提高wire bonding中焊点的定位精度的一种有效方法

COB 邦定制程
E-mail: cjjean@https://www.360docs.net/doc/5014014994.html, ; jean@https://www.360docs.net/doc/5014014994.html,
提高 Wire Bonding 中焊点的定位精度的一种有效方法
摘要：根据 Wire Bonding 中加工的 Pad 的外形特点，应用模式识别原理和 测量技术，提出在 Wire Bonding 的视觉系统上智能找准精确焊点的方法，阐述 为实现该方法的测量技术以及与模式匹配相结合的动态实时处理方法和技术， 此 方法提高了 Wire Bonding 系统运行中执行精度的稳定性和可靠性。
1. 引言
计算机视觉越来越多的应用于工业生产中。在产业领域里，图像处理与模式 识别主要应用于外观检测和挑选、 表面缺损的自动检查、 装配和生产线的自动化、 工业材料的质量检查等。而对于半导体封装来说，计算机视觉是一种新的发展方 向。计算机视觉研究的主要目的是试图模拟人类的视觉感知功能，通过 CCD 摄 像机得到外部视觉的二维图像，经过图像处理、图像分析和计算机视觉方法等处 理后，得到对图像的理解，进而实现物体的识别、定位和物体的三维表达。它是 提高半导体封装中 Wire Bonding 的精度以及智能化的一种有效途径。随着半导 体工业的发展，芯片向着尺寸更加微小，电路更加复杂，功能更加强大的方向发 展。芯片内部引脚的间距越来越小，精度要求越来越高，这样就给芯片内部的电 路连接、芯片的封装提出了更高的要求。计算机视觉系统通过对芯片中的 Pad 外形的识别，控制 Bond 头找到焊点的准确位置，实现精确焊接。 芯片上也有一些特殊形状的 Pad，但是总的来说是方形和条形，外形变化比 较简单而且比较有规则。通过对 Pad 外形特征的分析，根据图像的实时处理能 力和识别精度要求， 本文提出了图像测量技术以及与模式匹配相结合的模式识别 方法。
2. 运用测量技术给 Lead 上焊点定位的方法
测量技术是将一个二维的测量范围映射为一维的直线并计算水平或者垂直 方向的象素总和。这种计算依赖于测量范围的起始位置和被测量物的方向。每一 个和数代表在这一栏的象素密度。为了找到确切的边界，要应用边缘滤波器。用 边缘滤波器找到每一个轮廓的边界值。在一个轮廓值与另一个轮廓值之间，边界 值是不同的。差别越大边界值就越大。滤波器尽可能地除掉任何在边界阈值以下 的边界值。滤波器通过评价任何可能的基于人为定义的几何约束的边界，给每个 特征一个指定的权值或者重要程度值。 我们认为拥有最高分值的边界即为我们所 要找的边界。如图 1 所示：
jean
第 1 页
2003-12-6

COB 邦定制程
E-mail: cjjean@https://www.360docs.net/doc/5014014994.html, ; jean@https://www.360docs.net/doc/5014014994.html,
一旦用户自己定义了边界阈值，则可以确定 Lead 的一条边界。当 Lead 的两 条边界都分别确定下来，就可以找到其几何中点，即为此条 Lead 上 Pad 的焊点， 如图 2 所示。
在测量这项技术中，测量范围的确定是一个很重要的因素。它显示了寻找目 标图像的测量区域。测量范围的正确定位是查找成功的关键。为了确保测量的成 功，一般测量范围限制在尽可能的小到包含 Lead 的两条边缘即可。在芯片图像 比较复杂或者图像质量不是很好的情况下，这一点极为重要。另外，限定测量范 围还可以加速测量运算。在一般的芯片中，这两条边界的对比度的设置一般是相 同的。同一块芯片上 Lead 条的宽度以及对比度一般是相同的。所以我们可以先 通过学习，确定一个比较合适的适合该芯片中所有 Lead 的测量范围的大小。然 后利用这个尺寸，在每一条需要测量的 Lead 上，在学习得到的范围尺寸内找到 Lead 的两条边界，继而求得其几何中心。其精度可以达到亚象素精度。
jean
第 2 页
2003-12-6

COB 邦定制程
E-mail: cjjean@https://www.360docs.net/doc/5014014994.html, ; jean@https://www.360docs.net/doc/5014014994.html,
3. 运用结合测量技术的模式匹配给 Die 上焊点定位的方法
模式匹配就是用储存在计算机中的模型去识别输入的未知视觉模式，并最终 建立对输入的解释。这里解释是指计算机模型与外部世界的对应性。模式匹配的 方法开始于一个学习过程，在此过程中，一幅物体的图像，在这里就是一个 Pad 的图像，作为模板被保存下来。运行时，将此模板与一系列位置上的图像的形状 相似的子集进行比较。最大匹配的位置作为 Pad 的位置。 标准化灰度相关性广泛的应用于工业中作为模式匹配之用。相关性运算可以 被看作是一种形式的卷积，在这里用于匹配的模板类似于卷积核。事实上，普通 （非标准化）的相关性与下面的卷积形式完全相同：
换句话说，对于每一个结果，一个 N 象素的模板与基础图像中的 N 个象素相乘 然后求和。当相关性函数求得目标图像中的每一个象素的值，计算结果最大的位 置就是最相似模板的地方。 查找算法继而定位这些相关性结果的峰值并返回他们 的位置。 但是， 应用普通的相关性算法， 如果图像亮度较大的话， 结果将会增加。 事实上，当图像全部为白色的时候会达到一个最大值，即使在该点不再与模板相 似。解决方案就是用一个更复杂的，相关性函数的标准化向量：
运用上面的表达式，结果将不会受图像或者模板中象素值的线性变化的影响。当 图像和模板完全匹配时结果到达它的最大值 1， 当模板与图像不相关时结果为 0， 当相似性意外的低于所期望的值时结果为负。在这里对负值不感兴趣，所以结果 消减到 0。另外，用r2代替r避免了缓慢的开方运算。最终，结果变为一个百分 数，这里 100％表示一种理想的匹配。所以匹配分数确切的为：
注意，在标准化相关性函数中的一些项仅仅依赖模板的定义。在查找中唯一 需要被计算的项有：
jean
第 3 页
2003-12-6

COB 邦定制程
,
E-mail: cjjean@https://www.360docs.net/doc/5014014994.html, ; jean@https://www.360docs.net/doc/5014014994.html,
,
这样对每一个模板象素要进行两次乘法运算和三次加法运算。
Pad 模板的选取是后续的模式匹配的关键。如果模板选取得不合适，将会给 后面的模式匹配带来极大误差，甚至有匹配不到或者误匹配的情况发生。所以选 取模板时要求它带有边界信息。即是要求在每一个 Pad 的边界向外延伸四到五 个象素作为一个模板的边界。因为如果 Pad 的边界就是模板的边界，那么有可 能将此 Pad 的图像中误认为是所要找的 Pad。 还要保证模板的中心就是所要找 的焊点。将测量技术应用到模板的选取过程中，即是用前面介绍的测量技术找到 Pad 的每一个边界，然后向外延伸四到五个象素模板（如图 3），并保证模板的 参考点就是所要求的焊点。其精度可以达到 0.2，0.1 甚至 0.05 个象素精度。
4 . 实验验证
a) 运用测量技术对 Lead 上焊点的定位精度的影响的验证
选取一条 Lead 作为实验对象，在确定其沿 Lead 方向是近似水平的情 况下对其进行了测量得到其水平方向的纵轴坐标如下：（选取 20 点）
jean
第 4 页
2003-12-6

COB 邦定制程 y1=305.994713 y4=305.844902 y5=305.835568 y8=305.801323 y9=305.806237 y12=305.817507 y13=305.891574 y16=305.852665 y17=305.877387 y20=305.977275
E-mail: cjjean@https://www.360docs.net/doc/5014014994.html, ; jean@https://www.360docs.net/doc/5014014994.html, y2=305.910228 y6=305.860509 y10=305.876619 y14=305.918189 y18=305.882115 y3=305.868383 y7=305.798547 y11=305.961136 y15=305.987081 y19=305.878285
最后计算得其精度为 0.264123 象素。 b) 运用于与测量技术相结合的模式匹配技术对 Die 上焊点定位精度的影响 的验证 选择一个合适的 Pad 作为模板，然后用该方法八个不同的 Pad 进行匹配 得到八个不同的焊点坐标如下表：（单位：象素） 匹配所得坐标 1 2 3 4 5 6 7 8 54.870106， 150.967865 55.023048， 240.129501 55.464912， 390.969055 150.080429， 499.512787 268.538547， 496.680389 420.269501， 496.501526 506.002991， 496.425507 655.710327， 496.681458 实测坐标 56.57， 153.60 56.61， 241.84 57.19， 393.01 150.74， 501.04 270.84， 498.81 422.09， 498.75 508.54， 498.20 658.13， 499.28 Pad 的尺寸 （宽， 坐标相对误差值 高） 53.79，55.54 3.16%，4.73％ 53.99，53.94 53.87，53.85 52.50，55.52 54.87，55.51 54.32，55.59 54.31，56.72 54.66，54.39 2.93％，3.17％ 3.20％，3.79％ 1.25％，2.75％ 4.19％，3.83％ 3.35％，4.04％ 4.67％，3.12％ 4.42％，4.78％
5 . 结论
jean
第 5 页
2003-12-6

COB 邦定制程
E-mail: cjjean@https://www.360docs.net/doc/5014014994.html, ; jean@https://www.360docs.net/doc/5014014994.html,
本文提出的测量技术以及与模式识别相结合的模式匹配技术在理论上和实 际应用上都是切实可行的。 a) 测量技术极大的提高了 Wire Bonding 中焊点位置的精度。 随着 芯片尺寸的越来越小，引脚焊线的精度问题就成为一个急待解决的问 题。如果焊点位置的精度得到保证，那么芯片尺寸向着更小的方向发展 成为可能。 b) 与测量技术相结合的模式匹配技术解决了取模板时的精度问题。 一旦模板取得精确，那么在下面的模式匹配的过程中就能保证它的匹配 精度， 以及匹配的稳定性和可靠性。 Die 上的 Pad 相比较于 Lead 上的 更加微小，所以模板的精度更加重要。将这些技术成功的应用于半导体 封装中，将给半导体工艺的快速发展给予有力的支持。也可以应用于其 它工业生产的视觉定位系统中。
参 考 文 献 1 2 Mark Robin, Wire Bonding: the Incredible Interconnect, EP and P,2000. Kenneth Schroeder, The Future of Vision Technology in A Changing Semiconductor Industry, KLAC-Schroeder Vision Article, 1999. Silver.W.M, Normalized Correlation Search in Alignment, Gauging, and Inspection, Proceedings of SPIE, Volume 755, January 1987, pp.23-34. 章毓晋，图像理解与计算机视觉，清华大学出版社，2000。 罗希平等，图像分割方法综述， 《模式识别与人工智能》 ，1999，第 3 期。
3
4 5
jean
第 6 页
2003-12-6