Inspección de defectos en uniones de cables
Distinguir anomalías defectuosas de tolerables para mejor rendimiento de los chips de circuitos integrados
Productos relacionados
Entorno de programación gráfica para análisis de imágenes industriales basado en el Deep Learning
Impulsado por el software para visión basado en el Deep Learning In-Sight ViDi
El soldado de cables es el método más utilizado para la interconexión dentro de muchos circuitos integrados y microchips. Es un proceso delicado que requiere una gran precisión. El objetivo de la unión de cables es conectar los cables del chip al material de empaque con hilos metálicos muy finos. El material de empaque transmite las señales a otros componentes. Los defectos, como cables rotos o faltantes, pueden interrumpir la transmisión de la señal. Estos defectos pueden variar en el tipo y la ubicación, lo que dificulta que las soluciones de visión artificial basadas en reglas determinen con precisión una unión de cables defectuosa.
Tradicionalmente, usar un sistema de inspección óptica automática (AOI) con visión basada en reglas no funciona bien. Por lo tanto, los casos malos sospechosos se inspeccionan con Deep Learning para mejorar la confiabilidad del proceso de inspección. La máquina de AOI selecciona los casos malos sospechosos y envía las imágenes a un sistema que utiliza las herramientas de Cognex Deep Learning. La herramienta de detección de defectos toma el área de interés en forma dinámica y la herramienta de clasificación cataloga los diferentes defectos, distinguiendo entre uniones de cables defectuosas y aceptables. Clasificar los defectos ayuda a aislar los problemas en el proceso para evitar costosos reprocesamientos en la línea, mientras que identificar los defectos a nivel micrométrico mejora el rendimiento de los chips del circuito integrado y la longevidad del rendimiento.
