TW202107071A - 快速分類在製造組件之子組件中的缺陷的方法及設備 - Google Patents

快速分類在製造組件之子組件中的缺陷的方法及設備 Download PDF

Info

Publication number
TW202107071A
TW202107071A TW109118091A TW109118091A TW202107071A TW 202107071 A TW202107071 A TW 202107071A TW 109118091 A TW109118091 A TW 109118091A TW 109118091 A TW109118091 A TW 109118091A TW 202107071 A TW202107071 A TW 202107071A
Authority
TW
Taiwan
Prior art keywords
sub
component
defect
feature vectors
defects
Prior art date
Application number
TW109118091A
Other languages
English (en)
Other versions
TWI799709B (zh
Inventor
愛德華 Ｒ 雷特尼爾
安德魯 喬治 雷德
Original Assignee
美商矽谷Ｘ光公司
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 美商矽谷Ｘ光公司 filed Critical 美商矽谷Ｘ光公司
Publication of TW202107071A publication Critical patent/TW202107071A/zh
Application granted granted Critical
Publication of TWI799709B publication Critical patent/TWI799709B/zh

Links

Images

Classifications

    • 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
    • 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
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/06—Recognition of objects for industrial automation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Multimedia (AREA)
  • Medical Informatics (AREA)
  • Data Mining & Analysis (AREA)
  • Quality & Reliability (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Analysing Materials By The Use Of Radiation (AREA)

Abstract

本發明提供用於快速分類在一製造組件或裝置之子組件中的經偵測缺陷的方法及設備。該缺陷分類可在缺陷偵測之後發生，或因為分類可足夠快速即時執行而在缺陷偵測期間發生作為該缺陷偵測程序之部分。在一例示性實施方案中，本發明技術可經利用以實現該組件之多個子組件中的經偵測缺陷之並行即時分類。該組件可為例如具有矽中介層之一多晶片封裝，且該子組件可包含例如矽通孔及焊接接頭。亦可對其他類型之組件之子組件中的缺陷進行分類。一項實施例涉及一種對一製造組件之子組件中的經偵測缺陷進行分類的方法。另一項實施例涉及一種使用針對缺陷檢測一組件之多個子組件之本發明方法製造的產品。

Description

快速分類在製造組件之子組件中的缺陷的方法及設備
本發明係關於使用自動化設備及方法檢測製造組件或裝置。
積體電路封裝技術已隨時間演進且變得更複雜。二維積體電路封裝已經開發以適應日益緻密連接且現包含例如雙列直插封裝、四方扁平封裝、針柵陣列及球柵陣列。
此外，在積體電路之先進封裝中愈來愈多地採用三維(3D)整合。此3D封裝技術之一個實例藉由兩個或更多個半導體裝置、一半導體裝置與一印刷電路板，或一半導體裝置與某個其他封裝組件之間的一中介層來提供互連。該中介層可為矽晶圓，其中已製造穿過矽且填充有諸如銅或鎢的導電材料之通孔。一主動矽裝置亦可用作一中介層。
當將積體電路接合至中介層之兩側時，矽通孔(TSV)允許來自一個IC之信號從一個積體電路至另一積體電路垂直行進相對較短的距離。當使用中介層將積體電路接合至PCB時，該TSV允許來自中介層之一側上之積體電路之信號連接PCB。此等TSV可具有10:1或更大之縱橫比。
在特定先進封裝解決方案中，單個中介層可用作包含數十億個記憶體單元之記憶體積體電路與微處理器之邏輯積體電路之間的互連。此一中介層可能需要成千上萬個TSV。此等TSV在邏輯與記憶體之間形成至關重要的通信鏈路且其等之正常運行係至關重要的。
本發明提供用於快速分類一製造組件或裝置之子組件中的經偵測缺陷的方法及設備。缺陷分類可在缺陷偵測之後發生，或因為分類可足夠快速即時執行而在缺陷偵測期間發生作為該缺陷偵測程序之部分。
在一例示性實施方案中，本發明技術可經利用以實現組件之多個子組件中之經偵測缺陷之即時分類。該組件可為例如具有矽中介層之一多晶片封裝，且該等子組件可包含例如矽通孔及焊接接頭。亦可對其他類型之組件之子組件中的缺陷進行分類。
一項實施例係關於一種分類一製造組件之子組件中之經偵測缺陷的方法。另一項實施例係關於一種使用針對缺陷檢測一組件之多個子組件之本發明方法製造的產品。
相關申請案之交叉參考
本申請案主張2019年5月30日申請之美國臨時申請案第62/854,775號之權利。上述申請案之全文以引用之方式併入本文中。
為偵測和分類出製造缺陷，偵測及分類在用於製造缺陷之積體電路封裝內之連接及其他子組件中的缺陷變得愈來愈有問題及具挑戰性。此等問題及挑戰至少部分歸因於先進封裝技術之高密度及三維性質。
本發明提供用於快速分類一組件之多個子組件中的經偵測缺陷之技術，舉例而言，諸如用於封裝積體電路之一製造組件。本發明技術包含用於在製造組件之多個子組件中之並行即時缺陷分類的方法及設備。在該技術的例示性使用中，可對具有數千個TSV之一中介層之TSV中的缺陷即時分類，以確定缺陷類型。此即時檢測可有利地用於統計程序控制之一製造線中。快速缺陷分類
圖1係根據本發明之一實施例之訓練及快速分類在一製造組件之子組件中偵測之缺陷之方法1200之一流程圖。此方法1200可經執行以提供該組件之子組件中之經偵測缺陷的即時分類。分類方法1200可用於對先前偵測到但仍未分類或需要進一步分類的缺陷進行分類。
根據方塊1203，對於待分類之組件之各子組件，可執行步驟1204至1210以便訓練特定於子組件影像之一缺陷分類器。可針對多個子組件並行執行此等步驟。
根據步驟1204，使用子組件之模型及該子組件之預期缺陷來產生子組件影像之一合成訓練集。可使用蒙地卡羅模擬來產生子組件影像之此合成訓練集。蒙地卡羅模擬可在子組件影像之產生之前在預期約束內將缺陷放置於模型化子組件內之隨機化位置、隨機化大小隨機化形狀處。缺陷類型可包含例如引起開路之空隙及引起短路之導體之間之接觸。
根據步驟1206，從子組件影像之合成訓練集偵測並記錄特性特徵。接著可應用特徵之標準化。在一例示性實施方案中，特徵之標準化涉及在訓練樣本之行基礎上減去均值並除以方差之一程序。所應用的標準化技術可取決於特定應用。特徵偵測獲得可用於特性化子組件影像的一組特徵。該組中之特徵數目可減少或限制為實質特徵之一可管理數目。接著可藉由其特徵向量來描述各子組件影像。
在一例示性實施方案中，可使用SURF特徵偵測來執行特性特徵之偵測，如Herbert Bay等人在「Speeded-Up Robust Features:  SURF」，ECCV 2006中，第I部分，LNCS 3951，第404至417頁，Springer-Verlag Berlin Heidelberg 2006中所述。有利的是，SURF特徵偵測係旋轉不變的。在另一實施方案中，可使用Haar濾波器執行特性特徵之偵測，以便獲得Haar小波特徵。在另一實施方案中，特性特徵之偵測可藉由提取Hu力矩來執行。在另一實施方案中，特性特徵之偵測可藉由使用定向梯度直方圖(HoG)來執行。
根據步驟1208，可將變換應用於特徵向量(根據步驟1206獲得)以產生一組經變換特徵向量。在至少一些情況下，可將該組經變換特徵向量視為跨越特徵空間之一組近似不相關特徵向量。
注意，根據本發明之一實施例，所應用的變換可係主成分分析(PCA)變換。與變換之前的特徵空間相比，PCA變換可能導致具有減少的特徵維數之一經變換特徵空間。作為一實例，Haar特徵集可產生每樣本256個特徵，且一PCA變換可將該特徵集減少到僅前25個組件，從而將維數從256xN減少到25xN(其中N是訓練樣本之數目)。此減小的特徵維數有利地減少所需處理量，且因此加速缺陷分類。
圖2A繪示一子組件中之缺陷之一假想訓練集之經偵測特徵向量(根據步驟1206獲得)，其中簡化多維特徵空間之描繪以展示具有特徵A及B之二個維度以便於圖解。圖2A中之各點表示來自子組件影像之一訓練集之一子組件影像之特徵向量。圖2B中描繪在變換之後(根據步驟1208變換)之假想訓練集之特徵向量之二個維度，其中特徵A'及B'係經變換特徵空間之二個維度。
有利地，由於特徵向量在被用於訓練缺陷分類器之前已經變換為經變換特徵空間(根據步驟1208)，故缺陷分類器(在步驟1210中訓練並在步驟1214中應用)之能力及準確性得以改良。此在圖2B中由特徵向量(點)展示。與圖2A中之特徵向量(點)相比，圖2B中之特徵向量(點)被更好地分成群組。因此，圖2B中之特徵向量之分組可藉由缺陷分類器更易與缺陷類別相關聯。
根據步驟1210中，使用合成訓練集之經變換特徵向量以及對應缺陷類型來訓練子組件之偏轉分類器。該缺陷分類器可是例如人工神經網絡。除了人工神經網絡之外，亦可使用其他類型之分類模型。可使用之一不同類型的分類模型之一個實例係支援向量機。分類模型的另一類型係基於決策樹之分類模型。基於決策樹之分類模型包含例如隨機森林模型及梯度增強機模型。
根據步驟1212，完成各子組件之缺陷分類器。此時，缺陷分類器之訓練完成，且分類器準備好對組件之多個子組件中的缺陷進行分類。
根據步驟1214，可將用於多個子組件之缺陷分類器應用於在該等子組件之影像中偵測之缺陷(按照步驟1213)。以此方式，作為製造程序之部分，可有利地即時並行分類多個子組件中之缺陷。
現描述應用於一子組件之一真實X射線影像之缺陷分類器之實例。真實X射線影像係一橋接缺陷之影像且在圖7中展示，該影像由寬度為2.75微米之真實X射線影像像素組成。如本文中所使用，術語「 橋接缺陷」係指一積體電路封裝組件之兩個附近焊接接頭之間之焊接短路。例如，橋接缺陷可在針柵陣列(PGA)封裝之接針之附近焊接接頭之間。作為另一實例，橋接缺陷可在球柵陣列(BGA)封裝之球之附近焊接接頭之間。類似地，一橋接缺陷可在其他類型的積體電路封裝中。
作為一第一實例，自圖7中所示的橋接缺陷之真實X射線影像提取Hu力矩特徵。附錄A提供原始Hu力矩特徵、標準化Hu力矩特徵以及PCA變換後的標準化Hu力矩特徵。
作為一第二實例，自圖7中所示的橋接缺陷之真實X射線影像提取Haar小波特徵。附錄B提供原始Haar小波特徵、標準化Haar小波特徵以及PCA變換後的標準化Haar小波特徵。
作為一第三實例，自圖7中所示的橋接缺陷之真實X射線影像提取定向梯度直方圖(HoG)特徵。附錄C提供原始HoG特徵、標準化HoG功能以及PCA變換後的標準化HoG特徵。高速 X 射線成像系統中的例示性實施方案
本發明技術能夠即時分類所製造的組件內之多個子組件之經偵測缺陷。在一個實施方案中，本發明技術可結合高速X射線成像器(諸如Adler等人在美國專利第9,129,715號中所揭示)或具有一習知X射線顯微鏡幾何形狀之一儀器實施。
在2015年9月8日發佈之美國專利第9,129,715號中，Adler等人揭示一種具有高通量X射線源之創新X射線顯微鏡，該顯微鏡可允許物件之高速計量或檢測，諸如積體電路(IC)、印刷電路板(PCB)及其他IC封裝技術。藉由來自具有一指定X射線光譜之一擴展光源之準直高通量X射線照明待研究之物件。該系統亦包括：一載物台，其控制物件之位置及定向；一閃爍體，其吸收X射線並發射可見光子，該閃爍體定位成非常靠近物件(或與物件接觸)；一光學成像系統，其形成由閃爍體發射之光子之高解析度影像；及一偵測器，諸如一CCD陣列，其將影像轉換為電子信號。
圖3繪示根據本發明之一較佳實施例之一高速X射線成像系統之一實施例之橫截面之一概圖。一X射線發射器101發射X射線111。接著，在一些實施例中，使用距發射器101之距離及具有一孔隙142之一板140將此等X射線塑形為一準直X射線束211。此準直X射線束211接著照明待檢查之一物件200。透射穿過物件200之X射線照明閃爍體總成300，該閃爍體總成300包括一閃爍體310及在一些實施例中該閃爍體之一支撐件350。閃爍體310吸收X射線之一部分，並釋放所吸收的部分能量，從而發射可見光子411。
使用一光學系統400，在一影像偵測器500上形成由閃爍體發射的可見光子411之一放大影像511。影像偵測器500將放大影像511之強度轉換成一電子信號。影像偵測器500可包括一電子感測器，諸如電荷耦合裝置(CCD)，或熟習此項技術者已知的另一影像感測器。電子信號透過連接器558傳輸至電子及處理之一系統600，該系統在一些實施例中可顯示影像結果，且在一些實施例中可儲存影像結果及/或結合一或多個電腦系統700對影像結果執行影像處理演算法。
對於發射電離輻射(諸如X射線)之任何源，通常明智的是在X射線源100周圍提供屏蔽件998，且在某些情境中為操作合法所需。此屏蔽件998可係鉛金屬之塑形薄片之一簡單外殼，或由熟習此項技術者所知之許多X射線吸收材料之任何者(諸如摻雜鉛之玻璃或塑膠)製成之一更複雜設計。可期望屏蔽件防止直接來自發射器101或從某一其他表面反射的隨機X射線引起非所要效應，尤其用於控制系統的各種電子組件中的寄生信號。
同樣，對於一些實施例，亦可期望圍繞光束路徑之額外屏蔽件999，且在一些情況中為操作合法所需。此額外屏蔽件999可係鉛金屬之塑形板之一簡單外殼，或由熟習此項技術者所知之許多X射線吸收材料之任何者之一更複雜設計(諸如摻雜鉛之玻璃或塑膠)。期望額外屏蔽件999防止直接來自發射器101或從某一其他表面反射的隨機X射線引起非所要效應，尤其用於控制系統之各種電子組件中之寄生信號。
因為某些影像偵測器500(諸如包括CCD感測器之影像偵測器)可對X射線曝光特別敏感，所以在一些實施例中，閃爍體總成300之一部分亦可全部或部分地使用諸如摻雜鉛之玻璃之一材料(其吸收X射線，同時透射由閃爍體發射之可見光子411)來製造。
用於X射線源之設備可包含一底座106，其可使X射線源100之位置相對於物件200移動，從而改變X射線束在物件上之入射角。底座106可經設計以允許X射線源100在x-z平面、y-z平面或任何其他軸組合中擺動。該源亦可沿z軸移動，以將X射線源100移動靠近物件200。此可具有以下效應：使光束更亮，增加信號強度，以具有經較少準直之一X射線束為代價降低解析度。此效應可藉由減小X射線源之光點大小來減小或消除。
X射線源100使用底座106之運動可由電腦系統700以若干方式控制。在一些實施例中，源底座106可將X射線源100移動至一固定位置以允許捕獲一影像。在一些實施例中，底座106可在蒐集影像時使X射線源100連續地移動，從而允許在透射穿過物件200時之X射線強度之動態變化被記錄為依據照明角度而變化。在一些實施例中，X射線發射器101可經移動至偏離法線入射角至少10度。
在一些實施例中，可藉由協調使用源底座106之X射線源100之運動與使用物件底座250之物件200之運動來達成X射線束211在物件200上之入射角之進一步調整。在一些實施例中，底座250之運動由控制器259透過一連接器258控制。控制器259繼而藉由來自一操作員之直接輸入或憑藉由電腦系統700提供之電子指令來引導。
在一些實施例中，屏蔽件998將經設計以圍封X射線源100及源底座106。在其他實施例中，屏蔽件998可經設計以僅圍封X射線源，而底座106經設計以在其使X射線源100移動時移動屏蔽件998。
在本發明之一些實施例中，可使用多個X射線源來產生具有不同入射角之影像。X射線源可在空間上固定或可移動，且其等可循序或同時操作。X射線源可手動操作或由一或多個電腦系統700控制。
根據本發明之一實施例，電腦系統700包含一或多個處理器、數據儲存器及資料記憶體以及其他組件。電腦系統700可在資料儲存器及/或資料記憶體中包含具有可執行指令之軟件模組以根據本文揭示的方法對子組件中之經偵測缺陷進行分類。
圖4係根據本發明之一實施例產生一橋接缺陷之一合成X射線影像之一例示性方法1400之一流程圖。根據圖1中之步驟1204，可使用蒙地卡羅類型之程序多次應用方法1400，以便產生大量合成X射線影像作為一訓練集。
如本文中所使用，術語「橋接缺陷」係指一積體電路封裝組件之兩個附近焊接接頭之間之一焊接短路。例如，橋接缺陷可在針柵陣列(PGA)封裝之接針之附近焊接接頭之間。作為另一實例，橋接缺陷可在球柵陣列(BGA)封裝之球之附近焊接接頭之間。類似地，一橋接缺陷可在其他類型之積體電路封裝中。
根據步驟1402，可將橋接缺陷之一外圓形區域設定為擁有具有關於一第一標稱尺寸之一隨機變動之一直徑(「橋外部直徑」)。圖5A中描繪展示一橋接缺陷之合成影像之此一外圓形區域1501及一外徑1502之一實例，其由寬度為2.75微米之合成X射線影像像素組成。第一標稱尺寸可係待檢測之組件之一X射線影像中之此一外圓形區域1501之預期平均尺寸。預期隨機變動相對小於標稱尺寸，且可經製成以對應於該影像特徵之一預期變動。隨機變動經包含以便產生包含各種外圓形區域1501之合成X射線影像之一訓練集。
根據步驟1404，可將一橋接缺陷之一內圓形區域設定為擁有具有關於一標稱尺寸之一隨機變動且具有隨機偏心率之一直徑(「內橋直徑」)。在此，偏心率係指外圓形區域1501之中心與內圓形區域1503之中心之間之角度及距離(即，位移向量)。圖5A中展示展示一橋接缺陷之合成影像之此一內圓形區域1503及一內徑1504之一實例。如所示，內徑1504係在焊接接頭之位置處之一內(較暗陰影)圓形區域1503之一直徑，而外徑1502係內圓形區域1503周圍之影像之一外(較淺陰影)圓形區域1501之一直徑。
根據步驟1406，可在0度與360度之間隨機選擇橋接之角度。圖5B中展示展示一橋接缺陷之合成X射線影像之此一角度Θ之一實例。角度Θ可經隨機選擇以便產生包含在0度與360度之範圍內之各種角度之合成X射線影像之一訓練集。
根據步驟1408，設定寬度1516之一正弦變動，以經定義角度從第一焊接接頭處之外徑1502朝向第二焊接接頭(未展示)變化。圖5C中展示展示一橋接缺陷之合成X射線影像之此正弦變動之一實例。如進一步所示，可將正弦變動應用於右側1512及左側1514，以便在寬度1516遠離焊接點時縮小或「擠壓」寬度1516使得在兩個焊接接頭之間形成一「橋接」。
根據步驟1410，可將模糊添加到所得影像。在一例示性實施方案中，模糊可係高斯模糊，以便模擬一偵測器回應。圖5D中展示展示將高斯模糊雜訊添加至一橋接缺陷之合成X射線影像之一實例。
根據步驟1412，可將雜訊添加至所得影像。在一例示性實施方案中，雜訊可係高斯雜訊，以便模擬一偵測器回應。圖5E中展示展示將高斯雜訊添加至一橋接缺陷之合成X射線影像之一實例。
圖6展示根據本發明之一實施例之一積體電路封裝組件中之不同類型的缺陷(包含錯誤肯定缺陷)之合成X射線影像及真實X射線影像之實例。各列與一不同類型的缺陷有關。
第一列展示一焊接接頭中之一空隙缺陷之實例性合成X射線影像及實例性真實X射線影像。如所示，在實例性合成X射線影像中，空隙(「Void」)缺陷(較淺陰影區域)之位置在焊接接頭(較暗陰影周圍區域)內變化。相對於焊接接頭之中心，根據本發明之一實施例，空隙可為各種角度及各種半徑。在實例性真實X射線影像中可見在焊接接頭(較暗陰影周圍區域)內的空隙缺陷(較淺陰影區域)之位置之類似變動。
第二列展示一焊接接頭之一非濕潤開路(「Nonwet」)缺陷之實例性合成X射線影像及實例性真實X射線影像。如所示，一非濕潤開路缺陷之一合成X射線影像具有由一較淺外區域包圍之一較暗內區域。此等區域之形狀、大小及位置可根據本發明之一實施例而變化。在實例性真實X射線影像中可見此等區域之形狀、大小及位置之類似變動。
第三列展示一焊接接頭之一橋接(「Bridge」)缺陷之實例性合成X射線影像及實例性真實X射線影像。如關於圖4及圖5A至圖5E描述針對此一橋接缺陷之一合成X射線影像之產生。
最後，第四列展示一焊接接頭之一錯誤肯定(「False Positive」)缺陷之實例性合成X射線影像及實例性真實X射線影像。用於此錯誤肯定類別之缺陷之合成X射線影像對應於真實X射線影像，其等原本通常將誘使缺陷偵測程序偵測一錯誤肯定缺陷。如所示，一錯誤肯定缺陷之一合成X射線影像可能具有暗弧形或圓形區域，該區域與焊接接頭之區域重疊。暗弧形或圓形區域之位置及尺寸可根據本發明之一實施例而變化。在實例性真實X射線影像中可見此等區域之位置及尺寸之類似變動。總結
在本發明中，提供許多具體細節，諸如系統、組件及方法之實例以提供對本發明之實施例之透徹理解。然而，一般技術人員將認知，可在沒有一個或多個特定細節的情況下實踐本發明。在其他例項中，為未展示且描述熟知細節以免使本發明之態樣模糊。
儘管已提供本發明之特定實施例，但應當理解，此等實施例僅用於圖解目的且非限制性。許多額外實施例對於閱讀本發明之一般技術人員將係顯而易見的。
100:X射線源 101:發射器 106:底座 111:X射線 140:板 142:孔隙 200:物件 211:X射線束 250:底座 258:連接器 259:控制器 300:閃爍體總成 310:閃爍體 350:支撐件 400:光學系統 411:可見光子 500:影像偵測器 511:經放大影像 558:連接器 600:處理 700:電腦系統 998:屏蔽件 999:屏蔽件 1200:方法 1203:方塊 1204:步驟 1206:步驟 1208:步驟 1210:步驟 1212:步驟 1213:步驟 1214:步驟 1400:方法 1402:步驟 1404:步驟 1406:步驟 1408:步驟 1410:步驟 1412:步驟 1501:外圓形區域 1502:外徑 1503:內圓形區域 1504:內徑 1512:右側 1514:左側 1516:寬度 附錄A Hu力矩特徵 原始特徵：[  3.14328393   7.06604191  10.75016747  11.41256977  22.49603348 14.94920188 -23.5027598 ] 標準化特徵：[-0.53318488 -0.31819097 -0.08897692 -1.73392107  0.18476844  0.18323309 -1.05591272] 經PCA變換之特徵：[ 1.24788744 -1.23553482  0.18079815  1.00908959  0.66650515] 附錄B Haar小波特徵 原始特徵：[ 2.93435906e+05  1.66203563e+05  2.05759844e+05  3.14910063e+05 1.62897656e+05  8.22456250e+03  1.70358438e+04  1.41939875e+05 1.49258938e+05  1.63750625e+04  1.02781250e+04  5.61136250e+04 3.01576938e+05  1.51447719e+05  5.17933125e+04  2.78960000e+04 2.65640938e+04  1.27273250e+05  1.07436594e+05  5.08993750e+03 1.05114688e+04  3.89150000e+03  5.18531250e+02  4.55443750e+04 -4.81350625e+04 -1.38077500e+04 -4.69806250e+03 -1.88125000e+01 -9.79518750e+03 -4.64344063e+04 -4.76731250e+03  1.04002500e+04 2.65640938e+04  1.09151875e+04 -3.29324062e+04 -2.02543750e+03 1.20357844e+05  2.72912500e+03 -1.04064688e+04 -5.33921250e+04 6.40315000e+04  7.80487500e+03  1.95193750e+03 -1.82297500e+04 1.84230625e+04  4.98295938e+04 -9.33975000e+03  9.67125000e+03 -2.65640938e+04  1.70987500e+03  2.61288438e+04  2.02543750e+03 1.13147813e+04  8.79937500e+02 -5.08953125e+03 -1.54791250e+04 -4.82762500e+03 -6.09931250e+03  2.78137500e+03 -1.11291875e+04 9.79518750e+03 -1.86615313e+04 -3.31687500e+03 -1.06150000e+03] 標準化特徵：[ 0.87006186  0.66900659  1.25152468  0.98145753  0.8436835   0.06371535 0.6437511   0.16926711  0.34896445  0.34962943 -0.45556852 -0.96005416 0.84187941  0.14607257 -1.25278763 -1.62527229 -0.0064092   1.82772299 1.38738134 -0.67485078 -0.27139797 -0.04610001 -0.51904878  1.04573775 -1.37722378 -0.69685576  0.54601334  0.53591319  0.49751266  0.21454218 1.36455096  1.88790627  0.07431729 -0.26847317 -0.75203094  0.98114472 1.51728587 -0.21444256 -0.58670486 -0.15267357  0.21949246  0.68645883 0.82440775  0.96042809 -0.17717588  1.58532597  0.41385095  1.66222564 -0.5114999   0.14715701  0.87556848 -0.72537654  0.97262151 -0.38456128 -0.27619464 -0.69238339 -0.26881351 -0.7345537  -0.29048343 -0.33084708 -0.23272941 -1.50844119 -0.02226293  0.93648942] 經PCA變換之特徵：[ 1.58174837  0.28292373  3.17669827  3.88559348 -3.02797671 -0.74494311 1.33459835  0.37467086  1.47683816  0.24440247] 附錄C 定向梯度直方圖 原始特徵：[0.36222847 0.36222847 0.36222847 0.28554118 0.36222847 0.36222847 0.36222847 0.36222847 0.35967456 0.34762926 0.2727252  0.34526402 0.39318157 0.39318157 0.39318157 0.30401741 0.40166936 0.40166936 0.40166936 0.16558522 0.40166936 0.40166936 0.40166936 0.06746774 0.35355339 0.35355339 0.35355339 0.35355339 0.35355339 0.35355339 0.35355339 0.35355339] 標準化特徵：[-0.2505845  -0.77648044 -0.77648044 -0.21926073 -0.6398331   0.38377703 0.72861962  1.18678489 -0.21116755  0.32099213 -0.56476674  0.25605038 0.36116854  0.27493585  0.29103731  0.19869448  0.30984547  0.62124834 0.80769758 -0.52036542 -0.01248327 -0.01248327  0.28674745 -1.58985066 -1.03843419 -1.22593903 -0.70697469  0.06845308 -1.06464993  0.23904948 0.66385488  1.75954143] 經PCA變換之特徵：[-2.83881597 -0.1499109  -1.15626181 -2.05703739 -0.82443568 -0.12173823 -0.10296421  0.59802817  0.07482459 -0.28208322]
圖1係根據本發明之一實施例快速分類在一製造組件或裝置之子組件中偵測之缺陷的方法之一流程圖。
圖2A描繪根據本發明之一實施例展示用於假想訓練集之多維特徵空間之兩個特徵維度之經提取特性特徵向量。
圖2B描繪根據本發明之一實施例之假想訓練集在變換為近似不相關正交多維特徵空間之後的經變換特徵向量之兩個特徵維度。
圖3繪示根據本發明之一實施例之一高速X射線成像系統之截面之一概圖。
圖4係根據本發明之一實施例產生橋接缺陷之一合成X射線影像之一例示性方法400之一流程圖。
圖5A至圖5E展示根據本發明之一實施例之一積體電路封裝組件中之一橋接缺陷之一合成X射線影像之例示性產生。圖5A至圖5E各由寬度(大小)為2.75微米的合成X射線影像像素組成。
圖6展示根據本發明之一實施例之一積體電路封裝組件中之不同類型的缺陷(包括錯誤肯定缺陷)之合成X射線影像及真實X射線影像之實例。
圖7展示根據本發明之實施例之一積體電路封裝組件中的焊接接頭之一橋接缺陷之一真實X射線影像之一實例，與特徵提取有關的方法經應用於該積體電路封裝組件中。圖7由寬度(大小)為2.75微米之真實X射線影像像素組成。
1501:外圓形區域
1502:外徑
1503:內圓形區域
1504:內徑
1512:右側
1514:左側
1516:寬度

Claims (23)

  1. 一種用於對一組件之多個子組件中的缺陷進行分類之方法，該方法包括針對各子組件： 使用該子組件之一模型及一或多個缺陷類型產生子組件影像之一合成訓練集； 從該合成訓練集中之該等子組件影像計算特徵向量； 變換該等特徵向量以獲得經變換特徵向量；及 使用該等經變換特徵向量及其等對應缺陷類型訓練一缺陷分類器。
  2. 如請求項1之方法進一步包括： 將該經訓練缺陷分類器應用於該組件之多個子組件之影像中偵測之缺陷。
  3. 如請求項2之方法，其中對該多個子組件中之該等缺陷並行分類作為一製造程序之部分。
  4. 如請求項2之方法，其中對該多個子組件中之該等缺陷即時分類作為一製造程序之部分。
  5. 如請求項1之方法，其中該組件包括一半導體封裝。
  6. 如請求項5之方法，其中該子組件包括一矽通孔或一焊接接頭。
  7. 如請求項1之方法，其中該產生利用缺陷位置及尺寸之隨機化。
  8. 如請求項7之方法，其中該產生進一步利用缺陷形狀之隨機化。
  9. 如請求項1之方法，其中變換該等特徵向量包括： 標準化該等特徵向量；及 應用一變換以將該等特徵向量變換為一組經變換特徵向量。
  10. 如請求項1之方法，其中該缺陷分類器包括一基於決策樹之分類器。
  11. 如請求項1之方法，其中該缺陷分類器使用Hu力矩特徵、Haar小波特徵及定向梯度直方圖之一或多者。
  12. 一種產品，其使用涉及用於對一組件之多個子組件中之缺陷進行分類之一方法之一程序製造，該方法包括針對各子組件： 使用該子組件之一模型及一或多個缺陷類型產生子組件影像之一合成訓練集； 從該合成訓練集中之該等子組件影像計算特徵向量； 變換該等特徵向量以獲得經變換特徵向量；及 使用該等經變換特徵向量及其等對應缺陷類型訓練一缺陷分類器。
  13. 如請求項12之產品，其中該方法進一步包括： 將該經訓練缺陷分類器應用於在該組件之多個子組件之影像中偵測之缺陷。
  14. 如請求項13之產品，其中對該多個子組件中之該等缺陷並行分類作為一製造程序之部分。
  15. 如請求項13之產品，其中該方法進一步包括： 將該經訓練缺陷分類器應用於在該組件之多個子組件之影像中偵測之缺陷。
  16. 如請求項12之產品，其中該組件包括一半導體封裝。
  17. 如請求項16之產品，其中該子組件包括一矽通孔或一焊接接頭。
  18. 如請求項12之產品，其中該產生利用缺陷位置及缺陷大小之隨機化。
  19. 如請求項18之產品，其中該產生進一步利用缺陷形狀之隨機化。
  20. 如請求項12之產品，其中變換該等特徵向量包括： 標準化該等特徵向量；及 應用一變換以將該等特徵向量變換為一組經變換特徵向量。
  21. 如請求項12之產品，其中該缺陷分類器包括一基於決策樹之分類器。
  22. 如請求項12之產品，其中該缺陷分類器使用Hu力矩特徵、Haar小波特徵及定向梯度直方圖之一或多者。
  23. 一種用於對一組件之多個子組件中之缺陷進行分類之設備，該設備包括： 至少一個處理器，其用於執行電腦可讀程式碼；及 記憶體，其用於儲存及存取電腦可讀程式碼及資料； 用於使用該子組件之一模型及一或多個缺陷類型產生子組件影像之一合成訓練集之電腦可讀程式碼； 用於從該合成訓練集中之該等子組件影像計算特徵向量之電腦可讀程式碼； 用於變換該等特徵向量以獲得經變換特徵向量之電腦可讀程式碼；及 用於使用該經變換特徵向量及其等對應缺陷類型訓練一缺陷分類器之電腦可讀程式碼。
TW109118091A 2019-05-30 2020-05-29 快速分類在製造組件之子組件中的缺陷的方法及設備 TWI799709B (zh)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
US201962854775P 2019-05-30 2019-05-30
US62/854,775 2019-05-30
US16/830,108 US11475556B2 (en) 2019-05-30 2020-03-25 Method and apparatus for rapidly classifying defects in subcomponents of manufactured component
US16/830,108 2020-03-25

Publications (2)

Publication Number Publication Date
TW202107071A true TW202107071A (zh) 2021-02-16
TWI799709B TWI799709B (zh) 2023-04-21

Family

ID=73550425

Family Applications (1)

Application Number Title Priority Date Filing Date
TW109118091A TWI799709B (zh) 2019-05-30 2020-05-29 快速分類在製造組件之子組件中的缺陷的方法及設備

Country Status (5)

Country Link
US (1) US11475556B2 (zh)
KR (1) KR20220015415A (zh)
CN (1) CN114207624A (zh)
TW (1) TWI799709B (zh)
WO (1) WO2020242763A1 (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11521309B2 (en) * 2019-05-30 2022-12-06 Bruker Nano, Inc. Method and apparatus for rapid inspection of subcomponents of manufactured component
CN113344929B (zh) * 2021-08-09 2021-11-05 深圳智检慧通科技有限公司 一种焊点视觉检测识别方法、可读存储介质及设备
US11769270B2 (en) * 2022-01-18 2023-09-26 Smart Radar System, Inc. Method and apparatus for measuring eccentricity of blind via hole formed in printed circuit board
EP4254325A1 (en) * 2022-03-30 2023-10-04 Siemens Aktiengesellschaft Inspection of printed circuit board assemblies
CN117078620B (zh) * 2023-08-14 2024-02-23 正泰集团研发中心(上海)有限公司 Pcb焊点缺陷检测方法、装置、电子设备和存储介质

Family Cites Families (26)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6923067B2 (en) 1999-03-19 2005-08-02 Betriebsforschungsinstitut Vdeh Institut Fur Angewandte Forschung Gmbh Defect type classifying method
US6456899B1 (en) 1999-12-07 2002-09-24 Ut-Battelle, Llc Context-based automated defect classification system using multiple morphological masks
JP3978098B2 (ja) 2002-08-12 2007-09-19 株式会社日立製作所 欠陥分類方法及びその装置
US7602962B2 (en) 2003-02-25 2009-10-13 Hitachi High-Technologies Corporation Method of classifying defects using multiple inspection machines
US7346470B2 (en) * 2003-06-10 2008-03-18 International Business Machines Corporation System for identification of defects on circuits or other arrayed products
US6980873B2 (en) 2004-04-23 2005-12-27 Taiwan Semiconductor Manufacturing Company, Ltd. System and method for real-time fault detection, classification, and correction in a semiconductor manufacturing environment
JP4317805B2 (ja) 2004-09-29 2009-08-19 株式会社日立ハイテクノロジーズ 欠陥自動分類方法及び装置
KR100687090B1 (ko) 2005-05-31 2007-02-26 삼성전자주식회사 결함 분류 방법
JP4776308B2 (ja) 2005-09-05 2011-09-21 株式会社東京精密 画像欠陥検査装置、画像欠陥検査システム、欠陥分類装置及び画像欠陥検査方法
JP2007141943A (ja) * 2005-11-15 2007-06-07 Matsushita Electric Ind Co Ltd クリティカルエリア算出方法及び歩留まり算出方法
KR101448971B1 (ko) 2007-08-20 2014-10-13 케이엘에이-텐코어 코오포레이션 실제 결함들이 잠재적으로 조직적인 결함들인지 또는 잠재적으로 랜덤인 결함들인지를 결정하기 위한 컴퓨터-구현 방법들
JP5479782B2 (ja) 2009-06-02 2014-04-23 株式会社日立ハイテクノロジーズ 欠陥画像処理装置、欠陥画像処理方法、半導体欠陥分類装置および半導体欠陥分類方法
JP5694307B2 (ja) 2009-06-19 2015-04-01 ケーエルエー−テンカー・コーポレーションＫｌａ−Ｔｅｎｃｏｒ Ｃｏｒｐｏｒａｔｉｏｎ 異なるピッチを有する多重アレイ領域を同時に検査する方法および装置
WO2011004534A1 (ja) 2009-07-09 2011-01-13 株式会社 日立ハイテクノロジーズ 半導体欠陥分類方法，半導体欠陥分類装置，半導体欠陥分類プログラム
US8692246B2 (en) 2011-09-15 2014-04-08 International Business Machines Corporation Leakage measurement structure having through silicon vias
US9129715B2 (en) 2012-09-05 2015-09-08 SVXR, Inc. High speed x-ray inspection microscope
US9158992B2 (en) * 2013-03-14 2015-10-13 Here Global B.V. Acceleration of linear classifiers
US9430743B2 (en) 2014-03-06 2016-08-30 Kla-Tencor Corp. Composite defect classifier
US9613411B2 (en) 2014-03-17 2017-04-04 Kla-Tencor Corp. Creating defect classifiers and nuisance filters
US20170069075A1 (en) 2015-09-04 2017-03-09 Canon Kabushiki Kaisha Classifier generation apparatus, defective/non-defective determination method, and program
TWI606531B (zh) * 2017-03-30 2017-11-21 義守大學 適用於三維晶片的缺陷測試方法及系統
US10733744B2 (en) 2017-05-11 2020-08-04 Kla-Tencor Corp. Learning based approach for aligning images acquired with different modalities
US10713534B2 (en) 2017-09-01 2020-07-14 Kla-Tencor Corp. Training a learning based defect classifier
IL264071A (en) * 2018-01-30 2019-05-30 Beamr Imaging Ltd Method and system for object classification
WO2019183153A1 (en) * 2018-03-21 2019-09-26 Kla-Tencor Corporation Training a machine learning model with synthetic images
US10692184B2 (en) * 2018-07-05 2020-06-23 SVXR, Inc. Super-resolution X-ray imaging method and apparatus

Also Published As

Publication number Publication date
KR20220015415A (ko) 2022-02-08
TWI799709B (zh) 2023-04-21
US11475556B2 (en) 2022-10-18
WO2020242763A1 (en) 2020-12-03
CN114207624A (zh) 2022-03-18
US20200380654A1 (en) 2020-12-03

Similar Documents

Publication Publication Date Title
US11475556B2 (en) Method and apparatus for rapidly classifying defects in subcomponents of manufactured component
US20210010953A1 (en) Methods and Systems for Defects Detection and Classification Using X-rays
US20210012499A1 (en) Methods and Systems for Detecting Defects in Devices Using X-rays
JP5646769B2 (ja) Ｘ線検査方法及び装置
TWI695164B (zh) 寬頻晶圓缺陷偵測系統及寬頻晶圓缺陷偵測方法
JP4610590B2 (ja) Ｘ線検査装置、ｘ線検査方法およびｘ線検査プログラム
TW201706595A (zh) 缺陷判定方法、及ｘ射線檢查裝置
JP4834373B2 (ja) Ｘ線検査装置、ｘ線検査方法およびｘ線検査プログラム
JP4580266B2 (ja) Ｘ線検査装置、ｘ線検査方法およびｘ線検査プログラム
Sankaran et al. Improvements to X-ray laminography for automated inspection of solder joints
US20080247505A1 (en) Xray device for planar tomosynthesis
KR20170012525A (ko) 전자 기판의 엑스레이 검사 방법
US11521309B2 (en) Method and apparatus for rapid inspection of subcomponents of manufactured component
JPH04359447A (ja) 半導体装置のハンダ接合部検査装置
TWI840585B (zh) 自動化高速x射線檢驗方法、電腦可讀取非暫態儲存媒體及電子系統
KR101437125B1 (ko) X선을 이용한 회로소자 검사 시스템 및 방법
KR20140145019A (ko) 컴퓨터 단층 촬영 시스템의 엑스선 발생 방법 및 장치
JP2006177760A (ja) Ｘ線検査装置、ｘ線検査方法およびｘ線検査プログラム
WO2023021290A1 (en) An electronic component authentication system
Nianjiong et al. A machine vision system of ball grid array inspection on RT-Linux OS
JP2017203752A (ja) Ｘ線検査装置
EP4388433A1 (en) An electronic component authentication system
JP2007048841A (ja) シリコン基板によるチップを基材にバンプ接合した構造体の検査装置
JPH04315006A (ja) フリップチップのボンディング検査方法
KR20130084890A (ko) 딤플 검사 시스템 및 이를 이용한 검사 방법