基于超聲波譜機器視覺的倒裝焊點檢測與壽命評估系統的制作方法

本發明屬于半導體失效分析，具體涉及了一種基于超聲波譜機器視覺的倒裝焊點檢測與壽命評估系統。

背景技術：

1、隨著倒裝焊工藝技術水平的不斷進步，倒裝焊集成電路的質量與可靠性已得到明顯提升，在工藝研究的基礎上取得了一定的技術積累，初步建立了倒裝焊相關規范體系，針對氣密性和非氣密性倒裝焊結構制定了《倒裝焊工藝驗證規范》等倒裝焊標準規范。然而，倒裝焊作為一項基礎技術，倒裝焊焊點缺陷時有發生，嚴重制約了倒裝焊核心集成電路的型號應用。

2、倒裝焊焊點典型缺陷主要表現在：斷開，虛焊和裂紋三個方面。針對以上問題，由于焊點的尺寸很小，要診斷出微小焊點上的缺陷具有一定的困難，傳統人工檢測質量不穩定導致產品質量一致性差和封裝生產效率低，而這些缺陷都會對焊點的電特性、機械性能及壽命產生影響。因此，為了提高倒裝焊的可靠性，有必要對倒裝焊焊點缺陷檢測的關鍵技術進行研究。

3、同時，面對倒裝焊芯片質量保障要求極高，且芯片倒裝后不可檢、不可測的現狀，當前傳統可靠性評估試驗方法一般采取溫度、濕度或溫循等應力作為加速條件，通過加速壽命試驗，定期對器件參數進行測量，根據階段性測量數據大致得到器件失效時間，進而進行數據統計分析，通過不同梯度試驗條件的壽命分布模型推算經驗加速因子，進而估算正常條件下的加速壽命；或采用加速退化實驗，定期檢測互連結構剪切強度，計算互連結構偽壽命，后結合失效機理加速模型推出正常使用環境下封裝體的壽命。利用此類方法對倒裝焊芯片焊點可靠性評估具有估算誤差大，估算效率低的問題。

4、1)估算誤差大：定期檢測封裝體敏感參數，獲取參數退化趨勢，根據參數趨勢仿真擬合出最終失效時間，并非是真實芯片互連結構失效時間，其壽命估算結果與粗略的參數趨勢擬合方法直接相關，因此估算誤差較大；從仿真壽命分布模型中推算得平均壽命，不具備焊點高可靠檢驗要求，以此平均壽命計算的正常壽命存在可信度不足；采用基于仿真壽命分布得到的特征壽命推算加速因子，沒有考慮失效機理的關鍵影響性，僅通過傳統的數據統計分析可靠性預計方法不具備科學性；或直接采用代入粗略估計參數的失效機理加速模型計算互連結構在正常使用條件下的壽命，適用性及準確度不足；

5、2)評估效率低：對焊點可靠性仿真過程要通過有限樣本芯片的壽命試驗，獲取相關實驗數據，形成有限個壽命分布，根據粗略估計壽命，代入復雜的電遷移模型，開裂模型和熱/振動疲勞模型等失效機理加速模型，計算互連結構在正常使用條件下的壽命。仿真過程耗費大量人力物力和時間，復雜失效物理模型組求解困難。

6、因此，此類方法不能準確且高效地評估倒裝焊芯片互連結構的可靠性，亟需替代傳統可靠性評估方法，提升封裝工藝質量檢測數據的自動化處理與智能化分析能力，滿足宇航集成電路封裝工藝質量一致性控制及生產效率的要求。

7、當前，人工智能技術主要應用于工業機器視覺、智能制造領域，具有自主學習、智能識別分析、快速目標分類、精準預測預警的優點，傳統的失效物理模型仿真和基于試驗的可靠性評估方法無法完成復雜焊點缺陷識別、優化焊點形態控制、實現實時工藝過程精準預警。面對封裝工藝質量檢測準確度高，檢測標準一致性的需求，人工智能技術具有識別精度高、泛化能力強、可遷移性好等潛力，深入研究基于人工智能的倒裝焊點智能檢測與壽命評估技術不僅可以在很大程度上克服人工檢測抽檢率低、勞動強度大的弊端，而且規避失效物理模型仿真誤差大，實時性差、效率低等短板，同時為進一步實現倒裝焊工藝生產過程質量全面分析管控，焊點缺陷的智能識別，優化焊點形態智能控制打下堅實的基礎，為實現億門級fpga高可靠封裝提供保障。

技術實現思路

1、為了解決現有技術中的上述問題，也就是倒裝焊點檢測與壽命評估誤差較大、效率較低的問題，本發明提供了一種基于超聲波譜機器視覺的倒裝焊點檢測與壽命評估系統，包括：

2、數據采集模塊，用于采集多個焊點的焊點質量數據和壽命相關數據；焊點質量數據包括工藝影響因素結構性數據、植球后且倒裝前的與焊點位置一一綁定的芯片表面缺陷數據、焊點位置；壽命相關數據包括倒裝焊芯片超聲激勵振動的超聲波譜、共振頻率和振動速度；

3、算法應用模塊，用于將多個焊點的共振頻率和振動速度轉化為焊點模態振型；測得一階焊點模態振型灰度圖像邊緣區域的長寬比；在二階焊點模態振型灰度圖像邊緣區域提取灰度值最小的像素點，調用機器視覺庫的圖像角度檢測算法，測得振型非對稱偏移角；將所述長寬比和偏移角結合，得到對應焊點的壽命評估指標；提取每種焊點質量數據的特征數據；提取所述超聲波譜的特征數據；采用包括焊點質量數據的特征數據、超聲波譜的特征數據和壽命評估指標的訓練集，訓練得到回歸模型；將待測焊點的焊點質量數據輸入所述回歸模型，進行倒裝焊點檢測與壽命評估。

4、本發明的有益效果：

5、本發明能夠對集成電路芯片焊點多種缺陷進行更精確的檢測，基于提取的每種焊點質量數據和超聲波譜的特征數據，以及調用機器視覺庫得到的焊點壽命評估指標，訓練回歸模型，提高了數據質量，提高了倒裝焊點檢測與壽命評估準確率，能夠實現多種缺陷的混檢。

6、本發明能夠進行更高效率的集成電路芯片焊點壽命估計。本發明從參數輸入端到壽命輸出端的“端到端”的直接壽命預測通路，不僅解決了傳統實驗方法為獲得精確結果而造成的高成本問題，而且完全代替傳統仿真方法，突破傳統仿真方法反復多次實驗耗時費力的局限性，顯著提升預測速度，大幅提高集成電路焊點壽命預測的效率。

7、本發明的其它特征和優點將在隨后的說明書中闡述。本發明的目的和其他優點可通過在所寫的說明書、權利要求書、以及附圖中所特別指出的結構來實現和獲得。

技術特征：

1.基于超聲波譜機器視覺的倒裝焊點檢測與壽命評估系統，其特征在于，包括：

2.根據權利要求1所述的系統，其特征在于，工藝影響因素結構性數據包括焊點唯一識別編碼，及對應的與倒裝焊結構失效相關的工藝影響因素數據；所述焊點唯一識別編碼包括芯片唯一二維碼追溯器件信息和芯片焊點位置。

3.根據權利要求1所述的系統，其特征在于，算法應用模塊還用于通過主成分分析算法，對工藝影響因素結構性數據進行數據降維。

4.根據權利要求1所述的系統，其特征在于，所述芯片表面缺陷數據包括焊點唯一識別編碼，及對應的缺陷實時位置、缺陷類別、缺陷空間大小；所述焊點唯一識別編碼包括芯片唯一二維碼追溯器件信息和芯片焊點位置。

5.根據權利要求1所述的系統，其特征在于，提取芯片表面缺陷數據的特征數據時，算法應用模塊具體用于采集芯片表面缺陷圖像，采用核范數最小化方法去除芯片表面缺陷圖像背景干擾信息，通過深度神經網絡，對植球后且倒裝前的芯片表面焊點、rdl層、芯片邊緣的缺陷非結構化圖像進行檢測，獲得缺陷實時位置、缺陷類別、缺陷空間大小，將缺陷實時位置、缺陷類別、缺陷空間大小與焊點位置一一綁定。

6.根據權利要求1所述的系統，其特征在于，算法應用模塊還用于將焊點模態振型的彩色圖像轉化為灰度圖像；使用canny邊緣檢測算法對一階焊點模態振型灰度圖像和二階焊點模態振型灰度圖像進行邊緣提取，確定一階焊點模態振型灰度圖像邊緣區域和二階焊點模態振型灰度圖像邊緣區域。

7.根據權利要求1所述的系統，其特征在于，提取焊點位置的特征數據時，算法應用模塊具體用于，根據焊點物理相鄰關系，得到焊點圖；基于所述焊點圖，采用圖卷積網絡算法，提取焊點位置的特征數據。

8.根據權利要求1所述的系統，其特征在于，提取所述超聲波譜的特征數據時，算法應用模塊具體用于，將所述超聲波譜的時域信號變換為頻域信號，對超聲波譜頻域信號的波形進行特征數據提取。

9.根據權利要求1所述的系統，其特征在于，算法應用模塊還用于，采用包括焊點質量數據的特征數據、超聲波譜的特征數據和壽命評估指標的訓練集，訓練得到另一種或多種回歸模型，將待測焊點的焊點質量數據輸入每種回歸模型，將每種回歸模型輸出的倒裝焊點檢測與壽命評估數據進行融合，得到所述系統的倒裝焊點檢測與壽命評估數據。

10.根據權利要求1所述的系統，其特征在于，基于超聲波譜機器視覺的倒裝焊點檢測與壽命評估系統還包括數據存儲模塊和顯示模塊，數據存儲模塊用于存儲焊點質量數據和壽命相關數據，顯示模塊用于顯示算法應用模塊輸出的倒裝焊點檢測與壽命評估數據。

技術總結
本發明屬于半導體失效分析技術領域，具體涉及了一種基于超聲波譜機器視覺的倒裝焊點檢測與壽命評估系統，旨在解決倒裝焊點檢測與壽命評估誤差較大、效率較低的問題。本發明包括：數據采集模塊和算法應用模塊，數據采集模塊用于采集多個焊點的焊點質量數據和壽命相關數據；算法應用模塊用于提取每種焊點質量數據的特征數據；提取所述超聲波譜的特征數據；采用包括焊點質量數據的特征數據、超聲波譜的特征數據和壽命評估指標的訓練集，訓練得到回歸模型；將待測焊點的焊點質量數據輸入所述回歸模型，進行倒裝焊點檢測與壽命評估。本發明能夠對集成電路芯片焊點多種缺陷進行更精確的檢測，進行更高效率、更精確的集成電路芯片焊點壽命估計。

技術研發人員：田夢珂,林鵬榮,王勇
受保護的技術使用者：北京時代民芯科技有限公司
技術研發日：
技術公布日：2024/10/21