CN118032935A - 一种基于经验共振分解的倒装芯片缺陷检测方法及系统 - Google Patents
一种基于经验共振分解的倒装芯片缺陷检测方法及系统 Download PDFInfo
- Publication number
- CN118032935A CN118032935A CN202410434480.6A CN202410434480A CN118032935A CN 118032935 A CN118032935 A CN 118032935A CN 202410434480 A CN202410434480 A CN 202410434480A CN 118032935 A CN118032935 A CN 118032935A
- Authority
- CN
- China
- Prior art keywords
- chip
- spectrum
- vibration
- sample
- local maximum
- 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
- 238000000354 decomposition reaction Methods 0.000 title claims abstract description 103
- 230000007547 defect Effects 0.000 title claims abstract description 59
- 238000001514 detection method Methods 0.000 title claims abstract description 34
- 238000001228 spectrum Methods 0.000 claims abstract description 119
- 238000003466 welding Methods 0.000 claims abstract description 33
- 238000001914 filtration Methods 0.000 claims abstract description 23
- 238000000034 method Methods 0.000 claims abstract description 19
- 230000011218 segmentation Effects 0.000 claims description 32
- 238000009499 grossing Methods 0.000 claims description 14
- 238000005315 distribution function Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000008878 coupling Effects 0.000 claims description 4
- 238000010168 coupling process Methods 0.000 claims description 4
- 238000005859 coupling reaction Methods 0.000 claims description 4
- 238000002955 isolation Methods 0.000 claims description 4
- 238000005192 partition Methods 0.000 claims description 4
- 238000004422 calculation algorithm Methods 0.000 abstract description 122
- 230000000007 visual effect Effects 0.000 abstract description 3
- 239000000306 component Substances 0.000 description 165
- 238000010586 diagram Methods 0.000 description 65
- 238000004088 simulation Methods 0.000 description 43
- 238000004590 computer program Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 229910000679 solder Inorganic materials 0.000 description 4
- 239000000284 extract Substances 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000004377 microelectronic Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012536 packaging technology Methods 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 239000000758 substrate Substances 0.000 description 2
- 229910045601 alloy Inorganic materials 0.000 description 1
- 239000000956 alloy Substances 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000035939 shock Effects 0.000 description 1
- 238000005476 soldering Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Landscapes
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
Abstract
本发明涉及倒装芯片缺陷检测技术领域，尤其是指一种基于经验共振分解的倒装芯片缺陷检测方法及系统，包括：获取不同的倒装焊点缺陷类别的样本芯片及样本芯片的振动信号；基于经验共振分解算法对样本芯片的振动信号的傅里叶频谱进行分割，构建理想高斯滤波器组，得到滤波信号；计算样本芯片的振动能量系数，对样本芯片的缺陷类型进行分类。本发明实现了对样本芯片进行快速高效的缺陷检测，而无需人工视觉检测，节省了人力与时间，自动化程度更高，且检测结果更为客观，准确性更高。
Description
技术领域
本发明涉及倒装芯片缺陷检测技术领域，尤其是指一种基于经验共振分解的倒装芯片缺陷检测方法及系统。
背景技术
集成电路技术是现代化电子信息技术的核心组成部分，广泛应用于智能制造、自动控制以及人工智能等高新技术领域。微电子封装技术是集成电路工艺流程中最为关键和最具挑战性的环节，倒装焊封装是目前主流的微电子封装技术之一。随着倒装焊封装尺寸的不断减小，集成电路的制作工艺和封装结构变得越来越复杂，导致制造过程中更容易产生缺陷。为了确保芯片能够安全可靠地运行，需要开展有效的倒装芯片缺陷检测研究。
倒装芯片发生缺陷时，其结构特性发生改变，焊点约束变小，检测时振幅变大。倒装芯片缺陷检测的共振频率包含了更多缺陷信息，能量发生偏移，因此提取倒装芯片的共振频带很有必要。在过去几十年中，许多信号分解算法被提出，HUANG等所提的经验模态分解(EMD)是最重要和最流行的算法之一，通过递归方式将振动信号分解成多个IMF分量，但经验模态分解存在模态混叠、过分解和欠分解等问题，无法提取出理想的倒装芯片共振频带。经验小波变换(EWT)是一种基于小波变换和窄带信号分析的信号分解方法，利用数据驱动的频带划分原理对频谱进行分割，并通过构建正交小波滤波器组来提取信号的调制分量。然而，经验小波变换的分解非常依赖于频谱分割的边界，自适应性较差。
发明内容
为此，本发明所要解决的技术问题在于克服现有技术中无法自适应提取倒装芯片共振频带的问题。
为解决上述技术问题，本发明提供了一种基于经验共振分解的倒装芯片缺陷检测方法，包括：
获取不同的倒装焊点缺陷类别的样本芯片及样本芯片的振动信号；
对样本芯片的振动信号的傅里叶频谱进行分割，包括：
对振动信号的傅里叶频谱进行卷积运算，将傅里叶频谱转化为平滑曲线，并利用平滑曲线突出度提取平滑曲线的局部最大值及其对应的局部最大值点，将平滑曲线局部最大值点的总个数作为模态分量的个数；
分别获取相邻两个局部最大值点在傅里叶频谱的局部最小值点和平滑曲线上的局部最小值点，根据傅里叶频谱上的局部最小值点与相邻两个局部最大值点之间的距离计算频谱距离熵，根据平滑曲线上的局部最小值点与相邻两个局部最大值点之间的距离计算级联高斯距离熵，比较频谱距离熵和级联高斯距离熵的大小，将更大的距离熵值对应的局部最小值点作为频谱分割边界；分别对相邻两个局部最大值点进行遍历计算，得到所有频谱分割边界；利用所有频谱分割边界将振动信号的傅里叶频谱分割为频带集；
根据频谱分割边界和频带集构建理想高斯滤波器组，并利用理想高斯滤波器组对样本芯片的振动信号进行滤波处理，得到滤波信号；对滤波信号进行逆傅里叶变换，得到各个模态分量的时域信号；
根据所有模态分量计算样本芯片的振动能量系数，并依据振动能量系数对样本芯片的缺陷类型进行分类，并利用样本芯片的振动信号对芯片焊点缺陷进行定位。
优选地，获取样本芯片的振动信号包括：
将样本芯片放置在气浮隔振平台上；利用空气耦合电容式超声换能器对样本芯片进行激励；使用扫描式多普勒激光测振仪测量样本芯片表面的振动，获得样本芯片表面的振动信号。
优选地，所述对振动信号的傅里叶频谱进行卷积运算，将傅里叶频谱转化为平滑曲线，平滑曲线的公式为：
；
；
其中，为平滑曲线的表达式，/>为振动信号的傅里叶频谱，为级联高斯核函数，/>和/>为级联高斯核参数，/>为平滑曲线的横坐标，/>为频率。
优选地，将级联高斯核参数设置为0，/>设置为振动信号的傅里叶频谱/>的长度。
优选地，所述利用平滑曲线突出度提取平滑曲线的局部最大值及其对应的局部最大值点，包括：
将突出系数作为局部最大值的选取阈值，遍历平滑曲线上的所有突出度，当突出度大于等于突出系数时，提取该突出度对应的局部最大值及该局部最大值对应的局部最大值点；
所述突出系数的公式为：
；
其中，为平滑曲线的最大突出度，/>为级联高斯核参数。
优选地，距离熵的公式为：
；
其中，为距离熵，/>，/>为局部最小值点与相邻两个局部最大值点之间的距离；当i=1时，/>为局部最小值点与相邻两个局部最大值点中第一局部最大值点之间的距离；当i=2时，/>为局部最小值点与相邻两个局部最大值点中第二局部最大值点之间的距离，/>为相邻两个局部最大值点之间的距离。
优选地，所述根据频谱分割边界和频带集构建理想高斯滤波器组，公式为：
；
其中，为理想高斯滤波器组，/>为模态分量的标号，有/>，/>为频谱分割边界的个数；/>为第一高斯分布函数，/>和/>为第一高斯分布函数的参数；/>为第二高斯分布函数，/>和/>为第二高斯分布函数的参数，分别为，/>，/>，；/>为频率，/>为第/>个局部最小值点所对应的频率，为第/>个局部最小值点所对应的频率，/>为频带集中第/>个频带的最大值所对应的频率，/>。
优选地，所述利用理想高斯滤波器组对样本芯片的振动信号进行滤波处理，得到滤波信号，公式为：
；
其中，为滤波信号，/>为样本芯片的振动信号的傅里叶频谱，/>为理想高斯滤波器组，/>为模态分量的标号，/>为频率。
优选地，所述对滤波信号进行逆傅里叶变换，得到模态分量的时域信号，公式为：
；
其中，为模态分量的时域信号，/>为滤波信号，/>为模态分量的标号，/>为频率。
优选地，计算样本芯片的振动能量系数，公式包括：
；
；
；
其中，为第一个模态分量与剩余模态分量重构后的振动信号频域的振幅比，/>为共振频带能量熵，所述共振频带为模态分量时域信号的频谱，/>为振动能量系数；为第一个模态分量的频谱，/>为模态分量重构后的振动信号的频谱，/>为频谱分割边界的个数，/>为第/>个模态分量的能量，/>为所有模态分量的能量之和。
优选地，所述依据振动能量系数对样本芯片的状态进行分类，包括：
若样本芯片的振动能量系数在0至1.5之间，则为良好芯片；若样本芯片的振动能量系数在3.5至5之间，则为焊点虚焊芯片；若样本芯片的振动能量系数高于10，则为焊点缺失芯片；若样本芯片的振动能量系数低于-3，则为焊点裂纹芯片。
本发明还提供了一种基于经验共振分解的倒装芯片缺陷检测系统，包括：
振动信号获取模块，用于获取不同的倒装焊点缺陷类别的样本芯片及样本芯片的振动信号；
频谱分割模块，用于对样本芯片的振动信号的傅里叶频谱进行分割，包括：对振动信号的傅里叶频谱进行卷积运算，将傅里叶频谱转化为平滑曲线，并利用平滑曲线突出度提取平滑曲线的局部最大值及其对应的局部最大值点，将平滑曲线局部最大值点的总个数作为模态分量的个数；分别获取相邻两个局部最大值点在傅里叶频谱的局部最小值点和平滑曲线上的局部最小值点，根据傅里叶频谱上的局部最小值点与相邻两个局部最大值点之间的距离计算频谱距离熵，根据平滑曲线上的局部最小值点与相邻两个局部最大值点之间的距离计算级联高斯距离熵，比较频谱距离熵和级联高斯距离熵的大小，将更大的距离熵值对应的局部最小值点作为频谱分割边界；分别对相邻两个局部最大值点进行遍历计算，得到所有频谱分割边界；利用所有频谱分割边界将振动信号的傅里叶频谱分割为频带集；
滤波模块，用于根据频谱分割边界和频带集构建理想高斯滤波器组，并利用理想高斯滤波器组对样本芯片的振动信号进行滤波处理，得到滤波信号；对滤波信号进行逆傅里叶变换，得到各个模态分量的时域信号；
分类模块，用于根据所有模态分量计算样本芯片的振动能量系数，并依据振动能量系数对样本芯片的缺陷类型进行分类，并利用样本芯片的振动信号对芯片焊点缺陷进行定位。
本发明的上述技术方案相比现有技术具有以下有益效果：
本发明所述的一种基于经验共振分解的倒装芯片缺陷检测方法，提出了一种经验共振分解算法，以振动信号的傅里叶频谱或平滑曲线的局部最小值点作为频谱分割边界，无需额外设置和调整参数，能够自适应地将非线性信号分解为若干个瞬时频率具有物理意义的模态分量，实现了对振动信号的傅里叶频谱的自适应边界分割，确保模态分量之间的独立性，并且进一步提升了频谱分割的精准度和灵活性。基于分割后的模态分量计算振动能量系数，并按照不同状态下样本芯片的振动能量系数取值范围不同，对样本芯片进行快速高效的缺陷检测，而无需人工视觉检测，节省人力与时间，自动化程度更高，且检测结果更为客观，准确性更高。
附图说明
为了使本发明的内容更容易被清楚的理解，下面根据本发明的具体实施例并结合附图，对本发明作进一步详细的说明，其中：
图1是本发明一种基于经验共振分解的倒装芯片缺陷检测方法的流程图；
图2是本发明实施例中各焊点缺陷类别的样本芯片的振动能量系数分布图；
图3是本发明实施例中仿真信号及其各分量的频域波形图，其中图3中的（a）为调幅调频分量的频域波形图，图3中的（b）为共振调制分量的频域波形图，图3中的（c）为正弦分量的频域波形图，图3中的（d）为仿真信号的频域波形图；
图4是本发明实施例中ERD算法对仿真信号分解结果的频域波形图，其中图4中的（a）为ERD算法分解仿真信号的第一分量的频域波形图，图4中的（b）为ERD算法分解仿真信号的第二分量的频域波形图，图4中的（c）为ERD算法分解仿真信号的第三分量的频域波形图；
图5是本发明实施例中EMD算法的对仿真信号分解结果的频域波形图，其中图5中的（a）为EMD算法分解仿真信号的第一分量的频域波形图，为图5中的（b）为EMD算法分解仿真信号的第二分量的频域波形图，图5中的（c）为EMD算法分解仿真信号的第三分量的频域波形图，图5中的（d）为EMD算法分解仿真信号的第四分量的频域波形图；
图6是本发明实施例中EWT算法的对仿真信号分解结果的频域波形图，其中图6中的（a）为EWT算法分解仿真信号的第一分量的频域波形图，图6中的（b）为EWT算法分解仿真信号的第二分量的频域波形图，图6中的（c）为EWT算法分解仿真信号的第三分量的频域波形图；
图7是本发明实施例中EFD算法的对仿真信号分解结果的频域波形图，其中图7中的（a）为EFD算法分解仿真信号的第一分量的频域波形图，图7中的（b）为EFD算法分解仿真信号的第二分量的频域波形图，图7中的（c）为EFD算法分解仿真信号的第三分量的频域波形图，图7中的（d）为EFD算法分解仿真信号的第四分量的频域波形图；
图8是本发明实施例中ERD算法对样本芯片的振动信号分解结果的频域波形图，其中图8中的（a）为ERD算法分解样本芯片的振动信号的第一分量的频域波形图，图8中的（b）为ERD算法分解样本芯片的振动信号的第二分量的频域波形图，图8中的（c）为ERD算法分解样本芯片的振动信号的第三分量的频域波形图，图8中的（d）为ERD算法分解样本芯片的振动信号的第四分量的频域波形图，图8中的（e）为ERD算法分解样本芯片的振动信号的第五分量的频域波形图，图8中的（f）为ERD算法分解样本芯片的振动信号的第六分量的频域波形图，图8中的（g）为ERD算法分解样本芯片的振动信号的第七分量的频域波形图，图8中的（h）为ERD算法分解样本芯片的振动信号的第八分量的频域波形图；
图9是本发明实施例中EMD算法的对样本芯片的振动信号分解结果的频域波形图，其中图9中的（a）为EMD算法分解样本芯片的振动信号的第一分量的频域波形图，图9中的（b）为EMD算法分解样本芯片的振动信号的第二分量的频域波形图，图9中的（c）为EMD算法分解样本芯片的振动信号的第三分量的频域波形图，图9中的（d）为EMD算法分解样本芯片的振动信号的第四分量的频域波形图；
图10是本发明实施例中EWT算法的对样本芯片的振动信号分解结果的频域波形图，其中图10中的（a）为EWT算法分解样本芯片的振动信号的第一分量的频域波形图，图10中的（b）为EWT算法分解样本芯片的振动信号的第二分量的频域波形图，图10中的（c）为EWT算法分解样本芯片的振动信号的第三分量的频域波形图，图10中的（d）为EWT算法分解样本芯片的振动信号的第四分量的频域波形图；
图11是本发明实施例中EFD算法的对样本芯片的振动信号分解结果的频域波形图，其中图11中的（a）为EFD算法分解样本芯片的振动信号的第一分量的频域波形图，图11中的（b）为EFD算法分解样本芯片的振动信号的第二分量的频域波形图，图11中的（c）为EFD算法分解样本芯片的振动信号的第三分量的频域波形图，图11中的（d）为EFD算法分解样本芯片的振动信号的第四分量的频域波形图，图11中的（e）为EFD算法分解样本芯片的振动信号的第五分量的频域波形图，图11中的（f）为EFD算法分解样本芯片的振动信号的第六分量的频域波形图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明，以使本领域的技术人员可以更好地理解本发明并能予以实施，但所举实施例不作为对本发明的限定。
参照图1所示，本发明提供了一种基于经验共振分解的倒装芯片缺陷检测方法，包括：
S1、获取不同的倒装焊点缺陷类别的样本芯片及样本芯片的振动信号。
S101、本实施例使用Pac2.1型试验测试芯片作为样本芯片，裸芯片的尺寸为10mm×10mm×0.52mm，其下表面共有184个焊点均匀分布在四边，每个焊点由SnAg3Cu0.5合金制成，直径为120um，焊点间距为200um。
在影像测量仪MC001-YR2010的辅助下，使用细尖镊子手动去除一些焊点和焊盘，以获得焊点缺陷类别为虚焊和焊点缺失的样本芯片，并标注焊点缺陷位置。为了获得焊点缺陷类别为裂纹的样本芯片，本实施例采用ETS Medium-to-Large Thermal ShockChambers对样本芯片进行热循环实验，并利用声扫描显微镜观察焊点状况。
最后使用多用途微亚米贴片机，将样本芯片以回流焊方式焊接在基板上。所述基板选用PCB310型有机保焊膜层压板。
S102、将样本芯片放置在气浮隔振平台上；利用空气耦合电容式超声换能器对样本芯片进行激励；使用扫描式多普勒激光测振仪测量样本芯片表面的振动，获得样本芯片表面的振动信号，具体包括：
将样本芯片放置在气浮隔振平台上。使用信号发生器产生频率为0-640KHz的扫描电压信号，并通过功率放大器对扫描电压信号进行放大，增强扫描电压信号的能量。将放大后的扫描电压信号输入到空气耦合电容式超声换能器中转化为超声波，以45°入射角发射到样本芯片表面中心，使样本芯片充分激励，产生振动。使用扫描式多普勒激光测振仪以1.28MHz的采样频率测量样本芯片的振动，获得样本芯片表面的振动信号。
S2、本发明提出一种经验共振分解算法（Empirical Resonance Decomposition，ERD），用于对样本芯片的振动信号的傅里叶频谱进行分割，具体包括以下步骤。
S201、利用无参数尺度空间算法对振动信号的傅里叶频谱进行卷积运算，将傅里叶频谱转化为平滑曲线，平滑曲线的公式为：
；
；
其中，为平滑曲线的表达式，/>为振动信号的傅里叶频谱，为级联高斯核函数，/>和/>为级联高斯核参数，/>为平滑曲线的横坐标，/>为频率。
在本实施例中，将级联高斯核参数设置为0，/>设置为振动信号的傅里叶频谱的长度。为了提高曲线的平滑度，在频谱平滑阶段采用具有相同参数的级联高斯核。
S202、利用平滑曲线突出度提取平滑曲线的局部最大值及其对应的局部最大值点，将突出系数作为局部最大值的选取阈值，遍历平滑曲线上的所有突出度，当突出度大于等于突出系数时，提取该突出度对应的局部最大值及该局部最大值对应的局部最大值点，并将平滑曲线局部最大值点的总个数作为模态分量的个数。
所述突出系数的公式为：
；
其中，为平滑曲线的最大突出度，/>为级联高斯核参数。
S203、相邻两个局部最大值点之间存在局部最小值点，而计傅里叶频谱的局部最小值点和平滑曲线上的局部最小值点可能不重合，因此分别获取相邻两个局部最大值点在傅里叶频谱的局部最小值点和平滑曲线上的局部最小值点，根据傅里叶频谱上的局部最小值点与相邻两个局部最大值点之间的距离计算频谱距离熵，根据平滑曲线上的局部最小值点与相邻两个局部最大值点之间的距离计算级联高斯距离熵。
距离熵的公式为：
；
其中，为距离熵，/>，/>为局部最小值点与相邻两个局部最大值点之间的距离；当i=1时，/>为局部最小值点与相邻两个局部最大值点中第一局部最大值点之间的距离；当i=2时，/>为局部最小值点与相邻两个局部最大值点中第二局部最大值点之间的距离，/>为相邻两个局部最大值点之间的距离。
计算频谱距离熵时，距离熵公式中的为傅里叶频谱上局部最小值点与相邻两个局部最大值点之间的距离；计算级联高斯距离熵时，距离熵公式中的/>为平滑曲线上局部最小值点与相邻两个局部最大值点之间的距离。
比较频谱距离熵和级联高斯距离熵的大小，将更大的距离熵值对应的局部最小值点作为频谱分割边界，以提高分割的准确性，确保模态分量之间的独立性。
分别对相邻两个局部最大值点进行遍历计算，得到所有频谱分割边界。利用所有频谱分割边界将振动信号的傅里叶频谱分割为频带集。
S204、根据频谱分割边界和频带集构建理想高斯滤波器组，公式为：
；
其中，为理想高斯滤波器组，/>为模态分量的标号，有/>，/>为频谱分割边界的个数；/>为第一高斯分布函数，/>和/>为第一高斯分布函数的参数；/>为第二高斯分布函数，/>和/>为第二高斯分布函数的参数，分别为，/>，/>，；/>为频率，/>为第/>个局部最小值点所对应的频率，为第/>个局部最小值点所对应的频率，/>为频带集中第/>个频带的最大值所对应的频率，/>。
利用理想高斯滤波器组对样本芯片的振动信号进行滤波处理，得到滤波信号，公式为：
；
其中，为滤波信号，/>为样本芯片的振动信号的傅里叶频谱，/>为理想高斯滤波器组，/>为模态分量的标号，/>为频率。
对滤波信号进行逆傅里叶变换，得到各个模态分量的时域信号，公式为：
；
其中，为模态分量的时域信号，/>为滤波信号，/>为模态分量的标号，/>为频率。
S3、根据所有模态分量计算样本芯片的振动能量系数，公式包括：
；
；
；
其中，为第一个模态分量与剩余模态分量重构后的振动信号频域的振幅比，/>为共振频带能量熵，所述共振频带为模态分量时域信号的频谱，/>为振动能量系数；为第一个模态分量的频谱，/>为模态分量重构后的振动信号的频谱，/>为频谱分割边界的个数，/>为第/>个模态分量的能量，/>为所有模态分量的能量之和。
参照图2所示，依据振动能量系数对样本芯片的缺陷类型进行分类：若样本芯片的振动能量系数在0至1.5之间，则为良好芯片；若样本芯片的振动能量系数在3.5至5之间，则为焊点虚焊芯片；若样本芯片的振动能量系数高于10，则为焊点缺失芯片；若样本芯片的振动能量系数低于-3，则为焊点裂纹芯片。并利用样本芯片的振动信号对芯片焊点缺陷进行定位。
为了验证本发明所提方法的有效性，本实施例将提出的经验共振分解（ERD）算法与经验模态分解（EMD）、经验傅里叶分解（EFD）和经验小波变换（EWT）算法在典型的非线性非平稳信号上进行对比分析。
为此，本实施例首先构建了一组非平稳多模态仿真信号。所述仿真信号/>由一个调幅调频分量/>、一个共振调制分量/>和一个正弦分量/>组成，其表达式为：
；
其中，为信噪比为-2dB的高斯白噪声，/>表示时间。
仿真信号及其各分量的频域波形图如图3所示。其中图3中的（a）为调幅调频分量/>的频域波形图，图3中的（b）为共振调制分量/>的频域波形图，图3中的（c）为正弦分量/>的频域波形图，图3中的（d）为仿真信号/>的频域波形图。
依据本发明所提出的经验共振分解算法，对仿真信号的傅里叶频谱进行分割，并构建理想高斯滤波器组进行滤波，得到仿真信号的滤波信号。利用逆傅里叶变换对仿真信号的滤波信号进行重构，得到模态分量的时域信号。ERD算法对仿真信号分解结果的频域波形如图4所示，其中图4中的（a）为ERD算法分解仿真信号的第一分量的频域波形图，图4中的（b）为ERD算法分解仿真信号的第二分量的频域波形图，图4中的（c）为ERD算法分解仿真信号的第三分量的频域波形图。ERD算法将含噪声的仿真信号分解为四个分量，前三个分量对应仿真信号中的、/>和/>，最后一个分量为白噪声信号分量，因此图4中只展示了仿真信号分解后的前三个分量。从图4可知，ERD算法能够有效地提取信号的各个分量，并降低噪声对信号分析的影响。
分别采用EMD算法、EWT算法和EFD算法对仿真信号进行分解，分解结果分别如图5、图6和图7所示。
EMD算法的对仿真信号分解结果的频域波形如图5所示。其中图5中的（a）为EMD算法分解仿真信号的第一分量的频域波形图，为噪声分量；图5中的（b）为EMD算法分解仿真信号的第二分量的频域波形图，同时包含了仿真信号中的和/>，出现了严重的模态混叠现象；图5中的（c）为EMD算法分解仿真信号的第三分量的频域波形图，图5中的（d）为EMD算法分解仿真信号的第四分量的频域波形图，第三分量和第四分量都存在明显的过分解现象。EMD算法的分解过程中出现了模态混叠和过分解现象，未能正确对应到仿真信号中的相应分量。
EWT算法的对仿真信号分解结果的频域波形如图6所示，其中图6中的（a）为EWT算法分解仿真信号的第一分量的频域波形图，图6中的（b）为EWT算法分解仿真信号的第二分量的频域波形图，图6中的（c）为EWT算法分解仿真信号的第三分量的频域波形图。EWT算法虽然成功地将仿真信号的三个主要分量分解出来，但未能有效地将噪声分量分离，导致分解结果受到一定程度的干扰。
EFD算法的对仿真信号分解结果的频域波形如图7所示。EFD算法共分解出四个分量，其中图7中的（a）为EFD算法分解仿真信号的第一分量的频域波形图，图7中的（b）为EFD算法分解仿真信号的第二分量的频域波形图，图7中的（c）为EFD算法分解仿真信号的第三分量的频域波形图，图7中的（d）为EFD算法分解仿真信号的第四分量的频域波形图。由图7可知，EFD算法分解的第一分量和第二分量对的过度分解表明存在过分解现象，并且未能有效地将噪声与其他信号分量分离，导致部分信号分量受到噪声干扰，造成了一定程度的信息混杂。
本实施例还采用不同的分解算法对样本芯片的振动信号进行了对比实验。依据本发明所提出的经验共振分解算法，对样本芯片的振动信号的傅里叶频谱进行分割，并构建理想高斯滤波器组进行滤波，得到样本芯片的振动信号的滤波信号。利用逆傅里叶变换对样本芯片的振动信号的滤波信号进行重构，得到模态分量的时域信号。ERD算法对样本芯片的振动信号分解结果的频域波形如图8所示，其中图8中的（a）为ERD算法分解样本芯片的振动信号的第一分量的频域波形图，图8中的（b）为ERD算法分解样本芯片的振动信号的第二分量的频域波形图，图8中的（c）为ERD算法分解样本芯片的振动信号的第三分量的频域波形图，图8中的（d）为ERD算法分解样本芯片的振动信号的第四分量的频域波形图，图8中的（e）为ERD算法分解样本芯片的振动信号的第五分量的频域波形图，图8中的（f）为ERD算法分解样本芯片的振动信号的第六分量的频域波形图，图8中的（g）为ERD算法分解样本芯片的振动信号的第七分量的频域波形图，图8中的（h）为ERD算法分解样本芯片的振动信号的第八分量的频域波形图。根据频谱分割结果可知，ERD算法将焊点虚焊状态的倒装芯片振动信号分解为九个分量，其中前八个分量分别对应倒装芯片的共振频率分量，最后一个分量为噪声分量，因此图8中只展示了前八个分量。通过图8可知，ERD算法能够准确地分解出倒装芯片的共振频带分量，有效地减少了无关分量对倒装芯片缺陷检测的影响。
为了比较EMD算法、EWT算法和EFD算法的分解效果，本实施例采用EMD算法、EWT算法和EFD算法分别对同一组样本芯片的振动信号进行分析处理，分解结果分别如图9、图10和图11所示。
EMD算法的对样本芯片的振动信号分解结果的频域波形如图9所示。由于EMD算法分解出9个模态分量，个数较多，故取特征信息较多的前四个模态分量进行展示分析。其中图9中的（a）为EMD算法分解样本芯片的振动信号的第一分量的频域波形图，图9中的（b）为EMD算法分解样本芯片的振动信号的第二分量的频域波形图，图9中的（c）为EMD算法分解样本芯片的振动信号的第三分量的频域波形图，图9中的（d）为EMD算法分解样本芯片的振动信号的第四分量的频域波形图。由图9可知，EMD算法可以将一阶共振频带分解出来，而其他阶共振频带却被混合在第一分量和第二分量中，降低了对共振频带特征信息的有效利用。
EWT算法的对样本芯片的振动信号分解结果的频域波形如图10所示。由于EWT算法分解出9个模态分量，个数较多，故取特征信息较多的前四个模态分量进行展示分析。其中图10中的（a）为EWT算法分解样本芯片的振动信号的第一分量的频域波形图，图10中的（b）为EWT算法分解样本芯片的振动信号的第二分量的频域波形图，图10中的（c）为EWT算法分解样本芯片的振动信号的第三分量的频域波形图，图10中的（d）为EWT算法分解样本芯片的振动信号的第四分量的频域波形图。由图10可知，EWT算法在分解过程中出现了过分解现象，未展示的分量与第二分量和第三分量相似，为第六共振频带的组成部分。EWT算法未能有效分离出芯片振动信号的共振频带，无法为倒装芯片缺陷检测提供有价值的特征信息。
EFD算法的对样本芯片的振动信号分解结果的频域波形如图11所示，分解出六个模态分量，其中图11中的（a）为EFD算法分解样本芯片的振动信号的第一分量的频域波形图，图11中的（b）为EFD算法分解样本芯片的振动信号的第二分量的频域波形图，图11中的（c）为EFD算法分解样本芯片的振动信号的第三分量的频域波形图，图11中的（d）为EFD算法分解样本芯片的振动信号的第四分量的频域波形图，图11中的（e）为EFD算法分解样本芯片的振动信号的第五分量的频域波形图，图11中的（f）为EFD算法分解样本芯片的振动信号的第六分量的频域波形图。由图11可知，相比于EWT算法和EMD算法，EFD算法分解得到的共振频带分量更多，但分解振动信号共振频带的效果仍不如本文所提出的ERD算法。EFD算法虽然可以将一阶和六阶共振频带分解出来，但从第二分量和第三分量可以看出，同样存在过分解和模态混叠现象。
综上所述，本发明提出的经验共振分解算法实现了对振动信号的傅里叶频谱的自适应边界分割，能够准确地分解出倒装芯片的共振频带分量，确保模态分量之间的独立性，避免模态混叠和过分解现象，进一步提升了频谱分割的精准度和灵活性。
基于所述经验共振分解算法，本发明所提出的一种基于经验共振分解的倒装芯片缺陷检测方法利用分割后的模态分量计算振动能量系数，并按照不同状态下样本芯片的振动能量系数取值范围不同，对样本芯片进行快速高效的缺陷检测，无需人工视觉检测，节省了人力与时间，自动化程度更高，且检测结果更为客观，准确性更高。
基于所述基于经验共振分解的倒装芯片缺陷检测方法，本实施例还提供了一种基于经验共振分解的倒装芯片缺陷检测系统，包括：
振动信号获取模块，用于获取不同的倒装焊点缺陷类别的样本芯片及样本芯片的振动信号；
频谱分割模块，用于对样本芯片的振动信号的傅里叶频谱进行分割，包括：对振动信号的傅里叶频谱进行卷积运算，将傅里叶频谱转化为平滑曲线，并利用平滑曲线突出度提取平滑曲线的局部最大值及其对应的局部最大值点，将平滑曲线局部最大值点的总个数作为模态分量的个数；分别获取相邻两个局部最大值点在傅里叶频谱的局部最小值点和平滑曲线上的局部最小值点，根据傅里叶频谱上的局部最小值点与相邻两个局部最大值点之间的距离计算频谱距离熵，根据平滑曲线上的局部最小值点与相邻两个局部最大值点之间的距离计算级联高斯距离熵，比较频谱距离熵和级联高斯距离熵的大小，将更大的距离熵值对应的局部最小值点作为频谱分割边界；分别对相邻两个局部最大值点进行遍历计算，得到所有频谱分割边界；利用所有频谱分割边界将振动信号的傅里叶频谱分割为频带集；
滤波模块，用于根据频谱分割边界和频带集构建理想高斯滤波器组，并利用理想高斯滤波器组对样本芯片的振动信号进行滤波处理，得到滤波信号；对滤波信号进行逆傅里叶变换，得到各个模态分量的时域信号；
分类模块，用于根据所有模态分量计算样本芯片的振动能量系数，并依据振动能量系数对样本芯片的缺陷类型进行分类，并利用样本芯片的振动信号对芯片焊点缺陷进行定位。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
显然，上述实施例仅仅是为清楚地说明所作的举例，并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引申出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (12)
1.一种基于经验共振分解的倒装芯片缺陷检测方法，其特征在于，包括：
获取不同的倒装焊点缺陷类别的样本芯片及样本芯片的振动信号；
对样本芯片的振动信号的傅里叶频谱进行分割，包括：
对振动信号的傅里叶频谱进行卷积运算，将傅里叶频谱转化为平滑曲线，并利用平滑曲线突出度提取平滑曲线的局部最大值及其对应的局部最大值点，将平滑曲线局部最大值点的总个数作为模态分量的个数；
分别获取相邻两个局部最大值点在傅里叶频谱的局部最小值点和平滑曲线上的局部最小值点，根据傅里叶频谱上的局部最小值点与相邻两个局部最大值点之间的距离计算频谱距离熵，根据平滑曲线上的局部最小值点与相邻两个局部最大值点之间的距离计算级联高斯距离熵，比较频谱距离熵和级联高斯距离熵的大小，将更大的距离熵值对应的局部最小值点作为频谱分割边界；分别对相邻两个局部最大值点进行遍历计算，得到所有频谱分割边界；利用所有频谱分割边界将振动信号的傅里叶频谱分割为频带集；
根据频谱分割边界和频带集构建理想高斯滤波器组，并利用理想高斯滤波器组对样本芯片的振动信号进行滤波处理，得到滤波信号；对滤波信号进行逆傅里叶变换，得到各个模态分量的时域信号；
根据所有模态分量计算样本芯片的振动能量系数，并依据振动能量系数对样本芯片的缺陷类型进行分类，并利用样本芯片的振动信号对芯片焊点缺陷进行定位。
2.根据权利要求1所述的一种基于经验共振分解的倒装芯片缺陷检测方法，其特征在于，获取样本芯片的振动信号包括：
将样本芯片放置在气浮隔振平台上；利用空气耦合电容式超声换能器对样本芯片进行激励；使用扫描式多普勒激光测振仪测量样本芯片表面的振动，获得样本芯片表面的振动信号。
3.根据权利要求1所述的一种基于经验共振分解的倒装芯片缺陷检测方法，其特征在于，所述对振动信号的傅里叶频谱进行卷积运算，将傅里叶频谱转化为平滑曲线，平滑曲线的公式为：
；
；
其中，为平滑曲线的表达式，/>为振动信号的傅里叶频谱，/>为级联高斯核函数，/>和/>为级联高斯核参数，/>为平滑曲线的横坐标，/>为频率。
4.根据权利要求3所述的一种基于经验共振分解的倒装芯片缺陷检测方法，其特征在于，将级联高斯核参数设置为0，/>设置为振动信号的傅里叶频谱/>的长度。
5.根据权利要求1所述的一种基于经验共振分解的倒装芯片缺陷检测方法，其特征在于，所述利用平滑曲线突出度提取平滑曲线的局部最大值及其对应的局部最大值点，包括：
将突出系数作为局部最大值的选取阈值，遍历平滑曲线上的所有突出度，当突出度大于等于突出系数时，提取该突出度对应的局部最大值及该局部最大值对应的局部最大值点；
所述突出系数的公式为：
；
其中，为平滑曲线的最大突出度，/>为级联高斯核参数。
6.根据权利要求1所述的一种基于经验共振分解的倒装芯片缺陷检测方法，其特征在于，距离熵的公式为：
；
其中，为距离熵，/>，/>为局部最小值点与相邻两个局部最大值点之间的距离；当i=1时，/>为局部最小值点与相邻两个局部最大值点中第一局部最大值点之间的距离；当i=2时，/>为局部最小值点与相邻两个局部最大值点中第二局部最大值点之间的距离，/>为相邻两个局部最大值点之间的距离。
7.根据权利要求1所述的一种基于经验共振分解的倒装芯片缺陷检测方法，其特征在于，所述根据频谱分割边界和频带集构建理想高斯滤波器组，公式为：
；
其中，为理想高斯滤波器组，/>为模态分量的标号，有/>，/>为频谱分割边界的个数；/>为第一高斯分布函数，/>和/>为第一高斯分布函数的参数；/>为第二高斯分布函数，/>和/>为第二高斯分布函数的参数，分别为，/>，/>，；/>为频率，/>为第/>个局部最小值点所对应的频率，为第/>个局部最小值点所对应的频率，/>为频带集中第/>个频带的最大值所对应的频率，/>。
8.根据权利要求1所述的一种基于经验共振分解的倒装芯片缺陷检测方法，其特征在于，所述利用理想高斯滤波器组对样本芯片的振动信号进行滤波处理，得到滤波信号，公式为：
；
其中，为滤波信号，/>为样本芯片的振动信号的傅里叶频谱，/>为理想高斯滤波器组，/>为模态分量的标号，/>为频率。
9.根据权利要求1所述的一种基于经验共振分解的倒装芯片缺陷检测方法，其特征在于，所述对滤波信号进行逆傅里叶变换，得到模态分量的时域信号，公式为：
；
其中，为模态分量的时域信号，/>为滤波信号，/>为模态分量的标号，/>为频率。
10.根据权利要求1所述的一种基于经验共振分解的倒装芯片缺陷检测方法，其特征在于，计算样本芯片的振动能量系数，公式包括：
；
；
；
其中，为第一个模态分量与剩余模态分量重构后的振动信号频域的振幅比，/>为共振频带能量熵，所述共振频带为模态分量时域信号的频谱，/>为振动能量系数；/>为第一个模态分量的频谱，/>为模态分量重构后的振动信号的频谱，/>为频谱分割边界的个数，/>为第/>个模态分量的能量，/>为所有模态分量的能量之和。
11.根据权利要求1所述的一种基于经验共振分解的倒装芯片缺陷检测方法，其特征在于，所述依据振动能量系数对样本芯片的状态进行分类，包括：
若样本芯片的振动能量系数在0至1.5之间，则为良好芯片；若样本芯片的振动能量系数在3.5至5之间，则为焊点虚焊芯片；若样本芯片的振动能量系数高于10，则为焊点缺失芯片；若样本芯片的振动能量系数低于-3，则为焊点裂纹芯片。
12.一种基于经验共振分解的倒装芯片缺陷检测系统，其特征在于，包括：
振动信号获取模块，用于获取不同的倒装焊点缺陷类别的样本芯片及样本芯片的振动信号；
频谱分割模块，用于对样本芯片的振动信号的傅里叶频谱进行分割，包括：对振动信号的傅里叶频谱进行卷积运算，将傅里叶频谱转化为平滑曲线，并利用平滑曲线突出度提取平滑曲线的局部最大值及其对应的局部最大值点，将平滑曲线局部最大值点的总个数作为模态分量的个数；分别获取相邻两个局部最大值点在傅里叶频谱的局部最小值点和平滑曲线上的局部最小值点，根据傅里叶频谱上的局部最小值点与相邻两个局部最大值点之间的距离计算频谱距离熵，根据平滑曲线上的局部最小值点与相邻两个局部最大值点之间的距离计算级联高斯距离熵，比较频谱距离熵和级联高斯距离熵的大小，将更大的距离熵值对应的局部最小值点作为频谱分割边界；分别对相邻两个局部最大值点进行遍历计算，得到所有频谱分割边界；利用所有频谱分割边界将振动信号的傅里叶频谱分割为频带集；
滤波模块，用于根据频谱分割边界和频带集构建理想高斯滤波器组，并利用理想高斯滤波器组对样本芯片的振动信号进行滤波处理，得到滤波信号；对滤波信号进行逆傅里叶变换，得到各个模态分量的时域信号；
分类模块，用于根据所有模态分量计算样本芯片的振动能量系数，并依据振动能量系数对样本芯片的缺陷类型进行分类，并利用样本芯片的振动信号对芯片焊点缺陷进行定位。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410434480.6A CN118032935B (zh) | 2024-04-11 | 2024-04-11 | 一种基于经验共振分解的倒装芯片缺陷检测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410434480.6A CN118032935B (zh) | 2024-04-11 | 2024-04-11 | 一种基于经验共振分解的倒装芯片缺陷检测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN118032935A true CN118032935A (zh) | 2024-05-14 |
| CN118032935B CN118032935B (zh) | 2024-06-07 |
Family
ID=91004527
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410434480.6A Active CN118032935B (zh) | 2024-04-11 | 2024-04-11 | 一种基于经验共振分解的倒装芯片缺陷检测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118032935B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101136346A (zh) * | 2007-08-31 | 2008-03-05 | 中山大学 | 一种芯片焊点在线检测和缺陷辨识装置及芯片封装装置 |
| CN110243937A (zh) * | 2019-06-17 | 2019-09-17 | 江南大学 | 一种基于高频超声的倒装焊焊点缺失缺陷智能检测方法 |
| CN114510828A (zh) * | 2022-01-20 | 2022-05-17 | 华中科技大学 | 基于相干光测量的动力电池壳体激光焊接质量监测方法 |
| CN114714022A (zh) * | 2022-04-26 | 2022-07-08 | 唐山松下产业机器有限公司 | 焊接质量检测方法及装置 |
| CN115846852A (zh) * | 2022-12-13 | 2023-03-28 | 大连交通大学 | 一种基于ds证据理论与神经网络的fsw焊接监测方法 |
-
2024
- 2024-04-11 CN CN202410434480.6A patent/CN118032935B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101136346A (zh) * | 2007-08-31 | 2008-03-05 | 中山大学 | 一种芯片焊点在线检测和缺陷辨识装置及芯片封装装置 |
| CN110243937A (zh) * | 2019-06-17 | 2019-09-17 | 江南大学 | 一种基于高频超声的倒装焊焊点缺失缺陷智能检测方法 |
| CN114510828A (zh) * | 2022-01-20 | 2022-05-17 | 华中科技大学 | 基于相干光测量的动力电池壳体激光焊接质量监测方法 |
| CN114714022A (zh) * | 2022-04-26 | 2022-07-08 | 唐山松下产业机器有限公司 | 焊接质量检测方法及装置 |
| CN115846852A (zh) * | 2022-12-13 | 2023-03-28 | 大连交通大学 | 一种基于ds证据理论与神经网络的fsw焊接监测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 宿磊等: "超声激振的倒装芯片焊球缺陷检测方法研究", 华中科技大学学报（ 自然科学版）, vol. 51, no. 12, 20 December 2023 (2023-12-20), pages 117 - 122 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN118032935B (zh) | 2024-06-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Lei et al. | A review on empirical mode decomposition in fault diagnosis of rotating machinery | |
| Osman et al. | An enhanced Hilbert–Huang transform technique for bearing condition monitoring | |
| CN108470018A (zh) | 基于经验模态分解分解的内蕴模式函数的光滑方法及装置 | |
| CN109858408B (zh) | 一种基于自编码器的超声信号处理方法 | |
| RU2005100707A (ru) | Способ для управления качеством промышленных процессов, в частности, лазерных сварочных процессов | |
| CN109858613B (zh) | 一种深度神经网络的压缩方法、系统及终端设备 | |
| CN107179486A (zh) | 一种gis设备在线监测特高频信号降噪方法 | |
| CN111665424A (zh) | 一种电气设备局部放电信号去噪方法及系统 | |
| Gu et al. | Application of improved Hilbert-Huang transform to partial discharge signal analysis | |
| CN118032935B (zh) | 一种基于经验共振分解的倒装芯片缺陷检测方法及系统 | |
| CN114429151A (zh) | 一种基于深度残差网络的大地电磁信号识别与重建方法及其系统 | |
| Yao et al. | An improved low-frequency noise reduction method in shock wave pressure measurement based on mode classification and recursion extraction | |
| CN107247931A (zh) | 一种旋转机械振动信号降噪方法 | |
| Mengyuan et al. | Research of circuit breaker intelligent fault diagnosis method based on double clustering | |
| Wang et al. | Regenerated phase-shifted sinusoids assisted EMD for adaptive analysis of fringe patterns | |
| CN113268924A (zh) | 基于时频特征的变压器有载分接开关故障识别方法 | |
| CN116150594B (zh) | 一种频谱测试数据中开关类要素特征的识别方法 | |
| Qian et al. | Network traffic forecasting by support vector machines based on empirical mode decomposition denoising | |
| Boutana et al. | Denoising and characterization of heart sound signals using optimal intrinsic mode functions | |
| CN114970601A (zh) | 一种电力设备局部放电类型识别方法、设备及存储介质 | |
| CN117825505A (zh) | 一种基于共振频带能量熵的芯片缺陷检测方法及系统 | |
| CN117892068B (zh) | 一种倒装芯片超声信号去噪方法及装置 | |
| JP2007212456A (ja) | モデルベース試験の精度を改善する励起信号発生装置 | |
| CN116012607B (zh) | 图像弱纹理特征提取方法及装置、设备、存储介质 | |
| JP2004198401A (ja) | フィルタ特性測定方法及び測定装置 |
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 |