摘 要：芯片引腳共面性檢測是集成電路生產(chǎn)過程中的重要環(huán)節(jié)，關系到集成電路芯片性能的發(fā)揮，但是現(xiàn)行方法檢測結(jié)果置信水平、檢出率比較低。因此本文提出基于單目視覺的集成電路芯片引腳共面性檢測方法研究，利用相機搭配光源對芯片進行拍攝測量，采用彩色系統(tǒng)變化法對原始芯片圖像進行灰度轉(zhuǎn)化，并通過閾值分割對芯片圖像提取檢測目標，利用單目視覺對芯片圖像進行擬合分析，確定芯片引腳共面度，完成基于單目視覺的集成電路芯片引腳共面性檢測。經(jīng)試驗證明，本文方法檢測結(jié)果置信水平和檢出率均在95%以上，擬合精度誤差能夠控制在0.135mm以下，擬合穩(wěn)定性能為97.50%，能夠精準檢測集成電路芯片引腳共面性。

關鍵詞：單目視覺；集成電路；芯片引腳；共面性；彩色系統(tǒng)變化法；閾值分割

中圖分類號：TP 391 " " 文獻標志碼：A

隨著科技的快速發(fā)展，集成電路芯片在各領域的應用越來越廣泛，如通信、計算機和汽車電子等。集成電路芯片引腳共面性指的是芯片引腳在水平面上的平整度和一致性。在理想情況下，所有引腳都應處于同一平面上，以保證芯片能夠與主板或其他電路正確連接。但在制造和組裝過程中，由于各種因素的影響，引腳可能會出現(xiàn)不同程度的偏差，導致共面性不良，進而影響整個系統(tǒng)的正常運行。為了檢測集成電路芯片引腳的共面性，通常會采用接觸式測量或非接觸式測量的方法。其中，接觸式測量方法精度高，但測量速度慢且容易對芯片造成損傷；非接觸式測量方法速度快，但受環(huán)境因素影響較大且對設備的要求較高。這2種方法均存在不足和缺陷，在實際應用中檢測結(jié)果置信水平和檢出率均較低，難以達到預期檢測效果。因此，本文提出基于單目視覺的集成電路芯片引腳共面性檢測方法。

1 集成電路芯片圖像測量

單目視覺是一個集圖像數(shù)據(jù)采集、處理和三維重建并分析的計算機技術，本文采用該技術對芯片引腳共面性進行檢測，需要利用單目相機采集到芯片圖像。結(jié)合芯片引腳共面性檢測需求，采用美國YFA公司IFGHASTG-A4FGA8相機，根據(jù)芯片尺寸確定相機成像視場[1]?？紤]基于單目視覺的檢測對圖像清晰度要求較高，在相機上方布設一個光源，根據(jù)現(xiàn)場實際情況確定相機與光源的間距，將集成電路芯片放置于光源與相機的焦點位置，保證集成電路芯片照明均勻一致。由于集成電路芯片引腳與其他部位的高度不一致，使其對應的光源入射角不同，因此，在拍攝的圖像中，各像素點用相應的灰度值表示。將拍攝的芯片圖像上傳到計算機，用于后續(xù)處理和分析。

2 芯片圖像灰度化和閾值分割

為了保證后續(xù)單目視覺系統(tǒng)對芯片引腳共面性的檢測精度，對采集的芯片圖像進行預處理。由于原始芯片圖像為彩色圖像，與灰度圖像相比，彩色圖像紋理特征與輪廓特征不夠明顯，因此采用彩色系統(tǒng)變化法對原始芯片圖像進行灰度轉(zhuǎn)化，如公式（1）所示。

F=α·R+β·G+γ·B （1）

式中：F表示灰度轉(zhuǎn)化芯片圖像像素點對應的灰度值；α、β、γ分別表示圖像紅色分量、綠色分量和藍色分量的變換系數(shù)；R、G、B分別表示芯片圖像像素點的紅、綠、藍3個彩色分量值[2]。利用公式（1）將圖像中所有像素點灰度化，生成灰度圖像。圖像由背景與前景2部分組成，芯片引腳共面性檢測對象為圖像前景。通常情況下，圖像的前景灰度值高于圖像的背景，因此采用閾值分割法對集成電路芯片灰度圖像進行分割，提取到目標區(qū)域，如公式（2）所示。

（2）

式中：S表示集成電路芯片灰度圖像閾值分割結(jié)果；1表示圖像背景；F表示圖像前景；表示閾值。

將識別到的圖像背景灰度值設置為“0”，以此將圖像的背景消除，僅保留圖像的前景，用于后續(xù)芯片引腳共面性擬合檢測。

3 基于單目視覺的芯片引腳共面性擬合檢測

3.1 芯片引腳共面性擬合檢測

在上述基礎上，利用單目視覺技術對圖像進行擬合分析，檢測出圖像芯片引腳到平面的距離，估測芯片引腳擬合度[3]。在單目視覺中，光源發(fā)射的光線照射在集成電路芯片表面區(qū)域，經(jīng)過芯片表面反射光線進入單目相機，成像到圖像中對應的像素點上，生成集成電路芯片圖像[4]。由于光源發(fā)出的光線在傳輸過程中受集成電路芯片表面引腳產(chǎn)生的傾角和芯片材料屬性的影響，光線的光強會發(fā)生變化，本文在不考慮芯片材料屬性的影響情況下，假設芯片表面引腳產(chǎn)生的傾角對光強影響系數(shù)為ε，光線經(jīng)過具有一定傾角的點反射，產(chǎn)生散射光與鏡面反射光[5]。根據(jù)光學原理，光線反射光與入射光線關于法線呈對稱關系，但是在現(xiàn)實中，芯片上某一點反射的光線會聚集在一起，最終沿光路進入單目相機中，則圖像像素灰度值與光強的關系可以用公式（3）表示。

F=I·ε·cos?·cosη （3）

式中：I表示光強；?表示光線經(jīng)過芯片表面產(chǎn)生的傾角；η表示反射光線夾角[5]。

在單目視覺中，光線與平面的夾角為ρ，其與光線經(jīng)過芯片表面的傾角和反射光線夾角存在如公式（4）所示的關系。

（4）

式中：zw表示光線經(jīng)過的點到平面的距離；xw、yw分別表示光線經(jīng)過的點在單目相機圖像坐標系中水平方向位置和垂直方向位置[6]。

圖像像素點灰度值已知，光線強度可以通過標定確定，引腳在圖像坐標系中的位置可以通過坐標系轉(zhuǎn)換關系確定。將已知參數(shù)值代入公式（3）、公式（4）中，即可求出引腳到平面的距離[7]。將所有引腳到平面的距離標定到圖像坐標系中，擬合芯片引腳三維模型，根據(jù)引腳到平面的最大距離和最小距離計算出芯片引腳共面度，如公式（5）所示。

（5）

式中：μ表示芯片引腳共面度；minzw、maxzw分別為引腳到芯片的最小距離和最大距離[8]。

根據(jù)實際情況設定一個閾值，如果共面度小于閾值，則芯片引腳共面性較差，不合格；如果共面度大于閾值，則芯片引腳共面性良好，合格。以此進行基于單目視覺的集成電路芯片引腳共面性檢測。

3.2 引腳擬合精度分析

在引腳擬合過程中，精度是衡量算法性能的重要指標。為深入理解引腳擬合精度的數(shù)學模型，需要明確精度在引腳擬合中的重要性。精度的高低直接影響最終的檢測結(jié)果，因此提高擬合精度至關重要。

引腳擬合精度的數(shù)學模型主要通過計算實際引腳點和擬合引腳點間的距離來評估。具體數(shù)學公式如下：

（6）

式中：E表示擬合誤差，是衡量算法擬合精度的主要指標，E值越小，說明擬合精度越高；N表示引腳數(shù)量；Pi表示實際引腳點的坐標；Mi表示擬合引腳點的坐標；Pi-Mi表示實際引腳點和擬合引腳點間的差值。

公式（6）通過計算實際引腳點和擬合引腳點間的歐氏距離來評估擬合精度。

3.3 引腳擬合穩(wěn)定性分析

在引腳擬合過程中，穩(wěn)定性也是衡量算法性能的重要指標。穩(wěn)定性分析的目的是探究不同因素對擬合結(jié)果穩(wěn)定性的影響，從而更好地理解算法性能并尋找優(yōu)化方法。

引腳擬合穩(wěn)定性的數(shù)學模型基于歐氏距離的平均值來評估擬合結(jié)果的穩(wěn)定性。具體如公式（7）所示。

（7）

式中：S表示擬合穩(wěn)定性；|Pi-Mi|表示實際引腳點和擬合引腳點間的歐氏距離，用于衡量擬合誤差。

評估擬合誤差時，作為一種有效的指標，歐氏距離具有以下2個優(yōu)點。1）能夠捕捉到實際引腳點和擬合引腳點間的真實距離，而不僅是誤差的大小。2）歐氏距離的平均值能夠反映整體擬合的誤差情況，通過減少平均值，可以提升整體的擬合效果和穩(wěn)定性。

4 試驗論證

4.1 試驗準備與設計

為了檢驗本文所提檢測方法的性能，選擇引腳為0.25mm～0.95mm的集成電路芯片共800個，芯片尺寸為10mm×10mm。利用本文方法進行集成電路芯片引腳共面性檢測，試驗過程采用LED光源。根據(jù)芯片尺寸，將相機成像視場設定為30mm×20mm，相機焦距設定為1.25mm，分辨率設定為1024×1024像素。試驗共拍攝800張單幅圖像。按照上述流程對圖像進行處理和分析，隨機選取一張集成電路芯片圖像，其擬合后的引腳平面如圖1所示。

分析其平面分析，確定芯片引腳共面度，隨機選取8個芯片。將圖像進行灰度化處理，根據(jù)閾值分割算法，將圖像轉(zhuǎn)換為二值圖像，這樣可以將芯片區(qū)域與背景分離開來。采用本文提出的基于單目視覺的方法對芯片引腳的共面性進行擬合和檢測。分析擬合后的引腳平面，確定引腳的共面度。檢測結(jié)果見表1。

4.2 試驗結(jié)果與討論

為了進一步檢驗本文方法的實用性，結(jié)合集成電路芯片引腳共面性檢測情況，將置信水平、檢出率為方法評價指標。

置信水平是指檢測結(jié)果的真實性程度，如公式（8）所示。

（8）

式中：PTU表示芯片引腳共面性檢測結(jié)果置信水平；E0表示引腳共面性檢測值；E表示引腳共面性真實值。

置信水平越高，說明檢測結(jié)果越貼合實際情況，真實程度越高。

檢出率是指正確檢測樣本與總檢測樣本的比值，如公式（9）所示。

（9）

式中：THF表示引腳共面性檢出率；TF表示正確檢測引腳共面性合格樣本數(shù)量；TP表示正確檢測引腳共面性不合格樣本數(shù)量；N表示總檢測芯片數(shù)量，檢出率越高，說明方法檢測精度越高。

將本文方法與基于機器視覺的檢測方法和基于深度學習的檢測方法進行比較，驗證本文方法的優(yōu)越性。測試在不同芯片數(shù)量下，3種方法的芯片引腳共面性檢測結(jié)果置信水平和在不同引腳寬度下，3種方法應用后的芯片引腳共面性檢出率。具體試驗結(jié)果見表2、表3。

通過對檢測方法進行置信水平檢驗，本文方法置信水平最高可達98.46%，平均置信水平為97.15%，比基于機器視覺的檢測方法提高了近23%，比基于深度學習的檢測方法提高了近16%，檢測結(jié)果的真實度得到了有效提升。通過對檢測方法進行檢出率檢驗，無論是哪種規(guī)格的集成電路芯片引腳，其檢出率均超過95%，比基于機器視覺的檢測方法提高了近15%，比基于深度學習的檢測方法提高了近22%。

為了驗證本文方法芯片引腳共面性擬合檢測的擬合精度和擬合穩(wěn)定性，隨機抽取8個芯片，根據(jù)公式（6）、公式（7）計算其相應指標，結(jié)果見表4。

根據(jù)表4可知，本文方法的擬合精度和穩(wěn)定性均優(yōu)于基于機器視覺和深度學習的方法。在擬合精度方面，本文方法在多數(shù)芯片上表現(xiàn)出較高精度，在擬合穩(wěn)定性方面也更穩(wěn)定，具有較高的應用價值。說明在實際應用中，本文方法在擬合精度和穩(wěn)定性方面更具優(yōu)勢。通過上述檢測方法置信水平和檢出率檢驗分析，所得試驗結(jié)論為本文方法在集成電路芯片引腳共面性方面具有良好的實用性何較高的檢測精度，比現(xiàn)行方法更具優(yōu)勢。

5 結(jié)語

本文基于單目視覺技術，對集成電路芯片引腳共面性檢測方法進行了深入研究。試驗結(jié)果表明，該方法具有較高的準確性和魯棒性，能夠滿足實際生產(chǎn)需求。但本文的研究仍存在一些不足。例如，復雜背景下的引腳共面性檢測仍需要進一步研究。同時，對于不同類型、不同尺寸的集成電路芯片，可能需要調(diào)整算法參數(shù)或改進算法結(jié)構(gòu)以適應不同的應用場景。未來研究方向如下：對于復雜背景下的引腳共面性檢測，可以嘗試引入深度學習技術，通過訓練大量數(shù)據(jù)模型提高算法的魯棒性和適應性；對于不同類型、不同尺寸的集成電路芯片，可以研究一種通用的引腳共面性檢測方法，以適應更廣泛的應用場景；在實際應用中，可以考慮將單目視覺技術與雙目視覺、多目視覺等技術相結(jié)合，以提高檢測精度和效率。

參考文獻

[1]張瑤桐.基于改進LSSVM的集成電路運行故障檢測方法研究[J].機電信息，2023（22）：11-13，20.

[2]第五俊峰，孫芳婷，曹潘.基于CMOS數(shù)字集成電路的定日鏡推桿電纜組件檢測方法[J].電線電纜，2023（5）：59-62.

[3]曹澤強，陳文宇，洪瓊，等.一種基于RobomasterEP的單目視覺水準視距測量方法[J].測繪地理信息，2023（5）：17-21.

[4]安奕同，周平，閆英.基于單目視覺三維恢復算法的微觀形貌原位測量方法研究[J].機械工程師，2022（12）：9-13，16.

[5]孫有恒，薛志剛，王傳寶，等.基于視頻圖像分析及單目視覺技術的地鐵施工人員定位技術研究[J].電子設計工程，2023，31（15）：187-190，195.

[6]張兆威，侯宇，蔣林，等.基于單目視覺和輪式編碼器的室內(nèi)移動機器人松耦合定位方法[J].武漢科技大學學報，2023，46（4）：303-310.

[7]周澤華，吳向東，陳自洋，等.基于顏色形狀識別和PnP算法的單目視覺軌道邊坡位移檢測方法[J].湘南學院學報，2023，44（2）：37-41.

[8]譚立超.基于時間同步優(yōu)化和特征篩選的無人機單目視覺慣導聯(lián)合定位方法[J].武漢大學學報（工學版），2023，56（2）：237-243.