芯片表面印刷符号结构缺陷的质量评估方法研究

因为芯片表面符号用于标识芯片名称、性能和功能信息,所以芯片表面符号质量检测是芯片生产的重要环节。目前,基于机器视觉的芯片表面符号质量评估被广泛使用,其中多数是基于逐像素对比的评估方法,但它面临2个主要问题:(1)符号的少量形变会导致质量评估结果变差;(2)没有考虑符号的缺陷特征。因此,提出面向芯片表面符号的结构缺陷的评估方法。首先采用薄板样条插值将待评估符号和参考符号对齐,消除细小形变的影响,同时提出形变量公式,用于判定形变较大的待评估符号;接着通过提出缺陷的检测方法和缺陷簇、关键位置等概念,得到质量评估的2个主要影响因子:缺陷的本身特征和缺缺陷所在位置是否关键;最后基于上述特征给出合理的打分策略。本质量评估方法是一个客观评价方法,它的优势是:(1)在只需要1张参考图像的前提下,对存在形变的评估符号进行质量评估具有较好的鲁棒性;(2)本方法聚焦于图像符号的结构质量评估,而非图像的本身质量评估,使得评估结果在具备客观性的同时,也符合人对符号内容的实际感觉。采用实际生产线数据进行实验,实验结果表明了本文方法的有效性。     

基于卷积去噪自编码器的芯片表面弱缺陷检测方法

芯片表面缺陷会影响芯片的外观和性能,因此表面缺陷检测是芯片生产过程中的重要环节。具有缺陷与背景对比度低、缺陷较小等特点的弱缺陷给传统检测方法带来了挑战。因为近年来深度学习在机器视觉领域展现出了强大的能力,所以文中采用基于深度学习的方法来研究芯片表面弱缺陷的检测问题。该方法将芯片表面缺陷看作噪音,首先应用卷积去噪自编码器(Convolutional Denoising Auto-encoders,CDAE)重构无缺陷图像,然后用重构的无缺陷图像减去输入图像,获得包含缺陷信息的残差图。因为残差图中已经消除了背景的影响,所以最后可以基于残差图较容易地进行缺陷检测。由于基于CDAE重构芯片背景的无缺陷图像时存在随机噪音,导致弱缺陷可能会湮没在重构噪音中,为此,文中提出了重叠分块策略抑制重构噪音,以便更好地检测弱缺陷。因为CDAE是无监督学习网络,所以训练时无需进行大量的人工数据标注,这进一步增强了该方法的可应用性。通过对真实芯片表面数据进行测试,验证了所提方法在芯片表面检测上的有效性。