Erkennung von Mikrorissen an der Seitenwand von WLCSP
Fehler eliminieren und eine bessere Qualität, Leistung und Langlebigkeit des Chips erreichen
Ähnliche Produkte
Grafische Programmierumgebung für Deep Learning-basierte industrielle Bildanalyse
Ausgestattet mit der In-Sight ViDi Deep-Learning-basierten Bildverarbeitungssoftware
Wafer Level Chip Scale Packages (WLCSPs) haben mehrere Schichten und können Mikrorisse aufweisen, die nach Beschädigungen durch unsachgemäßen Umgang, übermäßige Beanspruchung (z. B. Aufbringung von Lotperlen) oder groben Transport entstehen. Wenn diese Risse nicht frühzeitig im Prozess erkannt werden, können sie die Qualität, Leistung und Langlebigkeit des Chips beeinträchtigen.
Aufgrund dieser strukturellen Risiken sollten WLCSPs geprüft werden. Bei der Fehlerprüfung an der Seitenwand des WLCSP lässt sich der Unterschied zwischen einer Grenze zwischen zwei Schichten und einem Mikroriss nur schwer erkennen. Diese Unterscheidung ist für regelbasierte Bildverarbeitung schwierig, da es aufgrund verrauschter und kontrastarmer Hintergründe verwirrende Muster gibt, wenn das WLCSP von der Seite betrachtet wird. Risse befinden sich beispielsweise an verschiedenen Stellen und können wie unregelmäßige Linien von Strukturschichten aussehen.
Mikrorisse in WLCSPs mit regelbasierter Bildverarbeitung korrekt zu erfassen, ist zeitaufwendig und schwierig. Cognex Deep-Learning-Tools sind effizienter bei der Erfassung von Mikrorissen, weil sie intelligente Algorithmen anwenden, um die Unterschiede zwischen normalen Strukturschichten und Fehlern zu erlernen.
Die Software wird anhand vielfältiger Bilder von Mikrorissen sowie Bildsätzen des normalen Schichtaufbaus von WLCSPs trainiert. Das Defekterkennungstool lernt die normalen Schichtabweichungen und entwickelt ein umfassendes Fehlerverständnis (Mikrorisse).
Hochpräzise Prüfungen mittels Deep Learning steigern den Ertrag guter Chip Packages, die fälschlicherweise als nicht in Ordnung (NOK) klassifiziert worden wären. Umgekehrt kann Deep Learning Mikrorisse an WLCSPs erkennen, die ansonsten die Prüfung mit traditionellen Methoden bestanden hätten und dann in der Praxis frühzeitig ausgefallen wären.
