IC chipek jelölésének ellenőrzése és azonosítása gépi látással

Valós idejű, megbízható ellenőrzés a felület, a méret és a sebesség figyelembevételével

A félvezetőiparban az IC chipek felületi jelölésének ellenőrzése és azonosítása alapvető fontosságú a nyomonkövethetőség, a minőségellenőrzés és a hamisítás elleni védelem szempontjából.

Ez a cikk bemutatja a legfontosabb gépi látás alapú ellenőrzési kihívásokat, valamint azok gyakorlati megoldásait – több valós ipari alkalmazás tapasztalata alapján.

 

 

A jelölés ellenőrzési folyamatainak összetettsége

A félvezetőgyártás back-end folyamataiban az IC chipek több lépésen mennek keresztül, mielőtt végső összeszerelésre kerülnek: pozicionálás, felületi minőségellenőrzés és jelölés azonosítás.
Ezek papíron szabványos lépések, de a gyakorlatban komoly gépi látás kihívásokat jelentenek a különböző anyagok, a jelölések eltérései és a sebességigény miatt.

 

 

Pozicionálás ellenőrzése

Fő kihívások:

• A nagy sűrűségű tálcák és a miniatürizált csomagok miatt nehéz felismerni az elmozdulást vagy a duplikációt.
• Széles Field-of-View (FoV) mellett is megfelelő felbontást kell elérni – ehhez a pixel sűrűség és a szenzorméret közötti kompromisszum szükséges.
• Nagysebességű rendszereknél sub-frame szintű szinkronizáció kell a képalkotás, megvilágítás és feldolgozás között.

 

Elterjedt megoldások:

• Statikus tálcáknál area scan kamera használata, lépésenként átfedve több látómezőt (FoV), hogy lefedje a teljes tömböt.
• Folyamatos vagy szalagos rendszereknél line scan kamera alkalmazása, hogy nagyfelbontású képeket lehessen készíteni minimális mechanikai bonyolítással.
• Első szűrésként binary filtering.

 

Gyakorlati tippek:

• Az area scan és a line scan megoldásoknak egyaránt megvannak az előnyei; a projekt konkrét igényei alapján kell dönteni, melyiket alkalmazzuk.
• A feldolgozás során geometriai validáció és grayscale ROI analízis segít kiszűrni a finom elmozdulásokat és duplikációkat.

 

 

Felület- és jelölésminőség ellenőrzése

Fő kihívások:

• Az anyagok közötti kontraszt jelentősen eltér:
  • • • Epoxi → textúrált, egyenetlen felület
      • Kerámia → erős csillogás
      • Fém fedelek → kiszámíthatatlan fényvisszaverődés, telítődés
• Az egységes megvilágítás nem hoz konzisztens eredményt vegyes anyagú tételeknél.
• Nem egységes jelölések (kiégett, sekély vagy részben takart) fix küszöbértékekkel nehezen mérhetők.

 

Elterjedt megoldások:

• Coaxial megvilágítás polírozott, fényes felületeknél.
• Alacsony szögű dark-field világítás a matt felületek textúrájának kiemeléséhez.
• HDR-képalkotás alkalmazása a telítődés csökkentésére és a gyenge jelű területek erősítésére.

 

Gyakorlati tippek:

• Az első lépés a probléma pontos megértése, de a hatékony fejlesztéshez össze kell vetni az elméletet a valós anyagviselkedéssel.
• Meg kell vizsgálni a világítás geometriáját, hullámhosszát, diffúzor konfigurációját és erősítési beállításokat konkrét mintákon.
• A telecentrikus lencsék megszüntetik a perspektíva torzulást, de kevésbé rugalmasak, ha a munkatávolság nincs pontosan definiálva.

 

 

Karakterek, kódok és szimbólumok felismerése

Fő kihívások:

• Hasonló karakterek (például 0 és O), egyenetlen térközök vagy megszakadt vonalak félreolvasást eredményezhetnek.
• A betűtípusok torzulhatnak a jelölés során a lemezgörbülés vagy a fókuszproblémák miatt.
• Az olvasható jelölések is sikertelenek lehetnek a gyenge szegmentálás vagy az alacsony megbízhatósági pontszámok miatt.

 

Elterjedt megoldások:

• Ismert betűtípusok és előre meghatározott elrendezések esetén sablonalapú OCR-rendszereket használnak.
• A robusztusság növelése érdekében szimbólumszűrőket vagy szabályalapú ellenőrzést (pl. várt formátum) alkalmaznak.

 

Gyakorlati tippek:

• A deep learning alapú OCR modellek képesek rekonstruálni a hiányos vagy torzult karaktereket.
• A döntési pontok – például a modell kiválasztása, az OCR-folyamat valós alkalmazási körülményekhez való igazítása, valamint annak meghatározása, hogy a modell mennyi jelölés-variabilitást toleráljon – mind befolyásolják az eredményeket, és rendszerszemléletből kell őket figyelembe venni.

 

 

A szabványos előírásokon túl – olyan gépi látás integráció, amely a gyártás során is megbízhatóan működik.

A legtöbb gépépítő pontosan tudja, mire van szüksége – HDR imaging, autofocus, coaxial lighting, deep learning OCR – de a rendszer sikere azon múlik, hogyan valósítják meg ezeket a tényleges gyártási körülmények között.

Nem csak a hardver kiválasztásáról van szó, hanem az integrációról is: különböző anyagok, tálca-elrendezések és ellenőrzési feltételek között is konzisztensen kell működni.

 

Példák:

• A világítás geometriáját, gain görbéket és trigger időzítést konkrét minták alapján kell hangolni a stabil működéshez.
• A tervezési kompromisszumok kezelése: FoV vs. felbontás, kontraszt vs. expozíció-tűrés, torzítás kezelése vs. munkatávolság rugalmassága.
• Ha szükséges, a HDR-t és a világításvezérlést közvetlenül a kamerába integráljuk, így csökkentve a későbbi programozási igényt.

Ezek nem katalógusból választható opciók, hanem rendszerszintű döntések optika, képalkotás és logika között – olyan megoldásért, ami nemcsak a specifikációban mutat jól, hanem a gyártósoron, nagy áteresztőképesség mellett is helytáll.

 

„Előfordult, hogy az ügyfél kezdetben szoftver- vagy képfeldolgozási problémára gyanakodott, de a végső ok az optikai beállításokban rejlett. Néhány kulcsfontosságú módosítás a világítás szögén, az objektív kiválasztásán, sőt a kamera házának kialakításán lehetővé tette, hogy az egész rendszer az elvárásokon felül teljesítsen.”

Cathy Liu
Account Manager

 

A szabványos gépi látás komponensek önmagukban nem képesek áthidalni a laboratóriumi sikerek és a gyári megbízhatóság közötti szakadékot. A valós körülmények közötti jelölés-ellenőrzés többet igényel: állandó képalkotást anyagváltozások mellett, megbízható logikát sebességkorlátok között, valamint egyszerű karbantarthatóságot termékváltások során.