CN116309555B - 一种基于多物理量融合的集成电路特征提取方法 - Google Patents

一种基于多物理量融合的集成电路特征提取方法 Download PDF

Info

Publication number
CN116309555B
CN116309555B CN202310538178.0A CN202310538178A CN116309555B CN 116309555 B CN116309555 B CN 116309555B CN 202310538178 A CN202310538178 A CN 202310538178A CN 116309555 B CN116309555 B CN 116309555B
Authority
CN
China
Prior art keywords
image
ray
gray
gray level
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.)
Active
Application number
CN202310538178.0A
Other languages
English (en)
Other versions
CN116309555A (zh
Inventor
蒋源明
陈建淼
任坤鹏
曾周末
毛泽龙
姚琪
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.)
707th Research Institute of CSIC
Original Assignee
707th Research Institute of CSIC
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 707th Research Institute of CSIC filed Critical 707th Research Institute of CSIC
Priority to CN202310538178.0A priority Critical patent/CN116309555B/zh
Publication of CN116309555A publication Critical patent/CN116309555A/zh
Application granted granted Critical
Publication of CN116309555B publication Critical patent/CN116309555B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06T7/001—Industrial image inspection using an image reference approach
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
    • G01N23/02—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material
    • G01N23/04—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material and forming images of the material
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N25/00—Investigating or analyzing materials by the use of thermal means
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/04—Analysing solids
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/04—Analysing solids
    • G01N29/06—Visualisation of the interior, e.g. acoustic microscopy
    • G01N29/0654—Imaging
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/28—Testing of electronic circuits, e.g. by signal tracer
    • G01R31/2832—Specific tests of electronic circuits not provided for elsewhere
    • G01R31/2834—Automated test systems [ATE]; using microprocessors or computers
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/28—Testing of electronic circuits, e.g. by signal tracer
    • G01R31/2851—Testing of integrated circuits [IC]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/77—Retouching; Inpainting; Scratch removal
    • 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
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2291/00—Indexing codes associated with group G01N29/00
    • G01N2291/02—Indexing codes associated with the analysed material
    • G01N2291/023—Solids
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2291/00—Indexing codes associated with group G01N29/00
    • G01N2291/26—Scanned objects
    • G01N2291/269—Various geometry objects
    • G01N2291/2697—Wafer or (micro)electronic parts
    • 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
    • G06T2207/10—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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10132—Ultrasound 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

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

Abstract

本发明涉及测试及数据处理技术领域，尤其涉及一种基于多物理量融合的集成电路特征提取方法，相对传统的集成电路特征提取增加了热阻分布信息和高热点分布信息，并利用分层穿透性更强的超声波采集器扫描到的超声图像对X光图像的缺失部分进行补充，在不破坏壳体的情况下得到完整的X光灰度图像，进而得到相应的密度分布信息、厚度分布信息和原子序分布信息。本发明增加了热阻分布信息和高热点分布信息，通过建立数据库对上述特征数据进行存储和调用，可为集成电路的数字孪生模型建立、器件鉴定鉴别、仿真分析、电路设计等领域提供较为完善的数据支撑；可相对提高整体的工作效率，并完全规避破坏壳体导致集成电路无法正常工作的风险。

Description

一种基于多物理量融合的集成电路特征提取方法
技术领域
本发明涉及测试及数据处理技术领域，尤其涉及一种基于多物理量融合的集成电路特征提取方法。
背景技术
集成电路是现代电子领域中最重要的组成部分之一，其广泛应用于计算机、通讯、医疗、安防、娱乐等各个领域，成为信息产业的核心。
通过对集成电路进行特征提取，可得到集成电路的多项物理特征信息，从而可实现集成电路的鉴别、建模、仿真及分析。
随着芯片加工工艺和封装工艺的发展，集成电路的复杂度不断增加，集成电路的物理特征多样化发展使信息提取难度增大。
现有技术一般是通过ATE测试机及X光机对集成电路进行特征提取，其得到的集成电路物理特征信息有限，无法对集成电路的数字孪生模型建立、器件鉴定鉴别、仿真分析、电路设计等领域提供完善的数据支撑，并且由于X光无法穿透集成电路的金属壳体，因此对于具有金属壳体的集成电路，在进行X光机扫描前需要进行破坏性开壳，操作较为繁琐，并且在破坏性开壳的过程中也容易损伤到金属壳体内的结构，影响集成电路的正常工作，从而无法准确提取到相应的集成电路特征。
发明内容
本发明旨在至少解决相关技术中存在的技术问题之一。为此，本发明提供一种基于多物理量融合的集成电路特征提取方法。
本发明是通过以下技术方案予以实现：一种基于多物理量融合的集成电路特征提取方法，包括如下步骤：
步骤S010，通过ATE测试机采集集成电路的电参数，通过X光机扫描得到集成电路的X光图像，通过超声波采集器扫描得到集成电路的超声图像，通过热像仪扫描得到集成电路的动态温度场图像；
步骤S020，对X光图像进行灰度化处理得到其各像素点的灰度值及X光灰度图像，对超声图像进行灰度化处理得到其各像素点的灰度值及超声灰度图像；
步骤S030，将X光灰度图像、超声灰度图像均分别进行区域划分得到相应的引脚特征区域、FANOUT特征区域、裸芯特征区域；
步骤S040，通过计算匹配，将X光灰度图像的裸芯特征区域所缺失的像素点灰度通过超声灰度图像的裸芯特征区域的相应像素点灰度进行补充，将X光灰度图像的FANOUT特征区域所缺失的像素点灰度通过超声灰度图像的FANOUT特征区域的相应像素点灰度进行补充，将X光灰度图像的引脚特征区域所缺失的像素点灰度通过超声灰度图像的引脚特征区域的相应像素点灰度进行补充；
步骤S050，将补充缺失像素点灰度后的X光灰度图像的各像素点灰度与已知材料的X射线图像灰度数据库比对，得到X光灰度图像每个像素点对应的密度特征值、厚度特征值和原子序特征值，进而得到集成电路的密度分布信息、厚度分布信息和原子序分布信息；
步骤S060，计算动态温度场图像各像素点的热阻特征值，进而得到集成电路的热阻分布信息；
步骤S070，对动态温度场图像各像素点温度在时间上积分得到相应的温度积分Tcon数据，将动态温度场图像各像素点的温度积分Tcon数据通过otsu算法得到温度分割最佳阈值，计算动态温度场图像各像素点的温度积分Tcon数据与温度分割最佳阈值的分割差值，将分割差值为正的像素点记为高热点，从而得到集成电路的高热点分布信息；
步骤S080，通过几何关系的映射，将动态温度场图像各像素点的热阻特征值、动态温度场图像的各高热点及集成电路的各电参数均分别映射并关联至补充缺失像素点灰度后的X光灰度图像相应的像素点，使得补充缺失像素点灰度后的X光灰度图像同时关联有相应的电参数分布信息、密度分布信息、厚度分布信息、原子序分布信息、热阻分布信息和高热点分布信息。
优选的，还包括如下步骤：
步骤S090，通过人工干预的方式，利用集成电路手册中引脚区域、FANOUT区域、裸芯区域的材料分布作为已知量，比对并修正补充缺失像素点灰度后的X光灰度图像的区域划分、密度分布信息、厚度分布信息及原子序分布信息，根据补充缺失像素点灰度后的X光灰度图像的区域划分、密度分布信息、厚度分布信息及原子序分布信息的修正量，计算损失函数；
步骤S100，通过损失函数对CNN进行反向传播，得到控制参量所对应的误差，根据控制参量所对应的误差对控制参量进行修正，实现对CNN正向传播的训练和优化，所述控制参量包括X光灰度图像与超声灰度图像各自对应的滤波器的阶数、X光灰度图像与超声灰度图像各自对应的滤波器权重以及X光灰度图像各特征区域的位置权重。
优选的，所述步骤S030中，对X光灰度图像进行区域划分包括如下步骤：
步骤S031，将X光灰度图像通过CNN卷积形成X光特征分布图；
步骤S032，将X光特征分布图分别进行四个池化操作，包括全局池化、1/2池化、1/3池化、1/6池化，将四个池化操作的池化结果进行级联得到X光级联数据，通过对X光级联数据进行卷积和上采样操作得到X光池化特征分布图，所述X光池化特征分布图的像素点个数与X光特征分布图的像素点个数相同；
步骤S033，通过otsu算法得到X光池化特征分布图的图像分割最佳阈值，计算X光池化特征分布图各像素点的灰度值与图像分割最佳阈值的灰度值差值，将灰度值差值为正的像素点记为1，将灰度值差值为零或者为负的像素点记为0，从而将X光灰度图像的各像素点转化为布尔量并得到X光布尔图像；
步骤S034，通过模板匹配算法比较X光布尔图像与裸芯模板图像，得到X光灰度图像的裸芯特征区域；通过模板匹配算法比较X光布尔图像与FANOUT模板图像，得到X光灰度图像的FANOUT特征区域；X光灰度图像的剩余区域为其引脚特征区域。
优选的，所述步骤S031中，X光特征分布图的元素特征值计算公式如下：
式中，表示X光特征分布图的第/>行第/>列元素的特征值；/>表示relu激活函数；/>表示X光灰度图像的深度；/>；/>表示滤波器的阶数；；/>；/>表示深度为/>的第/>行第/>列的滤波器权重；/>表示深度为/>的X光灰度图像第/>行第/>列的像素点灰度值；表示滤波器的偏置项。
优选的，所述步骤S040中，将X光灰度图像的裸芯特征区域所缺失的像素点灰度通过超声灰度图像的裸芯特征区域的相应像素点灰度进行补充的计算匹配公式如下：
式中，表示X光灰度图像的裸芯特征区域第/>行第/>列所缺失的像素点灰度的匹配值；/>表示位置偏移，/>的取值与滤波器的阶数/>一致；/>表示X光灰度图像的裸芯特征区域第/>行第/>列所缺失的像素点灰度的匹配值；/>表示超声灰度图像的裸芯特征区域第/>行第/>列的像素点灰度；/>表示超声灰度图像的裸芯特征区域第/>行第/>列的像素点灰度；/>表示X光灰度图像的裸芯特征区域第/>行第/>列所缺失的像素点的位置权重；
X光灰度图像裸芯特征区域的位置权重之和、X光灰度图像FANOUT特征区域的位置权重之和、X光灰度图像引脚特征区域的位置权重之和均为1；
X光灰度图像裸芯特征区域的位置权重初始值、X光灰度图像FANOUT特征区域的位置权重初始值、X光灰度图像引脚特征区域的位置权重初始值均取。
优选的，所述步骤S060中，动态温度场图像各像素点的热阻计算公式如下：
式中，表示动态温度场图像第/>行第/>列动态温度场图像的像素点对应的热阻；/>表示集成电路加电工作时第/>行第/>列动态温度场图像的像素点所对应的最大温度与集成电路加电前第/>行第/>列动态温度场图像的像素点所对应的初始温度的差值；/>表示第/>行第/>列动态温度场图像的像素点所对应的集成电路工作功率。
优选的，所述步骤S010中，通过ATE测试机采集集成电路的电参数包括内部模拟功能、内部数字功能、工作电压、时序性能、带载能力、输入输出阻抗、噪声信息。
优选的，所述步骤S080中，内部模拟功能、内部数字功能、工作电压、带载能力映射并关联至补充缺失像素点灰度后的X光灰度图像的裸芯特征区域相应的像素点；噪声信息映射并关联至补充缺失像素点灰度后的X光灰度图像的FANOUT特征区域相应的像素点；时序性能、输入输出阻抗映射并关联至补充缺失像素点灰度后的X光灰度图像的引脚特征区域相应的像素点。
本发明实施例中的上述一个或多个技术方案，至少具有如下技术效果之一：
本发明相对传统的集成电路特征提取增加了热阻分布信息和高热点分布信息，通过建立数据库对上述特征数据进行存储和调用，可为集成电路的数字孪生模型建立、器件鉴定鉴别、仿真分析、电路设计等领域提供较为完善的数据支撑；利用分层穿透性更强的超声波采集器扫描到的超声图像对X光图像的缺失部分进行补充，能够在不破坏壳体的情况下得到完整的X光灰度图像，进而得到相应的密度分布信息、厚度分布信息和原子序分布信息，可相对提高整体的工作效率，并完全规避破坏壳体导致集成电路无法正常工作的风险；对于集成电路的引脚区域、FANOUT区域和裸芯区域，各区域的特征数据分布较为相似，相对传统的集成电路整体特征提取方案，进行区域划分可提高对特征数据的识别灵敏度，并可针对多参量特征数据进行更精确的位置匹配；通过已知量进行人工干预，可加速对CNN正向传播的训练和优化过程，保证各特征数据的准确性；通过增加热阻分布信息及高热点分布信息可以为工作人员在芯片及PCB的热设计优化和仿真工作中提供更加完善的数据支持。
本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
图1是本发明的逻辑框图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例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作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。以下实施例用于说明本发明，但不能用来限制本发明的范围。
在本发明实施例的描述中，需要说明的是，术语“中心”、“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明实施例和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明实施例的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
在本发明实施例的描述中，需要说明的是，除非另有明确的规定和限定，术语“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明实施例中的具体含义。
在本发明实施例中，除非另有明确的规定和限定，第一特征在第二特征“上”或“下”可以是第一和第二特征直接接触，或第一和第二特征通过中间媒介间接接触。而且，第一特征在第二特征“之上”、“上方”和“上面”可是第一特征在第二特征正上方或斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”可以是第一特征在第二特征正下方或斜下方，或仅仅表示第一特征水平高度小于第二特征。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明实施例的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
如图1所示，本发明提供的一种基于多物理量融合的集成电路特征提取方法，包括如下步骤：
步骤S010，通过ATE测试机采集集成电路的电参数，通过X光机扫描得到集成电路的X光图像，通过超声波采集器扫描得到集成电路的超声图像，通过热像仪扫描得到集成电路的动态温度场图像。
步骤S020，对X光图像进行灰度化处理得到其各像素点的灰度值及X光灰度图像，对超声图像进行灰度化处理得到其各像素点的灰度值及超声灰度图像。
步骤S030，将X光灰度图像、超声灰度图像均分别进行区域划分得到相应的引脚特征区域、FANOUT特征区域、裸芯特征区域。
步骤S040，由于X光无法穿透金属，因此X光灰度图像的各区域会存在缺失部分，通过计算匹配，将X光灰度图像的裸芯特征区域所缺失的像素点灰度通过超声灰度图像的裸芯特征区域的相应像素点灰度进行补充，将X光灰度图像的FANOUT特征区域所缺失的像素点灰度通过超声灰度图像的FANOUT特征区域的相应像素点灰度进行补充，将X光灰度图像的引脚特征区域所缺失的像素点灰度通过超声灰度图像的引脚特征区域的相应像素点灰度进行补充。
步骤S050，将补充缺失像素点灰度后的X光灰度图像的各像素点灰度与已知材料的X射线图像灰度数据库比对，得到X光灰度图像每个像素点对应的密度特征值、厚度特征值和原子序特征值，进而得到集成电路的密度分布信息、厚度分布信息和原子序分布信息。
步骤S060，计算动态温度场图像各像素点的热阻特征值，进而得到集成电路的热阻分布信息。
步骤S070，对动态温度场图像各像素点温度在时间上积分得到相应的温度积分Tcon数据，将动态温度场图像各像素点的温度积分Tcon数据通过otsu算法得到温度分割最佳阈值，计算动态温度场图像各像素点的温度积分Tcon数据与温度分割最佳阈值的分割差值，将分割差值为正的像素点记为高热点，从而得到集成电路的高热点分布信息。
步骤S080，通过几何关系的映射，将动态温度场图像各像素点的热阻特征值、动态温度场图像的各高热点及集成电路的各电参数均分别映射并关联至补充缺失像素点灰度后的X光灰度图像相应的像素点，使得补充缺失像素点灰度后的X光灰度图像同时关联有相应的电参数分布信息、密度分布信息、厚度分布信息、原子序分布信息、热阻分布信息和高热点分布信息六项特征数据，相对传统的集成电路特征提取增加了热阻分布信息和高热点分布信息，通过建立数据库对上述特征数据进行存储和调用，可为集成电路的数字孪生模型建立、器件鉴定鉴别、仿真分析、电路设计等领域提供较为完善的数据支撑。
另外，本技术方案利用分层穿透性更强的超声波采集器扫描到的超声图像对X光图像的缺失部分进行补充，能够在不破坏壳体的情况下得到完整的X光灰度图像，进而得到相应的密度分布信息、厚度分布信息和原子序分布信息，可相对提高整体的工作效率，并完全规避破坏壳体导致集成电路无法正常工作的风险；对于集成电路的引脚区域、FANOUT区域和裸芯区域，各区域的特征数据分布较为相似，相对传统的集成电路整体特征提取方案，进行区域划分可提高对特征数据的识别灵敏度，并可针对多参量特征数据进行更精确的位置匹配。
上述基于多物理量融合的集成电路特征提取方法还包括如下步骤：
步骤S090，通过人工干预的方式，利用集成电路手册中引脚区域、FANOUT区域、裸芯区域的材料分布作为已知量，比对并修正补充缺失像素点灰度后的X光灰度图像的区域划分、密度分布信息、厚度分布信息及原子序分布信息，根据补充缺失像素点灰度后的X光灰度图像的区域划分、密度分布信息、厚度分布信息及原子序分布信息的修正量，计算损失函数；
步骤S100，通过损失函数对CNN进行反向传播，得到控制参量所对应的误差，根据控制参量所对应的误差对控制参量进行修正，实现对CNN正向传播的训练和优化，所述控制参量包括X光灰度图像与超声灰度图像各自对应的滤波器的阶数、X光灰度图像与超声灰度图像各自对应的滤波器权重以及X光灰度图像各特征区域的位置权重，通过已知量进行人工干预，可加速对CNN正向传播的训练和优化过程，保证各特征数据的准确性。
所述步骤S030中，对X光灰度图像进行区域划分包括如下步骤：
步骤S031，将X光灰度图像通过CNN卷积形成X光特征分布图；
步骤S032，将X光特征分布图分别进行四个池化操作，包括全局池化、1/2池化、1/3池化、1/6池化，将四个池化操作的池化结果进行级联得到X光级联数据，通过对X光级联数据进行卷积和上采样操作得到X光池化特征分布图，所述X光池化特征分布图的像素点个数与X光特征分布图的像素点个数相同；
步骤S033，通过otsu算法得到X光池化特征分布图的图像分割最佳阈值，计算X光池化特征分布图各像素点的灰度值与图像分割最佳阈值的灰度值差值，将灰度值差值为正的像素点记为1，将灰度值差值为零或者为负的像素点记为0，从而将X光灰度图像的各像素点转化为布尔量并得到X光布尔图像；
步骤S034，通过模板匹配算法比较X光布尔图像与模板图像数据库中的裸芯模板图像，得到X光灰度图像的裸芯特征区域，其中，裸芯模板图像依据已知的集成电路厂商的裸芯图纸生成；通过模板匹配算法比较X光布尔图像与模板图像数据库中的FANOUT模板图像，得到X光灰度图像的FANOUT特征区域，其中，FANOUT模板图像依据已知的集成电路厂商的FANOUT图纸生成；X光灰度图像的剩余区域为其引脚特征区域。
对超声灰度图像进行区域划分的过程与对X光灰度图像进行区域划分的过程类似，在此不做赘述。
所述步骤S031中，X光特征分布图的元素特征值计算公式如下：
式中，表示X光特征分布图的第/>行第/>列元素的特征值；/>表示relu激活函数；/>表示X光灰度图像的深度；/>；/>表示滤波器的阶数；；/>；/>表示深度为/>的第/>行第/>列的滤波器权重；/>表示深度为/>的X光灰度图像第/>行第/>列的像素点灰度值；表示滤波器的偏置项。
所述步骤S040中，将X光灰度图像的裸芯特征区域所缺失的像素点灰度通过超声灰度图像的裸芯特征区域的相应像素点灰度进行补充的计算匹配公式如下：
式中，表示X光灰度图像的裸芯特征区域第/>行第/>列所缺失的像素点灰度的匹配值；/>表示位置偏移，/>的取值与滤波器的阶数/>一致；/>表示X光灰度图像的裸芯特征区域第/>行第/>列所缺失的像素点灰度的匹配值；/>表示超声灰度图像的裸芯特征区域第/>行第/>列的像素点灰度；/>表示超声灰度图像的裸芯特征区域第/>行第/>列的像素点灰度；/>表示X光灰度图像的裸芯特征区域第/>行第/>列所缺失的像素点的位置权重；X光灰度图像裸芯特征区域的位置权重之和、X光灰度图像FANOUT特征区域的位置权重之和、X光灰度图像引脚特征区域的位置权重之和均为1；X光灰度图像裸芯特征区域的位置权重初始值、X光灰度图像FANOUT特征区域的位置权重初始值、X光灰度图像引脚特征区域的位置权重初始值均取/>。
将X光灰度图像的FANOUT特征区域所缺失的像素点灰度通过超声灰度图像的FANOUT特征区域的相应像素点灰度进行补充的过程与将X光灰度图像的引脚特征区域所缺失的像素点灰度通过超声灰度图像的引脚特征区域的相应像素点灰度进行补充的过程，均与将X光灰度图像的裸芯特征区域所缺失的像素点灰度通过超声灰度图像的裸芯特征区域的相应像素点灰度进行补充的过程类似，在此不做赘述。
所述步骤S060中，动态温度场图像各像素点的热阻计算公式如下：
式中，表示动态温度场图像第/>行第/>列动态温度场图像的像素点对应的热阻；/>表示集成电路加电工作时第/>行第/>列动态温度场图像的像素点所对应的最大温度与集成电路加电前第/>行第/>列动态温度场图像的像素点所对应的初始温度的差值；/>表示第/>行第/>列动态温度场图像的像素点所对应的集成电路工作功率，，/>表示动态温度场图像的像素点所对应的集成电路工作电压，/>表示动态温度场图像的像素点所对应的集成电路工作电流，/>和/>均属于ATE测试机所采集的集成电路的电参数。通过上述公式能够较为准确地得到热阻分布信息，相对传统的集成电路特征提取，通过增加热阻分布信息，可以为工作人员在芯片及PCB的热设计优化和仿真工作中提供更加完善的数据支持。
所述步骤S010中，通过ATE测试机采集集成电路的电参数包括内部模拟功能、内部数字功能、工作电压、工作电流、时序性能、带载能力、输入输出阻抗、噪声信息；所述步骤S080中，内部模拟功能、内部数字功能、工作电压、工作电流、带载能力均映射并关联至补充缺失像素点灰度后的X光灰度图像的裸芯特征区域相应的像素点；噪声信息映射并关联至补充缺失像素点灰度后的X光灰度图像的FANOUT特征区域相应的像素点；时序性能、输入输出阻抗均映射并关联至补充缺失像素点灰度后的X光灰度图像的引脚特征区域相应的像素点，便于工作人员对相应的特征数据进行调用。
本发明提供的一种基于多物理量融合的集成电路特征提取方法，相对传统的集成电路特征提取增加了热阻分布信息和高热点分布信息，通过建立数据库对上述特征数据进行存储和调用，可为集成电路的数字孪生模型建立、器件鉴定鉴别、仿真分析、电路设计等领域提供较为完善的数据支撑；利用分层穿透性更强的超声波采集器扫描到的超声图像对X光图像的缺失部分进行补充，能够在不破坏壳体的情况下得到完整的X光灰度图像，进而得到相应的密度分布信息、厚度分布信息和原子序分布信息，可相对提高整体的工作效率，并完全规避破坏壳体导致集成电路无法正常工作的风险；对于集成电路的引脚区域、FANOUT区域和裸芯区域，各区域的特征数据分布较为相似，相对传统的集成电路整体特征提取方案，进行区域划分可提高对特征数据的识别灵敏度，并可针对多参量特征数据进行更精确的位置匹配；通过已知量进行人工干预，可加速对CNN正向传播的训练和优化过程，保证各特征数据的准确性；通过增加热阻分布信息及高热点分布信息可以为工作人员在芯片及PCB的热设计优化和仿真工作中提供更加完善的数据支持。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (8)

1.一种基于多物理量融合的集成电路特征提取方法，其特征在于，包括如下步骤：
步骤S010，通过ATE测试机采集集成电路的电参数，通过X光机扫描得到集成电路的X光图像，通过超声波采集器扫描得到集成电路的超声图像，通过热像仪扫描得到集成电路的动态温度场图像；
步骤S020，对X光图像进行灰度化处理得到其各像素点的灰度值及X光灰度图像，对超声图像进行灰度化处理得到其各像素点的灰度值及超声灰度图像；
步骤S030，将X光灰度图像、超声灰度图像均分别进行区域划分得到相应的引脚特征区域、FANOUT特征区域、裸芯特征区域；
步骤S040，通过计算匹配，将X光灰度图像的裸芯特征区域所缺失的像素点灰度通过超声灰度图像的裸芯特征区域的相应像素点灰度进行补充，将X光灰度图像的FANOUT特征区域所缺失的像素点灰度通过超声灰度图像的FANOUT特征区域的相应像素点灰度进行补充，将X光灰度图像的引脚特征区域所缺失的像素点灰度通过超声灰度图像的引脚特征区域的相应像素点灰度进行补充；
步骤S050，将补充缺失像素点灰度后的X光灰度图像的各像素点灰度与已知材料的X射线图像灰度数据库比对，得到X光灰度图像每个像素点对应的密度特征值、厚度特征值和原子序特征值，进而得到集成电路的密度分布信息、厚度分布信息和原子序分布信息；
步骤S060，计算动态温度场图像各像素点的热阻特征值，进而得到集成电路的热阻分布信息；
步骤S070，对动态温度场图像各像素点温度在时间上积分得到相应的温度积分Tcon数据，将动态温度场图像各像素点的温度积分Tcon数据通过otsu算法得到温度分割最佳阈值，计算动态温度场图像各像素点的温度积分Tcon数据与温度分割最佳阈值的分割差值，将分割差值为正的像素点记为高热点，从而得到集成电路的高热点分布信息；
步骤S080，通过几何关系的映射，将动态温度场图像各像素点的热阻特征值、动态温度场图像的各高热点及集成电路的各电参数均分别映射并关联至补充缺失像素点灰度后的X光灰度图像相应的像素点，使得补充缺失像素点灰度后的X光灰度图像同时关联有相应的电参数分布信息、密度分布信息、厚度分布信息、原子序分布信息、热阻分布信息和高热点分布信息。
2.根据权利要求1所述的一种基于多物理量融合的集成电路特征提取方法，其特征在于，还包括如下步骤：
步骤S090，通过人工干预的方式，利用集成电路手册中引脚区域、FANOUT区域、裸芯区域的材料分布作为已知量，比对并修正补充缺失像素点灰度后的X光灰度图像的区域划分、密度分布信息、厚度分布信息及原子序分布信息，根据补充缺失像素点灰度后的X光灰度图像的区域划分、密度分布信息、厚度分布信息及原子序分布信息的修正量，计算损失函数；
步骤S100，通过损失函数对CNN进行反向传播，得到控制参量所对应的误差，根据控制参量所对应的误差对控制参量进行修正，实现对CNN正向传播的训练和优化，所述控制参量包括X光灰度图像与超声灰度图像各自对应的滤波器的阶数、X光灰度图像与超声灰度图像各自对应的滤波器权重以及X光灰度图像各特征区域的位置权重。
3.根据权利要求2所述的一种基于多物理量融合的集成电路特征提取方法，其特征在于，所述步骤S030中，对X光灰度图像进行区域划分包括如下步骤：
步骤S031，将X光灰度图像通过CNN卷积形成X光特征分布图；
步骤S032，将X光特征分布图分别进行四个池化操作，包括全局池化、1/2池化、1/3池化、1/6池化，将四个池化操作的池化结果进行级联得到X光级联数据，通过对X光级联数据进行卷积和上采样操作得到X光池化特征分布图，所述X光池化特征分布图的像素点个数与X光特征分布图的像素点个数相同；
步骤S033，通过otsu算法得到X光池化特征分布图的图像分割最佳阈值，计算X光池化特征分布图各像素点的灰度值与图像分割最佳阈值的灰度值差值，将灰度值差值为正的像素点记为1，将灰度值差值为零或者为负的像素点记为0，从而将X光灰度图像的各像素点转化为布尔量并得到X光布尔图像；
步骤S034，通过模板匹配算法比较X光布尔图像与裸芯模板图像，得到X光灰度图像的裸芯特征区域；通过模板匹配算法比较X光布尔图像与FANOUT模板图像，得到X光灰度图像的FANOUT特征区域；X光灰度图像的剩余区域为其引脚特征区域。
4.根据权利要求3所述的一种基于多物理量融合的集成电路特征提取方法，其特征在于，所述步骤S031中，X光特征分布图的元素特征值计算公式如下：
式中，表示X光特征分布图的第/>行第/>列元素的特征值；/>表示relu激活函数；/>表示X光灰度图像的深度；/>；/>表示滤波器的阶数；/>；/>；/>表示深度为/>的第/>行第/>列的滤波器权重；/>表示深度为/>的X光灰度图像第/>行第/>列的像素点灰度值；/>表示滤波器的偏置项。
5.根据权利要求2所述的一种基于多物理量融合的集成电路特征提取方法，其特征在于，所述步骤S040中，将X光灰度图像的裸芯特征区域所缺失的像素点灰度通过超声灰度图像的裸芯特征区域的相应像素点灰度进行补充的计算匹配公式如下：
式中，表示X光灰度图像的裸芯特征区域第/>行第/>列所缺失的像素点灰度的匹配值；/>表示位置偏移，/>的取值与滤波器的阶数/>一致；/>表示X光灰度图像的裸芯特征区域第/>行第/>列所缺失的像素点灰度的匹配值；/>表示超声灰度图像的裸芯特征区域第/>行第/>列的像素点灰度；/>表示超声灰度图像的裸芯特征区域第/>行第/>列的像素点灰度；/>表示X光灰度图像的裸芯特征区域第/>行第/>列所缺失的像素点的位置权重；
X光灰度图像裸芯特征区域的位置权重之和、X光灰度图像FANOUT特征区域的位置权重之和、X光灰度图像引脚特征区域的位置权重之和均为1；
X光灰度图像裸芯特征区域的位置权重初始值、X光灰度图像FANOUT特征区域的位置权重初始值、X光灰度图像引脚特征区域的位置权重初始值均取。
6.根据权利要求2所述的一种基于多物理量融合的集成电路特征提取方法，其特征在于，所述步骤S060中，动态温度场图像各像素点的热阻计算公式如下：
式中，表示动态温度场图像第/>行第/>列动态温度场图像的像素点对应的热阻；表示集成电路加电工作时第/>行第/>列动态温度场图像的像素点所对应的最大温度与集成电路加电前第/>行第/>列动态温度场图像的像素点所对应的初始温度的差值；表示第/>行第/>列动态温度场图像的像素点所对应的集成电路工作功率。
7.根据权利要求1所述的一种基于多物理量融合的集成电路特征提取方法，其特征在于，所述步骤S010中，通过ATE测试机采集集成电路的电参数包括内部模拟功能、内部数字功能、工作电压、时序性能、带载能力、输入输出阻抗、噪声信息。
8.根据权利要求6所述的一种基于多物理量融合的集成电路特征提取方法，其特征在于，所述步骤S080中，内部模拟功能、内部数字功能、工作电压、带载能力映射并关联至补充缺失像素点灰度后的X光灰度图像的裸芯特征区域相应的像素点；噪声信息映射并关联至补充缺失像素点灰度后的X光灰度图像的FANOUT特征区域相应的像素点；时序性能、输入输出阻抗映射并关联至补充缺失像素点灰度后的X光灰度图像的引脚特征区域相应的像素点。
CN202310538178.0A 2023-05-15 2023-05-15 一种基于多物理量融合的集成电路特征提取方法 Active CN116309555B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310538178.0A CN116309555B (zh) 2023-05-15 2023-05-15 一种基于多物理量融合的集成电路特征提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310538178.0A CN116309555B (zh) 2023-05-15 2023-05-15 一种基于多物理量融合的集成电路特征提取方法

Publications (2)

Publication Number Publication Date
CN116309555A CN116309555A (zh) 2023-06-23
CN116309555B true CN116309555B (zh) 2023-07-25

Family

ID=86796255

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310538178.0A Active CN116309555B (zh) 2023-05-15 2023-05-15 一种基于多物理量融合的集成电路特征提取方法

Country Status (1)

Country Link
CN (1) CN116309555B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117452191B (zh) * 2023-12-22 2024-04-12 威科电子模块（深圳）有限公司 基于深度学习实现厚膜电路板的耐高温测试方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6054192A (en) * 1997-01-29 2000-04-25 Toyota Jidosha Kabushiki Kaisha Method for producing a laminated object and apparatus for producing the same
CN101765875A (zh) * 2007-05-16 2010-06-30 皇家飞利浦电子股份有限公司 用于显示器的改进的白色背光装置
CN114905023A (zh) * 2022-06-01 2022-08-16 中冶赛迪工程技术股份有限公司 一种板坯连铸冷却控制方法、系统、介质及电子设备
CN115311301A (zh) * 2022-10-12 2022-11-08 江苏银生新能源科技有限公司 一种pcb板焊点缺陷检测方法
CN115457031A (zh) * 2022-10-27 2022-12-09 江苏集宿智能装备有限公司 基于x射线的集成箱体内部缺陷识别方法
CN115496015A (zh) * 2022-11-18 2022-12-20 珠江水利委员会珠江水利科学研究院 一种基于流量梯度变化的水动力分析决策方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111751763B (zh) * 2020-06-08 2021-08-10 武汉大学 一种基于GSMallat-NIN-CNN网络的电力变压器绕组故障诊断方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6054192A (en) * 1997-01-29 2000-04-25 Toyota Jidosha Kabushiki Kaisha Method for producing a laminated object and apparatus for producing the same
CN101765875A (zh) * 2007-05-16 2010-06-30 皇家飞利浦电子股份有限公司 用于显示器的改进的白色背光装置
CN114905023A (zh) * 2022-06-01 2022-08-16 中冶赛迪工程技术股份有限公司 一种板坯连铸冷却控制方法、系统、介质及电子设备
CN115311301A (zh) * 2022-10-12 2022-11-08 江苏银生新能源科技有限公司 一种pcb板焊点缺陷检测方法
CN115457031A (zh) * 2022-10-27 2022-12-09 江苏集宿智能装备有限公司 基于x射线的集成箱体内部缺陷识别方法
CN115496015A (zh) * 2022-11-18 2022-12-20 珠江水利委员会珠江水利科学研究院 一种基于流量梯度变化的水动力分析决策方法

Also Published As

Publication number Publication date
CN116309555A (zh) 2023-06-23

Similar Documents

Publication Publication Date Title
CN116309555B (zh) 一种基于多物理量融合的集成电路特征提取方法
US20060098861A1 (en) Image analysis method, apparatus and software
CN111524137A (zh) 基于图像识别的细胞识别计数方法、装置和计算机设备
JP2013168595A (ja) オーバーレイ計測方法、計測装置、走査型電子顕微鏡およびｇｕｉ
CN111353995B (zh) 一种基于生成对抗网络的宫颈单细胞图像数据生成方法
CN109215041B (zh) 一种全自动骨盆肿瘤分割方法及系统、存储介质及终端
TWI773063B (zh) 圖像產生系統及圖像產生方法
CN111797744A (zh) 一种基于共现滤波算法的多模态遥感图像匹配方法
CN116823738A (zh) 一种基于YOLOv8的PCB裸板表面缺陷检测方法
CN114594114A (zh) 一种锂电芯全自动在线无损检测方法
CN112288714A (zh) 基于深度学习的硬件木马检测方法
CN116524313A (zh) 基于深度学习和多模态图像的缺陷检测方法及相关装置
CN114565684A (zh) 一种基于一致性采样算法的标靶单应性矩阵计算方法
CN114119445A (zh) 一种基于自动x射线成像的焊盘空洞率计算方法
US8971627B2 (en) Template matching processing device and template matching processing program
CN114627123B (zh) 综合双流加权网络和空间注意力机制的白带细胞检测方法
CN113129278B (zh) 基于非局部分离注意力机制的X-Ray图片股骨干骨折检测方法
CN112634280B (zh) 基于能量泛函的mri图像脑肿瘤分割方法
CN114565626A (zh) 基于PSPNet改进的肺部CT图像分割算法
CN111104641B (zh) 一种三维空间内的计算机识别晶粒方法
JP2021190699A (ja) 半導体画像のための人工知能識別による測定方法
CN111080588A (zh) 基于多尺度神经网络的快速胎儿mr图像大脑提取方法
WO2024092968A1 (zh) 一种路面裂缝检测方法、介质及系统
CN114418941B (zh) 一种基于电力巡检设备检测数据的缺陷诊断方法及系统
CN116434066B (zh) 基于深度学习的大豆豆荚考种方法、系统及装置

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