{"id":1373,"date":"2025-10-10T01:22:15","date_gmt":"2025-10-10T01:22:15","guid":{"rendered":"https:\/\/www.wallisemi.com\/?p=1373"},"modified":"2025-10-13T01:23:27","modified_gmt":"2025-10-13T01:23:27","slug":"verbesserte-maske-r-cnn-basierte-methode-zur-intelligenten-identifizierung-von-bondballs-und-bonddrahten-in-hochfrequenzchips","status":"publish","type":"post","link":"https:\/\/www.wallisemi.com\/de\/blog\/industry-insights\/improved-mask-r-cnn-based-method-for-intelligent-identification-of-bond-balls-and-bond-wires-in-rfchips\/","title":{"rendered":"Verbesserte Masken-R-CNN-basierte Methode zur intelligenten Identifizierung von Bondballs und Bonddr\u00e4hten in RF-Chips"},"content":{"rendered":"

RFchips<\/strong>, spielen als Kernkomponenten moderner Kommunikationssysteme eine entscheidende Rolle f\u00fcr die Zuverl\u00e4ssigkeit und Stabilit\u00e4t von Schaltkreisverbindungen. Die Qualit\u00e4t des Bonddrahts und des Bondballs in RFchips<\/strong> wirkt sich direkt auf die Leistung des gesamten Systems aus. Herk\u00f6mmliche automatische optische Pr\u00fcfverfahren haben bei der Identifizierung von Bondballs und Bonddr\u00e4hten in RFchips<\/strong>, Dazu geh\u00f6ren eine hohe Falsch-Positiv-Rate und die Abh\u00e4ngigkeit von einer manuellen Nachpr\u00fcfung. Um diese Probleme zu l\u00f6sen, wird in dieser Forschung ein verbesserte Masken-R-CNN-basierte Instanzsegmentierungsmethode<\/strong> f\u00fcr RFchips<\/strong> die eine genaue und effiziente Identifizierung von Bindungsstrukturen erm\u00f6glicht.<\/p>\n\n\n\n

Herausforderungen bei der RF-Chip-Bonding-Detektion<\/strong><\/strong><\/h5>\n\n\n\n

Bondkugeln und Bonddr\u00e4hte in RFchips<\/strong> sind oft klein und von unterschiedlicher Form, was ihre genaue Erkennung mit herk\u00f6mmlichen Methoden erschwert. Diese Eigenschaft erfordert ein ausgefeilteres Erkennungsmodell, das mit unterschiedlichen Gr\u00f6\u00dfen und Formen umgehen kann, insbesondere in Produktionsumgebungen, in denen Geschwindigkeit und Genauigkeit entscheidend sind.<\/p>\n\n\n\n

Wichtige Verbesserungen des Masken-R-CNN-Modells f\u00fcr die RF-Chip-Detektion<\/strong><\/strong><\/h5>\n\n\n\n

In dieser Studie werden die Maske R-CNN Netzstruktur<\/strong> wurde in zwei wesentlichen Punkten verbessert, um die Leistung bei der Erkennung von Bondballs und Bonddr\u00e4hten in RFchips<\/strong>:<\/p>\n\n\n\n

Optimierung des Mechanismus zur Erzeugung von Prior Boxen:<\/strong>
Die urspr\u00fcngliche Maske R-CNN Feature Pyramid Network (FPN) Schichten P2, P5 und P6<\/strong> eine \u00fcberm\u00e4\u00dfige Anzahl von vorherigen Boxen hatte. Dies wurde optimiert, indem die Anzahl der vorherigen Boxen von 260.000 bis 190.000<\/strong>, Dadurch wird die Effizienz des Modells ohne Einbu\u00dfen bei der Genauigkeit erheblich gesteigert.<\/p>\n\n\n\n

Innovative Datenerweiterung durch Kollisionserkennung:<\/strong>
Um das Problem der begrenzten Trainingsdaten zu l\u00f6sen, wurde in der Studie ein Strategie zur Datenerweiterung<\/strong> auf Grund Kollisionserkennung<\/strong>. Diese Strategie wandelt Bondb\u00e4lle und Bonddr\u00e4hte nach dem Zufallsprinzip um und platziert sie dann in realistischen RFchip<\/strong> Hintergr\u00fcnde. Mit dieser Methode wurde der Trainingsdatensatz effektiv erweitert, was die Kosten f\u00fcr die Beschriftung reduzierte und die Robustheit des Modells verbesserte.<\/p>\n\n\n\n

Experimentelle Ergebnisse und Leistung<\/strong><\/strong><\/h5>\n\n\n\n

Das Modell wurde trainiert mit RFchip<\/strong> 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<\/strong> Modell erreichte eine mittlere durchschnittliche Genauigkeit (mAP) von 85,23%<\/strong> und ein durchschnittliche \u00dcberschneidungsrate (IoU) von 71,27%<\/strong> f\u00fcr RFchip<\/strong> Bondball- und Bonddraht-Segmentierungsaufgaben. Die Inferenzzeit pro RFchip<\/strong> Bild war nur 1.168 Sekunden<\/strong>, und \u00fcbertrifft damit deutlich traditionelle Methoden wie UNet<\/strong> und FCN<\/strong>.<\/p>\n\n\n\n

Insbesondere zeichnete sich das Modell bei der Segmentierung der ersten und zweiten Bond Point Bond Balls von RFchips<\/strong>, mit einer durchschnittlichen Genauigkeit (AP) von \u00fcber 87%<\/strong>. Dies beweist die \u00dcberlegenheit des Modells bei der Identifizierung der komplizierten Mikrostrukturen von RFchips<\/strong>.<\/p>\n\n\n\n

Anwendung in der Praxis und zuk\u00fcnftige Arbeiten<\/strong><\/strong><\/h5>\n\n\n\n

Derzeit wird diese Erkennungsmethode in Produktionslinien f\u00fcr folgende Produkte eingesetzt und getestet RFchips<\/strong>. Sie hat sich in realen industriellen Umgebungen als wirksam und praktisch erwiesen. Die Methode zeigt ein gro\u00dfes Potenzial f\u00fcr die Bew\u00e4ltigung realer Herausforderungen in RFchip<\/strong> Fertigung, insbesondere im Zusammenhang mit der Hochgeschwindigkeitspr\u00fcfung.<\/p>\n\n\n\n

Zuk\u00fcnftige Arbeiten werden sich auf die Optimierung der Segmentierungsleistung f\u00fcr gr\u00f6\u00dfere Bonddr\u00e4hte in RFchips<\/strong>, Dadurch wird die Anwendbarkeit der Methode bei komplexen Erkennungsaufgaben in der Praxis weiter verbessert. RFchip<\/strong> Herstellungsprozess.<\/p>","protected":false},"excerpt":{"rendered":"

RFchips, as core components of modern communication systems, play a critical role in determining the reliability and stability of circuit connections. The quality of the bond wire and bond ball in RFchips directly affects the performance of the entire system. Traditional automatic optical inspection methods have shown limitations in the identification of bond balls and bond […]<\/p>\n","protected":false},"author":1,"featured_media":1360,"comment_status":"closed","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_acf_changed":false,"footnotes":""},"categories":[30,31],"tags":[36],"class_list":["post-1373","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-industry-insights","category-blog","tag-yvette-wu"],"acf":[],"_links":{"self":[{"href":"https:\/\/www.wallisemi.com\/de\/wp-json\/wp\/v2\/posts\/1373","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.wallisemi.com\/de\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.wallisemi.com\/de\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.wallisemi.com\/de\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/www.wallisemi.com\/de\/wp-json\/wp\/v2\/comments?post=1373"}],"version-history":[{"count":1,"href":"https:\/\/www.wallisemi.com\/de\/wp-json\/wp\/v2\/posts\/1373\/revisions"}],"predecessor-version":[{"id":1374,"href":"https:\/\/www.wallisemi.com\/de\/wp-json\/wp\/v2\/posts\/1373\/revisions\/1374"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.wallisemi.com\/de\/wp-json\/wp\/v2\/media\/1360"}],"wp:attachment":[{"href":"https:\/\/www.wallisemi.com\/de\/wp-json\/wp\/v2\/media?parent=1373"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.wallisemi.com\/de\/wp-json\/wp\/v2\/categories?post=1373"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.wallisemi.com\/de\/wp-json\/wp\/v2\/tags?post=1373"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}