Fehlerprüfung von Drahtbonds
Echte Fehler von tolerierbaren Anomalien für einen besseren Ertrag und eine höhere Leistungsfähigkeit von IC-Chips unterscheiden
Ähnliche Produkte
Grafische Programmierumgebung für Deep Learning-basierte industrielle Bildanalyse
Ausgestattet mit der In-Sight ViDi Deep-Learning-basierten Bildverarbeitungssoftware
Drahtbonden ist die am häufigsten verwendete Methode zur Verbindungsherstellung in vielen integrierten Schaltkreisen und Mikrochips. Es ist ein sensibler Prozess, der hohe Präzision erfordert. Beim Drahtbondens werden mithilfe sehr dünner Metalldrähte die Anschlüsse des Chips mit denen des Gehäuses verbunden. Über die Anschlüsse des Gehäuses sind weitere Komponenten angeschlossen. Fehler wie defekte oder fehlende Drähte können die Signalübertragung unterbrechen. Diese Fehler können unterschiedlicher Art sein und an unterschiedlichen Positionen auftreten, daher ist es für regelbasierte Bildverarbeitungslösungen schwierig, einen fehlerhaften Drahtbond genau zu erkennen.
Der traditionelle Einsatz eines automatischen optischen Inspektionssystems (AOI) mit regelbasierter Bildverarbeitung funktioniert nicht gut. Nicht ordnungsgemäße (NOK) Fälle werden daher mit Deep Learning geprüft, um die Zuverlässigkeit des Prüfprozesses zu verbessern. Das AOI-Gerät wählt die möglichen NOK-Fälle aus und übermittelt die Bilder an ein System, das Cognex Deep-Learning-Tools verwendet. Das Defekterkennungstool extrahiert den Zielbereich dynamisch und das Klassifizierungstool kategorisiert die verschiedenen Mängel, indem es fehlerhafte Drahtbonds von zulässigen unterscheidet. Durch eine Fehlersortierung können Probleme im Prozess eingegrenzt werden, um spätere kostspielige Nacharbeit zu vermeiden, während die erfolgreiche Erkennung von Fehlern im Mikrometerbereich den Ertrag und die lange Leistungsfähigkeit des IC-Chips verbessert.
