CN107677949A - 集成电路批量检测方法 - Google Patents
集成电路批量检测方法 Download PDFInfo
- Publication number
- CN107677949A CN107677949A CN201710672340.2A CN201710672340A CN107677949A CN 107677949 A CN107677949 A CN 107677949A CN 201710672340 A CN201710672340 A CN 201710672340A CN 107677949 A CN107677949 A CN 107677949A
- Authority
- CN
- China
- Prior art keywords
- chipset
- chip
- integrated circuit
- failure
- detection
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000001514 detection method Methods 0.000 claims abstract description 48
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 17
- 238000001757 thermogravimetry curve Methods 0.000 claims abstract description 17
- 230000035939 shock Effects 0.000 claims abstract description 12
- 230000003287 optical effect Effects 0.000 claims abstract description 7
- 230000007257 malfunction Effects 0.000 claims abstract description 4
- 238000012549 training Methods 0.000 claims description 21
- 238000001931 thermography Methods 0.000 claims description 16
- 238000009826 distribution Methods 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 230000000694 effects Effects 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000005520 cutting process Methods 0.000 claims description 4
- 230000001537 neural effect Effects 0.000 claims description 4
- 230000000644 propagated effect Effects 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- RSWGJHLUYNHPMX-UHFFFAOYSA-N Abietic-Saeure Natural products C12CCC(C(C)C)=CC2=CCC2C1(C)CCCC2(C)C(O)=O RSWGJHLUYNHPMX-UHFFFAOYSA-N 0.000 description 5
- KHPCPRHQVVSZAH-HUOMCSJISA-N Rosin Natural products O(C/C=C/c1ccccc1)[C@H]1[C@H](O)[C@@H](O)[C@@H](O)[C@@H](CO)O1 KHPCPRHQVVSZAH-HUOMCSJISA-N 0.000 description 5
- 229910000679 solder Inorganic materials 0.000 description 5
- KHPCPRHQVVSZAH-UHFFFAOYSA-N trans-cinnamyl beta-D-glucopyranoside Natural products OC1C(O)C(O)C(CO)OC1OCC=CC1=CC=CC=C1 KHPCPRHQVVSZAH-UHFFFAOYSA-N 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 3
- 230000005611 electricity Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 239000004065 semiconductor Substances 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000004888 barrier function Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000004744 fabric Substances 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 238000005476 soldering Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 238000009659 non-destructive testing Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 238000003466 welding Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/28—Testing of electronic circuits, e.g. by signal tracer
- G01R31/2851—Testing of integrated circuits [IC]
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
- G01J2005/0077—Imaging
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- Microelectronics & Electronic Packaging (AREA)
- General Engineering & Computer Science (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Investigating Or Analyzing Materials Using Thermal Means (AREA)
- Radiation Pyrometers (AREA)
Abstract
本发明提供了一种集成电路批量检测方法,包括以下步骤:步骤一,将芯片组固定在检测装置上,并传送至装置的待检测工位;步骤二,检测装置上的光学传感器检测到芯片组后,向震动模块发出指令使之工作,震动模块以一定频率震动,诱发故障;步骤三,使芯片组处于供电工作状态,再使用红外热像仪对芯片组表面的温度进行采集,生成待检测样品的红外热像图,并将其传输给计算机;步骤四,计算机得到红外热像图后进行预处理,并输入已经训练好的卷积神经网络中计算,根据输出结果判断芯片是否故障。本发明方法通过自动化、智能化的手段实现对集成电路的批量检测,操作简便,检测效率高,可靠性高,通用性强。
Description
技术领域
本发明涉及一种故障检测方法,尤其涉及一种基于红外热像与人工智能的集成电路批量检测方法。
背景技术
集成电路简称IC(Integrated Circuit),是20世纪60年代初期发展起来的一种微型半导体器件或部件。它采用半导体制作工艺,把一个电路中所需要的晶体管、电阻器、电容器等元器件集成制作于一块较小的半导体晶片或介质基片上,并按照多层布线或隧道布线的方法将元器件组合成完整的电子电路,封装于管壳内。它具有体积小,重量轻,寿命长,可靠性高,生产成本低等优点,广泛应用于通讯、汽车、军事等各个领域。
由于集成电路研发水平的不断提升,其高集成度和密集封装使得故障检测变得越加困难。产生集成电路故障的原因有很多,比如元件损坏、虚焊等问题都会影响其正常工作。目前,大多数集成电路的生产线仍然采用人工的方式,由人工筛选不及格的样品,这样的检测方法效率低且检测精确度受到工人疲劳程度的影响。
红外检测是指利用红外辐射测温进行无损检测的方法,其实质是扫描待测物体表面上由于缺陷或材料自身不同的热性质而引起的温度信息变化。红外检测过程根据是否需要外部激励源可以分为被动红外检测与主动红外检测,已有相关研究将其用于集成电路的检测中。如中国专利文献CN102183545B公开了一种检测电路板焊点可靠性的红外测温检测法,针对焊点虚焊的问题,采用主动红外激光照射的方法,分析电路板中单个焊点的温度分布信息得出结论,电路板在检测过程中不工作。该方法的不足之处在于其针对的故障单一,只能检测出虚焊问题,并不关注芯片在工作状态下可能产生的其它故障,而且该方法的红外图像分析需要人工将待检测焊点的温度分布曲线和待检测焊点引线处的温度分布曲线同比叠加在一起,操作复杂,效率不高。
发明内容
针对现有技术中的缺陷,本发明的目的是提供一种集成电路批量检测方法,其通过自动化、智能化手段实现,操作简便,可靠性高。
根据本发明的一个方面,提供一种集成电路批量检测方法,其特征在于,包括以下步骤:
步骤一,将芯片组固定在检测装置上,并传送至装置的待检测工位;
步骤二,检测装置上的光学传感器检测到芯片组后,向震动模块发出指令使之工作,震动模块以一定频率震动,诱发故障;
步骤三,使芯片组处于供电工作状态,再使用红外热像仪对芯片组表面的温度进行采集,生成待检测样品的红外热像图,并将其传输给计算机;
步骤四,计算机得到红外热像图后进行预处理,并输入已经训练好的卷积神经网络中计算,根据输出结果判断芯片是否故障。
优选地,所述步骤一通过固定装置将待测芯片组固定,通过传送装置传送至检测装置上的待检测位置。
优选地,所述固定装置包括多个网格,每个网格均可放置一个芯片,从而实现芯片的批量检测。
优选地,所述步骤二使用光学传感器的目的在于检测待测工位上是否传来待测芯片组,从而向后续模块发出指令;震动模块的作用在于提前诱发芯片在实际工作中潜在的问题造成的故障。
优选地,所述步骤三使芯片组处于供电工作状态的目的在于:红外热像仪使用被动红外检测方法,采集芯片组工作时自身产生的温度分布得到红外热像图,这需要芯片组处于工作状态下才能产生热量;芯片在工作状态下可能会暴露出非工作状态下没有的故障,通过后续的检测筛除,保证芯片工作的可靠性。
优选地,所述步骤三包括以下步骤:将红外热像仪与计算机正常连接,使之处于工作状态;运行计算机中红外热像仪的软件***,调整其相关参数;红外热像仪接到工作指令后开始采集芯片组表面的温度分布,得到红外热像图;热像图采集完成后保存,并传输至计算机中等待处理。
优选地,所述步骤四的卷积神经网络包括训练阶段与诊断阶段,训练阶段包括以下步骤:训练集的获取,人工标记一定数量的单一芯片热像图,标记为故障与不故障两类;芯片热像图样本预处理包括灰度转化与尺寸调整;将预处理后的样本图输入卷积神经网络,进行有监督训练;通过误差前向传播与反向传播算法不断更新网络的权值及偏置值,直至训练效果达到预期;诊断阶段包括以下步骤:芯片组热像图样本预处理,包括切分图像,灰度转化与尺寸调整;将预处理后的芯片热像图输入训练好的卷积神经网络进行计算,利用卷积神经网络对样本进行分类,分类结果为故障与不故障两类,进而筛选出故障芯片并获取故障率。
与现有技术相比,本发明具有如下的有益效果:
一,本发明所述的集成电路批量检测方法可以实现每次检测一组待测芯片,极大地提高了检测效率。
二,本发明所述的集成电路批量检测方法在芯片组供电工作的状态下进行检测。这种情况下,芯片组可以主动发射红外辐射,从而可以检测出其在工作状态下可能存在的故障,扩大了检测故障的范围。
三,本发明所述的集成电路批量检测方法使用震动模块对芯片组潜在的虚焊等问题进行提前诱发,排除了芯片的部分潜在故障,提高了通过本方法检测的芯片在后续的使用过程中的可靠性。
四,本发明所述的集成电路批量检测方法采用人工智能诊断方法对红外热像图进行处理,采用卷积神经网络作为故障的分类器,具有分类速度快、检测精度高、操作简单的特点。
五,本发明所述的集成电路批量检测方法的样本传输、样本震动、红外采集、智能分析均是通过计算机或检测装置自动完成,整个流程实现了自动化,大幅地提升了集成电路故障检测的效率与检测精度,减少操作人员的劳动强度,非常适用于工业生产等对于实时性要求高的***。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述,本发明的其它特征、目的和优点将会变得更明显:
图1是本发明检测方法的流程框图;
图2是本发明检测装置的示意图;
图3是本发明检测方法中红外模块工作的流程框图;
图4是本发明检测方法中智能诊断模块工作的流程框图;
图5是本发明检测方法中卷积神经网络训练阶段的工作示意图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明,但不以任何形式限制本发明。应当指出的是,对本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进。这些都属于本发明的保护范围。
如图1所示,为本发明检测方法的方案流程框图,主要包括以下四个步骤:
步骤S1,将芯片组固定在检测装置上,并传送至装置的待检测工位。具体来说,步骤S1通过固定装置将待测芯片组固定,通过传送装置传送至检测装置上的待检测位置。步骤S1使用固定装置将芯片组固定的目的是在后续震动模块工作时使芯片组位置保持恒定。该固定装置包括多个网格,每个网格均可放置一个芯片,从而实现芯片的批量检测。
步骤S2,检测装置上的光学传感器检测到芯片组后,向震动模块发出指令使之工作,震动模块以一定频率震动,诱发故障。步骤S2使用光学传感器的目的在于检测待测工位上是否传来待测芯片组,从而向后续模块发出指令;震动模块的作用在于提前诱发芯片在实际工作中潜在的问题造成的故障,比如芯片中虚焊或假焊的问题是指焊点处只有少量的锡焊住,造成接触不良,工作状态下时通时断。在本发明方法中,通过使芯片震动提前诱发此类故障的爆发,在后续的检测模块中可以将其筛除。
步骤S3,使芯片组处于供电工作状态,再使用红外热像仪对芯片组表面的温度进行采集,生成待检测样品的红外热像图,并将其传输给计算机。步骤S3使芯片组处于供电工作状态的目的在于:(1)红外热像仪使用被动红外检测方法,采集芯片组工作时自身产生的温度分布得到红外热像图,这需要芯片组处于工作状态下才能产生热量。(2)芯片在工作状态下可能会暴露出非工作状态下没有的故障,通过后续的检测筛除,可以保证芯片工作的可靠性。
步骤S3包括以下步骤:将红外热像仪与计算机正常连接,使之处于工作状态;运行计算机中红外热像仪的软件***,调整其相关参数;红外热像仪接到工作指令后开始采集芯片组表面的温度分布,得到红外热像图;热像图采集完成后保存,并传输至计算机中等待处理。
步骤S4,计算机得到红外热像图后进行预处理,并输入已经训练好的卷积神经网络中计算,根据输出结果判断芯片是否故障。
步骤S4的卷积神经网络包括训练阶段与诊断阶段,训练阶段包括以下步骤:训练集的获取,人工标记一定数量的单一芯片热像图,标记为故障与不故障两类。芯片热像图样本预处理,包括灰度转化与尺寸调整;将预处理后的样本图输入卷积神经网络,进行有监督训练;通过误差前向传播与反向传播算法不断更新网络的权值及偏置值,直至训练效果达到预期;诊断阶段包括以下步骤:芯片组热像图样本预处理包括切分图像,灰度转化与尺寸调整;将预处理后的芯片热像图输入训练好的卷积神经网络进行计算,利用卷积神经网络对样本进行分类,分类结果为故障与不故障两类,进而筛选出故障芯片并获取故障率。
如图2所示,为本发明检测方法中检测装置的示意图。图中1为计算机,2为光学传感器,3为红外热像仪,4为待测芯片组,5为固定装置,6为传送装置,7为载物台,8为震动模块。在具体操作时,按照上述示意图进行硬件连接即可完成检测的准备工作。
下面结合实例来说明本发明的集成电路批量检测方法的检测过程,具体过程如下:
(1)首先由固定装置5将待测芯片组4固定于载物台7上,再由传送装置6将其传送至待检测位置。
(2)光学传感器2检测到待测芯片组4,向震动模块8发出开始工作指令,使待测芯片组4以一定频率震动,诱发待测芯片组4在实际工作中潜在问题可能造成的故障,如虚焊等问题。
(3)震动完成后,使待测芯片组处于供电工作状态,并向红外热像仪3发出指令使其开始工作,其工作流程框图如图3所示。使用前的准备工作是将红外热像仪3与计算机1正确连接,使之处于工作状态,运行计算机1中热像仪***软件,调整热像仪的相关参数。接到工作指令后,红外热像仪3开始采集待测芯片组4的表面温度,获得红外热像图保存,并将其传输至计算机1中。
(4)计算机1接收到红外热像图后,送入智能诊断模块进行检测,智能诊断模块工作流程框图如图4所示。在诊断阶段中,首先要进行预处理操作,包括切分图像、灰度转化、调整尺寸,然后将预处理后的芯片热像图输入训练好的卷积神经网络进行计算,利用卷积神经网络对样本进行分类,分类结果为故障与不故障两类,进而筛选出故障芯片并获取故障率。在诊断阶段前,要先完成卷积神经网络的训练。在训练阶段,首先要进行训练集的获取,人工标记一定数量的单一芯片热像图,标记为故障与不故障两类。然后将预处理后的样本图输入卷积神经网络,进行有监督训练,训练阶段的工作示意图如图5所示。通过误差前向传播与反向传播算法不断更新网络的连接权值及偏置值,直至训练效果达到预期。图5中的省略号方框表示根据实际采集环境设置不同数量与规模的卷积层和采样层。
本发明方法通过自动化、智能化的手段实现对集成电路的批量检测,操作简便,检测效率高,可靠性高,通用性强。
以上对本发明的具体实施例进行了描述。需要理解的是,本发明并不局限于上述特定实施方式,本领域技术人员可以在权利要求的范围内做出各种变形或修改,这并不影响本发明的实质内容。
Claims (7)
1.一种集成电路批量检测方法,其特征在于,包括以下步骤:
步骤一,将芯片组固定在检测装置上,并传送至装置的待检测工位;
步骤二,检测装置上的光学传感器检测到芯片组后,向震动模块发出指令使之工作,震动模块以一定频率震动,诱发故障;
步骤三,使芯片组处于供电工作状态,再使用红外热像仪对芯片组表面的温度进行采集,生成待检测样品的红外热像图,并将其传输给计算机;
步骤四,计算机得到红外热像图后进行预处理,并输入已经训练好的卷积神经网络中计算,根据输出结果判断芯片是否故障。
2.根据权利要求1所述的集成电路批量检测方法,其特征在于,所述步骤一通过固定装置将待测芯片组固定,通过传送装置传送至检测装置上的待检测位置。
3.根据权利要求2所述的集成电路批量检测方法,其特征在于,所述固定装置包括多个网格,每个网格均可放置一个芯片,从而实现芯片的批量检测。
4.根据权利要求1所述的集成电路批量检测方法,其特征在于,所述步骤二使用光学传感器的目的在于检测待测工位上是否传来待测芯片组,从而向后续模块发出指令;震动模块的作用在于提前诱发芯片在实际工作中潜在的问题造成的故障。
5.根据权利要求1所述的集成电路批量检测方法,其特征在于,所述步骤三使芯片组处于供电工作状态的目的在于:红外热像仪使用被动红外检测方法,采集芯片组工作时自身产生的温度分布得到红外热像图,这需要芯片组处于工作状态下才能产生热量;芯片在工作状态下可能会暴露出非工作状态下没有的故障,通过后续的检测筛除,保证芯片工作的可靠性。
6.根据权利要求1所述的集成电路批量检测方法,其特征在于,所述步骤三包括以下步骤:将红外热像仪与计算机正常连接,使之处于工作状态;运行计算机中红外热像仪的软件***,调整其相关参数;红外热像仪接到工作指令后开始采集芯片组表面的温度分布,得到红外热像图;热像图采集完成后保存,并传输至计算机中等待处理。
7.根据权利要求1所述的集成电路批量检测方法,其特征在于,所述步骤四的卷积神经网络包括训练阶段与诊断阶段,训练阶段包括以下步骤:训练集的获取,人工标记一定数量的单一芯片热像图,标记为故障与不故障两类;芯片热像图样本预处理包括灰度转化与尺寸调整;将预处理后的样本图输入卷积神经网络,进行有监督训练;通过误差前向传播与反向传播算法不断更新网络的权值及偏置值,直至训练效果达到预期;诊断阶段包括以下步骤:芯片组热像图样本预处理,包括切分图像,灰度转化与尺寸调整;将预处理后的芯片热像图输入训练好的卷积神经网络进行计算,利用卷积神经网络对样本进行分类,分类结果为故障与不故障两类,进而筛选出故障芯片并获取故障率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710672340.2A CN107677949A (zh) | 2017-08-08 | 2017-08-08 | 集成电路批量检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710672340.2A CN107677949A (zh) | 2017-08-08 | 2017-08-08 | 集成电路批量检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107677949A true CN107677949A (zh) | 2018-02-09 |
Family
ID=61135189
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710672340.2A Pending CN107677949A (zh) | 2017-08-08 | 2017-08-08 | 集成电路批量检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107677949A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109919905A (zh) * | 2019-01-08 | 2019-06-21 | 浙江大学 | 一种基于深度学习的红外无损检测方法 |
TWI677844B (zh) * | 2018-07-13 | 2019-11-21 | 致伸科技股份有限公司 | 具輔助判斷功能之產品測試系統及應用於其上的產品測試輔助方法 |
CN114264933A (zh) * | 2021-12-21 | 2022-04-01 | 厦门宇昊软件有限公司 | 一种集成电路板的故障检测方法和故障检测*** |
TWI765607B (zh) * | 2021-03-17 | 2022-05-21 | 英業達股份有限公司 | 基於網格聚類的錫膏印刷異常區域定位系統及其方法 |
CN115107360A (zh) * | 2021-03-17 | 2022-09-27 | 英业达科技有限公司 | 基于网格聚类的锡膏印刷异常区域定位***及其方法 |
CN116400201A (zh) * | 2023-06-06 | 2023-07-07 | 中诚华隆计算机技术有限公司 | 一种芯粒工作状态监测方法、装置、电子设备及存储介质 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101813638A (zh) * | 2010-04-30 | 2010-08-25 | 华中科技大学 | 一种芯片焊点缺陷在线检测方法及装置 |
-
2017
- 2017-08-08 CN CN201710672340.2A patent/CN107677949A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101813638A (zh) * | 2010-04-30 | 2010-08-25 | 华中科技大学 | 一种芯片焊点缺陷在线检测方法及装置 |
Non-Patent Citations (2)
Title |
---|
张斌 等: "《电子设备环境应力筛选试验研究》", 《计算机测量与控制》 * |
王格芳 等: "《印制电路板红外故障诊断仪》", 《仪器仪表学报》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI677844B (zh) * | 2018-07-13 | 2019-11-21 | 致伸科技股份有限公司 | 具輔助判斷功能之產品測試系統及應用於其上的產品測試輔助方法 |
CN109919905A (zh) * | 2019-01-08 | 2019-06-21 | 浙江大学 | 一种基于深度学习的红外无损检测方法 |
TWI765607B (zh) * | 2021-03-17 | 2022-05-21 | 英業達股份有限公司 | 基於網格聚類的錫膏印刷異常區域定位系統及其方法 |
CN115107360A (zh) * | 2021-03-17 | 2022-09-27 | 英业达科技有限公司 | 基于网格聚类的锡膏印刷异常区域定位***及其方法 |
CN114264933A (zh) * | 2021-12-21 | 2022-04-01 | 厦门宇昊软件有限公司 | 一种集成电路板的故障检测方法和故障检测*** |
CN114264933B (zh) * | 2021-12-21 | 2024-02-13 | 厦门宇昊软件有限公司 | 一种集成电路板的故障检测方法和故障检测*** |
CN116400201A (zh) * | 2023-06-06 | 2023-07-07 | 中诚华隆计算机技术有限公司 | 一种芯粒工作状态监测方法、装置、电子设备及存储介质 |
CN116400201B (zh) * | 2023-06-06 | 2023-08-11 | 中诚华隆计算机技术有限公司 | 一种芯粒工作状态监测方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107677949A (zh) | 集成电路批量检测方法 | |
CN107677700A (zh) | Pcb单板故障检测装置 | |
US20200072744A1 (en) | Inspection and failure detection of corrosion under fireproofing insulation using a hybrid sensory system | |
CN111770880A (zh) | 无人驾驶飞行器进行的太阳能电池板检查 | |
Gallardo-Saavedra et al. | Image resolution influence in aerial thermographic inspections of photovoltaic plants | |
CN107632251A (zh) | Pcb单板故障检测方法 | |
US9536300B2 (en) | Image processing method, image processing system, and storage medium storing image processing program | |
CN100520380C (zh) | 检查装置、摄像装置以及检查方法 | |
CN103698682B (zh) | 一种基于fpga技术的cmos图像传感器测试装置 | |
JP2018159705A (ja) | 自動光学検査システム及びその操作方法 | |
Wang et al. | Online automatic anomaly detection for photovoltaic systems using thermography imaging and low rank matrix decomposition | |
JP6984075B1 (ja) | 半導体故障解析装置及び半導体故障解析方法 | |
JP2010171065A (ja) | 太陽電池モジュール不具合検出装置 | |
KR101832454B1 (ko) | 드론 기반 열적외선 센서를 이용한 태양광 셀 발열 위치 분석 방법 | |
de Oliveira et al. | Automatic fault detection of photovoltaic array by convolutional neural networks during aerial infrared thermography | |
CN1936555A (zh) | 强力输送带无损检测*** | |
CN103901335B (zh) | 一种半导体少数载流子寿命分布的红外偏振光学成像检测方法与*** | |
CN103674966A (zh) | 一种用于晶圆表面瑕疵检测的装置与方法 | |
CN102540056A (zh) | 一种aps芯片测试及筛选方法 | |
CN103970922A (zh) | 在半导体晶圆厂中以设计为基础的制程最佳化装置 | |
CN102782482A (zh) | 结合基板的红外线探测 | |
CN103500720B (zh) | 电子束缺陷扫描仪匹配度测试结构及测试方法 | |
CN106409716A (zh) | 电子元件的检测***及检测方法 | |
Herraiz et al. | Optimal productivity in solar power plants based on machine learning and engineering management | |
CN110554302B (zh) | 快速自动检测电路板故障的装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180209 |