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
友思特 智能感知13 小时前
友思特案例 | 金属行业视觉检测案例三:彩涂钢板表面纹理检测
人工智能·视觉检测
格林威16 小时前
Baumer相机铆钉安装状态检测:判断铆接是否到位的 5 个核心算法,附 OpenCV+Halcon 的实战代码!
人工智能·opencv·算法·计算机视觉·视觉检测·工业相机·堡盟相机
沃达德软件18 小时前
视频侦查图像清晰化技术
图像处理·人工智能·目标检测·机器学习·计算机视觉·视觉检测·超分辨率重建
机器视觉的发动机1 天前
从实验室到工业现场:机器人视觉感知系统的边缘AI架构实战, 深度解析硬件选型、TensorRT量化加速与多传感器融合的极致优化方案
人工智能·机器人·视觉检测·人机交互·机器视觉
格林威2 天前
Baumer相机关于触发模式的选择及更改
人工智能·机器学习·视觉检测·工业相机·sdk开发·智能相机·堡盟相机
小金子会发光2 天前
【工业相机实战】基于 C# WinForms 的映美精(ic4)相机采集与显示全流程实现
计算机视觉·c#·视觉检测·visual studio
机器视觉的发动机2 天前
特斯拉FSD v14技术解析:端到端神经网络与视觉系统的突破
人工智能·深度学习·神经网络·机器学习·自动化·视觉检测·机器视觉
机器视觉的发动机3 天前
波士顿动力机器人技术全解析从四足Spot到人形Atlas的机器人革命
大数据·人工智能·深度学习·机器人·视觉检测·机器视觉
AI即插即用3 天前
即插即用系列 | AAAI 2026 WaveFormer: 当视觉建模遇上波动方程,频率-时间解耦的新SOTA
图像处理·人工智能·深度学习·神经网络·计算机视觉·视觉检测
总有刁民想爱朕ha4 天前
VisionForgeSDK:基于YOLOv8的新一代人工智能视觉检测解决方案
人工智能·yolo·视觉检测