1。导言

塑封技术是近年来集成电路封装技术的进步。这种技术使用颗粒状塑料封装材料来封装芯片。第一个程序是扫描已经打线的基板，得到基板上芯片的总数，然后根据封装厚度要求计算出所需塑封颗粒材料的量。

第二步，将成型颗粒注入下模，下模的载台涂上一层脱模剂，基板引线朝上放置在上模夹具中。提升下模具以关闭模具，并将塑料包装材料压在基板上。达到包装厚度后，下模停止压制，如图1所示。

芯片扫描是塑封工艺中最重要的一道工序，因为这道工序决定了产品包装的厚度。芯片扫描可分为激光扫描和相机扫描。激光扫描用于计算大尺寸芯片的数量，而相机扫描用于计算小尺寸芯片的数量。扫描仅覆盖整个基板的有效区域，但不包括端轨和侧轨。图2显示了实际衬底和实际芯片的扫描结果。

1.1与包装厚度相关的问题

根据产品配方中记录的芯片配置数据，扫描方式可以识别产品批次错误或配方不正确，防止模具误操作。如果加载的产品与产品配方不一致，模具会发现芯片尺寸不同或者芯片垂直高度错误。最近推出的新品的芯片配置数据都是一模一样的，唯一不同的是封装厚度要求不同，如图3所示。如果用封装厚度高的配方加工封装厚度低的产品，芯片扫描是不会发现错误的，因为芯片配置是一样的，反之亦然。

错误封装厚度的另一个问题是产品中引线接合的差异。如果有错位片，会影响模具台板的平整度，导致塑封料从台板四边的缝隙溢出。如果受损基板的裂纹延伸到模具的工作区域，将导致合模过程中成型材料的泄漏。这两种飞边情况都会导致成型材料用量减少，无法满足封装厚度要求。在最差情况下，由于封装很薄，材料不足会导致芯片和引脚暴露在封装之外，如图4所示。

如何避免错位芯片和损坏基板仍在研究中，但由于成型材料的复杂性和多个芯片堆叠过程，还需要一段时间来改善。

对于基板损坏，通过对比不同产品，发现产品B和E在芯片键合和引线键合处有通孔，基板损坏率最高。通孔工艺具有高的衬底损坏风险。对于放错位置的芯片，只能在最后一个芯片贴装过程之后进行处理。当芯片表面的平坦度较低时，芯片可能会发生错位。另外值得注意的是，产品A和D的基板更厚，破损率更低。薄的基板更容易损坏，夹紧压力稍高就会损坏。以下部分比较了表1中的不同产品。

1.2与包装厚度相关的缺陷率

2018年塑封成型工艺中与封装厚度相关的缺陷月均不良率为106 ppm，如图5所示。

模具溢出会堵塞机器的true 空流道，需要停机疏通流道，堵塞物会被抽出，可能会影响生产效率。从2018年的停机时间趋势来看，平均停机时间为每月28小时，如图6所示。

1.3当前模具包装厚度误操作控制方法

目前，防止因错误程序或装错批次而导致加工误差的控制措施包括在模具上粘贴产品包装厚度要求，如表2所示。

如图7所示，每批芯片装入模具前，检查每批芯片的追溯信息(行程卡)、实际基板和模具配方是否完全一致。

如果一批基板出现异常，例如，在上线前发现基板损坏或芯片放错位置，图8所示的标签将贴在该批基板上，提供可追溯性信息，以评估该基板是否可以在之前的模具中加工或从未使用过。

要求操作人员用千分尺测量模塑封装的厚度，并从每批中取出一片基板进行测量，以确保封装厚度误差不会被遗漏。这是生产操作规范。

1.4人工智能在塑料成型中的应用

针对公式错误或装错批次造成的加工误差，将芯片的扫描范围扩大到边轨和尾轨，如图10所示。

创新的想法是通过光学字符识别(OCR)方法来识别基底的端轨上的唯一字母数字产品材料代码，然后将其与所选产品配方中记录的材料代码进行核对。如果成分一致，继续检查剩余的衬底，直到检查完该批中的所有衬底；否则，模具将提示错误并停止。

对于损坏的基板或未对准的芯片，用相机或激光扫描侧轨和端轨，将扫描图像与合格产品的图像或轮廓进行对比，检查是否有异常。如果发现异常，模具会提示发现错误并停机。

1.5相关技术资料概述

为了更好地理解独特的8位字母数字产品材料代码错放识别方法及其关键使能技术，本章将简要介绍各种相关的光学识别技术。光学字符识别是一种很有前途的技术，它能将手写的字母或字符转换成计算机文本。这项技术也是将印刷文字数字化的常用方法。印刷出来的文字转换成计算机格式后，可以在线编辑、检索、存储和显示。光学字符识别分为几个阶段，包括预处理、分类、后采集、预处理、分割、后处理和特征提取。

1.多层感知器神经网络使光学字符识别成为可能。正常的流程是先获取图像，然后进行预处理和分割。在分段过程中，字符由线分隔。图像中字符行的计数对于确定可检测区间的边界非常重要。分割后的下一步是分离字符，然后提取特征。为了完成特征提取过程，我们使用图像到矩阵的映射方法将图像转换成2D矩阵。下一步是训练系统。通过训练，系统可以做出高效的工作决策，在不可预测的环境中产生更好的结果。该系统方案采用多层感知器学习算法。该方法采用金字塔结构，不仅可用于学习过程，也可用于分类过程。通过在多层网络架构中应用学习过程算法，可以以特定的方式更新突触权重和阈值，使得系统更高效地执行分类/识别任务。突触权重对迭代很重要。在迭代过程中，权重被更新为整数值。因此，为了识别对象，将其特征数据发送到网络输入层，以生成输出向量。现在使用这个输出向量和目标输出来计算误差。通过分析输出值，可以确定字符的识别精度。独立字符识别准确率为91.53%，句子字符识别准确率为80.65%。

2.利用模板匹配和反向传播算法开发了光学字符识别软件。模板匹配是最常用的光学字符识别技术，主要用于特征提取。由于其简单性和易于实现，这种技术非常受欢迎。模板匹配也称为关联。这种方法使用单个字符的像素矩阵来提取特征。使用测试数据集中的相关函数R，并将结果保存在数据库中。具有最高相关值的字符被选为最佳匹配字符。反向传播算法使用反向机制来查找错误，并通过反向传播来减少错误。该方法基于纠错机制。分组后发现的问题是存在无法识别的字符，而这些无法识别的字符就是产生错误结果的字符。这种方法可以提高字符识别的准确性。

对于错位芯片和破损基板的检测，我们进行了摄像头扫描识别物体的研究，重点研究了图像分辨率增强技术。详见下文。

3.据报道，深度神经网络在物体识别方面取得了非常好的效果。然而，这些方案通常假设存在合适的物体尺寸和图像分辨率，这在实际应用中可能无法保证。我们提出的框架是通过图像增强网络和物体识别网络这两个深度神经网络的协同学习来识别超低分辨率图像。图像增强网络试图通过使用来自物体识别网络的协作学习信号来提高极低分辨率图像的清晰度和信息量。针对高分辨率图像具有训练权值的目标识别网络，主动参与图像增强网络的学习过程，将图像增强网络的输出作为增强学习数据，提高超低分辨率图像的识别性能。在各种低分辨率图像基准数据集上的实验表明，该方法能够提高图像重建和分类的性能。

在对错位芯片和受损基板的检测中，我们比较了激光扫描和相机扫描的性能，并研究了激光扫描在物体检测中的适用性。

4.低成本3D成像，尤其是通过使用激光探测和测距(LIDAR)成像，对于诸如物体识别、地面测绘和机器视觉的应用非常重要。传统的飞行时间激光雷达利用扫描激光获取目标的光强和距离，需要窄带宽的照明光源和高速同步器。据我们所知，无脉宽非扫描三维激光雷达样机是业界首次集成单像素成像传感器和衍射光学元件。压力传感技术用于测量物体反射的回波脉冲，重建目标场景的强度图。衍射元件用于提供结构化照明源，并且可以从激光点提取数据以获得目标场景的深度图。仿真结果验证了原型识别效果，并说明了在传统三维成像方法不可用或受限的情况下，该方案的优越性。这种创新样机在可见光谱以外的波长具有成本低、结构灵活等优点，因其实用性而备受关注。

2。材料和方法/实验细节/方法学

2.1材料

我们将使用覆盖所有可能情况的产品来验证芯片扫描软件升级是否可以识别公式错误和批量误装。从三种不同包装厚度要求的产品中选取三批，每批20个基板。产品B和C的芯片配置相同，产品A的配置与产品B和C不同，产品A和C的模套厚度要求相同，但基板厚度不同。唯一的物料代码是区分不同产品关键特性的重要工具。详情见表3。

表3:错误配方/批次错误安装评估表

准备有错位芯片和损伤的芯片基板，模拟模具在芯片扫描过程中是否能发现异常。异常位置包括端轨和侧轨。对于错位的芯片，用不同大小的芯片测试是否能发现异常。

2.1.1芯片扫描软件升级

如图12所示，测试芯片扫描升级软件是否能够识别基板端轨上唯一的8位字母数字代码。

捕获的信息将与测试产品的配方信息进行比较。如果内容相同，模具会继续运行；否则，模具将会不正确地提升并停止，如图13所示。

为了检测芯片基板上是否有错位的芯片或者端轨和侧轨是否损坏，我们开发了一个基板检测软件。这里将使用激光扫描和摄像头扫描两种不同的扫描技术来测试软件的识别能力。

扫描是通过比较坏基板与好基板的像素来识别基板上是否有错放的芯片和损伤，如图14所示。

另一种检测技术是激光扫描，它扫描基板的表面高度，并将捕获的图像与良好基板的高度进行比较。如果高度偏差过大或过小，模具会提示错误并停止。该测试将使用芯片错位、侧轨和端轨受损的基板，如图15所示。

2.2测试过程

测试的目的是比较两种扫描软件升级对错位芯片和基板的材料代码识别和损坏检测的识别效果。

材料代码检测将测试相机是否能准确识别不同产品的材料代码。挑战在于识别所有字母数字字符的字体大小、风格和方向。使用20块基板，随机插入错误的材料代码，板对板测试升级软件的识别结果是否一致详见表4。

表4。材料编码检测的实验设计

通过对错位芯片和受损基板的检测，比较了激光扫描和相机扫描的缺陷检测精度。通过使用在端轨和侧轨上具有不同尺寸和形状的缺陷的实际基板来测试芯片扫描的准确性；使用不同尺寸的错位芯片测试扫描灵敏度，如表5所示。

表5。位错切屑/破损检测的实验设计

3.1材料代码识别测试

根据升级软件检测各产品材料编码的测试结果，三个测试产品的所有基板检测准确率均为100%。并且正确和错误的材料代码被准确地识别，如图16的图表所示。

测试结果表明，检测准确率很高，所有被测产品的基板都被正确识别，包括另外10个材料编码错误的基板。

3.2异常底物识别试验

为了验证照相机扫描和激光扫描中的哪种方法在检测错位的芯片和损坏的衬底时更有效，进行了双尺度测试以比较检测精度。

对于错位的芯片，采用两种不同尺寸的待测产品芯片进行卡方检验，比较激光扫描和相机扫描的扫描精度差异。当置信度为95%，Pvalue值为0.0003时，相机扫描和激光扫描的扫描精度有显著差异，如图17所示。

实验结果表明，即使芯片尺寸很小，摄像头扫描也总能发现错位芯片的存在，因为像素识别对于摄像头阈值仍然非常重要。相反，激光扫描的精度随着芯片尺寸的减小而降低，因为它不能区分由于衬底高度和平整度的变化而引起的从衬底轨道底部到阈值的高度的变化。

损坏基板检测实验再次使用两块损坏特征不同的基板，一块基板上有缺口，另一块有裂缝，比较相机扫描和激光扫描的检测准确度，如图18所示。在置信度为95％，Pvalue值