[发明专利]一种结合深度学习的塑封芯片内部缺陷检测方法

说明书

本发明公开了一种结合深度学习的塑封芯片内部缺陷检测方法，属于芯片缺陷检测技术领域。本发明包括：S1：获取塑封芯片的超声波扫描图像，利用改进后的神经网络算法对图像进行芯片目标检测；S2：对获得的芯片图像进行传统图像算法分析，实现芯片缺陷的检测；所述的神经网络包含主干提取网络、改进后的特征融合网络和YOLOHead结构，改进后的特征融合网络将主干提取网络得到的三个特征向量经过YOLOv5网络中的金字塔特征融合FPN和PAN网络加强融合，得到加强后的特征向量，并融合原来的特征向量，得到改进后的特征融合向量。本发明结合深度学习与传统算法对超声波扫描图像进行处理，能够快速识别像素级别的缺陷类型与分布。

技术领域

本发明涉及半导体芯片缺陷检测技术领域，更具体地说，涉及一种结合深度学习的塑封芯片内部缺陷检测方法。

背景技术

在半导体芯片制造领域，塑封芯片的内部缺陷检测是一大难题。在芯片封装过程中，容易受到机械振动、温度变化等因素的影响，造成塑封料与芯片、塑封料与基底产生分层缺陷，严重影响塑封芯片的性能。

由于分层等缺陷属于芯片内部缺陷，需要借助超声扫描成像技术对芯片内部进行扫描得到超声波扫描图像。再借助超声波扫描图像的振幅强度分布，判断芯片的优劣。常用人工识别判断芯片的缺陷类型，费时费力。

经检索，专利申请号202210402961.X，申请日为2022年4月18日，发明创造名称为：一种塑封芯片内部缺陷的识别方法；该申请案的识别方法包括：S1：获取塑封芯片内部超声检测图像的原始数据集；S2：对所述原始数据集进行数据增广处理，得到增广后的数据集；S3：对所述增广后的数据集进行归一化处理，得到大型图像数据集；S4：利用所述大型图像数据集对多个卷积神经网络模型进行训练和测试，选择其中最优模型进行改进，得到改进后的卷积神经网络模型；S5：利用所述大型图像数据集对所述改进后的卷积神经网络模型进行训练和测试，得到塑封芯片内部缺陷的识别结果。该申请案使用改进后的MobileNetV2神经网络对塑封芯片内部缺陷进行识别分类，但在实际生产检测中，超声波扫描图像中芯片数目多，分布紧密，尺寸小，并且在小尺寸芯片上的缺陷区域仅有几个像素。因此，漏检率较高，检测精度低，不利于检测自动化的实现。除此之外，神经网络算法实现目标检测，需要大量的缺陷图像，在塑封芯片制造行业中，缺陷图像获取难度大，获取成本高，难以满足塑封芯片种类多的需求。

发明内容

1.发明要解决的技术问题

为了解决现有技术中，塑封芯片人工检测带来的效率低、检测慢和神经网络难以区分像素级别缺陷等问题。本发明提供了一种结合深度学习的塑封芯片内部缺陷检测方法，本发明在芯片塑封过程中，利用超声波反射强度图进行缺陷检测，并结合深度学习与传统算法对超声波扫描图像进行处理，能够有效的快速识别像素级别的缺陷类型与分布。

2.技术方案

为达到上述目的，本发明提供的技术方案为：

本发明的一种结合深度学习的塑封芯片内部缺陷检测方法，包括如下步骤：

S1：获取塑封芯片的超声波扫描图像，利用改进后的神经网络算法对超声波扫描图像进行芯片目标检测，获得超声波扫描图像中每一个目标芯片图像；

S2：对获得的芯片图像进行传统图像算法分析，实现芯片缺陷的检测；

所述改进后的神经网络包含主干提取网络、改进后的特征融合网络和YOLOHead结构，改进后的特征融合网络将主干提取网络得到的三个特征向量经过YOLOv5网络中的金字塔特征融合FPN和PAN网络进行加强融合，得到加强后的特征向量，并融合原来的特征向量，得到改进后的特征融合向量。

更进一步地，步骤S1包括如下步骤：

S11：使用超声波扫描仪获得芯片内部的超声波扫描图；