高角度光源和低角度光源共同照射正常的芯片产品,相机在高角度下采集共N张芯片图像;
S2、将采集的N张所述芯片图像进行对齐融合,得到芯片模板图像,将所述芯片模板图像通过算法处理获得离线锡球掩膜区域,并将所述离线锡球掩膜区域作为锡球模板;
S3、采集待测芯片的高角度图像和低角度图像,将待测芯片的高角度图像与所述芯片模板图像进行匹配,对所述锡球模板进行仿射变换,获得待测产品的锡球ROI;
S4、对所述锡球ROI、所述高角度图像和所述低角度图像进行结合分析,得到锡球的压伤、缺失、刮伤、划伤以及大小球的检测结果。
所述步骤S2具体包括,先将采集的N张所述芯片图像进行对齐,然后利用平均加权融合方法对对齐后的N张所述芯片图像进行融合,得到芯片模板图像;对所述芯片模板图像采用二值化运算生成所述离线锡球掩膜区域。
所述步骤S3具体包括,实时采集待测芯片图像,将所述待测芯片的高角度图像与所述芯片模板图像进行匹配,得到待测芯片的去背景检测区域,同时也得到所述芯片模板图像到所述待测芯片图像的仿射变换系数C,利用所述仿射变换系数C对所述离线锡球掩膜区域进行仿射变换,得到待测芯片中的锡球ROI。
所述步骤S4具体包括,对所述锡球ROI进行二值化和形态学处理,提取所述高角度图像的每个锡球的高亮区域面积,然后计算整片待测芯片中所有锡球高亮区域面积的中值,最后将每个锡球高亮区域面积与中值进行比较,若单个锡球高亮区域面积大于所有锡球高亮区域面积的中值的2~3.5倍,则判断为锡球压伤或缺失。
提取所述低角度图像中的锡球黑色区域,然后判断单个锡球黑色区域面积是否大于整片待测芯片所有黑色区域面积中值的2倍,若大于2倍,则为锡球缺失。
对所述锡球ROI进行边缘检测,然后对边缘特征选择,通过边缘进行圆拟合得到锡球的准确位置及大小,最后根据锡球大球、小球的标准,设置阈值进行判别。
针对锡球划伤缺陷的检测,首先制作训练集,对大量的缺陷图像进行标注,然后将训练数据集输入到深度学习网络进行训练,得到锡球缺陷检测模型;
实时采集待测芯片高低角度图像,利用训练好的锡球缺陷检测模型对待测芯片图像进行检测,输出缺陷位置,类别及预测分数。
与现有技术相比,本发明的有益效果是:
1、本次发明提出了高低角度光结合的2D检测方式,可检测锡球直径、压伤、缺失、刮伤、划伤等缺陷,检测指标更系统、全面,检测精度、准确度及实时性满足工业在线检测要求;
2、本发明与3D检测相比,成本低,便于实现;
3、本发明通过传统图像与深度学习技术相结合的方式来检测缺陷,优点是缺陷检出率高,漏检率低,提高了半导体出货良率;
4、本发明的检测方法是自动非接触式检测,可以减少产品的二次损伤,提高检测效率。
附图说明
图1为本发明锡球压伤和缺失检测流程图;
图2为本发明锡球大小球检测流程图;
图3为本发明锡球划伤刮伤检测流程图。
具体实施方式
下面将结合本发明中的附图,对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动条件下所获得的所有其它实施例,都属于本发明保护的范围。
鉴于现有非接触式检测技术中所存在的问题,本发明提出一种半导体芯片锡球检测方法。本发明利用视觉检测技术可以在芯片的生产过程中自动对锡球的压伤、缺失、刮伤、划伤以及大小球进行检测。为了实现以上目的,本发明提供的技术解决方案具体如下:
步骤S1、采用高角度光源和低角度光源共同照射正常的芯片产品,通过高分辨率相机从高角度采集100张正常芯片图像,同一片芯片图像中的芯片位置要求一致。
步骤S2、选取其中一张产品角度接近水平的高角度图像作为基准图像I1,然后将其余高角度图像通过仿射变换与基准图像I1进行对齐,并将对齐后的100张图像进行加权融合得到模板图像Imod。接下来对模板图像Imod进行二值化操作提取其锡球掩膜区域IBALL,并将IBALL作为锡球模板进行保存。
多张图像加权融合目的是抑制噪声,提高图像质量,有利于更准确的提取锡球区域,二值化算法和平均加权融合方法均是常规图像处理方法。
步骤S3、首先,在芯片检测过程中,实时采集待测芯片产品的高、低角度图像,高角度图像为Ihigh,低角度图像为Ilow;然后采用基于形状的模板匹配法对待测图像Ihigh进行模板匹配,设置最小匹配分数为0.5,得到模板图像Imod到待测图像Ihigh的仿射变换系数C以及待测产品的去背景检测区域R;最后利用仿射系数C对锡球掩膜区域IBALL进行仿射变换,分别得到IBALL在待测图像Ihigh 和Ilow上的投影,即待测产品高角度锡球ROI区域ROIhigh 和低角度锡球ROI区域ROIlow。
采集的高、低角度图像中的芯片产品位置要求一致;模板匹配和仿射变换均是常规图像处理方法,其中模板匹配方法可使用但不限于基于形状的模板匹配方法。
步骤S4、对高角度锡球ROI区域ROIhigh进行二值化和形态学处理,得到每个锡球高亮区域RegionsLighti (i=[1:k],k为锡球高亮区域的连通域个数),然后分别计算单个锡球高亮区域面积Areasi(i=[1:k],k为锡球高亮区域的连通域个数),再计算k个锡球高亮区域面积的中值MedianArea,最后依次将Areasi和MedianArea进行比较,若(Areasi/MedianArea)>2.5,则第i个锡球为锡球压伤或缺失缺陷,将其保存到缺陷图像Idef中。
上述方案中,高角度图像中正常锡球成像后的特征是顶部是高亮的,锡球边缘是灰暗的,而锡球压伤缺陷特征是顶部高亮处的面积较大,锡球缺失的特征是整个锡球底部为白色。锡球压伤和缺失检测原理是:根据单个锡球高亮区域面积与所有锡球高亮区域面积的中值的比例来判别缺陷,其比例取值范围为2~3.5。
为了进一步确保锡球缺失检测结果的准确性,再通过低角度图像复判缺失,对低角度锡球ROI区域ROIlow进行二值化和形态学处理,提取每个锡球的黑色区域的面积AreasDarki ,再计算k个锡球黑色区域面积的中值MedianAreasDark,最后依次将AreasDarki和MedianAreasDark进行比较,若(AreasDarki/MedianAreasDark)>2,则第i个锡球是缺失缺陷,将其保存到缺陷图像Idef中。
上述方案中,低角度图像中的锡球缺失的特征是整个锡球底部是全黑的状态。
步骤S5、对步骤S3中得到的待测芯片产品高角度锡球ROI区域ROIhigh 进行canny边缘检测,然后对边缘特征选择,再通过圆拟合的方式拟合出每个锡球的准确位置,并计算出每个锡球的直径Di,同时分别设置小球的判断阈值M=54和大球的判断阈值P=70,若Di>P,该第i个锡球属于大球,若Di<M,该第i个锡球属于小球,否则为正常锡球,最后将其保存到缺陷图像Idef中。
边缘检测可采用但不限于canny边缘检测,圆拟合方法可使用但不限于最小二乘法。
步骤S6:基于深度学习的带有语义信息的锡球缺陷检测;
针对锡球划伤刮伤等这类带有语义信息的缺陷,使用深度学习方法检测;首先制作训练集,对大量所述缺陷图像进行标注,然后将训练数据集输入到深度学习网络进行训练,得到锡球缺陷检测模型。
实时采集待测芯片高低角度图像,利用训练好的锡球缺陷检测模型对待测芯片图像进行检测,输出缺陷位置,类别及预测分数。
具体的,利用标注软件对图像进行标注,将高低角度的芯片图像和对应的标注数据输入到yolov5网络模型中,并设置相应的超参数进行训练,得到锡球检测模型。
在检测过程中,根据训练好的锡球检测模型对实时采集的待测图像进行检测,设置置信度阈值为0.5,通过NMS非极大值抑制的方法去除重叠框得到最终缺陷的位置及类别,最后将该图像保存到缺陷图像Idef中。
锡球缺陷检测模型可采用但不限于yolov5检测模型。
步骤七:返回缺陷图像Idef。
上述方案的优点在于:
1、本次发明提出了高低角度光结合的2D检测方式,可检测锡球直径、压伤、缺失、刮伤、划伤等缺陷,检测指标更系统、全面,检测精度、准确度及实时性满足工业在线检测要求;
2、本发明与3D检测相比,成本低,便于实现;
3、本发明通过传统图像与深度学习技术相结合的方式来检测缺陷,优点是缺陷检出率高,漏检率低,提高了半导体出货良率;
4、本发明的检测方法是自动非接触式检测,可以减少产品的二次损伤,提高检测效率。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (7)
1.一种半导体芯片锡球检测方法,其特征在于,包括以下步骤:
S1、采用高角度光源和低角度光源共同照射正常的芯片产品,相机在高角度下采集共N张芯片图像;
S2、将采集的N张所述芯片图像进行对齐融合,得到芯片模板图像,将所述芯片模板图像通过算法处理获得离线锡球掩膜区域,并将所述离线锡球掩膜区域作为锡球模板;
S3、采集待测芯片的高角度图像和低角度图像,将待测芯片的高角度图像与所述芯片模板图像进行匹配,对所述锡球模板进行仿射变换,获得待测产品的锡球ROI;
S4、对所述锡球ROI、所述高角度图像和所述低角度图像进行结合分析,得到锡球的压伤、缺失、刮伤、划伤以及大小球的检测结果。
2.根据权利要求1所述的一种半导体芯片锡球检测方法,其特征在于,所述步骤S2具体包括,先将采集的N张所述芯片图像进行对齐,然后利用平均加权融合方法对对齐后的N张所述芯片图像进行融合,得到芯片模板图像;对所述芯片模板图像采用二值化运算生成所述离线锡球掩膜区域。
3.根据权利要求1所述的一种半导体芯片锡球检测方法,其特征在于,所述步骤S3具体包括,实时采集待测芯片图像,将所述待测芯片的高角度图像与所述芯片模板图像进行匹配,得到待测芯片的去背景检测区域,同时也得到所述芯片模板图像到所述待测芯片图像的仿射变换系数C,利用所述仿射变换系数C对所述离线锡球掩膜区域进行仿射变换,得到待测芯片中的锡球ROI。
4.根据权利要求1所述的一种半导体芯片锡球检测方法,其特征在于,所述步骤S4具体包括,对所述锡球ROI进行二值化和形态学处理,提取所述高角度图像的每个锡球的高亮区域面积,然后计算整片待测芯片中所有锡球高亮区域面积的中值,最后将每个锡球高亮区域面积与中值进行比较,若单个锡球高亮区域面积大于所有锡球高亮区域面积的中值的2~3.5倍,则判断为锡球压伤或缺失。
5.根据权利要求4所述的一种半导体芯片锡球检测方法,其特征在于,提取所述低角度图像中的锡球黑色区域,然后判断单个锡球黑色区域面积是否大于整片待测芯片所有黑色区域面积中值的2倍,若大于2倍,则为锡球缺失。
6.根据权利要求1所述的一种半导体芯片锡球检测方法,其特征在于,对所述锡球ROI进行边缘检测,然后对边缘特征选择,通过边缘进行圆拟合得到锡球的准确位置及大小,最后根据锡球大球、小球的标准,设置阈值进行判别。
7.根据权利要求1所述的一种半导体芯片锡球检测方法,其特征在于,针对锡球划伤缺陷的检测,首先制作训练集,对大量的缺陷图像进行标注,然后将训练数据集输入到深度学习网络进行训练,得到锡球缺陷检测模型;
实时采集待测芯片高低角度图像,利用训练好的锡球缺陷检测模型对待测芯片图像进行检测,输出缺陷位置,类别及预测分数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210941418.7A CN115018837B (zh) | 2022-08-08 | 2022-08-08 | 一种半导体芯片锡球检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210941418.7A CN115018837B (zh) | 2022-08-08 | 2022-08-08 | 一种半导体芯片锡球检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115018837A true CN115018837A (zh) | 2022-09-06 |
CN115018837B CN115018837B (zh) | 2023-02-03 |
Family
ID=83066178
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210941418.7A Active CN115018837B (zh) | 2022-08-08 | 2022-08-08 | 一种半导体芯片锡球检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115018837B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102032872A (zh) * | 2010-11-03 | 2011-04-27 | 中南大学 | 基于阴影法的高密度bga焊料球高度测量系统及方法 |
CN103743749A (zh) * | 2014-01-03 | 2014-04-23 | 苏州吉视电子科技有限公司 | 片状零件表面质量检测装置和方法 |
CN105424708A (zh) * | 2015-11-10 | 2016-03-23 | 沈阳建筑大学 | 玻璃保险丝管可熔体质量缺陷检测方法 |
CN213933620U (zh) * | 2020-09-22 | 2021-08-10 | 珠海市运泰利自动化设备有限公司 | 偏振光源和表面缺陷检测装置 |
CN114677348A (zh) * | 2022-03-22 | 2022-06-28 | 聚时科技(上海)有限公司 | 一种基于视觉的ic芯片缺陷的检测方法、系统和存储介质 |
-
2022
- 2022-08-08 CN CN202210941418.7A patent/CN115018837B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102032872A (zh) * | 2010-11-03 | 2011-04-27 | 中南大学 | 基于阴影法的高密度bga焊料球高度测量系统及方法 |
CN103743749A (zh) * | 2014-01-03 | 2014-04-23 | 苏州吉视电子科技有限公司 | 片状零件表面质量检测装置和方法 |
CN105424708A (zh) * | 2015-11-10 | 2016-03-23 | 沈阳建筑大学 | 玻璃保险丝管可熔体质量缺陷检测方法 |
CN213933620U (zh) * | 2020-09-22 | 2021-08-10 | 珠海市运泰利自动化设备有限公司 | 偏振光源和表面缺陷检测装置 |
CN114677348A (zh) * | 2022-03-22 | 2022-06-28 | 聚时科技(上海)有限公司 | 一种基于视觉的ic芯片缺陷的检测方法、系统和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN115018837B (zh) | 2023-02-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2020248439A1 (zh) | 一种基于图像处理的皇冠盖表面缺陷在线检测方法 | |
CN105403147B (zh) | 一种基于嵌入式的瓶胚检测系统和检测方法 | |
CN107389701A (zh) | 一种基于图像的pcb表观缺陷自动检测系统及方法 | |
CN112967243A (zh) | 一种基于yolo的深度学习芯片封装裂纹缺陷检测方法 | |
CN107966454A (zh) | 一种基于fpga的端塞缺陷检测装置及检测方法 | |
CN113570605B (zh) | 一种基于液晶显示面板的缺陷检测方法和系统 | |
CN106290392A (zh) | 一种小微轴承表面凹痕缺陷在线检测方法及其系统 | |
CN109191421B (zh) | 柱形锂电池圆周面凹坑视觉检测方法 | |
CN106501272B (zh) | 机器视觉焊锡定位检测系统 | |
CN113781415B (zh) | 一种x射线图像的缺陷检测方法、装置、设备及介质 | |
CN113256598B (zh) | 一种用于芯片生产的视觉检测系统 | |
US11315229B2 (en) | Method for training defect detector | |
CN112345534B (zh) | 一种基于视觉的泡罩板中颗粒的缺陷检测方法及系统 | |
TWI765442B (zh) | 瑕疵等級判定的方法及存儲介質 | |
CN106355579A (zh) | 烟条表面褶皱的缺陷检测方法 | |
CN113222938A (zh) | 芯片缺陷检测方法及系统与计算机可读存储介质 | |
CN105891229A (zh) | 确定水果外表进行光谱图像分析检测所用特征波长的方法 | |
Fu et al. | Medicine glass bottle defect detection based on machine vision | |
CN115471476A (zh) | 一种部件缺陷检测方法、装置、设备及介质 | |
CN110426395B (zh) | 一种太阳能el电池硅片表面检测方法及装置 | |
Yang et al. | A scratch detection method based on deep learning and image segmentation | |
CN109241948A (zh) | 一种数控刀具视觉识别方法及装置 | |
CN114677348A (zh) | 一种基于视觉的ic芯片缺陷的检测方法、系统和存储介质 | |
CN115018837B (zh) | 一种半导体芯片锡球检测方法 | |
US11176419B1 (en) | Method for labeling image |
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: 20231120 Address after: Room 801, No. 1126 Shenbin South Road, Minhang District, Shanghai, 201107 Patentee after: MATRIXTIME ROBOTICS (SHANGHAI) Co.,Ltd. Address before: No. 4, 4th Floor, Huashen Building, No. 1038 Aiguo Road, Xinyi Community, Huangbei Street, Luohu District, Shenzhen, Guangdong 518001 Patentee before: Jushi Technology (Shenzhen) Co.,Ltd. |