CN117274172A - 芯片的分层缺陷的确定方法、装置、电子设备及存储介质 - Google Patents
芯片的分层缺陷的确定方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN117274172A CN117274172A CN202311133701.8A CN202311133701A CN117274172A CN 117274172 A CN117274172 A CN 117274172A CN 202311133701 A CN202311133701 A CN 202311133701A CN 117274172 A CN117274172 A CN 117274172A
- Authority
- CN
- China
- Prior art keywords
- chip
- chips
- sub
- defect
- detection model
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 222
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000001514 detection method Methods 0.000 claims abstract description 108
- 238000007781 pre-processing Methods 0.000 claims abstract description 30
- 230000004044 response Effects 0.000 claims abstract description 14
- 238000012360 testing method Methods 0.000 claims description 33
- 238000012549 training Methods 0.000 claims description 33
- 230000032798 delamination Effects 0.000 claims description 28
- 238000011156 evaluation Methods 0.000 claims description 15
- 238000001914 filtration Methods 0.000 claims description 5
- 238000007689 inspection Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 4
- 230000002950 deficient Effects 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 4
- 238000004891 communication Methods 0.000 description 11
- 238000005516 engineering process Methods 0.000 description 7
- 238000004806 packaging method and process Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 230000002035 prolonged effect Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000006378 damage Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000033001 locomotion Effects 0.000 description 2
- 239000000523 sample Substances 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000020169 heat generation Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005498 polishing Methods 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
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
- G06N3/0499—Feedforward 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
- G06V10/765—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects using rules for classification or partitioning the feature space
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30148—Semiconductor; IC; Wafer
Abstract
本申请提供一种芯片的分层缺陷的确定方法、装置、电子设备及存储介质,所述方法包括获取多个芯片,并对多个芯片进行超声扫描,得到多个芯片对应的芯片图像;对芯片图像进行预处理操作,并对经过预处理操作后的芯片图像进行分割,得到多个子目标芯片图像,其中,子目标芯片图像与芯片一一对应;分别将每个子目标芯片图像输入至经过预训练的缺陷检测模型,经由缺陷检测模型输出每个子目标芯片图像的所属分层缺陷级别的概率;响应于确定分层缺陷级别的概率大于或等于与其关联的预设概率,确定子目标芯片图像对应的芯片出现分层缺陷级别的分层缺陷,解决了现有技术中针对于塑封器件内出现芯片分层的缺陷检测效率低的技术问题。
Description
技术领域
本申请涉及数据处理技术领域,尤其涉及一种芯片的分层缺陷的确定方法、装置、电子设备及存储介质。
背景技术
芯片是通过半导体工艺将一定数量的电子元件集成在一起的具有特定功能的电路。芯片通常封装于塑封器件内,在塑封器件的生产和测试过程中,可能由于外界因素造成塑封器件的受力发生变化,进而导致塑封器件内的芯片与封装基岛出现分层。芯片的分层将会导致塑封器件无法有效工作或者性能异常。
现有技术中,超声扫描技术被广泛应用于塑封器件内芯片分层的缺陷检测中,试验人员需对超声扫描结果进行判断。但是,一方面,人为因素对超声扫描结果的判断存在较大影响。另一方面,对于器件声扫图像的准确分析以及样品的缺陷识别需要试验人员熟练掌握超声检测原理、熟悉器件结构并且拥有大量经验的累积,对试验人员要求较高,不能满足对塑封器件进行大规模检测的需求。
发明内容
有鉴于此,本申请的目的在于提出一种芯片的分层缺陷的确定方法、装置、电子设备及存储介质,以克服现有技术中全部或部分不足。
基于上述目的,本申请提供了一种芯片的分层缺陷的确定方法,包括:获取多个芯片,并对所述多个芯片进行超声扫描,得到所述多个芯片对应的芯片图像,其中,所述多个芯片中的每个芯片都封装于塑封器件内;对所述芯片图像进行预处理操作,并对经过所述预处理操作后的芯片图像进行分割,得到多个子目标芯片图像,其中,所述子目标芯片图像与所述芯片一一对应;分别将每个子目标芯片图像输入至经过预训练的缺陷检测模型,经由所述缺陷检测模型输出每个子目标芯片图像的所属分层缺陷级别的概率;响应于确定所述分层缺陷级别的概率大于或等于与其关联的预设概率,确定所述子目标芯片图像对应的芯片出现所述分层缺陷级别的分层缺陷。
可选地,所述对所述多个芯片进行超声扫描,得到所述多个芯片对应的芯片图像,包括:接收持续发出的超声脉冲信号,并基于所述超声脉冲信号,生成所述多个芯片的多个回波信号;基于所述多个回波信号,确定所述多个芯片对应的芯片图像。
可选地,所述预处理操作至少包括对所述芯片图像进行滤波操作。
可选地,在分别将每个子目标芯片图像输入至经过预训练的缺陷检测模型之前,所述方法包括:根据每个子目标芯片图像中内部芯片的位置对每个子目标芯片图像进行编号。
可选地,所述方法还包括:基于所述分层缺陷级别与所述编号,生成与所述子目标芯片图像关联的提示信息。
可选地,所述缺陷检测模型的训练方法包括:周期性获取历史芯片图像,其中,所述历史芯片图像包括分层缺陷级别标签;对所述历史芯片图像进行预处理操作,并将经过所述预处理操作后的历史芯片图像进行分割,得到多个子历史目标芯片图像;将多个子历史目标芯片图像划分为训练集数据和测试集数据;初始化所述缺陷检测模型的权重,采用所述训练集数据对所述缺陷检测模型进行迭代训练;基于所述测试集数据对经过迭代训练的所述缺陷检测模型进行测试,得到测试评估参数,当所述测试评估参数大于预设评估阈值时,得到训练完成的缺陷检测模型。
可选地,在对多个芯片进行超声扫描之前,所述方法包括:对每个塑封器件的表面进行缺陷检查;响应于确定所述塑封器件的表面存在缺陷,在所述多个芯片中剔除存在缺陷的塑封器件对应的芯片。
基于同一发明构思,本申请还提供了一种芯片的分层缺陷的确定装置,包括:扫描模块,被配置为获取多个芯片,并对所述多个芯片进行超声扫描,得到所述多个芯片对应的芯片图像,其中,所述多个芯片中的每个芯片都封装于塑封器件内;分割模块,被配置为对所述芯片图像进行预处理操作,并对经过所述预处理操作后的芯片图像进行分割,得到多个子目标芯片图像,其中,所述子目标芯片图像与所述芯片一一对应;输出模块,被配置为分别将每个子目标芯片图像输入至经过预训练的缺陷检测模型,经由所述缺陷检测模型输出每个子目标芯片图像的所属分层缺陷级别的概率;确定模块,被配置为响应于确定所述分层缺陷级别的概率大于或等于与其关联的预设概率,确定所述子目标芯片图像对应的芯片出现所述分层缺陷级别的分层缺陷。
基于同一发明构思,本申请还提供了一种电子设备,包括存储器、处理器及存储在所述存储器上并可由所述处理器执行的计算机程序,所述处理器在执行所述计算机程序时实现如上所述的方法。
基于同一发明构思,本申请还提供了一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令用于使计算机执行如上所述的方法。
从上面所述可以看出,本申请提供的芯片的分层缺陷的确定方法、装置、电子设备及存储介质,所述方法包括获取多个芯片,并对所述多个芯片进行超声扫描,得到所述多个芯片对应的芯片图像,其中,所述多个芯片中的每个芯片都封装于塑封器件内,既提高了超声扫描效率,又减少了扫描仪器的启动频次,延长了扫描仪器的使用寿命。对所述芯片图像进行预处理操作,并对经过所述预处理操作后的芯片图像进行分割,得到多个子目标芯片图像,其中,所述子目标芯片图像与所述芯片一一对应,既确保了后续输入至缺陷检测模型的图像的精准化,使得缺陷检测模型可以精确的对待检测芯片进行特征提取,又确保了后续每个待检测芯片都通过缺陷检测模型进行了缺陷检测,避免出现漏检的情况。分别将每个子目标芯片图像输入至经过预训练的缺陷检测模型,经由所述缺陷检测模型输出每个子目标芯片图像的所属分层缺陷级别的概率,无需人工对超声扫描结果进行缺陷检测,提高了缺陷检测效率与缺陷检测准确度。响应于确定所述分层缺陷级别的概率大于或等于与其关联的预设概率,确定所述子目标芯片图像对应的芯片出现所述分层缺陷级别的分层缺陷,提升了确定芯片出现上述分层缺陷级别的分层缺陷的可信度,以便试验人员对出现不同分层缺陷级别的芯片采取不同的后续操作。
附图说明
为了更清楚地说明本申请或相关技术中的技术方案,下面将对实施例或相关技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例的芯片的分层缺陷的确定方法的流程示意图;
图2为本申请实施例的芯片的分层缺陷的确定装置的结构示意图;
图3为本申请实施例电子设备硬件结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚明白,以下结合具体实施例,并参照附图,对本申请进一步详细说明。
需要说明的是,除非另外定义,本申请实施例使用的技术术语或者科学术语应当为本申请所属领域内具有一般技能的人士所理解的通常意义。本申请实施例中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性,而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同,而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接,而是可以包括电性的连接,不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系,当被描述对象的绝对位置改变后,则该相对位置关系也可能相应地改变。
如背景技术部分所述,芯片封装于塑封器件内,在塑封器件的生产和测试过程中,由于塑封器件具有一定的吸湿性,潮气膨胀后会造成塑封器件内部压力过大,进而可能使得塑封器件内的芯片与封装基岛出现分层。此外,由于塑封器件的膨胀系数与芯片的膨胀系数存在差异,用不同的温度和压力对塑封器件测试的过程中,也可能使得塑封器件内的芯片与封装基岛出现分层。芯片的分层将会导致塑封器件无法有效工作或者性能异常,例如,塑封器件可能出现发热、效率降低、甚至损伤或损毁等。
现有技术中,超声扫描技术被广泛应用于塑封器件内芯片分层的缺陷检测中,试验人员需对超声扫描结果进行判断。但是,人为因素对超声扫描结果的判断存在较大影响。对于器件声扫图像的准确分析以及样品的缺陷识别需要试验人员熟练掌握超声检测原理、熟悉器件结构并且拥有大量经验的累积,对试验人员要求较高,不能满足对塑封器件进行大规模检测的需求。
有鉴于此,本申请实施例提出了一种芯片的分层缺陷的确定方法,参考图1,包括以下步骤:
步骤101,获取多个芯片,并对所述多个芯片进行超声扫描,得到所述多个芯片对应的芯片图像,其中,所述多个芯片中的每个芯片都封装于塑封器件内。
在该步骤中,为确保塑封器件的正常使用,塑封器件在投入市场前需要进行多种检测,其中,塑封器件内的芯片与封装基岛之间的分层是一种较为常见的塑封器件缺陷,因此,本申请针对芯片分层的缺陷进行检测。获取多个芯片,需要说明的是,芯片封装于塑封器件内,因此,获取多个芯片,即为获取多个塑封器件,塑封器件内包括芯片。对多个芯片同时进行超声扫描,既提高了超声扫描效率,又减少了扫描仪器的启动频次,延长了扫描仪器的使用寿命。扫描仪器进行超声扫描时,会产生超声脉冲信号,超声脉冲信号具有良好的方向行和稳定性,且遇到不同的材料在不同的介质中会会形成不同的回波信号,示例性的,扫描仪器可以为德国PVA超声波扫描显微镜。通过收集这些回波信号经过计算机计算,就可以得到塑封器件内部的与芯片有关图像。需要说明的是,超声扫描后得到的芯片图像为塑封器件的内部图像,上述内部图像至少包括塑封器件内的芯片与封装基岛。
需要说明的是,根据探头移动的方式和回波解析方式不同,超声扫描主要可以分为五种扫描模式:A-Scan(单点扫描)、B-Scan(纵切面扫描)、C-Scan(横切面扫描)、逐层扫描、T-Scan(透射扫描)。为了提高芯片分层缺陷检测的精准性,本申请采用C-Scan模式,经过C-Scan模式扫描得到的芯片图像可以反映塑封器件上特定深度每一点上回波信号的振幅变化及深度关系。从物理学的角度上来说,相当于对塑封器件某一剖面进行扫描,通过该剖面上的反射声波形成芯片图像。通过C-Scan模式扫描得到的芯片图像可以较为精准的体现塑封器件的缺陷的位置、缺陷的形状、缺陷的尺寸。
步骤102,对所述芯片图像进行预处理操作,并对经过所述预处理操作后的芯片图像进行分割,得到多个子目标芯片图像,其中,所述子目标芯片图像与所述芯片一一对应。
在该步骤中,对芯片图像进行预处理操作,以使芯片图像满足输入至缺陷检测模型的需求,进而使得后续缺陷检测模型对芯片图像进行缺陷检测时可以具有相对高的处理效率。将包括多个芯片的芯片图像分割为多个包括单个芯片的子目标芯片图像,其中,子目标芯片图像与芯片一一对应,既确保了后续输入至缺陷检测模型的图像的精准化,使得缺陷检测模型可以精确的对待检测芯片进行特征提取,又确保了后续每个待检测芯片都通过缺陷检测模型进行了缺陷检测,避免出现漏检的情况。
步骤103,分别将每个子目标芯片图像输入至经过预训练的缺陷检测模型,经由所述缺陷检测模型输出每个子目标芯片图像的所属分层缺陷级别的概率。
在该步骤中,利用训练完成的缺陷检测模型对子目标芯片图像进行缺陷检测,无需人工对超声扫描结果进行缺陷检测,提高了缺陷检测效率与缺陷检测准确度。缺陷检测模型会输出子目标芯片图像的所属分层缺陷级别的概率,其中,所属分层缺陷级别可以表征芯片的分层程度,示例性的,所属分层缺陷级别可以为芯片轻微分层,芯片中度分层和芯片严重分层。需要说明的是,上述缺陷检测模型可以为基于多层感知器(MLP)模型,可以通过采用反向传播的量化共轭梯度算法对缺陷检测模型进行训练。
步骤104,响应于确定所述分层缺陷级别的概率大于或等于与其关联的预设概率,确定所述子目标芯片图像对应的芯片出现所述分层缺陷级别的分层缺陷。
在该步骤中,分层缺陷级别的概率意味着芯片出现分层的概率,将上述概率与其关联的预设概率进行比较,在上述概率大于或等于上述预设概率的情况下,说明上述芯片极可能出现分层缺陷级别的分层缺陷。其中,预设概率可以根据工作经验确定,示例性的,每个分层缺陷级别的预设概率都可以为90%,提升了确定芯片出现上述分层缺陷级别的分层缺陷的可信度,以便试验人员对出现不同分层缺陷级别的芯片采取不同的后续操作。
通过上述方案,获取多个芯片,并对所述多个芯片进行超声扫描,得到所述多个芯片对应的芯片图像,其中,所述多个芯片中的每个芯片都封装于塑封器件内,既提高了超声扫描效率,又减少了扫描仪器的启动频次,延长了扫描仪器的使用寿命。对所述芯片图像进行预处理操作,并对经过所述预处理操作后的芯片图像进行分割,得到多个子目标芯片图像,其中,所述子目标芯片图像与所述芯片一一对应,既确保了后续输入至缺陷检测模型的图像的精准化,使得缺陷检测模型可以精确的对待检测芯片进行特征提取,又确保了后续每个待检测芯片都通过缺陷检测模型进行了缺陷检测,避免出现漏检的情况。分别将每个子目标芯片图像输入至经过预训练的缺陷检测模型,经由所述缺陷检测模型输出每个子目标芯片图像的所属分层缺陷级别的概率,无需人工对超声扫描结果进行缺陷检测,提高了缺陷检测效率与缺陷检测准确度。响应于确定所述分层缺陷级别的概率大于或等于与其关联的预设概率,确定所述子目标芯片图像对应的芯片出现所述分层缺陷级别的分层缺陷,提升了确定芯片出现上述分层缺陷级别的分层缺陷的可信度,以便试验人员对出现不同分层缺陷级别的芯片采取不同的后续操作。
在一些实施例中,所述对所述多个芯片进行超声扫描,得到所述多个芯片对应的芯片图像,包括:接收持续发出的超声脉冲信号,并基于所述超声脉冲信号,生成所述多个芯片的多个回波信号;基于所述多个回波信号,确定所述多个芯片对应的芯片图像。
在本实施例中,超声脉冲信号是以波动形式在弹性介质中传播的机械振动,当超声脉冲信号与多个芯片及其缺陷相互作用时,反射、透射和散射特性使超声脉冲信号的传播方向和特征被改变,进而产生回波信号。通过收集回波信号,并对回波信号进行处理分析,即可得到多个芯片对应的芯片图像,达到了精准对塑封器件的内部结构进行成像的目的。
本实施例采用的超声扫描技术可以为脉冲回波技术,由特定的扫描仪器发射高重复率的超声脉冲信号,上述超声脉冲信号与多个塑封器件发生相互作用后,回波信号被接收并转换为芯片图像。要形成一幅芯片图像,扫描仪器需要在多个塑封器件上方反复做扫描运动,多个塑封器件的每一点回波信号的强度及相位信息均被按顺序同步记录,并转换为一定灰度值的像素点,显示在高分辨率显示屏上。将多个塑封器件的每一点的内部结构转换为大小不同的灰度值,声扫后得到的芯片图像的灰度信息反映了塑封器件的内部结构。需要说明的是,上述芯片图像为灰度图像,芯片图像的灰度完全由材料表面及对超声不透明的材料内部各种物理参数(如密度、弹性模量等)的变化引起,得到关于灰度图像矩阵信息,进而有利于后续缺陷检测模型对图像的处理。
在一些实施例中,所述预处理操作至少包括对所述芯片图像进行滤波操作。
在本实施例中,由于芯片图像中可能存在噪声成分,噪声成分的存在使得缺陷检测模型对芯片图像进行缺陷检测的准确度降低,因此,在将芯片图像输入至缺陷检测模型之前,需要对芯片图像进行滤波操作。
在一些实施例中,在分别将每个子目标芯片图像输入至经过预训练的缺陷检测模型之前,所述方法包括:根据每个子目标芯片图像中内部芯片的位置对每个子目标芯片图像进行编号。
在本实施例中,为了使得在某个芯片出现分层缺陷时,可以快速的将该芯片找出来,需要对每个子目标芯片图像进行编号。子目标芯片图像与芯片一一对应,进而可以根据每个子目标芯片图像中内部芯片的位置,对每个子目标芯片图像进行编号。编号可以将每个子目标芯片图像进行区分,每个子目标芯片图像的编号都不相同,示例性的,编号可以为数字或字母。这样,就可以精确且快速的找出是位于哪个位置的芯片出现分层缺陷,进而便于检测人员对出现分层缺陷的芯片进行及时处理。
在一些实施例中,所述方法还包括:基于所述分层缺陷级别与所述编号,生成与所述子目标芯片图像关联的提示信息。
在本实施例中,通过分层缺陷级别可以确定芯片的分层程度,以及通过编号可以确定是哪个位置的芯片发生分层,因此,可以通过分层缺陷级别和编号生成与子目标芯片图像关联的提示信息。示例性的,提示信息可以为“编号为1的芯片出现严重分层”,以便检测人员可以详细且高效的获知处于哪个位置的芯片发生了哪种程度的分层。
在一些实施例中,所述缺陷检测模型的训练方法包括:周期性获取历史芯片图像,其中,所述历史芯片图像包括分层缺陷级别标签;对所述历史芯片图像进行预处理操作,并将经过所述预处理操作后的历史芯片图像进行分割,得到多个子历史目标芯片图像;将多个子历史目标芯片图像划分为训练集数据和测试集数据;初始化所述缺陷检测模型的权重,采用所述训练集数据对所述缺陷检测模型进行迭代训练;基于所述测试集数据对经过迭代训练的所述缺陷检测模型进行测试,得到测试评估参数,当所述测试评估参数大于预设评估阈值时,得到训练完成的缺陷检测模型。
在本实施例中,为了确保缺陷检测模型输出每个子目标芯片图像的所属分层缺陷级别的概率的准确性,需要周期性的对缺陷检测模型进行训练。获取大量的历史芯片图像,历史芯片图像包括分层缺陷级别标签,使得基于历史芯片图像训练得到的缺陷检测模型的输出结果更加准确。对历史芯片图像进行预处理操作,以使其符合输入至缺陷检测模型的规范。再将经过预处理操作后的历史芯片图像进行分割,得到多个子历史目标芯片图像,确保了后续输入至缺陷检测模型的图像的精准化。将多个子历史目标芯片图像可以划分为80%训练集和20%测试集,训练集用于对缺陷检测模型的训练,测试集对训练集训练完成的缺陷检测模型进行校验。初始化缺陷检测模型的权重,权重为根据经验值设定的,有利于提升缺陷检测模型收敛速度的值。通过训练集对缺陷检测模型进行迭代训练以及通过测试集对经过迭代训练的缺陷检测模型进行测试,得到测试评估参数,当测试评估参数大于预设评估阈值时,最终得到训练完成的缺陷检测模型,提升了缺陷检测模型检测的精准性。
在一些实施例中,在对多个芯片进行超声扫描之前,所述方法包括:对每个塑封器件的表面进行缺陷检查;响应于确定所述塑封器件的表面存在缺陷,在所述多个芯片中剔除存在缺陷的塑封器件对应的芯片。
在本实施例中,塑封器件在进入市场前需要经过多种测试,在塑封器件的生产或测试过程中,封装芯片的塑封器件的表面可能出现翻新打磨、表面标识不洁、塑封器件表面空洞裂纹等缺陷。在塑封器件的表面存在缺陷的情况下,芯片肯定不能通过进入市场的检测,因此,在对多个芯片进行超声扫描之前,可以先进行塑封器件的表面缺陷检查。在塑封器件的表面存在缺陷的情况下,在多个芯片中剔除存在缺陷的塑封器件对应的芯片,加快了对芯片进行分层缺陷检测的效率。
需要说明的是,本申请实施例的方法可以由单个设备执行,例如一台计算机或服务器等。本实施例的方法也可以应用于分布式场景下,由多台设备相互配合来完成。在这种分布式场景的情况下,这多台设备中的一台设备可以只执行本申请实施例的方法中的某一个或多个步骤,这多台设备相互之间会进行交互以完成所述的方法。
需要说明的是,上述对本申请的一些实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于上述实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
基于同一发明构思,与上述任意实施例方法相对应的,本申请还提供了一种芯片的分层缺陷的确定装置。
参考图2,所述芯片的分层缺陷的确定装置,包括:
扫描模块10,被配置为获取多个芯片,并对所述多个芯片进行超声扫描,得到所述多个芯片对应的芯片图像,其中,所述多个芯片中的每个芯片都封装于塑封器件内。
分割模块20,被配置为对所述芯片图像进行预处理操作,并对经过所述预处理操作后的芯片图像进行分割,得到多个子目标芯片图像,其中,所述子目标芯片图像与所述芯片一一对应。
输出模块30,被配置为分别将每个子目标芯片图像输入至经过预训练的缺陷检测模型,经由所述缺陷检测模型输出每个子目标芯片图像的所属分层缺陷级别的概率。
确定模块40,被配置为响应于确定所述分层缺陷级别的概率大于或等于与其关联的预设概率,确定所述子目标芯片图像对应的芯片出现所述分层缺陷级别的分层缺陷。
通过上述装置,获取多个芯片,并对所述多个芯片进行超声扫描,得到所述多个芯片对应的芯片图像,其中,所述多个芯片中的每个芯片都封装于塑封器件内,既提高了超声扫描效率,又减少了扫描仪器的启动频次,延长了扫描仪器的使用寿命。对所述芯片图像进行预处理操作,并对经过所述预处理操作后的芯片图像进行分割,得到多个子目标芯片图像,其中,所述子目标芯片图像与所述芯片一一对应,既确保了后续输入至缺陷检测模型的图像的精准化,使得缺陷检测模型可以精确的对待检测芯片进行特征提取,又确保了后续每个待检测芯片都通过缺陷检测模型进行了缺陷检测,避免出现漏检的情况。分别将每个子目标芯片图像输入至经过预训练的缺陷检测模型,经由所述缺陷检测模型输出每个子目标芯片图像的所属分层缺陷级别的概率,无需人工对超声扫描结果进行缺陷检测,提高了缺陷检测效率与缺陷检测准确度。响应于确定所述分层缺陷级别的概率大于或等于与其关联的预设概率,确定所述子目标芯片图像对应的芯片出现所述分层缺陷级别的分层缺陷,提升了确定芯片出现上述分层缺陷级别的分层缺陷的可信度,以便试验人员对出现不同分层缺陷级别的芯片采取不同的后续操作。
在一些实施例中,所述扫描模块10,还被配置为接收持续发出的超声脉冲信号,并基于所述超声脉冲信号,生成所述多个芯片的多个回波信号;基于所述多个回波信号,确定所述多个芯片对应的芯片图像。
在一些实施例中,所述分割模块20,还被配置为所述预处理操作至少包括对所述芯片图像进行滤波操作。
在一些实施例中,还包括编号模块,所述编号模块还被配置为在分别将每个子目标芯片图像输入至经过预训练的缺陷检测模型之前,根据每个子目标芯片图像中内部芯片的位置对每个子目标芯片图像进行编号。
在一些实施例中,还包括生成模块,所述生成模块还被配置为基于所述分层缺陷级别与所述编号,生成与所述子目标芯片图像关联的提示信息。
在一些实施例中,还包括训练模块,所述训练模块还被配置为所述缺陷检测模型的训练方法包括:周期性获取历史芯片图像,其中,所述历史芯片图像包括分层缺陷级别标签;对所述历史芯片图像进行预处理操作,并将经过所述预处理操作后的历史芯片图像进行分割,得到多个子历史目标芯片图像;将多个子历史目标芯片图像划分为训练集数据和测试集数据;初始化所述缺陷检测模型的权重,采用所述训练集数据对所述缺陷检测模型进行迭代训练;基于所述测试集数据对经过迭代训练的所述缺陷检测模型进行测试,得到测试评估参数,当所述测试评估参数大于预设评估阈值时,得到训练完成的缺陷检测模型。
在一些实施例中,还包括剔除模块,所述剔除模块还被配置为在对多个芯片进行超声扫描之前,对每个塑封器件的表面进行缺陷检查;响应于确定所述塑封器件的表面存在缺陷,在所述多个芯片中剔除存在缺陷的塑封器件对应的芯片。
为了描述的方便,描述以上装置时以功能分为各种模块分别描述。当然,在实施本申请时可以把各模块的功能在同一个或多个软件和/或硬件中实现。
上述实施例的装置用于实现前述任一实施例中相应的芯片的分层缺陷的确定方法,并且具有相应的方法实施例的有益效果,在此不再赘述。
基于同一发明构思,与上述任意实施例方法相对应的,本申请还提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上任意一实施例所述的芯片的分层缺陷的确定方法。
图3示出了本实施例所提供的一种更为具体的电子设备硬件结构示意图,该设备可以包括:处理器1010、存储器1020、输入/输出接口1030、通信接口1040和总线1050。其中处理器1010、存储器1020、输入/输出接口1030和通信接口1040通过总线1050实现彼此之间在设备内部的通信连接。
处理器1010可以采用通用的CPU(Central Processing Unit,中央处理器)、微处理器、应用专用集成电路(Application Specific Integrated Circuit,ASIC)、或者一个或多个集成电路等方式实现,用于执行相关程序,以实现本说明书实施例所提供的技术方案。
存储器1020可以采用ROM(Read Only Memory,只读存储器)、RAM(Random AccessMemory,随机存取存储器)、静态存储设备,动态存储设备等形式实现。存储器1020可以存储操作系统和其他应用程序,在通过软件或者固件来实现本说明书实施例所提供的技术方案时,相关的程序代码保存在存储器1020中,并由处理器1010来调用执行。
输入/输出接口1030用于连接输入/输出模块,以实现信息输入及输出。输入/输出模块可以作为组件配置在设备中(图中未示出),也可以外接于设备以提供相应功能。其中输入设备可以包括键盘、鼠标、触摸屏、麦克风、各类传感器等,输出设备可以包括显示器、扬声器、振动器、指示灯等。
通信接口1040用于连接通信模块(图中未示出),以实现本设备与其他设备的通信交互。其中通信模块可以通过有线方式(例如USB、网线等)实现通信,也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信。
总线1050包括一通路,在设备的各个组件(例如处理器1010、存储器1020、输入/输出接口1030和通信接口1040)之间传输信息。
需要说明的是,尽管上述设备仅示出了处理器1010、存储器1020、输入/输出接口1030、通信接口1040以及总线1050,但是在具体实施过程中,该设备还可以包括实现正常运行所必需的其他组件。此外,本领域的技术人员可以理解的是,上述设备中也可以仅包含实现本说明书实施例方案所必需的组件,而不必包含图中所示的全部组件。
上述实施例的电子设备用于实现前述任一实施例中相应的芯片的分层缺陷的确定方法,并且具有相应的方法实施例的有益效果,在此不再赘述。
基于同一发明构思,与上述任意实施例方法相对应的,本申请还提供了一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令用于使所述计算机执行如上任一实施例所述的芯片的分层缺陷的确定方法。
本实施例的计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。
上述实施例的存储介质存储的计算机指令用于使所述计算机执行如上任一实施例所述的芯片的分层缺陷的确定方法,并且具有相应的方法实施例的有益效果,在此不再赘述。
所属领域的普通技术人员应当理解:以上任何实施例的讨论仅为示例性的,并非旨在暗示本申请的范围(包括权利要求)被限于这些例子;在本申请的思路下,以上实施例或者不同实施例中的技术特征之间也可以进行组合,步骤可以以任意顺序实现,并存在如上所述的本申请实施例的不同方面的许多其它变化,为了简明它们没有在细节中提供。
另外,为简化说明和讨论,并且为了不会使本申请实施例难以理解,在所提供的附图中可以示出或可以不示出与集成电路(IC)芯片和其它部件的公知的电源/接地连接。此外,可以以框图的形式示出装置,以便避免使本申请实施例难以理解,并且这也考虑了以下事实,即关于这些框图装置的实施方式的细节是高度取决于将要实施本申请实施例的平台的(即,这些细节应当完全处于本领域技术人员的理解范围内)。在阐述了具体细节(例如,电路)以描述本申请的示例性实施例的情况下,对本领域技术人员来说显而易见的是,可以在没有这些具体细节的情况下或者这些具体细节有变化的情况下实施本申请实施例。因此,这些描述应被认为是说明性的而不是限制性的。
尽管已经结合了本申请的具体实施例对本申请进行了描述,但是根据前面的描述,这些实施例的很多替换、修改和变型对本领域普通技术人员来说将是显而易见的。例如,其它存储器架构(例如,动态RAM(DRAM))可以使用所讨论的实施例。
本申请实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此,凡在本申请实施例的精神和原则之内,所做的任何省略、修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (10)
1.一种芯片的分层缺陷的确定方法,其特征在于,包括:
获取多个芯片,并对所述多个芯片进行超声扫描,得到所述多个芯片对应的芯片图像,其中,所述多个芯片中的每个芯片都封装于塑封器件内;
对所述芯片图像进行预处理操作,并对经过所述预处理操作后的芯片图像进行分割,得到多个子目标芯片图像,其中,所述子目标芯片图像与所述芯片一一对应;
分别将每个子目标芯片图像输入至经过预训练的缺陷检测模型,经由所述缺陷检测模型输出每个子目标芯片图像的所属分层缺陷级别的概率;
响应于确定所述分层缺陷级别的概率大于或等于与其关联的预设概率,确定所述子目标芯片图像对应的芯片出现所述分层缺陷级别的分层缺陷。
2.根据权利要求1所述的方法,其特征在于,所述对所述多个芯片进行超声扫描,得到所述多个芯片对应的芯片图像,包括:
接收持续发出的超声脉冲信号,并基于所述超声脉冲信号,生成所述多个芯片的多个回波信号;
基于所述多个回波信号,确定所述多个芯片对应的芯片图像。
3.根据权利要求1所述的方法,其特征在于,所述预处理操作至少包括对所述芯片图像进行滤波操作。
4.根据权利要求1所述的方法,其特征在于,在分别将每个子目标芯片图像输入至经过预训练的缺陷检测模型之前,所述方法包括:
根据每个子目标芯片图像中内部芯片的位置对每个子目标芯片图像进行编号。
5.根据权利要求4所述的方法,其特征在于,所述方法还包括:
基于所述分层缺陷级别与所述编号,生成与所述子目标芯片图像关联的提示信息。
6.根据权利要求1所述的方法,其特征在于,所述缺陷检测模型的训练方法包括:
周期性获取历史芯片图像,其中,所述历史芯片图像包括分层缺陷级别标签;
对所述历史芯片图像进行预处理操作,并将经过所述预处理操作后的历史芯片图像进行分割,得到多个子历史目标芯片图像;
将多个子历史目标芯片图像划分为训练集数据和测试集数据;
初始化所述缺陷检测模型的权重,采用所述训练集数据对所述缺陷检测模型进行迭代训练;
基于所述测试集数据对经过迭代训练的所述缺陷检测模型进行测试,得到测试评估参数,当所述测试评估参数大于预设评估阈值时,得到训练完成的缺陷检测模型。
7.根据权利要求1所述的方法,其特征在于,在对多个芯片进行超声扫描之前,所述方法包括:
对每个塑封器件的表面进行缺陷检查;
响应于确定所述塑封器件的表面存在缺陷,在所述多个芯片中剔除存在缺陷的塑封器件对应的芯片。
8.一种芯片的分层缺陷的确定装置,其特征在于,包括:
扫描模块,被配置为获取多个芯片,并对所述多个芯片进行超声扫描,得到所述多个芯片对应的芯片图像,其中,所述多个芯片中的每个芯片都封装于塑封器件内;
分割模块,被配置为对所述芯片图像进行预处理操作,并对经过所述预处理操作后的芯片图像进行分割,得到多个子目标芯片图像,其中,所述子目标芯片图像与所述芯片一一对应;
输出模块,被配置为分别将每个子目标芯片图像输入至经过预训练的缺陷检测模型,经由所述缺陷检测模型输出每个子目标芯片图像的所属分层缺陷级别的概率;
确定模块,被配置为响应于确定所述分层缺陷级别的概率大于或等于与其关联的预设概率,确定所述子目标芯片图像对应的芯片出现所述分层缺陷级别的分层缺陷。
9.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至7任意一项所述的方法。
10.一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,其特征在于,所述计算机指令用于使计算机执行权利要求1至7任一所述方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311133701.8A CN117274172A (zh) | 2023-09-04 | 2023-09-04 | 芯片的分层缺陷的确定方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311133701.8A CN117274172A (zh) | 2023-09-04 | 2023-09-04 | 芯片的分层缺陷的确定方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117274172A true CN117274172A (zh) | 2023-12-22 |
Family
ID=89211441
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311133701.8A Pending CN117274172A (zh) | 2023-09-04 | 2023-09-04 | 芯片的分层缺陷的确定方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117274172A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117589798A (zh) * | 2024-01-19 | 2024-02-23 | 中诚华隆计算机技术有限公司 | 一种芯片故障检测方法、装置及电子设备 |
-
2023
- 2023-09-04 CN CN202311133701.8A patent/CN117274172A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117589798A (zh) * | 2024-01-19 | 2024-02-23 | 中诚华隆计算机技术有限公司 | 一种芯片故障检测方法、装置及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106770669B (zh) | 基于多模式声束合成孔径聚焦的缺陷二维形貌成像检测方法 | |
JP2018105844A (ja) | 複合材料構造物のためのリンクル特性評価及び性能予測 | |
CN117274172A (zh) | 芯片的分层缺陷的确定方法、装置、电子设备及存储介质 | |
Posilović et al. | Flaw detection from ultrasonic images using YOLO and SSD | |
CN103353480A (zh) | 一种机车轮轴超声自动探伤方法及装置 | |
CN102914590A (zh) | 用于孔隙度测量和缺陷检测的方法和设备 | |
US9915633B2 (en) | Two-dimensional array depression profiler and measurement device | |
US20170082582A1 (en) | Simulation-Supported Defect Evaluation Using Ultrasound | |
US20230221286A1 (en) | Inspection device, inspection method, and inspection program | |
JP2019184449A (ja) | 超音波検査装置及び超音波検査方法 | |
US10168301B2 (en) | Method and device for defect-size evaluation | |
KR101830461B1 (ko) | 기계 부품 내부에 존재하는 결함의 방향을 측정하기 위한 방법 및 그 장치 | |
US20240013044A1 (en) | Method for characterizing a part through non-destructive inspection | |
CA3150478A1 (en) | Ultrasonic testing for defect detection | |
CN116433661B (zh) | 多任务学习的半导体晶圆检测方法、装置、设备及介质 | |
CN112816557B (zh) | 一种缺陷检测方法、装置、设备和存储介质 | |
CN106645399A (zh) | 一种复合材料损伤检测评估方法和系统 | |
Bielak et al. | CUDA technology for Lamb wave simulations | |
Soldatov et al. | System for automatic sorting of pallets | |
CN115389514A (zh) | 一种材料缺陷检测方法和装置 | |
CN116012285A (zh) | 一种基于激光超声的bga焊点缺陷检测系统及检测方法 | |
CA3040331A1 (en) | Method and device for detecting and characterizing a reflecting element in an object | |
US11143625B2 (en) | Ultrasonic inspection of parts | |
US10794873B2 (en) | Signal processing for ultrasound imaging systems | |
JP2011047655A (ja) | 超音波を用いた欠陥識別方法及び欠陥識別装置 |
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 |