RFchips, spielen als Kernkomponenten moderner Kommunikationssysteme eine entscheidende Rolle für die Zuverlässigkeit und Stabilität von Schaltkreisverbindungen. Die Qualität des Bonddrahts und des Bondballs in RFchips wirkt sich direkt auf die Leistung des gesamten Systems aus. Herkömmliche automatische optische Prüfverfahren haben bei der Identifizierung von Bondballs und Bonddrähten in RFchips, Dazu gehören eine hohe Falsch-Positiv-Rate und die Abhängigkeit von einer manuellen Nachprüfung. Um diese Probleme zu lösen, wird in dieser Forschung ein verbesserte Masken-R-CNN-basierte Instanzsegmentierungsmethode für RFchips die eine genaue und effiziente Identifizierung von Bindungsstrukturen ermöglicht.

Herausforderungen bei der RF-Chip-Bonding-Detektion

Bondkugeln und Bonddrähte in RFchips sind oft klein und von unterschiedlicher Form, was ihre genaue Erkennung mit herkömmlichen Methoden erschwert. Diese Eigenschaft erfordert ein ausgefeilteres Erkennungsmodell, das mit unterschiedlichen Größen und Formen umgehen kann, insbesondere in Produktionsumgebungen, in denen Geschwindigkeit und Genauigkeit entscheidend sind.

Wichtige Verbesserungen des Masken-R-CNN-Modells für die RF-Chip-Detektion

In dieser Studie werden die Maske R-CNN Netzstruktur wurde in zwei wesentlichen Punkten verbessert, um die Leistung bei der Erkennung von Bondballs und Bonddrähten in RFchips:

Optimierung des Mechanismus zur Erzeugung von Prior Boxen:
Die ursprüngliche Maske R-CNN Feature Pyramid Network (FPN) Schichten P2, P5 und P6 eine übermäßige Anzahl von vorherigen Boxen hatte. Dies wurde optimiert, indem die Anzahl der vorherigen Boxen von 260.000 bis 190.000, Dadurch wird die Effizienz des Modells ohne Einbußen bei der Genauigkeit erheblich gesteigert.

Innovative Datenerweiterung durch Kollisionserkennung:
Um das Problem der begrenzten Trainingsdaten zu lösen, wurde in der Studie ein Strategie zur Datenerweiterung auf Grund Kollisionserkennung. Diese Strategie wandelt Bondbälle und Bonddrähte nach dem Zufallsprinzip um und platziert sie dann in realistischen RFchip Hintergründe. Mit dieser Methode wurde der Trainingsdatensatz effektiv erweitert, was die Kosten für die Beschriftung reduzierte und die Robustheit des Modells verbesserte.

Experimentelle Ergebnisse und Leistung

Das Modell wurde trainiert mit RFchip Bilddaten, die direkt von Produktionslinien gesammelt wurden, die eine Vielzahl von Bondball- und Bonddrahtformen und Hintergrundtypen umfassten. Die Ergebnisse zeigten, dass die verbesserte Maske R-CNN Modell erreichte eine mittlere durchschnittliche Genauigkeit (mAP) von 85,23% und ein durchschnittliche Überschneidungsrate (IoU) von 71,27% für RFchip Bondball- und Bonddraht-Segmentierungsaufgaben. Die Inferenzzeit pro RFchip Bild war nur 1.168 Sekunden, und übertrifft damit deutlich traditionelle Methoden wie UNet und FCN.

Insbesondere zeichnete sich das Modell bei der Segmentierung der ersten und zweiten Bond Point Bond Balls von RFchips, mit einer durchschnittlichen Genauigkeit (AP) von über 87%. Dies beweist die Überlegenheit des Modells bei der Identifizierung der komplizierten Mikrostrukturen von RFchips.

Anwendung in der Praxis und zukünftige Arbeiten

Derzeit wird diese Erkennungsmethode in Produktionslinien für folgende Produkte eingesetzt und getestet RFchips. Sie hat sich in realen industriellen Umgebungen als wirksam und praktisch erwiesen. Die Methode zeigt ein großes Potenzial für die Bewältigung realer Herausforderungen in RFchip Fertigung, insbesondere im Zusammenhang mit der Hochgeschwindigkeitsprüfung.

Zukünftige Arbeiten werden sich auf die Optimierung der Segmentierungsleistung für größere Bonddrähte in RFchips, Dadurch wird die Anwendbarkeit der Methode bei komplexen Erkennungsaufgaben in der Praxis weiter verbessert. RFchip Herstellungsprozess.