CN115863193A - 一种镀金钯铜基键合丝及其制备方法 - Google Patents
一种镀金钯铜基键合丝及其制备方法 Download PDFInfo
- Publication number
- CN115863193A CN115863193A CN202211687427.4A CN202211687427A CN115863193A CN 115863193 A CN115863193 A CN 115863193A CN 202211687427 A CN202211687427 A CN 202211687427A CN 115863193 A CN115863193 A CN 115863193A
- Authority
- CN
- China
- Prior art keywords
- ultrasonic
- matrix
- feature
- state change
- characteristic
- 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
Images
Abstract
本申请涉及智能制备技术领域，其具体地公开了一种镀金钯铜基键合丝及其制备方法，其首先获取预定时间段内多个预定时间点的超声波功率值以及所述预定时间段的电镀后母合金基材的超声处理状态监控视频，然后通过基于深度学习的深度神经网络模型来模拟并建立所述超声波的功率变化与所述电镀后母合金基材的超声处理状态变化之间的复杂映射关系，从而实现基于电镀后母合金基材的超声处理状态来实时准确地对于超声波的功率值进行自适应调控，以提高镀金钯铜基键合丝的结合性的一致性。
Description
技术领域
本申请涉及智能制备技术领域，且更为具体地，涉及一种镀金钯铜基键合丝及其制备方法。
背景技术
半导体集成电路制造完成后所得的芯片虽然已经具有特定的功能，但是要实现该功能，必须通过与外部电子元件的连接。而半导体集成电路芯片需要经过与封装体的键合工序，最终得到芯片封装，如此才能通过封装的引脚与外部电子元件连接。在芯片与封装体的键合工艺中，都通过键合线将芯片上的焊盘与封装体的引脚进行电连接。所以键合线是实现芯片功能必不可少的材料。
但目前复合键合丝的生产和使用过程中仍然存在一些问题，目前已经报道的生产复合键合丝的工艺中，多是将芯材铸锭拉拔至直径1mm以下甚至直径100μm以下的细丝后再进行电镀或真空镀在芯材母线表面制备包覆层。这种加工方法存在诸多缺陷，例如，所采用的连续电镀或真空镀工艺成本较高，细丝进行镀覆后拉拔至产品尺寸的过程中，镀层与芯材经历的协调变形过程较短使得二者界面结合力不足，同时由于电镀或真空镀获得的镀层致密性以及与芯材的结合性欠佳，拉拔或使用过程中易出现镀层脱落的现象。
针对上述问题，中国授权专利CN114005807B揭露了一种镀金钯铜基键合丝及其制备方法，其铜基键合丝由基础材料铜添加铂和铈构成母合金基材，并在母合金基材制成的微细金属丝表面镀金然后镀钯而构成该铜基键合丝。该方案中的母合金基材与镀层之间结合性好，镀层不易发生脱落。
但在实际采用该制备方法进行镀金钯铜基键合丝的制备实验中，发现虽然相较于传统的镀金钯铜基键合丝，其母合金基材与镀层之间结合性得以提升，镀层比较不容易脱落。但是在同一批次生产的镀金钯铜基键合丝中，同一批次的镀金钯铜基键合丝中，镀金钯铜基键合丝的结合性的一致性相对较差，有的产品的镀层结合性很好，有的产品的镀层结合性则相对较差。
因此，期待一种更为优化的镀金钯铜基键合丝的制备方案。
发明内容
为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种镀金钯铜基键合丝及其制备方法，其首先获取预定时间段内多个预定时间点的超声波功率值以及所述预定时间段的电镀后母合金基材的超声处理状态监控视频，然后通过基于深度学习的深度神经网络模型来模拟并建立所述超声波的功率变化与所述电镀后母合金基材的超声处理状态变化之间的复杂映射关系，从而实现基于电镀后母合金基材的超声处理状态来实时准确地对于超声波的功率值进行自适应调控，以提高镀金钯铜基键合丝的结合性的一致性。
根据本申请的一个方面，提供了一种镀金钯铜基键合丝的制备方法，其包括：
获取预定时间段内多个预定时间点的超声波功率值以及所述预定时间段的电镀后母合金基材的超声处理状态监控视频；
从所述超声处理状态监控视频提取多个超声处理状态监控关键帧；
将所述多个超声处理状态监控关键帧按照时间维度聚合为三维输入张量后通过使用三维卷积核的第一卷积神经网络模型以得到超声作用状态变化特征图；
将所述超声作用状态变化特征图通过空间注意力模块以得到空间增强超声作用状态变化特征图；
将所述多个预定时间点的超声波功率值按照时间维度排列为功率输入向量后通过使用一维卷积核的第二卷积神经网络模型以得到超声波时序控制特征向量；
对所述空间增强超声作用状态变化特征图进行降维处理以得到空间增强超声作用状态变化特征向量；
计算所述超声波时序控制特征向量相对于所述空间增强超声作用状态变化特征向量的响应性估计以得到分类特征矩阵；
基于所述超声波时序控制特征向量和所述空间增强超声作用状态变化特征向量之间的关联，对所述分类特征矩阵进行特征表达优化以得到优化分类特征矩阵；以及
将所述优化分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示当前时间点的超声波功率应增大、应减小或保持不变。
在上述镀金钯铜基键合丝的制备方法中，所述从所述超声处理状态监控视频提取多个超声处理状态监控关键帧，包括:
以预定采样频率从所述超声处理状态监控视频提取所述多个超声处理状态监控关键帧。
在上述镀金钯铜基键合丝的制备方法中，所述将所述多个超声处理状态监控关键帧按照时间维度聚合为三维输入张量后通过使用三维卷积核的第一卷积神经网络模型以得到超声作用状态变化特征图，包括：使用所述第一卷积神经网络模型的各层在层的正向传递中对输入数据分别进行：
对所述输入数据进行基于三维卷积核的卷积处理以得到卷积特征图；
对所述卷积特征图进行基于局部特征矩阵的池化处理以得到池化特征图；以及
对所述池化特征图进行非线性激活以得到激活特征图；
其中，所述第一卷积神经网络模型的第一层的输入为所述三维输入张量，所述第一卷积神经网络模型的第二层至最后一层的输入为上一层的输出，所述第一卷积神经网络模型的最后一层的输出为所述超声作用状态变化特征图。
在上述镀金钯铜基键合丝的制备方法中，所述将所述超声作用状态变化特征图通过空间注意力模块以得到空间增强超声作用状态变化特征图，包括：
对所述超声作用状态变化特征图分别进行沿通道维度的平均池化和最大值池化以得到平均特征矩阵和最大值特征矩阵；
将所述平均特征矩阵和所述最大值特征矩阵进行级联和通道调整以得到通道特征矩阵；
使用所述空间注意力模块的卷积层对所述通道特征矩阵进行卷积编码以得到卷积特征矩阵；
将所述卷积特征矩阵通过Softmax函数以得到空间注意力得分矩阵；
将所述空间注意力得分矩阵和所述超声作用状态变化特征图减小逐位置的相乘以得到所述空间增强超声作用状态变化特征图。
在上述镀金钯铜基键合丝的制备方法中，所述将所述多个预定时间点的超声波功率值按照时间维度排列为功率输入向量后通过使用一维卷积核的第二卷积神经网络模型以得到超声波时序控制特征向量，包括：使用所述第二卷积神经网络模型的各层在层的正向传递中对输入数据分别进行：
对所述输入数据进行基于一维卷积核的卷积处理以得到卷积特征图；
对所述卷积特征图进行池化处理以得到池化特征图；以及
对所述池化特征图进行非线性激活以得到激活特征图；
其中，所述第二卷积神经网络模型的第一层的输入为所述功率输入向量，所述第二卷积神经网络模型的第二层至最后一层的输入为上一层的输出，所述第二卷积神经网络模型的最后一层的输出为所述超声波时序控制特征向量。
在上述镀金钯铜基键合丝的制备方法中，所述对所述空间增强超声作用状态变化特征图进行降维处理以得到空间增强超声作用状态变化特征向量，包括：
对所述空间增强超声作用状态变化特征图的沿通道维度的各个特征矩阵进行全局均值池化以得到所述空间增强超声作用状态变化特征向量。
在上述镀金钯铜基键合丝的制备方法中，所述计算所述超声波时序控制特征向量相对于所述空间增强超声作用状态变化特征向量的响应性估计以得到分类特征矩阵，包括：以如下公式计算所述超声波时序控制特征向量相对于所述空间增强超声作用状态变化特征向量的响应性估计以得到所述分类特征矩阵；
其中，所述公式为：
其中V1表示所述超声波时序控制特征向量，V2表示所述空间增强超声作用状态变化特征向量，
表示矩阵乘法，M2表示所述分类特征矩阵。
在上述镀金钯铜基键合丝的制备方法中，所述基于所述超声波时序控制特征向量和所述空间增强超声作用状态变化特征向量之间的关联，对所述分类特征矩阵进行特征表达优化以得到优化分类特征矩阵，包括：
以如下公式计算所述超声波时序控制特征向量和所述空间增强超声作用状态变化特征向量之间的图核游走节点分布融合特征矩阵，其中，所述公式为：
其中，V1表示所述超声波时序控制特征向量，V2表示所述空间增强超声作用状态变化特征向量，Mc表示所述图核游走节点分布融合特征矩阵，D(V1,V2)为所述超声波时序控制特征向量和所述空间增强超声作用状态变化特征向量之间的距离矩阵，exp(·)表示矩阵的指数运算，所述矩阵的指数运算表示计算以矩阵中各个位置的特征值为幂的自然指数函数值；以及
将所述图核游走节点分布融合特征矩阵与所述分类特征矩阵进行矩阵相乘以得到所述优化分类特征矩阵。
在上述镀金钯铜基键合丝的制备方法中，所述将所述优化分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示当前时间点的超声波功率应增大、应减小或保持不变，包括：
将所述优化分类特征矩阵投影为分类特征向量；
使用所述分类器的全连接层对分类特征向量进行全连接编码以得到编码特征向量；
将所述编码特征向量通过所述分类器的Softmax分类函数以得到归属于当前时间点的超声波功率应增大的第一概率、当前时间点的超声波功率应减小的第二概率以及当前时间点的超声波功率保持不变的第三概率；以及
基于所述第一概率、所述第二概率和所述第三概率之间的比较，确定所述分类结果。
根据本申请的另一方面，提供了一种镀金钯铜基键合丝，其由如上述的镀金钯铜基键合丝的制备方法制得。
与现有技术相比，本申请提供的一种镀金钯铜基键合丝及其制备方法，其首先获取预定时间段内多个预定时间点的超声波功率值以及所述预定时间段的电镀后母合金基材的超声处理状态监控视频，然后通过基于深度学习的深度神经网络模型来模拟并建立所述超声波的功率变化与所述电镀后母合金基材的超声处理状态变化之间的复杂映射关系，从而实现基于电镀后母合金基材的超声处理状态来实时准确地对于超声波的功率值进行自适应调控，以提高镀金钯铜基键合丝的结合性的一致性。
附图说明
通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
图1为根据本申请实施例的镀金钯铜基键合丝的制备方法的应用场景图。
图2为根据本申请实施例的镀金钯铜基键合丝的制备方法的流程图。
图3为根据本申请实施例的镀金钯铜基键合丝的制备方法的系统架构的示意图。
图4为根据本申请实施例的镀金钯铜基键合丝的制备系统的框图示意图。
具体实施方式
下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
场景概述
如上所述，在实际采用中国授权专利CN114005807B公开的制备方法进行镀金钯铜基键合丝的制备实验中，发现虽然相较于传统的镀金钯铜基键合丝，其母合金基材与镀层之间结合性得以提升，镀层比较不容易脱落。但是在同一批次生产的镀金钯铜基键合丝中，同一批次的镀金钯铜基键合丝中，镀金钯铜基键合丝的结合性的一致性相对较差，有的产品的镀层结合性很好，有的产品的镀层结合性则相对较差。
究其原因发现：在对母合金基材进行电镀以形成镀层后，通过超声波处理器进行处理以提高镀层与母合金基材之间的结合性，但是因各个母合金基材与镀层之间的初始结合情况不同，因此，如果采用相同的超声波功率控制策略，则会使得同一批次的镀金钯铜基键合丝的结合性指标的一致性发生偏差。
相应地，在本申请的技术方案中，考虑到在实际的镀层过程中所述超声波的功率控制应适配于电镀后母合金基材的超声处理状态情况，也就是，基于所述电镀后母合金基材的超声处理状态的动态变化特征来自适应地调整所述超声波的工作功率。难点在于如何建立所述超声波的功率变化与所述电镀后母合金基材的超声处理状态变化之间的映射关系，以提高镀金钯铜基键合丝的结合性的一致性。
近年来，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。此外，深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域，也展现出了接近甚至超越人类的水平。
深度学习以及神经网络的发展为挖掘所述超声波的功率变化与所述电镀后母合金基材的超声处理状态变化之间的复杂映射关系提供了新的解决思路和方案。本领域普通技术人员应知晓，基于深度学习的深度神经网络模型可以通过适当的训练策略，例如通过梯度下降的反向传播算法来调整所述深度神经网络模型的参数以使之能够模拟事物之间的复杂的非线性关联，而这显然适合于模拟并建立所述超声波的功率变化与所述电镀后母合金基材的超声处理状态变化之间的复杂映射关系。
具体地，在本申请的技术方案中，首先，获取预定时间段内多个预定时间点的超声波功率值以及所述预定时间段的电镀后母合金基材的超声处理状态监控视频。应可以理解，由于在所述预定时间段的电镀后母合金基材的超声处理状态监控视频中，电镀后母合金基材的超声处理状态变化特征可以通过所述超声处理状态监控视频中相邻监控帧之间的差分来表示，也就是，通过相邻图像帧的图像表征来表示所述电镀后母合金基材的超声处理状态变化情况。但是，考虑到所述超声处理状态监控视频中相邻帧的差异较小，存在大量数据冗余，因此为了降低计算量，且避免数据冗余给检测带来的不良影响，以预定采样频率对所述超声处理状态监控视频进行关键帧采样，以从所述超声处理状态监控视频提取多个超声处理状态监控关键帧。
接着，考虑到所述各个超声处理状态监控关键帧中关于所述电镀后母合金基材的超声处理状态特征在时间维度上具有着关联性，也就是说，所述电镀后母合金基材的超声处理状态信息在时序上是动态变化的。因此，在本申请的技术方案中，进一步将所述多个超声处理状态监控关键帧按照时间维度聚合为三维输入张量后通过使用三维卷积核的第一卷积神经网络模型中进行特征挖掘，以提取出所述电镀后母合金基材的超声处理状态特征在时间维度上的动态变化特征，从而得到超声作用状态变化特征图。特别地，这里，所述第一卷积卷积神经网络模型的卷积核为三维卷积核，其具有W(宽度)、H(高度)和C(通道维度)，在本申请的技术方案中，所述三维卷积核的通道维度对应于所述多个超声处理状态监控关键帧聚合为三维输入张量的时间维度，因此，在进行三维卷积编码时，能提取所述电镀后母合金基材的超声处理状态分布特征随时间维度的动态变化特征。
然后，考虑到在进行所述电镀后母合金基材的超声处理状态监测时，应更关注于空间位置上关于镀层与母合金基材之间的结合性特征信息而忽略与电镀后母合金基材的超声处理状态检测无关的干扰特征，鉴于注意力机制能够选择聚焦位置，产生更具分辨性的特征表示，且加入注意力模块后的特征会随着网络的加深产生适应性的改变。因此，在本申请的技术方案中，将所述超声作用状态变化特征图通过空间注意力模块中进行处理，以提取出所述超声作用状态变化特征图中聚焦于空间上的关于所述电镀后母合金基材的超声处理状态的动态变化隐含特征分布信息，从而得到空间增强超声作用状态变化特征图。值得一提的是，这里，所述空间注意力所提取到的图像特征则反映了空间维度特征差异的权重，用来抑制或强化不同空间位置的特征，以此来提取出空间上聚焦于所述电镀后母合金基材的超声处理状态的动态变化隐含特征分布信息。
进一步地，为了对于所述超声波功率值的动态变化关联特征进行提取以进行超声波的实时精准控制，在本申请的技术方案中，将所述多个预定时间点的超声波功率值按照时间维度排列为功率输入向量以整合所述超声波功率值在时序上的分布信息后，将其通过使用一维卷积核的第二卷积神经网络模型中进行特征挖掘，以提取出所述超声波功率值在时间维度上的关联性特征分布信息，从而得到超声波时序控制特征向量。
接着，再计算所述超声波时序控制特征向量相对于所述空间增强超声作用状态变化特征向量的响应性估计来表示所述超声波功率的时序关联特征与所述电镀后母合金基材的超声处理状态的动态变化特征间的关联性特征分布信息，即所述超声波的功率变化对于所述电镀后母合金基材的超声处理状态变化的影响，并以此作为分类特征矩阵通过分类器中进行分类处理，以得到用于表示当前时间点的超声波功率应增大、应减小或保持不变的分类结果。
也就是，在本申请的技术方案中，所述分类器的标签包括当前时间点的超声波功率应增大、应减小或保持不变，其中，所述分类器通过软最大值函数来确定所述分类特征矩阵属于哪个分类标签。应可以理解，在本申请的技术方案中，所述分类器的分类标签为所述超声波功率的控制策略标签，因此，在得到所述分类结果后，可基于所述分类结果来自适应地调整所述超声波的功率值，以此来实现所述镀金钯铜基键合丝的结合性的一致性的技术目的。也就是说，在本申请的技术方案中，基于所述分类结果，生成所述超声波功率值的控制指令，以此来进行所述超声波功率值的实时控制。
特别地，在本申请的技术方案中，这里，在计算所述超声波时序控制特征向量相对于所述空间增强超声作用状态变化特征向量的响应性估计得到所述分类特征矩阵时，由于是分别根据所述超声波时序控制特征向量和所述空间增强超声作用状态变化特征向量的第i位置和第j位置的特征值来得到所述分类特征矩阵的第(i,j)位置的特征值，因此所述分类特征矩阵表达所述超声波时序控制特征向量相对于所述空间增强超声作用状态变化特征向量的特征值粒度的响应特征，而如果所述分类特征矩阵能够进一步表达所述超声波时序控制特征向量相对于所述空间增强超声作用状态变化特征向量的向量级的响应特征，显然可以提升所述分类特征矩阵的表达效果。
因此，优选地，进一步计算所述超声波时序控制特征向量和所述空间增强超声作用状态变化特征向量之间的图核游走节点分布融合特征矩阵，表示为：
D(V1,V2)为所述超声波时序控制特征向量V1和所述空间增强超声作用状态变化特征向量V2之间的距离矩阵，即di,j＝d(v1i,v2j)，且V1和V2均为列向量。
所述图核游走节点分布融合特征矩阵模拟图核的思路，将所述超声波时序控制特征向量V1和所述空间增强超声作用状态变化特征向量V2分别视为图中的节点，基于其各自的特征分布在距离拓扑图上进行游走，以将拓扑节点泛化到相对于所述超声波时序控制特征向量V1和所述空间增强超声作用状态变化特征向量V2的类别特征分布具有连续高维类空间属性的场景下，从而表示作为拓扑节点的所述超声波时序控制特征向量V1和所述空间增强超声作用状态变化特征向量V2在融合特征的高维特征空间内的局部分布信息，以表达所述超声波时序控制特征向量V1和所述空间增强超声作用状态变化特征向量V2之间的向量级的关联特征。
进一步地，将所述图核游走节点分布融合特征矩阵与所述分类特征矩阵进行矩阵相乘，以将所述分类特征矩阵映射到关联特征空间内，以使得所述分类特征矩阵进一步表达所述超声波时序控制特征向量相对于所述空间增强超声作用状态变化特征向量的向量级的响应特征，从而得到优化分类特征矩阵。并以此所述优化分类特征矩阵来通过分类器进行分类，以进行当前时间点的超声波功率应增大、应减小或保持不变的控制。这样，能够基于电镀后母合金基材的超声处理状态来实时准确地对于超声波的功率值进行自适应调控，以提高镀金钯铜基键合丝的结合性的一致性。
图1为根据本申请实施例的镀金钯铜基键合丝的制备方法的应用场景图。如图1所示，在该应用场景中，首先，通过超声波处理器(例如，如图1中所示意的U)对母合金基材(例如，如图1中所示意的B)进行电镀处理。然后，从超声波处理器中获取预定时间段内多个预定时间点的超声波功率值(例如，如图1中所示意的P)，并通过摄像头(例如，如图1中所示意的C)采集所述预定时间段的电镀后母合金基材的超声处理状态监控视频(例如，如图1中所示意的V)。接着，将采集的所述多个预定时间点的超声波功率值和所述超声处理状态监控视频输入至部署有镀金钯铜基键合丝的制备算法的服务器中(例如，图1中所示意的S)，其中，所述服务器能够使用所述镀金钯铜基键合丝的制备算法对所述多个预定时间点的超声波功率值和所述超声处理状态监控视频进行处理以生成用于表示当前时间点的超声波功率应增大、应减小或保持不变的分类结果。
在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。
示例性方法
图2为根据本申请实施例的镀金钯铜基键合丝的制备方法的流程图。如图2所示，根据本申请实施例的镀金钯铜基键合丝的制备方法，包括：S110，获取预定时间段内多个预定时间点的超声波功率值以及所述预定时间段的电镀后母合金基材的超声处理状态监控视频；S120，从所述超声处理状态监控视频提取多个超声处理状态监控关键帧；S130，将所述多个超声处理状态监控关键帧按照时间维度聚合为三维输入张量后通过使用三维卷积核的第一卷积神经网络模型以得到超声作用状态变化特征图；S140，将所述超声作用状态变化特征图通过空间注意力模块以得到空间增强超声作用状态变化特征图；S150，将所述多个预定时间点的超声波功率值按照时间维度排列为功率输入向量后通过使用一维卷积核的第二卷积神经网络模型以得到超声波时序控制特征向量；S160，对所述空间增强超声作用状态变化特征图进行降维处理以得到空间增强超声作用状态变化特征向量；S170，计算所述超声波时序控制特征向量相对于所述空间增强超声作用状态变化特征向量的响应性估计以得到分类特征矩阵；S180，基于所述超声波时序控制特征向量和所述空间增强超声作用状态变化特征向量之间的关联，对所述分类特征矩阵进行特征表达优化以得到优化分类特征矩阵；以及，S190，将所述优化分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示当前时间点的超声波功率应增大、应减小或保持不变。
图3为根据本申请实施例的镀金钯铜基键合丝的制备方法的系统架构的示意图。如图3所示，在本申请实施例中，首先，获取预定时间段内多个预定时间点的超声波功率值以及所述预定时间段的电镀后母合金基材的超声处理状态监控视频。然后，从所述超声处理状态监控视频提取多个超声处理状态监控关键帧，并将所述多个超声处理状态监控关键帧按照时间维度聚合为三维输入张量后通过使用三维卷积核的第一卷积神经网络模型以得到超声作用状态变化特征图。接着，将所述超声作用状态变化特征图通过空间注意力模块以得到空间增强超声作用状态变化特征图，并对所述空间增强超声作用状态变化特征图进行降维处理以得到空间增强超声作用状态变化特征向量。同时，将所述多个预定时间点的超声波功率值按照时间维度排列为功率输入向量后通过使用一维卷积核的第二卷积神经网络模型以得到超声波时序控制特征向量。然后，计算所述超声波时序控制特征向量相对于所述空间增强超声作用状态变化特征向量的响应性估计以得到分类特征矩阵，并基于所述超声波时序控制特征向量和所述空间增强超声作用状态变化特征向量之间的关联，对所述分类特征矩阵进行特征表达优化以得到优化分类特征矩阵。最后，将所述优化分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示当前时间点的超声波功率应增大、应减小或保持不变。
在步骤S110中，获取预定时间段内多个预定时间点的超声波功率值以及所述预定时间段的电镀后母合金基材的超声处理状态监控视频。应可以理解，考虑到在实际的镀层过程中所述超声波的功率控制应适配于电镀后母合金基材的超声处理状态情况，也就是，基于所述电镀后母合金基材的超声处理状态的动态变化特征来自适应地调整所述超声波的工作功率。难点在于如何建立所述超声波的功率变化与所述电镀后母合金基材的超声处理状态变化之间的映射关系，以提高镀金钯铜基键合丝的结合性的一致性。而基于深度学习的深度神经网络模型可以通过适当的训练策略，例如通过梯度下降的反向传播算法来调整所述深度神经网络模型的参数以使之能够模拟事物之间的复杂的非线性关联，而这显然适合于模拟并建立所述超声波的功率变化与所述电镀后母合金基材的超声处理状态变化之间的复杂映射关系。
具体地，在本申请的技术方案中，通过超声波处理器对母合金基材进行电镀处理。然后，从超声波处理器中获取预定时间段内多个预定时间点的超声波功率值，并通过摄像头采集所述预定时间段的电镀后母合金基材的超声处理状态监控视频。
在步骤S120中，从所述超声处理状态监控视频提取多个超声处理状态监控关键帧。应可以理解，由于在所述预定时间段的电镀后母合金基材的超声处理状态监控视频中，电镀后母合金基材的超声处理状态变化特征可以通过所述超声处理状态监控视频中相邻监控帧之间的差分来表示，也就是，通过相邻图像帧的图像表征来表示所述电镀后母合金基材的超声处理状态变化情况。但是，考虑到所述超声处理状态监控视频中相邻帧的差异较小，存在大量数据冗余，因此为了降低计算量，且避免数据冗余给检测带来的不良影响，以预定采样频率对所述超声处理状态监控视频进行关键帧采样，以从所述超声处理状态监控视频提取多个超声处理状态监控关键帧。
在本申请一个具体的实施例中，所述从所述超声处理状态监控视频提取多个超声处理状态监控关键帧，包括:以预定采样频率从所述超声处理状态监控视频提取所述多个超声处理状态监控关键帧。
在步骤S130中，将所述多个超声处理状态监控关键帧按照时间维度聚合为三维输入张量后通过使用三维卷积核的第一卷积神经网络模型以得到超声作用状态变化特征图。应可以理解，考虑到所述各个超声处理状态监控关键帧中关于所述电镀后母合金基材的超声处理状态特征在时间维度上具有着关联性，也就是说，所述电镀后母合金基材的超声处理状态信息在时序上是动态变化的。因此，在本申请的技术方案中，进一步将所述多个超声处理状态监控关键帧按照时间维度聚合为三维输入张量后通过使用三维卷积核的第一卷积神经网络模型中进行特征挖掘，以提取出所述电镀后母合金基材的超声处理状态特征在时间维度上的动态变化特征，从而得到超声作用状态变化特征图。特别地，这里，所述第一卷积卷积神经网络模型的卷积核为三维卷积核，其具有W(宽度)、H(高度)和C(通道维度)，在本申请的技术方案中，所述三维卷积核的通道维度对应于所述多个超声处理状态监控关键帧聚合为三维输入张量的时间维度，因此，在进行三维卷积编码时，能提取所述电镀后母合金基材的超声处理状态分布特征随时间维度的动态变化特征。
在本申请一个具体的实施例中，所述将所述多个超声处理状态监控关键帧按照时间维度聚合为三维输入张量后通过使用三维卷积核的第一卷积神经网络模型以得到超声作用状态变化特征图，包括：使用所述第一卷积神经网络模型的各层在层的正向传递中对输入数据分别进行：对所述输入数据进行基于三维卷积核的卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部特征矩阵的池化处理以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述第一卷积神经网络模型的第一层的输入为所述三维输入张量，所述第一卷积神经网络模型的第二层至最后一层的输入为上一层的输出，所述第一卷积神经网络模型的最后一层的输出为所述超声作用状态变化特征图。
在步骤S140中，将所述超声作用状态变化特征图通过空间注意力模块以得到空间增强超声作用状态变化特征图。应可以理解，考虑到在进行所述电镀后母合金基材的超声处理状态监测时，应更关注于空间位置上关于镀层与母合金基材之间的结合性特征信息而忽略与电镀后母合金基材的超声处理状态检测无关的干扰特征，鉴于注意力机制能够选择聚焦位置，产生更具分辨性的特征表示，且加入注意力模块后的特征会随着网络的加深产生适应性的改变。因此，在本申请的技术方案中，将所述超声作用状态变化特征图通过空间注意力模块中进行处理，以提取出所述超声作用状态变化特征图中聚焦于空间上的关于所述电镀后母合金基材的超声处理状态的动态变化隐含特征分布信息，从而得到空间增强超声作用状态变化特征图。值得一提的是，这里，所述空间注意力所提取到的图像特征则反映了空间维度特征差异的权重，用来抑制或强化不同空间位置的特征，以此来提取出空间上聚焦于所述电镀后母合金基材的超声处理状态的动态变化隐含特征分布信息。
在本申请一个具体的实施例中，所述将所述超声作用状态变化特征图通过空间注意力模块以得到空间增强超声作用状态变化特征图，包括：对所述超声作用状态变化特征图分别进行沿通道维度的平均池化和最大值池化以得到平均特征矩阵和最大值特征矩阵；将所述平均特征矩阵和所述最大值特征矩阵进行级联和通道调整以得到通道特征矩阵；使用所述空间注意力模块的卷积层对所述通道特征矩阵进行卷积编码以得到卷积特征矩阵；将所述卷积特征矩阵通过Softmax函数以得到空间注意力得分矩阵；将所述空间注意力得分矩阵和所述超声作用状态变化特征图减小逐位置的相乘以得到所述空间增强超声作用状态变化特征图。
在步骤S150中，将所述多个预定时间点的超声波功率值按照时间维度排列为功率输入向量后通过使用一维卷积核的第二卷积神经网络模型以得到超声波时序控制特征向量。应可以理解，为了对于所述超声波功率值的动态变化关联特征进行提取以进行超声波的实时精准控制，在本申请的技术方案中，将所述多个预定时间点的超声波功率值按照时间维度排列为功率输入向量以整合所述超声波功率值在时序上的分布信息后，将其通过使用一维卷积核的第二卷积神经网络模型中进行特征挖掘，以提取出所述超声波功率值在时间维度上的关联性特征分布信息，从而得到超声波时序控制特征向量。
在本申请一个具体的实施例中，所述将所述多个预定时间点的超声波功率值按照时间维度排列为功率输入向量后通过使用一维卷积核的第二卷积神经网络模型以得到超声波时序控制特征向量，包括：使用所述第二卷积神经网络模型的各层在层的正向传递中对输入数据分别进行：对所述输入数据进行基于一维卷积核的卷积处理以得到卷积特征图；对所述卷积特征图进行池化处理以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述第二卷积神经网络模型的第一层的输入为所述功率输入向量，所述第二卷积神经网络模型的第二层至最后一层的输入为上一层的输出，所述第二卷积神经网络模型的最后一层的输出为所述超声波时序控制特征向量。
在步骤S160中，对所述空间增强超声作用状态变化特征图进行降维处理以得到空间增强超声作用状态变化特征向量。应可以理解，考虑到所述空间增强超声作用状态变化特征图和所述超声波时序控制特征向量维度不统一，因此对所述空间增强超声作用状态变化特征图进行降维处理以得到空间增强超声作用状态变化特征向量。
在本申请一个具体的实施例中，所述对所述空间增强超声作用状态变化特征图进行降维处理以得到空间增强超声作用状态变化特征向量，包括：对所述空间增强超声作用状态变化特征图的沿通道维度的各个特征矩阵进行全局均值池化以得到所述空间增强超声作用状态变化特征向量。
在步骤S170中，计算所述超声波时序控制特征向量相对于所述空间增强超声作用状态变化特征向量的响应性估计以得到分类特征矩阵。也就是，计算所述超声波时序控制特征向量相对于所述空间增强超声作用状态变化特征向量的响应性估计来表示所述超声波功率的时序关联特征与所述电镀后母合金基材的超声处理状态的动态变化特征间的关联性特征分布信息，即所述超声波的功率变化对于所述电镀后母合金基材的超声处理状态变化的影响。
在本申请一个具体的实施例中，所述计算所述超声波时序控制特征向量相对于所述空间增强超声作用状态变化特征向量的响应性估计以得到分类特征矩阵，包括：以如下公式计算所述超声波时序控制特征向量相对于所述空间增强超声作用状态变化特征向量的响应性估计以得到所述分类特征矩阵；
其中，所述公式为：
其中V1表示所述超声波时序控制特征向量，V2表示所述空间增强超声作用状态变化特征向量，
表示矩阵乘法，M2表示所述分类特征矩阵。
在步骤S180中，基于所述超声波时序控制特征向量和所述空间增强超声作用状态变化特征向量之间的关联，对所述分类特征矩阵进行特征表达优化以得到优化分类特征矩阵。特别地，在本申请的技术方案中，这里，在计算所述超声波时序控制特征向量相对于所述空间增强超声作用状态变化特征向量的响应性估计得到所述分类特征矩阵时，由于是分别根据所述超声波时序控制特征向量和所述空间增强超声作用状态变化特征向量的第i位置和第j位置的特征值来得到所述分类特征矩阵的第(i,j)位置的特征值，因此所述分类特征矩阵表达所述超声波时序控制特征向量相对于所述空间增强超声作用状态变化特征向量的特征值粒度的响应特征，而如果所述分类特征矩阵能够进一步表达所述超声波时序控制特征向量相对于所述空间增强超声作用状态变化特征向量的向量级的响应特征，显然可以提升所述分类特征矩阵的表达效果。因此，优选地，进一步计算所述超声波时序控制特征向量和所述空间增强超声作用状态变化特征向量之间的图核游走节点分布融合特征矩阵。
在本申请一个具体的实施例中，所述基于所述超声波时序控制特征向量和所述空间增强超声作用状态变化特征向量之间的关联，对所述分类特征矩阵进行特征表达优化以得到优化分类特征矩阵，包括：以如下公式计算所述超声波时序控制特征向量和所述空间增强超声作用状态变化特征向量之间的图核游走节点分布融合特征矩阵，其中，所述公式为：
其中，V1表示所述超声波时序控制特征向量，V2表示所述空间增强超声作用状态变化特征向量，Mc表示所述图核游走节点分布融合特征矩阵，D(V1,V2)为所述超声波时序控制特征向量和所述空间增强超声作用状态变化特征向量之间的距离矩阵，exp(·)表示矩阵的指数运算，所述矩阵的指数运算表示计算以矩阵中各个位置的特征值为幂的自然指数函数值；以及
将所述图核游走节点分布融合特征矩阵与所述分类特征矩阵进行矩阵相乘以得到所述优化分类特征矩阵。
进一步地，将所述图核游走节点分布融合特征矩阵与所述分类特征矩阵进行矩阵相乘，以将所述分类特征矩阵映射到关联特征空间内，以使得所述分类特征矩阵进一步表达所述超声波时序控制特征向量相对于所述空间增强超声作用状态变化特征向量的向量级的响应特征，从而得到优化分类特征矩阵。并以此所述优化分类特征矩阵来通过分类器进行分类，以进行当前时间点的超声波功率应增大、应减小或保持不变的控制。这样，能够基于电镀后母合金基材的超声处理状态来实时准确地对于超声波的功率值进行自适应调控，以提高镀金钯铜基键合丝的结合性的一致性。
在步骤S190中，将所述优化分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示当前时间点的超声波功率应增大、应减小或保持不变。也就是，在本申请的技术方案中，所述分类器的标签包括当前时间点的超声波功率应增大、应减小或保持不变，其中，所述分类器通过软最大值函数来确定所述分类特征矩阵属于哪个分类标签。应可以理解，在本申请的技术方案中，所述分类器的分类标签为所述超声波功率的控制策略标签，因此，在得到所述分类结果后，可基于所述分类结果来自适应地调整所述超声波的功率值，以此来实现所述镀金钯铜基键合丝的结合性的一致性的技术目的。也就是说，在本申请的技术方案中，基于所述分类结果，生成所述超声波功率值的控制指令，以此来进行所述超声波功率值的实时控制。
在本申请一个具体的实施例中，所述将所述优化分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示当前时间点的超声波功率应增大、应减小或保持不变，包括：将所述优化分类特征矩阵投影为分类特征向量；使用所述分类器的全连接层对分类特征向量进行全连接编码以得到编码特征向量；将所述编码特征向量通过所述分类器的Softmax分类函数以得到归属于当前时间点的超声波功率应增大的第一概率、当前时间点的超声波功率应减小的第二概率以及当前时间点的超声波功率保持不变的第三概率；以及，基于所述第一概率、所述第二概率和所述第三概率之间的比较，确定所述分类结果。
更为具体地，在本申请的一个实施例中，对所述超声波功率设置挡位，具体数值根据实际生产情况设置，当所述第一概率最大时，所述分类结果为当前时间点的超声波功率应增大，这是，将所述超声波功率增大一个挡位，当所述第二概率最大时，所述分类结果为当前时间点的超声波功率应减小，这是，将所述超声波功率减小一个挡位。当然，这里增大和减小的挡位的熟知可以不相同。
通过上述方法制备镀金钯铜基键合丝，这种镀金钯铜基键合丝的同一批次的结合性指标的一致性更强。
综上，基于本申请实施例的所述镀金钯铜基键合丝的制备方法，其首先获取预定时间段内多个预定时间点的超声波功率值以及所述预定时间段的电镀后母合金基材的超声处理状态监控视频，然后通过基于深度学习的深度神经网络模型来模拟并建立所述超声波的功率变化与所述电镀后母合金基材的超声处理状态变化之间的复杂映射关系，从而实现基于电镀后母合金基材的超声处理状态来实时准确地对于超声波的功率值进行自适应调控，以提高镀金钯铜基键合丝的结合性的一致性。
示例性系统
图4为根据本申请实施例的镀金钯铜基键合丝的制备系统的框图示意图。如图4所示，根据本申请实施例的所述镀金钯铜基键合丝的制备系统100，数据获取模块110，用于获取预定时间段内多个预定时间点的超声波功率值以及所述预定时间段的电镀后母合金基材的超声处理状态监控视频；监控关键帧获取模块120，用于从所述超声处理状态监控视频提取多个超声处理状态监控关键帧；三维卷积编码模块130，用于将所述多个超声处理状态监控关键帧按照时间维度聚合为三维输入张量后通过使用三维卷积核的第一卷积神经网络模型以得到超声作用状态变化特征图；空间增强编码模块140，用于将所述超声作用状态变化特征图通过空间注意力模块以得到空间增强超声作用状态变化特征图；一维卷积编码模块150，用于将所述多个预定时间点的超声波功率值按照时间维度排列为功率输入向量后通过使用一维卷积核的第二卷积神经网络模型以得到超声波时序控制特征向量；降维模块160，用于对所述空间增强超声作用状态变化特征图进行降维处理以得到空间增强超声作用状态变化特征向量；分类特征矩阵获取模块170，用于计算所述超声波时序控制特征向量相对于所述空间增强超声作用状态变化特征向量的响应性估计以得到分类特征矩阵；特征表达优化模块180，用于基于所述超声波时序控制特征向量和所述空间增强超声作用状态变化特征向量之间的关联，对所述分类特征矩阵进行特征表达优化以得到优化分类特征矩阵；以及，分类模块190，将所述优化分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示当前时间点的超声波功率应增大、应减小或保持不变。
在本申请一个具体的实施例中，所述监控关键帧获取模块，包括:以预定采样频率从所述超声处理状态监控视频提取所述多个超声处理状态监控关键帧。
在本申请一个具体的实施例中，所述三维卷积编码模块，包括：使用所述第一卷积神经网络模型的各层在层的正向传递中对输入数据分别进行：对所述输入数据进行基于三维卷积核的卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部特征矩阵的池化处理以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述第一卷积神经网络模型的第一层的输入为所述三维输入张量，所述第一卷积神经网络模型的第二层至最后一层的输入为上一层的输出，所述第一卷积神经网络模型的最后一层的输出为所述超声作用状态变化特征图。
在本申请一个具体的实施例中，所述空间增强编码模块，包括：对所述超声作用状态变化特征图分别进行沿通道维度的平均池化和最大值池化以得到平均特征矩阵和最大值特征矩阵；将所述平均特征矩阵和所述最大值特征矩阵进行级联和通道调整以得到通道特征矩阵；使用所述空间注意力模块的卷积层对所述通道特征矩阵进行卷积编码以得到卷积特征矩阵；将所述卷积特征矩阵通过Softmax函数以得到空间注意力得分矩阵；将所述空间注意力得分矩阵和所述超声作用状态变化特征图减小逐位置的相乘以得到所述空间增强超声作用状态变化特征图。
在本申请一个具体的实施例中，所述一维卷积编码模块，包括：使用所述第二卷积神经网络模型的各层在层的正向传递中对输入数据分别进行：对所述输入数据进行基于一维卷积核的卷积处理以得到卷积特征图；对所述卷积特征图进行池化处理以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述第二卷积神经网络模型的第一层的输入为所述功率输入向量，所述第二卷积神经网络模型的第二层至最后一层的输入为上一层的输出，所述第二卷积神经网络模型的最后一层的输出为所述超声波时序控制特征向量。
在本申请一个具体的实施例中，所述降维模块，包括：对所述空间增强超声作用状态变化特征图的沿通道维度的各个特征矩阵进行全局均值池化以得到所述空间增强超声作用状态变化特征向量。
在本申请一个具体的实施例中，所述分类特征矩阵获取模块，包括：以如下公式计算所述超声波时序控制特征向量相对于所述空间增强超声作用状态变化特征向量的响应性估计以得到所述分类特征矩阵；
其中，所述公式为：
其中V1表示所述超声波时序控制特征向量，V2表示所述空间增强超声作用状态变化特征向量，
表示矩阵乘法，M2表示所述分类特征矩阵。
在本申请一个具体的实施例中，所述特征表达优化模块，包括：以如下公式计算所述超声波时序控制特征向量和所述空间增强超声作用状态变化特征向量之间的图核游走节点分布融合特征矩阵，其中，所述公式为：
其中，V1表示所述超声波时序控制特征向量，V2表示所述空间增强超声作用状态变化特征向量，Mc表示所述图核游走节点分布融合特征矩阵，D(V1,V2)为所述超声波时序控制特征向量和所述空间增强超声作用状态变化特征向量之间的距离矩阵，exp(·)表示矩阵的指数运算，所述矩阵的指数运算表示计算以矩阵中各个位置的特征值为幂的自然指数函数值；以及
将所述图核游走节点分布融合特征矩阵与所述分类特征矩阵进行矩阵相乘以得到所述优化分类特征矩阵。
在本申请一个具体的实施例中，所述分类模块，包括：将所述优化分类特征矩阵投影为分类特征向量；使用所述分类器的全连接层对分类特征向量进行全连接编码以得到编码特征向量；将所述编码特征向量通过所述分类器的Softmax分类函数以得到归属于当前时间点的超声波功率应增大的第一概率、当前时间点的超声波功率应减小的第二概率以及当前时间点的超声波功率保持不变的第三概率；以及，基于所述第一概率、所述第二概率和所述第三概率之间的比较，确定所述分类结果。
这里，本领域技术人员可以理解，上述镀金钯铜基键合丝的制备系统中的各个单元和模块的具体功能和操作已经在上面参考图1到图3的镀金钯铜基键合丝的制备方法的描述中得到了详细介绍，并因此，将省略其重复描述。
Claims (10)
1.一种镀金钯铜基键合丝的制备方法，其特征在于，包括：
获取预定时间段内多个预定时间点的超声波功率值以及所述预定时间段的电镀后母合金基材的超声处理状态监控视频；
从所述超声处理状态监控视频提取多个超声处理状态监控关键帧；
将所述多个超声处理状态监控关键帧按照时间维度聚合为三维输入张量后通过使用三维卷积核的第一卷积神经网络模型以得到超声作用状态变化特征图；
将所述超声作用状态变化特征图通过空间注意力模块以得到空间增强超声作用状态变化特征图；
将所述多个预定时间点的超声波功率值按照时间维度排列为功率输入向量后通过使用一维卷积核的第二卷积神经网络模型以得到超声波时序控制特征向量；
对所述空间增强超声作用状态变化特征图进行降维处理以得到空间增强超声作用状态变化特征向量；
计算所述超声波时序控制特征向量相对于所述空间增强超声作用状态变化特征向量的响应性估计以得到分类特征矩阵；
基于所述超声波时序控制特征向量和所述空间增强超声作用状态变化特征向量之间的关联，对所述分类特征矩阵进行特征表达优化以得到优化分类特征矩阵；以及
将所述优化分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示当前时间点的超声波功率应增大、应减小或保持不变。
2.根据权利要求1所述的镀金钯铜基键合丝的制备方法，其特征在于，所述从所述超声处理状态监控视频提取多个超声处理状态监控关键帧，包括:
以预定采样频率从所述超声处理状态监控视频提取所述多个超声处理状态监控关键帧。
3.根据权利要求2所述的镀金钯铜基键合丝的制备方法，其特征在于，所述将所述多个超声处理状态监控关键帧按照时间维度聚合为三维输入张量后通过使用三维卷积核的第一卷积神经网络模型以得到超声作用状态变化特征图，包括：使用所述第一卷积神经网络模型的各层在层的正向传递中对输入数据分别进行：
对所述输入数据进行基于三维卷积核的卷积处理以得到卷积特征图；
对所述卷积特征图进行基于局部特征矩阵的池化处理以得到池化特征图；以及
对所述池化特征图进行非线性激活以得到激活特征图；
其中，所述第一卷积神经网络模型的第一层的输入为所述三维输入张量，所述第一卷积神经网络模型的第二层至最后一层的输入为上一层的输出，所述第一卷积神经网络模型的最后一层的输出为所述超声作用状态变化特征图。
4.根据权利要求3所述的镀金钯铜基键合丝的制备方法，其特征在于，所述将所述超声作用状态变化特征图通过空间注意力模块以得到空间增强超声作用状态变化特征图，包括：
对所述超声作用状态变化特征图分别进行沿通道维度的平均池化和最大值池化以得到平均特征矩阵和最大值特征矩阵；
将所述平均特征矩阵和所述最大值特征矩阵进行级联和通道调整以得到通道特征矩阵；
使用所述空间注意力模块的卷积层对所述通道特征矩阵进行卷积编码以得到卷积特征矩阵；
将所述卷积特征矩阵通过Softmax函数以得到空间注意力得分矩阵；
将所述空间注意力得分矩阵和所述超声作用状态变化特征图减小逐位置的相乘以得到所述空间增强超声作用状态变化特征图。
5.根据权利要求4所述的镀金钯铜基键合丝的制备方法，其特征在于，所述将所述多个预定时间点的超声波功率值按照时间维度排列为功率输入向量后通过使用一维卷积核的第二卷积神经网络模型以得到超声波时序控制特征向量，包括：使用所述第二卷积神经网络模型的各层在层的正向传递中对输入数据分别进行：
对所述输入数据进行基于一维卷积核的卷积处理以得到卷积特征图；
对所述卷积特征图进行池化处理以得到池化特征图；以及
对所述池化特征图进行非线性激活以得到激活特征图；
其中，所述第二卷积神经网络模型的第一层的输入为所述功率输入向量，所述第二卷积神经网络模型的第二层至最后一层的输入为上一层的输出，所述第二卷积神经网络模型的最后一层的输出为所述超声波时序控制特征向量。
6.根据权利要求5所述的镀金钯铜基键合丝的制备方法，其特征在于，所述对所述空间增强超声作用状态变化特征图进行降维处理以得到空间增强超声作用状态变化特征向量，包括：
对所述空间增强超声作用状态变化特征图的沿通道维度的各个特征矩阵进行全局均值池化以得到所述空间增强超声作用状态变化特征向量。
7.根据权利要求6所述的镀金钯铜基键合丝的制备方法，其特征在于，所述计算所述超声波时序控制特征向量相对于所述空间增强超声作用状态变化特征向量的响应性估计以得到分类特征矩阵，包括：以如下公式计算所述超声波时序控制特征向量相对于所述空间增强超声作用状态变化特征向量的响应性估计以得到所述分类特征矩阵；
其中，所述公式为：
其中V1表示所述超声波时序控制特征向量，V2表示所述空间增强超声作用状态变化特征向量，
表示矩阵乘法，M2表示所述分类特征矩阵。
8.根据权利要求7所述的镀金钯铜基键合丝的制备方法，其特征在于，所述基于所述超声波时序控制特征向量和所述空间增强超声作用状态变化特征向量之间的关联，对所述分类特征矩阵进行特征表达优化以得到优化分类特征矩阵，包括：
以如下公式计算所述超声波时序控制特征向量和所述空间增强超声作用状态变化特征向量之间的图核游走节点分布融合特征矩阵，其中，所述公式为：
其中，V1表示所述超声波时序控制特征向量，V2表示所述空间增强超声作用状态变化特征向量，Mc表示所述图核游走节点分布融合特征矩阵，D(V1,V2)为所述超声波时序控制特征向量和所述空间增强超声作用状态变化特征向量之间的距离矩阵，exp(·)表示矩阵的指数运算，所述矩阵的指数运算表示计算以矩阵中各个位置的特征值为幂的自然指数函数值；以及
将所述图核游走节点分布融合特征矩阵与所述分类特征矩阵进行矩阵相乘以得到所述优化分类特征矩阵。
9.根据权利要求8所述的镀金钯铜基键合丝的制备方法，其特征在于，所述将所述优化分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示当前时间点的超声波功率应增大、应减小或保持不变，包括：
将所述优化分类特征矩阵投影为分类特征向量；
使用所述分类器的全连接层对分类特征向量进行全连接编码以得到编码特征向量；
将所述编码特征向量通过所述分类器的Softmax分类函数以得到归属于当前时间点的超声波功率应增大的第一概率、当前时间点的超声波功率应减小的第二概率以及当前时间点的超声波功率保持不变的第三概率；以及
基于所述第一概率、所述第二概率和所述第三概率之间的比较，确定所述分类结果。
10.一种镀金钯铜基键合丝，其特征在于，由如权利要求1至9任一所述的镀金钯铜基键合丝的制备方法制得。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211687427.4A CN115863193A (zh) | 2022-12-27 | 2022-12-27 | 一种镀金钯铜基键合丝及其制备方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211687427.4A CN115863193A (zh) | 2022-12-27 | 2022-12-27 | 一种镀金钯铜基键合丝及其制备方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115863193A true CN115863193A (zh) | 2023-03-28 |
Family
ID=85655185
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211687427.4A Pending CN115863193A (zh) | 2022-12-27 | 2022-12-27 | 一种镀金钯铜基键合丝及其制备方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115863193A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116375006A (zh) * | 2023-05-04 | 2023-07-04 | 江西塑高新材料有限公司 | 碳纳米管物理分散方法 |
| CN116619780A (zh) * | 2023-06-15 | 2023-08-22 | 浙江恒耀电子材料有限公司 | 酚醛复合材料的智能化生产方法及其系统 |
| CN116842418A (zh) * | 2023-05-31 | 2023-10-03 | 浙江中屹纺织机械科技有限公司 | 智能喷水织机及其控制系统 |
| CN116858509A (zh) * | 2023-05-24 | 2023-10-10 | 车金喜汽配股份有限公司 | 汽车零部件用加工系统及其方法 |
| CN117130264A (zh) * | 2023-10-27 | 2023-11-28 | 深圳中宝新材科技有限公司 | 一种基于侧行时频资源的键合银丝设备控制方法及装置 |
-
2022
- 2022-12-27 CN CN202211687427.4A patent/CN115863193A/zh active Pending
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116375006A (zh) * | 2023-05-04 | 2023-07-04 | 江西塑高新材料有限公司 | 碳纳米管物理分散方法 |
| CN116858509A (zh) * | 2023-05-24 | 2023-10-10 | 车金喜汽配股份有限公司 | 汽车零部件用加工系统及其方法 |
| CN116842418A (zh) * | 2023-05-31 | 2023-10-03 | 浙江中屹纺织机械科技有限公司 | 智能喷水织机及其控制系统 |
| CN116842418B (zh) * | 2023-05-31 | 2024-01-05 | 浙江中屹纺织机械科技有限公司 | 智能喷水织机及其控制系统 |
| CN116619780A (zh) * | 2023-06-15 | 2023-08-22 | 浙江恒耀电子材料有限公司 | 酚醛复合材料的智能化生产方法及其系统 |
| CN117130264A (zh) * | 2023-10-27 | 2023-11-28 | 深圳中宝新材科技有限公司 | 一种基于侧行时频资源的键合银丝设备控制方法及装置 |
| CN117130264B (zh) * | 2023-10-27 | 2024-01-05 | 深圳中宝新材科技有限公司 | 一种基于侧行时频资源的键合银丝设备控制方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115863193A (zh) | 一种镀金钯铜基键合丝及其制备方法 | |
| CN108229338B (zh) | 一种基于深度卷积特征的视频行为识别方法 | |
| CN108959728B (zh) | 基于深度学习的射频器件参数优化方法 | |
| CN109756690B (zh) | 基于特征级别光流的轻量级视频插值方法 | |
| CN109377530A (zh) | 一种基于深度神经网络的双目深度估计方法 | |
| CN112291808B (zh) | 基于深度学习的区域网络流量预测方法 | |
| CN114008663A (zh) | 实时视频超分辨率 | |
| CN113361560B (zh) | 一种基于语义的多姿势虚拟试衣方法 | |
| Lai et al. | Real-time micro-expression recognition based on ResNet and atrous convolutions | |
| CN115393779A (zh) | 用于激光熔覆金属球制造的控制系统及其控制方法 | |
| CN109389035A (zh) | 基于多特征和帧置信分数的低延迟视频动作检测方法 | |
| CN116036639A (zh) | 超声波诱导六氟磷酸盐结晶的控制系统及其方法 | |
| CN111986085A (zh) | 一种基于深度反馈注意力网络系统的图像超分辨率方法 | |
| CN116872089A (zh) | 数控磨床的磨削自适应控制系统及其方法 | |
| CN113610989B (zh) | 风格迁移模型训练方法和装置、风格迁移方法和装置 | |
| CN112634413B (zh) | 生成模型和生成3d动画的方法、装置、设备和存储介质 | |
| CN115775214A (zh) | 一种基于多阶段分形组合的点云补全方法及系统 | |
| CN113255824B (zh) | 训练分类模型和数据分类的方法和装置 | |
| CN116229095A (zh) | 一种模型训练方法、视觉任务处理方法、装置及设备 | |
| CN114842178A (zh) | 一种基于电子产品的在线可视化交互系统及方法 | |
| CN112395964A (zh) | 一种基于深度学习的能见度估计方法 | |
| CN116091857B (zh) | 图像处理模型的训练方法、图像处理方法和装置 | |
| CN114283083B (zh) | 一种基于解耦表示的场景生成模型的美学增强方法 | |
| CN116851856B (zh) | 纯水线切割加工工艺及其系统 | |
| CN114694177B (zh) | 基于多尺度特征和属性关联挖掘的细粒度人物属性识别方法 |
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 |