CN1300833C - 集成电路芯片视觉对准方法 - Google Patents
集成电路芯片视觉对准方法 Download PDFInfo
- Publication number
- CN1300833C CN1300833C CNB2004100608352A CN200410060835A CN1300833C CN 1300833 C CN1300833 C CN 1300833C CN B2004100608352 A CNB2004100608352 A CN B2004100608352A CN 200410060835 A CN200410060835 A CN 200410060835A CN 1300833 C CN1300833 C CN 1300833C
- Authority
- CN
- China
- Prior art keywords
- chip
- coordinates
- point
- image
- bonding
- 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.)
- Expired - Fee Related
Links
Images
Classifications
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
- H01L2224/00—Indexing scheme for arrangements for connecting or disconnecting semiconductor or solid-state bodies and methods related thereto as covered by H01L24/00
- H01L2224/80—Methods for connecting semiconductor or other solid state bodies using means for bonding being attached to, or being formed on, the surface to be connected
Abstract
集成电路芯片视觉对准方法,属于集成电路芯片封装方法,针对现有方法局限,实现芯片上键合点快速准确对准。本发明在引线框架和芯片上分别选取设计样本点,图像处理求出样本点测量坐标值,根据图像不变矩检测出有缺陷的芯片;解得芯片位置变换参数再由其得出计算坐标;用计算坐标减去测量坐标得到样本点的非线性误差;当误差超过允许值时,选其旁边的样本点作为替代,直到误差值小于允许值,最后将键合点排列坐标换算成键合头工作台位移坐标。本发明可修正贴片工艺中的误差,剔除坏芯片与计算并行处理,提高了效率,实现了准确高效的对准,适用于芯片键合、检测装置,在半导体、液晶显示、薄膜磁头等现代制造业中有广泛用途。
Description
技术领域
本发明属于集成电路芯片的封装方法,具体涉及芯片的视觉对准方法,适用于芯片的键合装置、校正装置、检测装置,在半导体设备、液晶显示器、薄膜磁头等现代制造业中将被广泛采用。
背景技术
在IC及HIC制造业中,芯片的内部互连及引出线连接工艺主要有热压焊、硅铝丝超声键合、金丝球焊键合、倒装焊、载带焊等工艺。其中金丝球焊工艺作为主要键合工艺之一,广泛应用于大规模集成电路及大规模厚薄膜混合集成电路的内部引线及引出线互连工艺中;在具有高可靠性要求、金材料布线的电路中,应用更为广泛,其工艺质量直接影响产品总体质量及可靠性。随着器件设计水平和生产制造技术尤其是封装工艺的日新月异,要求作为IC生产线后道工序的核心设备的键合设备具有比以往更高的精度、生产率、可靠性。近几年来,世界各知名公司如K&S、ASM等大力发展并推出了焊点定位精度2.5μm以下,焊线速度大于12线/s的自动金丝球焊机,如K&S的U-TEK、ASM的ENGLE-60等,引线键合间距也已经达到40-30μm。《实装技术》2002年Vol.18,No.3报道,田中电子工业公司开发出了直径为10μm的金键合引线(极细金线)的批量生产技术。大规模集成电路的发展,对键合工艺也提出了更高的要求。对自动对准系统及定位机构进行系统的误差分析,不仅是完善键合工艺的前提,也是成功定位工作台及键合头的基础。
不同的时期键合机视觉对准方法采用不同的技术。70年代初采用人工肉眼识别;70年代末以后,由于电路集成规模不断扩大,开始引入图像识别。其中Imamura(1977)等人提出了先用专门电路对基板引脚图像进行初步处理,再用微机进行识别和定位的方法(Application ofmicro-computer to fully-automatic die-bonder.In:NationalTechnical Report,1977;23(6):1102~1111);Hsieh,Y.Y.和Fu,k.s.(1979)等则根据模式识别理论设计了分类器来对基板图像进行分类,然后利用投票技术来识别和定位,硬件则采用并行处理技术来应对大量的计算(Method for automatic ic chip alignment and wirebonding.In:Proceedings-IEEE Computer Society Conference onPattern Recognition and Image Processing,1979:101~108);KawatoS.(1979)和Doemens G.(1982)等人则在微型计算机识别应用这方面做了不懈的探索;Negin(1985)设计了独立的图像识别模块,主要采用网络计算进行模式匹配(Image processing/computer vision work station.In:1985 IEEE Microprocessor Forum:Design Productivity ThroughEngineering Workstations,1985:99~105)。Fazekas(1987)等人则针对模板匹配的图片对照算法进行了优化(Fast algorithm for thecomputation of moment invariants,Pattern Recognition1987,20:639~643)。1992~1995年间,ESEC公司为自己的Wire Bonder 3006开发了图像识别系统ESWIS,仍然是采用模板匹配算法来识别基板引脚,处理范围局限于很小方形区域的图像,在CPU68020的计算机上需要40S的时间,采用DSP预处理后,还需要4S的时间,进一步优化算法和简化模板,才达到0.08S的实用水平。同期,我国的林俊伯(1991)等也开展了用投影仪代替工业摄像机的研究:由于基板在不同位置对光的反射不同,所以可用光电达林顿管感应投影仪的反射,来实现识别与定位。此后,基板引脚图像识别一直朝着基于统计模式识别技术的模板匹配方向发展,Ye,Q.Z.(2000)、Wang Mao-JIUN J.(2002)等在提高识别速度和精度方面进行了大量研究(A stereo vision system for the inspectionof IC bond-wire.International Journal of Imaging Systems andTechnology 2000;11(4):254~262)。
目前,键合机主要采用视觉对准方法。缩短对准时间的各种对准算法也层出不穷,主要有空间矩的灰度边缘亚像元对准算法、模糊聚类分析法、神经网络图像识别对准算法等。以下对它们作简要说明和分析。
1、空间矩的灰度边缘亚像元对准算法
灰度图像中的边缘检测和定位有许多经典算法,其中大多数是像素级的。获得二值图像中边缘亚像元定位精度的方法一般有两种:一种是通过抖动图像序列的迭加;另一种则是用连续边缘上的点联合定位边缘达到亚像元精度。灰度图像中的亚像元度量方法可以在单帧图像的边缘点上达到亚像元定位精度。常用的亚像元边缘定位方法有:在梯度升一降一升的区域内插值确定位置;利用边缘点邻域灰度分布的矩估计拟合边缘;将区域数据变换到9个参数的Hilbe找空间以检验边缘的出现并定位;LoG模板联合小面模型计算零穿。建立空间矩算子的边缘模型和推导亚像元参数,对边缘点、边缘直线和直边缘区域进行最坏情况精度分析,通过选择形状参数以最小化该误差的分析结果来提高度量和对准的精度。
2、模糊聚类分析法
模糊聚类分析法主要步骤如下,首先进行初始分割,原始影像被分为两大(或多个)区域。为了获得最终分割结果,采用FCM算法进一步在两大区域中分类。结合初始分割结果,获得两大目标区的原始影像信号的亮度层、饱和层影像。然后计算每个像素的灰度均值、方差、Law能量模板和饱和度特征值,形成由像素和特征值组成的矩阵。再计算每个像素的隶属度及聚类中心。如果采用的分类数为2,则有两个聚类中心。对每个像素计算两类隶属度,根据隶属度的大小对像素进行归类,当隶属度取最小值时,获得最终分割结果。芯片与引线框的高度信息可对原始影像进行初始分割,通过对像素进行归类,提取出特征区域,算出位移偏差,实现精确对准。
3、神经网络图像识别对准算法
主要步骤如下,首先选取具有旋转平移不变特性的基板引脚图像;另外,图像中背景和引脚灰度差别也应比较大。然后建立人工神经网络模型,人工神经网络的模型很多,不同的应用可以采用不同的模型。再采集学习训练样本,用有导师训练的方法训练网络,最终获得具有识别能力的网络。最后,识别的过程实际就是网络训练过程的前馈部分。软件接收到来自CCD的图像后,自动启动“特征提取”模块,获得基板引脚图像的特征向量;然后向量被输入到训练了的网络,根据前馈算法,得到一个介于0和1之间的输出值作为识别结果。为了减少误识别,提高软件的可靠性,可在软件中设定判定:当输出值大于0.6时,表示识别图像包含标准引脚;当输出值小于0.4时,表示识别图像不包含标准引脚;其余情况则向用户报告,要求用户协助给出判断,以便指导软件进一步学习,修正网络的权值和阈值,使之更适合生产实际情况。同时,判别和修正结果都将储存在日志文件中,相应的基板引脚图像也将编号保存,作为识别效果研究的依据,也可作为网络训练的样本。
作为理论分析,以上算法提出了一些有用的对准算法,但是没有与具体的生产过程紧密结合,贴片工艺中带来的芯片与引线框架的定位误差被忽略了。同时,上述算法只运用到单个对准标记,如果单个标记有较大的局部变形或者测量误差,仍然用它作为对准标记,就会使对准精度显著降低。整个对准过程中包括墨点标记、崩边划痕、空芯片等缺陷芯片的剔除,前面算法主要采用串行的计算流程,计算速度受到限制。
发明内容
本发明提供一种集成电路芯片多标记视觉对准方法,针对上述现有视觉对准方法的局限,实现即使个别标记有因局部变形或者测量误差而引起的非线性位置误差,也能使芯片上每一个键合点与预定位置快速准确的对准。
本发明的一种集成电路芯片多标记视觉对准方法,顺序包括如下步骤:
(1)将贴有芯片的引线框架置于工作台,将标准引线框架上四个角的特征孔中心点和标准芯片四个角点作为设计样本点,连同标准引线框架和标准芯片上键合点坐标先储存在计算机中,利用包括光源和红外摄象机CCD的图像视觉系统得到实际芯片和引线框架的图像信号,对CCD输入的图像信号进行预处理,得到反映图像特征所需的像素阵列;
(2)进行图像芯片边界拟合,求得引线框架上芯片的四条边界线,再求得所述边界线的4个交点坐标;
(3)上述步骤2进行的同时,进行引线框架图像特征提取,给出引线框架上的四个标记点坐标;
(4)计算机中事先储存有标准的芯片图像,利用灰度相关方法对实际芯片进行芯片图像不变矩比较,若检查出墨点标记、崩边划痕、空芯片等缺陷芯片,则返回步骤(1),进行下一芯片对准;否则进行下一步骤;
(5)进行六个变换参数a~f的计算:
a=Rx,b=-Rx(W+θ),c=Ryθ,d=Ry,e=Ox,f=Oy;其中晶片旋转残余误差角θ,工作台坐标系正交误差W,晶片的线性伸缩误差Rx和Ry,晶片中心坐标偏移量Ox和Oy,
利用等式
取已知的储存在主储存器中8个设计样本点坐标(x,y),代入等式右边;步骤(2)、(3)得出的芯片边界线4个交点和引线框架的四个标记点坐标,共得到8个标记坐标(X,Y),代入等式左边,求得最佳最小二乘解,得到六个变换参数;
(6)将六个变换参数a~f和储存在计算机中8个设计样本点坐标带回步骤(5)所述的等式,得8个标记点的计算坐标;
(7)计算坐标与步骤(2)、(3)图像处理得出的测量坐标的差值构成非线性误差向量,得到各样本点的非线性误差向量;
(8)非线性误差向量与允许值进行比较,如果非线性误差向量大于允许值,在引线框架上选择选择与样本点相邻近的特征孔作为替代样本点,返回步骤6;否则进行下一步骤;
(9)用六个变换参数a~f、标准引线框架和标准芯片上键合点坐标值,通过步骤(5)所述等式的线性变换,计算出实际引线框架和实际芯片上键合点的键合头工作台坐标值;
(10)根据计算出的键合头工作台坐标值,由键合头控制系统驱动电机带动键合头实现引线键合。
所述的对准方法,其特征在于:工作台坐标系的确定是在系统每次启动时,找到工作台左上角和右下角,以左下角与右下角连线的中点为绝对坐标原点,将引线框架和芯片上共八个设计样本点的坐标先储存在主储存器中。
所述的对准方法,其进一步特征在于:求芯片四条边界线和它们的交点时,利用边缘点邻域灰度分布的最小二乘估计拟合边缘的方法,取灰度中值附近的像素点为样本点,再代入矩估计的式子中,求出边界线。
本发明采用多个特征标记,克服了单个标记的局部变形对对准精度的影响。另一方面,通过在框架和芯片上分别选取标记,可以修正贴片工艺中带来的误差。并且将剔除坏芯片与坐标计算并行处理,提高了生产效率,实现了准确高效的对准。
本发明的特点主要表现在以下几方面:
1、由于CCD对于光度响应具有极佳的线性和灵敏度,因此采用线阵CCD对边沿对准能获得十分高的对准精度;
2、该方案采用替代非线性误差向量较大的标记,减少了测量误差;
3、考虑了贴片工艺中存在于芯片与框架间的各种误差对引线键合质量的影响;
4、采用灰度图像不变矩能快速剔除缺陷芯片;
5、多特征标记保证了计算结果的准确性,提高了引线键合精度;
6、通过简单有效的数理统计和数值计算方法,提高了引线键合的生产效率;
7、该方案对多引线数,大批量生产具有明显的优越性。
附图说明
图1为本发明的流程框图;
图2为本发明方法的图像视觉系统的物理结构示意图;
图3为图2中图像采集装置的控制系统方块图;
图4为芯片边界像素点的灰度分布;
图5为各种情况下芯片有无缺陷的灰度分布与对比;
图6为用本发明对准方法得到的样本点的排布和边界线;
图7A举例显示了图6中各样本点的非线性误差向量;
图7B显示了替代计算后各样本点的非线性误差向量。
具体实施方式
以下结合附图对本发明进一步说明。
图2显示了运用于本发明对准方法的图像视觉系统。从同轴灯1发射出来的光线经椭圆镜2反射后,红光穿过滤光片3。然后光线经过匀光片4形成与光轴垂直的平行光束,透过分光镜5,垂直照射到工作台15上的芯片表面,此光路为同轴灯光路。它对平坦均匀的图形能产生最好的对比度。除同轴灯1外,在工作台15的上方还固定有4个由红色亮度的发光二极管组组成的侧灯8,它们被安装在同轴灯四周,以一定角度照向芯片,侧灯8对表面高低不平的地方和边缘能产生最好的对比度。为了进一步得到对比度明显的图像,同轴灯1和侧灯8的亮度根据需要可由主控系统16调节。
图2中的图像提取系统由以下部分构成,同轴灯1和侧灯8产生的较强对比度的光线在芯片上被反射,进入物镜6,然后由分光镜5反射,使垂直光线变成水平光线,再穿过场阑9,成像在CCD靶面10上,形成的靶面大小可由场阑9进行调节。这样就得到256级灰度的像素阵列。为了达到最佳焦距,由控制器7调整物镜6的高度。
接着对像素阵列进行预处理,然后利用本发明的多标记对准算法,得到各键合点的键合头工作台坐标值,由主控系统16驱动直线电机13,带动键合头工作台12沿X、Y、Z方向运动,最后超声波带动劈刀11实现引线键合。
图3中方块图描述图2中图像采集装置的控制系统。其中,主控系统16包括照明控制系统21,图像采集卡22,对准计算单元23,主储存器24,灰度对比系统25,主控计算机26,物镜调节系统27,键合头控制系统28,监视器29。
图3中,图像采集卡22对来自CCD10的图像信号进行预处理,形成256级灰度768×576像素阵列,得到的数据并行输出,一路输出给灰度对比系统25,经过灰度相关计算,判断芯片有无缺陷。如果芯片有缺陷就通知主控计算机26进入下一芯片对准,没有缺陷则继续后面的计算。同时得到框架上4个对准标记,将坐标值输入主储存器24,用于后面的对准计算。另一路数据输入到对准计算单元23,对边界利用边缘点邻域灰度分布最小二乘估计进行拟合。并求出交点,结合前面的4个标记,采用多标记对准算法,求出各键合点的坐标位置,最后由主控计算机26将坐标值输出到键合头控制系统28,带动直线电机13进行引线键合。监视器29用于放大显示键合过程和初始对准。
下面参照图1详细描述本对准算法的具体实施过程。首先,由主控系统16将贴有芯片的引线框架置于工作台15上,工作台坐标系的确定是在系统每次启动时,找到工作台左上角和右下角,以左下角与右下角连线的中点为绝对坐标原点。图6显示了芯片在引线框架上的位置,我们选择芯片的4个角点作为对准标记。这样每个标记接近90°排列,标记分布也很均匀。按同样的方法在框架上选择另外4个对准标记,由于框架上四周存在特征孔,将引线框架的四个角的特征孔中心点亦作为设计样本点。在对准之前,必须将它们的坐标先储存在计算机主储存器24中,以备以后使用。
在图1的101步中,对CCD10输入的图像信号进行预处理。得到反映图像特征所需的像素阵列。接下来分两路执行,在102步中进行芯片边界拟合、103步求边界线交点;在104步中进行引线框架图像特征提取。
先看102步中的边界拟合,图4显示了芯片边界像素点的灰度分布。我们可以看到,芯片与引线框架的灰度差别很大。在图4中的一条边界线L1上选择n个像素点作为样本点(Xsi,Ysi),它们应该散布在理论的回归直线Ys=m+nXs附近。像素点的多少不同的芯片大小会不同,40-60均可,例如10×10mm的芯片选取50个像素点。
现在要找到一条直线,使各样本点(Xsi,Ysi)到直线的y方向偏差的平方和Q最小。即
求Q关于m、n的偏导数并令它们等于零,就得到m、n的估计值
上式中
Xs、
Ys分别为样本均值,于是我们求得边界线方程L1为 同样的边界线有4条,采用上述同样方法,得图6中的其他三条边界线L2、L3、L4。在103步中,利用102步的4条直线方程,在103步通过简单计算求得它们的4个交点(X1,Y1)~(X4,Y4),这4点即为芯片上的特征标记点。
在104步中给出引线框架上四个样本点,其实质是一个二维图像的模式识别问题。我们利用基于区域特征的匹配方法,提取图像引线框架中典型区域和芯片区域。从引线框架的结构看,引线框架上存在典型区域和芯片区域。由于引线框架上四周存在特征孔,而且特征孔内的灰度与其边缘的灰度在梯度上有跳变。根据这一特征,可以对整个像素阵列用LoG算子检测出潜在的特征孔图像边缘,由梯度算子对特征孔边缘点分类,形成特征孔中心点作为种子点。对种子点扫描,还是按灰度值区别,当扫描区域的灰度没有跳变时,就认为扫描区域就是我们要找的典型区域,芯片区域也按同样的方式确定,芯片区域的灰度与其引线框架的灰度在梯度上有跳变,可以对整个区域像素阵列用LoG算子检测出潜在的芯片区域图像边缘。对典型区域的行列坐标进行比较,得到引线框架的四个角的特征孔中心点作为在引线框架上的四个样本点。计算出所有典型区域的面积,其中面积最大的区域就是芯片区域。
在105步中,利用芯片图像不变矩比较检测缺陷芯片,其主要目的是识别墨点标记、崩边划痕、空芯片等缺陷,实质是对芯片进行图像匹配。计算机中储存有标准的芯片图像,将采集的芯片影像图形与标准图形匹配。由于不变矩能充分反映出图像特征,我们计算出芯片图像的不变矩。当计算出的芯片区域的不变矩与储存在存储器中的芯片图像的不变矩进行比较,当计算出的芯片区域的不变矩与储存在存储器中芯片图像的不变矩相等时,我们认为芯片完好,而当计算出的芯片区域的不变矩与储存在存储器中的芯片图像的不变矩不等时,认为芯片有缺陷。芯片区域图像f(m,n)的不变矩定义为:
其中p,q为不变矩的阶数,取二阶计算;m、n为芯片区域图像像素,显然不变矩和区域是一一对应的关系。
图5显示了各种有缺陷情况的芯片,芯片有缺陷时,操作走向106步,进行下一芯片对准;对于完好芯片,如图6所示得到了8个样本点P1~P8,其中P1~P4点为芯片角点,它们能完全将芯片固定在框架上。标记P5~P8是来自框架上的样本点,表示框架在工作台上的位置。将样本点P1~P8的测量坐标值储存以备下一步使用。
在107步中进行六个变换参数(a~f)的计算。为何会有六个变换参数呢?因为按理论芯片在引线框架上是有规则排列的。但实际上由于下列原因会出现非线性误差。
(1)晶片旋转残余误差角θ;
(2)工作台坐标系正交误差W;
(3)晶片的线性伸缩误差Rx和Ry;
(4)晶片中心坐标偏移量Ox和Oy;
根据上面四个误差值就有六个变换参数(a~f)。现在要解决的是利用这六个参数(a~f)将排列坐标(x,y)变换为键合头工作台位移坐标(X,Y),我们有如下模型表示:
其具体推导如下:
由于旋转偏移量θ(由硅片预对准精度决定)和正交性偏差ω(由工件台精度决定)总是非常微小,因此上述非线性方程可以简化成如下的一阶线性方程(如果要求更高的精度,则可以简化为二阶或高阶方程):
令
就得到上面的模型等式(4)。其中
a=Rx,b=-Rx(W+θ),c=Ryθ,d=Ry,e=Ox,f=Oy;
利用最佳最小二乘法可以得到六个变换参数(a~f)。首先通过在芯片引线框架上选择的8个样本点P1~P8,得到设计的排列坐标(x1,y1)~(x8,y8),代入模型等式(4)右边。其次,有前面根据图像处理得出的8个样本点的键合头工作台坐标(X1,Y1)~(X8,Y8)。代入模型等式(4)左边,求得最佳最小二乘解,得到六个变换参数(a~f)。接着,将六个变换参数(a~f)反代入模型等式(4),利用排列坐标(xi,yi),求出样本点的计算坐标(XMi,YMi)。
在108步中,用键合头工作台坐标(Xi,Yi)减去107步中求得的计算坐标(XMi,YMi)就得到各样本点的非线性误差向量Lai。接下来的109步中,判断非线性误差向量Lai的绝对值是否大于预定允许值Lc。由于目前的金键合引线的最小直径为10μm,考虑到计算工作量和保证精度,我们取其10-1%作为非线性误差向量的预定允许值,例如我们取Lc为0.5μm。如果非线性误差向量的绝对值小于或等于允许值Lc,即|Lai|≤Lc成立,我们认为样本点的非线性误差较小,满足要求。如果非线性误差向量的绝对值大于允许值Lc,即|Lai|>Lc成立,我们将此样本点Pi剔除掉。操作转向112步,选择与样本点Pi相邻近的特征孔PBi作为Pi的替代样本点。操作转向107步,将替代坐标值和满足要求的坐标值代入模型等式(4)重新计算参数(a~f),再判断非线性误差向量的大小。
图7A举例显示了在108步中得到的放大的样本点P1~P8的非线性误差向量。样本点Pi由非线性误差向量Lai表示。Lai的起点代表108步计算的样本点坐标值(XMi,YMi),端点表示测得的样本点键合头工作台坐标(Xi,Yi),依次表示出其它样本点的非线性误差向量,图7A中有两个样本点P1、P6的非线性误差向量大于允许值。因此将P1点剔除掉,再选择与P6相邻的点PB6作为替代,图7B显示了替代计算后样本点的非线性误差向量,可以看到其非线性误差明显变小。
通过以上的计算,得到最后的六个变换参数(a~f)。在110步中,通过模型等式(4)和引脚的设定坐标值,计算出各引脚的键合头工作台坐标值。这样就完成了引线键合的整个对准计算。在111步中由键合头控制系统驱动电机带动键合头实现引线键合。
本发明除了以上应用,还可以用于扫描曝光装置、校正芯片图形在校正装置、监视芯片图形的监控装置等现代制造业的设备中。而且,芯片上的区域排列、样本点个数、样本点的位置、选择替代点的位置、最大允许值都可以根据具体情况而有所不同。
Claims (2)
1.一种集成电路芯片视觉对准方法,顺序包括如下步骤:
(1)将贴有芯片的引线框架置于工作台,将标准引线框架上四个角的特征孔中心点和标准芯片四个角点作为设计样本点,连同标准引线框架和标准芯片上键合点坐标先储存在计算机中,利用包括光源和红外摄象机CCD的图像视觉系统得到实际芯片和引线框架的图像信号,对CCD输入的图像信号进行预处理,得到反映图像特征所需的像素阵列;
(2)进行图像芯片边界拟合,求得引线框架上芯片的四条边界线,求芯片四条边界线时,利用边缘点邻域灰度分布的最小二乘估计拟合边缘的方法,取灰度中值附近的像素点为样本点,再代入矩估计的式子中,求出边界线,再求得所述边界线的4个交点坐标;
(3)上述步骤2进行的同时,进行引线框架图像特征提取,给出引线框架上的四个标记点坐标;
(4)计算机中事先储存有标准的芯片图像,利用灰度相关方法对实际芯片进行芯片图像不变矩比较,若检查出墨点标记、崩边划痕、空芯片等缺陷芯片,则返回步骤(1),进行下一芯片对准;否则进行下一步骤;(5)进行六个变换参数a~f的计算:
a=Rx,b=-Rx(W+θ),c=Ryθ,d=Ry,e=Ox,f=Oy;其中晶片旋转残余误差角θ,工作台坐标系正交误差W,晶片的线性伸缩误差Rx和Ry,晶片中心坐标偏移量Ox和Oy,
利用等式
取已知的储存在主储存器中8个设计样本点坐标(x,y),代入等式右边;步骤(2)、(3)得出的芯片边界线4个交点和引线框架的四个标记点坐标,共得到8个标记坐标(X,Y),代入等式左边,求得最佳最小二乘解,得到六个变换参数;
(6)将六个变换参数a~f和储存在计算机中8个设计样本点坐标带回步骤(5)所述的等式,得8个标记点的计算坐标;
(7)计算坐标与步骤(2)、(3)图像处理得出的测量坐标的差值构成非线性误差向量,得到各样本点的非线性误差向量;
(8)非线性误差向量与允许值进行比较,如果非线性误差向量大于允许值,在引线框架上选择选择与样本点相邻近的特征孔作为替代样本点,返回步骤6;否则进行下一步骤;
(9)用六个变换参数a~f、标准引线框架和标准芯片上键合点坐标值,通过步骤(5)所述等式的线性变换,计算出实际引线框架和实际芯片上键合点的键合头工作台坐标值;
(10)根据计算出的键合头工作台坐标值,由键合头控制系统驱动电机带动键合头实现引线键合。
2.如权利要求1所述的视觉对准方法,其特征在于:工作台坐标系的确定是在系统每次启动时,找到工作台左上角和右下角,以左下角与右下角连线的中点为绝对坐标原点,将引线框架和芯片上共八个设计样本点的坐标先储存在主储存器中。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNB2004100608352A CN1300833C (zh) | 2004-09-10 | 2004-09-10 | 集成电路芯片视觉对准方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNB2004100608352A CN1300833C (zh) | 2004-09-10 | 2004-09-10 | 集成电路芯片视觉对准方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN1604294A CN1604294A (zh) | 2005-04-06 |
CN1300833C true CN1300833C (zh) | 2007-02-14 |
Family
ID=34666333
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CNB2004100608352A Expired - Fee Related CN1300833C (zh) | 2004-09-10 | 2004-09-10 | 集成电路芯片视觉对准方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN1300833C (zh) |
Families Citing this family (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4751866B2 (ja) * | 2006-09-13 | 2011-08-17 | エーエスエムエル マスクツールズ ビー.ブイ. | ターゲットパターンを複数のパターンに分解するための方法、そのコンピュータプログラムを記憶するコンピュータ読取可能記憶媒体、デバイス製造方法、およびマスクを生成するための方法 |
US7810698B2 (en) * | 2008-11-20 | 2010-10-12 | Asm Assembly Automation Ltd. | Vision system for positioning a bonding tool |
CN102221812A (zh) * | 2010-04-19 | 2011-10-19 | 王锐 | 成对嵌入式石英表机芯的排列方法及装置 |
CN107621602B (zh) * | 2017-08-15 | 2020-04-03 | 大族激光科技产业集团股份有限公司 | 集成电路芯片载板的测试方法 |
CN110310334B (zh) * | 2018-03-20 | 2023-05-16 | 深圳市华大智造软件技术有限公司 | 生物芯片定位方法、基因测序仪及系统、存储介质 |
CN109048028A (zh) * | 2018-08-07 | 2018-12-21 | 航天恒星科技有限公司 | 引线键合方法和系统 |
CN109599347B (zh) * | 2018-12-04 | 2020-09-01 | 四川金湾电子有限责任公司 | 一种引线框架检测方法、系统、存储介质和终端 |
CN112651946A (zh) * | 2020-12-29 | 2021-04-13 | 昆山丘钛光电科技有限公司 | 芯片金线检测方法、装置、电子设备及介质 |
CN112985268A (zh) * | 2021-02-18 | 2021-06-18 | 广东省梅州市质量计量监督检测所 | 一种在同轴光源照明条件下基于亚像素的pcb线宽检测方法 |
CN113441809B (zh) * | 2021-09-01 | 2021-11-26 | 深圳市泰科盛自动化系统有限公司 | 一种ccd对位脉冲热压焊系统 |
CN115201667B (zh) * | 2022-09-15 | 2022-12-23 | 武汉普赛斯电子技术有限公司 | 半导体激光器芯片的校准定位方法、设备及存储介质 |
CN115533294B (zh) * | 2022-12-05 | 2023-03-21 | 宁波尚进自动化科技有限公司 | 引线键合机的bto自动调整系统及方法 |
CN116313939B (zh) * | 2023-05-17 | 2023-08-01 | 恩纳基智能科技无锡有限公司 | 一种芯片高速智能拾取方法 |
CN117745723A (zh) * | 2024-02-20 | 2024-03-22 | 常熟理工学院 | 芯片引线键合质量检测方法、系统及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1252583A (zh) * | 1998-10-28 | 2000-05-10 | 施蓝姆伯格系统公司 | 测试电子存储卡的设备 |
US6081908A (en) * | 1997-01-31 | 2000-06-27 | Kawasaki Steel Corporation | Test method of one chip micro-computer and one chip micro-computer for conducting the test |
US6159838A (en) * | 1998-08-03 | 2000-12-12 | Via Technologies, Inc. | Method of performing rework test on integrated circuit packages |
-
2004
- 2004-09-10 CN CNB2004100608352A patent/CN1300833C/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6081908A (en) * | 1997-01-31 | 2000-06-27 | Kawasaki Steel Corporation | Test method of one chip micro-computer and one chip micro-computer for conducting the test |
US6159838A (en) * | 1998-08-03 | 2000-12-12 | Via Technologies, Inc. | Method of performing rework test on integrated circuit packages |
CN1252583A (zh) * | 1998-10-28 | 2000-05-10 | 施蓝姆伯格系统公司 | 测试电子存储卡的设备 |
Also Published As
Publication number | Publication date |
---|---|
CN1604294A (zh) | 2005-04-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN1300833C (zh) | 集成电路芯片视觉对准方法 | |
CN108982508B (zh) | 一种基于特征模板匹配和深度学习的塑封体ic芯片缺陷检测方法 | |
CN111537517B (zh) | 一种无人智能化冲压缺陷识别方法 | |
CN104992449B (zh) | 基于机器视觉的信息识别及表面缺陷在线检测方法 | |
CN102133565B (zh) | 基于视觉定位技术的cob封胶机控制方法与系统 | |
CN106934813A (zh) | 一种基于视觉定位的工业机器人工件抓取实现方法 | |
CN102184878B (zh) | 一种用于晶圆对准的模板图像质量反馈方法 | |
CN111862028B (zh) | 基于深度相机和深度学习的木材缺陷检测分选装置及方法 | |
CN113221889B (zh) | 一种芯片字符抗干扰识别方法及装置 | |
WO2019114380A1 (zh) | 木板识别及木板识别的机器学习方法、装置及电子设备 | |
CN107966454A (zh) | 一种基于fpga的端塞缺陷检测装置及检测方法 | |
CN105184770B (zh) | 一种用于球栅阵列引脚芯片的焊球定位及其参数识别方法 | |
CN109978940B (zh) | 一种sab安全气囊尺寸视觉测量方法 | |
CN109840900A (zh) | 一种应用于智能制造车间的故障在线检测系统及检测方法 | |
CN113643280B (zh) | 一种基于计算机视觉的板材分拣系统及方法 | |
CN106824816A (zh) | 一种基于机器视觉的pe瓶检测与分拣方法 | |
CN112497219B (zh) | 一种基于目标检测和机器视觉的柱状工件分类定位方法 | |
CN1835547A (zh) | 图像处理装置及图像处理中的登录数据生成方法 | |
JPH07260701A (ja) | 検査範囲認識方法 | |
CN113222982A (zh) | 基于改进的yolo网络的晶圆表面缺陷检测方法及系统 | |
CN111681222A (zh) | 一种刀痕崩边自动检测判断方法及其应用的划片机 | |
CN109238135A (zh) | 一种基于视觉精准定位来料到测试箱的方法 | |
CN106926241A (zh) | 一种基于视觉引导的双臂机器人装配方法及系统 | |
CN114092411A (zh) | 一种高效快速的双目3d点云焊点缺陷检测方法 | |
US20100181365A1 (en) | Method of teaching eyepoints for wire bonding and related semiconductor processing operations |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
C19 | Lapse of patent right due to non-payment of the annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |