CN117187808A - 一种铝刻蚀的工艺流程优化方法和系统 - Google Patents
一种铝刻蚀的工艺流程优化方法和系统 Download PDFInfo
- Publication number
- CN117187808A CN117187808A CN202311196987.4A CN202311196987A CN117187808A CN 117187808 A CN117187808 A CN 117187808A CN 202311196987 A CN202311196987 A CN 202311196987A CN 117187808 A CN117187808 A CN 117187808A
- Authority
- CN
- China
- Prior art keywords
- aluminum
- etching
- protective layer
- based material
- etching solution
- 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
- 238000005530 etching Methods 0.000 title claims abstract description 241
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 title claims abstract description 155
- 229910052782 aluminium Inorganic materials 0.000 title claims abstract description 155
- 238000000034 method Methods 0.000 title claims abstract description 79
- 230000008569 process Effects 0.000 title claims abstract description 43
- 238000005457 optimization Methods 0.000 title claims abstract description 25
- 239000000463 material Substances 0.000 claims abstract description 127
- 239000011241 protective layer Substances 0.000 claims abstract description 108
- 238000006243 chemical reaction Methods 0.000 claims abstract description 35
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 26
- 238000003062 neural network model Methods 0.000 claims abstract description 19
- 230000007774 longterm Effects 0.000 claims abstract description 15
- 239000011248 coating agent Substances 0.000 claims abstract description 12
- 238000000576 coating method Methods 0.000 claims abstract description 12
- 238000002791 soaking Methods 0.000 claims abstract description 10
- 239000000243 solution Substances 0.000 claims description 135
- 229920002120 photoresistant polymer Polymers 0.000 claims description 13
- KRHYYFGTRYWZRS-UHFFFAOYSA-N Fluorane Chemical compound F KRHYYFGTRYWZRS-UHFFFAOYSA-N 0.000 claims description 8
- 239000000126 substance Substances 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 229920001721 polyimide Polymers 0.000 claims description 5
- 239000002904 solvent Substances 0.000 claims description 5
- 239000011259 mixed solution Substances 0.000 claims description 4
- GRYLNZFGIOXLOG-UHFFFAOYSA-N Nitric acid Chemical compound O[N+]([O-])=O GRYLNZFGIOXLOG-UHFFFAOYSA-N 0.000 claims description 3
- 229910017604 nitric acid Inorganic materials 0.000 claims description 3
- 238000000206 photolithography Methods 0.000 claims description 2
- 239000010410 layer Substances 0.000 description 23
- 238000011176 pooling Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 6
- 230000004913 activation Effects 0.000 description 5
- 238000004140 cleaning Methods 0.000 description 4
- 239000000306 component Substances 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000002378 acidificating effect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 238000002360 preparation method Methods 0.000 description 3
- VEXZGXHMUGYJMC-UHFFFAOYSA-N Hydrochloric acid Chemical compound Cl VEXZGXHMUGYJMC-UHFFFAOYSA-N 0.000 description 2
- PPBRXRYQALVLMV-UHFFFAOYSA-N Styrene Chemical compound C=CC1=CC=CC=C1 PPBRXRYQALVLMV-UHFFFAOYSA-N 0.000 description 2
- QAOWNCQODCNURD-UHFFFAOYSA-N Sulfuric acid Chemical compound OS(O)(=O)=O QAOWNCQODCNURD-UHFFFAOYSA-N 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 229910000838 Al alloy Inorganic materials 0.000 description 1
- VVQNEPGJFQJSBK-UHFFFAOYSA-N Methyl methacrylate Chemical compound COC(=O)C(C)=C VVQNEPGJFQJSBK-UHFFFAOYSA-N 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- ORTQZVOHEJQUHG-UHFFFAOYSA-L copper(II) chloride Chemical compound Cl[Cu]Cl ORTQZVOHEJQUHG-UHFFFAOYSA-L 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 239000003085 diluting agent Substances 0.000 description 1
- 238000004090 dissolution Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 238000005342 ion exchange Methods 0.000 description 1
- 239000006193 liquid solution Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000003756 stirring Methods 0.000 description 1
- 230000007847 structural defect Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000004381 surface treatment Methods 0.000 description 1
- 239000013077 target material Substances 0.000 description 1
Landscapes
- ing And Chemical Polishing (AREA)
Abstract
本发明提供一种铝刻蚀的工艺流程优化方法和系统，涉及铝刻蚀技术领域，该方法包括：S1、准备待刻蚀的铝基材料和蚀刻溶液；S2、在待刻蚀的铝基材料上涂覆保护层；S3、获取涂覆保护层的铝基材料的拍摄图像；S4、基于涂覆保护层的铝基材料的拍摄图像和蚀刻溶液的信息使用卷积神经网络模型确定蚀刻溶液的初始浓度；S5、将涂覆保护层的铝基材料浸泡在蚀刻溶液中，使其与蚀刻溶液反应；S6、获取涂覆保护层的铝基材料浸泡在蚀刻溶液的反应视频；S7、基于涂覆保护层的铝基材料浸泡在蚀刻溶液的反应视频使用长短期神经网络模型确定蚀刻时间；S8、到达蚀刻时间后，则确认完成刻蚀，并去除保护层，该方法能够精确控制和优化铝刻蚀过程。
Description
技术领域
本发明涉及铝刻蚀技术领域，具体涉及一种铝刻蚀的工艺流程优化方法和系统。
背景技术
在现有的铝刻蚀工艺中，通常使用化学溶液对铝基材料进行刻蚀，以实现特定的加工目标，传统的刻蚀方法通常采用固定的刻蚀时间和溶液浓度，这导致在不同的铝基材料上进行刻蚀时，容易出现刻蚀不均匀、过刻等问题，导致加工结果不稳定。由于刻蚀参数的固定性和缺乏精确控制，往往需要大量的试错次数和刻蚀实验才能达到理想的加工效果，这不仅浪费了大量的材料资源，还增加了生产成本和时间成本。
因此如何精确控制和优化铝刻蚀过程成为当前亟待解决的问题。
发明内容
本发明主要解决的技术问题是如何精确控制和优化铝刻蚀过程。
本发明提供一种铝刻蚀的工艺流程优化方法，包括：S1、准备待刻蚀的铝基材料和蚀刻溶液；S2、在待刻蚀的铝基材料上涂覆保护层，以保护铝基材料中待保留的区域不受蚀刻溶液影响；S3、获取涂覆保护层的铝基材料的拍摄图像；S4、基于涂覆保护层的铝基材料的拍摄图像和蚀刻溶液的信息使用卷积神经网络模型确定蚀刻溶液的初始浓度；S5、将涂覆保护层的铝基材料浸泡在蚀刻溶液中，使其与蚀刻溶液反应；S6、获取涂覆保护层的铝基材料浸泡在蚀刻溶液的反应视频；S7、基于涂覆保护层的铝基材料浸泡在蚀刻溶液的反应视频使用长短期神经网络模型确定蚀刻时间；S8、到达蚀刻时间后，则确认完成刻蚀，并去除保护层。
更进一步地，蚀刻溶液为含有氢氟酸和硝酸的混合溶液。
更进一步地，蚀刻溶液在反应过程中的浓度在5-20%范围内进行调控。
更进一步地，蚀刻溶液在反应过程中的pH值在2-4范围内进行调控。
更进一步地，所述方法还包括：使用浓度计来实时监测蚀刻溶液的浓度。
更进一步地，所述方法还包括：使用温度传感器来实时监测蚀刻溶液的温度。
更进一步地，保护层为光刻胶或聚酰亚胺薄膜。
更进一步地，使用化学溶剂或光刻卸除液去除保护层。
更进一步地，卷积神经网络模型的输入为涂有保护层的铝基材料的拍摄图像和蚀刻溶液的信息，卷积神经网络模型的输出为蚀刻溶液的初始浓度。
本发明还提供一种铝刻蚀的工艺流程优化系统，该系统包括：存储器；处理器；以及计算机程序；其中，所述计算机程序存储在所述存储器中，并配置为由所述处理器执行以实现上述的铝刻蚀的工艺流程优化方法，所述方法包括：
S1、准备待刻蚀的铝基材料和蚀刻溶液；
S2、在待刻蚀的铝基材料上涂覆保护层，以保护铝基材料中待保留的区域不受蚀刻溶液影响；
S3、获取涂覆保护层的铝基材料的拍摄图像；
S4、基于涂覆保护层的铝基材料的拍摄图像和蚀刻溶液的信息使用卷积神经网络模型确定蚀刻溶液的初始浓度；
S5、将涂覆保护层的铝基材料浸泡在蚀刻溶液中，使其与蚀刻溶液反应；
S6、获取涂覆保护层的铝基材料浸泡在蚀刻溶液的反应视频；
S7、基于涂覆保护层的铝基材料浸泡在蚀刻溶液的反应视频使用长短期神经网络模型确定蚀刻时间；
S8、到达蚀刻时间后，则确认完成刻蚀，并去除保护层。
本发明还提供一种计算机可读存储介质，所述介质上存储有程序，所述程序能够被处理器21执行实现如前述提供的一种铝刻蚀的工艺流程优化方法，所述方法包括: S1、准备待刻蚀的铝基材料和蚀刻溶液；S2、在待刻蚀的铝基材料上涂覆保护层，以保护铝基材料中待保留的区域不受蚀刻溶液影响；S3、获取涂覆保护层的铝基材料的拍摄图像；S4、基于涂覆保护层的铝基材料的拍摄图像和蚀刻溶液的信息使用卷积神经网络模型确定蚀刻溶液的初始浓度；S5、将涂覆保护层的铝基材料浸泡在蚀刻溶液中，使其与蚀刻溶液反应；S6、获取涂覆保护层的铝基材料浸泡在蚀刻溶液的反应视频；S7、基于涂覆保护层的铝基材料浸泡在蚀刻溶液的反应视频使用长短期神经网络模型确定蚀刻时间；S8、到达蚀刻时间后，则确认完成刻蚀，并去除保护层。
本发明提供的一种铝刻蚀的工艺流程优化方法和系统，该方法包括：S1、准备待刻蚀的铝基材料和蚀刻溶液；S2、在待刻蚀的铝基材料上涂覆保护层，以保护铝基材料中待保留的区域不受蚀刻溶液影响；S3、获取涂覆保护层的铝基材料的拍摄图像；S4、基于涂覆保护层的铝基材料的拍摄图像和蚀刻溶液的信息使用卷积神经网络模型确定蚀刻溶液的初始浓度；S5、将涂覆保护层的铝基材料浸泡在蚀刻溶液中，使其与蚀刻溶液反应；S6、获取涂覆保护层的铝基材料浸泡在蚀刻溶液的反应视频；S7、基于涂覆保护层的铝基材料浸泡在蚀刻溶液的反应视频使用长短期神经网络模型确定蚀刻时间；S8、到达蚀刻时间后，则确认完成刻蚀，并去除保护层，该方法可以精确控制和优化铝刻蚀过程。
附图说明
图1为本发明实施例提供的一种铝刻蚀的工艺流程优化方法的流程示意图；
图2为本发明实施例提供的一种铝刻蚀的工艺流程优化系统的示意图。
具体实施方式
本发明实施例中，提供了如图1所示的一种铝刻蚀的工艺流程优化方法，所述铝刻蚀的工艺流程优化方法包括步骤S1~S8：
步骤S1，准备待刻蚀的铝基材料和蚀刻溶液。
准备待刻蚀的铝基材料是指所需进行刻蚀的铝基底材料，蚀刻溶液是指含有可以与铝发生化学反应的溶液。待刻蚀的铝基材料可以是铝片、铝合金片等，蚀刻溶液可以是含有酸性成分的溶液，如硫酸、盐酸等。在一些实施例中，蚀刻溶液为含有氢氟酸和硝酸的混合溶液。这样的混合溶液具有较强的蚀刻能力和较高的刻蚀速率，可适用于不同厚度和结构的铝基材料。
在一些实施例中，所述方法还包括：在刻蚀前对铝基材料进行清洗和预处理。
在一些实施例中，优选具有高纯度、均匀度好和无表面缺陷的铝基材料，以确保蚀刻过程的可控性和刻蚀结果的一致性。
在具体操作中，需要按照一定的比例和配制方法，将相应的酸性成分和其他添加剂逐步加入溶剂中，进行充分的搅拌和混合，以确保蚀刻溶液的均匀性和稳定性。
此外，在一些实施例中，为了提高刻蚀效果和控制刻蚀过程，还可以在刻蚀前对铝基材料进行清洗和预处理。清洗过程可以包括机械清洗、溶剂清洗或采用化学清洗剂进行清洗，以去除表面的污垢、氧化物和其他不良杂质。预处理可以包括表面处理、涂覆保护层等，以增强铝基材料的耐蚀性和蚀刻效果。
步骤S2，在待刻蚀的铝基材料上涂覆保护层，以保护铝基材料中待保留的区域不受蚀刻溶液影响。
保护层是一种能够在蚀刻过程中保护铝基材料不被蚀刻溶液侵蚀的材料或涂层。常用的保护层可以是光刻胶、蜡等。在铝基材料表面涂覆保护层后，只有没有涂覆保护层的区域才会受到蚀刻溶液的影响。
常用的光刻胶包括苯乙烯基光刻胶（PSG）和甲基丙烯酸甲酯光刻胶（PMMA）等。可以将光刻胶均匀涂覆在待刻蚀的铝基材料表面，可以使用刷子、喷雾器、旋涂机等方式进行涂覆，确保保护层的厚度均匀一致。使用烘箱或紫外线曝光设备对涂有光刻胶的铝基材料进行烘干或曝光处理，以使光刻胶固化。固化后的光刻胶将保护铝基材料的特定区域不受蚀刻溶液侵蚀，可以通过在暗室中使用掩模板和紫外线曝光设备来选择性曝光光刻胶，从而定义保护层的形状和位置。在一些实施例中，保护层为光刻胶或聚酰亚胺薄膜。聚酰亚胺薄膜具有优异的机械性能和化学稳定性，在蚀刻过程中能够有效保护铝基材料。可以将卷材或片材的聚酰亚胺薄膜粘贴或层叠在待刻蚀的铝基材料表面上，从而实现对待保留区域的保护。
步骤S3，获取涂覆保护层的铝基材料的拍摄图像。
可以使用相机或其他图像采集设备拍摄已经涂覆保护层的铝基材料图像得到涂覆保护层的铝基材料的拍摄图像。涂覆保护层的铝基材料的拍摄图像可以显示保护层的质量、厚度、均匀性以及铝基材料的厚度、质量、均匀性等特征。可以通过对涂覆保护层的铝基材料的拍摄图像进行分析来确定蚀刻溶液的初始浓度的初始浓度，以便进行化学反应。
保护层的质量可以根据图像显示出来，例如，高质量的保护层应该呈现出均匀、光滑、无明显缺陷的表面。
保护层的厚度可以通过对图像的颜色和亮度变化进行分析得到。例如，如果图像中保护层的颜色较浅或亮度较高，可能意味着保护层较薄；相反，较深的颜色或低亮度可能表示保护层较厚。
保护层的均匀性可以通过观察图像的颜色和亮度的均匀性，作为示例，如果图像显示出明显的颜色或亮度变化，则可能表示保护层在某些区域存在不均匀的问题。
在涂覆保护层的铝基材料的拍摄图像中，也可以通过分析得到铝基材料的厚度、质量和均匀性的信息。
可以将铝基材料放置在适当的位置上，以便能够清晰拍摄到保护层的表面。使用数码相机对涂覆保护层的铝基材料进行拍摄。可以调整相机的参数（如焦距、曝光时间）来获得更好的图像质量。确保拍摄时光线充足、无干扰和无阴影，以确保获取到清晰、准确的图像。拍摄完毕后，将图像传输到计算机或其他设备上进行后续处理和分析。
涂覆保护层的铝基材料的拍摄图像可以显示出多种信息，可以作为卷积神经网络模型的输入以确定蚀刻溶液的初始浓度。
步骤S4，基于涂覆保护层的铝基材料的拍摄图像和蚀刻溶液的信息使用卷积神经网络模型确定蚀刻溶液的初始浓度。
卷积神经网络模型包括卷积神经网络（Convolutional Neural Network，CNN）。蚀刻溶液指用于蚀刻（去除）涂覆保护层的化学溶液，常用的蚀刻溶液有氢氟酸、氯化铜等。蚀刻溶液的初始浓度指蚀刻溶液在开始蚀刻过程时的浓度值，通常以溶液中溶质的百分比或摩尔浓度表示。
卷积神经网络是一种深度学习模型，广泛应用于图像识别、计算机视觉和模式识别等任务。它具有对输入数据进行局部感知并共享参数的特性，以便有效地提取图像中的特征。
CNN模型由多个层组成，包括卷积层、池化层、激活函数层和全连接层等。下面是对CNN模型中常见层的描述：
卷积层（Convolutional Layer）：卷积层是CNN的核心组件，用于提取输入图像的特征。卷积层通过定义一组可学习的滤波器（或称为卷积核）来对输入数据进行卷积操作。这些滤波器在输入数据上进行滑动，并计算出局部感知特征图，捕捉了图像中的空间关系。
池化层（Pooling Layer）：池化层用于减小特征图的尺寸，并减少参数量，从而降低计算复杂度。最常见的池化操作是最大池化（Max Pooling），它从局部区域中选择最大值作为输出特征。池化操作还可以提高模型对平移不变性的鲁棒性。
激活函数层（Activation Layer）：激活函数层引入非线性特性，使得模型能够学习更加复杂的模式和表示。常用的激活函数包括ReLU（Rectified Linear Unit），它将所有负值设置为零，并保留正值；以及Sigmoid和Tanh等函数，能够将输入映射到0到1或-1到1的范围内。
全连接层（Fully Connected Layer）：全连接层是传统神经网络中常见的层，它将前面层的特征展平并连接到输出层，用于进行分类或回归任务。全连接层的每个神经元都与前一层中的所有神经元相连，通过学习权重参数来建立输入特征与输出标签之间的映射关系。
蚀刻溶液的信息包括蚀刻溶液的溶液成分、温度、蚀刻溶液的均匀性。
卷积神经网络模型的输入为涂有保护层的铝基材料的拍摄图像和蚀刻溶液的信息，卷积神经网络模型的输出为蚀刻溶液的初始浓度。卷积神经网络模型可以对基于涂覆保护层的铝基材料的拍摄图像和蚀刻溶液的信息进行分析确定出合适的蚀刻溶液的初始浓度以精确控制铝刻蚀过程，避免初始浓度过高或过低。
蚀刻溶液初始浓度过高会造成：1、过快的蚀刻速率：例如高浓度溶液可能导致铝材料过快地被蚀刻，使得蚀刻过程难以控制。2、选择性下降：高浓度溶液可能在短时间内腐蚀不同深度的部位，导致蚀刻结果的不均匀性和失真。3、改变材料表面形貌：高浓度溶液可能引起较强的物理和化学攻击，导致材料表面粗糙，甚至出现坑洞等缺陷。
蚀刻溶液初始浓度过低会造成：1、蚀刻速率过慢：低浓度溶液可能导致蚀刻速率较慢，需要更长的蚀刻时间才能达到所需的蚀刻深度。2、不完全去除保护层：低浓度溶液可能无法有效去除涂覆保护层，导致表面未被蚀刻的区域仍保留保护层。3、能耗增加：低浓度溶液需要更多的蚀刻时间和材料消耗才能满足蚀刻要求，增加了能源和成本的消耗。
通过卷积神经网络模型输出准确的初始浓度，可以控制蚀刻速率、选择性和表面质量，从而满足所需的蚀刻要求。
步骤S5，将涂覆保护层的铝基材料浸泡在蚀刻溶液中，使其与蚀刻溶液反应。
在浸泡过程中，蚀刻溶液与涂覆保护层的铝基材料形成接触，并发生蚀刻反应。根据蚀刻溶液的成分和条件，反应可以是腐蚀、溶解、离子交换等。
在一些实施例中，所述方法还包括：使用浓度计来实时监测蚀刻溶液的浓度。蚀刻溶液的浓度非常重要，因为它直接影响到刻蚀的速率和效果。因此，为了确保蚀刻过程的稳定性和一致性，需要对蚀刻溶液的浓度进行实时监测和控制。可以使用浓度计来实时监测蚀刻溶液的浓度。浓度计是一种用于测量液体溶液中成分浓度的仪器或传感器。它可以通过不同的工作原理（例如折射率、电导率、pH值等）来测量蚀刻溶液中酸性成分的浓度。
通过实时监测蚀刻溶液的浓度，操作人员可以获得关于溶液浓度变化的反馈信息。当浓度超出预设范围时，可以采取相应的控制措施，如调整溶液配制、添加补充剂或稀释剂等，以确保蚀刻过程的稳定性和准确性。
在一些实施例中，所述方法还包括：使用温度传感器来实时监测蚀刻溶液的温度。
在一些实施例中，蚀刻溶液在反应过程中的浓度在5-20%范围内进行调控。
在一些实施例中，蚀刻溶液在反应过程中的pH值在2-4范围内进行调控。
步骤S6，获取涂覆保护层的铝基材料浸泡在蚀刻溶液的反应视频。
蚀刻溶液的反应视频是一段以视频形式记录下涂覆保护层的铝基材料浸泡在蚀刻溶液中发生反应的过程的视频。蚀刻溶液的反应视频可以为开始发生反应之后的3秒、5秒、10秒、30秒、1分钟等。可以通过摄像设备对涂覆保护层的铝基材料浸泡在蚀刻溶液中发生反应的过程进行记录得到涂覆保护层的铝基材料浸泡在蚀刻溶液的反应视频。
步骤S7，基于涂覆保护层的铝基材料浸泡在蚀刻溶液的反应视频使用长短期神经网络模型确定蚀刻时间。
蚀刻时间表示通过长短期神经网络模型输出预测得到的涂覆保护层的铝基材料在蚀刻溶液中蚀刻完成的时间。
长短期神经网络模型包括长短期神经网络（LSTM，Long Short-Term Memory）。长短期神经网络模型能够处理任意长度的序列数据，捕捉序列的信息，输出基于序列中前后数据关联关系的结果。长短期神经网络模型综合考虑了各个时间点的涂覆保护层的铝基材料浸泡在蚀刻溶液的反应视频，最终确定蚀刻时间。长短期神经网络模型可以通过梯度下降法对训练样本进行训练得到。
长短期神经网络模型的输入为涂有保护层的铝基材料浸泡在蚀刻溶液的反应视频，长短期神经网络模型的输出为蚀刻时间。
长短期神经网络模型可以通过对涂覆保护层的铝基材料浸泡在蚀刻溶液的反应视频进行分析处理得到蚀刻时间。过长或过短的蚀刻时间都可能导致不良的加工效果和结果，通过长短期神经网络模型来确定准确的蚀刻时间，可以避免蚀刻时间过长或过短。
蚀刻时间过长的影响：1、过度蚀刻：如果蚀刻时间过长，可能会导致蚀刻深度超出预期，甚至超过所需的要求。这可能会破坏样品的结构或形状，并且难以修复。2、时间浪费：长时间的蚀刻过程可能会使整个加工过程变得低效，浪费时间和资源。蚀刻时间过短的影响：1、蚀刻不彻底：如果蚀刻时间过短，可能无法达到所需的蚀刻深度。这可能导致表面质量不理想、结构缺陷或未能完全去除目标材料。2、不符合规格要求：蚀刻时间过短可能无法满足特定规格或要求，如蚀刻深度、精度或表面光洁度等要求。3、重复加工：如果蚀刻时间不足以完成预期的蚀刻深度，则可能需要进行额外的加工步骤，增加成本和时间。
步骤S8，到达蚀刻时间后，则确认完成刻蚀，并去除保护层。
由于人为观察和确定蚀刻时间需要耗费人力物力，且有时候判断不一定准确。在到达长短期神经网络模型输出的蚀刻时间后，则确认完成刻蚀，并去除保护层。去除保护层可以使用化学溶剂、机械刮擦、或光刻卸除液其他适当的方法完成，以确保材料表面完全暴露。
基于同一发明构思，本发明的实施例提供了一种铝刻蚀的工艺流程优化系统，如图2所示，包括：
包括：处理器21；存储器22；以及计算机程序；其中，所述计算机程序存储在所述存储器22中，并配置为由所述处理器21执行以实现如前述提供的铝刻蚀的工艺流程优化方法，所述方法包括：S1、准备待刻蚀的铝基材料和蚀刻溶液；S2、在待刻蚀的铝基材料上涂覆保护层，以保护铝基材料中待保留的区域不受蚀刻溶液影响；S3、获取涂覆保护层的铝基材料的拍摄图像；S4、基于涂覆保护层的铝基材料的拍摄图像和蚀刻溶液的信息使用卷积神经网络模型确定蚀刻溶液的初始浓度；S5、将涂覆保护层的铝基材料浸泡在蚀刻溶液中，使其与蚀刻溶液反应；S6、获取涂覆保护层的铝基材料浸泡在蚀刻溶液的反应视频；S7、基于涂覆保护层的铝基材料浸泡在蚀刻溶液的反应视频使用长短期神经网络模型确定蚀刻时间；S8、到达蚀刻时间后，则确认完成刻蚀，并去除保护层。
基于同一发明构思，本实施例提供一种计算机可读存储介质，所述介质上存储有程序，所述程序能够被处理器21执行实现如前述提供的一种铝刻蚀的工艺流程优化方法，所述方法包括: S1、准备待刻蚀的铝基材料和蚀刻溶液；S2、在待刻蚀的铝基材料上涂覆保护层，以保护铝基材料中待保留的区域不受蚀刻溶液影响；S3、获取涂覆保护层的铝基材料的拍摄图像；S4、基于涂覆保护层的铝基材料的拍摄图像和蚀刻溶液的信息使用卷积神经网络模型确定蚀刻溶液的初始浓度；S5、将涂覆保护层的铝基材料浸泡在蚀刻溶液中，使其与蚀刻溶液反应；S6、获取涂覆保护层的铝基材料浸泡在蚀刻溶液的反应视频；S7、基于涂覆保护层的铝基材料浸泡在蚀刻溶液的反应视频使用长短期神经网络模型确定蚀刻时间；S8、到达蚀刻时间后，则确认完成刻蚀，并去除保护层。
Claims (10)
1.一种铝刻蚀的工艺流程优化方法，其特征在于，包括：
S1、准备待刻蚀的铝基材料和蚀刻溶液；
S2、在待刻蚀的铝基材料上涂覆保护层，以保护铝基材料中待保留的区域不受蚀刻溶液影响；
S3、获取涂覆保护层的铝基材料的拍摄图像；
S4、基于涂覆保护层的铝基材料的拍摄图像和蚀刻溶液的信息使用卷积神经网络模型确定蚀刻溶液的初始浓度；
S5、将涂覆保护层的铝基材料浸泡在蚀刻溶液中，使其与蚀刻溶液反应；
S6、获取涂覆保护层的铝基材料浸泡在蚀刻溶液的反应视频；
S7、基于涂覆保护层的铝基材料浸泡在蚀刻溶液的反应视频使用长短期神经网络模型确定蚀刻时间；
S8、到达蚀刻时间后，则确认完成刻蚀，并去除保护层。
2.如权利要求1所述的铝刻蚀的工艺流程优化方法，其特征在于，蚀刻溶液为含有氢氟酸和硝酸的混合溶液。
3.如权利要求2所述的铝刻蚀的工艺流程优化方法，其特征在于，蚀刻溶液在反应过程中的浓度在5-20%范围内进行调控。
4.如权利要求3所述的铝刻蚀的工艺流程优化方法，其特征在于，蚀刻溶液在反应过程中的pH值在2-4范围内进行调控。
5.如权利要求1所述的铝刻蚀的工艺流程优化方法，其特征在于，所述方法还包括：使用浓度计来实时监测蚀刻溶液的浓度。
6.如权利要求1所述的铝刻蚀的工艺流程优化方法，其特征在于，所述方法还包括：使用温度传感器来实时监测蚀刻溶液的温度。
7.如权利要求1所述的铝刻蚀的工艺流程优化方法，其特征在于，保护层为光刻胶或聚酰亚胺薄膜。
8.如权利要求1所述的铝刻蚀的工艺流程优化方法，其特征在于，使用化学溶剂或光刻卸除液去除保护层。
9.如权利要求1所述的铝刻蚀的工艺流程优化方法，其特征在于，卷积神经网络模型的输入为涂有保护层的铝基材料的拍摄图像和蚀刻溶液的信息，卷积神经网络模型的输出为蚀刻溶液的初始浓度。
10.一种铝刻蚀的工艺流程优化系统，其特征在于，该系统包括：存储器；处理器；以及计算机程序；其中，所述计算机程序存储在所述存储器中，并配置为由所述处理器执行以实现如权利要求1-9任一项所述的铝刻蚀的工艺流程优化方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311196987.4A CN117187808B (zh) | 2023-09-16 | 一种铝刻蚀的工艺流程优化方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311196987.4A CN117187808B (zh) | 2023-09-16 | 一种铝刻蚀的工艺流程优化方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117187808A true CN117187808A (zh) | 2023-12-08 |
| CN117187808B CN117187808B (zh) | 2024-05-31 |
Family
ID=
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1508290A (zh) * | 2002-12-14 | 2004-06-30 | 鸿富锦精密工业（深圳）有限公司 | 蜂窝状盲孔壳体的制造方法 |
| CN103268857A (zh) * | 2013-05-13 | 2013-08-28 | 北京大学 | 一种基于氮化镓基材料的自停止刻蚀方法 |
| US20200166909A1 (en) * | 2018-11-20 | 2020-05-28 | Relativity Space, Inc. | Real-time adaptive control of manufacturing processes using machine learning |
| CN115212790A (zh) * | 2022-06-30 | 2022-10-21 | 福建天甫电子材料有限公司 | 用于光阻剥离液生产的自动配料系统及其配料方法 |
| CN115240046A (zh) * | 2022-07-29 | 2022-10-25 | 福建天甫电子材料有限公司 | 用于缓冲氧化物蚀刻液生产的自动配料系统及其配料方法 |
| CN116047987A (zh) * | 2023-03-31 | 2023-05-02 | 福建天甫电子材料有限公司 | 用于电子级缓冲氧化物蚀刻液生产的智能控制系统 |
| US20230176550A1 (en) * | 2021-05-06 | 2023-06-08 | Strong Force Iot Portfolio 2016, Llc | Quantum, biological, computer vision, and neural network systems for industrial internet of things |
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1508290A (zh) * | 2002-12-14 | 2004-06-30 | 鸿富锦精密工业（深圳）有限公司 | 蜂窝状盲孔壳体的制造方法 |
| CN103268857A (zh) * | 2013-05-13 | 2013-08-28 | 北京大学 | 一种基于氮化镓基材料的自停止刻蚀方法 |
| US20200166909A1 (en) * | 2018-11-20 | 2020-05-28 | Relativity Space, Inc. | Real-time adaptive control of manufacturing processes using machine learning |
| US20230176550A1 (en) * | 2021-05-06 | 2023-06-08 | Strong Force Iot Portfolio 2016, Llc | Quantum, biological, computer vision, and neural network systems for industrial internet of things |
| CN115212790A (zh) * | 2022-06-30 | 2022-10-21 | 福建天甫电子材料有限公司 | 用于光阻剥离液生产的自动配料系统及其配料方法 |
| CN115240046A (zh) * | 2022-07-29 | 2022-10-25 | 福建天甫电子材料有限公司 | 用于缓冲氧化物蚀刻液生产的自动配料系统及其配料方法 |
| CN116047987A (zh) * | 2023-03-31 | 2023-05-02 | 福建天甫电子材料有限公司 | 用于电子级缓冲氧化物蚀刻液生产的智能控制系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107657603B (zh) | 一种基于智能视觉的工业外观检测方法 | |
| CN111629147B (zh) | 基于卷积神经网络的自动调焦方法及系统 | |
| CN113807249B (zh) | 基于多模态特征融合的情感识别方法、系统、装置及介质 | |
| CN117187808B (zh) | 一种铝刻蚀的工艺流程优化方法和系统 | |
| WO2022048582A1 (zh) | 光流信息预测方法、装置、电子设备和存储介质 | |
| CN117187808A (zh) | 一种铝刻蚀的工艺流程优化方法和系统 | |
| CN113747041A (zh) | 一种摄像机对焦方法及基于循环神经网络的对焦方法 | |
| CN112418124A (zh) | 基于视频图像的鱼类智能监测方法 | |
| CN111914889A (zh) | 一种基于简略核主元分析的精馏塔异常状态识别方法 | |
| TW202223471A (zh) | 用於自動對焦顯微鏡系統之深度學習模組 | |
| Jiang et al. | Automatic pixel-level detection and measurement of corrosion-related damages in dim steel box girders using Fusion-Attention-U-net | |
| CN106658966B (zh) | 一种薄膜电阻内层蚀刻方法 | |
| WO2001029615A1 (fr) | Forme originale de photomasque avec couche pour la protection de la surface de film et procede de preparation de cette forme, et liquide de formation de couche protectrice pour forme originale de photomasque | |
| CN116579958A (zh) | 区域差异先验引导的深度神经网络的多聚焦图像融合方法 | |
| US4292851A (en) | Copper grid for strain analysis of sheet metal deformation | |
| CN110335274B (zh) | 一种三维模具缺陷检测方法及装置 | |
| CN109544481B (zh) | 一种基于机器学习的航空影像匀光方法及系统 | |
| CN109294139A (zh) | 一种利用盐溶液制备自支持膜的方法 | |
| Cheng et al. | Automated silicon-substrate ultra-microtome for automating the collection of brain sections in array tomography | |
| CN109102476B (zh) | 一种基于弥散圆拟合的多光谱图像散焦模糊核估计方法 | |
| CN117666286A (zh) | 光刻胶涂覆监测方法及其设备 | |
| CN112683459A (zh) | 基于人工智能的气密性检测过程相机光圈调节方法及系统 | |
| CN115063596A (zh) | 一种基于深度回归网络的水质浊度检测方法 | |
| CN111291020A (zh) | 基于局部加权线性动态系统的动态过程软测量建模方法 | |
| Xie et al. | Defocus compensation scheme for femtosecond laser direct writing of large-area non-periodic micro-structures |
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 |