[發明專利]一種倒裝焊芯片缺陷檢測方法及系統

有效

• 申請號: 202210789117.7
• 申請日: 2022-07-06
• 公開（公告）號: CN115078552B
• 公開（公告）日: 2023-09-08
• 發明（設計）人: 宿磊;胡嘯;李可;顧杰斐
• 申請（專利權）人: 江南大學
• 主分類號: G01N29/44
• 分類號: G01N29/44;G01N29/04;G06F18/213;G06F18/24;G06F18/214
• 代理公司: 蘇州市中南偉業知識產權代理事務所(普通合伙) 32257
• 代理人: 李柏柏

本發明涉及一種倒裝焊芯片缺陷檢測方法及系統，包括：獲取不同缺陷的倒裝焊芯片振動信號樣本并將振動信號樣本分為訓練樣本和測試樣本，利用多粒度掃描自動提取訓練樣本的特征信息得到變換特征向量，利用KPCA特征篩選通道對變換特征向量進行空間降維得到降維后的變換特征向量，將訓練樣本的變換特征向量和降維后的變換特征向量輸入級聯森林進行訓練得到倒裝焊芯片缺陷檢測模型。本發明提供的倒裝焊芯片缺陷檢測模型對倒裝焊芯片進行檢測，提高了倒裝焊芯片檢測準確率，且能夠實現倒裝焊芯片中焊球缺陷種類和缺陷數量的精準檢測。

技術領域

本發明涉及倒裝焊芯片缺陷檢測技術領域，尤其是指一種倒裝焊芯片缺陷檢測方法及系統。

背景技術

集成電路朝著高集成方向發展，推動了封裝技術的革命，倒裝焊芯片技術廣泛應用于高密度微電子封裝領域，它通過焊球實現芯片與基板之間的信號和功率連接。由于倒裝焊芯片封裝容易產生制造缺陷和疲勞失效，因此對倒裝芯片缺陷進行檢測以控制其質量尤為重要。

基于機器學習的自動檢測方法具有實時、高效、經濟且非接觸等優勢，然而傳統的機器學習技術需要人為設定提取固定特征，再通過機器學習算法將這些特征分類，其檢測精度高低在一定程度上取決于設計特征的優劣。深度學習無需人工設計特征，它可以通過訓練數據自動學習特征，并將特征提取和分類融合。基于深度學習的故障診斷模型性能良好，但產生的超參數較多，需要大量時間對整個模型進行微調。此外，當訓練數據樣本不足時，模型很容易過擬合，而實際工業生產中倒裝焊芯片缺陷數據難以獲得，采集大量帶標簽的樣本費時且昂貴，導致現有方法在小樣本的環境下缺陷識別準確率較低，甚至存在錯誤識別。

綜上所述，現有的倒裝焊芯片缺陷檢測技術在小樣本環境中準確率較低且無法實現倒裝焊芯片的缺陷種類的精確檢測。

發明內容

為此，本發明所要解決的技術問題在于克服現有技術中在小樣本環境下倒裝焊芯片缺陷檢測準確率低且無法實現倒裝焊芯片的缺陷種類的精確檢測問題。

為解決上述技術問題，本發明提供了一種倒裝焊芯片缺陷檢測方法，包括：

獲取不同缺陷倒裝焊芯片振動信號樣本；

利用多粒度掃描自動提取振動信號樣本的特征信息得到變換特征向量；

利用KPCA特征篩選通道對變換特征向量進行降維，得到降維后的變換特征向量；

將振動信號樣本的變換特征向量和降維后的變換特征向量輸入級聯森林進行訓練，得到完成訓練的倒裝焊芯片缺陷檢測模型；

其中，所述級聯森林中每個級聯森林層均包含隨機分類器、完全隨機分類器、XGBoost、LightGBM。

在本發明的一個實施例中，所述獲取不同缺陷倒裝焊芯片振動信號樣本包括：

將有不同缺陷的倒裝焊芯片放置在氣浮隔振平臺；

使用空氣耦合電容式超聲換能器激勵倒裝焊芯片，并使用多普勒激光掃描測振儀獲取倒裝焊芯片上表面的振動信號樣本。

在本發明的一個實施例中，所述利用多粒度掃描自動提取振動信號樣本的特征信息得到變換特征向量包括：

使用長度為K的滑動窗口以步長L對振動信號樣本進行局部采樣得到M組新樣本，其中，S為振動信號樣本的維度；

將M組新樣本輸入到隨機森林分類器中進行特征提取，得到M組維度為C的特征向量，其中，C為倒裝焊芯片的缺陷類別數；

再將M組新樣本輸入到完全隨機森林分類器中進行特征提取，得到M組維度為C的特征向量；

將隨機森林分類器得到的M組維度為C的特征向量和完全隨機分類器得到的M組維度為C的特征向量進行拼接得到維度為2*M*C的變換特征向量x_i。