对制造组件的子组件进行快速分类的方法及设备与流程

技术特征：
1.一种用于对组件的多个子组件中的缺陷进行分类的方法，其特征在于，对于每个子组件，所述方法包括以下步骤：使用子组件的模型及一个或多个缺陷类型来生成子组件图像的合成训练集；从所述合成训练集中的子组件图像计算特征向量；对所述特征向量进行变换以获得变换后的特征向量；以及使用所述变换后的特征向量及其对应的缺陷类型来训练缺陷分类器。2.根据权利要求1所述的方法，其特征在于，还包括以下步骤：将经过训练的缺陷分类器应用于在所述组件的多个子组件的图像中检测到的缺陷。3.根据权利要求2所述的方法，其特征在于，所述多个子组件中的缺陷被并行分类为制造过程的一部分。4.根据权利要求2所述的方法，其特征在于，所述多个子组件中的缺陷被实时分类为制造过程的一部分。5.根据权利要求1所述的方法，其特征在于，所述组件包括半导体封装。6.根据权利要求5所述的方法，其特征在于，所述子组件包括硅通孔或焊点。7.根据权利要求1所述的方法，其特征在于，所述生成步骤利用缺陷位置及大小的随机化。8.根据权利要求7所述的方法，其特征在于，所述生成步骤进一步利用缺陷形状的随机化。9.根据权利要求1所述的方法，其特征在于，变换所述特征向量的步骤，包括以下步骤：标准化所述特征向量；以及应用变换将所述特征向量变换为一组变换后的特征向量。10.根据权利要求1所述的方法，其特征在于，所述缺陷分类器包括基于决策树的分类器。11.根据权利要求1所述的方法，其特征在于，所述缺陷分类器使用hu矩特征、haar小波特征及方向梯度直方图中的一个或多个。12.一种使用涉及对组件的多个子组件中的缺陷进行分类的方法的过程来制造的产品，其特征在于，对于每个子组件，所述方法包括以下步骤：使用子组件的模型及一个或多个缺陷类型来生成子组件图像的合成训练集；从所述合成训练集中的子组件图像计算特征向量；对所述特征向量进行变换以获得变换后的特征向量；以及使用所述变换后的特征向量及其对应的缺陷类型来训练缺陷分类器。13.根据权利要求12所述的产品，其特征在于，所述方法还包括以下步骤：将经过训练的缺陷分类器应用于在所述组件的多个子组件的图像中检测到的缺陷。
14.根据权利要求13所述的产品，其特征在于，所述多个子组件中的缺陷被并行分类为制造过程的一部分。15.根据权利要求13所述的产品，其特征在于，所述方法还包括以下步骤：将经过训练的缺陷分类器应用于在所述组件的多个子组件的图像中检测到的缺陷。16.根据权利要求12所述的产品，其特征在于，所述组件包括半导体封装。17.根据权利要求16所述的产品，其特征在于，所述子组件包括硅通孔或焊点。18.根据权利要求12所述的产品，其特征在于，所述生成步骤利用缺陷位置及缺陷大小的随机化。19.根据权利要求18所述的产品，其特征在于，所述生成步骤进一步利用缺陷形状的随机化。20.根据权利要求12所述的产品，其特征在于，变换所述特征向量的步骤，包括以下步骤：标准化所述特征向量；以及应用变换将所述特征向量变换为一组变换后的特征向量。21.根据权利要求12所述的产品，其特征在于，所述缺陷分类器包括基于决策树的分类器。22.根据权利要求12所述的产品，其特征在于，所述缺陷分类器使用hu矩特征、haar小波特征及方向梯度直方图中的一个或多个。23.一种用于对组件的多个子组件中的缺陷进行分类的装置，其特征在于，所述装置，包括：至少一个处理器，其用于执行计算机可读代码；以及存储器，其用于存储并访问计算机可读代码及数据；计算机可读代码，其用于使用子组件的模型及一种或多种缺陷类型来生成子组件图像的合成训练集；计算机可读代码，其用于从所述合成训练集中的子组件图像计算特征向量；计算机可读代码，其用于对所述特征向量进行变换以获得变换后的特征向量；以及计算机可读代码，其用于使用所述变换后的特征向量及其对应的缺陷类型来训练缺陷分类器。

技术总结
本公开提供一种用于对制造组件的子组件中检测到的缺陷进行快速分类的方法及装置。缺陷分类(1214)可以在缺陷检测(1213)之后发生，或者由于分类可以足够快以在缺陷检测期间实时执行，因此可以作为缺陷检测过程的一部分。在示例性实现中，该技术可用于实现对组件的多个子组件中检测到的缺陷进行并行地实时分类。该组件可以是例如具有硅内插器的多芯片封装，并且子组件可以包括例如硅通孔及焊点。也可以对其他类型组件的子组件中的缺陷进行分类。一实施例涉及一种对制造组件的子组件中检测到的缺陷进行分类的方法(1200)。另一实施例涉及一种使用所公开的检测组件的多个子组件的缺陷的方法来制造的产品。陷的方法来制造的产品。陷的方法来制造的产品。


技术研发人员：爱德华
受保护的技术使用者：布鲁克纳米公司
技术研发日：2020.05.13
技术公布日：2022/3/18