自动对焦技术:TGV视觉检测方案中的关键

玻璃通孔(TGV)工艺在半导体封装中应用广泛,但在检测过程中面临诸多挑战,

主要体现在以下几点:

1、精度要求高

TGV技术的精度要求极高,通常是微米级。为了确保电气性能和信号传输的稳定性,任何微小的形变或尺寸偏差都可能导致封装失败,因此对检测精度的要求非常高。

2、材料和结构的复杂性

玻璃作为一种硬脆材料,具有较高的透明度,但其微观结构和裂纹等缺陷往往不容易直接观察。传统的检测方法,如X射线成像或光学显微镜,可能在检测玻璃材料时不够有效,特别是当玻璃厚度较大或通孔内存在微裂纹时,常规方法很难准确判断。

TGV是具有深度的通孔,品质检测需要关注Z轴方向(深度方向)的完整性,不仅是二维的表面缺陷。

3、多种缺陷的识别难度

在TGV封装中,可能出现的缺陷包括孔径不均匀、孔壁裂纹、玻璃表面缺陷等。检测系统需要具备高分辨率的成像能力,并能够准确识别这些微小缺陷。而由于玻璃的透明性和折射特性,缺陷的识别可能会受到光线和视角的影响。

4、 高速检测的挑战:随着半导体封装向更高集成度发展,TGV技术的检测也需要适应更高的速度。高速的检测要求能够在短时间内完成对大量封装产品的检查,同时保持足够的精度,这对检测设备和算法提出了更高的要求。

针对玻璃通孔(TGV)工艺中的检测难点,志强视觉推出的TGV检测方案可有效解决上述难题,该方案将工业相机、高速自动对焦(AF)系统与精密调控的光源相结合,确保TGV检测质量的可靠性。

自动对焦系统在TGV中的关键作用

通过自动对焦(AF)技术实现精确对焦控制

不同层级的TGV孔形状和尺寸可能有所不同,因此进行分层精确对焦至关重要。特别是在使用高倍率镜头时,景深非常浅,稍有偏差就可能导致对焦错误,进而造成测量不准确。因此,快速且高精度的AF系统对于实现可靠检测尤为关键

自动对焦(AF)的结构特点及其在TGV中的适用性

自动对焦(AF)技术大致可分为两种类型:透镜内对焦(TTL)和光学三角测距。两者均利用激光反射光实现对焦,但TTL系统在激光垂直投射进入深孔且反射光难以返回时,存在信号丢失风险;而光学三角测距由于斜角投射,测量更加稳定可靠。

因此,对于涉及多层结构和微米级孔洞检测的TGV应用,光学三角测距法在技术上更为适。

玻璃通孔(Through-Glass Via, TGV)工艺在先进封装领域具有重要应用潜力,半导体行业应用广泛。

相关推荐
拓朗工控9 小时前
视觉检测行业工控机选型指南:核心要素与避坑策略
人工智能·数码相机·视觉检测·工控机·工业电脑
YOLO数据集集合3 天前
配电站智能运维|变电一次设备识别|高压电气构件目标检测数据集|电力巡检
运维·人工智能·深度学习·yolo·目标检测·视觉检测
YOLO数据集集合4 天前
航拍输电线路故障识别|线路金具缺陷判别|无人机电力巡检故障检测数据集10262期
人工智能·深度学习·yolo·目标检测·视觉检测·无人机
拓朗工控7 天前
工业视觉检测系统的边缘算力基石:IBOX-601应用解析
人工智能·计算机视觉·视觉检测
Dola_Zou7 天前
工业软件防破解避坑指南:CodeMeter 全流程入门与选型(下)
人工智能·安全·自动化·视觉检测·软件工程
智联视频超融合平台8 天前
多模态大模型+AR可视化:让电力巡检“看懂“设备、“想明白“缺陷
信息可视化·视觉检测·ar
ZHW_AI课题组10 天前
基于Grounded-SAM-2的动态场景目标检测
人工智能·目标检测·机器学习·视觉检测
迁移科技12 天前
AI+3D视觉赋能汽车箱体智能上下料
人工智能·3d·自动化·视觉检测
Dola_Zou13 天前
工业软件防破解避坑指南:CodeMeter 全流程入门与选型(上)
人工智能·自动化·视觉检测·软件工程·软件加密
YOLO数据集集合14 天前
滑坡智能识别|遥感卫星无人机多源影像数据集|深度学习语义分割开源基准
人工智能·深度学习·yolo·目标检测·视觉检测·无人机