晶片焊线机视觉检测算法研究

晶片焊线机视觉检测算法研究段锦,景文博,祝勇,路健(长春理工大学电子信息工程学院,长春130022)摘要:全自动晶片焊线机是晶片生产的关键设备之一,其视觉检测系统是设备的核心技术所在。

视觉检测技术直接影响晶片检测定位精度和焊接机的工作效率。

分析了晶片检测原理和方法,研究了基于图像处理技术的晶片检测和定位算法,着重讨论了灰度模板匹配和二值模板匹配的方法。

实验表明,系统在速度和精度上都可满足焊线生产的需求。

关键词:视觉检测;图像处理;模板匹配;晶片检测定位;自动焊线机中图分类号:T N391141 文献标识码:A 文章编号:10032353X(2009)0720641204Study on the Algorithms of Vision Detection of AutomaticChip Wire BonderDuan Jin,Jing Wenbo,Zhu Y ong,Lu Jian(School o f Electronic Information&Engineering,Changchun Univer sity o f Science&Technology,Changchun130022,China)Abstract:T he autom atic chip w ire b onder is one of the prim ary equipm ents for chip pr oduction.T he m achine vision system is very crucial in the pr ocess of w ire2b onding.T he princeple of the chip detection was analy zed,and the alg orithms of detection and location based on im age pr ocessing ten ology were presented.T he m atching alg orithms were discussed em phatically in the gray image tem plate and the binary image tem plate. The speed and accuracy of the alg orithms are g ood enough to meet the practical application requirement.K ey w ords:vision detection;image processing;tem plate matching;chip detection location; automatic wire bonderEEACC:6140M;02900　引言半导体制造后工序中的引线键合设备在集成电路制造中是必不可少的。

国内已能自主生产超声波金丝球焊接机和超声波铝丝焊接机等设备,但产品生产还停留在一人一机的半自动水平。

对于工件上每块芯片的焊接,均须人工干预,生产效率较低;由于人工操作,产品的合格率也受到影响,只有实现自动化焊接才能大规模提高产品的产量和质量。

在国外,视觉检测系统已经广泛应用于PC B 板和芯片缺陷的视觉检测:Z.Ibrahim等人[1]提出了基于小波变换的印刷电路板检查系统; E.C. Ralph等人[2]提出了一种颜色分割、直方图和模板匹配的自动视觉检测方法,P.Athanas等人[3]通过实践提出了一种可行的晶圆机器视觉方法。

国内在这方面的研究滞后于国外,但随着国内机器视觉市场的兴起以及半导体行业的发展,已经有不少企业和高校科研机构在开展这方面的研究,取得了一定的成果。

郭强生等人[4]利用图像处理和模式识别技术,完成了待检测芯片的定位与墨点、缺角、崩边、角度偏移等芯片缺陷的检测;邓秀娟等人[5]利用轮廓提取方法,提出了一种适合于机器人视觉的图像模式识别算法,提高了对象位置精度;梁伟文等人[6]对视觉定位系统的高精度多功能贴片机系统进行了研究。

本文将重点阐述基于图像处理的晶片测量方法封装、测试与设备Package,T est and Equipmentdoi:1013969/j1issn110032353x12009107106和图像处理算法。

1　晶片视觉检测原理表面组装技术(sur face m ounting techn ology ,S MT )中的机器视觉元器件检测系统是利用机器视觉传感器获取待测元件的二维图像,通过视觉图像处理,得到待测元件的类型、尺寸、位置和有无缺陷等信息。

视觉系统对元件变形的检测通常是将元件引脚图像的各项几何特征指标与理论值比较而得出结论。

图1是晶片焊接部位示意图。

在一个焊接基架上有一排同种型号的半导体器件,图中是两个相邻的半导体器件,IC 晶片是由贴片机贴焊在焊盘上的,焊接机需要在晶片上找到焊线位置(焊点),用焊线将晶片焊点与相对应的器件引脚连接起来。

图2所示为一个已经焊接好的晶片,显示部分只包括晶片图像,不包括引脚部分。

图2所示为视频采集的实物图,图中两个小方框为模板匹配图像的位置,大方框为两个模板搜索的区域。

图1　晶片焊接部位示意图Fig 11　Sketch map of the element ’sposition图2　检测晶片图像Fig 12　Image of the chip图3是由CC D 相机捕捉到的晶片图像示意图。

在图像中人为设定了图像的十字交叉线以及图像中心点,是为了便于人眼观察晶片相对于图像中心的位置,和晶片相对十字的倾斜角度。

图3　检测图像平面图Fig 13　Plan of the detection image在晶片检测和定位之前,需要先获得一幅标准的晶片样本图像,这时晶片应该是水平放置,偏转角度为零。

同时,需要获得晶片相对位置关系的精确数据,比如,焊点相对晶片参考定位点的坐标,晶片上焊点到引脚焊点的角度和距离等。

事先,在标准图像上由人工制作两个标准模板(较小的虚线框),即模板1和模板2,见图3,应该保证模板特征的唯一性。

模板在搜索区域内扫描,进行模板匹配,寻找与模板具有最优相似度的图像。

搜索区域最大可以与图像一样大,但是搜索范围越大,意味着要花费更多的搜索时间,因此应该使得搜索区域尺寸尽量小。

由贴片机的晶片贴装精度和工作平台传送机构的定位精度,可以保证晶片在图像中的位置和偏转角度都在一个精度范围内,即晶片位置相对是固定的,位于图像的中心部位,且偏转角度有限。

例如:模板1被定义为晶片的左上角,也就是说模板是用来搜索晶片左上角的,那么搜索范围就只设置在靠近左上部约占图像总面积1/4的区域内就可以了,即搜索区域1。

模板1在搜索区域1范围内进行模板匹配,而模板2在搜索区域2所确定的区域内进行扫描。

与标准模板具有最优相似度的图像的中心点(模板的中心)确定为参考定位点,由模板1和模板2可以确定两个参考点P 1和P 2。

其坐标分别是P 1(x 1,y 1)和P 2(x 2,y 2)。

由这两个参考点并根据三角关系,就可以确定晶片上任意点的位置了,即晶片上点的相对位置关系。

2　晶片检测算法整个晶片检测算法的步骤,如图4所示。

段锦　等:晶片焊线机视觉检测算法研究HT 〗图4　软件算法框图Fig14　Flow of the s oftware arithmetic第一步,灰度直方图规则化。

对于环境光照的控制,已经可以获得待焊晶片的灰度分布连续而均匀的图像。

为进一步消除光照对工件造成的灰度不同的影响,再利用直方图规则化的方法,使待检测图像整体灰度分布与标准样本图像的灰度分布基本一致。

第二步,灰度模板匹配。

利用事先在标准样本图像中制作好的模板,在待检测图像上进行模式匹配,寻找最佳匹配,以确定晶片参考点P1和P2。

第三步,焊点定位。

依据确定好的晶片参考点P1和P2,根据晶片上焊点与参考点的相对标准位置关系,计算各焊点在图像中的相对位置坐标;生成焊线流程列表,输出给运动控制系统。

在整个晶片检测过程中,最重要的就是模式匹配算法。

模式匹配算法的精度决定着两个参考点的定位精度,从而决定了焊接的精度;模式匹配算法的速度直接影响焊接的效率。

3　模式匹配算法目前焊接机中常用的图像定位算法有模板匹配和点模式匹配等[729]。

模板匹配算法需要建立模板图像,而且它的检测效率往往较低,角度计算精度也不够高,并且难于处理图像伸缩、旋转等复杂情况下的定位问题,因此模板匹配算法在球栅列阵封装技术(BG A),即多引脚小间距IC器件的定位识别中并不适用。

而点模式[8]虽然能将满足一定几何变换关系的同一场景的两副图像中的点匹配成对,从而识别和定位物体,但对于检测特征点较多的图像,其运算量将大大增加,很难满足焊接机的实时性要求。

所以,在满足实时性的要求下,选择和改进检测算法来提高检测精度是研究的难点。

311　灰度图像模板匹配根据实际工况,采用归一化互相关匹配算法进行灰度图像的模板匹配。

归一化互相关匹配算法,又叫NC(normalized correlation)算法,它虽然是一种经典的匹配算法,但在现场工况环境下却是相当有效的。

算法通过计算模板图像和待匹配图像的互相关值来确定匹配的程度。

互相关值最大时的搜索窗口位置就是模板图像在待匹配图像中的位置。

NC算法具有很高的准确性和适应性,对图像灰度值的线性变换具有“免疫性”,即所求的NC值不受灰度值的线性变换的影响。

但是考虑到图像中的自相关值都比较大,因此在互相关计算过程中,相似度形成以模板存在的真实位置为中心的平缓的峰,往往无法检测到准确的尖峰位置,使得确定模板的准确位置很难。

造成这个结果的原因是:一方面没有考虑图像中各个像素点之间存在空间相关性;另一个方面图像中的噪声可能会掩盖相关峰值。

为了克服这个缺点,可以先对待匹配的图像和模板作边缘处理,当图像中像素点高度相关时,两幅图像的相关性实际是集中在轮廓信息的相关性上的,从而提高了目标位置定位的精度,这种方法适用于目标轮廓特征较明显的情况。

图5(a)为待焊接芯片的原始图像,图像整体灰度较暗;图5(b)是对图5(a)进行了直方图规则化之后的图像,图像的亮度得到改善;图5 (c)和图5(d)是图像匹配所用的两个灰度模板图像,分别定位晶片的右上角和右下角。

图5　灰度图像模板Fig15　G ray image tem plate312　二值图像模板匹配作为一个有实际应用意义的图像实时检测系统,必须满足快速匹配的要求。

在基本不损失匹配段锦　等:晶片焊线机视觉检测算法研究精度的基础上,高速完成匹配过程。

这就要求在一般的图像匹配算法的基础上,再采取适当的策略。