集成电路批量检测方法与流程

本发明涉及一种故障检测方法，尤其涉及一种基于红外热像与人工智能的集成电路批量检测方法。

背景技术：

集成电路简称ic(integratedcircuit)，是20世纪60年代初期发展起来的一种微型半导体器件或部件。它采用半导体制作工艺，把一个电路中所需要的晶体管、电阻器、电容器等元器件集成制作于一块较小的半导体晶片或介质基片上，并按照多层布线或隧道布线的方法将元器件组合成完整的电子电路，封装于管壳内。它具有体积小，重量轻，寿命长，可靠性高，生产成本低等优点，广泛应用于通讯、汽车、军事等各个领域。

由于集成电路研发水平的不断提升，其高集成度和密集封装使得故障检测变得越加困难。产生集成电路故障的原因有很多，比如元件损坏、虚焊等问题都会影响其正常工作。目前，大多数集成电路的生产线仍然采用人工的方式，由人工筛选不及格的样品，这样的检测方法效率低且检测精确度受到工人疲劳程度的影响。

红外检测是指利用红外辐射测温进行无损检测的方法，其实质是扫描待测物体表面上由于缺陷或材料自身不同的热性质而引起的温度信息变化。红外检测过程根据是否需要外部激励源可以分为被动红外检测与主动红外检测，已有相关研究将其用于集成电路的检测中。如中国专利文献cn102183545b公开了一种检测电路板焊点可靠性的红外测温检测法，针对焊点虚焊的问题，采用主动红外激光照射的方法，分析电路板中单个焊点的温度分布信息得出结论，电路板在检测过程中不工作。该方法的不足之处在于其针对的故障单一，只能检测出虚焊问题，并不关注芯片在工作状态下可能产生的其它故障，而且该方法的红外图像分析需要人工将待检测焊点的温度分布曲线和待检测焊点引线处的温度分布曲线同比叠加在一起，操作复杂，效率不高。

技术实现要素：

针对现有技术中的缺陷，本发明的目的是提供一种集成电路批量检测方法，其通过自动化、智能化手段实现，操作简便，可靠性高。

根据本发明的一个方面，提供一种集成电路批量检测方法，其特征在于，包括以下步骤：

步骤一，将芯片组固定在检测装置上，并传送至装置的待检测工位；

步骤二，检测装置上的光学传感器检测到芯片组后，向震动模块发出指令使之工作，震动模块以一定频率震动，诱发故障；

步骤三，使芯片组处于供电工作状态，再使用红外热像仪对芯片组表面的温度进行采集，生成待检测样品的红外热像图，并将其传输给计算机；

步骤四，计算机得到红外热像图后进行预处理，并输入已经训练好的卷积神经网络中计算，根据输出结果判断芯片是否故障。

优选地，所述步骤一通过固定装置将待测芯片组固定，通过传送装置传送至检测装置上的待检测位置。

优选地，所述固定装置包括多个网格，每个网格均可放置一个芯片，从而实现芯片的批量检测。

优选地，所述步骤二使用光学传感器的目的在于检测待测工位上是否传来待测芯片组，从而向后续模块发出指令；震动模块的作用在于提前诱发芯片在实际工作中潜在的问题造成的故障。

优选地，所述步骤三使芯片组处于供电工作状态的目的在于：红外热像仪使用被动红外检测方法，采集芯片组工作时自身产生的温度分布得到红外热像图，这需要芯片组处于工作状态下才能产生热量；芯片在工作状态下可能会暴露出非工作状态下没有的故障，通过后续的检测筛除，保证芯片工作的可靠性。

优选地，所述步骤三包括以下步骤：将红外热像仪与计算机正常连接，使之处于工作状态；运行计算机中红外热像仪的软件系统，调整其相关参数；红外热像仪接到工作指令后开始采集芯片组表面的温度分布，得到红外热像图；热像图采集完成后保存，并传输至计算机中等待处理。

优选地，所述步骤四的卷积神经网络包括训练阶段与诊断阶段，训练阶段包括以下步骤：训练集的获取，人工标记一定数量的单一芯片热像图，标记为故障与不故障两类；芯片热像图样本预处理包括灰度转化与尺寸调整；将预处理后的样本图输入卷积神经网络，进行有监督训练；通过误差前向传播与反向传播算法不断更新网络的权值及偏置值，直至训练效果达到预期；诊断阶段包括以下步骤：芯片组热像图样本预处理，包括切分图像，灰度转化与尺寸调整；将预处理后的芯片热像图输入训练好的卷积神经网络进行计算，利用卷积神经网络对样本进行分类，分类结果为故障与不故障两类，进而筛选出故障芯片并获取故障率。

与现有技术相比，本发明具有如下的有益效果：

一，本发明所述的集成电路批量检测方法可以实现每次检测一组待测芯片，极大地提高了检测效率。

二，本发明所述的集成电路批量检测方法在芯片组供电工作的状态下进行检测。这种情况下，芯片组可以主动发射红外辐射，从而可以检测出其在工作状态下可能存在的故障，扩大了检测故障的范围。

三，本发明所述的集成电路批量检测方法使用震动模块对芯片组潜在的虚焊等问题进行提前诱发，排除了芯片的部分潜在故障，提高了通过本方法检测的芯片在后续的使用过程中的可靠性。

四，本发明所述的集成电路批量检测方法采用人工智能诊断方法对红外热像图进行处理，采用卷积神经网络作为故障的分类器，具有分类速度快、检测精度高、操作简单的特点。

五，本发明所述的集成电路批量检测方法的样本传输、样本震动、红外采集、智能分析均是通过计算机或检测装置自动完成，整个流程实现了自动化，大幅地提升了集成电路故障检测的效率与检测精度，减少操作人员的劳动强度，非常适用于工业生产等对于实时性要求高的系统。

附图说明

通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：

图1是本发明检测方法的流程框图；

图2是本发明检测装置的示意图；

图3是本发明检测方法中红外模块工作的流程框图；

图4是本发明检测方法中智能诊断模块工作的流程框图；

图5是本发明检测方法中卷积神经网络训练阶段的工作示意图。

具体实施方式

下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进。这些都属于本发明的保护范围。

如图1所示，为本发明检测方法的方案流程框图，主要包括以下四个步骤：

步骤s1，将芯片组固定在检测装置上，并传送至装置的待检测工位。具体来说，步骤s1通过固定装置将待测芯片组固定，通过传送装置传送至检测装置上的待检测位置。步骤s1使用固定装置将芯片组固定的目的是在后续震动模块工作时使芯片组位置保持恒定。该固定装置包括多个网格，每个网格均可放置一个芯片，从而实现芯片的批量检测。

步骤s2，检测装置上的光学传感器检测到芯片组后，向震动模块发出指令使之工作，震动模块以一定频率震动，诱发故障。步骤s2使用光学传感器的目的在于检测待测工位上是否传来待测芯片组，从而向后续模块发出指令；震动模块的作用在于提前诱发芯片在实际工作中潜在的问题造成的故障，比如芯片中虚焊或假焊的问题是指焊点处只有少量的锡焊住，造成接触不良，工作状态下时通时断。在本发明方法中，通过使芯片震动提前诱发此类故障的爆发，在后续的检测模块中可以将其筛除。

步骤s3，使芯片组处于供电工作状态，再使用红外热像仪对芯片组表面的温度进行采集，生成待检测样品的红外热像图，并将其传输给计算机。步骤s3使芯片组处于供电工作状态的目的在于：(1)红外热像仪使用被动红外检测方法，采集芯片组工作时自身产生的温度分布得到红外热像图，这需要芯片组处于工作状态下才能产生热量。(2)芯片在工作状态下可能会暴露出非工作状态下没有的故障，通过后续的检测筛除，可以保证芯片工作的可靠性。

步骤s3包括以下步骤：将红外热像仪与计算机正常连接，使之处于工作状态；运行计算机中红外热像仪的软件系统，调整其相关参数；红外热像仪接到工作指令后开始采集芯片组表面的温度分布，得到红外热像图；热像图采集完成后保存，并传输至计算机中等待处理。

步骤s4，计算机得到红外热像图后进行预处理，并输入已经训练好的卷积神经网络中计算，根据输出结果判断芯片是否故障。

步骤s4的卷积神经网络包括训练阶段与诊断阶段，训练阶段包括以下步骤：训练集的获取，人工标记一定数量的单一芯片热像图，标记为故障与不故障两类。芯片热像图样本预处理，包括灰度转化与尺寸调整；将预处理后的样本图输入卷积神经网络，进行有监督训练；通过误差前向传播与反向传播算法不断更新网络的权值及偏置值，直至训练效果达到预期；诊断阶段包括以下步骤：芯片组热像图样本预处理包括切分图像，灰度转化与尺寸调整；将预处理后的芯片热像图输入训练好的卷积神经网络进行计算，利用卷积神经网络对样本进行分类，分类结果为故障与不故障两类，进而筛选出故障芯片并获取故障率。

如图2所示，为本发明检测方法中检测装置的示意图。图中1为计算机，2为光学传感器，3为红外热像仪，4为待测芯片组，5为固定装置，6为传送装置，7为载物台，8为震动模块。在具体操作时，按照上述示意图进行硬件连接即可完成检测的准备工作。

下面结合实例来说明本发明的集成电路批量检测方法的检测过程，具体过程如下：

(1)首先由固定装置5将待测芯片组4固定于载物台7上，再由传送装置6将其传送至待检测位置。

(2)光学传感器2检测到待测芯片组4，向震动模块8发出开始工作指令，使待测芯片组4以一定频率震动，诱发待测芯片组4在实际工作中潜在问题可能造成的故障，如虚焊等问题。

(3)震动完成后，使待测芯片组处于供电工作状态，并向红外热像仪3发出指令使其开始工作，其工作流程框图如图3所示。使用前的准备工作是将红外热像仪3与计算机1正确连接，使之处于工作状态，运行计算机1中热像仪系统软件，调整热像仪的相关参数。接到工作指令后，红外热像仪3开始采集待测芯片组4的表面温度，获得红外热像图保存，并将其传输至计算机1中。

(4)计算机1接收到红外热像图后，送入智能诊断模块进行检测，智能诊断模块工作流程框图如图4所示。在诊断阶段中，首先要进行预处理操作，包括切分图像、灰度转化、调整尺寸，然后将预处理后的芯片热像图输入训练好的卷积神经网络进行计算，利用卷积神经网络对样本进行分类，分类结果为故障与不故障两类，进而筛选出故障芯片并获取故障率。在诊断阶段前，要先完成卷积神经网络的训练。在训练阶段，首先要进行训练集的获取，人工标记一定数量的单一芯片热像图，标记为故障与不故障两类。然后将预处理后的样本图输入卷积神经网络，进行有监督训练，训练阶段的工作示意图如图5所示。通过误差前向传播与反向传播算法不断更新网络的连接权值及偏置值，直至训练效果达到预期。图5中的省略号方框表示根据实际采集环境设置不同数量与规模的卷积层和采样层。

本发明方法通过自动化、智能化的手段实现对集成电路的批量检测，操作简便，检测效率高，可靠性高，通用性强。

以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变形或修改，这并不影响本发明的实质内容。