Détection et classification des défauts esthétiques du moulage des circuits intégrés
Identifiez et classez automatiquement les défauts de moulage pour augmenter le rendement et la rentabilité
Produits connexes
Un environnement de programmation graphique pour l'analyse d'images industrielles basée sur le deep learning
Optimisé par le logiciel de vision basé sur le deep learning In-Sight ViDi
Le fonctionnement d’un circuit intégré dépend de la qualité du processus de moulage qui protège les puces des dommages infligés par les forces extérieures et l’humidité. Des défauts, tels que des fissures, des dégradations ou des vides, peuvent apparaître sur la surface de moulage pendant le moulage d’une puce. L’inspection humaine manque souvent les très petites fissures ou les vides avec peu de contraste. Les systèmes de vision conventionnels basés sur les règles ont également du mal à détecter la zone défectueuse avec une définition claire des défauts. Il existe plusieurs types de défauts : fissures, bords irréguliers et déformations. De nombreuses anomalies sont aussi des défauts. Toutefois, les systèmes de vision basés sur les règles ne parviennent pas à différencier efficacement une anomalie mineure qui respecte les limites de tolérance d’un défaut avéré qui implique de jeter la puce. Cette incapacité à classer les modèles de défauts empêche les équipes de production de comprendre rapidement où se situent les éventuels problèmes.
Les outils de Cognex Deep learning aident les fabricants à identifier et à classer les défauts de moulage réels. Cette solution de vision avancée est entraînée à partir d’une série d’images qui représentent des résultats conformes et non conformes. Le logiciel est donc capable d’ignorer les anomalies qui respectent les limites de tolérance et de signaler celles qui constituent véritablement des défauts importants. L’outil de localisation de Cognex identifie la zone d’intérêt. Une fois cette zone déterminée, l’outil de détection des défauts identifie le défaut qu’elle contient. L’outil de classification classe ensuite les différents types de défauts. Grâce à ces informations, les responsables de production parviennent non seulement à augmenter le rendement de leurs circuits intégrés finis, mais aussi à utiliser les informations de classification pour régler les problèmes de production et ainsi augmenter la rentabilité.
