集成电路内部缺陷检测方法、装置与系统制造方法及图纸

本申请涉及一种集成电路内部缺陷检测方法、装置与系统，通过获取集成电路样品的声扫样品图像，对声扫样品图像进行分层处理，并从各层声扫样品图像中选定目标声扫样品图像，得到适用于后续预设缺陷识别模型进行缺陷检测的声扫样品图像，进而通过基于YOLOX模型构建得到预设缺陷识别模型，对分层处理后的目标声扫样品图像进行缺陷检测，获得缺陷检测结果，得到集成电路样品的缺陷信息，实现了集成电路样品内部缺陷的自动检测识别，相较于人工检验的方式，检测精准度大幅度提升。检测精准度大幅度提升。检测精准度大幅度提升。

【技术实现步骤摘要】
集成电路内部缺陷检测方法、装置与系统


[0001]本申请涉及集成电路缺陷检测
，特别是涉及一种集成电路内部缺陷检测方法、装置与系统。

技术介绍

[0002]随着半导体制造和封装技术的发展，塑封集成电路在电子系统、电子通讯和半导体应用等行业已取代密封器件占据越来越主流的地位。但由于塑封技术为非气密性封装，工艺流程中容易出现分层、裂纹和空洞等各类缺陷，导致集成电路内部断线，从而产生可靠性问题。因此，在电子产品进行装配前，对塑封集成电路的可靠性检测和质量评估必不可少。
[0003]目前，对塑封集成电路进行缺陷检测的技术手段有很多，其中超声扫描方法因无损检测的优点，应用最为广泛，能够在不破坏样品内部结构的基础上观测到集成电路的内部缺陷位置和种类。但由于现有超声检测仍以人工识别为主，内部缺陷能否被成功检测识别主要依赖于操作者的工作经验，可能会存在视觉疲劳，导致在面对大量超声检测图像时，人工目检容易产生漏检、误检的问题。

技术实现思路

[0004]基于此，有必要针对上述技术问题，提供一种能够提高集成电路内部缺陷检测的精准度的集成电路内部缺陷检测方法、装置与系统。
[0005]一种集成电路内部缺陷检测方法，所述方法包括：获取集成电路样品的声扫样品图像；对所述声扫样品图像进行分层处理，并从各层声扫样品图像中选定目标声扫样品图像；通过预设缺陷识别模型对所述目标声扫样品图像进行缺陷检测，获得缺陷检测结果；所述预设缺陷识别模型基于YOLOX模型构建得到。
[0006]在其中一个实施例中，所述声扫样品图像为多个所述集成电路样品对应的声扫图像；所述通过预设缺陷识别模型对所述目标声扫样品图像进行缺陷检测，获得缺陷检测结果之前，还包括：对所述目标声扫样品图像进行裁剪分割处理，获得多个子目标声扫样品图像；所述通过预设缺陷识别模型对所述目标声扫样品图像进行缺陷检测，获得缺陷检测结果，包括：通过所述预设缺陷识别模型对各所述子目标声扫样品图像进行并行缺陷检测，获得各所述子目标声扫样品图像对应的缺陷检测结果。
[0007]在其中一个实施例中，所述对所述目标声扫样品图像进行裁剪分割处理，获得多个子目标声扫样品图像，包括：
通过OTSU阈值分割方法对所述目标声扫样品图像进行裁剪分割处理，获得多个子目标声扫样品图像。
[0008]在其中一个实施例中，所述通过预设缺陷识别模型对所述目标声扫样品图像进行缺陷检测，获得缺陷检测结果之前，所述方法还包括：对所述目标声扫样品图像进行滤波与增强的预处理。
[0009]在其中一个实施例中，所述对所述目标声扫样品图像进行滤波与增强的预处理，包括：通过中值滤波算法对所述目标声扫样品图像进行滤波的预处理；通过直方图均衡方法对所述目标声扫样品图像进行增强的预处理。
[0010]在其中一个实施例中，所述预设缺陷识别模型为YOLOX模型，所述YOLOX模型包括依次连接的主干特征提取网络、加强特征提取网络以及预测特征网络。
[0011]在其中一个实施例中，所述YOLOX模型包括基于CSPDarknet架构的主干特征提取网络、基于FPN特征金字塔网络的加强特征提取网络、以及基于解耦预测头网络的预测特征网络。
[0012]在一个实施例中，提供了一种集成电路内部缺陷检测装置，所述装置包括：图像获取模块，用于获取集成电路样品的声扫样品图像；图像分层模块，用于对所述声扫样品图像进行分层处理，并从各层声扫样品图像中选定目标声扫样品图像；缺陷识别模块，用于通过预设缺陷识别模型对所述目标声扫样品图像进行缺陷检测，获得缺陷检测结果；所述预设缺陷识别模型基于YOLOX模型构建得到。
[0013]在一个实施例中，提供了一种集成电路内部缺陷检测系统，包括超声扫描设备与控制设备；所述超声扫描设备用于对集成电路样品进行超声扫描，获得声扫样品图像；所述控制设备用于根据上述的集成电路内部缺陷检测方法实现对集成电路样品进行内部缺陷检测。
[0014]在其中一个实施例中，所述控制设备包括超声控制模块、图像处理模块以及图像检测模块；所述超声控制模块用于发送超声扫描参数至所述超声扫描设备，以使所述超声扫描设备基于所述超声扫描参数对所述集成电路样品进行超声扫描，获得声扫样品图像；所述图像处理模块用于对所述声扫样品图像进行分层处理，并从各层声扫样品图像中选定目标声扫样品图像；所述图像检测模块用于通过预设缺陷识别模型对所述目标声扫样品图像进行缺陷检测，获得缺陷检测结果。
[0015]在其中一个实施例中，所述集成电路内部缺陷检测系统还包括显示设备，所述显示设备连接所述控制设备。
[0016]上述集成电路内部缺陷检测方法、装置与系统，通过获取集成电路样品的声扫样品图像，对声扫样品图像进行分层处理，并从各层声扫样品图像中选定目标声扫样品图像，得到适用于后续预设缺陷识别模型进行缺陷检测的声扫样品图像，进而通过基于YOLOX模型构建得到预设缺陷识别模型，对分层处理后的目标声扫样品图像进行缺陷检测，获得缺
陷检测结果，得到集成电路样品的缺陷信息，实现了集成电路样品内部缺陷的自动检测识别，由于YOLOX模型对于低对比度、噪声干扰以及缺陷特征不清晰等问题下集成电路声扫图像具有优秀的检测效果，相较于人工检验的方式，检测精准度大幅度提升。
附图说明
[0017]图1为一个实施例中集成电路内部缺陷检测方法的应用环境图；图2为一个实施例中集成电路内部缺陷检测方法的流程示意图；图3为一个实施例中扫描超声显微镜工作原理的示意图；图4为一个实施例中预设缺陷识别模型的网络结构示意图；图5为另一个实施例中集成电路内部缺陷检测方法的流程示意图；图6为一个实施例中各图像分割算法的分割效果对比示意图；图7为一个实施例中集成电路内部缺陷检测装置的结构框图；图8为一个实施例中计算机设备的内部结构图。
具体实施方式
[0018]为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
[0019]本申请实施例提供的集成电路内部缺陷检测方法，可以应用于如图1所示的集成电路内部缺陷检测系统中。其中，集成电路内部缺陷检测系统包括超声扫描设备110与控制设备120，超声扫描设备110通过有线或无线的方式与控制设备120进行通信。数据存储系统可以存储控制设备120需要处理的数据。数据存储系统可以集成在控制设备120上，也可以放在云上或其他网络服务器上。具体地，控制设备120获取超声扫描设备110采集的集成电路样品的声扫样品图像，对声扫样品图像进行分层处理，并从各层声扫样品图像中选定目标声扫样品图像，通过预设缺陷识别模型对目标声扫样品图像进行缺陷检测，获得缺陷检测结果；预设缺陷识别模型基于YOLOX模型构建得到。其中，控制设备120可以是终端设备，也可以是服务器。终端设备可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备，物联网设备可为智能音箱、本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种集成电路内部缺陷检测方法，其特征在于，所述方法包括：获取集成电路样品的声扫样品图像；对所述声扫样品图像进行分层处理，并从各层声扫样品图像中选定目标声扫样品图像；通过预设缺陷识别模型对所述目标声扫样品图像进行缺陷检测，获得缺陷检测结果；所述预设缺陷识别模型基于YOLOX模型构建得到。2.根据权利要求1所述的方法，其特征在于，所述声扫样品图像为多个所述集成电路样品对应的声扫图像；所述通过预设缺陷识别模型对所述目标声扫样品图像进行缺陷检测，获得缺陷检测结果之前，还包括：对所述目标声扫样品图像进行裁剪分割处理，获得多个子目标声扫样品图像；所述通过预设缺陷识别模型对所述目标声扫样品图像进行缺陷检测，获得缺陷检测结果，包括：通过所述预设缺陷识别模型对各所述子目标声扫样品图像进行并行缺陷检测，获得各所述子目标声扫样品图像对应的缺陷检测结果。3.根据权利要求2所述的方法，其特征在于，所述对所述目标声扫样品图像进行裁剪分割处理，获得多个子目标声扫样品图像，包括：通过OTSU阈值分割方法对所述目标声扫样品图像进行裁剪分割处理，获得多个子目标声扫样品图像。4.根据权利要求1或2所述的方法，其特征在于，所述通过预设缺陷识别模型对所述目标声扫样品图像进行缺陷检测，获得缺陷检测结果之前，还包括：对所述目标声扫样品图像进行滤波与增强的预处理。5.根据权利要求4所述的方法，其特征在于，所述对所述目标声扫样品图像进行滤波与增强的预处理，包括：通过中值滤波算法对所述目标声扫样品图像进行滤波的预处理；通过直方图均衡方法对所述目标声扫样品图像进行增强的预处理...

【专利技术属性】
技术研发人员：赵玥，胡湘洪，罗军，路国光，王小强，
申请(专利权)人：中国电子产品可靠性与环境试验研究所工业和信息化部电子第五研究所中国赛宝实验室，
类型：发明
国别省市：